14、人脸哈希技术：原理、方法与应用

人脸哈希技术：原理、方法与应用

1. 人脸哈希任务概述

在人脸识别领域，构建一个能生成紧凑二进制表示且对验证和识别任务有效的哈希模型极具挑战。下面我们先明确哈希任务并介绍相关符号。

设有数据集 $S$，由 $N$ 个样本 ${s_i} {i = 1…N}$ 组成。样本 $s_i$ 的 $d$ 维特征表示记为行向量 $x_i \in R^d$，所有样本的特征矩阵为 $X \in R^{N×d}$。哈希模型 $H$ 将 $x_i$ 映射为长度为 $b$ 的二进制码，即 $H(x_i) = h_i \in B^b$，将全特征矩阵映射为 $H(X) = H \in R^{N×b}$。这里二进制空间 $B$ 技术上可为 ${0, 1}$ 或 ${-1, 1}$，二者等价。哈希模型 $H$ 可看作由 $b$ 个哈希函数组成，即 $H = { f_j} {j = 1…b}$，$h_i$ 的第 $j$ 位 $h_{ij}$ 通过将 $H$ 的第 $j$ 个哈希函数 $f_j$ 应用于特征得到，即 $h_{ij} = f_j(x_i)$。

在相关文献中，有大量哈希方法被提出以获取这样的哈希模型。接下来我们将回顾哈希的关键方面以及近期有效的哈希方法。

2. 人脸哈希策略

2.1 数据依赖与数据独立哈希

• 局部敏感哈希（LSH） ：这是一种早期且流行的数据独立哈希方法。其核心思想是定义一组哈希函数，确保“相似”样本更可能映射到相同哈希码或桶中。常见策略是采样随机投影 $w$ 和阈值 $\beta$ 来定义哈希函数：$f(x) = sgn(xw + \beta)$。