CN111428652B - 一种生物特征管理方法、系统、设备及介质 - Google Patents

Abstract

本发明提供一种生物特征管理方法、系统、设备及介质，包括有：对多个相同类别的生物模型提取的生物特征向量之间进行转换；基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。本发明通过对生物特征向量进行转换，可以使生物模型在共同使用时能够兼容，提高了生物模型之间的兼容性；再基于转换后的生物特征向量对获取的生物特征向量进行分析，得到分析结果。通过本发明对生物特征向量进行转换，不仅能够融合不同生物模型之间提取的生物特征向量，而且也不需要一些生物模型重新采集部分生物特征向量；既能够节约保存生物特征向量所需的存储空间，还能够减少重新提取生物特征向量所需要的时间，从而可以实现实时平滑的更新生物模型。

Description

一种生物特征管理方法、系统、设备及介质

技术领域

本发明涉及生物识别技术领域，特别是涉及一种生物特征管理方法、系统、设备及介质。

背景技术

人脸比对是当前AI应用的热门领域，人脸间的相似性反应在人脸对应的特征向量间的相似程度上。在这个领域内无论人脸比对、人脸检索、人脸聚类等场景，都需要进行大量的向量计算。实际场景中，在人脸识别、比对等系统里，首先需要将人脸特征向量提取出来，然后再进行对应的向量计算。人脸模型会随着训练数据的更新和训练算法的优化不断迭代；同时有的场景也会遇到不同机构、公司、科研院所提供的多种人脸模型，而同一张人脸用不同模型提取出的特征向量并不一样，维度、精度、数值都有差别。一旦多种人脸模型使用在同一项目中，无论是新旧替换还是多种模型并行使用，多源的人脸特征向量难以混合计算，即多源人脸特征向量无法进行融合比对。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种生物特征管理办法、系统、设备及介质，用于解决现有技术中的问题。

为实现上述目的及其他相关目的，本发明提供一种生物特征管理方法，包括以下步骤：

对多个相同类别的生物模型提取的生物特征向量之间进行转换；

基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

可选地，基于特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：

将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；

通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型。

可选地，在训练所述一个或多个特征向量转换神经网络模型之前，还包括：

对输入的生物特征向量进行编码、解码，使解码后的生物特征向量与作为输出的生物特征向量处于同一维度。

可选地，在训练所述一个或多个特征向量转换神经网络模型时，包括通过调整随机超参数权重、偏差值，训练所述一个或多个特征向量转换神经网络模型。

可选地，生成基于正态分布的随机超参数权重、偏差值；

计算解码后的生物特征向量与作为输出的生物特征向量之间的均方差；

通过梯度下降法迭代更新调整随机超参数权重和偏差值，使所述均方差尽可能小；

重复训练，直至完成预设的迭代次数。

可选地，获取的生物特征包括以下至少之一：某时刻获取的生物特征、某时刻前获取的生物特征、某时刻后获取的生物特征。

可选地，所述生物特征的获取位置包括数据库；所述数据库内包含有以下至少之一：人脸的单帧图像、人脸的连续帧图像、人体的单帧图像、人体的连续帧图像。

可选地，所述生物模型包括以下至少之一：人脸模型、人体模型。

可选地，所述生物特征向量包括以下至少之一：人脸特征向量、人体特征向量。

可选地，所述分析包括以下至少之一：比对、检索、聚类。

可选地，若基于转换后的人脸特征向量进行人脸检索，则获取能够进行特征向量转换的一个或多个特征向量转换神经网络模型的一个或多个向量转换接口；

通过所述一个或多个向量转换接口，对人脸数据库中的人脸特征向量或输入的人脸特征向量进行特征向量转换，并将转换后的人脸特征向量存储至人脸数据库中，更新人脸检索的索引。

可选地，所述人脸检索还包括：将其中一个或多个人脸模型作为输入模型，将另外一个或多个人脸模型作为输出模型；

获取输入的检索特征向量以及需要返回的前K个数量值；

若输入的人脸特征向量是输出模型提取的人脸特征向量，则根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量；

若输入的人脸特征向量是输入模型提取的人脸特征向量，则先通过一个或多个向量转换接口将输入模型提取的人脸特征向量转换为输出模型的人脸特征向量；再根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量。

可选地，还包括返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息。

可选地，所述数据库中的单帧图像和/或连续帧图像来源于一个或多个行业；所述一个或多个行业包括以下至少之一：安防行业、金融行业。

本发明还提供一种生物特征管理系统，包括有：

转换模块，用于对多个相同类别的生物模型提取的生物特征向量之间进行转换；

管理模块，用于基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

可选地，基于特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：

将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；

通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型。

可选地，在训练所述一个或多个特征向量转换神经网络模型之前，还包括：

对输入的生物特征向量进行编码、解码，使解码后的生物特征向量与作为输出的生物特征向量处于同一维度。

可选地，在训练所述一个或多个特征向量转换神经网络模型时，包括通过调整随机超参数权重、偏差值，训练所述一个或多个特征向量转换神经网络模型。

可选地，生成基于正态分布的随机超参数权重、偏差值；

计算解码后的生物特征向量与作为输出的生物特征向量之间的均方差；

通过梯度下降法迭代更新调整随机超参数权重和偏差值，使所述均方差尽可能小；

重复训练，直至完成预设的迭代次数。

可选地，获取的生物特征包括以下至少之一：某时刻获取的生物特征、某时刻前获取的生物特征、某时刻后获取的生物特征。

可选地，所述生物特征的获取位置包括数据库；所述数据库内包含有以下至少之一：人脸的单帧图像、人脸的连续帧图像、人体的单帧图像、人体的连续帧图像。

可选地，所述生物模型包括以下至少之一：人脸模型、人体模型。

可选地，所述生物特征向量包括以下至少之一：人脸特征向量、人体特征向量。

可选地，所述分析包括以下至少之一：比对、检索、聚类。

可选地，若基于转换后的人脸特征向量进行人脸检索，则获取能够进行特征向量转换的一个或多个特征向量转换神经网络模型的一个或多个向量转换接口；

通过所述一个或多个向量转换接口，对人脸数据库中的人脸特征向量或输入的人脸特征向量进行特征向量转换，并将转换后的人脸特征向量存储至人脸数据库中，更新人脸检索的索引。

可选地，所述人脸检索还包括：将其中一个或多个人脸模型作为输入模型，将另外一个或多个人脸模型作为输出模型；

获取输入的检索特征向量以及需要返回的前K个数量值；

若输入的人脸特征向量是输出模型提取的人脸特征向量，则根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量；

若输入的人脸特征向量是输入模型提取的人脸特征向量，则先通过一个或多个向量转换接口将输入模型提取的人脸特征向量转换为输出模型的人脸特征向量；再根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量。

可选地，还包括返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息。

可选地，所述数据库中的单帧图像和/或连续帧图像来源于一个或多个行业；所述一个或多个行业包括以下至少之一：安防行业、金融行业。

本发明还提供一种生物特征管理设备，包括有：

对多个相同类别的生物模型提取的生物特征向量之间进行转换；

基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

本发明还提供一种设备，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如上述中一个或多个所述的方法。

本发明还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如上述中一个或多个所述的方法。

如上所述，本发明提供的一种生物特征管理方法、系统、设备及介质，具有以下有益效果：

对于多个相同类别的生物模型提取出的生物特征向量，能够对这些生物特征向量进行转换；而通过对生物特征向量进行转换，可以使这些生物模型在共同使用时能够兼容，提高了这些生物模型之间的兼容性。同时再基于转换后的生物特征向量对获取的生物特征向量进行分析，得到分析结果。由此可知，当某一生物模型需要对其他同类别的生物模型中的生物特征进行分析时(例如比对、检索、聚类)；可以通过将某一生物模型提取的生物特征向量转换为其他同类别的生物模型的生物特征向量，或者将其他同类别的生物模型提取的生物特征向量转换为该生物模型的生物特征向量；然后再基于转换后的生物特征向量对生物特征进行分析。通过本发明对生物特征向量进行转换，不仅能够融合不同生物模型之间提取的生物特征向量，而且也不需要一些生物模型重新采集部分生物特征向量；既能够节约保存生物特征向量所需的存储空间，还能够减少重新提取生物特征向量所需要的时间，从而可以实现实时平滑的更新生物模型。

附图说明

图1为一实施例提供的生物特征管理方法的流程示意图；

图2为一实施例提供的训练特征转换神经网络模型的流程示意图；

图3为一实施例提供的人脸检索的流程示意图；

图4为一实施例提供的生物特征管理系统的硬件结构示意图；

图5为一实施例提供的终端设备的硬件结构示意图；

图6为另一实施例提供的终端设备的硬件结构示意图。

元件标号说明

M10 转换模块

M20 管理模块

1100 输入设备

1101 第一处理器

1102 输出设备

1103 第一存储器

1104 通信总线

1200 处理组件

1201 第二处理器

1202 第二存储器

1203 通信组件

1204 电源组件

1205 多媒体组件

1206 语音组件

1207 输入/输出接口

1208 传感器组件

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种生物特征管理方法，包括以下步骤：

S100，对多个相同类别的生物模型提取的生物特征向量之间进行转换；

S200，基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

根据上述方案的记载可知，本方法对于多个相同类别的生物模型提取出的生物特征向量，能够对这些生物特征向量进行转换；而通过对生物特征向量进行转换，可以使这些生物模型在共同使用时能够兼容，提高了这些生物模型之间的兼容性。同时再基于转换后的生物特征向量对获取的生物特征向量进行分析，得到分析结果。由此可知，当某一生物模型需要对其他同类别的生物模型中的生物特征进行分析时(例如比对、检索、聚类)；可以通过将某一生物模型提取的生物特征向量转换为其他同类别的生物模型的生物特征向量，或者将其他同类别的生物模型提取的生物特征向量转换为该生物模型的生物特征向量；然后再基于转换后的生物特征向量对生物特征进行分析。通过本方法对生物特征向量进行转换，不仅能够融合不同生物模型之间提取的生物特征向量，而且也不需要一些生物模型重新采集部分生物特征向量；既能够节约保存生物特征向量所需的存储空间，还能够减少重新提取生物特征向量所需要的时间，从而可以实现实时平滑的更新生物模型。

在一示例性实施例中，基于特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：

将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；

通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型。

在一示例性实施例中，在训练所述一个或多个特征向量转换神经网络模型之前，还包括对输入的生物特征向量进行编码、解码，使解码后的生物特征向量与作为输出的生物特征向量处于同一维度。作为示例，例如输入的生物特征向量在编码前是256维向量，而作为输出的生物特征向量是512维向量，由于输入的生物特征向量与输出的生物特征向量不是位于同一维度，所以这两者之间无法直接进行计算，需要通过编码和解码将输入的生物特征向量的维度统一为输出的生物特征向量的维度。其中，编码是将输入序列转换成一个固定长度的向量；解码就是将之前生成的固定向量再转换成输出序列。

在一示例性实施例中，在训练所述一个或多个特征向量转换神经网络模型时，包括通过调整随机超参数权重、偏差值，训练所述一个或多个特征向量转换神经网络模型。具体地，如图2所示：

S10，生成基于正态分布的随机超参数权重weights、偏差值biases；

S20，计算解码后的人脸特征向量与作为输出的人脸特征向量之间的均方差，记为loss；

S30，通过梯度下降法迭代更新调整随机超参数的权重weights和偏差值biases，使均方差loss尽可能小；

S40，重复训练，直至完成预设的迭代次数。

在一些示例性实施例中，获取的生物特征包括以下至少之一：某时刻获取的生物特征、某时刻前获取的生物特征、某时刻后获取的生物特征。以当前时刻为例，作为一个示例，本申请实施例获取当前时刻以前的生物特征(也可以称为获取历史时刻的生物特征)，并通过多个相同类别的生物模型提取出当前时刻以前的生物特征向量，然后对这些生物特征向量进行转换，再基于转换后的生物特征向量对当前时刻以前的生物特征进行分析，得到当前时刻以前的分析结果。作为另一个示例，本申请实施例获取当前时刻的生物特征，并通过多个相同类别的生物模型提取出当前时刻的生物特征向量，然后对这些生物特征向量进行转换，再基于转换后的生物特征向量对当前时刻的生物特征进行分析，得到当前时刻的分析结果。作为又一个示例，本申请实施例获取当前时刻以后的生物特征(也可以称为获取未来时刻的生物特征或获取实时的生物特征)，并通过多个相同类别的生物模型提取出当前时刻以后的生物特征向量，然后对这些生物特征向量进行转换，再基于转换后的生物特征向量对当前时刻以后的生物特征进行分析，得到当前时刻以后的分析结果。

在一示例性实施例中，生物特征的获取位置包括数据库；所述数据库内包含有以下至少之一：人脸的单帧图像、人脸的连续帧图像、人体的单帧图像、人体的连续帧图像。

在一些示例性实施例中，生物模型包括以下至少之一：人脸模型、人体模型。所述生物特征向量包括以下至少之一：人脸特征向量、人体特征向量。其中，人脸模型与人脸模型之间称为相同类别的人脸模型或相同类别的生物模型；人体模型与人体模型之间称为相同类别的人体模型或相同类别的生物模型。

在一些示例性实施例中，分析包括以下至少之一：比对、检索、聚类。

在一示例性实施例中，若基于转换后的人脸特征向量进行人脸检索，则获取能够进行特征向量转换的一个或多个特征向量转换神经网络模型的一个或多个向量转换接口；

通过所述一个或多个向量转换接口，对人脸数据库中的人脸特征向量或输入的人脸特征向量进行特征向量转换，并将转换后的人脸特征向量存储至人脸数据库中，更新人脸检索的索引。

其中，如图3所示，人脸检索还包括：

将其中一个或多个人脸模型作为输入模型，将另外一个或多个人脸模型作为输出模型；

获取输入的检索特征向量以及需要返回的前K个数量值；

若输入的人脸特征向量是输出模型提取的人脸特征向量，则根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量和返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息；或者，返回与输入的检索特征向量相近的前K个人脸特征向量。

若输入的人脸特征向量是输入模型提取的人脸特征向量，则先通过一个或多个向量转换接口将输入模型提取的人脸特征向量转换为输出模型的人脸特征向量；再根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量和返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息；或者，返回与输入的检索特征向量相近的前K个人脸特征向量。

在一些示例性实施例中，所述数据库中的单帧图像和/或连续帧图像来源于一个或多个行业；所述一个或多个行业包括以下至少之一：安防行业、金融行业。作为示例，例如本申请实施例中的数据库包括有N张人脸图片；这N张人脸图片可以来源于安防行业和/或金融行业，也可以来源于其他行业。

在一具体实施例中，若生物特征为人脸特征，包括有如下步骤：

获取人脸数据库中的N张人脸图片，通过人脸模型A和人脸模型B从人脸数据库中提取出这N张图片的人脸特征向量，分别记为LAi和LBi；其中，i＝1，2，，…，N。本实施例中，人脸模型A与人脸模型B属于不同的人脸模型。

将人脸特征向量LBi作为输入、人脸特征向量LAi作为输出，训练一个或多个神经网络模型，使训练后的神经网络模型能够进行特征向量的转换。具体地，生成基于正态分布的随机超参数权重weights和偏差值biases；对人脸特征向量LBi进行编码、解码处理，使人脸特征向量LBi和人脸特征向量LAi处于同一维度中；再通过均方差(MSE，Mean SquareError)函数计算通过神经网络转换后的特征向量与LA特征向量之间的欧氏距离，若预测值和真实值越接近，两者的均方差就越小，将均方差记为loss；返回loss，并通过loss来参考神经网络的转换情况。再通过梯度下降法迭代更新调整超参数权重weights和偏差值biases，从而使得均方差loss尽可能的小，通过Adam模型进行重复训练，直至完成预设的迭代次数，使训练出的神经网络模型能够进行特征向量的转换。本实施例中，可以指定迭代的次数。其中，编码和解码都选择卷积神经网络RNN的组合，作为示例，卷积神经网络的层数可以设置为四层。对于四层神经网络而言，为避免训练过程中梯度消失，在层数较少的条件下，可以采用sigmoid激活函数获取对人脸特征向量LBi解码后的人脸特征向量。

保存训练后的神经网络模型，使用TF-serving(Tensor Flow Serving)部署模型，并以http post进行交互，提供模型的转换接口。其中，TF-serving(Tensor Flow Serving)是由google提供的，是google开源的服务系统，用于部署新算法和实验，同时保持相同的服务器架构和API(Application Programming Interface，应用程序接口)，可以将训练好的模型直接上线并提供服务。将训练好的神经网络模型在TF Server中加载并提供服务，客户端可以通过gRPC和RESTfull API两种方式同TF Serving端进行通信，获取服务。http post指的是在客户机和服务器之间进行请求-响应时最常被用到的方法之一，即post方法，该方法向指定的资源提交要被处理的数据，数据包含在http信息正文中。

获取训练后的神经网络模型中的一个或多个向量转换接口，将人脸数据库或正在实时接入的人脸模型B提取的人脸特征向量进行转换，将人脸模型B提取的人脸特征向量转换为人脸模型A中的人脸特征向量。

若需要对人脸数据库中进行人脸检索，还包括：

通过单个或批量导入的接口将转换后的特征向量存储到人脸数据库中，并更新一对多或1：N人脸检索的索引；本实施例中，1：N人脸检索是基于同一人脸模型生成的人脸特征向量，所以在将转换后的人脸特征向量存储到数据库后，还要更新1：N人脸检索的索引。

获取输入的检索特征向量以及需要返回的前K个数量值；若输入的人脸特征向量是人脸模型A提取的人脸特征向量，则根据一对多或1：N的检索结果，返回与其相近的前K个人脸特征向量的序列号以及相似度信息。若输入的人脸特征向量是人脸模型B提取的人脸特征向量，则先通过一个或多个向量转换接口将人脸模型B提取的人脸特征向量转换为人脸模型A的人脸特征向量；再根据一对多或1：N的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量的序列号以及相似度信息。在检索过程中，输入的需要检索的特征向量一般是最新的模型提取的特征向量。本实施例中的K个数量值可以根据实际情况进行设定，本申请不做数值限定。

根据上述记载，在金融行业场景中，若前端设备AI相机内置有人脸模型，需要升级相机内的人脸模型时，则可能同时存在新的人脸模型提取的人脸特征向量、旧的人脸模型提取的人脸特征向量；而由于新的人脸模型与旧的人脸模型之间无法直接在服务器中进行比对，因此，对于在金融行业中关于相机中人脸模型的升级，可以直接采用本方法，将新的人脸模型提取的人脸特征向量转换为旧的人脸模型中的人脸特征向量或将旧的人脸模型提取的人脸特征向量转换为新的人脸模型中的人脸特征向量，然后再同时传回服务器中进行比对。通过此方法能够保障在金融行业中的AI相机进行人脸模型升级时，可以让AI相机保持正常使用，保障业务的连续性，带给客户更好的体验。

根据上述记载，在安防行业场景中，若某一政府机构、公司或科研院所中的部分安防区域使用的是X公司的人脸识别模型，其他安防区域使用的是Y公司的人脸识别模型。而现在该政府机构、公司或科研院所需要对人脸识别模型进行统一，如果直接进行设备更换，可能会增加对应的成本。如果直接采用本方法，则可以直接将X公司的人脸识别模型提取的人脸特征向量转换为Y公司的人脸识别模型中的人脸特征向量，或者将Y公司的人脸识别模型提取的人脸特征向量转换为X公司的人脸识别模型中的人脸特征向量；然后存储至同一存储空间进行一对一或1：1的人脸比对、一对多或1：N的人脸检索、以及人脸聚类等管理；相比原来需要两个不同存储空间来分别进行存储而言，节约了人脸特征向量保存所需的存储空间。同时，相比于新更换的设备而言，又减少了新设备重新提取全部人脸特征向量所需要的时间。因此，在安防行业场景中，采用本方法能够实现不同安防设备之间的互联互通。

综上所述，本发明提供一种生物特征管理方法，对于多个相同类别的生物模型提取出的生物特征向量，能够对这些生物特征向量进行转换；而通过对生物特征向量进行转换，可以使这些生物模型在共同使用时能够兼容，提高了这些生物模型之间的兼容性。同时再基于转换后的生物特征向量对获取的生物特征向量进行分析，得到分析结果。由此可知，当某一生物模型需要对其他同类别的生物模型中的生物特征进行分析时(例如比对、检索、聚类)；可以通过将某一生物模型提取的生物特征向量转换为其他同类别的生物模型的生物特征向量，或者将其他同类别的生物模型提取的生物特征向量转换为该生物模型的生物特征向量；然后再基于转换后的生物特征向量对生物特征进行分析。通过本方法对生物特征向量进行转换，不仅能够融合不同生物模型之间提取的生物特征向量，而且也不需要一些生物模型重新采集部分生物特征向量；既能够节约保存生物特征向量所需的存储空间，还能够减少重新提取生物特征向量所需要的时间，从而可以实现实时平滑的更新生物模型。若生物特征为人脸特征，通过至少两个人脸模型分别从人脸数据库中提取出对应的人脸特征向量；将其中一个或多个人脸模型提取的人脸特征向量转换为另外一个或多个人脸模型的人脸特征向量，再基于转换后的人脸特征向量对人脸数据库中的人脸进行分析(例如进行人脸比对、人脸检索、人脸聚类)。对于多个不同人脸模型(例如，处于新旧替换的人脸模型、不同设备中的人脸模型)分别从同一人脸数据库提取出的人脸特征向量，本发明能够对这些人脸特征向量进行转换，让这些人脸特征向量能够融合，使这些人脸模型在共同使用时能够兼容，提高了这些人脸模型之间的兼容性。通过本方法对人脸特征向量进行转换，不仅能够融合不同人脸模型之间提取的人脸特征向量，而且也不需要一些人脸模型重新采集部分人脸特征向量；既能够节约保存人脸特征向量所需的存储空间，还能够减少重新提取人脸特征向量所需要的时间，从而可以实现实时平滑的更新人脸模型。

如图4所示，本发明还提供一种生物特征管理系统，包括有：

转换模块M10，用于对多个相同类别的生物模型提取的生物特征向量之间进行转换；

管理模块M20，用于基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

根据上述方案的记载可知，本系统对于多个相同类别的生物模型提取出的生物特征向量，能够对这些生物特征向量进行转换；而通过对生物特征向量进行转换，可以使这些生物模型在共同使用时能够兼容，提高了这些生物模型之间的兼容性。同时再基于转换后的生物特征向量对获取的生物特征向量进行分析，得到分析结果。由此可知，当某一生物模型需要对其他同类别的生物模型中的生物特征进行分析时(例如比对、检索、聚类)；可以通过将某一生物模型提取的生物特征向量转换为其他同类别的生物模型的生物特征向量，或者将其他同类别的生物模型提取的生物特征向量转换为该生物模型的生物特征向量；然后再基于转换后的生物特征向量对生物特征进行分析。通过本系统对生物特征向量进行转换，不仅能够融合不同生物模型之间提取的生物特征向量，而且也不需要一些生物模型重新采集部分生物特征向量；既能够节约保存生物特征向量所需的存储空间，还能够减少重新提取生物特征向量所需要的时间，从而可以实现实时平滑的更新生物模型。

在一示例性实施例中，基于特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：

将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；

通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型。

在一示例性实施例中，在训练所述一个或多个特征向量转换神经网络模型之前，还包括对输入的生物特征向量进行编码、解码，使解码后的生物特征向量与作为输出的生物特征向量处于同一维度。作为示例，例如输入的生物特征向量在编码前是256维向量，而作为输出的生物特征向量是512维向量，由于输入的生物特征向量与输出的生物特征向量不是位于同一维度，所以这两者之间无法直接进行计算，需要通过编码和解码将输入的生物特征向量的维度统一为输出的生物特征向量的维度。其中，编码是将输入序列转换成一个固定长度的向量；解码就是将之前生成的固定向量再转换成输出序列。

在一示例性实施例中，在训练所述一个或多个特征向量转换神经网络模型时，包括通过调整随机超参数权重、偏差值，训练所述一个或多个特征向量转换神经网络模型。具体地，

生成基于正态分布的随机超参数权重weights、偏差值biases；

计算解码后的人脸特征向量与作为输出的人脸特征向量之间的均方差，记为loss；

通过梯度下降法迭代更新调整随机超参数的权重weights和偏差值biases，使均方差loss尽可能小；

重复训练，直至完成预设的迭代次数。

在一些示例性实施例中，获取的生物特征包括以下至少之一：某时刻获取的生物特征、某时刻前获取的生物特征、某时刻后获取的生物特征。以当前时刻为例，作为一个示例，本申请实施例获取当前时刻以前的生物特征(也可以称为获取历史时刻的生物特征)，并通过多个相同类别的生物模型提取出当前时刻以前的生物特征向量，然后对这些生物特征向量进行转换，再基于转换后的生物特征向量对当前时刻以前的生物特征进行分析，得到当前时刻以前的分析结果。作为另一个示例，本申请实施例获取当前时刻的生物特征，并通过多个相同类别的生物模型提取出当前时刻的生物特征向量，然后对这些生物特征向量进行转换，再基于转换后的生物特征向量对当前时刻的生物特征进行分析，得到当前时刻的分析结果。作为又一个示例，本申请实施例获取当前时刻以后的生物特征(也可以称为获取未来时刻的生物特征或获取实时的生物特征)，并通过多个相同类别的生物模型提取出当前时刻以后的生物特征向量，然后对这些生物特征向量进行转换，再基于转换后的生物特征向量对当前时刻以后的生物特征进行分析，得到当前时刻以后的分析结果。

在一示例性实施例中，生物特征的获取位置包括数据库；所述数据库内包含有以下至少之一：人脸的单帧图像、人脸的连续帧图像、人体的单帧图像、人体的连续帧图像。

在一些示例性实施例中，生物模型包括以下至少之一：人脸模型、人体模型。所述生物特征向量包括以下至少之一：人脸特征向量、人体特征向量。其中，人脸模型与人脸模型之间称为相同类别的人脸模型或相同类别的生物模型；人体模型与人体模型之间称为相同类别的人体模型或相同类别的生物模型。

在一些示例性实施例中，分析包括以下至少之一：比对、检索、聚类。

在一示例性实施例中，若基于转换后的人脸特征向量进行人脸检索，则获取能够进行特征向量转换的一个或多个特征向量转换神经网络模型的一个或多个向量转换接口；

通过所述一个或多个向量转换接口，对人脸数据库中的人脸特征向量或输入的人脸特征向量进行特征向量转换，并将转换后的人脸特征向量存储至人脸数据库中，更新人脸检索的索引。其中，人脸检索还包括：

将其中一个或多个人脸模型作为输入模型，将另外一个或多个人脸模型作为输出模型；

获取输入的检索特征向量以及需要返回的前K个数量值；

若输入的人脸特征向量是输出模型提取的人脸特征向量，则根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量和返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息；或者，返回与输入的检索特征向量相近的前K个人脸特征向量。

若输入的人脸特征向量是输入模型提取的人脸特征向量，则先通过一个或多个向量转换接口将输入模型提取的人脸特征向量转换为输出模型的人脸特征向量；再根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量和返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息；或者，返回与输入的检索特征向量相近的前K个人脸特征向量。

在一些示例性实施例中，所述数据库中的单帧图像和/或连续帧图像来源于一个或多个行业；所述一个或多个行业包括以下至少之一：安防行业、金融行业。作为示例，例如本申请实施例中的数据库包括有N张人脸图片；这N张人脸图片可以来源于安防行业和/或金融行业，也可以来源于其他行业。

在一具体实施例中，若生物特征为人脸特征，包括有如下步骤：

获取人脸数据库中的N张人脸图片，通过人脸模型A和人脸模型B从人脸数据库中提取出这N张图片的人脸特征向量，分别记为LAi和LBi；其中，i＝1，2，，…，N。本实施例中，人脸模型A与人脸模型B属于不同的人脸模型。

将人脸特征向量LBi作为输入、人脸特征向量LAi作为输出，训练一个或多个神经网络模型，使训练后的神经网络模型能够进行特征向量的转换。具体地，生成基于正态分布的随机超参数权重weights和偏差值biases；对人脸特征向量LBi进行编码、解码处理，使人脸特征向量LBi和人脸特征向量LAi处于同一维度中；再通过均方差(MSE，Mean SquareError)函数计算通过神经网络转换后的特征向量与LA特征向量之间的欧氏距离，若预测值和真实值越接近，两者的均方差就越小，将均方差记为loss；返回loss，并通过loss来参考神经网络的转换情况。再通过梯度下降法迭代更新调整超参数权重weights和偏差值biases，从而使得均方差loss尽可能的小，通过Adam模型进行重复训练，直至完成预设的迭代次数，使训练出的神经网络模型能够进行特征向量的转换。本实施例中，可以指定迭代的次数。其中，编码和解码都选择卷积神经网络RNN的组合，作为示例，卷积神经网络的层数可以设置为四层。对于四层神经网络而言，为避免训练过程中梯度消失，在层数较少的条件下，可以采用sigmoid激活函数获取对人脸特征向量LBi解码后的人脸特征向量。

保存训练后的神经网络模型，使用TF-serving(Tensor Flow Serving)部署模型，并以http post进行交互，提供模型的转换接口。其中，TF-serving(Tensor Flow Serving)是由google提供的，是google开源的服务系统，用于部署新算法和实验，同时保持相同的服务器架构和API(Application Programming Interface，应用程序接口)，可以将训练好的模型直接上线并提供服务。将训练好的神经网络模型在TF Server中加载并提供服务，客户端可以通过gRPC和RESTfull API两种方式同TF Serving端进行通信，获取服务。http post指的是在客户机和服务器之间进行请求-响应时最常被用到的方法之一，即post方法，该方法向指定的资源提交要被处理的数据，数据包含在http信息正文中。

获取训练后的神经网络模型中的一个或多个向量转换接口，将人脸数据库或正在实时接入的人脸模型B提取的人脸特征向量进行转换，将人脸模型B提取的人脸特征向量转换为人脸模型A中的人脸特征向量。

若需要对人脸数据库中进行人脸检索，还包括：

通过单个或批量导入的接口将转换后的特征向量存储到人脸数据库中，并更新一对多或1：N人脸检索的索引；本实施例中，1：N人脸检索是基于同一人脸模型生成的人脸特征向量，所以在将转换后的人脸特征向量存储到数据库后，还要更新1：N人脸检索的索引。

获取输入的检索特征向量以及需要返回的前K个数量值；若输入的人脸特征向量是人脸模型A提取的人脸特征向量，则根据一对多或1：N的检索结果，返回与其相近的前K个人脸特征向量的序列号以及相似度信息。若输入的人脸特征向量是人脸模型B提取的人脸特征向量，则先通过一个或多个向量转换接口将人脸模型B提取的人脸特征向量转换为人脸模型A的人脸特征向量；再根据一对多或1：N的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量的序列号以及相似度信息。在检索过程中，输入的需要检索的特征向量一般是最新的模型提取的特征向量。本实施例中的K个数量值可以根据实际情况进行设定，本申请不做数值限定。

根据上述记载，在金融行业场景中，若前端设备AI相机内置有人脸模型，需要升级相机内的人脸模型时，则可能同时存在新的人脸模型提取的人脸特征向量、旧的人脸模型提取的人脸特征向量；而由于新的人脸模型与旧的人脸模型之间无法直接在服务器中进行比对，因此，对于在金融行业中关于相机中人脸模型的升级，可以直接采用本系统，将新的人脸模型提取的人脸特征向量转换为旧的人脸模型中的人脸特征向量或将旧的人脸模型提取的人脸特征向量转换为新的人脸模型中的人脸特征向量，然后再同时传回服务器中进行比对。通过此系统能够保障在金融行业中的AI相机进行人脸模型升级时，可以让AI相机保持正常使用，保障业务的连续性，带给客户更好的体验。

根据上述记载，在安防行业场景中，若某一政府机构、公司或科研院所中的部分安防区域使用的是X公司的人脸识别模型，其他安防区域使用的是Y公司的人脸识别模型。而现在该政府机构、公司或科研院所需要对人脸识别模型进行统一，如果直接进行设备更换，可能会增加对应的成本。如果直接采用本系统，则可以直接将X公司的人脸识别模型提取的人脸特征向量转换为Y公司的人脸识别模型中的人脸特征向量，或者将Y公司的人脸识别模型提取的人脸特征向量转换为X公司的人脸识别模型中的人脸特征向量；然后存储至同一存储空间进行一对一或1：1的人脸比对、一对多或1：N的人脸检索、以及人脸聚类等管理；相比原来需要两个不同存储空间来分别进行存储而言，节约了人脸特征向量保存所需的存储空间。同时，相比于新更换的设备而言，又减少了新设备重新提取全部人脸特征向量所需要的时间。因此，在安防行业场景中，采用本系统能够实现不同安防设备之间的互联互通。

综上所述，本发明提供一种生物特征管理系统，对于多个相同类别的生物模型提取出的生物特征向量，能够对这些生物特征向量进行转换；而通过对生物特征向量进行转换，可以使这些生物模型在共同使用时能够兼容，提高了这些生物模型之间的兼容性。同时再基于转换后的生物特征向量对获取的生物特征向量进行分析，得到分析结果。由此可知，当某一生物模型需要对其他同类别的生物模型中的生物特征进行分析时(例如比对、检索、聚类)；可以通过将某一生物模型提取的生物特征向量转换为其他同类别的生物模型的生物特征向量，或者将其他同类别的生物模型提取的生物特征向量转换为该生物模型的生物特征向量；然后再基于转换后的生物特征向量对生物特征进行分析。通过本系统对生物特征向量进行转换，不仅能够融合不同生物模型之间提取的生物特征向量，而且也不需要一些生物模型重新采集部分生物特征向量；既能够节约保存生物特征向量所需的存储空间，还能够减少重新提取生物特征向量所需要的时间，从而可以实现实时平滑的更新生物模型。若生物特征为人脸特征，通过至少两个人脸模型分别从人脸数据库中提取出对应的人脸特征向量；将其中一个或多个人脸模型提取的人脸特征向量转换为另外一个或多个人脸模型的人脸特征向量，再基于转换后的人脸特征向量对人脸数据库中的人脸进行分析(例如进行人脸比对、人脸检索、人脸聚类)。对于多个不同人脸模型(例如，处于新旧替换的人脸模型、不同设备中的人脸模型)分别从同一人脸数据库提取出的人脸特征向量，本发明能够对这些人脸特征向量进行转换，让这些人脸特征向量能够融合，使这些人脸模型在共同使用时能够兼容，提高了这些人脸模型之间的兼容性。通过本系统对人脸特征向量进行转换，不仅能够融合不同人脸模型之间提取的人脸特征向量，而且也不需要一些人脸模型重新采集部分人脸特征向量；既能够节约保存人脸特征向量所需的存储空间，还能够减少重新提取人脸特征向量所需要的时间，从而可以实现实时平滑的更新人脸模型。

本申请实施例还提供了一种生物特征管理设备，包括有：

对多个相同类别的生物模型提取的生物特征向量之间进行转换；

基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

在本实施例中，该管理设备执行上述系统或方法，具体功能和技术效果参照上述实施例即可，此处不再赘述。

本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中所述方法所包含步骤的指令(instructions)。

图5为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。

可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、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，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。

可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。

在本实施例中，该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。

图6为本申请的一个实施例提供的终端设备的硬件结构示意图。图6是对图5在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。

第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。

第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。

处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。

电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。

多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏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。

语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。

输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。

传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208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，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。

通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备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。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。

由上可知，在图6实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图5实施例中的输入设备的实现方式。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (29)

1.一种生物特征管理方法，其特征在于，包括以下步骤：

基于特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型；

基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

2.根据权利要求1所述的生物特征管理方法，其特征在于，在训练所述一个或多个特征向量转换神经网络模型之前，还包括：

对输入的生物特征向量进行编码、解码，使解码后的生物特征向量与作为输出的生物特征向量处于同一维度。

3.根据权利要求2所述的生物特征管理方法，其特征在于，在训练所述一个或多个特征向量转换神经网络模型时，包括通过调整随机超参数权重、偏差值，训练所述一个或多个特征向量转换神经网络模型。

4.根据权利要求3所述的生物特征管理方法，其特征在于，生成基于正态分布的随机超参数权重、偏差值；

计算解码后的生物特征向量与作为输出的生物特征向量之间的均方差；

通过梯度下降法迭代更新调整随机超参数权重和偏差值，使所述均方差尽可能小；

重复训练，直至完成预设的迭代次数。

5.根据权利要求1至4中任一所述的生物特征管理方法，其特征在于，获取的生物特征包括以下至少之一：某时刻获取的生物特征、某时刻前获取的生物特征、某时刻后获取的生物特征。

6.根据权利要求5所述的生物特征管理方法，其特征在于，所述生物特征的获取位置包括数据库；所述数据库内包含有以下至少之一：人脸的单帧图像、人脸的连续帧图像、人体的单帧图像、人体的连续帧图像。

7.根据权利要求6所述的生物特征管理方法，其特征在于，所述生物模型包括以下至少之一：人脸模型、人体模型。

8.根据权利要求7所述的生物特征管理方法，其特征在于，所述生物特征向量包括以下至少之一：人脸特征向量、人体特征向量。

9.根据权利要求8所述的生物特征管理方法，其特征在于，所述分析包括以下至少之一：比对、检索、聚类。

10.根据权利要求9所述的生物特征管理方法，其特征在于，若基于转换后的人脸特征向量进行人脸检索，则获取能够进行特征向量转换的一个或多个特征向量转换神经网络模型的一个或多个向量转换接口；

通过所述一个或多个向量转换接口，对人脸数据库中的人脸特征向量或输入的人脸特征向量进行特征向量转换，并将转换后的人脸特征向量存储至人脸数据库中，更新人脸检索的索引。

11.根据权利要求10所述的生物特征管理方法，其特征在于，所述人脸检索还包括：将其中一个或多个人脸模型作为输入模型，将另外一个或多个人脸模型作为输出模型；

获取输入的检索特征向量以及需要返回的前K个数量值；

若输入的人脸特征向量是输出模型提取的人脸特征向量，则根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量；

若输入的人脸特征向量是输入模型提取的人脸特征向量，则先通过一个或多个向量转换接口将输入模型提取的人脸特征向量转换为输出模型的人脸特征向量；再根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量。

12.根据权利要求11所述的生物特征管理方法，其特征在于，还包括返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息。

13.根据权利要求6所述的生物特征管理方法，其特征在于，所述数据库中的单帧图像和/或连续帧图像来源于一个或多个行业；所述一个或多个行业包括以下至少之一：安防行业、金融行业。

14.一种生物特征管理系统，其特征在于，包括有：

转换模块，用于根据特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型；

管理模块，用于基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

15.根据权利要求14所述的生物特征管理系统，其特征在于，在训练所述一个或多个特征向量转换神经网络模型之前，还包括：

对输入的生物特征向量进行编码、解码，使解码后的生物特征向量与作为输出的生物特征向量处于同一维度。

16.根据权利要求15所述的生物特征管理系统，其特征在于，在训练所述一个或多个特征向量转换神经网络模型时，包括通过调整随机超参数权重、偏差值，训练所述一个或多个特征向量转换神经网络模型。

17.根据权利要求16所述的生物特征管理系统，其特征在于，生成基于正态分布的随机超参数权重、偏差值；

计算解码后的生物特征向量与作为输出的生物特征向量之间的均方差；

通过梯度下降法迭代更新调整随机超参数权重和偏差值，使所述均方差尽可能小；

重复训练，直至完成预设的迭代次数。

18.根据权利要求14至17中任一所述的生物特征管理系统，其特征在于，获取的生物特征包括以下至少之一：某时刻获取的生物特征、某时刻前获取的生物特征、某时刻后获取的生物特征。

19.根据权利要求18所述的生物特征管理系统，其特征在于，所述生物特征的获取位置包括数据库；所述数据库内包含有以下至少之一：人脸的单帧图像、人脸的连续帧图像、人体的单帧图像、人体的连续帧图像。

20.根据权利要求19所述的生物特征管理系统，其特征在于，所述生物模型包括以下至少之一：人脸模型、人体模型。

21.根据权利要求20所述的生物特征管理系统，其特征在于，所述生物特征向量包括以下至少之一：人脸特征向量、人体特征向量。

22.根据权利要求21所述的生物特征管理系统，其特征在于，所述分析包括以下至少之一：比对、检索、聚类。

23.根据权利要求22所述的生物特征管理系统，其特征在于，若基于转换后的人脸特征向量进行人脸检索，则获取能够进行特征向量转换的一个或多个特征向量转换神经网络模型的一个或多个向量转换接口；

通过所述一个或多个向量转换接口，对人脸数据库中的人脸特征向量或输入的人脸特征向量进行特征向量转换，并将转换后的人脸特征向量存储至人脸数据库中，更新人脸检索的索引。

24.根据权利要求23所述的生物特征管理系统，其特征在于，所述人脸检索还包括：将其中一个或多个人脸模型作为输入模型，将另外一个或多个人脸模型作为输出模型；

获取输入的检索特征向量以及需要返回的前K个数量值；

若输入的人脸特征向量是输出模型提取的人脸特征向量，则根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量；

若输入的人脸特征向量是输入模型提取的人脸特征向量，则先通过一个或多个向量转换接口将输入模型提取的人脸特征向量转换为输出模型的人脸特征向量；再根据一对多的检索结果，返回与输入的检索特征向量相近的前K个人脸特征向量。

25.根据权利要求24所述的生物特征管理系统，其特征在于，还包括返回与输入的检索特征向量相近的前K个人脸特征向量的相似度信息。

26.根据权利要求19所述的生物特征管理系统，其特征在于，所述数据库中的单帧图像和/或连续帧图像来源于一个或多个行业；所述一个或多个行业包括以下至少之一：安防行业、金融行业。

27.一种生物特征管理设备，其特征在于，包括有：

基于特征向量转换神经网络模型，对多个相同类别的生物模型提取的生物特征向量之间进行转换；其中，所述特征向量转换神经网络模型是通过以下方式训练获得：将其中一个或多个生物模型提取的生物特征向量作为输入，另外一个或多个生物模型提取的生物特征向量作为输出；通过所述输入和所述输出，训练出能够进行特征向量转换的一个或多个特征向量转换神经网络模型；

基于转换后的生物特征向量对获取的生物特征进行分析，获取分析结果。

28.一种设备，其特征在于，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-13中一个或多个所述的方法。

29.一种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-13中一个或多个所述的方法。

Images