人脸搜索方法、装置及可读介质制造方法及图纸

本申请提供的一种人脸搜索方法、装置及可读介质，其方法包括：对待搜索的人脸图像进行特征处理，得到人脸特征向量；基于多个人脸数据组各自的代表特征向量与所述人脸特征向量的相似度，选取至少一个人脸数据组；基于选取的人脸数据组中预存人脸图像的特征向量，从中搜索与所述人脸特征向量匹配的预存人脸图像通过代表特征向量与待搜索的人脸图像的特征向量进行相似度比对，基于相似度来初步筛选出人脸数据组，之后从人脸数据组中筛选出匹配的人脸图像，进而大大减小了整个检索的计算量，由于各个人脸图像分布式地存储于各个数据组，数据组可以放置于一个或多个数据库，因此攻击者需要破坏所有数据组，可以有效的防止攻击者对操作系统的破坏；同时由于分组后数据存储量小，具有很好的隐蔽性，很难被攻击者探查；也无需重新编译内核，提升了使用效率。提升了使用效率。提升了使用效率。

【技术实现步骤摘要】
人脸搜索方法、装置及可读介质


[0001]本申请涉及图像搜索
，具体涉及一种人脸搜索方法、装置及可读介质。

技术介绍

[0002]随着网络技术的不断发展，越来越多的便民技术出现在人们的生活中，人脸识别技术即为其中之一，随着人脸识别技术在各领域的大规模应用，人脸信息库变得越来越庞大，在海量的人脸信息库中快速检索出目标人脸的技术实现，成为该项技术应用进一步加深的关键点。
[0003]现有技术主要从人脸信息表述出发，通过精简人脸特征信息，以达到快速检索的效果。例如，通过采用哈希编码技术，对人脸特征进行哈希编码转化，得到相应的哈希数据，再通过计算哈希数据之间的误差，来实现检索速度的提升，这种方法虽然提高了计算速度，但并没有减少整个检索流程的计算量，对于大规模的人脸底库来说，检索速度并没有质的改善。或者从数据检索的方式出发，通过提高检索算法的性能，来实现对目标人脸在海量数据库中的快速定位。例如，利用K
‑
means聚类方法，先将人脸特征聚成若干个类，然后将目标人脸特征与每个类的中心向量进行比对，得到与之最匹配的一类，从而缩小了检索范围，最后通过小批量的逐一比对，最终找到目标人脸的对应信息。这种方法确实有效降低了检索时长，但由于人脸库的动态性，会导致所得的类中心向量不准确，从而影响了检索的准确度，再者，采用此类检索方法的系统平台，更新节点复杂度较高，可扩展性也不足，因此存在诸多不足。

技术实现思路

[0004]针对现有技术中人脸图像检索存在精确检索数据量大、分类检索人脸库动态更新导致准确性较低的问题，本申请提供一种人脸搜索方法、装置及可读介质。
[0005]本申请第一方面实施例提供一种人脸搜索方法，包括：
[0006]对待搜索的人脸图像进行特征处理，得到人脸特征向量；
[0007]基于多个人脸数据组各自的代表特征向量与所述人脸特征向量的相似度，选取至少一个人脸数据组；每个人脸数据组包括多个预存人脸图像，每个人脸数据组的代表特征向量是根据对应包括的所有预存人脸图像的特征向量得到的；
[0008]基于选取的人脸数据组中预存人脸图像的特征向量，从中搜索与所述人脸特征向量匹配的预存人脸图像。
[0009]在可选的实施例中，还包括：
[0010]对多个所述预存人脸图像进行特征处理，得到每个预存人脸图像的特征向量；
[0011]基于各特征向量的相似度对所述预存人脸图像进行分组，得到多个人脸数据组。
[0012]在可选的实施例中，特征处理的具体步骤包括：
[0013]将待特征处理的图像输入至预设的人脸特征提取模型，所述人脸特征提取模型输出所述待特征处理的图像的特征向量，其中所述人脸特征提取模型是通过历史图像训练得
到。
[0014]在可选的实施例中，还包括：
[0015]基于注意力机制建立所述人脸特征提取模型。
[0016]在可选的实施例中，在进行特征处理之前，所述人脸搜索方法还包括：
[0017]对待特征处理的图像进行图像特征提取，得到该图像的人脸区域坐标、人脸区域置信度以及人脸关键点坐标；
[0018]根据人脸区域坐标、人脸区域置信度以及人脸关键点坐标将该人脸五官位置对齐至预设坐标；
[0019]根据所述人脸关键点坐标和标准脸关键点坐标之间的关系，生成相似变换矩阵；
[0020]利用所述相似变换矩阵对对齐后的图像进行变换，得到人脸对齐图像。
[0021]在可选的实施例中，还包括：
[0022]将每个人脸数据组存储于一HBase MOB数据库中；其中所述HBase MOB数据库置于一个或多个终端装置。
[0023]在可选的实施例中，所述基于多个人脸数据组各自的代表特征向量与所述人脸特征向量的相似度，选取至少一个人脸数据组，包括：
[0024]选择与所述人脸特征向量的相似度高于第一设定阈值的代表特征向量，进而得到选取的所述至少一个人脸数据组；相对应地，所述基于选取的人脸数据组中预存人脸图像的特征向量，从中搜索与所述人脸特征向量匹配的预存人脸图像，包括：
[0025]计算所述至少一个人脸数据组中所有预存人脸图像对应的特征向量与所述人脸特征向量的相似度，并对该些预存人脸图像按照相似度从大到小进行排序，得到相似度序列；
[0026]基于所述相似度序列搜索得到与所述人脸特征向量匹配的预存人脸图像。
[0027]在可选的实施例中，所述基于所述相似度序列搜索得到与所述人脸特征向量匹配的预存人脸图像，包括：
[0028]从所述相似度序列选取相似度高于设定阈值的人脸特征向量；
[0029]基于ID索引从选取的人脸特征向量中筛选
[0030]本申请第二方面实施例提供一种人脸搜索装置，包括：
[0031]特征处理模块，对待搜索的人脸图像进行特征处理，得到人脸特征向量；
[0032]人脸数据组选取模块，基于多个人脸数据组各自的代表特征向量与所述人脸特征向量的相似度，选取一人脸数据组；每个人脸数据组包括多个预存人脸图像，每个人脸数据组的代表特征向量是根据对应包括的所有预存人脸图像的特征向量得到的；
[0033]图片搜索模块，基于该选取的人脸数据组中预存人脸图像的特征向量，从中搜索与所述人脸特征向量匹配的人脸图片。
[0034]本申请第三方面实施例提供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所述的人脸搜索方法。
[0035]由上述技术方案可知，本申请提供的一种人脸搜索方法、装置及可读介质，通过代表特征向量与待搜索的人脸图像的特征向量进行相似度比对，基于相似度来初步筛选出人脸数据组，之后从人脸数据组中筛选出匹配的人脸图像，进而大大减小了整个检索的计算量，由于各个人脸图像分布式地存储于各个数据组，数据组可以放置于一个或多个数据库，
因此攻击者需要破坏所有数据组，可以有效的防止攻击者对操作系统的破坏；同时由于分组后数据存储量小，具有很好的隐蔽性，很难被攻击者探查；也无需重新编译内核，提升了使用效率。
附图说明
[0036]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1是本申请实施例中的人脸搜索方法的流程示意图。
[0038]图2是本申请实施例中的人脸搜索方法进一步包括的流程示意图之一。
[0039]图3是本申请实施例中的特征提取模型的训练步骤流程示意图。
[0040]图4是本申请实施例中的人脸搜索方法进一步包括的流程示意图之一。
[0041]图5是本申请实施例中的特征提取采用的模型网络架构示意图。
[0042]图6是本申请实施例中人脸搜索装置的模块结构示意图。
[0043]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸搜索方法，其特征在于，包括：对待搜索的人脸图像进行特征处理，得到人脸特征向量；基于多个人脸数据组各自的代表特征向量与所述人脸特征向量的相似度，选取至少一个人脸数据组；每个人脸数据组包括多个预存人脸图像，每个人脸数据组的代表特征向量是根据对应包括的所有预存人脸图像的特征向量得到的；基于选取的人脸数据组中预存人脸图像的特征向量，从中搜索与所述人脸特征向量匹配的预存人脸图像。2.根据权利要求1所述的人脸搜索方法，其特征在于，还包括：对多个所述预存人脸图像进行特征处理，得到每个预存人脸图像的特征向量；基于各特征向量的相似度对所述预存人脸图像进行分组，得到多个人脸数据组。3.根据权利要求1或2所述的人脸搜索方法，其特征在于，特征处理的具体步骤包括：将待特征处理的图像输入至预设的人脸特征提取模型，所述人脸特征提取模型输出所述待特征处理的图像的特征向量，其中所述人脸特征提取模型是通过历史图像训练得到。4.根据权利要求3所述的人脸搜索方法，其特征在于，还包括：基于注意力机制建立所述人脸特征提取模型。5.根据权利要求1或2所述的人脸搜索方法，其特征在于，在进行特征处理之前，所述人脸搜索方法还包括：对待特征处理的图像进行图像特征提取，得到该图像的人脸区域坐标、人脸区域置信度以及人脸关键点坐标；根据人脸区域坐标、人脸区域置信度以及人脸关键点坐标将该人脸五官位置对齐至预设坐标；根据所述人脸关键点坐标和标准脸关键点坐标之间的关系，生成相似变换矩阵；利用所述相似变换矩阵对对齐后的图像进行变换，得到人脸对齐图像。6.根据权利要求2所述的人脸搜索方法，其特征在于，还包括：将每个人脸数据组存储于一HBase MOB数据库中；其中所述HB...

【专利技术属性】
技术研发人员：黄柳玉，翟军治，杨子江，
申请(专利权)人：西安深信科创信息技术有限公司，
类型：发明
国别省市：