[发明专利]一种基于L1范数神经网络的人脸检索方法及装置

说明书

技术领域

本发明涉及人脸识别领域，更具体地说，涉及一种基于L1范数神经网络的人脸检索方法与装置。

背景技术

随着科学技术的发展，人脸检索技术也得到了快速发展。人脸检索这项技术可以从某一个人上传的一张照片中搜索出这个人的在网上的其他照片。例如用户在社交网站中的相册中，为一张照片的人物加上姓名，系统就可以利用人脸检索技术自动为同一相册中相同人脸的其他照片都加上这个姓名。另外，在搜索引擎中也有应用到人脸检索这项技术实现“以图搜图”，也就是利用一张图片可以检索出与图片中的人脸相同的其他所有图片。

但是目前人脸检索技术的精度普遍不高，尤其在双胞胎方面几乎没办法区分，而精度较高的人脸检索技术，检索时间又会很长。

因此，如何提高人脸检索精度并且降低检索时间，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于L1范数神经网络的人脸检索方法，以提高人脸检索精度并且降低检索时间。

为实现上述目的，本发明实施例提供了如下技术方案：

一种基于L1范数神经网络的人脸检索方法，包括：

S101，利用毛孔训练样本与基于L1范数的代价函数得到神经网络；

S102，将测试图像预处理得到灰度人脸图像；

S103，将所述灰度人脸图像遍历分块得到多块人脸区域图像块；

S104，将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块；

S105，将所述人脸区域图像块与所述待匹配图像块利用所述神经网络进行匹配，得到匹配块总数；

S106，判断所述匹配块总数是否大于等于预设阈值，若是，则将此次的待匹配图像作为检索结果，停止检索，若否，则返回S104。

其中，所述S101包括：

将毛孔训练样本输入初始毛孔特征描述子生成网络，得到初始特征描述子；

利用初始特征描述子最小化基于L1范数的代价函数，训练得到目标毛孔特征描述子生成网络；

利用初始全连接层得到所述初始特征描述子的匹配结果，利用所述匹配结果与毛孔训练样本标签的差值，训练得到目标全连接层，其中所述目标全连接层与所述目标特征描述子生成网络组成神经网络。

其中，所述S105包括：

S301，将一块未匹配的人脸区域图像块与一块未匹配的待匹配图像块用所述目标毛孔特征描述子生成网络得到第一特征描述子与第二特征描述子；

S302，利用所述目标全连接层判断所述第一特征描述子与所述第二特征描述子是否匹配，若是，则将匹配块总数加一。

S303，判断人脸区域图像块与待匹配图像块是否都已进行过匹配操作，若是，则停止匹配，若否，则返回S301。

其中，所述S102包括：

截取所述测试图像的人脸部分图像；

将所述人脸部分图像进行灰度化处理得到灰度图像；

将所述灰度图像缩放至预设尺寸，得到灰度人脸图像。

其中，所述S103，包括：

将所述灰度人脸图像根据预设分块尺寸不重叠的遍历所述灰度人脸图像，舍去多余边缘得到多块人脸区域图像块。

一种基于L1范数神经网络的人脸检索装置，包括：

神经网络获取模块，用于利用毛孔训练样本与基于L1范数的代价函数得到神经网络；

预处理模块，用于将测试图像预处理得到灰度人脸图像；

第一分块模块，用于将所述灰度人脸图像遍历分块得到多块人脸区域图像块；

第二分块模块，用于将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块；

匹配模块，用于将所述人脸区域图像块与所述待匹配图像块利用所述神经网络进行匹配，得到匹配块总数；

判断模块，用于判断所述匹配块总数是否大于等于预设阈值，若是，则将此次的待匹配图像作为检索结果，停止检索，若否，则调用所述第二分块模块。

其中，所述神经网络获取模块，包括：

初始特征描述子获取单元，用于将毛孔训练样本输入初始毛孔特征描述子生成网络，得到初始特征描述子；

目标毛孔特征描述子生成网络训练单元，用于利用初始特征描述子最小化基于L1范数的代价函数，训练得到目标毛孔特征描述子生成网络；