人脸数据的采集和存储方法及相关设备技术

本发明专利技术公开了一种人脸数据的采集和存储方法及相关设备，涉及人脸识别领域，主要为解决目前人脸数据的采集和存储较为占用算力和存储空间的问题。该方法包括：基于校正人脸图像和人脸识别神经网络确定浮点型人脸特征数据；将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据；基于所述整型人脸特征数据确定压缩字典，其中，所述压缩字典包括所述整型人脸特征数据进与目标存储人脸特征数据的转换关系，所述目标存储人脸特性数据为最终存储到人脸特征数据库的数据。本发明专利技术用于人脸数据的采集和存储过程。于人脸数据的采集和存储过程。于人脸数据的采集和存储过程。

【技术实现步骤摘要】
人脸数据的采集和存储方法及相关设备


[0001]本专利技术涉及人脸识别领域，尤其涉及一种人脸数据的采集和存储方法及相关设备
。

技术介绍

[0002]基于深度神经网络的人脸识别系统，因其准确率高
、
速度快等优点而被广泛采用，为了识别特定用户，需要对该用户进行人脸数据采集
。
常见的人脸数据采集方法，需要手动完成人脸的选取
、
对齐
、
存储
、
特征提取等操作，而在实施这些操作时，目前的方法仍不够简略，存在采集占用算力，存储占用较大空间的问题
。

技术实现思路

[0003]鉴于上述问题，本专利技术提供一种人脸数据的采集和存储方法及相关设备，主要目的在于解决目前人脸数据的采集和存储较为占用算力和存储空间的问题
。
[0004]为解决上述至少一种技术问题，第一方面，本专利技术提供了一种人脸数据的采集和存储方法，该方法包括：
[0005]基于校正人脸图像和人脸识别神经网络确定浮点型人脸特征数据；
[0006]将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据；
[0007]基于所述整型人脸特征数据确定压缩字典，其中，所述压缩字典包括所述整型人脸特征数据进与目标存储人脸特征数据的转换关系，所述目标存储人脸特性数据为最终存储到人脸特征数据库的数据
。
[0008]可选的，上述方法还包括：
[0009]基于初始人脸图像和第一深度神经网络确定相似变换矩阵，其中，所述第一深度神经网络为在人脸检测数据集上预先训练确定的卷积神经网络；
[0010]基于所述相似变换矩阵确定所述校正人脸图像
。
[0011]可选的，所述将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据，包括：
[0012]基于量化位宽
、
约束函数
、
量化间隔
、
量化零点和量化补偿将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据，
[0013]其中，所述量化位宽是预先基于计算功耗和计算精度确定的
。
[0014]可选的，所述基于所述整型人脸特征数据确定压缩字典，包括：
[0015]获取所述整型人脸特征数据与参考数据的余弦相似度，其中，所述参考数据是基于人脸特征数据库确定的
[0016]在所述余弦相似度低于预设值的情况下，基于所述整型人脸特征数据确定压缩字典，
[0017]其中，所述参考数据为人脸特征数据库中在先存储的人脸特征数据
。
[0018]可选的，所述获取所述整型人脸特征数据与参考数据的余弦相似度，包括：
[0019]基于所述整型人脸特征数据与参考数据确定欧氏距离；
[0020]基于所述欧氏距离确定所述整型人脸特征数据与所述参考数据的余弦相似度
。
[0021]可选的，上述方法还包括：
[0022]分别统计所述整型人脸特征数据的所有数值在量化区间内的出现次数，其中，所述量化区间是基于量化位宽确定的；
[0023]在存在出现次数为零的无效数值的情况下，将所述无效数值从所述量化区间内删除
。
[0024]可选的，所述基于所述整型人脸特征数据确定压缩字典，包括：
[0025]基于所述整型人脸特征数据的所有数值在所述量化区间内出现的次数确定目标量化区间，其中，所述目标量化区间为升序量化区间或降序量化区间；
[0026]基于十六进制形式或
ASCII
码形式对所述目标量化区间进行压缩以获取压缩字典
。
[0027]第二方面，本专利技术实施例还提供了一种人脸数据的采集和存储装置，包括：
[0028]第一确定单元，用于基于校正人脸图像和人脸识别神经网络确定浮点型人脸特征数据；
[0029]转换单元，用于将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据；
[0030]第二确定单元，用于基于所述整型人脸特征数据确定压缩字典，其中，所述压缩字典包括所述整型人脸特征数据进与目标存储人脸特征数据的转换关系，所述目标存储人脸特性数据为最终存储到人脸特征数据库的数据
。
[0031]为了实现上述目的，根据本专利技术的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在上述程序被处理器执行时实现上述的人脸数据的采集和存储方法的步骤
。
[0032]为了实现上述目的，根据本专利技术的第四方面，提供了一种电子设备，包括至少一个处理器
、
以及与所述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行上述的人脸数据的采集和存储方法的步骤
。
[0033]借由上述技术方案，本专利技术提供的人脸数据的采集和存储方法及相关设备，对于目前人脸数据的采集和存储较为占用算力和存储空间的问题，本专利技术通过基于校正人脸图像和人脸识别神经网络确定浮点型人脸特征数据；将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据；基于所述整型人脸特征数据确定压缩字典，其中，所述压缩字典包括所述整型人脸特征数据进与目标存储人脸特征数据的转换关系，所述目标存储人脸特性数据为最终存储到人脸特征数据库的数据
。
在上述方案中，由于采用了将浮点型人脸特征数据转换为整型人脸特征数据，相比于处理浮点型数据，处理整形数据可以更节省计算机的算力，提高处理速度，从而对于一些对识别精度不高的场景，实现了降低算力的同时提高处理速度的效果，且由于将整型人脸特征数据压缩，从而在保留不同用户的面部特征的同时，节省了存储空间，在需要调用某用户的面部图像数据的情况下，只需要将存储到人脸特征数据库的目标存储人脸特性数据通过压缩字典反向解压即可
。
[0034]相应地，本专利技术实施例提供的人脸数据的采集和存储装置
、
设备和计算机可读存储介质，也同样具有上述技术效果
。
[0035]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的
、
特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式
。
附图说明
[0036]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，而并不认为是对本专利技术的限制
。
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：
[0037]图1示出了本专利技术实施例提供的一种人脸数据的采集和存储方法的流程示意图；
[0038]图2示出了本专利技术实施例提供的一种人脸数据的采集和存储方法的分区间编码示意图；
[0039]图3示出了本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人脸数据的采集和存储方法，其特征在于，包括：基于校正人脸图像和人脸识别神经网络确定浮点型人脸特征数据；将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据；基于所述整型人脸特征数据确定压缩字典，其中，所述压缩字典包括所述整型人脸特征数据进与目标存储人脸特征数据的转换关系，所述目标存储人脸特性数据为最终存储到人脸特征数据库的数据
。2.
根据权利要求1所述的方法，其特征在于，还包括：基于初始人脸图像和第一深度神经网络确定相似变换矩阵，其中，所述第一深度神经网络为在人脸检测数据集上预先训练确定的卷积神经网络；基于所述相似变换矩阵确定所述校正人脸图像
。3.
根据权利要求1所述的方法，其特征在于，所述将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据，包括：基于量化位宽
、
约束函数
、
量化间隔
、
量化零点和量化补偿将所述浮点型人脸特征数据通过量化编码方法转换为整型人脸特征数据，其中，所述量化位宽是预先基于计算功耗和计算精度确定的
。4.
根据权利要求1所述的方法，其特征在于，所述基于所述整型人脸特征数据确定压缩字典，包括：获取所述整型人脸特征数据与参考数据的余弦相似度，其中，所述参考数据是基于人脸特征数据库确定的在所述余弦相似度低于预设值的情况下，基于所述整型人脸特征数据确定压缩字典，其中，所述参考数据为人脸特征数据库中在先存储的人脸特征数据
。5.
根据权利要求4所述的方法，其特征在于，所述获取所述整型人脸特征数据与参考数据的余弦相似度，包括：基于所述整型人脸特征数据与参考数据确定欧氏距离；基于所述欧氏距离确定所述整型人脸特征数据与所述参考...

【专利技术属性】
技术研发人员：李威君，王路远，尚德龙，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
类型：发明
国别省市：