一种人脸验证方法及装置的制造方法
【专利摘要】本发明公开了一种人脸验证方法及装置，其中该方法包括:获取需验证的网纹人脸图像及初始人脸图像；利用预设去网纹模型对网纹人脸图像进行去网纹操作，得到去网纹人脸图像；通过预设去网纹人脸验证模型对去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过预设去网纹人脸验证模型对初始人脸图像进行特征提取，得到初始人脸特征；基于去网纹人脸特征和初始人脸特征，对去网纹人脸图像和初始人脸图像进行验证。本发明根据预先训练好的去网纹模型及去网纹人脸验证模型，对需要验证的网纹人脸图像及初始人脸图像进行自动处理分析，不需要专业人员人工操作，自动判别出网纹人脸图像和初始人脸图像是否为同一人，提高人脸验证的效率及准确度。
【专利说明】
一种人脸验证方法及装置
技术领域
[0001 ]本发明属于通信技术领域，尤其涉及一种人脸验证方法及装置。
【背景技术】
[0002]随着互联网技术的迅速发展，通过人脸验证来保障用户账号安全性也显得尤为重要。人脸验证，是人脸识别领域的一个分支，使用人脸验证算法可全自动对两张人脸照片进行验证，判别是否为同一人。这种方式可用于互联网金融等多个场景下的用户人脸身份核实。
[0003]目前，为了保护公民隐私安全，在照片外传时会添加网纹水印，从而得到网纹照片，比如，身份证人脸照、社保卡人脸照、通行证人脸照等证件照片。在对网纹照片进行人脸验证时，需要专业人员用去噪算法从网纹照片中去除网纹，然后再对去除网纹后的照片进行修复等，最后才能对该网纹照片进行验证。
[0004]在对现有技术的研究和实践过程中，本发明的发明人发现，由于现有去除网纹的图像处理方式需要人工进行，且对操作人员的专业技术要求较高，因此会导致人脸验证的效率较低，人脸验证准确度不高的问题。
【发明内容】
[0005]本发明的目的在于提供一种人脸验证方法及装置，旨在提高人脸验证的效率以及准确度。
[0006]为解决上述技术问题，本发明实施例提供以下技术方案:
[0007]一种人脸验证方法，其中包括:
[0008]获取需验证的网纹人脸图像以及初始人脸图像；
[0009]利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像；
[0010]通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征；
[0011]基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。
[0012]为解决上述技术问题，本发明实施例还提供以下技术方案:
[0013]一种人脸验证装置，其中包括:
[0014]获取单元，用于获取需验证的网纹人脸图像以及初始人脸图像；
[0015]第一去网纹单元，用于利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像；
[0016]特征提取单元，用于通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征；
[0017]验证单元，用于基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。
[0018]相对于现有技术，本发明实施例，首先，利用预设的去网纹模型自动对需要验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像;然后，再通过预设的去网纹人脸验证模型对去网纹人脸图像以及初始人脸图像分别进行特征提取，得到去网纹人脸特征以及初始人脸特征；最后基于去网纹人脸特征和初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证;即本发明实施例根据预先训练好的去网纹模型以及去网纹人脸验证模型，对需要验证的网纹人脸图像以及初始人脸图像进行自动的处理分析，不需要专业人员人工操作，可以自动地判别出网纹人脸图像和初始人脸图像是否为同一人，提高了人脸验证的效率以及准确度。
【附图说明】
[0019]下面结合附图，通过对本发明的【具体实施方式】详细描述，将使本发明的技术方案及其它有益效果显而易见。
[0020]图1a是本发明实施例提供的人脸验证方法的场景示意图；
[0021 ]图1b是本发明第一实施例提供的人脸验证方法的流程示意图；
[0022]图1c是本发明第一实施例提供的人脸验证方法中网纹人脸图像的示意图；
[0023]图2a为本发明第二实施例提供的人脸验证方法的流程示意图；
[0024]图2b至图2e为本发明第二实施例提供的人脸验证方法中详细流程示意图；
[0025]图3a为本发明第三实施例提供的人脸验证装置的结构示意图；
[0026]图3b为本发明第三实施例提供的人脸验证装置的另一结构示意图；
[0027]图4为本发明第四实施例提供的服务器的结构示意图。
【具体实施方式】
[0028]请参照图式，其中相同的组件符号代表相同的组件，本发明的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例，其不应被视为限制本发明未在此详述的其它具体实施例。
[0029]在以下的说明中，本发明的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本发明原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
[0030]本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法优选的以软件的方式进行实施，当然也可在硬件上进行实施，均在本发明保护范围之内。[0031 ]本发明实施例提供一种人脸验证方法及装置。
[0032]参见图la，该图为本发明实施例所提供的人脸验证方法的场景示意图，该场景可以包括人脸验证装置，主要用于获取需验证的网纹人脸图像以及初始人脸图像，首先利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像;然后，通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征;最后，基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进彳丁人脸验证，等等。
[0033]此外，该场景中还可以包括存储器，主要用于存储预设的去网纹模型以及预设的去网纹人脸验证模型，并提供给人脸验证装置调用，以分别进行去网纹操作以及特征提取等。当然，该场景中还可以包括用户终端，用于接收用户输入的需进行人脸验证的网纹人脸图像以及初始人脸图像，如身份证人脸图像以及自拍人脸图像，并发送至人脸验证装置进行人脸验证。
[0034]以下将分别进行详细说明。
[0035]第一实施例
[0036]在本实施例中，将从人脸验证装置的角度进行描述，该人脸验证装置具体可以集成在服务器等网络设备中。
[0037]一种人脸验证方法，包括:获取需验证的网纹人脸图像以及初始人脸图像;利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像;通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征；基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。
[0038]请参阅图lb，图1b是本发明第一实施例提供的人脸验证方法的流程示意图。所述方法包括:
[0039]在步骤SlOl中，获取需验证的网纹人脸图像以及初始人脸图像。
[0040]在步骤S102中，利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像。
[0041 ] 其中，所述步骤SlOl与步骤S102可具体为:
[0042]比如，人脸验证装置先获取需验证的网纹人脸图像以及初始人脸图像，然后判别该网纹人脸图像以及初始人脸图像中的人脸是否为同一人，以完成人脸验证。
[0043]其中，本发明实施例中，网纹人脸图像是指在添加了网纹水印的人脸照片，如身份证人脸照、社保卡人脸照、通行证人脸照等证件照片，可一并参考图lc，为网纹人脸图像的简单示意图；初始人脸图像指无网纹水印的人脸照片，如用户自己拍摄的人脸照片等。
[0044]可以理解的是，本发明实施例中，在获取需验证的网纹人脸图像以及初始人脸图像之前，需要生成预设的去网纹模型，其中可具体包括如下步骤:
[0045](I)搜集第一类人脸图像，并根据所述第一类人脸图像构建第一人脸数据集。
[0046](2)基于预设网纹水印，对所述第一人脸数据集进行合成，得到第一网纹人脸数据集。
[0047](3)利用所述第一人脸数据集和所述第一网纹人脸数据集进行去网纹卷积神经网络训练，生成去网纹模型。
[0048](4)将所述去网纹模型确定为预设的去网纹模型。
[0049]比如，人脸验证装置搜集多张人脸照片，并将该多张人脸照片确定为第一类人脸图像，根据第一类人脸图像构建第一人脸数据集，将该第一人脸数据集记录于预设存储器中，以便调用。
[0050]进一步的，人脸验证装置利用预设的网纹水印，对第一人脸数据集中的第一类人脸图像进行合成，即在第一类人脸图像上添加网纹水印，从而得到第一网纹人脸数据集。然后，人脸验证装置利用该第一人脸数据集和第一网纹人脸数据集进行去网纹卷积神经网络训练，从而生成去网纹模型。
[0051 ] 其中，去网纹卷积神经网络即为去网纹CNN网络，可包括卷积层(convoIut1n)、归一化层(batch_normalizat1n)、反卷积层(deconvolut1n)等。本发明实施例中，去网纹卷积神经网络训练的优化目标为使得去网纹后的人脸照和对应的原始人脸照的像素值差的绝对值和为最小。
[0052]可以理解的是，具体的卷积层、归一化层、反卷积层的定义及去网纹卷积神经网络的训练方式可以参考现有的深度神经网络训练框架去实现，此处不作具体描述。
[0053]需要说明的是，本发明实施例中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个类型的照片等，而不是用于表示各个类型的照片之间的逻辑关系或者顺序关系等。
[0054]在步骤S103中，通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征。
[0055]比如，人脸验证装置可以预先生成去网纹人脸验证模型，并保存在存储器中，在对需验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像之后，调用预设的去网纹人脸验证模型，分别对去网纹人脸图像和初始人脸图像进行特征提取，从而得到去网纹人脸特征以及初始人脸特征。
[0056]其中，本发明实施例中，特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域，以便人脸验证装置根据特征提取的结果进行对比和判别。
[0057]可以理解的是，本发明实施例中，人脸验证装置在获取需验证的网纹人脸图像以及初始人脸图像之前，需要生成第一人脸验证模型，从而根据该第一人脸验证模型生成预设的去网纹人脸验证模型，其中生成第一人脸验证模型可具体包括如下步骤:
[0058](a)搜集第二类人脸图像，并根据所述第二类人脸图像构建第二人脸数据集；
[0059](b)获取所述第二人脸数据集对应的第三类人脸图像，并根据所述第三类人脸图像构建第三人脸数据集；
[0060](c)利用所述第二人脸数据集和所述第三人脸数据集进行人脸验证卷积神经网络训练，生成第一人脸验证模型。
[0061]比如，人脸验证装置搜集多张人脸照片，并将该多张人脸照片确定为第二类人脸图像，根据第二类人脸图像构建第二人脸数据集，将该第二人脸数据集记录于预设存储器中，以便调用。
[0062]需要说明的是，本发明实施例中，所述第一类人脸图像和所述第二类人脸图像均可以为身份证人脸照片，可是，所述第一类人脸图像与所述第二类人脸图像均不相同，如，身份证人脸照片A如果属于第一类人脸图像，则身份证人脸照片A就不属于第二类人脸图像。也就是说，第一人脸数据集与第二人脸数据集中的人脸图像不重复。
[0063]进一步的，步骤(b)中获取第二人脸数据集对应的第三类人脸图像，可以包括:获取身份证人脸照片(即第二人脸数据集中的第二类人脸图像)对应的自拍人脸照片(即第三类人脸图像)，并根据所述自拍人脸照片构建自拍人脸照片的数据集。
[0064]随后，人脸验证装置利用第二人脸数据集和第三人脸数据集进行人脸验证卷积神经网络训练，从而生成第一人脸验证模型，并根据该第一人脸验证模型生成预设的去网纹人脸验证模型，其中生成去网纹人脸验证模型可具体包括如下步骤:
[0065](d)基于预设网纹水印，对所述第二人脸数据集进行合成，得到第二网纹人脸数据集；
[0066](e)利用所述去网纹模型对所述第二网纹人脸数据集中的每张图像进行去网纹操作，生成去网纹人脸数据集；
[0067](f)根据所述去网纹人脸数据集和所述第三人脸数据集，对所述第一人脸验证模型进行网络微调，生成第二人脸验证模型；
[0068](g)将所述第二人脸验证模型确定为预设的去网纹人脸验证模型。
[0069]比如，人脸验证装置基于预设网纹水印，对步骤(a)得到的第二人脸数据集中的第二类人脸图像添加网纹水印，从而得到第二网纹人脸数据集;其后，利用步骤(3)得到的去网纹模型对该第二网纹人脸数据集中的每张图像进行去网纹操作;最后，根据去网纹人脸数据集和第三人脸数据集，对步骤(C)得到的第一人脸验证模型进行网络微调，从而生成第二人脸验证模型，即预设的去网纹人脸验证模型。
[0070]在该实施例中，第一人脸验证模型可理解为“第二类人脸-第三类人脸”的验证模型，如“身份证人脸-自拍人脸”验证模型;第二人脸验证模型可理解为“去网纹人脸-第三类人脸”的验证模型，如“去网纹身份证人脸-自拍人脸”验证模型。
[0071 ] 可以理解的是，人脸验证卷积神经网络可以具体参考现有深度神经网络人脸验证算法进行实现，网络的训练方式以及网络微调的方式可参考现有深度神经网络训练框架去实现，此处不作具体描述。
[0072]在步骤S104中，基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。
[0073]比如，人脸验证装置基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证的方式可具体包括:
[0074]S1041、对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算，得到相似值；
[0075]S1042、基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人；
[0076]S1043、若判断出属于同一人，则确定人脸验证通过；
[0077]S1044、若判断出不属于同一人，则确定人脸验证不通过。
[0078]比如，人脸验证装置对述去网纹人脸特征和所述初始人脸特征进行特征距离计算，以得到所述去网纹人脸特征和所述初始人脸特征之间的相似度。
[0079]进一步的，基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人(即步骤S1042)可以具体包括:
[0080](— )若所述相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人；
[0081](二)若所述相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人。
[0082]在某些实施方式中，对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算(即步骤S1041)可以包括:利用欧式距离算法、余弦距离算法、联合贝叶斯算法以及度量学习算法中的任一种，对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算。
[0083]其中，如果相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人，即人脸验证装置确定人脸验证通过，如果相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人，即人脸验证装置确定人脸验证不通过。
[0084]由上述可知，本发明实施例提供的人脸验证方法，首先，利用预设的去网纹模型自动对需要验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像;然后，再通过预设的去网纹人脸验证模型对去网纹人脸图像以及初始人脸图像分别进行特征提取，得到去网纹人脸特征以及初始人脸特征;最后基于去网纹人脸特征和初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证;即本发明实施例根据预先训练好的去网纹模型以及去网纹人脸验证模型，对需要验证的网纹人脸图像以及初始人脸图像进行自动的处理分析，不需要专业人员人工操作，可以自动地判别出网纹人脸图像和初始人脸图像是否为同一人，提高了人脸验证的效率以及准确度。
[0085]第二实施例
[0086]根据第一实施例所描述的方法，以下将举例作进一步详细说明。
[0087]本实施例中，以网纹身份证人脸照片以及用户的自拍人脸照片为例，对网纹身份证人脸照片及自拍人脸照片的验证过程进行详细说明。
[0088]请参阅图2a，图2a为本发明第二实施例提供的人脸验证方法的流程示意图。所述方法流程主要包括:S21、生成去网纹模型；S22、生成身份证人脸-自拍人脸的验证模型；S23、生成去网纹身份证人脸-自拍人脸的验证模型；S24、对网纹身份证人脸图像和自拍人脸图像进行验证。可具体如下:
[0089]S21、生成去网纹模型。
[0090]可一并参考图2b，为本发明生成去网纹模型的流程示意图，其中包括:
[0091 ]步骤S211:构建身份证人脸照数据集I。
[0092]比如，人脸验证装置搜集身份证人脸图像，并根据该身份证人脸图像构建身份证人脸照数据集I。
[0093 ] 步骤S212:生成网纹身份证人脸照。
[0094]步骤S213:构建网纹身份证人脸照数据集I。
[0095]比如，人脸验证装置随机选取多个网纹水印，对身份证人脸照数据集I中的每一张人脸照进行网纹水印合成，从而得到多张对应的网纹身份证人脸照，用于完成构建网纹身份证人脸照数据集I。
[0096]可以理解的是，网纹水印的合成过程可具体如下:预先制作多个网纹水印，通过直接将网纹部分像素值替换身份证人脸照图像像素值，或者将水印像素值和身份证人脸照图像像素值按一定比例融合的方式完成网纹身份证人脸照的合成，等等，此处不作具体限定。
[0097]步骤S214:去网纹卷积神经网络训练，生成去网纹模型。
[0098]比如，人脸验证装置利用身份证人脸照数据集I和对应的网纹身份证人脸照数据集I进行去网纹CNN(卷积神经)网络训练，获得去网纹模型。其中，去网纹CNN网络包括卷积层、归一化层、反卷积层等，训练优化目标为去网纹后的身份证人脸照和对应的原始身份证人脸照的像素值差的绝对值和为最小。
[0099]可以理解的是，具体的卷积层、归一化层、反卷积层的定义及去网纹卷积神经网络的训练方式可以参考现有的深度神经网络训练框架去实现，此处不作具体描述。
[0100]S22、生成身份证人脸-自拍人脸的验证模型。
[0101]可一并参考图2c，为本发明身份证人脸-自拍人脸的验证模型的流程示意图，其中包括:
[0102]步骤S221:构建身份证人脸照数据集2。
[0103]比如，人脸验证装置搜集身份证人脸图像，并根据该身份证人脸图像构建身份证人脸照数据集2。
[0104]需要说明的是，本发明实施例中，所述身份证人脸照数据集I与所述身份证人脸照数据集2中的照片均不相同，如，身份证人脸照片A如果属于身份证人脸照数据集I，则身份证人脸照片A就不属于身份证人脸照数据集2。也就是说，身份证人脸照数据集I与身份证人脸照数据集I中的人脸图像不重复。
[0105]步骤S222:构建自拍人脸照数据集I。
[0106]比如，人脸验证装置搜集身份证人脸照数据集2中身份证人脸照身份所对应人的自拍人脸照，并根据自拍人脸照构建自拍人脸照数据集I。
[0107]步骤S223:人脸验证卷积神经网络训练，生成身份证人脸-自拍人脸的验证模型。
[0108]比如，人脸验证装置利用身份证人脸照数据集2和自拍人脸照数据集I进行人脸验证CNN网络训练，获得“身份证人脸-自拍人脸”验证模型。
[0109]S23、生成去网纹身份证人脸-自拍人脸的验证模型。
[0110]可一并参考图2d，为本发明生成去网纹身份证人脸-自拍人脸的验证模型的流程示意图，其中包括:
[0111]步骤S231:构建网纹身份证人脸照数据集2。
[0112]比如，人脸验证装置使用身份证人脸照数据集2进行网纹身份证人脸照生成，并构建网纹身份证人脸照数据集2。其中，网纹身份证人脸照数据集2中网纹身份证人脸照生成的过程同步骤S212及步骤S213。
[0113]步骤S232:对网纹身份证人脸照数据集2进行去网纹操作，生成去网纹身份证人脸照数据集。
[0114]比如，人脸验证装置使用步骤S214中获得的去网纹模型对网纹身份证人脸照数据集2中的每张图片进行去网纹操作，生成去网纹身份证人脸照数据集。
[0115]步骤S233:对身份证人脸-自拍人脸的验证模型进行网络微调，生成去网纹身份证人脸-自拍人脸的验证模型。
[0116]比如，人脸验证装置使用去网纹身份证人脸照数据集和自拍照人脸数据集I对步骤S223中获得的“身份证人脸-自拍人脸”验证模型进行网络微调，获得“去网纹身份证人脸-自拍人脸”验证模型。
[0117]可以理解的是，人脸验证CNN网络可以具体参考现有深度神经网络人脸验证算法进行实现，网络的训练方式以及网络微调的方式可参考现有深度神经网络训练框架去实现，此处不作具体描述。
[0118]S24、对网纹身份证人脸图像和自拍人脸图像进行验证。
[0119]可一并参考图2e，为本发明对网纹身份证人脸图像和自拍人脸图像进行验证的流程示意图，其中包括:
[0120]步骤S241:对网纹身份证人脸照进行去网纹操作，生成去网纹身份证人脸照。
[0121]比如，人脸验证装置使用步骤S214中获得的去网纹模型对输入的一张网纹身份证人脸照进行去网纹操作，获得去网纹身份证人脸照。
[0122]步骤S242:对去网纹身份证人脸照进行特征提取，得到去网纹身份证人脸特征。
[0123]步骤S243:对自拍人脸照进行特征提取，得到自拍人脸特征。
[0124]进一步的，人脸验证装置使用步骤S233中获得的“去网纹身份证人脸-自拍人脸”验证模型对去网纹身份证人脸照进行特征提取，获得去网纹身份证人脸特征；使用步骤S233中获得的“去网纹身份证人脸-自拍人脸”验证模型对自拍人脸照进行特征提取，获得自拍人脸特征。
[0125]步骤S244:对去网纹身份证人脸特征以及自拍人脸特征进行特征距离计算。
[0126]比如，人脸验证装置计算去网纹身份证人脸特征和自拍人脸特征之间的相似度。其中，相似度的计算可以使用欧式距离、COS距离、或者使用更为高级的联合贝叶斯方法或度量学习方法等。
[0127]步骤S245:根据计算结果获取人脸验证结果。
[0128]比如，人脸验证装置通过将相似度计算结果与预设阈值相比较，获得最终的验证结果，判定网纹身份证人脸照和自拍人脸照是否属于同一人。
[0129]可具体的，如果相似度超过预设阈值，则确定相应的网纹身份证人脸照和自拍人脸照属于同一人，即人脸验证装置确定人脸验证通过，如果相似度不超过预设阈值，则确定相应的网纹身份证人脸照和自拍人脸照不属于同一人，即人脸验证装置确定人脸验证不通过。
[0130]需要说明的是，本实施例中生成去网纹模型可以通过现有图像分割加图像修补的方式代替实现，生成身份证人脸-自拍人脸的验证模型可以直接通过现有高维特征方法进行实现，生成去网纹身份证人脸-自拍人脸的验证模型可以使用现有迀移学习的方法进行实现，此处不作具体描述。
[0131]也就是说，本发明实施例通过预处理网纹身份证人脸照，并使用预处理后网纹身份证人脸照和自拍人脸照进行人脸验证模型的训练方法，并以此获得高准确率的“网纹身份证人脸照-自拍人脸照”验证算法。另容易想到的是，本实施例中身份证人脸照也可以为护照人脸照、社保卡人脸照等类型的照片，此处举例不构成对本发明的限定。
[0132]由上述可知，本发明实施例提供的人脸验证方法，首先，利用预设的去网纹模型自动对需要验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像;然后，再通过预设的去网纹人脸验证模型对去网纹人脸图像以及初始人脸图像分别进行特征提取，得到去网纹人脸特征以及初始人脸特征;最后基于去网纹人脸特征和初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证;即本发明实施例根据预先训练好的去网纹模型以及去网纹人脸验证模型，对需要验证的网纹人脸图像以及初始人脸图像进行自动的处理分析，不需要专业人员人工操作，可以自动地判别出网纹人脸图像和初始人脸图像是否为同一人，提高了人脸验证的效率以及准确度。
[0133]第三实施例
[0134]为便于更好的实施本发明实施例提供的人脸验证方法，本发明实施例还提供一种基于上述人脸验证方法的装置。其中名词的含义与上述人脸验证的方法中相同，具体实现细节可以参考方法实施例中的说明。
[0135]请参阅图3a，图3a为本发明实施例提供的人脸验证装置的结构示意图，其中可以包括获取单元301、第一去网纹单元302、特征提取单元303以及验证单元304。
[0136]所述获取单元301，用于获取需验证的网纹人脸图像以及初始人脸图像;所述第一去网纹单元302，用于利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像。
[0137]比如，人脸验证装置先获取需验证的网纹人脸图像以及初始人脸图像，然后判别该网纹人脸图像以及初始人脸图像中的人脸是否为同一人，以完成人脸验证。
[0138]其中，本发明实施例中，网纹人脸图像是指在添加了网纹水印的人脸照片，如身份证人脸照、社保卡人脸照、通行证人脸照等证件照片;初始人脸图像指无网纹水印的人脸照片，如用户自己拍摄的人脸照片等。
[0139]所述特征提取单元303，用于通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征;所述验证单元304，用于基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。
[0140]可以理解的是，本发明实施例中，在获取需验证的网纹人脸图像以及初始人脸图像之前，需要生成预设的去网纹模型，请一并参考图3b，为人脸验证装置的另一结构示意图，所述人脸验证装置还可以包括:
[ΟΙ41 ] 第一构建单元3051、第一合成单元3052、第一训练单元3053以及第一确定单元3054，用于生成预设的去网纹模型，可具体的:
[0142]所述第一构建单元3051，用于搜集第一类人脸图像，并根据所述第一类人脸图像构建第一人脸数据集;所述第一合成单元3052，用于基于预设网纹水印，对所述第一人脸数据集进行合成，得到第一网纹人脸数据集。
[0143]所述第一训练单元3053，用于利用所述第一人脸数据集和所述第一网纹人脸数据集进行去网纹卷积神经网络训练，生成去网纹模型;所述第一确定单元3054，用于将所述去网纹模型确定为预设的去网纹模型。
[0144]比如，人脸验证装置搜集多张人脸照片，并将该多张人脸照片确定为第一类人脸图像，根据第一类人脸图像构建第一人脸数据集，将该第一人脸数据集记录于预设存储器中，以便调用。
[0145]进一步的，人脸验证装置利用预设的网纹水印，对第一人脸数据集中的第一类人脸图像进行合成，即在第一类人脸图像上添加网纹水印，从而得到第一网纹人脸数据集。然后，人脸验证装置利用该第一人脸数据集和第一网纹人脸数据集进行去网纹卷积神经网络训练，从而生成去网纹模型。
[0146]其中，去网纹卷积神经网络即为去网纹CNN网络，可包括卷积层、归一化层、反卷积层等。本发明实施例中，去网纹卷积神经网络训练的优化目标为使得去网纹后的人脸照和对应的原始人脸照的像素值差的绝对值和为最小。
[0147]可以理解的是，具体的卷积层、归一化层、反卷积层的定义及去网纹卷积神经网络的训练方式可以参考现有的深度神经网络训练框架去实现，此处不作具体描述。
[0148]需要说明的是，本发明实施例中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个类型的照片等，而不是用于表示各个类型的照片之间的逻辑关系或者顺序关系等。
[0149]比如，人脸验证装置可以预先生成去网纹人脸验证模型，并保存在存储器中，在对需验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像之后，调用预设的去网纹人脸验证模型，分别对去网纹人脸图像和初始人脸图像进行特征提取，从而得到去网纹人脸特征以及初始人脸特征。
[0150]其中，本发明实施例中，特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域，以便人脸验证装置根据特征提取的结果进行对比和判别。
[0151]可以理解的是，本发明实施例中，人脸验证装置在获取需验证的网纹人脸图像以及初始人脸图像之前，需要生成第一人脸验证模型，从而根据该第一人脸验证模型生成预设的去网纹人脸验证模型，可参考图3b，所述人脸验证装置还可以包括:第二构建单元3061、第三构建单元3062以及第二训练单元3063，用于生成第一人脸验证模型，可具体的:
[0152]所述第二构建单元3061，用于搜集第二类人脸图像，并根据所述第二类人脸图像构建第二人脸数据集。
[0153]所述第三构建单元3062，用于获取所述第二人脸数据集对应的第三类人脸图像，并根据所述第三类人脸图像构建第三人脸数据集;所述第二训练单元3063，用于利用所述第二人脸数据集和所述第三人脸数据集进行人脸验证卷积神经网络训练，生成第一人脸验证模型。
[0154]比如，人脸验证装置搜集多张人脸照片，并将该多张人脸照片确定为第二类人脸图像，根据第二类人脸图像构建第二人脸数据集，将该第二人脸数据集记录于预设存储器中，以便调用。
[0155]需要说明的是，本发明实施例中，所述第一类人脸图像和所述第二类人脸图像均可以为身份证人脸照片，可是，所述第一类人脸图像与所述第二类人脸图像均不相同，如，身份证人脸照片A如果属于第一类人脸图像，则身份证人脸照片A就不属于第二类人脸图像。也就是说，第一人脸数据集与第二人脸数据集中的人脸图像不重复。
[0156]进一步的，中获取第二人脸数据集对应的第三类人脸图像，可以包括:获取身份证人脸照片(即第二人脸数据集中的第二类人脸图像)对应的自拍人脸照片(即第三类人脸图像)，并根据所述自拍人脸照片构建自拍人脸照片的数据集。
[0157]随后，人脸验证装置利用第二人脸数据集和第三人脸数据集进行人脸验证卷积神经网络训练，从而生成第一人脸验证模型，并根据该第一人脸验证模型生成预设的去网纹人脸验证模型，可参考图3b，所述人脸验证装置还可以包括:第二合成单元3071、第二去网纹单元3072、微调单元3073以及第二确定单元3074，用于生成预设的去网纹人脸验证模型，可具体的:
[0158]所述第二合成单元3071，用于基于预设网纹水印，对所述第二人脸数据集进行合成，得到第二网纹人脸数据集;所述第二去网纹单元3072，用于利用所述去网纹模型对所述第二网纹人脸数据集中的每张图像进行去网纹操作，生成去网纹人脸数据集。
[0159]所述微调单元3073，用于根据所述去网纹人脸数据集和所述第三人脸数据集，对所述第一人脸验证模型进行网络微调，生成第二人脸验证模型;所述第二确定单元3074，用于将所述第二人脸验证模型确定为预设的去网纹人脸验证模型。
[0160]比如，人脸验证装置基于预设网纹水印，对得到的第二人脸数据集中的第二类人脸图像添加网纹水印，从而得到第二网纹人脸数据集;其后，利用得到的去网纹模型对该第二网纹人脸数据集中的每张图像进行去网纹操作;最后，根据去网纹人脸数据集和第三人脸数据集，对得到的第一人脸验证模型进行网络微调，从而生成第二人脸验证模型，即预设的去网纹人脸验证模型。
[0161]在该实施例中，第一人脸验证模型可理解为“第二类人脸-第三类人脸”的验证模型，如“身份证人脸-自拍人脸”验证模型;第二人脸验证模型可理解为“去网纹人脸-第三类人脸”的验证模型，如“去网纹身份证人脸-自拍人脸”验证模型。
[0162]可以理解的是，人脸验证卷积神经网络可以具体参考现有深度神经网络人脸验证算法进行实现，网络的训练方式以及网络微调的方式可参考现有深度神经网络训练框架去实现，此处不作具体描述。
[0163]可具体的，所述验证单元304可以包括:
[0164]计算子单元3041，用于对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算，得到相似值;判断子单元3042，用于基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人。
[0? 65]第一确定子单元3043，用于若判断出属于同一人，则确定人脸验证通过;第二确定子单元3044，用于若判断出不属于同一人，则确定人脸验证不通过。
[0166]比如，人脸验证装置对述去网纹人脸特征和所述初始人脸特征进行特征距离计算，以得到所述去网纹人脸特征和所述初始人脸特征之间的相似度。
[0167]其中，所述判断子单元3042可以具体用于:若所述相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人，若所述相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人。
[0168]在某些实施方式中，所述计算子单元3041可以具体用于:利用欧式距离算法、余弦距离算法、联合贝叶斯算法以及度量学习算法中的任一种，对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算。
[0169]其中，如果相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人，即人脸验证装置确定人脸验证通过，如果相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人，即人脸验证装置确定人脸验证不通过。
[0170]具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0171]该人脸验证装置具体可以集成在服务器等网络设备中。
[0172]由上述可知，本发明实施例提供的人脸验证装置，首先，利用预设的去网纹模型自动对需要验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像;然后，再通过预设的去网纹人脸验证模型对去网纹人脸图像以及初始人脸图像分别进行特征提取，得到去网纹人脸特征以及初始人脸特征;最后基于去网纹人脸特征和初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证;即本发明实施例根据预先训练好的去网纹模型以及去网纹人脸验证模型，对需要验证的网纹人脸图像以及初始人脸图像进行自动的处理分析，不需要专业人员人工操作，可以自动地判别出网纹人脸图像和初始人脸图像是否为同一人，提高了人脸验证的效率以及准确度。
[0173]第四实施例
[0174]本发明实施例还提供一种服务器，其中可以集成本发明实施例的人脸验证装置，如图4所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲:
[0175]该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频(Rad1 Frequency，RF)电路403、电源404、输入单元405、以及显示单元406等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中:
[0176]处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
[0177]存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
[0178]RF电路403可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器401处理;另外，将涉及上行的数据发送给基站。通常，RF电路403包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此夕卜，RF电路403还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobilecommunicat1n)、通用分组无线服务(GPRS,General Packet Rad1 Service)、码分多址(CDMA,Code Divis1n Multiple Access)、宽带码分多址(WCDMA，Wideband CodeDivis1n Multiple Access)、长期演进(LTE，Long Term Evolut1n)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
[0179]服务器还包括给各个部件供电的电源404(比如电池)，优选的，电源可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0180]该服务器还可包括输入单元405，该输入单元405可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
[0181]该服务器还可包括显示单元406，该显示单元406可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元406可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(0LED，0rganic Light-EmittingD1de)等形式来配置显示面板。
[0182]具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下:
[0183]获取需验证的网纹人脸图像以及初始人脸图像;利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像;通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征;基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。
[0184]优选的，所述处理器401还可以用于:搜集第一类人脸图像，并根据所述第一类人脸图像构建第一人脸数据集;基于预设网纹水印，对所述第一人脸数据集进行合成，得到第一网纹人脸数据集;利用所述第一人脸数据集和所述第一网纹人脸数据集进行去网纹卷积神经网络训练，生成去网纹模型;将所述去网纹模型确定为预设的去网纹模型。
[0185]优选的，所述处理器401还可以用于:搜集第二类人脸图像，并根据所述第二类人脸图像构建第二人脸数据集;获取所述第二人脸数据集对应的第三类人脸图像，并根据所述第三类人脸图像构建第三人脸数据集;利用所述第二人脸数据集和所述第三人脸数据集进行人脸验证卷积神经网络训练，生成第一人脸验证模型。
[0186]优选的，所述处理器401还可以用于:基于预设网纹水印，对所述第二人脸数据集进行合成，得到第二网纹人脸数据集;利用所述去网纹模型对所述第二网纹人脸数据集中的每张图像进行去网纹操作，生成去网纹人脸数据集;根据所述去网纹人脸数据集和所述第三人脸数据集，对所述第一人脸验证模型进行网络微调，生成第二人脸验证模型;将所述第二人脸验证模型确定为预设的去网纹人脸验证模型。
[0187]优选的，所述处理器401还可以用于:对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算，得到相似值;基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人;若判断出属于同一人，则确定人脸验证通过;若判断出不属于同一人，则确定人脸验证不通过。
[0188]优选的，所述处理器401还可以用于:若所述相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人;若所述相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人。
[0189]优选的，所述处理器401还可以用于:利用欧式距离算法、余弦距离算法、联合贝叶斯算法以及度量学习算法中的任一种，对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算。
[0190]由上述可知，本发明实施例提供的服务器中，首先，利用预设的去网纹模型自动对需要验证的网纹人脸图像进行去网纹操作，得到去网纹人脸图像;然后，再通过预设的去网纹人脸验证模型对去网纹人脸图像以及初始人脸图像分别进行特征提取，得到去网纹人脸特征以及初始人脸特征;最后基于去网纹人脸特征和初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证；即本发明实施例根据预先训练好的去网纹模型以及去网纹人脸验证模型，对需要验证的网纹人脸图像以及初始人脸图像进行自动的处理分析，不需要专业人员人工操作，可以自动地判别出网纹人脸图像和初始人脸图像是否为同一人，提高了人脸验证的效率以及准确度。
[0191 ]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对人脸验证方法的详细描述，此处不再赘述。
[0192]本发明实施例提供的所述人脸验证装置，譬如为计算机、平板电脑、具有触摸功能的手机等等，所述人脸验证装置与上文实施例中的人脸验证方法属于同一构思，在所述人脸验证装置上可以运行所述人脸验证方法实施例中提供的任一方法，其具体实现过程详见所述人脸验证方法实施例，此处不再赘述。
[0193]需要说明的是，对本发明所述人脸验证方法而言，本领域普通测试人员可以理解实现本发明实施例所述人脸验证方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在终端的存储器中，并被该终端内的至少一个处理器执行，在执行过程中可包括如所述人脸验证方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(R0M，Read OnlyMemory)、随机存取记忆体(RAM,Random Access Memory)等。
[0194]对本发明实施例的所述人脸验证装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
[0195]以上对本发明实施例所提供的一种人脸验证方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在【具体实施方式】及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
【主权项】
1.一种人脸验证方法，其特征在于，包括: 获取需验证的网纹人脸图像以及初始人脸图像； 利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像；通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征； 基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。2.根据权利要求1所述的人脸验证方法，其特征在于，所述获取网纹人脸图像以及初始人脸图像之前，还包括: 搜集第一类人脸图像，并根据所述第一类人脸图像构建第一人脸数据集； 基于预设网纹水印，对所述第一人脸数据集进行合成，得到第一网纹人脸数据集； 利用所述第一人脸数据集和所述第一网纹人脸数据集进行去网纹卷积神经网络训练，生成去网纹模型； 将所述去网纹模型确定为预设的去网纹模型。3.根据权利要求2所述的人脸验证方法，其特征在于，所述获取网纹人脸图像以及初始人脸图像之前，还包括: 搜集第二类人脸图像，并根据所述第二类人脸图像构建第二人脸数据集； 获取所述第二人脸数据集对应的第三类人脸图像，并根据所述第三类人脸图像构建第三人脸数据集； 利用所述第二人脸数据集和所述第三人脸数据集进行人脸验证卷积神经网络训练，生成第一人脸验证模型。4.根据权利要求3所述的人脸验证方法，其特征在于，所述获取网纹人脸图像以及初始人脸图像之前，还包括: 基于预设网纹水印，对所述第二人脸数据集进行合成，得到第二网纹人脸数据集； 利用所述去网纹模型对所述第二网纹人脸数据集中的每张图像进行去网纹操作，生成去网纹人脸数据集； 根据所述去网纹人脸数据集和所述第三人脸数据集，对所述第一人脸验证模型进行网络微调，生成第二人脸验证模型； 将所述第二人脸验证模型确定为预设的去网纹人脸验证模型。5.根据权利要求1所述的人脸验证方法，其特征在于，所述基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证，包括: 对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算，得到相似值； 基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人； 若判断出属于同一人，则确定人脸验证通过； 若判断出不属于同一人，则确定人脸验证不通过。6.根据权利要求5所述的人脸验证方法，其特征在于，所述基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人，包括: 若所述相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人； 若所述相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人。7.根据权利要求5所述的人脸验证方法，其特征在于，所述对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算，包括: 利用欧式距离算法、余弦距离算法、联合贝叶斯算法以及度量学习算法中的任一种，对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算。8.一种人脸验证装置，其特征在于，包括: 获取单元，用于获取需验证的网纹人脸图像以及初始人脸图像； 第一去网纹单元，用于利用预设的去网纹模型对所述网纹人脸图像进行去网纹操作，得到去网纹人脸图像； 特征提取单元，用于通过预设的去网纹人脸验证模型对所述去网纹人脸图像进行特征提取，得到去网纹人脸特征，并通过所述预设的去网纹人脸验证模型对所述初始人脸图像进行特征提取，得到初始人脸特征； 验证单元，用于基于所述去网纹人脸特征和所述初始人脸特征，对相应的去网纹人脸图像和初始人脸图像进行人脸验证。9.根据权利要求8所述的人脸验证装置，其特征在于，所述装置还包括: 第一构建单元，用于搜集第一类人脸图像，并根据所述第一类人脸图像构建第一人脸数据集； 第一合成单元，用于基于预设网纹水印，对所述第一人脸数据集进行合成，得到第一网纹人脸数据集； 第一训练单元，用于利用所述第一人脸数据集和所述第一网纹人脸数据集进行去网纹卷积神经网络训练，生成去网纹模型； 第一确定单元，用于将所述去网纹模型确定为预设的去网纹模型。10.根据权利要求9所述的人脸验证装置，其特征在于，所述装置还包括: 第二构建单元，用于搜集第二类人脸图像，并根据所述第二类人脸图像构建第二人脸数据集； 第三构建单元，用于获取所述第二人脸数据集对应的第三类人脸图像，并根据所述第三类人脸图像构建第三人脸数据集； 第二训练单元，用于利用所述第二人脸数据集和所述第三人脸数据集进行人脸验证卷积神经网络训练，生成第一人脸验证模型。11.根据权利要求10所述的人脸验证装置，其特征在于，所述装置还包括: 第二合成单元，用于基于预设网纹水印，对所述第二人脸数据集进行合成，得到第二网纹人脸数据集； 第二去网纹单元，用于利用所述去网纹模型对所述第二网纹人脸数据集中的每张图像进行去网纹操作，生成去网纹人脸数据集； 微调单元，用于根据所述去网纹人脸数据集和所述第三人脸数据集，对所述第一人脸验证模型进行网络微调，生成第二人脸验证模型； 第二确定单元，用于将所述第二人脸验证模型确定为预设的去网纹人脸验证模型。12.根据权利要求8所述的人脸验证装置，其特征在于，所述验证单元包括: 计算子单元，用于对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算，得到相似值； 判断子单元，用于基于所述相似值，判断相应的去网纹人脸图像与初始人脸图像是否属于同一人； 第一确定子单元，用于若判断出属于同一人，则确定人脸验证通过； 第二确定子单元，用于若判断出不属于同一人，则确定人脸验证不通过。13.根据权利要求12所述的人脸验证装置，其特征在于，所述判断子单元用于: 若所述相似值超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像属于同一人，若所述相似值不超过预设阈值，则确定相应的去网纹人脸图像与初始人脸图像不属于同一人。14.根据权利要求12所述的人脸验证装置，其特征在于，所述计算子单元用于: 利用欧式距离算法、余弦距离算法、联合贝叶斯算法以及度量学习算法中的任一种，对所述去网纹人脸特征和所述初始人脸特征之间的相似度进行计算。
【文档编号】G06F21/32GK105930797SQ201610250901
【公开日】2016年9月7日
【申请日】2016年4月21日
【发明人】汪铖杰, 李季檩, 梁亦聪
【申请人】腾讯科技（深圳）有限公司