[发明专利]一种基于双阶段交替学习的人证比对方法和装置

说明书

本发明公开一种基于双阶段交替学习的人证比对方法和装置，该方法包括：步骤一：收集人脸图像；步骤二：将收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；步骤三：将经过处理后的训练集的图像依批次输入到卷积神经网络，使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。本发明有效提升了人证比对的准确率，实现余弦损失函数与三元组损失函数的结合，具有重大的应用价值。

技术领域

本发明属于计算机视觉、人脸识别领域，涉及一种基于双阶段交替学习的人证比对方法和装置。

背景技术

随着计算机视觉技术的发展以及日渐增长的智能安防、电子商务等需求，人脸识别技术成为人工智能应用产品落地最为广泛的一个领域。使用深度学习方法的人脸识别技术核心在于通过卷积神经网络（CNN）抽象化出人脸图像的特征，用于计算人脸图像之间的相似度，进而实现人脸识别的功能。

在人证比对的实际应用中，需要使用摄像头实时采集的人脸照片与事先录入的证件照片做比对，比对结果往往受到摄像头成像、光照、年龄差别等因素的影响，造成识别能力下降，从而影响最终识别结果。特别在金融、安防等重要场景，错误的人证比对结果可能造成不可估量的影响。因而如何训练出一个能精确提取人脸特征的卷积神经网络成为计算机视觉技术中心一个重要的研究课题。在卷积神经网络训练过程中，损失函数的选取对最终的特征提取能力有决定性的影响。为了提升人证比对模型的判别性能，近年来一系列加入间隔抑制的余弦损失函数，如A-Softmax，CosFace，ArcFace开始成为训练人脸识别模型的主流方法。这些余弦损失函数的共同之处在于均使用了余弦角间隔和对余弦值尺度放大的方式进行模型训练，有利于扩大不同类别的类间差异。然而在人证比对网络训练数据中，证件照片的数量一般每类只有一张，远少于摄像头采集的照片，从而导致卷积神经网络更加倾向于学习摄像头照片的特征，对证件照片的判别能力不强，造成误检、漏检的情况。考虑到同一类人物中摄像头照片与证件照片差距过大的问题，在行人重识别领域被广泛使用的三元组损失函数可以有效减少类内差异，然而类间分离的效果不如余弦损失函数，导致不同人的摄像头照片互相混淆，降低人证比对效果。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于双阶段交替学习的人证比对方法和装置，其具体技术方案如下：

一种基于双阶段交替学习的人证比对方法，包括以下步骤：

步骤一：收集人脸图像，并对人脸图像进行数据标注；

步骤二：将步骤一收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；

步骤三：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，完成使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；

步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。

进一步地，所述步骤一，具体为：收集人脸图像，将人脸图像按个体进行分类，并按照分类的结果对每个人脸图像进行数据标注；所述人脸图像包括摄像头图像和证件图像，其中，对于每一类人脸中的证件图像照片添加属于证件照的标识。

进一步地，所述步骤二，具体为：将步骤一中收集的所有图片裁剪为统一像素大小，后进行水平翻转、去噪、亮度增强和比对度增强处理，得到人脸图像数据集，即训练集，再将训练集进行分批处理。