CN111539022A - 一种特征匹配方法、目标对象的识别方法及相关硬件 - Google Patents

一种特征匹配方法、目标对象的识别方法及相关硬件 Download PDF

Info

Publication number
CN111539022A
CN111539022A CN202010343675.1A CN202010343675A CN111539022A CN 111539022 A CN111539022 A CN 111539022A CN 202010343675 A CN202010343675 A CN 202010343675A CN 111539022 A CN111539022 A CN 111539022A
Authority
CN
China
Prior art keywords
characteristic
order
hash value
target object
target
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.)
Granted
Application number
CN202010343675.1A
Other languages
English (en)
Other versions
CN111539022B (zh
Inventor
张昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010343675.1A priority Critical patent/CN111539022B/zh
Publication of CN111539022A publication Critical patent/CN111539022A/zh
Application granted granted Critical
Publication of CN111539022B publication Critical patent/CN111539022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例提供一种特征匹配方法、目标对象的识别方法及相关硬件。其中，特征匹配方法包括：基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到所述第一目标对象对应的多阶特征哈希值。获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的。分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值的个数。

Description

一种特征匹配方法、目标对象的识别方法及相关硬件
技术领域
本文件涉及数据处理技术领域，尤其涉及一种特征匹配方法、目标对象的 识别方法及相关硬件。
背景技术
特征匹配被广泛应用在识别技术中。以其中的人脸识别技术为例，目前的 识别原理是基于待识别用户的人脸特征与成百上千万甚至上亿的人脸特征样 本进行近似匹配，从而确定待识别用户的身份。显然，这种级别的识别方式需 要人脸特征占用大量的存储空间，因此必须在云端服务器上实现。在资源有限 的情况下，人脸特征的近似匹配的速度较慢，造成识别效率不高。同时，大量 的人脸特征样本留底存在泄漏低风险，无法对隐私信息起到有效的保护。
有鉴于此，当前急需一种占用空间小、处理速度快且保护隐私信息的特征 匹配方案。
发明内容
本说明书实施例目的是提供一种特征匹配方法、目标对象的识别方法及相 关硬件，能够以较小的占用空间和较快的处理速度，实现保护隐私信息的特征 匹配方案，以及基于特征匹配结果所实现的用户识别方案。
为了实现上述目的，本说明书实施例是这样实现的：
第一方面，提供一种特征匹配方法，包括：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到 所述第一目标对象对应的多阶特征哈希值；
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述 特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所 述第二目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值 的个数。
第二方面，提供一种目标对象的识别方法，包括：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待 识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库 存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象 的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于 所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
第三方面，提供一种特征匹配装置，包括：
残差分解模块，基于预设的残差分解算法对第一目标对象的特征数据进行 哈希量化，得到所述第一目标对象对应的多阶特征哈希值；
特征获取模块，获取在特征库中存储的第二目标对象的至少一阶特征哈希 值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述残差 分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的；
近似匹配模块，分别从所述多阶特征哈希值和所述至少一阶特征哈希值中 选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多 阶特征哈希值的个数。
第四方面，提供一种目标对象的识别装置，包括：
特征采集模块，采集待识别对象的特征数据；
残差分解模块，基于预设的残差分解算法对待识别的特征数据进行哈希量 化，得到所述待识别对象对应的多阶特征哈希值；
特征获取模块，获取特征库中存储的目标对象的至少一阶特征哈希值，其 中，所述特征库存储的所述目标对象的特征哈希值是基于所述残差分解算法对 所述目标对象的参照特征数据进行哈希量化得到的；
近似匹配模块，分别从所述多阶特征哈希值和所述至少一阶特征哈希值中 选择目标阶的特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标 阶的个数少于所述多阶特征哈希值的个数；
识别判断模块，根据所述近似匹配结果确定所述待识别对象是否为目标对 象。
第五方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器 上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到 所述第一目标对象对应的多阶特征哈希值；
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述 特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所 述第二目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值 的个数。
第六方面，提供一种算机可读存储介质，所述计算机可读存储介质上存储 有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到 所述第一目标对象对应的多阶特征哈希值；
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述 特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所 述第二目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值 的个数。
第七方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器 上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待 识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库 存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象 的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于 所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。第八方面， 提供一种算机可读存储介质，所述计算机可读存储介质上存储有计算机程序， 所述计算机程序被处理器执行时实现如下步骤：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待 识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库 存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象 的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于 所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
基于本说明书实施例的方案通过残差分解算法计算需要匹配的第一目标 对象和第二目标对象的多阶特征哈希值。之后使用两个目标对象对应的目标阶 的哈希值进行近似匹配。由于目标阶的哈希值只是全量多阶特征哈希值的一部 分，因此存样所需要占用的存储空间较小，且匹配计算的速度也得到提升。此 外，在特征库被攻击时，由于只存储了第二目标对象对应的目标阶的特征哈希 值，因此攻击者无法还原得到第二目标对象的全量N阶特征哈希值，从而保证 第二目标对象的参照特征数据不会被泄露出去，对私有数据起到了有效的隐私 保护。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实 施例或现有技术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说明书实施例中记载的一些实施例，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为本说明书实施例提供的特征匹配方法的流程示意图。
图2为本说明书实施例提供的目标用户的识别方法的流程示意图。
图3为本说明书实施例提供的特征匹配装置的结构示意图。
图4为本说明书实施例提供的目标用户的识别装置的结构示意图。
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合 本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地 描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实 施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
如前所述，目前基于特征匹配的识别原理是将待识别用户的特征数据与百 上千万甚至上亿的特征数据样本进行近似匹配，从而确定待识别用户的身份。 显然，这种级别的识别方式需要人脸特征占用大量的存储空间，因此必须在云 端服务器上实现。在资源有限的情况下，人脸特征的近似匹配的速度较慢，造 成识别效率不高。同时，大量的人脸特征样本留底存在泄漏低风险，无法对隐 私信息起到有效的保护。
为此，本文件旨在提供一种以较小的占用空间和较快的处理速度，实现保 护隐私信息的特征匹配方案，以及基于特征匹配结果所实现的用户识别方案。
图1是本说明书实施例特征匹配方法的流程图。图1所示的方法可以由下 文相对应的装置执行，包括：
步骤S102，基于预设的残差分解算法对第一目标对象的特征数据进行哈希 量化，得到第一目标对象对应的多阶特征哈希值。
示例性地，本步骤可以采用残差分解算法对一目标对象的特征数据进行N 阶的二进制分解，以获得第一目标对象的N阶特征哈希值：X＝S1*H1+ S2*H2+……+SN*HN。
其中，X表示第一目标对象的全量特征哈希值(也就是N阶特征哈希值)； H即为对应float位数的哈希值；S为H的量化参数，用于表示每阶哈希值的 比例关系。
步骤S104，获取在特征库中存储的第二目标对象的至少一阶特征哈希值， 其中，特征库存储的第二目标对象的特征哈希值是基于残差分解算法对第二目 标对象的参照特征数据进行哈希量化得到的。
应理解，第二目标对象泛指特征库中对应的所有样本对象，并不限于是一 个。特征库存储有采用同样残差分解算法对第二目标对象的参照特征数据进行 哈希量化得到的特征哈希值:Y＝S1*H1+S2*H2+……+SN*HN。
步骤S106，分别从多阶特征哈希值和至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，其中，目标阶的个数少多阶特征哈希值的个数。
具体地，本步骤可以选取第一目标对象的至少目标阶的特征哈希值与第二 目标对象的目标阶的特征哈希值进行近似匹。例如：残差分解算法设置了10 阶的分解，则目标对象和样本对象均具有10阶特征哈希值。假设2阶为目标 阶，则选取目标对象的至少包含有2阶的特征哈希值(可以是包含全部10阶 的特征哈希值，可以是部分阶的特征哈希值)与样本对象2阶的特征哈希值进 行近似匹配。
需要说明的是，本说明书实施例不对近似匹配方法作具体限定。作为示例 性介绍，可以计算两者目标对象的特征哈希值之间的数学距离(如欧式距离、 汉明距离)，如果数学距离小于一定标准，则匹配成功，否则匹配失败。
显然，通过上述近似匹配的原理可以知道，本说明书实施例的特征库只需 要存储第二目标对象对应的目标阶的特征哈希值即可实现特征的近似匹配。
本实施例的特征匹配方法通过残差分解算法计算需要匹配的第一目标对 象和第二目标对象的多阶特征哈希值。之后使用两个目标对象对应的目标阶的 哈希值进行近似匹配。由于目标阶的哈希值只是全量多阶特征哈希值的一部分， 因此存样所需要占用的存储空间较小，且匹配计算的速度也得到提升。此外， 在特征库被攻击时，由于只存储了第二目标对象对应的目标阶的特征哈希值， 因此攻击者无法还原得到第二目标对象的全量N阶特征哈希值，从而保证第二 目标对象的参照特征数据不会被泄露出去，对私有数据起到了有效的隐私保护。
可选地，在实际应用中，目标阶的数量可以限定为1个，例如目标阶为第 一阶，则特征库只存储第二目标用户第一阶的特征哈希值，从而极大程度降低 特征库的空间开销。
此外，为了实现了更好的隐私保护，进行近似匹配的算法中的至少部分参 与第二目标对象的目标阶的特征哈希值分开存储。
比如，近似匹配的算法可以对属于同一阶的特征哈希值设置固定的量化参 数。其中，各阶量化参数可以采用上文步骤S102中介绍的残差分解算法共识 中的H。在本说明书实施例中，特征库中不存储各阶特征哈希值在近似匹配的 算法中的量化参数H(量化参数可以由其他数据库存储或者只写入在执行近似 匹配的代码中)，也就是说，即便特征库被攻击，也无法得到量化参数，从而 无法对目标阶的特征哈希值进行逆向还原以及使用目标阶的特征哈希值进行 近似匹配。
与上述种特征匹配方法相对应地，本说明书实施例还提供一种目标对象的 识别方法，能够基于上述特征匹配方法实现对目标对象的识别。图2是本说明 书实施例特征识别方法的流程图。图2所示的方法可以由下文相对应的装置执 行，包括：
步骤S202，采集待识别对象的特征数据。
应理解，本步骤所述的待识别对象可以看成是特征匹配方法中的第一目标 对象。这里本说明书不对特征数据作具体限定，待识别对象的特征数据可以但 不限于是待识别对象的生物特征数据，如指纹、声纹、虹膜、人脸等信息。
步骤S204，基于预设的残差分解算法对待识别的特征数据进行哈希量化， 得到待识别对象对应的多阶特征哈希值。
步骤S206，获取特征库中存储的目标对象的至少一阶特征哈希值，其中， 特征库存储的目标对象的特征哈希值是基于所述残差分解算法对目标对象的 参照特征数据进行哈希量化得到的。
应理解，本步骤所述的目标对象可以看成是特征匹配方法中的第二目标对 象，即目标对象可以是特征库多个样本对象中的任意一者。此外，目标对象的 参照特征数据与待识别对象的特征数据具有相同的特征维度。比如，待识别对 象的特征数据是人脸图像，则目标对象的参照特征数据也应是人脸图像。
步骤S208，分别从多阶特征哈希值和至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，得到匹配结果，其中，目标阶的个数少于所述多阶 特征哈希值的个数。
步骤S210，根据近似匹配结果确定待识别对象是否为目标对象。
本实施例的识别方法通过残差分解算法计算需要匹配的待识别对象与目 标对象的多阶特征哈希值，之后使用两者对应的目标阶的哈希值进行近似匹配， 以确定待识别对象是否为目标对象。由于目标阶的哈希值只是全量多阶特征哈 希值的一部分，因此存样所需要占用的存储空间较小，且匹配计算的速度也得 到提升，可以在非云服务器的终端设备上部署。此外，在特征库被攻击时，由 于只存储了第二目标对象对应的目标阶的特征哈希值，因此攻击者无法还原得 到第二目标对象的全量N阶特征哈希值，从而保证第二目标对象的参照特征数 据不会被泄露出去，对私有数据起到了有效的隐私保护。
下面结合一个实际的应用场景，对上述特征匹配方法以及之后进行的识别 方法进行详细介绍。
本应用场景用于通过生物特征进行目标对象的识别。对应的流程包括：
步骤一，构建特征库：
本步骤中，通过预先确定的残差分解算法对样本对象集的参照人脸特征数 据进行多阶的二进制分解，得到样本对象集的多阶特征哈希值Y＝S1*H1+ S2*H2+……+SN*HN。
之后，将样本对象集的第一阶的特征哈希值Y(S1)存储至特征库中，其他 阶的特征哈希值进行销毁。这里，一个样本对象的第一阶的特征哈希值仅需要 占用256bits的存储空间。
步骤二，提取待识别对象用于进行特征匹配的哈希特征值：
本步骤中，首先采集待识别对象的人脸特征数据，通过相同的残差分解算 法对待识别对象的生物特征数据进行多阶的二进制分解，得到待识别对象的多 阶特征哈希值X＝S1*H1+S2*H2+……+SN*HN。
之后，获取待识别对象的第一阶和第二阶的特征哈希值X(S1)、X(S2)，该X(S1)、X(S2)用于后续进行特征匹配。
步骤三，特征近似匹配计算：
本步骤中，首先从特征库中提取样本对象集的第一阶的特征哈希值。
之后，针对每个样本对象，计算待识别对象的第一阶的特征哈希值X(S1)、 与样本对象的第一阶的特征哈希值Y(S1)的汉明距离hamming1，以及待识别对 象的第二阶特征的哈希值X(S2)与样本对象的第一阶的特征哈希值Y(S1)的汉明 距离hamming2。
之后，按照hamming1(H1*H1)+hamming2(H2*H1)的公式进行加权计 算，得到匹配值。在hamming1的加权系数“H1*H1”中，第一个“H1”表示的 是待识别对象的第一阶的特征哈希值所对应的量化参数，第二个“H1”表示的 是样本对象的第一阶的特征哈希值所对应的量化参数(同一节阶的特征哈希值 所对应的量化参数为相同的固定值)。同理，在hamming2的加权系数“H2*H1” 中，“H2”表示的是待识别对象的第二阶的特征哈希值所对应的量化参数，“H1” 表示的是样本对象的第一阶的特征哈希值所对应的量化参数。
如果匹配值小于或等于预先设置的标识值，则表示待识别对象的人脸特征 数据与目标对象的人脸特征数据匹配成功，否则表示匹配失败。
步骤四，生成识别结果：
本步骤中，如果步骤三匹配成功，则确定待识别对象为目标对象，如果步 骤三匹配失败，则确定待识别对象不是目标对象。
其中，待识别对象的第一阶特征的哈希值与样本对象的第一阶的特征哈希 值的汉明距离的加权参数可以是由第一阶的量化参数确定得到；待识别对象的 第二阶特征的哈希值与样本对象的第一阶的特征哈希值的汉明距离的加权参 数可以是由第一阶的量化参数确定得到
可以看出，本应用场景的特征库仅仅存储样本对象的第一阶特征哈希值， 实现了对存储空间的极致利用，并结合汉明距离实现了极致速度的匹配计算。 此外，仅仅通过特征库存储的第一阶特征哈希值，是无法反解出样本对象的人 脸图像的，因此具有十分优秀的隐私性能。在存储空间、匹配速度和隐私性三 个方面得到了极大提升下，用户识别不用必需部署在云端服务器上实现，可以 在终端设备上离线执行。
以上是对本说明书实施例的方法的介绍。应理解，在不脱离本文上述原理 基础之上，还可以进行适当的变化，这些变化也应视为本说明书实施例的保护 范围。
与上述特征匹配方法相对应地，本说明书实施例还提供一种特征匹配装置。 图3是本说明书实施例特征匹配装置300的结构图，包括：
残差分解模块310，基于预设的残差分解算法对第一目标对象的特征数据 进行哈希量化，得到所述第一目标对象对应的多阶特征哈希值。
特征获取模块320，获取在特征库中存储的第二目标对象的至少一阶特征 哈希值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述 残差分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的。
近似匹配模块330，分别从所述多阶特征哈希值和所述至少一阶特征哈希 值中选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所 述多阶特征哈希值的个数。
本实施例的特征匹配装置通过残差分解算法计算需要匹配的第一目标对 象和第二目标对象的多阶特征哈希值。之后使用两个目标对象对应的目标阶的 哈希值进行近似匹配。由于目标阶的哈希值只是全量多阶特征哈希值的一部分， 因此存样所需要占用的存储空间较小，且匹配计算的速度也得到提升。此外， 在特征库被攻击时，由于只存储了第二目标对象对应的目标阶的特征哈希值， 因此攻击者无法还原得到第二目标对象的全量N阶特征哈希值，从而保证第二 目标对象的参照特征数据不会被泄露出去，对私有数据起到了有效的隐私保护。
应理解，所述第二目标对象的特征数据不能通过所述目标阶的特征哈希值 进行逆运算得到。
可选地，所述特征库中存储的特征哈希值只包括所述目标阶的特征哈希值。 所述目标阶的特征哈希值可以为第一阶的特征哈希值。
可选地，所述特征库中未存储各阶特征哈希值在所述近似匹配的算法中的 量化参数。其中，各阶特征哈希值在所述近似匹配的算法中的量化参数只存储 于执行所述近似匹配的代码中。
显然，本说明书实施例的特征匹配装置可以作为上述图1所示的方法的执 行主体，因此够实现特征匹配方法在图1所实现的功能。由于原理相同，本文 不再赘述。
与上述目标对象的识别装置相对应地，本说明书实施例还提供一种目标对 象的识别装置。图4是本说明书实施例识别装置400的结构图，包括：
特征采集模块410，采集待识别对象的特征数据。
残差分解模块420，基于预设的残差分解算法对待识别的特征数据进行哈 希量化，得到所述待识别对象对应的多阶特征哈希值。
特征获取模块430，获取特征库中存储的目标对象的至少一阶特征哈希值， 其中，所述特征库存储的所述目标对象的特征哈希值是基于所述残差分解算法 对所述目标对象的参照特征数据进行哈希量化得到的。
近似匹配模块440，分别从所述多阶特征哈希值和所述至少一阶特征哈希 值中选择目标阶的特征哈希值进行近似匹配，得到近似匹配结果，其中，所述 目标阶的个数少于所述多阶特征哈希值的个数。
识别判断模块450，根据所述近似匹配结果确定所述待识别对象是否为目 标对象。
本实施例的识别装置通过残差分解算法计算需要匹配的待识别对象与目 标对象的多阶特征哈希值，之后使用两者对应的目标阶的哈希值进行近似匹配， 以确定待识别对象是否为目标对象。由于目标阶的哈希值只是全量多阶特征哈 希值的一部分，因此存样所需要占用的存储空间较小，且匹配计算的速度也得 到提升，可以在非云服务器的终端设备上部署。此外，在特征库被攻击时，由 于只存储了第二目标对象对应的目标阶的特征哈希值，因此攻击者无法还原得 到第二目标对象的全量N阶特征哈希值，从而保证第二目标对象的参照特征数 据不会被泄露出去，对私有数据起到了有效的隐私保护。
显然，本说明书实施例的识别装置可以作为上述图2所示的方法的执行主 体，因此够实现识别方法在图2所实现的功能。由于原理相同，本文不再赘述。
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬 件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。 其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory， RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个 磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以 是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总 线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但 并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码 包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提 供指令和数据。
其中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运 行，在逻辑层面上形成上述特征匹配装置。处理器，执行存储器所存放的程序， 并具体用于执行以下操作：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到 所述第一目标对象对应的多阶特征哈希值。
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述 特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所 述第二目标对象的参照特征数据进行哈希量化得到的。
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值 的个数。
或者，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运 行，在逻辑层面上形成上述识别装置。处理器，执行存储器所存放的程序，并 具体用于执行以下操作：
采集待识别对象的特征数据。
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待 识别对象对应的多阶特征哈希值。
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库 存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象 的参照特征数据进行哈希量化得到的。
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于 所述多阶特征哈希值的个数。
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
上述如本说明书图1所示实施例揭示的特征匹配方法或者图2所示实施例 揭示的识别方法可以应用于处理器中，由处理器实现。处理器可能是一种集成 电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过 处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以 是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器 (Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可 编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器 件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书 实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者 该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的 步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及 软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器， 可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介 质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成 上述方法的步骤。
当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方 式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行 主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
此外，本说明书实施例还提出了一种计算机可读存储介质，该计算机可读 存储介质存储一个或多个程序，该一个或多个程序包括指令。
其中，所述指令当被包括多个应用程序的便携式电子设备执行时，能够使 该便携式电子设备执行图1所示实施例的特征匹配方法，并具体用于执行以下 步骤：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到 所述第一目标对象对应的多阶特征哈希值。
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述 特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所 述第二目标对象的参照特征数据进行哈希量化得到的。
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值 的个数。
或者，所述指令当被包括多个应用程序的便携式电子设备执行时，能够使 该便携式电子设备执行图2所示实施例的识别方法，并具体用于执行以下步骤：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待 识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库 存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象 的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的 特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于 所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
应理解，上述指令当被包括多个应用程序的便携式电子设备执行时，能够 使上文所述的特征匹配装置实现图1所示实施例的功能，或者能够使上文所述 的识别装置实现图2所示实施例的功能，本文不再赘述。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机 程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软 件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含 有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的 范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实 施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过 程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施 方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技 术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之 内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围 之内。此外，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，都应当属于本文件的保护范围。

Claims (14)

1.一种特征匹配方法，包括：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到所述第一目标对象对应的多阶特征哈希值；
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值的个数。
2.根据权利要求1所述的方法，
所述特征库中存储的特征哈希值只包括所述目标阶的特征哈希值。
3.根据权利要求2所述的方法，
所述第二目标对象的特征数据不能通过所述目标阶的特征哈希值进行逆运算得到。
4.根据权利要求2所述的方法，
所述目标阶的特征哈希值为第一阶的特征哈希值。
5.如权利要求1所述的方法，
属于同一阶的特征哈希值在所述近似匹配的算法中的量化参数是固定的。其中，所述量化参数用于表示对应的特征哈希值的比例关系。
6.根据权利要求5所述的方法，
所述特征库中未存储各阶特征哈希值在所述近似匹配的算法中的量化参数。
7.根据权利要求6所述的方法，
各阶特征哈希值在所述近似匹配的算法中的量化参数只存储于执行所述近似匹配的代码中。
8.一种目标对象的识别方法，包括：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
9.一种特征匹配装置，包括：
残差分解模块，基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到所述第一目标对象对应的多阶特征哈希值；
特征获取模块，获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的；
近似匹配模块，分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值的个数。
10.一种目标对象的识别装置，包括：
特征采集模块，采集待识别对象的特征数据；
残差分解模块，基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待识别对象对应的多阶特征哈希值；
特征获取模块，获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象的参照特征数据进行哈希量化得到的；
近似匹配模块，分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于所述多阶特征哈希值的个数；
识别判断模块，根据所述近似匹配结果确定所述待识别对象是否为目标对象。
11.一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到所述第一目标对象对应的多阶特征哈希值；
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值的个数。
12.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
基于预设的残差分解算法对第一目标对象的特征数据进行哈希量化，得到所述第一目标对象对应的多阶特征哈希值；
获取在特征库中存储的第二目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述第二目标对象的特征哈希值是基于所述残差分解算法对所述第二目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，其中，所述目标阶的个数少于所述多阶特征哈希值的个数。
13.一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
14.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
采集待识别对象的特征数据；
基于预设的残差分解算法对待识别的特征数据进行哈希量化，得到所述待识别对象对应的多阶特征哈希值；
获取特征库中存储的目标对象的至少一阶特征哈希值，其中，所述特征库存储的所述目标对象的特征哈希值是基于所述残差分解算法对所述目标对象的参照特征数据进行哈希量化得到的；
分别从所述多阶特征哈希值和所述至少一阶特征哈希值中选择目标阶的特征哈希值进行近似匹配，得到近似匹配结果，其中，所述目标阶的个数少于所述多阶特征哈希值的个数；
根据所述近似匹配结果确定所述待识别对象是否为目标对象。
CN202010343675.1A 2020-04-27 2020-04-27 一种特征匹配方法、目标对象的识别方法及相关硬件 Active CN111539022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343675.1A CN111539022B (zh) 2020-04-27 2020-04-27 一种特征匹配方法、目标对象的识别方法及相关硬件

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343675.1A CN111539022B (zh) 2020-04-27 2020-04-27 一种特征匹配方法、目标对象的识别方法及相关硬件

Publications (2)

Publication Number Publication Date
CN111539022A true CN111539022A (zh) 2020-08-14
CN111539022B CN111539022B (zh) 2022-04-22

Family

ID=71978982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343675.1A Active CN111539022B (zh) 2020-04-27 2020-04-27 一种特征匹配方法、目标对象的识别方法及相关硬件

Country Status (1)

Country Link
CN (1) CN111539022B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423376A (zh) * 2017-07-10 2017-12-01 上海交通大学 一种有监督深度哈希快速图片检索方法及系统
CN109710729A (zh) * 2018-12-14 2019-05-03 麒麟合盛网络技术股份有限公司 一种文本数据的采集方法及装置
CN110134761A (zh) * 2019-04-16 2019-08-16 深圳壹账通智能科技有限公司 判决文书信息检索方法、装置、计算机设备和存储介质
CN110309336A (zh) * 2018-03-12 2019-10-08 腾讯科技（深圳）有限公司 图像检索方法、装置、系统、服务器以及存储介质
WO2019192217A1 (zh) * 2018-04-04 2019-10-10 北京市商汤科技开发有限公司 身份认证、解锁及支付方法、装置、存储介质、产品和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423376A (zh) * 2017-07-10 2017-12-01 上海交通大学 一种有监督深度哈希快速图片检索方法及系统
CN110309336A (zh) * 2018-03-12 2019-10-08 腾讯科技（深圳）有限公司 图像检索方法、装置、系统、服务器以及存储介质
WO2019192217A1 (zh) * 2018-04-04 2019-10-10 北京市商汤科技开发有限公司 身份认证、解锁及支付方法、装置、存储介质、产品和设备
CN109710729A (zh) * 2018-12-14 2019-05-03 麒麟合盛网络技术股份有限公司 一种文本数据的采集方法及装置
CN110134761A (zh) * 2019-04-16 2019-08-16 深圳壹账通智能科技有限公司 判决文书信息检索方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAN CHENG: "Fast and Accurate Image Matching with Cascade Hashing for 3D Reconstruction", 《COMPUTER VISION & PATTERN RECOGNITION》 *
谭春强: "基于深度哈希的大规模人脸图像检索研究", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN111539022B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
US11023801B2 (en) Data processing method and apparatus
CN109671020B (zh) 图像处理方法、装置、电子设备和计算机存储介质
WO2010055399A1 (en) Method and apparatus for representing and identifying feature descriptors utilizing a compressed histogram of gradients
CN111553320B (zh) 保护个人数据隐私的特征提取方法、模型训练方法及硬件
CN113362118B (zh) 一种基于随机森林的用户用电行为分析方法及系统
CN109299276B (zh) 一种将文本转化为词嵌入、文本分类方法和装置
CN111709415B (zh) 目标检测方法、装置、计算机设备和存储介质
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN105354228A (zh) 相似图搜索方法及装置
CN111310743B (zh) 人脸识别方法、装置、电子设备及可读存储介质
CN108053034B (zh) 模型参数处理方法、装置、电子设备及存储介质
US9735803B2 (en) Data compression device and data compression method
CN111539022B (zh) 一种特征匹配方法、目标对象的识别方法及相关硬件
CN112200194B (zh) 一种公式识别方法、装置、电子设备及存储介质
CN113360911A (zh) 恶意代码同源分析方法、装置、计算机设备和存储介质
WO2010138988A1 (en) Detection of objects represented in images
CN112766397A (zh) 一种分类网络及其实现方法和装置
CN111539382A (zh) 一种图像识别模型隐私风险的评估方法、装置及电子设备
CN111611532A (zh) 人物关系补全方法、装置及电子设备
CN108400887B (zh) 符号网络的结构识别方法及装置
CN111311573A (zh) 枝条确定方法、装置及电子设备
CN110634018A (zh) 一种流失用户的特征刻画方法、识别方法及相关装置
CN110795993A (zh) 一种构建模型的方法、装置、终端设备及介质
CN115270972A (zh) 一种特征选择方法、装置、设备及存储介质
CN111400764B (zh) 个人信息保护的风控模型训练方法、风险识别方法及硬件

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40035489

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant