СПОСОБ И УСТРОЙСТВО ДЛЯ АВТОНОМНОЙ АУТЕНТИФИКАЦИИ ЛИЧНОСТИ Российский патент 2019 года по МПК G06K9/64 

Описание патента на изобретение RU2697638C1

Эта заявка испрашивает приоритет по заявке № 201610410966.1 на выдачу патента Китая, озаглавленной «СПОСОБ И УСТРОЙСТВО АВТОНОМНОЙ АУТЕНТИФИКАЦИИ ЛИЧНОСТИ» («OFFLINE IDENTITY AUTHENTICATION METHOD AND APPARATUS») и поданной в Государственное ведомство по интеллектуальной собственности Китайской Народной Республики 12 июня 2016 года, которая включена в материалы настоящей заявки посредством ссылки во всей своей полноте.

Область техники, к которой относится изобретение

Настоящее изобретение относится к области техники распознавания образов и, в частности, к способу и устройству для автономной аутентификации личности.

Уровень техники

При аутентификации личности на основе удостоверения личности (идентификационной карты) идентифицируется как то, подлинно ли удостоверение личности, так и то, является ли текущий пользователь законным владельцем удостоверения личности. Подлинно ли удостоверение личности, определяется с использованием микросхем технологии, направленной на борьбу с подделками, на основе того, успешно ли считывается удостоверение личности устройством для считывания карточек. Личность текущего пользователя проверяется и интерактивно опознается в сочетании с системой удостоверений личности Министерства общественной безопасности для дополнительной аутентификации личности. С другой стороны, способ интерактивной аутентификации выполняется только в случае, когда дана возможность осуществлять доступ к базе данных лиц в системе Министерства общественной безопасности, что ограничивает места применения. С другой стороны, фальшивое удостоверение личности, которое имеет подлинную микросхему и фальшивое изображение на поверхности, не может автоматически распознаваться способом интерактивной аутентификации. Фальшивое удостоверение личности может успешно считываться машиной, а личность аутентифицироваться как подлинная посредством интерактивной аутентификации. Однако, изображение, хранимое в микросхеме, не согласуется с изображением с поверхности удостоверения личности. В этом случае, чтобы распознать фальшивое удостоверение личности, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности удостоверения личности и изображение предъявителя удостоверения личности, распознается визуально, что несомненно повышает нагрузку на проверяющего и даже приводит к ложному обнаружению или несостоявшемуся обнаружению. Ввиду данной проблемы, требуется интеллектуальный способ аутентификации, в котором автономная аутентификация может реализовываться, не полагаясь на базу данных лиц Министерства общественной безопасности, и одновременно распознается, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности удостоверения личности и изображение предъявителя удостоверения личности, чтобы автоматически выдавать результат аутентификации о том, пройдена ли аутентификация успешно, тем самым повышая эффективность аутентификации.

Сущность изобретения

Предложены способ автономной аутентификации личности и устройство для автономной аутентификации личности согласно вариантам осуществления настоящего изобретения, чтобы решить проблемы в технологии предшествующего уровня техники, в которой полагаются на базу данных лиц Министерства общественной безопасности, и трудно распознать, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности удостоверения личности и изображение предъявителя удостоверения личности.

Предложен способ автономной аутентификации личности согласно варианту осуществления настоящего изобретения, который включает в себя: получение двух или более изображений для аутентификации личности, чтобы создать подлежащую аутентификации многовариантную группу изображений; извлечение признака PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений для получения векторов признаков; комбинирование информации из изображений в подлежащей аутентификации многовариантной группе изображений на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора; и ввод совокупного вектора в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получить результат аутентификации личности.

В необязательном порядке, многовариантная группа изображений является трехкомпонентной группой изображений и содержит изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица.

В необязательном порядке, классификатор SVM обучается посредством следующих этапов: получение изображения из микросхемы удостоверения личности, изображения с поверхности удостоверения личности и изображения живого лица в качестве образцов для создания трехкомпонентной группы образцов в обучающем наборе, где трехкомпонентная группа образцов в обучающем наборе включает в себя положительные образцы и отрицательные образцы; извлечение признака PCA свертки сцепленных слоев каждого из изображений в трехкомпонентной группе образцов для получения образцовых векторов признаков; комбинирование информации из изображений в трехкомпонентной группе образцов на основе образцовых векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения образцового совокупного вектора; и ввода образцового совокупного вектора в классификатор SVM для обучения классификатора SVM, чтобы получить предварительно обученный классификатор SVM.

В необязательном порядке, извлечение признака PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации трехкомпонентной группе изображений для получения векторов признаков включает в себя: ввод каждого из изображений в подлежащей аутентификации трехкомпонентной группе изображений в предварительно обученную глубинную сверточную нейронную сеть; и выбор выходных данных свертки N промежуточных подслоев сверточных групп в глубинной сверточной нейронной сети, в виде сцепленных слоев, и последовательное выполнение преобразования PCA над полученными сцепленными слоями слой за слоем для вывода вектора признаков, при этом, N≥2.

В необязательном порядке, глубинная сверточная нейронная сеть включает в себя пять сверточных групп и два полносвязных слоя, и каждая из сверточных групп включает в себя два сверточных подслоя и один суммирующий слой. Выбор выходных данных свертки N промежуточных подслоев в глубинной сверточной нейронной сети, в виде сцепленных слоев, и последовательное выполнение преобразования PCA над полученными сцепленными слоями слой за слоем для вывода вектора признаков включает в себя: извлечение выходных данных суммирующего слоя четвертой сверточной группы и сбор всех значений выходных данных в первый вектор; выполнение преобразования PCA над первым вектором и резервирование первого количества главных компонент для получения первого вставочного вектора; извлечение выходных данных суммирующего слоя пятой сверточной группы, сборку всех значений выходных данных во второй вектор и вставку первого вставочного вектора в заголовок второго вектора; выполнение преобразования PCA над вставленным вторым вектором и резервирование второго количества главных компонент для получения второго вставочного вектора; извлечение выходных данных второго полносвязного слоя в виде третьего вектора и вставку второго вставочного вектора в заголовок третьего вектора; и выполнение преобразования PCA над вставленным третьим вектором и резервирование третьего количества главных компонент для получения вектора признаков.

В необязательном порядке, комбинирование информации из изображений в подлежащей аутентификации трехкомпонентной группе изображений на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора включает в себя: расчет степени косинусного подобия между каждой парой векторов признаков из трех векторов признаков, соответствующих подлежащей аутентификации трехкомпонентной группе изображений, в виде трех показателей сходства; расчет разности между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим показателю сходства, в виде разностных сигналов; осуществление кодирования на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весовых сигналов, при этом заранее заданные веса принятия решения имеют взаимно однозначное соответствие с тремя парами изображений в подлежащей аутентификации трехкомпонентной группе изображений; и синтез показателей сходства, разностных сигналов и весовых сигналов в виде совокупного вектора.

В необязательном порядке, кодирование на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весовых сигналов включает в себя: преобразование отношения заранее заданных весов принятия решения трех ветвей сходства в обыкновенную дробь и нормирование каждого из целых чисел обыкновенной дроби к диапазону от 0 до 7, при этом три ветви сходства содержат ветвь сходства между изображением из микросхемы и изображением с поверхности, ветвь сходства между изображением из микросхемы и изображением живого лица и ветвь сходства между изображением с поверхности и изображением живого лица; преобразование нормированных целых чисел в обыкновенной дроби весов принятия решения ветвей сходства в двоичные коды для получения начальных кодов; и вставку кода самого старшего разряда, соответствующего каждому из разностных сигналов, в начальный код, соответствующий разностному сигналу, для получения весовых сигналов, где код самого старшего разряда, соответствующий разностному сигналу, имеет значение единицы в случае, когда разностный сигнал больше нуля, и код самого старшего разряда, соответствующий разностному сигналу, имеет значение нуля в случае, когда разностный сигнал является меньшим или равным нулю.

Предложено устройство для автономной аутентификации личности согласно варианту осуществления настоящего изобретения, которое включает в себя модуль получения многовариантного изображения, модуль извлечения сверточных признаков, модуль сочетания показателей и модуль аутентификации и определения. Модуль получения многовариантного изображения выполнен с возможностью получать два или более изображений для аутентификации личности, чтобы создавать подлежащую аутентификации многовариантную группу изображений. Модуль извлечения сверточных признаков выполнен с возможностью извлекать признак PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений для получения векторов признаков. Модуль сочетания показателей выполнен с возможностью комбинировать информацию из изображений в подлежащей аутентификации многовариантной группе изображений на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора. Модуль аутентификации и определения выполнен с возможностью вводить совокупный вектор в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получать результат аутентификации личности.

В необязательном порядке, многовариантная группа изображений является трехкомпонентной группой изображений и включает в себя изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица.

В необязательном порядке, модуль сочетания показателей включает в себя блок расчета показателей сходства, блок расчета разностных сигналов, блок расчета весовых сигналов и блок синтеза совокупного вектора. Блок расчета показателей сходства выполнен с возможностью рассчитывать степень косинусного подобия каждой пары векторов признаков из трех векторов признаков, соответствующих подлежащей аутентификации трехкомпонентной группе изображений, в виде трех показателей сходства. Блок расчета разностных сигналов выполнен с возможностью рассчитывать разность между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим показателю сходства, в виде разностных сигналов. Блок расчета весовых сигналов выполнен с возможностью осуществлять кодирование на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весовых сигналов, где заранее заданные веса принятия решения имеют взаимно однозначное соответствие с тремя парами изображений в подлежащей аутентификации трехкомпонентной группе изображений. Блок синтеза совокупного вектора выполнен с возможностью синтезировать показатели сходства, разностные сигналы и весовые сигналы в виде совокупного вектора.

Из вышеприведенных технических решений может быть видно, что варианты осуществления настоящего изобретения имеют следующие преимущества.

В вариантах осуществления настоящего изобретения два или более изображений для аутентификации личности собираются для создания подлежащей аутентификации многовариантной группы изображений. Признак PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений извлекается для получения векторов признаков. Информация из изображений в подлежащей аутентификации многовариантной группе изображений комбинируется на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора. Совокупный вектор вводится в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получить результат аутентификации личности. В вариантах осуществления настоящего изобретения изображение из микросхемы, изображение с поверхности документа, такого как удостоверение личности, и изображение живого лица могут сравниваться автономно от общего решения, и результат аутентификации может выдаваться на основе единственного решения предварительно обученного классификатора SVM, тем самым снижая нагрузку на проверяющего и повышая эффективность аутентификации, не полагаясь на базу данных лиц Министерства общественной безопасности.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Фиг. 1 - блок-схема последовательности операций способа автономной аутентификации личности согласно варианту осуществления настоящего изобретения;

фиг. 2 - блок-схема последовательности операций способа автономной аутентификации личности согласно еще одному варианту осуществления настоящего изобретения;

фиг. 3 - принципиальная структурная схема способа автономной аутентификации личности согласно варианту осуществления настоящего изобретения в сценарии применения;

фиг. 4 - принципиальная структурная схема модели глубинной сверточной нейронной сети и PCA свертки сцепленных слоев согласно варианту осуществления настоящего изобретения;

фиг. 5 - принципиальная структурная схема стратегии сочетания показателей с контрольным сигналом согласно варианту осуществления настоящего изобретения;

фиг. 6 - принципиальная схема, показывающая кодирование для весового сигнала согласно варианту осуществления настоящего изобретения;

фиг. 7 - структурная схема устройства для автономной аутентификации личности согласно варианту осуществления настоящего изобретения; и

фиг. 8 - структурная схема устройства для автономной аутентификации личности согласно еще одному варианту осуществления настоящего изобретения.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

Решены проблемы в традиционной технологии, в которой полагаются на базу данных лиц Министерства общественной безопасности, и трудно идентифицировать, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности удостоверения личности и изображение предъявителя.

Для того чтобы сделать цель, признаки и преимущества настоящего изобретения более ясными и более легкими для понимания, технические решения согласно вариантам осуществления настоящего изобретения ясно и полно описаны ниже совместно с чертежами в вариантах осуществления настоящего изобретения. Очевидно, что варианты осуществления, описанные ниже, скорее являются только частью вариантов осуществления настоящего изобретения, нежели всеми вариантами осуществления настоящего изобретения. Все другие варианты осуществления, полученные специалистами в данной области техники на основе вариантов осуществления настоящего изобретения без какого бы то ни было творческого труда, подпадают под объем охраны настоящего изобретения.

Со ссылкой на фиг. 1, способ автономной аутентификации личности согласно варианту осуществления настоящего изобретения включает в себя этапы со 101 по 104.

На этапе 101 два или более изображений для аутентификации личности собираются для создания многовариантной группы изображений, которая должна быть аутентифицирована.

Два изображения для аутентификации личности, например, могут включать в себя изображение из микросхемы удостоверения личности и изображение с поверхности удостоверения личности или могут включать в себя изображение из микросхемы удостоверения личности и изображение живого лица.

На этапе 102 признак PCA свертки сцепленных слоев каждого из изображений в многовариантной группе изображений, которая должна быть аутентифицирована, извлекается для получения векторов признаков.

После того, как создана подлежащая аутентификации многовариантная группа изображений, для получения векторов признаков, может получаться признак осуществляемой на основе анализа главных компонентов (PCA) свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений.

На этапе 103 информация из изображений в подлежащей аутентификации многовариантной группе изображений комбинируется на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора.

После того, как получены векторы признаков, информация из изображений в подлежащей аутентификации многовариантной группе изображений может комбинироваться на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора.

На этапе 104 совокупный вектор вводится в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получить результат аутентификации личности.

После того, как получен совокупный вектор, совокупный вектор может вводиться в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получить результат аутентификации личности. Например, в случае, когда многовариантная группа изображений включает в себя изображение из микросхемы удостоверения личности и изображение с поверхности удостоверения личности, аутентифицируется и определяется, согласуется ли изображение из микросхемы с изображением с поверхности.

В варианте осуществления, два или более изображений для аутентификации личности собираются для создания подлежащей аутентификации многовариантной группы изображений. Признак PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений извлекается для получения векторов признаков. Информация из изображений в подлежащей аутентификации многовариантной группе изображений комбинируется на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора. Совокупный вектор вводится в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получить результат аутентификации личности. В варианте осуществления, изображения для аутентификации личности могут сравниваться автономно от общего решения и результат аутентификации может выдаваться на основе единственного решения предварительно обученного классификатора SVM, тем самым снижая нагрузку на проверяющего и повышая эффективность аутентификации, не полагаясь на базу данных лиц Министерства общественной безопасности.

Ради легкости понимания, способ автономной аутентификации согласно варианту осуществления настоящего изобретения подробно описан ниже. Со ссылкой на фиг. 2, способ автономной аутентификации личности (причем, беря в качестве примера аутентификацию для изображения удостоверения личности) согласно еще одному варианту осуществления настоящего изобретения включает в себя этапы с 201 по 213.

На этапе 201 изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица получаются для создания подлежащей аутентификации трехкомпонентной группы изображений.

Изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица могут получаться для создания подлежащей аутентификации трехкомпонентной группы изображений. Изображение из микросхемы может считываться непосредственно устройством считывания карточек. Изображение с поверхности удостоверения личности может получаться сканирующим устройством. Изображение живого лица может получаться устройством камеры. Область лица в полученном изображении может выявляться детектором лица.

Должно быть проиллюстрировано, что в варианте осуществления три изображения составляют многовариантную группу изображений, то есть трехкомпонентную группу изображений, включающую в себя изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица, и аутентификация личности на основе микросхемы удостоверения личности может выполняться с использованием трехкомпонентной группы изображений. В случае, когда изображение из микросхемы, изображение с поверхности и изображение живого лица определены согласующимися друг с другом, аутентификация личности успешно пройдена.

На этапе 202 каждое из изображений в подлежащей аутентификации трехкомпонентной группе изображений вводится в предварительно обученную глубинную сверточную нейронную сеть.

После того, как подлежащая аутентификации трехкомпонентная группа изображений получена, каждое из изображений в подлежащей аутентификации трехкомпонентной группе изображений может вводиться в предварительно обученную глубинную сверточную нейронную сеть. Как показано на фиг. 4, глубинная сверточная нейронная сеть включает в себя несколько сверточных групп и несколько полносвязных слоев. Каждая из сверточных групп включает в себя несколько сверточных подслоев и один суммирующий слой. Для того чтобы выдавать приемлемый вектор признаков, глубинная сверточная нейронная сеть включает в себя пять сверточных групп и два полносвязных слоя в варианте осуществления. При извлечении сверточного признака, извлекаются выходные данные (pool4 и pool5, как показано на фиг. 4) суммирующих слоев по меньшей мере двух сверточных групп из пяти сверточных групп и выходные данные (fc2 как показано на фиг. 4) последнего полносвязного слоя, и преобразование PCA выполняется над выходными данными слой за слоем для резервирования главной компоненты выходных данных каждого слоя.

После того, как изображение введено в глубинную сверточную нейронную сеть, выходные данные свертки N (N≥2) промежуточных подслоев выбираются в глубинной сверточной нейронной сети в качестве сцепленных слоев, и преобразование PCA выполняется над полученными сцепленными слоями последовательно слой за слоем для вывода вектора признаков, который описан подробно этапами с 203 по 208.

На этапе 203 извлекаются выходные данные суммирующего слоя четвертой сверточной группы, и все значения выходных данных собираются в первый вектор.

Как показано на фиг. 4, после того, как каждое из изображений в подлежащей аутентификации трехкомпонентной группе изображений введено в предварительно обученную глубинную сверточную нейронную сеть, могут извлекаться выходные данные (pool4) суммирующего слоя четвертой сверточной группы, все значения выходных данных собираются в первый вектор.

На этапе 204 преобразование PCA выполняется над первым вектором, и первое количество главных компонент резервируется для получения первого вставочного вектора.

После того, как все значения выходных данных собраны в первый вектор, преобразование PCA может выполняться над первым вектором, и первое количество главных компонентов резервируется для получения первого вставочного вектора (PP1). Первое количество может быть установлено согласно конкретной ситуации, например, первое количество главных компонент может представлять собой первые 1024 главных компонент.

На этапе 205 извлекаются выходные данные суммирующего слоя пятой сверточной группы, все значения выходных данных собираются во второй вектор, и первый вставочный вектор вставляется в заголовок второго вектора.

Как показано на фиг. 4, после того, как первое количество главных компонент зарезервировано для получения первого вставочного вектора, могут извлекаться выходные данные (pool5) суммирующего слоя пятой сверточной группы, все значения выходных данных собираются во второй вектор, и первый вставочный вектор вставляется в заголовок второго вектора.

На этапе 206 преобразование PCA выполняется над вставленным вторым вектором, и второе количество главных компонент резервируется для получения второго вставочного вектора.

После того, как первый вставочный вектор вставлен в заголовок второго вектора, преобразование PCA может выполняться над вставленным вторым вектором, и второе количество главных компонент может резервироваться для получения второго вставочного вектора (PP2). Второе количество может устанавливаться согласно конкретной ситуации, например, второе количество главных компонент может представлять собой первые 512 главных компонент.

На этапе 207 выходные данные второго полносвязного слоя извлекаются в виде третьего вектора, и второй вставочный вектор вставляется в заголовок третьего вектора.

После того, как преобразование PCA выполнено над вставленным вторым вектором, и второе количество главных компонент зарезервировано для получения второго вставочного вектора, выходные данные второго полносвязного слоя могут извлекаться в виде третьего вектора, и второй вставочный вектор вставляется в заголовок третьего вектора (fc2).

На этапе 208 преобразование PCA выполняется над вставленным третьим вектором, и третье количество главных компонент резервируется для получения вектора признаков.

После того, как второй вставочный вектор вставлен в заголовок третьего вектора, преобразование PCA может выполняться над вставленным третьим вектором, и третье количество главных компонент может резервироваться для получения вектора признаков (PP3). Третье количество может быть установлено согласно конкретной ситуации, например, третье количество главных компонент может представлять собой первые 256 главных компонент.

Следует понимать, что, применительно к трем изображениям в подлежащей аутентификации трехкомпонентной группе изображений, каждое из изображений соответствует одному вектору признаков, и трехкомпонентная группа изображений соответствует трем векторам признаков.

На этапе 209 степень косинусного подобия между каждой парой векторов признаков из трех векторов признаков, соответствующих подлежащей аутентификации трехкомпонентной группе изображений, рассчитывается в виде трех показателей сходства.

После того, как получены векторы признаков, степень косинусного подобия между каждой парой векторов признаков из трех векторов признаков, соответствующих подлежащей аутентификации трехкомпонентной группе изображений, может рассчитываться в виде трех показателей сходства. Следует понимать, что степень косинусного подобия (степень косинусного подобия может использоваться для оценки степени подобия между двумя векторами признаков) может рассчитываться между каждой парой векторов признаков из трех векторов признаков. Поэтому, три степени косинусного подобия могут рассчитываться посредством попарного комбинирования трех векторов признаков, и степень косинусного подобия используется в качестве показателя сходства между двумя векторами признаков, соответствующими степени косинусного подобия.

Более точно, степень косинусного подобия между двумя изображениями (I1, I2) рассчитывается согласно следующему уравнению:

где n обозначает размерность вектора признаков, f1k обозначает k-ый элемент вектора признаков у I1, и f2k обозначает k-ый элемент вектора признаков у I2. Согласно уравнению, показателем сходства между изображением из микросхемы и изображением с поверхности удостоверения личности является s1, а ветвь сходства между изображением из микросхемы и изображением с поверхности удостоверения личности обозначена как ветвь p1. Показателем сходства между изображением из микросхемы и изображением живого лица является s2, а ветвь сходства между изображением из микросхемы и изображением живого лица обозначена как ветвь p2. Показателем сходства между изображением с поверхности удостоверения личности и изображением живого лица является s3, а ветвь сходства между изображением с поверхности удостоверения личности и изображением живого лица обозначена как ветвь p3.

На этапе 210 разность между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим показателю сходства, рассчитывается в виде разностных сигналов.

После того, как рассчитаны три показателя сходства, разность между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим показателю сходства, может рассчитываться в виде разностных сигналов.

Следует проиллюстрировать, что эмпирическое пороговое значение ветвей сходства в наборе обучающих образцов (смотрите подробности на этапе 213) может быть получено с использованием алгоритма аутентификации 1:1, и эмпирическое пороговое значение рассчитывается согласно следующему уравнению:

где m обозначает количество пар образцов, si обозначает степень подобия i-ой пары образцов, а yi - метка класса i-ой пары образцов. В случае, когда пара образцов соответствует одному и тому же человеку, метка класса пары образцов имеет значение 1. В случае, когда пара образцов соответствует разным людям, метка класса пары образцов имеет значение -1. обозначает индикаторную функцию и определено, как изложено ниже:

.

Получаются эмпирические пороговые значения T1, T2 и T3 трех ветвей сходства.

На этом этапе, эмпирическое пороговое значение каждой из ветвей сходства вычитается из показателя сходства ветви сходства для получения разностных сигналов трех ветвей сходства, которые могут иметь значения , и .

На этапе 211 кодирование выполняется на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весового сигнала.

После того, как получены разностные сигналы, кодирование может выполняться на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весовых сигналов. Заранее заданные веса принятия решения имеют взаимно однозначное соответствие с тремя парами изображений в подлежащей аутентификации трехкомпонентной группе изображений. Более точно, этап 211 включает в себя следующие этапы с (1) по (3).

На этапе (1), отношение заранее заданных весов принятия решения трех ветвей сходства преобразуется в обыкновенную дробь, и целое число в обыкновенной дроби нормируются к диапазону от 0 до 7. Три ветви сходства включают в себя ветвь сходства между изображением из микросхемы и изображением с поверхности удостоверения личности, ветвь сходства между изображением из микросхемы и изображением живого лица, и ветвь сходства между изображением с поверхности удостоверения личности и изображением живого лица.

На этапе (2), нормированное целое число в обыкновенной дроби весов принятия решения ветвей сходства преобразуется в двоичные коды для получения начальных кодов.

На этапе (3), код самого старшего разряда, соответствующий каждому из разностных сигналов, вставляется в начальный код, соответствующий разностному сигналу, для получения весовых сигналов.

В случае, когда разностный сигнал больше нуля, код самого старшего разряда, соответствующий разностному сигналу, имеет значение единицы. В случае, когда разностный сигнал меньше или равен нулю, код самого старшего разряда, соответствующий разностному сигналу, имеет значение нуля.

Например, при условии, что отношение весов принятия решения ветви p1, ветви p2 и ветви p3 имеет значение 5:3:2, отношение весов принятия решения кодируется значениями 101, 011 и 010. В случае, когда разностный сигнал текущей ветви p1 положителен, бит самого старшего разряда из четырех битов для ветви p1 имеет значение 1, и весовой сигнал ветви p1 кодируется двоичным кодом 1101, и двоичный код преобразуется в десятичное число 13. Поэтому, получаются весовые сигналы c1, c2 и c3 всех ветвей сходства.

На этапе 212 показатели сходства, разностные сигналы и весовые сигналы синтезируются в виде совокупного вектора.

После того, как получены показатели сходства, разностные сигналы и весовые сигналы, показатели сходства, разностные сигналы и весовые сигналы могут синтезироваться в виде совокупного вектора. Например, в конкретном сценарии применения, уравнение синтеза может быть представлено в виде:

.

На этапе 213 совокупный вектор вводится в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности и изображение живого лица, чтобы получить результат аутентификации личности.

После того, как получен синтезированный совокупный вектор, совокупный вектор может вводиться в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности и изображение живого лица, чтобы получить результат аутентификации личности.

Должно быть проиллюстрировано, что классификатор SVM может обучаться посредством нижеследующих этапов с A по D.

На этапе A изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица получаются в качестве образцов для создания трехкомпонентной группы образцов в обучающем наборе. Трехкомпонентная группа образцов в обучающем наборе включает в себя положительные образцы и отрицательные образцы. Например, отношение количества положительных образцов к количеству отрицательных образцов может иметь значение 1:1.

На этапе B признак PCA свертки сцепленных слоев каждого из изображений в трехкомпонентной группе образцов извлекается для получения образцовых векторов признаков.

На этапе C информация из изображений в трехкомпонентной группе образцов комбинируется на основе образцовых векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения образцового совокупного вектора.

На этапе D образцовый совокупный вектор вводится в классификатор SVM для обучения классификатора SVM, чтобы получить предварительно обученный классификатор SVM.

Вышеприведенные этапы A, B и C имеют принцип, аналогичный описанным выше этапам с 201 по 212, и в материалах настоящей заявки повторно уже не описаны. Должно быть проиллюстрировано, что трехкомпонентная группа образцов в обучающем наборе включает в себя положительные образцы и отрицательные образцы. Например, отношение количества положительных образцов к количеству отрицательных образцов может иметь значение 1:1. Три изображения в трехкомпонентной группе образцов в качестве положительных образцов соответствуют одной и той же личности. То есть, результат аутентификации классификатора SVM для положительных образцов состоит в том, что аутентификация успешно пройдена, и выходным результатом классификатора SVM является 1. Три изображения в трехкомпонентной группе образцов в качестве отрицательных образцов соответствуют разным личностям, результат аутентификации классификатора SVM для отрицательных образцов состоит в том, что аутентификация не пройдена, и выходным результатом классификатора SVM является -1. Что касается отрицательных образцов, три изображения соответствуют разным личностям до тех пор, пока любое одно из трех изображений не согласуется с другим изображением из трех изображений. Поэтому, есть много типов вариантов комбинаций отрицательных образцов. Для того чтобы уменьшить избыточность пространства образцов, отрицательные образцы могут определяться следующими способами. Трехкомпонентная группа образцов, в которой два из изображения из микросхемы, изображения с поверхности и изображения живого лица соответствуют одной и той же личности, а изображение, иное чем эти два изображения, соответствует личности, отличной от упомянутых двух изображений, выбирается в качестве отрицательных образцов. Следует понимать, что в случае, когда три изображения соответствуют личностям, отличным друг от друга, эти три изображения могут определяться в качестве отрицательных образцов в каком-нибудь одном режиме «2+1». Поэтому, случай, где три изображения соответствуют личностям, отличным друг от друга, может учитываться при создании пространства образцов, тем самым уменьшая избыточность пространства образцов и повышая эффективность обучения классификатора SVM применительно к отрицательным образцам.

В дополнение, следует понимать, что после того, как совокупный вектор введен в предварительно обученный классификатор SVM, результат аутентификации выдается классификатором SVM. В случае, когда выходным значением классификатора SVM является 1, оно указывает, что три изображения соответствуют одной и той же личности, а аутентификация личности успешно пройдена. В случае, когда выходным значением классификатора SVM является -1, оно указывает, что три изображения соответствуют разным личностям, а аутентификация личности не пройдена.

Ради легкости понимания, способ автономной аутентификации личности согласно варианту осуществления настоящего изобретения описан ниже с помощью сценария применения со ссылкой на вариант осуществления, описанный на фиг. 2.

В сценарии применения, на фиг. 3 показана последовательность операций способа автономной аутентификации, в котором классификатор SVM используется в качестве решающего блока классификации, и учтены фаза обучения и фаза реализации (испытания).

На фазе обучения образцы извлекаются из библиотеки обучающих изображений для создания трехкомпонентных положительных и отрицательных обучающих образцов. Обучающие образцы вводятся в классификатор SVM через модуль извлечения признаков PCA свертки сцепленных слоев и модуль сочетания показателей с контрольным сигналом для обучения классификатора SVM. При создании трехкомпонентной группы положительных и отрицательных образцов, фиксируется комбинация положительных образцов, то есть трехкомпонентная группа, включающая в себя три образца, соответствующих одной и той же личности, является комбинацией положительных образцов. Может быть много вариантов комбинаций для отрицательных образцов. Для того чтобы понизить избыточность пространства образцов, используется режим «2+1», то есть трехкомпонентная группа, в которой два из трех изображений соответствуют одной и той же личности, а изображение, иное чем эти два изображения, соответствует личности, отличной от упомянутых двух изображений, выбирается в качестве отрицательных образцов. Образцы создаются, как изложено ниже. Метка класса положительных образов имеет значение 1, а метка класса отрицательных образцов имеет значение -1. Положительные образцы являются трехкомпонентной группой одного и того же человека, в которой три изображения соответствуют признаку одной и той же личности и представлены в виде . Отрицательные образцы являются трехкомпонентной группой, в которой по меньшей мере одно из трех изображений соответствует личности, отличной от других изображений из трех изображений, и могут быть комбинацией, такой как В случае, когда три изображения соответствуют личностям, отличным друг от друга, эти три изображения могут определяться в качестве отрицательных образцов в каком-нибудь одном режиме «2+1». Поэтому, данный случай может не учитываться при создании пространства образцов, тем самым понижая избыточность пространства образцов и повышая эффективность обучения классификатора применительно к отрицательным образцам.

На фазе реализации (испытания), три изображения лица получаются из модуля получения целостных изображений и вводятся в предварительно обученный классификатор SVM через модуль извлечения признаков PCA свертки сцепленных слоев и модуль сочетания показателей с контрольным сигналом, чтобы идентифицировать и аутентифицировать три изображения лица. Поскольку последовательность операций извлечения признаков и последовательность операций комбинирования информации на фазе обучения являются такими же, как на фазе реализации (испытания), ниже описана реализация ключевой технологии способа на фазе реализации.

На фазе реализации (испытания), модуль получения изображений выдает три изображения лица, из которых изображение из микросхемы может получаться непосредственно устройством считывания карточек, изображение с поверхности удостоверения личности получается сканирующим устройством, а изображение живого лица получается устройством камеры. Область лица в полученном изображении выявляется детектором лица. При получении изображения живого лица, полученное изображение лица проверяется и фильтруется с использованием алгоритма оценки качества, чтобы гарантировать качество полученного изображения. В случае, когда полученное изображение не удовлетворяет требованию качества, может автоматически отправляться команда, чтобы проинструктировать предъявителя, что следует повторно получить изображение лица. Операции обработки, такие как выравнивание лица и световая коррекция, выполняются над полученным изображением для получения окончательных выходных данных модуля получения.

На фазе извлечения признаков выходные данные свертки многочисленных подслоев извлекаются в модели предварительно обученной глубинной сверточной нейронной сети на основе алгоритма глубинного обучения, и преобразование PCA выполняется слой за слоем для получения признака PCA свертки сцепленных слоев. Принцип действия показан на фиг. 4. Предварительно обученная глубинная сверточная нейронная сеть включает в себя пять сверточных групп и два полносвязных слоя. Каждая из сверточных групп включает в себя два сверточных подслоя и один суммирующий слой. При извлечении сверточного признака, извлекаются выходные данные (pool4 и pool5) суммирующих слоев по меньшей мере двух сверточных групп и выходные данные (fc2) последнего полносвязного слоя, и преобразование PCA выполняется слой за слоем для резервирования главной компоненты выходных данных каждого слоя. Отдельная операция включает в себя этапы с (1) по (6), как изложено ниже.

На этапе (1) извлекаются выходные данные pool4 суммирующего слоя четвертой сверточной группы, и все значения выходных данных собираются в вектор.

На этапе (2) преобразование PCA выполняется над вектором pool4, и первые n1 (например, n1=1024) главных компонент резервируются для получения PP1.

На этапе (3) извлекаются выходные данные pool5 суммирующего слоя пятой сверточной группы, и все значения выходных данных собираются в вектор, и PP1 вставляется в заголовок вектора.

На этапе (4) преобразование PCA выполняется над вставленным вектором pool5, и первые n2 (например, n2=512) главных компонент резервируются для получения PP2.

На этапе (5) извлекаются выходные данные fc2 второго полносвязного слоя, и PP2 вставляется в заголовок вектора.

На этапе (6) преобразование PCA выполняется над вставленным вектором fc2, и первые n3 (например, n3=256) главных компонент резервируются для получения PP3, который является окончательным извлеченным признаком PCA свертки сцепленных слоев.

На фазе сочетания показателей используется стратегия сочетания показателей с контрольным сигналом. Основной принцип стратегии сочетания показателей состоит в том, чтобы создавать два контрольных сигнала, в том числе разностный сигнал и весовой сигнал, на основе показателя сходства и совместно кодировать трехкомпонентную группу изображений на основе двух контрольных сигналов в комбинации с показателем сходства. Разностный сигнал указывает на разность между показателем сходства каждой ветви сходства (отношение сходства между двумя изображения представляет собой ветвь сходства) и эмпирическим пороговым значением ветви сходства. Убедительность показателя сходства возрастает с увеличением разности. Весовой сигнал получается согласно разностным весам принятия решения ветвей сходства посредством кодирования на основе веса принятия решения и показателя сходства. При трехсторонней аутентификации, среды, в которых получается изображение из микросхемы и изображение с поверхности удостоверения личности, являются контролируемыми, тем временем качество изображения у изображения живого лица подвергается многим неконтролируемым факторам, таким как положение, свет и тени. Поэтому, в процессе совместного сравнения, вес принятия решения ветви сходства между изображением из микросхемы и изображением с поверхности удостоверения личности может быть большим, в то время как веса принятия решения других двух ветвей сходства малы. Принцип действия стратегии сочетания показателей с контрольным сигналом показан на фиг. 5, и конкретная реализация включает в себя этапы с (1) по (6), как изложено ниже.

На этапе (1) признак PCA свертки сцепленных слоев каждого из изображения из микросхемы, изображения с поверхности удостоверения личности и изображения живого лица извлекается на основе вышеприведенной последовательности операций, и подобие между каждой парой изображений измеряется на основе степени косинусного подобия. Степень косинусного подобия между двумя изображениями (I1, I2) рассчитывается согласно следующему уравнению:

где n обозначает размерность вектора признаков, f1k обозначает k-ый элемент вектора признаков у I1, а f2k обозначает k-ый элемента вектора признаков у I2. Согласно уравнению, показателем сходства между изображением из микросхемы и изображением с поверхности удостоверения личности является s1, а ветвь сходства между изображением из микросхемы и изображением с поверхности удостоверения личности обозначена как ветвь p1. Показателем сходства между изображением из микросхемы и изображением живого лица является s2, а ветвь сходства между изображением из микросхемы и изображением живого лица обозначена как ветвь p2. Показателем сходства между изображением с поверхности удостоверения личности и изображением живого лица является s3, а ветвь сходства между изображением с поверхности удостоверения личности и изображением живого лица обозначена как ветвь p3.

На этапе (2) эмпирическое пороговое значение ветвей сходства в наборе обучающих образцов получается с использованием алгоритма аутентификации 1:1, и эмпирическое пороговое значение рассчитывается согласно следующему уравнению:

где m обозначает количество пар образцов, si обозначает степень подобия i-ой пары образцов, а yi - метка класса i-ой пары образцов. В случае, когда пара образцов соответствует одному и тому же человеку, метка класса пары образцов имеет значение 1. В случае, когда пара образцов соответствует разным людям, метка класса пары образцов имеет значение -1. обозначает индикаторную функцию и определено, как изложено ниже:

.

Получаются эмпирические пороговые значения T1, T2 и T3 трех ветвей сходства.

На этапе (3) рассчитывается разностный сигнал. Эмпирическое пороговое значение каждой из ветвей сходства вычитается из показателя сходства ветви сходства для получения разностных сигналов трех ветвей сходства, которые имеют значения , и .

На этапе (4) рассчитывается весовой сигнал. Весовой сигнал каждой из ветвей сходства представлен четырьмя битами. Бит самого старшего разряда из четырех битов кодируется на основе разностного сигнала и определяется согласно . То есть, бит самого старшего разряда кодируется значением 1 в случае, если s>T, и бит самого старшего разряда кодируется значением 0 в случае, если s<T. Три бита младших разрядов из четырех битов кодируются на основе веса принятия решения. Отношение весов принятия решения трех ветвей сходства преобразуется в обыкновенную дробь, и целое число в обыкновенной дроби нормируются к диапазону от 0 до 7. Вес принятия решения каждой из ветвей сходства кодируется тремя битами. Например, в случае, где отношение весов принятия решения ветви p1, ветви p2 и ветви p3 имеет значение 5:3:2, веса принятия решения кодируются, соответственно, значениями 101, 011 и 010. В случае, когда разностный сигнал ветви p1 положителен, бит самого старшего разряда из четырех битов для ветви p1 имеет значение 1, и весовой сигнал ветви p1 кодируется двоичными кодами 1101, и двоичные коды преобразуются в десятичное число 13. Фиг. 6 показывает принципиальную схему кодирования. Посредством вышеприведенной операции, получаются весовые сигналы c1, c2 и c3 ветвей сходства.

На этапе 5, показатели сходства, разностные сигналы и весовые сигналы синтезируются в виде окончательного совокупного вектора показателей с контрольным сигналом.

На этапе 6, на фазе принятия решения, после того как признаки PCA свертки сцепленных слоев испытуемых образцов (трехкомпонентная группа, включающая в себя изображение из микросхемы, изображение с поверхности удостоверения личности и изображение живого лица, которые получены модулем получения изображений) извлечены на основе вышеприведенной последовательности операций, и совокупный вектор с контрольным сигналом сформирован на основе показателей сходства, результат определения автоматически выдается предварительно обученным классификатором SVM. В случае, когда результатом определения является 1, он указывает, что три изображения соответствуют одной и той же личности, и аутентификация личности успешно пройдена. В случае, когда результатом определения является -1, он указывает, что три изображения соответствуют разным личностям, а аутентификация личности не пройдена.

Подводя итог вышесказанному, с помощью алгоритма автономной (офлайновой) аутентификации личности по настоящему изобретению, то, согласуются ли друг с другом изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица, может сравниваться одновременно и автономно, тем самым эффективно реализуя трехстороннюю аутентификацию личности на основе удостоверения личности и особенно эффективно решая проблему фальшивого удостоверения личности, которое имеет подлинную микросхему и фальшивую информацию на поверхности. Три изображения сравниваются отдельно от общего решения. Пройдена или нет аутентификация, рассматривается в качестве двух классов, подлежащих выбору, и результат определения применительно к согласованности выдается с использованием алгоритма классификации, тем самым избегая неясного решения, вызванного трехкратным попарным сравнением, а также правила принятия решения, в котором уровень приоритета принятия решения устанавливается искусственно. Более точно, признак PCA свертки сцепленных слоев, имеющий значительную устойчивость и возможность обобщения, выдается на основе глубинной сверточной нейронной сети для описания признаков изображений. Стратегия сочетания показателей с контрольным сигналом предусмотрена на фазе комбинирования информации, тем самым обогащая выражение образа совокупного вектора в метрическом пространстве, так чтобы классификатор мог полностью обучаться отношению соответствия образов трехкомпонентной группы изображений и выдавал точный результат определения. По сравнению со стратегией, в которой решение принимается просто на основе порогового значения, а приоритет принятия решения устанавливается искусственно, стратегия сочетания показателей с контрольным сигналом является более здравой и надежной.

Способ автономной аутентификации личности описан выше. Устройство для автономной аутентификации личности описано ниже. Со ссылкой на фиг. 7, устройство для автономной аутентификации личности согласно варианту осуществления настоящего изобретения включает в себя модуль 701 получения многовариантного изображения, модуль 702 извлечения сверточных признаков, модуль 703 сочетания показателей и модуль 704 аутентификации и определения.

Модуль 701 получения многовариантного изображения выполнен с возможностью получать два или более изображений для аутентификации личности, чтобы создавать подлежащую аутентификации многовариантную группу изображений.

Модуль 702 извлечения сверточных признаков выполнен с возможностью извлекать признак PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений для получения векторов признаков.

Модуль 703 сочетания показателей выполнен с возможностью комбинировать информацию из изображений в подлежащей аутентификации многовариантной группе изображений на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора.

Модуль 704 аутентификации и определения выполнен с возможностью вводить совокупный вектор в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображение из микросхемы, изображение с поверхности и изображение живого лица, чтобы получать результат аутентификации личности.

В этом варианте осуществления модуль 701 получения многовариантного изображения получает два или более изображений для аутентификации личности, чтобы создать подлежащую аутентификации многовариантную группу изображений. Модуль 702 извлечения сверточных признаков извлекает признак PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений для получения векторов признаков. Модуль сочетания показателей комбинирует информацию из изображений в подлежащей аутентификации многовариантной группе изображений на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора. Модуль 704 аутентификации и определения вводит совокупный вектор в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получать результат аутентификации личности. В этом варианте осуществления, изображения для аутентификации личности сравниваются автономно от общего решения, и результат аутентификации выдается единственным решением предварительно обученного классификатора SVM, тем самым снижая нагрузку на проверяющего и повышая эффективность аутентификации, не полагаясь на базу данных лиц Министерства общественной безопасности.

Ради легкости понимания, устройство для автономной аутентификации согласно варианту осуществления настоящего изобретения подробно описано ниже. Со ссылкой на фиг. 8, устройство для автономной аутентификации личности согласно еще одному варианту осуществления настоящего изобретения включает в себя модуль 801 получения многовариантного изображения, модуль 802 извлечения сверточных признаков, модуль 803 сочетания показателей и модуль 804 аутентификации и определения.

Модуль 801 получения многовариантного изображения выполнен с возможностью получать два или более изображений для аутентификации личности, чтобы создавать подлежащую аутентификации многовариантную группу изображений.

Модуль 802 извлечения сверточных признаков выполнен с возможностью извлекать признак PCA свертки сцепленных слоев каждого из изображений в подлежащей аутентификации многовариантной группе изображений для получения векторов признаков.

Модуль 803 сочетания показателей выполнен с возможностью комбинировать информацию из изображений в подлежащей аутентификации многовариантной группе изображений на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора.

Модуль 804 аутентификации и определения выполнен с возможностью вводить совокупный вектор в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в подлежащей аутентификации многовариантной группе изображений, чтобы получать результат аутентификации личности.

В этом варианте осуществления, многовариантная группа изображений может быть трехкомпонентной группой изображений и включать в себя изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица.

В этом варианте осуществления, классификатор SVM может обучаться модулем 805 получения трехкомпонентного образца, модулем 806 извлечения образцовых сверточных признаков, модулем 807 сочетания образцовых показателей и модулем 808 обучения классификатора.

модуль 805 получения трехкомпонентного образца выполнен с возможностью получать изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица для составления трехкомпонентной группы образцов в обучающем наборе. Трехкомпонентная группа образцов в обучающем наборе включает в себя положительные образцы и отрицательные образцы. Например, отношение количества положительных образцов к количеству отрицательных образцов может иметь значение 1:1.

Модуль 806 извлечения образцовых сверточных признаков выполнен с возможностью извлекать признак PCA свертки сцепленных слоев каждого из изображений в трехкомпонентной группе образцов для получения образцовых векторов признаков.

Модуль 807 сочетания образцовых показателей выполнен с возможностью комбинировать информацию из изображений в трехкомпонентной группе образцов на основе образцовых векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения образцового совокупного вектора.

Модуль 808 обучения классификатора выполнен с возможностью вводить образцовый совокупный вектор в классификатор SVM для обучения классификатора SVM, чтобы получать предварительно обученный классификатор SVM.

В этом варианте осуществления, модуль 803 сочетания показателей включает в себя блок 8031 расчета показателей сходства, блок 8032 расчета разностных сигналов, блок 8033 расчета весовых сигналов и блок 8034 синтеза совокупного вектора.

Блок 8031 расчета показателей сходства выполнен с возможностью рассчитывать степень косинусного подобия между каждой парой векторов признаков из трех векторов признаков, соответствующих подлежащей аутентификации трехкомпонентной группе изображений, в виде трех показателей сходства.

Блок 8032 расчета разностных сигналов выполнен с возможностью рассчитывать разность между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим показателю сходства, в виде разностных сигналов.

Блок 8033 расчета весовых сигналов выполнен с возможностью осуществлять кодирование на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весовых сигналов. Заранее заданные веса принятия решения имеют взаимно однозначное соответствие с тремя парами изображений в подлежащей аутентификации трехкомпонентной группе изображений.

Блок 8034 синтеза совокупного вектора выполнен с возможностью синтезировать показатели сходства, разностные сигналы и весовые сигналы в виде совокупного вектора.

Специалистам в данной области техники может быть ясно понятно, что, ради удобства и легкости описания, последовательности операций эксплуатации системы, устройства и блока, описанных выше, могут опираться на соответствующие последовательности операций в вышеприведенных вариантах осуществления способа, которые здесь уже повторно не описаны.

В нескольких вариантах осуществления согласно настоящему изобретению, должно быть понятно, что раскрытые система, устройство и способ могут быть реализованы иным образом. Варианты осуществления устройства, описанные выше, являются всего лишь схематичными. Например, разделение на блоки является всего лишь логическим функциональным делением, и на практике могут быть другие деления. Например, многочисленные блоки или компоненты могут быть скомбинированы или встроены в другие системы, или некоторые признаки могут игнорироваться и не выполняться. В дополнение, показанные или обсужденные связь, непосредственные связь или соединение связи между компонентами могут быть опосредованными связью или соединением связи через некоторые интерфейсы, устройства или блоки, которые могут быть электрическими, механическими или в другой форме.

Блоки, проиллюстрированные в качестве отдельных компонентов, могут быть или могут не быть физически разделенными, а компонент, отображенный в виде блока, может быть или может не быть физическим блоком. То есть, компоненты могут быть расположены в одном и том же месте или могут быть распределены по многочисленным сетевым блокам. Некоторые или все из блоков могут быть выбраны в качестве требуемых для реализации цели решения по вариантам осуществления.

В дополнение, все функциональные блоки согласно вариантам осуществления настоящего изобретения могут быть объединены в один блок обработки, или каждый может быть физически отдельным блоком, либо два или более блоков объединены в один блок. Объединенный блок, описанный выше, может быть реализован аппаратными средствами или может быть реализован программным функциональным блоком.

Объединенный блок может храниться на машинно-читаемом запоминающем носителе, если объединенный блок реализуется в форме программного функционального блока и продается или используется в качестве отдельного изделия. На основе такого понимания, существенная часть технического решения настоящего изобретения, то есть, часть технического решения по настоящему изобретению, которая вносит вклад в традиционную технологию, либо все или часть технического решения могут быть воплощены в форме компьютерного программного продукта. Компьютерный программный продукт хранится на запоминающем носителе и включает в себя несколько команд для обучения компьютерного устройства (которое может быть персональным компьютером, сервером, сетевым устройством, или тому подобным) реализовывать все или часть этапов способа согласно вариантам осуществления настоящего изобретения. Запоминающий носитель, описанный выше, включает в себя различные носители, которые могут хранить управляющие программы, такие как USB-диск, переносной жесткий диск, постоянное запоминающее устройство (ПЗУ, ROM), оперативное запоминающее устройство (ОЗУ, RAM), магнитный диск и оптический диск.

Подводя итог вышесказанному, вышеприведенные варианты осуществления описаны исключительно ради иллюстрации технических решений по настоящему изобретению, а не ради ограничения технических решений. Хотя настоящее изобретение подробно проиллюстрировано посредством ссылки на вышеупомянутые варианты осуществления, специалистам в данной области техники следует понимать, что модификации все же могут быть произведены в отношении технических решений, изложенных в вышеупомянутых вариантах осуществления, или равноценная замена может быть произведена в отношении части технических признаков технических решений. Модификация и эквивалентная замена не могут вынудить суть технических решений отклониться от сущности и объема технических решений согласно вариантам осуществления настоящего изобретения.

Похожие патенты RU2697638C1

название год авторы номер документа
СПОСОБ УСТАНОВЛЕНИЯ ЛИЧНОСТИ НА ОСНОВЕ ГЕТЕРОГЕННОГО РАЗДЕЛЕНИЯ ГЕНДЕРНОЙ ИНФОРМАЦИИ МУЛЬТИМОДАЛЬНЫХ ИЗОБРАЖЕНИЙ ВЕН 2021
  • Ван, Цзюнь
  • Пань, Цзайюй
  • Ли, Юйлянь
  • Шэнь, Чжэнвэнь
  • Чэнь, Сяолин
RU2809571C1
РАСПОЗНАВАНИЕ ЛИЦ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ 2017
  • Кухаренко Артем Игоревич
  • Ульдин Александр Алексеевич
  • Овчаренко Сергей Александрович
RU2718222C1
СПОСОБ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЯ И ВЫЧИСЛИТЕЛЬНОЕ УСТРОЙСТВО, РЕАЛИЗУЮЩЕЕ УПОМЯНУТЫЙ СПОСОБ 2018
  • Одиноких Глеб Андреевич
  • Соломатин Иван Андреевич
  • Фартуков Алексей Михайлович
  • Ефимов Юрий Сергеевич
  • Гнатюк Виталий Сергеевич
  • Еремеев Владимир Алексеевич
  • Ю Джувоан
  • Ли Кванхён
  • Ли Хиджун
RU2697646C1
АНАЛИЗАТОР МОЛОКА ДЛЯ КЛАССИФИКАЦИИ МОЛОКА 2019
  • Тауро, Сандип Кристофер
  • Бартвал, Самарт
  • Спарре, Сара Золлфранк
RU2794708C2
СПОСОБ И СИСТЕМА РАСПОЗНАВАНИЯ ЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ СОТРУДНИКОВ 2021
  • Гордеев Дмитрий Владимирович
  • Кондратьев Кирилл Андреевич
  • Островский Константин Игоревич
RU2768545C1
СПОСОБ И СИСТЕМА ДЛЯ ОПРЕДЕЛЕНИЯ СИНТЕТИЧЕСКИ ИЗМЕНЕННЫХ ИЗОБРАЖЕНИЙ ЛИЦ НА ВИДЕО 2021
  • Вышегородцев Кирилл Евгеньевич
  • Балашов Александр Викторович
  • Вельможин Григорий Алексеевич
  • Сысоев Валентин Валерьевич
RU2768797C1
РАСПОЗНАВАНИЕ СОБЫТИЙ НА ФОТОГРАФИЯХ С АВТОМАТИЧЕСКИМ ВЫДЕЛЕНИЕМ АЛЬБОМОВ 2020
  • Савченко Андрей Владимирович
RU2742602C1
ВЫЧИСЛИТЕЛЬНО ЭФФЕКТИВНОЕ МНОГОКЛАССОВОЕ РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ПОСЛЕДОВАТЕЛЬНОГО АНАЛИЗА НЕЙРОСЕТЕВЫХ ПРИЗНАКОВ 2019
  • Савченко Андрей Владимирович
RU2706960C1
СПОСОБ ОТСЛЕЖИВАНИЯ, ОБНАРУЖЕНИЯ И ИДЕНТИФИКАЦИИ ИНТЕРЕСУЮЩИХ ОБЪЕКТОВ И АВТОНОМНОЕ УСТРОЙСТВО C ЗАЩИТОЙ ОТ КОПИРОВАНИЯ И ВЗЛОМА ДЛЯ ИХ ОСУЩЕСТВЛЕНИЯ 2021
  • Глебов Константин Викторович
  • Долгополов Алексей Владимирович
  • Казанцев Павел Александрович
  • Скрибцов Павел Вячеславович
  • Суриков Сергей Олегович
  • Сухоруков Владимир Юрьевич
  • Тюляев Денис Владимирович
RU2789609C1
СПОСОБ ОБРАБОТКИ ИЗОБРАЖЕНИЙ, СПОСОБ И УСТРОЙСТВО ОБУЧЕНИЯ 2021
  • Чжао, Инь
  • Хамидуллин, Вячеслав
  • Ян, Хайтао
RU2773420C1

Иллюстрации к изобретению RU 2 697 638 C1

Реферат патента 2019 года СПОСОБ И УСТРОЙСТВО ДЛЯ АВТОНОМНОЙ АУТЕНТИФИКАЦИИ ЛИЧНОСТИ

Раскрыты способ и устройство автономной аутентификации личности. Технический результат заключается в том, что предшествующий уровень техники полагается на базу данных человеческих лиц, предоставляемую Министерством общественной безопасности, и что трудно идентифицировать трехстороннюю согласованность воплощения из микросхемы, воплощения с поверхности документа и изображения предъявителя документа. Способ содержит: получение двух или более изображений для аутентификации личности; извлечение признака PCA свертки каскадных слоев для каждого изображения в подлежащей аутентификации многовариантной группе изображений; комбинирование графической информации подлежащей аутентификации многовариантной группы изображений согласно собственному вектору и стратегии неполного сочетания с контрольным сигналом; и отправку совмещенного вектора в классификатор SVM, который был предварительно обучен определять соответствие изображения в подлежащей аутентификации многовариантной группе изображений, с тем чтобы получить результат аутентификации личности. 2 н. и 8 з.п. ф-лы, 8 ил.

Формула изобретения RU 2 697 638 C1

1. Способ автономной аутентификации личности, содержащий этапы, на которых:

получают два или более изображений для аутентификации личности, чтобы создать многовариантную группу изображений, которая должна быть аутентифицирована;

извлекают признак осуществляемой на основе анализа главных компонентов (PCA) свертки сцепленных слоев каждого из изображений в многовариантной группе изображений, которая должна быть аутентифицирована, для получения векторов признаков;

комбинируют информацию из изображений в многовариантной группе изображений, которая должна быть аутентифицирована, на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора; и

вводят совокупный вектор в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в многовариантной группе изображений, которая должна быть аутентифицирована, чтобы получить результат аутентификации личности.

2. Способ по п. 1, в котором многовариантная группа изображений является трехкомпонентной группой изображений и содержит изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица.

3. Способ по п. 2, в котором классификатор SVM обучается посредством следующих этапов, на которых:

получают изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица в качестве образцов для создания трехкомпонентной группы образцов в обучающем наборе, при этом трехкомпонентная группа образцов в обучающем наборе содержит положительные образцы и отрицательные образцы;

извлекают признак PCA свертки сцепленных слоев каждого из изображений в трехкомпонентной группе образцов для получения образцовых векторов признаков;

комбинируют информацию из изображений в трехкомпонентной группе образцов на основе образцовых векторов признаков согласно стратегии сочетания показателей с контрольным сигналом, чтобы получить образцовый совокупный вектор; и

вводят образцовый совокупный вектор в классификатор SVM для обучения классификатора SVM, чтобы получить предварительно обученный классификатор SVM.

4. Способ по п. 2, в котором извлечение признака PCA свертки сцепленных слоев каждого из изображений в трехкомпонентной группе изображений, которая должна быть аутентифицирована, для получения векторов признаков содержит этапы, на которых:

вводят каждое из изображений в трехкомпонентной группе изображений, которая должна быть аутентифицирована, в предварительно обученную глубинную сверточную нейронную сеть; и

выбирают выходные данные свертки N промежуточных подслоев сверточных групп в глубинной сверточной нейронной сети, в виде сцепленных слоев, и последовательно выполняют преобразование PCA в отношении полученных сцепленных слоев слой за слоем для вывода вектора признаков, при этом N≥2.

5. Способ по п. 4,

в котором глубинная сверточная нейронная сеть содержит пять сверточных групп и два полносвязных слоя, и каждая из сверточных групп содержит два сверточных подслоя и один суммирующий слой, и

при этом выбор выходных данных свертки N промежуточных подслоев в глубинной сверточной нейронной сети, в виде сцепленных слоев, и последовательное выполнение преобразования PCA в отношении полученных сцепленных слоев слой за слоем для вывода вектора признаков содержит этапы, на которых:

извлекают выходные данные суммирующего слоя четвертой сверточной группы и собирают все значения выходных данных в первый вектор;

выполняют преобразование PCA в отношении первого вектора и резервируют первое количество главных компонент для получения первого вставочного вектора;

извлекают выходные данные суммирующего слоя пятой сверточной группы, собирают все значения выходных данных во второй вектор и вставляют первый вставочный вектор в заголовок второго вектора;

выполняют преобразование PCA в отношении вставленного второго вектора и резервируют второе количество главных компонент для получения второго вставочного вектора;

извлекают выходные данные второго полносвязного слоя в виде третьего вектора и вставляют второй вставочный вектор в заголовок третьего вектора; и

выполняют преобразование PCA в отношении вставленного третьего вектора и резервируют третье количество главных компонент для получения вектора признаков.

6. Способ по п. 2, в котором комбинирование информации из изображений в трехкомпонентной группе изображений, которая должна быть аутентифицирована, на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора содержит этапы, на которых:

вычисляют степень косинусного подобия между каждой парой векторов признаков из трех векторов признаков, соответствующих трехкомпонентной группе изображений, которая должна быть аутентифицирована, в виде трех показателей сходства;

вычисляют разность между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим показателю сходства, в виде разностных сигналов;

осуществляют кодирование на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего этому заранее заданному весу принятия решения, для получения весовых сигналов, при этом заранее заданные веса принятия решения имеют взаимно однозначное соответствие с тремя парами изображений в трехкомпонентной группе изображений, которая должна быть аутентифицирована; и

синтезируют показатели сходства, разностные сигналы и весовые сигналы в виде совокупного вектора.

7. Способ по п. 6, в котором кодирование на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего заранее заданному весу принятия решения, для получения весовых сигналов содержит этапы на которых:

преобразуют отношение заранее заданных весов принятия решения трех ветвей сходства в обыкновенную дробь и нормируют каждое из целых чисел обыкновенной дроби к диапазону от 0 до 7, при этом три ветви сходства содержат ветвь сходства между изображением из микросхемы и изображением с поверхности, ветвь сходства между изображением из микросхемы и изображением живого лица и ветвь сходства между изображением с поверхности и изображением живого лица;

преобразуют нормированные целые числа в обыкновенной дроби весов принятия решения ветвей сходства в двоичные коды, чтобы получить начальные коды; и

вставляют код самого старшего разряда, соответствующий каждому из разностных сигналов, в начальный код, соответствующий этому разностному сигналу, чтобы получить весовые сигналы,

при этом код самого старшего разряда, соответствующий разностному сигналу, равен одному в случае, когда разностный сигнал больше нуля, и код самого старшего разряда, соответствующий разностному сигналу, равен нулю в случае, когда разностный сигнал является меньшим или равным нулю.

8. Устройство для автономной аутентификации личности, содержащее:

модуль получения многовариантного изображения, выполненный с возможностью получать два или более изображений для аутентификации личности, чтобы создавать многовариантную группу изображений, которая должна быть аутентифицирована;

модуль извлечения сверточных признаков, выполненный с возможностью извлекать признак осуществляемой на основе анализа главных компонентов (PCA) свертки сцепленных слоев каждого из изображений в многовариантной группе изображений, которая должна быть аутентифицирована, для получения векторов признаков;

модуль сочетания показателей, выполненный с возможностью комбинировать информацию из изображений в многовариантной группе изображений, которая должна быть аутентифицирована, на основе векторов признаков согласно стратегии сочетания показателей с контрольным сигналом для получения совокупного вектора; и

модуль аутентификации и определения, выполненный с возможностью вводить совокупный вектор в предварительно обученный классификатор SVM для аутентификации и определения того, согласуются ли друг с другом изображения в многовариантной группе изображений, которая должна быть аутентифицирована, чтобы получить результат аутентификации личности.

9. Устройство по п. 8, при этом многовариантная группа изображений является трехкомпонентной группой изображений и содержит изображение из микросхемы удостоверения личности, изображение с поверхности удостоверения личности и изображение живого лица.

10. Устройство по п. 9, в котором модуль сочетания показателей содержит:

блок расчета показателей сходства, выполненный с возможностью вычислять степень косинусного подобия каждой пары векторов признаков из трех векторов признаков, соответствующих трехкомпонентной группе изображений, которая должна быть аутентифицирована, в виде трех показателей сходства;

блок расчета разностных сигналов, выполненный с возможностью вычислять разность между каждым из показателей сходства и заранее заданным эмпирическим пороговым значением, соответствующим этому показателю сходства, в виде разностных сигналов;

блок расчета весовых сигналов, выполненный с возможностью осуществлять кодирование на основе каждого из заранее заданных весов принятия решения и разностного сигнала, соответствующего этому заранее заданному весу принятия решения, для получения весовых сигналов, при этом заранее заданные веса принятия решения имеют взаимно однозначное соответствие с тремя парами изображений в трехкомпонентной группе изображений, которая должна быть аутентифицирована; и

блок синтеза совокупного вектора, выполненный с возможностью синтезировать показатели сходства, разностные сигналы и весовые сигналы в виде совокупного вектора.

Документы, цитированные в отчете о поиске Патент 2019 года RU2697638C1

СПОСОБ И СИСТЕМА ДЛЯ РАСПОЗНАВАНИЯ ЛИЦА С УЧЕТОМ СПИСКА ЛЮДЕЙ, НЕ ПОДЛЕЖАЩИХ ПРОВЕРКЕ 2008
  • Ирматов Анвар Адхамович
  • Буряк Дмитрий Юрьевич
  • Чердаков Дмитрий Владимирович
  • Кузнецов Виктор Дмитриевич
  • Мун Ван Жин
  • Ли Янг Жин
  • Янг Хай Кванг
  • Ли Донгсунг
RU2381553C1
Способ распознавания лиц 2016
  • Стоянов Юрий Павлович
RU2610682C1
US 7243238, 10.07.2007
US 7337957, 04.03.2008.

RU 2 697 638 C1

Авторы

Лян, Тяньцай

Сюй, Даньдань

Чжан, Юн

Даты

2019-08-15Публикация

2017-06-12Подача