人脸识别方法、装置、计算机设备及存储介质专利检索-特征向量数学与统计专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

人脸识别方法、装置、计算机设备及存储介质

阅读：878发布：2021-02-24

IPRDB可以提供人脸识别方法、装置、计算机设备及存储介质专利检索，专利查询，专利分析的服务。并且本发明公开了一种人脸识别方法、装置、计算机设备及存储介质，该人脸识别方法包括：获取待识别图像，根据待识别图像提取待识别特征向量；获取待识别特征向量与每一基准特征向量之间的特征相似度；将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量；计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据向量相似度得到识别结果。本发明的提供的人脸识别方法不需要多帧图像进行综合验证，也不需要预先训练复杂的神经网络模型来实现，可以在保证人脸识别过程安全性的同时也提高了识别效率。，下面是人脸识别方法、装置、计算机设备及存储介质专利的具体信息内容。

权利要求

1.一种人脸识别方法，其特征在于，包括：

获取待识别图像，根据所述待识别图像提取待识别特征向量；

获取所述待识别特征向量与每一基准特征向量之间的特征相似度；

将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；

根据所述目标用户标识获取待识别图像中的目标区域，并根据所述目标区域提取目标特征向量；

计算所述目标特征向量和所述目标用户标识对应的自定义特征向量之间的向量相似度，根据所述向量相似度得到识别结果。

2.如权利要求1所述的人脸识别方法，其特征在于，在所述根据所述目标用户标识获取待识别图像中的目标区域，并根据所述目标区域提取目标特征向量的步骤之前，所述人脸识别方法还包括：获取自定义配置请求，其中，所述自定义配置请求包括登录信息；

若所述登录信息验证通过，则发送待选区域列表；

基于所述待选区域列表获取用户选择信息并采集预定数量的配置图像，根据所述用户选择信息获取每一配置图像中的目标区域；

提取每一配置图像中的所述目标区域的特征向量并计算所述目标区域的特征向量的均值，得到自定义特征向量。

3.如权利要求1所述的人脸识别方法，其特征在于，所述根据所述向量相似度得到识别结果，包括：若所述向量相似度大于或者等于基准阈值，则输出匹配成功的识别结果；

若所述向量相似度小于所述基准阈值，则输出匹配失败的识别结果。

4.如权利要求3所述的人脸识别方法，其特征在于，在所述计算所述目标特征向量和所述目标用户标识对应的自定义特征向量之间的向量相似度，根据所述向量相似度得到识别结果之后，所述人脸识别方法还包括：若所述识别结果为匹配失败，则统计预设时间内所述目标用户标识的匹配失败次数，判断预设时间内所述匹配失败次数是否达到次数阈值；

若预设时间内所述匹配失败次数达到次数阈值，则匹配结束，并根据所述目标用户标识发送提示消息；

若预设时间内所述匹配失败次数未达到次数阈值，则发送图像采集请求，并获取新的待识别图像；

提取所述新的待识别图像的新的待识别特征向量，并计算所述新的待识别特征向量与目标用户标识对应的基准特征向量之间的特征相似度；

若所述特征相似度大于或等于相似度阈值，则返回执行所述根据所述目标用户标识获取待识别图像中的目标区域，并根据所述目标区域提取目标特征向量的步骤；

若所述特征相似度小于所述相似度阈值，则返回执行所述统计预设时间内目标用户标识的匹配失败次数，判断预设时间内目标用户标识的匹配失败次数是否达到次数阈值的步骤。

5.如权利要求1所述的人脸识别方法，其特征在于，所述获取待识别特征向量与每一基准特征向量之间的特征相似度，包括：采用欧几里得距离算法计算所述待识别特征向量和所述基准特征向量之间的特征相似度：其中，U为待识别特征向量，V为基准特征向量，sim(U，V)EDG为U和V之间的特征相似度。

6.如权利要求1所述的人脸识别方法，其特征在于，在所述将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识的步骤之前，所述人脸识别方法还包括：若所述特征相似度的最大值小于预设相似度阈值，则输出识别失败的识别结果。

7.一种人脸识别装置，其特征在于，包括：

特征向量提取模块，用于获取待识别图像，根据所述待识别图像提取待识别特征向量；

特征相似度获取模块，用于获取所述待识别特征向量与每一基准特征向量之间的特征相似度；

用户标识获取模块，用于将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；

目标特征向量提取模块，用于根据所述目标用户标识获取待识别图像中的目标区域，并根据所述目标区域提取目标特征向量；

识别结果获取模块，用于计算所述目标特征向量和所述目标用户标识对应的自定义特征向量之间的向量相似度，根据所述向量相似度得到识别结果。

8.如权利要求7所述的人脸识别装置，其特征在于，所述人脸识别装置还包括用户自定义模块，所述用户自定义模块包括配置请求获取单元、待选区域发送单元、目标区域获取单元和自定义特征向量获取单元；

所述配置请求获取单元，用于获取自定义配置请求，所述自定义配置请求包括登录信息；

所述待选区域发送单元，用于若所述登录信息验证通过，则发送待选区域列表；

所述目标区域获取单元，用于基于所述待选区域列表获取用户选择信息并采集预定数量的配置图像，根据所述用户选择信息获取每一配置图像中的目标区域；

所述自定义特征向量获取单元，用于提取每一配置图像中的所述目标区域的特征向量并计算所述目标区域的特征向量的均值，得到自定义特征向量。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

6任一项所述人脸识别方法的步骤。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述人脸识别方法的步骤。

说明书全文

人脸识别方法、装置、计算机设备及存储介质

技术领域

[0001] 本发明属于图像处理领域，更具体地说，是涉及一种人脸识别方法、装置、计算机设备及存储介质。

背景技术

[0002] 人脸识别技术是一种生物特征识别技术，在近年来获得了突飞猛进的发展。目前，人脸识别技术已广泛应用于刑侦破案、银行系统、海关检查、民政部门、作息考勤等领域。然而，一般的人脸识别过程都需要输入多幅图片进行综合验证，或需要预先训练复杂的神经网络模型来实现，实现的过程较为繁琐，识别的机制需要过多的计算机资源，识别的效率不高。

发明内容

[0003] 本发明实施例提供一种人脸识别方法、装置、计算机设备及存储介质，以解决人脸识别的实现过程繁琐的问题。

[0004] 一种人脸识别方法，包括：

[0005] 获取待识别图像，根据所述待识别图像提取待识别特征向量；

[0006] 获取所述待识别特征向量与每一基准特征向量之间的特征相似度；

[0007] 将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；

[0008] 根据所述目标用户标识获取待识别图像中的目标区域，并根据所述目标区域提取目标特征向量；

[0009] 计算所述目标特征向量和所述目标用户标识对应的自定义特征向量之间的向量相似度，根据所述向量相似度得到识别结果。

[0010] 一种人脸识别装置，包括：

[0011] 特征向量提取模块，用于获取待识别图像，根据所述待识别图像提取待识别特征向量；

[0012] 特征相似度获取模块，用于获取所述待识别特征向量与每一基准特征向量之间的特征相似度；

[0013] 用户标识获取模块，用于将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；

[0014] 目标特征向量提取模块，用于根据所述目标用户标识获取待识别图像中的目标区域，并根据所述目标区域提取目标特征向量；

[0015] 识别结果获取模块，用于计算所述目标特征向量和所述目标用户标识对应的自定义特征向量之间的向量相似度，根据所述向量相似度得到识别结果。

[0016] 一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述人脸识别方法的步骤。

[0017] 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程序，所述计算机程序被处理器执行时实现上述人脸识别方法的步骤。

[0018] 上述人脸识别方法、装置、计算机设备及存储介质，通过获取待识别图像，根据待识别图像提取待识别特征向量；然后获取待识别特征向量与每一基准特征向量之间的特征相似度，将特征相似度最高的基准特征向量对应的用户标识作为目标用户标识；接着根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量；最后计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据该向量相似度得到识别结果。通过用户自定义特征向量为每一用户配置不同的识别信息，在人脸识别过程中可以直接进行匹配，不需要通过多帧图像进行综合验证，也不需要预先训练复杂的神经网络模型来实现，在保证人脸识别过程安全性的同时也提高了识别效率。

附图说明

[0019] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

[0020] 图1是本发明一实施例中人脸识别方法的一应用环境示意图；

[0021] 图2是本发明一实施例中人脸识别方法的一流程图；

[0022] 图3是本发明一实施例中人脸识别方法的另一流程图；

[0023] 图4是本发明一实施例中人脸识别方法的另一流程图；

[0024] 图5是本发明一实施例中人脸识别装置的一原理框图；

[0025] 图6是本发明一实施例中计算机设备的一示意图。

具体实施方式

[0026] 下面将结合本发明实施例中的附图，对本发明实施例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。

[0027] 本申请提供的人脸识别方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信，服务端通过客户端获取待识别图像，根据待识别图像提取待识别特征向量；然后获取待识别特征向量与每一基准特征向量之间的特征相似度，并将特征相似度最高的基准特征向量对应的用户标识作为目标用户标识；接着根据目标用户标识获取待识别图像的目标区域，并根据目标区域提取目标特征向量；最后计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据向量相似度得到识别结果并返回客户端。其中，客户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

[0028] 在一实施例中，如图2所示，提供一种人脸识别方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

[0029] S10：获取待识别图像，根据待识别图像提取待识别特征向量。

[0030] 其中，待识别图像是指进行人脸识别的检测图像。可选地，服务端通过客户端的图像采集设备来获取待识别图像，例如，用户站在图像采集设备的采集区域进行图像采集，用户端将采集到的图像发送至服务端，从而得到待识别图像。特征向量是指用于表征图像信息特征的向量，能够以简单的数据表征图像信息，避免后续重复的提取操作。特征向量有多种类型，例如：HOG(Histogra mof Oriented Gradient,梯度方向直方图)特征向量、LBP(Local Binary Patterns，局部二值模式)特征向量或PCA(Principal Component Analysis，主成分分析)特征向量等。

[0031] 优选地，本实施例中可以提取待识别图像的HOG特征向量作为待识别特征向量。由于待识别图像的HOG特征向量是通过待识别图像的局部信息的梯度来描述，因此，提取待识别图像的HOG特征向量作为待识别特征向量能够避免几何形变和光线变化等因素对人脸识别的影响。

[0032] 具体地，HOG特征向量的提取可以通过以下步骤实现：

[0033] (1)将采集到的待识别图像进行灰度图像转换和伽马归一化处理。

[0034] (2)将步骤(1)处理后的待识别图像分割为若干个像素的单元，每相邻的4个单元构成一个区间。

[0035] (3)统计每个单元中的每个像素的按照梯度方向的直方图。

[0036] (4)计算每一单元的直方图，得到单元的特征。

[0037] (5)最后将所有区间内的每个单元的特征串联起来，得到HOG特征，即HOG特征向量。

[0038] S20：获取待识别特征向量与每一基准特征向量之间的特征相似度。

[0039] 其中，基准特征向量是预先提取的基准人脸图像对应的特征向量。而基准人脸图像是预先采集的不同用户的人脸图像，通过提取每一用户的基准特征向量用以代表不同的用户。由于基准特征向量是与服务端的数据库中的用户是一一对应的，因此，通过计算待识别特征向量和每一基准特征向量之间的特征相似度就可以判断出待识别图像是和哪一幅基准人脸图像最为接近。

[0040] 具体地，提取基准特征向量的过程可以为：采集一位用户的预设数量的人脸图像，然后提取每一幅人脸图像的特征向量，并计算这些特征向量的均值，将得到的均值作为该用户的基准特征向量。应理解，待识别特征向量是和基准特征向量相对应的，例如，若基准特征向量为HOG特征向量，则待识别特征向量也为HOG特征向量。

[0041] 可选地，特征相似度可以采用相似度计算算法来获得，例如：欧几里得距离算法、曼哈顿距离算法、明可夫斯基距离算法或者余弦相似度算法。

[0042] 在一实施例中，采用欧几里得距离算法计算待识别特征向量和基准特征向量之间的特征相似度：

[0043]

[0044] 其中，U为待识别特征向量，V为基准特征向量，sim(U,V)EDG为U和V之间的特征相似度。

[0045] 通过欧几里德算法计算待识别特征向量和基准特征向量之间的特征相似度，可以为后续相似度的判断提高精确的数据基础。

[0046] S30：将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识。

[0047] 具体地，通过步骤S20获取到待识别特征向量和每一基准特征向量之间的特征相似度之后，将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识，即判断待识别图像中的目标人脸与哪个用户标识相对应。

[0048] 可以理解，待识别图像中的用户可能不存在于服务端的数据库中，为了人脸识别流程的优化和用户信息安全，在一实施例中，在步骤S30之前，若特征相似度的最大值小于预设相似度阈值时，则输出识别失败的识别结果。

[0049] 其中，预设相似度阈值服务端预先设置的可以与用户标识对应时的待识别特征向量和基准特征向量的特征相似度最小值。

[0050] 具体地，将待识别图像分别与每一基准特征向量进行特征相似度的计算，若待识别图像的特征向量与所有基准特征向量的特征相似度的最大值小于预设的相似度阈值时，则说明该识别图像中的目标人脸和数据库中的任何一个用户都不接近，说明该目标人脸可能不在数据库中。如此，输出识别失败的识别结果。可选地，当输出识别失败结果时，停止人脸识别的过程，拒绝用户进行登录，保证用户信息安全。

[0051] 可选地，为了避免在获取待识别图像过程中由于错误操作等原因造成的特征相似度最大值小于相似度阈值，可以设置允许用户识别失败再进行重新采集图像并计算的过程，若超出预设次数再输出识别失败的识别结果，并停止人脸识别过程，拒绝用户进行登录，保证用户的信息安全。

[0052] 在本实施例中，若待识别图像的特征向量与基准特征向量的特征相似度的最大值小于相似度阈值，则输出识别失败的识别结果，防止用户被恶意登录，保证用户的信息安全。

[0053] 在一个实施方式中，也可以通过神经网络(NN，Neural Networks)模型或者支持向量机(SVM，Support Vector Machine)来实现步骤S10-S30。具体地，在获取待识别图像之后直接将待识别图像输入到预先训练好的神经网络模型或者支持向量机中，获得识别结果。其中，识别结果即是将待识别图像与用户标识进行了对应，因以可以将识别结果对应的用户标识作为目标用户标识。

[0054] S40：根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量。

[0055] 其中，目标区域是用户自定义设置的一个区域，在进行用户数据采集(建立数据库)的过程中，可以由用户自定义一个目标区域，并且设置该目标区域的对应动作。在步骤S30中确定出目标用户标识之后，再根据目标用户标识来获取待识别图像中的目标区域，最后提取目标区域的目标特征向量以判断该目标区域的动作是否和用户自定义设置的对应动作一致。

[0056] 具体地，可以采用人脸特征点检测算法定位出待识别图像中的目标关键点，再根据目标关键点获取目标区域，最后根据目标区域提取目标特征向量。

[0057] 例如：用户自定义设置的目标区域为左眼，并设置左眼的对应动作为闭眼。则服务端会根据该用户对应的目标用户标识来获取待识别图像中的左眼区域，并提取该左眼区域的特征向量，以判断该目标区域的动作是否和用户自定义设置的对应动作一致。

[0058] S50：计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据向量相似度得到识别结果。

[0059] 其中，自定义特征向量是指用户根据自定义设置的图像获得的特征向量，可以作为用户人脸识别的依据。例如用户通过自定义设置左眼为闭眼的图像，则在此图像上获得的特征向量即为自定义特征向量。在提取目标特征向量之后，计算目标特征向量和自定义特征向量之间的向量相似度，具体的计算方法和步骤S30类似，在此不再赘述。在得到向量相似度之后，可以根据该向量相似度的数值来输出不同的识别结果。

[0060] 在一实施例中，可以根据基准阈值来判断和输出识别结果，即步骤S50中，根据向量相似度得到识别结果，具体可以包括：若向量相似度大于或者等于基准阈值，则输出匹配成功的识别结果；若向量相似度小于基准阈值，则输出匹配失败的识别结果。

[0061] 具体地，可以预先设置一基准阈值，然后根据该向量相似度和基准阈值的大小关系来输出不同识别结果。若该向量相似度大于或等于基准阈值，则认为目标特征向量和自定义特征向量是匹配的，输出匹配成功的识别结果；若该向量相似度小于基准阈值，则认为目标特征向量和自定义特征向量是不匹配的，输出匹配失败的识别结果。

[0062] 在图2对应的实施例中，通过获取待识别图像，根据待识别图像提取待识别特征向量；然后获取待识别特征向量与每一基准特征向量之间的特征相似度，将特征相似度最高的基准特征向量对应的用户标识作为目标用户标识；接着根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量；最后计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据该向量相似度得到识别结果。通过用户自定义特征向量为每一用户配置不同的识别信息，在人脸识别过程中可以直接进行匹配，不需要通过多帧图像进行综合验证，也不需要预先训练复杂的神经网络模型来实现，在保证人脸识别过程安全性的同时也提高了识别效率。

[0063] 在一实施例中，如图3所示，在步骤S40之前，即在根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量的步骤之前，本发明实施例提供的人脸识别方法还包括如下步骤：

[0064] S61：获取自定义配置请求，其中，自定义配置请求包括登录信息。

[0065] 其中，自定义配置请求即是用户对自身验证信息进行配置的发起请求。登录信息是指用户输入的进行身份验证的信息，可选地，登录信息包括用户账户和用户密码。

[0066] 具体地，服务端通过客户端获取自定义配置请求，当获取到自定义配置请求时，通过客户端向用户发送登录验证，使用户在客户端输入登录信息以进行验证。

[0067] S62：若登录信息验证通过，则发送待选区域列表。

[0068] 具体地，服务端可以根据用户账户在数据库中查询和用户账户对应的登录密码，然后验证用户密码是否和登录密码一致。若两者一致，则验证通过，并向用户端发送待选区域列表，供用户选择。其中，待选区域列表是指列举了待选区域的表格，而待选区域是指当前支持的供用户选择的区域，例如，待选区域可以为眼睛区域、嘴巴区域或者身体其它部分区域等。

[0069] 可选地，待选区域为整个面部区域。相对应地，在后续用户自定义的过程中，可以通过不同的情绪来定义，例如通过开心、悲伤、伤心、恐惧、生气、惊讶、厌恶和平静等情绪来定义；然后再采用对应的情绪识别模型来识别待识别图像的对应区域，以得出对应的判断结果。

[0070] S63：基于待选区域列表获取用户选择信息并采集预定数量的配置图像，根据用户选择信息获取每一配置图像中的目标区域。

[0071] 其中，用户选择信息是指用户根据待选区域列表作出的选择信息，即用户选择的目标区域。

[0072] 具体地，获取用户根据待选区域列表的用户选择信息并采集预定数量的配置图像，并根据用户选择信息获取每一配置图像中的目标区域。其中，预定数量可以根据实际情况进行设置，本发明实施例不做具体限定。

[0073] 例如，用户通过待选区域列表选择眼睛部位作为目标区域，则客户端获取该用户预定数量的人脸图像作为配置图像，再采集每个配置图像中的眼睛区域。

[0074] S64：提取每一配置图像中的目标区域的特征向量并计算该目标区域的特征向量的均值，得到自定义特征向量。

[0075] 具体地，对根据步骤S63获取的每一配置图像中的目标区域的特征向量进行提取，然后计算这些目标区域的特征向量的均值，将得到的均值作为自定义特征向量。其中，提取向量和计算向量均值的方法与前述实施例相同，这里不再赘述。通过提取每一配置图像中的目标区域的特征向量，并计算这些目标区域的特征向量的均值，可以将用户自定义配置的动作转化成自定义特征向量。

[0076] 在图3对应的实施例中，通过获取自定义配置请求，对自定义配置请求中的登录信息进行验证，若登录信息验证通过，则向用户发送待选区域列表；然后基于待选区域列表获取用户选择信息并采集预定数量的配置图像，根据用户选择信息获取每一配置图像中的目标区域；最后提取每一配置图像中的目标区域的特征向量并计算该目标区域的特征向量的均值，得到自定义特征向量。通过设置用户的自定义特征向量，可以为每个用户配置不同的特征向量，从而为人脸的识别提供支持。并且，通过自定义特征向量，后续根据目标特征向量和自定义特征向量的相似度来识别人脸，可以提升用户进行人脸识别的效率。

[0077] 在一实施例中，如图4所示，在步骤S50之后，即在计算目标特征向量和目标用户标识对应的自定义特征向量的向量相似度，根据向量相似度得到识别结果的步骤之后，本发明实施例提供的人脸识别方法还包括如下步骤：

[0078] S71：若识别结果为匹配失败，则统计预设时间内目标用户标识的匹配失败次数，判断预设时间内匹配失败次数是否达到次数阈值。

[0079] 具体地，设定一个次数阈值并统计在预设时间内目标用户标识的匹配失败次数，当目标用户标识在预设时间内出现匹配失败时，将该目标用户标识的匹配失败次数相应地进行加1的操作，并判断预设时间内目标用户标识的匹配失败次数是否达到次数阈值。其中，预设时间是一个预先设定的时间段，可选地，该时间段可以为12个小时、24小时或者48小时等。

[0080] S72：若预设时间内匹配失败次数达到次数阈值，则匹配结束，并根据目标用户标识发送提示消息。

[0081] 具体地，如果在预设时间内目标用户标识的匹配失败次数达到次数阈值，说明匹配失败次数已经较多，则停止匹配的过程，并根据目标用户标识给对应的用户发送提示消息，提示该用户可能存在账号被恶意验证的风险，以便用户进行更改配置或其他操作。

[0082] S73：若预设时间内匹配失败次数未达到次数阈值，则发送图像采集请求，并获取新的待识别图像。

[0083] 具体地，如果在预设时间内目标用户标识的匹配失败次数未达到次数阈值，为了减小图像采集或者匹配过程的误差，服务端向用户端发送一个图像采集请求，使用户端对图像进行重新采集，从而获取新的待识别图像。

[0084] S74：提取新的待识别图像的新的待识别特征向量，并计算新的待识别特征向量与目标用户标识对应的基准特征向量之间的特征相似度。

[0085] 具体地，在得到新的待识别图像之后，提取新的待识别图像的新的待识别特征向量，并计算新的待识别特征向量和目标用户标识对应的基准特征向量之间的特征相似度，其中，新的待识别特征向量具体的提取和计算过程和步骤S20和S30相同，这里不再赘述。

[0086] S75：若特征相似度大于或等于相似度阈值，则返回执行根据目标用户标识提取待识别图像中的目标区域，并根据目标区域提取目标特征向量的步骤。

[0087] 具体地，若特征相似度大于或等于相似度阈值，表明对应的用户存在于数据库中，但是由于图像采集的原因导致输入的目标区域不完整或不准确，造成前一次的匹配失败；因此返回执行步骤S40，即根据目标用户标识提取待识别图像中的目标区域，并根据目标区域提取目标特征向量的步骤，并继续执行后面的步骤。

[0088] S76：若特征相似度小于相似度阈值，则返回执行统计预设时间内目标用户标识的匹配失败次数，判断预设时间内目标用户标识的匹配失败次数是否达到次数阈值的步骤。

[0089] 具体地，若特征相似度小于相似度阈值，表明用户可能不存在于数据库中，但是也有可能由于图像采集的原因导致新的待识别图像不完整或不准确，造成新的待识别特征向量与基准特征向量的相似度低于相似度阈值，因此返回执行步骤S71，即统计预设时间内目标用户标识的匹配失败次数，判断预设时间内目标用户标识的匹配失败次数是否达到次数阈值的步骤，并继续执行后面的步骤。

[0090] 在图4对应的实施例中，通过统计预设时间内目标用户标识的匹配失败次数，判断预设时间内匹配失败次数是否达到次数阈值，若达到次数阈值，则匹配结束，根据目标用户标识发送提示消息，提示用户可能存在账号被恶意验证的风险；若未达到次数阈值，则发送图像采集请求，采集新的待识别图像，并提取新的待识别特征向量，计算新的待识别特征向量与目标用户标识对应的基准特征向量之间的特征相似度；若相似度大于或等于相似度阈值，则返回执行提取目标区域和提取目标特征向量的步骤，若相似度小于相似度阈值，则返回执行统计匹配失败次数的步骤，根据需要进行后续的操作，提高人脸识别的完整性，保证用户信息安全的同时提升用户体验。

[0091] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

[0092] 在一实施例中，提供一种人脸识别装置，该人脸识别装置与上述实施例中人脸识别方法一一对应。如图5所示，该人脸识别装置包括特征向量提取模块10、特征相似度获取模块20、用户标识获取模块30、目标特征向量提取模块40和识别结果获取模块50。各功能模块详细说明如下：

[0093] 特征向量提取模块10，用于获取待识别图像，根据待识别图像提取待识别特征向量。

[0094] 特征相似度获取模块20，用于获取待识别特征向量与每一基准特征向量之间的特征相似度。

[0095] 进一步地，特征相似度获取模块20是采用欧几里得距离算法计算待识别特征向量和基准特征向量之间的特征相似度：

[0096]

[0097] 其中，U为待识别特征向量，V为基准特征向量，sim(U,V)EDG为U和V之间的特征相似度。

[0098] 用户标识获取模块30，用于将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识。

[0099] 可选地，若特征相似度的最大值小于预设相似度阈值时，用户标识获取模块30输出识别失败的识别结果。

[0100] 目标特征向量提取模块40，用于根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量。

[0101] 识别结果获取模块50，用于计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据向量相似度得到识别结果。

[0102] 进一步地，识别结果获取模块50还用于若向量相似度大于或者等于基准阈值，则输出匹配成功的识别结果；若向量相似度小于基准阈值，则输出匹配失败的识别结果。

[0103] 进一步地，本发明实施例提供的人脸识别装置还包括用户自定义模块，可选地，用户自定义模块包括配置请求获取单元、待选区域发送单元、目标区域获取单元和自定义特征向量获取单元。

[0104] 配置请求获取单元，用于获取自定义配置请求，其中，自定义配置请求包括登录信息。

[0105] 待选区域发送单元，用于若登录信息验证通过，则发送待选区域列表。

[0106] 目标区域获取单元，用于基于待选区域列表获取用户选择信息并采集预定数量的配置图像，根据用户选择信息获取每一配置图像中的目标区域。

[0107] 自定义特征向量获取单元，用于提取每一配置图像中的目标区域的特征向量并计算目标区域的特征向量的均值，得到自定义特征向量。

[0108] 进一步地，本发明实施例提供的人脸识别装置还包括重新验证模块，可选地，重新验证模块包括：匹配次数统计单元、停止匹配单元、图像重新获取单元、相似度重新计算单元、第一返回执行单元和第二返回执行单元。

[0109] 匹配次数统计单元，用于若识别结果为匹配失败，则统计预设时间内目标用户标识的匹配失败次数，判断预设时间内匹配失败次数是否达到次数阈值。

[0110] 停止匹配单元，用于若预设时间内匹配失败次数达到次数阈值，则匹配结束，并根据目标用户标识发送提示消息。

[0111] 图像重新获取单元，用于若预设时间内匹配失败次数未达到次数阈值，则发送图像采集请求，并获取新的待识别图像。

[0112] 相似度重新计算单元，用于提取新的待识别图像的新的待识别特征向量，并计算新的待识别特征向量与目标用户标识对应的基准特征向量之间的特征相似度。

[0113] 第一返回执行单元，用于若特征相似度大于或等于相似度阈值，则返回执行根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量。

[0114] 第二返回执行单元，用于若特征相似度小于相似度阈值，则返回执行统计预设时间内目标用户标识的匹配失败次数，判断预设时间内目标用户标识的匹配失败次数是否达到次数阈值。

[0115] 关于人脸识别装置的具体限定可以参见上文中对于人脸识别方法的限定，在此不再赘述。上述人脸识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0116] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储特征相似度算法、基准特征向量、用户标识和自定义特征向量等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸识别方法。

[0117] 在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：

[0118] 获取待识别图像，根据待识别图像提取待识别特征向量；

[0119] 获取待识别特征向量与每一基准特征向量之间的特征相似度；

[0120] 将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；

[0121] 根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量；

[0122] 计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据向量相似度得到识别结果。

[0123] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

[0124] 获取待识别图像，根据待识别图像提取待识别特征向量；

[0125] 获取待识别特征向量与每一基准特征向量之间的特征相似度；

[0126] 将特征相似度最高的基准特征向量对应的用户标识，作为目标用户标识；

[0127] 根据目标用户标识获取待识别图像中的目标区域，并根据目标区域提取目标特征向量；

[0128] 计算目标特征向量和目标用户标识对应的自定义特征向量之间的向量相似度，根据向量相似度得到识别结果。

[0129] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0130] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

[0131] 以上所述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，均应包含在本发明的保护范围之内。

标题	发布/更新时间	阅读量
基于干扰特征向量数据集的1比1人脸特征向量比对方法-专利编号CN107657216A	2020-05-11	186
生物体特征向量提取装置以及生物体特征向量提取方法-专利编号CN104346619B	2020-05-11	471
人脸特征向量构建-专利编号CN103198292A	2020-05-11	1009
特征向量补偿装置和特征向量补偿方法-专利编号CN101051461A	2020-05-11	640
生成特征向量和基于特征向量进行文本分类的方法和装置-专利编号CN110119445A	2020-05-12	646
基于干扰特征向量数据集的1比N人脸特征向量比对方法-专利编号CN107704809A	2020-05-12	1009
生物体特征向量提取装置以及生物体特征向量提取方法-专利编号CN104346619A	2020-05-13	640
特征向量生成装置，搜索装置，特征向量生成方法和搜索方法-专利编号CN1773507A	2020-05-12	567
特征向量降维方法和装置-专利编号CN110046670A	2020-05-13	194
一种心电图特征向量提取方法-专利编号CN110141245A	2020-05-13	264

人脸识别方法、装置、计算机设备及存储介质

人脸识别方法、装置、计算机设备及存储介质

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式