本發(fā)明涉及人臉圖像識別領(lǐng)域，具體而言，涉及一種人臉圖像的檢索方法及裝置。

背景技術(shù)：

隨著社會的不斷發(fā)展以及各方面對于快速有效的自動身份驗(yàn)證的迫切要求，生物特征識別技術(shù)在近幾十年中得到了飛速的發(fā)展。其中人臉識別技術(shù)的研究吸引了大批研究者。人臉識別技術(shù)應(yīng)用非常廣泛，如協(xié)助公安部門刑偵破案，機(jī)器自動進(jìn)行身份驗(yàn)證，視頻監(jiān)控跟蹤識別，人臉面部表情分析等等。當(dāng)前很多國家展開了有關(guān)人臉識別的研究，方法主要集中在模板匹配、示例學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、基于隱馬爾可夫模型的方法，基于支持向量機(jī)的方法。

在計(jì)算機(jī)人臉識別中，可以將那些通過大量圖像數(shù)據(jù)簡單處理后獲得的特征定義為低層次特征，而將線、面、模式等描述特征定義為高層次特征。圖象主成分分析(Principal Component Analysis，簡稱為PCA)特征、小波變換特征及一些統(tǒng)計(jì)特征均屬低層次特征的范疇，而人臉部件形狀分析的結(jié)果則為高層次特征。采用男性，女性，微笑，黑發(fā)，帶眼鏡等屬性用于人臉識別能獲得不錯(cuò)的結(jié)果。此外，利用和某個(gè)人臉的相似性數(shù)據(jù)也可以進(jìn)行人臉識別。戶外臉部檢測圖庫(Labeled Faces in the Wild，簡稱為LFW)和哥倫比亞大學(xué)公眾人物臉部圖庫(Public Figures Face Database，簡稱為Pubfig)是兩個(gè)獨(dú)立的公共數(shù)據(jù)集，其中的圖片都是在非受控環(huán)境下獲取的。這兩個(gè)數(shù)據(jù)集中的姿勢、表情、光照等不同會對人臉識別造成很大影響。相關(guān)技術(shù)中傳統(tǒng)的方法只使用低層次特征進(jìn)行人臉識別，導(dǎo)致人臉檢索效果不佳。

針對相關(guān)技術(shù)中的上述，目前尚未存在有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種人臉圖像的檢索方法及裝置，以至少解決相關(guān)技術(shù)中使用低層次特征進(jìn)行人臉識別，導(dǎo)致人臉檢索效果不佳的問題。

本發(fā)明提供了一種人臉圖像的檢索方法，包括：對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的所述人臉圖像的屬性特征；對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的所述指定語義特征相對于所述圖庫中的屬性特征的相似性特征；將所述第一數(shù)量的屬性特征與所述第二數(shù)量的相似性特征作為所述圖庫中每幅人臉圖像的特征向量；通過預(yù)設(shè)規(guī)則計(jì)算待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量的匹配度，依據(jù)所述匹配度檢索出與所述待檢測圖像匹配的一個(gè)或多個(gè)圖像。

進(jìn)一步地，所述對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的所述人臉圖像的屬性特征包括：對所述圖庫中每幅人臉圖像中的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，所述關(guān)鍵點(diǎn)包括：雙眼的四個(gè)眼角、鼻尖以及嘴巴兩端；依據(jù)所述關(guān)鍵點(diǎn)對所述人臉圖像進(jìn)行區(qū)域的劃分，并 抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；根據(jù)屬性分類器對不同區(qū)域的多個(gè)所述人臉底層特征進(jìn)行分類學(xué)習(xí)得到不同類型的所述第一數(shù)量的屬性特征。

進(jìn)一步地，對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的所述指定語義特征相對于所述圖庫中的屬性特征的相似性特征包括：對所述第一預(yù)定數(shù)量參考人臉圖像的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，所述關(guān)鍵點(diǎn)包括：雙眼四個(gè)眼角、鼻尖以及嘴巴兩端；依據(jù)所述關(guān)鍵點(diǎn)對所述指定語義特征進(jìn)行抽取得到與所述指定語義特征對應(yīng)的數(shù)據(jù)集，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；根據(jù)相似性分類器對所述數(shù)據(jù)集進(jìn)行分類學(xué)習(xí)得到第二數(shù)量的所述相似性特征。

進(jìn)一步地，所述屬性分類器和所述相似性分類器包括：支持向量機(jī)SVM分類器。

進(jìn)一步地，通過預(yù)設(shè)規(guī)則對待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量進(jìn)行計(jì)算，依據(jù)計(jì)算結(jié)果檢索出一個(gè)或多個(gè)與所述待檢測圖像匹配的圖像包括：獲取所述待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量；對所述待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量進(jìn)行距離計(jì)算，所述距離計(jì)算的方法包括：余弦距離方法、歐式距離方法；對多個(gè)計(jì)算結(jié)果按照從大到小的規(guī)則進(jìn)行排序，并從排序后的計(jì)算結(jié)果中選擇取值靠前的第二預(yù)定數(shù)量的計(jì)算結(jié)果對應(yīng)的人臉圖像作為所述待檢索圖像的匹配圖像。

根據(jù)本發(fā)明的另一個(gè)方面，提供了一種人臉圖像的檢索裝置，包括：第一語義特征提取模塊，用于對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的所述人臉圖像的屬性特征；第二語義特征提取模塊，用于對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的所述指定語義特征相對于所述圖庫中的屬性特征的相似性特征；處理模塊，用于將所述第一數(shù)量的屬性特征與所述第二數(shù)量的相似性特征作為所述圖庫中每幅人臉圖像的特征向量；檢索模塊，用于通過預(yù)設(shè)規(guī)則計(jì)算待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量的匹配度，依據(jù)所述匹配度檢索出與所述待檢測圖像匹配的一個(gè)或多個(gè)圖像。

進(jìn)一步地，所述第一語義特征提取模塊包括：第一檢測單元，用于對所述圖庫中每幅人臉圖像中的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，所述關(guān)鍵點(diǎn)包括：四個(gè)眼角、鼻尖以及嘴巴兩端；第一處理單元，用于依據(jù)所述關(guān)鍵點(diǎn)對所述人臉圖像進(jìn)行區(qū)域的劃分，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；第二語義特征提取單元，用于根據(jù)屬性分類器對不同區(qū)域的多個(gè)所述人臉底層特征進(jìn)行分類學(xué)習(xí)得到不同類型的所述第一數(shù)量的屬性特征。

進(jìn)一步地，所述第二語義特征提取模塊包括：第二檢測單元，用于對所述第一預(yù)定數(shù)量參考人臉圖像的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，所述關(guān)鍵點(diǎn)包括：雙眼四個(gè)眼角、鼻尖以及嘴巴兩端；第二處理單元，用于依據(jù)所述關(guān)鍵點(diǎn)對所述指定語義特征進(jìn)行抽取得到與所述指定語義特征對應(yīng)的數(shù)據(jù)集，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；第二語義特征提取單元，用于根據(jù)相似性分類器對所述數(shù)據(jù)集進(jìn)行分類學(xué)習(xí)得到第二數(shù)量的所述相似性特征。

進(jìn)一步地，所述屬性分類器和所述相似性分類器包括：支持向量機(jī)SVM分類器。

進(jìn)一步地，所述檢索模塊包括：獲取單元，用于獲取所述待檢索圖像的特征向量與所述 圖庫中每幅圖像的特征向量；計(jì)算單元，用于對所述待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量進(jìn)行距離計(jì)算，所述距離計(jì)算的方法包括：余弦距離方法、歐式距離方法；檢索單元，用于對多個(gè)計(jì)算結(jié)果按照從大到小的規(guī)則進(jìn)行排序，并從排序后的計(jì)算結(jié)果中選擇取值靠前的第二預(yù)定數(shù)量的計(jì)算結(jié)果對應(yīng)的人臉圖像作為所述待檢索圖像的匹配圖像。

在本發(fā)明中，采用的是對人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的屬性特征，此外還對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的指定語義特征相對于圖庫中的屬性特征的相似性特征，通過得到的第一數(shù)量的屬性特征與第二數(shù)量的相似性特征得到每幅圖像的特征向量，通過待檢測圖像與圖庫中圖像的特征向量比較，檢索出與待檢測圖像匹配的一個(gè)或多個(gè)圖像，即是通過待檢測圖像與圖庫中的圖像的特征向量進(jìn)行比較，該特征向量是由于屬性特征與相似性特征組成，而屬性特征與相似性特征都屬于高層次特征，因此匹配出來的結(jié)果與待檢測圖像的匹配度高，從而解決了相關(guān)技術(shù)中使用低層次特征進(jìn)行人臉識別，導(dǎo)致人臉檢索效果不佳的問題，提高了人臉檢索的效率與匹配度。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的結(jié)構(gòu)框圖；

圖3是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的可選結(jié)構(gòu)框圖一；

圖4是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的可選結(jié)構(gòu)框圖二；

圖5是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的可選結(jié)構(gòu)框圖三；

圖6是根據(jù)本發(fā)明可選實(shí)施例的人臉關(guān)鍵點(diǎn)檢測的示意圖；

圖7是根據(jù)本發(fā)明可選實(shí)施例的坐標(biāo)系統(tǒng)示意圖；

圖8a～8b是根據(jù)本發(fā)明可選實(shí)施例的人臉圖像旋轉(zhuǎn)對齊之前和之后的對比示意圖；

圖9是根據(jù)本發(fā)明可選實(shí)施例的相似性圖像區(qū)域分割的示意圖；

圖10是根據(jù)本發(fā)明可選實(shí)施例的屬性/相似性特征分類器學(xué)習(xí)以及特征提取過程示意圖；

圖11是根據(jù)本發(fā)明可選實(shí)施例的圖片入庫以及檢索流程示意圖。

具體實(shí)施方式

下文中將參考附圖并結(jié)合實(shí)施例來詳細(xì)說明本發(fā)明。需要說明的是，在不沖突的情況下，本申請中的實(shí)施例及實(shí)施例中的特征可以相互組合。

需要說明的是，本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。

在本實(shí)施例中提供了一種人臉圖像的檢索方法，圖1是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索方法的流程圖，如圖1所示，該流程包括如下步驟：

步驟S102：對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的人臉圖像的屬性特征；

步驟S104：對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的指定語義特征相對于圖庫中的相似性特征；

步驟S106：將第一數(shù)量的屬性特征與第二數(shù)量的相似性特征作為圖庫中每幅人臉圖像的特征向量；

步驟S108：通過預(yù)設(shè)規(guī)則計(jì)算待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量的匹配度，依據(jù)所述匹配度檢索出與所述待檢測圖像匹配的一個(gè)或多個(gè)圖像。

通過步驟S102至步驟S108可知，在本實(shí)施例中首先采用的是對人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的屬性特征；此外還對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的指定語義特征相對于圖庫中的屬性特征的相似性特征，通過得到的第一數(shù)量的屬性特征與第二數(shù)量的相似性特征得到每幅圖像的特征向量，通過待檢測圖像與圖庫中圖像的特征向量比較，檢索出與待檢測圖像匹配的一個(gè)或多個(gè)圖像，也就是說，在本實(shí)施例是通過待檢測圖像與圖庫中的圖像的特征向量進(jìn)行比較，該特征向量是由于屬性特征與相似性特征組成，而屬性特征與相似性特征都屬于高層次特征，因此匹配出來的結(jié)果與待檢測圖像的匹配度高，從而解決了相關(guān)技術(shù)中使用低層次特征進(jìn)行人臉識別，導(dǎo)致人臉檢索效果不佳的問題，提高了人臉檢索的效率與匹配度。

對于上述步驟S102中涉及到的對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的人臉圖像的屬性特征的方式，在本實(shí)施例的可選實(shí)施方式中，可以通過如下方式來實(shí)現(xiàn)：

步驟S102-1：對圖庫中每幅人臉圖像中的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，關(guān)鍵點(diǎn)包括：雙眼的四個(gè)眼角、鼻尖以及嘴巴兩端；

需要說明的是，上述中涉及到的關(guān)鍵點(diǎn)僅僅是本可選實(shí)施例的優(yōu)選關(guān)鍵點(diǎn)，并不構(gòu)成對本發(fā)明的限定，例如其他關(guān)鍵點(diǎn)：頭發(fā)、下巴、耳朵等等都是可以的。也就是說，只要是人臉上的特征都是可以的。

步驟S102-2：依據(jù)關(guān)鍵點(diǎn)對人臉圖像進(jìn)行區(qū)域的劃分，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；

步驟S102-3：根據(jù)屬性分類器對不同區(qū)域的多個(gè)人臉底層特征進(jìn)行分類學(xué)習(xí)得到不同類型的第一數(shù)量的屬性特征。

上述步驟S102-1至步驟S102-3，在本實(shí)施例的具體應(yīng)用場景中，該第一數(shù)量可選取值為 69，因?yàn)槿四槍傩蕴卣靼ǎ耗行?，女性，微笑，黑發(fā)，帶眼鏡等等，這些都描述了人臉的語義特征，而人臉屬性分類器的目標(biāo)是對人臉圖像進(jìn)行分類，判斷該人臉圖像是否具有某個(gè)屬性，即在具體應(yīng)用場景基于上述步驟可以訓(xùn)練微笑、黑發(fā)、戴眼鏡等69個(gè)屬性特征的分類器用于表示人臉特征，而屬性特征提取就是通過訓(xùn)練得到的屬性特征分類器提取人臉的屬性特征，也就是通過69個(gè)訓(xùn)練好的屬性分類器對圖像計(jì)算得到69個(gè)屬性值，拼接形成該圖像屬性特征。

基于上述描述，在本實(shí)施例的可選實(shí)施方式中，該步驟S102-1至步驟S103-3中涉及到的方式可以是：

首先，是抽取屬性的底層特征：對圖庫中的每張人臉圖像進(jìn)行人臉檢測，關(guān)鍵點(diǎn)定位，獲得人臉圖像的關(guān)鍵點(diǎn)信息，將圖片旋轉(zhuǎn)對齊。根據(jù)屬性需求對圖像進(jìn)行區(qū)域分割(例如眼鏡屬性對應(yīng)的區(qū)域?yàn)檠劬^(qū)域，白頭發(fā)屬性對應(yīng)的區(qū)域?yàn)轭^發(fā)區(qū)域)，不同的屬性可能需要分割出不同數(shù)目的區(qū)域。對分割出的區(qū)域提取出該屬性該區(qū)域有效的底層特征。

然后，將抽取出的底層屬性特征分為數(shù)量相等的兩部分，一半用于訓(xùn)練，一半用于測試(當(dāng)然這僅僅是舉例說明，其他比例也是可以的，可以根據(jù)實(shí)際情況進(jìn)行劃分)。如果某個(gè)屬性使用了多個(gè)分割區(qū)域需要先進(jìn)行特征拼接，如是否帶耳環(huán)這個(gè)屬性需要使用到左右兩邊耳朵區(qū)域。對該底層特征學(xué)習(xí)相應(yīng)的SVM屬性分類器，如笑臉屬性分類器、黑頭發(fā)屬性分類器、眼鏡屬性分類器等共69個(gè)屬性分類器。

最后，對依據(jù)屬性分類器的分類值驗(yàn)證屬性分類效果。

步驟S104中涉及到的對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的指定語義特征相對于圖庫中的屬性特征的相似性特征的方式，在本實(shí)施例的可選實(shí)施方式中，可以通過如下方式來實(shí)現(xiàn)：

步驟S104-1：對第一預(yù)定數(shù)量參考人臉圖像的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，關(guān)鍵點(diǎn)包括：雙眼四個(gè)眼角、鼻尖以及嘴巴兩端；

與上述步驟S102-1中涉及到的關(guān)鍵點(diǎn)一樣，上述中涉及到的關(guān)鍵點(diǎn)僅僅是本可選實(shí)施例的優(yōu)選關(guān)鍵點(diǎn)，并不構(gòu)成對本發(fā)明的限定，例如其他關(guān)鍵點(diǎn)：頭發(fā)、下巴、耳朵等等都是可以的。也就是說，只要是人臉上的特征都是可以的。

步驟S104-2：依據(jù)關(guān)鍵點(diǎn)對指定語義特征進(jìn)行抽取得到與指定語義特征對應(yīng)的數(shù)據(jù)集，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；

步驟S104-3:根據(jù)相似性分類器對數(shù)據(jù)集進(jìn)行分類學(xué)習(xí)得到第二數(shù)量的相似性特征。

其中，在上述涉及到的第一預(yù)定數(shù)量可以取值為10，基于此，上述步驟S104-1至步驟S104-4，在具體應(yīng)用場景中，相似性分類器的訓(xùn)練過程如下：

首先，選取例如10個(gè)參考人，分別對每個(gè)參考人單獨(dú)處理，將每個(gè)參考人所有的圖片作為正樣本，并選擇同等數(shù)量的其他人臉圖片作為負(fù)樣本，以參考人為單位構(gòu)成一個(gè)數(shù)據(jù)集。

然后，對每個(gè)數(shù)據(jù)集按照如下過程處理抽取特征：先進(jìn)行人臉檢測以及關(guān)鍵點(diǎn)定位，并將圖片旋轉(zhuǎn)對齊。接著在每張人臉圖片上分別分割出眼睛、眉毛、鼻子和嘴巴四個(gè)子塊，對四個(gè)子塊分別抽取底層特征。將這個(gè)數(shù)據(jù)集轉(zhuǎn)化成4個(gè)新的子數(shù)據(jù)集，即眼睛數(shù)據(jù)集、眉毛數(shù)據(jù)集、嘴巴數(shù)據(jù)集和鼻子數(shù)據(jù)集。

最后，將每個(gè)參考人的各個(gè)子數(shù)據(jù)集進(jìn)行劃分，一半數(shù)據(jù)作為訓(xùn)練，另一半數(shù)據(jù)作測試，在訓(xùn)練集上學(xué)習(xí)SVM模型，在測試集上驗(yàn)證相似性分類器分類效果。將訓(xùn)練產(chǎn)生的模型文件以及特征歸一化文件進(jìn)行保存，用于后續(xù)的相似性特征提取。

需要說明的是，本實(shí)施例中涉及到的屬性分類器和相似性分類器可選為支持向量機(jī)(Support Vector Machine，簡稱為SVM)屬性分類器。

此外，在本實(shí)施例的另一個(gè)可選實(shí)施方式中，步驟S108中涉及到的通過預(yù)設(shè)規(guī)則對待檢索圖像的特征向量與圖庫中每幅圖像的特征向量進(jìn)行計(jì)算，依據(jù)計(jì)算結(jié)果檢索出一個(gè)或多個(gè)與待檢測圖像匹配的圖像的方式，可以通過如下方式來實(shí)現(xiàn)：

步驟S108-1：獲取待檢索圖像的特征向量與圖庫中每幅圖像的特征向量；

步驟S108-2：對待檢索圖像的特征向量與圖庫中每幅圖像的特征向量進(jìn)行距離計(jì)算；

其中，該距離計(jì)算的方法，在本可選實(shí)施方式可以是余弦距離方法或歐式距離方法。

步驟S108-3：對多個(gè)計(jì)算結(jié)果按照從大到小的規(guī)則進(jìn)行排序，并從排序后的計(jì)算結(jié)果中選擇取值靠前的第二預(yù)定數(shù)量的計(jì)算結(jié)果對應(yīng)的人臉圖像作為待檢索圖像的匹配圖像。

在具體應(yīng)用場景中，上述步驟S108-1至步驟S108-3的方式可以是：在得到人臉圖像的屬性值和相似性值構(gòu)成的特征向量后，可以進(jìn)行基于組合人臉屬性特征和相似性特征的人臉檢索，將獲得的69個(gè)屬性值和40個(gè)相似性值拼接作為每副圖像的特征向量，再使用大間隔最近鄰居(Large Margin Nearest Neighbors，簡稱為LMNN)算法優(yōu)化特征向量每一維的權(quán)重。使用特征向量和權(quán)重便可計(jì)算兩張人臉的相似度。本實(shí)施例采用兩個(gè)向量夾角的余弦(Cosine)作為向量之間的相似性數(shù)值，cosθ取值范圍在[-1,+1]，越接近于+1，代表兩張圖片中的人臉越相似。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到根據(jù)上述實(shí)施例的方法可借助軟件加必需的通用硬件平臺的方式來實(shí)現(xiàn)，當(dāng)然也可以通過硬件，但很多情況下前者是更佳的實(shí)施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)(如ROM/RAM、磁碟、光盤)中，包括若干指令用以使得一臺終端設(shè)備(可以是手機(jī)，計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述的方法。

在本實(shí)施例中還提供了一種人臉圖像的檢索裝置，該裝置用于實(shí)現(xiàn)上述實(shí)施例及優(yōu)選實(shí)施方式，已經(jīng)進(jìn)行過說明的不再贅述。如以下所使用的，術(shù)語“模塊”可以實(shí)現(xiàn)預(yù)定功能的軟件和/或硬件的組合。盡管以下實(shí)施例所描述的裝置較佳地以軟件來實(shí)現(xiàn)，但是硬件，或者 軟件和硬件的組合的實(shí)現(xiàn)也是可能并被構(gòu)想的。

圖2是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的結(jié)構(gòu)框圖，如圖2所示，該裝置包括：第一語義特征提取模塊22，用于對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的人臉圖像的屬性特征；第二語義特征提取模塊24，與第一語義特征提取模塊22耦合連接，用于對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的指定語義特征相對于圖庫中的屬性特征的相似性特征；處理模塊26，與第二語義特征提取模塊24耦合連接，用于將第一數(shù)量的屬性特征與第二數(shù)量的相似性特征作為圖庫中每幅人臉圖像的特征向量；檢索模塊28，與處理模塊26耦合連接，用于通過預(yù)設(shè)規(guī)則計(jì)算待檢索圖像的特征向量與所述圖庫中每幅圖像的特征向量的匹配度，依據(jù)所述匹配度檢索出與所述待檢測圖像匹配的一個(gè)或多個(gè)圖像。

圖3是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的可選結(jié)構(gòu)框圖一，如圖3所示，第一語義特征提取模塊22包括：第一檢測單元32，用于對圖庫中每幅人臉圖像中的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，關(guān)鍵點(diǎn)為雙眼的四個(gè)眼角、鼻尖以及嘴巴兩端；第一處理單元34，與第一檢測單元32耦合連接，用于依據(jù)關(guān)鍵點(diǎn)對人臉圖像進(jìn)行區(qū)域的劃分，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；第二語義特征提取單元36，與第一處理單元34耦合連接，用于根據(jù)屬性分類器對不同區(qū)域的多個(gè)人臉底層特征進(jìn)行分類學(xué)習(xí)得到不同類型的屬性特征。

圖4是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的可選結(jié)構(gòu)框圖二，如圖4所示，第二語義特征提取模塊24包括：第二檢測單元42，用于對第一預(yù)定數(shù)量參考人臉圖像的關(guān)鍵點(diǎn)進(jìn)行檢測，其中，關(guān)鍵點(diǎn)包括：雙眼四個(gè)眼角、鼻尖以及嘴巴兩端；第二處理單元44，與第二檢測單元42耦合連接，用于依據(jù)關(guān)鍵點(diǎn)對指定語義特征進(jìn)行抽取得到與指定語義特征對應(yīng)的數(shù)據(jù)集，并抽取得到與不同區(qū)域?qū)?yīng)的人臉底層特征；第二語義特征提取單元46，與第二處理單元44耦合連接，用于根據(jù)相似性分類器對數(shù)據(jù)集進(jìn)行分類學(xué)習(xí)得到第二數(shù)量的相似性特征。

可選地，本實(shí)施例中涉及到的屬性分類器和相似性分類器為支持向量機(jī)SVM分類器。

圖5是根據(jù)本發(fā)明實(shí)施例的人臉圖像的檢索裝置的可選結(jié)構(gòu)框圖三，如圖5所示，檢索模塊28包括：獲取單元52，用于獲取待檢索圖像的特征向量與圖庫中每幅圖像的特征向量；計(jì)算單元54，與獲取單元52耦合連接，用于對待檢索圖像的特征向量與圖庫中每幅圖像的特征向量進(jìn)行距離計(jì)算；檢索單元56，與計(jì)算單元54耦合連接，用于對多個(gè)計(jì)算結(jié)果按照從大到小的規(guī)則進(jìn)行排序，并從排序后的計(jì)算結(jié)果中選擇取值靠前的第二預(yù)定數(shù)量的計(jì)算結(jié)果對應(yīng)的人臉圖像作為待檢索圖像的匹配圖像。

需要說明的是，上述各個(gè)模塊是可以通過軟件或硬件來實(shí)現(xiàn)的，對于后者，可以通過以下方式實(shí)現(xiàn)，但不限于此：上述模塊均位于同一處理器中；或者，上述模塊分別位于多個(gè)處理器中。

下面結(jié)合本發(fā)明的可選實(shí)施例對本發(fā)明進(jìn)行舉例說明；

本可選實(shí)施例提供了一種人臉高層語義特征的提取方法，該方法通過屬性分類器以及相似性分類器提取人臉的高層語義特征，通過組合人臉屬性特征和相似性特征進(jìn)行人臉相似性度量，實(shí)現(xiàn)相似人臉檢索，其中，包含人臉屬性分類器學(xué)習(xí)以及人臉屬性特征獲取方法，人臉相似性分類器學(xué)習(xí)以及相似性特征獲取方法，基于人臉屬性特征和相似性特征的人臉檢索三個(gè)部分，下面對該三個(gè)部分進(jìn)行詳細(xì)說明：

一、人臉屬性分類器學(xué)習(xí)以及人臉屬性特征獲取方法；

(1)人臉屬性分類器學(xué)習(xí)方式的過程：人臉屬性包括：男性，女性，微笑，黑發(fā)，帶眼鏡等，它描述了人臉的語義特征。人臉屬性分類器的目標(biāo)是對人臉圖像進(jìn)行分類，判斷該人臉圖像是否具有某個(gè)屬性。在本發(fā)明專利中，共訓(xùn)練了微笑、黑發(fā)、戴眼鏡等69個(gè)屬性特征的分類器用于人臉特征的表示。屬性特征提取就是通過訓(xùn)練得到的屬性特征分類器提取人臉的屬性特征，在本實(shí)施例中也就是通過69個(gè)訓(xùn)練好的屬性分類器對圖像計(jì)算得到69個(gè)屬性值，拼接形成該圖像屬性特征。

(2)屬性分類器的訓(xùn)練過程如下：

首先，需要獲得該屬性的標(biāo)注圖像，對每個(gè)屬性選擇一定規(guī)模的正例樣本和負(fù)例樣本人臉圖片(樣本圖片對該屬性表現(xiàn)明顯)，以此作為該屬性的標(biāo)注集。

其次，按照下面的過程抽取屬性的底層特征：對標(biāo)注集中的每張人臉圖像進(jìn)行人臉檢測，關(guān)鍵點(diǎn)定位，獲得人臉圖像的關(guān)鍵點(diǎn)信息，將圖片旋轉(zhuǎn)對齊。根據(jù)屬性需求對圖像進(jìn)行區(qū)域分割(例如眼鏡屬性對應(yīng)的區(qū)域?yàn)檠劬^(qū)域，白頭發(fā)屬性對應(yīng)的區(qū)域?yàn)轭^發(fā)區(qū)域)，不同的屬性可能需要分割出不同數(shù)目的區(qū)域。對分割出的區(qū)域提取出該屬性該區(qū)域有效的底層特征(如LBP，Gabor等)。

然后，將之前標(biāo)注集中的正負(fù)例圖像抽取出的底層屬性特征分為數(shù)量相等的兩部分，一半用于訓(xùn)練，一半用于測試。如果某個(gè)屬性使用了多個(gè)分割區(qū)域需要先進(jìn)行特征拼接，如是否帶耳環(huán)這個(gè)屬性需要使用到左右兩邊耳朵區(qū)域。對該底層特征學(xué)習(xí)相應(yīng)的SVM屬性分類器，如笑臉屬性分類器、黑頭發(fā)屬性分類器、眼鏡屬性分類器等共69個(gè)屬性分類器，此外生成訓(xùn)練集上的特征歸一化文件。將訓(xùn)練產(chǎn)生的模型文件以及特征歸一化文件進(jìn)行保存。

最后，對測試集進(jìn)行同樣的歸一化處理以及特征拼接后，依據(jù)屬性分類器的分類值驗(yàn)證屬性分類效果。

(3)人臉相似性分類器學(xué)習(xí)過程包括：

相似性分類器的訓(xùn)練目標(biāo)是訓(xùn)練參考人的五官相似性分類器，根據(jù)五官相似分類器對新的人臉圖像進(jìn)行分類，可以判斷該人臉的五官與參考人的五官是否相似。

(4)相似性分類器的訓(xùn)練過程如下：

首先，選取若干個(gè)(例如10個(gè))參考人，分別對每個(gè)參考人單獨(dú)處理，將每個(gè)參考人所有的圖片作為正樣本，并選擇同等數(shù)量的其他人臉圖片作為負(fù)樣本，以參考人為單位構(gòu)成一 個(gè)數(shù)據(jù)集。

然后，對每個(gè)數(shù)據(jù)集按照如下過程處理抽取特征：首先進(jìn)行人臉檢測，關(guān)鍵點(diǎn)定位，并將圖片旋轉(zhuǎn)對齊。接著在每張人臉圖片上分別分割出眼睛、眉毛、鼻子和嘴巴四個(gè)子塊，對四個(gè)子塊分別抽取底層特征(如LBP，Gabor等)。將這個(gè)數(shù)據(jù)集轉(zhuǎn)化成4個(gè)新的子數(shù)據(jù)集，即眼睛數(shù)據(jù)集、眉毛數(shù)據(jù)集、嘴巴數(shù)據(jù)集和鼻子數(shù)據(jù)集。

最后，將每個(gè)參考人的各個(gè)子數(shù)據(jù)集進(jìn)行劃分，一半數(shù)據(jù)作為訓(xùn)練，另一半數(shù)據(jù)作測試，在訓(xùn)練集上學(xué)習(xí)SVM模型，在測試集上驗(yàn)證相似性分類器分類效果。將訓(xùn)練產(chǎn)生的模型文件以及特征歸一化文件進(jìn)行保存，用于后續(xù)的相似性特征提取。

二、屬性特征和相似性特征提??；

(1)屬性分類器和相似性分類器的特征提取過程是類似的，如下：

首先，對于一幅輸入圖像，其提取屬性特征的過程如下，首先按照和屬性分類器訓(xùn)練中一樣的過程對人臉圖像進(jìn)行人臉檢測，關(guān)鍵點(diǎn)定位，獲得人臉圖像的關(guān)鍵點(diǎn)信息，將圖片旋轉(zhuǎn)對齊，根據(jù)各個(gè)屬性的需求對圖像進(jìn)行區(qū)域分割，并調(diào)用訓(xùn)練得到的屬性分類器進(jìn)行分類，得到屬性分類器數(shù)值，將所有的屬性分類數(shù)值進(jìn)行拼接，得到輸入圖像的人臉屬性特征。

然后，對于一幅輸入圖像提取相似性特征，其具體過程同提取屬性特征類似，具體包括：首先對人臉圖像進(jìn)行人臉檢測，關(guān)鍵點(diǎn)定位，并將圖片旋轉(zhuǎn)對齊。接著在每張人臉圖片上分別分割出眼睛、眉毛、鼻子和嘴巴四個(gè)子塊，對四個(gè)子塊分別抽取底層特征。然后調(diào)用訓(xùn)練得到相似性分類器對四個(gè)子塊分別計(jì)算相似性數(shù)值，將所有的相似性數(shù)值進(jìn)行拼接，得到輸入圖像的人臉相似性特征。

最后，最后對輸入圖像的屬性特征和相似性特征進(jìn)行拼接，這樣就得到了這張圖像的69個(gè)屬性值和40個(gè)相似性值構(gòu)成的一個(gè)特征向量。

三、基于屬性特征和相似性特征組合的人臉檢索；

在得到人臉圖像的屬性值和相似性值構(gòu)成的特征向量后，可以進(jìn)行基于組合人臉屬性特征和相似性特征的人臉檢索，如下：

將獲得的69個(gè)屬性值和40個(gè)相似性值拼接作為每副圖像的特征向量，再使用LMNN(Large Margin Nearest Neighbors)算法優(yōu)化特征向量每一維的權(quán)重。使用特征向量和權(quán)重便可計(jì)算兩張人臉的相似度。本專利采用兩個(gè)向量夾角的余弦(Cosine)作為向量之間的相似性數(shù)值，cosθ取值范圍在[-1,+1]，越接近于+1，代表兩張圖片中的人臉越相似。

下面結(jié)合附圖對本發(fā)明可選實(shí)施例進(jìn)行詳細(xì)的說明；

首先介紹本可選實(shí)施例中的算法各個(gè)部件采用的技術(shù)方案，該技術(shù)方案包括：人臉關(guān)鍵點(diǎn)檢測、圖像預(yù)處理、圖像區(qū)域分割、特征抽取、以及分類器訓(xùn)練。

(1)關(guān)鍵點(diǎn)檢測；

圖6是根據(jù)本發(fā)明可選實(shí)施例的人臉關(guān)鍵點(diǎn)檢測的示意圖，如圖6所示，本可選實(shí)施例中采用flandmark進(jìn)行快速人臉關(guān)鍵點(diǎn)檢測，檢測點(diǎn)為眼角、鼻尖和嘴巴兩端這7個(gè)關(guān)鍵點(diǎn)。

(2)圖像預(yù)處理；

圖像預(yù)處理是對原始人臉圖像的旋轉(zhuǎn)和對齊。根據(jù)得到的關(guān)鍵點(diǎn)的數(shù)據(jù)可以定位得到雙眼瞳孔位置信息。由于旋轉(zhuǎn)后的人臉的瞳孔應(yīng)該在一條直線上，即瞳孔坐標(biāo)的X值應(yīng)該相等，進(jìn)而可以計(jì)算旋轉(zhuǎn)的角度。旋轉(zhuǎn)后的圖像保存為250像素*250像素大小，不足的部分用黑色填充。

需要說明的是，本可選實(shí)施例中采用的坐標(biāo)系統(tǒng)與通常的坐標(biāo)系不同，水平方向從左向右為y軸，垂直方向從上向下為x軸。

假設(shè)一幅圖像，左右眼睛的坐標(biāo)分別為(plx,ply)和(prx,pry)，兩眼之間連線的中點(diǎn)坐標(biāo)為(mx,my)，兩眼瞳孔之間的距離為d。此時(shí)圖像放縮比例ratio＝d/dd(dd默認(rèn)為75)。兩眼連線與y軸之間的夾角為θ，兩眼連線的斜率為k。圖7是根據(jù)本發(fā)明可選實(shí)施例的坐標(biāo)系統(tǒng)示意圖，如圖7所示，橢圓代表眼睛的位置。

要從原圖像中分割出符合人臉標(biāo)準(zhǔn)圖像，需要對圖像進(jìn)行以下處理步驟：旋轉(zhuǎn)θ度,使得兩眼連線與y軸重合；進(jìn)行圖像縮放,使得兩眼距離為dd；移動圖像,使得兩眼中點(diǎn)移動到(mx,my)。

圖8a～8b是根據(jù)本發(fā)明可選實(shí)施例的人臉圖像旋轉(zhuǎn)對齊之前和之后的對比示意圖，其中，圖8a是旋轉(zhuǎn)之前，圖8b是旋轉(zhuǎn)之后；

(3)區(qū)域分割；

圖像區(qū)域分割，以分割眼睛為例，具體的做法是：找到左眼角的關(guān)鍵點(diǎn)坐標(biāo)pLeftIndex和右眼角的關(guān)鍵點(diǎn)坐標(biāo)pRightIndex，根據(jù)這兩點(diǎn)的坐標(biāo)可以計(jì)算出它們的中點(diǎn)以這個(gè)中點(diǎn)為矩形的中心點(diǎn)，定義中心點(diǎn)到矩形左右邊界的距離為centerToLeft，到矩形上下邊界的距離為centerToUp，以及定義圖像的寬為width，高為height，根據(jù)中心點(diǎn)位置以及centerToUp和centerToLeft可以得到分割區(qū)域左上角的坐標(biāo)，根據(jù)左上角坐標(biāo)以及寬和高的信息，就得到了包含分割的眼睛區(qū)域信息的圖像。

(4)特征提?。?/p>

特征抽取主要是用Gabor小波變換提取圖像塊的特征。在特征提取方面，Gabor小波變換與其它方法相比：一方面其處理的數(shù)據(jù)量較少，能滿足系統(tǒng)的實(shí)時(shí)性要求；另一方面，小波變換對光照變化不敏感，且能容忍一定程度的圖像旋轉(zhuǎn)和變形，當(dāng)采用基于夾角余弦距離進(jìn)行識別時(shí)，特征模式與待測特征不需要嚴(yán)格的對應(yīng)，故能提高系統(tǒng)的魯棒性。因此，在人臉識別的過程中我們采用Gabor小波變換方法對圖像進(jìn)行特征提取。

(5)SVM分類器；

SVM分類器訓(xùn)練使用了LIBSVM。LIBSVM是一個(gè)實(shí)現(xiàn)了支持向量機(jī)SVM算法的庫。使用LIBSVM需要兩步：首先，訓(xùn)練一個(gè)數(shù)據(jù)集獲得分類模型，然后，使用模型預(yù)測測試數(shù)據(jù)集的類標(biāo)。SVM分類器的學(xué)習(xí)目標(biāo)是在特征空間中找到一個(gè)最大化間隔的分離超平面，將不同的類分開。

2.屬性分類器相似性分類器具體實(shí)施方式；

(1)屬性分類器實(shí)施方式，屬性分類器采用了LFW數(shù)據(jù)集，對表1中69個(gè)屬性中的每個(gè)屬性，從LFW數(shù)據(jù)集中挑選出符合這個(gè)屬性和不符合這個(gè)屬性的圖片各1000張(建議不少于這個(gè)數(shù)目)，對每張圖片都進(jìn)行標(biāo)記，如符合該屬性標(biāo)記為+1，如不符合則標(biāo)記為-1。分割出屬性對應(yīng)的區(qū)域，具體區(qū)域見表2。因?yàn)槟承傩钥梢允褂孟嗤姆指顓^(qū)域，所以69個(gè)屬性可以縮減對應(yīng)到19個(gè)區(qū)域。對所用圖片抽取Gabor小波變換特征。之后將每個(gè)屬性使用LIBSVM進(jìn)行訓(xùn)練。

表1

表2

(2)相似性分類器的具體實(shí)施方式，相似性分類器采用了PubFig數(shù)據(jù)集，從PubFig圖像庫中選出10個(gè)具有代表性的人，每個(gè)人的圖片要不少于150張，分割出相似分類器所需的眼睛、眉毛、鼻子和嘴巴四個(gè)區(qū)域，圖9是根據(jù)本發(fā)明可選實(shí)施例的相似性圖像區(qū)域分割的示意圖，如圖9所示，這樣總共可以得到40個(gè)區(qū)域，分別提取特征。以第一個(gè)參考人的眼睛區(qū)域?yàn)槔?，把他自己的眼睛區(qū)域作為正例，標(biāo)記為+1。另外從圖庫中挑選出不是這個(gè)人的圖片(建議是多個(gè)不同人)，張數(shù)大致等于這個(gè)參考人所有圖片的張數(shù)，分割出眼睛區(qū)域，提取特征，作為負(fù)例，標(biāo)記為-1。同樣對分割的區(qū)域提取Gabor小波變換特征。使用LIBSVM訓(xùn)練得到40個(gè)相似性分類器。

3.計(jì)算輸入圖片的屬性特征和相似性特征以及特征權(quán)重學(xué)習(xí)；

(1)對輸入圖片進(jìn)行人臉關(guān)鍵點(diǎn)檢測，圖像預(yù)處理，圖像區(qū)域分割，特征抽取操作，19個(gè)區(qū)域得到19個(gè)區(qū)域特征。

(2)對69個(gè)屬性和40個(gè)相似性分類器模型，通過LIBSVM的svmpredict()函數(shù)可以得 到對應(yīng)的值。這樣就得到了這張圖像的69個(gè)屬性值和40個(gè)相似性值。對屬性值和相似性值進(jìn)行組合，得到這幅圖片的特征向量

(3)在輸入的已標(biāo)記人員類標(biāo)的圖片集上(采用的LFW數(shù)據(jù)集)，對圖片集上提取的屬性特征和相似性特征，使用LMNN算法優(yōu)化特征向量每一維的權(quán)重，得到

4.人臉檢索實(shí)施過程；

(1)對檢索圖庫所有圖片進(jìn)行處理得到每張圖片的109維特征向量。

(2)對新輸入的待檢索圖片也同樣處理得到109維特征向量。

(3)計(jì)算人臉圖片相似性，這里采用夾角余弦，對于兩個(gè)向量和

其中，上述公式中，<x,y>表示求兩個(gè)向量x和y之間的內(nèi)積，||·||表示求向量的模，sim(v_i,v_j)取值范圍在[-1,+1]，越接近于+1，代表兩張圖片中的人臉越相似。對待檢索圖片的特征向量和檢索庫中所有圖片的特征向量求夾角余弦，取余弦值最大的前N(默認(rèn)為1000)張圖片。被選出的靠前的圖片中的人被認(rèn)為最可能和輸入圖片中的是同一人。

本可選實(shí)施例中的人臉屬性分類器學(xué)習(xí)以及屬性特征獲取，人臉相似性分類器學(xué)習(xí)以及相似性特征獲取的流程，圖10是根據(jù)本發(fā)明可選實(shí)施例的屬性/相似性特征分類器學(xué)習(xí)以及特征提取過程示意圖，如圖10所示，該提取過程包括：屬性/相似性分類器訓(xùn)練過程和屬性/相似性分類器提取過程；

其中，屬性/相似性分類器訓(xùn)練過程的步驟包括：

步驟S1002：帶標(biāo)記圖庫；

步驟S1004：快速人臉關(guān)鍵點(diǎn)檢測；

步驟S1006：圖像預(yù)處理；

步驟S1008：圖像區(qū)域分割；

步驟S1010：特征抽??；

步驟S1012：SVM分類訓(xùn)練和測試。

屬性/相似性分類器提取過程的步驟包括：

步驟S1014：測試或檢索圖片；

步驟S1016：快速人臉關(guān)鍵點(diǎn)檢測；

步驟S1018：圖像預(yù)處理；

步驟S1020：圖像區(qū)域分割；

步驟S1022：特征抽取；

步驟S1024：計(jì)算屬性/相似性值。

需要說明的是，這兩個(gè)分類器的區(qū)別在于SSVM分類器訓(xùn)練和測試部分，屬性分類器中符合該屬性標(biāo)記為+1，如不符合則標(biāo)記為-1；相似性分類器中當(dāng)前參考人標(biāo)記為+1，其他人標(biāo)記為-1。人臉屬性特征和相似性特征的人臉檢索流程，

圖11是根據(jù)本發(fā)明可選實(shí)施例的圖片入庫以及檢索流程示意圖，如圖11所示，該過程包括兩個(gè)流程：圖片存入數(shù)據(jù)庫流程和檢索流程；

其中，圖片存入數(shù)據(jù)庫流程的步驟包括：

步驟S1102：檢索圖庫；

步驟S1104：計(jì)算屬性和相似性特征值；

步驟S1106：屬性/相似性特征組合；

步驟S1108：人像屬性/相似性特征數(shù)據(jù)庫；該步驟執(zhí)行完之后執(zhí)行步驟S1016；

檢索流程的步驟：

步驟S1110：待檢索圖片；

步驟S1112：計(jì)算屬性和相似性特征值；

步驟S1114：屬性/相似性特征組合；

步驟S1116：特征比對；

步驟S1118：檢索結(jié)果/最相似圖片。

需要說明的是，最終特征向量是包含69個(gè)屬性值和40個(gè)相似性值的109維向量。

本發(fā)明的實(shí)施例還提供了一種存儲介質(zhì)。可選地，在本實(shí)施例中，上述存儲介質(zhì)可以被設(shè)置為存儲用于執(zhí)行以下步驟的程序代碼：

S1：對圖庫中的人臉圖像的語義特征進(jìn)行訓(xùn)練得到第一數(shù)量的人臉圖像的屬性特征；

S2：對第一預(yù)定數(shù)量參考人臉圖像的指定語義特征進(jìn)行訓(xùn)練得到第二數(shù)量的指定語義特征相對于圖庫中的屬性特征的相似性特征；

S3：將第一數(shù)量的屬性特征與第二數(shù)量的相似性特征作為圖庫中每幅人臉圖像的特征向量；

S4：通過預(yù)設(shè)規(guī)則對待檢索圖像的特征向量與圖庫中每幅圖像的特征向量進(jìn)行計(jì)算，依據(jù)計(jì)算結(jié)果檢索出與待檢測圖像匹配的一個(gè)或多個(gè)圖像。可選地，本實(shí)施例中的具體示例可以參考上述實(shí)施例及可選實(shí)施方式中所描述的示例，本實(shí)施例在此不再贅述。

顯然，本領(lǐng)域的技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊或各步驟可以用通用的計(jì)算裝置來實(shí)現(xiàn)，它們可以集中在單個(gè)的計(jì)算裝置上，或者分布在多個(gè)計(jì)算裝置所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算裝置可執(zhí)行的程序代碼來實(shí)現(xiàn)，從而，可以將它們存儲在存儲裝置中由計(jì)算裝置來執(zhí)行，并且在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個(gè)集成電路模塊，或者將它們中的多個(gè)模塊或步驟制作成單個(gè)集成電路模塊來實(shí)現(xiàn)。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。