一种基于L1范数神经网络的人脸检索方法及装置与流程
本发明涉及人脸识别领域，更具体地说，涉及一种基于l1范数神经网络的人脸检索方法与装置。
背景技术：
随着科学技术的发展，人脸检索技术也得到了快速发展。人脸检索这项技术可以从某一个人上传的一张照片中搜索出这个人的在网上的其他照片。例如用户在社交网站中的相册中，为一张照片的人物加上姓名，系统就可以利用人脸检索技术自动为同一相册中相同人脸的其他照片都加上这个姓名。另外，在搜索引擎中也有应用到人脸检索这项技术实现“以图搜图”，也就是利用一张图片可以检索出与图片中的人脸相同的其他所有图片。
但是目前人脸检索技术的精度普遍不高，尤其在双胞胎方面几乎没办法区分，而精度较高的人脸检索技术，检索时间又会很长。
因此，如何提高人脸检索精度并且降低检索时间，是本领域技术人员需要解决的问题。
技术实现要素：
本发明的目的在于提供一种基于l1范数神经网络的人脸检索方法，以提高人脸检索精度并且降低检索时间。
为实现上述目的，本发明实施例提供了如下技术方案：
一种基于l1范数神经网络的人脸检索方法，包括：
s101，利用毛孔训练样本与基于l1范数的代价函数得到神经网络；
s102，将测试图像预处理得到灰度人脸图像；
s103，将所述灰度人脸图像遍历分块得到多块人脸区域图像块；
s104，将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块；
s105，将所述人脸区域图像块与所述待匹配图像块利用所述神经网络进行匹配，得到匹配块总数；
s106，判断所述匹配块总数是否大于等于预设阈值，若是，则将此次的待匹配图像作为检索结果，停止检索，若否，则返回s104。
其中，所述s101包括：
将毛孔训练样本输入初始毛孔特征描述子生成网络，得到初始特征描述子；
利用初始特征描述子最小化基于l1范数的代价函数，训练得到目标毛孔特征描述子生成网络；
利用初始全连接层得到所述初始特征描述子的匹配结果，利用所述匹配结果与毛孔训练样本标签的差值，训练得到目标全连接层，其中所述目标全连接层与所述目标特征描述子生成网络组成神经网络。
其中，所述s105包括：
s301，将一块未匹配的人脸区域图像块与一块未匹配的待匹配图像块用所述目标毛孔特征描述子生成网络得到第一特征描述子与第二特征描述子；
s302，利用所述目标全连接层判断所述第一特征描述子与所述第二特征描述子是否匹配，若是，则将匹配块总数加一。
s303，判断人脸区域图像块与待匹配图像块是否都已进行过匹配操作，若是，则停止匹配，若否，则返回s301。
其中，所述s102包括：
截取所述测试图像的人脸部分图像；
将所述人脸部分图像进行灰度化处理得到灰度图像；
将所述灰度图像缩放至预设尺寸，得到灰度人脸图像。
其中，所述s103，包括：
将所述灰度人脸图像根据预设分块尺寸不重叠的遍历所述灰度人脸图像，舍去多余边缘得到多块人脸区域图像块。
一种基于l1范数神经网络的人脸检索装置，包括：
神经网络获取模块，用于利用毛孔训练样本与基于l1范数的代价函数得到神经网络；
预处理模块，用于将测试图像预处理得到灰度人脸图像；
第一分块模块，用于将所述灰度人脸图像遍历分块得到多块人脸区域图像块；
第二分块模块，用于将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块；
匹配模块，用于将所述人脸区域图像块与所述待匹配图像块利用所述神经网络进行匹配，得到匹配块总数；
判断模块，用于判断所述匹配块总数是否大于等于预设阈值，若是，则将此次的待匹配图像作为检索结果，停止检索，若否，则调用所述第二分块模块。
其中，所述神经网络获取模块，包括：
初始特征描述子获取单元，用于将毛孔训练样本输入初始毛孔特征描述子生成网络，得到初始特征描述子；
目标毛孔特征描述子生成网络训练单元，用于利用初始特征描述子最小化基于l1范数的代价函数，训练得到目标毛孔特征描述子生成网络；
目标全连接层训练单元，用于利用初始全连接层得到所述初始特征描述子的匹配结果，利用所述匹配结果与毛孔训练样本标签的差值，训练得到目标全连接层，其中所述目标全连接层与所述目标特征描述子生成网络组成神经网络。
其中，所述匹配模块，包括：
特征描述子获取单元，用于将一块未匹配的人脸区域图像块与一块未匹配的待匹配图像块用所述目标毛孔特征描述子生成网络得到第一特征描述子与第二特征描述子；
匹配单元，用于利用所述目标全连接层判断所述第一特征描述子与所述第二特征描述子是否匹配，若是，则将匹配块总数加一。
判断单元，用于判断人脸区域图像块与待匹配图像块是否都已进行过匹配操作，若是，则停止匹配，若否，则调用所述特征描述子获取单元。
其中，所述预处理模块，包括：
测试图像截取单元，用于截取所述测试图像的人脸部分图像；
灰度化处理单元，用于将所述人脸部分图像进行灰度化处理得到灰度图像；
缩放单元，用于将所述灰度图像缩放至预设尺寸，得到灰度人脸图像。
其中，所述第一分块模块，具体用于，将所述灰度人脸图像根据预设分块尺寸不重叠的遍历所述灰度人脸图像，舍去多余边缘得到多块人脸区域图像块。
通过以上方案可知，本发明实施例提供的一种基于l1范数神经网络的人脸检索方法，利用l1范数的代价函数与毛孔训练样本可以得到神经网络，通过神经网络在检索库中检索与测试图像匹配的图像。由于基于li范数的代价函数得到的神经网络中的参数已经确定，每次检索时不会根据测试图像不同重新定义参数，因此检索速度快，耗时很少，同时，基于l1范数确定的神经网络为深度学习的神经网络，因此有很强大的学习能力，能够充分地学习到测试图像特征信息，因此准确度很高。本发明实施例还提供一种基于l1范数神经网络的人脸检索装置，同样可以实现上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于l1范数神经网络的人脸检索方法流程图；
图2为本发明实施例公开的一种具体的基于l1范数神经网络的人脸检索方法流程图；
图3为本发明实施例公开的一种神经网络示意图；
图4为本发明实施例公开的一种具体的基于l1范数神经网络的人脸检索方法流程图；
图5为本发明实施例公开的一种具体的基于l1范数神经网络的人脸检索装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于l1范数神经网络的人脸检索方法，以提高人脸检索精度并且降低检索时间。
参见图1，本发明实施例提供的一种基于l1范数神经网络的人脸检索方法，具体包括：
s101，利用毛孔训练样本与基于l1范数的代价函数得到神经网络。
具体地，在检索前首先需要根据毛孔训练样本与基于l1范数的代价函数训练出神经网络，需要说明的是，在神经网络中有两个小网络，一个是描述子生成网络，一个是全连接层。训练神经网络的过程就是训练描述子生成网络与全连接层，训练描述子生成网络后会确定一个参数，这个参数在每次检索时都不会改变，每次检索都是使用这个训练好的神经网络，因此耗时不会很长。
s102，将测试图像预处理得到灰度人脸图像。
具体地，在接收到用户的人脸检索触发指令时，获得用户的人脸测试图像，并将测试图像进行预处理，得到符合要求的灰度人脸图像，以便匹配。
s103，将所述灰度人脸图像遍历分块得到多块人脸区域图像块。
在本方案中，是将图像分成多个小块后分块进行匹配，因此，在匹配前还需要将会对灰度人脸图像遍历分块，需要说明的是，遍历分块后得到的人脸区域图像块是不重叠的。
s104，将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块。
具体地，在检索库中按顺序找出一张没有进行检测过的图像作为待匹配图像，用于与灰度人脸图像进行匹配，并将这个图像同样遍历分块得到待匹配区域图像块。
s105，将所述人脸区域图像块与所述待匹配图像块利用所述神经网络进行匹配，得到匹配块总数。
具体地，将每块人脸区域图像块与每块待匹配图像块都送入神经网络中进行匹配。需要说明的是，这里的匹配是指逐块匹配，每一块人脸区域图像块与对应的每一块待匹配图像块进行匹配，确定两块图像是否是匹配的，然后统计出所有匹配成功的总块数。
s106，判断所述匹配块总数是否大于等于预设阈值，若是，则将此次的待匹配图像作为检索结果，停止检索，若否，则返回s104。
具体地，判断匹配成功的总数是否大于等于一个预设的阈值，如果大于，那么说明此次选择的检索库中的待匹配图像与测试图像可以判定为同一人脸的图像，则将这张图像作为检索结果，检索完成。如果没有大于这个阈值，那么需要返回s104继续在检索库中选择图像并进行匹配等操作，直至检索到检索结果。
预设的阈值可以是所有块图像数量的4/5，也就是说当匹配块总数大于等于所有块图像数量的4/5，则说明这张图像可以作为检索结果。
通过以上方案可知，本发明实施例提供的一种基于l1范数神经网络的人脸检索方法，利用l1范数的代价函数与毛孔训练样本可以得到神经网络，通过神经网络在检索库中检索与测试图像匹配的图像。由于基于li范数的代价函数得到的神经网络中的参数已经确定，每次检索时不会根据测试图像不同重新定义参数，因此检索速度快，耗时很少，同时，基于l1范数确定的神经网络为深度学习的神经网络，因此有很强大的学习能力，能够充分地学习到测试图像特征信息，因此准确度很高。
本发明实施例提供了一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的s101做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，参见图2与图3，s101包括：
s201，将毛孔训练样本输入初始毛孔特征描述子生成网络，得到初始特征描述子。
具体地，将毛孔训练杨本输入到初始毛孔特征描述子生成网络，经过多层卷积、归一操作，得到毛孔尺度的特征描述子。
s202，利用初始特征描述子最小化基于l1范数的代价函数，训练得到目标毛孔特征描述子生成网络。
具体地，参照图3，由上至下分别为卷积层、批归一化层、卷基层、批归一化层、局部响应归一层、全连接层。
具体地，定义
定义基于l1范数的匹配对的特征描述子的距离
定义特征描述子的列相似度
需要说明的是，第一图像为待测试图像，第二图像为待匹配图像。在测试样本中，包括一个待测试样本图像和一个待匹配测试图像。在利用神经网络进行检索时，测试图像为第一图像，待匹配图像为第二图像。
在训练过程中，会不断地产生特征描述子，利用特征描述子以最小化代价函数为手段，确定出目标特征描述子生成网络的参数，确定参数后，训练目标特征描述子生成网络完成。
s203，利用初始全连接层得到所述初始特征描述子的匹配结果，利用所述匹配结果与毛孔训练样本标签的差值，训练得到目标全连接层，其中所述目标全连接层与所述目标特征描述子生成网络组成神经网络。
具体地，将初始特征描述子通过全连接层得到匹配结果，最小化匹配结果和毛孔训练样本标签的差值，训练得到全连接层。
需要说明的是，匹配结果就是毛孔训练样本中待测试样本图像和一个待匹配测试图像的匹配结果，待测试样本图像和待匹配测试图像可以是整张图像，也可以是切块后的图像，在本方案中是切块后的图像。毛孔训练样本的标签为已知的毛孔训练样本中待测试样本图像和一个待匹配测试图像的预定匹配结果。
由此可见，在本方案中目标毛孔特征描述子生成网络的参数在训练时已确定，在检索时参数不会再改变，因此耗费时间极少，同时深度学习的神经网络具有很强大的学习能力，能够充分地学习到毛孔尺寸特征的信息，因此准确度高。
本发明实施例提供一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的s105做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，参见图4，s105包括：
s301，将一块未匹配的人脸区域图像块与一块未匹配的待匹配图像块用所述目标毛孔特征描述子生成网络得到第一特征描述子与第二特征描述子。
具体地，在检索时，将人脸区域图像块和待匹配图像块送入神经网络中的目标毛孔特征描述子生成网络，得到每块人脸区域图像块对应的第一特征描述子与每块待匹配图像块对应的第二特征描述子。
s302，利用所述目标全连接层判断所述第一特征描述子与所述第二特征描述子是否匹配，若是，则将匹配块总数加一。
具体地，将每一个第一特征描述子与对应的第二特征描述子送入神经网络中的目标全连接层，得到第一特征描述子与对应的第二特征描述子的匹配结果，也就是判断一个人脸区域图像块和对应的待匹配图像块是否匹配，如果匹配，那么将匹配块总数加一，匹配块总数就是所有匹配成功的图像块的总数，从0开始，每匹配成功一次则匹配块总数加一。
s303，判断人脸区域图像块与待匹配图像块是否都已进行过匹配操作，若是，则停止匹配，若否，则返回s301。
判断灰度人脸图像的人脸区域图像块与待匹配图像块是否均已进行过匹配，如果都已进行匹配，那么s302得到的匹配块总数就是最终的匹配块总数，如果还有未进行匹配的图像块，那么返回s301继续匹配。
本发明实施例提供一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的s102做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，s102包括：
截取所述测试图像的人脸部分图像；
将所述人脸部分图像进行灰度化处理得到灰度图像；
将所述灰度图像缩放至预设尺寸，得到灰度人脸图像。
具体地，首先对测试图像进行人脸检测，定位人脸并截取出人脸部分图像，对截取后的人脸部分图像进行灰度化处理，得到灰度图像，根据检索的环境，预设一个图像尺寸，将灰度人脸图像缩放至预设尺寸，进行以上预处理后，就得到了灰度人脸图像。
本发明实施例提供一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的s103做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，s103包括：
将所述灰度人脸图像根据预设分块尺寸不重叠的遍历所述灰度人脸图像，舍去多余边缘得到多块人脸区域图像块。
具体地，设定一个图像的分块尺寸，根据这个尺寸不重叠地遍历灰度人脸图像，舍去多余的边缘，就可以得到多块人脸区域图像块。
需要说明的是，在s104中，需要将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块，这里的遍历分块可以用同样的方法实现，具体地：
根据s103中的预设尺寸不重叠地遍历待匹配图像，舍去多余的边缘，就可以得到多块待匹配图像块。
下面对本发明实施例提供一种基于l1范数神经网络的人脸检索装置进行介绍，下文描述的一种基于l1范数神经网络的人脸检索装置与上文描述的一种基于l1范数神经网络的人脸检索方法可以相互参照。
参见图5，本发明实施例提供的一种基于l1范数神经网络的人脸检索装置，具体包括：
神经网络获取模块401，用于利用毛孔训练样本与基于l1范数的代价函数得到神经网络。
具体地，在检索前首先需要神经网络获取模块401根据毛孔训练样本与基于l1范数的代价函数训练出神经网络，需要说明的是，在神经网络中有两个小网络，一个是描述子生成网络，一个是全连接层。训练神经网络的过程就是训练描述子生成网络与全连接层，训练描述子生成网络后会确定一个参数，这个参数在每次检索时都不会改变，每次检索都是使用这个训练好的神经网络，因此耗时不会很长。
预处理模块402，用于将测试图像预处理得到灰度人脸图像。
具体地，在接收到用户的人脸检索触发指令时，预处理模块402获得用户的人脸测试图像，并将测试图像进行预处理，得到符合要求的灰度人脸图像，以便匹配。
第一分块模块403，用于将所述灰度人脸图像遍历分块得到多块人脸区域图像块。
在本方案中，是将图像分成多个小块后分块进行匹配，因此，在匹配前还需要将会对灰度人脸图像遍历分块，需要说明的是，通过第一分块模块403遍历分块后得到的人脸区域图像块是不重叠的。
第二分块模块404，用于将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块。
具体地，在检索库中按顺序找出一张没有进行检测过的图像作为待匹配图像，用于与灰度人脸图像进行匹配，并通过第二分块模块404将这个图像同样遍历分块得到待匹配区域图像块。
匹配模块405，用于将所述人脸区域图像块与所述待匹配图像块利用所述神经网络进行匹配，得到匹配块总数。
具体地，匹配模块405将每块人脸区域图像块与每块待匹配图像块都送入神经网络中进行匹配。需要说明的是，这里的匹配是指逐块匹配，每一块人脸区域图像块与对应的每一块待匹配图像块进行匹配，确定两块图像是否是匹配的，然后统计出所有匹配成功的总块数。
判断模块406，用于判断所述匹配块总数是否大于等于预设阈值，若是，则将此次的待匹配图像作为检索结果，停止检索，若否，则调用所述第二分块模块。
具体地，判断模块406判断匹配成功的总数是否大于等于一个预设的阈值，如果大于，那么说明此次选择的检索库中的待匹配图像与测试图像可以判定为同一人脸的图像，则将这张图像作为检索结果，检索完成。如果没有大于这个阈值，那么需要调用第二分块模块404，继续在检索库中选择图像并进行匹配等操作，直至检索到检索结果。
预设的阈值可以是所有块图像数量的4/5，也就是说当匹配块总数大于等于所有块图像数量的4/5，则说明这张图像可以作为检索结果。
通过以上方案可知，本发明实施例提供的一种基于l1范数神经网络的人脸检索方法，神经网络获取模块401利用l1范数的代价函数与毛孔训练样本可以得到神经网络，通过神经网络在检索库中检索与测试图像匹配的图像。由于基于li范数的代价函数得到的神经网络中的参数已经确定，每次检索时不会根据测试图像不同重新定义参数，因此检索速度快，耗时很少，同时，基于l1范数确定的神经网络为深度学习的神经网络，因此有很强大的学习能力，能够充分地学习到测试图像特征信息，因此准确度很高。
本发明实施例提供了一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的神经网络获取模块401做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，神经网络获取模块401包括：
初始特征描述子获取单元501，用于将毛孔训练样本输入初始毛孔特征描述子生成网络，得到初始特征描述子。
具体地，初始特征描述子获取单元501将毛孔训练杨本输入到初始毛孔特征描述子生成网络，经过多层卷积、归一操作，得到毛孔尺度的特征描述子。
目标毛孔特征描述子生成网络训练单元502，用于利用初始特征描述子最小化基于l1范数的代价函数，训练得到目标毛孔特征描述子生成网络。
具体地，定义
定义基于l1范数的匹配对的特征描述子的距离
定义特征描述子的列相似度
需要说明的是，第一图像为待测试图像，第二图像为待匹配图像。在测试样本中，包括一个待测试样本图像和一个待匹配测试图像。在利用神经网络进行检索时，测试图像为第一图像，待匹配图像为第二图像。
在训练过程中，会不断地产生特征描述子，目标毛孔特征描述子生成网络训练单元502利用特征描述子以最小化代价函数为手段，确定出目标特征描述子生成网络的参数，确定参数后，训练目标特征描述子生成网络完成。
目标全连接层训练单元503，用于利用初始全连接层得到所述初始特征描述子的匹配结果，利用所述匹配结果与毛孔训练样本标签的差值，训练得到目标全连接层，其中所述目标全连接层与所述目标特征描述子生成网络组成神经网络。
具体地，目标全连接层训练单元503将初始特征描述子通过全连接层得到匹配结果，最小化匹配结果和毛孔训练样本标签的差值，训练得到全连接层。
需要说明的是，匹配结果就是毛孔训练样本中待测试样本图像和一个待匹配测试图像的匹配结果，待测试样本图像和待匹配测试图像可以是整张图像，也可以是切块后的图像，在本方案中是切块后的图像。毛孔训练样本的标签为已知的毛孔训练样本中待测试样本图像和一个待匹配测试图像的预定匹配结果。
由此可见，在本方案中目标毛孔特征描述子生成网络的参数在初始特征描述子获取单元501训练时已确定，在检索时参数不会再改变，因此耗费时间极少，同时深度学习的神经网络具有很强大的学习能力，能够充分地学习到毛孔尺寸特征的信息，因此准确度高。
本发明实施例提供一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的匹配模块405做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，匹配模块405包括：
特征描述子获取单元601，用于将一块未匹配的人脸区域图像块与一块未匹配的待匹配图像块用所述目标毛孔特征描述子生成网络得到第一特征描述子与第二特征描述子。
具体地，在检索时，特征描述子获取单元601将人脸区域图像块和待匹配图像块送入神经网络中的目标毛孔特征描述子生成网络，得到每块人脸区域图像块对应的第一特征描述子与每块待匹配图像块对应的第二特征描述子。
匹配单元602，用于利用所述目标全连接层判断所述第一特征描述子与所述第二特征描述子是否匹配，若是，则将匹配块总数加一。
具体地，匹配单元602将每一个第一特征描述子与对应的第二特征描述子送入神经网络中的目标全连接层，得到第一特征描述子与对应的第二特征描述子的匹配结果，也就是判断一个人脸区域图像块和对应的待匹配图像块是否匹配，如果匹配，那么将匹配块总数加一，匹配块总数就是所有匹配成功的图像块的总数，从0开始，每匹配成功一次则匹配块总数加一。
判断单元603，用于判断人脸区域图像块与待匹配图像块是否都已进行过匹配操作，若是，则停止匹配，若否，则调用所述特征描述子获取单元601。
判断单元603判断灰度人脸图像的人脸区域图像块与待匹配图像块是否均已进行过匹配，如果都已进行匹配，那么匹配单元602得到的匹配块总数就是最终的匹配块总数，如果还有未进行匹配的图像块，那么调用特征描述子获取单元601继续匹配。
本发明实施例提供一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的预处理模块402做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，预处理模块402包括：
测试图像截取单元，用于截取所述测试图像的人脸部分图像；
灰度化处理单元，用于将所述人脸部分图像进行灰度化处理得到灰度图像；
缩放单元，用于将所述灰度图像缩放至预设尺寸，得到灰度人脸图像。
具体地，首先测试图像截取单元对测试图像进行人脸检测，定位人脸并截取出人脸部分图像，灰度化处理单元对截取后的人脸部分图像进行灰度化处理，得到灰度图像，根据检索的环境，预设一个图像尺寸，缩放单元将灰度人脸图像缩放至预设尺寸，进行以上预处理后，就得到了灰度人脸图像。
本发明实施例提供一种具体的基于l1范数神经网络的人脸检索方法，区别于上一实施例，本发明实施例对上一实施例中的第一分块模块403做了具体地限定说明，其他内容与上一实施例大致相同，具体内容可以参照上一实施例，此处不再赘述，具体地，第一分块模块403具体用于：
将所述灰度人脸图像根据预设分块尺寸不重叠的遍历所述灰度人脸图像，舍去多余边缘得到多块人脸区域图像块。
具体地，第一分块模块403设定一个图像的分块尺寸，根据这个尺寸不重叠地遍历灰度人脸图像，舍去多余的边缘，就可以得到多块人脸区域图像块。
需要说明的是，在第二分块模块404中，需要将检索库中未经过匹配的一张待匹配图像遍历分块得到多块待匹配区域图像块，这里的遍历分块可以用同样的方法实现，具体地：
根据第一分块模块403的预设尺寸不重叠地遍历待匹配图像，舍去多余的边缘，就可以得到多块待匹配图像块。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！