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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。