人脸数据验证的方法和系统与流程

技术特征：

1.一种人脸数据验证方法，其特征在于，包括：

从第一数据库中获取多个源域数据集X_i以及从不同于所述第一数据库的第二数据库中获取目标域数据集X_t；

确定与目标域数据集X_t最佳匹配的潜子空间Z_t以及根据所述目标域数据集X_t和所述源域数据集X_i确定所述确定的潜子空间Z_t的后验分布P；

确定在所述目标域数据集X_t和所述源域数据集X_i之间共享的信息M；以及

根据所述后验分布P以及关于所述目标域数据集X_t和所述源域数据集X_i的所述共享信息M建立多任务学习模型L_model。

2.根据权利要求1所述的方法，其特征在于，所述确定所述后验分布P的步骤通过以下规则实施：

假如为了结合所述模型的形式而确定超参数θ，对于所述源域数据集X_i的数据x，所述隐子空间和所述超参数θ应与所述数据x最佳匹配。

3.根据权利要求1或2所述的方法，其特征在于，所述确定所述共享信息M的步骤通过将互信息熵扩展到所述后验分布P来实施。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述模型通过使所述后验分布P和所述共享信息M最大化来建立。

5.根据权利要求4所述的方法，其特征在于，还包括通过以下方式确定所述建立模型的所有参数的步骤：

随机初始化θ的超参数θ⁰；

将梯度下降过程应用于所述模型以获得

通过规则迭代θ，以使θ收敛到最优值。

6.根据权利要求1至5中任一项所述的方法，其特征在于，还包括：

从很多对人脸图像中确定多个训练数据。

7.根据权利要求6所述的方法，其特征在于，所述从每对人脸图像中确定多个训练数据的步骤还包括：

在两个人脸A和B的不同标志处，从第一人脸A获得第一多个多尺度特征m₁、m₂、……m_p，以及从第二人脸B获得第二多个多尺度特征n₁、n₂、……n_p；

确定相同标志处的每两个特征的相似性S₁、S₂、……S_p，其中S₁是指m₁和n₂的相似性，S₂是指m₂和n₂的相似性，S_p是指m_p和n_p的相似性。

8.根据权利要求7所述的方法，其特征在于，还包括：

将形成为输入向量x的S₁、S₂、……S_p输入到所述模型以通过以下规则确定所述第一和所述第二多尺度特征是否来自同一人：

假如有由S₁、S₂、……S_p形成的X的任何看不见的测试点x_*，其隐函数f_*的概率为

$f_{*}|X,y,x_{*}:N(K_{*}{K}^{-1}\hat{f},K_{**}-K_{*}{\tilde{K}}^{-1}{K}_{*}^T),$

其中K为核矩阵，

对f_*进行积分以求出类成员关系的概率，如下所示：

$\stackrel{\‾}{\mathrm{\π}}\left(f_{*}\right)=\∫\mathrm{\π}\left(f_{*}\right)P\left(f_{*}\right|X,y,x_{*}){\mathrm{df}}_{*}$

其中，如果所述人脸对的所述第一和第二多尺度特征来自同一个人，那么其对应标签y_i＝1，否则y_i＝–1。

9.根据权利要求6所述的方法，其特征在于，所述从一对人脸图像中确定多个训练数据的步骤还包括：

在两个人脸A和B的不同标志处，从第一人脸A获得第一多个多尺度特征m₁、m₂、……m_p，以及从第二人脸B获得第二多个多尺度特征n₁、n2、……n_p；

串联每对多尺度特征及其翻转版本以获得[m₁,n₁]和[n₁,m₁]，以便生成大小为2L的2P个多尺度特征[m₁,n₁]、[n₁,m₁]、……[m_p，n_p]、[n_p,m_p]作为对所述多任务学习模型的输入向量x。

10.根据权利要求9所述的方法，其特征在于，还包括：

将所述输入向量的数据点分组为C个不同的类，其中所述类的中心标记为所述类的协方差标记为所述类的权重标记为其中w_i为第i个类中数据点的数目与所有数据点的数目之比；

确定每个c_i的对应概率p_i和协方差

对于任何看不见的人脸图像对，计算每对块的联合特征向量x_*；

计算所述中心的一阶统计量和二阶统计量；

其中，x_*的统计量和协方差表示为其高维人脸特征，标记为其中以及

串联每对块中的所述高维特征以形成所述对人脸图像的最终的新高维特征，以便确定所述第一和所述第二多尺度特征是否来自同一个人。

11.一种人脸数据验证装置，包括模型建立模块，其中所述模型建立模块包括：

获取单元，用于从第一数据库中获取多个源域数据集Xi以及从不同于所述第一数据库的第二数据库中获取目标域数据集Xt；以及

模型建立器，用于：

确定与目标域数据集X_t最佳匹配的潜子空间Z_t以及根据所述目标域数据集X_t和所述源域数据集X_i确定所述确定的潜子空间Z_t的后验分布P；

确定在所述目标域数据集X_t和所述源域数据集X_i之间共享的信息M；以及

根据所述后验分布P以及关于所述目标域数据集X_t和所述源域数据集X_i的所述共享信息M建立多任务学习模型L_model。

12.根据权利要求11所述的方法，其特征在于，所述模型建立器用于确定所述后验分布P通过以下规则实施：

假如为了结合所述模型的形式而确定超参数θ，对于所述源域数据集X_i的数据x，所述隐子空间和所述超参数θ应与所述数据x最佳匹配。

13.根据权利要求11或12所述的方法，其特征在于，所述模型建立器用于确定所述共享信息M通过将互信息熵扩展到所述后验分布P来实施。

14.根据权利要求11至13中任一项所述的装置，其特征在于，所述模型建立器用于通过使所述后验分布P和所述共享信息M最大化来建立所述模型。

15.根据权利要求14所述的装置，其特征在于，还包括：

验证单元，用于通过以下方式确定所述建立模型的所有参数：

随机初始化θ的超参数θ⁰；

将梯度下降过程应用于所述模型以获得

通过规则迭代θ，以使θ收敛到最优值。

16.根据权利要求11至15中任一项所述装置，其特征在于，所述验证单元还用于从一对人脸图像中确定多个训练数据。

17.根据权利要求16所述装置，其特征在于，所述验证单元还用于通过以下方式从一对人脸图像中确定多个训练数据：

在两个人脸A和B的不同标志处，从第一人脸A获得第一多个多尺度特征m₁、m₂、……m_p，以及从第二人脸B获得第二多个多尺度特征n₁、n₂、……n_p；

确定相同标志处的每两个特征的相似性S₁、S₂、……S_p，其中S₁是指m₁和n₂的相似性，S₂是指m₂和n₂的相似性，S_p是指m_p和n_p的相似性。

18.根据权利要求17所述的装置，其特征在于，所述验证设备还用于：

将形成为输入向量x的S₁、S₂、……S_p输入到所述多任务学习模型以通过以下规则确定所述第一和所述第二多尺度特征是否来自同一人：

假如有由S₁、S₂、……S_p形成的X的任何即席测试点，其隐函数f_*的概率为

$f_{*}|X,y,x_{*}:N(K_{*}{K}^{-1}\hat{f},K_{**}-K_{*}{\tilde{K}}^{-1}{K}_{*}^T),$

其中K为核矩阵，

对f_*进行积分以求出类成员关系的概率，如下所示：

$\stackrel{\‾}{\mathrm{\π}}\left(f_{*}\right)=\∫\mathrm{\π}\left(f_{*}\right)p\left(f_{*}\right|X,y,x_{*}){\mathrm{df}}_{*}.$

其中，如果所述人脸对的所述第一和第二多尺度特征来自同一个人，那么其对应标签y_i＝1，否则y_i＝–1。

19.根据权利要求16所述装置，其特征在于，所述验证单元还用于通过以下方式从一对人脸图像中确定多个训练数据：

在两个人脸A和B的不同标志处，从第一人脸A获得第一多个多尺度特征m₁、m₂、……m_p，以及从第二人脸B获得第二多个多尺度特征n₁、n₂、……n_p；

串联每对多尺度特征及其翻转版本以获得[m₁,n₁]和[n₁,m₁]，以便生成大小为2L的2P个多尺度特征[m₁,n₁]、[n₁,m₁]、……[m_p,n_p]、[n_p,m_p]作为对所述多任务学习模型的输入向量x。

20.根据权利要求19所述的装置，其特征在于，所述验证设备还用于：

将所述输入向量的数据点分组为C个不同的类，其中所述类的中心标记为所述类的协方差标记为所述类的权重标记为其中w_i为第i个类中数据点的数目与所有数据点的数目之比；

确定每个c_i的对应概率p_i和协方差

对于任何即席人脸图像对，计算每对块的联合特征向量x_*；

计算所述中心的一阶统计量和二阶统计量；其中

x_*的统计量和协方差表示为其高维人脸特征，标记为其中和

串联每对块中的所述高维特征以形成所述对人脸图像的最终的新高维特征，以便确定所述第一和所述第二多尺度特征是否来自同一个人。

21.一种人脸数据验证的系统，其特征在于，包括：

从第一数据库中获得多个源域数据集以及从不同于所述第一数据库的第二数据库中获取目标域数据集的构件；

确定与目标域数据集X_t最佳匹配的潜子空间Z_t以及根据所述目标域数据集X_t和所述源域数据集X_i确定所述确定的潜子空间Z_t的后验分布P的构件；

确定在所述目标域数据集X_t和所述源域数据集X_i之间共享的信息的构件；以及

根据所述后验分布P以及关于所述目标域数据集X_t和所述源域数据集X_i的所述共享信息M建立多任务学习模型L_model。