[发明专利]一种加速人脸特征相似度分析的装置及方法

说明书

本发明公开了一种加速人脸特征相似度分析的方法，针对分析对进行神经网络模型运算，获取w层中间节点特征和末端节点特征；针对每次获取的中间节点特征，判断该层中间节点特征的特征相似度是否大于对应的中间阈值，若大于等于对应的中间阈值，则输出所述分析对中两张人脸图片为同一人的结论，同时停止对分析对的神经网络模型运算；若w层中间节点特征的特征相似度均小于对应的中间阈值，判断末端节点特征的特征相似度是否大于末端阈值，并输出判断结论。本发明提供的一种加速人脸特征相似度分析的装置及方法，利用神经网络模型的中间节点特征进行人脸特征相似度分析，可以提高分析效率以及分析结果的准确性。

技术领域

本发明涉及人脸识别，具体涉及一种加速人脸特征相似度分析的装置及方法。

背景技术

由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。

人脸识别过程中多采用深度神经网络，然而深度神经网络由于计算量大往往具有较高延时，在手机等嵌入式设备中，往往采用较浅的神经网络以达到更低的延时，但是相应的准确率也会降低。

通常人脸识别包括1:1和1:X测试。1:1测试指两张人脸图像是否为同一人，1:X测试指一张人脸图像是否存在于X张人脸图像构成的数据库中。神经网络对人脸图片的训练通常先对人脸图片进行哑变量编码，然后利用softmax-交叉熵损失函数对数据训练。所以神经网络的最后几层一般依次为特征层(可能是全连接层、全局池化层等形式)、全连接层、softmax激活层、交叉熵损失函数。对1：1测试的应用通常是将特征层的特征与数据库中的特征进行欧式距离的计算，判断是否为同一人。1：N测试可以是上述方法持续N次。

卷积神经网络任意一层的输出可以视为一组特征，层数越深对特征加工越精细。当模型在验证集或测试集上得分很高时，代表模型在该数据集上对于特征的提取是几乎没有丢失有效信息的。但有效信息本身无法凭空产生，所以在卷积神经网络的每一层输出所包含的有效信息量应当不小于最终输出的有效信息量。由于神经网络末端输出能够判别两个人是否为同一人，因此神经网络中间节点产生的特征在某个判别域上应当也可以区分两个人是否为同一人，若能采用中间节点特征进行判断，则会大大增加判断的准确性以及效率。

发明内容

本发明的目的是提供一种加速人脸特征相似度分析的装置及方法，利用神经网络模型的中间节点特征进行人脸特征相似度分析，可以提高分析效率以及分析结果的准确性。

为了实现上述目的，本发明采用如下技术方案：一种加速人脸特征相似度分析的方法，包括如下步骤：

S01：采用训练集训练神经网络模型，得出训练之后的神经网络模型；所述训练集包括M个训练对，所述训练对包括两张人脸图片以及是否为同一人的标签；M为大于0的整数；

S02：对测试集进行神经网络模型运算，获取w层中间节点特征；并确定每层中间节点特征对应的中间阈值；所述测试集包括N个测试对，所述测试对包括两张人脸图片以及是否为同一人的标签；N和w均为大于0的整数，w小于所述神经网络模型的输出总层数；

S03：针对分析对进行神经网络模型运算，获取w层中间节点特征和末端节点特征；所述分析对包括两张人脸图片；针对每次获取的中间节点特征，判断该层中间节点特征的特征相似度是否大于对应的中间阈值，若大于等于对应的中间阈值，则输出所述分析对中两张人脸图片为同一人的结论，同时停止对分析对的神经网络模型运算；若w层中间节点特征的特征相似度均小于对应的中间阈值，进入步骤S04；

S04：判断末端节点特征的特征相似度是否大于末端阈值，若大于等于末端阈值，则输出所述分析对中两张人脸图片为同一人的结论，若小于末端阈值，则输出所述分析对中两张人脸图片不为同一人的结论。