1.一种人脸确认方法,其特征在于,包括:
获取训练集,所述训练集包含m个样本,所述样本为通过展开图像块的像素获得的列向量,所述图像块为人脸图像分块后的多个图像块中的一个;
根据所述训练集训练基于局部描述算子的稀疏自编码器,以使所述稀疏自编码器的输出逼近输入;所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型;
对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W(1);
将所述W(1)作为滤波器对所述人脸图像进行特征提取,获得人脸特征;所述滤波器包含k个滤波算子;
根据所述提取的人脸特征训练相似度度量模型,获得相似度度量矩阵;
根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分,以获得相似度的确认阈值;
获取测试集的特征对,根据所述相似度度量矩阵计算所述测试集特征对的相似度得分;
根据所述相似度得分与所述相似度的确认阈值比较,获得所述人脸确认的结果。
2.根据权利要求1所述的方法,其特征在于,所述图像块的大小为n=p×p。
3.根据权利要求1所述的方法,其特征在于,所述获取训练集包括:随机采样大量的人脸图像块,共选取m个图块组成所述训练集x1={x(1),x(2),L,x(m)}∈?n×m,其中表示第i个训练样本。
4.根据权利要求3所述的方法,其特征在于,所述根据所述训练集训练基于局部描述算子的稀疏自编码器中,所述稀疏自编码器的输出与输出之间的重构误差项满足如下公式:
其中,x(i)为第i个输入样本,y(x(i))为第i个输入样本的输出,W,b表示输入层到隐层,隐层到输出层的权重矩阵与偏置项。
5.根据权利要求4所述的方法,其特征在于,所述单隐层神经网络中各个层神经元个数分别为s1、s2、s3;逐次将所述单隐层神经网络前一层网络的输出值作为后面一层网络的输入值。
6.根据权利要求5所述的方法,其特征在于,所述稀疏自编码器包括:编码部分和解码部分;
其中,所述编码部分是所述输入层到所述隐层的非线性映射,其定义如下:
h(x)=σ(W(1)x+b(1))
所述解码部分是所述隐层到输出一种非线性映射,其定义如下:
y(x)=σ(W(2)x+b(2))
其中,W(1)为所述输入层到隐层的权重矩阵;W(2)为隐层到输出层的权重矩阵,b(1)和b(2)分别为相对应的偏置项,σ(·)为所述隐层和所述输出层神经元的非线性映射关系,定义如下:
7.根据权利要求6所述的方法,其特征在于,所述稀疏自编码器第j个隐层单元hj平均激活值定义如下:
其中,期望的平均激值用ρ表示;
并且采用KL距离来测量期望激活值与实际激活值,其定义如下:
8.根据权利要求7所述的方法,其特征在于,还包括:
在所述稀疏自编码器模型中增加稀疏性约束,则所述目标函数的公式为:
9.根据权利要求8所述的方法,其特征在于,所述对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W(1),包括:
设置所述自稀疏编码模型中权重矩阵和偏置项的初始值,利用反向传播算法对所述目标函数的公式进行求解;
依次迭代更新权重矩阵和偏置值,直到网络收敛或者达到最大迭代次数;
获得优化的稀疏自编码器的权重值W与偏置值b,从而获得所述输入层到隐层的权重矩阵W(1)。
10.一种安全认证装置,包括:图像识别模块、处理模块,其特征在于,所述处理模块包括:训练单元和确认单元;
其中,所述训练单元,用于:
获取训练集,所述训练集包含m个样本,所述样本为通过展开图像块的像素获得的列向量,所述图像块为人脸图像分块后的多个图像块中的一个;
根据所述训练集训练基于局部描述算子的稀疏自编码器,以使所述稀疏自编码器的输出逼近输入;所述稀疏自编码器为基于单隐层神经网络的非监督特征学习模型;
对所述稀疏自编码器进行优化获得输入层到隐层的权重矩阵W(1);
将所述W(1)作为滤波器对所述人脸图像进行特征提取,获得人脸特征;所述滤波器包含k个滤波算子;
根据所述人脸特征训练相似度度量模型,获得相似度度量矩阵;
根据所述相似度度量矩阵计算所述训练集的特征对的相似度得分,以获得相似度的确认阈值;
所述确认单元,用于:
获取测试集特征对,根据所述相似度度量矩阵计算所述测试集特征对的相似度得分;
根据所述相似度得分与所述相似度的确认阈值比较,获得所述人脸确认的结果。