[发明专利]人证校验方法

说明书

本发明提供一种人证校验方法。人证校验方法包括获取待检测目标对象人脸图像步骤、生成目标图像集合及目标特征向量集合步骤以及人脸验证步骤；本发明通过在人脸图像分类和在人脸所在区域对注意力定位进行双重一致性约束，这两个网络可以逐渐优化注意力分布并提高彼此的性能，而训练仅依赖于部分标记的数据并遵循半监督训练的方式，并不需要大量带有分类标注的数据，所花费的成本低。尤其是还兼顾了发型所在区域和服饰所在区域的特征向量，使得识别准确性提升。而且可基于人证校验方法的自主学习功能，实现基于现有的目标图像集合通过多视角角度自行判断人脸图像，而不仅仅局限于所述目标图像集合的信息进行判断。

技术领域

本发明涉及图像处理技术领域，具体地说，涉及一种人证校验方法。

背景技术

人证比对技术可广泛应用于对人员身份一致性要求较高的场所，可在银行、公安、政府、电力、酒店、医疗、火车站、机场安检、证券交易、住建监管、教育及众多企事业单位等领域中应用。

然而，现有的人证验证过程需要人工借助图像处理工具处理目标对象人脸的原始图像生成标准的人脸信息进行存储，人证验证系统之后才可以判别人脸的真实身份，现有的人证验证过程无法实现计算机自动处理，依赖于大量的人工标注数据，这通常是高成本的。

针对处理目标对象人脸的原始图像方面的改进，专利CN109685018A提供了一种人证校验方法、系统及相关设备，先对待检测的视频流中提取到的原始图像进行校正，生成校正图像，并根据预设的筛选条件筛选出符合预设条件的目标图像，然后根据目标图像判断待检测的视频流中的人脸是否为活体人脸。该专利对视频流中提取到的原始图像进行了校正和筛选，剔除了不符合要求的图像，提高了校验的效率，同时，增加了活体人脸识别过程，提高了校验的安全性。但是专利CN109685018A仅是针对原始图像进行校正提取目标人脸图像才能判别摄像头前的人脸图像是来自合法用户还是非法用户，并不能实现计算机自动处理发型、服饰等因素的干扰，而且这种识别过程中存在对原始图像进行校正生成校正图像时的失真情况，且无法多视角角度自行判断人脸图像。

专利CN108564049A公开了一种基于深度学习的快速人脸检测识别方法，该方法包括离线网络搭建部分和在线流程设计部分。对于离线网络搭建部分，本发明设计的网络结构针对不同的尺度人脸分别训练检测器，区别于现有方法中在进行人脸检测时采用单一尺度的模板网络，并采用构建图像金字塔以多任务的方式训练和运行尺度特定的检测器。对于在线流程设计部分，设计使用FIFO的list的数据结构思想建立实时人脸特征缓冲池结构，将过程中最耗时的实时特征提取部分移到整个过程的最前端，以身份证读卡器对于身份证的检测作为触发点，并提出建立结果匹配映射表的方法，在三个方面进行创新，有效节省整个过程的时间，实现快速的人脸检测识别，得出人证是否合一的准确判断。其中专利CN108564049A设计的网络结构分为三个基本核心模块，即快速人脸检测模块、面部关键点定位模块和人脸特征提取模块，并不能实现计算机自动处理发型、服饰等因素的干扰，而且这种快速人脸识别过程中仅是克服了不同的尺度人脸识别的问题，并无法多视角角度自行判断人脸图像。

因此，需要提出一种用于人证校验的人证校验方法，以减少大量校正图像工作，达到减少成本的目的。

发明内容

本发明的目的在于，提供一种人证校验方法，以解决现有人工智能方法中无法对人证校验不能实现计算机自动处理，且存在发型、服饰等因素的干扰，并无法多视角角度自行判断人脸图像，通常依赖于大量的人工标注数据，所花费的成本较高的技术问题。

为实现上述目的，本发明提供一种人证校验方法，以下步骤：

获取待检测目标对象人脸图像步骤，从待检测的视频流中提取待检测目标对象人脸的原始图像；

生成目标图像集合及目标特征向量集合步骤，基于双重一致性自集成学习的半监督分类模块对所述目标对象人脸的原始图像处理生成目标图像集合及目标特征向量集合；所述目标特征向量集合包括人脸特征向量、发型特征向量和服饰特征向量；以及