CN107622282A - 图像校验方法和装置 - Google Patents

Abstract

本申请实施例公开了图像校验方法和装置。该方法的一具体实施方式包括：获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成第一图像的第一图像矩阵和第二图像的第二图像矩阵；分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。该实施方式提高了图像校验效率。

Description

图像校验方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及图像校验方法和装置。

背景技术

由于图像校验技术可以从海量的图像中自动校验出属于同一个对象的图像，因此图像校验技术已被应用在多种领域中。

然而，现有的图像校验方法通常需要自定义图像中的多个局部区域，并分别提取各个局部区域的特征，从而利用各个局部区域的特征进行校验。校验过程较为复杂，导致图像校验效率较低。

发明内容

本申请实施例的目的在于提出一种改进的图像校验方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种图像校验方法，该方法包括：获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在一些实施例中，分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，包括：分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。

在一些实施例中，分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵，包括：对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。

在一些实施例中，计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离，包括：计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。

在一些实施例中，基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象，包括：将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。

第二方面，本申请实施例提供了一种图像校验装置，该装置包括：获取单元，配置用于获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成单元，配置用于生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；输入单元，配置用于分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算单元，配置用于计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；校验单元，配置用于基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在一些实施例中，输入单元包括：第一相乘子单元，配置用于分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；第二相乘子单元，配置用于分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；第三相乘子单元，配置用于分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。

在一些实施例中，第二相乘子单元包括：分割模块，配置用于对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；卷积模块，配置用于将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。

在一些实施例中，计算单元进一步配置用于：计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。

在一些实施例中，校验单元包括：比较子单元，配置用于将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；第一确定子单元，配置用于若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；第二确定子单元，配置用于若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的图像校验方法和装置，通过获取第一图像和第二图像，以便生成第一图像的第一图像矩阵和第二图像的第二图像矩阵；然后分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，以便得到第一图像的高层特征向量和第二图像的高层特征向量；最后计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离，以便校验出第一人脸图像区域和第二人脸图像区域是否属于同一个对象。其图像校验过程较为简单，从而提高了图像校验效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的图像校验方法的一个实施例的流程图；

图3是根据本申请实施例的图像校验方法的一个应用场景的示意图；

图4是根据本申请的图像校验方法的又一个实施例的流程图；

图5是根据本申请的图像校验装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的图像校验方法或图像校验装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像校验类应用、图像编辑类应用、浏览器类应用、阅读类应用等。

终端设备101、102、103可以是具有显示屏并且支持图像浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

服务器105可以提供各种服务，例如服务器105可以通过网络104从终端设备101、102、103中获取第一图像和第二图像，并对所获取到的第一图像和第二图像进行分析等处理，并生成处理结果(例如用于指示第一人脸图像区域和第二人脸图像区域是否属于同一个对象的指示信息)。

需要说明的是，本申请实施例所提供的图像校验方法一般由服务器105执行，相应地，图像校验装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在服务器105中存储有第一图像和第二图像的情况下，系统架构100可以不设置终端设备101、102、103。

继续参考图2，其示出了根据本申请的图像校验方法的一个实施例的流程200。该图像校验方法，包括以下步骤：

步骤201，获取第一图像和第二图像。

在本实施例中，图像校验方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接或者无线连接的方式从终端设备(例如图1所示的终端设备101、102、103)获取第一图像和第二图像。其中，第一图像可以包括第一人脸图像区域，第二图像可以包括第二人脸图像区域。

需要说明的是，在电子设备本地存储有第一图像和第二图像的情况下，电子设备可以直接从本地获取第一图像和第二图像。

步骤202，生成第一图像的第一图像矩阵和第二图像的第二图像矩阵。

在本实施例中，基于步骤201所获取的第一图像和第二图像，电子设备可以生成第一图像的第一图像矩阵和第二图像的第二图像矩阵。实践中，图像可以用矩阵来表示，具体地，可以采用矩阵理论和矩阵算法对图像进行分析和处理。其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素。作为示例，在图像是灰度图像的情况下，图像矩阵的元素可以对应灰度图像的灰度值；在图像是彩色图像的情况下，图像矩阵的元素对应彩色图像的RGB(Red Green Blue，红绿蓝)值。通常，人类视力所能感知的所有颜色均是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到的。

步骤203，分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量。

在本实施例中，基于步骤202所生成的第一图像矩阵和第二图像矩阵，电子设备可以将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，从而得到第一图像的高层特征向量和第二图像的高层特征向量。具体地，电子设备可以将第一图像矩阵和第二图像矩阵从多层卷积神经网络的输入侧输入，依次经过各层的处理，并从多层卷积神经网络的输出侧输出。这里，电子设备可以利用各层的参数矩阵对各层的输入进行处理(例如乘积、卷积)。其中，从输出侧输出的特征向量即为第一图像的高层特征向量和第二图像的高层特征向量。图像的高层特征向量可以用于描述图像中的人脸图像区域所具有的特征。第一图像的高层特征向量可以用于描述第一人脸图像区域所具有的特征，第二图像的高层特征向量可以用于描述第二人脸图像区域所具有的特征。

在本实施例中，多层卷积神经网络可以是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。通常，多层卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。并且，多层卷积神经网络的输入是图像矩阵，多层卷积神经网络的输出是高层特征向量，使得多层卷积神经网络可以用于表征图像矩阵与高层特征向量之间的对应关系。

作为一种示例，多层卷积神经网络可以是AlexNet。其中，AlexNet是多层卷积神经网络的一种现有的结构，在2012年的ImageNet(一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库)的竞赛中，Geoffrey(杰弗里)和他学生Alex(亚历克斯)所用的结构被称为AlexNet。通常，AlexNet包括8层，其中，前5层是convolutional(卷积层)，后面3层是full-connected(全连接层)。将图像的图像矩阵输入至AlexNet中，经过AlexNet的各层的处理，可以输出图像的高层特征向量。

作为另一种示例，多层卷积神经网络可以是GoogleNet。其中，GoogleNet也是多层卷积神经网络的一种现有结构，是2014年的ImageNet的竞赛中的冠军模型。其基本构成部件和AlexNet类似，是一个22层的模型。将图像的图像矩阵输入至GoogleNet中，经过GoogleNet的各层的处理，可以输出图像的高层特征向量。

在本实施例中，电子设备可以通过多种方式预先训练出多层卷积神经网络。

作为一种示例，电子设备可以基于对大量图像的图像矩阵和高层特征向量的统计而生成存储有多个图像矩阵与高层特征向量的对应关系的对应关系表，并将该对应关系表作为多层卷积神经网络。

作为另一种示例，电子设备可以获取大量样本图像的图像矩阵，并获取一个未经训练的初始化多层卷积神经网络，其中，初始化多层卷积神经网络中存储有初始化参数。此时，电子设备可以利用大量样本图像的图像矩阵对初始化多层卷积神经网络进行训练，并在训练过程中基于预设的约束条件不断地调整初始化参数，直至训练出能够表征图像矩阵和高层特征向量之间准确对应关系的多层卷积神经网络为止。

步骤204，计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离。

在本实施例，基于步骤203所得到的第一图像的高层特征向量和第二图像的高层特征向量，电子设备可以计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离。其中，第一图像的高层特征向量和第二图像的高层特征向量之间的距离可以用于衡量第一图像的高层特征向量和第二图像的高层特征向量之间的相似度。通常，距离越小或越接近某一个数值，相似度越高，距离越大或越偏离某一个数值，相似度越低。

在本实施例的一些可选的实现方式中，电子设备可以计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。其中，欧氏距离又可以被称为欧几里得度量(euclidean metric)，通常指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。通常，两个向量之间的欧氏距离越小，相似度越高；两个向量之间的欧氏距离越大，相似度越低。

在本实施例的一些可选的实现方式中，电子设备可以计算第一图像的高层特征向量和第二图像的高层特征向量之间的余弦距离。其中，余弦距离又可以被称为余弦相似度，是通过计算两个向量的夹角余弦值来评估它们的相似度。通常，两个向量之间的夹角越小，余弦值越接近于1，相似度越高；两个向量之间的夹角越大，余弦值越偏离1，相似度越低。

步骤205，基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在本实施中，基于步骤204所计算的结果，电子设备可以利用各种分析方式对所计算的结果进行数值分析，以校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在本实施例的一些可选的实现方式中，电子设备可以将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。

在本实施例的一些可选的实现方式中，电子设备可以将第一图像的高层特征向量和第二图像的高层特征向量之间的余弦距离与1进行比较；若接近1，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；若偏离1，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。

继续参见图3，图3是根据本申请实施例的图像校验方法的应用场景的一个示意图。在图3的应用场景中，首先，用户通过终端设备将包含第一人脸图像区域的第一图像301和包含第二人脸图像区域的第二图像302上传至电子设备；而后，电子设备生成第一图像301的第一图像矩阵和第二图像302的第二图像矩阵；之后，电子设备可以分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，从而得到第一图像301的高层特征向量和第二图像302的高层特征向量；然后，电子设备可以计算第一图像301的高层特征向量和第二图像302的高层特征向量之间的距离；最后，电子设备可以基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象，并将校验结果303发送至终端设备。其中，终端设备上可以呈现第一图像301、第二图像302和校验结果303。

本申请实施例提供的图像校验方法，通过获取第一图像和第二图像，以便生成第一图像的第一图像矩阵和第二图像的第二图像矩阵；然后分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，以便得到第一图像的高层特征向量和第二图像的高层特征向量；最后计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离，以便校验出第一人脸图像区域和第二人脸图像区域是否属于同一个对象。其校验过程较为简单，从而提高了图像校验效率。

进一步参考图4，其示出了图像校验方法的又一个实施例的流程400。该图像校验方法的流程400，包括以下步骤：

步骤401，获取第一图像和第二图像。

在本实施例中，图像校验方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接或者无线连接的方式从终端设备(例如图1所示的终端设备101、102、103)获取第一图像和第二图像。其中，第一图像可以包括第一人脸图像区域，第二图像可以包括第二人脸图像区域。

步骤402，生成第一图像的第一图像矩阵和第二图像的第二图像矩阵。

在本实施例中，基于步骤401所获取的第一图像和第二图像，电子设备可以生成第一图像的第一图像矩阵和第二图像的第二图像矩阵。实践中，图像可以用矩阵来表示，具体地，可以采用矩阵理论和矩阵算法对图像进行分析和处理。其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素。作为示例，在图像是灰度图像的情况下，图像矩阵的元素可以对应灰度图像的灰度值；在图像是彩色图像的情况下，图像矩阵的元素对应彩色图像的RGB值。通常，人类视力所能感知的所有颜色均是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到的。

步骤403，分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵。

在本实施例中，电子设备可以分别将第一图像矩阵和第二图像矩阵从多层卷积神经网络的第一预设层中的靠近输入侧的层输入，依次经过第一预设层中的各层的处理，并从第一预设层中的靠近输出侧的层输出。其中，从第一预设层中的靠近输出侧的层输出的特征矩阵即为第一图像的低层特征矩阵和第二图像的低层特征矩阵。

在本实施例中，第一预设层对第一图像矩阵和第二图像矩阵的处理过程如下：

首先，获取多层卷积神经网络的第一预设层的参数矩阵。

其中，多层卷积神经网络的每层都对应有参数矩阵。在对多层卷积神经网络进行训练时，会为多层卷积神经网络的每层都赋予初始化参数矩阵，在训练过程中，基于预先设置的约束条件不断地调整每层的初始化参数矩阵，待多层卷积神经网络训练完成后，即可得到多层卷积神经网络的每层的参数矩阵。

然后，将第一图像矩阵和第二图像矩阵与第一预设层的参数矩阵相乘，以得到第一图像的低层特征矩阵和第二图像的低层特征矩阵。

作为示例，若多层卷积神经网络共有10层，靠近输入侧的前3层为第一预设层(即多层卷积神经网络的第1-3层)，则图像的低层特征矩阵V₁可以通过如下公式获得：

V₁＝J×W₁×W₂×W₃；

其中，J为图像矩阵，W₁为多层卷积神经网络的第1层的参数矩阵，W₂为多层卷积神经网络的第2层的参数矩阵，W₃为多层卷积神经网络的第3层的参数矩阵。

步骤404，分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵。

在本实施例中，电子设备可以分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵从多层卷积神经网络的第二预设层中的靠近输入侧的层输入，依次经过第二预设层中的各层的处理，并从第二预设层中的靠近输出侧的层输出。其中，从第二预设层中的靠近输出侧的层输出的特征矩阵即为第一图像的中层特征矩阵和第二图像的中层特征矩阵。

在本实施例中，第二预设层对第一图像的低层特征矩阵和第二图像的低层特征矩阵的处理过程如下：

首先，获取多层卷积神经网络的第二预设层的参数矩阵。

然后，将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，以得到第一图像的中层特征矩阵和第二图像的中层特征矩阵。

作为示例，若多层卷积神经网络共有10层，靠近输入侧的前3层为第一预设层，第一预设层后的5层(即多层卷积神经网络的第4-8层)为第二预设层，则图像的中层特征矩阵V₂可以通过如下公式获得：

V₂＝V₁×W₄×W₅×W₆×W₇×W₈；

其中，V₁为图像的低层特征矩阵，W₄为多层卷积神经网络的第4层的参数矩阵，W₅为多层卷积神经网络的第5层的参数矩阵,W₆为多层卷积神经网络的第6层的参数矩阵,W₇为多层卷积神经网络的第7层的参数矩阵,W₈为多层卷积神经网络的第8层的参数矩阵。

在本实施例的一些可选的实现方式中，对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。其中，目标层可以是第二预设层中的任意一层，目标层可以对输入特征矩阵进行多尺度分割，例如，把输入特征矩阵分割成4个行列相同的小特征矩阵，或者把输入特征矩阵分割成8个行列相同的小特征矩阵。

步骤405，分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。

在本实施例中，电子设备可以分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵从多层卷积神经网络的第三预设层中的靠近输入侧的层输入，依次经过第三预设层中的各层的处理，并从第三预设层中的靠近输出侧的层输出。其中，从第三预设层中的靠近输出侧的层输出的特征向量即为第一图像的高层特征向量和第二图像的高层特征向量。

在本实施例中，第三预设层对第一图像的中层特征矩阵和第二图像的中层特征矩阵的处理过程如下：

首先，获取多层卷积神经网络的第三预设层的参数矩阵。

然后，将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，以得到第一图像的高层特征向量和第二图像的高层特征向量。

作为示例，若多层卷积神经网络共有10层，靠近输入侧的前3层为第一预设层，第一预设层后的5层为第二预设层，第二预设层后的2层(即多层卷积神经网络的第9、10层)为第三预设层，则图像的高层特征矩阵V₃可以通过如下公式获得：

V₃＝V₂×W₉×W₁₀；

其中，V₂为图像的中层特征矩阵，W₉为多层卷积神经网络的第9层的参数矩阵，W₁₀为多层卷积神经网络的第10层的参数矩阵。

步骤406，计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离。

在本实施例，基于步骤405所得到的第一图像的高层特征向量和第二图像的高层特征向量，电子设备可以计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离。其中，第一图像的高层特征向量和第二图像的高层特征向量之间的距离可以用于衡量第一图像的高层特征向量和第二图像的高层特征向量之间的相似度。通常，距离越小或越接近某一个数值，相似度越高，距离越大或越偏离某一个数字，相似度越低。

步骤407，基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在本实施中，基于步骤406所计算的结果，电子设备可以利用各种分析方式对所计算的结果进行数值分析，以校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

需要说明的是，通常情况下，多层卷积神经网络的所有层的层数等于第一预设层的层数、第二预设层的层数和第三预设层的层数之和，且第一预设层、第二预设层和第三预设层两两之间互不重叠。

从图4中可以看出，与图2对应的实施例相比，本实施例中的图像校验方法的流程400突出了利用多层卷积神经网络中的每层的参数矩阵对每层的输入信息进行处理的步骤。由此，本实施例描述的方案实现了快速地生成图像的高层特征向量。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种图像校验装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的图像校验装置500可以包括：获取单元501、生成单元502、输入单元503、计算单元504和校验单元505。其中，获取单元501，配置用于获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成单元502，配置用于生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；输入单元503，配置用于分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算单元504，配置用于计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；校验单元505，配置用于基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

在本实施例中，图像校验装置500中：获取单元501、生成单元502、输入单元503、计算单元504和校验单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，输入单元503可以包括：第一相乘子单元(图中未示出)，配置用于分别将第一图像矩阵和第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到第一图像的低层特征矩阵和第二图像的低层特征矩阵；第二相乘子单元(图中未示出)，配置用于分别将第一图像的低层特征矩阵和第二图像的低层特征矩阵与多层卷积神经网络的第二预设层的参数矩阵相乘，得到第一图像的中层特征矩阵和第二图像的中层特征矩阵；第三相乘子单元(图中未示出)，配置用于分别将第一图像的中层特征矩阵和第二图像的中层特征矩阵与多层卷积神经网络的第三预设层的参数矩阵相乘，得到第一图像的高层特征向量和第二图像的高层特征向量。

在本实施例的一些可选的实现方式中，第二相乘子单元可以包括：分割模块(图中未示出)，配置用于对多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；卷积模块(图中未示出)，配置用于将分割后的特征矩阵集合与目标层的参数矩阵进行卷积，得到目标层的输出特征矩阵。

在本实施例的一些可选的实现方式中，计算单元504可以进一步配置用于：计算第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离。

在本实施例的一些可选的实现方式中，校验单元505可以包括：比较子单元(图中未示出)，配置用于将第一图像的高层特征向量和第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；第一确定子单元(图中未示出)，配置用于若小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域属于同一个对象；第二确定子单元(图中未示出)，配置用于若不小于预设距离阈值，则确定第一人脸图像区域和第二人脸图像区域不属于同一个对象。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元、输入单元、计算单元和校验单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取第一图像和第二图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取第一图像和第二图像，其中，第一图像包括第一人脸图像区域，第二图像包括第二人脸图像区域；生成第一图像的第一图像矩阵和第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；分别将第一图像矩阵和第二图像矩阵输入至预先训练的多层卷积神经网络，得到第一图像的高层特征向量和第二图像的高层特征向量，其中，多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；计算第一图像的高层特征向量和第二图像的高层特征向量之间的距离；基于所计算的结果，校验第一人脸图像区域和第二人脸图像区域是否属于同一个对象。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种图像校验方法，其特征在于，所述方法包括：

获取第一图像和第二图像，其中，所述第一图像包括第一人脸图像区域，所述第二图像包括第二人脸图像区域；

生成所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；

分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，其中，所述多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；

计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离；

基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象。

2.根据权利要求1所述的方法，其特征在于，所述分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，包括：

分别将所述第一图像矩阵和所述第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵；

分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵；

分别将所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵与所述多层卷积神经网络的第三预设层的参数矩阵相乘，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量。

3.根据权利要求2所述的方法，其特征在于，所述分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵，包括：

对所述多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；

将分割后的特征矩阵集合与所述目标层的参数矩阵进行卷积，得到所述目标层的输出特征矩阵。

4.根据权利要求1所述的方法，其特征在于，所述计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离，包括：

计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离。

5.根据权利要求4所述的方法，其特征在于，所述基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象，包括：

将所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；

若小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域属于同一个对象；

若不小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域不属于同一个对象。

6.一种图像校验装置，其特征在于，所述装置包括：

获取单元，配置用于获取第一图像和第二图像，其中，所述第一图像包括第一人脸图像区域，所述第二图像包括第二人脸图像区域；

生成单元，配置用于生成所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵，其中，图像矩阵的行对应图像的高，图像矩阵的列对应图像的宽，图像矩阵的元素对应图像的像素；

输入单元，配置用于分别将所述第一图像矩阵和所述第二图像矩阵输入至预先训练的多层卷积神经网络，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量，其中，所述多层卷积神经网络用于表征图像矩阵与高层特征向量之间的对应关系；

计算单元，配置用于计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的距离；

校验单元，配置用于基于所计算的结果，校验所述第一人脸图像区域和所述第二人脸图像区域是否属于同一个对象。

7.根据权利要求6所述的装置，其特征在于，所述输入单元包括：

第一相乘子单元，配置用于分别将所述第一图像矩阵和所述第二图像矩阵与多层卷积神经网络的第一预设层的参数矩阵相乘，得到所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵；

第二相乘子单元，配置用于分别将所述第一图像的低层特征矩阵和所述第二图像的低层特征矩阵与所述多层卷积神经网络的第二预设层的参数矩阵相乘，得到所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵；

第三相乘子单元，配置用于分别将所述第一图像的中层特征矩阵和所述第二图像的中层特征矩阵与所述多层卷积神经网络的第三预设层的参数矩阵相乘，得到所述第一图像的高层特征向量和所述第二图像的高层特征向量。

8.根据权利要求7所述的装置，其特征在于，所述第二相乘子单元包括：

分割模块，配置用于对所述多层卷积神经网络的第二预设层中的目标层所对应的输入特征矩阵进行多尺度分割，得到分割后的特征矩阵集合；

卷积模块，配置用于将分割后的特征矩阵集合与所述目标层的参数矩阵进行卷积，得到所述目标层的输出特征矩阵。

9.根据权利要求6所述的装置，其特征在于，所述计算单元进一步配置用于：

计算所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离。

10.根据权利要求9所述的装置，其特征在于，所述校验单元包括：

比较子单元，配置用于将所述第一图像的高层特征向量和所述第二图像的高层特征向量之间的欧氏距离与预设距离阈值进行比较；

第一确定子单元，配置用于若小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域属于同一个对象；

第二确定子单元，配置用于若不小于所述预设距离阈值，则确定所述第一人脸图像区域和所述第二人脸图像区域不属于同一个对象。

11.一种服务器，其特征在于，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。