一种基于深度学习sdae理论的三维人脸识别算法及其在金融领域应用
【技术领域】
[0001] 本发明涉及人工智能、模式识别、机器学习、计算复杂性理论、控制论，统计学等领 域，具体是关于一种基于深度学习SDAE理论的三维人脸识别算法及其在金融方面的应用。
【背景技术】
[0002] -.人脸识别的研宄背景
[0003]人脸识别是当前人工智能和模式识别的研宄热点，它可以用于身份验证，公共场 合对人的监视，图像数据库的检索等等，提高人与计算机的交互能力等等。而传统的基于二 维图像的人脸识别虽然在限定环境下已经达到了较高的识别率，但是光照，姿态，表情等的 变化已经成为二维人脸识别研宄的瓶颈，制约了其进一步发展。
[0004]目前人脸识别的主要方法：1.基于几何特征的人脸识别方法；2.基于代数特征的 人脸识别方法；3.基于神经网络的人脸识别方法；4.其他方法
[0005]三维人脸模型的深度信息具有比二维人脸图像更丰富的信息，同时不断有基于深 度信息的人脸识别新观念，新理论被提出，三维人脸识别作为计算机视觉，人机智能交互， 模式识别，计算机图形学的交叉研宄方向，其研宄成果将对这些学科的发展发挥巨大的推 动作用，同时也将在金融，医疗及公共安全方面有广阔的市场应用前景。
[0006] 二.深度学习SDAE的研宄背景
[0007]当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算 单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深 度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表 示，并展现了强大的从少数样本集中学习数据集本质特征的能力。
[0008]深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据， 来学习更有用的特征，从而最终提升分类或预测的准确性。
[0009] SDAE模型中核心的是AutoEncoder自动解码器，给定一个神经网络，我们假设其 输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了 输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种 尽可能复现输入信号的神经网络，为了实现这种复现，自动解码器会捕捉可以代表输入数 据的重要因素，同时加入稀疏的约束条件和一定量的噪声，可以大大提高精确度。
【发明内容】
[0010] 深度学习是机器学习理论中的一个新的研宄领域，其动机在于建立、模拟人脑进 行分析学习的神经网络，它模仿人脑的机制来解释数据，是人工智能的延伸。
[0011] 在此之前深度学习都是应用于图像，声音，文本领域，人脸部分也是基于像素的识 另IJ，本质上是二维的人脸识别，无法避免传统的姿势，光照的影响。我们创新地将深度学习 理论应用于人脸三维深度数据的处理和识别，提出了一种深度学习SDAE理论和深度信息 相结合的新的人脸识别算法，避免了传统的问题并获得了较好的识别率，在此基础上我们 又提出了该算法模型在金融方面的应用。
[0012] 提醒：本发明的重点在于提供一种基于深度学习SDAE理论的三维人脸识别算法， 该算法使用的人脸的深度数据，前期准备包括人脸数据的获取，三维人脸特征的提取，数据 降噪等，而这些准备工作不在本发明内介绍，默认得到的是已经经过前期处理的人脸数据。
[0013] 1.构建一个基于深度学习SDAE理论的三维人脸识别算法模型，包括以下步骤：
[0014] 1)人脸深度数据归一化；
[0015] 2)利用NN模型构建SDAE网络结构；
[0016] 3)AutoEncoder进行无监督预训练；
[0017] 4)fine_turing过程有监督微调；
[0018] 5)分类及预测结果阶段（即人脸识别）。
[0019] 2.所述的人脸深度数据归一化步骤包括：
[0020] 1)点云图像的人脸姿态矫正；
[0021] 2)选取对表情不敏感的特征点；
[0022] 3)得到深度信息；
[0023] 4)返回深度数据训练矩阵。
[0024] 3.所述的利用NN模型构建SDAE网络结构步骤包括：
[0025] 1)设计网络结构（输入层，中间隐层，输出层）；
[0026] 2)根据神经网络堆叠AutoEncoder。
[0027] 4.所述的AutoEncoder进行无监督预训练步骤包括：
[0028] 1)根据网络结构和人脸深度信息调整参数；
[0029] 2)将训练样本分为若干组，分别训练若干轮；
[0030] 3)进行无监督学习SDAEtrain。
[0031] 5.所述的进行无监督学习SDAEtrain步骤包括：
[0032] 1)计算前馈网络；
[0033]2)误差反向传播计算误差；
[0034] 3)权值参数更新。
[0035] 本算法在金融领域（借贷人信用评级和借贷额度）的应用，步骤如下：
[0036] 1.不需要实体柜台和工作人员，系统采集初次借贷人的人脸三维数据，即刷脸工 作；
[0037] 2.系统自动将人脸数据与公安部数据库匹配验证身份；
[0038] 3.往后如果借贷人有违反银行规定的行为利用该算法识别身份；
[0039] 4.将违规行为同步到与借贷人绑定的电子信用档案；
[0040] 5.根据电子信用档案调整借贷人的信用评级；
[0041] 6.当再次借贷时本策略可以识别借贷人身份并搜索电子信用数据库和大数据分 析给出银行合理的建议。
[0042] 本发明对于医疗的有益效果在于：
[0043] ①不同于传统的实体银行，该算法直接应用于基于互联网的虚拟银行，虚拟银行 不设置物理站点，没有实体营业柜台，通过摄像头或其他采集设备，进行"刷脸"认证，不需 要人工登记盖章等环节就可以系统审核贷款额度并"告知"ATM机。
[0044] ②人脸深度数据相当于提供了一个借贷人电子信用档案的"电子身份证"，避免了 传统的文本身份及借款登记繁琐的手续，同时利用基于深度学习SDAE理论的三维人脸识 别算法可以利用大数据分析和有效监管借贷人的信用评级。
[0045] ③本策略一旦核实发生违规行为的借贷人身份会及时修改借贷人的电子信用档 案，降低其借贷信用等级，与传统的工作人员工作相比更加高效方便。在帮助健全金融借贷 的信用评级体制的同时节省了大量人力物力。
【附图说明】
[0046] 图1:基于深度学习SDAE的三维人脸识别算法流程图
[0047] 图2 :人脸点云模型
[0048] 图3 :人脸深度图像
[0049] 图4 :深度图像归一化
[0050] 图5 :构建网络及逐层训练
[0051] 图6 :AutoEnconder的重构（复现输入）流程图
[0052] 图7 :加入稀疏约束的SAE模型
[0053] 图8 :加入噪声的DAE模型
【具体实施方式】
[0054](下文将结合附图详细描述本发明的实施例。应当注意的是，下述实施例中描述的 技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好 的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件， 可应用于不同实施例中。）
[0055] 本发明借助深度学习SDAE原理由自己设计一个能够对大数据量三维人脸深度数 据