WO2015197029A1 - 一种人脸相似度识别方法和系统 - Google Patents

一种人脸相似度识别方法和系统 Download PDF

Info

Publication number
WO2015197029A1
WO2015197029A1 PCT/CN2015/082550 CN2015082550W WO2015197029A1 WO 2015197029 A1 WO2015197029 A1 WO 2015197029A1 CN 2015082550 W CN2015082550 W CN 2015082550W WO 2015197029 A1 WO2015197029 A1 WO 2015197029A1
Authority
WO
WIPO (PCT)
Prior art keywords
face image
feature vector
target
face
layer
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.)
Ceased
Application number
PCT/CN2015/082550
Other languages
English (en)
French (fr)
Inventor
朱茂清
唐雨
薛红霞
胡金辉
李璋
韩玉刚
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.)
Beijing Qihoo Technology Co Ltd
Qizhi Software Beijing Co Ltd
Original Assignee
Beijing Qihoo Technology Co Ltd
Qizhi Software Beijing 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
Priority claimed from CN201410302816.XA external-priority patent/CN104036259B/zh
Priority claimed from CN201410306005.7A external-priority patent/CN104036261B/zh
Application filed by Beijing Qihoo Technology Co Ltd, Qizhi Software Beijing Co Ltd filed Critical Beijing Qihoo Technology Co Ltd
Priority to US15/322,350 priority Critical patent/US20170132457A1/en
Publication of WO2015197029A1 publication Critical patent/WO2015197029A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Definitions

  • the present invention relates to the field of computer technologies, and in particular, to a method and system for recognizing a face similarity.
  • the face similarity calculation in the prior art is to obtain a histogram of a single channel image by cutting and converting different face images into a single channel image, and by comparing differences between histograms of different face images, To calculate the similarity between different faces.
  • the drawback of the above solution is that after the appearance, appearance, face angle, etc. of the same person face changes, the histogram between the different pictures of the same face may be very different, and the face is similar based on the histogram. The calculation of the degree may result in a less similarity between different pictures of the same face, and the calculation result is quite inaccurate.
  • the present invention has been made in order to provide a face similarity recognition method and system that overcomes the above problems or at least partially solves the above problems.
  • a method for recognizing a face similarity includes: generating a feature vector of the target face image according to a feature of the target face image; and according to the feature of the collected face image Generating a feature vector of the collected face image; and selecting, from the collected face image, at least one face image having the smallest distance between the feature vector and the feature vector of the target face image as A similar face picture of the target face picture.
  • the at least one picture with the smallest distance between the feature vector and the feature vector of the target face picture is selected from the collected face pictures as a similar face of the target face picture
  • the steps of the picture include:
  • a vector center point having a smallest distance from a feature vector of the target face picture corresponds to a face picture in the classification as a similar face picture of the target face picture.
  • the method further includes:
  • converting the distance between the feature vector of the similar face image and the feature vector of the target face image into a similarity between the similar face image and the target face image includes:
  • Dx is a distance between a feature vector of the target face image and a feature vector between the similar face images
  • Di is a feature vector of the preset first face image and the target face image.
  • a distance between the feature vectors Di+1 is a distance between a feature vector of the preset second face image and a feature vector of the target face image, where Si is the preset first face image and the a similarity score of the target face image, S(i+1) is a similarity score of the preset second face image and the target face image;
  • the method further includes:
  • the plurality of similar face pictures are sorted according to the similarity with the target face picture.
  • the at least one picture with the smallest distance between the feature vector and the feature vector of the target face picture is selected from the collected face pictures as a similar face of the target face picture
  • the steps of the picture include:
  • Identifying a layer 1 classification to which the target face image belongs and continuing to identify, in an iterative manner, the j+1 layer classification to which the target face image belongs in the j-th layer classification to which the target facial image belongs, j Perform integer values sequentially from 1 to back;
  • the target is identified from the j-th layer classification to which the target face picture belongs A similar face image of a face picture.
  • the step of clustering the collected face images to obtain multiple first layer classifications includes:
  • the step of clustering the collected face images to obtain a plurality of layer 1 classifications further includes:
  • the initial center point is reset, and the collected face image is re-divided into a plurality of layer 1 classifications, and each of the first layer classifications is recalculated.
  • Vector center point If the size of the variance exceeds a preset threshold, the initial center point is reset, and the collected face image is re-divided into a plurality of layer 1 classifications, and each of the first layer classifications is recalculated. Vector center point.
  • the step of identifying the layer 1 classification to which the target face image belongs includes:
  • the step of identifying a similar face image of the target face image includes:
  • a face similarity recognition system including: a first feature vector generating module, configured to generate a feature of the target face image according to a feature of the target face image a second feature vector generating module, configured to generate a feature vector of the collected face image according to a feature of the collected face image; a first similar face image recognition module, configured to collect from the collected In the face image, at least one face image having the smallest distance between the feature vector and the feature vector of the target face image is selected as the similar face image of the target face image.
  • system further includes:
  • a first classification module configured to aggregate the collected face images into multiple categories
  • a vector center point calculation module configured to calculate a vector center point of the face image in each of the categories according to the feature vector of the face image in each of the categories;
  • the first similar face image recognition module is configured to use a face image in a class corresponding to a vector center point having a minimum distance between feature vectors of the target face image as a similar face of the target face image image.
  • system further includes:
  • a similarity score calculation module configured to convert a distance between a feature vector of the similar face image and a feature vector of the target face image into between the similar face image and the target face image Similarity score.
  • Dmin is a preset minimum distance
  • S is a similarity score of the similar face image and the target face image
  • Smax is a preset maximum similarity score
  • the maximum distance, S is a similarity score of the similar face picture and the target face picture, and Smin is a preset minimum similarity score.
  • system further includes:
  • a sorting module configured to sort a plurality of the similar face images according to the similarity with the target face image when the similar face images are multiple sheets.
  • system further includes:
  • a second classification module configured to cluster the collected face images to obtain a plurality of first layer classifications, and continue to cluster the face images in the at least one i-th layer classification by using an iterative manner to obtain a plurality of i-th segments +1 layer classification, i takes the integer value from 1 to the following;
  • a classification iteration identification module configured to identify a layer 1 classification to which the target face image belongs, and continue to identify, in an iterative manner, the number of the target face image to which the target face image belongs j+1 layer classification, j takes an integer value from 1 backward;
  • a second similar face image recognition module configured to: when the j+1 layer classification does not exist in the j-th layer classification to which the target facial image belongs, from the j-th layer classification to which the target facial image belongs A similar face picture of the target face picture is identified.
  • the second classification module sets a plurality of initial center points, and according to the distance between the feature vector of the collected face image and each of the initial center points, the collected face is The picture is divided into a plurality of first layer classifications, and the vector center point of each of the first layer classifications is calculated according to the feature vectors of the face pictures of each of the first layer classifications.
  • system further includes:
  • a variance calculation module that calculates a variance between an initial center point and a vector center point of each of the first layer classifications
  • the classification module If the size of the variance exceeds a preset threshold, the classification module resets the initial center point, and re-divides the collected face image into multiple layer 1 classifications, and recalculates each of the The vector center point of the 1 layer classification.
  • the second classification module selects a first layer classification with the smallest distance between the vector center point and the feature vector of the target facial image as the first layer classification to which the target facial image belongs.
  • the second similar face image recognition module selects at least one face with the smallest distance between the feature vector and the feature vector of the target face image from the face image classified by the jth layer a picture, the similar face picture of the target face picture.
  • a computer program comprising computer readable code that, when executed on a computing device, causes the computing device to perform the method of the present invention.
  • a computer readable medium storing the computer program of the present invention is provided.
  • the features of different face images are processed as feature vectors and the vector distance between the feature vectors is calculated, and similar face images are identified according to the size of the vector distance; appearing on different pictures of the same face
  • the facial features on different pictures can remain unchanged or change little, and the distance between the feature vectors of different pictures is also small, that is, different people
  • the similarity between the face images is large, which is advantageous for recognizing different pictures of the same face with different expressions, makeup, face angle and the like.
  • FIG. 1 shows a flow chart of a method for recognizing a face similarity according to an embodiment of the present invention
  • FIG. 2 shows a flow chart of a method for recognizing a face similarity according to an embodiment of the present invention
  • FIG. 3 is a flow chart showing a method for recognizing a face similarity according to an embodiment of the present invention
  • FIG. 4 is a schematic diagram showing the operation of a face recognition method according to an embodiment of the present invention.
  • FIG. 5 is a flow chart showing a method for recognizing a face similarity according to an embodiment of the present invention
  • FIG. 6 shows a flow chart of a method for recognizing a face similarity according to an embodiment of the present invention
  • FIG. 7 is a flow chart showing a method for recognizing a face similarity according to an embodiment of the present invention.
  • Figure 8 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 9 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 10 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 11 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 12 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 13 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 14 shows a block diagram of a face similarity recognition system in accordance with one embodiment of the present invention.
  • Figure 15 is a schematic block diagram showing a computing device for performing a method in accordance with the present invention.
  • Fig. 16 schematically shows a storage unit for holding or carrying program code implementing the method according to the invention.
  • FIG. 1 shows a process flow diagram of a face similarity recognition method according to an embodiment of the present invention.
  • the face similarity recognition method includes at least steps 110 to 130.
  • Step 110 Generate a feature vector of the target face image according to the feature of the target face image.
  • the features of the target face image can be extracted in real time.
  • the feature vector can be a multi-dimensional vector, such as a 400-dimensional vector.
  • Features of this embodiment include, but are not limited to, facial organ shape, location, and the like.
  • Step 120 Generate feature vectors of the collected face images according to the features of the collected face images.
  • the features of the collected face pictures can be extracted and stored in advance.
  • the feature vector can be a multi-dimensional vector, such as a 400-dimensional vector.
  • Features of this embodiment include, but are not limited to, facial organ shape, location, and the like.
  • Step 130 Select, from the collected face image, at least one face image with the smallest distance between the feature vector and the feature vector of the target face image as the similar face image of the target face image.
  • the target face picture and a collected face picture are different pictures of the same face, the features of the two are necessarily the same or the difference is small, then the feature vectors of the two are The distance is also inevitably small, so the technical solution of the embodiment is advantageous for recognizing different pictures of the same face.
  • another embodiment of the present invention provides a method for recognizing a face similarity, and a method for recognizing a similarity of a face according to the embodiment, wherein the step 130 includes:
  • the collected face images are aggregated into multiple categories.
  • the collected face images are divided into three categories C1, C2, and C3.
  • the existing clustering methods are many, and can be adopted in the technical solution of the embodiment.
  • Step 132 Calculate a vector center point of the face image in each category according to the feature vector of the face picture in each category.
  • the vector center points of the three categories are R1, R2, and R3, respectively.
  • Step 133 The face image in the classification corresponding to the vector center point with the smallest distance between the feature vectors of the target face image is used as the similar face image of the target face image. For example, suppose the vector distance values of the target face image Q and R1, R2, and R3 are 1.4, 1.25, and 0.2, respectively, and wherein the distance between Q and R3 is the smallest, the face image pairs in the C3 category corresponding to R3 are similar. Face picture.
  • the central vector points of the plurality of classifications are obtained by clustering, and the central vector points are compared with the feature vectors of the target facial images, thereby avoiding the feature vectors of all the collected face images. Comparing the feature vectors of the target face images one by one reduces the amount of calculation and improves the efficiency of picture recognition.
  • Another embodiment of the present invention provides a method for recognizing a similarity of a face, and a method for recognizing a similarity of a face according to the embodiment, which further includes:
  • the distance between the feature vector of the similar face image and the feature vector of the target face image is converted into a similarity score between the similar face image and the target face image.
  • a similarity score between the similar face image and the target face image.
  • the minimum vector distance between the face image and the target face image in the C3 classification is 0.01, 0.2, and 1.2
  • the three distance values are converted into 100, 91 according to a predetermined formula.
  • the similarity score of 85, the level of similarity score can reflect the similarity between the target face image and the similar face image.
  • Another embodiment of the present invention provides a face similarity recognition method, which is similar to the above embodiment, and the face similarity recognition method of the present embodiment, wherein the feature vector of the similar face image and the target face image are The distance between the feature vectors and the steps of converting the similarity score between the similar face image and the target face image include:
  • Dx ⁇ Dmin
  • Dmin is the preset minimum distance
  • S is the similar face image and The phase of the target face image
  • Smax is the preset maximum similarity score.
  • a technical solution for converting a vector distance into a similarity score is provided, and the similarity score decreases as the vector distance decreases, and the target person face image and the similar person can be reasonably reflected.
  • the degree of similarity of the face image is provided.
  • Another embodiment of the present invention provides a method for recognizing a similarity of a face, and a method for recognizing a similarity of a face according to the embodiment, which further includes:
  • multiple similar face images are sorted according to the similarity with the target face image.
  • the face image with the highest similarity is usually the picture desired by the user, it is advantageous to quickly provide the picture requested by the user to the user by sorting a plurality of similar face pictures.
  • another embodiment of the present invention provides a method for recognizing a similarity of a face, and a method for recognizing a similarity of a face according to the embodiment, wherein the step 130 includes:
  • Step 134 Cluster the collected face images to obtain a plurality of first layer classifications, and continue to cluster the face images in the at least one i-th layer classification by using an iterative manner to obtain multiple i+1 layer classifications.
  • i takes an integer value from 1 to the back.
  • the formed multi-layer classification structure is as shown in FIG. 4, for example, wherein the C1 classification includes a plurality of classifications such as C11...C1m, and the C11 classification further includes classifications such as CN1 and CN2.
  • Step 135 Identify the first layer classification to which the target face image belongs, and continue to identify the j+1 layer classification to which the target face image belongs in the j-th layer classification to which the target facial image belongs by iteratively, j 1
  • the integer value is sequentially followed.
  • Step 136 In an iterative manner until the j+1th layer classification does not exist in the j-th layer classification to which the target face image belongs, the similarity of the target face image is identified from the j-th layer classification to which the target face image belongs. Face picture.
  • the collected face images are clustered into a multi-layer structure by iteratively, and the target faces are searched layer by layer through an iterative manner.
  • the classification of the picture belongs to the final finding of the similar face picture of the target face picture; compared with the prior art solution, the calculation amount in the technical solution of the invention is very small, and the face recognition efficiency is greatly improved.
  • another embodiment of the present invention provides a method for recognizing a facial similarity, wherein the step 134 includes:
  • Step 1341 Generate feature vectors of the collected face images according to the features of the collected face images. This embodiment is based on the extraction of the collected facial image features, and the features of the collected facial images can be extracted and stored in the feature database in advance.
  • Step 1342 setting a plurality of initial center points, and dividing the collected face image into a plurality of first layer classifications according to the distance between the feature vector of the collected face image and each initial center point, and according to each The feature vector of the face image of the first layer classification, and the vector center point of each layer 1 classification is calculated.
  • the distance between the collected face image feature vector and the initial center point it is allocated to the nearest neighbor, and then the vector center point is calculated; Multi-layer clustering structure.
  • Another embodiment of the present invention provides a method for recognizing a face similarity, wherein the step 134 further includes:
  • the workflow of the face recognition method in this embodiment may be as shown in FIG. 6.
  • the step of calculating the specified number of layers refers to clustering the collected face images into clusters of a specified number of layers. structure.
  • step 135 includes:
  • Step 1351 Generate a feature vector of the target face image according to the feature of the target face image.
  • Step 1352 Select a first layer classification with the smallest distance between the vector center point and the feature vector of the target face picture as the first layer classification to which the target face picture belongs.
  • the feature vector of the target face image is compared with the vector center points of the plurality of lower layer classifications in the upper layer classification, so that the minimum of the target face image can be quickly found. classification.
  • Another embodiment of the present invention provides a method for recognizing a face similarity, wherein the step 136 includes:
  • At least one face image having the smallest distance between the feature vector and the feature vector of the target face image is selected as the similar face image of the target face image.
  • the layer is divided into 2 layers, the first layer has 100 clusters, and the second layer has 200 clusters, then the second layer has an average of 500 data in each cluster, and the number of comparisons About 100+m ⁇ 200+n ⁇ 500 times,
  • n means that the first layer selects m neighboring center points
  • n means that the second layer selects n neighboring center points
  • 3 and 10 are common values.
  • FIG. 8 another embodiment of the present invention provides a face similarity recognition system, including:
  • the first feature vector generating module 310 is configured to generate a feature vector of the target face image according to the feature of the target face image.
  • the features of the target face image can be extracted in real time.
  • the feature vector can be a multi-dimensional vector, such as a 400-dimensional vector.
  • Features of this embodiment include, but are not limited to, facial organ shape, location, and the like.
  • the second feature vector generating module 320 is configured to generate a feature vector of the collected face image according to the collected feature of the face image.
  • the features of the collected face pictures can be extracted and stored in advance.
  • the feature vector can be a multi-dimensional vector, such as a 400-dimensional vector.
  • Features of this embodiment include, but are not limited to, facial organ shape, location, and the like.
  • the first similar face image recognition module 330 is configured to select, from the collected face image, at least one face image with the smallest distance between the feature vector and the feature vector of the target face image as the similarity of the target face image. Face picture.
  • the features of the two are necessarily the same or the difference is small, then the feature vectors of the two are The distance is also inevitably small, so the technical solution of the embodiment is advantageous for recognizing different pictures of the same face.
  • another embodiment of the present invention provides a face similarity recognition system, which is compared with the above embodiment, and the face similarity recognition system of the embodiment further includes:
  • the first classification module 340 is configured to aggregate the collected face pictures into multiple categories. For example, the collected face images are divided into three categories C1, C2, and C3.
  • the existing clustering methods are many, and can be adopted in the technical solution of the embodiment.
  • the vector center point calculation module 350 is configured to calculate a vector center point of the face image in each category according to the feature vector of the face picture in each category.
  • the vector center points of the three categories are R1, R2, and R3, respectively.
  • a first similar face image recognition module 330 configured to minimize a distance from a feature vector of the target face image
  • the vector center point corresponds to the face picture in the classification as a similar face picture of the target face picture. For example, suppose the vector distance values of the target face image Q and R1, R2, and R3 are 1.4, 1.25, and 0.2, respectively, and wherein the distance between Q and R3 is the smallest, the face image pairs in the C3 category corresponding to R3 are similar. Face picture.
  • the central vector points of the plurality of classifications are obtained by clustering, and the central vector points are compared with the feature vectors of the target facial images, thereby avoiding the feature vectors of all the collected face images. Comparing the feature vectors of the target face images one by one reduces the amount of calculation and improves the efficiency of picture recognition.
  • another embodiment of the present invention provides a face similarity recognition system, which is compared with the above embodiment, and the face similarity recognition system of the embodiment further includes:
  • the similarity score calculation module 360 is configured to convert the distance between the feature vector of the similar face image and the feature vector of the target face image into a similarity score between the similar face image and the target face image. For example, in combination with the foregoing embodiment, if the minimum vector distance between the face image and the target face image in the C3 classification is 0.01, 0.2, and 1.2, the three distance values are converted into 100, 91 according to a predetermined formula.
  • the similarity score of 85, the level of similarity score can reflect the similarity between the target face image and the similar face image.
  • the distance between the feature vectors, Di+1 is the distance between the feature vector of the preset second face image and the feature vector of the target face image, and Si is the similarity between the preset first face image and the target face image.
  • the degree score, S(i+1) is a similarity score of the preset second face image and the target face image.
  • a technical solution for converting a vector distance into a similarity score is provided, and the similarity score decreases as the vector distance decreases, and the target person face image and the similar person can be reasonably reflected.
  • the degree of similarity of the face image is provided.
  • another embodiment of the present invention provides a face similarity recognition system, which is compared with the above embodiment, and the face similarity recognition system of the embodiment further includes:
  • the sorting module 370 is configured to: when the similar face image is multiple, according to the similarity with the target face image, Sort multiple similar face images.
  • the face image with the highest similarity is usually the picture desired by the user, it is advantageous to quickly provide the picture requested by the user to the user by sorting a plurality of similar face pictures.
  • another embodiment of the present invention provides a face similarity recognition system, which is compared with the above embodiment, and the face similarity recognition system of the embodiment further includes:
  • the second classification module 380 is configured to cluster the collected face images to obtain a plurality of first layer classifications, and continue to cluster the face images in the at least one i-th layer classification by using an iterative manner to obtain multiple For the i+1 layer classification, i takes the integer value from 1 to the end.
  • the formed multi-layer classification structure is as shown in FIG. 2, for example, wherein the C1 classification includes a plurality of classifications such as C11...C1m, and the C11 classification further includes classifications such as CN1 and CN2.
  • the classification iteration identification module 390 is configured to identify the first layer classification to which the target facial image belongs, and continue to identify the j+1 of the target facial image in the j-th layer classification to which the target facial image belongs by iteratively.
  • Layer classification, j takes an integer value from 1 to the back.
  • the second similar face image recognition module 3100 is configured to: when the j+1 layer classification does not exist in the j-th layer classification to which the target face image belongs, identify the target from the j-th layer classification to which the target facial image belongs A similar face image of a face picture.
  • the collected face images are clustered into a multi-layer structure by iteratively, and the target faces are searched layer by layer through an iterative manner.
  • the classification of the picture belongs to the final finding of the similar face picture of the target face picture; compared with the prior art solution, the calculation amount in the technical solution of the invention is very small, and the face recognition efficiency is greatly improved.
  • another embodiment of the present invention provides a face similarity recognition system, which further includes:
  • the third feature vector generating module 3110 is configured to generate a feature vector of the collected face image according to the collected feature of the face image. This embodiment is based on the extraction of the collected facial image features, and the features of the collected facial images can be extracted and stored in the feature database in advance.
  • the second classification module 380 sets a plurality of initial center points, and divides the collected face images into a plurality of first layer classifications according to the distance between the feature vectors of the collected face images and each initial center point, and The vector center point of each layer 1 classification is calculated based on the feature vector of the face image of each layer 1 classification.
  • the distance between the collected face image feature vector and the initial center point it is allocated to the nearest neighbor, and then the vector center point is calculated; Multi-layer clustering structure.
  • Another embodiment of the present invention provides a face similarity recognition system, which further includes:
  • the variance calculation module 3120 calculates the variance between the initial center point and the vector center point of each layer 1 classification. This embodiment is based on the extraction of the target face image feature, and the feature of the target face image can be extracted in real time.
  • the second classification module 380 If the magnitude of the variance exceeds a preset threshold, the second classification module 380 resets the initial center point, and re-divides the collected face image into multiple layer 1 classifications, and recalculates the vector of each layer 1 classification. Center point.
  • the workflow of the face recognition method in this embodiment may be as shown in FIG. 6.
  • the step of calculating the specified number of layers refers to clustering the collected face images into clusters of a specified number of layers. structure.
  • another embodiment of the present invention provides a face similarity recognition system, which further includes:
  • the fourth feature vector generating module 3130 is configured to generate a feature vector of the target face image according to the feature of the target face image.
  • the second classification module 380 selects the first layer classification with the smallest distance between the vector center point and the feature vector of the target face picture as the first layer classification to which the target face picture belongs.
  • the feature vector of the target face image is compared with the vector center points of the plurality of lower layer classifications in the upper layer classification, so that the minimum of the target face image can be quickly found. classification.
  • Another embodiment of the present invention provides a face similarity recognition system, wherein the second similar face image recognition module 3100 selects feature of the feature vector and the target face image from the face image classified by the jth layer. At least one face image with the smallest distance between the vectors, which is a similar face image of the target face image.
  • the layer is divided into 2 layers, the first layer has 100 clusters, and the second layer has 200 clusters, then the second layer has an average of 500 data in each cluster, and the number of comparisons About 100+m ⁇ 200+n ⁇ 500 times,
  • n means that the first layer selects m neighboring center points
  • n means that the second layer selects n neighboring center points
  • 3 and 10 are common values.
  • modules in the devices of the embodiments can be adaptively changed and placed in one or more devices different from the embodiment.
  • the modules or units or components of the embodiments may be combined into one module or unit or component, and further they may be divided into a plurality of sub-modules or sub-units or sub-components.
  • any combination of the features disclosed in the specification, including the accompanying claims, the abstract and the drawings, and any methods so disclosed, or All processes or units of the device are combined.
  • Each feature disclosed in this specification (including the accompanying claims, the abstract and the drawings) may be replaced by alternative features that provide the same, equivalent or similar purpose.
  • the various component embodiments of the present invention may be implemented in hardware, or in a software module running on one or more processors, or in a combination thereof.
  • a microprocessor or digital signal processor DSP
  • the invention can also be implemented as a device or device program (e.g., a computer program and a computer program product) for performing some or all of the methods described herein.
  • a program implementing the invention may be stored on a computer readable medium or may be in the form of one or more signals.
  • signals may be downloaded from an Internet website, provided on a carrier signal, or provided in any other form.
  • Figure 15 illustrates a computing device in which the method in accordance with the present invention can be implemented.
  • the computing device conventionally includes a processor 1510 and a computer program product or computer readable medium in the form of a memory 1520.
  • the memory 1520 may be an electronic memory such as a flash memory, an EEPROM (Electrically Erasable Programmable Read Only Memory), an EPROM, a hard disk, or a ROM.
  • Memory 1520 has a storage space 1530 for program code 1531 for performing any of the method steps described above.
  • storage space 1530 for program code may include various program code 1531 for implementing various steps in the above methods, respectively.
  • the program code can be read from or written to one or more computer program products.
  • a program code carrier such as a hard disk, a compact disk (CD), a memory card, or a floppy disk.
  • a computer program product is typically a portable or fixed storage unit as described with reference to FIG.
  • the storage unit may have a storage segment, a storage space, and the like that are similarly arranged to the storage 1520 in the computing device of FIG.
  • the program code can be compressed, for example, in an appropriate form.
  • the storage unit includes computer readable code 1531', ie, code that can be read by, for example, a processor such as 1510, which when executed by the computing device causes the computing device to perform each of the methods described above step.

Landscapes

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

Abstract

本发明提供了一种人脸相似度识别方法和系统，涉及计算机技术领域，用于解决准确识别出相似人脸图片。人脸相似度识别方法包括：根据目标人脸图片的特征，生成目标人脸图片的特征向量；根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量；从已收集的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为目标人脸图片的相似人脸图片。通过本发明，有利于识别出表情、化妆、脸角度等方面存在区别的同一人脸的不同图片。

Description

一种人脸相似度识别方法和系统 技术领域
本发明涉及计算机技术领域，具体而言，涉及一种人脸相似度识别方法和系统。
背景技术
现有技术中的人脸相似度计算，是通过将不同的人脸图片裁剪并转化为单通道图像，获取单通道图像的直方图，以及通过比较不同人脸图片的直方图之间的差异，来计算不同人脸之间的相似度。
上述方案的缺陷在于：同一人脸上出现表情、化妆、脸角度等方面发生变化之后，会造成同一人脸的不同图片之间的直方图出现非常大的差异，则基于直方图进行人脸相似度的计算，可能得到同一人脸的不同图片之间的相似度较小的结果，可见计算结果相当不准确。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的人脸相似度识别方法和系统。
依据本发明实施例的一个方面，提供了一种人脸相似度识别方法，包括：根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。
可选地，所述从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张图片作为所述目标人脸图片的相似人脸图片的步骤包括：
将所述已收集的人脸图片聚合为多个分类；
根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；
将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。
可选地，所述方法还包括：
将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。
可选地，所述将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分的步骤包括：
在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或
在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或
在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。
可选地，所述方法还包括：
在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。
可选地，所述从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张图片作为所述目标人脸图片的相似人脸图片的步骤包括：
将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后进行整数取值；
识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后依序进行整数取值；
通过所述迭代方式直至在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。
可选地，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤包括：
设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。
可选地，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤还包括：
计算所述每个第1层分类的初始中心点与向量中心点之间的方差；
如所述方差的大小超过预设阈值，则重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。
可选地，所述识别出目标人脸图片所属的第1层分类的步骤包括：
选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为 所述目标人脸图片所属的第1层分类。
可选地，所述识别出所述目标人脸图片的相似人脸图片的步骤包括：
从所述第j层分类的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片，作为所述目标人脸图片的所述相似人脸图片。
依据本发明实施例的另一个方面，还提供了一种人脸相似度识别系统，包括：第一特征向量生成模块，用于根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；第二特征向量生成模块，用于根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；第一相似人脸图片识别模块，用于从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。
可选地，所述系统还包括：
第一分类模块，用于将所述已收集的人脸图片聚合为多个分类；
向量中心点计算模块，用于根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；
所述第一相似人脸图片识别模块用于将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。
可选地，所述系统还包括：
相似度得分计算模块，用于将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。
可选地，所述相似度得分计算模块在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或
所述相似度得分计算模块在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或
所述相似度得分计算模块在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。
可选地，所述系统还包括：
排序模块，用于在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。
可选地，所述系统还包括：
第二分类模块，用于将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后依序进行整数取值；
分类迭代识别模块，用于识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后进行整数取值；
第二相似人脸图片识别模块，用于在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。
可选地，所述第二分类模块设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。
可选地，所述系统还包括：
方差计算模块，计算所述每个第1层分类的初始中心点与向量中心点之间的方差；
如所述方差的大小超过预设阈值，则所述分类模块重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。
可选地，所述第二分类模块选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。
可选地，所述第二相似人脸图片识别模块从所述第j层分类的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片，作为所述目标人脸图片的所述相似人脸图片。
根据本发明的又一个方面，提供了一种计算机程序，其包括计算机可读代码，当所述计算机可读代码在计算设备上运行时，导致所述计算设备执行本发明所述的方法。
根据本发明的再一个方面，提供了一种计算机可读介质，其中存储了本发明所述的计算机程序。
本发明的有益效果为：
本发明实施例中，将不同人脸图片的特征处理为特征向量并计算特征向量之间的向量距离，以及根据向量距离的大小来识别相似的人脸图片；在同一人脸的不同图片上出现了表情、化妆、脸角度等方面上的变化时，不同图片上的人脸特征却可以保持不变或变化较小，进而不同图片的特征向量之间的距离也必然较小，即说明不同人脸图片之间的相似度较大，这有利于识别出表情、化妆、脸角度等方面存在区别的同一人脸的不同图片。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而 可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的人脸相似度识别方法的流程图；
图2示出了根据本发明一个实施例的人脸相似度识别方法的流程图；
图3示出了根据本发明一个实施例的人脸相似度识别方法的流程图；
图4示出了根据本发明一个实施例的人脸识别方法的工作示意图；
图5示出了根据本发明一个实施例的人脸相似度识别方法的流程图；
图6示出了根据本发明一个实施例的人脸相似度识别方法的流程图；
图7示出了根据本发明一个实施例的人脸相似度识别方法的流程图；
图8示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图9示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图10示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图11示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图12示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图13示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图14示出了根据本发明的一个实施例的人脸相似度识别系统的框图；
图15示意性地示出了用于执行根据本发明方法的计算设备的框图；以及
图16示意性地示出了用于保持或者携带实现根据本发明方法的程序代码的存储单元。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种人脸相似度识别方法。图1示出了根据本发明一个实施例的人脸相似度识别方法的处理流程图。参见图1，该人脸相似度识别方法至少包括步骤110至步骤130。
步骤110，根据目标人脸图片的特征，生成目标人脸图片的特征向量。目标人脸图片的特征可以实时提取。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。
步骤120，根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量。已收集的人脸图片的特征可以预先提取并存储。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。
步骤130，从已收集的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为目标人脸图片的相似人脸图片。在本实施例的技术方案中，如目标人脸图片和某一已收集人脸图片为同一人脸的不同图片，二者的特征必然相同或差距较小，则二者的特征向量之间的距离也必然较小，所以本实施例的技术方案有利于识别出同一人脸的不同图片。
如图2所示，本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，步骤130包括：
步骤131，将已收集的人脸图片聚合为多个分类。例如，将已收集的人脸图片分为C1、C2、C3三个分类。现有的聚类方式较多，都可以采用到本实施例的技术方案中。
步骤132，根据每个分类中的人脸图片的特征向量，计算每个分类中的人脸图片的向量中心点。例如，取三个分类的向量中心点分别为R1、R2、R3。
步骤133，将与目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为目标人脸图片的相似人脸图片。例如，假设目标人脸图片Q与R1、R2、R3的向量距离值分别为1.4、1.25、0.2，其中Q与R3之间距离的最小，则取R3对应的C3分类中的人脸图片对相似人脸图片。
在本实施例的技术方案中，通过聚类得到多个分类的中心向量点，并将中心向量点与目标人脸图片的特征向量进行比较，避免了将已收集的所有人脸图片的特征向量逐个与目标人脸图片的特征向量进行比较，降低了运算量，提高了图片识别的效率。
本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，还包括：
将相似人脸图片的特征向量与目标人脸图片的特征向量之间的距离，转换为相似人脸图片与目标人脸图片之间的相似度得分。例如，结合前述的实施例，设C3分类中的人脸图片与目标人脸图片中的最小向量距离依次为0.01、0.2、1.2，则将该三个距离值根据预定的公式转换为100、91、85的相似度得分，则相似度得分的高低可以反映出目标人脸图片与相似人脸图片之间的相似度高低。
本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，将相似人脸图片的特征向量与目标人脸图片的特征向量之间的距离，转换为相似人脸图片与目标人脸图片之间的相似度得分的步骤包括：
在Dx<＝Dmin时，取S＝Smax，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为相似人脸图片与目标人脸图片的相 似度得分，Smax为预设最大相似度得分。
在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Si为预设第一人脸图片与目标人脸图片的相似度得分，S(i+1)为预设第二人脸图片与目标人脸图片的相似度得分。
在Dx>Dmax时，取S＝Smin，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为相似人脸图片与目标人脸图片的相似度得分，Smin为预设最小相似度得分。
在本实施例的技术方案中，提供了一种将向量距离转换为相似度得分的技术方案，且相似度得分随向量距离的减小而降低，能够合理反映出目标人人脸图片与相似人脸图片的相似程度。
本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，还包括：
在相似人脸图片为多张时，根据与目标人脸图片的相似度高低，对多张相似人脸图片进行排序。
在本实施例的技术方案中，因为相似度最高的人脸图片通常为用户所需图片，通过对多张相似人脸图片进行排序，有利于将用户需求的图片快速提供给用户。
如图3所示，本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，步骤130包括：
步骤134，将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后进行整数取值。本实施例中，形成的多层分类结构如图4所示，例如，其中C1分类包括C11……C1m等多个分类，C11分类中又包括CN1、CN2等分类。
步骤135，识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在目标人脸图片所属的第j层分类中识别出目标人脸图片所属的第j+1层分类，j从1向后依序进行整数取值。
步骤136，通过迭代方式直至在目标人脸图片所属的第j层分类中不存在第j+1层分类时，从目标人脸图片所属的第j层分类中，识别出目标人脸图片的相似人脸图片。
本实施例的技术方案中，通过对聚类上一层聚类结果进行再次划分聚类通过迭代方式将已收集的人脸图片聚类为多层结构，以及通过迭代方式逐层寻找目标人脸图片的所属分类，直至最终找到目标人脸图片的相似人脸图片；相对于现有的技术方案，本发明的技术方案中的计算量非常小，大大提高了人脸识别效率。
如图5所示，本发明的另一个实施例提供了一种人脸相似度识别方法，其中，步骤134包括：
步骤1341，根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量。本实施例基于对已收集的人脸图片特征的提取，已收集人脸图片的特征可以预先提取并存储在特征库中。
步骤1342，设置多个初始中心点，并根据已收集的人脸图片的特征向量与每个初始中心点的距离远近，将已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算每个第1层分类的向量中心点。
则根据本实施例的技术方案，都按照已收集的人脸图片特征向量与初始中心点之间的距离，将其分配到最邻近的分类中，之后计算向量中心点；如此反复即可快速形成多层聚类结构。
本发明的另一个实施例提供了一种人脸相似度识别方法，其中，步骤134还包括：
1343，计算每个第1层分类的初始中心点与向量中心点之间的方差。本实施例基于对目标人脸图片特征的提取，目标人脸图片的特征可以实时提取。
1344，如方差的大小超过预设阈值，则重新设置初始中心点，并重新将已收集的人脸图片分为多个第1层分类，并重新计算每个第1层分类的向量中心点。
在本实施例的技术方案中，如果方差<0.000001(示例，可以取其他值)，则表示分类中都是特征相近的人脸图片，否则表示分类中具有特征差距明显不适合置于同一分类的人脸图片，所以需要重新分类。此时，本实施例的人脸识别方法的工作流程可以如图6所示，图中，计算到指定层数的步骤是指，将已收集的人脸图片聚类为指定层数的聚类结构。
如图7所示，本发明的另一个实施例提供了一种人脸相似度识别方法，其中，步骤135包括：
步骤1351，根据目标人脸图片的特征，生成目标人脸图片的特征向量。
步骤1352，选择向量中心点与目标人脸图片的特征向量之间距离最小的第1层分类，作为目标人脸图片所属的第1层分类。
则根据本实施例的技术方案，在各层结构中，都将目标人脸图片的特征向量与所属上层分类中多个下层分类的向量中心点进行比较，可以快速找到目标人脸图片所属的最小分类。
本发明的另一个实施例提供了一种人脸相似度识别方法，其中，步骤136包括：
从第j层分类的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片，作为目标人脸图片的相似人脸图片。
结合以上实施例，假定已收集人脸图片为1000万，需要在其中检索目标人脸图片的 相似人脸图片时：
1、若使用直接比较方式，需要将目标人脸图片的特征向量与已收集人脸图片的特征向量比较1000万次。
2、若使用传统聚类方式，将1000万数据划分为10000个聚类，则需要将目标人脸图片与聚类的向量中心点比较10000次，每个聚类平均中有1000条数据，则每个分类内部需要比较1000次，总体比较10000+k×1000次，如k取10则比较次数为：10000+10*1000＝20000次。通过现有的近邻算法在聚类中寻找目标人脸图片的相似人脸图片时，k表示选取k个近邻中心点，10为常见取值。
3、使用本实施例的技术方案，若划分为2层，第一层100个聚类，第二层为200个聚类，则第二层平均每个聚类中有500条数据，比较次数约100+m×200+n×500次，
如取m＝3，n＝10，比较次数为：100+3×200+10×500＝11100次，和1、2比较，可以显著减少比较次数。同理，m表示第一层选取m个近邻中心点，n表示第二层选取n个近邻中心点，3、10为常见取值。
如图8所示，本发明的另一实施例提供了一种人脸相似度识别系统，其包括：
第一特征向量生成模块310，用于根据目标人脸图片的特征，生成目标人脸图片的特征向量。目标人脸图片的特征可以实时提取。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。
第二特征向量生成模块320，用于根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量。已收集的人脸图片的特征可以预先提取并存储。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。
第一相似人脸图片识别模块330，用于从已收集的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为目标人脸图片的相似人脸图片。在本实施例的技术方案中，如目标人脸图片和某一已收集人脸图片为同一人脸的不同图片，二者的特征必然相同或差距较小，则二者的特征向量之间的距离也必然较小，所以本实施例的技术方案有利于识别出同一人脸的不同图片。
如图9所示，本发明的另一实施例提出一种人脸相似度识别系统，与上述实施例相比，本实施例的人脸相似度识别系统，其中，还包括：
第一分类模块340，用于将已收集的人脸图片聚合为多个分类。例如，将已收集的人脸图片分为C1、C2、C3三个分类。现有的聚类方式较多，都可以采用到本实施例的技术方案中。
向量中心点计算模块350，用于根据每个分类中的人脸图片的特征向量，计算每个分类中的人脸图片的向量中心点。例如，取三个分类的向量中心点分别为R1、R2、R3。
第一相似人脸图片识别模块330，用于将与目标人脸图片的特征向量之间距离最小的 向量中心点对应分类中的人脸图片，作为目标人脸图片的相似人脸图片。例如，假设目标人脸图片Q与R1、R2、R3的向量距离值分别为1.4、1.25、0.2，其中Q与R3之间距离的最小，则取R3对应的C3分类中的人脸图片对相似人脸图片。
在本实施例的技术方案中，通过聚类得到多个分类的中心向量点，并将中心向量点与目标人脸图片的特征向量进行比较，避免了将已收集的所有人脸图片的特征向量逐个与目标人脸图片的特征向量进行比较，降低了运算量，提高了图片识别的效率。
如图10所示，本发明的另一实施例提出一种人脸相似度识别系统，与上述实施例相比，本实施例的人脸相似度识别系统，其中，还包括：
相似度得分计算模块360，用于将相似人脸图片的特征向量与目标人脸图片的特征向量之间的距离，转换为相似人脸图片与目标人脸图片之间的相似度得分。例如，结合前述的实施例，设C3分类中的人脸图片与目标人脸图片中的最小向量距离依次为0.01、0.2、1.2，则将该三个距离值根据预定的公式转换为100、91、85的相似度得分，则相似度得分的高低可以反映出目标人脸图片与相似人脸图片之间的相似度高低。
本发明的另一实施例提出一种人脸相似度识别系统，与上述实施例相比，本实施例的人脸相似度识别系统，其中，相似度得分计算模块360在Dx<＝Dmin时，取S＝Smax，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为相似人脸图片与目标人脸图片的相似度得分，Smax为预设最大相似度得分。
相似度得分计算模块360在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Si为预设第一人脸图片与目标人脸图片的相似度得分，S(i+1)为预设第二人脸图片与目标人脸图片的相似度得分。
相似度得分计算模块360在Dx>Dmax时，取S＝Smin，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为相似人脸图片与目标人脸图片的相似度得分，Smin为预设最小相似度得分。
在本实施例的技术方案中，提供了一种将向量距离转换为相似度得分的技术方案，且相似度得分随向量距离的减小而降低，能够合理反映出目标人人脸图片与相似人脸图片的相似程度。
如图11所示，本发明的另一实施例提出一种人脸相似度识别系统，与上述实施例相比，本实施例的人脸相似度识别系统，其中，还包括：
排序模块370，用于在相似人脸图片为多张时，根据与目标人脸图片的相似度高低， 对多张相似人脸图片进行排序。
在本实施例的技术方案中，因为相似度最高的人脸图片通常为用户所需图片，通过对多张相似人脸图片进行排序，有利于将用户需求的图片快速提供给用户。
如图12所示，本发明的另一实施例提出一种人脸相似度识别系统，与上述实施例相比，本实施例的人脸相似度识别系统，其中，还包括：
第二分类模块380，用于将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后依序进行整数取值。本实施例中，形成的多层分类结构如图2所示，例如，其中C1分类包括C11……C1m等多个分类，C11分类中又包括CN1、CN2等分类。
分类迭代识别模块390，用于识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在目标人脸图片所属的第j层分类中识别出目标人脸图片所属的第j+1层分类，j从1向后进行整数取值。
第二相似人脸图片识别模块3100，用于在目标人脸图片所属的第j层分类中不存在第j+1层分类时，从目标人脸图片所属的第j层分类中，识别出目标人脸图片的相似人脸图片。
本实施例的技术方案中，通过对聚类上一层聚类结果进行再次划分聚类通过迭代方式将已收集的人脸图片聚类为多层结构，以及通过迭代方式逐层寻找目标人脸图片的所属分类，直至最终找到目标人脸图片的相似人脸图片；相对于现有的技术方案，本发明的技术方案中的计算量非常小，大大提高了人脸识别效率。
如图13所示，本发明的另一个实施例提供了一种人脸相似度识别系统，其中，还包括：
第三特征向量生成模块3110，用于根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量。本实施例基于对已收集的人脸图片特征的提取，已收集人脸图片的特征可以预先提取并存储在特征库中。
第二分类模块380设置多个初始中心点，并根据已收集的人脸图片的特征向量与每个初始中心点的距离远近，将已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算每个第1层分类的向量中心点。
则根据本实施例的技术方案，都按照已收集的人脸图片特征向量与初始中心点之间的距离，将其分配到最邻近的分类中，之后计算向量中心点；如此反复即可快速形成多层聚类结构。
本发明的另一个实施例提供了一种人脸相似度识别系统，其中，还包括：
方差计算模块3120，计算每个第1层分类的初始中心点与向量中心点之间的方差。本实施例基于对目标人脸图片特征的提取，目标人脸图片的特征可以实时提取。
如方差的大小超过预设阈值，则第二分类模块380重新设置初始中心点，并重新将已收集的人脸图片分为多个第1层分类，并重新计算每个第1层分类的向量中心点。
在本实施例的技术方案中，如果方差<0.000001(示例，可以取其他值)，则表示分类中都是特征相近的人脸图片，否则表示分类中具有特征差距明显不适合置于同一分类的人脸图片，所以需要重新分类。此时，本实施例的人脸识别方法的工作流程可以如图6所示，图中，计算到指定层数的步骤是指，将已收集的人脸图片聚类为指定层数的聚类结构。
如图14所示，本发明的另一个实施例提供了一种人脸相似度识别系统，其中，还包括：
第四特征向量生成模块3130，用于根据目标人脸图片的特征，生成目标人脸图片的特征向量。
第二分类模块380选择向量中心点与目标人脸图片的特征向量之间距离最小的第1层分类，作为目标人脸图片所属的第1层分类。
则根据本实施例的技术方案，在各层结构中，都将目标人脸图片的特征向量与所属上层分类中多个下层分类的向量中心点进行比较，可以快速找到目标人脸图片所属的最小分类。
本发明的另一个实施例提供了一种人脸相似度识别系统，其中，第二相似人脸图片识别模块3100从第j层分类的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片，作为目标人脸图片的相似人脸图片。
结合以上实施例，假定已收集人脸图片为1000万，需要在其中检索目标人脸图片的相似人脸图片时：
1、若使用直接比较方式，需要将目标人脸图片的特征向量与已收集人脸图片的特征向量比较1000万次。
2、若使用传统聚类方式，将1000万数据划分为10000个聚类，则需要将目标人脸图片与聚类的向量中心点比较10000次，每个聚类平均中有1000条数据，则每个分类内部需要比较1000次，总体比较10000+k×1000次，如k取10则比较次数为：10000+10*1000＝20000次。通过现有的近邻算法在聚类中寻找目标人脸图片的相似人脸图片时，k表示选取k个近邻中心点，10为常见取值。
3、使用本实施例的技术方案，若划分为2层，第一层100个聚类，第二层为200个聚类，则第二层平均每个聚类中有500条数据，比较次数约100+m×200+n×500次，
如取m＝3，n＝10，比较次数为：100+3×200+10×500＝11100次，和1、2比较，可以显著减少比较次数。同理，m表示第一层选取m个近邻中心点，n表示第二层选取n个近邻中心点，3、10为常见取值。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施 例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的人脸相似度识别系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图15示出了可以实现根据本发明的方法的计算设备。该计算设备传统上包括处理器1510和以存储器1520形式的计算机程序产品或者计算机可读介质。存储器1520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器1520具有用于执行上述方法中的任何方法步骤的程序代码1531的存储空间1530。例如，用于程序代码的存储空间1530可以包括分别用于实现上面的方法中的各种步骤的各个程序代码1531。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包 括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为如参考图16所述的便携式或者固定存储单元。该存储单元可以具有与图15的计算设备中的存储器1520类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元包括计算机可读代码1531’，即可以由例如诸如1510之类的处理器读取的代码，这些代码当由计算设备运行时，导致该计算设备执行上面所描述的方法中的各个步骤。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本发明的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
此外，还应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书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。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (22)

  1. 一种人脸相似度识别方法，包括：
    根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；
    根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；
    从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。
  2. 根据权利要求1所述的方法，其中，所述从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张图片作为所述目标人脸图片的相似人脸图片的步骤包括：
    将所述已收集的人脸图片聚合为多个分类；
    根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；
    将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。
  3. 根据权利要求1-2任一项所述的方法，其中，还包括：
    将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。
  4. 根据权利要求3所述的方法，其中，所述将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分的步骤包括：
    在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或
    在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或
    在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。
  5. 根据权利要求1-4任一项所述的方法，其中，还包括：
    在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。
  6. 根据权利要求1所述的方法，其中，所述从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张图片作为所述目标人脸图片的相似人脸图片的步骤包括：
    将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后进行整数取值；
    识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后依序进行整数取值；
    通过所述迭代方式直至在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。
  7. 根据权利要求6所述的方法，其中，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤包括：
    设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。
  8. 根据权利要求6-7任一项所述的方法，其中，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤还包括：
    计算所述每个第1层分类的初始中心点与向量中心点之间的方差；
    如所述方差的大小超过预设阈值，则重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。
  9. 根据权利要求6-8任一项所述的方法，其中，所述识别出目标人脸图片所属的第1层分类的步骤包括：
    选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。
  10. 根据权利要求6-9任一项所述的方法，其中，所述识别出所述目标人脸图片的相似人脸图片的步骤包括：
    从所述第j层分类的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片，作为所述目标人脸图片的所述相似人脸图片。
  11. 一种人脸相似度识别系统，包括：
    第一特征向量生成模块，用于根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；
    第二特征向量生成模块，用于根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；
    第一相似人脸图片识别模块，用于从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片 的相似人脸图片。
  12. 根据权利要求11所述的系统，其中，还包括：
    第一分类模块，用于将所述已收集的人脸图片聚合为多个分类；
    向量中心点计算模块，用于根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；
    所述第一相似人脸图片识别模块用于将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。
  13. 根据权利要求11-12任一项所述的系统，其中，还包括：
    相似度得分计算模块，用于将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。
  14. 根据权利要求13所述的系统，其中，所述相似度得分计算模块在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或
    所述相似度得分计算模块在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或
    所述相似度得分计算模块在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。
  15. 根据权利要求11-14中任一项所述的系统，其中，还包括：
    排序模块，用于在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。
  16. 根据权利要求11所述的系统，其中，还包括：
    第二分类模块，用于将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后依序进行整数取值；
    分类迭代识别模块，用于识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后进行整数取值；
    第二相似人脸图片识别模块，用于在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的 相似人脸图片。
  17. 根据权利要求16所述的系统，其中，
    所述第二分类模块设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。
  18. 根据权利要求16-17任一项所述的系统，其中，还包括：
    方差计算模块，计算所述每个第1层分类的初始中心点与向量中心点之间的方差；
    如所述方差的大小超过预设阈值，则所述分类模块重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。
  19. 根据权利要求16-18任一项所述的系统，其中，所述第二分类模块选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。
  20. 根据权利要求16-19任一项所述的系统，其中，
    所述第二相似人脸图片识别模块从所述第j层分类的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片，作为所述目标人脸图片的所述相似人脸图片。
  21. 一种计算机程序，包括计算机可读代码，当所述计算机可读代码在计算设备上运行时，导致所述计算设备执行根据权利要求1-10中的任一个所述的方法。
  22. 一种计算机可读介质，其中存储了如权利要求21所述的计算机程序。
PCT/CN2015/082550 2014-06-27 2015-06-26 一种人脸相似度识别方法和系统 Ceased WO2015197029A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/322,350 US20170132457A1 (en) 2014-06-27 2015-06-26 Human face similarity recognition method and system

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN201410302816.XA CN104036259B (zh) 2014-06-27 2014-06-27 人脸相似度识别方法和系统
CN201410302816.X 2014-06-27
CN201410306005.7A CN104036261B (zh) 2014-06-30 2014-06-30 人脸识别方法和系统
CN201410306005.7 2014-06-30

Publications (1)

Publication Number Publication Date
WO2015197029A1 true WO2015197029A1 (zh) 2015-12-30

Family

ID=54936985

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/082550 Ceased WO2015197029A1 (zh) 2014-06-27 2015-06-26 一种人脸相似度识别方法和系统

Country Status (2)

Country Link
US (1) US20170132457A1 (zh)
WO (1) WO2015197029A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664920A (zh) * 2018-05-10 2018-10-16 深圳市深网视界科技有限公司 一种实时的大规模级联人脸聚类方法和装置
CN110807115A (zh) * 2019-11-04 2020-02-18 浙江大华技术股份有限公司 人脸检索方法、装置、及存储装置
CN112818149A (zh) * 2021-01-21 2021-05-18 浙江大华技术股份有限公司 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质
CN113243804A (zh) * 2021-06-03 2021-08-13 山东中新优境智能科技有限公司 自动取纸方法、装置、可读存储介质及计算机设备
CN115880745A (zh) * 2022-09-07 2023-03-31 以萨技术股份有限公司 一种获取人脸图像特征的数据处理系统

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9672445B2 (en) * 2015-08-03 2017-06-06 Yahoo! Inc. Computerized method and system for automated determination of high quality digital content
CN108734145B (zh) * 2018-02-27 2022-03-29 北京紫睛科技有限公司 一种基于密度自适应人脸表征模型的人脸识别方法
US20190303654A1 (en) * 2018-03-27 2019-10-03 Ca, Inc. System to strengthen uniqueness of selfie for expression-based authentication
CN110738227B (zh) * 2018-07-20 2021-10-12 马上消费金融股份有限公司 模型训练方法及装置、识别方法、存储介质及电子设备
CN109800744B (zh) 2019-03-18 2021-08-20 深圳市商汤科技有限公司 图像聚类方法及装置、电子设备和存储介质
CN110889433B (zh) * 2019-10-29 2024-05-28 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
CN111104541A (zh) * 2019-12-31 2020-05-05 厦门市美亚柏科信息股份有限公司 一种高效的人脸图片检索方法及装置
CN111680719A (zh) * 2020-05-15 2020-09-18 南昌大学 一种基于距离平方和差值比的聚类有效性评估方法
JP2022161107A (ja) * 2021-04-08 2022-10-21 シャープ株式会社 電子機器および制御方法
CN113536906A (zh) * 2021-06-04 2021-10-22 新大陆数字技术股份有限公司 一种基于乘客画像的人脸识别方法及装置
CN115269781B (zh) * 2022-08-04 2026-05-05 腾讯科技（武汉）有限公司 模态关联度预测方法、装置、设备、存储介质及程序产品
CN117238017A (zh) * 2023-09-18 2023-12-15 中国银行股份有限公司 人脸识别方法、装置、计算机设备和存储介质
CN118587758B (zh) * 2024-08-06 2024-10-29 杭州登虹科技有限公司 跨域人员识别匹配方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN103678984A (zh) * 2013-12-20 2014-03-26 湖北微模式科技发展有限公司 一种利用摄像头实现用户身份验证的方法
CN104036261A (zh) * 2014-06-30 2014-09-10 北京奇虎科技有限公司 人脸识别方法和系统
CN104036259A (zh) * 2014-06-27 2014-09-10 北京奇虎科技有限公司 人脸相似度识别方法和系统

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6345119B1 (en) * 1996-02-19 2002-02-05 Fujitsu Limited Handwritten character recognition apparatus and method using a clustering algorithm
US6430307B1 (en) * 1996-06-18 2002-08-06 Matsushita Electric Industrial Co., Ltd. Feature extraction system and face image recognition system
US6539115B2 (en) * 1997-02-12 2003-03-25 Fujitsu Limited Pattern recognition device for performing classification using a candidate table and method thereof
KR100442834B1 (ko) * 2002-07-19 2004-08-02 삼성전자주식회사 얼굴/유사얼굴 영상으로 학습된 패턴 분류기를 이용한얼굴 검출 방법 및 시스템
EP1383072B1 (en) * 2002-07-19 2009-10-07 Mitsubishi Electric Information Technology Centre Europe B.V. Method and apparatus for processing image data
US7734067B2 (en) * 2004-12-07 2010-06-08 Electronics And Telecommunications Research Institute User recognition system and method thereof
US7907755B1 (en) * 2006-05-10 2011-03-15 Aol Inc. Detecting facial similarity based on human perception of facial similarity
US7783085B2 (en) * 2006-05-10 2010-08-24 Aol Inc. Using relevance feedback in face recognition
US7813561B2 (en) * 2006-08-14 2010-10-12 Microsoft Corporation Automatic classification of objects within images
US20080101705A1 (en) * 2006-10-31 2008-05-01 Motorola, Inc. System for pattern recognition with q-metrics
US8165397B2 (en) * 2006-12-04 2012-04-24 Lockheed Martin Company Identifying descriptor for person or object in an image
JP5259456B2 (ja) * 2009-03-02 2013-08-07 株式会社東芝 学習装置及び物体検出装置
US8644563B2 (en) * 2009-12-14 2014-02-04 Microsoft Corporation Recognition of faces using prior behavior
JP5588165B2 (ja) * 2009-12-24 2014-09-10 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
WO2012089902A1 (en) * 2010-12-30 2012-07-05 Nokia Corporation Method, apparatus, and computer program product for image clustering
US8306257B2 (en) * 2011-01-31 2012-11-06 Seiko Epson Corporation Hierarchical tree AAM
US9036925B2 (en) * 2011-04-14 2015-05-19 Qualcomm Incorporated Robust feature matching for visual search
US9251402B2 (en) * 2011-05-13 2016-02-02 Microsoft Technology Licensing, Llc Association and prediction in facial recognition
CN103718190B (zh) * 2011-07-29 2017-05-24 惠普发展公司，有限责任合伙企业 增量图像聚类
US9443314B1 (en) * 2012-03-29 2016-09-13 Google Inc. Hierarchical conditional random field model for labeling and segmenting images
US20150213328A1 (en) * 2012-08-23 2015-07-30 Nec Corporation Object identification apparatus, object identification method, and program
CN103559504B (zh) * 2013-11-04 2016-08-31 北京京东尚科信息技术有限公司 图像目标类别识别方法及装置
US9524449B2 (en) * 2013-12-16 2016-12-20 Adobe Systems Incorporated Generation of visual pattern classes for visual pattern recognition
KR102024867B1 (ko) * 2014-09-16 2019-09-24 삼성전자주식회사 예제 피라미드에 기초하여 입력 영상의 특징을 추출하는 방법 및 얼굴 인식 장치
US9904844B1 (en) * 2016-08-04 2018-02-27 International Business Machines Corporation Clustering large database of images using multilevel clustering approach for optimized face recognition process

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN103678984A (zh) * 2013-12-20 2014-03-26 湖北微模式科技发展有限公司 一种利用摄像头实现用户身份验证的方法
CN104036259A (zh) * 2014-06-27 2014-09-10 北京奇虎科技有限公司 人脸相似度识别方法和系统
CN104036261A (zh) * 2014-06-30 2014-09-10 北京奇虎科技有限公司 人脸识别方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664920A (zh) * 2018-05-10 2018-10-16 深圳市深网视界科技有限公司 一种实时的大规模级联人脸聚类方法和装置
CN108664920B (zh) * 2018-05-10 2022-12-20 东方网力科技股份有限公司 一种实时的大规模级联人脸聚类方法和装置
CN110807115A (zh) * 2019-11-04 2020-02-18 浙江大华技术股份有限公司 人脸检索方法、装置、及存储装置
CN110807115B (zh) * 2019-11-04 2022-03-25 浙江大华技术股份有限公司 人脸检索方法、装置、及存储装置
CN112818149A (zh) * 2021-01-21 2021-05-18 浙江大华技术股份有限公司 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质
CN113243804A (zh) * 2021-06-03 2021-08-13 山东中新优境智能科技有限公司 自动取纸方法、装置、可读存储介质及计算机设备
CN115880745A (zh) * 2022-09-07 2023-03-31 以萨技术股份有限公司 一种获取人脸图像特征的数据处理系统

Also Published As

Publication number Publication date
US20170132457A1 (en) 2017-05-11

Similar Documents

Publication Publication Date Title
US20170132457A1 (en) Human face similarity recognition method and system
CN104036259B (zh) 人脸相似度识别方法和系统
CN105981008B (zh) 学习深度人脸表示
CN104036261B (zh) 人脸识别方法和系统
CN103207898B (zh) 一种基于局部敏感哈希的相似人脸快速检索方法
CN107392241B (zh) 一种基于加权列抽样XGBoost的图像目标分类方法
WO2019020049A1 (zh) 一种图像检索方法、装置及电子设备
CN107944020A (zh) 人脸图像查找方法及装置、计算机装置和存储介质
CN102201062A (zh) 信息处理设备、方法和程序
CN1700241A (zh) 面部描述和识别的方法和装置
EP3020203A1 (en) Compact and robust signature for large scale visual search, retrieval and classification
CN107209860A (zh) 使用分块特征来优化多类图像分类
CN108647736A (zh) 一种基于感知损失和匹配注意力机制的图像分类方法
CN104091164A (zh) 人脸图片人名识别方法和系统
WO2018166273A1 (zh) 高维图像特征匹配方法和装置
CN104933420A (zh) 一种场景图像识别方法和场景图像识别设备
CN105468596A (zh) 图片检索方法和装置
CN105046214A (zh) 基于聚类的在线式多人脸图像处理的方法
CN102136073A (zh) 学习装置及方法、识别装置及方法、程序和信息处理系统
CN102147868A (zh) 学习装置、学习方法、识别装置、识别方法和程序
CN104484650B (zh) 素描人脸识别的方法和装置
CN105205487B (zh) 一种图片处理方法及装置
CN108805280B (zh) 一种图像检索的方法和装置
Ghaleb et al. Multimodal fusion based on information gain for emotion recognition in the wild
CN104166855B (zh) 视觉语音识别方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15812010

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 15322350

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 15812010

Country of ref document: EP

Kind code of ref document: A1