本申請(qǐng)涉及圖像識(shí)別技術(shù)領(lǐng)域，特別涉及一種圖像識(shí)別方法及裝置。

背景技術(shù)：

目前，圖像識(shí)別主要通過(guò)兩種方法來(lái)實(shí)現(xiàn)。第一是采用提取圖像的多維局部特征的方法，具體是通過(guò)提取圖像中的多個(gè)關(guān)鍵點(diǎn)，并分別提取每個(gè)關(guān)鍵點(diǎn)的局部特征進(jìn)行拼接得到多維局部特征，然后將其降低維度，得到用于識(shí)別圖像的低維、有效的特征；第二是采用提取圖像的深度學(xué)習(xí)特征的方法，具體是通過(guò)深度學(xué)習(xí)模型提取用于識(shí)別圖像的深度學(xué)習(xí)特征。

然而，圖像的多維局部特征只能描述圖像中的局部紋理或形狀，在圖像被局部遮擋或強(qiáng)光照射等情況下，多維局部特征描述圖像的能力將大大下降甚至喪失；圖像的深度學(xué)習(xí)特征可描述圖像中的整體紋理和形狀，但缺乏對(duì)圖像中的細(xì)節(jié)描述，另外通過(guò)圖像的深度學(xué)習(xí)特征來(lái)識(shí)別圖像，可增加不同類(lèi)別圖像的類(lèi)間距離，卻不能減少同一類(lèi)圖像的類(lèi)內(nèi)距離。因此，通過(guò)上述傳統(tǒng)的方法進(jìn)行圖像識(shí)別，識(shí)別精度較差。

尤其是在人臉識(shí)別上，圖像中的人臉姿態(tài)各異、表情不一而且圖像背景復(fù)雜多樣，通過(guò)目前的圖像識(shí)別方法難以對(duì)大量商品圖像中的人臉進(jìn)行精確的識(shí)別。

技術(shù)實(shí)現(xiàn)要素：

本申請(qǐng)旨在至少在一定程度上解決上述技術(shù)問(wèn)題。

為此，本申請(qǐng)的第一個(gè)目的在于提出一種圖像識(shí)別方法，能夠大大提高圖像識(shí)別的精度。

本申請(qǐng)的第二個(gè)目的在于提出一種圖像識(shí)別裝置。

為達(dá)上述目的，根據(jù)本申請(qǐng)第一方面實(shí)施例提出的一種圖像識(shí)別方法，包括以下步驟：提取所述圖像的多維度局部特征，并提取所述圖像的深度學(xué)習(xí)特征；將所述多維度局部特征和所述深度學(xué)習(xí)特征進(jìn)行拼接，并通過(guò)度量學(xué)習(xí)對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征；根據(jù)所述度量學(xué)習(xí)特征對(duì)所述圖像進(jìn)行識(shí)別。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，通過(guò)將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，并對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征，然后根據(jù)度量學(xué)習(xí)特征對(duì)所述圖像進(jìn)行識(shí)別。由此，通過(guò)將圖像的多維局部特征和深度學(xué)習(xí)特征結(jié)合起來(lái)，由多維局部特征描述圖像中的細(xì)節(jié)，由深度學(xué)習(xí)特征描述圖像中的整體紋理和形狀，同時(shí)通過(guò)度量學(xué)習(xí)增加不同類(lèi)別 圖像的類(lèi)間距離，減少同一類(lèi)別圖像的類(lèi)內(nèi)距離，從而提高了不同類(lèi)別圖像的區(qū)分度，減小了同一類(lèi)別圖像的差別，極大地提高了圖像識(shí)別的精度。

根據(jù)本申請(qǐng)第二方面實(shí)施例提出的一種圖像識(shí)別裝置，包括：提取模塊，用于提取所述圖像的多維度局部特征，并提取所述圖像的深度學(xué)習(xí)特征；學(xué)習(xí)模塊，用于將所述多維度局部特征和所述深度學(xué)習(xí)特征進(jìn)行拼接，并通過(guò)度量學(xué)習(xí)對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征；識(shí)別模塊，用于根據(jù)所述度量學(xué)習(xí)特征對(duì)所述圖像進(jìn)行識(shí)別。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，通過(guò)將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，并對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征，然后根據(jù)度量學(xué)習(xí)特征對(duì)所述圖像進(jìn)行識(shí)別。由此，通過(guò)將圖像的多維局部特征和深度學(xué)習(xí)特征結(jié)合起來(lái)，由多維局部特征描述圖像中的細(xì)節(jié)，由深度學(xué)習(xí)特征描述圖像中的整體紋理和形狀，同時(shí)通過(guò)度量學(xué)習(xí)增加不同類(lèi)別圖像的類(lèi)間距離，減少同一類(lèi)別圖像的類(lèi)內(nèi)距離，從而提高了不同類(lèi)別圖像的區(qū)分度，減小了同一類(lèi)別圖像的差別，極大地提高了圖像識(shí)別的精度。

本申請(qǐng)的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本申請(qǐng)的實(shí)踐了解到。

附圖說(shuō)明

本申請(qǐng)的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為根據(jù)本申請(qǐng)一個(gè)實(shí)施例的圖像識(shí)別方法的流程圖；

圖2為根據(jù)本申請(qǐng)一個(gè)實(shí)施例的圖像識(shí)別方法中提取圖像的多維度局部特征的示意圖；

圖3為根據(jù)本申請(qǐng)一個(gè)實(shí)施例的深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖4為根據(jù)本申請(qǐng)另一個(gè)實(shí)施例的圖像識(shí)別方法的流程圖；

圖5為根據(jù)本申請(qǐng)一個(gè)實(shí)施例的圖像識(shí)別裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面詳細(xì)描述本申請(qǐng)的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本申請(qǐng)，而不能理解為對(duì)本申請(qǐng)的限制。

下面參考附圖描述根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法及裝置。

圖1為根據(jù)本申請(qǐng)一個(gè)實(shí)施例的圖像識(shí)別方法的流程圖。如圖1所示，根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，包括以下步驟：

S101，提取圖像的多維度局部特征，并提取圖像的深度學(xué)習(xí)特征。

在本申請(qǐng)的實(shí)施例中，該圖像為待識(shí)別圖像，本申請(qǐng)對(duì)待識(shí)別圖像的格式、大小和來(lái)源不做限定，其中，格式可以為但不限于JPG、PNG、TIF、BMP等。應(yīng)當(dāng)理解，對(duì)于圖像分辨率越大的待識(shí)別圖像，識(shí)別效果越好。對(duì)于圖像的來(lái)源，可以是SD(Secure Digital Memory Card，安全數(shù)碼卡)卡中所存儲(chǔ)的圖像；可以是通過(guò)攝像機(jī)拍攝、圖片抓取軟件抓取等方式獲取的圖像；還可以是通過(guò)網(wǎng)絡(luò)從云端服務(wù)器下載的圖像等。

在本申請(qǐng)的一個(gè)實(shí)施例中，圖像的多維度局部特征的提取過(guò)程可具體包括：對(duì)圖像進(jìn)行尺度轉(zhuǎn)化，以生成與圖像內(nèi)容相同、尺寸不同的多個(gè)轉(zhuǎn)化圖像；分別確定每個(gè)轉(zhuǎn)化圖像中的多個(gè)關(guān)鍵點(diǎn)位置；分別提取每個(gè)轉(zhuǎn)化圖像中多個(gè)關(guān)鍵點(diǎn)位置的局部高維特征；將提取到的局部高維特征進(jìn)行拼接，以得到圖像的多維度局部特征。其中，圖像中的關(guān)鍵點(diǎn)指圖像中的主要特征點(diǎn)。以人臉圖像為例，關(guān)鍵點(diǎn)可以是雙眼、鼻子和嘴角等。在本申請(qǐng)的一個(gè)實(shí)施例中，可通過(guò)對(duì)圖像進(jìn)行角點(diǎn)檢測(cè)以確定圖像中關(guān)鍵點(diǎn)的位置。舉例來(lái)說(shuō)，常見(jiàn)的角點(diǎn)檢測(cè)方法可包括harris角點(diǎn)檢測(cè)(一種基于模板的角點(diǎn)檢測(cè))，Shi-Tomasi角點(diǎn)檢測(cè)(harris角點(diǎn)檢測(cè)的改進(jìn)，于1994年在文章Good Features to Track中提出)，F(xiàn)AST(Features from Accelerated Segment Test，加速分割實(shí)驗(yàn)特征)角點(diǎn)檢測(cè)，尺度不變surf(Speeded Up Robust Features，加速魯棒特征)檢測(cè)，尺度不變sift(Scale invariant feature Transform，尺度不變特征變換)檢測(cè)等。

舉例而言，一幅圖像進(jìn)行尺度轉(zhuǎn)化后可生成如圖2所示的與圖像內(nèi)容相同、尺寸分別為300*300、212*212、150*150、106*106和75*75的5個(gè)轉(zhuǎn)化圖像。圖2所示的示例中的圖像為一張人臉圖像，因此，可將5個(gè)轉(zhuǎn)化圖像中的雙眼、鼻子和兩個(gè)嘴角作為關(guān)鍵點(diǎn)，即每張轉(zhuǎn)化圖像具有5個(gè)關(guān)鍵點(diǎn)。將每個(gè)轉(zhuǎn)化圖像中的各個(gè)關(guān)鍵點(diǎn)所在區(qū)域劃分為4*4的方格，其中每個(gè)小方格的像素值為10*10。然后在每個(gè)小方格內(nèi)提取59維規(guī)格相同的LBP(Local Binary Patterns，局部二值模式，一種有效的紋理描述算子)特征，并將所有特征拼接起來(lái)，得到長(zhǎng)度為5*5*4*4*59的特征向量，即23600維局部特征向量。其中，在每個(gè)小方格內(nèi)除可提取LBP特征外，還可提取SIFT(Scale-invariant feature transform，尺度不變特征轉(zhuǎn)換)、HOG(Histogram of Oriented Gradient，梯度方向直方圖)和Gabor等特征，或提取以上兩個(gè)或多個(gè)特征的組合，本申請(qǐng)對(duì)特征提取過(guò)程中所提取的特征類(lèi)型不做限定，可以是上述或者其他特征中的任意一種。

在本申請(qǐng)的一個(gè)實(shí)施例中，提取圖像的深度學(xué)習(xí)特征具體包括：根據(jù)深度學(xué)習(xí)模型對(duì)圖像進(jìn)行深度特征學(xué)習(xí)，以提取深度學(xué)習(xí)特征。其中，深度特征學(xué)習(xí)模型為預(yù)先根據(jù)大量訓(xùn)練圖像進(jìn)行訓(xùn)練得到的。

本申請(qǐng)實(shí)施例的深度學(xué)習(xí)模型，可選地，除DCNN(Deep Convolutional Neural Networks，深度卷積神經(jīng)網(wǎng)絡(luò))外，還可使用Auto Encoder(自動(dòng)編碼器)和DBM(Deep Boltzmann Machine，深度玻爾茲曼機(jī))等。在深度學(xué)習(xí)過(guò)程中，初始的訓(xùn)練參數(shù)可選用已公開(kāi)的初始參數(shù)，優(yōu)選地，為提高學(xué)習(xí)的速度和精確度，還可采用分層的預(yù)訓(xùn)練的方式獲得初始的訓(xùn)練參數(shù)。本申請(qǐng)對(duì)深度學(xué)習(xí)模型和初始訓(xùn)練參數(shù)的選擇不作具體限定。

以DCNN為例，對(duì)模型訓(xùn)練的過(guò)程進(jìn)行說(shuō)明。具體地，以對(duì)人臉圖像進(jìn)行訓(xùn)練為例，首先，可從網(wǎng)絡(luò)下載或者從公開(kāi)數(shù)據(jù)庫(kù)如WebFace等獲取訓(xùn)練圖像，例如可獲取10000個(gè)人的人臉圖像作為訓(xùn)練圖像，首先使用人臉檢測(cè)和人臉關(guān)鍵點(diǎn)定位過(guò)濾訓(xùn)練圖像，以去除沒(méi)有人臉或者有多張人臉的圖像。然后對(duì)過(guò)濾后的訓(xùn)練圖像進(jìn)行幾何歸一化，并將每個(gè)人臉圖像的大小調(diào)整為250*250，并將圖像按人進(jìn)行分類(lèi)。例如樣本中有10000個(gè)人，每個(gè)人都有多張人臉圖像，在每個(gè)人對(duì)應(yīng)的多張人臉圖像中隨機(jī)選擇100張作為訓(xùn)練數(shù)據(jù)，構(gòu)成10000個(gè)訓(xùn)練數(shù)據(jù)集。若某個(gè)樣本的人臉圖像不足100張的，可隨機(jī)重復(fù)其已有的人臉圖像，湊齊100張。另外，也可先選定樣本，即選定10000個(gè)人，再依次選擇每個(gè)人的100張人臉圖像，生成10000個(gè)訓(xùn)練數(shù)據(jù)集。

然后將訓(xùn)練數(shù)據(jù)集輸入DCNN。圖3為DCNN的結(jié)構(gòu)示意圖。如圖3所示，DCNN由2個(gè)Convolution(卷積)層、5個(gè)Pooling(池化)層、9個(gè)Inception層(一種多尺度的網(wǎng)絡(luò)結(jié)構(gòu)，包含Convolution和Pooling層)、3個(gè)Full-Connection(全連接)層、1個(gè)Dropout(部分連接)層和3個(gè)Softmax(分類(lèi)器)構(gòu)成。圖像在DCNN中的訓(xùn)練過(guò)程可包括前向預(yù)測(cè)和反向傳播。其中，前向預(yù)測(cè)是指將圖像輸入DCNN后，自圖3中的Convolution1開(kāi)始，根據(jù)網(wǎng)絡(luò)連接上的權(quán)重逐層計(jì)算訓(xùn)練圖像，直到最后預(yù)測(cè)分類(lèi)結(jié)果。反向傳播是指自圖3中Softmax3開(kāi)始反向逐層更新網(wǎng)絡(luò)連接上的權(quán)重?？山惶孢M(jìn)行前向預(yù)測(cè)和反向傳播的過(guò)程，直至圖像特征的精度達(dá)到要求(收斂于預(yù)設(shè)的值)，得到深度學(xué)習(xí)模型。其中，Softmax1和Softmax2可防止因反向傳播而導(dǎo)致的訓(xùn)練梯度衰減，并且可以得到圖像的中層特征描述。

在本申請(qǐng)的實(shí)施例中，可隨機(jī)選擇初始的訓(xùn)練參數(shù)，并設(shè)定初始的訓(xùn)練速率為0.01，依上述訓(xùn)練過(guò)程對(duì)人臉圖像進(jìn)行訓(xùn)練，然后在訓(xùn)練過(guò)程中多次調(diào)小訓(xùn)練速率，直到人臉圖像特征的精度收斂于預(yù)設(shè)的值，得到的DCNN的權(quán)重系數(shù)即為深度學(xué)習(xí)模型。繼而可根據(jù)該深度學(xué)習(xí)模型提取圖像的深度學(xué)習(xí)特征向量。

S102，將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，并通過(guò)度量學(xué)習(xí)對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征。

在本申請(qǐng)的一個(gè)實(shí)施例中，可將步驟S101中所提取的待識(shí)別圖像的多維度局部特征向量和深度學(xué)習(xí)特征向量拼接在一起，形成該圖像對(duì)應(yīng)的一個(gè)多維向量。然后分別使用預(yù)先訓(xùn)練的度量學(xué)習(xí)降維矩陣對(duì)拼接后的多維向量進(jìn)行降維處理以得到度量學(xué)習(xí)特征。

在本申請(qǐng)的另一個(gè)實(shí)施例中，還可包括訓(xùn)練度量學(xué)習(xí)降維矩陣的過(guò)程。因此，根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，所述訓(xùn)練度量學(xué)習(xí)降維矩陣的過(guò)程還可包括：獲取圖像訓(xùn)練數(shù)據(jù)， 并構(gòu)建度量學(xué)習(xí)的優(yōu)化代價(jià)函數(shù)，其中，圖像訓(xùn)練數(shù)據(jù)包括多個(gè)樣本對(duì)；以及根據(jù)圖像訓(xùn)練數(shù)據(jù)對(duì)優(yōu)化代價(jià)函數(shù)訓(xùn)練度量學(xué)習(xí)降維矩陣。其中，度量學(xué)習(xí)矩陣包括第一度量學(xué)習(xí)矩陣和第二度量學(xué)習(xí)矩陣。

在本申請(qǐng)的一個(gè)實(shí)施例中，圖像訓(xùn)練數(shù)據(jù)可由多個(gè)不同對(duì)象的在不同場(chǎng)景下的圖像所組成的多個(gè)樣本對(duì)組成。具體地，可從中隨機(jī)挑選任意兩個(gè)對(duì)象的圖像的向量組成樣本對(duì)，其中，可將同一對(duì)象在不同場(chǎng)景下的兩個(gè)圖像的向量組成正樣本對(duì)，并將不同對(duì)象的兩個(gè)圖像的向量組成負(fù)樣本對(duì)。例如，顯示在不同場(chǎng)景下同一個(gè)人的面部的兩張圖像和顯示不同人的面部的兩張圖像，對(duì)應(yīng)的兩對(duì)向量可分別作為正樣本對(duì)和負(fù)樣本對(duì)。

公式(1)即為所構(gòu)建的優(yōu)化代價(jià)函數(shù)。

其中，W為第一度量學(xué)習(xí)降維矩陣，V為第二度量學(xué)習(xí)降維矩陣，y_ij為樣本對(duì)標(biāo)簽，b為分類(lèi)閾值，φ_i和φ_j為訓(xùn)練樣本對(duì)的特征向量，φ_i和φ_j降維后的距離Wφ_i和Wφ_j分別為φ_i和φ_j根據(jù)第一度量學(xué)習(xí)降維矩陣進(jìn)行降維后的向量，為Wφ_i和Wφ_j的歐式距離，Vφ_i和Vφ_j分別為φ_i和φ_j根據(jù)第二度量學(xué)習(xí)降維矩陣進(jìn)行降維后的向量，<Vφ_i,Vφ_j>為Vφ_i和Vφ_j的余弦距離。

在本申請(qǐng)的實(shí)施例中，根據(jù)圖像訓(xùn)練數(shù)據(jù)對(duì)優(yōu)化代價(jià)函數(shù)訓(xùn)練度量學(xué)習(xí)降維矩陣可具體包括：提取圖像訓(xùn)練數(shù)據(jù)中的每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征，并對(duì)每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，繼而根據(jù)圖像訓(xùn)練數(shù)據(jù)中的每個(gè)樣本對(duì)所對(duì)應(yīng)的拼接后的特征對(duì)優(yōu)化代價(jià)函數(shù)進(jìn)行迭代以獲得度量學(xué)習(xí)降維矩陣。

具體地，對(duì)于圖像訓(xùn)練數(shù)據(jù)中的每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征的提取過(guò)程，可參照上述本申請(qǐng)實(shí)施例的待識(shí)別圖像的多維度局部特征和深度學(xué)習(xí)特征的提取過(guò)程，在此不再贅述。

假設(shè)將每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接后，形成一個(gè)與該圖像對(duì)應(yīng)的m維向量，且多個(gè)樣本對(duì)由n個(gè)樣本圖像組成，則可通過(guò)2階范數(shù)歸一化，使n個(gè)樣本圖像的m維向量生成一個(gè)m×n的矩陣A，再對(duì)矩陣A使用PCA(Principal Component Analysis，主成分分析)的方法得到l×m的降維矩陣B。其中，l可根據(jù)對(duì)圖像識(shí)別的精度要求來(lái)設(shè)定，可以理解，一般地，l越大，圖像識(shí)別精度越高，而在本申請(qǐng)的實(shí)施例中，通過(guò)實(shí)驗(yàn)測(cè)得：當(dāng)l大于128時(shí)，隨著l的增大，對(duì)圖像識(shí)別精度的提升不再明顯。因此，在本實(shí)施例中， 可令l＝128。

在本申請(qǐng)的一個(gè)實(shí)施例中，可將式(1)中的W和V使用矩陣B初始化，并交替使用正樣本對(duì)和負(fù)樣本對(duì)進(jìn)行迭代，最終得到第一度量學(xué)習(xí)降維矩陣W和第二度量學(xué)習(xí)降維矩陣V。具體的迭代過(guò)程如下：在公式(1)中，隨機(jī)選擇一個(gè)正樣本對(duì)開(kāi)始第一次迭代，得到迭代結(jié)果W₁和V₁，若W₁與W的差小于第一預(yù)設(shè)閾值且V₁與V的差小于第二預(yù)設(shè)閾值，則得到最終的結(jié)果為W＝W₁、V＝V₁，并結(jié)束迭代過(guò)程，否則令W＝W₁+△W、V＝V₁+△V，并隨機(jī)選擇一個(gè)負(fù)樣本對(duì)代入公式(1)計(jì)算W₂和V₂，若W₂與W的差小于第一預(yù)設(shè)閾值且V₂與V的差小于第二預(yù)設(shè)閾值，則得到最終的結(jié)果為W＝W₂、V＝V₂，并結(jié)束迭代過(guò)程，否則令W＝W₂+△W、V＝V₂+△V；繼續(xù)交替選擇未使用的正樣本對(duì)和負(fù)樣本對(duì)重復(fù)上述過(guò)程進(jìn)行迭代，直至W_k與W的差小于第一預(yù)設(shè)閾值且V_k與V的差小于第二預(yù)設(shè)閾值，并將W_k＝W和V_k＝V作為最終結(jié)果，即得到第一度量學(xué)習(xí)降維矩陣W和第二度量學(xué)習(xí)降維矩陣V。其中，第一預(yù)設(shè)閾值和第二預(yù)設(shè)閾值可根據(jù)實(shí)際需要來(lái)設(shè)定，可以理解的是，第一預(yù)設(shè)閾值和第二預(yù)設(shè)閾值足夠小，從而能夠保證迭代所得到的結(jié)果近似等于W和V。

其中，△W和△V在每次迭代過(guò)程中根據(jù)所選擇的樣本對(duì)的不同而變化。具體地，△W為式中關(guān)于矩陣W的偏導(dǎo)數(shù)的值，△V為式中關(guān)于矩陣V的偏導(dǎo)數(shù)的值。

此外，根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，可選地，在用于獲取度量學(xué)習(xí)降維矩陣的優(yōu)化代價(jià)函數(shù)中，可僅使用歐式距離或余弦距離作為訓(xùn)練樣本對(duì)的特征向量降維后的距離。在對(duì)優(yōu)化代價(jià)函數(shù)進(jìn)行迭代的過(guò)程中，可僅使用正樣本對(duì)或負(fù)樣本對(duì)，并且，除了使用PCA的方法得到的降維矩陣外，還可使用隨機(jī)的矩陣對(duì)度量學(xué)習(xí)降維矩陣進(jìn)行初始化。

從而，可分別通過(guò)第一度量學(xué)習(xí)降維矩陣W和第二度量學(xué)習(xí)降維矩陣V對(duì)拼接后的特征進(jìn)行降維得到第一降維特征和第二降維特征，并將第一降維特征和第二降維特征進(jìn)行拼接得到度量學(xué)習(xí)特征。具體地，對(duì)于由待識(shí)別圖像的多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接的特征向量可分別由W和V計(jì)算得到第一降維特征向量和第二降維特征向量然后，將第一降維特征向量和第二降維特征向量進(jìn)行拼接得到度量學(xué)習(xí)特征向量其維數(shù)為2l。

S103，根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行識(shí)別。

具體地，可參照相關(guān)技術(shù)中根據(jù)圖像的特征對(duì)圖像進(jìn)行識(shí)別的方法。舉例來(lái)說(shuō)，可使用相應(yīng)的分類(lèi)器根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行識(shí)別。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，通過(guò)將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接， 并對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征，然后根據(jù)度量學(xué)習(xí)特征對(duì)所述圖像進(jìn)行識(shí)別。由此，通過(guò)將圖像的多維局部特征和深度學(xué)習(xí)特征結(jié)合起來(lái)，由多維局部特征描述圖像中的細(xì)節(jié)，由深度學(xué)習(xí)特征描述圖像中的整體紋理和形狀，同時(shí)通過(guò)度量學(xué)習(xí)增加不同類(lèi)別圖像的類(lèi)間距離，減少同一類(lèi)別圖像的類(lèi)內(nèi)距離，從而提高了不同類(lèi)別圖像的區(qū)分度，減小了同一類(lèi)別圖像的差別，極大地提高了圖像識(shí)別的精度。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，圖像可為包含有人臉的商品展示圖像，例如購(gòu)物網(wǎng)站上的通過(guò)模特著裝展示的服飾類(lèi)商品、畫(huà)報(bào)封面圖和廣告圖等。根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行識(shí)別可具體包括：根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行人臉識(shí)別。為防止部分商家在購(gòu)物網(wǎng)站的商品展示圖像中，在未經(jīng)授權(quán)時(shí)，以盈利為目的非法使用明星或其他人的肖像，本申請(qǐng)據(jù)此提出了對(duì)圖像進(jìn)行人臉識(shí)別的方法。如圖4所示，為進(jìn)行人臉識(shí)別，本申請(qǐng)實(shí)施例的圖像識(shí)別方法，可包括以下步驟：

S401，提取人臉圖像的多維度局部特征，并提取人臉圖像的深度學(xué)習(xí)特征。

其中，在本申請(qǐng)的實(shí)施例中，對(duì)于像素值大于100*100的人臉圖像有更好的識(shí)別效果

S402，將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，并通過(guò)度量學(xué)習(xí)對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征。

S403，根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行人臉識(shí)別。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別方法，能夠精確地識(shí)別出同一個(gè)人在不同姿態(tài)、表情和各種復(fù)雜背景下的人臉圖像，同時(shí)能夠精確地區(qū)分不同人的人臉圖像，由此可以對(duì)大量圖像中的人臉進(jìn)行精確的識(shí)別，從而可以實(shí)現(xiàn)對(duì)商品圖像中明星肖像使用資質(zhì)的審查。

為實(shí)現(xiàn)上述實(shí)施例的圖像識(shí)別方法，本申請(qǐng)還提出一種圖像識(shí)別裝置。

圖5為根據(jù)本申請(qǐng)一個(gè)實(shí)施例的圖像識(shí)別裝置的結(jié)構(gòu)框圖。

如圖5所示，本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，包括：提取模塊10、學(xué)習(xí)模塊20和識(shí)別模塊30。

其中，提取模塊10用于提取圖像的多維度局部特征，并提取圖像的深度學(xué)習(xí)特征。

在本申請(qǐng)的實(shí)施例中，該圖像為待識(shí)別圖像，本申請(qǐng)對(duì)待識(shí)別圖像的格式、大小和來(lái)源不做限定，其中，格式可以為但不限于JPG、PNG、TIF、BMP等。應(yīng)當(dāng)理解，對(duì)于圖像分辨率越大的待識(shí)別圖像，識(shí)別效果越好。對(duì)于圖像的來(lái)源，可以是SD卡中所存儲(chǔ)的圖像；可以是通過(guò)攝像機(jī)拍攝、圖片抓取軟件抓取等方式獲取的圖像；還可以是通過(guò)網(wǎng)絡(luò)從云端服務(wù)器下載的圖像等。

在本申請(qǐng)的一個(gè)實(shí)施例中，圖像的多維度局部特征的提取過(guò)程可具體包括：對(duì)圖像進(jìn)行尺度轉(zhuǎn)化，以生成與圖像內(nèi)容相同、尺寸不同的多個(gè)轉(zhuǎn)化圖像；分別確定每個(gè)轉(zhuǎn)化圖像中的多個(gè)關(guān)鍵點(diǎn)位置；分別提取每個(gè)轉(zhuǎn)化圖像中多個(gè)關(guān)鍵點(diǎn)位置的局部高維特征；將提取到的局 部高維特征進(jìn)行拼接，以得到圖像的多維度局部特征。其中，圖像中的關(guān)鍵點(diǎn)指圖像中的主要特征點(diǎn)。以人臉圖像為例，關(guān)鍵點(diǎn)可以是雙眼、鼻子和嘴角等。在本申請(qǐng)的一個(gè)實(shí)施例中，可通過(guò)對(duì)圖像進(jìn)行角點(diǎn)檢測(cè)以確定圖像中關(guān)鍵點(diǎn)的位置。舉例來(lái)說(shuō)，常見(jiàn)的角點(diǎn)檢測(cè)方法可包括harris角點(diǎn)檢測(cè)(一種基于模板的角點(diǎn)檢測(cè))，Shi-Tomasi角點(diǎn)檢測(cè)(harris角點(diǎn)檢測(cè)的改進(jìn)，于1994年在文章Good Features to Track中提出)，F(xiàn)AST(Features from Accelerated Segment Test，加速分割實(shí)驗(yàn)特征)角點(diǎn)檢測(cè)，尺度不變surf(Speeded Up Robust Features，加速魯棒特征)檢測(cè)，尺度不變sift(Scale invariant feature Transform，尺度不變特征變換)檢測(cè)等。

舉例而言，一幅圖像進(jìn)行尺度轉(zhuǎn)化后可生成如圖2所示的與圖像內(nèi)容相同、尺寸分別為300*300、212*212、150*150、106*106和75*75的5個(gè)轉(zhuǎn)化圖像。圖2所示的示例中的圖像為一張人臉圖像，因此，可將5個(gè)轉(zhuǎn)化圖像中的雙眼、鼻子和兩個(gè)嘴角作為關(guān)鍵點(diǎn)，即每張轉(zhuǎn)化圖像具有5個(gè)關(guān)鍵點(diǎn)。將每個(gè)轉(zhuǎn)化圖像中的各個(gè)關(guān)鍵點(diǎn)所在區(qū)域劃分為4*4的方格，其中每個(gè)小方格的像素值為10*10。然后在每個(gè)小方格內(nèi)提取59維規(guī)格相同的LBP特征，并將所有特征拼接起來(lái)，得到長(zhǎng)度為5*5*4*4*59的特征向量，即23600維局部特征向量。其中，在每個(gè)小方格內(nèi)除可提取LBP特征外，還可提取SIFT、HOG和Gabor等特征，或提取以上兩個(gè)或多個(gè)特征的組合，本申請(qǐng)對(duì)特征提取過(guò)程中所提取的特征類(lèi)型不做限定，可以是上述或者其他特征中的任意一種。

在本申請(qǐng)的一個(gè)實(shí)施例中，提取圖像的深度學(xué)習(xí)特征具體包括：根據(jù)深度學(xué)習(xí)模型對(duì)圖像進(jìn)行深度特征學(xué)習(xí)，以提取深度學(xué)習(xí)特征。其中，深度特征學(xué)習(xí)模型為預(yù)先根據(jù)大量訓(xùn)練圖像進(jìn)行訓(xùn)練得到的。

本申請(qǐng)實(shí)施例的深度學(xué)習(xí)模型，可選地，除DCNN外，還可使用Auto Encoder和DBM等。在深度學(xué)習(xí)過(guò)程中，初始的訓(xùn)練參數(shù)可選用已公開(kāi)的初始參數(shù)，優(yōu)選地，為提高學(xué)習(xí)的速度和精確度，還可采用分層的預(yù)訓(xùn)練的方式獲得初始的訓(xùn)練參數(shù)。本申請(qǐng)對(duì)深度學(xué)習(xí)模型和初始訓(xùn)練參數(shù)的選擇不作具體限定。

以DCNN為例，對(duì)模型訓(xùn)練的過(guò)程進(jìn)行說(shuō)明。具體地，以對(duì)人臉圖像進(jìn)行訓(xùn)練為例，首先，可從網(wǎng)絡(luò)下載或者從公開(kāi)數(shù)據(jù)庫(kù)如WebFace等獲取訓(xùn)練圖像，例如可獲取10000個(gè)人的人臉圖像作為訓(xùn)練圖像，首先使用人臉檢測(cè)和人臉關(guān)鍵點(diǎn)定位過(guò)濾訓(xùn)練圖像，以去除沒(méi)有人臉或者有多張人臉的圖像。然后對(duì)過(guò)濾后的訓(xùn)練圖像進(jìn)行幾何歸一化，并將每個(gè)人臉圖像的大小調(diào)整為250*250，并將圖像按人進(jìn)行分類(lèi)。例如樣本中有10000個(gè)人，每個(gè)人都有多張人臉圖像，在每個(gè)人對(duì)應(yīng)的多張人臉圖像中隨機(jī)選擇100張作為訓(xùn)練數(shù)據(jù)，構(gòu)成10000個(gè)訓(xùn)練數(shù)據(jù)集。若某個(gè)樣本的人臉圖像不足100張的，可隨機(jī)重復(fù)其已有的人臉圖像，湊齊100張。另外，也可先選定樣本，即選定10000個(gè)人，再依次選擇每個(gè)人的100張人臉圖像， 生成10000個(gè)訓(xùn)練數(shù)據(jù)集。

然后將訓(xùn)練數(shù)據(jù)集輸入DCNN。如圖3所示，DCNN由2個(gè)Convolution(卷積)層、5個(gè)Pooling(池化)層、9個(gè)Inception層(一種多尺度的網(wǎng)絡(luò)結(jié)構(gòu)，包含Convolution和Pooling層)、3個(gè)Full-Connection(全連接層)、1個(gè)Dropout(部分連接)層和3個(gè)Softmax(分類(lèi)器)構(gòu)成。圖像在DCNN中的訓(xùn)練過(guò)程可包括前向預(yù)測(cè)和反向傳播。其中，前向預(yù)測(cè)是指將圖像輸入DCNN后，自圖3中的Convolution1開(kāi)始，根據(jù)網(wǎng)絡(luò)連接上的權(quán)重逐層計(jì)算訓(xùn)練圖像，直到最后預(yù)測(cè)分類(lèi)結(jié)果。反向傳播是指自圖3中Softmax3開(kāi)始反向逐層更新網(wǎng)絡(luò)連接上的權(quán)重?？山惶孢M(jìn)行前向預(yù)測(cè)和反向傳播的過(guò)程，直至圖像特征的精度達(dá)到要求(收斂于預(yù)設(shè)的值)，得到深度學(xué)習(xí)模型。其中，Softmax1和Softmax2可防止因反向傳播而導(dǎo)致的訓(xùn)練梯度衰減，并且可以得到圖像的中層特征描述。

在本申請(qǐng)的實(shí)施例中，可隨機(jī)選擇初始的訓(xùn)練參數(shù)，并設(shè)定初始的訓(xùn)練速率為0.01，依上述訓(xùn)練過(guò)程對(duì)人臉圖像進(jìn)行訓(xùn)練，然后在訓(xùn)練過(guò)程中多次調(diào)小訓(xùn)練速率，直到人臉圖像特征的精度收斂于預(yù)設(shè)的值，得到的DCNN的權(quán)重系數(shù)即為深度學(xué)習(xí)模型。繼而可根據(jù)該深度學(xué)習(xí)模型提取圖像的深度學(xué)習(xí)特征向量。

學(xué)習(xí)模塊20用于將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，并通過(guò)度量學(xué)習(xí)對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征。

在本申請(qǐng)的一個(gè)實(shí)施例中，可將提取模塊10所提取的待識(shí)別圖像的多維度局部特征向量和深度學(xué)習(xí)特征向量拼接在一起，形成該圖像對(duì)應(yīng)的一個(gè)多維向量。然后分別使用預(yù)先訓(xùn)練的度量學(xué)習(xí)降維矩陣對(duì)拼接后的多維向量進(jìn)行降維處理以得到度量學(xué)習(xí)特征。

在本申請(qǐng)的另一個(gè)實(shí)施例中，還可包括訓(xùn)練度量學(xué)習(xí)降維矩陣的過(guò)程。因此，根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，通過(guò)度量學(xué)習(xí)對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征具體還可包括：獲取圖像訓(xùn)練數(shù)據(jù)，并構(gòu)建度量學(xué)習(xí)的優(yōu)化代價(jià)函數(shù)，其中，圖像訓(xùn)練數(shù)據(jù)包括多個(gè)樣本對(duì)；以及根據(jù)圖像訓(xùn)練數(shù)據(jù)對(duì)優(yōu)化代價(jià)函數(shù)訓(xùn)練度量學(xué)習(xí)降維矩陣。其中，度量學(xué)習(xí)矩陣包括第一度量學(xué)習(xí)矩陣和第二度量學(xué)習(xí)矩陣。

在本申請(qǐng)的一個(gè)實(shí)施例中，圖像訓(xùn)練數(shù)據(jù)可由多個(gè)不同對(duì)象的在不同場(chǎng)景下的圖像所組成的多個(gè)樣本對(duì)組成。具體地，可從中隨機(jī)挑選任意兩個(gè)對(duì)象的圖像的向量組成樣本對(duì)，其中，可將同一對(duì)象在不同場(chǎng)景下的兩個(gè)圖像的向量組成正樣本對(duì)，并將不同對(duì)象的兩個(gè)圖像的向量組成負(fù)樣本對(duì)。例如，顯示在不同場(chǎng)景下同一個(gè)人的面部的兩張圖像和顯示不同人的面部的兩張圖像，對(duì)應(yīng)的兩對(duì)向量可分別作為正樣本對(duì)和負(fù)樣本對(duì)。

公式(1)即為所構(gòu)建的優(yōu)化代價(jià)函數(shù)。

其中，W為第一度量學(xué)習(xí)降維矩陣，V為第二度量學(xué)習(xí)降維矩陣，y_ij為樣本對(duì)標(biāo)簽，b為分類(lèi)閾值，φ_i和φ_j為訓(xùn)練樣本對(duì)的特征向量，φ_i和φ_j降維后的距離Wφ_i和Wφ_j分別為φ_i和φ_j根據(jù)第一度量學(xué)習(xí)降維矩陣進(jìn)行降維后的向量，為Wφ_i和Wφ_j的歐式距離，Vφ_i和Vφ_j分別為φ_i和φ_j根據(jù)第二度量學(xué)習(xí)降維矩陣進(jìn)行降維后的向量，<Vφ_i,Vφ_j>為Vφ_i和Vφ_j的余弦距離。

在本申請(qǐng)的實(shí)施例中，根據(jù)圖像訓(xùn)練數(shù)據(jù)對(duì)優(yōu)化代價(jià)函數(shù)訓(xùn)練度量學(xué)習(xí)降維矩陣可具體包括：提取圖像訓(xùn)練數(shù)據(jù)中的每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征，并對(duì)每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，繼而根據(jù)圖像訓(xùn)練數(shù)據(jù)中的每個(gè)樣本對(duì)所對(duì)應(yīng)的拼接后的特征對(duì)優(yōu)化代價(jià)函數(shù)進(jìn)行迭代以獲得度量學(xué)習(xí)降維矩陣。

具體地，對(duì)于圖像訓(xùn)練數(shù)據(jù)中的每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征的提取過(guò)程，可參照上述本申請(qǐng)實(shí)施例的待識(shí)別圖像的多維度局部特征和深度學(xué)習(xí)特征的提取過(guò)程，在此不再贅述。

假設(shè)將每個(gè)圖像的多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接后，形成一個(gè)與該圖像對(duì)應(yīng)的m維向量，且多個(gè)樣本對(duì)由n個(gè)樣本圖像組成，則可通過(guò)2階范數(shù)歸一化，使n個(gè)樣本圖像的m維向量生成一個(gè)m×n的矩陣A，再對(duì)矩陣A使用PCA的方法得到l×m的降維矩陣B。其中，l可根據(jù)對(duì)圖像識(shí)別的精度要求來(lái)設(shè)定，可以理解，一般地，l越大，圖像識(shí)別精度越高，而在本申請(qǐng)的實(shí)施例中，通過(guò)實(shí)驗(yàn)測(cè)得：當(dāng)l大于128時(shí)，隨著l的增大，對(duì)圖像識(shí)別精度的提升不再明顯。因此，在本實(shí)施例中，可令l＝128。

在本申請(qǐng)的一個(gè)實(shí)施例中，可將式(1)中的W和V使用矩陣B初始化，并交替使用正樣本對(duì)和負(fù)樣本對(duì)進(jìn)行迭代，最終得到第一度量學(xué)習(xí)降維矩陣W和第二度量學(xué)習(xí)降維矩陣V。具體的迭代過(guò)程如下：在公式(1)中，隨機(jī)選擇一個(gè)正樣本對(duì)開(kāi)始第一次迭代，得到迭代結(jié)果W₁和V₁，若W₁與W的差小于第一預(yù)設(shè)閾值且V₁與V的差小于第二預(yù)設(shè)閾值，則得到最終的結(jié)果為W＝W₁、V＝V₁，并結(jié)束迭代過(guò)程，否則令W＝W₁+△W、V＝V₁+△V，并隨機(jī)選擇一個(gè)負(fù)樣本對(duì)代入公式(1)計(jì)算W₂和V₂，若W₂與W的差小于第一預(yù)設(shè)閾值且V₂與V的差小于第二預(yù)設(shè)閾值，則得到最終的結(jié)果為W＝W₂、V＝V₂，并結(jié)束迭代過(guò)程，否則令W＝W₂+△W、V＝V₂+△V；繼續(xù)交替選擇未使用的正樣本對(duì)和負(fù)樣本對(duì)重復(fù)上述過(guò)程進(jìn)行迭代，直至W_k與W的差小于第一預(yù)設(shè)閾值且V_k與V的差小于第二預(yù)設(shè)閾值，并將W_k＝W和V_k＝V作為最終結(jié)果，即得到第一度量學(xué)習(xí)降維矩陣W和第二度量學(xué)習(xí)降維矩陣V。其中，第一預(yù)設(shè)閾值和第二預(yù)設(shè)閾值可根據(jù)實(shí)際需要來(lái)設(shè)定，可以理解的是，第一預(yù)設(shè)閾值和第二 預(yù)設(shè)閾值足夠小，從而能夠保證迭代所得到的結(jié)果近似等于W和V。

其中，△W和△V在每次迭代過(guò)程中根據(jù)所選擇的樣本對(duì)的不同而變化。具體地，△W為式中關(guān)于矩陣W的偏導(dǎo)數(shù)的值，△V為式中關(guān)于矩陣V的偏導(dǎo)數(shù)的值。

此外，根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，可選地，在用于獲取度量學(xué)習(xí)降維矩陣的優(yōu)化代價(jià)函數(shù)中，可僅使用歐式距離或余弦距離作為訓(xùn)練樣本對(duì)的特征向量降維后的距離。在對(duì)優(yōu)化代價(jià)函數(shù)進(jìn)行迭代的過(guò)程中，可僅使用正樣本對(duì)或負(fù)樣本對(duì)，并且，除了使用PCA的方法得到的降維矩陣外，還可使用隨機(jī)的矩陣對(duì)度量學(xué)習(xí)降維矩陣進(jìn)行初始化。

從而，可分別通過(guò)第一度量學(xué)習(xí)降維矩陣W和第二度量學(xué)習(xí)降維矩陣V對(duì)拼接后的特征進(jìn)行降維得到第一降維特征和第二降維特征，并將第一降維特征和第二降維特征進(jìn)行拼接得到度量學(xué)習(xí)特征。具體地，對(duì)于由待識(shí)別圖像的多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接的特征向量可分別由W和V計(jì)算得到第一降維特征向量和第二降維特征向量然后，將第一降維特征向量和第二降維特征向量進(jìn)行拼接得到度量學(xué)習(xí)特征向量其維數(shù)為2l。

識(shí)別模塊30用于根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行識(shí)別。

具體地，可參照相關(guān)技術(shù)中根據(jù)圖像的特征對(duì)圖像進(jìn)行識(shí)別的方法。舉例來(lái)說(shuō)，識(shí)別模塊30可通過(guò)相應(yīng)的分類(lèi)器根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行識(shí)別。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，通過(guò)將多維度局部特征和深度學(xué)習(xí)特征進(jìn)行拼接，并對(duì)拼接后的特征進(jìn)行學(xué)習(xí)以得到度量學(xué)習(xí)特征，然后根據(jù)度量學(xué)習(xí)特征對(duì)所述圖像進(jìn)行識(shí)別。由此，通過(guò)將圖像的多維局部特征和深度學(xué)習(xí)特征結(jié)合起來(lái)，由多維局部特征描述圖像中的細(xì)節(jié)，由深度學(xué)習(xí)特征描述圖像中的整體紋理和形狀，同時(shí)通過(guò)度量學(xué)習(xí)增加不同類(lèi)別圖像的類(lèi)間距離，減少同一類(lèi)別圖像的類(lèi)內(nèi)距離，從而提高了不同類(lèi)別圖像的區(qū)分度，減小了同一類(lèi)別圖像的差別，極大地提高了圖像識(shí)別的精度。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，圖像可為包含有人臉的商品展示圖像，例如購(gòu)物網(wǎng)站上的通過(guò)模特著裝展示的服飾類(lèi)商品、畫(huà)報(bào)封面圖和廣告圖等。為防止部分商家在購(gòu)物網(wǎng)站的商品展示圖像中，在未經(jīng)授權(quán)時(shí)，以盈利為目的非法使用明星或其他人的肖像，本申請(qǐng)實(shí)施例的識(shí)別模塊30可具體用于：根據(jù)度量學(xué)習(xí)特征對(duì)圖像進(jìn)行人臉識(shí)別。

根據(jù)本申請(qǐng)實(shí)施例的圖像識(shí)別裝置，能夠精確地識(shí)別出同一個(gè)人在不同姿態(tài)、表情和各種復(fù)雜背景下的人臉圖像，同時(shí)能夠精確地區(qū)分不同人的人臉圖像，由此可以對(duì)大量圖像中的人臉進(jìn)行精確的識(shí)別，從而可以實(shí)現(xiàn)對(duì)商品圖像中明星肖像使用資質(zhì)的審查。

流程圖中或在此以其他方式描述的任何過(guò)程或方法描述可以被理解為，表示包括一個(gè)或更多個(gè)用于實(shí)現(xiàn)特定邏輯功能或過(guò)程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本申請(qǐng)的優(yōu)選實(shí)施方式的范圍包括另外的實(shí)現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時(shí)的方式或按相反的順序，來(lái)執(zhí)行功能，這應(yīng)被本申請(qǐng)的實(shí)施例所屬技術(shù)領(lǐng)域的技術(shù)人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認(rèn)為是用于實(shí)現(xiàn)邏輯功能的可執(zhí)行指令的定序列表，可以具體實(shí)現(xiàn)在任何計(jì)算機(jī)可讀介質(zhì)中，以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備(如基于計(jì)算機(jī)的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設(shè)備取指令并執(zhí)行指令的系統(tǒng))使用，或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用。就本說(shuō)明書(shū)而言，"計(jì)算機(jī)可讀介質(zhì)"可以是任何可以包含、存儲(chǔ)、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用的裝置。計(jì)算機(jī)可讀介質(zhì)的更具體的示例(非窮盡性列表)包括以下：具有一個(gè)或多個(gè)布線的電連接部(電子裝置)，便攜式計(jì)算機(jī)盤(pán)盒(磁裝置)，隨機(jī)存取存儲(chǔ)器(RAM)，只讀存儲(chǔ)器(ROM)，可擦除可編輯只讀存儲(chǔ)器(EPROM或閃速存儲(chǔ)器)，光纖裝置，以及便攜式光盤(pán)只讀存儲(chǔ)器(CDROM)。另外，計(jì)算機(jī)可讀介質(zhì)甚至可以是可在其上打印所述程序的紙或其他合適的介質(zhì)，因?yàn)榭梢岳缤ㄟ^(guò)對(duì)紙或其他介質(zhì)進(jìn)行光學(xué)掃描，接著進(jìn)行編輯、解譯或必要時(shí)以其他合適方式進(jìn)行處理來(lái)以電子方式獲得所述程序，然后將其存儲(chǔ)在計(jì)算機(jī)存儲(chǔ)器中。

應(yīng)當(dāng)理解，本申請(qǐng)的各部分可以用硬件、軟件、固件或它們的組合來(lái)實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲(chǔ)在存儲(chǔ)器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來(lái)實(shí)現(xiàn)。例如，如果用硬件來(lái)實(shí)現(xiàn)，和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來(lái)實(shí)現(xiàn)：具有用于對(duì)數(shù)據(jù)信號(hào)實(shí)現(xiàn)邏輯功能的邏輯門(mén)電路的離散邏輯電路，具有合適的組合邏輯門(mén)電路的專用集成電路，可編程門(mén)陣列(PGA)，現(xiàn)場(chǎng)可編程門(mén)陣列(FPGA)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。

此外，在本申請(qǐng)各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理模塊中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)模塊中。上述集成的模塊既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷(xiāo)售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。

上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤(pán)或光盤(pán)等。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本申請(qǐng)的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本申請(qǐng)的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本申請(qǐng)的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本申請(qǐng)的范圍由權(quán)利要求及其等同限定。