[发明专利]一种基于汉明距离的大规模高效人脸识别方法

摘要

本发明公开了一种基于汉明距离的大规模高效人脸识别方法，包括以下步骤：构建卷积神经网络，利用样本图片对卷积神经网络进行训练生成模型，利用测试工程代码提取出高维特征和低维特征，并将高维特征保存、低维特征转换为二值散列码，然后将经过预处理的待检测图片投入到训练好的卷积神经网络中，并提取出待检图片高维特征并保存、低维特征转换为二值散列码，依次用汉明距离和余弦距离由粗到精进行检索，最终得出识别结果。本发明的有益效果是：本发明能够在卷积神经网络中进行降维压缩，再用汉明距离和余弦距离进行由粗到细的两次检索识别，不仅省略了传统PCA算法，简化了识别工序，缩短了计算时间，提高了检索效率。

主权项

1.一种基于汉明距离的大规模高效人脸识别方法，其特征在于，所述识别方法包括以下步骤：步骤S1：构建卷积神经网络，其中所述卷积神经网络能够输出图片的高维特征和低维特征；步骤S2：建立样本数据库，利用样本图片对卷积神经网络进行训练，并生成模型；其中，所述样本数据库中的样本图片均进行图片格式转换为LMDB格式，生成均值文件；步骤S3：编写测试工程代码，用于提取出卷积神经网络输出的高维特征和低维特征，并将高维特征保存，将低维特征转换为二值散列码；步骤S4：获取待检图片，将经过预处理的待检图片投入到训练好的卷积神经网络中，输出待检图片高维特征和待检图片低维特征，通过步骤S3编写的测试工程代码提取出待检图片高维特征并保存，将待检图片低维特征转换为二值散列码；步骤S5：用汉明距离计算待检图片的二值散列码与样本数据库中每一张样本图片的二值散列码的汉明距离，将计算出的所有汉明距离进行升序排列，设定阈值并筛选出汉明距离小于阈值的样本图片；步骤S6：用余弦距离计算待检图片高维特征与步骤S5筛选出的样本图片高维特征的相似度，并对筛选出的相似度进行降序排列，输出最高相似度所对应的样本图片，即为识别结果；其中，所述步骤S1所述的卷积神经网络为：在传统卷积神经网络的特征输出层和分类输出层之间增设一隐藏层，所述隐藏层为全连接层，所述隐藏层的激活函数采用sigmoid函数；所述步骤S1所述的卷积神经网络为VGG网络，具体包括：五个卷积层、三个全连接层、分类输出层，其中，第二个全连接层为特征输出层，第三个全连接层为增设在特征输出层和分类输出层之间的隐藏层；所述步骤S3具体为：通过测试工程代码设定一个阈值，并对输出的浮点型向量与阈值进行大小比较，输出的浮点型向量大于阈值则设为1，否则为0，最终得到与低维特征相对应的01二值散列码。