一种基于量子计算的人脸识别方法及装置专利检索-块视听技术与设备专利检索查询-专利查询网

一种基于 量子计算的人脸识别方法及装置

阅读：893发布：2021-06-15

专利汇可以提供一种基于量子计算的人脸识别方法及装置专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于量子计算的人脸识别方法及装置，其中，人脸识别方法包括以下步骤：提供人脸采集设备和量子计算云平台，其中，量子计算云平台包括三层软硬件架构，最底层为量子计算机，中间层为量子计算云操作系统，最上层为经典计算机；通过人脸采集设备采集多个人脸图像；将人脸图像在经典计算机上进行图像预处理后，发送到量子计算云操作系统；由量子计算云操作系统通过量子制备和量子测量与量子计算机交互通过深度学习网络对人脸图像进行并行特征提取，对应得到多个待分类的特征向量；将多个特征向量与类别向量进行相异性度量；根据相异性度量对多个待分类的特征向量进行识别，得到识别结果。采用本发明可增强对人脸识别的并行处理能力。，下面是一种基于量子计算的人脸识别方法及装置专利的具体信息内容。

权利要求

1.一种基于量子计算的人脸识别方法，其特征在于，所述人脸识别方法包括以下步骤：
提供人脸采集设备和量子计算云平台，其中，量子计算云平台包括三层软硬件架构，最底层为量子计算机，中间层为量子计算云操作系统，最上层为经典计算机；
通过人脸采集设备采集多个人脸图像；
将人脸图像在经典计算机上进行图像预处理后，发送到量子计算云操作系统；
由量子计算云操作系统通过量子制备和量子测量与量子计算机交互通过深度学习网络对人脸图像进行并行特征提取，对应得到多个待分类的特征向量；
将所述多个特征向量与类别向量进行相异性度量；
根据所述相异性度量对所述多个待分类的特征向量进行识别，得到识别结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述图像预处理包括图像增强处理，所述图像增强处理是针对傍晚或黑夜拍摄的偏暗图片进行增强处理。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述图像增强处理采用对数计算增强方法，具体过程为：
将0-255 像素值的对数值存储为一张表格；
从所述存储表格中快速查表，获得偏暗的图像像素点对应的像素值。
4.根据权利要求1所述的人脸识别方法，其特征在于，还包括步骤：
对深度学习网络进行训练，具体地，在量子计算云操作系统中构建人脸向量和参数向量，并初始化参数向量；人脸向量传送至深度学习网络进行训练，训练过程中经过与目标类别向量的相似性比对，比对结果形成梯度向量，所述梯度向量反向传递，以修正参数向量；
其中，训练过程是由量子计算云操作系统通过量子的制备和测量与量子计算机交互并行计算完成的。
5.根据权利要求4所述的人脸识别方法，其特征在于，所述相异性度量包括欧式距离度量和余弦距离度量。
6.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸采集设备为带有摄像头的终端设备。
7.一种基于量子计算的人脸识别装置，其特征在于，包括人脸采集设备和量子计算云平台，其中，量子计算云平台包括三层软硬件架构，最底层为量子计算机，中间层为量子计算云操作系统，最上层为经典计算机；
所述人脸采集设备用于获得人脸图像；
所述经典计算机用于对人脸图像进行图像预处理，以提高所述多个人脸图像的清晰度；
所述量子云操作系统通过量子制备和量子测量与量子计算机交互，设置有：
特征提取模块，用于对人脸图像进行量子计算，并行进行特征提取，对应得到多个待识别的特征向量；
相异性度量模块，用于对多个特征向量与类别向量进行相异性度量；
以及识别模块，用于根据相异性度量对多个待分类的特征向量进行识别，得到识别结果。
8.根据权利要求7所述的人脸识别装置，其特征在于，所述量子云操作系统还设有参数训练模块，用于对深度学习网络进行训练，得到深度学习网络参数，具体地，在云操作系统中构建人脸向量和参数向量，并初始化参数向量；人脸向量传送至深度学习网络进行训练，训练过程中经过与目标类别向量的相似性比对，比对结果形成梯度向量，所述梯度向量反向传递，以修正参数向量。
9.根据权利要求7所述的人脸识别装置，其特征在于，所述人脸采集设备为带有摄像头的终端设备。
10.根据权利要求7所述的人脸识别装置，其特征在于，所述量子计算机包括量子处理器或量子芯片，所述量子处理器包括量子线路和量子门，所述量子线路由量子比特的初始化、一组量子门以及最终的信息读取组成；所述量子门包括Hadmard门(H)、π/4 相位门(S)、π/8相位门(T)以及受控非门(CNOT)。

说明书全文

一种基于量子计算的人脸识别方法及装置

技术领域

[0001] 本发明涉及量子计算与计算机视觉技术领域，尤其涉及一种基于量子计算的人脸识别方法及装置。

背景技术

[0002] 与经典计算机相比，量子计算机通过一种完全不同的方式进行计算，因此给计算技术带来了全新变革。量子计算机的概念在20世纪80年代被提出，此后在很长的时期内属于基础研究的范畴。目前，量子计算正在由基础研究转向应用研究和工程实现。世界科技巨头与科研机构也纷纷布局量子计算，D-Wave公司，谷歌，IBM，中科大，浙江大学、阿里巴巴等各自发布了不同物理体系的量子计算机。

[0003] 人脸识别是计算机视觉应用的重要任务之一，通过将使用摄像头采集的面部图像变换成可计算并具有身份区分能力的数据，进行身份的验证或识别。人脸识别技术在安防、刑侦和授权等应用场景下有着极其重要的应用价值，是保护人民的生命财产不受侵犯、方便职能部门开展工作的重要技术。随着人脸识别技术的广泛应用，人脸数据的大量累积，使得经典计算机的计算任务日趋繁重。而且，随着信息化程度的提高、人工智能技术的广泛应用，职能部门对人脸识别技术的要求越来越高，低延时、低能耗、高性能、高精度的量子人脸识别技术应运而生。

发明内容

[0004] 本发明旨在提供一种基于量子计算的人脸识别方法及装置，以实现低延时、低能耗、高性能、高精度的量子人脸识别技术。为此，本发明采用的具体技术方案如下：

[0005] 根据本发明的一方面，提供了一种基于量子计算的人脸识别方法，其中，所述人脸识别方法包括以下步骤：

[0006] 提供人脸采集设备和量子计算云平台，其中，量子计算云平台包括三层软硬件架构，最底层为量子计算机，中间层为量子计算云操作系统，最上层为经典计算机；

[0007] 通过人脸采集设备采集多个人脸图像；

[0008] 将人脸图像在经典计算机上进行图像预处理后，发送到量子计算云操作系统；

[0009] 由量子计算云操作系统通过量子制备和量子测量与量子计算机交互通过深度学习网络对人脸图像进行并行特征提取，对应得到多个待分类的特征向量；

[0010] 将所述多个特征向量与类别向量进行相异性度量；

[0011] 根据所述相异性度量对所述多个待分类的特征向量进行识别，得到识别结果。

[0012] 进一步地，所述图像预处理包括图像增强处理，所述图像增强处理是针对傍晚或黑夜拍摄的偏暗图片进行增强处理。

[0013] 进一步地，所述图像增强处理采用对数计算增强方法，具体过程为：

[0014] 将0-255 像素值的对数值存储为一张表格；

[0015] 从所述存储表格中快速查表，获得偏暗的图像像素点对应的像素值。

[0016] 进一步地，还包括步骤：

[0017] 对深度学习网络进行训练，具体地，在云操作系统中构建人脸向量和参数向量，并初始化参数向量；人脸向量传送至深度学习网络进行训练，训练过程中经过与目标类别向量的相似性比对，比对结果形成梯度向量，所述梯度向量反向传递，以修正参数向量；其中，训练过程是由量子计算云操作系统通过量子的制备和测量与量子计算机交互并行计算完成的。

[0018] 进一步地，所述相异性度量包括欧式距离度量和余弦距离度量。

[0019] 进一步地，所述人脸采集设备包括摄像头和带有摄像头的终端设备。

[0020] 根据本发明的另一方面，提供了一种基于量子计算的人脸识别装置，该人脸识别装置可包括人脸采集设备和量子计算云平台，其中，量子计算云平台包括三层软硬件架构，最底层为量子计算机，中间层为量子计算云操作系统，最上层为经典计算机；

[0021] 所述人脸采集设备用于获得人脸图像；

[0022] 所述经典计算机用于对人脸图像进行图像预处理，以提高所述多个人脸图像的清晰度；

[0023] 所述量子云操作系统通过量子制备和量子测量与量子计算机交互，设置有：

[0024] 特征提取模块，用于对人脸图像进行量子计算，并行进行特征提取，对应得到多个待识别的特征向量；

[0025] 相异性度量模块，用于对多个特征向量与类别向量进行相异性度量；

[0026] 以及识别模块，用于根据相异性度量对多个待分类的特征向量进行识别，得到识别结果。

[0027] 进一步地，所述量子云操作系统还设有参数训练模块，用于对深度学习网络进行训练，得到深度学习网络参数，具体地，在云操作系统中构建人脸向量和参数向量，并初始化参数向量；人脸向量传送至深度学习网络进行训练，训练过程中经过与目标类别向量的相似性比对，比对结果形成梯度向量，所述梯度向量反向传递，以修正参数向量。

[0028] 进一步地，所述人脸采集设备包括摄像头和带有摄像头的终端设备。

[0029] 进一步地，所述量子计算机包括量子处理器或量子芯片，所述量子处理器包括量子线路和量子门，所述量子线路由量子比特的初始化、一组量子门以及最终的信息读取组成；所述量子门包括Hadmard门(H)、π/4 相位门(S)、π/8相位门(T)以及受控非门(CNOT)。

[0030] 本发明采用上述技术方案，具有的有益效果是：量子计算云平台是基于量子计算机的并行计算平台，人脸参数向量的训练与人脸的识别都是基于该量子计算云平台，因此，采用本发明可增强对人脸识别的并行处理能力，提高识别速度。附图说明

[0031] 为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

[0032] 图1是本发明第一实施例的基于量子计算的人脸识别方法的流程图；

[0033] 图2是本发明第一实施例的的基于量子计算的人脸识别装置的框图；

[0034] 图3是图2所示的量子计算机的框图；

[0035] 图4是人脸图像预处理前后的对比图。

[0036] 图5是根据本发明第二实施例的基于量子计算的人脸识别深度网络训练流程图；

[0037] 图6是根据本发明第三实施例的基于量子计算的人脸识别流程图。

具体实施方式

[0038] 现结合附图和具体实施方式对本发明进一步说明。

[0039] 实施例一

[0040] 如图1至3所示，一种基于量子计算的人脸识别方法，其中，所述人脸识别方法包括以下步骤：

[0041] S100.提供人脸采集设备1和量子计算云平台2。其中，人脸采集设备1为带有摄像头的终端设备，例如智能手机、平板电脑、门禁系统和经典计算机等。量子计算云平台2包括三层软硬件架构，最底层为量子计算机21，中间层为量子计算云操作系统22，最上层为经典计算机23三个部分，三部分紧密协作完成整个流程。所述量子云操作系统是计算机软件，运行在经典计算机服务器上，提供了经典计算机23与量子计算机21之间的交互接口。量子计算机21可包括量子芯片或量子处理器211、电源组件212、量子存储器213、量子制备接口214和量子测量接口215等。所述量子处理器包括量子线路和量子门，所述量子线路由量子比特的初始化、一组量子门以及最终的信息读取组成；所述量子门包括Hadmard门(H)、π/4相位门(S)、π/8相位门(T)以及受控非门(CNOT)等。量子计算机21通过量子制备和量子测量两个接口与所述量子云操作系统22进行交互。

[0042] S102.通过人脸采集设备1(例如，手机)采集多个人脸图像。手机将采集好的人脸采集设备1发送至量子计算云平台2的经典计算机21。

[0043] S104.将人脸图像在经典计算机上进行图像预处理后，发送到量子计算云操作系统。具体地，图像预处理包括人脸的增强处理，人脸的检测与对齐；既包括单张人脸的预处理，也涵盖多张人脸的预处理。预处理为了增加人脸图像的清晰度以及人脸大小的一致性。人脸的增强处理采用对数函数进行快速处理。如图3所示，人脸图像增强前与增强后的对比，增加了人脸图像的清晰度。优选地，人脸的增强处理采用对数计算增强方法：将0-255像素值的对数值存储为一张表格；从所述存储表格中快速查表，获得偏暗的图像像素点对应的像素值。查表法可以实现对人脸图像的快速增强处理。人脸的检测与对齐通过找到人脸的特征点，从而把人脸切一个方形框图下来，并以人脸的眼睛中心点为标准进行人脸的对齐。

[0044] S106.由量子计算云操作系统通过量子制备和量子测量与量子计算机交互通过深度学习网络对人脸图像进行并行特征提取，对应得到多个待分类的特征向量(人脸向量)。深度学习网络的特征提取过程是本领域技术人员所熟知的，这里不再进一步描述。

[0045] S108.将所述多个特征向量与类别向量进行相异性度量。其中，相异性度量包括欧式距离度量和余弦距离度量。该过程是本领域技术人员所熟知的，这里不再进一步描述。

[0046] S110.根据所述相异性度量对所述多个待分类的特征向量进行识别，得到识别结果。

[0047] 也就是说，人脸识别过程为：在量子计算云操作系统中构建人脸向量，然后将所述人脸向量传送至深度学习网络进行计算，与目标类别向量进行比对，从而识别出人脸的身份。同时，识别过程与量子计算机进行交互，经过量子的制备与测量两个过程；从而参与到量子计算机的高速并行计算过程。

[0048] 此外，所述人脸识别方法还可包括步骤：对深度学习网络进行训练，具体地，在量子计算云操作系统中构建人脸向量和参数向量，并初始化参数向量；人脸向量传送至深度学习网络进行训练，训练过程中经过与目标类别向量的相似性比对，比对结果形成梯度向量，所述梯度向量反向传递，以修正参数向量；其中，训练过程是由量子计算云操作系统通过量子的制备和测量与量子计算机交互并行计算完成的。

[0049] 由于量子计算云平台是基于量子计算机的并行计算平台，人脸参数向量的训练与人脸的识别都是基于该量子计算云平台，因此，采用本发明可增强对人脸识别的并行处理能力，提高识别速度。

[0050] 实施例二

[0051] 本实施例中，需要经过用于量子人脸识别的深度学习网络的训练过程，如图5所示。开始采集人脸图像，如S201所示，包括采集多张人脸图像。接着进行人脸图像预处理，如S202所示，其具体处理过程已在上文进行描述，这里不再重复。这两个步骤都是由终端计算机来处理的。然后，将这些预处理后的人脸图像传送到量子云操作系统，在所述量子云操作系统中构建人脸向量和参数向量，并初始化参数向量，如S203所示；所述向量传送至深度学习网络进行训练，训练过程中经过与目标类别向量的相似性比对，比对结果形成梯度向量，所述梯度向量反向传递，以修正参数向量，如S204所示。同时，训练过程与量子计算机进行交互，经过量子的制备与测量两个过程，如S205；从而参与到量子计算机的高速并行计算过程，如图S206所示。并且其交互过程是并行处理的，可以同时训练多个人脸向量，修正深度学习网络参数。

[0052] 实施例三

[0053] 本实施例中，涵盖了量子计算深度学习的人脸识别过程，如图6所示。首先采集人脸图像，如S301所示，包括采集多张人脸图像。接着进行人脸图像预处理，如S302所示，其具体处理过程已在上文进行描述，这里不再重复。这两个步骤都是由终端计算机来处理的。然后，将这些预处理后的人脸图像传送到量子云操作系统，在所述量子云操作系统中构建人脸向量，如S303所示；所述人脸向量传送至深度学习网络进行计算，与目标类别向量进行比对，从而识别出人脸的身份，如S304所示。同时，识别过程与量子计算机进行交互，经过量子的制备与测量两个过程，如S305；从而参与到量子计算机的高速并行计算过程，如图S306所示。

[0054] 尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

标题	发布/更新时间	阅读量
用于对运动信息进行编码和解码的方法以及用于对运动信息进行编码和解码的设备	2020-05-08	904
针对电子器件的具有数个接线模块的模块式端子排	2020-05-08	430
用于为可编程逻辑控制器提供服务的方法和装置	2020-05-11	510
用于当取回像素核时降低存储器延迟的方法、系统和设备	2020-05-08	968
柔性和多层电致变色器件及其制造方法	2020-05-11	302
半导体模块单元	2020-05-08	38
管理基于区块链的中心化账本系统	2020-05-08	728
用于数据传输的方法、发送端设备和接收端设备	2020-05-08	969
用户装置及基站装置	2020-05-08	109
编码方法、解码方法、编码设备和解码设备	2020-05-08	230

一种基于量子计算的人脸识别方法及装置

一种基于量子计算的人脸识别方法及装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：