[发明专利]一种基于深度残差网络的人脸识别身份认证方法

说明书

本发明提供一种基于深度残差网络的人脸识别身份认证方法，涉及身份认证中的隐私保护技术领域。本方法通过训练深度残差网络来进行人脸识别。为了提高系统验证的安全性，降低别人冒充你验证通过的概率，选择了误识率(不同人识别为同一个人的概率)较低(0.001或0.002)时的准确率作为评价标准，并以此时的阈值作为判断阈值。为了能将特征值存储于一个二维码之中，将原浮点数的特征值映射到[‑127，127]之间的整数值欧氏空间，使原本1024字节容量的特征值降低到128字节。为了能将网络模型移植到空间资源有限的移动端，通过逐步的减少网络的特征层通道数和减少网络层数，最终将网络模型的容量从96M缩小到了39M，且准确率只有少量的下降。

技术领域

本发明涉及身份认证中的隐私保护技术领域，尤其涉及一种基于深度残差网络的人脸识别身份认证方法。

背景技术

得益于计算机和网络技术的日新月异的发展，各种高新技术在不断改变我们生活方式的同时，也带来了一些难以避免的问题，身处这样一个大数据时代，每个人记忆中都一定随时记得至少三四个密码，如银行卡、电子邮箱、各种网站登录、网上银行和手机密码等，在觉得繁琐的同时，我们也会产生焦虑，比如在银行ATM办理业务输入密码时，总担心是否会泄露个人信息及密码，因而人们会希望出现一种新的拥有更高安全性且更加便捷的操作方式的认证方法来代替这种传统的认证方式。随着微电子和通信技术的发展，人脸识别技术是图像分析中最成功的应用，近年来发展得越来越成熟，在实际应用中取得了巨大的成果。使用人脸识别技术进行身份验证，具有安全、可靠、快速的特点，易于配合电脑与安全、监控、管理系统连接，实行信息化管理，逐渐成为取代传统识别方式的重要身份验证手段。近年来，人脸识别技术在图片处理、模式识别、计算机视觉、认知科学和人工神经网络等领域成为热点研究课题。人脸识别技术，指的是在给定某个场景的包含人脸的静态图像或动态视频的情况下，使用存储着若干已知身份的人脸图像的数据库来鉴别和验证该场景中的单个或多个人的身份的技术。

近年来，人脸识别的相关研究方向都取得了很大的进展，其中，深度学习+大数据(海量的有标注人脸数据)逐渐成为了人脸识别领域的主流技术路线，各种深度更深、识别能力更强的神经网络纷纷浮出水面。深度学习的一个重要研究方向就是设计各种神经网络。人脸识别技术按照不同的任务需求大致分为人脸检测、人脸对齐和人脸识别这三个步骤。人脸检测(Face Detection)是检测出图片中是否包含人脸以及人脸在图像中的位置的一种技术。人脸检测算法输入一张图片进行人脸检测，然后会输出描述人脸在图片中位置的人脸框坐标(可能是0个或1个或多个人脸框)。人脸检测算法输出的人脸坐标框一般是一个正朝上的正方形，或者也有可能是一个正朝上或者带旋转方向的矩形。目前，人脸检测算法大多是包括一个“扫描”和“判断”的过程，算法的大体思想是通过扫描一张图片，产生多个候选区，再判断各个候选区是否是人脸，最后筛选出最佳的人脸候选区。人脸对齐(FaceAlignment)是定位出人脸五官关键点在图片上的坐标的一种技术。人脸对齐算法输入一张人脸图片，输出的是人脸五官关键点的坐标序列。在进行人脸对齐时，会预先设定好五官关键点的数量，常见的有5点、68点和90点等等的人脸对齐。目前，使用各种深度学习框架，实现了很多人脸对齐技术，取得了很好的匹配效果，这些技术一般都是基于人脸检测的坐标框，按照一些预先设定好的规则将人脸区域从图片中识别出来，然后缩放到一定的尺寸，最后进行关键点位置的计算。人脸识别(Face Recognition)是通过神经网络或其他方法提取人脸的特征值，然后比对特征值，来判断两个人脸图片是否代表同一个人，或者通过和注册在库中N个身份对应的特征进行逐个比对，找出一个与输入特征相似度较高的特征，从而识别该图片的身份。

现有的人脸识别技术已在各类身份认证系统中得到广泛应用，主要是通过与数据库中信息进行在线对比来判别是否是同一人及身份的真伪，其缺点在于，一方面系统中存储人脸特征的数据库有泄露或被盗用的风险，信息安全不能保证；另一方面由于现有人脸识别身份认证技术对计算、存储资源的需求，不适合大规模的运算，因此基于深度学习的人脸识别技术在移动端的应用还不够成熟。

发明内容