本發(fā)明涉及圖像人臉檢索技術(shù)領(lǐng)域，具體涉及一種人臉檢索方法和系統(tǒng)。

背景技術(shù)：

隨著人臉識(shí)別方法的不斷完善和改進(jìn)，高識(shí)別的人臉識(shí)別方法被不斷用于各個(gè)領(lǐng)域，隨之而來的很多搜索引擎也不斷推出人臉檢索功能，如百度識(shí)圖等，而不論是這類搜索引擎還是社會(huì)安防部門等的檢索數(shù)據(jù)庫(kù)都在不斷的擴(kuò)大以及更新，很多數(shù)據(jù)庫(kù)已經(jīng)達(dá)到了百萬級(jí)規(guī)模，而在這么大規(guī)模的數(shù)據(jù)庫(kù)中進(jìn)行檢索一張或者一個(gè)人的人臉圖片僅僅用線性排序進(jìn)行比對(duì)識(shí)別的方式，會(huì)造成非常大的計(jì)算成本，從而大大降低檢索效率。那么，如果能研究出一種能夠在百萬級(jí)人臉檢索數(shù)據(jù)庫(kù)中進(jìn)行快速準(zhǔn)確的檢索方法，將對(duì)安防部門、公安偵查罪犯、網(wǎng)上購(gòu)物等社會(huì)應(yīng)用有非常大的幫助。

采用深度學(xué)習(xí)進(jìn)行人臉檢索算法的研究，深度學(xué)習(xí)網(wǎng)絡(luò)提取出來的高維特征都是浮點(diǎn)型向量特征，小數(shù)據(jù)庫(kù)檢索一般采用包含豐富的圖片信息的高維特征進(jìn)行相似度計(jì)算排序輸出檢索結(jié)果；而對(duì)于大規(guī)模數(shù)據(jù)庫(kù)，必須特征進(jìn)行降維有效的進(jìn)行人臉檢索。降維一般分為兩種方式：網(wǎng)絡(luò)外降維和網(wǎng)絡(luò)內(nèi)降維。網(wǎng)絡(luò)外降維，即從網(wǎng)絡(luò)中提取高維特征，用合適的降維方式如PCA等進(jìn)行特征降維壓縮，這類降維方式比較繁瑣，同時(shí)在降維過程中會(huì)損失掉比較多的圖片信息，影響檢索精度。網(wǎng)絡(luò)內(nèi)降維，即在網(wǎng)絡(luò)層中完成降維，相比網(wǎng)絡(luò)外降維方法會(huì)簡(jiǎn)化許多，同時(shí)深度網(wǎng)絡(luò)降維過程中網(wǎng)絡(luò)通過正向和反向傳播不斷調(diào)整各個(gè)層參數(shù)以得到圖片信息最豐富的特征向量。本發(fā)明采用的就是網(wǎng)絡(luò)內(nèi)降維，一般壓縮的維度在幾百維，而對(duì)于大規(guī)模人臉數(shù)據(jù)庫(kù)檢索，幾百維的浮點(diǎn)型向量進(jìn)行相似度計(jì)算，耗費(fèi)的時(shí)間成本很大，不利于進(jìn)行有效的大規(guī)模人臉圖像檢索。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種人臉檢索方法和系統(tǒng)。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種人臉檢索方法，包括如下步驟：

步驟S1：搭建人臉檢索的網(wǎng)絡(luò)構(gòu)架，所述網(wǎng)絡(luò)構(gòu)架包括池化層、全連接層和損失層，并根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化；

步驟S2：根據(jù)反向傳播的方式調(diào)節(jié)網(wǎng)絡(luò)構(gòu)架中優(yōu)化的損失層以及全連接層、池化層的參數(shù)；

步驟S3：將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成測(cè)試用例；

步驟S4：根據(jù)sign函數(shù)對(duì)所述測(cè)試用例進(jìn)行量化計(jì)算得到測(cè)試用例的二值編碼，通過二值編碼計(jì)算兩兩訓(xùn)練樣本圖片之間的漢明距離，距離越小表示相似度越高，按照距離大小進(jìn)行升序排序得出最后檢索結(jié)果；

步驟S5：根據(jù)漢明距離對(duì)各訓(xùn)練樣本的近似度進(jìn)行排序，從而完成對(duì)人臉檢索的網(wǎng)絡(luò)構(gòu)架的訓(xùn)練；

步驟S6：將各待檢索人臉圖片輸入完成訓(xùn)練的人臉檢索網(wǎng)絡(luò)構(gòu)架中進(jìn)行檢索，得到各待檢索人臉圖片的近似度排序結(jié)果。

本發(fā)明的有益效果是：在損失層進(jìn)行圖片對(duì)的隨機(jī)選擇比網(wǎng)絡(luò)外選擇圖片對(duì)更有益于網(wǎng)絡(luò)訓(xùn)練，根據(jù)反向傳播的方式微調(diào)網(wǎng)絡(luò)比直接訓(xùn)練網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)的性能有很大的提升，通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離，由漢明距離得到相似度進(jìn)行檢索，能達(dá)到以10的數(shù)量級(jí)提高檢索精度。本發(fā)明從以上幾個(gè)方面對(duì)網(wǎng)絡(luò)和輸出的特征進(jìn)行優(yōu)化，使得在大規(guī)模人臉數(shù)據(jù)庫(kù)下也能保證在準(zhǔn)確率持平或者盡可能小范圍降低的情況下能快速進(jìn)行人臉圖像的檢索。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

進(jìn)一步，所述步驟S3前還包括將各訓(xùn)練樣本圖片進(jìn)行預(yù)處理的步驟：將各訓(xùn)練樣本圖片根據(jù)預(yù)設(shè)規(guī)格進(jìn)行裁剪并對(duì)齊處理，再將對(duì)齊后的各訓(xùn)練樣本圖片的格式轉(zhuǎn)換為L(zhǎng)MDB(Lighting Memory-Mapped Database)格式。

采用上述進(jìn)一步方案的有益效果是：對(duì)訓(xùn)練樣本圖片進(jìn)行預(yù)處理及格式轉(zhuǎn)換能夠?yàn)橄旅娴牟襟E取得更快的處理時(shí)間，并且提高處理結(jié)果的精度。

進(jìn)一步，所述步驟S1中根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化的具體方法為：對(duì)損失層中的損失函數(shù)進(jìn)行正則化項(xiàng)，兩兩訓(xùn)練樣本圖片為一組訓(xùn)練樣本圖片對(duì)，訓(xùn)練樣本圖片對(duì)I₁,I₂的損失函數(shù)公式為：

其中，L_r(d₁,d₂,m)為損失值，d₁和d₂為分別訓(xùn)練樣本圖片對(duì)I₁,I₂的特征，為訓(xùn)練樣本圖片對(duì)I₁,I₂特征的歐式距離，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，q為邊緣閾值參數(shù)且q＞0，若訓(xùn)練樣本圖片對(duì)I₁,I₂中兩者預(yù)設(shè)的標(biāo)簽類別相同時(shí)則定義m＝0，否則定義m＝1。

采用上述進(jìn)一步方案的有益效果是：損失函數(shù)(Regularloss)將輸出的特征進(jìn)行正則化約束比sigmoid/tanh的范圍約束使網(wǎng)絡(luò)輸出的特征保留的信息更多；用歐式距離代替漢明距離可以防止過擬合，提升網(wǎng)絡(luò)性能，同時(shí)由于輸出的特征向量是浮點(diǎn)型向量，用歐式距離能減少計(jì)算成本，正則化項(xiàng)選擇用低階范數(shù)除了可以大大的降低計(jì)算成本，通過反向傳播能加快網(wǎng)絡(luò)訓(xùn)練的速度，提升訓(xùn)練進(jìn)度。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟S2包括：在訓(xùn)練過程中需要進(jìn)行前向傳播和反向傳播，在前向傳播完成進(jìn)行反向傳播，根據(jù)反向傳播的方式依次從優(yōu)化的損失層、全連接層和池化層進(jìn)行調(diào)節(jié)：

用K表示訓(xùn)練樣本圖片的數(shù)據(jù)集中有K對(duì)訓(xùn)練樣本圖片對(duì)，利用數(shù)據(jù)集的損失函數(shù)公式

依次進(jìn)行損失層、全連接層和池化層損失值的梯度計(jì)算，其中(d_i,1,d_i,2)為第i對(duì)訓(xùn)練樣本圖像對(duì)的兩張圖片n維特征向量，

設(shè)第一項(xiàng)T1為其中預(yù)設(shè)的標(biāo)簽類別相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，第二項(xiàng)T2為其中預(yù)設(shè)的標(biāo)簽類別不相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，并利用公式(3)(4)(5)進(jìn)行損失層、全連接層和池化層參數(shù)的調(diào)節(jié)

其中，R為正則化輸出向量d_i,j，i∈(1,k),j＝1/2，i為K對(duì)訓(xùn)練樣本圖片對(duì)中第i對(duì)圖像對(duì)，j為第i對(duì)圖像對(duì)中第j張圖像，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，為導(dǎo)數(shù)符號(hào)。

采用上述進(jìn)一步方案的有益效果是：反向傳播以及測(cè)試代碼中均使用sign函數(shù)，將使網(wǎng)絡(luò)輸出的特征與量化之后的二值編碼盡可能的保持一致，從而會(huì)使量化過程中的特征信息的損失降到最低，以提高檢索精度。

進(jìn)一步，所述步驟S3包括：

步驟S301：將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)設(shè)置為預(yù)設(shè)值n₁，將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成初始測(cè)試用例；

步驟S302：將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)n₁設(shè)置為預(yù)設(shè)值n₂，且n₂＞n₁，來調(diào)整初始測(cè)試用例，得到調(diào)整后的測(cè)試用例。通過調(diào)整后的測(cè)試用例來調(diào)整網(wǎng)絡(luò)構(gòu)架。

采用上述進(jìn)一步方案的有益效果是：通過測(cè)試用例對(duì)網(wǎng)絡(luò)構(gòu)架進(jìn)行微調(diào)，微調(diào)后的網(wǎng)絡(luò)構(gòu)架比直接開始訓(xùn)練的損失率下降更平滑更快趨于平穩(wěn)，且震蕩很小。

進(jìn)一步，所述步驟S4包括：從測(cè)試用例中提取出近似二值編碼，根據(jù)sign函數(shù)計(jì)算公式

對(duì)近似二值編碼進(jìn)行量化，得到浮點(diǎn)型向量約束在(-1，1)之間的二值編碼，其中，d_i,j為第i對(duì)訓(xùn)練樣本圖片對(duì)的特征，j為第i對(duì)訓(xùn)練樣本圖片對(duì)中第j張圖像；再通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離。

應(yīng)理解在本實(shí)施例中，漢明距離是使用在數(shù)據(jù)傳輸差錯(cuò)控制編碼里面的，它表示兩個(gè)(相同長(zhǎng)度)字對(duì)應(yīng)位不同的數(shù)量，假設(shè)以d(x,y)表示兩個(gè)字x,y之間的漢明距離。對(duì)兩個(gè)字符串進(jìn)行異或運(yùn)算，并統(tǒng)計(jì)結(jié)果為1的個(gè)數(shù)，那么這個(gè)數(shù)就是漢明距離。簡(jiǎn)單來講就是統(tǒng)計(jì)兩個(gè)字符串不同的bit位的個(gè)數(shù)，也可以理解成一個(gè)字符串換成另一個(gè)字符串需要改變的字符的個(gè)數(shù)。例如：

1011101與1001001之間的漢明距離是2。

2143896與2233796之間的漢明距離是3。

"toned"與"roses"之間的漢明距離是3。

采用漢明距離計(jì)算-1/1二值編碼是因?yàn)樵诘途S空間中計(jì)算兩個(gè)二值向量之間漢明距離的速度是非常快的，相對(duì)于其他方法以10的指數(shù)倍提速，在很大程度上可以有效的提高人臉檢索的速度。

采用上述進(jìn)一步方案的有益效果是：在測(cè)試部分用sign函數(shù)對(duì)約束后的特征進(jìn)行量化能使最后需要的離散二值編碼與網(wǎng)絡(luò)輸出的特征真值更接近。

進(jìn)一步，步驟S6后還包括利用QTimer類獲取網(wǎng)絡(luò)構(gòu)架中計(jì)算漢明距離的運(yùn)行時(shí)間作為檢索時(shí)間，所述檢索時(shí)間用于與歐式距離的計(jì)算時(shí)間進(jìn)行對(duì)比，得到比對(duì)結(jié)果的步驟。

采用上述進(jìn)一步方案的有益效果是：本發(fā)明計(jì)算兩個(gè)48維二值編碼的漢明距離耗時(shí)0.064ms，而計(jì)算兩個(gè)500維特征向量的歐式距離耗時(shí)13.388ms，效率提升約210倍。

本發(fā)明解決上述技術(shù)問題的另一技術(shù)方案如下：一種人臉檢索系統(tǒng)，包括：

網(wǎng)絡(luò)構(gòu)架搭建模塊，用于搭建人臉檢索的網(wǎng)絡(luò)構(gòu)架，所述網(wǎng)絡(luò)構(gòu)架包括池化層、全連接層和損失層，并根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化；

參數(shù)調(diào)節(jié)模塊，用于根據(jù)反向傳播的方式調(diào)節(jié)網(wǎng)絡(luò)構(gòu)架中優(yōu)化的損失層、全連接層和池化層的參數(shù)，得到調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架；

測(cè)試用例生成模塊，用于將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成測(cè)試用例；

計(jì)算模塊，根據(jù)sign函數(shù)對(duì)所述測(cè)試用例進(jìn)行量化，計(jì)算得到測(cè)試用例的二值編碼，通過二值編碼計(jì)算兩兩訓(xùn)練樣本圖片之間的漢明距離；

訓(xùn)練模塊，用于根據(jù)漢明距離對(duì)各訓(xùn)練樣本圖片的近似度進(jìn)行排序，從而完成對(duì)人臉檢索的網(wǎng)絡(luò)構(gòu)架的訓(xùn)練；

檢索模塊，用于將各待檢索人臉圖片輸入完成訓(xùn)練的人臉檢索網(wǎng)絡(luò)構(gòu)架中進(jìn)行檢索，得到各待檢索人臉圖片的近似度排序結(jié)果。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

進(jìn)一步，人臉檢索系統(tǒng)還包括預(yù)處理模塊，所述預(yù)處理模塊用于將各訓(xùn)練樣本圖片進(jìn)行預(yù)處理，包括：將各訓(xùn)練樣本圖片根據(jù)預(yù)設(shè)規(guī)格進(jìn)行裁剪并對(duì)齊處理，再將對(duì)齊后的各訓(xùn)練樣本圖片的格式轉(zhuǎn)換為L(zhǎng)MDB(Lighting Memory-Mapped Database)格式。

進(jìn)一步，所述網(wǎng)絡(luò)構(gòu)架搭建模塊中根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化：對(duì)損失層中的損失函數(shù)進(jìn)行正則化項(xiàng)，兩兩訓(xùn)練樣本圖片為一組訓(xùn)練樣本圖片對(duì)，訓(xùn)練樣本圖片對(duì)I₁,I₂的損失函數(shù)公式為：

其中，L_r(d₁,d₂,m)為損失值，d₁和d₂為分別訓(xùn)練樣本圖片對(duì)I₁,I₂的特征，為訓(xùn)練樣本圖片對(duì)I₁,I₂特征的歐式距離，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，q為邊緣閾值參數(shù)且q＞0，若訓(xùn)練樣本圖片對(duì)中兩者預(yù)設(shè)的標(biāo)簽類別相同時(shí)則定義m＝0，否則定義m＝1。

進(jìn)一步，測(cè)試用例生成模塊包括：

模型生成單元，用于將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)設(shè)置為預(yù)設(shè)值n₁，將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成初始測(cè)試用例；

模型調(diào)整單元，用于將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)n₁設(shè)置為預(yù)設(shè)值n₂，且n₂＞n₁，來調(diào)整初始測(cè)試用例，得到調(diào)整后的測(cè)試用例。

進(jìn)一步，參數(shù)調(diào)節(jié)模塊中需要進(jìn)行前向傳播和反向傳播，在前向傳播完成進(jìn)行反向傳播,根據(jù)反向傳播的方式依次從優(yōu)化的損失層、全連接層和池化層進(jìn)行調(diào)節(jié)：

用K表示訓(xùn)練樣本圖片的數(shù)據(jù)集中有K對(duì)訓(xùn)練樣本圖片對(duì)，利用數(shù)據(jù)集的損失函數(shù)公式

依次進(jìn)行損失層、全連接層和池化層損失值的梯度計(jì)算，其中(d_i,1,d_i,2)為第i對(duì)訓(xùn)練樣本圖像對(duì)的兩張圖片n維特征向量，

設(shè)第一項(xiàng)T1為其中預(yù)設(shè)的標(biāo)簽類別相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，第二項(xiàng)T2為其中預(yù)設(shè)的標(biāo)簽類別不相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，并利用公式(3)(4)(5)進(jìn)行損失層、全連接層和池化層參數(shù)的調(diào)節(jié)

其中，R為正則化輸出向量d_i,j，i∈(1,k),j＝1/2，i為K對(duì)訓(xùn)練樣本圖片對(duì)中第i對(duì)圖像對(duì)，j為第i對(duì)圖像對(duì)中第j張圖像，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，為導(dǎo)數(shù)符號(hào)。

進(jìn)一步，所述計(jì)算模塊中從測(cè)試用例中提取出近似二值編碼，根據(jù)sign函數(shù)計(jì)算公式

對(duì)近似二值編碼進(jìn)行量化，得到浮點(diǎn)型向量約束在(-1，1)之間的二值編碼，其中，d_i,j為第i對(duì)訓(xùn)練樣本圖片對(duì)的特征，j為第i對(duì)訓(xùn)練樣本圖片對(duì)中第j張圖像；再通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離。

進(jìn)一步，人臉檢索系統(tǒng)還包括對(duì)比模塊，所述對(duì)比模塊利用QTimer類獲取網(wǎng)絡(luò)構(gòu)架中計(jì)算漢明距離的運(yùn)行時(shí)間作為檢索時(shí)間，所述檢索時(shí)間用于與歐式距離的計(jì)算時(shí)間進(jìn)行對(duì)比，得到比對(duì)結(jié)果的步驟。

附圖說明

圖1為本發(fā)明提供的人臉檢索方法實(shí)施例的方法流程圖；

圖2為本發(fā)明提供的人臉檢索系統(tǒng)實(shí)施例的模塊框圖；

圖3為本發(fā)明一實(shí)施例中人臉檢索方法與現(xiàn)有方法在LFW閉集數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果對(duì)比圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

圖1為本發(fā)明提供的人臉檢索方法實(shí)施例的方法流程圖；

如圖1所示，一種人臉檢索方法，包括如下步驟：

步驟S1：搭建人臉檢索的網(wǎng)絡(luò)構(gòu)架，所述網(wǎng)絡(luò)構(gòu)架包括池化層、全連接層和損失層，并根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化；

步驟S2：根據(jù)反向傳播的方式調(diào)節(jié)網(wǎng)絡(luò)構(gòu)架中優(yōu)化的損失層、全連接層和池化層的參數(shù)，得到調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架；

步驟S3：將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成測(cè)試用例；

步驟S4：根據(jù)sign函數(shù)對(duì)所述測(cè)試用例進(jìn)行量化，計(jì)算得到測(cè)試用例的二值編碼，通過二值編碼計(jì)算兩兩訓(xùn)練樣本圖片之間的漢明距離；

步驟S5：根據(jù)漢明距離對(duì)各訓(xùn)練樣本圖片的近似度進(jìn)行排序，從而完成對(duì)人臉檢索的網(wǎng)絡(luò)構(gòu)架的訓(xùn)練；

步驟S6：將各待檢索人臉圖片輸入完成訓(xùn)練的人臉檢索網(wǎng)絡(luò)構(gòu)架中進(jìn)行檢索，得到各待檢索人臉圖片的近似度排序結(jié)果。

上述實(shí)施例中，應(yīng)理解的，本發(fā)明網(wǎng)絡(luò)構(gòu)架是基于CNNs的網(wǎng)絡(luò)構(gòu)架，本發(fā)明搭建的是一個(gè)淺層的網(wǎng)絡(luò)構(gòu)架，其中包括三個(gè)卷積-池化層、兩個(gè)全連接層、一個(gè)損失層，三個(gè)卷積層卷積核的個(gè)數(shù)分別為32/32/64，卷積核大小為5*5，步長(zhǎng)為1；三個(gè)池化層的核大小均為3*3，步長(zhǎng)為2，第一個(gè)池化層為最大池化層，后面兩個(gè)均為平均池化層；第一個(gè)全連接層設(shè)置節(jié)點(diǎn)數(shù)為500，第二個(gè)全連接層設(shè)置節(jié)點(diǎn)數(shù)為n，即用于檢索的二值編碼的長(zhǎng)度，兩個(gè)全連接層的權(quán)值初始化參數(shù)為xavier，偏置項(xiàng)初始化參數(shù)為constant；

上述實(shí)施例中，在損失層進(jìn)行圖片對(duì)的隨機(jī)選擇比網(wǎng)絡(luò)外選擇圖片對(duì)更有益于網(wǎng)絡(luò)訓(xùn)練，根據(jù)反向傳播的方式微調(diào)網(wǎng)絡(luò)比直接訓(xùn)練網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)的性能有很大的提升，通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離，由漢明距離得到相似度進(jìn)行檢索，能達(dá)到以10的數(shù)量級(jí)提高檢索精度。本發(fā)明從以上幾個(gè)方面對(duì)網(wǎng)絡(luò)和輸出的特征進(jìn)行優(yōu)化，使得在大規(guī)模人臉數(shù)據(jù)庫(kù)下也能保證在準(zhǔn)確率持平或者盡可能小范圍降低的情況下能快速進(jìn)行人臉圖像的檢索。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟S3前還包括將各訓(xùn)練樣本圖片進(jìn)行預(yù)處理的步驟：將各訓(xùn)練樣本圖片根據(jù)預(yù)設(shè)規(guī)格進(jìn)行檢測(cè)、裁剪并對(duì)齊處理，再將對(duì)齊后的各訓(xùn)練樣本圖片的格式轉(zhuǎn)換為L(zhǎng)MDB(Lighting Memory-Mapped Database)格式。

上述實(shí)施例中，對(duì)訓(xùn)練樣本圖片進(jìn)行預(yù)處理及格式轉(zhuǎn)換能夠?yàn)橄旅娴牟襟E取得更快的處理時(shí)間，并且提高處理結(jié)果的精度。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟S1中根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化的具體方法為：對(duì)損失層中的損失函數(shù)進(jìn)行正則化項(xiàng)，兩兩訓(xùn)練樣本圖片為一組訓(xùn)練樣本圖片對(duì)，訓(xùn)練樣本圖片對(duì)I₁,I₂的損失函數(shù)公式為：

其中，L_r(d₁,d₂,m)為損失值，d₁和d₂為分別訓(xùn)練樣本圖片對(duì)I₁,I₂的特征，為訓(xùn)練樣本圖片對(duì)I₁,I₂特征的歐式距離，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，q為邊緣閾值參數(shù)且q＞0，若訓(xùn)練樣本圖片對(duì)I₁,I₂中兩者預(yù)設(shè)的標(biāo)簽類別相同時(shí)則定義m＝0，否則定義m＝1。具體的，損失層采用損失函數(shù)Regularloss，參數(shù)q＝24，γ＝0.01，在Regularlos損失層，需要先進(jìn)行圖片對(duì)的選擇，設(shè)置隨機(jī)選擇方式，通過比對(duì)人臉數(shù)據(jù)庫(kù)標(biāo)簽類別是否一致判斷隨機(jī)選擇的圖片對(duì)是否相似，若相似，則m＝0，若不相似，則m＝1。

上述實(shí)施例中，損失函數(shù)(Regularloss)將輸出的特征進(jìn)行正則化約束比sigmoid/tanh的范圍約束使網(wǎng)絡(luò)輸出的特征保留的信息更多；用歐式距離代替漢明距離可以防止過擬合，提升網(wǎng)絡(luò)性能，同時(shí)由于輸出的特征向量是浮點(diǎn)型向量，用歐式距離能減少計(jì)算成本，正則化項(xiàng)選擇用低階范數(shù)除了可以大大的降低計(jì)算成本，通過反向傳播能加快網(wǎng)絡(luò)訓(xùn)練的速度，提升訓(xùn)練進(jìn)度。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟S2包括：根據(jù)反向傳播的方式依次從優(yōu)化的損失層、全連接層和池化層進(jìn)行調(diào)節(jié)：

用K表示訓(xùn)練樣本圖片的數(shù)據(jù)集中有K對(duì)訓(xùn)練樣本圖片對(duì)，利用數(shù)據(jù)集的損失函數(shù)公式

依次進(jìn)行損失層、全連接層和池化層損失值的梯度計(jì)算，其中(d_i,1,d_i,2)為第i對(duì)訓(xùn)練樣本圖像對(duì)的兩張圖片n維特征向量，

設(shè)第一項(xiàng)T1為其中預(yù)設(shè)的標(biāo)簽類別相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，第二項(xiàng)T2為其中預(yù)設(shè)的標(biāo)簽類別不相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，并利用公式(3)(4)(5)進(jìn)行損失層、全連接層和池化層參數(shù)的調(diào)節(jié)

其中，R為正則化輸出向量d_i,j，i∈(1,k),j＝1/2，i為K對(duì)訓(xùn)練樣本圖片對(duì)中第i對(duì)圖像對(duì)，j為第i對(duì)圖像對(duì)中第j張圖像，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，為導(dǎo)數(shù)符號(hào)。

上述實(shí)施例中，反向傳播以及測(cè)試代碼中均使用sign函數(shù)，將使網(wǎng)絡(luò)輸出的特征與量化之后的二值編碼盡可能的保持一致，從而會(huì)使量化過程中的特征信息的損失降到最低，以提高檢索精度。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟S3包括：

步驟S301：將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)設(shè)置為預(yù)設(shè)值n₁，將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成初始測(cè)試用例；

步驟S302：將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)n₁設(shè)置為預(yù)設(shè)值n₂，且n₂＞n₁，來調(diào)整初始測(cè)試用例，得到調(diào)整后的測(cè)試用例。通過調(diào)整后的測(cè)試用例來調(diào)整網(wǎng)絡(luò)構(gòu)架。

具體的，n₁設(shè)置為比較小的數(shù)，例如12，將n₂設(shè)置為比較大的數(shù)，例如24、48，將第二個(gè)全連接層的權(quán)值學(xué)習(xí)率系數(shù)以及偏置項(xiàng)學(xué)習(xí)率系數(shù)設(shè)置為網(wǎng)絡(luò)對(duì)應(yīng)系數(shù)的10倍。

上述實(shí)施例中，通過測(cè)試用例對(duì)網(wǎng)絡(luò)構(gòu)架進(jìn)行微調(diào)，微調(diào)后的網(wǎng)絡(luò)構(gòu)架比直接開始訓(xùn)練的損失率下降更平滑更快趨于平穩(wěn)，且震蕩很小。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述步驟S4包括：從測(cè)試用例中提取出近似二值編碼，根據(jù)sign函數(shù)計(jì)算公式

對(duì)近似二值編碼進(jìn)行量化，得到浮點(diǎn)型向量約束在(-1，1)之間的二值編碼，其中，d_i,j為第i對(duì)訓(xùn)練樣本圖片對(duì)的特征，j為第i對(duì)訓(xùn)練樣本圖片對(duì)中第j張圖像；再通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離。

上述實(shí)施例中，在測(cè)試部分用sign函數(shù)對(duì)約束后的特征進(jìn)行量化能使最后需要的離散二值編碼與網(wǎng)絡(luò)輸出的特征真值更接近。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，步驟S6后還包括利用QTimer類獲取網(wǎng)絡(luò)構(gòu)架中計(jì)算漢明距離的運(yùn)行時(shí)間作為檢索時(shí)間，所述檢索時(shí)間用于與歐式距離的計(jì)算時(shí)間進(jìn)行對(duì)比，得到比對(duì)結(jié)果的步驟。

圖3為本發(fā)明一實(shí)施例中人臉檢索方法與現(xiàn)有方法在LFW閉集數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果對(duì)比圖，由圖可知本發(fā)明方法相對(duì)于其他方法精度及效率大大提高；此方法計(jì)算兩個(gè)48維二值編碼的漢明距離耗時(shí)0.064ms，而計(jì)算兩個(gè)500維特征向量的歐式距離耗時(shí)13.388ms，效率提升約210倍。

圖2為本發(fā)明提供的人臉檢索系統(tǒng)實(shí)施例的模塊框圖；

可選地，作為本發(fā)明的另一個(gè)實(shí)施例，如圖2所示，一種人臉檢索系統(tǒng)，包括：

網(wǎng)絡(luò)構(gòu)架搭建模塊，用于搭建人臉檢索的網(wǎng)絡(luò)構(gòu)架，所述網(wǎng)絡(luò)構(gòu)架包括池化層、全連接層和損失層，并根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化；

參數(shù)調(diào)節(jié)模塊，用于根據(jù)反向傳播的方式調(diào)節(jié)網(wǎng)絡(luò)構(gòu)架中優(yōu)化的損失層、全連接層和池化層的參數(shù)，得到調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架；

測(cè)試用例生成模塊，用于將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成測(cè)試用例；

計(jì)算模塊，根據(jù)sign函數(shù)對(duì)所述測(cè)試用例進(jìn)行量化，計(jì)算得到測(cè)試用例的二值編碼，通過二值編碼計(jì)算兩兩訓(xùn)練樣本圖片之間的漢明距離；

訓(xùn)練模塊，用于根據(jù)漢明距離對(duì)各訓(xùn)練樣本圖片的近似度進(jìn)行排序，從而完成對(duì)人臉檢索的網(wǎng)絡(luò)構(gòu)架的訓(xùn)練；

檢索模塊，用于將各待檢索人臉圖片輸入完成訓(xùn)練的人臉檢索網(wǎng)絡(luò)構(gòu)架中進(jìn)行檢索，得到各待檢索人臉圖片的近似度排序結(jié)果。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，人臉檢索系統(tǒng)還包括預(yù)處理模塊，所述預(yù)處理模塊用于將各訓(xùn)練樣本圖片進(jìn)行預(yù)處理，包括：將各訓(xùn)練樣本圖片根據(jù)預(yù)設(shè)規(guī)格進(jìn)行裁剪并對(duì)齊處理，再將對(duì)齊后的各訓(xùn)練樣本圖片的格式轉(zhuǎn)換為L(zhǎng)MDB(Lighting Memory-Mapped Database)格式。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，所述網(wǎng)絡(luò)構(gòu)架搭建模塊中根據(jù)歐式距離對(duì)網(wǎng)絡(luò)構(gòu)架中的損失層進(jìn)行優(yōu)化：對(duì)損失層中的損失函數(shù)進(jìn)行正則化項(xiàng)，兩兩訓(xùn)練樣本圖片為一組訓(xùn)練樣本圖片對(duì)，訓(xùn)練樣本圖片對(duì)I₁,I₂的損失函數(shù)公式為：

其中，L_r(d₁,d₂,m)為損失值，d₁和d₂為分別訓(xùn)練樣本圖片對(duì)I₁,I₂的特征，為訓(xùn)練樣本圖片對(duì)I₁,I₂特征的歐式距離，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，q為邊緣閾值參數(shù)且q＞0，若訓(xùn)練樣本圖片對(duì)中兩者預(yù)設(shè)的標(biāo)簽類別相同時(shí)則定義m＝0，否則定義m＝1。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，測(cè)試用例生成模塊包括：

模型生成單元，用于將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)設(shè)置為預(yù)設(shè)值n₁，將各訓(xùn)練樣本圖片輸入調(diào)節(jié)后的網(wǎng)絡(luò)構(gòu)架中生成初始測(cè)試用例；

模型調(diào)整單元，用于將網(wǎng)絡(luò)構(gòu)架中全連接層的節(jié)點(diǎn)數(shù)n₁設(shè)置為預(yù)設(shè)值n₂，且n₂＞n₁，來調(diào)整初始測(cè)試用例，得到調(diào)整后的測(cè)試用例。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，參數(shù)調(diào)節(jié)模塊中需要進(jìn)行前向傳播和反向傳播，在前向傳播完成進(jìn)行反向傳播,根據(jù)反向傳播的方式依次從優(yōu)化的損失層、全連接層和池化層進(jìn)行調(diào)節(jié)：

用K表示訓(xùn)練樣本圖片的數(shù)據(jù)集中有K對(duì)訓(xùn)練樣本圖片對(duì)，利用數(shù)據(jù)集的損失函數(shù)公式

依次進(jìn)行損失層、全連接層和池化層損失值的梯度計(jì)算，其中(d_i,1,d_i,2)為第i對(duì)訓(xùn)練樣本圖像對(duì)的兩張圖片n維特征向量，

設(shè)第一項(xiàng)T1為其中預(yù)設(shè)的標(biāo)簽類別相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，第二項(xiàng)T2為其中預(yù)設(shè)的標(biāo)簽類別不相同的一訓(xùn)練樣本圖片對(duì)得到的損失值，并利用公式(3)(4)(5)進(jìn)行損失層、全連接層和池化層參數(shù)的調(diào)節(jié)

其中，R為正則化輸出向量d_i,j，i∈(1,k),j＝1/2，i為K對(duì)訓(xùn)練樣本圖片對(duì)中第i對(duì)圖像對(duì)，j為第i對(duì)圖像對(duì)中第j張圖像，γ為控制正則項(xiàng)強(qiáng)度的加權(quán)參數(shù)，為導(dǎo)數(shù)符號(hào)。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，

所述計(jì)算模塊中從測(cè)試用例中提取出近似二值編碼，根據(jù)sign函數(shù)計(jì)算公式

對(duì)近似二值編碼進(jìn)行量化，得到浮點(diǎn)型向量約束在(-1，1)之間的二值編碼，其中，d_i,j為第i對(duì)訓(xùn)練樣本圖片對(duì)的特征，j為第i對(duì)訓(xùn)練樣本圖片對(duì)中第j張圖像；再通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離。

可選地，作為本發(fā)明的一個(gè)實(shí)施例，人臉檢索系統(tǒng)還包括對(duì)比模塊，所述對(duì)比模塊利用QTimer類獲取網(wǎng)絡(luò)構(gòu)架中計(jì)算漢明距離的運(yùn)行時(shí)間作為檢索時(shí)間，所述檢索時(shí)間用于與歐式距離的計(jì)算時(shí)間進(jìn)行對(duì)比，得到比對(duì)結(jié)果的步驟。

本發(fā)明在損失層進(jìn)行圖片對(duì)的隨機(jī)選擇比網(wǎng)絡(luò)外選擇圖片對(duì)更有益于網(wǎng)絡(luò)訓(xùn)練，根據(jù)反向傳播的方式微調(diào)網(wǎng)絡(luò)比直接訓(xùn)練網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)的性能有很大的提升，Regularloss損失函數(shù)將輸出的特征進(jìn)行正則化約束比sigmoid/tanh的范圍約束使網(wǎng)絡(luò)輸出的特征保留的信息更多，同時(shí)在測(cè)試部分用sign函數(shù)對(duì)約束后的特征進(jìn)行量化能使最后需要的離散二值編碼與網(wǎng)絡(luò)輸出的特征真值更接近，通過二值編碼計(jì)算訓(xùn)練樣本圖片對(duì)之間的漢明距離，由漢明距離得到相似度進(jìn)行檢索，能達(dá)到以10的數(shù)量級(jí)提高檢索精度。本發(fā)明從以上幾個(gè)方面對(duì)網(wǎng)絡(luò)和輸出的特征進(jìn)行優(yōu)化，使得在大規(guī)模人臉數(shù)據(jù)庫(kù)下也能保證在準(zhǔn)確率持平或者盡可能小范圍降低的情況下能快速進(jìn)行人臉圖像的檢索。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。