人脸识别方法和装置的制造方法
人脸识别方法和装置的制造方法
【技术领域】
[0001]本公开涉及通讯领域，尤其涉及人脸识别方法和装置。
【背景技术】
[0002]人脸识别，通常是基于从人脸图像中提取出的人脸特征来完成的；例如，在传统的实现中，可以从人脸图像中人工抽取出人脸特征，并结合特定的算法对抽取出的人脸特征进行降维后，进行相似性度量最终得到人脸识别结果。可见，在进行人脸识别过程中，识别的准确度取决于提取出的人脸特征，因此如何对提取人脸特征的过程进行优化，来提高人脸识别的准确度，目前已成为人脸识别领域关注的重点。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开提供一种人脸识别方法和装置。
[0004]根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括:
[0005]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0006]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0007]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0008]可选的，所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，所述方法还包括:
[0009]基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。
[0010]可选的，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，所述方法包括:
[0011]根据预设算法对提取出的所述人脸特征向量进行降维处理。
[0012]可选的，所述深度学习模型包括基于卷积神经网的深度学习模型；
[0013]所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量包括:
[0014]将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；
[0015]当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。
[0016]可选的，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值包括:
[0017]计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0018]根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。
[0019]可选的，所述根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别包括:
[0020]判断计算出的所述相似度取值是否达到阈值；
[0021]当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0022]可选的，所述向量距离包括余弦距离或者欧氏距离。
[0023]可选的，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。
[0024]根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括:
[0025]提取模块，用于根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；
[0026]计算模块，用于基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0027]识别模块，用于根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0028]可选的，所述装置还包括:
[0029]训练模块，用于在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。
[0030]可选的，所述装置还包括:
[0031]降维模块，用于在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。
[0032]可选的，所述深度学习模型包括基于卷积神经网的深度学习模型；
[0033]所述提取模块包括:
[0034]训练子模块，用于将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；
[0035]提取子模块，用于在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。
[0036]可选的，所述计算模块包括:
[0037]计算子模块，用于计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0038]转换子模块，用于根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。
[0039]可选的，所述识别模块包括:
[0040]判断子模块，用于判断计算出的所述相似度取值是否达到阈值；
[0041]输出子模块，用于在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0042]可选的，所述向量距离包括余弦距离或者欧氏距离。
[0043]可选的，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。
[0044]根据本公开实施例的第三方面，提供一种人脸识别装置，包括:
[0045]处理器；
[0046]用于存储处理器可执行指令的存储器；
[0047]其中，所述处理器被配置为:
[0048]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0049]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0050]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0051]本公开的以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0052]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0053]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0054]图1是根据一示例性实施例示出的一种人脸识别方法的流程示意图；
[0055]图2是根据一示例性实施例示出的另一种人脸识别方法的流程示意图；
[0056]图3是根据一示例性实施例示出的一种深度识别模型的示意图；
[0057]图4是根据一示例性实施例示出的一种人脸识别装置的示意框图；
[0058]图5是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0059]图6是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0060]图7是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0061]图8是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0062]图9是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0063]图10是根据一示例性实施例示出的一种用于所述人脸识别装置的一结构示意图。
【具体实施方式】
[0064]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0065]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0066]应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此 区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
[0067]在相关技术中，在进行人脸识别时，通常可以从人脸图像中人工抽取出人脸特征，并结合特定的算法对抽取出的人脸特征进行降维后，进行相似性度量最终得到人脸识别结果O
[0068]例如，在传统实现中，可以从人脸图像中提取gabor特征或者LBP特征等纹理特征，再结合 PCA(Principal Components Analysis，主成分分析)算法以及 LDA(LinearDiscriminant Analysis,线性鉴别分析)算法对提取出的纹理特征进行投影矩阵训练，对提取出的纹理特征进行降维，然后对降维后的纹理特征进行相似性度量得到人脸识别结果O
[0069]然而，在进行人脸识别过程中，由于识别的准确度取决于提取出的人脸特征，因此通过人工从人脸图像中抽取人脸特征，可能会造成人脸识别的准确度不足的问题。
[0070]有鉴于此，本公开提出一种人脸识别方法，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提尚人脸识别的精确度。
[0071]如图1所示，图1是根据一示例性实施例示出的一种人脸识别方法，该人脸识别方法用于服务端，包括以下步骤:
[0072]在步骤101中，根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；
[0073]在步骤102中，基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0074]在步骤103中，根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0075]在本实施例中，服务端可以是面向用户提供人脸识别服务的服务器、服务器集群或者云平台。预设的深度学习模型，可以是基于多层神经网络的深度学习模型。在基于多层神经网络的深度学习模型中，通常可以输包括多个基层，每一个基层可作为独立的特征提取层对人脸图像的局部特征进行提取。
[0076]例如，在实现时，所述多层神经网络可以采用目前较为成熟的卷积神经网络，在基于卷积神经网络的深度学习模型中，可以包括输入层、多个用于进行特征提取的卷积层、全连接层以及输出层。输入层用于为人脸图像样本提供输入通道；卷积层可以作为独立的特征提取层对人脸图像的局部特征进行训练提取，全连接层可以对各卷积层所训练提取出的局部特征进行整合，将各卷积层训练提取出的图像特征连接为一个一维向量；输出层用于输出对输入的人脸图形样本的分类结果。
[0077]以下以所述深度学习模型为基于卷积神经网络的深度学习模型为例进行说明。
[0078]在基于卷积神经网络的深度学习模型中，每一个基层包括若干线性一维排列的节点，其中基层与基层的节点之间是处于一种全连接的状态，而节点之间的连接通常具有一个权重参数。在初始状态下，节点之间连接的权重参数均为默认值，因此在正式使用该深度学习模型对待识别人脸图像以及人脸图像样本进行人脸特征向量提取之前，需要对该深度学习模型进行训练，以确定出各节点之间的连接的最佳权重参数。
[0079]其中，在对该深度学习模型进行训练时，可以准备预设数量的人脸图像样本，并且由用户对这些人脸图像样本进行分类；例如，可以准备5万张人脸图像样本，然后按照这些人脸图样本所归属的用户对这5万张人脸图像样本进行分类，并将每一个分类的人脸图像样本按照所属的用户进行标定，比如，可以将分类后的每一个分类分别标定为张三、李四、王五等，每一个用户具备10?1000张不等的图片，此时每一个分类中的人脸图像样本均归属于同一个用户。
[0080]当准备的预设数量的人脸图像样本分类完成后，此时可以将该深度学习模型作为分类模型，将这些人脸图像样本作为训练样本输入到该深度学习模型中进行训练，并根据深度学习模型输出的分类结果，不断对该深度学习模型各基层上节点之间的连接的权重参数进行调整。在不断的调整过程中，该深度学习模型在基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果该深度学习模型输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时该深度学习模型中各基层节点之间连接的权重参数均为最佳权重参数，可以认为该深度学习模型已经训练完毕。
[0081]对于训练完毕的深度学习模型，可以直接使用该深度学习模型，对待识别人脸图像以及人脸图像样本进行人脸特征向量的提取。
[0082]在实现时，服务端可以预先在本地创建一个人脸图像样本数据库，该数据库中的每一张人脸图像样本均可在对待识别人脸图像进行人脸识别时，作为与该待识别人脸图像进行比对的参照物。在针对数据库中的人脸图像样本进行人脸特征提取时，服务端可以将数据库中的人脸图像样本作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层输出的特征向量作为该人脸图像样本的人脸特征向量。
[0083]由于在该深度学习模型中，全连接层可以对各卷积层所训练提取出的局部特征进行整合，因此将全连接层输出的特征向量作为该人脸图像样本的人脸特征向量，可以获取由全连接层整合后的该人脸图形样本的全局特征，使用全局特征进行相似度度量时，人脸识别结果将更加精确。
[0084]当然，在实现时，也可以提取该深度学习模型的多个卷积层中的任意一个指定的卷积层输出的特征向量作为该人脸图像样本的人脸特征向量。将多个卷积层中的任意一个指定的卷积层输出的特征向量，可以获取该人脸图形样本的局部特征。
[0085]在本实施例中，在针对待识别人脸图像进行人脸特征提取时，，服务端仍然可以按照相同的处理方式，将该待识别人脸图像作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层或者多个卷积层中指定的卷积层输出的特征向量作为该待识别人脸图像的人脸特征向量。
[0086]值得说明的是，服务端将数据库中的人脸图像样本以及待识别人脸图像作为输入图像在该深度学习模型中进行特征训练之前，可以以双眼为中心对数据库中的人脸图像样本以及待识别人脸图像进行尺度归一化处理，处理成统一大小的图像，以方便在人脸识别阶段进行比对。其中，归一化处理时所采用的图像大小可以根据实际的需求进行设置；例如，在进行归一化处理时，可以统一设置成224*224的图像。
[0087]当服务端通过该深度学习模型提取出数据库中的人脸图像样本以及待识别人脸图像的人脸特征向量后，可以基于提取出的人脸特征向量进行相似度度量，来计算人脸识别结果。
[0088]在本实施例中，在基于提取出的人脸特征向量进行相似度度量时，可以利用待识别人脸图像与数据库中的人脸图像样本的人脸特征向量的向量距离来表征二者的相似度。
[0089]在实现时，服务端可以依次计算待识别人脸图像的人脸特征向量与数据库中人脸图像样本的人脸特征向量之间的向量距离，然后根据预设的相似度转换策略将计算出的向量距离转换成对应的相似度取值。例如，该相似度转换策略可以是服务端根据特征向量与相似度之间的关系预先建立一个向量距离与相似度取值的对应关系列表，该对应关系列表中可以根据预设的向量距离阈值划分为多个不同的相似度等级，并为每一个相似度等级设置一个对应的相似度取值，由于特征向量之间的向量距离通常与特征向量之间的相似度成反比，因此当向量距离越小时，相似度取值越高，当向量距离越大时，相似度取值越低。通过这种方式可以直接通过查询该对应关系列表就可以得到与计算出的向量距离对应的相似度取值。其中，该向量距离可以是余弦距离，也可以是欧氏距离，在本实施例中不进行特别限定。
[0090]其中，服务端在计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量的向量距离之前，还可以根据预设的算法对二者的人脸特征向量进行降维处理。例如，可以通过PCA算法以及LDA算法对二者的人脸特征向量进行投影矩阵训练，对二者的人脸特征向量进行降维。通过这种方式，不仅能减少服务端的计算量，还可以去除人脸特征向量中的冗余信息，保留人脸特征向量中的有用信息。
[0091]当服务端将计算出的向量距离转换成对应的相似度取值后，可以判断该相似度取值是否达到相似度阈值，如果该相似度取值达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本是相同的人脸图像，并将该人脸图像样本作为识别结果进行输出。当然，如果该相似度取值未达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本不是相同的人脸图像，此时服务端可以重复以上过程，继续计算该待识别人脸图像与数据库中 下一个人脸图像样本的相似度取值，直到查找到相同的人脸图像，或者遍历整个数据库未发现与该待识别人脸图像相同的人脸图像时停止。
[0092]在以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0093]如图2所示，图2是根据一示例性实施例示出的一种人脸识别方法，应用于服务端中，包括以下步骤:
[0094]在步骤201中，将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；其中所述深度学习模型包括基于卷积神经网的深度学习模型；
[0095]在步骤202中，当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量；
[0096]在步骤203中，计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0097]在步骤204中，根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值；
[0098]在步骤205中，判断计算出的所述相似度取值是否达到阈值；
[0099]在步骤205中，当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0100]在本实施例中，服务端可以是面向用户提供人脸识别服务的服务器、服务器集群或者云平台。预设的深度学习模型，可以是基于多层神经网络的深度学习模型。在基于多层神经网络的深度学习模型中，通常可以输包括多个基层，每一个基层可作为独立的特征提取层对人脸图像的局部特征进行提取。
[0101]例如，在实现时，所述多层神经网络可以采用目前较为成熟的卷积神经网络，在基于卷积神经网络的深度学习模型中，可以包括输入层、多个用于进行特征提取的卷积层、全连接层以及输出层。输入层用于为人脸图像样本提供输入通道；卷积层可以作为独立的特征提取层对人脸图像的局部特征进行训练提取，全连接层可以对各卷积层所训练提取出的局部特征进行整合，将各卷积层训练提取出的图像特征连接为一个一维向量；输出层用于输出对输入的人脸图形样本的分类结果。
[0102]以下以所述深度学习模型为基于卷积神经网络的深度学习模型为例进行说明。
[0103]I)模型训练阶段
[0104]在基于卷积神经网络的深度学习模型中，每一个基层包括若干线性一维排列的节点，其中基层与基层的节点之间是处于一种全连接的状态，而节点之间的连接通常具有一个权重参数。在初始状态下，节点之间连接的权重参数均为默认值，因此在正式使用该深度学习模型对待识别人脸图像以及人脸图像样本进行人脸特征向量提取之前，需要对该深度学习模型进行训练，以确定出各节点之间的连接的最佳权重参数。
[0105]其中，在对该深度学习模型进行训练时，可以准备预设数量的人脸图像样本，并且对这些人脸图像样本进行分类；例如，可以准备5万张人脸图像样本，然后按照这些人脸图样本所归属的用户对这5万张人脸图像样本进行分类，并将每一个分类的人脸图像样本按照所属的用户进行标定，比如，可以将分类后的每一个分类分别标定为张三、李四、王五等，每一个用户具备10?1000张不等的图片，此时每一个分类中的人脸图像样本均归属于同一个用户。
[0106]当准备的预设数量的人脸图像样本分类完成后，此时可以将该深度学习模型作为分类模型，将这些人脸图像样本作为训练样本输入到该深度学习模型中进行训练，并根据深度学习模型输出的分类结果，不断对该深度学习模型各基层上节点之间的连接的权重参数进行调整。在不断的调整过程中，该深度学习模型在基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果该深度学习模型输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时该深度学习模型中各基层节点之间连接的权重参数均为最佳权重参数，此时可以认为该深度学习模型已经训练完毕。
[0107]2)模型使用阶段
[0108]对于训练完毕的深度学习模型，可以直接使用该深度学习模型，对待识别人脸图像以及人脸图像样本进行人脸特征向量的提取。
[0109]在实现时，服务端可以预先在本地创建一个人脸图像样本数据库，该数据库中的每一张人脸图像样本均可在对待识别人脸图像进行人脸识别时，作为与该待识别人脸图像进行比对的参照物。
[0110]在针对数据库中的人脸图像样本进行人脸特征提取时，服务端可以将数据库中的人脸图像样本作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层输出的特征向量作为该人脸图像样本的人脸特征向量。
[0111]由于在该深度学习模型中，全连接层可以对各卷积层所训练提取出的局部特征进行整合，因此将全连接层输出的特征向量作为该人脸图像样本的人脸特征向量，可以获取由全连接层整合后的该人脸图形样本的全局特征，使用全局特征进行相似度度量时，人脸识别结果将更加精确。
[0112]当然，在实现时，也可以提取该深度学习模型的多个卷积层中的任意一个指定的卷积层输出的特征向量作为该人脸图像样本的人脸特征向量。将多个卷积层中的任意一个指定的卷积层输出的特征向量，可以获取该人脸图形样本的局部特征。
[0113]在本实施例中，在针对待识别人脸图像进行人脸特征提取时，服务端仍然可以按照相同的处理方式，将该待识别人脸图像作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层或者多个卷积层中指定的卷积层输出的特征向量作为该待识别人脸图像的人脸特征向量。
[0114]值得说明的是，服务端将数据库中的人脸图像样本以及待识别人脸图像作为输入图像在该深度学习模型中进行特征训练之前，可以以双眼为中心对数据库中的人脸图像样本以及待识别人脸图像进行尺度归一化处理，处理成统一大小的图像，以方便在人脸识别阶段进行比对。其中，归一化处理时所采用的图像大小可以根据实际的需求进行设置；例如，在进行归一化处理时，可以统一设置成224*224的图像。
[0115]当服务端通过该深度学习模型提取出数据库中的人脸图像样本以及待识别人脸图像的人脸特征向量后，可以基于提取出的人脸特征向量进行相似度度量，来计算人脸识别结果。
[0116]在本实施例中，在基于提取出的人脸特征向量进行相似度度量时，可以利用待识别人脸图像与数据库中的人脸图像样本的人脸特征向量的向量距离来表征二者的相似度。
[0117]在实现时，服务端可以依次计算待识别人脸图像的人脸特征向量与数据库中人脸图像样本的人脸特征向量之间的向量距离，然后根据预设的相似度转换策略将计算出的向量距离转换成对应的相似度取值。例如，该相似度转换策略可以是服务端根据特征向量与相似度之间的关系预先建立一个向量距离与相似度取值的对应关系列表，该对应关系列表中可以根据预设的向量距离阈值划分为多个不同的相似度等级，并为每一个相似度等级设置一个对应的相似度取值，由于特征向量之间的向量距离通常与特征向量之间的相似度成反比，因此当向量距离越小时，相似度取值越高，当向量距离越大时，相似度取值越低。通过这种方式可以直接通过查询该对应关系列表就可以得到与计算出的向量距离对应的相似度取值。其中，该向量距离可以是余弦距离，也可以是欧氏距离，在本实施例中不进行特别限定。
[0118]其中，服务端在计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量的向量距离之前，还可以根据预设的算法对二者的人脸特征向量进行降维处理。例如，可以通过PCA算法以及LDA算法对二者的人脸特征向量进行投影矩阵训练，对二者的人脸特征向量进行降维。通过这种方式，不仅能减少服务端的计算量，还可以去除人脸特征向量中的冗余信息，保留人脸特征向量中的有用信息。
[0119]当服务端将计算出的向量距离转换成对应的相似度取值后，可以判断该相似度取值是否达到相似度阈值，如果该相似度取值达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本是相同的人脸图像，并将该人脸图像样本作为识别结果进行输出。当然，如果该相似度取值未达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本不是相同的人脸图像，此时服务端可以重复以上过程，继续计算该待识别人脸图像与数据库中下一个人脸图像样本的相似度取值，直到查找到相同的人脸图像，或者遍历整个数据库未发现与该待识别人脸图像相同的人脸图像时停止。
[0120]以下通过一个具体的应用实例对以上技术方案进行详细 说明。
[0121]请参见图3，图3为本实施例示出的一种基于卷积神经网的深度学习模型。在该深度学习模型中，包括输入层，第一卷积层，第二卷积层，第三卷积层，第四卷积层，第五卷积层，第一全连接层，第二全连接层以及输出层。
[0122]在模型训练阶段，可以准备5万张人脸图像样本，然后按照这些人脸图样本所归属的用户对这5万张人脸图像样本进行人工分类，并将每一个分类的人脸图像样本按照所属的用户进行标定，比如，可以将分类后的每一个分类分别标定为张三、李四、王五等，每一个用户具备10?1000张不等的图片，此时每一个分类中的人脸图像样本均归属于同一个用户。
[0123]当5万张的人脸图像样本分类完成后，可以对人脸图像样本进行归一化处理，得到224*224的图像。对于归一化处理后的人脸图像样本，可以将该深度学习模型作为分类模型，将这些人脸图像样本作为训练样本输入到该深度学习模型中进行训练，并根据深度学习模型输出的分类结果，不断对该深度学习模型各基层上节点之间的连接的权重参数进行调整，直到该深度学习模型输出的分类结果与人工标定的分类结果相比，准确度达到预先设置的准确度阈值时停止。此时该深度学习模型中各基层节点之间连接的权重参数均为最佳权重参数，该深度学习模型训练完毕。
[0124]在模型使用阶段，一方面，服务端可以将5万张人脸图像样本作为输入图像在该深度学习模型中的5个卷积层中依次进行特征训练，并在训练完成后，提取全连接层输出的2*2048维特征向量作为对应的人脸特征向量。另一方面，服务端可以对待识别图像进行归一化处理，得到224*224的图像，然后作为输入图像在该深度学习模型中的5个卷积层中依次进行特征训练，并在训练完成后，提取全连接层输出的2*2048维的特征向量作为该待识别人脸图像的人脸特征向量。
[0125]在人脸识别阶段，服务端可以利用PCA和LDA算法对待识别人脸图像以及5万张人脸图像样本的2*2048维的特征向量进行降维，得到一个400维(经验值)的特征向量，并依次计算待识别人脸图像与数据库中人脸图像样本这两个400维的特征向量之间的余弦距离。
[0126]对于计算出的余弦距离，可以根据预设的相似度转换策略将计算出的余弦距离转换成对应的相似度取值，并判断该相似度取值是否达到相似度阈值(例如90% )，如果达到相似度阈值时，则可以确认该待识别人脸图像与该人脸图像样本是相同的人脸图像，并将该人脸图像样本作为识别结果进行输出。如果该相似度取值未达到相似度阈值时，此时可以重复以上过程，继续计算该待识别人脸图像与数据库中下一个人脸图像样本的相似度取值，直到查找到相同的人脸图像，或者遍历整个数据库未发现与该待识别人脸图像相同的人脸图像时停止。
[0127]值得说明的是，图3所示出的深度学习模型，以及该深度学习模型中各层中所标注的权重参数、卷积核大小以及卷积核数量均为示例性的，并不用于限定本公开，在实际的应用过程中，可以根据实际的需求重新创建适用的模型或对上述模型中的所标注的权重修改、卷积核大小以及卷积核数量进行修改。
[0128]在以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0129]与前述人脸识别方法实施例相对应，本公开还提供了一种装置的实施例。
[0130]图4是根据一示例性实施例示出的一种人脸识别装置的示意框图。
[0131]如图4所示，根据一示例性实施例示出的一种人脸识别装置400，包括:提取模块401、计算模块402和识别模块403 ;其中:
[0132]所述提取模块401被配置为，根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；
[0133]所述计算模块402被配置为，基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0134]所述识别模块403被配置为，根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0135]在以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0136]请参见图5，图5是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述装置400还可以包括训练模块405 ;其中:
[0137]所述训练模块405被配置为，在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。
[0138]请参见图6，图6是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述装置400还可以包括降维模块406 ;其中:
[0139]所述降维模块406被配置为，在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。
[0140]需要说明的是，上述图6所示的装置实施例中示出的降维模块406的结构也可以包含在前述图5的装置实施例中，对此本公开不进行限制。
[0141]请参见图7，图7是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述深度学习模型包括基于卷积神经网的深度学习模型；所述提取模块401可以包括训练子模块401A和提取子模块401B ;其中:
[0142]所述训练子模块401A被配置为，将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；
[0143]所述提取子模块401B被配置为，在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。
[0144]需要说明的是，上述图7所示的装置实施例中示出的训练子模块401A和提取子模块401B的结构也可以包含在前述图5-6的装置实施例中，对此本公开不进行限制。
[0145]请参见图8，图8是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述计算模块402可以包括计算子模块402A和转换子模块402B ;其中:
[0146]所述计算子模块402A被配置为，计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0147]所述转换子模块402B被配置为，根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。
[0148]需要说明的是，上述图8所示的装置实施例中示出的计算子模块402A和转换子模块402B的结构也可以包含在前述图5-7的装置实施例中，对此本公开不进行限制。
[0149]请参见图9，图9是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述识别模块403可以包括判断子模块403A和输出子模块403B ;其中:
[0150]所述判断子模块403A被配置为，判断计算出的所述相似度取值是否达到阈值；
[0151]所述输出子模块403B被配置为，在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0152]需要说明的是，上述图8所示的装置实施例中示出的判断子模块403A和输出子模块403B的结构也可以包含在前述图5-8的装置实施例中，对此本公开不进行限制。
[0153]上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0154]对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0155]相应的，本公开还提供一种人脸识别装置 ，所述装置包括:
[0156]处理器；
[0157]用于存储处理器可执行指令的存储器；
[0158]其中，所述处理器被配置为:
[0159]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0160]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0161 ] 根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0162]相应的，本公开还提供一种服务端，所述终端包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
[0163]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0164]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0165]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0166]相应的，本公开还提供一种人脸识别装置，所述装置包括:
[0167]处理器；
[0168]用于存储处理器可执行指令的存储器；
[0169]其中，所述处理器被配置为:
[0170]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0171]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0172]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0173]图10是根据一示例性实施例示出的一种用于人脸识别装置1000的框图。例如，装置1000可以被提供为一服务器。参照图10，装置1000包括处理组件1022，其进一步包括一个或多个处理器，以及由存储器1032所代表的存储器资源，用于存储可由处理部件1022的执行的指令，例如应用程序。存储器1032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1022被配置为执行指令，以执行上述智能设备的控制方法。
[0174]装置1000还可以包括一个电源组件1026被配置为执行装置1000的电源管理，一个有线或无线网络接口 1050被配置为将装置1000连接到网络，和一个输入输出(I/O)接口 1058。装置1000可以操作基于存储在存储器1032的操作系统，例如Windows ServerTM,Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM 或类似。
[0175]本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0176]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
【主权项】
1.一种人脸识别方法，其特征在于，所述方法包括: 根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量； 基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值； 根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。2.如权利要求1所述的方法，其特征在于，所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，所述方法还包括: 基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点之间的连接的最佳权重参数。3.如权利要求1所述的方法，其特征在于，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，所述方法包括: 根据预设算法对提取出的所述人脸特征向量进行降维处理。4.如权利要求1所述的方法，其特征在于，所述深度学习模型包括基于卷积神经网的深度学习模型； 所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量包括: 将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练； 当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。5.如权利要求4所述的方法，其特征在于，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值包括: 计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度； 根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。6.如权利要求5所述的方法，其特征在于，所述根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别包括: 判断计算出的所述相似度取值是否达到阈值； 当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。7.如权利要求5所述的方法，其特征在于，所述向量距离包括余弦距离或者欧氏距离。8.如权利要求1所述的方法，其特征在于，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。9.一种人脸识别装置，其特征在于，所述装置包括: 提取模块，用于根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量； 计算模块，用于基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值； 识别模块，用于根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。10.如权利要求9所述的方法，其特征在于，所述装置还包括: 训练模块，用于在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。11.如权利要求9所述的装置，其特征在于，所述装置还包括: 降维模块，用于在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。12.如权利要求9所述的装置，其特征在于，所述深度学习模型包括基于卷积神经网的深度学习模型； 所述提取模块包括: 训练子模块，用于将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练； 提取子模块，用于在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。13.如权利要求12所述的装置，其特征在于，所述计算模块包括: 计算子模块，用于计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度； 转换子模块，用于根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。14.如权利要求13所述的装置，其特征在于，所述识别模块包括: 判断子模块，用于判断计算出的所述相似度取值是否达到阈值； 输出子模块，用于在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。15.如权利要求11所述的装置，其特征在于，所述向量距离包括余弦距离或者欧氏距离。16.如权利要求9所述的方法，其特征在于，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。17.—种人脸识别装置，其特征在于，包括: 处理器； 用于存储处理器可执行指令的存储器； 其中，所述处理器被配置为: 根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量； 基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值； 根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
【专利摘要】本公开提出一种人脸识别方法，所述方法包括：根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。本公开可以实现利用深度学习模型自动从人脸图像中抽取人脸特征，可以提高人脸识别的精确度。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN104899579
【申请号】CN201510369876
【发明人】张涛, 陈志军, 龙飞
【申请人】小米科技有限责任公司
【公开日】2015年9月9日
【申请日】2015年6月29日
【技术领域】
[0001]本公开涉及通讯领域，尤其涉及人脸识别方法和装置。
【背景技术】
[0002]人脸识别，通常是基于从人脸图像中提取出的人脸特征来完成的；例如，在传统的实现中，可以从人脸图像中人工抽取出人脸特征，并结合特定的算法对抽取出的人脸特征进行降维后，进行相似性度量最终得到人脸识别结果。可见，在进行人脸识别过程中，识别的准确度取决于提取出的人脸特征，因此如何对提取人脸特征的过程进行优化，来提高人脸识别的准确度，目前已成为人脸识别领域关注的重点。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开提供一种人脸识别方法和装置。
[0004]根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括:
[0005]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0006]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0007]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0008]可选的，所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，所述方法还包括:
[0009]基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。
[0010]可选的，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，所述方法包括:
[0011]根据预设算法对提取出的所述人脸特征向量进行降维处理。
[0012]可选的，所述深度学习模型包括基于卷积神经网的深度学习模型；
[0013]所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量包括:
[0014]将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；
[0015]当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。
[0016]可选的，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值包括:
[0017]计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0018]根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。
[0019]可选的，所述根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别包括:
[0020]判断计算出的所述相似度取值是否达到阈值；
[0021]当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0022]可选的，所述向量距离包括余弦距离或者欧氏距离。
[0023]可选的，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。
[0024]根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括:
[0025]提取模块，用于根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；
[0026]计算模块，用于基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0027]识别模块，用于根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0028]可选的，所述装置还包括:
[0029]训练模块，用于在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。
[0030]可选的，所述装置还包括:
[0031]降维模块，用于在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。
[0032]可选的，所述深度学习模型包括基于卷积神经网的深度学习模型；
[0033]所述提取模块包括:
[0034]训练子模块，用于将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；
[0035]提取子模块，用于在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。
[0036]可选的，所述计算模块包括:
[0037]计算子模块，用于计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0038]转换子模块，用于根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。
[0039]可选的，所述识别模块包括:
[0040]判断子模块，用于判断计算出的所述相似度取值是否达到阈值；
[0041]输出子模块，用于在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0042]可选的，所述向量距离包括余弦距离或者欧氏距离。
[0043]可选的，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。
[0044]根据本公开实施例的第三方面，提供一种人脸识别装置，包括:
[0045]处理器；
[0046]用于存储处理器可执行指令的存储器；
[0047]其中，所述处理器被配置为:
[0048]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0049]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0050]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0051]本公开的以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0052]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0053]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0054]图1是根据一示例性实施例示出的一种人脸识别方法的流程示意图；
[0055]图2是根据一示例性实施例示出的另一种人脸识别方法的流程示意图；
[0056]图3是根据一示例性实施例示出的一种深度识别模型的示意图；
[0057]图4是根据一示例性实施例示出的一种人脸识别装置的示意框图；
[0058]图5是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0059]图6是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0060]图7是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0061]图8是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0062]图9是根据一示例性实施例示出的另一种人脸识别装置的示意框图；
[0063]图10是根据一示例性实施例示出的一种用于所述人脸识别装置的一结构示意图。
【具体实施方式】
[0064]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0065]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0066]应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此 区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
[0067]在相关技术中，在进行人脸识别时，通常可以从人脸图像中人工抽取出人脸特征，并结合特定的算法对抽取出的人脸特征进行降维后，进行相似性度量最终得到人脸识别结果O
[0068]例如，在传统实现中，可以从人脸图像中提取gabor特征或者LBP特征等纹理特征，再结合 PCA(Principal Components Analysis，主成分分析)算法以及 LDA(LinearDiscriminant Analysis,线性鉴别分析)算法对提取出的纹理特征进行投影矩阵训练，对提取出的纹理特征进行降维，然后对降维后的纹理特征进行相似性度量得到人脸识别结果O
[0069]然而，在进行人脸识别过程中，由于识别的准确度取决于提取出的人脸特征，因此通过人工从人脸图像中抽取人脸特征，可能会造成人脸识别的准确度不足的问题。
[0070]有鉴于此，本公开提出一种人脸识别方法，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提尚人脸识别的精确度。
[0071]如图1所示，图1是根据一示例性实施例示出的一种人脸识别方法，该人脸识别方法用于服务端，包括以下步骤:
[0072]在步骤101中，根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；
[0073]在步骤102中，基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0074]在步骤103中，根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0075]在本实施例中，服务端可以是面向用户提供人脸识别服务的服务器、服务器集群或者云平台。预设的深度学习模型，可以是基于多层神经网络的深度学习模型。在基于多层神经网络的深度学习模型中，通常可以输包括多个基层，每一个基层可作为独立的特征提取层对人脸图像的局部特征进行提取。
[0076]例如，在实现时，所述多层神经网络可以采用目前较为成熟的卷积神经网络，在基于卷积神经网络的深度学习模型中，可以包括输入层、多个用于进行特征提取的卷积层、全连接层以及输出层。输入层用于为人脸图像样本提供输入通道；卷积层可以作为独立的特征提取层对人脸图像的局部特征进行训练提取，全连接层可以对各卷积层所训练提取出的局部特征进行整合，将各卷积层训练提取出的图像特征连接为一个一维向量；输出层用于输出对输入的人脸图形样本的分类结果。
[0077]以下以所述深度学习模型为基于卷积神经网络的深度学习模型为例进行说明。
[0078]在基于卷积神经网络的深度学习模型中，每一个基层包括若干线性一维排列的节点，其中基层与基层的节点之间是处于一种全连接的状态，而节点之间的连接通常具有一个权重参数。在初始状态下，节点之间连接的权重参数均为默认值，因此在正式使用该深度学习模型对待识别人脸图像以及人脸图像样本进行人脸特征向量提取之前，需要对该深度学习模型进行训练，以确定出各节点之间的连接的最佳权重参数。
[0079]其中，在对该深度学习模型进行训练时，可以准备预设数量的人脸图像样本，并且由用户对这些人脸图像样本进行分类；例如，可以准备5万张人脸图像样本，然后按照这些人脸图样本所归属的用户对这5万张人脸图像样本进行分类，并将每一个分类的人脸图像样本按照所属的用户进行标定，比如，可以将分类后的每一个分类分别标定为张三、李四、王五等，每一个用户具备10?1000张不等的图片，此时每一个分类中的人脸图像样本均归属于同一个用户。
[0080]当准备的预设数量的人脸图像样本分类完成后，此时可以将该深度学习模型作为分类模型，将这些人脸图像样本作为训练样本输入到该深度学习模型中进行训练，并根据深度学习模型输出的分类结果，不断对该深度学习模型各基层上节点之间的连接的权重参数进行调整。在不断的调整过程中，该深度学习模型在基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果该深度学习模型输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时该深度学习模型中各基层节点之间连接的权重参数均为最佳权重参数，可以认为该深度学习模型已经训练完毕。
[0081]对于训练完毕的深度学习模型，可以直接使用该深度学习模型，对待识别人脸图像以及人脸图像样本进行人脸特征向量的提取。
[0082]在实现时，服务端可以预先在本地创建一个人脸图像样本数据库，该数据库中的每一张人脸图像样本均可在对待识别人脸图像进行人脸识别时，作为与该待识别人脸图像进行比对的参照物。在针对数据库中的人脸图像样本进行人脸特征提取时，服务端可以将数据库中的人脸图像样本作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层输出的特征向量作为该人脸图像样本的人脸特征向量。
[0083]由于在该深度学习模型中，全连接层可以对各卷积层所训练提取出的局部特征进行整合，因此将全连接层输出的特征向量作为该人脸图像样本的人脸特征向量，可以获取由全连接层整合后的该人脸图形样本的全局特征，使用全局特征进行相似度度量时，人脸识别结果将更加精确。
[0084]当然，在实现时，也可以提取该深度学习模型的多个卷积层中的任意一个指定的卷积层输出的特征向量作为该人脸图像样本的人脸特征向量。将多个卷积层中的任意一个指定的卷积层输出的特征向量，可以获取该人脸图形样本的局部特征。
[0085]在本实施例中，在针对待识别人脸图像进行人脸特征提取时，，服务端仍然可以按照相同的处理方式，将该待识别人脸图像作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层或者多个卷积层中指定的卷积层输出的特征向量作为该待识别人脸图像的人脸特征向量。
[0086]值得说明的是，服务端将数据库中的人脸图像样本以及待识别人脸图像作为输入图像在该深度学习模型中进行特征训练之前，可以以双眼为中心对数据库中的人脸图像样本以及待识别人脸图像进行尺度归一化处理，处理成统一大小的图像，以方便在人脸识别阶段进行比对。其中，归一化处理时所采用的图像大小可以根据实际的需求进行设置；例如，在进行归一化处理时，可以统一设置成224*224的图像。
[0087]当服务端通过该深度学习模型提取出数据库中的人脸图像样本以及待识别人脸图像的人脸特征向量后，可以基于提取出的人脸特征向量进行相似度度量，来计算人脸识别结果。
[0088]在本实施例中，在基于提取出的人脸特征向量进行相似度度量时，可以利用待识别人脸图像与数据库中的人脸图像样本的人脸特征向量的向量距离来表征二者的相似度。
[0089]在实现时，服务端可以依次计算待识别人脸图像的人脸特征向量与数据库中人脸图像样本的人脸特征向量之间的向量距离，然后根据预设的相似度转换策略将计算出的向量距离转换成对应的相似度取值。例如，该相似度转换策略可以是服务端根据特征向量与相似度之间的关系预先建立一个向量距离与相似度取值的对应关系列表，该对应关系列表中可以根据预设的向量距离阈值划分为多个不同的相似度等级，并为每一个相似度等级设置一个对应的相似度取值，由于特征向量之间的向量距离通常与特征向量之间的相似度成反比，因此当向量距离越小时，相似度取值越高，当向量距离越大时，相似度取值越低。通过这种方式可以直接通过查询该对应关系列表就可以得到与计算出的向量距离对应的相似度取值。其中，该向量距离可以是余弦距离，也可以是欧氏距离，在本实施例中不进行特别限定。
[0090]其中，服务端在计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量的向量距离之前，还可以根据预设的算法对二者的人脸特征向量进行降维处理。例如，可以通过PCA算法以及LDA算法对二者的人脸特征向量进行投影矩阵训练，对二者的人脸特征向量进行降维。通过这种方式，不仅能减少服务端的计算量，还可以去除人脸特征向量中的冗余信息，保留人脸特征向量中的有用信息。
[0091]当服务端将计算出的向量距离转换成对应的相似度取值后，可以判断该相似度取值是否达到相似度阈值，如果该相似度取值达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本是相同的人脸图像，并将该人脸图像样本作为识别结果进行输出。当然，如果该相似度取值未达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本不是相同的人脸图像，此时服务端可以重复以上过程，继续计算该待识别人脸图像与数据库中 下一个人脸图像样本的相似度取值，直到查找到相同的人脸图像，或者遍历整个数据库未发现与该待识别人脸图像相同的人脸图像时停止。
[0092]在以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0093]如图2所示，图2是根据一示例性实施例示出的一种人脸识别方法，应用于服务端中，包括以下步骤:
[0094]在步骤201中，将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；其中所述深度学习模型包括基于卷积神经网的深度学习模型；
[0095]在步骤202中，当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量；
[0096]在步骤203中，计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0097]在步骤204中，根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值；
[0098]在步骤205中，判断计算出的所述相似度取值是否达到阈值；
[0099]在步骤205中，当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0100]在本实施例中，服务端可以是面向用户提供人脸识别服务的服务器、服务器集群或者云平台。预设的深度学习模型，可以是基于多层神经网络的深度学习模型。在基于多层神经网络的深度学习模型中，通常可以输包括多个基层，每一个基层可作为独立的特征提取层对人脸图像的局部特征进行提取。
[0101]例如，在实现时，所述多层神经网络可以采用目前较为成熟的卷积神经网络，在基于卷积神经网络的深度学习模型中，可以包括输入层、多个用于进行特征提取的卷积层、全连接层以及输出层。输入层用于为人脸图像样本提供输入通道；卷积层可以作为独立的特征提取层对人脸图像的局部特征进行训练提取，全连接层可以对各卷积层所训练提取出的局部特征进行整合，将各卷积层训练提取出的图像特征连接为一个一维向量；输出层用于输出对输入的人脸图形样本的分类结果。
[0102]以下以所述深度学习模型为基于卷积神经网络的深度学习模型为例进行说明。
[0103]I)模型训练阶段
[0104]在基于卷积神经网络的深度学习模型中，每一个基层包括若干线性一维排列的节点，其中基层与基层的节点之间是处于一种全连接的状态，而节点之间的连接通常具有一个权重参数。在初始状态下，节点之间连接的权重参数均为默认值，因此在正式使用该深度学习模型对待识别人脸图像以及人脸图像样本进行人脸特征向量提取之前，需要对该深度学习模型进行训练，以确定出各节点之间的连接的最佳权重参数。
[0105]其中，在对该深度学习模型进行训练时，可以准备预设数量的人脸图像样本，并且对这些人脸图像样本进行分类；例如，可以准备5万张人脸图像样本，然后按照这些人脸图样本所归属的用户对这5万张人脸图像样本进行分类，并将每一个分类的人脸图像样本按照所属的用户进行标定，比如，可以将分类后的每一个分类分别标定为张三、李四、王五等，每一个用户具备10?1000张不等的图片，此时每一个分类中的人脸图像样本均归属于同一个用户。
[0106]当准备的预设数量的人脸图像样本分类完成后，此时可以将该深度学习模型作为分类模型，将这些人脸图像样本作为训练样本输入到该深度学习模型中进行训练，并根据深度学习模型输出的分类结果，不断对该深度学习模型各基层上节点之间的连接的权重参数进行调整。在不断的调整过程中，该深度学习模型在基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果该深度学习模型输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时该深度学习模型中各基层节点之间连接的权重参数均为最佳权重参数，此时可以认为该深度学习模型已经训练完毕。
[0107]2)模型使用阶段
[0108]对于训练完毕的深度学习模型，可以直接使用该深度学习模型，对待识别人脸图像以及人脸图像样本进行人脸特征向量的提取。
[0109]在实现时，服务端可以预先在本地创建一个人脸图像样本数据库，该数据库中的每一张人脸图像样本均可在对待识别人脸图像进行人脸识别时，作为与该待识别人脸图像进行比对的参照物。
[0110]在针对数据库中的人脸图像样本进行人脸特征提取时，服务端可以将数据库中的人脸图像样本作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层输出的特征向量作为该人脸图像样本的人脸特征向量。
[0111]由于在该深度学习模型中，全连接层可以对各卷积层所训练提取出的局部特征进行整合，因此将全连接层输出的特征向量作为该人脸图像样本的人脸特征向量，可以获取由全连接层整合后的该人脸图形样本的全局特征，使用全局特征进行相似度度量时，人脸识别结果将更加精确。
[0112]当然，在实现时，也可以提取该深度学习模型的多个卷积层中的任意一个指定的卷积层输出的特征向量作为该人脸图像样本的人脸特征向量。将多个卷积层中的任意一个指定的卷积层输出的特征向量，可以获取该人脸图形样本的局部特征。
[0113]在本实施例中，在针对待识别人脸图像进行人脸特征提取时，服务端仍然可以按照相同的处理方式，将该待识别人脸图像作为输入图像在该深度学习模型中包含的多个卷积层中依次进行特征训练，当各卷积层均训练完成后，可以提取全连接层或者多个卷积层中指定的卷积层输出的特征向量作为该待识别人脸图像的人脸特征向量。
[0114]值得说明的是，服务端将数据库中的人脸图像样本以及待识别人脸图像作为输入图像在该深度学习模型中进行特征训练之前，可以以双眼为中心对数据库中的人脸图像样本以及待识别人脸图像进行尺度归一化处理，处理成统一大小的图像，以方便在人脸识别阶段进行比对。其中，归一化处理时所采用的图像大小可以根据实际的需求进行设置；例如，在进行归一化处理时，可以统一设置成224*224的图像。
[0115]当服务端通过该深度学习模型提取出数据库中的人脸图像样本以及待识别人脸图像的人脸特征向量后，可以基于提取出的人脸特征向量进行相似度度量，来计算人脸识别结果。
[0116]在本实施例中，在基于提取出的人脸特征向量进行相似度度量时，可以利用待识别人脸图像与数据库中的人脸图像样本的人脸特征向量的向量距离来表征二者的相似度。
[0117]在实现时，服务端可以依次计算待识别人脸图像的人脸特征向量与数据库中人脸图像样本的人脸特征向量之间的向量距离，然后根据预设的相似度转换策略将计算出的向量距离转换成对应的相似度取值。例如，该相似度转换策略可以是服务端根据特征向量与相似度之间的关系预先建立一个向量距离与相似度取值的对应关系列表，该对应关系列表中可以根据预设的向量距离阈值划分为多个不同的相似度等级，并为每一个相似度等级设置一个对应的相似度取值，由于特征向量之间的向量距离通常与特征向量之间的相似度成反比，因此当向量距离越小时，相似度取值越高，当向量距离越大时，相似度取值越低。通过这种方式可以直接通过查询该对应关系列表就可以得到与计算出的向量距离对应的相似度取值。其中，该向量距离可以是余弦距离，也可以是欧氏距离，在本实施例中不进行特别限定。
[0118]其中，服务端在计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量的向量距离之前，还可以根据预设的算法对二者的人脸特征向量进行降维处理。例如，可以通过PCA算法以及LDA算法对二者的人脸特征向量进行投影矩阵训练，对二者的人脸特征向量进行降维。通过这种方式，不仅能减少服务端的计算量，还可以去除人脸特征向量中的冗余信息，保留人脸特征向量中的有用信息。
[0119]当服务端将计算出的向量距离转换成对应的相似度取值后，可以判断该相似度取值是否达到相似度阈值，如果该相似度取值达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本是相同的人脸图像，并将该人脸图像样本作为识别结果进行输出。当然，如果该相似度取值未达到相似度阈值时，此时服务端可以确认该待识别人脸图像与该人脸图像样本不是相同的人脸图像，此时服务端可以重复以上过程，继续计算该待识别人脸图像与数据库中下一个人脸图像样本的相似度取值，直到查找到相同的人脸图像，或者遍历整个数据库未发现与该待识别人脸图像相同的人脸图像时停止。
[0120]以下通过一个具体的应用实例对以上技术方案进行详细 说明。
[0121]请参见图3，图3为本实施例示出的一种基于卷积神经网的深度学习模型。在该深度学习模型中，包括输入层，第一卷积层，第二卷积层，第三卷积层，第四卷积层，第五卷积层，第一全连接层，第二全连接层以及输出层。
[0122]在模型训练阶段，可以准备5万张人脸图像样本，然后按照这些人脸图样本所归属的用户对这5万张人脸图像样本进行人工分类，并将每一个分类的人脸图像样本按照所属的用户进行标定，比如，可以将分类后的每一个分类分别标定为张三、李四、王五等，每一个用户具备10?1000张不等的图片，此时每一个分类中的人脸图像样本均归属于同一个用户。
[0123]当5万张的人脸图像样本分类完成后，可以对人脸图像样本进行归一化处理，得到224*224的图像。对于归一化处理后的人脸图像样本，可以将该深度学习模型作为分类模型，将这些人脸图像样本作为训练样本输入到该深度学习模型中进行训练，并根据深度学习模型输出的分类结果，不断对该深度学习模型各基层上节点之间的连接的权重参数进行调整，直到该深度学习模型输出的分类结果与人工标定的分类结果相比，准确度达到预先设置的准确度阈值时停止。此时该深度学习模型中各基层节点之间连接的权重参数均为最佳权重参数，该深度学习模型训练完毕。
[0124]在模型使用阶段，一方面，服务端可以将5万张人脸图像样本作为输入图像在该深度学习模型中的5个卷积层中依次进行特征训练，并在训练完成后，提取全连接层输出的2*2048维特征向量作为对应的人脸特征向量。另一方面，服务端可以对待识别图像进行归一化处理，得到224*224的图像，然后作为输入图像在该深度学习模型中的5个卷积层中依次进行特征训练，并在训练完成后，提取全连接层输出的2*2048维的特征向量作为该待识别人脸图像的人脸特征向量。
[0125]在人脸识别阶段，服务端可以利用PCA和LDA算法对待识别人脸图像以及5万张人脸图像样本的2*2048维的特征向量进行降维，得到一个400维(经验值)的特征向量，并依次计算待识别人脸图像与数据库中人脸图像样本这两个400维的特征向量之间的余弦距离。
[0126]对于计算出的余弦距离，可以根据预设的相似度转换策略将计算出的余弦距离转换成对应的相似度取值，并判断该相似度取值是否达到相似度阈值(例如90% )，如果达到相似度阈值时，则可以确认该待识别人脸图像与该人脸图像样本是相同的人脸图像，并将该人脸图像样本作为识别结果进行输出。如果该相似度取值未达到相似度阈值时，此时可以重复以上过程，继续计算该待识别人脸图像与数据库中下一个人脸图像样本的相似度取值，直到查找到相同的人脸图像，或者遍历整个数据库未发现与该待识别人脸图像相同的人脸图像时停止。
[0127]值得说明的是，图3所示出的深度学习模型，以及该深度学习模型中各层中所标注的权重参数、卷积核大小以及卷积核数量均为示例性的，并不用于限定本公开，在实际的应用过程中，可以根据实际的需求重新创建适用的模型或对上述模型中的所标注的权重修改、卷积核大小以及卷积核数量进行修改。
[0128]在以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0129]与前述人脸识别方法实施例相对应，本公开还提供了一种装置的实施例。
[0130]图4是根据一示例性实施例示出的一种人脸识别装置的示意框图。
[0131]如图4所示，根据一示例性实施例示出的一种人脸识别装置400，包括:提取模块401、计算模块402和识别模块403 ;其中:
[0132]所述提取模块401被配置为，根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；
[0133]所述计算模块402被配置为，基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0134]所述识别模块403被配置为，根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0135]在以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。
[0136]请参见图5，图5是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述装置400还可以包括训练模块405 ;其中:
[0137]所述训练模块405被配置为，在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。
[0138]请参见图6，图6是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述装置400还可以包括降维模块406 ;其中:
[0139]所述降维模块406被配置为，在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。
[0140]需要说明的是，上述图6所示的装置实施例中示出的降维模块406的结构也可以包含在前述图5的装置实施例中，对此本公开不进行限制。
[0141]请参见图7，图7是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述深度学习模型包括基于卷积神经网的深度学习模型；所述提取模块401可以包括训练子模块401A和提取子模块401B ;其中:
[0142]所述训练子模块401A被配置为，将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；
[0143]所述提取子模块401B被配置为，在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。
[0144]需要说明的是，上述图7所示的装置实施例中示出的训练子模块401A和提取子模块401B的结构也可以包含在前述图5-6的装置实施例中，对此本公开不进行限制。
[0145]请参见图8，图8是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述计算模块402可以包括计算子模块402A和转换子模块402B ;其中:
[0146]所述计算子模块402A被配置为，计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；
[0147]所述转换子模块402B被配置为，根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。
[0148]需要说明的是，上述图8所示的装置实施例中示出的计算子模块402A和转换子模块402B的结构也可以包含在前述图5-7的装置实施例中，对此本公开不进行限制。
[0149]请参见图9，图9是本公开根据一示例性实施例示出的另一种装置的框图，该实施例在前述图4所示实施例的基础上，所述识别模块403可以包括判断子模块403A和输出子模块403B ;其中:
[0150]所述判断子模块403A被配置为，判断计算出的所述相似度取值是否达到阈值；
[0151]所述输出子模块403B被配置为，在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。
[0152]需要说明的是，上述图8所示的装置实施例中示出的判断子模块403A和输出子模块403B的结构也可以包含在前述图5-8的装置实施例中，对此本公开不进行限制。
[0153]上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0154]对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0155]相应的，本公开还提供一种人脸识别装置 ，所述装置包括:
[0156]处理器；
[0157]用于存储处理器可执行指令的存储器；
[0158]其中，所述处理器被配置为:
[0159]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0160]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0161 ] 根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0162]相应的，本公开还提供一种服务端，所述终端包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
[0163]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0164]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0165]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0166]相应的，本公开还提供一种人脸识别装置，所述装置包括:
[0167]处理器；
[0168]用于存储处理器可执行指令的存储器；
[0169]其中，所述处理器被配置为:
[0170]根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
[0171]基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；
[0172]根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
[0173]图10是根据一示例性实施例示出的一种用于人脸识别装置1000的框图。例如，装置1000可以被提供为一服务器。参照图10，装置1000包括处理组件1022，其进一步包括一个或多个处理器，以及由存储器1032所代表的存储器资源，用于存储可由处理部件1022的执行的指令，例如应用程序。存储器1032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1022被配置为执行指令，以执行上述智能设备的控制方法。
[0174]装置1000还可以包括一个电源组件1026被配置为执行装置1000的电源管理，一个有线或无线网络接口 1050被配置为将装置1000连接到网络，和一个输入输出(I/O)接口 1058。装置1000可以操作基于存储在存储器1032的操作系统，例如Windows ServerTM,Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM 或类似。
[0175]本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0176]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
【主权项】
1.一种人脸识别方法，其特征在于，所述方法包括: 根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量； 基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值； 根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。2.如权利要求1所述的方法，其特征在于，所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，所述方法还包括: 基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点之间的连接的最佳权重参数。3.如权利要求1所述的方法，其特征在于，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，所述方法包括: 根据预设算法对提取出的所述人脸特征向量进行降维处理。4.如权利要求1所述的方法，其特征在于，所述深度学习模型包括基于卷积神经网的深度学习模型； 所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量包括: 将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练； 当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。5.如权利要求4所述的方法，其特征在于，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值包括: 计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度； 根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。6.如权利要求5所述的方法，其特征在于，所述根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别包括: 判断计算出的所述相似度取值是否达到阈值； 当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。7.如权利要求5所述的方法，其特征在于，所述向量距离包括余弦距离或者欧氏距离。8.如权利要求1所述的方法，其特征在于，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。9.一种人脸识别装置，其特征在于，所述装置包括: 提取模块，用于根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量； 计算模块，用于基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值； 识别模块，用于根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。10.如权利要求9所述的方法，其特征在于，所述装置还包括: 训练模块，用于在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。11.如权利要求9所述的装置，其特征在于，所述装置还包括: 降维模块，用于在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。12.如权利要求9所述的装置，其特征在于，所述深度学习模型包括基于卷积神经网的深度学习模型； 所述提取模块包括: 训练子模块，用于将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练； 提取子模块，用于在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。13.如权利要求12所述的装置，其特征在于，所述计算模块包括: 计算子模块，用于计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度； 转换子模块，用于根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。14.如权利要求13所述的装置，其特征在于，所述识别模块包括: 判断子模块，用于判断计算出的所述相似度取值是否达到阈值； 输出子模块，用于在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。15.如权利要求11所述的装置，其特征在于，所述向量距离包括余弦距离或者欧氏距离。16.如权利要求9所述的方法，其特征在于，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。17.—种人脸识别装置，其特征在于，包括: 处理器； 用于存储处理器可执行指令的存储器； 其中，所述处理器被配置为: 根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量； 基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值； 根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
【专利摘要】本公开提出一种人脸识别方法，所述方法包括：根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。本公开可以实现利用深度学习模型自动从人脸图像中抽取人脸特征，可以提高人脸识别的精确度。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN104899579
【申请号】CN201510369876
【发明人】张涛, 陈志军, 龙飞
【申请人】小米科技有限责任公司
【公开日】2015年9月9日
【申请日】2015年6月29日
最新回复(0)