區(qū)分開。例如，在不脫離本公開范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當(dāng)……時”或“響應(yīng)于確定”。
[0067]在相關(guān)技術(shù)中，在進(jìn)行人臉識別時，通?？梢詮娜四槇D像中人工抽取出人臉特征，并結(jié)合特定的算法對抽取出的人臉特征進(jìn)行降維后，進(jìn)行相似性度量最終得到人臉識別結(jié)果O
[0068]例如，在傳統(tǒng)實現(xiàn)中，可以從人臉圖像中提取gabor特征或者LBP特征等紋理特征，再結(jié)合 PCA(Principal Components Analysis，主成分分析)算法以及 LDA(LinearDiscriminant Analysis,線性鑒別分析)算法對提取出的紋理特征進(jìn)行投影矩陣訓(xùn)練，對提取出的紋理特征進(jìn)行降維，然后對降維后的紋理特征進(jìn)行相似性度量得到人臉識別結(jié)果O
[0069]然而，在進(jìn)行人臉識別過程中，由于識別的準(zhǔn)確度取決于提取出的人臉特征，因此通過人工從人臉圖像中抽取人臉特征，可能會造成人臉識別的準(zhǔn)確度不足的問題。
[0070]有鑒于此，本公開提出一種人臉識別方法，通過根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量，并基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值，然后根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進(jìn)行人臉識別，由于在人臉識別的過程中，利用深度學(xué)習(xí)模型自動從人臉圖像中抽取人臉特征，替代了傳統(tǒng)的從人臉圖像中人工抽取人臉特征的方式，因此可以提尚人臉識別的精確度。
[0071]如圖1所示，圖1是根據(jù)一示例性實施例示出的一種人臉識別方法，該人臉識別方法用于服務(wù)端，包括以下步驟:
[0072]在步驟101中，根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量；
[0073]在步驟102中，基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值；
[0074]在步驟103中，根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進(jìn)行人臉識別。
[0075]在本實施例中，服務(wù)端可以是面向用戶提供人臉識別服務(wù)的服務(wù)器、服務(wù)器集群或者云平臺。預(yù)設(shè)的深度學(xué)習(xí)模型，可以是基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型。在基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型中，通?？梢暂敯ǘ鄠€基層，每一個基層可作為獨立的特征提取層對人臉圖像的局部特征進(jìn)行提取。
[0076]例如，在實現(xiàn)時，所述多層神經(jīng)網(wǎng)絡(luò)可以采用目前較為成熟的卷積神經(jīng)網(wǎng)絡(luò)，在基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型中，可以包括輸入層、多個用于進(jìn)行特征提取的卷積層、全連接層以及輸出層。輸入層用于為人臉圖像樣本提供輸入通道；卷積層可以作為獨立的特征提取層對人臉圖像的局部特征進(jìn)行訓(xùn)練提取，全連接層可以對各卷積層所訓(xùn)練提取出的局部特征進(jìn)行整合，將各卷積層訓(xùn)練提取出的圖像特征連接為一個一維向量；輸出層用于輸出對輸入的人臉圖形樣本的分類結(jié)果。
[0077]以下以所述深度學(xué)習(xí)模型為基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型為例進(jìn)行說明。
[0078]在基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型中，每一個基層包括若干線性一維排列的節(jié)點，其中基層與基層的節(jié)點之間是處于一種全連接的狀態(tài)，而節(jié)點之間的連接通常具有一個權(quán)重參數(shù)。在初始狀態(tài)下，節(jié)點之間連接的權(quán)重參數(shù)均為默認(rèn)值，因此在正式使用該深度學(xué)習(xí)模型對待識別人臉圖像以及人臉圖像樣本進(jìn)行人臉特征向量提取之前，需要對該深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以確定出各節(jié)點之間的連接的最佳權(quán)重參數(shù)。
[0079]其中，在對該深度學(xué)習(xí)模型進(jìn)行訓(xùn)練時，可以準(zhǔn)備預(yù)設(shè)數(shù)量的人臉圖像樣本，并且由用戶對這些人臉圖像樣本進(jìn)行分類；例如，可以準(zhǔn)備5萬張人臉圖像樣本，然后按照這些人臉圖樣本所歸屬的用戶對這5萬張人臉圖像樣本進(jìn)行分類，并將每一個分類的人臉圖像樣本按照所屬的用戶進(jìn)行標(biāo)定，比如，可以將分類后的每一個分類分別標(biāo)定為張三、李四、王五等，每一個用戶具備10?1000張不等的圖片，此時每一個分類中的人臉圖像樣本均歸屬于同一個用戶。
[0080]當(dāng)準(zhǔn)備的預(yù)設(shè)數(shù)量的人臉圖像樣本分類完成后，此時可以將該深度學(xué)習(xí)模型作為分類模型，將這些人臉圖像樣本作為訓(xùn)練樣本輸入到該深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練，并根據(jù)深度學(xué)習(xí)模型輸出的分類結(jié)果，不斷對該深度學(xué)習(xí)模型各基層上節(jié)點之間的連接的權(quán)重參數(shù)進(jìn)行調(diào)整。在不斷的調(diào)整過程中，該深度學(xué)習(xí)模型在基于輸入的訓(xùn)練樣本進(jìn)行訓(xùn)練后，輸出的分類結(jié)果與用戶標(biāo)定的分類結(jié)果相比，準(zhǔn)確度將會逐漸提高。與此同時，用戶可以預(yù)先設(shè)置一個準(zhǔn)確度閾值，在不斷的調(diào)整過程中，如果該深度學(xué)習(xí)模型輸出的分類結(jié)果與用戶標(biāo)定的分類結(jié)果相比，準(zhǔn)確度達(dá)到預(yù)先設(shè)置的準(zhǔn)確度閾值后，此時該深度學(xué)習(xí)模型中各基層節(jié)點之間連接的權(quán)重參數(shù)均為最佳權(quán)重參數(shù)，可以認(rèn)為該深度學(xué)習(xí)模型已經(jīng)訓(xùn)練完畢。
[0081]對于訓(xùn)練完畢的深度學(xué)習(xí)模型，可以直接使用該深度學(xué)習(xí)模型，對待識別人臉圖像以及人臉圖像樣本進(jìn)行人臉特征向量的提取。
[0082]在實現(xiàn)時，服務(wù)端可以預(yù)先在本地創(chuàng)建一個人臉圖像樣本數(shù)據(jù)庫，該數(shù)據(jù)庫中的每一張人臉圖像樣本均可在對待識別人臉圖像進(jìn)行人臉識別時，作為與該待識別人臉圖像進(jìn)行比對的參照物。在針對數(shù)據(jù)庫中的人臉圖像樣本進(jìn)行人臉特征提取時，服務(wù)端可以將數(shù)據(jù)庫中的人臉圖像樣本作為輸入圖像在該深度學(xué)習(xí)模型中包含的多個卷積層中依次進(jìn)行特征訓(xùn)練，當(dāng)各卷積層均訓(xùn)練完成后，可以提取全連接層輸出的特征向量作為該人臉圖像樣本的人臉特征向量。
[0083]由于在該深度學(xué)習(xí)模型中，全連接層可以對各卷積層所訓(xùn)練提取出的局部特征進(jìn)行整合，因此將全連接層輸出的特征向量作為該人臉圖像樣本的人臉特征向量，可以獲取由全連接層整合后的該人臉圖形樣本的全局特征，使用全局特征進(jìn)行相似度度量時，人臉識別結(jié)果將更加精確。
[0084]當(dāng)然，在實現(xiàn)時，也可以提取該深度學(xué)習(xí)模型的多個卷積層中的任意一個指定的卷積層輸出的特征向量作為該人臉圖像樣本的人臉特征向量。將多個卷積層中的任意一個指定的卷積層輸出的特征向量，可以獲取該人臉圖形樣本的局部特征。
[0085]在本實施例中，在針對待識別人臉圖像進(jìn)行人臉特征提取時，，服務(wù)端仍然可以按照相同的處理方式，將該待識別人臉圖像作為輸入圖像在該深度學(xué)習(xí)模型中包含的多個卷積層中依次進(jìn)行特征訓(xùn)練，當(dāng)各卷積層均訓(xùn)練完成后，可以提取全連接層或者多個卷積層中指定的卷積層輸出的特征向量作為該待識別人臉圖像的人臉特征向量。
[0086]值得說明的是，服務(wù)端將數(shù)據(jù)庫中的人臉圖像樣本以及待識別人臉圖像作為輸入圖像在該深度學(xué)習(xí)模型中進(jìn)行特征訓(xùn)練之前，可以以雙眼為中心對數(shù)據(jù)庫中的人臉圖像樣本以及待識別人臉圖像進(jìn)行尺度歸一化處理，處理成統(tǒng)一大小的圖像，以方便在人臉識別階段進(jìn)行比對。其中，歸一化處理時所采用的圖像大小可以根據(jù)實際的需求進(jìn)行設(shè)置；例如，在進(jìn)行歸一化處理時，可以統(tǒng)一設(shè)置成224*224的圖像。
[0087]當(dāng)服務(wù)端通過該深度學(xué)習(xí)模型提取出數(shù)據(jù)庫中的人臉圖像樣本以及待識別人臉圖像的人臉特征向量后，可以基于提取出的人臉特征向量進(jìn)行相似度度量，來計算人臉識別結(jié)果。
[0088]在本實施例中，在基于提取出的人臉特征向量進(jìn)行相似度度量時，可以利用待識別人臉圖像與數(shù)據(jù)庫中的人臉圖像樣本的人臉特征向量的向量距離來表征二者的相似度。
[0089]在實現(xiàn)時，服務(wù)端可以依次計算待識別人臉圖像的人臉特征向量與數(shù)據(jù)庫中人臉圖像樣本的人臉特征向量之間的向量距離，然后根據(jù)預(yù)設(shè)的相似度轉(zhuǎn)換策略將計算出的向量距離轉(zhuǎn)換成對應(yīng)的相似度取值。例如，該相似度轉(zhuǎn)換策略可以是服務(wù)端根據(jù)特征向量與相似度之間的關(guān)系預(yù)先建立一個向量距離與相似度取值的對應(yīng)關(guān)系列表，該對應(yīng)關(guān)系列表中可以根據(jù)預(yù)設(shè)的向量距離閾值劃分為多個不同的相似度等級，并為每一個相似度等級設(shè)置一個對應(yīng)的相似度取值，由于特征向量之間的向量距離通常與特征向量之間的相似度成反比，因此當(dāng)向量距離越小時，相似度取值越高，當(dāng)向量距離越大時，相似度取值越低。通過這種方式可以直接通過查詢該對應(yīng)關(guān)系列表就可以得到與計算出的向量距離對應(yīng)的相似度取值。其中，該向量距離可以是余弦距離，也可以是歐氏距離，在本實施例中不進(jìn)行特別限定。
[0090]其中，服務(wù)端在計算所述待識別人臉圖像與所述人臉圖像樣本的人臉特征向量的向量距離之前，還可以根據(jù)預(yù)設(shè)的算法對二者的人臉特征向量進(jìn)行降維處理。例如，可以通過PCA算法以及LDA算法對二者的人臉特征向量進(jìn)行投影矩陣訓(xùn)練，對二者的人臉特征向量進(jìn)行降維。通過這種方式，不僅能減少服務(wù)端的計算量，還可以去除人臉特征向量中的冗余信息，保留人臉特征向量中的有用信息。
[0091]當(dāng)服務(wù)端將計算出的向量距離轉(zhuǎn)換成對應(yīng)的相似度取值后，可以判斷該相似度取值是否達(dá)到相似度閾值，如果該相似度取值達(dá)到相似度閾值時，此時服務(wù)端可以確認(rèn)該待識別人臉圖像與該人臉圖像樣本是相同的人臉圖像，并將該人臉圖像樣本作為識別結(jié)果進(jìn)行輸出。當(dāng)然，如果該相似度取值未達(dá)到相似度閾值時，此時服務(wù)端可以確認(rèn)該待識別人臉圖像與該人臉圖像樣本不是相同的人臉圖像，此時服務(wù)端可以重復(fù)以上過程，繼續(xù)計算該待識別人臉圖像與數(shù)據(jù)庫中