[发明专利]一种图像验证方法、装置及计算机可读存储介质

说明书

本发明实施例公开了一种图像验证方法，所述方法包括：获取待验证图像和预设图像；通过预设图像验证神经网络模型分别对所述待验证图像和预设图像进行特征提取，得到第一特征和第二特征；将所述第一特征与第二特征进行匹配，获取匹配值，若所述匹配值大于预设匹配值，则图像验证通过。采用本发明，可以提高图像验证的准确性。

技术领域

本发明涉及验证领域，特别是涉及一种图像验证方法。

背景技术

随着互联网技术的迅速发展，通过图像验证来保障用户账号安全性也显得尤为重要。图像验证，是图像识别领域的一个分支，使用图像验证算法可全自动对两张图像进行验证，判别是否为同一图像。这种方式可用于互联网金融等多个场景下的用户身份核实。

目前，在对现有技术的研究和实践过程中，本发明的发明人发现，由于图像验证技术中，经常会用到在嵌入式设备上部署的图像验证神经网络模型，所述图像验证神经网络模型会给所述嵌入式设备带来存储和计算负载，因此，一些网络模型压缩及加速方法被提出，在这些方法中，二值化方法因其对网络性能的巨大提升展现出了一定的优越性。

虽然目前的二值化方法在小规模数据集上取得了不错的效果，但是在如ImageNet等的大数据集上却出现了明显的准确率下降的现象。因此，如何在尽可能保证二值化技术压缩率和加速比的情况下，提高图像验证的准确率成为一个亟待解决的问题。

发明内容

为了解决上述问题，本发明提供了一种图像验证方法，可以提高图像验证的准确率。

基于此，本发明提供了一种图像验证方法，所述方法包括：

获取待验证图像和预设图像；

通过预设图像验证神经网络模型分别对所述待验证图像和预设图像进行特征提取，得到第一特征和第二特征；

将所述第一特征与第二特征进行匹配，获取匹配值，若所述匹配值大于预设匹配值，则图像验证通过。

其中，获取待验证图像和预设图像之前包括：

获取至少两个第一图像，并根据所述第一图像构建第一数据集；

获取所述第一数据集对应的第二图像，并根据所述第二图像构建第二数据集；

根据所述第一数据集和第二数据集对图像验证神经网络进行训练，获取预设图像验证神经网络模型。

其中，所述图像验证神经网络模型包括二值化卷积神经网络和逐点卷积层。

其中，所述图像验证神经网络模型包括：

根据卷积神经网络各层的冗余性来判断所述卷积神经网络各层是否为待二值化卷积神经网络层；

对所述待二值化卷积神经网络层进行二值化，得到二值化卷积神经网络层，所述二值化卷积神经网络层用于加速神经网络；

计算所述二值化卷积神经网络层的全精度卷积核的缩放因子，将逐点卷积层的参数替换为one-hot向量，并以所述缩放因子替代one-hot向量中的非零值，使得所述逐点卷积层参数为零和缩放因子，将所述二值化卷积神经网络层的输出与所述逐点卷积层进行卷积运算，所述逐点卷积层用于提高所述图像验证神经网络模型的容量。

其中，所述根据卷积神经网络各层的冗余性来判断所述卷积神经网络各层是否为待二值化卷积神经网络层包括：

当所述J大于预设阈值时，所述卷积神经网络层为待二值化卷积神经网络层，其中，c_i0.98时，等于1，否则，等于0；

λ_i为特征值向量，获取所述λ_i包括：