一种基于深度学习的快速人脸检索方法技术

本发明专利技术公开了一种基于深度学习的快速人脸检索方法，属于计算机视觉目标识别应用领域。本发明专利技术主要利用深度神经网络和提取人脸二值特征，结合局部敏感哈希(Locality Sensitive Hashing,LSH)最近邻检索算法，提出了一种快速高效的人脸检索算法。首先通过大量标定人脸数据训练深度神经网络，然后将数据库中的所有图片代入神经网络进行计算，得到对应的二值特征库，然后设计哈希函数，构造哈希结构。对于待检索的图片，同样代入神经网络进行计算，得到二值特征后，通过LSH算法完成检索。通过大量的数据库测试发现，该方法检索准确率高，速度快，并在工程环境应用时有很好的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习的快速人脸检索方法
本专利技术涉及计算机视觉目标检索应用领域，具体涉及到大数据集中基于深度学习的快速人脸检索方法。
技术介绍
人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。人脸检索技术广泛应用在刑侦、监控以及治安等多个领域和场景，有着非常高的研究价值。随着应用场景的复杂度不断增加，数据库的规模也越来越大，在数据库中快速检索出目标人脸的难度也随着增加。在实际的应用中，样本数一般比较大并且会频繁变化(如公民的身份证库)，所以对于人脸识别问题，大多数研究人员的重点在于验证，即比较两张图片是否属于同一个个体，然而验证算法的应用场景有限，对于海量数据库的检索只能通过一一比对的方式，效率比较低下，因此，如何在海量数据库中快速检索人脸是人脸识别的一个重点研究方向。本文提出了一种基于深度学习的快速人脸检索算法，利用深度神经网络提取人脸二值特征，结合LSH算法，实现海量数据库中的人脸快速检索。
技术实现思路
本专利技术的目的在于:为解决目前基于二值特征的快速人脸检索方法的准确率不高的问题，本专利技术提供一种基于深度学习的二值特征提取算法，用于人脸快速检索。为了解决上述技术问题，达到上述目的，本专利技术采用如下技术方案：一种基于深度学习的快速人脸检索方法，包括如下步骤：步骤1：设计卷积神经网络结构和损失函数；卷积神经网络以Inception-ResNet-v2为主要结构，以Sigmoid函数为激活函数，损失函数包括交叉熵损失函数、中心距离损失层损失函数和类间损失层损失函数；(1)交叉熵损失函数：交叉熵损失函数表达式如下：其中a为网络实际的输出，y为期望值；(2)中心距离损失层损失函数：中心距离损失函数的表达式如下：其中表示数据块中第yi个个体所有样本的特征中心值，xi表示该个体的某一样本的特征值；(3)类间损失层损失函数：类间损失函数表达式如下：其中，α为自定义常量，xni代表第i个个体的第n张图片，xmj同理；步骤2：通过损失函数训练卷积神经网络；步骤3：对于检索数据库的所有图片，通过训练好的卷积神经网络计算人脸二值特征；步骤4：根据二值特征设计哈希函数，构造哈希结构；步骤5：对于待检索的图片，代入卷积神经网络中得到二值特征，通过LSH算法在检索数据中进行检索；步骤6：根据步骤5中的检索结果，找到正确匹配的人脸图片，完成检索。具体地，所述步骤2的具体步骤为：步骤2.1：训练数据集和数据分块选择CASIA-WebFace人脸数据库作为训练集，随机选择10000个体约40w图片，首先进行对齐预处理，训练数据块大小为500，每个数据块包含12个个体，每个个体约有40个样本；步骤2.2：交叉熵损失层训练根据每个样本对应的类别，计算交叉熵损失层损失，进行训练；步骤2.3：中心距离损失层训练每个数据块所有样本前向传播得到Sigmoid层的特征值，再计算相同个体的特征均值，根据损失函数开始训练，并更新特征均值；步骤2.4：类间距离损失层训练先计算所有样本传播至Sigmoid层后的特征值，然后随机选择部分不同个体样本，根据损失函数进行训练。具体地，所述步骤3具体为：对检索数据库的所有图片，通过卷积神经网络计算得到128维的特征后，以0.5为阈值，将人脸特征二值化。具体地，所述步骤4具体为：根据LSH算法，设计哈希函数，根据哈希函数建立特征的哈希结构。具体地，所述步骤5的具体流程为：对于待检索的图片，代入卷积神经网络中得到二值特征，通过LSH算法在检索库中进行检索，根据相似度得到检索排序。具体地，所述步骤6的具体流程为：步骤5最终得到了检索的相似度排序，然后找到正确匹配人脸的排序作为评价标准，完成检索。因为本专利技术采用上述技术方案，因此具备以下有益效果：(1)本专利技术创新性的提出一种类间损失层，结合交叉熵损失和中心距离损失，使得最终得到的二值特征更为稳定和可区分性，最后结合最近邻检索算法，提升目前人脸检索算法检索效率并拓展应用场景。(2)算法鲁棒性较好，人脸特征提取稳定在复杂背景下的应用十分稳定。附图说明图1为人脸检索流程图；图2为神经网络结构图；图3为通过神经网络计算图片特征示意图；图4为根据特征相似度进行检索示意图。具体实施方式下面将结合附图及具体实施方式对本专利技术作进一步的描述。如图1所示，一种基于深度学习的快速人脸检索方法，包括如下步骤：步骤1：如图2所示，设计卷积神经网络结构和损失函数；卷积神经网络以Inception-ResNet-v2为主要结构，以Sigmoid函数为激活函数，损失函数包括交叉熵损失函数、中心距离损失层损失函数和类间损失层损失函数；(1)交叉熵损失函数：交叉熵损失函数表达式如下：其中a为网络实际的输出，y为期望值。(2)中心距离损失层损失函数：中心距离损失函数的表达式如下：其中表示数据块中第yi个个体所有样本的特征中心值，xi表示该个体的某一样本的特征值；(3)类间损失层损失函数：类间损失函数表达式如下。其中，α为自定义常量，xni代表第i个个体的第n张图片，xmj同理，通过引入类间损失层，有效的增大类间距离；步骤2：通过损失函数训练卷积神经网络；具体地，所述步骤2的具体步骤为：步骤2.1：训练数据集和数据分块选择CASIA-WebFace人脸数据库作为训练集，随机选择10000个体约40w图片，首先进行对齐预处理，训练数据块大小为500，每个数据块包含12个个体，每个个体约有40个样本；步骤2.2：交叉熵损失层训练根据每个样本对应的类别，计算交叉熵损失层损失，进行训练；步骤2.3：中心距离损失层训练每个数据块所有样本前向传播得到Sigmoid层的特征值，再计算相同个体的特征均值，根据损失函数开始训练，并更新特征均值；步骤2.4：类间距离损失层训练先计算所有样本传播至Sigmoid层后的特征值，然后随机选择部分不同个体样本，根据损失函数进行训练。步骤3：对于检索数据库的所有图片，通过训练好的卷积神经网络计算人脸二值特征；所述步骤3具体为：对检索数据库的所有图片，通过卷积神经网络计算得到128维的特征后，以0.5为阈值，将人脸特征二值化，如图3所示。步骤4：据LSH算法，设计哈希函数，根据哈希函数建立特征的哈希结构。步骤5：对于待检索的图片，代入卷积神经网络中得到二值特征，通过LSH算法在检索库中进行检索，根据相似度得到检索排序。步骤6：根据步骤5最终得到了检索的相似度排序，然后找到正确匹配人脸的排序作为评价标准，完成检索，如图4所示。步骤6：根据步骤5中的检索结果，找到正确匹配的人脸图片，完成检索。通过引入Sigmoid层以及三种损失函数间的相互作用，本文提取到的二值特征在实际的应用中既简化了特征的复杂度，又保持了特征的可区分性，这种二值特征提取算法同样适用于其他场景。按照上述步骤进行实验后，引入类间损失和不引入类间损失算法在LFW上的人脸验证准确率分别为92.3％和90.1％，在检索的过程中，也有更好的表现。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的快速人脸检索方法，其特征在于，包括如下步骤：步骤1：设计卷积神经网络结构和损失函数；卷积神经网络以Inception‑ResNet‑v2为主要结构，以Sigmoid函数为激活函数，损失函数包括交叉熵损失函数、中心距离损失层损失函数和类间损失层损失函数；(1)交叉熵损失函数：交叉熵损失函数表达式如下：

【技术特征摘要】
1.一种基于深度学习的快速人脸检索方法，其特征在于，包括如下步骤：步骤1：设计卷积神经网络结构和损失函数；卷积神经网络以Inception-ResNet-v2为主要结构，以Sigmoid函数为激活函数，损失函数包括交叉熵损失函数、中心距离损失层损失函数和类间损失层损失函数；(1)交叉熵损失函数：交叉熵损失函数表达式如下：其中a为网络实际的输出，y为期望值；(2)中心距离损失层损失函数：中心距离损失函数的表达式如下：其中表示数据块中第yi个个体所有样本的特征中心值，xi表示该个体的某一样本的特征值；(3)类间损失层损失函数：类间损失函数表达式如下：其中，α为自定义常量，xni代表第i个个体的第n张图片，xmj同理；步骤2：通过损失函数训练卷积神经网络；步骤3：对于检索数据库的所有图片，通过训练好的卷积神经网络计算人脸二值特征；步骤4：根据二值特征设计哈希函数，构造哈希结构；步骤5：对于待检索的图片，代入卷积神经网络中得到二值特征，通过LSH算法在检索数据中进行检索；步骤6：根据步骤5中的检索结果，找到正确匹配的人脸图片，完成检索。2.根据权利要求1所述的一种基于深度学习的快速人脸检索方法，其特征在于，所述步骤2的具体步骤为：步骤2.1：训练数据集和数据分块选择CASIA-WebFace人脸数据库作为训练集，随机选择10000个体...

【专利技术属性】
技术研发人员：陶冰洁，王酉祥，马泸敏，廖龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51