[发明专利]一种多算法融合的人脸识别方法

说明书

本发明为一种多算法融合的人脸识别方法，所述方法包括以下步骤：构建统一基准测试图像库，所述基准测试图像库构建方法包括注册集和探针集；基于所述基准测试图像库，每个人脸识别算法进行算法测试；计算每个算法在所述基准测试图像库上的FAR和FRR；计算每个算法的信任度函数；对每个算法比对分数进行归一化；采用基于信任度加权方式进行分数融合；根据融合比对分数，输出融合比对结果。在建立统一测试基准库的基础上，对多个不同人脸识别算法进行性能测试，将比对相似度分数转换为对应的信任度,而转换后的分数满足信任度有序性,从而使得转换后的分数之间具有可比性。

技术领域

本发明涉及及计算机软件开发编程技术领域，具体涉及一种多算法融合的人脸识别方法。

背景技术

随着“互联网+”行动计划及国家人工智能战略的推进，人脸识别技术作为人工智能的一个技术防线，发展迅猛，社会需求迫切，在电子金融、电子商务、智能安防、网络身份认证、公共安全、刑事侦查等领域广泛应用。

虽然人脸识别技术精度较高，但是仍然受到使用环境如光照较差，面部遮挡、姿态较大、面部表情多变等条件影响，造成一定的拒识和误识，从而影响使用效果。为了增加系统精度，用户通常会选用多个不同人脸识别算法厂商算法进行优势互补，通过融合的方法以提高系统识别率。用户在融合时，一方面算法厂商出于自身知识产权的保护不会告诉用户过多算法本身采用的特征及模型方法，另一方面，大多数用户不具备人脸识别技术的开发能力，故通常会面临如何对算法进行融合，采用哪种方式进行融合、融合权重如何分配的问题。

多模生物特征在决策层融合时，通常是将不同的生物特征分别单独进行识别验证，再把每个分别决策的结果进行融合从而得到最终识别结果的一种融合方法。常用的融合方法如均值融合识别算法等。

这些算法大都局限于降低融合系统的错误接受率FAR和错误拒绝率FRR两种错误率的一种，而没有同时考虑识别系统对FAR和 FRR的要求，也没有考虑错误接受或错误拒绝对系统损失的影响。

均值融合识别算法要求原始数据集的分布可以近似为高斯分布，否则归一化的效果会变得很糟糕。在实际应用中，数据集采集受主客观条件限制，很难做到高斯分布，故归一化时会出现较大偏差。

发明内容

鉴于现有技术的不足，本发明旨在于提供一种多算法融合的人脸识别方法，在建立统一测试基准库的基础上，对多个不同人脸识别算法进行性能测试，在测试结果的基础上，提出了一种基于FAR和FRR 的信任度转换函数，通过该转换函数,可以将比对相似度分数转换为对应的信任度,而转换后的分数满足信任度有序性,从而使得转换后的分数之间具有可比性。同时将信任度引入到分数融合中，使得识别性能高的算法，其权重也会变大,融合效果好。

本发明基于测试基准库的FAR和FRR进行融合，对FAR和FRR同时兼顾。

在做权重分配时采用基于FAR和FRR的信任度转换函数.通过该转换函数,可以将比对相似度分数转换为对应的信任度,而转换后的分数满足信任度有序性,从而使得转换后的分数之间具有可比性。

为解决上述技术问题，本发明提供的技术方案如下：

一种多算法融合的人脸识别方法，所述方法包括以下步骤：

S1构建统一基准测试图像库，所述基准测试图像库构建方法包括注册集和探针集；

S2基于所述基准测试图像库，每个人脸识别算法进行算法测试；

S3计算每个算法在所述基准测试图像库上的FAR和FRR；

S4计算每个算法的信任度函数；

S5对每个算法比对分数进行归一化；

S6采用基于信任度加权方式进行分数融合；

S7根据融合比对分数，输出融合比对结果。