图像校验方法和装置制造方法及图纸

本申请实施例公开了图像校验方法和装置。该方法的一具体实施方式包括：获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成第一图像的第一图像矩阵和第二图像的第二图像矩阵；分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。该实施方式提高了图像校验效率。

Image verification method and device

The application embodiment discloses the image verification method and device. One embodiment of the method comprises: obtaining a first image and a second image, the first image includes a first face image, second images including second face image; second image matrix generation the first image of the first image and the second image matrix; respectively the first image and the second image matrix matrix input to the multi-layer convolution neural network pre training, high-level feature vector, high-level feature vector and the second image of the first image of the multi-layer convolution neural network for the corresponding relationship between image feature vector and matrix representation of high-rise; between the top eigenvector calculation of tall feature vector and second image of the first image distance; based on the computed results is the same a calibration object belongs to the first face image region and the second region face image. The implementation method improves the efficiency of image verification.

【技术实现步骤摘要】
图像校验方法和装置
本申请涉及计算机
，具体涉及互联网
，尤其涉及图像校验方法和装置。
技术介绍
由于图像校验技术可以从海量的图像中自动校验出属于同一个对象的图像，因此图像校验技术已被应用在多种领域中。然而，现有的图像校验方法通常需要自定义图像中的多个局部区域，并分别提取各个局部区域的特征，从而利用各个局部区域的特征进行校验。校验过程较为复杂，导致图像校验效率较低。
技术实现思路
本申请实施例的目的在于提出一种改进的图像校验方法和装置，来解决以上
技术介绍
部分提到的技术问题。第一方面，本申请实施例提供了一种图像校验方法，该方法包括：获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。在一些实施例中，分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，包括：分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。在一些实施例中，分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵，包括：对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。在一些实施例中，计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离，包括：计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。在一些实施例中，基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象，包括：将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。第二方面，本申请实施例提供了一种图像校验装置，该装置包括：获取单元，配置用于获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成单元，配置用于生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；输入单元，配置用于分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算单元，配置用于计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；校验单元，配置用于基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。在一些实施例中，输入单元包括：第一相乘子单元，配置用于分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；第二相乘子单元，配置用于分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；第三相乘子单元，配置用于分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。在一些实施例中，第二相乘子单元包括：分割模块，配置用于对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；卷积模块，配置用于将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。在一些实施例中，计算单元进一步配置用于：计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。在一些实施例中，校验单元包括：比较子单元，配置用于将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；第一确定子单元，配置用于若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；第二确定子单元，配置用于若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。本申请实施例提供的图像校验方法和装置，通过获取第一图像和第二图像，以便生成第一图像的第一图像矩阵和第二图像的第二图像矩阵；然后分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，以便得到第一图像的高层特征向量和第二图像的高层特征向量；最后计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离，以便校验出第一人脸图像区域和第二人脸图像区域是否属于同一个对象。其图像校验过程较为简单，从而提高了图像校验效率。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请实施例可以应用于其中的示例性系统架构图；图2是根据本申请的图像校验方法的一个实施例的流程图；图3是根据本申请实施例的图像校验方法的一个应用场景的示意图；图4是根据本申请的图像校验方法的又一个实施例的流程图；图5是根据本申请的图像校验装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了可本文档来自技高网...

【技术保护点】
一种图像校验方法，其特征在于，所述方法包括：获取第一图像和第二图像，其中，所述第一图像包括第一人脸图像区域，所述第二图像包括第二人脸图像区域；生成所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，其中，所述多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离；基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象。

【技术特征摘要】
1.一种图像校验方法，其特征在于，所述方法包括：获取第一图像和第二图像，其中，所述第一图像包括第一人脸图像区域，所述第二图像包括第二人脸图像区域；生成所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，其中，所述多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离；基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象。2.根据权利要求1所述的方法，其特征在于，所述分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，包括：分别将所述第一图像矩阵和所述第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵；分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵；分别将所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵与所述多层卷积神经网络的第三预设层的参数矩阵相乘，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量。3.根据权利要求2所述的方法，其特征在于，所述分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵，包括：对所述多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；将分割后的特征矩阵集合与所述目标层的参数矩阵进行卷积，得到所述目标层的输出特征矩阵。4.根据权利要求1所述的方法，其特征在于，所述计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离，包括：计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离。5.根据权利要求4所述的方法，其特征在于，所述基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象，包括：将所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；若小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域属于同一个对象；若不小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域不属于同一个对象。6.一种图像校验装置，其特征在于，所述装置包括：获取单元，配置用于获取第一图像和第二图像，其中，所...

【专利技术属性】
技术研发人员：刘文献，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11