[发明专利]图像校验方法和装置

说明书

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及图像校验方法和装置。

背景技术

由于图像校验技术可以从海量的图像中自动校验出属于同一个对象的图像，因此图像校验技术已被应用在多种领域中。

然而，现有的图像校验方法通常需要自定义图像中的多个局部区域，并分别提取各个局部区域的特征，从而利用各个局部区域的特征进行校验。校验过程较为复杂，导致图像校验效率较低。

发明内容

本申请实施例的目的在于提出一种改进的图像校验方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种图像校验方法，该方法包括：获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在一些实施例中，分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，包括：分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。

在一些实施例中，分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵，包括：对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。

在一些实施例中，计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离，包括：计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。

在一些实施例中，基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象，包括：将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。

第二方面，本申请实施例提供了一种图像校验装置，该装置包括：获取单元，配置用于获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成单元，配置用于生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；输入单元，配置用于分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算单元，配置用于计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；校验单元，配置用于基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在一些实施例中，输入单元包括：第一相乘子单元，配置用于分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；第二相乘子单元，配置用于分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；第三相乘子单元，配置用于分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。