[发明专利]一种大规模人脸识别系统及方法

说明书

本发明提出一种大规模人脸识别系统及方法，记录特征提取进程的日志系统用以记录特征提取的进度，除了可用于恢复断点之外，还可以对提取失败的样本进行缘由追溯；提出一种支持分布式的、基于非监督聚类算法的人脸特征索引方法，对识别任务中的特征库检索进行加速，该方法能有效解决底库较大时的检索缓慢问题，实际执行性能稳定，取得预期效果。

技术领域

该发明属于视频图像安防领域，涉及一种大规模的人脸识别系统及方法。

背景技术

自2012年Imagenet竞赛后，卷积神经网络(Convolutional Neural Network，CNN)成为了计算机视觉领域中的主流图像处理方法，它是一类前馈神经网络模型，主要由卷积层和池化层组成，通过不同的连接方式，模拟生物学中的视觉感受野概念。它避免了对图像的复杂前期预处理，可以直接输入原始图像进行处理，具有高度的自学习、逐级抽象的特点。得益于大数据、GPU等技术的高速发展，在大量视频图像应用中取得了优异的效果。

在人脸识别应用中，经卷积神经网络提取人脸图像得到的特征向量可以代表该自然人的身份，通过比较不同个体对应的人脸特征(向量)，可以得到查询图像与底库内已存有的特征图像的相似度，进而完成1：N的识别任务。其具体过程中涉及的难点有二：其一是对千万级别以上数据提取特征是一个漫长的过程，在过程中难免发生意外中断，因此特征提取过程需要支持可靠的断点续做功能；其二，在识别请求发出后，识别服务需要对底库内所有特征的检索与相似度计算，在底库规模比较大时，往往难以在较短时间内有效地完成查询任务，得到最佳匹配结果。

发明内容

针对以上不足，本发明提出一种大规模人脸识别系统，记录特征提取进程的日志系统用以记录特征提取的进度，除了可用于恢复断点之外，还可以对提取失败的样本进行缘由追溯；提出一种支持分布式的、基于非监督聚类算法的人脸特征索引方法，对识别任务中的特征库检索进行加速，该方法能有效解决底库较大时的检索缓慢问题，实际执行性能稳定，取得预期效果。

本发明提出一种大规模人脸识别系统，其特征在于：包括特征库建库系统和人脸1：N识别系统；所述特征库建库系统，支持标准图像数据集输入以及数据库输入，通过对数据的排序，以及处理过程中逐步骤的日志系统，完成对特征提取过程的详细记录，并在断点续做功能中，由之前完成的日志提供续作的依据，以此避免提取过程中受意外因素中断提取操作而引起任务进度丢失、重做等时间损耗；所述人脸1：N识别系统，通过将识别任务映射到主节点管理的各个从节点上，由各个节点协助完成部分特征库的特征相似度计算，并行地检索整个库，作为第一重加速方法；在各个节点上采用K-mean的无监督聚类算法对特征库进行提前的训练聚类，实际检索时，输入查询的图像特征，首先计算与之最近的数个类簇中心，进而实现检索部分样本的目的，此为第二重加速，由以上二级加速，大大缩短识别放回结果的时间，且能保持较高的检索准确性。

本发明还提供一种大规模人脸识别方法，其特征在于：首先完成对人脸特征库的建立，而后开启人脸识别1：N的服务，待客户端发送人别请求后完成整个库人脸特征相似度计算给出最佳识别结果，具体实现过程如下：

人脸识别特征库建库系统，具体实现流程为：首先加载已训练好的人脸检测算法模型、人脸特征提取卷积神经网络模型，而后根据配置文件，判定进入恢复模式或者首次提取模式；若为恢复模式，读取提取日志，从查询数据库中筛去已完成的样本，若为首次提取模式，则跳过此步骤，而后根据配置文件中的其他条件筛取需要提取的人脸图像，按批次地进行图像解码-人脸检测-人脸特征提取，并实时写入日志缓存，在完成一定的批大小的数据之后再将缓存文件写入日志，特征文件保存为临时块文件，保证了日志的快速性、完整性、可用性，在全部待提取图像完成后，将按批次保存的特征块文件整合为一个特征文件；