CN109977792B - 人脸特征压缩方法及装置 - Google Patents

Abstract

本公开是关于一种人脸特征压缩方法及装置。所述方法包括：获取待识别人脸图像的人脸特征；将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到。利用本申请各个实施例提供的技术方案，可以在计算能力较弱的边缘节点中实现人脸识别的功能，对人脸特征进行压缩处理，不仅可以降低预设人脸集合的存储空间，还可以提高特征匹配的计算效率，提升人脸识别的效率。

Description

人脸特征压缩方法及装置

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种人脸特征压缩方法及装置。

背景技术

由于人脸具有结构化特征较好、识别度高等特点，因此人脸识别技术成为安防监控领域比较成熟的应用技术之一。传统的基于人脸识别技术的安防任务往往建立于大规模分布式服务器或者大型云服务平台上，而大规模的部署往往导致较高的成本。因此，传统的基于人脸识别技术的安防任务在一些小规模、低成本的应用场景下并不适用。

因此，相关技术中亟需一种能够在小规模低成本的场景中实现的人脸识别方法。

发明内容

为克服相关技术中存在的问题，本公开提供一种人脸特征压缩方法及装置。

根据本公开实施例的第一方面，提供一种人脸特征压缩方法，包括：

获取待识别人脸图像的人脸特征；

将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到。

本公开的实施例提供的技术方案可以包括以下有益效果：本公开各个实施例提供的人脸特征压缩方法，可以将待识别人脸图像的人脸特征压缩成压缩人脸特征，再将所述压缩人脸特征与预设人脸集合中的人脸特征进行特征匹配，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。通过本公开实施例通过的人脸特征压缩方法，可以在计算能力较弱的边缘节点中实现人脸识别的功能，对人脸特征进行压缩处理，不仅可以降低预设人脸集合的存储空间，还可以提高特征匹配的计算效率，提升人脸识别的效率。

可选的，在本公开的一个实施例中，所述特征压缩网络被设置为按照下述方式训练得到：

获取多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征；

构建特征压缩网络，所述特征压缩网络中设置有网络参数；

分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果；

基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

本公开的实施例提供的技术方案可以包括以下有益效果：利用大量历史数据训练得到特征压缩网络，可以提升特征压缩网络的准确性和可靠性。

可选的，在本公开的一个实施例中，所述特征压缩网络包括稀疏特征自编码器，所述稀疏特征自编码器包括输入层、隐藏层、输出层，所述隐藏层中设置有稀疏约束参数，所述稀疏约束参数用于抑制在同一时刻所述隐藏层中被激活的神经元的数量。

本公开的实施例提供的技术方案可以包括以下有益效果：在稀疏特征自编码器中，可以通过在隐藏层设置稀疏性的限制，以降低同一时刻隐藏层中被激活的神经元的数量，最终实现人脸特征的压缩。

可选的，在本公开的一个实施例中，在所述基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求之后，所述方法还包括：

利用三元组损失函数对所述特征压缩网络进行约束调整。

本公开的实施例提供的技术方案可以包括以下有益效果：利用三元组损失函数进一步对稀疏特征自编码器进行约束调整，可以增强所述特征压缩网络的分类效果。

可选的，在本公开的一个实施例中，在所述利用三元组损失函数对所述特征压缩网络进行约束调整步骤之前，还包括：

对所述多个历史人脸特征进行特征分类；

基于所述多个历史人脸特征构建三元组样本，所述三元组样本包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

本公开的实施例提供的技术方案可以包括以下有益效果：对训练所述特征压缩网络的历史人脸特征进行特征分类，并构建三元组样本，可以增强所述特征压缩网络的分类效果。

可选的，在本公开的一个实施例中，所述利用三元组损失函数对所述特征压缩网络进行约束调整包括：

通过优化所述三元组损失函数对所述压缩特征网络进行约束调整。

本公开的实施例提供的技术方案可以包括以下有益效果：可以进一步优化三元组损失函数，提升所述压缩特征网络的分类性能。

可选的，在本公开的一个实施例中，所述优化所述三元组损失函数的步骤，包括：

分别将所述锚样本、所述正样本、所述负样本分别输入至所述特征压缩网络，经所述特征压缩网络输出所述锚样本、所述正样本、所述负样本分别对应的压缩人脸特征；

对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。

本公开的实施例提供的技术方案可以包括以下有益效果：通过设置第一、第二预设阈值，可以减少锚样本和正样本之间的距离，增大锚样本和负样本之间的距离。

可选的，在本公开的一个实施例中，所述方法还包括：

获取预设人脸特征集合，所述预设人脸特征集合中包括多个压缩后的人脸特征，所述人脸特征利用所述特征压缩网络压缩得到；

将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。

本公开的实施例提供的技术方案可以包括以下有益效果：在获取到压缩人脸特征之后，可以将该人脸特征与预设人脸特征集合中的人脸特征进行匹配。

可选的，在本公开的一个实施例中，所述预设人脸特征集合包括多维特征搜索树，所述多维特征搜索树的节点对应于所述压缩后的人脸特征。

本公开的实施例提供的技术方案可以包括以下有益效果：通过构建的KD树，可以提供一种快速有效的搜索方式。

可选的，在本公开的一个实施例中，所述将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对包括：

按照多维特征搜索树的搜索规则，分别将所述压缩人脸特征与所述多维特征搜索树中的节点进行特征比对，确认所述多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点。

本公开的实施例提供的技术方案可以包括以下有益效果：通过多维特征搜索树的搜索规则，搜索多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点，可以快速地确定出所述待识别人脸图像对应的用户是否为合法用户。

可选的，在本公开的一个实施例中，在确认所述多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点之后，所述方法还包括：

在确定所述预设人脸特征集合中存在与所述压缩人脸特征相匹配的人脸特征的情况下，确定所述待识别人脸图像对应的用户为已注册用户。

本公开的实施例提供的技术方案可以包括以下有益效果：当确定所述预设人脸特征集合中存在与所述压缩人脸特征相匹配的人脸特征时，可以确认用户的身份。

根据本公开实施例的第二方面，提供一种人脸特征压缩装置，包括：

特征获取模块，用于获取待识别人脸图像的人脸特征；

特征压缩模块，用于将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到。

可选的，在本公开的一个实施例中，所述特征压缩网络被设置为按照下述方式训练得到：

获取多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征；

构建特征压缩网络，所述特征压缩网络中设置有网络参数；

分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果；

基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

可选的，在本公开的一个实施例中，所述特征压缩网络包括稀疏特征自编码器，所述稀疏特征自编码器包括输入层、隐藏层、输出层，所述隐藏层中设置有稀疏约束参数，所述稀疏约束参数用于抑制在同一时刻所述隐藏层中被激活的神经元的数量。

可选的，在本公开的一个实施例中，所述装置还包括：

约束调整模块，用于利用三元组损失函数对所述特征压缩网络进行约束调整。

可选的，在本公开的一个实施例中，还包括：

分类模块，用于对所述多个历史人脸特征进行特征分类；

三元组构建单元，用于基于所述多个历史人脸特征构建三元组样本，所述三元组样本包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

可选的，在本公开的一个实施例中，所述约束调整模块包括：

优化子模块，用于通过优化所述三元组损失函数对所述压缩特征网络进行约束调整。

可选的，在本公开的一个实施例中，所述优化子模块包括：

样本输入单元，用于分别将所述锚样本、所述正样本、所述负样本分别输入至所述特征压缩网络，经所述特征压缩网络输出所述锚样本、所述正样本、所述负样本分别对应的压缩人脸特征；

迭代调整单元，用于对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。

可选的，在本公开的一个实施例中，所述装置还包括：

集合获取模块，用于获取预设人脸特征集合，所述预设人脸特征集合中包括多个压缩后的人脸特征，所述人脸特征利用所述特征压缩网络压缩得到；

特征对比模块，用于将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。

可选的，在本公开的一个实施例中，所述预设人脸特征集合包括多维特征搜索树，所述多维特征搜索树的节点对应于所述压缩后的人脸特征。

可选的，在本公开的一个实施例中，所述特征对比模块包括：

搜索子模块，用于按照多维特征搜索树的搜索规则，分别将所述压缩人脸特征与所述多维特征搜索树中的节点进行特征比对，确认所述多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点。

可选的，在本公开的一个实施例中，所述装置还包括：

已注册用于确定模块，用于在确定所述多维特征搜索树中存在与所述压缩人脸特征相匹配的节点的情况下，确定所述待识别人脸图像对应的用户为已注册用户。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述人脸特征压缩方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述的人脸特征压缩方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种人脸特征压缩方法的流程图。

图2是根据一示例性实施例示出的一种人脸特征压缩方法的流程图。

图3是根据一示例性实施例示出的一种人脸特征压缩方法的流程图。

图4是根据一示例性实施例示出的一种场景图。

图5是根据一示例性实施例示出的一种装置的框图。

图6是根据一示例性实施例示出的一种装置的框图。

图7是根据一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。

基于边缘节点的人脸识别技术可以使得运算能力较弱的终端也能实现人脸识别的功能。与传统的人脸识别技术相似，基于边缘节点的人脸识别技术也需要对人脸图像进行特征提取和特征搜索。但是，提取的人脸特征往往具有较高的维数，从存储和计算方面都在边缘节点产生较多的消耗。

基于类似于上文所述的实际技术需求，本公开提供的人脸特征压缩方法可以在边缘节点中对人脸特征进行压缩处理，降低人脸特征的维数。另外，还可以基于压缩后的人脸特征进行特征匹配，识别出待识别人脸图像是否为数据库中的人脸图像。

下面结合附图1对本公开所述的人脸特征压缩方法进行详细的说明。图1是本公开提供的人脸特征压缩方法的一种实施例的方法流程图。虽然本公开提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。

具体的，本公开提供的人脸特征压缩方法的一种实施例如图1所示，所述方法可以包括：

S101：获取待识别人脸图像的人脸特征。

本公开实施例提供的方法可以应用于边缘节点中，边缘节点是指在数据产生源头和云中心之间任一具有计算资源和网络资源的节点。比如，手机就是用户与云中心之间的边缘结点，网关是智能家居和云中心之间的边缘结点。在理想环境中，边缘计算指的就是在数据产生源附近分析、处理数据，没有数据的流转，进而减少网络流量和响应时间。由于所述边缘节点距离用户接入端具有较少的中间环节，因此对所述用户接入端具有较好的响应能力和连接速度。在一些示例中，所述边缘节点例如专用嵌入式芯片、集成电路(IC)等，如设置于门禁设备、家用电器、车辆、会员机、售卖机中的芯片、IC等等。相对于分布式服务器、云服务平台等大型计算平台，所述边缘节点往往具有较弱的计算能力和较少的存储空间。

在本公开实施例中，为了能够在所述边缘节点中实现人脸识别的功能，可以对人脸特征进行压缩处理。在公开的一个实施例中，在获取到待识别人脸图像的人脸特征之后，可以压缩所述人脸特征，生成压缩人脸特征。其中，所述待识别人脸图像可以从与所述边缘节点相耦合的摄像设备传输过来，也可以间接地从中间设备传输过来。在获取到所述待识别人脸图像之后，所述边缘节点可以提取所述待识别图像中的人脸特征。在一些示例中，人脸特征的提取方法可以包括灰度积分算法、模板匹配算法、Snakes算法、局部二值模式(Local Binary Patterns，LBP)算法等等，本公开对于人脸特征提取的方法不做限制。当然，在其他实施例中，所述边缘节点可以接收所述待识别人脸图像的人脸特征，即提取所述待识别人脸图像的人脸特征可以由其他模块完成。

S103：将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到。在本公开的一个实施例中，所述边缘节点在压缩所述待识别人脸图像的人脸特征的过程中，可以将所述待识别人脸图像的人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述压缩人脸特征。

如图2所示，在一个实施例中，所述特征压缩网络可以被设置为按照下述方式训练得到：

S201：获取多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征。

本公开实施例中，可以利用多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征训练得到所述特征压缩网络。其中，所述历史人脸特征对应的压缩人脸特征相对于所述历史人脸特征具有较低的维数，例如，所述历史人脸特征对应的特征向量具有100维，而压缩后的所述压缩人脸特征对应的特征向量可以具有70维。所述多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征可以从已有的数据库中获取，或者通过相关技术中一些算法计算得到，本公开在此不做限制。

S203：构建特征压缩网络，所述特征压缩网络中设置有网络参数。

本公开实施例中，可以构建特征压缩网络，所述特征压缩网络中设置有网络参数。所述特征压缩网络可以包括机器学习模型、神经网络模型等等。其中，所述机器学习模型可以基于K近邻算法、感知机算法、决策树、支持向量机、逻辑回归、最大熵中的一种或者多种算法，所述神经网络模型可以基于卷积神经网络、循环神经网络中的一种或者多种算法，本公开在此不做限制。

S205：分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果。

在利用所述多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征对所述特征压缩网络进行训练的过程中，可以分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果。

S207：基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

然后，可以基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

在本公开的一个实施例中，所述特征压缩网络可以包括稀疏特征自编码器，所述稀疏特征自编码器可以包括输入层、隐藏层、输出层。在本公开实施例中，可以在所述隐藏层中设置稀疏约束参数，所述稀疏约束参数用于抑制在同一时刻所述隐藏层中被激活的神经元的数量。由于隐藏层的神经元的数量与输出的人脸特征向量的维数相匹配，因此，在所述隐藏层中的神经元的数量被抑制的情况下，可以实现对人脸特征向量降维的作用。在稀疏特征自编码器中，可以通过在隐藏层设置稀疏性的限制，以降低同一时刻隐藏层中被激活的神经元的数量，最终实现人脸特征的压缩。在一个示例中，所述稀疏特征自编码器中构建的损失函数可以为：

其中，x_i表示输入层的输入值，即历史人脸特征向量，

表示输出层的输出值，N表示历史人脸特征向量的维数，ρ是稀疏约束参数，通常是一个接近于零的常数，

表示隐藏层上某个神经元的平均活跃度，K表示隐藏层神经元数量或者压缩后的人脸特征向量的维数，W是稀疏特征编码器的参数矩阵，L表示稀疏特征编码器的层数，λ和β分别表示正则化和稀疏化权值。

需要说明的是，在其他实施例中，还可以通过降低隐藏层神经元的数量实现人脸特征的压缩，本公开对于人脸特征压缩的方式不做限制。

本公开实施例中，在训练完成所述特征压缩网络之后，还可以对所述特征网络进行微调，以提升所述特征压缩网络的分类特性。在本公开提供的后续技术方案中，需要对压缩后的人脸特征构建多维特征搜索树。在压缩后的人脸特征分类性能不强的情况下，可能导致在利用所述多维特征搜索树进行特征匹配时具有较低的匹配精度。因此，通过对所述特征压缩网络进行微调，提升所述特征压缩网络的分类特性，进而提升所述特征压缩网络输出的压缩人脸特征之间的分类特性。

在本公开的一个实施例中，所述可以利用三元组损失函数对所述特征压缩网络进行约束调整。在本公开的实施例中，如图3所示，在所述利用三元组损失函数对所述特征压缩网络进行约束调整步骤之前，还包括：

S301：对所述多个历史人脸特征进行特征分类；

具体地，可以对所述多个历史人脸特征进行特征分类。在一个示例中，可以利用K-means算法对所述多个历史人脸特征进行特征分类，分类之后可以将所述多个历史人脸特征划分成多个特征分类的历史人脸特征集。

S303：基于所述多个历史人脸特征构建三元组样本，所述三元组样本包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

然后，可以基于所述多个历史人脸特征构建三元组样本，在所述三元组样本中，可以包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

在本公开的一个实施例中，在利用所述三元组损失函数对所述特征压缩网络进行约束调整的过程中，可以通过优化所述三元组损失函数对所述压缩特征网络进行约束调整。在一个实施例中，所述优化所述三元组损失函数的步骤，可以包括：

SS1：分别将所述锚样本、所述正样本、所述负样本分别输入至所述特征压缩网络，经所述特征压缩网络输出所述锚样本、所述正样本、所述负样本分别对应的压缩人脸特征。

本公开实施例中，在构建到多个三元组样本之后，可以分别将所述锚样本、所述正样本、所述负样本输入至所述特征压缩网络中，经所述特征压缩网络分别输出锚样本、所述正样本、所述负样本分别对应的压缩人脸特征。

SS2：对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。

最后，可以对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。在一个示例中，可以构建下述损失函数以增强所述特征压缩网络的分类效果：

其中，

是锚样本

经特征压缩网络输出的压缩人脸特征，

是正样本

经特征压缩网络输出的压缩人脸特征，

是负样本

特征压缩网络输出的压缩人脸特征，a表示锚样本与正样本之间的距离与锚样本和负样本之间的距离之间的最小间隔，这里的距离采用传统的欧式距离，[]₊表示取正函数。

通过上述公式(2)，可以使得锚样本与正样本(即同类样本)之间的距离减小，锚样本与负样本(即不同类样本)之间的距离增大，从而增强所述特征压缩网络的分类效果。

在本公开的一个实施例中，在获取到所述待识别人脸图像的压缩人脸特征之后，所述方法还包括：

S401：获取预设人脸特征集合，所述预设人脸特征集合中包括多个压缩后的人脸特征，所述人脸特征利用所述特征压缩网络压缩得到。

本公开实施例中，所述预设人脸特征集合可以作为所述压缩人脸特征进行特征比对的对象集合。所述预设人脸特征集合中所包括的多个压缩后的人脸特征也可以利用所述特征压缩网络压缩得到，这样，可以实现所述压缩人脸特征与所述预设人脸特征集合中人脸特征之间压缩算法的一致性，使得后续特征比对的结果更加准确，比对的效率更高。

S403：将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。

本公开实施例中，将所述预设人脸特征集合中的各个人脸特征与所述也说人脸特征进行特征比对，可以确认出所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。通过这样的特征比对方式，可以确定出所述待识别人脸图像对应的用户的合法身份。本公开实施例中，所述预设人脸特征集合包括多维特征搜索树(简称K-D树)，所述多维特征搜索树的节点对应于所述压缩后的人脸特征。相应地，在构建所述K-D树的过程中，可以将多个压缩后的人脸特征分别部署于K-D树对应的二叉树结构中，其中，K-D树中的单个节点可以对应于一个压缩后的人脸特征。在一个应用场景中，共存在5000个压缩后的人脸特征，在将5000个压缩后的人脸特征部署于K-D树之后，部署后的K-D树共有5000个节点。

本公开实施例中，构建完成K-D树之后，可以按照K-D树的搜索规则，分别将所述压缩人脸特征与所述K-D树中的节点进行特征比对，确认所述K-D树中是否存在与所述压缩人脸特征相匹配的节点。后续地，在确定所述K-D树中存在与所述压缩人脸特征相匹配的节点的情况下，可以确定所述待识别人脸图像属于所述边缘节点已存储的用户信息对应的人脸图像。

在本公开的实际应用场景中，所述预设人脸特征集合中可以包括多个已注册用户的人脸特征。所述已注册用户可以包括在所述边缘节点中的预存用户，例如在小区门禁系统中，所述已注册用户可以包括小区中的合法住户。如图4所示，在一个示例中，在采集到小区中住户的人脸图像之后，可以提取所述人脸图像中的人脸特征。然后，可以利用本公开实施例提供的所述特征压缩网络对所述人脸特征进行压缩，生成压缩人脸特征。在获取到小区中住户的压缩人脸特征之后，可以将住户的压缩人脸特征构建为K-D树。

当用户A通过门禁时，可以采集用户A的人脸图像，并提取用户A的人脸图像的人脸特征。然后，可以利用所述特征压缩网络对用户A的人脸特征进行压缩，生成用户A的压缩人脸特征。将用户A的压缩人脸特征与该小区对应的K-D树进行特征匹配，当从所述K-D树匹配到与用户A的压缩人脸特征相匹配的节点之后，可以确定用户A为小区内住户，基于此，可以解除门禁，允许用户A进入小区内。若从所述K-D树未匹配到与用户A的压缩人脸特征相匹配的节点，则确定用户A为非小区内住户，保持门禁状态。

本公开各个实施例提供的人脸特征压缩方法，可以将待识别人脸图像的人脸特征压缩成压缩人脸特征，再将所述压缩人脸特征与预设人脸集合中的人脸特征进行特征匹配，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。通过本公开实施例通过的人脸特征压缩方法，可以在计算能力较弱的边缘节点中实现人脸识别的功能，对人脸特征进行压缩处理，不仅可以降低预设人脸集合的存储空间，还可以提高特征匹配的计算效率，提升人脸识别的效率。

本公开实施例另一方面还提出一种人脸特征压缩装置，图5示出根据本公开实施例的人脸特征压缩装置的框图，如图5所示，所述装置500包括：

特征获取模块501，用于获取待识别人脸图像的人脸特征；

特征压缩模块503，用于将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到。

可选的，在本公开的一个实施例中，所述特征压缩网络被设置为按照下述方式训练得到：

获取多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征；

构建特征压缩网络，所述特征压缩网络中设置有网络参数；

分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果；

基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

可选的，在本公开的一个实施例中，所述特征压缩网络包括稀疏特征自编码器，所述稀疏特征自编码器包括输入层、隐藏层、输出层，所述隐藏层中设置有稀疏约束参数，所述稀疏约束参数用于抑制在同一时刻所述隐藏层中被激活的神经元的数量。

可选的，在本公开的一个实施例中，所述装置还包括：

约束调整模块，用于利用三元组损失函数对所述特征压缩网络进行约束调整。

可选的，在本公开的一个实施例中，还包括：

分类模块，用于对所述多个历史人脸特征进行特征分类；

三元组构建单元，用于基于所述多个历史人脸特征构建三元组样本，所述三元组样本包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

可选的，在本公开的一个实施例中，所述约束调整模块包括：

优化子模块，用于通过优化所述三元组损失函数对所述压缩特征网络进行约束调整。

可选的，在本公开的一个实施例中，所述优化子模块包括：

样本输入单元，用于分别将所述锚样本、所述正样本、所述负样本分别输入至所述特征压缩网络，经所述特征压缩网络输出所述锚样本、所述正样本、所述负样本分别对应的压缩人脸特征；

迭代调整单元，用于对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。

可选的，在本公开的一个实施例中，所述装置还包括：

集合获取模块，用于获取预设人脸特征集合，所述预设人脸特征集合中包括多个压缩后的人脸特征，所述人脸特征利用所述特征压缩网络压缩得到；

特征对比模块，用于将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。

可选的，在本公开的一个实施例中，所述预设人脸特征集合包括多维特征搜索树，所述多维特征搜索树的节点对应于所述压缩后的人脸特征。

可选的，在本公开的一个实施例中，所述特征对比模块包括：

搜索子模块，用于按照多维特征搜索树的搜索规则，分别将所述压缩人脸特征与所述多维特征搜索树中的节点进行特征比对，确认所述多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点。

可选的，在本公开的一个实施例中，所述装置还包括：

已注册用于确定模块，用于在确定所述多维特征搜索树中存在与所述压缩人脸特征相匹配的节点的情况下，确定所述待识别人脸图像对应的用户为已注册用户。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述各个实施例所述的方法。

所述电子设备可以被提供为终端、服务器或其它形态的设备。

图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是，但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向物体的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程人脸特征压缩装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程人脸特征压缩装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程人脸特征压缩装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程人脸特征压缩装置、或其它设备上，使得在计算机、其它可编程人脸特征压缩装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程人脸特征压缩装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (22)

1.一种人脸特征压缩方法，其特征在于，包括：

获取待识别人脸图像的人脸特征；

将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述压缩人脸特征用于与预设人脸集合中的人脸特征进行匹配，以确定用户的身份，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到；

所述特征压缩网络被设置为按照下述方式训练得到：

获取多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征；

构建特征压缩网络，所述特征压缩网络中设置有网络参数；

分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果；

基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

2.根据权利要求1所述的人脸特征压缩方法，其特征在于，所述特征压缩网络包括稀疏特征自编码器，所述稀疏特征自编码器包括输入层、隐藏层、输出层，所述隐藏层中设置有稀疏约束参数，所述稀疏约束参数用于抑制在同一时刻所述隐藏层中被激活的神经元的数量。

3.根据权利要求2所述的人脸特征压缩方法，其特征在于，在所述基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求之后，所述方法还包括：

利用三元组损失函数对所述特征压缩网络进行约束调整。

4.根据权利要求3所述的人脸特征压缩方法，其特征在于，在所述利用三元组损失函数对所述特征压缩网络进行约束调整步骤之前，还包括：

对所述多个历史人脸特征进行特征分类；

基于所述多个历史人脸特征构建三元组样本，所述三元组样本包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

5.根据权利要求4所述的人脸特征压缩方法，其特征在于，所述利用三元组损失函数对所述特征压缩网络进行约束调整包括：

通过优化所述三元组损失函数对所述特征压缩网络进行约束调整。

6.根据权利要求5所述的人脸特征压缩方法，其特征在于，所述优化所述三元组损失函数的步骤，包括：分别将所述锚样本、所述正样本、所述负样本分别输入至所述特征压缩网络，经所述特征压缩网络输出所述锚样本、所述正样本、所述负样本分别对应的压缩人脸特征；

对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。

7.根据权利要求1所述的人脸特征压缩方法，其特征在于，所述方法还包括：

获取预设人脸特征集合，所述预设人脸特征集合中包括多个压缩后的人脸特征，所述人脸特征利用所述特征压缩网络压缩得到；

将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。

8.根据权利要求7所述的人脸特征压缩方法，其特征在于，所述预设人脸特征集合包括多维特征搜索树，所述多维特征搜索树的节点对应于所述压缩后的人脸特征。

9.根据权利要求8所述的人脸特征压缩方法，其特征在于，所述将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对包括：

按照多维特征搜索树的搜索规则，分别将所述压缩人脸特征与所述多维特征搜索树中的节点进行特征比对，确认所述多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点。

10.根据权利要求9所述的人脸特征压缩方法，其特征在于，所述方法还包括：

在确定所述多维特征搜索树中存在与所述压缩人脸特征相匹配的节点的情况下，确定所述待识别人脸图像对应的用户为已注册用户。

11.一种人脸特征压缩装置，其特征在于，包括：

特征获取模块，用于获取待识别人脸图像的人脸特征；

特征压缩模块，用于将所述人脸特征输入至特征压缩网络，经所述特征压缩网络输出所述人脸特征的压缩人脸特征，其中，所述压缩人脸特征用于与预设人脸集合中的人脸特征进行匹配，以确定用户的身份，所述特征压缩网络利用多个历史人脸特征以及所述历史人脸特征的压缩人脸特征之间的对应关系训练得到；

所述特征压缩网络被设置为按照下述方式训练得到：

获取多个历史人脸特征以及所述历史人脸特征对应的压缩人脸特征；

构建特征压缩网络，所述特征压缩网络中设置有网络参数；

分别将所述多个历史人脸特征输入至所述特征压缩网络中，生成重建结果；

基于所述重建结果与所述历史人脸特征对应的压缩人脸特征之间的差异，对所述网络参数进行迭代调整，直至所述差异满足预设要求。

12.根据权利要求11所述的人脸特征压缩装置，其特征在于，所述特征压缩网络包括稀疏特征自编码器，所述稀疏特征自编码器包括输入层、隐藏层、输出层，所述隐藏层中设置有稀疏约束参数，所述稀疏约束参数用于抑制在同一时刻所述隐藏层中被激活的神经元的数量。

13.根据权利要求11或12项所述的人脸特征压缩装置，其特征在于，所述装置还包括：

约束调整模块，用于利用三元组损失函数对所述特征压缩网络进行约束调整。

14.根据权利要求13所述的人脸特征压缩装置，其特征在于，还包括：

分类模块，用于对所述多个历史人脸特征进行特征分类；

三元组构建单元，用于基于所述多个历史人脸特征构建三元组样本，所述三元组样本包括锚样本、正样本、负样本，其中，正样本与锚样本属于同一特征分类的历史人脸特征，负样本与锚样本属于不同特征分类的历史人脸特征。

15.根据权利要求14所述的人脸特征压缩装置，其特征在于，所述约束调整模块包括：

优化子模块，用于通过优化所述三元组损失函数对所述特征压缩网络进行约束调整。

16.根据权利要求15所述的人脸特征压缩装置，其特征在于，所述优化子模块包括：

样本输入单元，用于分别将所述锚样本、所述正样本、所述负样本分别输入至所述特征压缩网络，经所述特征压缩网络输出所述锚样本、所述正样本、所述负样本分别对应的压缩人脸特征；

迭代调整单元，用于对所述特征压缩网络的所述网络参数进行迭代调整，使得所述锚样本、所述正样本对应的压缩人脸特征之间的距离小于第一预设阈值，所述锚样本、所述负样本对应的压缩人脸特征之间的距离大于第二预设阈值。

17.根据权利要求11所述的人脸特征压缩装置，其特征在于，所述装置还包括：

集合获取模块，用于获取预设人脸特征集合，所述预设人脸特征集合中包括多个压缩后的人脸特征，所述人脸特征利用所述特征压缩网络压缩得到；

特征对比模块，用于将所述压缩人脸特征与所述预设人脸特征集合中多个压缩后的人脸特征进行特征比对，确认所述预设人脸特征集合中是否存在与所述压缩人脸特征相匹配的人脸特征。

18.根据权利要求17所述的人脸特征压缩装置，其特征在于，所述预设人脸特征集合包括多维特征搜索树，所述多维特征搜索树的节点对应于所述压缩后的人脸特征。

19.根据权利要求18所述的人脸特征压缩装置，其特征在于，所述特征对比模块包括：

搜索子模块，用于按照多维特征搜索树的搜索规则，分别将所述压缩人脸特征与所述多维特征搜索树中的节点进行特征比对，确认所述多维特征搜索树中是否存在与所述压缩人脸特征相匹配的节点。

20.根据权利要求19所述的人脸特征压缩装置，其特征在于，所述装置还包括：

已注册用于确定模块，用于在确定所述多维特征搜索树中存在与所述压缩人脸特征相匹配的节点的情况下，确定所述待识别人脸图像对应的用户为已注册用户。

21.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-10任意一项所述的人脸特征压缩方法。

22.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1-10任意一项所述的人脸特征压缩方法。

Images