一种基于汉明距离的大规模高效人脸识别方法技术

本发明专利技术公开了一种基于汉明距离的大规模高效人脸识别方法，包括以下步骤：构建卷积神经网络，利用样本图片对卷积神经网络进行训练生成模型，利用测试工程代码提取出高维特征和低维特征，并将高维特征保存、低维特征转换为二值散列码，然后将经过预处理的待检测图片投入到训练好的卷积神经网络中，并提取出待检图片高维特征并保存、低维特征转换为二值散列码，依次用汉明距离和余弦距离由粗到精进行检索，最终得出识别结果。本发明专利技术的有益效果是：本发明专利技术能够在卷积神经网络中进行降维压缩，再用汉明距离和余弦距离进行由粗到细的两次检索识别，不仅省略了传统PCA算法，简化了识别工序，缩短了计算时间，提高了检索效率。

A large scale and efficient face recognition method based on Hamming distance

The invention discloses a large-scale and efficient face recognition method based on Hamming distance, which comprises the following steps: construct the convolutional neural network, trained to generate the model convolution neural network using sample images, using the test project code to extract the high-dimensional feature and low dimensional feature, and the high dimension feature preservation, transformation of low dimensional feature is two the hash code value, and then through the pretreatment of the detecting image into the convolution of the trained neural network, and extract the detected image high-dimensional feature conversion and preservation, low dimensional feature value for the two hash code, followed by the Hamming distance and cosine distance from coarse to fine search, finally obtains the recognition results. The invention has the advantages that the invention can reduce dimension compression in convolutional neural network, then the Hamming distance and cosine distance from coarse to fine the two retrieval and recognition, not only omit the traditional PCA algorithm, and simplifies the recognition process, shorten the calculation time, improve the retrieval efficiency.

【技术实现步骤摘要】
一种基于汉明距离的大规模高效人脸识别方法
本专利技术涉及图像识别
，特别涉及一种基于汉明距离的大规模高效人脸识别方法。
技术介绍
目前，人脸识别方法日益成熟，多侧重于人脸定位以及有效特征的提取以达到相当高的识别准确率，但是常用的相似度算法基本都有一个通病，即当需要识别的人脸数据库达到很大的数量的时候需要耗费的时间成本相当高，这在实际应用中属于一大缺陷。因此，如果能研究出一种在大规模人脸数据库情况下能够进行高效又高精度的人脸识别方法，将对医学图像领域、公安侦查罪犯、城市居民区安防、端到端访问控制等实际应用有极大的帮助。采用传统的深度学习进行人脸识别，在提取高维特征后很多算法都会进行特征降维，因为高维特征包含丰富的图像信息，其在理论上用来进行识别时虽然能够达到超高的识别准确率，但是在高维浮点数向量之间求相似度，计算量非常大，因此还需要采用PCA算法对高维特征进行降维压缩，然后再进行基于内容的图像检索，这种方式的性能会大大优于传统的人脸识别算法。但PCA算法不能在网络中进行实现，需要用matlab或其他工具通过PCA算法将由网络提取出的高位特征进行降维操作，整体识别过程复杂，而且低维本文档来自技高网...

【技术保护点】
一种基于汉明距离的大规模高效人脸识别方法，其特征在于，所述识别方法包括以下步骤：步骤S1：构建卷积神经网络，其中所述卷积神经网络能够输出图片的高维特征和低维特征；步骤S2：建立样本数据库，利用样本图片对卷积神经网络进行训练，并生成模型；其中，所述样本数据库中的样本图片均进行图片格式转换为LMDB格式，生成均值文件；步骤S3：编写测试工程代码，用于将提取出卷积神经网络输出的高维特征和低维特征，并将高维特征保存，将低维特征转换为二值散列码；步骤S4：获取待检图片，将经过预处理的待检测图片投入到训练好的卷积神经网络中，输出待检图片高维特征和待检图片低维特征，通过步骤S3编写的测试工程代码提取出待检图...

【技术特征摘要】
1.一种基于汉明距离的大规模高效人脸识别方法，其特征在于，所述识别方法包括以下步骤：步骤S1：构建卷积神经网络，其中所述卷积神经网络能够输出图片的高维特征和低维特征；步骤S2：建立样本数据库，利用样本图片对卷积神经网络进行训练，并生成模型；其中，所述样本数据库中的样本图片均进行图片格式转换为LMDB格式，生成均值文件；步骤S3：编写测试工程代码，用于将提取出卷积神经网络输出的高维特征和低维特征，并将高维特征保存，将低维特征转换为二值散列码；步骤S4：获取待检图片，将经过预处理的待检测图片投入到训练好的卷积神经网络中，输出待检图片高维特征和待检图片低维特征，通过步骤S3编写的测试工程代码提取出待检图片高维特征并保存，将待检图片低维特征转换为二值散列码；步骤S5：用汉明距离计算待检图片的二值散列码与样本数据库中每一张样本图片的二值散列码的汉明距离，将计算出的所有汉明距离进行升序排列，设定阈值并筛选出汉明距离小于阈值的样本图片；步骤S6：用余弦距离计算待检图片高维特征与步骤S5筛选出的样本图片高维特征的相似度，并对筛选出的相似度进行降序排列，输出最高相似度所对应的样本图片，即为识别结果。2.根据权利要求1所述的基于汉明距离的大规模高效人脸识别方法，其特征在于，所述步骤S1所述的卷积神经网络为：在传统卷积神经网络的特征输出层和分类输出层之间增设一隐藏层，所述隐藏层为全连接层，所述隐藏层的激活函数采用sigmoig函数。3.根据权利要求1所述的基于汉明距离的大规...

【专利技术属性】
技术研发人员：舒泓新，蔡晓东，曾燕，
申请(专利权)人：中通服公众信息产业股份有限公司，
类型：发明
国别省市：新疆,65