[发明专利]人脸检索方法及人脸检索装置

权利要求书

1.一种人脸检索方法，其特征在于，应用于Storm计算系统，所述方法包括：

从分布式文件系统的文件夹中获取与该文件夹对应监控终端拍摄的帧图像；

对所述帧图像进行人脸检测，在检测到人脸时从所述帧图像中提取出人脸面部特征，其中，所述人脸面部特征由人脸局部特征和人脸全局特征进行加权融合得到；

将提取的所述人脸面部特征作为检索条件，在注册库中进行人脸检索，查看所述帧图像中的人脸是否与所述注册库中的目标人脸匹配，其中，所述注册库中预先存储有多个目标人脸的人脸面部特征。

2.如权利要求1所述的人脸检索方法，其特征在于，所述方法还包括向所述注册库导入目标人脸的人脸面部特征的步骤，该步骤包括：

将包括目标人脸的帧图像输入训练好的人脸面部特征提取模型中，得到目标人脸的人脸面部特征，并将目标人脸的人脸面部特征导入所述注册库中。

3.如权利要求2所述的人脸检索方法，其特征在于，所述方法还包括对人脸面部特征提取模型进行训练的步骤，该步骤包括：

采用高维LBP特征提取网络提取样本图像中的人脸局部特征，采用密集连接卷积神经网络提取样本图像中的人脸全局特征；

将所述样本图像的人脸局部特征进行降维处理；

将所述人脸全局特征和降维处理后的人脸局部特征输入到全连接层进行训练得到第一损失函数值，将所述全连接层的输出结果输入Softmax层训练得到第二损失函数值；

基于所述第一损失函数值和所述第二损失函数值计算该样本图像的多损失函数值；

在所述多损失函数值小于预设损失函数阈值时，判定所述人脸面部特征提取模型训练完成，在所述多损失函数值不小于预设损失函数阈值，调整所述高维LBP特征提取网络及密集连接卷积神经网络的参数，重复执行上述步骤，直到所述人脸面部特征提取模型训练完成。

4.如权利要求3所述的人脸检索方法，其特征在于，所述对所述帧图像进行人脸检测，在检测到人脸时从所述帧图像中提取出人脸面部特征的步骤包括：

采用训练好的人脸面部特征提取模型的高维LBP特征提取网络从所述帧图像中提取人脸局部特征，并对提取的人脸局部特征进行降维处理；

采用训练好的人脸面部特征提取模型的密集连接卷积神经网络从所述帧图像中提取人脸全局特征；

将所述人脸全局特征和降维处理的人脸局部特征进行加权求和，得到人脸面部特征。

5.如权利要求1-4中任意一项所述的人脸检索方法，其特征在于，所述方法还包括：

根据所述监控终端的拍摄时间将监控的帧图像按照顺序存储到分布式文件系统中与该监控终端对应的文件夹中。

6.如权利要求1-4中任意一项所述的人脸检索方法，其特征在于，所述从分布式文件系统的文件夹中获取与该文件夹对应监控终端拍摄的帧图像的步骤，包括：

采用OpenCV对该文件夹中对应监控终端拍摄的视频序列进行处理，得到视频序列中的每一帧图像。

7.一种人脸检索装置，其特征在于，应用于Storm计算系统，所述装置包括：

获取模块，用于从分布式文件系统的文件夹中获取与该文件夹对应监控终端拍摄的帧图像；

检测与提取模块，用于对所述帧图像进行人脸检测，在检测到人脸时从所述帧图像中提取出人脸面部特征，其中，所述人脸面部特征由人脸局部特征和人脸全局特征进行加权融合得到；

检索模块，用于将提取的所述人脸面部特征作为检索条件，在注册库中进行人脸检索，查看所述帧图像中的人脸是否与所述注册库中的目标人脸匹配，其中，所述注册库中预先存储有多个目标人脸的人脸面部特征。

8.如权利要求7所述的人脸检索装置，其特征在于，所述装置还包括导入模块，

所述导入模块，用于将包括目标人脸的帧图像输入训练好的人脸面部特征提取模型中，得到目标人脸的人脸面部特征，并将目标人脸的人脸面部特征导入所述注册库中。