[发明专利]一种基于深度学习细粒度人脸图像快速检索方法

摘要

本发明提供了一种基于深度学习细粒度人脸图像快速检索方法，包括：构建深度卷积神经网络模型，并在深度卷积神经网络模型的各分支层添加用于计算损失函数的损失层；对深度卷积神经网络模型的参数进行初始化；构建数据集，并按照预设比例，将所述数据集中的图片随机划分成训练集、测试集、验证集；设定深度卷积神经网络模型的学习参数；对深度卷积神经网络模型进行训练，采用随机梯度下降和反向传播算法更新所述深度卷积神经网络模型的参数；对训练后的深度卷积神经网络模型进行测试，具体是经过粗粒度测试和细粒度测试，获得人脸检索结果，从而提高了图片检索的效率以及图片检索的精度。

主权项

一种基于深度学习细粒度人脸图像快速检索方法，其特征在于，包括如下内容：构建深度卷积神经网络模型，并在所述深度卷积神经网络模型的各分支层添加用于计算损失函数的损失层；对所述深度卷积神经网络模型的参数进行初始化；构建数据集，并按照预设比例，将所述数据集中的图片随机划分成训练集、测试集、验证集；设定深度卷积神经网络模型的学习参数，具体包括设定深度卷积神经网络模型中的各个损失层对应的权重，各分支层的学习率、动量因子以及权重衰减，一次输入批量样本的数量，网络训练的迭代次数；对所述深度卷积神经网络模型进行训练，采用随机梯度下降和反向传播算法更新所述深度卷积神经网络模型的参数；对所述训练后的深度卷积神经网络模型进行测试，将测试集中的人脸图片输入所述训练后的深度卷积神经网络模型中，得到测试集的每张人脸图像的哈希码，将训练集和验证集中的人脸图片整合为数据库，并将所述数据库中的人脸图片输入所述训练后的深度卷积神经网络模型中，得到数据库中的每张人脸图像的哈希码，将测试集的每张人脸图像的哈希码与数据库中的每张人脸图像的哈希码计算汉明距离，获得汉明距离小于2的人脸图片样本构成的子数据库，计算获得测试集中的每张人脸图像的哈希码与所述子数据库中的每张人脸图像的哈希码，获得测试集中每张人脸图像的哈希码与所述子数据库中的每张人脸图像的哈希码的加权汉明距离，根据所述加权汉明距离的值的大小，对所述子数据库中的人脸图片进行顺次排序，最终得到人脸检索结果。