CN109242018A - 图像验证方法、装置、计算机设备及存储介质 - Google Patents
图像验证方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109242018A CN109242018A CN201811010646.2A CN201811010646A CN109242018A CN 109242018 A CN109242018 A CN 109242018A CN 201811010646 A CN201811010646 A CN 201811010646A CN 109242018 A CN109242018 A CN 109242018A
- Authority
- CN
- China
- Prior art keywords
- image
- verified
- vector
- similarity
- image set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 217
- 238000012795 verification Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 239000012141 concentrate Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 239000000284 extract Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请公开了一种图像验证方法、装置、计算机设备及存储介质,应用于图像识别领域,可有效地减少由于人工抽查数过少而产生的偶然结果,提高了验证的准确性。本申请方法部分包括:确定待验证图像集中每一张图像的特征向量以获得特征向量集;对特征向量集所有特征向量上的每个相同的坐标维度取均值;将取均值后的每个相同的坐标维度进行排列以得到中心向量;将中心向量作为基准向量;计算待验证图像集中每一张图像与基准向量的相似度;判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种图像验证方法、装置、计算机设备及存储介质。
背景技术
数据集验证是指对该数据集中的数据的可信度进行验证的过程。常见的有对图像集中的图像是否符合要求进行验证的过程,该要求具体可以是该图像集中的图像是否为某一个人的图像集,或者该图像集中的某一个人的图像的数据是满足要求等。现阶段,诸如人脸识别算法等各种算法的复杂程度加深,通常需要对获取的图像进行相关的训练,对此,为了提高训练效果,有必要对获取的图像集进行验证,以提高训练效果。
传统上,一般图像数据集验证只图像数据集中的对少量样本进行本人工抽查,然而,目前进行训练时所获取的图像集的图像数据量巨大,通过人工很难检查大量的图像数据,且由于抽取样本过少,样本少导致不能很好的反应验反映图像数据集中的图像的真实情况,验证效率及准确度比较低。
发明内容
基于此,有必要针对上述技术问题,提供一种有效地减少由于人工抽查数过少而产生的偶然结果,提高了验证的准确性的图像验证方法、装置、计算机设备及存储介质。
一种图像验证方法,包括:
确定待验证图像集中每一张图像的特征向量以获得特征向量集;
对特征向量集所有特征向量上的每个相同的坐标维度取均值;
将取均值后的每个相同的坐标维度进行排列以得到中心向量;
将中心向量作为基准向量;
计算待验证图像集中每一张图像与基准向量的相似度;
判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;
若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
一种图像验证装置,包括:
第一确定模块,用于确定待验证图像集中每一张图像的特征向量以获得特征向量集;
第一计算模块,用于对第一确定模块确定的特征向量集所有特征向量上的每个相同的坐标维度取均值;
排列模块,用于将第一计算模块取均值后的每个相同的坐标维度进行排列以得到中心向量;
第二确定模块,用于将排列模块得到的中心向量作为基准向量;
第二计算模块,用于计算待验证图像集中每一张图像与第二确定模块确定的基准向量的相似度;
判定模块,用于判定第二计算模块计算的待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;
第三确定模块,用于若判定模块判定待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图像验证方法的步骤。一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像验证方法的步骤。
上述图像验证方法、装置、计算机设备及存储介质所实现的方案中,可以看出,由于基准向量为待验证图像中所有特征向量的中心向量,通过计算待验证图像集中每一张图像与基准向量的相似度,则可以判断待验证图像集中图像的可信度。节省了大量抽查人力,提高了验证效率,另外,也是对待验证图像集中每一图像进行了比对,也有效地减少由于人工抽查数过少而产生的偶然结果,提高了验证的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请中图像验证方法的一应用环境示意图;
图2是本申请图像验证方法一实施例流程示意图;
图3是图2中步骤S60的一具体实施方式示意图;
图4是图2中步骤S60的另一具体实施方式示意图;
图5是本申请图像验证方法中得到中心向量的一具体实施方式示意图;
图6是图2中步骤S50的一具体实施方式示意图;
图7是图2中步骤S50的另一具体实施方式示意图;
图8是本申请中图像验证装置的一实施例结构示意图;
图9是本申请计算机设备的一实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提出了一种图像验证方法以及该图像验证方法对应的图像验证装置,由图像验证装置执行上述图像验证方法,该图像验证方法应用在如图1所示的应用环境中,通过图像验证装置对待验证图像集进行验证,从而得到验证结果,图像验证装置可以用独立的服务器或者是多个服务器组成的服务器集群来实现,请参阅图2,下面对本申请的图像验证方法进行具体介绍:
S10、确定待验证图像集中每一张图像的特征向量以获得特征向量集;
本申请的目的在于对一图像集合,也即待验证图像集的可信度进行验证,其中,该待验证图像集包括多张属于同一类型的图像,例如该待验证图像集中图像为人脸图像;又例如,该待验证图像集为某一动物图像集。该可信度指的是,对该待验证图像集中每一图像是否属于同一类型的图像的可信度,例如,该待验证图像集是否为人脸图像集合的可信度,或该待验证图像集是否为某同一个人的人脸图像集的可信度,或该待验证图像集中的图像是否为某一种动物、具体不做限定。因此,在对该待验证图像集进行验证之前,需先获取到该待验证图像集。
在获取待验证图像集后,确定待验证图像集中的每一张图像的特征向量,从而获得由待验证图像集中每一张图像的特征向量所构成的特征向量集。
应理解,在本申请中,待验证图像集中的每一张图像的特征向量可以进行配置。例如,待验证图像集中的每一张的图像的图像特征可以选取(定义)为方向梯度直方图(Histogram of Oriented Gradient,HOG)特征,或Haar特征等,对应的,基于上述选取的图像特征,可以通过用于获取选取的图像特征的特征提取模型确定出待验证图像集中每一张图像的特征向量。上述特征提取模型可为奇异值分解(singuilar value decomposition,SVD)特征提取模型、2D离散余弦变换(discrete cosine transform,DCT)特征提取模型等。需要说明的是,上述只是示例,除了上述例子外,还可以有其他的图像特征提取模型,以待验证图像集为人脸图像集为例,该特征提取模型可为人脸识别特征提取模型,具体地,该人脸识别特征提取模型可为局部二值模式(local binary patterns,LBP)特征提取模型、局部导数模式(Local Derivative Pattern,LDP)特征提取模型以及基于深度学习算法训练得到的特征提取模型,需要说明的是,上述特征提取模型也指未来特征向量识别精度越来越高的特征提取模型,具体不做限定。在一些应用场景中,上述特征提取模型为使用神经网络对已有的人工清洗过的图像数据训练出来的人脸识别特征提取模型,值得一提的是,使用神经网络对已有的人工清洗过的图像数据训练出来的人脸识别特征提取模型与SVD等特征提取模型不同,提取出来的特征向量更能针对人脸识别的场景。
S20、对特征向量集所有特征向量上的每个相同的坐标维度取均值;
应理解,由于使用相同的特征向量提取方法得到上述特征向量集,因此特征向量集中每个特征向量都具有相同的坐标维度的排列顺序,本申请中,上对特征向量集所有特征向量上的每个相同的坐标维度取均值,指的是针对特征向量集中所有的特征向量,某一个相同维度的坐标维度取均值,其他坐标维度以同样取均值方式,从而得所有坐标维度的均值,简而言之,对所有特征向量的每一个相同维度的坐标维度求取均值。
S30、将取均值后的每个相同的坐标维度进行排列以得到中心向量;
如前述步骤的解释,对特征向量集所有特征向量上的每个相同的坐标维度取均值,指的是针对特征向量集中所有的特征向量,某一个相同维度的坐标维度取均值,其他坐标维度以同样取均值方式,从而得所有坐标维度的均值,其中,在对特征向量集所有特征向量上的每个相同的坐标维度取均值后,可以将取均值后的每个相同的坐标维度进行排列以得到中心向量,示例性的,可以将取均值后的上述每个相同的坐标维度按照特征向量未求均值时的特征向量的坐标维度排列顺序进行排列,从而得到上述中心向量。
S40、将中心向量作为基准向量;
在对所有特征向量的每一个相同维度的坐标维度求取均值后,将取均值后的每个相同的坐标维度进行排列以得到中心向量,也就是待验证图像集中所有图像的中心向量,并将该中心向量作为基准向量。
S50、计算待验证图像集中每一张图像与基准向量的相似度;
其中,在步骤10已经确定了待验证图像集中每一张图像的特征向量,在本步骤中,进一步确定待验证图像集中每一张图像的特征向量与基准向量的相似度,从而对应得到待验证图像集中每一张图像与基准向量的相似度。
S60、判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;
在得到待验证图像集中每一张图像与基准向量的相似度后,判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件。
S70、若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
由以上技术方案可得,本申请提供了一种图像验证方法,在该图像验证方法中,先是获取待验证图像集;确定待验证图像集中每一张图像的特征向量以获得特征向量集;对特征向量集所有特征向量上的每个相同的坐标维度取均值;将取均值后的每个相同的坐标维度进行排列以得到中心向量;将中心向量作为基准向量;计算待验证图像集中每一张图像与基准向量的相似度;判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。可以看出,由于基准向量为待验证图像中所有特征向量的中心向量,通过计算待验证图像集中每一张图像与基准向量的相似度,则可以判断待验证图像集中图像的可信度。节省了大量抽查人力,提高了验证效率,另外,也是对待验证图像集中每一图像进行了比对,也有效地减少由于人工抽查数过少而产生的偶然结果,提高了验证的准确性。
值得一提的是,在本申请的一些应用场景中,验证上述待验证图像集是为了下一步使用此待验证图像集训练新的特征提取模型时可以更可信,但是待验证图像集使用的特征提取模型一般也是神经网络已经训练好的模型,最初的特征提取模型可能是人工清洗或者随机选的部分图像数据,得到一个效果还可以接受的特征提取模型后在不断增加图像数据,再对待验证图像集进行验证,然后使用新的图像数据集可能还有新的网络结构不断训练新特征提取模型,最终迭代出越来越实用的特征提取模型,本申请对待验证图像集进验证都是这个特征提取模型迭代过程中的一部分。
在一实施例中,如图3所示,步骤S60中,判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件,包括如下步骤:
S61、确定待验证图像集里每一张图像与基准向量的相似度中,大于或等于第一预设阈值的第一个数,以及小于第一预设阈值的第二个数;
在确定待验证图像集中每一张图像与基准向量的相似度后,确定所有图像中每一张图像与基准向量的相似度中,大于或等于第一预设阈值的第一个数,以及小于第二预设阈值的第二个数。
其中,第一预设阈值可以根据经验值进行配置,例如,0.5、0.6、0.7等等,具体不做限定。
S62、确定第一个数与第二个数的比值;
在确定出待验证图像集每一张图像与基准向量的相似度中,高于第一预设阈值的第一个数,以及低于第一预设阈值的第二个数后,进一步确定第一个数与第二个数的比值。
S63、若第一个数与第二个数的比值大于或等于第二预设阈值,则判定满足预设条件。
在本申请中,若第一个数与第二个数的差异比例大于或等于第二预设阈值,则确定图待验证图像集中的图像通过验证。
由此可得,确定所有图像中每一张图像与基准向量的相似度中,大于或等于第一预设阈值的第一个数,以及小于第一预设阈值的第二个数;若比值大于第二预设阈值,则确定待验证图像集的图像通过验证。可以看出,由于基准向量为待验证图像中所有特征向量的中心向量,正确的图像数据集时同一类型下的图像与基准向量之间的相似度不应小于第一预设阈值,因此,通过判断小于第一预设阈值的比值,则可以判断待验证图像集中图像的可信度。节省了大量抽查人力,提高了验证效率,另外,也是对待验证图像集中每一图像进行了比对,也有效地减少由于人工抽查数过少而产生的偶然结果,提高了验证的准确性。另外需要说明的是,第二预设阈值可以根据经验值进行配置,例如,0.5、0.55、0.6等等。具体不做限定。
在一实施例中,如图4所示,步骤S60中,所述判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件,包括如下步骤:
S61`、确定待验证图像集里每一张图像与基准向量的相似度的方差;
S62`、若方差小于或等于第三预设阈值,则判定满足所述预设条件。
需要说明的是,除了上述提到的预设条件外,还可以有其他的预设条件,具体不做限定,例如,确定所有图像中每一张图像与基准向量的相似度中所有相似度的标准差,若所述标准差小于或等于第三预设阈值,则确定满足上述预设条件。另外需要说明的是,第三预设阈值可以根据经验值进行配置,例如,0.5、0.55、0.6等,具体不做限定。另外需要说明的,上述第一、二、三预设阈值可为相同的阈值,具体这里也不做限定。
在一实施例中,如图5所示,步骤S20中,也即对特征向量集所有特征向量上的每个相同的坐标维度取均值,具体包括:S20`、对特征向量集所有特征向量上的每个相同的坐标维度取算术平均值;步骤S30,也即将取均值后的所述每个相同的坐标维度进行排列以得到中心向量,具体包括:S30`、将取算术平均值后的每个相同的坐标维度按照特征向量集中特征向量原有的坐标维度顺序进行排列以得到所述中心向量。
需要说明的是,除了上述方式外,还可以有其他将特征向量集中所有特征向量上针对每一个维度对应取均值的方式,例如,将特征向量集中所有特征向量上针对每一个维度对应取加权平均值,具体不做限定。
在一实施例中,如图6所示,步骤S50中,也即确定待验证图像集中的所有图像中每一张图像与基准向量的相似度,包括:
S51、计算待验证图像集中每一张图像的特征向量与基准向量的余弦距离;
S52、将待验证图像集中每一张图像的特征向量与基准向量的余弦距离对应作为每一张图像与基准向量的相似度。
需要说明的是,在本申请中,根据提取每一张图像的特征向量的特征提取模型类型,定待验证图像集中的所有图像中每一张图像与基准向量的相似度的方式有所不同,在具体应用场景中可择优依据特征提取模型类型选取合适的相似度计算方式,具体取决于该特征提取模型训练时所采用的训练方式,一般使用余弦距离作为相似度的计算方式,具体不做限定。示例性的,当特征提取模型类型为上述使用神经网络对已有的人工清洗过的数据训练出来的人脸识别模型时,将所有图像中每一张图像的特征向量与基准向量的余弦距离作为待验证图像集中的所有图像中每一张图像与基准向量的相似度。另外需要说明的是,神经网络训练的特征提取模型本身是一种黑盒的特征方法,经过神经网络的特征提取模型中确定了计算的大量参数,在训练时对一个确定的神经网络结构,例如VGG神经网络架构等,对神经网络结构输入训练数据,最终会得到在这个神经网络结构和训练数据上的最优模型参数,从而形成基于神经网络训练的特征提取模型,而本申请在确定待验证图像集中的所有图像中每一张图像与基准向量的相似度时,是基于在训练时确定的模型调参使用的输出值的计算方法,每一次训练的不同,例如神经网络结构的不同,将不同的模型调参使用的输出值的计算方法,常用的比较多的是余弦距离,因此在本申请中,那么确定待验证图像集中的所有图像中每一张图像与基准向量的相似度时也用余弦距离,具有较高的适用性。
需要说明的是,如果训练时在计算模型调参使用的输出值时,用了其他计算方法甚至自定义的计算公式,那么最终确定待验证图像集中的所有图像中每一张图像与基准向量的相似度时将都有采用其他计算方法甚至自定义的计算公式对应的计算方式,具体这里不限定,也不一一赘述。例如,如图7所示,将不同的模型调参使用的输出值的计算方法是采用欧式距离时,在一实施例中,确定待验证图像集中的所有图像中每一张图像与基准向量的相似度,包括:
S51`、计算待验证图像集中每一张图像的特征向量与基准向量的欧式距离;
S52`、将待验证图像集中每一张图像的特征向量与基准向量的欧式距离对应作为每一张图像与基准向量的相似度。
在一实施例中,待验证图像集中的图像为人脸图像;步骤S10,也即确定待验证图像集中每一个图像的特征向量以获得特征向量集,包括:通过人脸识别特征提取模型提取待验证图像集中每一个图像的人脸识别特征向量以获得特征向量集。
也就是说,待验证图像集是人脸图像集,上述图像验证方法应用于人脸图像集上,用于验证人脸图像集的可信度上,对应的,本申请通过人脸识别特征提取模型提取待验证图像集中每一个图像的人脸识别特征向量以获得特征向量集。其中,可以理解,依据实际的人脸识别特征提取模型的不同,提取的待验证图像集中的图像的人脸识别特征有所不同,得到的每一张图像的人脸识别特征向量也会有所不同。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种图像验证装置,该图像验证装置与上述实施例中图像验证方法一一对应。如图8所示,该图像验证装置80包括第一确定模块801、第一计算模块802、排列模块803、第二确定模块804、第二计算模块805、判定模块806以及第三确定模块807。各功能模块详细说明如下:
第一确定模块801,用于确定待验证图像集中每一张图像的特征向量以获得特征向量集;
第一计算模块802,用于对第一确定模块801确定的特征向量集所有特征向量上的每个相同的坐标维度取均值;
排列模块803,用于将第一计算模块802取均值后的每个相同的坐标维度进行排列以得到中心向量;
第二确定模块804,用于将排列模块803得到的中心向量作为基准向量;
第二计算模块805,用于计算待验证图像集中每一张图像与第二确定模块804确定的基准向量的相似度;
判定模块806,用于判定第二计算模块805计算的待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;
第三确定模块807,用于若判定模块806判定待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
在一实施例中,判定模块806具体用于:
确定待验证图像集里每一张图像与基准向量的相似度中,大于或等于第一预设阈值的第一个数,以及小于第一预设阈值的第二个数;
确定第一个数与第二个数的比值;
若第一个数与第二个数的比值大于或等于第二预设阈值,则判定满足预设条件。
在一实施例中,判定模块806具体用于:
确定待验证图像集里每一张图像与基准向量的相似度的方差;
若方差小于或等于第三预设阈值,则判定满足预设条件。
在一实施例中,第一计算模块802具体用于:对特征向量集所有特征向量上的每个相同的坐标维度取算术平均值;排列模块803具体用于:将取算术平均值后的每个相同的坐标维度按照特征向量集中特征向量原有的坐标维度顺序进行排列以得到中心向量。
在一实施例中,第二计算模块805具体用于:
计算待验证图像集中每一张图像的特征向量与基准向量的余弦距离;
将待验证图像集中每一张图像的特征向量与基准向量的余弦距离对应作为每一张图像与基准向量的相似度。
在一实施例中,第二计算模块805具体用于:
计算待验证图像集中每一张图像的特征向量与基准向量的欧式距离;
将待验证图像集中每一张图像的特征向量与基准向量的欧式距离对应作为每一张图像与基准向量的相似度。
第一确定模块801,具体用于:通过人脸识别特征提取模型提取待待验证人脸图像集中每一个图像的人脸识别特征向量以获得特征向量集。
由以上技术方案可得,本申请提供了一种图像验证装置,图像验证装置先是获取待验证图像集;确定待验证图像集中每一张图像的特征向量以获得特征向量集;对特征向量集所有特征向量上的每个相同的坐标维度取均值;将取均值后的每个相同的坐标维度进行排列以得到中心向量;将中心向量作为基准向量;计算待验证图像集中每一张图像与基准向量的相似度;判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。可以看出,由于基准向量为待验证图像中所有特征向量的中心向量,图像验证装置通过计算待验证图像集中每一张图像与基准向量的相似度,则可以判断待验证图像集中图像的可信度。节省了大量抽查人力,提高了验证效率,另外,也是对待验证图像集中每一图像进行了比对,也有效地减少由于人工抽查数过少而产生的偶然结果,提高了验证的准确性。
关于图像验证装置的具体限定可以参见上文中对于图像验证方法的限定,在此不再赘述。上述图像验证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储获取的待验证图像集、存储验证图像集中每一张图像对应的特征向量等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像验证方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
确定待验证图像集中每一张图像的特征向量以获得特征向量集;
对特征向量集所有特征向量上的每个相同的坐标维度取均值;
将取均值后的每个相同的坐标维度进行排列以得到中心向量;
将中心向量作为基准向量;
计算待验证图像集中每一张图像与基准向量的相似度;
判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;
若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
需要说明的是,本申请提供的计算机设备中,处理器执行计算机程序时实现的其他步骤或功能,可对应参阅前述方法实施例中的描述,这里不一一重复赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
确定待验证图像集中每一张图像的特征向量以获得特征向量集;
对特征向量集所有特征向量上的每个相同的坐标维度取均值;
将取均值后的每个相同的坐标维度进行排列以得到中心向量;
将中心向量作为基准向量;
计算待验证图像集中每一张图像与基准向量的相似度;
判定待验证图像集中每一张图像与基准向量的相似度是否满足预设条件;
若待验证图像集中每一张图像与基准向量的相似度满足预设条件,则确定待验证图像集的图像通过验证。
需要说明的是,本申请提供的可读存储介质中,计算机程序被处理器执行时实现的其他步骤或功能,可对应参阅前述方法实施例中的描述,这里不一一重复赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像验证方法,其特征在于,包括:
确定待验证图像集中每一张图像的特征向量以获得特征向量集;
对所述特征向量集所有特征向量上的每个相同的坐标维度取均值;
将取均值后的所述每个相同的坐标维度进行排列以得到中心向量;
将所述中心向量作为基准向量;
计算所述待验证图像集中每一张图像与所述基准向量的相似度;
判定所述待验证图像集中每一张图像与所述基准向量的相似度是否满足预设条件;
若所述待验证图像集中每一张图像与所述基准向量的相似度满足所述预设条件,则确定所述待验证图像集的图像通过验证。
2.如权利要求1所述的图像验证方法,其特征在于,所述判定所述待验证图像集中每一张图像与所述基准向量的相似度是否满足预设条件,包括:
确定所述待验证图像集里每一张图像与所述基准向量的相似度中,大于或等于第一预设阈值的第一个数,以及小于所述第一预设阈值的第二个数;
确定所述第一个数与所述第二个数的比值;
若所述第一个数与所述第二个数的比值大于或等于第二预设阈值,则判定满足所述预设条件。
3.如权利要求1所述的图像验证方法,其特征在于,所述判定待验证图像集中每一张图像与所述基准向量的相似度是否满足预设条件,包括:
确定所述待验证图像集里每一张图像与所述基准向量的相似度的方差;
若所述方差小于或等于第三预设阈值,则判定满足所述预设条件。
4.如权利要求3所述的图像验证方法,其特征在于,所述对所述特征向量集所有特征向量上的每个相同的坐标维度取均值,包括:
对所述特征向量集所有特征向量上的每个相同的坐标维度取算术平均值;
将取均值后的所述每个相同的坐标维度进行排列以得到中心向量,包括:
将取算术平均值后的所述每个相同的坐标维度按照所述特征向量集中特征向量原有的坐标维度顺序进行排列以得到所述中心向量。
5.如权利要求4所述的图像验证方法,其特征在于,所述计算所述待验证图像集中每一张图像与所述基准向量的相似度,包括:
计算所述待验证图像集中每一张图像的特征向量与所述基准向量的余弦距离;
将所述待验证图像集中每一张图像的特征向量与所述基准向量的余弦距离对应作为所述每一张图像与所述基准向量的相似度。
6.如权利要求4所述的图像验证方法,其特征在于,所述计算所述待验证图像集中每一张图像与所述基准向量的相似度,包括:
计算所述待验证图像集中每一张图像的特征向量与所述基准向量的欧式距离;
将所述待验证图像集中每一张图像的特征向量与所述基准向量的欧式距离对应作为所述每一张图像与所述基准向量的相似度。
7.如权利要求1所述的图像验证方法,其特征在于,所述待验证图像集为待验证人脸图像集,所述确定待验证图像集中每一张图像的特征向量以获得特征向量集,包括:
通过人脸识别特征提取模型提取待所述待验证人脸图像集中每一个图像的人脸识别特征向量以获得所述特征向量集。
8.一种图像验证装置,其特征在于,包括:
第一确定模块,用于确定待验证图像集中每一张图像的特征向量以获得特征向量集;
第一计算模块,用于对所述第一确定模块确定的所述特征向量集所有特征向量上的每个相同的坐标维度取均值;
排列模块,用于将所述第一计算模块取均值后的所述每个相同的坐标维度进行排列以得到中心向量;
第二确定模块,用于将所述排列模块得到的所述中心向量作为基准向量;
第二计算模块,用于计算所述待验证图像集中每一张图像与所述第二确定模块确定的所述基准向量的相似度;
判定模块,用于判定所述第二计算模块计算的所述待验证图像集中每一张图像与所述基准向量的相似度是否满足预设条件;
第三确定模块,用于若所述判定模块判定所述待验证图像集中每一张图像与所述基准向量的相似度满足所述预设条件,则确定所述待验证图像集的图像通过验证。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述图像验证方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7任一项所述图像验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010646.2A CN109242018A (zh) | 2018-08-31 | 2018-08-31 | 图像验证方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010646.2A CN109242018A (zh) | 2018-08-31 | 2018-08-31 | 图像验证方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242018A true CN109242018A (zh) | 2019-01-18 |
Family
ID=65068053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811010646.2A Pending CN109242018A (zh) | 2018-08-31 | 2018-08-31 | 图像验证方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242018A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN112052866A (zh) * | 2019-06-05 | 2020-12-08 | 株式会社理光 | 一种图像验证方法、装置及计算机可读存储介质 |
CN112668632A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113032758A (zh) * | 2021-03-26 | 2021-06-25 | 平安银行股份有限公司 | 视讯问答流程的身份识别方法、装置、设备及存储介质 |
CN116188805A (zh) * | 2023-04-26 | 2023-05-30 | 青岛尘元科技信息有限公司 | 海量图像的图像内容分析方法、装置和图像信息网络 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239898A (zh) * | 2014-09-05 | 2014-12-24 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
CN106127254A (zh) * | 2016-06-28 | 2016-11-16 | 华东理工大学 | 一种基于边界样本数据的模糊单类分类器 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
CN106803055A (zh) * | 2015-11-26 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
US20170228507A1 (en) * | 2014-08-08 | 2017-08-10 | Icahn School Of Medicine At Mount Sinai | Automatic disease diagnoses using longitudinal medical record data |
CN107944020A (zh) * | 2017-12-11 | 2018-04-20 | 深圳云天励飞技术有限公司 | 人脸图像查找方法及装置、计算机装置和存储介质 |
-
2018
- 2018-08-31 CN CN201811010646.2A patent/CN109242018A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170228507A1 (en) * | 2014-08-08 | 2017-08-10 | Icahn School Of Medicine At Mount Sinai | Automatic disease diagnoses using longitudinal medical record data |
CN104239898A (zh) * | 2014-09-05 | 2014-12-24 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
CN106803055A (zh) * | 2015-11-26 | 2017-06-06 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
CN106127254A (zh) * | 2016-06-28 | 2016-11-16 | 华东理工大学 | 一种基于边界样本数据的模糊单类分类器 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
CN107944020A (zh) * | 2017-12-11 | 2018-04-20 | 深圳云天励飞技术有限公司 | 人脸图像查找方法及装置、计算机装置和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN112052866A (zh) * | 2019-06-05 | 2020-12-08 | 株式会社理光 | 一种图像验证方法、装置及计算机可读存储介质 |
CN112668632A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112668632B (zh) * | 2020-12-25 | 2022-04-08 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113032758A (zh) * | 2021-03-26 | 2021-06-25 | 平安银行股份有限公司 | 视讯问答流程的身份识别方法、装置、设备及存储介质 |
CN116188805A (zh) * | 2023-04-26 | 2023-05-30 | 青岛尘元科技信息有限公司 | 海量图像的图像内容分析方法、装置和图像信息网络 |
CN116188805B (zh) * | 2023-04-26 | 2023-08-04 | 青岛尘元科技信息有限公司 | 海量图像的图像内容分析方法、装置和图像信息网络 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242018A (zh) | 图像验证方法、装置、计算机设备及存储介质 | |
US9633044B2 (en) | Apparatus and method for recognizing image, and method for generating morphable face images from original image | |
CN109685100A (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
CN112232117A (zh) | 一种人脸识别方法、装置及存储介质 | |
Pillai et al. | Cross-sensor iris recognition through kernel learning | |
US9530052B1 (en) | System and method for sensor adaptation in iris biometrics | |
CN105138980A (zh) | 基于身份证件信息和人脸识别的身份验证方法及系统 | |
Trabelsi et al. | Hand vein recognition system with circular difference and statistical directional patterns based on an artificial neural network | |
He et al. | Automatic magnetic resonance image prostate segmentation based on adaptive feature learning probability boosting tree initialization and CNN-ASM refinement | |
CN103279936A (zh) | 基于画像的人脸伪照片自动合成及修正方法 | |
CN107463865A (zh) | 人脸检测模型训练方法、人脸检测方法及装置 | |
KR102645698B1 (ko) | 얼굴의 정렬 형태에 강인한 얼굴 인식 방법 및 그 장치 | |
Banerjee et al. | To frontalize or not to frontalize: Do we really need elaborate pre-processing to improve face recognition? | |
KR101326691B1 (ko) | 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법 | |
CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
KR102286455B1 (ko) | 인공지능을 활용한 위조 홍채 생성 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN112613445A (zh) | 人脸图像生成方法、装置、计算机设备和存储介质 | |
CN109598201B (zh) | 动作检测方法、装置、电子设备及可读存储介质 | |
Ryali et al. | Leveraging computer vision face representation to understand human face representation | |
Bauckhage et al. | Age recognition in the wild | |
Kimura et al. | Single sensor-based multi-quality multi-modal biometric score database and its performance evaluation | |
KR20080068959A (ko) | 활성형상모델과 가버 특징 벡터 기반 얼굴 인식 시스템 | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
CN114519729A (zh) | 图像配准质量评估模型训练方法、装置和计算机设备 | |
Meade et al. | Comparative performance of principal component analysis, Gabor wavelets and discrete wavelet transforms for face recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |