[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

摘要

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。

主权项

1.一种基于深度卷积神经网络的人证合一识别方法，其特征在于，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；步骤S4：从预测集样本中随机选择某个人的灰度图像作为锚点，选择该人其它图像生成的特征值与锚点之间的距离最大的一张灰度图像作为正样本，选择其他人图像生成的特征值与锚点之间的距离最小的一张灰度图像作为负样本，构建获得由锚点、正样本和负样本组成的三元组；利用目标函数进行筛选，选择不满足目标函数的三元组为最难区分三元组；步骤S5：精调卷积神经网络模型：将选取的最难区分三元组输入人脸识别卷积神经网络模型进行训练、精调，再次获得相应的特征值，重复步骤S3‑S4，利用上一轮训练好的人脸识别卷积神经网络模型，进行下一轮最难三元组选择和训练，通过最后生成的特征值，利用图像对比模块计算与训练集样本之间的欧式距离，将欧式距离与设定阈值比较，判断是否为同一人，从而获取人脸识别的正确率和误识率，所述判断的标准为，若欧式距离小于设定值，则为同一人；步骤S6：多次迭代优化直到人脸识别卷积神经网络模型收敛，直至迭代收敛，即人脸识别的正确率的评价标准达到最高值，获得最终用于识别的人脸识别深度卷积神经网络模型，训练结束；步骤S7：利用证件图像采集模块采集证件图像，利用人脸图像采集模块采集待识别人脸图像，利用图像预处理模块，采用基于Haar特征的Adaboost算法得到证件图像和人脸图像中的人脸区域，然后截取部分人脸区域的图像，缩放后通过灰度处理获得证件图像和人脸图像的灰度图像；将证件图像和人脸图像的灰度图像输入步骤S6的深度卷积神经网络模型中，利用图像对比模块计算证件图像和人脸图像的全连接层的人脸高层次特征值；利用特征值计算证件图像与人脸图像之间的欧式距离，若欧式距离小于识别阈值，则人证统一，反之，则人证不统一；所述步骤S2的步骤包括：步骤S201：构建共有22层的深度卷积神经网络，每层的各个神经元的初始权值、参数全部通过随机函数生成，大小为正负1之间，每层采用的卷积核分别为1、3、5，卷积步长为1，卷积间隔为0、1、2，同时网络中每层数据使用3×3的矩阵池化，完成初步构建；步骤S202：前向传播：将预测集样本的灰度图像输入到深度卷积神经网络里面，通过整个网络一步步收敛，使维度一层层降低，最后输出128维的人脸高层次特征值O_p；步骤S203：反向传播：计算O_p与相应的理想输出值Yp的差，按极小化误差的方法调整权值矩阵，获得训练后的人脸识别卷积神经网络模型。