CN102096800A - 一种图像信息获取方法及装置 - Google Patents

Abstract

本发明公开了一种图像信息获取方法及装置，用以减少获取图像信息的时间，提高工作效率。本发明提供的一种图像信息获取方法包括：提取待匹配图像的特征，将所述待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；将所述待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

Description

一种图像信息获取方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种图像信息获取方法及装置。

背景技术

信息时代的到来和社会的进步，使得如何快速、友好地识别一个人的身份变得至关重要。传统的身份识别，例如通过身份证、工作证等识别身份，由于携带证件不方便，容易丢失、伪造以及给人造成的心理障碍等变得越来越不合时宜。

现有技术中的生物特征识别技术克服了上述缺点。人脸识别作为生物特征识别技术的一种，具有直接、友好和方便等许多优点，目前已成为模式识别和人工智能领域的研究热点，并且得到了广泛的应用。

人脸识别由于其优点，在诸多领域得到了广泛应用。但随着数据量的增加，或者在要求数据量很大的场合，则需要查询大规模的人脸数据库，大规模人脸数据库的人脸识别的主要难点在于人脸数据量非常大，一般都在几百万左右，在建立人脸数据库的过程中，提取大量数据的特征的运算量也非常大。另外，在数据库中进行查询时，数据量太大，如果逐一比对识别，需要的查询时间很长，难以实时应用。

例如，公安人员通过人脸图像在数据库中查找此人是否为逃犯，并调出其相关资料，以供参考，如果查找需要耗费较长时间，并且如果有很多张照片需要比对就更加耗费时间，工作效率不高。

综上所述，现有人脸图像识别技术获取人脸图像相关信息耗时较长，工作效率较低。

发明内容

本发明实施例提供了一种图像信息获取方法及装置，用以减少获取图像信息的时间，提高工作效率。

本发明实施例提供的一种图像信息获取方法包括：

提取待匹配图像的特征，将所述待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；

将所述待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

本发明实施例提供的一种图像信息获取装置包括：

特征提取单元，用于提取待匹配图像的特征；

确定所属聚类单元，用于将所述待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；

信息获取单元，用于将所述待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

本发明实施例，提取待匹配图像的特征，将待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；将待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息，从而减少了获取图像信息的时间，提高了工作效率。

附图说明

图1为本发明实施例提供的一种图像信息获取方法的流程示意图；

图2为本发明实施例提供的聚类建立示意图；

图3为本发明实施例提供的一种图像信息获取装置的结构示意图。

具体实施方式

本发明实施例提供了一种图像信息获取方法及装置，用以减少获取图像信息的时间，提高工作效率。

本发明实施例以人脸图像信息获取为例进行说明，当然对于其他图像的相关信息的获取同样适用。

目前现有的人脸识别系统一般都只适用于中小规模的人脸数据库，当人脸数据库的规模很大时，这些系统就难以达到实时应用的效果。本发明针对这些问题，主要在两个方面进行了改进：

在建立人脸数据库的过程中，使用增量学习的方法逐步提取海量数据的特征，使得海量数据的特征提取成为可能。

使用聚类分析技术对处理人脸特征数据，将海量人脸数据分成若干个聚类，每个聚类中的数据都紧密的聚集在其聚类中心的周围。这样，进行数据库查询时，只需要将待识别数据先和这些聚类中心进行比较，找到距离最近的那个聚类中心，于是待识别数据就肯定只属于该聚类，不会属于其他聚类，然后在该聚类中进行进一步的识别，就可以获得最终的识别结果，从而降低了在数据中搜索的时间。

因此，本发明实施例主要针对大规模人脸数据库的图像信息获取给出详细说明。

下面结合附图对本发明实施例提供的技术方案进行说明。

参见图1，本发明实施例提供的一种图像信息获取方法包括步骤：

S101、提取待匹配图像的特征，将待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类。

S102、将待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

本发明实施例需要预先将图像特征划分为多个聚类。

较佳的，划分多个聚类的步骤包括：

将采集到的n个图像等分成N个集合，提取其中特定集合(例如可以是其中的第一个集合)中的各个图像的图像特征；

根据特定集合中的各个图像的图像特征，提取N个集合中除了特定集合之外的各个集合中的各个图像的图像特征；

将N个集合中的所有图像的图像特征划分为多个聚类。

较佳的，根据特定集合中的各个图像的图像特征，提取N个集合中除了特定集合之外的各个集合中的各个图像的图像特征的步骤包括：

根据特定集合中的各个图像的图像特征，采用增量学习法提取N个集合中除了特定集合之外的各个集合中的各个图像的图像特征。

较佳的，将待匹配图像的特征与多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类的步骤包括：

计算待匹配图像的特征与各个聚类的聚类中心的差值，得到多个差值，将其中最小的差值所对应的聚类确定为待匹配图像的特征所属的聚类。

较佳的，匹配成功的图像特征，为待匹配图像的特征所属的聚类中与待匹配图像的特征的相似度大于预设阈值的图像特征。

下面分别给出具体的解释说明。

参见图2，利用收集到的人脸图像建立人脸数据库的主要步骤包括：

第一步，将收集到的n(n很大，一般在几百万左右)张人脸图像分为N(N大于1)个集合，每个集合包括

个人脸图像。

第二步，使用特征提取的方法提取第一个集合中的各个人脸图像的特征，然后在此基础上使用增量学习法逐步提取其余各个集合中的各个人脸图像的特征，最终得到所有人脸图像的特征。

特征提取的目的是构造一个函数T(□)，输入任意一张人脸图像I_i，输出一个维数低于I_i的向量f_i，即f_i＝T(I_i)。人脸图像的维数太高了，如果直接处理运算量会太大。因此采用特征提取的方式提取人脸图像的特征。

由于收集的人脸图像非常多，想要直接计算出各个人脸图像的函数T(□)是很难的，因为计算机的内存是有限的，不可能一次读取太多的数据，所以需要使用增量学习的方法逐步进行特征提取。因此，本发明实施例先将收集到的n张人脸图像分为N个大小相同的N个集合，每个集合包括个人脸图像。然后，使用特征提取的方法处理第一个集合，在此基础上使用增量学习法逐步处理其余各个集合，最终得到所有人脸图像的特征。例如，可以使用主分量分析(PCA)方法提取第一个集合的人脸图像的特征，进而可以使用增量主分量分析的方法逐步提取其余各个集合的人脸图像的特征。

具体地，假设一共有N个人脸图像x₁，x₂，…，x_N，主分量分析方法包括：

计算所有人脸图像的均值 $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$ 以及协方差矩阵 $\mathrm{\Σ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x}){(x_i-\stackrel{\‾}{x})}^T,$ 然后计算协方差矩阵∑的特征值分解，根据特征值分解的结果提取特征。这种做法需要读取N个图像的向量并存储在内存中，而当N非常大时，内存空间未必能满足存储需求，因此就会出错。

所以，本发明采用增量主分量分析的方法逐步提取其余各个集合的人脸图像的特征，具体包括：

首先，从N个人脸图像中先提取一部分图像，记为x₁，x₂，…，x_m，m＜N，计算出这m个图像的均值x_m和协方差矩阵∑_m，然后从N个人脸图像中再提取一部分，记为x_m+1，x_m+2，…，x_m+p，同理，这p个图像的均值为x_p，协方差矩阵为∑_p，并计算出这m+p个图像x₁，x₂，…，x_m，x_m+1，x_m+2，…，x_m+p的协方差矩阵为：

$\frac{1}{m+p}(m{\mathrm{\Σ}}_m+p{\mathrm{\Σ}}_p)+\frac{\mathrm{mp}}{{(m+p)}^2}({\stackrel{\‾}{x}}_m-{\stackrel{\‾}{x}}_p){({\stackrel{\‾}{x}}_m-{\stackrel{\‾}{x}}_p)}^T$

然后，不断从N个人脸图像提取部分图像，直到所有人脸图像都提取完为止，最终计算出的协方差矩阵就是PCA方法中计算的协方差矩阵 $\mathrm{\Σ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x}){(x_i-\stackrel{\‾}{x})}^T.$

特征提取中，T(□)可以根据用户需要进行选择，以PCA为例，对协方差矩阵 $\mathrm{\Σ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x}){(x_i-\stackrel{\‾}{x})}^T$ 进行特征值分解，得到：

∑＝PΛP^T，对于每个人脸图像x_i，其特征就是P^T(x_i-x)，即T(x_i)＝P^T(x_i-x)。

使用增量学习法逐步提取人脸图像的特征时，对于第i(1≤i≤n)个人脸图像I_i，给出一个向量f_i，而f_i的维数小于I_i的维数。

由于数据量巨大，一次性计算出所有人脸图像的特征是很难的。因此，本发明实施例在得到第一个集合中的各个人脸图像的特征的基础上，采用增量学习法逐步提取其他集合的人脸图像的特征。

第三步，使用聚类分析法将第二步获取的人脸图像的特征分成M个类别，即M个聚类，每个人脸图像的特征对应一个聚类，可以用类别标签标识人脸图像的特征所对应的聚类，例如第i(1≤i≤n)个人脸图像的特征对应一个类别标签L_i，L_i的取值范围从1到M。

由于降维之后的特征的数目仍然很多，直接在这么多的数据里进行查询和匹配还是耗时太多，因此本发明实施例使用聚类分析法对特征进行处理，将n个特征数据分成M个类别，从而将相似的人脸图像的特征聚集到一起。聚类结束后，第i(1≤i≤n)个人脸图像的特征获得了一个类别标签L_i，L_i的取值范围为1到M，M个聚类中心分别为f₁，f₂，…，f_C，每个聚类中的数据都紧密的聚集在其聚类中心的周围。在进行查找时，只需要将待识别图像的特征先和M个聚类中心进行比较，找到距离最近的那个聚类中心，于是待识别图像的特征就肯定只属于该聚类，不会属于其他聚类，然后在该聚类中进行进一步的匹配，就可以获得最终的匹配结果，从而降低了在数据库中搜索的时间。

最后，对于每一张人脸图像，将该人脸图像、该人脸图像对应的图像信息(例如该图像所展现的人的档案信息等)、提取出的该人脸图像的特征、该人脸图像对应的类别标签记录到数据库中。

另外，还需要把每个聚类的聚类中心，即每个聚类的均值保存到数据库中。

当有人脸图像需要匹配，即需要获取该人脸图像的图像信息时，具体的操作主要包括：

第一步，提取任意一副待匹配图像I_t的特征f_t。

例如，对于任意一副待识别的图像I_t，代入函数T(□)中得到其特征f_t＝T(I_t)。

第二步，根据第一步计算的特征f_t以及数据库中的M个聚类中心，使用最近邻法则确定待匹配图像的类别标签L_t。

例如采用下面的公式，计算f_t和每个聚类中心f_i的差值d_i：

d_i＝|f_t-f_i|

其中，i＝1，2，…，M。

得到M个差值d₁，d₂，…，d_M后，确定d₁，d₂，…，d_M中的最小值，找出该最小值对应的聚类，假设该最小值的下标为k，则待匹配图像I_t就属于第k个聚类，假设该第k个聚类的类别标签为L_t。

因此，只要将待匹配图像的特征与第k个聚类中的各个图像特征进行匹配即可。

第三步，通过人脸识别技术将待匹配图像I_t的特征f_t与数据库中类别标签等于L_t的所有图像特征进行匹配，找出与f_t相似程度最高的一帧或多帧人脸图像特征所对应的人脸图像及其相关图像信息，并输出。

参见图3，本发明实施例提供的一种图像信息获取装置包括：

聚类设置单元11，用于将采集到的n个图像等分成N个集合，提取其中特定集合中的各个图像的图像特征；根据特定集合中的各个图像的图像特征，提取N个集合中除了特定集合之外的各个集合中的各个图像的图像特征；将N个集合中的所有图像的图像特征划分为多个聚类。

图像信息数据库12，用于存储图像特征与预先设置的聚类以及图像信息的对应关系。

特征提取单元13，用于提取待匹配图像的特征。

确定所属聚类单元14，用于将待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类。

信息获取单元15，用于将待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

较佳的，所述聚类设置单元11，采用增量学习法提取N个集合中除了所述特定集合之外的各个集合中的各个图像的图像特征。

较佳的，所述确定所属聚类单元14，通过计算待匹配图像的特征与各个聚类的聚类中心的差值，得到多个差值，将其中最小的差值所对应的聚类确定为待匹配图像的特征所属的聚类。

较佳的，所述信息获取单元15，将待匹配图像的特征所属的聚类中与待匹配图像的特征的相似度大于预设阈值的图像特征，确定为匹配成功的图像特征。

综上所述，本发明实施例，提取待匹配图像的特征，将待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；将待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息，从而减少了获取图像信息的时间，提高了工作效率。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图像信息获取方法，其特征在于，该方法包括：

提取待匹配图像的特征，将所述待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；

将所述待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

2.根据权利要求1所述的方法，其特征在于，预先划分所述多个聚类的步骤包括：

将采集到的n个图像等分成N个集合，提取其中特定集合中的各个图像的图像特征；

根据所述特定集合中的各个图像的图像特征，提取所述N个集合中除了所述特定集合之外的各个集合中的各个图像的图像特征；

将所述N个集合中的所有图像的图像特征划分为多个聚类。

3.根据权利要求2所述的方法，其特征在于，根据所述特定集合中的各个图像的图像特征，提取所述N个集合中除了所述特定集合之外的各个集合中的各个图像的图像特征的步骤包括：

根据所述特定集合中的各个图像的图像特征，采用增量学习法提取所述N个集合中除了所述特定集合之外的各个集合中的各个图像的图像特征。

4.根据权利要求1所述的方法，其特征在于，将所述待匹配图像的特征与所述多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类的步骤包括：

计算所述待匹配图像的特征与各个聚类的聚类中心的差值，得到多个差值，将其中最小的差值所对应的聚类确定为待匹配图像的特征所属的聚类。

5.根据权利要求1至4任一权项所述的方法，其特征在于，所述匹配成功的图像特征，为所述待匹配图像的特征所属的聚类中与所述待匹配图像的特征的相似度大于预设阈值的图像特征。

6.一种图像信息获取装置，其特征在于，所述装置包括：

图像信息数据库，用于存储图像特征与预先设置的聚类以及图像信息的对应关系；

特征提取单元，用于提取待匹配图像的特征；

确定所属聚类单元，用于将所述待匹配图像的特征与预先将多个图像特征划分为多个聚类的聚类中心进行比较，确定待匹配图像的特征所属的聚类；

信息获取单元，用于将所述待匹配图像的特征与其所属的聚类中的图像特征进行匹配，获取匹配成功的图像特征所对应的图像信息。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

聚类设置单元，用于将采集到的n个图像等分成N个集合，提取其中特定集合中的各个图像的图像特征；根据所述特定集合中的各个图像的图像特征，提取所述N个集合中除了所述特定集合之外的各个集合中的各个图像的图像特征；将所述N个集合中的所有图像的图像特征划分为多个聚类。

8.根据权利要求7所述的装置，其特征在于，所述聚类设置单元，采用增量学习法提取所述N个集合中除了所述特定集合之外的各个集合中的各个图像的图像特征。

9.根据权利要求6所述的装置，其特征在于，所述确定所属聚类单元，通过计算所述待匹配图像的特征与各个聚类的聚类中心的差值，得到多个差值，将其中最小的差值所对应的聚类确定为待匹配图像的特征所属的聚类。

10.根据权利要求6至9任一权项所述的装置，其特征在于，所述信息获取单元，将所述待匹配图像的特征所属的聚类中与所述待匹配图像的特征的相似度大于预设阈值的图像特征，确定为所述匹配成功的图像特征。

Images