本發(fā)明涉及生物特征識(shí)別領(lǐng)域，尤其涉及一種人臉確認(rèn)方法及安全認(rèn)證裝置。

背景技術(shù)：

人臉識(shí)別因其在實(shí)際生活中的易用性得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，通常一個(gè)人臉確認(rèn)系統(tǒng)由人臉采集，特征提取，特征確認(rèn)等幾個(gè)步驟構(gòu)成。其中特征提取對(duì)于人臉確認(rèn)的正確率具有最重要的影響。提取出最具判別性的特征在進(jìn)行人臉確認(rèn)時(shí)，通?？梢垣@得更好的確認(rèn)率，反之則會(huì)大幅度降低人臉確認(rèn)系統(tǒng)的準(zhǔn)確度。而對(duì)人臉確認(rèn)的研究也主要集中特征提取的方法上，人臉的特征提取則大致可以分為局部特征提取和全局特征提取兩種。

近些年來，傳統(tǒng)、經(jīng)典的手工制作的特征(LBP、SIFT等)太過于單一，無法從中進(jìn)行較大的改進(jìn)，從而限制了更好特征提取模型的發(fā)展。由于特征自學(xué)習(xí)方法改變了單一的特征提取方法，從而受到關(guān)注，其思想包括：從局部圖像中學(xué)習(xí)一個(gè)碼本或者學(xué)習(xí)一組濾波算子。Ahonenetal采用K-means方法形成一個(gè)局部的濾波響應(yīng)碼本。Cui Zetal提出了對(duì)局部特征通過字典學(xué)習(xí)進(jìn)行局部編碼。

基于上述自學(xué)習(xí)方法，提出了一個(gè)廣義的特征提取框架：基于局部描述算子的稀疏自編碼器(Sparse Auto-Encoder based Local Descriptor)簡(jiǎn)稱SAELD。通過自稀疏編碼器學(xué)習(xí)一組濾波算子進(jìn)行人臉特征的提取。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種用于提高人臉確認(rèn)精度的人臉確認(rèn)方法。

本發(fā)明第一個(gè)方面提供的一種人臉確認(rèn)方法，包括：

獲取訓(xùn)練集，所述訓(xùn)練集包含m個(gè)樣本，所述樣本為通過展開圖像塊的像素獲得的列向量，所述圖像塊為人臉圖像分塊后的多個(gè)圖像塊中的一個(gè)；

根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；

對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得權(quán)重矩陣W⁽¹⁾；

將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；所述根據(jù)所述提取的人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣；

根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；

獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分；

根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果。

較佳地，所述圖像塊的大小為n＝p×p。

較佳地，所述獲取訓(xùn)練集包括：隨機(jī)采樣大量的人臉圖像塊，共選取m個(gè)圖塊組成所述訓(xùn)練集x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m，其中表示第i個(gè)訓(xùn)練樣本。

較佳地，所述根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器中，所述稀疏自編碼器的輸出與輸出之間的重構(gòu)誤差項(xiàng)滿足如下公式：

其中，x⁽ⁱ⁾為第i個(gè)輸入樣本，y(x⁽ⁱ⁾)為第i個(gè)輸入樣本的輸出，W，b表示輸入層到隱層，隱層到輸出層的權(quán)重矩陣與偏置項(xiàng)。

較佳地，所述單隱層神經(jīng)網(wǎng)絡(luò)中各個(gè)層神經(jīng)元個(gè)數(shù)分別為s₁、s₂、s₃；逐次將所述單隱層神經(jīng)網(wǎng)絡(luò)前一層網(wǎng)絡(luò)的輸出值作為后面一層網(wǎng)絡(luò)的輸入值。

較佳地，所述稀疏自編碼器包括：編碼部分和解碼部分；

其中，所述編碼部分是所述輸入層到所述隱層的非線性映射，其定義如下：

h(x)＝σ(W⁽¹⁾x+b⁽¹⁾)

所述解碼部分是所述隱層到輸出一種非線性映射，其定義如下：

y(x)＝σ(W⁽²⁾x+b⁽²⁾)

其中，W⁽¹⁾為所述輸入層到所述隱層的權(quán)重；W⁽²⁾為所述隱層到所述輸出層的權(quán)重，b⁽¹⁾和b⁽²⁾分別為相對(duì)應(yīng)的偏置項(xiàng)，σ(·)為所述隱層和所述輸出層神經(jīng)元的非線性映射關(guān)系，定義如下：

較佳地，所述稀疏自編碼器第j個(gè)隱層單元h_j平均激活值定義如下：

其中，期望的平均激值用ρ表示；

并且采用KL距離來測(cè)量期望激活值與實(shí)際激活值，其定義如下：

較佳地，還包括：

在所述稀疏自編碼器模型中增加稀疏性約束，則所述目標(biāo)函數(shù)的公式為：

較佳地，所述對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得權(quán)重矩陣W⁽¹⁾，包括：

設(shè)置所述自稀疏編碼模型中權(quán)重矩陣W和偏置項(xiàng)b的初始值，利用反向傳播算法對(duì)所述目標(biāo)函數(shù)的公式進(jìn)行求解；

依次迭代更新權(quán)重矩陣W和偏置值b，直到網(wǎng)絡(luò)收斂或者達(dá)到最大迭代次數(shù)；

獲得優(yōu)化的稀疏自編碼器的權(quán)重值W與偏置值b，從而獲得所述權(quán)重矩陣W⁽¹⁾。

較佳地，所述將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征，包括：

利用所述W⁽¹⁾對(duì)所述人臉圖像進(jìn)行卷積操作，并采用Sigmoid函數(shù)對(duì)濾波后的人臉圖像進(jìn)行非線性映射，獲得卷積特征。

較佳地，在所述獲得卷積特征之后，還包括：

對(duì)所述卷積特征進(jìn)行最大值池化操作，獲得池化后的人臉特征；

對(duì)所述池化后的人臉特征進(jìn)行白化主成分分析處理，取排列在前面d個(gè)主成分；

所述訓(xùn)練集表達(dá)式為：x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m；

所述訓(xùn)練集經(jīng)過特征提取后，則可以獲得成對(duì)的特征向量集x2＝{x_i1,x_i2},i＝1,2,L N，其中屬于一對(duì)人臉圖像的SAELD特征向量。

較佳地，還包括：

對(duì)所述SAELD特征向量進(jìn)行加權(quán)子空間的投影。

較佳地，所述對(duì)所述SAELD特征向量進(jìn)行加權(quán)子空間的投影，包括：

對(duì)所述SAELD特征對(duì)向量集x2＝{x_i1,x_i2},i＝1,2,L N引入類標(biāo)信息；

其中，(x_i1,x_i2)∈S表示兩個(gè)特征代表同一個(gè)人；(x_i1,x_i2)∈D則表示兩個(gè)特征分別代表不同的人；

定義類內(nèi)特征對(duì)的加權(quán)協(xié)方差矩陣表達(dá)式為：

其中，u＝2，a＝0.8；

將所述加權(quán)協(xié)方差矩陣進(jìn)行特征值分解，可得其特征值Λ＝{λ₁,K,λ_d}及對(duì)應(yīng)的特征向量P＝(v₁,K,v_d)，則所述加權(quán)協(xié)方差矩陣轉(zhuǎn)化為：

當(dāng)時(shí)，

則所述人臉圖像的人臉特征對(duì)在類內(nèi)子空間的投影過程定義如下：

則所述SAELD特征對(duì)向量集通過加權(quán)子空間的投影，獲得投影后的SAELD特征對(duì)向量集其中

較佳地，獲得投影后的SAELD特征對(duì)向量集作為所述訓(xùn)練集的特征對(duì)訓(xùn)練所述相似度度量模型。

較佳地，在所述獲取所述人臉特征之間的相似度，還包括：

結(jié)合余弦相似度與馬氏距離，所述相似度度量矩陣的目標(biāo)函數(shù)定義如下：

其中，表示余弦相似度度量函數(shù)；

表示馬氏度量函數(shù)；

在所述目標(biāo)函數(shù)中引入二值類標(biāo)y_i；

其中，當(dāng)則這一對(duì)特征代表同一個(gè)人，類標(biāo)y_i＝1；

當(dāng)表示這一對(duì)特征代表不同的人，則類標(biāo)y_i＝-1；

優(yōu)化的度量矩陣(G，M)滿足以下條件：

所述相似度度量矩陣滿足如下公式：

其中，所述相似度度量矩陣的最優(yōu)解(G，M)為：

較佳地，所述獲取所述提取的人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣的最優(yōu)解，根據(jù)所述相似度矩陣獲得訓(xùn)練集的特征對(duì)的相似度的確認(rèn)閾值，包括：

根據(jù)所述相似度度量矩陣的最優(yōu)解計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，獲得所述相似度的確認(rèn)閾值。

較佳地，所述獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分，包括：

根據(jù)所述測(cè)試集特征對(duì)的相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果。

較佳地，所述根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果，包括：

當(dāng)所述相似度得分大于或等于所述相似度的確認(rèn)閾值時(shí)，所述人臉確認(rèn)的結(jié)果為確認(rèn)成功；

當(dāng)所述相似度得分小于所述相似度的確認(rèn)閾值時(shí)，所述人臉確認(rèn)的結(jié)果為確認(rèn)失敗。

本發(fā)明第二個(gè)方面提供一種安全認(rèn)證裝置，包括：圖像識(shí)別模塊、處理模塊，所述處理模塊包括：訓(xùn)練單元和確認(rèn)單元；

其中，所述訓(xùn)練單元，用于：

獲取訓(xùn)練集，所述訓(xùn)練集包含m個(gè)樣本，所述樣本為通過展開圖像塊的像素獲得的列向量，所述圖像塊為人臉圖像分塊后的多個(gè)圖像塊中的一個(gè)；

根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；

對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得輸入層到隱層的權(quán)重矩陣W⁽¹⁾；

將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；所述濾波器包含k個(gè)濾波算子；

根據(jù)所述人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣；

根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；

所述確認(rèn)單元，用于：

獲取測(cè)試樣本的特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分；

根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果。

優(yōu)選地，所述圖像識(shí)別模塊，用于：獲取人臉圖像；

所述處理模塊，還包括：圖像處理單元；

所述圖像處理單元，用于對(duì)所述人臉圖像進(jìn)行分割獲取圖像塊；根據(jù)所述圖像塊生成所述訓(xùn)練集。

本實(shí)施例提供的人臉確認(rèn)方法及安全認(rèn)證裝置，通過獲取訓(xùn)練集，再根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得權(quán)重矩陣W⁽¹⁾；將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；根據(jù)所述人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣，進(jìn)而根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；然后獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分；根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果，該方法具有較好的類內(nèi)魯棒性與類間判別性，有效提高人臉確認(rèn)的精度。

附圖說明

圖1為本發(fā)明實(shí)施例提供的一種人臉確認(rèn)方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的一種人臉確認(rèn)方法的示意圖；

圖3為本發(fā)明實(shí)施例提供的一種稀疏自編碼器結(jié)構(gòu)示意圖；

圖4為本發(fā)明實(shí)施例提供的一種權(quán)重矩陣示意圖；

圖5為本發(fā)明實(shí)施例提供的一種卷積與非線性映射流程示意圖；

圖6為本發(fā)明實(shí)施例提供的池化操作流程示意圖；

圖7為本發(fā)明實(shí)施例提供的人臉確認(rèn)方法與目前主流方法在公開LFW數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比示意圖；

圖8為本發(fā)明實(shí)施例提供的一種安全認(rèn)證裝置的結(jié)構(gòu)示意圖；

圖9為本發(fā)明實(shí)施例提供的另一種安全認(rèn)證裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

圖1為本發(fā)明實(shí)施例提供的一種人臉確認(rèn)方法的流程示意圖，該方法被終端設(shè)備執(zhí)行，該終端設(shè)備可以為：安全認(rèn)證裝置，例如機(jī)場(chǎng)的人臉識(shí)別設(shè)備等，或者，又例如手機(jī)、智能穿戴設(shè)備等。參照?qǐng)D1，該方法具體包括：

步驟100、獲取訓(xùn)練集，所述訓(xùn)練集包含m個(gè)樣本，所述樣本為通過展開圖像塊的像素獲得的列向量，所述圖像塊為人臉圖像分塊后的多個(gè)圖像塊中的一個(gè)；

步驟101、根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；

步驟102、對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得輸入層到隱層的權(quán)重矩陣W⁽¹⁾；

步驟103、將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；所述濾波器包含k個(gè)濾波算子；

步驟104、根據(jù)所述人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣；

步驟105、根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；

步驟106、獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分；

步驟107、根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果。

本實(shí)施例提供的人臉確認(rèn)方法，通過獲取訓(xùn)練集，再根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得權(quán)重矩陣W⁽¹⁾；將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；根據(jù)所述提取的人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣，進(jìn)而根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；然后獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分；根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果，該方法具有較好的類內(nèi)魯棒性與類間判別性，有效提高人臉確認(rèn)的精度。

圖2為本發(fā)明實(shí)施例提供的一種人臉確認(rèn)方法的示意圖，參照?qǐng)D2，可知，該確認(rèn)方法可以包括：

對(duì)人臉圖像進(jìn)行裁剪；

對(duì)裁剪后的圖像預(yù)處理獲得訓(xùn)練集和測(cè)試集；

其中，訓(xùn)練集用于隨機(jī)采樣獲得圖像塊；

進(jìn)一步將圖像塊訓(xùn)練上述稀疏自編碼器(Sparse Auto-Encoder，簡(jiǎn)稱：SAE)，

具體的，該稀疏自編碼器為基于局部描述算子的稀疏自編碼器(Sparse Auto-Encoder based Local Descriptor，簡(jiǎn)稱：SAELD)。

之后在通過濾波器池進(jìn)行特征提??；

再將人臉特征與測(cè)試集的特征進(jìn)行卷積；

進(jìn)一步進(jìn)行池化與串聯(lián)；

最后完成白化PCA，從而獲得SAELD特征。

可選地，在上述實(shí)施例執(zhí)行步驟100之前，還需要對(duì)圖片進(jìn)行預(yù)處理，具體的，該圖像預(yù)處理方式，包括：

對(duì)樣本圖像進(jìn)行裁剪、對(duì)齊，留下人臉圖像，其大小為a×b像素，本發(fā)明中a＝150，b＝80；

進(jìn)一步地，在完成圖像的預(yù)處理后，還需要將圖像劃分為多個(gè)圖像塊：每幅圖像分塊，圖像塊的大小為n＝p×p；

可選的，所述獲取訓(xùn)練集包括：隨機(jī)采樣大量的人臉圖像塊，共選取m個(gè)圖塊組成所述訓(xùn)練集x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m，其中表示第i個(gè)訓(xùn)練樣本。

可選地，圖3為本發(fā)明實(shí)施例提供的一種稀疏自編碼器結(jié)構(gòu)示意圖，參照?qǐng)D3，下面給出步驟101的一種可能的實(shí)現(xiàn)方式，其目的是通過權(quán)重W的訓(xùn)練使得模型輸出逼近輸入，即其中，所述稀疏自編碼器的輸出與輸出之間的重構(gòu)誤差項(xiàng)滿足如下公式：

其中，x⁽ⁱ⁾為第i個(gè)輸入樣本，y(x⁽ⁱ⁾)為第i個(gè)輸入樣本的輸出，W，b表示輸入層到隱層，隱層到輸出層的權(quán)值矩陣與偏置項(xiàng)。

所述單隱層神經(jīng)網(wǎng)絡(luò)中各個(gè)層神經(jīng)元個(gè)數(shù)分別為s₁、s₂、s₃；逐次將所述單隱層神經(jīng)網(wǎng)絡(luò)前一層網(wǎng)絡(luò)的輸出值作為后面一層網(wǎng)絡(luò)的輸入值。

可選地，所述稀疏自編碼器包括：編碼部分和解碼部分；

其中，所述編碼部分是所述輸入層到所述隱層的非線性映射，其定義如下：

h(x)＝σ(W⁽¹⁾x+b⁽¹⁾) (2)

所述解碼部分是所述隱層到輸出一種非線性映射，其定義如下：

y(x)＝σ(W⁽²⁾x+b⁽²⁾) (3)

其中，W⁽¹⁾為所述輸入層到所述隱層的權(quán)重；W⁽²⁾為所述隱層到所述輸出層的權(quán)重，b⁽¹⁾和b⁽²⁾分別為相對(duì)應(yīng)的偏置項(xiàng)，σ(·)為所述隱層和所述輸出層神經(jīng)元的非線性映射關(guān)系，定義如下：

進(jìn)一步地，所述稀疏自編碼器第j個(gè)隱層單元h_j平均激活值定義如下：

其中，期望的平均激值用ρ表示；

一般地，引入稀疏性約束條件保證用盡量少的隱藏單元來表示輸入層特征(即隱層中只有小部分神經(jīng)元處于激活狀態(tài)，其余神經(jīng)元均處于未激活狀態(tài))，并且采用KL距離來測(cè)量期望激活值與實(shí)際激活值，其定義如下：

在所述稀疏自編碼器模型中增加稀疏性約束，則在上述稀疏自編碼器模型中增加稀疏性約束，則將公式(6)作為公式(1)的正則項(xiàng)，因此，公式(1)可重新定義為：

其中表示稀疏懲罰項(xiàng)，表示矩陣W的Frobenius范數(shù)，其目的是為了防止模型過擬合。λ和β為設(shè)置的平衡參數(shù)，用于調(diào)節(jié)各項(xiàng)之間的相對(duì)大小關(guān)系。ρ和分別表示期望的激活值和實(shí)際的激活值。

進(jìn)一步地，步驟102的一種可能的實(shí)現(xiàn)方式：設(shè)置所述自稀疏編碼模型中權(quán)重矩陣W和偏置項(xiàng)b的初始值，利用反向傳播算法對(duì)上述公式(7)進(jìn)行求解，依次迭代更新權(quán)重矩陣W和偏置值b，即獲得優(yōu)化的稀疏自編碼器的權(quán)重值W與偏置值b，直到網(wǎng)絡(luò)收斂或者達(dá)到最大迭代次數(shù)，從而獲得所述權(quán)重矩陣W⁽¹⁾。

最終，得到優(yōu)化的稀疏自編碼器的權(quán)重值W與偏置值b。圖4為本發(fā)明實(shí)施例提供的一種權(quán)重矩陣示意圖，參照?qǐng)D4，每一個(gè)方格代表學(xué)習(xí)的輸入層到隱層的權(quán)重矩陣

下面提供步驟103的一種可能的實(shí)現(xiàn)方式：

步驟103a、利用所述W⁽¹⁾對(duì)所述人臉圖像進(jìn)行卷積操作，并采用Sigmoid函數(shù)對(duì)濾波后的人臉圖像進(jìn)行非線性映射，獲得卷積特征。

具體的，圖5為本發(fā)明實(shí)施例提供的一種卷積與非線性映射流程示意圖，參照?qǐng)D5，圖像大小為a×b，圖像塊大小為p×p，利用W⁽¹⁾對(duì)每幅人臉圖像進(jìn)行卷積操作(濾波)，并采用Sigmoid函數(shù)對(duì)濾波后的圖像進(jìn)行非線性映射。則每幅圖像可以得到k個(gè)卷積特征，其特征大小為(a-p+1)×(b-p+1)。因此，獲得的特征維數(shù)太高，冗余度很大；

在步驟103a的基礎(chǔ)上，為了進(jìn)一步降低特征維數(shù)，給出了一種進(jìn)行池化操作的方案，具體的：

步驟103b、對(duì)所述卷積特征進(jìn)行最大值池化操作，獲得池化后的人臉特征x；

步驟103c、對(duì)所述池化后的人臉特征進(jìn)行白化主成分分析處理，取排列在前面d個(gè)主成分；所述訓(xùn)練集表達(dá)式為：x1＝{x⁽¹⁾,x⁽²⁾,L,x^(m)}∈？^n×m；

步驟103d、所述訓(xùn)練集經(jīng)過特征提取后，則可以獲得成對(duì)的特征向量集x2＝{x_i1,x_i2},i＝1,2,L N，其中屬于一對(duì)人臉圖像的SAELD特征向量。

具體的，圖6為本發(fā)明實(shí)施例提供的池化操作流程示意圖，參照?qǐng)D6，對(duì)提取的卷積特征進(jìn)行池化操作。池化可分為最大值池化與均值池化。首先對(duì)圖像分塊，對(duì)每個(gè)塊內(nèi)所有像素值取最大值或均值來表示這個(gè)圖塊特征。這種策略不僅能結(jié)合圖像的不同位置的特征信息，也可以有效降低特征維數(shù)。本專利采用最大值池化，圖像池化與采樣尺寸分別取9×9，則將所有特征串聯(lián)成一個(gè)列向量，列向量長(zhǎng)度為：k×(a-p+1)×(b-p+1)/9。

更進(jìn)一步地，步驟103b-103d進(jìn)一步降低特征維數(shù)與特征之間冗余性。

進(jìn)一步地，對(duì)所述SAELD特征向量進(jìn)行加權(quán)子空間的投影。

具體的，所述對(duì)所述SAELD特征向量進(jìn)行加權(quán)子空間的投影，包括：

對(duì)所述SAELD特征對(duì)向量集x2＝{x_i1,x_i2},i＝1,2,L N引入類標(biāo)信息；

其中，(x_i1,x_i2)∈S表示兩個(gè)特征代表同一個(gè)人；(x_i1,x_i2)∈D則表示兩個(gè)特征分別代表不同的人；

定義類內(nèi)特征對(duì)的加權(quán)協(xié)方差矩陣表達(dá)式為：

其中，ω_i表示類內(nèi)特征對(duì)(x_i1,x_i2)∈S的權(quán)值，其定義如下：

其中，u＝2，a＝0.8；

將所述加權(quán)協(xié)方差矩陣進(jìn)行特征值分解，可得其特征值Λ＝{λ₁,K,λ_d}及對(duì)應(yīng)的特征向量P＝(v₁,K,v_d)，則所述加權(quán)協(xié)方差矩陣轉(zhuǎn)化為：

當(dāng)時(shí)，

則所述人臉圖像的人臉特征對(duì)在類內(nèi)子空間的投影過程定義如下：

則所述SAELD特征對(duì)向量集通過加權(quán)子空間的投影，獲得投影后的SAELD特征對(duì)向量集其中

進(jìn)一步地，學(xué)習(xí)相似度度量矩陣：基于上述步驟得到投影后的SAELD特征對(duì)向量集將其作為訓(xùn)練集的特征對(duì)，設(shè)計(jì)一種相似度度量學(xué)習(xí)模型，利用優(yōu)化的度量矩陣計(jì)算一對(duì)人臉的特征向量之間的相似度，具體步驟如下：

獲得投影后的SAELD特征對(duì)向量集作為所述訓(xùn)練集的特征對(duì)訓(xùn)練所述相似度度量模型。

具體的，結(jié)合余弦相似度與馬氏距離，所述相似度度量矩陣的目標(biāo)函數(shù)定義如下：

其中，表示余弦相似度度量函數(shù)；

表示馬氏度量函數(shù)，二者均可以測(cè)量一對(duì)人臉特征之間的相似性。s_G值越大，則二者越相似；d_M值越小則表示二者越相似。因此，式(14)值越大，代表二個(gè)特征相似程度越高。在所述目標(biāo)函數(shù)中引入二值類標(biāo)y_i；

其中，當(dāng)則這一對(duì)特征代表同一個(gè)人，類標(biāo)y_i＝1；

當(dāng)表示這一對(duì)特征代表不同的人，則類標(biāo)y_i＝-1

優(yōu)化的度量矩陣(G，M)必需保證滿足以下條件：當(dāng)y_i＝1時(shí)，式(14)值較大；反之，當(dāng)y_i＝-1，式(14)的值較小，基于這一規(guī)則，則優(yōu)化的度量矩陣(G，M)滿足以下條件：

為避免最小化式(15)的經(jīng)驗(yàn)誤差產(chǎn)生的過擬合現(xiàn)象，增加正則項(xiàng)約束，則相似度度量模型重新定義如下：

對(duì)式(16)引入松弛變量，得到所述相似度度量矩陣滿足如下公式：

進(jìn)一步利用拉格朗日函數(shù)，式(17)可表示如下：

將式(18)分別對(duì)M,G,ζ進(jìn)行求導(dǎo)：

分別令可得：

則式(20)代入式(18)，則得到相應(yīng)的對(duì)偶函數(shù)：

其中，所述相似度度量矩陣的最優(yōu)解(G^*,M^*)為：

進(jìn)一步地，人臉確認(rèn)的過程前，步驟104的一種可能的實(shí)現(xiàn)方式為：

根據(jù)所述相似度度量矩陣的最優(yōu)解(G^＊，M^＊)所述訓(xùn)練集的特征對(duì)計(jì)算相似度得分，獲得所述相似度的確認(rèn)閾值。

可選地，步驟106一種可能的實(shí)現(xiàn)方式為：

根據(jù)所述相似度度量矩陣的最優(yōu)解對(duì)所述訓(xùn)練集的特征對(duì)計(jì)算相似度得分，獲得所述相似度的確認(rèn)閾值。

具體的，得到相似度確認(rèn)閾值后，進(jìn)一步獲取測(cè)試集特征對(duì)，用相似度度量矩陣的最優(yōu)解計(jì)算測(cè)試集特征對(duì)的相似度得分。

可選地，步驟107一種可能的實(shí)現(xiàn)方式為：

當(dāng)所述相似度得分大于或等于所述相似度的確認(rèn)閾值時(shí)，所述人臉確認(rèn)的結(jié)果為確認(rèn)成功；

當(dāng)所述相似度得分小于所述相似度的確認(rèn)閾值時(shí)，所述人臉確認(rèn)的結(jié)果為確認(rèn)失敗。

最后，圖7為本發(fā)明實(shí)施例提供的人臉確認(rèn)方法與目前主流方法在公開LFW數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比示意圖，參照?qǐng)D7，可知本專利提供方法可以取得較為精準(zhǔn)的人臉確認(rèn)精度。

下面給出用于執(zhí)行上述實(shí)施例各個(gè)步驟及實(shí)現(xiàn)相應(yīng)功能的一種安全認(rèn)證裝置，圖8為本發(fā)明實(shí)施例提供的一種安全認(rèn)證裝置的結(jié)構(gòu)示意圖，參照?qǐng)D8，該裝置包括：圖像識(shí)別模塊10、處理模塊11，進(jìn)一步地，所述處理模塊11包括：訓(xùn)練單元11-1和確認(rèn)單元11-2；

其中，所述訓(xùn)練單元11-1，用于：

獲取訓(xùn)練集，所述訓(xùn)練集包含m個(gè)樣本，所述樣本為通過展開圖像塊的像素獲得的列向量，所述圖像塊為人臉圖像分塊后的多個(gè)圖像塊中的一個(gè)；

根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；

對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得輸入層到隱層的權(quán)重矩陣W⁽¹⁾；

將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；所述濾波器包含k個(gè)濾波算子；

根據(jù)所述人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣；

根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；

所述確認(rèn)單元11-2，用于：

獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試樣本的特征對(duì)的相似度得分；

根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果。

本實(shí)施例提供的安全認(rèn)證裝置，通過訓(xùn)練單元獲取訓(xùn)練集，訓(xùn)練單元再根據(jù)所述訓(xùn)練集訓(xùn)練基于局部描述算子的稀疏自編碼器，以使所述稀疏自編碼器的輸出逼近輸入；所述稀疏自編碼器為基于單隱層神經(jīng)網(wǎng)絡(luò)的非監(jiān)督特征學(xué)習(xí)模型；訓(xùn)練單元對(duì)所述稀疏自編碼器進(jìn)行優(yōu)化獲得權(quán)重矩陣W⁽¹⁾；訓(xùn)練單元將所述W⁽¹⁾作為濾波器對(duì)所述人臉圖像進(jìn)行特征提取，獲得人臉特征；根據(jù)所述提取的人臉特征訓(xùn)練相似度度量模型，獲得相似度度量矩陣，進(jìn)而訓(xùn)練單元根據(jù)所述相似度度量矩陣計(jì)算所述訓(xùn)練集的特征對(duì)的相似度得分，以獲得相似度的確認(rèn)閾值；然后確認(rèn)單元獲取測(cè)試集特征對(duì)，根據(jù)所述相似度度量矩陣計(jì)算所述測(cè)試集特征對(duì)的相似度得分；確認(rèn)單元根據(jù)所述相似度得分與所述相似度的確認(rèn)閾值比較，獲得所述人臉確認(rèn)的結(jié)果，該方法具有較好的類內(nèi)魯棒性與類間判別性，有效提高人臉確認(rèn)的精度。

在圖8的基礎(chǔ)上，圖9為本發(fā)明實(shí)施例提供的另一種安全認(rèn)證裝置的結(jié)構(gòu)示意圖，參照?qǐng)D9，該處理模塊11，還包括：圖像處理單元11-3；

所述圖像識(shí)別模塊10，用于：獲取人臉圖像；

所述圖像處理單元11-3，用于對(duì)所述人臉圖像進(jìn)行分割獲取圖像塊；根據(jù)所述圖像塊生成所述訓(xùn)練集。

需要說明的是，上文中圖像識(shí)別模塊10和處理模塊11可以集成在同一個(gè)實(shí)體設(shè)備中，也可以通過網(wǎng)絡(luò)連接，分別設(shè)置于不同的實(shí)體設(shè)備中。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，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)其中部分或者全部技術(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)方案的范圍。