[发明专利]基于多示例学习的人脸比对验证方法

说明书

本发明公开了一种基于多示例学习的人脸比对方法，应用于人证合一验证场合。该方法利用多示例学习的思想进行人脸比对验证，包括：S1人脸图像预处理；S2人脸多示例学习训练和S3人脸验证。其中，人脸图像预处理包括人脸检测、特征点定位、DoG光照处理；人脸多示例学习训练包括人脸多示例定义、多示例特征提取和多示例特征融合；人脸验证根据步骤S2中各示例股权和配对示例的相似度进行人脸一致性验证。本方法解决人脸比对验证中发型、肤色、化妆和微整形等变化难题，为解决人脸验证提供一种有效算法和思路，提高其可靠性。本方法可广泛应用于二代身份证、护照、驾照、学生证等是否本人持有的人证合一身份验证场合。

技术领域

本发明涉及图像处理、模式识别以及计算机视觉技术领域，特别涉及一种基于多示例学习的人脸验证方法。

背景技术

人脸比对验证就是确定待识别人脸是否为某人的，即“same or not”的问题，此为一对一的匹配过程。系统先按照待识别者所声称的身份(如姓名或用户名)，查找出已存储的该人脸图像，然后按某种决策或匹配原则，对存储的图像与待识别人脸图像进行对比，从而判断出待识别者身份的真实性。人脸比对验证可以广泛应用于二代身份证、护照、驾驶证、准考证、通行证和学生证等证件的计算机自动人证一致性验证。

人脸比对验证技术经过半个多世纪的发展，相关理论已基本成熟。然而，在实际应用中，由于年龄变化所导致的诸如发型、肤色和微整形等变化都会使系统的可靠性急剧下降。而目前大都人脸比对方法，都很难克服这种由于发型、肤色和微整形等变化所带来的影响。

目前想要计算机具备和人类一样的人脸比对能力还很难，主要原因是两幅比对人脸之间的光照、发型、年龄、化妆和微整形等因素的变化都会对其准确性产生巨大的影响，如何消除这些因素的影响是目前亟需解决的问题。

20世纪90年代中后期，T.G Dictterich等人对一药物活性预测问题进行了研究。其目的是让学习系统通过对己知适于或不适于制药的分子进行分析，以尽可能正确地预测某种新的分子是否适合制造药物。为了解决这个问题，T.G Dietterich等人将每一个分子作为一个包，分子的每一种低能形状作为包中的一个示例，由此提出了多示例学习的概念。由于多示例学习具有独特的性质和广泛的应用前景，属于以往机器学习研究的一个盲区。因此，在国际机器学习界引起了极大的反响，被认为是一种新的学习框架。对于人脸比对来说，基于人脸的方法在表情、遮挡发生时，把这些干扰都引入了人脸识别的判断中，从而影响了人脸识别的性能。而如果利用人脸多示例的信息，算法可以根据各示例对于表情、遮挡的适应性给予各部分不同的权值，利用融合算法结合各部分的结果，从而提高最终判断的准确性。因此，本发明提出多示例人脸比对验证方法。

将多示例学习应用于人脸比对验证，虽然是一个新的概念，但其在人脸识别领域并不是孤立存在的，目前基于部分/部件/局部/分块的人脸识别方法就是其前驱。但是，以上方法只是简单的利用人脸分块的方案解决人脸表情、姿态和遮挡等变化问题。对发型、年龄、化妆和微整形等因素变化并没有进行深入研究。

发明内容

本发明的目的在于克服现有人脸比对验证技术的缺点与不足，提供一种基于多示例学习的人脸比对验证方法，克服人脸验证中的发型、化妆和微整形等问题，为解决人脸比对验证提供一种行之有效算法和思路。

本发明的目的通过下述技术方案实现：

一种基于多示例学习的人脸比对验证方法，包括下列步骤：

人脸图像预处理步骤，对两幅比对图像分别进行人脸检测与关键点定位以后归一化同样大小，并进行光照处理；

人脸多示例学习训练步骤，进行人脸图像多示例定义、多示例特征提取和多示例特征融合，并计算出各示例特征向量的股权；

人脸验证步骤，通过融合上述各示例对的股权，制定相应的投票准则进行人脸验证。

优选的，所述人脸图像预处理步骤具体为：