一种实现人脸特征向量解码为图像的方法、装置及设备与流程

1.本发明属于人脸识别技术领域，具体涉及一种实现人脸特征向量解码为图像的方法、装置及设备。


背景技术：

2.一般情况下，我们利用深度学习的人脸特征提取算法所提取的特征向量，只用于人脸相似度的对比，实现人脸识别功能。由于人脸特征向量的每个维度是由深度学习黑盒计算出来的，具体每个维度数据的含义我们是无从得知的，人脸特征向量也就无法用作他用。而现今很多大数据平台为了进行人脸识别，在服务端存储了大量的人脸特征数据，这些数据无法人为观察，造成大量数据浪费。
3.此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种实现人脸特征向量解码为图像的方法、装置及设备，是非常有必要的。


技术实现要素：

4.针对现有技术中人脸特征向量的维度由深度学习盒计算出来，服务端存储的大量人脸特征数据无法人为观察，造成大量数据浪费的缺陷，本发明提供一种实现人脸特征向量解码为图像的方法、装置及设备，以解决上述技术问题。
5.第一方面，本发明提供一种实现人脸特征向量解码为图像的方法，包括如下步骤：
6.s1.获取人脸图像样本，从人脸图像样本中提取人脸特征向量，以人脸特征向量作为特征量，以及以人脸图像样本作为目标预测量，生成数据集；
7.s2.对自编码器深度学习模型进行修正，并使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；
8.s3.获取黑盒特征提取深度学习算法处理后的人脸特征向量作为待解码人脸特征向量，并将待解码特征向量输入到人脸特征向量解码模型，生成人脸图像。
9.进一步地，步骤s1具体步骤如下：
10.s11.获取超过设定数量阈值的人脸场景图片；
11.s12.定位每张图片中人脸位置，提取人脸，再按照设定人脸关键点对人脸图像进行对齐并保存；
12.s13.通过黑盒特征提取深度学习算法从对齐后的人脸图像中提取人脸特征向量并保存；
13.s14.生成数据集，将人脸特征向量作为数据集的特征量，以及将对齐后人脸图像作为数据集的目标预测量。本发明为逆向还原人脸图像，对原有的人脸图像进行了保存，作为目标预测量，而原有人脸识别时，提取人脸特征向量后人脸图像是不保存的。
14.进一步地，步骤s2具体步骤如下：
15.s21.获取自编码器深度学习模型；所述自编码深度学习模型包括编码层；
16.s22.修正自编码器深度学习模型，对自编码深度学习模型中编码层进行删除；
17.s23.使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型。原有的自编码器深度学习模型是一种无监督的学习算法。
18.进一步地,所述自编码器深度学习模型还包括特征向量保存层以及解码层。原有自编码器深度学习模型包括编码层、特征向量保存层以及解码层，特征向量保存层是用于保存编码后的特征向量，再向解码层输出。本发明中将编码层删除，直接用采集数据集中人脸特征向量输入到特征向量保存层，对解码层进行输入。
19.进一步地,步骤s23具体步骤如下：
20.s231.获取数据集中目标预测量的图像矩阵大小及通道数目，分别作为目标图像矩阵及目标通道数目；
21.s232.将数据集中人脸特征向量输入到修正后的自编码深度学习模型，经过解码层的多层反卷积，输出目标图像矩阵相同大小，以及目标通道数目的预测人脸图像；
22.s233.计算所述预测人脸图像与作为目标预测量的对齐后人脸图像的损失值，并根据损失值调整修正后自编码深度学习模型参数，直至损失收敛到最优，输出人脸特征向量解码模型。将预测人脸图像的图像矩阵大小和通道数目设置为与目标预测量相同，是为了对预测人脸图像和目标预测量的人脸图像进行对比，计算损失。
23.进一步地，步骤s233中，计算预测人脸图像与作为目标预测量的对齐后人脸图像的损失值，并判断是否为初次计算损失值；
24.若是，进入步骤s234；
25.若否，进入步骤s235；
26.s234.调整修正后自编码深度学习模型参数，返回步骤s232；
27.s235.比较本次损失值与上次损失值，判断本次损失值是否小于上次损失值；
28.若是，返回步骤s234；
29.若否，定位上次损失值对应修正后自编码深度学习模型参数，作为人脸特征向量解码模型。对修正后自编码深度学习模型参数不断修正，取到损失的最小值，保证收敛结果最优。
30.进一步地，步骤s3具体步骤如下：
31.s31.获取黑盒特征提取深度学习算法处理后的人脸特征向量，作为待解码人脸特征向量；
32.s32.将待解码特征向量输入到人脸特征向量解码模型进行逆向推理，生成人脸图像。获取到原有人脸识别时存储的人脸特征向量，用本发明的人脸特征向量解码模型即可还原到人脸图像。
33.第二方面，本发明提供一种实现人脸特征向量解码为图像的装置，包括：
34.数据集生成模块，用于获取人脸图像样本，从人脸图像样本中提取人脸特征向量，以人脸特征向量作为特征量，以及以人脸图像样本作为目标预测量，生成数据集；
35.模型生成模块，用于对自编码器深度学习模型进行修正，并使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；
36.人脸特征向量解码模块，用于获取黑盒特征提取深度学习算法处理后的人脸特征向量作为待解码人脸特征向量，并将待解码特征向量输入到人脸特征向量解码模型，生成人脸图像。
37.进一步地，数据集生成模块包括：
38.人脸场景图片获取单元，用于获取超过设定数量阈值的人脸场景图片；
39.人脸图像对齐单元，用于定位每张图片中人脸位置，提取人脸，再按照设定人脸关键点对人脸图像进行对齐并保存；
40.人脸特征向量提取单元，用于通过黑盒特征提取深度学习算法从对齐后的人脸图像中提取人脸特征向量并保存；
41.数据集生成单元，用于生成数据集，将人脸特征向量作为数据集的特征量，以及将对齐后人脸图像作为数据集的目标预测量；
42.模型生成模块包括；
43.自编码深度学习模型获取单元，用于获取自编码器深度学习模型；所述自编码深度学习模型包括编码层；
44.模型修正单元，用于修正自编码器深度学习模型，对自编码深度学习模型中编码层进行删除；
45.模型训练单元，用于使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；
46.人脸特征向量解码模块包括：
47.待解码特征向量获取单元，用于获取黑盒特征提取深度学习算法处理后的人脸特征向量，作为待解码人脸特征向量；
48.人脸图像解码单元，用于将待解码特征向量输入到人脸特征向量解码模型进行逆向推理，生成人脸图像。
49.第三方面，一种设备，包括处理器和存储器；其中，该存储器用于存储计算机程序；该处理器用于从存储器中调用并运行该计算机程序，使得设备执行上述第一方面所述的方法。
50.本发明的有益效果在于，
51.本发明提供的实现人脸特征向量解码为图像的方法、装置及设备，实现在无需获知黑盒特征提取深度学习算法的情形下，将人脸特征向量逆向还原为人脸图像，从而充分利用大量人脸特征向量进行人工观察分析，避免数据浪费。
52.此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
53.由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
54.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，对于本领域普通技术人员而言，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。
55.图1是本发明实现人脸特征向量解码为图像的方法流程示意图一；
56.图2是本发明实现人脸特征向量解码为图像的方法流程示意图二；
57.图3为本发明实现人脸特征向量解码为图像的装置示意图；
58.图中，1
‑
数据集生成模块；1.1
‑
人脸场景图片获取单元；1.2
‑
人脸图像对齐单元；
1.3
‑
人脸特征向量提取单元；1.4
‑
数据集生成单元；2
‑
模型生成模块；2.1
‑
自编码深度学习模型获取单元；2.2
‑
模型修正单元；2.3
‑
模型训练单元；3
‑
人脸特征向量解码模块；3.1
‑
待解码特征向量获取单元；3.2
‑
人脸图像解码单元。
具体实施方式
59.为了使本技术领域的人员更好地理解本发明中的技术方案，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
60.实施例1：
61.如图1所示，本发明提供一种实现人脸特征向量解码为图像的方法，包括如下步骤：
62.s1.获取人脸图像样本，从人脸图像样本中提取人脸特征向量，以人脸特征向量作为特征量，以及以人脸图像样本作为目标预测量，生成数据集；
63.s2.对自编码器深度学习模型进行修正，并使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；
64.s3.获取黑盒特征提取深度学习算法处理后的人脸特征向量作为待解码人脸特征向量，并将待解码特征向量输入到人脸特征向量解码模型，生成人脸图像。
65.原有人脸识别保存的是人脸特征向量，而并非人脸图像，人脸特征向量相对与人脸图像要小很多，便于保存，但是人脸特征向量在无法获知黑盒特征提取深度学习算法的情形下，是不透明的，这些数据只能用于人脸识别，在某些需要还原人脸图像的领域，可以使用本发明对人脸图像进行逆还原。
66.实施例2：
67.如图2所示，本发明提供一种实现人脸特征向量解码为图像的方法，包括如下步骤：
68.s1.获取人脸图像样本，从人脸图像样本中提取人脸特征向量，以人脸特征向量作为特征量，以及以人脸图像样本作为目标预测量，生成数据集；具体步骤如下：
69.s11.获取超过设定数量阈值的人脸场景图片；
70.s12.定位每张图片中人脸位置，提取人脸，再按照设定人脸关键点对人脸图像进行对齐并保存；
71.s13.通过黑盒特征提取深度学习算法从对齐后的人脸图像中提取人脸特征向量并保存；
72.s14.生成数据集，将人脸特征向量作为数据集的特征量，以及将对齐后人脸图像作为数据集的目标预测量；
73.s2.对自编码器深度学习模型进行修正，并使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；具体步骤如下：
74.s21.获取自编码器深度学习模型；所述自编码深度学习模型包括编码层、特征向量保存层以及解码层；
75.s22.修正自编码器深度学习模型，对自编码深度学习模型中编码层进行删除；
76.s23.使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；具体步骤如下：
77.s231.获取数据集中目标预测量的图像矩阵大小及通道数目，分别作为目标图像矩阵及目标通道数目；
78.s232.将数据集中人脸特征向量输入到修正后的自编码深度学习模型，经过解码层的多层反卷积，输出目标图像矩阵相同大小，以及目标通道数目的预测人脸图像；
79.s233.计算预测人脸图像与作为目标预测量的对齐后人脸图像的损失值，并判断是否为初次计算损失值；
80.若是，进入步骤s234；
81.若否，进入步骤s235；
82.s234.调整修正后自编码深度学习模型参数，返回步骤s232；
83.s235.比较本次损失值与上次损失值，判断本次损失值是否小于上次损失值；
84.若是，返回步骤s234；
85.若否，定位上次损失值对应修正后自编码深度学习模型参数，作为人脸特征向量解码模型；
86.s3.获取黑盒特征提取深度学习算法处理后的人脸特征向量作为待解码人脸特征向量，并将待解码特征向量输入到人脸特征向量解码模型，生成人脸图像；具体步骤如下：
87.s31.获取黑盒特征提取深度学习算法处理后的人脸特征向量，作为待解码人脸特征向量；
88.s32.将待解码特征向量输入到人脸特征向量解码模型进行逆向推理，生成人脸图像。
89.实施例3：
90.如图3所示，本发明提供一种实现人脸特征向量解码为图像的装置，包括：
91.数据集生成模块1，用于获取人脸图像样本，从人脸图像样本中提取人脸特征向量，以人脸特征向量作为特征量，以及以人脸图像样本作为目标预测量，生成数据集；数据集生成模块1包括：
92.人脸场景图片获取单元1.1，用于获取超过设定数量阈值的人脸场景图片；
93.人脸图像对齐单元1.2，用于定位每张图片中人脸位置，提取人脸，再按照设定人脸关键点对人脸图像进行对齐并保存；
94.人脸特征向量提取单元1.3，用于通过黑盒特征提取深度学习算法从对齐后的人脸图像中提取人脸特征向量并保存；
95.数据集生成单元1.4，用于生成数据集，将人脸特征向量作为数据集的特征量，以及将对齐后人脸图像作为数据集的目标预测量；
96.模型生成模块2，用于对自编码器深度学习模型进行修正，并使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；模型生成模块2包括；
97.自编码深度学习模型获取单元2.1，用于获取自编码器深度学习模型；所述自编码深度学习模型包括编码层；
98.模型修正单元2.2，用于修正自编码器深度学习模型，对自编码深度学习模型中编
码层进行删除；
99.模型训练单元2.3，用于使用数据集对修正后的自编码深度学习模型进行训练，得到人脸特征向量解码模型；
100.人脸特征向量解码模块3，用于获取黑盒特征提取深度学习算法处理后的人脸特征向量作为待解码人脸特征向量，并将待解码特征向量输入到人脸特征向量解码模型，生成人脸图像；人脸特征向量解码模块3包括：
101.待解码特征向量获取单元3.1，用于获取黑盒特征提取深度学习算法处理后的人脸特征向量，作为待解码人脸特征向量；
102.人脸图像解码单元3.2，用于将待解码特征向量输入到人脸特征向量解码模型进行逆向推理，生成人脸图像。
103.实施例4：
104.本发明提供一种设备，包括处理器和存储器；其中，该存储器用于存储计算机程序；该处理器用于从存储器中调用并运行该计算机程序，使得设备执行上述实施例1或实施例2的方法。
105.尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。