[发明专利]基于triplet深度二值网络的快速人脸检索方法

说明书

本发明提出了一种基于triplet深度二值网络进行快速的人脸检索的方法，属于图像处理技术领域。首先将图片进行三元组预处理和编码分组，再利用分块图切方法进行triplet哈希编码训练，利用深度网络进行特征提取，使用循环交错两阶段的方法有效地将深度网络判别信息反馈给哈希编码网络，使得两个阶段进行循环学习，相互修正，最后提取深度网络的判别特征作为图片的哈希编码，进行特征对比和人脸检索。通过这种方式可以进行分块编码训练，加快训练速度，同时能有效利用深度网络信息，提取高判别性的哈希编码，提高检索精度。

技术领域

本发明涉及图像处理领域，特别涉及一种基于triplet深度二值网络的快速人脸检索方法。

背景技术

人脸检索是指，从庞大的人脸数据库中找到与待识别人脸是同一个人的样本，即逐一确认数据库中人脸和待识别人脸是否为同一个人。这一问题在门禁刷脸、视频监控、刷脸支付等领域有重要的现实价值。

随着大数据的快速发展，人脸检索在速度上受到了极大的限制。为了保证快速性，通常将特征进行二值编码。二值哈希编码将原始特征映射到压缩的二值编码上，从而加快特征的匹配速度。两阶段的哈希编码方法将编码训练和矩阵学习分开进行，有效地提高网络的训练效率。第一阶段运用成对的相似度信息，训练哈希二值编码网络。第二阶段训练判别器，如支持向量机或者决策树等，通过将特征表征和上述二值编码进行比较，得到最终的二值编码，进一步提高网络的性能。但由于传统判别器得到的判别效果较差，且判别器学到的特征表征不能及时反馈给二值编码网络，因此人脸检索的精度得不到保证。

为了提高人脸检索的精度，深度网络特征取代了手工特征，并将特征表征和二值哈希编码进行端到端训练，很好地利用了二值编码的反馈信息。针对离散型的二值编码，引入矩阵学习方法作为其损失函数。triplet是一种矩阵学习方法，它将同类样本的距离缩小，不同样本的距离拉大，从而增强特征的判别性能。目前的哈希编码方法将triplet应用在模型的训练过程中，利用triplet保持原始数据的相对语义关系，提高网络精度。但是，triplet相当于把数据量提高了3倍，训练复杂度高，网络的训练速度十分缓慢。

发明内容

本发明针对现有技术存在的不足，提出一种基于triplet深度二值网络的快速人脸检索方法。该方法同时解决了triplet训练慢和两阶段法精度差的问题，实现精度、速度的双重提高。

本发明通过以下技术方案实现：

一种基于triplet深度二值网络的快速人脸检索方法，其特征在于：使用分块图切方法进行triplet哈希编码训练，使用深度网络进行特征提取，使用循环交错两阶段的方法有效地将深度网络判别信息反馈给哈希编码网络，使得两个阶段进行循环学习，相互修正，提高网络精度，加快训练速度。具体包括如下步骤：

步骤A，预处理，即生成三元组人脸对(为本领域常规技术)。

步骤B，编码切分，即将待生成的二值编码分组，分成M个组，每个组有N个bits。

步骤C，基于triplet的哈希编码：

求解线性等式构建相关性矩阵，对第m个组(m＝1:M)第n个bit(n＝1:N)，应用分块图切算法得到该bit的哈希编码。使用triplet损失函数(本领域公知)，保证每一块中的每一对样本的相关性小于0。triplet损失函数使用按位循环的Hinge Loss：

其中，d_H表示哈希函数，r表示处理哈希编码的第r个bit，其他bit作为常数处理，值不变。共循环n次，即得到第m组的哈希编码。

步骤D，训练深度网络判别器：对步骤C中得到的第m组的哈希编码，训练深度网络，损失函数为训练得到的判别信息与步骤C中哈希编码的汉明距离。