[发明专利]一种基于深度卷积神经网络的人证合一识别方法及系统

说明书

本发明公开了一种基于深度卷积神经网络的人证合一识别方法及系统，通过构建人脸卷积神经网络模型，利用最难区分三元组和迭代优化的方式对人脸卷积神经网络模型进行训练，获得深度卷积神经网络模型，利用该模型计算证件图像与人脸图像的特征值，并依据特征值计算欧式距离，进而判断证件图像与人脸图像是否一致。与现有技术相比，该方法和系统对背景、光照以及姿态等变化具有较好的鲁棒性，其可利用深度学习不断迭代训练，提升人脸识别的性能与及提取特征的准确度，有效地增强系统的性能。

技术领域

本发明涉及的是模式识别中的生物特征识别领域，尤其涉及的是一种基于深度卷积神经网络的人证合一识别方法及系统。

背景技术

人脸识别主要用于身份识别，特别是近年来随着计算机技术、图像处理技术、模式识别技术等快速进步，而出现的一种崭新的生物特征识别技术。由于可广泛应用于安全验证、视频监控、出入口控制等诸多领域，识别速度快、识别率高，因此已经成为身份识别技术研究领域主要的发展方向

如今二代身份证件中内置了非接触式IC智能芯片，其中存储了持有人的人脸图像信息，以及身份信息；人证合一系统，是利用身份证件芯片内存储的人脸图像与证件持有人现场采集的人脸图像比对来进行身份验证；

目前主流的人脸识别在需要配合的基础上获取人脸图像，应用分类算法进行人脸识别。主要有以下几类方法：(1)基于几何特征的方法：检测脸部器官如眼睛、眉毛、鼻子、嘴巴和下巴等，利用各个器官的位置、大小及相互之间的空间分布关系来识别人脸；(2)基于子空间的方法：将人脸图像经过投影变换投射至子空间中，由于投影变换具有非正交、非线性的特性，因此子空间中的人脸表示更具分辨力；(3)、基于局部特征的方法：利用各类局部算子计算出相应的人脸图像，通过统计其直方图，利用直方图信息进行识别。

这些方式在实际监控时，容易受到光线变化、背景、姿态等诸多因素的干扰，使得提取的特征在以上外界因素发生变化时，导致原始图像出现结构丢失、特征描述不全面和不确定等问题，这些缺陷导致人脸识别率低，可靠性差，无法进行大面积推广等。因此在实际监控恶劣的环境下实现准确快速的人脸识别技术成为当前具有挑战性的问题。

卷积神经网络(CNNs)是深度学习的另一分支，具有层级化的结构，在各种环境下的人脸识别都获得了优异的性能。加之GPU等硬件的大幅加速，使得大规模的图像处理变得简单可行，获取的模型也更好，基于此模型而设计的人证合一系统提高了身份验证的准确度。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于深度卷积神经网络的人证合一识别方法及系统，以解决在光线、背景、姿态等诸多因素的干扰下，人证合一的识别率低、可靠性差等技术问题。

本发明是通过以下技术方案实现的：

本发明提供了一种基于深度卷积神经网络的人证合一识别方法，包括以下步骤：

步骤S1：利用人脸图像采集模块采集人脸样本图像，或者直接使用标准人脸图像数据库中的图像作为人脸样本图像，将样本图像随机划分预测集和训练集；将样本图像输入图像预处理模块，采用基于Haar特征的Adaboost算法得到样本图像中的人脸区域，将样本图像中的人脸区域进行定比例扩展，然后截取部分人脸区域的图像进行缩放后，再通过灰度处理，获得预测集和训练集样本的灰度图像；

步骤S2：利用模型训练模块构建初步的人脸卷积神经网络模型，将预测集样本的灰度图像输入人脸卷积神经网络进行训练，得到全连接层的人脸高层次特征值，根据该特征值与其理想值的差距，调整模型的权值矩阵，获得训练后的人脸识别卷积神经网络模型；

步骤S3：对特征值进行L2范数归一化，获得人脸图像的特征表示；