(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211014678.6 (22)申请日 2022.08.23 (65)同一申请的已公布的文献号 申请公布号 CN 115098721 A (43)申请公布日 2022.09.23 (73)专利权人 浙江大华 技术股份有限公司 地址 310053 浙江省杭州市滨江区滨安路 1187号 (72)发明人 杨凯航　殷俊　朱树磊　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 张恺宁 (51)Int.Cl. G06F 16/583(2019.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 40/16(2022.01)(56)对比文件 CN 114154006 A,2022.03.08 WO 2021012691 A1,2021.01.28 CN 111639197 A,2020.09.08 CN 114417251 A,202 2.04.29 CN 104298791 A,2015.01.21 CN 106649782 A,2017.0 5.10 CN 10713 3348 A,2017.09.0 5 CN 111930984 A,2020.1 1.13 CN 108182 256 A,2018.0 6.19 CN 104820 696 A,2015.08.0 5 王标.用于大规模图像 检索的哈希编码方法 的研究. 《中国优秀硕士学位 论文全文数据库》 .2020,第I13 6-568页. Kevin Lin.Deep learn ing of bi nary hash codes for fast ima ge retrieval. 《IE EE Xplore》 .2015,第27- 35页. 审查员 何蒙蒙 (54)发明名称 一种人脸特 征检索方法、 装置及电子设备 (57)摘要 本申请公开一种人脸特征检索方法、 装置及 电子设备， 该方法将第一正交矩阵、 第二正交矩 阵分别与待检索特征向量、 底库对应的特征向量 矩阵相乘后， 进行编码及合并得到待检索特征向 量对应的待检索编码向量， 及特征向量矩阵对应 的总编码向量矩阵， 然后 在总编码向量矩阵中确 定出待检索编码向量对应的第一目标编码向量， 并将第一目标编码向量对应的人脸特征， 作为待 检索特征向量对应的检索结果。 基于上述方法， 通过对特征向量进行编码， 可以降低底库中特征 向量对应的内存使用占比。 此外， 由于在特征向 量进行编码的过程中， 没有特征维度丢失， 使得 最终编码结果包含原始特征向量对应的全部特 征维度， 进 而提高了人脸特 征检索精度。 权利要求书3页 说明书14页 附图2页 CN 115098721 B 2022.11.01 CN 115098721 B 1.一种人脸特 征检索方法， 其特 征在于， 所述方法包括： 获取第一正交矩阵以及第二正交矩阵， 其中， 所述第一正交矩阵以及所述第二正交矩 阵分别对应的矩阵维度与特 征向量矩阵维度相同； 将所述第一正交矩阵、 所述第二正交矩阵与所述特征向量矩阵相乘， 得到所述特征向 量矩阵分别对应的第一转换向量矩阵、 第二转换向量矩阵， 其中， 所述特征向量矩阵包含底 库中的所有特征向量， 所述第一转换向量矩阵及所述第二转换向量矩阵包含所述特征向量 矩阵对应的全部特 征维度； 对所述第一转换向量矩阵、 所述第二转换向量矩阵进行编码， 得到所述特征向量矩阵 分别对应的第一编码向量矩阵、 第二编码向量矩阵； 在所述第一编码向量矩阵、 所述第二编码向量矩阵合并后的总编码向量矩阵中， 确定 出待检索编码向量对应的第一目标编码向量， 并将所述第一目标编码向量对应的人脸特 征， 作为待检索特 征向量对应的检索结果。 2.如权利要求1所述的方法， 其特征在于， 所述获取第一正交矩阵以及第二正交矩阵， 包括： 将预设训练数据输入 迭代量化哈希算法ITQ模型进行编码训练， 得到第一训练结果； 在所述第 一训练结果收敛时， 得到第 一正交矩阵， 其中， 所述第一正交矩阵能使编码误 差小于预设误差； 将所述预设训练数据输入各向同性哈希算法Iso模型进行编码训练， 得到第二训练结 果； 在所述第 二训练结果收敛时， 得到第 二正交矩阵， 其中， 所述第二正交矩阵能够对不同 维度的训练数据进行差异化处 理。 3.如权利要求1所述的方法， 其特征在于， 所述对所述第一转换向量矩阵、 所述第二转 换向量矩阵进行编码， 得到所述特征向量矩阵分别对应的第一编码向量矩阵、 第二编码向 量矩阵， 包括： 将所述第一转换向量矩阵及所述第二转换向量矩阵中的任一向量元素与第一预设阈 值进行比对； 在所述任一向量元素大于等于所述第 一预设阈值 时， 将所述任一向量元素编码为第 一 值； 在所述任一向量元 素小于所述第一预设阈值时， 将所述任一向量元 素编码为第二 值； 将编码后的第一转换向量矩阵及编码后的第二转换向量矩阵分别作为第一编码向量 矩阵及第二编码向量矩阵。 4.如权利要求1所述的方法， 其特征在于， 所述在所述第一编码向量矩阵、 所述第二编 码向量矩阵合并后的总编码向量矩阵中， 确定出待检索编码向量对应的第一目标编码向 量， 包括： 根据所述待检索编码向量与所述总编码向量矩阵中任一编码向量之间的第一相似度 值， 在所述总编码向量矩阵中确定出 所述待检索编码向量对应的各个第二目标编码向量； 将所述待检索编码向量及各个第二目标编码向量中的每个向量元素标注为第一元素 或第二元素， 其中， 第一元素表征显著人脸特征对应的特征向量元素， 第二元素表征非显著 人脸特征对应的特 征向量元 素；权　利　要　求　书 1/3 页 2 CN 115098721 B 2分别计算所述待检索编码向量中的各个第一元素与各个第二目标编码向量中的各个 第一元素之 间的第一相似度距离， 及所述待检索编 码向量中的各个第二元素与各个第二目 标编码向量中的各个第二元 素之间的第二相似度距离； 根据各个第 一相似度距离以及各个第 二相似度距离， 在各个第 二目标编码向量中确定 出所述第一目标编码向量。 5.如权利要求4所述的方法， 其特征在于， 所述将所述待检索编码向量及各个第 二目标 编码向量中的每 个向量元 素标注为第一元 素或第二元 素， 包括： 计算所述待检索编码向量中的各个向量元素及所述第二目标编码向量中的各个向量 元素分别与第二设阈值之间的差值 绝对值； 将各个差值 绝对值分别与第三预设阈值进行比较； 在任一差值绝对值大于所述第 三预设阈值 时， 将所述任一差值绝对值对应的向量元素 标注为第一元 素； 否则， 将所述任一差值 绝对值对应的向量元 素标注为第二元 素。 6.如权利要求4所述的方法， 其特征在于， 所述根据 各个第一相似度距离以及各个第 二 相似度距离， 在各个第二目标编码向量中确定出 所述第一目标编码向量， 包括： 在所述各个第一相似度距离中确定出第一目标相似度距离， 其中， 所述第一目标相似 度距离为所述待检索编码向量与所述各个第二目标编码向量中的任一目标编码向量之间 的第一相似度距离； 在所述各个第二相似度距离中确定出第二目标相似度距离， 其中， 所述第二目标相似 度距离为所述待检索编码向量与所述任一目标编码向量之间的第二相似度距离； 根据所述第 一目标相似度距离及所述第 二目标相似度距离， 计算所述待检索编码向量 与所述任一目标编码向量之间的第二相似度值； 将各个第二相似度值中的最大相似度值对应的第 二目标编码向量， 确定为所述第 一目 标编码向量。 7.一种人脸特 征检索装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取第一正交矩阵以及第二正交矩阵， 其中， 所述第 一正交矩阵以及所 述第二正交矩阵分别对应的矩阵维度与特征向量矩阵维度相同； 将所述第一正交矩阵、 所 述第二正交矩阵与所述特征向量矩阵相乘， 得到所述特征向量矩阵分别对应的第一转换向 量矩阵、 第二转换向量矩阵， 其中， 所述特征向量矩阵包含底库中的所有特征向量， 所述第 一转换向量矩阵及所述第二 转换向量矩阵包 含所述特 征向量矩阵对应的全部特 征维度； 编码模块， 用于对所述第 一转换向量矩阵、 所述第 二转换向量矩阵进行编码， 得到所述 特征向量矩阵分别对应的第一编码向量矩阵、 第二编码向量矩阵； 确定模块， 用于在所述第一编码向量矩阵、 所述第二编码向量矩阵合并后的总编码向 量矩阵中， 确定出待检索编码向量对应的第一 目标编码向量； 将所述第一 目标编码向量对 应的人脸特 征， 作为待检索特 征向量对应的检索结果。 8.一种电子设备， 其特 征在于， 包括： 存储器， 用于存放计算机程序； 处理器， 用于执行所述存储器上所存放的计算机程序时， 实现权利要求1 ‑6中任一项所 述的方法步骤。权　利　要　求　书 2/3 页 3 CN 115098721 B 3