[发明专利]SVM差分模型训练及人脸验证方法、装置、终端及存储介质

说明书

一种支持向量机差分模型训练方法，所述方法包括：构造正负样本集及训练SVM差分模型，其中正负样本集的特征为动态照片和证件照片进行人脸特征归一化并差分处理得到的特征，从所构造的正负样本集中生成正负样本训练集及正负样本测试集，输入正负样本训练集到SVM中，计算出最优组合参数c、g，逐步扩大c、g的范围并缩小步长，保存每一次的组合参数c、g，随机选择正负样本测试集在已保存的组合参数c、g所对应的SVM差分模型上进行多次测试，保存准确率最高时所对应的参数及SVM模型。本发明还提供一种支持向量机差分模型训练装置、人脸验证方法、装置、终端及存储介质。本发明可以训练出适合人脸验证的支持向量机差分模型，获得较佳的人脸验证效果。

技术领域

本发明涉及图像识别技术领域，具体涉及一种SVM差分模型训练及人脸验证方法、装置、终端及存储介质。

背景技术

人脸验证(Face Verification)是人脸识别(Face recognition)的子领域，人脸验证是判断两张人脸图片是不是同一个人，最常用的场景是判断证件是不是本人，人脸识别则是给定一张人脸图片，然后判断这个人是谁，其实质相当于多次的人脸验证。

由于动态环境下的人脸图片存在光照、姿态、年龄、装束等多种影响，使得动态环境下的人脸验证难度非常大。近几年提出了很多方法来改善动态环境下的人脸验证，这些方法大概可以分为两类。一类是基于传统特征的方法，目标在于提取有区分性的特征，再结合欧式距离或者余弦夹角距离进行比对，经典的人脸特征描述算子包括：方向梯度直方图(Histogram of Oriented Gradient，HOG)、局部二值模式(Local Binary Patterns，LBP特征)、尺度不变特征变换(Scale-invariant feature transform，SIFT)、伽柏(Gabor)特征等。另一类是基于深度学习的特征表达。

基于传统特征的方法虽然能获得较快的速度，但是特征表达能力较弱，因而性能较差。基于深度学习的特征表达需要非常巨大的样本来进行模型的训练，其次，要想获得较好的表达效果需要更深的网络来保持。另外，由于证件照片与动态情况下任意采集的照片存在年龄、光照、表情和姿态等多种区别，因而二者之间的特征空间分布差异较大，即使采用基于深度学习的特征表达也很难进行模型的训练。

发明内容

鉴于以上内容，有必要提出一种SVM差分模型训练及人脸验证方法、装置、终端及存储介质，其可以训练出适合人脸验证的分类模型，在少量样本的情况下训练出的特征的区分能力较强，获得较佳的人脸验证效果。

本申请的第一方面提供一种SVM差分模型训练方法，所述方法包括：

构造正负样本集，包括：

1)提取每张证件照片上的人脸区域的第一人脸特征，提取每张动态照片上的人脸区域的第二人脸特征；

2)对所述第一人脸特征进行归一化处理得到第一归一化人脸特征，对所述第二人脸特征进行归一化处理得到第二归一化人脸特征；

3)对所述第一归一化人脸特征与第二归一化人脸特征进行做差以得到差分人脸特征；

4)构造正负样本对，其中，所述正样本对为同一个人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第一类别属性，负样本对为不同人的动态照片和证件照片进行人脸特征归一化并差分处理得到的特征及第二类别属性；

训练SVM差分模型，包括：

1)：从所构造的正负样本集中生成正负样本训练集及正负样本测试集；