基于神经网络的特征压缩算法的制作方法

本发明创造属于特征压缩算法领域，尤其是涉及一种基于神经网络的特征压缩算法。

背景技术：

数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩包括有损压缩和无损压缩。特征压缩算法是数据压缩的一种形式，主要是研究如何把原始数据用数据量更小、特征密度更高的数据来表达。

目前的特征压缩算法主要有三种，一是通过使用低精度的数据类型来替代高精度的数据类型，从而减少原始特征数据所占用的空间，但是其本质上并不是真正的对特征数据的压缩，而是从计算机存储的角度来实现的；二是通过降维的方式，例如pca(主成分分析法)，来提取原始特征数据的主要数据成分信息，从而可以使用低维度的数据来大体上表示原始数据的信息，属于有损压缩。三是通过常用的数据压缩算法进行特征数据压缩，但是其压缩出来的结果数据并不能直接使用，因为压缩后的数据不具备原始特征数据的语义，必须通过解压后，才可以使用。

技术实现要素：

有鉴于此，本发明创造旨在克服上述现有技术中存在的缺陷，提出基于神经网络的特征压缩算法。

为达到上述目的，本发明创造的技术方案是这样实现的：

基于神经网络的特征压缩算法，包括如下步骤：

s1.图像数据准备，收集人脸图像，统一做贴图处理；

s2.获取特征数据，将贴图处理后的人脸图像送入人脸识别系统，进行人脸检测和特征提取，并保存人脸特征数据；

s3.搭建神经网络模型；

s4.模型迭代训练；

s5.保存参数模型；

s6.特征压缩。

进一步的，所述步骤s1中的人脸图像数量大于10万；所述人脸图像每张图像有且仅有一个人脸；所述步骤s1中的贴图处理，贴图尺寸为1080p。

进一步的，所述步骤s3的神经网络模型包含节点数小于输入层节点数的隐含层；所述神经网络模型输入特征向量为人脸特征数据。

进一步的，所述步骤s4模型迭代训练采用自编码训练方法；所述自编码训练方法，具体步骤如下：

s401.输入层中的信息x压缩到隐含层中得到h；

s402.用隐含层的h生成x`；

s401.对比输出的x`和输入层的x，得到预测误差；

s401.进行误差的反向传递，逐步的提高特征压缩的准确率；

s401.训练收敛后在中间隐含层获得数据h，h即x的更高维度、更抽象的特征向量。

进一步的，所述步骤s5只保存训练好的神经网络输入x到隐含层h之间的参数模型，并通过海思量化工具进行量化。

进一步的，所述步骤s6待压缩的特征数据x通过保存好的模型由输入层前向传播得到h，h即为压缩后的特征。

相对于现有技术，本发明创造具有以下优势：

神经网络模型可以提取到原始数据的更高维度的信息表示。因此这种算法既可以达到对原始特征数据的压缩，也可以保留其原始语义特征，属于一种更高维的特征抽象。压缩后的特征数据可以直接使用。

附图说明

构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：

图1为本发明创造实施例所述的基于神经网络的特征压缩算法流程图；

图2为本发明创造实施例所述的神经网络结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。

在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。

下面将参考附图并结合实施例来详细说明本发明创造。

基于神经网络的特征压缩算法，如附图1所示包括如下步骤：

s1.图像数据准备：收集大量(10万+)人脸图像，要求每张图像上有且仅有一个人脸，统一做贴图处理(贴图到1080p尺寸上，大于此尺寸的图像可以去除)。

s2.获取特征数据：将处理好的图像送入到人脸识别系统中，进行人脸检测和特征提取，将提取出的人脸特征进行保存。

s3.搭建网络模型：搭建一个全连接神经网络(说明：可以是其他任何形式的神经网络，但必须包含节点数小于输入层节点数的隐含层)，其输入是人脸特征数据，中间有很多隐含层，结构示意图如附图2所示，其中x1，x2，x3…是输入特征向量，x1`，x2`，x3`…是输出向量。

s4.训练：此网络的训练采用自编码的训练形式，输入层中的信息x压缩到隐含层中得到h,然后用隐含层的h去生成x`，通过输出的x`和输入层的x进行对比，得到预测误差，再进行误差的反向传递，然后逐步的提高特征压缩的准确率，训练收敛后在中间隐含层获得的数据h就是源特征数据的精髓，即x的更高维度、更抽象的特征向量。

s5.保存模型：只保存训练好的神经网络输入x到隐含层h之间的参数模型，并通过海思量化工具进行量化。

s6.特征压缩：待压缩的特征数据x通过保存好的模型由输入层前向传播得到h，h即为压缩后的特征，可以直接应用到人脸比对算法中，大幅提升比对效率。

本发明为解决现有特征压缩算法存在的问题而提出，其目的是为了将特征数据进行最大程度上的压缩，并且压缩后的数据具备原始特征语义，会在很大程度上提高人脸识别中的人脸比对算法效率。

以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

技术特征：

1.基于神经网络的特征压缩算法，其特征在于：包括如下步骤：

s1.图像数据准备，收集人脸图像，统一做贴图处理；

s2.获取特征数据，将贴图处理后的人脸图像送入人脸识别系统，进行人脸检测和特征提取，并保存人脸特征数据；

s3.搭建神经网络模型；

s4.模型迭代训练；

s5.保存参数模型；

s6.特征压缩。

2.根据权利要求1所述的基于神经网络的特征压缩算法，其特征在于：所述步骤s1中的人脸图像数量大于10万；所述人脸图像每张图像有且仅有一个人脸；所述步骤s1中的贴图处理，贴图尺寸为1080p。

3.根据权利要求1所述的基于神经网络的特征压缩算法，其特征在于：所述步骤s3的神经网络模型包含节点数小于输入层节点数的隐含层；所述神经网络模型输入特征向量为人脸特征数据。

4.根据权利要求1所述的基于神经网络的特征压缩算法，其特征在于：所述步骤s4模型迭代训练采用自编码训练方法；所述自编码训练方法，具体步骤如下：

s401.输入层中的信息x压缩到隐含层中得到h；

s402.用隐含层的h生成x`；

s401.对比输出的x`和输入层的x，得到预测误差；

s401.进行误差的反向传递，逐步的提高特征压缩的准确率；

s401.训练收敛后在中间隐含层获得数据h，h即x的更高维度、更抽象的特征向量。

5.根据权利要求1所述的基于神经网络的特征压缩算法，其特征在于：所述步骤s5只保存训练好的神经网络输入x到隐含层h之间的参数模型，并通过海思量化工具进行量化。

6.根据权利要求1所述的基于神经网络的特征压缩算法，其特征在于：所述步骤s6待压缩的特征数据x通过保存好的模型由输入层前向传播得到h，h即为压缩后的特征。

技术总结
本发明创造提供了一种基于神经网络的特征压缩算法，包括如下步骤：S1.图像数据准备，收集人脸图像，统一做贴图处理；S2.获取特征数据，将贴图处理后的人脸图像送入人脸识别系统，进行人脸检测和特征提取，并保存人脸特征数据；S3.搭建神经网络模型；S4.模型迭代训练；S5.保存参数模型；S6.特征压缩。本发明创造所述的基于神经网络的特征压缩算法既可以达到对原始特征数据的压缩，也可以保留其原始语义特征，属于一种更高维的特征抽象。压缩后的特征数据可以直接使用。

技术研发人员：朱健立;李庆新;王汝杰;王志保;王哲
受保护的技术使用者：天地伟业技术有限公司
技术研发日：2019.12.18
技术公布日：2020.04.24