CN111291627A - 人脸识别方法、装置及计算机设备 - Google Patents

Abstract

本公开提供了一种人脸识别方法、装置及计算机设备，包括：获取待检测图像，待检测图像包括人脸；提取待检测图像中的人脸特征信息；获取目标人物的至少一个已知人脸特征信息，至少一个已知人脸特征信息为从至少一张包含目标人物的脸部的图片提取的人脸特征信息，至少一张包含目标人物的脸部的图片包括注册图片；根据人脸特征信息和至少一个已知人脸特征信息，计算待检测图像中的人脸与目标人物的相似度；基于相似度，判断待检测图像中的人脸是否属于目标人物。根据从待检测图像提取到的人脸特征信息与目标人物的至少一个已知人脸特征信息计算相似度，得到相似度准确，能够提高目前人脸识别方法应用到直播场景时泛化能力和识别效果。

Description

人脸识别方法、装置及计算机设备

技术领域

本公开涉及图像识别技术领域，特别涉及一种人脸识别方法、装置及计算设备。

背景技术

人脸识别技术是基于人的脸部特征信息进行身份识别的生物识别技术，随着科学技术的发展，人脸识别技术越来越成熟，其应用领域越来越广泛和普及。例如，在直播行业中，通过使用人脸识别技术对主播身份进行识别，判断是否是本人进行直播。

相关技术中，通常的人脸识别方法是训练分类模型，然后采用分类模型对主播图片进行分类，这种方式只能对分类模型中包括的主播进行分类，对于新增主播就无法进行识别，泛化能力和识别效果差。

发明内容

本公开实施例提供了一种人脸识别方法、装置及计算机设备，能够提高目前开源人脸识别算法应用到直播场景时泛化能力和识别效果，所述技术方案如下：

一方面，提供了一种人脸识别方法，包括：获取待检测图像，所述待检测图像包括人脸；提取所述待检测图像中的人脸特征信息；获取目标人物的至少一个已知人脸特征信息；根据所述人脸特征信息和所述至少一个已知人脸特征信息，所述至少一个已知人脸特征信息为从至少一张包含所述目标人物的脸部的图片提取的人脸特征信息，所述至少一张包含所述目标人物的脸部的图片包括注册图片；根据所述人脸特征信息和所述至少一个已知人脸特征信息，确定所述待检测图像中的人脸与所述目标人物的相似度；基于所述相似度，判断所述待检测图像中的人脸是否属于所述目标人物。

可选地，所述提取所述待检测图像中的人脸特征信息，包括：通过特征提取模型提取所述待检测图像中的人脸特征信息，所述特征提取模型包括依次串联的卷积层、第一纵向卷积层、第一逐点卷积层、第一瓶颈层、第二纵向卷积层、第二逐点卷积层、第二瓶颈层、平均池化层、第三逐点卷积层、第一全连接层和第二全连接层，所述人脸特征信息为第一全连接层或第二全连接层输出的特征信息。

可选地，当所述至少一个已知人脸特征信息的数量大于1时，所述根据所述人脸特征信息和所述至少一个已知人脸特征信息，确定所述待检测图像中的人脸与所述目标人物的相似度，包括：计算所述人脸特征信息与每个已知人脸特征信息的相似度；根据所述人脸特征信息与每个已知人脸特征信息的相似度与对应的权重，计算所述待检测图像中的人脸与所述目标人物的相似度。

可选地，所述至少一张包含所述目标人物的脸部的图片还包括直播截图以及历史的待检测图像。

可选地，所述方法还包括：当所述相似度小于阈值时，上传判断结果和所述待检测图像到人工审核系统，所述判断结果指示所述待检测图像中的人脸不属于所述目标人物，所述判断结果和待检测图像用于人工审核。

可选地，在上传判断结果和所述待检测图像步骤之后，所述方法还包括：获取人工审核结果，所述人工审核结果包括所述待检测图像中的人脸是否属于所述目标人物；响应于人工审核结果为所述待检测图像中的人脸属于所述目标人物，将所述待检测图像中的人脸特征信息作为已知人脸特征信息进行存储。

可选地，所述方法还包括：当存储目标人物的已知人脸特征信息的数量超过数量阈值时，将超出数量阈值的人脸特征信息按照时间从前到后顺序依次替换除注册图片对应的人脸特征信息以外的所述已知人脸特征信息，所述时间顺序为所述已知人脸特征信息的储存时间顺序。

另一方面，还提供了一种人脸识别装置，该人脸识别装置包括：图像获取模块，用于获取待检测图像，所述待检测图像包括人脸；特征提取模块，用于提取所述待检测图像中的人脸特征信息；特征获取模块，用于获取目标人物的至少一个已知人脸特征信息，所述至少一个已知人脸特征信息为从至少一张包含所述目标人物的脸部的图片提取的人脸特征信息，所述至少一张包含所述目标人物的脸部的图片包括注册图片；数据计算模块，用于根据所述人脸特征信息和所述至少一个已知人脸特征信息，确定所述待检测图像中的人脸与所述目标人物的相似度；身份判断模块，用于基于所述相似度，判断所述待检测图像中的人脸是否属于所述目标人物。

另一方面，还提供了一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述实施例中所述的人脸识别方法。

另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述实施例中所述的人脸识别方法。

本公开实施例提供的技术方案带来的有益效果是：本公开根据从待检测图像中提取到的人脸特征信息与目标人物的至少一个已知人脸特征信息计算待检测图像中的人脸与目标人物的相似度，基于相似度与阈值大小，判断待检测图像中的人脸是否属于目标人物，计算得到的相似度更加准确，并且对于新增目标人物进行人脸识别，只需要提取注册图片等图片中的已知人脸特征信息即可，不需要对新增目标人物的人脸特征信息进行训练和分类，从而能够提高目前人脸识别方法应用到直播场景时泛化能力和识别效果。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。

图1示出了本公开一实施例中的人脸识别方法的流程示意图；

图2示出了本公开另一实施例中的人脸识别方法的流程示意图；

图3示出了本公开另一实施例中的人脸识别方法的流程示意图；

图4示出了本公开另一实施例中的人脸识别装置的结构示意图；

图5示出了本公开另一实施例中的计算机设备的结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。

本公开实施例适用于需要对图片数据中的人脸进行身份识别的计算机设备，例如，该计算机设备可以是某直播平台的服务器，在某主播开播后，对该直播画面中的人脸进行识别，判断是否是本人进行直播。

除此之外，该计算机设备还可以包括但不限于智能手机、平板电脑或笔记本电脑等终端。

图1示出了本公开实施例中的人脸识别方法的流程示意图，如图1所示，该人脸识别方法包括以下步骤：

步骤S101：获取待检测图像。

在本公开实施例中，待检测图像包括人脸，也即待检测图像为包含人脸的图像。

在本公开实施例中，待检测图像可以是通过截取视频画面获取得到的，例如，应用到直播场景时，服务器从主播的直播流中截取得到待检测图像。在其他实施中，待检测图像也可以是现场拍摄得到的，本申请对此不做限制。

步骤S102：提取待检测图像中的人脸特征信息。

在本公开实施例中，通过特征提取模型提取待检测图像中的人脸特征信息，该特征提取模型是为提取待检测图像中的人脸特征信息构建的，该特征提取模型的结构包括依次串联的卷积层、第一纵向卷积层、第一逐点卷积层、第一瓶颈层、第二纵向卷积层、第二逐点卷积层、第二瓶颈层、平均池化层、第三逐点卷积层、第一全连接层和第二全连接层。该模型是一种轻量化的分类网络，从而保证特征提取的效率，同时该模型提取的特征能够保证后续人脸识别的精度。

步骤S103；获取目标人物的至少一个已知人物特征信息。

在本公开实施例中，至少一个已知人脸特征信息为从至少一张包含目标人物的脸部的图片提取的人脸特征信息，至少一张包含目标人物的脸部的图片包括注册图片。目标人物的已知人物特征信息可以实时存储在特征数据库中，因此该步骤即为从特征数据库中获取得到目标人物的已知人脸特征信息，该特征数据库是为了储存所有的目标人物的已知人脸特征信息构建的。

例如，直播场景中，特征数据库可以存储各个主播的已知人脸特征信息。

步骤S104：根据人脸特征信息和至少一个已知人脸特征信息，确定待检测图像中的人脸与目标人物的相似度。

在本公开实施例中，根据待检测图像中提取到的人脸特征信息与目标人物的至少一个已知人脸特征信息进行对比，确定待检测图像中人脸与目标人物的相似度。这样计算相当于参考了目标人物的至少一张图片提取出的已知人脸特征信息，得到的相似度更加准确；并且对于新增的目标人物的人脸识别时，只需要从该目标人物的至少一张图片中提取已知人脸特征信息即可，无需重新训练特征提取模型。

步骤S105：基于相似度，判断待检测图像中的人脸是否属于所述目标人物。

在本公开实施例中，判断相似度与阈值大小，当相似度的数值小于阈值的数值时，判断待检测图像中的人脸不属于目标人物；当相似度的数值大于或等于阈值的数值时，判断待检测图像中的人脸属于目标人物。

在本公开实施例中，根据从待检测图像中提取到的人脸特征信息与目标人物的至少一个已知人脸特征信息，计算待检测图像中的人脸与目标人物的相似度，基于相似度与阈值大小，判断待检测图像中的人脸是否属于目标人物，计算得到的相似度更加准确，并且对于新增目标人物进行人脸识别，只需要提取注册图片等图片中的已知人脸特征信息即可，不需要对新增目标人物的人脸特征信息进行训练和分类，从而能够提高目前人脸识别方法应用到直播场景时泛化能力和识别效果。

图2示出了本公开实施例中的人脸识别方法的流程示意图，在该实施例中，将以应用场景为直播场景，执行主体为某直播平台的服务器，目标人物为某位主播为例进行说明，如图2所示，所述方法包括：

步骤S201：获取待检测图像。

示例性地，在该主播开播后，服务器从主播的直播流中截取，获取到包含该主播脸部的待检测图像。

步骤S202：提取待检测图像中的人脸特征信息。

示例性地，对待检测图像进行归一化处理，得到预设尺寸的图像数据，例如该预设尺寸可以为128×128×3，采用预设尺寸的图像数据提取人脸特征信息。

在本公开实施例中，步骤S203包括：

通过特征提取模型提取待检测图像中的人脸特征信息。

下表1示出了该特征提取模型的结构。参见表1，该特征提取模型包括依次串联的卷积层(Convolutional layer，conv)、第一纵向卷积层(Depthwise Convolutionallayer，dw conv1)、第一逐点卷积层(Pointwise Convolutional layer，pw conv1)、第一瓶颈层(Bottleneck layer，bottleneck1)、第二纵向卷积层(即dw conv2)、第二逐点卷积层(即pw conv2)、第二瓶颈层(即bottleneck2)、平均池化层(Average pooling layer，avgpool)、第三逐点卷积层(即pw conv3)、第一全连接层(Fully connected layer，fc1)和第二全连接层(即fc2)。各层的连接顺序参见表1中第二列从上向下的顺序，其中，输入尺寸(Input)表示特征提取模型的各层输入尺寸，卷积层名称(Operator)表示特征提取模型的各层名称，滤波器形状(Filter Shape)表示特征提取模型的各层滤波器形状，以conv层的滤波器形状为4*4*3 16为例，其中4*4*3分别表示滤波器中各个卷积核的高度、宽度和图像通道数，16表示卷积核的个数，输出尺寸(Output Size)表示特征提取模型的各层输出尺寸。步长(Stride)表示特征提取模型卷积时在图像每一维的步长。人脸特征信息为待检测图像输入到特征提取模型后得到的特征信息，即该人脸特征信息可以是表1中第二个全连接层(即fc2)输出的特征信息，在其他实施例中，该人脸特征信息也可以是表1中第一个全连接层(即fc1)输出的特征信息。

表1

其中，卷积层的作用是通过卷积操作对输入图像进行降维和特征抽取，纵向卷积层的作用是对输入的特征图的每一个通道单独做卷积，逐点卷积层的作用是对输入的特征图做1×1卷积，瓶颈层的作用是对输入的特征图进行降维和特征抽取，平均池化层的作用是对输入的特征图进行平均滑动窗口处理，全连接层的作用是将输入的特征图转化成一维向量。

本公开中的特征提取模型的结构简单，相比于目前开源神经网络算法，其参数量和运算成本较低，计算过程简单，并且只需要提取第一全连接层或者第二全连接层输出的高层特征作为人脸特征信息，不用使用线性分类器(即SoftMax)进行分类，降低特征提取模型的计算量，从而能够减少本公开中的人脸识别方法的计算量。

示例性地，该方法还包括：训练得到前述特征提取模型。

上述特征提取模型的训练方法如下：设定主播的数量为M(M为正整数)，获取每一个主播的一张底图和N张直播截图作为训练图像，对训练图像进行归一化处理，并对归一化处理后的训练图像中的人脸特性信息进行标记，然后将标记好的训练图像作为样本集，将样本集按照一定比例(例如6:2:2)的比例划分为训练集、验证集和测试集。采用训练集对分类网络进行训练，该分类网络结构如表1所示，通过多轮迭代优化(例如按照某个设定的目标进行迭代优化)训练，得到训练好的分类网络模型。最后通过测试集计算训练好的分类网络模型的检测准确率，当检测准确率大于或等于预设的阈值(例如，该预设的阈值可以是98％)时，将训练好的神经网络模型作为特征提取模型；检测准确率小于预设的阈值时，重新对分类网络进行训练。

步骤S203：获取目标人物的至少一个已知人脸特征信息。

示例性地，从主播特征数据库中获取该主播至少一个已知人脸特征信息，该直播的已知人脸特征信息是从主播提交注册图片(即为底图，例如可以是免冠证件照)、直播截图和历史的待检测图像中提取到的已知人脸特征信息，将已知人脸特征信息保存到主播特征数据库中。其中，直播截图和历史的待检测图像的总量可以为N，N为正整数，例如N的数值可以为20。也即，在本公开实施例中，至少一个已知人脸特征信息为从至少一张包含所述目标人物的脸部的图片提取的人脸特征信息；至少一张包含所述目标人物的脸部的图片包括注册图片、直播截图以及历史的待检测图像。

步骤S204：根据人脸特征信息和至少一个已知人脸特征信息，确定待检测图像中的人脸与所述目标人物的相似度。

在本公开实施中，步骤S204包括：

计算所述人脸特征信息与每个已知人脸特征信息的相似度；根据所述人脸特征信息与每个已知人脸特征信息的相似度与对应的权重，计算所述待检测图像中的人脸与所述目标人物的相似度。

示例性地，根据当前人脸特征信息和所有的已知人脸特征信息计算相似度，是通过公式(1)计算得到最终相似度：

其中，D(BaseFeature_i，CurrentFeature)表示人脸特征信息与第i个已知人脸特征信息的相似度，CurrentFeature表示人脸特征信息，BaseFeature_i表示第i个已知人脸特征信息，MixDistance表示最终相似度，α_i表示第i个权重值，n为已知人脸特征信息总数，n为正整数，i为不大于n的正整数。

示例性地，第一个已知人脸特征信息BaseFeature₁为主播提供的底图提取到的人脸特征信息，其权重值均高于其他已知人脸特征信息值，例如，第一个已知人脸特征信可以设置为0.5，其他已知人脸特征信息的权重值平分剩余0.5，所有权重和为1。

在本公开实施例中，计算人脸特征信息与一个已知人脸特征信息的相似度，可以通过以下方法实现：

计算人脸特征信息中的每个特征与已知人脸特征信息中对应特征的差值，并基于每一个差值计算平方和，得到运算结果；计算该运算结果的平方根，将平方根作为相似度。

示例性地，通过公式(2)计算人脸特征信息与一个已知人脸特征信息的相似度：

其中，D(BaseFeature，CurrentFeature)表示相似度，BF_a表示已知人脸特征信的第a个特征，CF_a表示人脸特征信息的第a个特征，b为正整数，a为不大于b的正整数。

步骤S205：基于相似度，判断所述待检测图像中的人脸是否属于目标人物。

示例性地，在100分制下，该阈值大小可以为60。基于相似度与阈值大小，确定待检测图像中的人脸是否是主播本人，即当相似度小于60时，判断待检测图像中的人脸不属于目标本人，当相似度大于或等于60时，判断待检测图像中的人脸属于目标本人。

步骤S206：当相似度大于或等于阈值时，判断待检测图像中的人脸属于目标人物。

步骤S207：当相似度小于阈值时，判断待检测图像中的人脸不属于目标人物，上传判断结果和所述待检测图像到人工审核系统。

示例性地，当相似度小于60时，判断待检测图像中的人脸不是主播本人，此时，服务器将判断结果和待检测图像上传给人工审核系统，相关工作人员根据判断结果和所述待检测图像进行人工审核，确定是否是误判，当不是误判时，相关工作人员根据相关规定对开播的人员进行管理。

步骤S208：获取人工审核结果。

在本公开实施例中，人工审核结果包括待检测图像中的人脸是否属于所述目标人物，例如，人工审核结果可以是检测图像中的人脸属于目标人物。

示例性地，当相关工作人员审核判断结果和待检测图像时，发现待检测图像中的人脸是主播本人，说明服务器进行人脸识别时出现误判，将人工审核结果输入服务器。

步骤S209：响应于人工审核结果为待检测图像中的人脸属于目标人物，将待检测图像中的人脸特征信息作为已知人脸特征信息进行存储。

示例性地，服务器接收到人工审核结果后，将出现误判的人脸特征信息作为已知人脸特征信息进行存储在特征数据库中，这样后续进行主播识别时，会考虑到该误判的人脸特征信息，从而为后续正确识别提供帮助。

步骤S210：当存储目标人物的已知人脸特征信息的数量超过数量阈值时，将超出数量阈值的人脸特征信息按照时间顺序依次替换除注册图片对应的人脸特征信息以外的已知人脸特征信息，时间顺序为已知人脸特征信息的储存时间顺序。

示例性地，服务器储存的已知人脸特征信息的数量超过数量阈值N后(N的数值与上述直播截图的数值相同，例如可以是20)，将超出N的人脸特征信息按照时间顺序依次替换主播特征数据库中的注册图片对应的人脸特征信息以外的已知人脸特征信息。由于该注册图片对应的已知人脸特征信息为主播提供的底图提取到的已知人脸特征信息，该底图的人脸特征信息能体现主播最主要的人脸特征信息，所以不需要替换。该时间顺序为主播的人脸特征信息存入主播数据库中的时间顺序，即替换储存时间最久的已知人脸特征信息，通过不断替换主播特征数据库中的已知人脸特征信息，从而能够提高本申请中的人脸识别方法的鲁棒性和识别准确性。

图3示出了本公开实施例中的人脸识别方法的流程示意图，参见图3。该方法包括：

步骤S301：提取主播注册图片中的人脸特征信息。

示例性地，该注册图片是指主播本人在注册直播帐号时提供的底图，该底图可以是免冠证件照。

步骤S302：当主播开播时，获取直播截图作为第一待检测图片。

相关内容参加上述实施例中的步骤201所述。

步骤S303：采用特征提取模型提取第一待检测图片中人脸特征信息以及注册图片中的已知人脸特征信息。

相关内容参加上述实施例中的步骤202所述。

步骤303：根据人脸特征信息和已知人脸特征信息确定相似度。

这里，相似度是通过上述实施例中的公式(2)计算得到的。

步骤305：当相似度大于或者等于阈值时，确定第一待检测图片中的人脸属于主播本人。

步骤306：当相似度小于阈值时，判断结果为第一待检测图片中的人脸不于主播本人，将判断结果和第一待检测图片上传人工审核系统。

相关内容参加上述实施例中的步骤207和208所述。

步骤S307；将步骤S303提取到的人脸特征信息以及注册图片中的已知人脸特征信息作为该主播的已知人脸特征信息存储在主播特征数据库中。

步骤S308：在主播再次开播时，获取第二待检测图片。

步骤S309：提取第二待检测图片中人脸特征信息，并确定相似度。

这里，相似度是通过上述实施例中公式(1)计算得到的。

步骤S310：基于相似度，确定该第二待检测图片中的人脸是否属于主播本人。

在后续每次开播时，都可以执行步骤308～310。

在本公开实施例中，对于新增主播进行人脸识别时，通过特征提取模型从主播提供的注册图片提取已知人脸特征信息以及从直播截图提取人脸特征信息，确认相似度，并将人脸特征信息作为已知人脸特征信息储存在直播特征数据库中，用于后续的人脸特征信息对比和计算相似度，从而能够提高人脸识别方法的鲁棒性和识别准确性。

图4示出本公开实施例中的人脸识别装置的结构示意图，如图3所示，该装置包括：

图像获取模块401，用于获取待检测图像，待检测图像包括人脸；

特征提取模块402，用于提取待检测图像中的人脸特征信息；

特征获取模块403，用于获取目标人物的至少一个已知人脸特征信息，至少一个已知人脸特征信息为从至少一张包含目标人物的脸部的图片提取的人脸特征信息，至少一张包含目标人物的脸部的图片包括注册图片；

数据计算模块404，用于根据人脸特征信息和至少一个已知人脸特征信息，确定待检测图像中的人脸与目标人物的相似度；

身份判断模块405，用于基于相似度，判断待检测图像中的人脸是否属于目标人物。

可选地，在本公开一些实施中，特征提取模块302用于通过特征提取模型提取待检测图像中的人脸特征信息，特征提取模型包括依次串联的卷积层、第一纵向卷积层、第一逐点卷积层、第一瓶颈层、第二纵向卷积层、第二逐点卷积层、第二瓶颈层、平均池化层、第三逐点卷积层、第一全连接层和第二全连接层，人脸特征信息为第一全连接层或第二全连接层输出的特征信息。

可选地，在本公开一些实施中，数据计算模块404用于计算人脸特征信息与每个已知人脸特征信息的相似度；还用于根据人脸特征信息与每个已知人脸特征信息的相似度与对应的权重，计算待检测图像中的人脸与目标人物的相似度。

可选地，在本公开一些实施中，至少一个已知人脸特征信息为从至少一张包含目标人物的脸部的图片提取的人脸特征信息；至少一张包含目标人物的脸部的图片包括注册图片、直播截图以及历史的待检测图像。

可选地，在本公开一些实施中，身份判断模块405用于当相似度小于阈值时，判断待检测图像中的人脸不属于目标人物，上传判断结果和待检测图像到人工审核系统，判断结果和待检测图像用于人工审核。

可选地，在本公开一些实施中，身份判断模块405用于获取人工审核结果，人工审核结果包括待检测图像中的人脸是否属于目标人物；

该装置还可以包括：

数据存储模块406，用于响应于人工审核结果为待检测图像中的人脸属于目标人物，将待检测图像中的人脸特征信息作为已知人脸特征信息进行存储。

可选地，在本公开一些实施中，数据存储模块406用于当存储目标人物的已知人脸特征信息的数量超过数量阈值时，将超出数量阈值的人脸特征信息按照时间顺序依次替换除注册图片对应的人脸特征信息以外的已知人脸特征信息，时间顺序为已知人脸特征信息的储存时间顺序。

图5是根据一示例性实施例示出的一种计算机设备的结构示意图。计算机设备500包括中央处理单元(CPU)501、包括随机存取存储器(RAM)502和只读存储器(ROM)503的系统存储器504，以及连接系统存储器504和中央处理单元501的系统总线505。计算机设备500还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)506，和用于存储操作系统513、应用程序514和其他程序模块515的大容量存储设备507。

基本输入/输出系统506包括有用于显示信息的显示器508和用于用户输入信息的诸如鼠标、键盘之类的输入设备509。其中显示器508和输入设备509都通过连接到系统总线505的输入输出控制器510连接到中央处理单元501。基本输入/输出系统506还可以包括输入输出控制器510以用于接收和处理来自键盘、鼠标、或电子触控笔等至少一个其他设备的输入。类似地，输入输出控制器510还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备507通过连接到系统总线505的大容量存储控制器(未示出)连接到中央处理单元501。大容量存储设备507及其相关联的计算机可读介质为计算机设备500提供非易失性存储。也就是说，大容量存储设备507可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器504和大容量存储设备507可以统称为存储器。

根据本公开的各种实施例，计算机设备500还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备500可以通过连接在系统总线505上的网络接口单元511连接到网络512，或者说，也可以使用网络接口单元511来连接到其他类型的网络或远程计算机系统(未示出)。

存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，中央处理单元501通过执行该一个或一个以上程序来实现图1或图2所示的人脸识别方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由计算机设备的处理器执行以完成本发明各个实施例所示的人脸识别方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：

获取待检测图像，所述待检测图像包括人脸；

提取所述待检测图像中的人脸特征信息；

获取目标人物的至少一个已知人脸特征信息，所述至少一个已知人脸特征信息为从至少一张包含所述目标人物的脸部的图片提取的人脸特征信息，所述至少一张包含所述目标人物的脸部的图片包括注册图片；

根据所述人脸特征信息和所述至少一个已知人脸特征信息，确定所述待检测图像中的人脸与所述目标人物的相似度；

基于所述相似度，判断所述待检测图像中的人脸是否属于所述目标人物。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述提取所述待检测图像中的人脸特征信息，包括：

通过特征提取模型提取所述待检测图像中的人脸特征信息，所述特征提取模型包括依次串联的卷积层、第一纵向卷积层、第一逐点卷积层、第一瓶颈层、第二纵向卷积层、第二逐点卷积层、第二瓶颈层、平均池化层、第三逐点卷积层、第一全连接层和第二全连接层，所述人脸特征信息为第一全连接层或第二全连接层输出的特征信息。

3.根据权利要求1或2所述的人脸识别方法，其特征在于，当所述至少一个已知人脸特征信息的数量大于1时，所述根据所述人脸特征信息和所述至少一个已知人脸特征信息，确定所述待检测图像中的人脸与所述目标人物的相似度，包括：

计算所述人脸特征信息与每个已知人脸特征信息的相似度；

根据所述人脸特征信息与每个已知人脸特征信息的相似度与对应的权重，计算所述待检测图像中的人脸与所述目标人物的相似度。

4.根据权利要求3所述的人脸识别方法，其特征在于，所述至少一张包含所述目标人物的脸部的图片还包括直播截图以及历史的待检测图像。

5.根据权利要求4所述的人脸识别方法，其特征在于，所述方法还包括：

当所述相似度小于阈值时，上传判断结果和所述待检测图像到人工审核系统，所述判断结果指示所述待检测图像中的人脸不属于所述目标人物，所述判断结果和待检测图像用于人工审核。

6.根据权利要求5所述的人脸识别方法，其特征在于，在所述上传判断结果和所述待检测图像之后，所述方法还包括：

获取人工审核结果，所述人工审核结果包括所述待检测图像中的人脸是否属于所述目标人物；

响应于人工审核结果为所述待检测图像中的人脸属于所述目标人物，将所述待检测图像中的人脸特征信息作为已知人脸特征信息进行存储。

7.根据权利要求6所述的人脸识别方法，其特征在于，所述方法还包括：

当存储目标人物的已知人脸特征信息的数量超过数量阈值时，将超出数量阈值的人脸特征信息按照时间从前到后的顺序依次替换除注册图片对应的人脸特征信息以外的所述已知人脸特征信息，所述时间顺序为所述已知人脸特征信息的储存时间顺序。

8.一种人脸识别装置，其特征在于，包括：

图像获取模块，用于获取待检测图像，所述待检测图像包括人脸；

特征提取模块，用于提取所述待检测图像中的人脸特征信息；

特征获取模块，用于获取目标人物的至少一个已知人脸特征信息，所述至少一个已知人脸特征信息为从至少一张包含所述目标人物的脸部的图片提取的人脸特征信息，所述至少一张包含所述目标人物的脸部的图片包括注册图片；

数据计算模块，用于根据所述人脸特征信息和所述至少一个已知人脸特征信息，确定所述待检测图像中的人脸与所述目标人物的相似度；

身份判断模块，用于基于所述相似度，判断所述待检测图像中的人脸是否属于所述目标人物。

9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1至7任一项所述的人脸识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1至7任一项所述的人脸识别方法。

Images