一种人脸特征检索方法、装置及电子设备制造方法及图纸

本申请公开一种人脸特征检索方法、装置及电子设备，该方法将第一正交矩阵、第二正交矩阵分别与待检索特征向量、底库对应的特征向量矩阵相乘后，进行编码及合并得到待检索特征向量对应的待检索编码向量，及特征向量矩阵对应的总编码向量矩阵，然后在总编码向量矩阵中确定出待检索编码向量对应的第一目标编码向量，并将第一目标编码向量对应的人脸特征，作为待检索特征向量对应的检索结果。基于上述方法，通过对特征向量进行编码，可以降低底库中特征向量对应的内存使用占比。此外，由于在特征向量进行编码的过程中，没有特征维度丢失，使得最终编码结果包含原始特征向量对应的全部特征维度，进而提高了人脸特征检索精度。进而提高了人脸特征检索精度。进而提高了人脸特征检索精度。

【技术实现步骤摘要】
一种人脸特征检索方法、装置及电子设备


[0001]本申请涉及图像处理
，尤其涉及一种人脸特征检索方法、装置及电子设备。

技术介绍

[0002]人脸特征的检索技术是将待检索人脸特征对应的待检索特征向量与底库中的特征向量进行相似度比对，从而找到待检索特征向量对应的目标特征向量，并将目标特征向量对应的人脸特征作为待检索人脸特征对应的检索结果。目前，通常采用线性搜索的方式进行人脸特征检索，即依次判断底库中的每一个特征向量是否为目标特征向量。这种搜索方式的内存使用占比高，搜索效率低，不适用底库数据规模较大的场景。
[0003]为了解决上述问题，现有技术通常对底库中的特征向量进行编码处理，从而减小底库资源内存使用占比，比如，将底库中的每个特征向量切分成多个子向量，然后对每个子向量中包含的特征维度进行聚类，从而得到每个子向量对应的聚类中心，并对聚类中心进行编码，从而达到降低底库资源内存使用占比的目的，进一步，基于各个特征向量对应的编码进行人脸特征检索。这种检索方式由于对特征向量进行聚类处理，使得最终编码结果不能包含原始特征向量对应的所有特征，导致人脸特征检索精度低。

技术实现思路

[0004]本申请提供了一种人脸特征检索方法、装置及电子设备，实现了在底库数据规模较大的场景下，不仅能降低了底库资源内存使用占比，还能保证人脸特征检索精度。
[0005]第一方面，本申请提供了一种人脸特征检索方法，所述方法包括：获取特征向量矩阵对应的各个转换向量矩阵，其中，所述特征向量矩阵包含底库中的所有特征向量，所述转换向量矩阵包含所述特征向量矩阵对应的全部特征维度；对各个转换向量矩阵进行编码，得到所述特征向量矩阵对应的各个编码向量矩阵；在各个编码向量矩阵合并后的总编码向量矩阵中，确定出待检索编码向量对应的第一目标编码向量；将所述第一目标编码向量对应的人脸特征，作为待检索特征向量对应的检索结果。
[0006]基于上述方法，通过对特征向量进行编码，可以降低底库中特征向量对应的内存使用占比。此外，由于在特征向量进行编码的过程中，没有特征维度丢失，使得最终编码结果包含原始特征向量对应的全部特征维度，进而提高了人脸特征检索精度。
[0007]在一种可能的设计中，所述获取特征向量矩阵对应的各个转换向量矩阵，包括：获取第一正交矩阵以及第二正交矩阵，其中，所述第一正交矩阵以及所述第二正交矩阵分别对应的矩阵维度与所述特征向量矩阵维度相同；将所述第一正交矩阵、所述第二正交矩阵与所述特征向量矩阵相乘，得到所述特
征向量矩阵分别对应的第一转换向量矩阵、第二转换向量矩阵。
[0008]通过上述方法，基于第一正交矩阵和第二正交矩阵分别与特征向量矩阵相乘，可以避免特征维度的丢失，进而有助于提高人脸特征检索精度。
[0009]在一种可能的设计中，所述获取第一正交矩阵以及第二正交矩阵，包括：将预设训练数据输入迭代量化哈希算法ITQ模型进行编码训练，得到第一训练结果；在所述第一训练结果收敛时，得到第一正交矩阵，其中，所述第一正交矩阵能使编码误差小于预设误差；将所述预设训练数据输入各向同性哈希算法Iso模型进行编码训练，得到第二训练结果；在所述第二训练结果收敛时，得到第二正交矩阵，其中，所述第二正交矩阵能够对不同维度的训练数据进行差异化处理。
[0010]通过上述方法，得到第一正交矩阵以及第二正交矩阵，可以使得后续使用第一正交矩阵以及第二正交矩阵对特征向量进行编码处理时，不仅能避免特征维度的丢失，还能保证编码后的特征向量与原始特征向量之间的相似度，进而有助于提高人脸特征检索精度。在一种可能的设计中，所述对各个转换向量矩阵进行编码，得到所述特征向量矩阵对应的各个编码向量矩阵，包括：将所述第一转换向量矩阵及所述第二转换向量矩阵中的任一向量元素与第一预设阈值进行比对；在所述任一向量元素大于等于所述第一预设阈值时，将所述任一向量元素编码为第一值；在所述任一向量元素小于所述第一预设阈值时，将所述任一向量元素编码为第二值；将编码后的第一转换向量矩阵及编码后的第二转换向量矩阵作为各个编码向量矩阵。
[0011]通过上述方法，将特征向量矩阵中的每个向量元素对应的维度特征，全部进行编码转换，得到特征向量矩阵分别对应的第一编码向量矩阵、第二编码向量矩阵，实现在不丢失特征维度的情况下，压缩数据资源内存使用占比。在一种可能的设计中，所述在各个编码向量矩阵合并后的总编码向量矩阵中，确定出待检索编码向量对应的第一目标编码向量，包括：根据所述待检索编码向量与所述总编码向量矩阵中任一编码向量之间的第一相似度值，在所述总编码向量矩阵中确定出所述待检索编码向量对应的各个第二目标编码向量；将所述待检索编码向量及各个第二目标编码向量中的每个向量元素标注为第一元素或第二元素，其中，第一元素表征显著人脸特征对应的特征向量元素，第二元素表征非显著人脸特征对应的特征向量元素；分别计算所述待检索编码向量中的各个第一元素与各个第二目标编码向量中的各个第一元素之间的第一相似度距离，及所述待检索编码向量中的各个第二元素与各个第二目标编码向量中的各个第二元素之间的第二相似度距离；
根据各个第一相似度距离以及各个第二相似度距离，在各个第二目标编码向量中确定出所述第一目标编码向量。
[0012]通过上述方法，将待检索编码向量及各个第二目标编码向量中的向量元素标注为第一元素或者第二元素，进而实现将显著人脸特征对应的特征向量元素与非显著人脸特征对应的特征向量元素进行区分，进而有助于提高在各个第二目标编码向量中确定出第一目标编码向量的效率。
[0013]在一种可能的设计中，所述将所述待检索编码向量及各个第二目标编码向量中的每个向量元素标注为第一元素或第二元素，包括：计算所述待检索编码向量中的各个向量元素及所述第二目标编码向量中的各个向量元素分别与第二设阈值之间的差值绝对值；将各个差值绝对值分别与第三预设阈值进行比较；在任一差值绝对值大于所述第三预设阈值时，将所述任一差值绝对值对应的向量元素标注为第一元素；否则，将所述任一差值绝对值对应的向量元素标注为第二元素。
[0014]通过上述方法，将待检索编码向量及各个第二目标编码向量中的向量元素标注为第一元素或者第二元素，进而实现将显著人脸特征对应的特征向量元素与非显著人脸特征对应的特征向量元素进行区分，进而有助于提高在各个第二目标编码向量中确定出第一目标编码向量的效率。
[0015]在一种可能的设计中，所述根据各个第一相似度距离以及各个第二相似度距离，在各个第二目标编码向量中确定出所述第一目标编码向量，包括：在所述各个第一相似度距离中确定出第一目标相似度距离，其中，所述第一目标相似度距离为所述待检索编码向量与所述各个第二目标编码向量中的任一目标编码向量之间的第一相似度距离；在所述各个第二相似度距离中确定出第二目标相似度距离，其中，所述第二目标相似度距离为所述待检索编码向量与所述任一目标编码向量之间的第二相似度距离；根据所述第一目标相似度距离及所述第二目标相似度距离，计算所述待检索编码向量与所述任一目标编码向量之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸特征检索方法，其特征在于，所述方法包括：获取特征向量矩阵对应的各个转换向量矩阵，其中，所述特征向量矩阵包含底库中的所有特征向量，所述转换向量矩阵包含所述特征向量矩阵对应的全部特征维度；对各个转换向量矩阵进行编码，得到所述特征向量矩阵对应的各个编码向量矩阵；在各个编码向量矩阵合并后的总编码向量矩阵中，确定出待检索编码向量对应的第一目标编码向量；将所述第一目标编码向量对应的人脸特征，作为待检索特征向量对应的检索结果。2.如权利要求1所述的方法，其特征在于，所述获取特征向量矩阵对应的各个转换向量矩阵，包括：获取第一正交矩阵以及第二正交矩阵，其中，所述第一正交矩阵以及所述第二正交矩阵分别对应的矩阵维度与所述特征向量矩阵维度相同；将所述第一正交矩阵、所述第二正交矩阵与所述特征向量矩阵相乘，得到所述特征向量矩阵分别对应的第一转换向量矩阵、第二转换向量矩阵。3.如权利要求2所述的方法，其特征在于，所述获取第一正交矩阵以及第二正交矩阵，包括：将预设训练数据输入迭代量化哈希算法ITQ模型进行编码训练，得到第一训练结果；在所述第一训练结果收敛时，得到第一正交矩阵，其中，所述第一正交矩阵能使编码误差小于预设误差；将所述预设训练数据输入各向同性哈希算法Iso模型进行编码训练，得到第二训练结果；在所述第二训练结果收敛时，得到第二正交矩阵，其中，所述第二正交矩阵能够对不同维度的训练数据进行差异化处理。4.如权利要求2所述的方法，其特征在于，所述对各个转换向量矩阵进行编码，得到所述特征向量矩阵对应的各个编码向量矩阵，包括：将所述第一转换向量矩阵及所述第二转换向量矩阵中的任一向量元素与第一预设阈值进行比对；在所述任一向量元素大于等于所述第一预设阈值时，将所述任一向量元素编码为第一值；在所述任一向量元素小于所述第一预设阈值时，将所述任一向量元素编码为第二值；将编码后的第一转换向量矩阵及编码后的第二转换向量矩阵作为各个编码向量矩阵。5.如权利要求1所述的方法，其特征在于，所述在各个编码向量矩阵合并后的总编码向量矩阵中，确定出待检索编码向量对应的第一目标编码向量，包括：根据所述待检索编码向量与所述总编码向量矩阵中任一编码向量之间的第一相似度值，在所述总编码向量矩阵中确定出所述待检索编码向量对应的各个第二目标编码向量；将所述待检索编码向量及各个第二目标编码向量中的每个向量元素标注为第一元素或第二元素，其中，第一元素表征显著人脸特征对应的特征向量元素，第二元素表征非显著人脸特征对应的特征向量元素；分别计算所述待检索编码向量中的各个第一元素与各个第二目标编码向量中的各个第一...

【专利技术属性】
技术研发人员：杨凯航，殷俊，朱树磊，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：