[发明专利]一种提高数据特征比对效率的方法、装置

说明书

本申请公开了一种提高数据特征比对效率的方法，该方法包括，获取当前待识别目标特征数据、以及该数据所关联的时间信息；根据该数据所关联的时间信息，确定所述时间信息对应的子模板库，将所述当前待识别目标特征数据与所述子模板库中样本进行比对，其中，所述子模板库包括，至少根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合。从而使得比对的样本数大幅降低，提高了比对的效率，缩短了比对时间，在同样性能指标下，减少了相似度的计算量，减低了硬件开销，获得了更好的设备响应性能。

技术领域

本发明涉及特征识别领域，特别地，涉及一种提高数据特征比对效率的方法。

背景技术

随着AI技术的发展，现有的特征识别大多采用了深度学习算法，具体来说，通过大量的附带标签的特征数据样本去训练算法，当算法性能指标(拒真率、误识率、建模时间等)满足要求时，将通过训练算法所获得的特征数据样本集合作为特征数据库(即模板库)予以保存；在识别过程中，需要将待识别的目标数据特征通过训练后的深度学习算法与模板库中的数据进行遍历比对，得到N个相似度值，最后将相似度值最高、且大于设定的相似度阈值的特征数据作为识别结果。

以基于人脸识别的考勤机为例，考勤机摄像头实时抓拍图片，并基于抓拍的图片进行人脸建模，建模成功则获得当前人脸的特征向量，将当前人脸的特征向量与考勤机内的N张人脸图片特征向量数据库(即模板库)进行遍历比对，并得出N个相似度值，最后将相似度值最高且大于设定的相似度阈值的那张人脸图片作为结果返回，从而完成1：N比对流程。

在现有技术中，对特征数据比对深度学习算法的优化主要集中在人脸建模算法优化、相似度比较算法优化等方面，虽然这些优化提高了拒真率、误识率、建模时间等性能指标，但随着特征数据的容量越来越大，1：N比对耗时并没有得到显著的提升，在同样性能处理器上(如GPU或者CPU)，所表现出的性能就越差，识别的响应性能也越差。

发明内容

本发明提供了一种提高数据特征比对效率的方法，以优化识别过程中的数据特征比对效率，提高响应性能。

本发明提供的一种提高数据特征比对效率的方法，该方法包括，

获取当前待识别目标特征数据、以及该数据所关联的时间信息；

根据该数据所关联的时间信息，确定所述时间信息对应的子模板库，

将所述当前待识别目标特征数据与所述子模板库中样本进行比对，

其中，所述子模板库包括，至少根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合。

较佳地，所述子模板库基于包括N个样本集合的模板库，通过基于时间序列分割聚类的无监督深度学习算法，获得该子模板库包括的样本集合，其中，N为自然数，且随着时间的推移而增加。

较佳地，所述基于包括N个样本集合的模板库，通过基于时间序列分割聚类的无监督深度学习算法，获得该子模板库包括的样本集合包括：

确定子模板库的数量，

获取当前待识别目标特征数据，将其作为样本增加至所述模板库中，

对于所述模板库中任一样本，

构建当前样本的第一特征向量，该第一特征向量至少包括当前样本的特征信息向量、以及当前样本关联的时间信息向量；

至少提取第一特征向量中的时间向量，

通过基于时间序列分割聚类的无监督深度学习算法，根据时间信息向量，对所述第一特征向量进行聚类，得到当前聚类结果，对当前聚类结果进行训练，直至当前聚类结果收敛，得到当前样本所归属的子模板库；