CN111738194A - 一种用于人脸图像相似性的评价方法和装置 - Google Patents
一种用于人脸图像相似性的评价方法和装置 Download PDFInfo
- Publication number
- CN111738194A CN111738194A CN202010611286.2A CN202010611286A CN111738194A CN 111738194 A CN111738194 A CN 111738194A CN 202010611286 A CN202010611286 A CN 202010611286A CN 111738194 A CN111738194 A CN 111738194A
- Authority
- CN
- China
- Prior art keywords
- dimension
- similarity
- value
- face
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 122
- 238000013139 quantization Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 6
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 4
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 102100039133 Integrator complex subunit 6 Human genes 0.000 description 2
- 101710092889 Integrator complex subunit 6 Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种用于人脸图像相似性的评价方法和装置,包括:采集人脸图像信息,获取人脸多维特征向量,对人脸多维特征向量进行Int量化;对量化后的人脸多维特征向量进行降维,并取贡献度高的d维特征值;训练人脸图像数据,统计每一维度特征值分布并进行分段,使每一维度特征值的值域分成宽度不等的k段;对于两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再根据每一维度的相似性得到人脸图像向量相似性的评价值。本申请的实施例可以减少***资源的耗费,快速客观地计算不同人脸图像特征向量的相似性,提高聚类算法的效率与适用性,可实现对人脸特征向量相似性的快速、准确判断。
Description
技术领域
本申请涉及图像处理,尤其涉及一种用于人脸图像相似性的评价方法和装置。
背景技术
随着深度学习与大数据技术的发展,人脸识别技术的应用也不断地扩大与深入,每天所产生的人脸图像数据的规模都在不断扩大。人脸图像聚类算法旨在依据人脸图像特征的相似性评价标准,将相似的图像数据聚类成一个簇类,其理想状态是把同一个人所有图像聚为一类。这一技术除了可以节省存储空间、加快人脸比对检索速度外,在人脸图像特征融合、目标布控、行人时空轨迹分析、疑犯告警、追踪等领域有着重要的作用。
聚类算法追求簇内距离尽量小而簇间距离尽量大,所谓距离即为相似性度量。对高维人脸特征进行人脸聚类即为多变量求最优的过程,易产生“维度灾难”问题,一些在低维可用的相似性度量方法不再可用。如欧氏距离就会因为“空空间”现象而导致各样本点到中心点的距离随着维度的增加而增大,最小与最大距离的差异不断变小最终导致欧氏距离作为相似性度量的失效,影响了准确性。此外使用常规聚类中的欧氏距离或余弦距离都意味着要对高维特征(500维以上)进行点乘操作,会产生巨大的计算量,不仅消耗了***资源,还降低了效率。
发明内容
本申请提供一种用于人脸图像相似性的评价方法和装置。
根据本申请的第一方面,本申请提供一种用于人脸图像相似性的评价方法,包括:
采集人脸图像信息,获取人脸多维特征向量,对所述人脸多维特征向量进行Int量化;
对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征值;
训练人脸图像数据,统计所述d维特征向量中每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;
对于两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再根据每一维度的相似性得到人脸图像相似性的评价值。
进一步地,所述采集人脸图像信息,获取人脸多维特征向量,对所述人脸多维特征向量进行Int量化,包括:
采集人脸图像信息,通过人脸识别算法计算获得人脸512维特征值;
将每一维度的特征值乘以256后的值舍去小数部分取整;
若结果大于127或小于-127则取对应的边界值,得到值域为-127至127的Int型特征值。
进一步地,所述对量化后的所述人脸多维特征向量进行降维,包括:
计算特征矩阵的协方差矩阵∑i,j;
其中,1≤i≤512,1≤j≤n,n为人脸图像的数据量;
求得协方差矩阵∑i,j的前d个最大特征值λi,所述前d个最大特征值λi的正交化单位特征向量即为降维后的特征向量;
所述取贡献度高的d维特征向量之前,还包括:
通过以下计算公式计算每个维度的贡献度:
进一步地,所述对于两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,包括:
对于两个待识别相似性的人脸图像特征向量,分别找出每一维度特征值所处的分段,若二者同一维度的特征值处于同一分段,则通过以下公式计算单一维度相似性si:
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段置为1,否则为0;
对于所述两个待识别相似性的人脸图像特征向量,若二者同一维度的特征值不处于同一分段,则该维度相似性为0。
进一步地,所述人脸图像特征向量相似性的评价值,通过以下公式计算获得:
其中,S为所述人脸图像相似性的评价值。
根据本申请的第二方面,本申请提供一种用于人脸图像相似性的评价装置,包括:
量化模块,用于采集人脸图像信息,获取人脸多维特征向量,对所述人脸多维特征向量进行Int量化;
降维模块,用于对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征值;
训练模块,用于训练人脸图像数据,统计所述d维特征向量中每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;
评价模块,用于对两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再根据每一维度的相似性得到人脸图像相似性的评价值。
进一步地,所述量化模块,包括:
第一计算单元,用于采集人脸图像信息,通过人脸识别算法计算获得人脸512维特征值;
量化单元,用于将每一维度的特征值乘以256后的值舍去小数部分取整,若结果大于127或小于-127则取对应的边界值,得到值域为-127至127的Int型特征值。
进一步地,所述降维模块,包括:
第二计算单元,用于计算特征矩阵的协方差矩阵∑i,j;
其中,1≤i≤512,1≤j≤n,n为人脸图像的数据量;
降维单元,用于求得协方差矩阵∑i,j的前d个最大特征值λi,所述前d个最大特征值λi的正交化单位特征向量即为降维后的特征向量;
其中,每个维度的贡献度通过以下计算公式计算:
进一步地,所述评价模块,包括:
第三计算单元,用于对于所述两个待识别相似性的人脸图像特征向量,分别找出每一维度特征值所处的分段,若二者同一维度的特征值处于同一分段,则通过以下公式计算单一维度相似性si:
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段置为1,否则为0;对于所述两个待识别相似性的人脸图像特征向量,若二者同一维度的特征值不处于同一分段,则该维度相似性为0;
评价单元,用于具体通过以下公式计算获得待识别相似性的人脸图像特征向量的相似性评价值:
其中,S为相似性的评价值。
根据本申请的第三方面,本申请提供一种用于人脸图像相似性的评价装置,包括:
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现上述的方法。
由于采用了以上技术方案,使本申请具备的有益效果在于:
在本申请的具体实施方式中,由于包括对所述人脸多维特征向量进行Int量化,对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征向量,减少了计算复杂度和存储空间,训练人脸图像数据,统计每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;对于两个待识别相似性的人脸图像特征向量,分别获得每一维度的相似性,根据每一维度的相似性得到人脸图像相似性的评价值,进一步降低了计算复杂度,提高了效率。本申请减少了***资源的耗费,可快速客观地计算不同人脸图像特征向量的相似性,提高聚类算法的效率与适用性,可实现对人脸特征向量相似性的快速、准确判断。
附图说明
图1为本申请实施例一中的方法在一种实施方式中的流程图;
图2为本申请实施例一中的方法在另一种实施方式中的流程图;
图3为本申请实施例二中的装置在一种实施方式中的程序模块示意图;
图4为本申请实施例二中的装置在另一种实施方式中的程序模块示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。本申请可以以多种不同的形式来实现,并不限于本实施例所描述的实施方式。提供以下具体实施方式的目的是便于对本申请公开内容更清楚透彻的理解,其中上、下、左、右等指示方位的字词仅是针对所示结构在对应附图中位置而言。
然而,本领域的技术人员可能会意识到其中的一个或多个的具体细节描述可以被省略,或者还可以采用其他的方法、组件或材料。在一些例子中,一些实施方式并没有描述或没有详细的描述。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
此外,本文中记载的技术特征、技术方案还可以在一个或多个实施例中以任意合适的方式组合。对于本领域的技术人员来说,易于理解与本文提供的实施例有关的方法的步骤或操作顺序还可以改变。因此,附图和实施例中的任何顺序仅仅用于说明用途,并不暗示要求按照一定的顺序,除非明确说明要求按照某一顺序。
实施例一:
如图1所示,本申请实施例提供的用于人脸图像相似性的评价方法,其一种实施方式,包括以下步骤:
步骤102:采集人脸图像信息,获取人脸多维特征向量,对人脸多维特征向量进行Int量化。
使用人脸照片采集设备(如摄像头、监控等)采集人脸图像信息传输至人脸识别服务器,利用人脸识别算法(如商汤人脸识别算法等)计算待识别人脸图像特征向量,计算获得512维特征值,特征向量维数与算法有关,一般大于500维。
对得到的float型512维特征值进行Int量化,如可进行Int6量化或Int8量化,本实施方式使用Int8量化,使每一维度特征值分布在-127到127范围内,得到Int型特征值以减少计算复杂度与存储空间。
步骤104:对量化后的人脸多维特征向量进行降维,并取贡献度高的d维特征值。
将Int型512维特征值进行PCA(主成分分析)降维操作,取贡献度最高的d维特征值,得到降维后特征值和/或各维度权重(贡献度),用以筛选重要特征以及进一步减少计算复杂度。维数d的值为经验值,其与精度要求相关,精度高时,取值较大,精度低时,取值较小,d取值范围为:1<d<512,在本实施方式中,d为200。
计算特征矩阵的协方差矩阵∑i,j;其中,1≤i≤512,1≤j≤n,n为人脸图像的数据量,n个人脸多维特征向量组成特征矩阵,求得协方差矩阵∑i,j的前d个最大特征值λi,前d个最大特征值λi的正交化单位特征向量即为降维后的特征向量,每个维度的贡献度计算公式为:
其中,λi为每个维度特征值,αi为每个维度的贡献度。
步骤106:训练人脸图像数据,统计d维特征数据中每一维度特征值分布并进行分段,使每一维度特征值的值域分成宽度不等的k段。
训练人脸图像特征数据,统计每一维度上特征值分布进行分段,使得每段范围内数据点数量相同,从而将每一维度特征的值域分成宽度不等的k段,得到每一维度的分段端点值Vi,j={v1,1,...,v1,k-1;...;v512,1,...,v512,k-1}。例如某维度特征值为[1,2,3,4,6,8,10,12,15,18,21,24],将其按值域分布分为3段,则端点值V1={4,12}。
步骤108:对于两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再根据每一维度的相似性得到人脸图像相似性的评价值。
对于两个待计算相似性的人脸图像特征向量,分别比较每一维度特征值,若二者处于同一分段则计算该维度的相似性,否则该维度相似性为0。可以对每一维度上的相似性进行加权求和,得到不同人脸图像特征互相之间的相似性评价值S。
对于两个待计算相似性的人脸图像特征向量,分别比较每一维度上特征值,若二者处于同一分段则用该维度上特征值差值的绝对值比上该分段长度作为该维度的相似性,否则该维度相似性为0,单一维度相似性si计算公式为:
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段该二值函数置为1,否则二值函数为0。对于两个待识别相似性的人脸图像特征向量,若二者同一维度的特征值不处于同一分段,则该维度相似性为0。
对每一维度上的相似性进行加权求和,得到不同人脸图像特征向量互相之间的相似性的评价值S,计算人脸图像特征向量相似性评价值S的计算公式为:
纳入计算的维数d和值域分割的段数k的实际取值与具体应用场景有关,对于精度要求高的情景可相应调高维数与段数的取值。也可以对每一维度上的值域范围等长分段,降低计算复杂度,提高效率。
本申请实施例提供的用于人脸图像相似性的评价方法,由于包括对所述人脸多维特征向量进行Int量化,对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征值,减少了计算复杂度和存储空间,训练人脸图像特征向量数据,统计每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;对于两个待识别相似性的人脸图像特征向量,分别获得每一维度特征值的相似性,根据每一维度的相似性得到人脸图像相似性的评价值,进一步降低了计算复杂度,提高了效率。本申请减少了***资源的耗费,可快速客观地计算不同人脸图像特征向量的相似性,提高聚类算法的效率与适用性,可实现对人脸特征向量相似性的快速、准确判断。
如图2所示,本申请实施例提供的用于人脸图像相似性的评价方法,其另一种实施方式,包括以下步骤:
步骤202:采集人脸图像信息,通过人脸识别算法计算获得人脸512维特征值。
步骤204:将每一维度的特征值乘以256后的值舍去小数部分取整,若结果大于127或小于-127则取对应的边界值,得到值域为-127至127的Int型特征值。
步骤206:计算每个维度的贡献度,取贡献度高的d维特征值。
每个维度的贡献度通过以下计算公式计算:
步骤208:计算特征矩阵的协方差矩阵∑i,j,求得协方差矩阵∑i,j的前d个最大特征值λi,前d个最大特征值λi的正交化单位特征向量,该正交化单位特征向量即为降维后的特征向量。
步骤210:训练人脸图像特征数据,统计每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段,得到每一维度的分段端点值Vi,j={v1,1,...,v1,k-1;...;v512,1,...,v512,k-1}。例如某维度特征数据为:
[1,2,3,4,6,8,10,12,15,18,21,24],将其按值域分布分为3段,则端点值V1={5,12}。
步骤210:对于两个待识别相似性的人脸图像特征向量,计算单一维度相似性。对于两个待识别相似性的人脸图像特征向量,分别比较每一维度特征值,若二者处于同一分段则计算该维度的相似性,否则该维度相似性为0。若人脸图像特征向量的每一维度特征值处于同一分段,则通过以下公式计算单一维度相似性si,若二者不处于同一分段则该维度相似性为0。
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段,γi置为1,若两个待识别相似性的人脸图像特征值不处于同一分段则该维度相似性为0。
步骤212:对每一维度上的相似性进行加权求和,得到不同人脸图像特征向量互相之间的相似性评价值。人脸图像特征向量相似性的评价值S,具体可以通过以下公式计算获得:
实施例二:
如图3所示,本申请实施例提供的用于人脸图像相似性的评价装置,其一种实施方式,包括量化模块310、降维模块320、训练模块330和评价模块340。
量化模块310,用于采集人脸图像信息,获取人脸多维特征向量,对人脸多维特征向量进行Int量化,以减少计算复杂度和存储空间。
使用人脸照片采集设备(如摄像头、监控等)采集人脸图像信息传输至人脸识别服务器,利用人脸识别算法(如商汤人脸识别算法等)计算待识别人脸图像特征向量,计算获得512维特征值,特征向量维数与算法有关,一般大于500维。
对得到的float型512维特征值进行Int量化,如可进行Int6量化或Int8量化,本实施方式使用Int8量化,使每一维度特征值分布在-127到127范围内,得到Int型特征值以减少计算复杂度与存储空间。
降维模块320,用于对量化后的人脸多维特征向量进行降维,并取贡献度高的d维特征值。
将Int型512维特征值进行PCA(主成分分析)降维操作,取贡献度最高的d维特征,得到降维后特征值和/或各维度权重(贡献度),用以筛选重要特征以及进一步减少计算复杂度。维数d的值为经验值,其与精度要求相关,精度高时,取值较大,精度低时,取值较小,d取值范围为:1<d<512,在本实施方式中,d为200。
计算特征矩阵的协方差矩阵∑i,j;其中,1≤i≤512,1≤j≤n,n为人脸图像的数据量,n个人脸多维特征向量组成特征矩阵,求得协方差矩阵∑i,j的前d个最大特征值λi,前d个最大特征值的正交化单位特征向量即为降维后的特征向量,每个维度的贡献度计算公式为:
其中,αi为每个维度的贡献度。
训练模块330,用于训练人脸图像数据,统计d维特征值中每一维度特征值分布并进行分段,使每一维度特征值的值域分成宽度不等的k段。
训练人脸图像特征数据,统计每一维度上特征值分布进行分段,使得每段范围内数据点数量相同,从而将每一维度特征的值域分成宽度不等的k段,得到每一维度的分段端点值Vi,j={v1,1,...,v1,k-1;...;v512,1,...,v512,k-1}。例如某维度特征值为[1,2,3,4,6,8,10,12,15,18,21,24],将其按值域分布分为3段,则端点值V1={4,12}。
评价模块340,用于对于两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再对每一维度上的相似性进行加权求和,得到待识别相似性的人脸图像特征的相似性评价值S。
对于两个待计算相似性的人脸图像特征向量,分别比较每一维度上特征值,若二者处于同一分段则计算该维度的相似性,否则该维度相似性为0。对每一维度上的相似性进行加权求和,得到不同人脸图像特征互相之间的相似性评价值S。
对于两个待计算相似性的人脸图像特征向量,分别比较每一维度上特征值,若二者处于同一分段则用该维度上特征值差值的绝对值比上该分段长度作为该维度的相似性,否则该维度相似性为0,单一维度相似性si计算公式为:
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段该二值函数置为1,否则二值函数为0。对于两个待识别相似性的人脸图像特征向量,若两个待识别相似性的人脸图像特征值不处于同一分段,则该维度相似性为0。
对每一维度上的相似性进行加权求和,得到不同人脸图像特征向量互相之间的相似性评价值S,计算人脸图像特征向量相似性评价值S的计算公式为:
本申请实施例提供的用于人脸图像相似性的评价装置,由于包括对所述人脸多维特征向量进行Int量化,对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征值,减少了计算复杂度和存储空间,训练人脸图像特征向量数据,统计每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;对于两个待识别相似性的人脸图像特征向量,分别获得每一维度特征值的相似性,根据每一维度的相似性得到人脸图像相似性的评价值,进一步降低了计算复杂度,提高了效率。本申请减少了***资源的耗费,可快速客观地计算不同人脸图像特征向量的相似性,提高聚类算法的效率与适用性,可实现对人脸特征向量相似性的快速、准确判断。
如图4所示,本申请实施例提供的用于人脸图像相似性的评价装置,其另一种实施方式,包括量化模块410、降维模块420、训练模块430和训练模块430。
量化模块410,用于采集人脸图像信息,获取人脸多维特征向量,对人脸多维特征向量进行Int量化,以减少计算复杂度和存储空间;
降维模块420,用于对量化后的人脸多维特征向量进行降维,并取贡献度高的d维特征向量;
训练模块430,用于训练人脸图像数据,统计每一维度特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;
评价模块440,用于对于两个待识别相似性的人脸图像特征向量,分别获得每一维度的相似性,对每一维度上的相似性进行加权求和,得到待识别相似性的人脸图像特征的相似性的评价值S。
进一步地,量化模块410可以包括:
第一计算单元411,用于采集人脸图像信息,通过人脸识别算法计算获得人脸512维特征值;
量化单元412,用于将每一维度的特征值乘以256后的值舍去小数部分取整,若结果大于127或小于-127则取对应的边界值,得到值域为-127至127的Int型特征值。
进一步地,降维模块420可以包括:
第二计算单元421,用于计算特征矩阵的协方差矩阵∑i,j;
降维单元422,用于求得协方差矩阵∑i,j的前d个最大特征值λi,前d个最大特征值λi的正交化单位特征向量即为降维后的特征向量;
每个维度的贡献度通过以下计算公式计算:
进一步地,评价模块440可以包括:
第三计算单元441,用于在两个待识别相似性的人脸图像特征值处于同一分段,通过以下公式计算单一维度相似性si:
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,γi为二值函数,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段该二值函数置为1,否则二值函数为0。对于两个待识别相似性的人脸图像特征向量,若两个待识别相似性的人脸图像特征值属于同一分段置为1;若所述两个待识别相似性的人脸图像特征值不处于同一分段则该维度相似性为0。
评价单元442,用于具体通过以下公式计算获得待识别相似性的人脸图像特征向量的相似性的评价值S:
实施例三:
本申请提供的用于人脸图像相似性的评价装置,其一种实施方式,包括存储器和处理器。
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现实施例一中的方法。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。
以上内容是结合具体的实施方式对本申请所作的进一步详细说明,不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干简单推演或替换。
Claims (10)
1.一种用于人脸图像相似性的评价方法,其特征在于,包括:
采集人脸图像信息,获取人脸多维特征向量,对所述人脸多维特征向量进行Int量化;
对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征值;
训练人脸图像数据,统计所述d维特征值中每一维度特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;
对于两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再根据每一维度的相似性得到人脸图像相似性的评价值。
2.如权利要求1所述的方法,其特征在于,所述采集人脸图像信息,获取人脸多维特征向量,对所述人脸多维特征向量进行Int量化,包括:
采集人脸图像信息,通过人脸识别算法计算获得人脸512维特征值;
将每一维度的特征值乘以256后的值舍去小数部分取整;
若结果大于127或小于-127则取对应的边界值,得到值域为-127至127的Int型特征值。
6.一种用于人脸图像相似性的评价装置,其特征在于,包括:
量化模块,用于采集人脸图像信息,获取人脸多维特征向量,对所述人脸多维特征向量进行Int量化;
降维模块,用于对量化后的所述人脸多维特征向量进行降维,并取贡献度高的d维特征值;
训练模块,用于训练人脸图像数据,统计所述d维特征向量中每一维度上特征值分布并进行分段,使每一维度特征的值域分成宽度不等的k段;
评价模块,用于对两个待识别相似性的人脸图像特征向量,分别根据每一维度特征值所处的分段,获得每一维度的相似性,再根据每一维度的相似性得到人脸图像相似性的评价值。
7.如权利要求6所述的装置,其特征在于,所述量化模块,包括:
第一计算单元,用于采集人脸图像信息,通过人脸识别算法计算获得人脸512维特征值;
量化单元,用于将每一维度的特征值乘以256后的值舍去小数部分取整,若结果大于127或小于-127则取对应的边界值,得到值域为-127至127的Int型特征值。
9.如权利要求8所述的装置,其特征在于,所述评价模块,包括:
第三计算单元,用于对于所述两个待识别相似性的人脸图像特征向量,分别找出每一维度特征值所处的分段,若二者同一维度的特征值处于同一分段,则通过以下公式计算单一维度相似性si:
其中,1≤i≤512,xi,yi分别为两特征向量在该维度上的特征值,vi,m表示值域端点分布矩阵的对应项元素,即第i维特征的第m个值域端点;γi为二值函数,若两特征值属于同一分段置为1,否则为0;对于所述两个待识别相似性的人脸图像特征向量,若二者同一维度的特征值不处于同一分段,则该维度相似性为0;
评价单元,用于具体通过以下公式计算获得待识别相似性的人脸图像特征向量的相似性评价值:
其中,S为相似性的评价值。
10.一种用于人脸图像相似性的评价装置,其特征在于,包括:
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611286.2A CN111738194B (zh) | 2020-06-29 | 2020-06-29 | 一种用于人脸图像相似性的评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611286.2A CN111738194B (zh) | 2020-06-29 | 2020-06-29 | 一种用于人脸图像相似性的评价方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738194A true CN111738194A (zh) | 2020-10-02 |
CN111738194B CN111738194B (zh) | 2024-02-02 |
Family
ID=72653665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611286.2A Active CN111738194B (zh) | 2020-06-29 | 2020-06-29 | 一种用于人脸图像相似性的评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738194B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822189A (zh) * | 2021-09-15 | 2021-12-21 | 珠海格力电器股份有限公司 | 人脸识别方法、装置、计算机可读存储介质与处理器 |
CN116311389A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236602A (zh) * | 2007-02-02 | 2008-08-06 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
CN101354728A (zh) * | 2008-09-26 | 2009-01-28 | 中国传媒大学 | 一种基于区间权值的相似性度量方法 |
US20110135167A1 (en) * | 2008-07-10 | 2011-06-09 | Nec Corporation | Personal authentication system and personal authentication method |
CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
CN102982165A (zh) * | 2012-12-10 | 2013-03-20 | 南京大学 | 一种大规模人脸图像检索方法 |
CN103345496A (zh) * | 2013-06-28 | 2013-10-09 | 新浪网技术(中国)有限公司 | 多媒体信息检索方法和*** |
CN104008174A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 一种海量图像检索的隐私保护索引生成方法 |
CN104112005A (zh) * | 2014-07-15 | 2014-10-22 | 电子科技大学 | 分布式海量指纹识别方法 |
CN104199923A (zh) * | 2014-09-01 | 2014-12-10 | 中国科学院自动化研究所 | 基于最优k均值哈希算法的大规模图像库检索方法 |
CN104615994A (zh) * | 2015-02-11 | 2015-05-13 | 成都果豆数字娱乐有限公司 | 一种监控图像实时处理方法 |
CN104680119A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 图像身份识别方法和相关装置及身份识别*** |
CN105095435A (zh) * | 2015-07-23 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN106462728A (zh) * | 2014-02-10 | 2017-02-22 | 精灵有限公司 | 用于基于图像特征的识别的***和方法 |
CN106803055A (zh) * | 2015-11-26 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
CN109165587A (zh) * | 2018-08-11 | 2019-01-08 | 石修英 | 智能图像信息抽取方法 |
CN109165586A (zh) * | 2018-08-11 | 2019-01-08 | 石修英 | 用于ai芯片的智能图像处理方法 |
CN109190505A (zh) * | 2018-08-11 | 2019-01-11 | 石修英 | 基于视觉理解的图像识别方法 |
CN110175642A (zh) * | 2019-05-22 | 2019-08-27 | 南京农业大学 | 一种基于pca降维和特征二元化的菊花相似性计算方法 |
CN110516586A (zh) * | 2019-08-23 | 2019-11-29 | 深圳力维智联技术有限公司 | 一种人脸图像聚类方法、***、产品及介质 |
CN110728225A (zh) * | 2019-10-08 | 2020-01-24 | 北京联华博创科技有限公司 | 一种用于考勤的高速人脸搜索方法 |
CN110909197A (zh) * | 2019-11-04 | 2020-03-24 | 深圳力维智联技术有限公司 | 一种高维特征的处理方法和装置 |
CN111209862A (zh) * | 2020-01-03 | 2020-05-29 | 深圳力维智联技术有限公司 | 一种人脸图像的聚类方法、装置及介质 |
-
2020
- 2020-06-29 CN CN202010611286.2A patent/CN111738194B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236602A (zh) * | 2007-02-02 | 2008-08-06 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
US20110135167A1 (en) * | 2008-07-10 | 2011-06-09 | Nec Corporation | Personal authentication system and personal authentication method |
CN101354728A (zh) * | 2008-09-26 | 2009-01-28 | 中国传媒大学 | 一种基于区间权值的相似性度量方法 |
CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
CN102982165A (zh) * | 2012-12-10 | 2013-03-20 | 南京大学 | 一种大规模人脸图像检索方法 |
CN103345496A (zh) * | 2013-06-28 | 2013-10-09 | 新浪网技术(中国)有限公司 | 多媒体信息检索方法和*** |
CN104680119A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 图像身份识别方法和相关装置及身份识别*** |
CN106462728A (zh) * | 2014-02-10 | 2017-02-22 | 精灵有限公司 | 用于基于图像特征的识别的***和方法 |
CN104008174A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 一种海量图像检索的隐私保护索引生成方法 |
CN104112005A (zh) * | 2014-07-15 | 2014-10-22 | 电子科技大学 | 分布式海量指纹识别方法 |
CN104199923A (zh) * | 2014-09-01 | 2014-12-10 | 中国科学院自动化研究所 | 基于最优k均值哈希算法的大规模图像库检索方法 |
CN104615994A (zh) * | 2015-02-11 | 2015-05-13 | 成都果豆数字娱乐有限公司 | 一种监控图像实时处理方法 |
CN105095435A (zh) * | 2015-07-23 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
CN106803055A (zh) * | 2015-11-26 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
CN105654056A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸识别的方法及装置 |
CN109165587A (zh) * | 2018-08-11 | 2019-01-08 | 石修英 | 智能图像信息抽取方法 |
CN109165586A (zh) * | 2018-08-11 | 2019-01-08 | 石修英 | 用于ai芯片的智能图像处理方法 |
CN109190505A (zh) * | 2018-08-11 | 2019-01-11 | 石修英 | 基于视觉理解的图像识别方法 |
CN110175642A (zh) * | 2019-05-22 | 2019-08-27 | 南京农业大学 | 一种基于pca降维和特征二元化的菊花相似性计算方法 |
CN110516586A (zh) * | 2019-08-23 | 2019-11-29 | 深圳力维智联技术有限公司 | 一种人脸图像聚类方法、***、产品及介质 |
CN110728225A (zh) * | 2019-10-08 | 2020-01-24 | 北京联华博创科技有限公司 | 一种用于考勤的高速人脸搜索方法 |
CN110909197A (zh) * | 2019-11-04 | 2020-03-24 | 深圳力维智联技术有限公司 | 一种高维特征的处理方法和装置 |
CN111209862A (zh) * | 2020-01-03 | 2020-05-29 | 深圳力维智联技术有限公司 | 一种人脸图像的聚类方法、装置及介质 |
Non-Patent Citations (4)
Title |
---|
JIAO GUO 等: "Feature Dimension Reduction Using Stacked Sparse Auto-Encoders for Crop Classification with Multi-Temporal, Quad-Pol SAR Data", 《REMOTE SENSING》, pages 1 - 26 * |
孙平安 等: "机器学习中的 PCA 降维方法研究及其应用", 《湖南工业大学学报》, vol. 33, no. 1, pages 73 - 78 * |
张明 等: "一种基于语义特征的快速人脸检索方法", 《重庆工商大学学报( 自然科学版)》, vol. 31, no. 2, pages 56 - 60 * |
贺玲 等: "一种面向大规模图像库的降维索引新方法", 《计算机工程》, vol. 32, no. 22, pages 20 - 22 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822189A (zh) * | 2021-09-15 | 2021-12-21 | 珠海格力电器股份有限公司 | 人脸识别方法、装置、计算机可读存储介质与处理器 |
CN116311389A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
CN116311389B (zh) * | 2022-08-18 | 2023-12-12 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111738194B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949572B (zh) | 基于Slim-YOLOv3的口罩佩戴情况检测方法 | |
WO2019134327A1 (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
Sarfraz et al. | Head Pose Estimation in Face Recognition Across Pose Scenarios. | |
US8615113B2 (en) | Multi-view face recognition method and system | |
CN109344731B (zh) | 基于神经网络的轻量级的人脸识别方法 | |
US8861873B2 (en) | Image clustering a personal clothing model | |
US20130129143A1 (en) | Global Classifier with Local Adaption for Objection Detection | |
CN108564598B (zh) | 一种改进的在线Boosting目标跟踪方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
US8463050B2 (en) | Method for measuring the dissimilarity between a first and a second images and a first and second video sequences | |
CN111814690B (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
CN111738194B (zh) | 一种用于人脸图像相似性的评价方法和装置 | |
Song et al. | Feature extraction and target recognition of moving image sequences | |
KR102369413B1 (ko) | 영상 처리 장치 및 방법 | |
CN114627424A (zh) | 一种基于视角转化的步态识别方法和*** | |
CN112001280B (zh) | 一种实时、可在线优化的人脸识别***和方法 | |
CN116543419B (zh) | 基于嵌入式平台的酒店卫勤人员穿戴检测方法及*** | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 | |
Gibran et al. | Analysis of face recognition with fuzzy C-means clustering image segmentation and learning vector quantization | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN113657169B (zh) | 一种步态识别方法、装置、***和计算机可读存储介质 | |
CN115423090A (zh) | 一种面向细粒度识别的类增量学习方法 | |
Ó Conaire et al. | Detection thresholding using mutual information | |
Shehnaz et al. | An object recognition algorithm with structure-guided saliency detection and SVM classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |