【技术实现步骤摘要】
本申请涉及机器学习，具体而言，涉及一种人脸识别特征的降维方法及装置。
技术介绍
1、人脸识别技术在现代治安中起着重要作用，尤其在处理大规模的人脸底库图和抓拍数据时，在人脸识别系统中，通常会使用深度学习模型来提取人脸的特征表示，这些特征随后被用于各种任务，如身份验证、面部识别等。随着深度学习技术的发展，人脸识别模型变得越来越复杂，输出的特征维度也越来越高，这虽然可以提高识别的准确性，但也带来了更高的计算和存储成本。
2、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种人脸识别特征的降维方法及装置，以至少解决相关人脸识别方案中模型提取的特征维度过高导致后续检索消耗计算资源过多的技术问题。
2、根据本申请实施例的一个方面，提供了一种人脸识别特征的降维方法，包括：获取至少一个特征提取模型从待识别人脸图像中提取的至少一个第一特征向量；对至少一个第一特征向量进行拼接，得到第二特征向量；利用预训练的特征降维模型对第二特征向量进行降维处理，得到目标特征向量，其中，特征降维模型的训练样本包括：至少一个特征提取模型从多个对象的正脸图像和抓拍图像中提取的多个特征向量，训练特征降维模型的损失函数的维度包括：特征向量降维前后的长度损失和相似度损失。
3、可选地，特征降维模型通过以下方式训练得到：获取多个对象的多张正脸图像和抓拍图像，其中，每个对象对应一个身份标识、至少一张正脸图像和至少一张抓拍图像；对于每张正脸图像，利用至少一个特征提
4、可选地，对于每个训练样本，获取模型输出的训练样本中每个第三特征向量集合对应的第五特征向量集合和每个第四特征向量集合对应的第六特征向量集合；对训练样本中的所有第三特征向量集合中相同特征提取模型提取的第三特征向量进行拼接，将得到的各个第七特征向量组成第七特征向量集合，对各个第七特征向量进行归一化处理，将得到的各个第八特征向量组成第八特征向量集合；对训练样本中的所有第四特征向量集合中相同特征提取模型提取的第四特征向量进行拼接，将得到的各个第九特征向量组成第九特征向量集合，对各个第九特征向量进行归一化处理，将得到的各个第十特征向量组成第十特征向量集合；对训练样本对应的所有第五特征向量集合中相同特征提取模型提取的第五特征向量进行拼接，将得到的各个第十一特征向量组成第十一特征向量集合，对各个第十一特征向量进行归一化处理，将得到的各个第十二特征向量组成第十二特征向量集合；对训练样本对应的所有第六特征向量集合中相同特征提取模型提取的第六特征向量进行拼接，将得到的各个第十三特征向量组成第十三特征向量集合，对各个第十三特征向量进行归一化处理，将得到的各个第十四特征向量组成第十四特征向量集合。
5、可选地，第一损失函数通过以下方式确定：在每个训练批次中，对于训练批次中的每个训练样本，确定训练样本对应的第七特征向量集合中各个第七特征向量的长度的平均值为第一特征向量长度；确定训练样本对应的第九特征向量集合中各个第九特征向量的长度的平均值为第二特征向量长度；确定训练样本对应的第十一特征向量集合中各个第十一特征向量的长度的平均值为第三特征向量长度；确定训练样本对应的第十三特征向量集合中各个第十三特征向量的长度的平均值为第四特征向量长度；依据训练批次中的各个训练样本对应的第三特征向量长度与第一特征向量长度之间的差异、第四特征向量长度与第二特征向量长度之间的差异构建第一损失函数。
6、可选地，第一损失函数通过以下公式确定：l1＝w1·llen(lenog,leng)+w2·
7、llen(lenop,lenp)式中，l1表示第一损失函数，w1和w2为预设的权重值，w1,w2∈(0,1)且w1+w2＝1，lenog和leng分别表示第三特征向量长度和第一特征向量长度，n表示训练批次中训练样本的数量，lenogi和lengi分别表示第i个训练样本对应的第三特征向量长度和第一特征向量长度，lenop和lenp分别表示第四特征向量长度和第二特征向量长度，lenopi和lenpi分别表示第i个训练样本对应的第四特征向量长度和第二特征向量长度。
8、可选地，第二损失函数通过以下方式确定：在每个训练批次中，对于训练批次中的每两个训练样本，将两个训练样本各自的第八特征向量集合中相同特征提取模型对应的第八特征向量进行组对，确定每对第八特征向量之间的第一相似度，并确定各个第一相似度的平均值为第一综合相似度；将每两个训练样本对应的第一综合相似度组成第一相似度矩阵；对于训练批次中的每两个训练样本，将两个训练样本各自的第十特征向量集合中相同特征提取模型对应的第十特征向量进行组对，确定每对第十特征向量之间的第二相似度，并确定各个第二相似度的平均值为第二综合相似度；将每两个训练样本对应的第二综合相似度组成第二相似度矩阵；对于训练批次中的每两个训练样本，将两个训练样本中每个训练样本对应的第八特征向量集合中的每个第八特征向量与另一个训练样本对应的第十特征向量集合中相同特征提取模型对应的第十特征向量进行组对，确定每对第八特征向量和第十特征向量之间的第三相似度，并确定各个第三相似度的平均值为第三综合相似度；将每两个训练样本对应的第三综合相似度组成第三相似度矩阵；对于训练批次中的每两个训练样本，将两个训练样本各自的第十二特征向量集合中相同特征提取模型对应的第十二特征向量进行组对，确定每对第十二特征向量之间的第四相似度，并确定各个第四相似度的平均值为第四综合相似度；将每两个训练样本对应的第四综合相似度组成第四相似度矩阵；对于训练批次中的每两个训练样本，将两个训练样本各自的第十四特征向量集合中相同特征提取模型对应的第十四特征向量进行组对，确定每对第十四特征向量之间的第五相似度，并确定各个第五相似度的平均值为第五综合相似度；将每两个训练样本对应的第五综合相似度组成第五相似度矩阵；对于训练批次中的每两个训练样本，将两个训练样本中每个训练样本对应的第十二特征向量集合中的每个第十二特征向量与另一个训练样本对应的第十四特征向量集合中相同特征提取模型对应的第十四特征向量进行组对，确定每对第十二特征向量和第十四特征向量之间的第六相似度，并确定各个第六相本文档来自技高网...
【技术保护点】
1.一种人脸识别特征的降维方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征降维模型通过以下方式训练得到：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述第一损失函数通过以下方式确定：
5.根据权利要求4所述的方法，其特征在于，所述第一损失函数通过以下公式确定：
6.根据权利要求3所述的方法，其特征在于，所述第二损失函数通过以下方式确定：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
9.根据权利要求6所述的方法，其特征在于，所述第二损失函数通过以下公式确定：
10.根据权利要求2所述的方法，其特征在于，所述目标损失函数通过以下方式确定：
11.一种人脸识别特征的降维装置，其特征在于，包括：
12.一种计算机程序产品，其特征在于，包括：计算机程序，其中，所述计算机程序被处理器执行时实现权利要求
13.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被配置为通过所述计算机程序执行权利要求1至10中任意一项所述的人脸识别特征的降维方法。
...【技术特征摘要】
1.一种人脸识别特征的降维方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征降维模型通过以下方式训练得到：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述第一损失函数通过以下方式确定：
5.根据权利要求4所述的方法，其特征在于，所述第一损失函数通过以下公式确定：
6.根据权利要求3所述的方法，其特征在于，所述第二损失函数通过以下方式确定：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求6所述的方法，其特征在于，所述方法...
【专利技术属性】
技术研发人员：左庆，王楚轶，韩兴，何智翔，
申请(专利权)人：中电信人工智能科技北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。