一种基于卷积神经网络的人脸验证方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201810366071.1
(22)申请日 2018.04.23
(71)申请人 济南浪潮高新科技投资发展有限公
司
地址 250100 山东省济南市高新区孙村镇
科航路2877号研发楼一楼
(72)发明人 袭肖明　于治楼　陈祥　吴永健　
(74)专利代理机构 济南信达专利事务所有限公
司 37100
代理人 孟峣
(51)Int.Cl.
G06K 9/00(2006.01)
G06F 21/32(2013.01)
(54)发明名称
一种基于卷积神经网络的人脸验证方法
(57)摘要
本发明公开了一种基于卷积神经网络的人
脸验证方法，其实现过程为，首先收集训练图像，
挑选正类样本，生成正类模板；构造训练集，将收
集的训练图像与正类模板进行比对；设计损失函
数，通过优化该函数，结合训练集训练卷积神经
网络模型，使该卷积神经网络模型可样本对输
入；将待验证样本与产生的正类模板构造成一个
样本对输入到卷积神经网络中，根据验证结果，
确定样本为正类或负类，正类则验证通过，负类
则验证不通过。

本发明的一种基于卷积神经网络
的人脸验证方法与现有技术相比，将单样本输入
改为样本对输入，能够学到样本与正类模板的相
似性，直接输出样本与正类模板的比对结果，不
需要与其他正类样本进行一一比对，可以有效地
降低验证时间。

权利要求书1页 说明书4页 附图1页CN 108537206 A 2018.09.14
C N 108537206
A
1.一种基于卷积神经网络的人脸验证方法，其特征在于，其实现过程为，
一、首先收集训练图像，挑选正类样本，生成正类模板；
二、构造训练集，将收集的训练图像与正类模板进行比对，分成与模板同类的样本和与模板不同类的样本；
三、设计损失函数，通过优化该函数，结合训练集训练卷积神经网络模型，使该卷积神经网络模型可样本对输入；
四、将待验证样本与产生的正类模板构造成一个样本对输入到卷积神经网络中，根据验证结果，确定样本为正类或负类，正类则验证通过，负类则验证不通过。

2.根据权利要求1所述的一种基于卷积神经网络的人脸验证方法，其特征在于，所述步骤一中，正类样本是指人为指定的应用场景中的关注样本，在生成正类模板时，首先根据正类样本的重要性，对每个正类样本进行加权设定，然后通过已有的正类模板和它的权重，利
用以下公式获得正类模板T：
在该公式中，N是现有正类样本的个数，R i 是第i个用户的权重，衡量第i个用户身份的重要性，U i 第i个用户的数据。

3.根据权利要求1所述的一种基于卷积神经网络的人脸验证方法，其特征在于，所述步骤二中的训练集构造过程中，将收集的训练图像与正类模板进行比对后，将与模板同类的样本，标记为1；与模板不同类的样本，标记为-1。

4.根据权利要求1所述的一种基于卷积神经网络的人脸验证方法，其特征在于，所述步
骤三中卷积神经网络通过以下损失函数及优化过程训练：
s.t L i ＝wz i +b；
s.t z i ＝x i -T；
在上述公式中，C 1是把正类错分为负类的代价权重，C 2是把负类错分为正类的代价权重；Q i 是第i个样本的类别指示函数，如果第i个样本被模型分为正类，Q i ＝1；反之，Q i ＝-1；L i 是第i个样本的预测类别结果；w是训练网络的权重，b是训练网络的偏置；z i 是输入的样本对，通过样本x i 与产生的正类模板T进行判断，如果这两个样本是相似的，则标记为1。

5.根据权利要求4所述的一种基于卷积神经网络的人脸验证方法，其特征在于，在上述目标函数优化过程中，按照以下算法求得代价权重C 1和C 2，以及模型的参数w和b：
1)固定C 1和C 2两个变量，给两个变量赋初值，使得C 1≥C 2；
2)将C 1和C 2代入公式步骤三中的损失函数公式，使用随机梯度下降法求得模型的参数w 和b；
3)然后再将求得的w和b，带入损失函数公式，通过令C 1和C 2的偏导等于0，求得C 1和C 2的值；
4)重复步骤2)和步骤3)，直到达到收敛条件。

6.根据权利要求1所述的一种基于卷积神经网络的人脸验证方法，其特征在于，所述步骤四中，在将样本对输入到训练好的卷积神经网络中后，如果分类输出为1，则该样本是正类，可以通过验证；如果分类输出为-1，则该样本是负类，不能通过验证。

权　利　要　求　书1/1页CN 108537206 A
一种基于卷积神经网络的人脸验证方法
技术领域
[0001]本发明涉及计算机应用技术领域，具体地说是一种基于卷积神经网络的人脸验证方法。

背景技术
[0002]随着社会和经济的不断发展，市场对身份验证的需求越来越大，身份验证越来越重要。

人脸验证是当今身份验证的主流方法。

现有的方法专注于降低识别错误率，隐含了一个假设，即每个用户的身份重要性是相同的。

然而对于某些需要低拒识率或者低误识率的场景，这种假设是有问题的。

例如，对于一个金融机构来说，可能只有少数的几个高级员工拥有支付、转账等重要权限。

在这种应用场景下，将外来人员错误的识别为高级员工产生的损失要远远的高于将高级员工误识别为外来人员的损失。

再例如，对于一个通缉犯追捕识别系统，错将数据库中的通缉犯们误分为良好市民产生的损失要远远的高于将良好市民误分为通缉犯们的损失。

因此，针对这种需要低拒识率或者低误识率的场景，如何发明一种基于这类特殊场景下的人脸验证方法，使其能够高效地对特定用户的人脸进行正确识别，对于降低企业产品竞争力，具有重要的意义。

[0003]为了解决这个问题，本专利提供一种基于卷积神经网络的人脸验证方法。

发明内容
[0004]本发明的技术任务是针对以上不足之处，提供一种基于卷积神经网络的人脸验证方法。

[0005]一种基于卷积神经网络的人脸验证方法，其实现过程为，
[0006]一、首先收集训练图像，挑选正类样本，生成正类模板；
[0007]二、构造训练集，将收集的训练图像与正类模板进行比对，分成与模板同类的样本和与模板不同类的样本；
[0008]三、设计损失函数，通过优化该函数，结合训练集训练卷积神经网络模型，使该卷积神经网络模型可样本对输入；
[0009]四、将待验证样本与产生的正类模板构造成一个样本对输入到卷积神经网络中，根据验证结果，确定样本为正类或负类，正类则验证通过，负类则验证不通过。

[0010]所述步骤一中，正类样本是指人为指定的应用场景中的关注样本，在生成正类模板时，首先根据正类样本的重要性，对每个正类样本进行加权设定，然后通过已有的正类模板和它的权重，利用以下公式获得正类模板T：
[0011]
[0012]在该公式中，N是现有正类样本的个数，R i是第i个用户的权重，衡量第i个用户身份的重要性，U i第i个用户的数据。

[0013]所述步骤二中的训练集构造过程中，将收集的训练图像与正类模板进行比对后，将与模板同类的样本，标记为1；与模板不同类的样本，标记为-1。

[0014]所述步骤三中卷积神经网络通过以下损失函数及优化过程训练：
[0015]
[0016]s.t L i＝wz i+b；
[0017]s.t z i＝x i-T；
[0018]在上述公式中，C1是把正类错分为负类的代价权重，C2是把负类错分为正类的代价权重；Q i是第i个样本的类别指示函数，如果第i个样本被模型分为正类，Q i＝1；反之，Q i＝-1；L i是第i个样本的预测类别结果；w是训练网络的权重，b是训练网络的偏置；z i是输入的样本对，通过样本x i与产生的正类模板T进行判断，如果这两个样本是相似的，则标记为1。

[0019]在上述目标函数优化过程中，按照以下算法求得代价权重C1和C2，以及模型的参数w和b：
[0020]1)固定C1和C2两个变量，给两个变量赋初值，使得C1≥C2；
[0021]2)将C1和C2代入公式步骤三中的损失函数公式，使用随机梯度下降法求得模型的参数w和b；
[0022]3)然后再将求得的w和b，带入损失函数公式，通过令C1和C2的偏导等于0，求得C1和C2的值；
[0023]4)重复步骤2)和步骤3)，直到达到收敛条件。

[0024]所述步骤四中，在将样本对输入到训练好的卷积神经网络中后，如果分类输出为1，则该样本是正类，可以通过验证；如果分类输出为-1，则该样本是负类，不能通过验证。

[0025]本发明的一种基于卷积神经网络的人脸验证方法和现有技术相比，具有以下有益效果：
[0026]本发明的一种基于卷积神经网络的人脸验证方法，将单样本输入改为样本对输入，能够更好的学习样本与正类模板的相似性信息，相比较传统的身份验证方法，样本对输入能够有效地降低验证时间，实用性强，适用范围广泛，具有广阔的应用前景。

附图说明
[0027]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

[0028]附图1是本发明实现示例图。

具体实施方式
[0029]为了使本技术领域的人员更好地理解本发明的方案，下面结合具体实施方式对本发明作进一步的详细说明。

显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0030]如附图1所示，一种基于卷积神经网络的人脸验证方法，针对特定场景，将关注的少量样本分为正类。

首先提出一种正类模板学习方法。

通过融入用户身份的重要性信息来生成正类模板。

然后提出了一种基于代价敏感成对卷积神经网络的人脸验证模型。

设计新
的代价学习Loss函数，通过优化该损失函数，使得提出的模型能够更有效地学习到用户身份的重要性信息，从而获取损失代价最小的验证结果。

[0031]其实现过程为，
[0032]一、首先收集训练图像，挑选正类样本，生成正类模板；
[0033]二、构造训练集，将收集的训练图像与正类模板进行比对，分成与模板同类的样本和与模板不同类的样本；
[0034]三、设计损失函数，通过优化该函数，结合训练集训练卷积神经网络模型，使该卷积神经网络模型可样本对输入；
[0035]四、将待验证样本与产生的正类模板构造成一个样本对输入到卷积神经网络中，根据验证结果，确定样本为正类或负类，正类则验证通过，负类则验证不通过。

[0036]所述步骤一中，正类样本是指在应用场景中较为关注的样本。

例如，在本发明背景技术中提到的金融机构中具有高级权限的少数员工、通缉犯追捕系统中的逃犯。

[0037]然后根据正类样本的重要性不同，对每个正类样本进行加权。

举例来说，对于本发明提到的金融机构来说，行长的权重为0.6，副行长的权重为0.3，以此类推。

用户的身份越重要，权重越高。

[0038]通过已有的正类模板和它的权重，利用以下公式获得正类模板T：
[0039]
[0040]在该公式中，N是现有正类样本的个数，R i是第i个用户的权重，衡量第i个用户身份的重要性，U i第i个用户的数据。

[0041]所述步骤二中的训练集构造过程中，将收集的训练图像与正类模板进行比对后，将与模板同类的样本，标记为1；与模板不同类的样本，标记为-1。

[0042]所述步骤三中卷积神经网络通过以下损失函数及优化过程训练：
[0043]
[0044]s·t L i＝wz i+b；
[0045]s.t z i＝x i-T；
[0046]在上述公式中，C1是把正类错分为负类的代价权重，C2是把负类错分为正类的代价权重；Q i是第i个样本的类别指示函数，如果第i个样本被模型分为正类，Q i＝1；反之，Q i＝-1；L i是第i个样本的预测类别结果；w是训练网络的权重，b是训练网络的偏置；z i是输入的样本对，通过样本x i与产生的正类模板T进行判断，如果这两个样本是相似的，则标记为1。

[0047]在上述目标函数优化过程中，按照以下算法求得代价权重C1和C2，以及模型的参数w和b：
[0048]1)固定C1和C2两个变量，给两个变量赋初值，使得C1≥C2；
[0049]2)将C1和C2代入公式步骤三中的损失函数公式，使用随机梯度下降法求得模型的参数w和b；
[0050]3)然后再将求得的w和b，带入损失函数公式，通过令C1和C2的偏导等于0，求得C1和C2的值；
[0051]4)重复步骤2)和步骤3)，直到达到收敛条件。

[0052]所述步骤四中，在将样本对输入到训练好的卷积神经网络中后，如果分类输出为
1，则该样本是正类，可以通过验证；如果分类输出为-1，则该样本是负类，不能通过验证。

[0053]在本发明提出的代价敏感成对卷积神经网络模型中，引入了新的代价权重，学到的代价权重能够反映正类用户身份的重要性，因此，提出的模型在进行身份验证时，获得使得损失代价最小的验证结果。

传统的卷积神经网络采用单样本输入，在进行验证时，要与数据库中的正类样本进行一一比对，增大了验证时间。

本发明提出的模型将卷积神经网络中的单样本输入改为样本对输入，能够学到样本与正类模板的相似性，直接输出样本与正类模板的比对结果，不需要与其他正类样本进行一一比对，可以有效地降低验证时间。

[0054]通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。

但是应当理解，本发明并不限于上述的具体实施方式。

在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

[0055]除说明书所述的技术特征外，均为本专业技术人员的已知技术。

图1。