本發(fā)明涉及模式識(shí)別領(lǐng)域，尤其涉及一種離線身份認(rèn)證的方法和裝置。

背景技術(shù)：

在基于身份證進(jìn)行身份認(rèn)證時(shí)，一方面要鑒別證件本身的真假，另一方面要鑒別當(dāng)前使用者與身份證合法持有者是否一致。前者可利用芯片防偽技術(shù)，根據(jù)在讀卡器上是否機(jī)讀成功來(lái)判斷，若要進(jìn)一步鑒別身份，還需要結(jié)合公安部門的身份證系統(tǒng)進(jìn)行聯(lián)網(wǎng)核查與辨?zhèn)巍＿@種在線鑒別的方法，一方面需要獲取公安系統(tǒng)人臉數(shù)據(jù)庫(kù)的訪問(wèn)授權(quán)才能進(jìn)行，使得應(yīng)用場(chǎng)合受到限制，另一方面無(wú)法自動(dòng)鑒別芯片為真、表面圖像為假的假身份證情況，這種假證可以機(jī)讀成功，聯(lián)網(wǎng)核查的身份為真，但芯片存儲(chǔ)的頭像與證件表面的圖像并不一致，要鑒別這種假證，需要靠肉眼比對(duì)芯片頭像、證件表面頭像以及持證人像的三方一致性，這無(wú)疑加重了檢查人員的負(fù)擔(dān)，甚至容易造成誤檢和漏檢。針對(duì)這個(gè)問(wèn)題，需要提供一種智能鑒別方法，一方面可以不依賴于公安部人臉數(shù)據(jù)庫(kù)，實(shí)現(xiàn)離線鑒別，另一方面可同時(shí)比對(duì)芯片頭像、證件表面頭像以及持證人像的一致性，自動(dòng)給出認(rèn)證通過(guò)與否的鑒別結(jié)果，提高認(rèn)證效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種離線身份認(rèn)證的方法和裝置，能夠解決現(xiàn)有技術(shù)依賴于公安部人臉數(shù)據(jù)庫(kù)并且難以識(shí)別芯片頭像、證件表面頭像以及持證人像的三方一致性的問(wèn)題。

本發(fā)明實(shí)施例提供的一種離線身份認(rèn)證的方法，包括：

獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；

提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；

根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；

將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多 元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

可選地，所述多元圖像組為三元圖像組，具體包括身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像。

可選地，所述SVM分類器由以下步驟預(yù)先完成訓(xùn)練：

預(yù)先獲取作為樣本的身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，構(gòu)成訓(xùn)練集的三元樣本組，所述訓(xùn)練集中的三元樣本組分為數(shù)量比例適當(dāng)?shù)恼龢颖竞拓?fù)樣本；

提取所述三元樣本組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的樣本特征向量；

根據(jù)所述樣本特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述三元樣本組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的樣本融合向量；

將所述樣本融合向量送入所述SVM分類器中進(jìn)行訓(xùn)練，得到完成訓(xùn)練的SVM分類器。

可選地，提取所述待認(rèn)證的三元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量具體包括：

將所述待認(rèn)證的三元圖像組中每個(gè)圖像投入預(yù)訓(xùn)練完成的深度卷積神經(jīng)網(wǎng)絡(luò)；

從所述深度卷積神經(jīng)網(wǎng)絡(luò)的卷積組中抽取N個(gè)中間子層的卷積輸出作為級(jí)聯(lián)層，并依次逐級(jí)對(duì)得到的級(jí)聯(lián)層作PCA變換，最后輸出對(duì)應(yīng)的特征向量，N≥2。

可選地，所述深度卷積神經(jīng)網(wǎng)絡(luò)包括五個(gè)卷積組和兩個(gè)全連接層，每個(gè)所述卷積組包括兩個(gè)卷積子層和一個(gè)池化層；從所述深度卷積神經(jīng)網(wǎng)絡(luò)中抽取N個(gè)中間子層的卷積輸出作為級(jí)聯(lián)層，并依次逐級(jí)對(duì)得到的級(jí)聯(lián)層作PCA變換，最后輸出對(duì)應(yīng)的特征向量具體包括：

提取第四個(gè)卷積組的池化層輸出，將所有輸出值串成一個(gè)第一向量；

對(duì)所述第一向量進(jìn)行PCA變換，保留第一數(shù)量個(gè)主成分分量得到第一插入向量；

提取第五個(gè)卷積組的池化層輸出，將所有輸出值串成一個(gè)第二向量，并將所述第一插入向量插入到所述第二向量的頭部；

對(duì)插入后的所述第二向量進(jìn)行PCA變換，保留第二數(shù)量個(gè)主成分分量得到第二插入向量；

提取第二個(gè)全連接層的輸出為第三向量，并將所述第二插入向量插入到所述第三向量的頭部；

對(duì)插入后的所述第三向量進(jìn)行PCA變換，保留第三數(shù)量個(gè)主成分分量得到對(duì)應(yīng)的所述特征向量。

可選地，根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的三元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量具體包括：

計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)；

計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)；

根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)，預(yù)設(shè)的所述決策權(quán)重與所述待認(rèn)證的三元圖像組中每?jī)筛眻D像一一對(duì)應(yīng)；

將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量。

可選地，根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)具體包括：

將三個(gè)匹配支的預(yù)設(shè)決策權(quán)重的比值轉(zhuǎn)換成整數(shù)比后，再歸一化到0～7的范圍內(nèi)，三個(gè)所述匹配支分別為芯片圖像與表面圖像、芯片圖像與現(xiàn)場(chǎng)人臉圖像、以及表面圖像與現(xiàn)場(chǎng)人臉圖像；

將歸一化后的所述匹配支對(duì)應(yīng)的決策權(quán)重的比值進(jìn)行二進(jìn)制編碼轉(zhuǎn)換，得到對(duì)應(yīng)的初步編碼；

將所述差值信號(hào)對(duì)應(yīng)的最高位編碼插入所述初步編碼中，得到對(duì)應(yīng)的權(quán)值信號(hào)；

其中，若所述差值信號(hào)大于0，其對(duì)應(yīng)的最高位編碼為1，反之，其對(duì)應(yīng)的最高位編碼為0。

本發(fā)明實(shí)施例提供的一種離線身份認(rèn)證的裝置，包括：

多元圖像獲取模塊，用于獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；

卷積特征提取模塊，用于提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；

分?jǐn)?shù)融合模塊，用于根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；

認(rèn)證判決模塊，用于將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

可選地，所述多元圖像組為三元圖像組，具體包括身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像。

可選地，所述分?jǐn)?shù)融合模塊包括：

匹配分?jǐn)?shù)計(jì)算單元，用于計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)；

差值信號(hào)計(jì)算單元，用于計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)；

權(quán)值信號(hào)計(jì)算單元，用于根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)，預(yù)設(shè)的所述決策權(quán)重與所述待認(rèn)證的三元圖像組中每?jī)筛眻D像一一對(duì)應(yīng)；

融合向量合成單元，用于將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量。

從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)：

本發(fā)明實(shí)施例中，首先，獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；然后，提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；接著，根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；最后，將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。在本發(fā)明實(shí)施例中，可以在離線情況下，對(duì)身份證等證件的芯片圖像、表面 圖像和現(xiàn)場(chǎng)人臉圖像從整體決策出發(fā)進(jìn)行對(duì)比，通過(guò)訓(xùn)練完成的SVM分類器單次決策給出認(rèn)證結(jié)果，無(wú)需依賴公安部人臉數(shù)據(jù)庫(kù)的同時(shí)，減輕檢查人員的負(fù)擔(dān)，提高認(rèn)證效率。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例中一種離線身份認(rèn)證的方法一個(gè)實(shí)施例流程圖；

圖2為本發(fā)明實(shí)施例中一種離線身份認(rèn)證的方法另一個(gè)實(shí)施例流程圖；

圖3為本發(fā)明實(shí)施例中一種離線身份認(rèn)證的方法一個(gè)應(yīng)用場(chǎng)景下的原理示意圖；

圖4為本發(fā)明實(shí)施例中深度卷積神經(jīng)網(wǎng)絡(luò)模型和級(jí)聯(lián)PCA卷積原理示意圖；

圖5為本發(fā)明實(shí)施例中帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略的原理示意圖；

圖6為本發(fā)明實(shí)施例中權(quán)值信號(hào)的編碼示意圖；

圖7為本發(fā)明實(shí)施例中一種離線身份認(rèn)證的裝置一個(gè)實(shí)施例結(jié)構(gòu)圖；

圖8為本發(fā)明實(shí)施例中一種離線身份認(rèn)證的裝置另一個(gè)實(shí)施例結(jié)構(gòu)圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種離線身份認(rèn)證的方法和裝置，用于解決現(xiàn)有技術(shù)依賴于公安部人臉數(shù)據(jù)庫(kù)并且難以識(shí)別芯片頭像、證件表面頭像以及持證人像的三方一致性的問(wèn)題。

為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點(diǎn)能夠更加的明顯和易懂，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而非全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參閱圖1，本發(fā)明實(shí)施例中一種離線身份認(rèn)證的方法一個(gè)實(shí)施例包括：

101、獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；

其中，兩幅用于身份認(rèn)證的圖像例如可以為身份證的芯片圖像和證件的表面圖像，或者可以為身份證的芯片圖像和現(xiàn)場(chǎng)人臉圖像。

102、提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；

在構(gòu)成待認(rèn)證的多元圖像組之后，可以提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量。

103、根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；

在得到對(duì)應(yīng)的特征向量之后，可以根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量。

104、將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

在得到對(duì)應(yīng)的融合向量之后，可以將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。例如，假設(shè)該多元圖像組包括身份證的芯片圖像和證件的表面圖像，則對(duì)該芯片圖像與該表面圖像是否一致進(jìn)行認(rèn)證判決。

本實(shí)施例中，首先，獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；然后，提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；接著，根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；最后，將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。在本實(shí)施例中，可以在離線情況下，對(duì)用于身份認(rèn)證的圖像從整體決策出發(fā)進(jìn)行對(duì)比，通過(guò)訓(xùn)練完成的SVM分類器單次決策給出認(rèn)證結(jié)果，無(wú)需依賴公安部人臉數(shù)據(jù)庫(kù)的同時(shí)，減輕檢查人員的負(fù)擔(dān)，提高認(rèn)證效率。

為便于理解，下面對(duì)本發(fā)明實(shí)施例中的一種離線身份認(rèn)證的方法進(jìn)行詳細(xì)描述，請(qǐng)參閱圖2，本發(fā)明實(shí)施例中一種離線身份認(rèn)證的方法另一個(gè)實(shí)施例(以身份證的圖像認(rèn)證為例)包括：

201、獲取身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，構(gòu)成待認(rèn)證的三元圖像組；

首先，可以獲取身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，構(gòu)成待認(rèn)證的三元圖像組。其中，芯片圖像可以由讀卡裝置直接獲得，證件 的表面圖像可以通過(guò)掃描裝置獲得，現(xiàn)場(chǎng)人臉圖像可以由拍照裝置獲得，采集到的圖像通過(guò)人臉檢測(cè)器檢測(cè)出人臉區(qū)域。

需要說(shuō)明的是，本實(shí)施例中，采用三張圖像構(gòu)成多元圖像組，也即三元圖像組，分別為身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，可完成通過(guò)身份證芯片的身份認(rèn)證識(shí)別，當(dāng)該芯片圖像、表面圖像和現(xiàn)場(chǎng)人臉圖像的判決結(jié)果為一致時(shí)，身份認(rèn)證通過(guò)。

202、將所述待認(rèn)證的三元圖像組中每個(gè)圖像投入預(yù)訓(xùn)練完成的深度卷積神經(jīng)網(wǎng)絡(luò)；

在獲取到待認(rèn)證的三元圖像組之后，可以將所述待認(rèn)證的三元圖像組中每個(gè)圖像投入預(yù)訓(xùn)練完成的深度卷積神經(jīng)網(wǎng)絡(luò)。其中，如圖4所示，深度卷積神經(jīng)網(wǎng)絡(luò)由若干個(gè)卷積組和若干個(gè)全連接層組成，每個(gè)卷積組則由若干個(gè)卷積子層和一個(gè)池化層組成。本實(shí)施例中，為使最后輸出的特征向量更合理，所述深度卷積神經(jīng)網(wǎng)絡(luò)選取為依次由五個(gè)卷積組和兩個(gè)全連接層組成。并且在抽取卷積特征時(shí)，提取五個(gè)卷積組中最后兩個(gè)卷積組的池化層的輸出(如圖4中的pool4、pool5)以及最后一個(gè)全連接層的輸出(如圖4中的fc2)，并逐級(jí)進(jìn)行PCA變換以保留每層輸出的主成分分量。

在投入深度卷積神經(jīng)網(wǎng)絡(luò)之后，需要從所述深度卷積神經(jīng)網(wǎng)絡(luò)中抽取N(N≥2)個(gè)中間子層的卷積輸出作為級(jí)聯(lián)層，并依次逐級(jí)對(duì)得到的級(jí)聯(lián)層作PCA變換，最后輸出對(duì)應(yīng)的特征向量，具體可見(jiàn)步驟203至208的描述。

203、提取第四個(gè)卷積組的池化層輸出，將所有輸出值串成一個(gè)第一向量；

如圖4所示，在將所述待認(rèn)證的三元圖像組中每個(gè)圖像投入預(yù)訓(xùn)練完成的深度卷積神經(jīng)網(wǎng)絡(luò)之后，可以提取第四個(gè)卷積組的池化層(pool4)輸出，將所有輸出值串成一個(gè)第一向量。

204、對(duì)所述第一向量進(jìn)行PCA變換，保留第一數(shù)量個(gè)主成分分量得到第一插入向量；

在將所有輸出值串成一個(gè)第一向量之后，可以對(duì)所述第一向量進(jìn)行PCA變換，保留第一數(shù)量個(gè)主成分分量得到第一插入向量(PP1)。其中，第一數(shù)量可以根據(jù)具體情況進(jìn)行設(shè)定，例如可以是前1024個(gè)。

205、提取第五個(gè)卷積組的池化層輸出，將所有輸出值串成一個(gè)第二向量， 并將所述第一插入向量插入到所述第二向量的頭部；

如圖4所示，在保留第一數(shù)量個(gè)主成分分量得到第一插入向量之后，可以提取第五個(gè)卷積組的池化層(pool5)輸出，將所有輸出值串成一個(gè)第二向量，并將所述第一插入向量插入到所述第二向量的頭部。

206、對(duì)插入后的所述第二向量進(jìn)行PCA變換，保留第二數(shù)量個(gè)主成分分量得到第二插入向量；

在將所述第一插入向量插入到所述第二向量的頭部之后，可以對(duì)插入后的所述第二向量進(jìn)行PCA變換，保留第二數(shù)量個(gè)主成分分量得到第二插入向量(PP2)。其中，第二數(shù)量可以根據(jù)具體情況進(jìn)行設(shè)定，例如可以是前512個(gè)。

207、提取第二個(gè)全連接層輸出的第三向量，并將所述第二插入向量插入到所述第三向量的頭部；

在對(duì)插入后的所述第二向量進(jìn)行PCA變換，保留第二數(shù)量個(gè)主成分分量得到第二插入向量之后，可以提取第二個(gè)全連接層輸出的第三向量，并將所述第二插入向量插入到所述第三向量(fc2)的頭部。

208、對(duì)插入后的所述第三向量進(jìn)行PCA變換，保留第三數(shù)量個(gè)主成分分量得到對(duì)應(yīng)的所述特征向量；

在將所述第二插入向量插入到所述第三向量的頭部之后，可以對(duì)插入后的所述第三向量進(jìn)行PCA變換，保留第三數(shù)量個(gè)主成分分量得到對(duì)應(yīng)的所述特征向量(PP3)。其中，第三數(shù)量可以根據(jù)具體情況進(jìn)行設(shè)定，例如可以是前256個(gè)。

可以理解的是，對(duì)于一個(gè)待認(rèn)證的三元圖像組中三幅圖像，每幅圖像均對(duì)應(yīng)一個(gè)所述特征向量，一個(gè)三元圖像組對(duì)應(yīng)有三個(gè)特征向量。

209、計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)；

在得到對(duì)應(yīng)的所述特征向量之后，可以計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)。可以理解的是，三個(gè)特征向量中，每?jī)蓚€(gè)特征向量之間可以計(jì)算一個(gè)余弦相似度(余弦相似度可用于評(píng)價(jià)兩個(gè)特征向量的相似程度)，因此，三個(gè)特征向 量?jī)蓛山M合，共可計(jì)算得到三個(gè)余弦相似度，并將余弦相似度的結(jié)果作為對(duì)應(yīng)兩個(gè)特征向量之間的匹配分?jǐn)?shù)。

具體地，兩幅圖像(I₁，I₂)的余弦相似性度量公式為：其中n是特征向量的維數(shù)，f_1k是I₁特征向量的第k個(gè)元素，f_2k是I₂特征向量的第k個(gè)元素。由此得到芯片圖像與證件的表面圖像的匹配分?jǐn)?shù)為s₁，此匹配支記為p1分支；芯片圖像與現(xiàn)場(chǎng)人臉圖像的匹配分?jǐn)?shù)為s₂，此匹配支記為p2分支；證件圖像與現(xiàn)場(chǎng)人臉圖像的匹配分?jǐn)?shù)為s₃，此匹配支記為p3分支。

210、計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)；

在計(jì)算得到對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)之后，可以計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)。

需要說(shuō)明的是，可以在訓(xùn)練樣本集(詳見(jiàn)步驟213)中，利用1:1驗(yàn)證算法得到每個(gè)匹配支的經(jīng)驗(yàn)閾值，經(jīng)驗(yàn)閾值計(jì)算公式為： 其中m是樣本對(duì)的數(shù)量，S_i是第i個(gè)樣本對(duì)的相似度，y_i是第i個(gè)樣本對(duì)的類標(biāo)，樣本對(duì)為同一個(gè)人時(shí)，其類標(biāo)為1；樣本對(duì)為不同人時(shí)，其類標(biāo)為-1。δ{}是一個(gè)指示函數(shù)，其定義如下： 最后得到三個(gè)匹配支的經(jīng)驗(yàn)閾值為T₁，T₂，T₃。

本步驟中，將每個(gè)匹配支上的匹配分?jǐn)?shù)與其對(duì)應(yīng)的經(jīng)驗(yàn)閾值進(jìn)行相減，得到三個(gè)匹配支的差值信號(hào)分別可以為d₁＝s₁-T₁，d₂＝s₂-T₂，d₃＝s₃-T₃。

211、根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)；

在得到所述差值信號(hào)之后，可以根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)，預(yù)設(shè)的所述決策權(quán)重與所述待認(rèn)證的三元圖像組中每?jī)筛眻D像一一對(duì)應(yīng)。具體地，包括以下步驟：

1、將三個(gè)匹配支的預(yù)設(shè)決策權(quán)重的比值轉(zhuǎn)換成整數(shù)比后，再歸一化到0～7的范圍內(nèi)，三個(gè)所述匹配支分別為芯片圖像與證件的表面圖像、芯片圖像與現(xiàn)場(chǎng)人臉圖像、以及證件的表面圖像與現(xiàn)場(chǎng)人臉圖像；

2、將歸一化后的所述匹配支對(duì)應(yīng)的決策權(quán)重的比值進(jìn)行二進(jìn)制編碼轉(zhuǎn)換，得到對(duì)應(yīng)的初步編碼；

3、將所述差值信號(hào)對(duì)應(yīng)的最高位編碼插入所述初步編碼中，得到對(duì)應(yīng)的權(quán)值信號(hào)；

其中，若所述差值信號(hào)大于0，其對(duì)應(yīng)的最高位編碼為1，反之，其對(duì)應(yīng)的最高位編碼為0。

例如，假設(shè)p1分支、p2分支、p3分支的決策權(quán)重之比為5：3：2時(shí)，編碼之后分別為101，011，010。若當(dāng)前p1分支的差值信號(hào)為正，則p1分支的高四位為1，最終p1分支的權(quán)值信號(hào)二進(jìn)制編碼為1101，轉(zhuǎn)換成十進(jìn)制數(shù)為13。從而，最終得到各個(gè)匹配支的權(quán)值信號(hào)分別為c₁,c₂,c₃。

212、將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量；

在得到所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)之后，可以將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量。例如，在一具體應(yīng)用場(chǎng)景下，合成公式可以為：x＝[s₁,s₂,s₃,d₁,d₂,d₃,c₁,c₂,c₃]。

213、將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述芯片圖像、所述表面圖像和所述現(xiàn)場(chǎng)人臉圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

在得到合成后的對(duì)應(yīng)融合向量之后，可以將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述芯片圖像、所述表面圖像和所述現(xiàn)場(chǎng)人臉圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

需要說(shuō)明的而是，所述SVM分類器可以由以下步驟預(yù)先完成訓(xùn)練：

A、預(yù)先獲取作為樣本的身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，構(gòu)成訓(xùn)練集的三元樣本組，所述訓(xùn)練集中的三元樣本組分為數(shù)量比例適當(dāng)?shù)恼龢颖竞拓?fù)樣本；

B、提取所述三元樣本組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的樣本特征向量；

C、根據(jù)所述樣本特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述三元樣本組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的樣本融合向量；

D、將所述樣本融合向量送入所述SVM分類器中進(jìn)行訓(xùn)練，得到完成訓(xùn)練的SVM分類器。

其中，上述步驟A、B和C，與前述步驟201～212在原理上基本類似，此處不再贅述。需要說(shuō)明的是，所述訓(xùn)練集中的三元樣本組分為數(shù)量比例適當(dāng)?shù)恼龢颖竞拓?fù)樣本；作為正樣本的所述三元樣本組，其三幅圖像的身份均一致，即對(duì)應(yīng)的SVM分類器的認(rèn)證判決結(jié)果為認(rèn)證通過(guò)，輸出結(jié)果為1。與之相反，作為負(fù)樣本的所述三元樣本組，其三幅圖像的身份并不一致，對(duì)應(yīng)的SVM分類器的認(rèn)證判決結(jié)果為認(rèn)證不通過(guò)，輸出結(jié)果為-1。對(duì)于負(fù)樣本而言，由于只要三幅圖像中任意一副圖像與其它圖像不一致，則三幅圖像的身份不一致。因此負(fù)樣本的組合變化種類較多，為了減少樣本空間的冗余，可以采取以下方式確定負(fù)樣本：在確定所述負(fù)樣本時(shí)，選取芯片圖像、表面圖像和現(xiàn)場(chǎng)人臉圖像三張圖像中有兩張圖像的身份一致，另外一張圖像的身份與所述兩張圖像不同的所述三元樣本組作為負(fù)樣本?？梢岳斫獾氖?，對(duì)于三張圖像身份互不相同的情況，可用任意一種“2+1”模式將其判定為負(fù)類，因此在構(gòu)建樣本空間中可不考慮，從而減少樣本空間的冗余，提高SVM分類器對(duì)負(fù)樣本的學(xué)習(xí)效率。

另外，可以理解的是，將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器之后，由SVM分類器給出認(rèn)證判決結(jié)果。若SVM分類器輸出值為1，表示三幅圖像身份一致，身份認(rèn)證通過(guò)；反之，若輸出值為-1，表示三幅圖像身份不一致，身份認(rèn)證不通過(guò)。

為便于理解，根據(jù)圖2所描述的實(shí)施例，下面以一個(gè)實(shí)際應(yīng)用場(chǎng)景對(duì)本發(fā)明實(shí)施例中的一種離線身份認(rèn)證的方法進(jìn)行描述：

在一具體的應(yīng)用場(chǎng)景中，一種離線身份認(rèn)證的方法的流程如圖3所示，采用SVM分類器作為分類決策器，包括訓(xùn)練階段和實(shí)施(測(cè)試)階段兩個(gè)部分。

在訓(xùn)練階段，從訓(xùn)練圖像庫(kù)中提取樣本，構(gòu)造適當(dāng)?shù)恼?fù)三元組訓(xùn)練樣本，然后通過(guò)級(jí)聯(lián)PCA卷積特征提取模塊和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合模塊，輸入到SVM分類器中進(jìn)行訓(xùn)練。在構(gòu)造三元正負(fù)樣本組時(shí)，正樣本組合比較確定，即為三張圖像身份完全一致的三元組；而負(fù)樣本組合變化很多，為了減少樣本空間的冗余，我們采用了“2+1模式”，即選取三張圖像中有兩張身份一致，另一張身份與之不同的三元組作為負(fù)樣本。樣本構(gòu)成具體如下：正樣 本類標(biāo)為1，負(fù)樣本類標(biāo)為-1，正樣本為三張圖像的身份特征相同，代表同一個(gè)人的三元組，用表示，負(fù)樣本為三張圖像中至少有一張圖像與其他圖像的身份特征不同的三元組，可能的組合有對(duì)于三張圖像身份互不相同的情況，可用其中任意一種“2+1模式”將其判定為負(fù)類，因此在構(gòu)建樣本空間中可不考慮，從而減少樣本空間的冗余，提高分類器對(duì)負(fù)樣本的學(xué)習(xí)效率。

在實(shí)施(測(cè)試)階段，三張人臉圖像從統(tǒng)一的圖像采集模塊中獲得，通過(guò)同樣的級(jí)聯(lián)PCA卷積特征提取模塊和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合模塊，輸入到訓(xùn)練好的SVM分類器中進(jìn)行識(shí)別和認(rèn)證。由于訓(xùn)練與實(shí)施(測(cè)試)階段的特征提取與信息融合過(guò)程相同，因此下面內(nèi)容將主要從實(shí)施階段介紹本方法的關(guān)鍵技術(shù)的實(shí)現(xiàn)。

實(shí)施(測(cè)試)階段的圖像采集模塊輸出三張人臉圖像。其中芯片圖像可由讀卡裝置直接獲得，證件表面圖像通過(guò)掃描裝置獲得，現(xiàn)場(chǎng)人臉圖像由拍照裝置獲得，采集到的圖像通過(guò)人臉檢測(cè)器檢測(cè)出人臉區(qū)域。在獲取現(xiàn)場(chǎng)人臉圖像時(shí)，采集到的人臉圖像會(huì)經(jīng)過(guò)質(zhì)量評(píng)價(jià)算法的篩選過(guò)濾，以保證采集到的圖像質(zhì)量，若不符合質(zhì)量要求，可自動(dòng)發(fā)送指令要求持證人重新采集。對(duì)采集到的圖像進(jìn)行人臉對(duì)齊、光照矯正等預(yù)處理操作后，作為采集模塊的最終輸出。

在特征提取階段，基于深度學(xué)習(xí)算法，從預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)模型中抽取多個(gè)子層的卷積輸出，并通過(guò)逐級(jí)PCA變換，構(gòu)成級(jí)聯(lián)PCA卷積特征。其工作原理如圖4所示，預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)由五個(gè)卷積組和兩個(gè)全連接層構(gòu)成，每個(gè)卷積組內(nèi)有兩個(gè)卷積子層和一個(gè)池化層。在抽取卷積特征時(shí)，提取最后兩個(gè)卷積組的池化層的輸出(pool4、pool5)以及最后一個(gè)全連接層的輸出(fc2)，并逐級(jí)進(jìn)行PCA變換以保留每層輸出的主成分分量。具體操作如下：

1、提取第四個(gè)卷積組的池化層輸出pool4，將所有值串成一個(gè)向量；

2、對(duì)pool4向量進(jìn)行PCA變換，保留前n¹(例如n¹＝1024)個(gè)主成分分量得到PP1；

3、提取第五個(gè)卷積組的池化層輸出pool5，將所有值串成一個(gè)向量，并將PP1插入到向量頭部；

4、對(duì)組合之后的pool5向量進(jìn)行PCA變換，保留前n²(例如n²＝512)個(gè)主成分分量得到PP2；

5、提取第二個(gè)全連接層的輸出fc2，將PP2插入到向量頭部；

6、對(duì)組合之后的fc2向量進(jìn)行PCA變換，保留前n³(例如n³＝256)個(gè)主成分分量得到PP3，PP3為最終提取的級(jí)聯(lián)PCA卷積特征。

在分?jǐn)?shù)融合階段，采用帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略，其基本思想是：基于匹配分?jǐn)?shù)構(gòu)建兩種監(jiān)督信號(hào)，一種是差值信號(hào)，一種是權(quán)值信號(hào)，將這兩種信號(hào)與匹配分?jǐn)?shù)結(jié)合起來(lái)對(duì)三元圖像組進(jìn)行聯(lián)合編碼。其中差值信號(hào)是指每個(gè)匹配支上(兩張圖像的匹配關(guān)系為一個(gè)匹配支)的匹配分?jǐn)?shù)與其經(jīng)驗(yàn)閾值之間的差值，差值越大代表該匹配分?jǐn)?shù)的可信度越高。權(quán)值信號(hào)是基于各匹配支的決策權(quán)重的不同，將決策權(quán)重與當(dāng)前匹配分?jǐn)?shù)進(jìn)行編碼得到。在進(jìn)行三方認(rèn)證時(shí)，芯片圖像和證件表面圖像的采集環(huán)境是可控的，但現(xiàn)場(chǎng)人像的圖像質(zhì)量包括很多不可控因素，比如姿態(tài)、光照、遮擋等，因此在聯(lián)合比對(duì)的過(guò)程中，芯片圖與證件表面圖這一匹配支的決策權(quán)重可以較大，而另外兩個(gè)匹配支的決策權(quán)重相對(duì)較小。帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略的工作原理如圖5所示，具體實(shí)現(xiàn)方案如下：

1、芯片圖像、證件表面圖像、現(xiàn)場(chǎng)人臉圖像分別按照上述過(guò)程提取各自的級(jí)聯(lián)PCA卷積特征，采用余弦相似度來(lái)度量?jī)蓛芍g的相似性。兩幅圖像(I₁，I₂)的余弦相似性度量公式為：其中n是特征向量的維數(shù)，f_1k是I₁特征向量的第k個(gè)元素，f_2k是I₂特征向量的第k個(gè)元素。由此得到芯片頭像與證件頭像的匹配分?jǐn)?shù)為s₁，此匹配支記為p1分支；芯片頭像與現(xiàn)場(chǎng)人臉圖的匹配分?jǐn)?shù)為s₂，此匹配支記為p2分支；證件頭像與現(xiàn)場(chǎng)人臉圖的匹配分?jǐn)?shù)為s₃，此匹配支記為p3分支。

2、在訓(xùn)練樣本集中，利用1:1驗(yàn)證算法得到每個(gè)匹配支的經(jīng)驗(yàn)閾值，閾值計(jì)算公式為：其中m是樣本對(duì)的數(shù)量，S_i是第i個(gè)樣本對(duì)的相似度，y_i是第i個(gè)樣本對(duì)的類標(biāo)，樣本對(duì)為同一個(gè)人時(shí)類標(biāo)為1，為不同人時(shí)類標(biāo)為-1。是一個(gè)指示函數(shù)，其定義如下： 最后得到三個(gè)匹配支的經(jīng)驗(yàn)閾值分別為T₁，T₂，T₃。

3、計(jì)算差值信號(hào)，將每個(gè)匹配支上的匹配分?jǐn)?shù)與其經(jīng)驗(yàn)閾值進(jìn)行相減，得到三個(gè)匹配支的差值信號(hào)分別為：d₁＝s₁-T₁，d₂＝s₂-T₂，d₃＝s₃-T₃。

4、計(jì)算權(quán)值信號(hào)，每個(gè)匹配支上的權(quán)值信號(hào)用四個(gè)比特位表示，其中最高位由差值信號(hào)進(jìn)行編碼，由δ{(s-T)＞0}決定，即s＞T時(shí)編碼為1，s＜T時(shí)編碼為0。低三位由決策權(quán)重進(jìn)行編碼，將三個(gè)匹配支的決策權(quán)重比轉(zhuǎn)換成整數(shù)比之后再歸一化到0～7的范圍內(nèi)，每個(gè)匹配支上的決策權(quán)重分別用三個(gè)比特位進(jìn)行編碼，比如，p1分支、p2分支、p3分支的決策權(quán)重之比為5：3：2時(shí)，編碼之后分別為101，011，010。若當(dāng)前p1分支的差值信號(hào)為正，則p1分支的高四位為1，最終p1分支的權(quán)值信號(hào)二進(jìn)制編碼為1101，轉(zhuǎn)換成十進(jìn)制數(shù)為13，編碼示意圖如圖6所示。通過(guò)上述操作，得到各個(gè)匹配支的權(quán)值信號(hào)分別為c₁,c₂,c₃。

5、將匹配分?jǐn)?shù)、差值信號(hào)、權(quán)值信號(hào)合成最終的帶監(jiān)督信號(hào)的分?jǐn)?shù)融合向量：x＝[s₁,s₂,s₃,d₁,d₂,d₃,c₁,c₂,c₃]。

6、在決策階段，待測(cè)樣本(由圖像采集模塊獲取的芯片頭像、證件表面頭像、現(xiàn)場(chǎng)人像的三元組)根據(jù)上述過(guò)程提取級(jí)聯(lián)PCA卷積特征之后，根據(jù)匹配分?jǐn)?shù)生成帶監(jiān)督信號(hào)的融合向量，由訓(xùn)練好的SVM分類器自動(dòng)給出判決結(jié)果，結(jié)果為1代表三張圖像身份一致，身份認(rèn)證通過(guò)；結(jié)果為-1代表三張圖像身份不一致，身份認(rèn)證不通過(guò)。

綜上所述，本方案提出的離線身份認(rèn)證算法，可以在未聯(lián)網(wǎng)的情況下，同時(shí)比對(duì)身份證芯片圖像、證件表面圖像和現(xiàn)場(chǎng)人臉圖像的三方一致性，有效實(shí)現(xiàn)基于身份證的三方身份認(rèn)證，特別有效解決芯片為真、表面信息為假的假身份證問(wèn)題。在進(jìn)行三張圖像的比對(duì)時(shí)，從整體決策的角度出發(fā)，將認(rèn)證通過(guò)與否看作待決策的兩類，采用分類算法給出一致性的判決結(jié)果，從而避免了因三次兩兩比對(duì)以及人為設(shè)定決策優(yōu)先級(jí)的判決規(guī)則而導(dǎo)致的決策模糊。特別地，基于深度卷積神經(jīng)網(wǎng)絡(luò)提出了具有較強(qiáng)魯棒性和泛化能力的級(jí)聯(lián)PCA卷積特征作為圖像的特征描述，并在信息融合階段提出帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略，豐富了融合向量在度量空間的模式表達(dá)，使得分類器能充分學(xué)習(xí)三元圖像組的模式映射關(guān)系，給出準(zhǔn)確的判決結(jié)果，比基于簡(jiǎn)單閾值的判決和人為設(shè)定決策優(yōu)化級(jí)的策略更加智能可靠。

上面主要描述了一種離線身份認(rèn)證的方法，下面將對(duì)一種離線身份認(rèn)證的裝置進(jìn)行描述，請(qǐng)參閱圖7，本發(fā)明實(shí)施例中一種離線身份認(rèn)證的裝置一個(gè)實(shí)施例包括：

多元圖像獲取模塊701，用于獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；

卷積特征提取模塊702，用于提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；

分?jǐn)?shù)融合模塊703，用于根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；

認(rèn)證判決模塊704，用于將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述芯片圖像、所述表面圖像和所述現(xiàn)場(chǎng)人臉圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

本實(shí)施例中，首先，多元圖像獲取模塊701獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；然后，卷積特征提取模塊702提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；接著，分?jǐn)?shù)融合模塊703根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；最后，認(rèn)證判決模塊704將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。在本實(shí)施例中，可以在離線情況下，對(duì)用于身份認(rèn)證的圖像從整體決策出發(fā)進(jìn)行對(duì)比，通過(guò)訓(xùn)練完成的SVM分類器單次決策給出認(rèn)證結(jié)果，無(wú)需依賴公安部人臉數(shù)據(jù)庫(kù)的同時(shí)，減輕檢查人員的負(fù)擔(dān)，提高認(rèn)證效率。

為便于理解，下面對(duì)本發(fā)明實(shí)施例中的一種離線身份認(rèn)證的裝置進(jìn)行詳細(xì)描述，請(qǐng)參閱圖8，本發(fā)明實(shí)施例中一種離線身份認(rèn)證的裝置另一個(gè)實(shí)施例包括：

多元圖像獲取模塊801，用于獲取兩幅以上用于身份認(rèn)證的圖像，構(gòu)成待認(rèn)證的多元圖像組；

卷積特征提取模塊802，用于提取所述待認(rèn)證的多元圖像組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的特征向量；

分?jǐn)?shù)融合模塊803，用于根據(jù)所述特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述待認(rèn)證的多元圖像組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的融合向量；

認(rèn)證判決模塊804，用于將所述融合向量送入預(yù)先完成訓(xùn)練的SVM分類器中對(duì)所述待認(rèn)證的多元圖像組中的圖像一致與否進(jìn)行認(rèn)證判決，得到身份認(rèn)證結(jié)果。

本實(shí)施例中，所述多元圖像組可以為三元圖像組，具體包括身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像。

本實(shí)施例中，所述SVM分類器可以由以下模塊預(yù)先訓(xùn)練得到：

三元樣本獲取模塊805，用于預(yù)先獲取作為樣本的身份證的芯片圖像、證件的表面圖像和現(xiàn)場(chǎng)人臉圖像，構(gòu)成訓(xùn)練集的三元樣本組，所述訓(xùn)練集中的三元樣本組分為數(shù)量比例適當(dāng)?shù)恼龢颖竞拓?fù)樣本；

樣本卷積特征提取模塊806，用于提取所述三元樣本組中每個(gè)圖像的級(jí)聯(lián)PCA卷積特征，得到對(duì)應(yīng)的樣本特征向量；

樣本分?jǐn)?shù)融合模塊807，用于根據(jù)所述樣本特征向量和帶監(jiān)督信號(hào)的分?jǐn)?shù)融合策略對(duì)所述三元樣本組的圖像信息進(jìn)行融合，得到對(duì)應(yīng)的樣本融合向量；

分類器訓(xùn)練模塊808，用于將所述樣本融合向量送入所述SVM分類器中進(jìn)行訓(xùn)練，得到完成訓(xùn)練的SVM分類器。

本實(shí)施例中，所述分?jǐn)?shù)融合模塊803包括：

匹配分?jǐn)?shù)計(jì)算單元8031，用于計(jì)算所述待認(rèn)證的三元圖像組對(duì)應(yīng)的三個(gè)所述特征向量?jī)蓛芍g的余弦相似度，作為對(duì)應(yīng)的三個(gè)匹配分?jǐn)?shù)；

差值信號(hào)計(jì)算單元8032，用于計(jì)算每個(gè)所述匹配分?jǐn)?shù)與對(duì)應(yīng)的預(yù)設(shè)經(jīng)驗(yàn)閾值之差，作為對(duì)應(yīng)的差值信號(hào)；

權(quán)值信號(hào)計(jì)算單元8033，用于根據(jù)預(yù)設(shè)的決策權(quán)重和對(duì)應(yīng)的所述差值信號(hào)進(jìn)行編碼，得到對(duì)應(yīng)的權(quán)值信號(hào)，預(yù)設(shè)的所述決策權(quán)重與所述待認(rèn)證的三元圖像組中每?jī)筛眻D像一一對(duì)應(yīng)；

融合向量合成單元8034，用于將對(duì)應(yīng)的所述匹配分?jǐn)?shù)、所述差值信號(hào)和所述權(quán)值信號(hào)合成為對(duì)應(yīng)的所述融合向量。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)，裝置和單元的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng) 過(guò)程，在此不再贅述。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過(guò)其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過(guò)一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案 的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。