人臉相似度識別方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種人臉相似度識別方法和系統(tǒng)，涉及計算機【技術領域】，用于解決準確識別出相似人臉圖片。人臉相似度識別方法包括：根據(jù)目標人臉圖片的特征，生成目標人臉圖片的特征向量；根據(jù)已收集的人臉圖片的特征，生成已收集的人臉圖片的特征向量；從已收集的人臉圖片中，選擇特征向量與目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為目標人臉圖片的相似人臉圖片。通過本發(fā)明，有利于識別出表情、化妝、臉角度等方面存在區(qū)別的同一人臉的不同圖片。
【專利說明】人臉相似度識別方法和系統(tǒng)
【技術領域】
[0001]本發(fā)明涉及計算機技術【技術領域】，具體而言，涉及一種人臉相似度識別方法和系統(tǒng)。
【背景技術】
[0002]現(xiàn)有技術中的人臉相似度計算，是通過將不同的人臉圖片裁剪并轉(zhuǎn)化為單通道圖像，獲取單通道圖像的直方圖，以及通過比較不同人臉圖片的直方圖之間的差異，來計算不同人臉之間的相似度。
[0003]上述方案的缺陷在于:同一人臉上出現(xiàn)表情、化妝、臉角度等方面發(fā)生變化之后，會造成同一人臉的不同圖片之間的直方圖出現(xiàn)非常大的差異，則基于直方圖進行人臉相似度的計算，可能得到同一人臉的不同圖片之間的相似度較小的結果，可見計算結果相當不準確。

【發(fā)明內(nèi)容】

[0004]鑒于上述問題，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地解決上述問題的人臉相似度識別方法和系統(tǒng)。
[0005]依據(jù)本發(fā)明的一個方面，提供了一種人臉相似度識別方法，其包括:根據(jù)目標人臉圖片的特征，生成所述目標人臉圖片的特征向量；根據(jù)已收集的人臉圖片的特征，生成所述已收集的人臉圖片的特征向量；從所述已收集的人臉圖片中，選擇特征向量與所述目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為所述目標人臉圖片的相似人臉圖片。
[0006]可選地，前述的人臉相似度識別方法，其中，所述從所述已收集的人臉圖片中，選擇特征向量與所述目標人臉圖片的特征向量之間距離最小的至少一張圖片作為所述目標人臉圖片的相似人臉圖片的步驟包括:將所述已收集的人臉圖片聚合為多個分類；根據(jù)所述每個分類中的人臉圖片的特征向量，計算所述每個分類中的人臉圖片的向量中心點；將與所述目標人臉圖片的特征向量之間距離最小的向量中心點對應分類中的人臉圖片，作為所述目標人臉圖片的相似人臉圖片。
[0007]可選地，前述的人臉相似度識別方法，其中，還包括:將所述相似人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為所述相似人臉圖片與所述目標人臉圖片之間的相似度得分。
[0008]可選地，前述的人臉相似度識別方法，其中，所述將所述相似人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為所述相似人臉圖片與所述目標人臉圖片之間的相似度得分的步驟包括:在Dx〈 = Dmin時,取S = Smax, Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmin為預設最小距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smax為預設最大相似度得分；和/或，在 Di〈Dx〈 = D (i+1)時，取 S = Si+K (Dx-Di)，其中 K = (S (i+1) -Si) / (D (i+1) -Di))，Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Di為預設第一人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Di+Ι為預設第二人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Si為所述預設第一人臉圖片與所述目標人臉圖片的相似度得分，S(i+1)為所述預設第二人臉圖片與所述目標人臉圖片的相似度得分；和/或在Dx>Dmax時,取S = Smin,Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmax為預設最大距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smin為預設最小相似度得分。
[0009]可選地，前述的人臉相似度識別方法，其中，還包括:在所述相似人臉圖片為多張時，根據(jù)與所述目標人臉圖片的相似度高低，對多張所述相似人臉圖片進行排序。
[0010]依據(jù)本發(fā)明的另一方面，提供了一種人臉相似度識別系統(tǒng)，其包括:第一特征向量生成模塊，用于根據(jù)目標人臉圖片的特征，生成所述目標人臉圖片的特征向量；第二特征向量生成模塊，用于根據(jù)已收集的人臉圖片的特征，生成所述已收集的人臉圖片的特征向量；相似人臉圖片識別模塊，用于從所述已收集的人臉圖片中，選擇特征向量與所述目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為所述目標人臉圖片的相似人臉圖片。
[0011 ] 可選地，前述的人臉相似度識別系統(tǒng)，其中，還包括:分類模塊，用于將所述已收集的人臉圖片聚合為多個分類；向量中心點計算模塊，用于根據(jù)所述每個分類中的人臉圖片的特征向量，計算所述每個分類中的人臉圖片的向量中心點；所述相似人臉圖片識別模塊，用于將與所述目標人臉圖片的特征向量之間距離最小的向量中心點對應分類中的人臉圖片，作為所述目標人臉圖片的相似人臉圖片。
[0012]可選地，前述的人臉相似度識別系統(tǒng)，其中，還包括:相似度得分計算模塊，用于將所述相似人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為所述相似人臉圖片與所述目標人臉圖片之間的相似度得分。
[0013]可選地，前述的人臉相似度識別系統(tǒng)，其中，所述相似度得分計算模塊在Dx〈=Dmin時，取S = Smax, Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmin為預設最小距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smax為預設最大相似度得分；和/或所述相似度得分計算模塊在Di〈Dx〈=D (i+1)時，取 S = Si+K (Dx-Di)，其中 K = (S (i+1) -Si) / (D (i+1) -Di))，Dx 為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Di為預設第一人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Di+Ι為預設第二人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Si為所述預設第一人臉圖片與所述目標人臉圖片的相似度得分，S(i+1)為所述預設第二人臉圖片與所述目標人臉圖片的相似度得分；和/或所述相似度得分計算模塊在DX>DmaX時，取S = Smin7Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmax為預設最大距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smin為預設最小相似度得分。
[0014]可選地，前述的人臉相似度識別系統(tǒng)，其中，還包括:排序模塊，用于在所述相似人臉圖片為多張時，根據(jù)與所述目標人臉圖片的相似度高低，對多張所述相似人臉圖片進行排序。
[0015]根據(jù)本發(fā)明的人臉相似度識別方法和系統(tǒng)，將不同人臉圖片的特征處理為特征向量并計算特征向量之間的向量距離，以及根據(jù)向量距離的大小來識別相似的人臉圖片；在同一人臉的不同圖片上出現(xiàn)了表情、化妝、臉角度等方面上的變化時，不同圖片上的人臉特征卻可以保持不變或變化較小，進而不同圖片的特征向量之間的距離也必然較小，即說明不同人臉圖片之間的相似度較大，這有利于識別出表情、化妝、臉角度等方面存在區(qū)別的同一人臉的不同圖片。
[0016]上述說明僅是本發(fā)明技術方案的概述，為了能夠更清楚了解本發(fā)明的技術手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本發(fā)明的【具體實施方式】。
【專利附圖】

【附圖說明】
[0017]通過閱讀下文優(yōu)選實施方式的詳細描述，各種其他的優(yōu)點和益處對于本領域普通技術人員將變得清楚明了。附圖僅用于示出優(yōu)選實施方式的目的，而并不認為是對本發(fā)明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中:
[0018]圖1示出了根據(jù)本發(fā)明的一個實施例的人臉相似度識別方法的流程圖；
[0019]圖2示出了根據(jù)本發(fā)明的一個實施例的人臉相似度識別方法的流程圖；
[0020]圖3示出了根據(jù)本發(fā)明的一個實施例的人臉相似度識別系統(tǒng)的框圖；
[0021]圖4示出了根據(jù)本發(fā)明的一個實施例的人臉相似度識別系統(tǒng)的框圖；
[0022]圖5示出了根據(jù)本發(fā)明的一個實施例的人臉相似度識別系統(tǒng)的框圖；
[0023]圖6示出了根據(jù)本發(fā)明的一個實施例的人臉相似度識別系統(tǒng)的框圖。
【具體實施方式】
[0024]下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應當理解，可以以各種形式實現(xiàn)本公開而不應被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達給本領域的技術人員。
[0025]如圖1所示，本發(fā)明的一個實施例提供了一種人臉相似度識別方法，其包括:
[0026]步驟110，根據(jù)目標人臉圖片的特征，生成目標人臉圖片的特征向量。目標人臉圖片的特征可以實時提取。依據(jù)提取特征的數(shù)量，則特征向量可以是多維向量，例如400維向量。本實施例的特征包括但不限于臉部器官形狀、位置等等。
[0027]步驟120，根據(jù)已收集的人臉圖片的特征，生成已收集的人臉圖片的特征向量。已收集的人臉圖片的特征可以預先提取并存儲。依據(jù)提取特征的數(shù)量，則特征向量可以是多維向量，例如400維向量。本實施例的特征包括但不限于臉部器官形狀、位置等等。
[0028]步驟130，從已收集的人臉圖片中，選擇特征向量與目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為目標人臉圖片的相似人臉圖片。在本實施例的技術方案中，如目標人臉圖片和某一已收集人臉圖片為同一人臉的不同圖片，二者的特征必然相同或差距較小，則二者的特征向量之間的距離也必然較小，所以本實施例的技術方案有利于識別出同一人臉的不同圖片。
[0029]如圖2所示，本發(fā)明的另一實施例提出一種人臉相似度識別方法，與上述實施例相比，本實施例的人臉相似度識別方法，其中，步驟130包括:[0030]步驟131，將已收集的人臉圖片聚合為多個分類。例如，將已收集的人臉圖片分為Cl、C2、C3三個分類?，F(xiàn)有的聚類方式較多，都可以采用到本實施例的技術方案中。
[0031]步驟132，根據(jù)每個分類中的人臉圖片的特征向量，計算每個分類中的人臉圖片的向量中心點。例如，取三個分類的向量中心點分別為Rl、R2、R3。
[0032]步驟133，將與目標人臉圖片的特征向量之間距離最小的向量中心點對應分類中的人臉圖片，作為目標人臉圖片的相似人臉圖片。例如，假設目標人臉圖片Q與Rl、R2、R3的向量距離值分別為1.4,1.25,0.2，其中Q與R3之間距離的最小，則取R3對應的C3分類中的人臉圖片對相似人臉圖片。
[0033]在本實施例的技術方案中，通過聚類得到多個分類的中心向量點，并將中心向量點與目標人臉圖片的特征向量進行比較，避免了將已收集的所有人臉圖片的特征向量逐個與目標人臉圖片的特征向量進行比較，降低了運算量，提高了圖片識別的效率。
[0034]本發(fā)明的另一實施例提出一種人臉相似度識別方法，與上述實施例相比，本實施例的人臉相似度識別方法，其中，還包括:
[0035]將相似人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為相似人臉圖片與目標人臉圖片之間的相似度得分。例如，結合前述的實施例，設C3分類中的人臉圖片與目標人臉圖片中的最小向量距離依次為0.01,0.2,1.2，則將該三個距離值根據(jù)預定的公式轉(zhuǎn)換為100、91、85的相似度得分，則相似度得分的高低可以反映出目標人臉圖片與相似人臉圖片之間的相似度高低。
[0036]本發(fā)明的另一實施例提出一種人臉相似度識別方法，與上述實施例相比，本實施例的人臉相似度識別方法，其中，將相似人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為相似人臉圖片與目標人臉圖片之間的相似度得分的步驟包括:
[0037]在Dx〈 = Dmin時,取S = Smax7Dx為目標人臉圖片的特征向量與相似人臉圖片之間的特征向量之間的距離，Dmin為預設最小距離，S為相似人臉圖片與目標人臉圖片的相似度得分，Smax為預設最大相似度得分。
[0038]在Di〈Dx〈 = D(i+1)時，取 S = Si+K(Dx-Di),其中 K = (S(i+1)-Si)/(D(i+1)-Di))，Dx為目標人臉圖片的特征向量與相似人臉圖片之間的特征向量之間的距離，Di為預設第一人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，Di+Ι為預設第二人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，Si為預設第一人臉圖片與目標人臉圖片的相似度得分，S(i+1)為預設第二人臉圖片與目標人臉圖片的相似度得分。
[0039]在Dx>Dmax時,取S = Smin, Dx為目標人臉圖片的特征向量與相似人臉圖片之間的特征向量之間的距離，Dmax為預設最大距離，S為相似人臉圖片與目標人臉圖片的相似度得分，Smin為預設最小相似度得分。
[0040]在本實施例的技術方案中，提供了一種將向量距離轉(zhuǎn)換為相似度得分的技術方案，且相似度得分隨向量距離的減小而降低，能夠合理反映出目標人人臉圖片與相似人臉圖片的相似程度。
[0041]本發(fā)明的另一實施例提出一種人臉相似度識別方法，與上述實施例相比，本實施例的人臉相似度識別方法，其中，還包括:
[0042]在相似人臉圖片為多張時，根據(jù)與目標人臉圖片的相似度高低，對多張相似人臉圖片進行排序。
[0043]在本實施例的技術方案中，因為相似度最高的人臉圖片通常為用戶所需圖片，通過對多張相似人臉圖片進行排序，有利于將用戶需求的圖片快速提供給用戶。
[0044]如圖3所示，本發(fā)明的另一實施例提供了一種人臉相似度識別系統(tǒng)，其包括:
[0045]第一特征向量生成模塊310，用于根據(jù)目標人臉圖片的特征，生成目標人臉圖片的特征向量。目標人臉圖片的特征可以實時提取。依據(jù)提取特征的數(shù)量，則特征向量可以是多維向量，例如400維向量。本實施例的特征包括但不限于臉部器官形狀、位置等等。
[0046]第二特征向量生成模塊320，用于根據(jù)已收集的人臉圖片的特征，生成已收集的人臉圖片的特征向量。已收集的人臉圖片的特征可以預先提取并存儲。依據(jù)提取特征的數(shù)量，則特征向量可以是多維向量，例如400維向量。本實施例的特征包括但不限于臉部器官形狀、位置等等。
[0047]相似人臉圖片識別模塊330，用于從已收集的人臉圖片中，選擇特征向量與目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為目標人臉圖片的相似人臉圖片。在本實施例的技術方案中，如目標人臉圖片和某一已收集人臉圖片為同一人臉的不同圖片，二者的特征必然相同或差距較小，則二者的特征向量之間的距離也必然較小，所以本實施例的技術方案有利于識別出同一人臉的不同圖片。
[0048]如圖4所示，本發(fā)明的另一實施例提出一種人臉相似度識別系統(tǒng)，與上述實施例相比，本實施例的人臉相似度識別系統(tǒng)，其中，還包括:
[0049]分類模塊340，用于將已收集的人臉圖片聚合為多個分類。例如，將已收集的人臉圖片分為Cl、C2、C3三個分類?，F(xiàn)有的聚類方式較多，都可以采用到本實施例的技術方案中。
[0050]向量中心點計算模塊350，用于根據(jù)每個分類中的人臉圖片的特征向量，計算每個分類中的人臉圖片的向量中心點。例如，取三個分類的向量中心點分別為R1、R2、R3。
[0051]相似人臉圖片識別模塊360，用于將與目標人臉圖片的特征向量之間距離最小的向量中心點對應分類中的人臉圖片，作為目標人臉圖片的相似人臉圖片。例如，假設目標人臉圖片Q與Rl、R2、R3的向量距離值分別為1.4、1.25,0.2，其中Q與R3之間距離的最小，則取R3對應的C3分類中的人臉圖片對相似人臉圖片。
[0052]在本實施例的技術方案中，通過聚類得到多個分類的中心向量點，并將中心向量點與目標人臉圖片的特征向量進行比較，避免了將已收集的所有人臉圖片的特征向量逐個與目標人臉圖片的特征向量進行比較，降低了運算量，提高了圖片識別的效率。
[0053]如圖5所示，本發(fā)明的另一實施例提出一種人臉相似度識別系統(tǒng)，與上述實施例相比，本實施例的人臉相似度識別系統(tǒng)，其中，還包括:
[0054]相似度得分計算模塊370，用于將相似人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為相似人臉圖片與目標人臉圖片之間的相似度得分。例如，結合前述的實施例，設C3分類中的人臉圖片與目標人臉圖片中的最小向量距離依次為0.01,0.2、
1.2，則將該三個距離值根據(jù)預定的公式轉(zhuǎn)換為100、91、85的相似度得分，則相似度得分的高低可以反映出目標人臉圖片與相似人臉圖片之間的相似度高低。
[0055]本發(fā)明的另一實施例提出一種人臉相似度識別系統(tǒng)，與上述實施例相比，本實施例的人臉相似度識別系統(tǒng)，其中，相似度得分計算模塊370在Dx〈 = Dmin時，取S = Smax,Dx為目標人臉圖片的特征向量與相似人臉圖片之間的特征向量之間的距離，Dmin為預設最小距離，S為相似人臉圖片與目標人臉圖片的相似度得分，Smax為預設最大相似度得分。
[0056]相似度得分計算模塊370在Di〈Dx〈 = D(i+1)時，取S = Si+K(Dx-Di)，其中K =(S(i+l)-Si)/(D(i+l)-Di))，Dx為目標人臉圖片的特征向量與相似人臉圖片之間的特征向量之間的距離，Di為預設第一人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，Di+Ι為預設第二人臉圖片的特征向量與目標人臉圖片的特征向量之間的距離，Si為預設第一人臉圖片與目標人臉圖片的相似度得分，S(i+1)為預設第二人臉圖片與目標人臉圖片的相似度得分。
[0057]相似度得分計算模塊370在Dx>Dmax時,取S = Smin, Dx為目標人臉圖片的特征向量與相似人臉圖片之間的特征向量之間的距離，Dmax為預設最大距離，S為相似人臉圖片與目標人臉圖片的相似度得分，Smin為預設最小相似度得分。
[0058]在本實施例的技術方案中，提供了一種將向量距離轉(zhuǎn)換為相似度得分的技術方案，且相似度得分隨向量距離的減小而降低，能夠合理反映出目標人人臉圖片與相似人臉圖片的相似程度。
[0059]如圖6所示，本發(fā)明的另一實施例提出一種人臉相似度識別系統(tǒng)，與上述實施例相比，本實施例的人臉相似度識別系統(tǒng)，其中，還包括:
[0060]排序模塊380，用于在相似人臉圖片為多張時，根據(jù)與目標人臉圖片的相似度高低，對多張相似人臉圖片進行排序。
[0061]在本實施例的技術方案中，因為相似度最高的人臉圖片通常為用戶所需圖片，通過對多張相似人臉圖片進行排序，有利于將用戶需求的圖片快速提供給用戶。
[0062]在此提供的算法和顯示不與任何特定計算機、虛擬系統(tǒng)或者其它設備固有相關。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構造這類系統(tǒng)所要求的結構是顯而易見的。此外，本發(fā)明也不針對任何特定編程語言。應當明白，可以利用各種編程語言實現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對特定語言所做的描述是為了披露本發(fā)明的最佳實施方式。
[0063]在此處所提供的說明書中，說明了大量具體細節(jié)。然而，能夠理解，本發(fā)明的實施例可以在沒有這些具體細節(jié)的情況下實踐。在一些實例中，并未詳細示出公知的方法、結構和技術，以便不模糊對本說明書的理解。
[0064]類似地，應當理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應將該公開的方法解釋成反映如下意圖:即所要求保護的本發(fā)明要求比在每個權利要求中所明確記載的特征更多的特征。更確切地說，如下面的權利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循【具體實施方式】的權利要求書由此明確地并入該【具體實施方式】，其中每個權利要求本身都作為本發(fā)明的單獨實施例。
[0065]本領域那些技術人員可以理解，可以對實施例中的設備中的模塊進行自適應性地改變并且把它們設置在與該實施例不同的一個或多個設備中?？梢园褜嵤├械哪K或單元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設備的所有過程或單元進行組合。除非另外明確陳述，本說明書(包括伴隨的權利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。
[0066]此外，本領域的技術人員能夠理解，盡管在此所述的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實施例。例如，在下面的權利要求書中，所要求保護的實施例的任意之一都可以以任意的組合方式來使用。
[0067]本發(fā)明的各個部件實施例可以以硬件實現(xiàn)，或者以在一個或者多個處理器上運行的軟件模塊實現(xiàn)，或者以它們的組合實現(xiàn)。本領域的技術人員應當理解，可以在實踐中使用微處理器或者數(shù)字信號處理器(DSP)來實現(xiàn)根據(jù)本發(fā)明實施例的人臉相似度識別系統(tǒng)中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設備或者裝置程序(例如，計算機程序和計算機程序產(chǎn)品)。這樣的實現(xiàn)本發(fā)明的程序可以存儲在計算機可讀介質(zhì)上，或者可以具有一個或者多個信號的形式。這樣的信號可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號上提供，或者以任何其他形式提供。
[0068]應該注意的是上述實施例對本發(fā)明進行說明而不是對本發(fā)明進行限制，并且本領域技術人員在不脫離所附權利要求的范圍的情況下可設計出替換實施例。在權利要求中，不應將位于括號之間的任何參考符號構造成對權利要求的限制。單詞“包含”不排除存在未列在權利要求中的元件或步驟。位于元件之前的單詞“一”或“一個”不排除存在多個這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當編程的計算機來實現(xiàn)。在列舉了若干裝置的單元權利要求中，這些裝置中的若干個可以是通過同一個硬件項來具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序。可將這些單詞解釋為名稱。
【權利要求】
1.一種人臉相似度識別方法，其包括: 根據(jù)目標人臉圖片的特征，生成所述目標人臉圖片的特征向量； 根據(jù)已收集的人臉圖片的特征，生成所述已收集的人臉圖片的特征向量； 從所述已收集的人臉圖片中，選擇特征向量與所述目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為所述目標人臉圖片的相似人臉圖片。
2.根據(jù)權利要求1所述的人臉相似度識別方法，其中，所述從所述已收集的人臉圖片中，選擇特征向量與所述目標人臉圖片的特征向量之間距離最小的至少一張圖片作為所述目標人臉圖片的相似人臉圖片的步驟包括: 將所述已收集的人臉圖片聚合為多個分類； 根據(jù)所述每個分類中的人臉圖片的特征向量，計算所述每個分類中的人臉圖片的向量中心點； 將與所述目標人臉圖片的特征向量之間距離最小的向量中心點對應分類中的人臉圖片，作為所述目標人臉圖片的相似人臉圖片。
3.根據(jù)權利要求1-2任一項所述的人臉相似度識別方法，其中，還包括: 將所述相似人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為所述相似人臉圖片與所 述目標人臉圖片之間的相似度得分。
4.根據(jù)權利要求1-3任一項所述的人臉相似度識別方法，其中，所述將所述相似人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為所述相似人臉圖片與所述目標人臉圖片之間的相似度得分的步驟包括: 在Dx〈 = Dmin時,取S = Smax7Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmin為預設最小距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smax為預設最大相似度得分；和/或
在 Di〈Dx〈 = D (i+1)時，取 S = Si+K (Dx-Di)，其中 K = (S (i+1) -Si) / (D (i+1) -Di))，Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Di為預設第一人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Di+Ι為預設第二人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Si為所述預設第一人臉圖片與所述目標人臉圖片的相似度得分，S(i+1)為所述預設第二人臉圖片與所述目標人臉圖片的相似度得分；和/或 在Dx>Dmax時,取S = Smin, Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmax為預設最大距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smin為預設最小相似度得分。
5.根據(jù)權利要求1至4中任一項所述的人臉相似度計算方法，其中，還包括: 在所述相似人臉圖片為多張時，根據(jù)與所述目標人臉圖片的相似度高低，對多張所述相似人臉圖片進行排序。
6.一種人臉相似度識別系統(tǒng)，其包括: 第一特征向量生成模塊，用于根據(jù)目標人臉圖片的特征，生成所述目標人臉圖片的特征向量； 第二特征向量生成模塊，用于根據(jù)已收集的人臉圖片的特征，生成所述已收集的人臉圖片的特征向量；相似人臉圖片識別模塊，用于從所述已收集的人臉圖片中，選擇特征向量與所述目標人臉圖片的特征向量之間距離最小的至少一張人臉圖片作為所述目標人臉圖片的相似人臉圖片。
7.根據(jù)權利要求6所述的人臉相似度識別系統(tǒng)，其中，還包括: 分類模塊，用于將所述已收集的人臉圖片聚合為多個分類； 向量中心點計算模塊，用于根據(jù)所述每個分類中的人臉圖片的特征向量，計算所述每個分類中的人臉圖片的向量中心點； 所述相似人臉圖片識別模塊，用于將與所述目標人臉圖片的特征向量之間距離最小的向量中心點對應分類中的人臉圖片，作為所述目標人臉圖片的相似人臉圖片。
8.根據(jù)權利要求6-7任一項所述的人臉相似度識別系統(tǒng)，其中，還包括: 相似度得分計算模塊，用于將所述相似人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，轉(zhuǎn)換為所述相似人臉圖片與所述目標人臉圖片之間的相似度得分。
9.根據(jù)權利要求6-8任一項所述的人臉相似度識別系統(tǒng)，其中，所述相似度得分計算模塊在Dx〈 = Dmin時,取S = Smax,Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmin為預設最小距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smax為預設最大相似度得分；和/或 所述相似度得分計算 模塊在Di〈Dx〈 = D(i+1)時，取S = Si+K(Dx-Di)，其中K =(S (i+1) -Si) / (D (i+1) -Di))，Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Di為預設第一人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Di+Ι為預設第二人臉圖片的特征向量與所述目標人臉圖片的特征向量之間的距離，Si為所述預設第一人臉圖片與所述目標人臉圖片的相似度得分，S(i+1)為所述預設第二人臉圖片與所述目標人臉圖片的相似度得分；和/或 所述相似度得分計算模塊在Dx>Dmax時,取S = Smin, Dx為所述目標人臉圖片的特征向量與所述相似人臉圖片之間的特征向量之間的距離，Dmax為預設最大距離，S為所述相似人臉圖片與所述目標人臉圖片的相似度得分，Smin為預設最小相似度得分。
10.根據(jù)權利要求6至9中任一項所述的人臉相似度識別系統(tǒng)，其中，還包括: 排序模塊，用于在所述相似人臉圖片為多張時，根據(jù)與所述目標人臉圖片的相似度高低，對多張所述相似人臉圖片進行排序。
【文檔編號】G06K9/00GK104036259SQ201410302816
【公開日】2014年9月10日 申請日期:2014年6月27日 優(yōu)先權日:2014年6月27日
【發(fā)明者】朱茂清, 唐雨, 薛紅霞, 胡金輝 申請人:北京奇虎科技有限公司, 奇智軟件（北京）有限公司