[发明专利]图像校验方法和装置

权利要求书

1.一种图像校验方法，其特征在于，所述方法包括：

获取第一图像和第二图像，其中，所述第一图像包括第一人脸图像区域，所述第二图像包括第二人脸图像区域；

生成所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；

分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，其中，所述多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；

计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离；

基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象。

2.根据权利要求1所述的方法，其特征在于，所述分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，包括：

分别将所述第一图像矩阵和所述第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵；

分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵；

分别将所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵与所述多层卷积神经网络的第三预设层的参数矩阵相乘，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量。

3.根据权利要求2所述的方法，其特征在于，所述分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵，包括：

对所述多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；

将分割后的特征矩阵集合与所述目标层的参数矩阵进行卷积，得到所述目标层的输出特征矩阵。

4.根据权利要求1所述的方法，其特征在于，所述计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离，包括：

计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离。

5.根据权利要求4所述的方法，其特征在于，所述基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象，包括：

将所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；

若小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域属于同一个对象；

若不小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域不属于同一个对象。

6.一种图像校验装置，其特征在于，所述装置包括：

获取单元，配置用于获取第一图像和第二图像，其中，所述第一图像包括第一人脸图像区域，所述第二图像包括第二人脸图像区域；

生成单元，配置用于生成所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；

输入单元，配置用于分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，其中，所述多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；

计算单元，配置用于计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离；

校验单元，配置用于基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象。