CN111552828A - 一种1比n人脸比对方法 - Google Patents

Abstract

本发明公开了一种1比N人脸比对方法，通过创建人脸特征信息库，将人脸特征信息库中的所有人脸特征信息组成比对人脸特征矩阵，然后获取待比对人脸特征，并根据比对人脸特征矩阵的行数进行扩充，采用GPU矩阵运算，将人脸比对过程进行分步骤批量处理，快速计算出待比对人脸与比对库中人脸特征的相似度，从而充分利用GPU特性快速获取1：N人脸比对结果。本发明的一种1比N人脸比对方法，将人脸比对过程进行分解，从而有效利用GPU服务器资源，可以快速搜索出目标人脸相关信息，本发明的一种1比N人脸比对方法具有比对效率高，可批量化操作的优点。

Description

一种1比N人脸比对方法

技术领域

本发明涉及人脸识别比对技术领域，尤其涉及一种处理效率高的1比N人脸比对方法。

背景技术

随着人工智能的发展和社会的进步，各种人工智能化的产品和服务逐渐出现在我们的生活里，例如语音识别、图像处理和意识识别等关键技术的不断突破，各种成熟的产品逐渐落地，人工智能的革命性作用，正在现有的社会化市场凸现出来。特别是智能安防领域，各个国家，随着城镇化进度的发展，为了维护社会稳定，在社会安全稳定维护方面的费用逐渐加大，社会安保管理工作的复杂性和苦难越来越大。伴随着人工智能在智能安防方面的应用，有效的缓解了这些问题，特别是人脸识别应用，例如门禁人脸识别、访客人脸记录、特定区域人脸认证等人脸识别的应用成效越来越明显。然而，在人脸识别在智能安防方面的应用过程中，随着人脸信息库的不断增加，人脸搜索带来的计算量也随之不断增加，对于特定场景的计算结果等待时间要求也是越发不可接受。虽然目前已经在人脸比对和计算方面已经存在很多有效的方法，例如先进行人脸特征点过滤，缩小计算范围，然后在进行人脸相似度计算和搜索出最佳的人脸特征。如此，在计算量上减少了很多，但是在人脸比对过程，仍旧是采用逐个进行比对，对于批量化大规模人脸信息的比对，仍旧没有得到有效的解决。

因此，有必要提出一种新的方法以克服现有技术缺陷。

发明内容

本发明的目的是解决现有技术中的问题，提供一种高效批量化1比N人脸比对方法，将人脸比对过程进行分解，从而有效利用GPU服务器资源，快速搜索出目标人脸相关信息。

本发明的技术方案是：一种1比N人脸比对方法，包括以下步骤：

S1、获取比对人脸特征并组成人脸特征数组F(N)，其中N为比对人脸库中人脸特征数量；

S2、通过深度神经网络算法对图片进行人脸对齐和裁剪；

S3、计算待测人脸特征f；

S4、启动GPU服务器，并采用tensorflow的GPU自增模式；利用tensorflow框架和GPU服务器，进行海量人脸库搜索目标人信息；

S5、根据阈值找出最合适的人脸特征信息，得到人员编码i，根据人员编码i在人员信息库内搜索人员详细信息。

作为一种优选的技术方案，所述步骤S4内“利用tensorflow框架和GPU服务器，进行海量人脸库搜索目标人信息”的具体方法包括以下步骤：

S4a、将获取到的N个人脸库信息，进行规范化处理；

S4b、对待测人脸特征进行扩充和规范化处理；

S4c、根据欧氏距离公式，利用GPU服务器并行化批量求出海量人脸信息比对操作结果。

作为一种进一步优选的技术方案，所述步骤S4a中“进行规范化处理”具体为，利用Numpy进行规范化处理，即F(N)＝np.array(F(N))。

作为一种更进一步优选的技术方案，所述步骤S4b“对待测人脸特征进行扩充和规范化处理”的具体操作为：F(N)＝np.array(f*N)。

作为另一种进一步优选的技术方案，所述步骤S4c中“根据欧氏距离公式，利用GPU服务器并行化批量求出海量人脸信息比对操作结果”的具体公式描述为：reuslt＝map(sum,(F(N)-f(N))²)；其中，(F(N)-f(N))²代表矩阵F(N)与f(N)对应元素相减然后做平方，所得结果是N*512的矩阵，特征值个数为512维；reuslt＝map(sum，A)是矩阵A在行方向上求和。

作为再一种进一步优选的技术方案，所述步骤S5中“根据阈值找出最合适的人脸特征信息，得到人员编码i”的具体方法包括以下步骤：

S5a、根据设定阈值threshold，初始化目标人脸所在行号i＝-1，遍历步骤S4c所得结果；

S5b、遍历所在行为j行，当reuslt[j]>＝threshold则i＝j且threshold＝reuslt[j]，依次继续循环余下行，直至所有行都已经遍历完成，转向步骤S5c；

S5c、若i＝＝-1，则没有搜索到合适的人脸特征信息；否则，从人脸库中匹配到了最佳人脸信息，其相似值为reuslt[j]，其人员编码为i。

本发明的一种1比N人脸比对方法，通过创建人脸特征信息库，将人脸特征信息库中的所有人脸特征信息组成比对人脸特征矩阵，然后获取待比对人脸特征，并根据比对人脸特征矩阵的行数进行扩充，采用GPU矩阵运算，将人脸比对过程进行分步骤批量处理，快速计算出待比对人脸与比对库中人脸特征的相似度，从而充分利用GPU特性快速获取1：N人脸比对结果。本发明的一种1比N人脸比对方法，将人脸比对过程进行分解，从而有效利用GPU服务器资源，可以快速搜索出目标人脸相关信息，本发明的一种1比N人脸比对方法具有比对效率高，可批量化操作的优点。

附图说明

图1为本发明一种1比N人脸比对方法具体实施方法流程框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

如图1所示为本发明的一种1比N人脸比对方法具体实施方式流程框图，本实施例的一种1比N人脸比对方法，包括以下步骤：

S1、获取比对人脸特征并组成人脸特征数组F(N)，其中N为比对人脸库中人脸特征数量；

S2、通过深度神经网络算法对图片进行人脸对齐和裁剪；

S3、计算待测人脸特征f；

S4、启动GPU服务器，并采用tensorflow的GPU自增模式；利用tensorflow框架和GPU服务器，进行海量人脸库搜索目标人信息；

S5、根据阈值找出最合适的人脸特征信息，得到人员编码i，根据人员编码i在人员信息库内搜索人员详细信息。

本发明的一种1比N人脸比对方法，通过创建人脸特征信息库，将人脸特征信息库中的所有人脸特征信息组成比对人脸特征矩阵，然后获取待比对人脸特征，并根据比对人脸特征矩阵的行数进行扩充，采用GPU矩阵运算，将人脸比对过程进行分步骤批量处理，快速计算出待比对人脸与比对库中人脸特征的相似度，从而充分利用GPU特性快速获取1：N人脸比对结果。

具体的，本实施例中，所述步骤S4内“启动GPU服务器，并采用tensorflow的GPU自增模式”的具体代码描述为：gpu_options＝tf.GPUOptions(allow_growth＝True)。

本实施例中，步骤S4中“利用tensorflow框架和GPU服务器，进行海量人脸库搜索目标人信息”的具体方法包括以下步骤：

S4a、将获取到的N个人脸库信息，进行规范化处理；

S4b、对待测人脸特征进行扩充和规范化处理；

S4c、根据欧氏距离公式，利用GPU服务器并行化批量求出海量人脸信息比对操作结果。

为了提高处理效率，作为优选方案，所述步骤S4a中“进行规范化处理”具体为，利用Numpy进行规范化处理，即F(N)＝np.array(F(N))。

进一步的，在此基础上，所述步骤S4b“对待测人脸特征进行扩充和规范化处理”的具体操作为：F(N)＝np.array(f*N)。

对步骤S4c中“根据欧氏距离公式，利用GPU服务器并行化批量求出海量人脸信息比对操作结果”的公式表达表达为reuslt＝map(sum,(F(N)-f(N))²)。该公式的具体描述为：(F(N)-f(N))²代表矩阵F(N)与f(N)对应元素相减然后做平方，所得结果是N*512的矩阵，特征值个数为512维；reuslt＝map(sum，A)是矩阵A在行方向上求和。通过该公式，可以批量化求出海量人脸信息的比对操作结果。

作为细化方案，所述步骤S5中“根据阈值找出最合适的人脸特征信息，得到人员编码i”的具体方法包括以下步骤：

S5a、根据设定阈值threshold，初始化目标人脸所在行号i＝-1，遍历步骤S4c所得结果；

S5b、遍历所在行为j行，当reuslt[j]>＝threshold则i＝j且threshold＝reuslt[j]，依次继续循环余下行，直至所有行都已经遍历完成，转向步骤S5c；

S5c、若i＝＝-1，则没有搜索到合适的人脸特征信息；否则，从人脸库中匹配到了最佳人脸信息，其相似值为reuslt[j](这里是人脸特征距离，越小越好)，其人员编码为i。

根据人员编码i，在人员信息库中搜索人员详细信息，人脸比对结束。

本发明的一种1比N人脸比对方法，通过创建人脸特征信息库，将人脸特征信息库中的所有人脸特征信息组成比对人脸特征矩阵，然后获取待比对人脸特征，并根据比对人脸特征矩阵的行数进行扩充，采用GPU矩阵运算，将人脸比对过程进行分步骤批量处理，快速计算出待比对人脸与比对库中人脸特征的相似度，从而充分利用GPU特性快速获取1：N人脸比对结果。本发明的一种1比N人脸比对方法，将人脸比对过程进行分解，从而有效利用GPU服务器资源，可以快速搜索出目标人脸相关信息，本发明的一种1比N人脸比对方法具有比对效率高，可批量化操作的优点。

综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。

Claims (6)

1.一种1比N人脸比对方法，其特征在于：包括以下步骤：

S1、获取比对人脸特征并组成人脸特征数组F(N)，其中N为比对人脸库中人脸特征数量；

S2、通过深度神经网络算法对图片进行人脸对齐和裁剪；

S3、计算待测人脸特征f；

S4、启动GPU服务器，并采用tensorflow的GPU自增模式；利用tensorflow框架和GPU服务器，进行海量人脸库搜索目标人信息；

S5、根据阈值找出最合适的人脸特征信息，得到人员编码i，根据人员编码i在人员信息库内搜索人员详细信息。

2.根据权利要求1所述的一种1比N人脸比对方法，其特征在于：所述步骤S4内“利用tensorflow框架和GPU服务器，进行海量人脸库搜索目标人信息”的具体方法包括以下步骤：

S4a、将获取到的N个人脸库信息，进行规范化处理；

S4b、对待测人脸特征进行扩充和规范化处理；

S4c、根据欧氏距离公式，利用GPU服务器并行化批量求出海量人脸信息比对操作结果。

3.根据权利要求2所述的一种1比N人脸比对方法，其特征在于：所述步骤S4a中“进行规范化处理”具体为，利用Numpy进行规范化处理，即F(N)＝np.array(F(N))。

4.根据权利要求3所述的一种1比N人脸比对方法，其特征在于：所述步骤S4b“对待测人脸特征进行扩充和规范化处理”的具体操作为：F(N)＝np.array(f*N)。

5.根据权利要求2所述的一种1比N人脸比对方法，其特征在于：所述步骤S4c中“根据欧氏距离公式，利用GPU服务器并行化批量求出海量人脸信息比对操作结果”的具体公式描述为：reuslt＝map(sum,(F(N)-f(N))²)；其中，(F(N)-f(N))²代表矩阵F(N)与f(N)对应元素相减然后做平方，所得结果是N*512的矩阵，特征值个数为512维；reuslt＝map(sum，A)是矩阵A在行方向上求和。

6.根据权利要求2所述的一种1比N人脸比对方法，其特征在于：所述步骤S5中“根据阈值找出最合适的人脸特征信息，得到人员编码i”的具体方法包括以下步骤：

S5a、根据设定阈值threshold，初始化目标人脸所在行号i＝-1，遍历步骤S4c所得结果；

S5b、遍历所在行为j行，当reuslt[j]>＝threshold则i＝j且threshold＝reuslt[j]，依次继续循环余下行，直至所有行都已经遍历完成，转向步骤S5c；

S5c、若i＝＝-1，则没有搜索到合适的人脸特征信息；否则，从人脸库中匹配到了最佳人脸信息，其相似值为reuslt[j]，其人员编码为i。

Images