[发明专利]一种人脸检索方法和系统

说明书

技术领域

本发明涉及图像人脸检索技术领域，具体涉及一种人脸检索方法和系统。

背景技术

随着人脸识别方法的不断完善和改进，高识别的人脸识别方法被不断用于各个领域，随之而来的很多搜索引擎也不断推出人脸检索功能，如百度识图等，而不论是这类搜索引擎还是社会安防部门等的检索数据库都在不断的扩大以及更新，很多数据库已经达到了百万级规模，而在这么大规模的数据库中进行检索一张或者一个人的人脸图片仅仅用线性排序进行比对识别的方式，会造成非常大的计算成本，从而大大降低检索效率。那么，如果能研究出一种能够在百万级人脸检索数据库中进行快速准确的检索方法，将对安防部门、公安侦查罪犯、网上购物等社会应用有非常大的帮助。

采用深度学习进行人脸检索算法的研究，深度学习网络提取出来的高维特征都是浮点型向量特征，小数据库检索一般采用包含丰富的图片信息的高维特征进行相似度计算排序输出检索结果；而对于大规模数据库，必须特征进行降维有效的进行人脸检索。降维一般分为两种方式：网络外降维和网络内降维。网络外降维，即从网络中提取高维特征，用合适的降维方式如PCA等进行特征降维压缩，这类降维方式比较繁琐，同时在降维过程中会损失掉比较多的图片信息，影响检索精度。网络内降维，即在网络层中完成降维，相比网络外降维方法会简化许多，同时深度网络降维过程中网络通过正向和反向传播不断调整各个层参数以得到图片信息最丰富的特征向量。本发明采用的就是网络内降维，一般压缩的维度在几百维，而对于大规模人脸数据库检索，几百维的浮点型向量进行相似度计算，耗费的时间成本很大，不利于进行有效的大规模人脸图像检索。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种人脸检索方法和系统。

本发明解决上述技术问题的技术方案如下：一种人脸检索方法，包括如下步骤：

步骤S1：搭建人脸检索的网络构架，所述网络构架包括池化层、全连接层和损失层，并根据欧式距离对网络构架中的损失层进行优化；

步骤S2：根据反向传播的方式调节网络构架中优化的损失层以及全连接层、池化层的参数；

步骤S3：将各训练样本图片输入调节后的网络构架中生成测试用例；

步骤S4：根据sign函数对所述测试用例进行量化计算得到测试用例的二值编码，通过二值编码计算两两训练样本图片之间的汉明距离，距离越小表示相似度越高，按照距离大小进行升序排序得出最后检索结果；

步骤S5：根据汉明距离对各训练样本的近似度进行排序，从而完成对人脸检索的网络构架的训练；

步骤S6：将各待检索人脸图片输入完成训练的人脸检索网络构架中进行检索，得到各待检索人脸图片的近似度排序结果。

本发明的有益效果是：在损失层进行图片对的随机选择比网络外选择图片对更有益于网络训练，根据反向传播的方式微调网络比直接训练网络对网络的性能有很大的提升，通过二值编码计算训练样本图片对之间的汉明距离，由汉明距离得到相似度进行检索，能达到以10的数量级提高检索精度。本发明从以上几个方面对网络和输出的特征进行优化，使得在大规模人脸数据库下也能保证在准确率持平或者尽可能小范围降低的情况下能快速进行人脸图像的检索。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤S3前还包括将各训练样本图片进行预处理的步骤：将各训练样本图片根据预设规格进行裁剪并对齐处理，再将对齐后的各训练样本图片的格式转换为LMDB(Lighting Memory-Mapped Database)格式。

采用上述进一步方案的有益效果是：对训练样本图片进行预处理及格式转换能够为下面的步骤取得更快的处理时间，并且提高处理结果的精度。

进一步，所述步骤S1中根据欧式距离对网络构架中的损失层进行优化的具体方法为：对损失层中的损失函数进行正则化项，两两训练样本图片为一组训练样本图片对，训练样本图片对I₁,I₂的损失函数公式为：