图像搜索方法及装置与流程

1.本发明涉及数字图像处理技术领域，尤其涉及一种图像搜索方法 及装置。


背景技术：

2.人脸搜索，即给定一张人脸，从数据库中找到对应的、最为相似 的多张人脸，多张人脸再输入后续的人脸辨识算法中，确认给定人脸 的身份。
3.现有技术中提供的人脸搜索方法是基于局部区域匹配，利用人脸 的局部特征手动设计，建立特征向量。
4.现有技术存在如下缺点：关键点遮挡、关键点定位不准确影响搜 索准确性。人脸信息是多角度和多形式的，非常容易出现关键点遮挡、 关键位置定位不准确的现象。现有技术的搜索准确性对人脸质量的要 求非常严格，当关键点缺失、关键点定位不准确和人脸角度变化，会 导致搜索准确性急剧下降。
5.手动构造的特征向量表达空间有限。当人脸底库数量在千万级、 甚至是亿级左右，现有方法构造的特征向量只关注了人脸的器官，丢 弃了脸部的其他特征，造成信息丢失；同时，手动构造的特征表达空 间不足，当人脸数据量上升时，人脸搜索效率急剧下降。


技术实现要素：

6.本发明提供的图像搜索方法及装置，通过获取人脸图像的解耦特 征向量，在解耦特征向量的基础上构建一系列的中层特征，并用于人 脸搜索，解决了现有技术中，构造的特征向量只关注了人脸的器官， 丢弃了脸部的其他特征，造成信息丢失；同时，手动构造的特征表达 空间不足，当人脸数据量上升时，人脸搜索效率急剧下降的问题，提 高了人脸搜索的速率。
7.本发明提供的一种图像搜索方法，包括：
8.获取待查找人脸图像的解耦特征向量；
9.将所述解耦特征向量输入至目标分类器，以获取所述待查找人脸 图像所属特征类别；
10.根据所述解耦特征向量和所述待查找人脸图像所属特征类别，确 定所述待查找人脸图像的第一中层特征向量；
11.将所述第一中层特征向量与待搜索图像集中每幅图像的第二中 层特征向量进行匹配，以获取与所述待查找人脸图像对应的目标人脸 图像。
12.根据本发明提供的一种图像搜索方法，在所述获取待查找人脸图 像解耦特征向量之前，还包括：
13.对所述待查找人脸图像进行人脸检测和关键点定位，获取所述待 查找人脸图像的人脸面部矩形区域和关键点位置；
14.利用所述待查找人脸图像的关键点位置和预设矫正算法对所述 人脸面部矩形区域进行校正和对齐。
15.根据本发明提供的一种图像搜索方法，所述利用所述待查找人脸 图像的关键点位置和预设矫正算法对所述人脸面部矩形区域进行校 正和对齐，包括：
16.获取所述关键点位置对应的关键点坐标信息，基于仿射变换矫正 算法将所述待查找人脸图像的关键点位置与标准人脸图像的关键点 位置进行对齐，以对所述人脸面部矩形区域进行校正和对齐。
17.根据本发明提供的一种图像搜索方法，所述获取待查找人脸图像 的解耦特征向量，包括：
18.将所述待查找人脸图像输入至目标人脸特征编码网络，以获取所 述待查找人脸图像的隐藏特征向量；
19.将所述隐藏特征向量输入至目标隐藏特征解耦网络，以获取所述 待查找人脸图像的解耦特征向量。
20.根据本发明提供的一种图像搜索方法，所述目标人脸特征编码网 络通过如下方式获取：
21.将所述待查找人脸图像输入至预设编码网络进行训练，并在满足 预设条件时停止训练，以确定预设编码网络的参数；
22.根据所述预设编码网络的参数和所述预设编码网络，确定所述目 标人脸特征编码网络；
23.其中，所述预设条件为将目标隐藏特征向量输入至预设解码网络， 获取的所述目标隐藏特征向量对应的第一目标图像与所述待查找人 脸图像的差异小于第一预设阈值；
24.所述目标隐藏特征向量为将所述待查找人脸图像输入至预设编 码网络的输出结果。
25.根据本发明提供的一种图像搜索方法，所述目标隐藏特征解耦网 络通过如下方式获取：
26.将所述隐藏特征向量和所述待查找人脸图像输入至预设全连接 神经网络进行训练，并在第二目标图像与所述待查找人脸图像的差异 小于第二预设阈值时，停止训练，以获取目标隐藏特征解耦网络；
27.其中，所述第二目标图像为将所述隐藏特征向量输入至所述预设 全连接神经网络的输出结果。
28.根据本发明提供的一种图像搜索方法，所述目标分类器通过如下 方式获取：
29.将所述解耦特征向量和训练标签输入至预设支持向量机svm网 络进行训练，以获取目标分类器；
30.其中，所述训练标签为通过对所述待查找人脸图像进行特征标注， 获取的所述待查找人脸图像所属特征类别。
31.本发明还提供一种图像搜索装置，包括：数据获取模块、特征分 类模块、向量获取模块和图像搜索模块；
32.所述数据获取模块，用于获取待查找人脸图像的解耦特征向量；
33.所述特征分类模块，用于将所述解耦特征向量输入至目标分类器， 以获取所述待查找人脸图像所属特征类别；
34.所述向量获取模块，用于根据所述解耦特征向量和所述待查找人 脸图像所属，确
定所述待查找人脸图像的第一中层特征向量；
35.所述图像搜索模块，用于将所述第一中层特征向量与待搜索图像 集中每幅图像的第二中层特征向量进行匹配，以获取与所述待查找人 脸图像对应的目标人脸图像。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时 实现如上述任一种所述图像搜索方法的步骤。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算 机程序，该计算机程序被处理器执行时实现如上述任一种所述图像搜 索方法的步骤。
38.本发明提供的图像搜索方法及装置，通过获取人脸图像的解耦特 征向量，在解耦特征向量的基础上构建一系列的中层特征，并用于人 脸搜索，解决了现有技术中，构造的特征向量只关注了人脸的器官， 丢弃了脸部的其他特征，造成信息丢失；同时，手动构造的特征表达 空间不足，当人脸数据量上升时，人脸搜索效率急剧下降的问题，提 高了人脸搜索的速率。
附图说明
39.为了更清楚地说明本发明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一简单地介绍，显而易见 地，下面描述中的附图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。
40.图1是本发明提供的图像搜索方法的流程示意图；
41.图2是本发明提供的目标分类器示意图；
42.图3是本发明提供的图像搜索装置的结构示意图；
43.图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
44.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发 明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然， 所描述的实施例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。
45.本发明提供的图像搜索方法通过训练一个人脸特征编码网络和 隐藏特征解耦网络，对每一张人脸照片生成对应的解耦隐藏特征向量， 在解耦特征向量的基础上构建一系列的中层特征，使用中层特征用于 解决人脸搜索所面对的困难。具体实现如下：
46.图1是本发明提供的图像搜索方法的流程示意图，如图1所示， 方法包括：
47.s1、获取待查找人脸图像的解耦特征向量；
48.s2、将解耦特征向量输入至目标分类器，以获取待查找人脸图像 所属特征类别；
49.s3、根据解耦特征向量和待查找人脸图像所属特征类别，确定待 查找人脸图像的第一中层特征向量；
50.s4、将第一中层特征向量与待搜索图像集中每幅图像的第二中层 特征向量进行匹配，以获取与待查找人脸图像对应的目标人脸图像。
51.需要说明的是，上述方法的执行主体可以是计算机设备。
52.可选地，首先获取待查找人脸图像集中的任一待查找人脸图像， 并获取其对应的解耦特征向量，其中，解耦特征向量是通过对待查找 人脸图像的隐藏特征向量进行解耦得到的，具体地，隐藏特征一般用 于生成器最初的输入，隐藏特征通常为一个随机向量或者噪声，通过 输入隐藏特征(latent code)，生成器会输出各种各样的图像。因此， 如果能够控制隐藏特征，即可生成特定的图像。如果能够对隐藏特征 进行分类，即可对人脸进行分类。但是直接修改隐藏特征无法得到修 改图像生成特征的目的，因为数据的多个特征之间相互关联，耦合性 较高，比如：年龄(皮肤皱纹)和眼镜；导致模型很难弄清楚它们之 间的关联，使得直接从隐藏特征学习数据特征效率低下，因此需要对 这些关系进行解耦，寻找到这些表面特征之下隐藏的深层次的关系， 即解耦隐藏特征。
53.将获取的待查找人脸图像的解耦特征向量输入到目标分类器，输 出待查找人脸图像所属特征类别，比如，性别、年龄、是否佩戴眼镜 等具有实际象征意义的特征类别，其中，目标分类器是经过预先训练 得到的。
54.根据得到的待查找人脸图像的解耦特征向量及其所属特征类别 构造待查找人脸图像的各个特征类别对应的中层特征向量，即第一中 层特征向量。在进行人脸图像搜索时，通过将第一中层特征向量与待 搜索图像集中每幅图像的第二中层特征向量进行匹配，例如可以通过 计算第一中层特征向量和第二中层特征向量之间的相似度，以得到与 待查找人脸图像对应的目标人脸图像。
55.其中，第二中层特征向量可以通过如下方式计算得到：对待搜索 图像集a中每一人脸图像的人脸对齐到一标准格式人脸上并划分出 各个器官的区域，并通过提取每一器官的底层特征向量并聚类，然后 从每一器官聚类结果中任取两类作为正负样本，训练一个支持向量机 分类器；如此两两组合训练得到该器官的分类器集合，将该集合中每 一分类器对底层特征向量的判别结果联合成新的特征向量，即该器官 中层特征向量，最后计算人脸轮廓上每个特征类别到左右眼的距离与 两眼间距的比值作为人脸轮廓的中层特征向量，组合上述中层特征向 量得到第二中层特征向量。
56.本发明提供的图像搜索方法，通过获取人脸图像的解耦特征向量， 在解耦特征向量的基础上构建一系列的中层特征，并用于人脸搜索， 解决了现有技术中，构造的特征向量只关注了人脸的器官，丢弃了脸 部的其他特征，造成信息丢失；同时，手动构造的特征表达空间不足， 当人脸数据量上升时，人脸搜索效率急剧下降的问题，提高了人脸搜 索的速率。
57.进一步地，在一个实施例中，步骤s1之前还可以具体包括：
58.s01、对待查找人脸图像进行人脸检测和关键点定位，获取待查 找人脸图像的人脸面部矩形区域和关键点位置；
59.s02、利用待查找人脸图像的关键点位置和预设矫正算法对人脸 面部矩形区域进行校正和对齐。
60.可选地，人脸信息是多角度、多形式的，非常容易出现关键点遮 挡、关键位置定位不准确的现象。现有方法的搜索准确性对人脸质量 的要求非常严格，当关键点缺失、关键点定位不准确以及人脸角度变 化，会导致搜索准确性急剧下降。
61.基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其 是否存在人脸，
如果存在人脸，则进一步的给出每个脸的位置、大小 和各个主要面部器官的位置信息，以实现对人脸检测及关键点定位， 得到待查找人脸图像的人脸面部矩形区域和关键点位置。
62.然后利用得到的待查找人脸图像的关键点位置和预设矫正算法 对待查找人脸图像的人脸面部矩形区域进行校正和对齐，主要是对待 查找人脸图像的关键点位置进行校正和对齐。
63.本发明提供的图像搜索方法，通过对人脸图像的关键点位置进行 矫正和对齐，解决了由于关键点遮挡和关键点定位不准确而导致的搜 索准确性下降，从而提高了人脸搜索的准确性。
64.进一步地，在一个实施例中，步骤s01可以具体包括：
65.s011、获取关键点位置对应的关键点坐标信息，基于仿射变换矫 正算法将待查找人脸图像的关键点位置与标准人脸图像的关键点位 置进行对齐，以对人脸面部矩形区域进行校正和对齐。
66.可选地，假设得到的待查找人脸图像的关键点位置的坐标为(x,y)， 经过放射变化矫正算法将待查找人脸图像的关键点与标准人脸图像 的关键点进行对齐，对齐后的待查找人脸图像的关键点位置坐标为 (x
′
,y
′
)，仿射变换的公式如下，仿射变换不改变原有图片的相对位置 关系：
[0067][0068]
其中，(t
x
,ty)代表待查找人脸图像的人脸面部矩形区域与标准人 脸图像的人脸面部矩形区域的偏移量，θ为x与y坐标轴的夹角。
[0069]
需要说明的是，标准人脸图像可以是预先设计的一个或多个标准 人脸模块，并将其作为标准人脸图像。
[0070]
本发明提供的图像搜索方法，通过检测面部的关键点坐标信息， 使用仿射变换将关键点与标准人脸的关键点进行对齐，相比现有技术， 本提案提升了关键点遮挡图片搜索的鲁棒性。
[0071]
进一步地，在一个实施例中，步骤s1可以具体包括：
[0072]
s11、将待查找人脸图像输入至目标人脸特征编码网络，以获取 待查找人脸图像的隐藏特征向量；
[0073]
s12、将隐藏特征向量输入至目标隐藏特征解耦网络，以获取待 查找人脸图像的解耦特征向量。
[0074]
可选地，将经过上述s01和s02处理后的待查找人脸图像输入至 目标人脸特征编码网络，得到待查找人脸图像的隐藏特征向量。隐藏 特征主要用于生成器最初的输入，隐藏特征通常为一个随机向量或者 噪声，通过输入隐藏特征，生成器会输出各种各样的图像。同等的， 这个解码的过程是可以逆向进行的，即通过设计一组编码/解码网络， 当图像输入到编码网络中，输出的是隐藏特征向量；当隐藏特征向量 输入到解码网络中，对应输出的是图像。一幅图像经过目标人脸特征 编码网络之后可以得到低维向量。
[0075]
在实际中发现，如果直接基于隐藏特征向量进行中层特征的计算， 发现分类效果不佳。通过简单的增大特征向量的维度也不能解决这个 问题，原因是特征向量中的单个数
[0077][0078]
本发明提供的图像搜索方法，无需人为构造特征向量，利用深度 学习技术自动化构造特征向量，比人为构造的特征向量维度更高、包 含更多的信息；同时，因为获取了更多维度的人脸信息，能够处理的 图集的容量更大。
[0079]
进一步地，在一个实施例中，步骤s11中目标人脸特征编码网络 可以通过如下方式获取：
[0080]
s111、将待查找人脸图像输入至预设编码网络进行训练，并在满 足预设条件时停止训练，以确定预设编码网络的参数；
[0081]
s112、根据预设编码网络的参数和预设编码网络，确定目标人脸 特征编码网络；
[0082]
其中，预设条件为将目标隐藏特征向量输入至预设解码网络，获 取的目标隐藏特征向量对应的第一目标图像与待查找人脸图像的差 异小于第一预设阈值；
[0083]
目标隐藏特征向量为将待查找人脸图像输入至预设编码网络的 输出结果。
[0084]
可选地，将待查找人脸图像输入至预设编码网络进行训练，对预 设编码网络的参数进行调整，直至达到预设条件时，停止训练，以确 定预设编码网络的参数，根据预设编码网络的参数和预设编码网络， 得到目标人脸特征编码网络。其中，预设条件为：将目标隐藏特征向 量输入至预设解码网络，获取的目标隐藏特征向量对应的第一目标图 像与待查找人脸图像的差异小于第一预设阈值，目标隐藏特征向量为 将待查找人脸图像输入至预设编码网络的输出结果。
[0085]
需要说明的是，预设编码网络和预设解码网络可以均选择全连接 神经网络进行训练。
[0086]
本发明提供的图像搜索方法，将预处理后的整个人脸面部矩形区 域作为数据进行训练，以得到目标人脸特征编码网络，并使用目标人 脸特征编码网络提取其隐藏特征向量，为后续构造目标隐藏特征解耦 网络奠定了基础。
[0087]
进一步地，在一个实施例中，步骤s12中目标隐藏特征解耦网络 可以具体通过如下方式获取：
[0088]
s121、将隐藏特征向量和待查找人脸图像输入至预设全连接神经 网络进行训练，并在第二目标图像与所述待查找人脸图像的差异小于 第二预设阈值时，停止训练，以获取目标隐藏特征解耦网络；
[0089]
其中，第二目标图像为将隐藏特征向量输入至预设全连接神经网 络的输出结果。
[0090]
可选地，将隐藏特征向量作为输入，利用神经网络进行解耦操作， 输出解耦特征向量。具体地，将待查找人脸图像的隐藏特征向量和待 查找人脸图像输入到预设全连接神经网络中进行训练，并在第二目标 图像与待查找人脸图像的差异小于第二预设阈值时，停止训练，以获 取目标隐藏特征解耦网络；其中，第二目标图像为将隐藏特征向量输 入至预设全连接神经网络的输出结果。
[0091]
本发明提供的图像搜索方法，无需人为构造特征向量，利用深度 学习技术自动化构造特征向量，比人为构造的特征向量维度更高、包 含更多的信息，同时，采用全连接神经网络进行特征解耦，可以输出 各个特征相互解耦的特征向量，并找到各个特征隐藏的深层次的关系。
[0092]
进一步地，在一个实施例中，步骤s2中目标分类器可以通过如 下方式获取：
[0093]
s21、将解耦特征向量和训练标签输入至预设支持向量机svm网 络进行训练，以获取目标分类器；
[0094]
其中，训练标签为通过对待查找人脸图像进行特征标注，获取的 待查找人脸图像所属特征类别。
[0095]
可选地，现有技术中，一个成年男性的关键点中层特征有可能与 一个小女孩的中层特征匹配，因此，本发明提供的图像搜索方法，通 过训练分类器得到待查找人脸图像的特征类别，并基于待查找人脸图 像的特征类别构造中层特征向量。具体如下：
[0096]
基于待查找人脸图集a的解耦特征向量分布训练预设数量个例 如n个分类器，将整个图集a划分为最多2n个子集。采用以下方法 构造分类器：
[0097]
a1、选择有实际象征意义、能够将图集a进行区分的特征，如： 性别、年龄、是否佩戴眼镜等；
[0098]
a2、对图集a按照选择的特征标注为正负两种数据，得到图集 a中各个待查找人脸图像所属的特征类别，并将其作为训练标签，与 待查找人脸图像一并输入至预设支持向量机svm网络进行训练；
[0099]
a3、训练得到的n个svm分类器之间是相互独立的。
[0100]
例如，如图2所示，是本发明提供的目标分类器示意图，以黄种 人/白种人分类器为例，图2中数据“0”为明显带有黄种人特征的解耦 特征向量，数据“1”为明显带有白种人特征的解耦特征向量。通过 算法训练得中位数直线为svm分类器的示意边界，越远离边界其 对应的人种特征越明显，越接近边界人种特征越模糊。通过调节解耦 特征向量垂直于黄种人/白种人分类器边界得到人种变化趋势。同样 的可以得到喜悦/愤怒等实际象征意义的特征类别的目标分类器。综 上，分类器可以依据选择的超面将图集a分为多个子集，子集之间 特征分明。
[0101]
对任一张待查找的人脸图像q，生成其解耦特征向量zq后，将 解耦特征向量作为输入，可以得到多个svm分类器的输出结果。
[0102]
本发明提供的图像搜索方法，分类器有直观意义，便于理解，相 比现有技术通过计算关键点位置的方法，本发明提供的图像搜索方法 搜索出的目标人脸图像更为准确。
[0103]
下面对本发明提供的图像搜索装置进行描述，下文描述的图像搜 索装置与上文描述的图像搜索方法可相互对应参照。
[0104]
图3是本发明提供的图像搜索装置的结构示意图，如图3所示， 包括：数据获取模块310、第二特征分类模块311、向量获取模块312 和图像搜索模块313；
[0105]
数据获取模块310，用于获取待查找人脸图像的解耦特征向量；
[0106]
特征分类模块311，用于将解耦特征向量输入至目标分类器，以 获取待查找人脸图像所属特征类别；
[0107]
向量获取模块312，用于根据解耦特征向量和待查找人脸图像所 属，确定待查找人脸图像的第一中层特征向量；
[0108]
图像搜索模块313，用于将第一中层特征向量与待搜索图像集中 每幅图像的第二中层特征向量进行匹配，以获取与待查找人脸图像对 应的目标人脸图像。
[0109]
本发明提供的图像搜索装置，通过获取人脸图像的解耦特征向量， 在解耦特征向量的基础上构建一系列的中层特征，并用于人脸搜索， 解决了现有技术中，构造的特征向量只关注了人脸的器官，丢弃了脸 部的其他特征，造成信息丢失；同时，手动构造的特征表达空间不足， 当人脸数据量上升时，人脸搜索效率急剧下降的问题，提高了人脸搜 索的速率。
[0110]
进一步地，在一个实施例中，本发明提供的图像搜索装置，还可 以具体包括：预处理模块，用于对待查找人脸图像进行人脸检测和关 键点定位，获取待查找人脸图像的人脸面部矩形区域和关键点位置； 以及
[0111]
利用待查找人脸图像的关键点位置和预设矫正算法对人脸面部 矩形区域进行校正和对齐。本发明提供的图像搜索装置，通过对人脸 图像的关键点位置进行矫正和对齐，
解决了由于关键点遮挡和关键点 定位不准确而导致的搜索准确性下降，从而提高了人脸搜索的准确性。
[0112]
进一步地，在一个实施例中，预处理模块还可以具体包括：校正 子模块，用于获取关键点位置对应的关键点坐标信息，基于仿射变换 矫正算法将待查找人脸图像的关键点位置与标准人脸图像的关键点 位置进行对齐，以对人脸面部矩形区域进行校正和对齐。
[0113]
本发明提供的图像搜索装置，通过检测面部的关键点坐标信息， 使用仿射变换将关键点与标准人脸的关键点进行对齐，相比现有技术， 本提案提升了关键点遮挡图片搜索的鲁棒性。
[0114]
进一步地，在一个实施例中，数据获取模块310可以具体包括： 隐藏特征向量获取子模块和解耦特征向量获取子模块；
[0115]
隐藏特征向量获取子模块，用于将待查找人脸图像输入至目标人 脸特征编码网络，以获取待查找人脸图像的隐藏特征向量；解耦特征 向量获取子模块，用于将隐藏特征向量输入至目标隐藏特征解耦网络， 以获取待查找人脸图像的解耦特征向量。
[0116]
本发明提供的图像搜索装置，无需人为构造特征向量，利用深度 学习技术自动化构造特征向量，比人为构造的特征向量维度更高、包 含更多的信息；同时，因为获取了更多维度的人脸信息，能够处理的 图集的容量更大。
[0117]
进一步地，在一个实施例中，隐藏特征向量获取子模块，还可以 用于将所述待查找人脸图像输入至预设编码网络进行训练，并在满足 预设条件时停止训练，以确定预设编码网络的参数；以及
[0118]
根据预设编码网络的参数和预设编码网络，确定目标人脸特征编 码网络；
[0119]
其中，预设条件为将目标隐藏特征向量输入至预设解码网络，获 取的目标隐藏特征向量对应的第一目标图像与待查找人脸图像的差 异小于第一预设阈值；
[0120]
目标隐藏特征向量为将待查找人脸图像输入至预设编码网络的 输出结果。本发明提供的图像搜索装置，将预处理后的整个人脸面部 矩形区域作为数据进行训练，以得到目标人脸特征编码网络，并使用 目标人脸特征编码网络提取其隐藏特征向量，为后续构造目标隐藏特 征解耦网络奠定了基础。
[0121]
进一步地，在一个实施例中，解耦特征向量获取子模块，还可以 具体用于将隐藏特征向量和待查找人脸图像输入至预设全连接神经 网络进行训练，并在第二目标图像与待查找人脸图像的差异小于第二 预设阈值时，停止训练，以获取目标隐藏特征解耦网络；
[0122]
其中，第二目标图像为将隐藏特征向量输入至预设全连接神经网 络的输出结果。
[0123]
本发明提供的图像搜索装置，无需人为构造特征向量，利用深度 学习技术自动化构造特征向量，比人为构造的特征向量维度更高、包 含更多的信息，同时，采用全连接神经网络进行特征解耦，可以输出 各个特征相互解耦的特征向量，并找到各个特征隐藏的深层次的关系。
[0124]
进一步地，在一个实施例中，特征分类模块311还可以具体包括 目标分类器获取子模块，用于将解耦特征向量和训练标签输入至预设 支持向量机svm网络进行训练，以获取目标分类器；
[0125]
其中，训练标签为通过对待查找人脸图像进行特征标注，获取的 待查找人脸图像所属特征类别。
[0126]
本发明提供的图像搜索装置，分类器有直观意义，便于理解，相 比现有技术通过计算关键点位置的方法，本发明提供的图像搜索方法 搜索出的目标人脸图像更为准确。
[0127]
图4是本发明提供的一种电子设备的实体结构示意图，如图4所 示，该电子设备可以包括：处理器(processor)410、通信接口 (communication interface)411、存储器(memory)412和总线(bus) 413，其中，处理器410，通信接口411，存储器412通过总线413完 成相互间的通信。处理器410可以调用存储器412中的逻辑指令，以 执行如下方法：
[0128]
获取待查找人脸图像的解耦特征向量；
[0129]
将解耦特征向量输入至目标分类器，以获取待查找人脸图像所属 特征类别；
[0130]
根据解耦特征向量和待查找人脸图像所属特征类别，确定待查找 人脸图像的第一中层特征向量；
[0131]
将第一中层特征向量与待搜索图像集中每幅图像的第二中层特 征向量进行匹配，以获取与待查找人脸图像对应的目标人脸图像。
[0132]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式 实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取 存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现 有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形 式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指 令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网 络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而 前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟 或者光盘等各种可以存储程序代码的介质。
[0133]
进一步地，本发明公开一种计算机程序产品，所述计算机程序产 品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算 机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够 执行上述各方法实施例所提供的图像搜索方法，例如包括：
[0134]
获取待查找人脸图像的解耦特征向量；
[0135]
将解耦特征向量输入至目标分类器，以获取待查找人脸图像所属 特征类别；
[0136]
根据解耦特征向量和待查找人脸图像所属特征类别，确定待查找 人脸图像的第一中层特征向量；
[0137]
将第一中层特征向量与待搜索图像集中每幅图像的第二中层特 征向量进行匹配，以获取与待查找人脸图像对应的目标人脸图像。
[0138]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上 存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各 实施例提供的图像搜索方法，例如包括：
[0139]
获取待查找人脸图像的解耦特征向量；
[0140]
将解耦特征向量输入至目标分类器，以获取待查找人脸图像所属 特征类别；
[0141]
根据解耦特征向量和待查找人脸图像所属特征类别，确定待查找 人脸图像的第一中层特征向量；
[0142]
将第一中层特征向量与待搜索图像集中每幅图像的第二中层特 征向量进行匹配，以获取与待查找人脸图像对应的目标人脸图像。
[0143]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部 件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也 可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付 出创造性的劳动的情况下，即可以理解并实施。
[0144]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解 到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然 也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现 有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软 件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光 盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机， 服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分 所述的方法。
[0145]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而 非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领 域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技 术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修 改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方 案的精神和范围。