[发明专利]身份认证方法和装置

说明书

本申请实施例公开了身份认证方法和装置。该方法的一具体实施方式包括：将待检测图像输入至预先训练的人脸识别模型，得到特征信息；将该特征信息与预存特征信息进行匹配；基于匹配结果生成身份认证结果；其中，该人脸识别模型通过如下步骤训练得到：提取训练样本；训练样本输入至预先建立的卷积神经网络，基于输入至该卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数，利用机器学习方法对该卷积神经网络进行训练，生成人脸识别模型。该实施方式实现了在待检测图像与注册时所使用的人脸图像的类型不同时，对待检测图像中的人脸对象的有效识别。

技术领域

本申请实施例涉及计算机技术领域，具体涉及身份认证方法和装置。

背景技术

随着计算机技术的发展，图像处理技术应用到了越来越多的领域。例如，可以对图像中的人脸进行识别，以进行用户身份认证。

现有的方式，通常是预先从用户注册时所提供的人脸图像中提取特征信息，并进行存储。在需要进行身份认证时，从待检测图像中提取特征信息，进而基于当前的特征信息和预存的特征信息的比对进行身份认证。这种方式需要以待检测图像与用户注册时所提供的人脸图像具有相同类型(例如同为可见光图像，或者同为近红外图像)为前提，仅适用于对与注册时所提供的人脸图像具有相同类型的待检测图像中的人脸对象进行识别。

发明内容

本申请实施例提出了身份认证方法和装置。

第一方面，本申请实施例提供了一种身份认证方法，该方法包括：将待检测图像输入至预先训练的人脸识别模型，得到特征信息；将特征信息与预存特征信息进行匹配；基于匹配结果生成身份认证结果；其中，人脸识别模型通过如下步骤训练得到：提取训练样本，其中，训练样本包括第一图像、第二图像和第三图像，第一图像与第二图像的类型不同且带有相同的用户身份标注，第一图像与第三图像带有不同的用户身份标注，类型包括可见光图像类型和近红外图像类型；将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络，基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数，利用机器学习方法对卷积神经网络进行训练，生成人脸识别模型。

在一些实施例中，预存特征信息是从用户注册时所使用的人脸图像中提取的，人脸图像与待检测图像的类型不同。

在一些实施例中，将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络，基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数，利用机器学习方法对卷积神经网络进行训练，生成人脸识别模型，包括：执行如下训练步骤：将训练样本中的第一图像、第二图像、第三图像输入至预先建立的卷积神经网络，得到分别与第一图像、第二图像、第三图像对应的第一特征信息、第二特征信息、第三特征信息；分别确定第一特征信息与第二特征信息的相似度、第一特征信息与第三特征信息的相似度；将所确定的各相似度输入至预设的损失函数，确定损失值；响应于确定损失值不大于预设数值，将当前的卷积神经网络确定为人脸识别模型。

在一些实施例中，训练样本通过如下步骤提取：从预置图像集合中随机选取一个图像作为第一图像，其中，预置图像中的每一个图像带有一个用户身份标注；从预置图像集合中随机选取一个与第一图像不同类型且带有相同用户身份标注的图像作为第二图像；从预置图像集合中随机选取一个与第一图像带有不同用户身份标注的图像作为第三图像；将第一图像、第二图像、第三图像汇总为训练样本。

在一些实施例中，将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络，基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数，利用机器学习方法对卷积神经网络进行训练，生成人脸识别模型，还包括：响应于确定损失值大于预设数值，基于损失函数，利用梯度下降算法，对卷积神经网络的参数进行更新，重新提取训练样本并使用更新后的卷积神经网络执行训练步骤。

在一些实施例中，该方法还包括：响应于确定身份认证未通过，显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。