基於神經網絡的人臉特徵提取建模、人臉識別方法及裝置與流程

2023-05-24 19:56:06 2

本發明涉及人臉識別技術領域，尤其涉及一種基於神經網絡的人臉特徵提取建模方法及裝置以及一種人臉識別方法及裝置。

背景技術：

人臉識別，是一種基於人的臉部特徵信息進行身份識別的生物識別技術，一般是用攝像機或攝像頭採集含有人臉的圖像或視頻流後，自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別，通常也叫做人像識別、面部識別。

目前，人臉識別算法均是基於人臉照片和與其對應的身份信息，將一張圖片作為一個整體進行特徵提取，使用神經網絡進行模型訓練，並最終使用分類器進行人臉識別。在人臉識別神經網絡中對模型的訓練中只考慮人臉圖片的身份信息，且訓練得到的模型將一張圖片作為一個整體進行特徵提取。因此，對於利用該模型的人臉識別的識別精度還有待進一步地提升。

技術實現要素：

基於此，有必要提供一種能夠在人臉識別應用場景中提高識別精度的基於神經網絡的人臉特徵提取建模方法及裝置，以及一種應用通過該基於神經網絡的人臉特徵提取建模方法及裝置建立的人臉特徵模型的人臉識別方法及裝置。

一種基於神經網絡的人臉特徵提取建模方法，包括：

從預設應用場景的訓練集中獲取第一圖片的各分塊、第二圖片的各分塊、所述第一圖片的第一分類及所述第二圖片的第二分類；所述第一圖片的分塊方式與所述第二圖片的分塊方式相同且所述第一圖片的各分塊與所述第二圖片的各分塊一一對應；

將所述第一圖片的分塊、所述第一分類、與所述第一圖片的分塊對應的所述第二圖片的分塊及所述第二分類作為與所述第一圖片的分塊對應的人臉身份驗證神經網絡的輸入，確定與所述第一圖片的分塊對應的分塊全局損失代價函數值；

根據所述分塊全局損失代價函數值及與所述第一圖片的分塊對應的訓練參數在所述訓練集上訓練所述人臉身份驗證神經網絡；

通過所述預設應用場景的測試集對與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡進行測試，並根據測試結果確定測試精度，根據所述測試精度及所述人臉身份驗證神經網絡確定與所述第一圖片的分塊對應的目標人臉身份驗證特徵提取模型。

一種人臉識別方法，包括：

獲取待識別圖片，並將所述待識別圖片按照預設分塊方式進行劃分得到預設數量個數的分塊；

將預設數量個數的所述分塊分別作為上述的基於神經網絡的人臉特徵提取建模方法確定的各目標人臉身份驗證特徵提取模型的輸入，確定預設數量個數的分塊待識別驗證特徵；

根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵；

將所述全局待識別驗證特徵與訓練集中的圖片對應的全局圖片驗證特徵進行對比，並將與所述全局待識別驗證特徵距離最近的全局圖片驗證特徵對應的圖片所屬的分類確定為所述待識別圖片的分類。

一種基於神經網絡的人臉特徵提取建模裝置，包括：

圖片分類獲取模塊，用於從預設應用場景的訓練集中獲取第一圖片的各分塊、第二圖片的各分塊、所述第一圖片的第一分類及所述第二圖片的第二分類；所述第一圖片的分塊方式與所述第二圖片的分塊方式相同且所述第一圖片的各分塊與所述第二圖片的各分塊一一對應；

損失代價確定模塊，用於將所述第一圖片的分塊、所述第一分類、與所述第一圖片的分塊對應的所述第二圖片的分塊及所述第二分類作為與所述第一圖片的分塊對應的人臉身份驗證神經網絡的輸入，確定與所述第一圖片的分塊對應的分塊全局損失代價函數值；

神經網絡訓練模塊，用於根據所述分塊全局損失代價函數值及與所述第一圖片的分塊對應的訓練參數在所述訓練集上訓練所述人臉身份驗證神經網絡；

特徵模型確定模塊，用於通過所述預設應用場景的測試集對與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡進行測試，並根據測試結果確定測試精度，根據所述測試精度及所述人臉身份驗證神經網絡確定與所述第一圖片的分塊對應的目標人臉身份驗證特徵提取模型。

一種人臉識別裝置，包括：

待識圖片獲取模塊，用於獲取待識別圖片，並將所述待識別圖片按照預設分塊方式進行劃分得到預設數量個數的分塊；

待識特徵確定模塊，用於將預設數量個數的所述分塊分別作為權利要求6-9任意一項所述的基於神經網絡的人臉特徵提取建模裝置確定的各目標人臉身份驗證特徵提取模型的輸入，確定預設數量個數的分塊待識別驗證特徵；

全局特徵確定模塊，用於根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵；

對比分類確定模塊，用於將所述全局待識別驗證特徵與訓練集中的圖片對應的全局圖片驗證特徵進行對比，並將與所述全局待識別驗證特徵距離最近的全局圖片驗證特徵對應的圖片所屬的分類確定為所述待識別圖片的分類。

上述基於神經網絡的圖片特徵提取建模方法及裝置，由於訓練模型的時候採用的分塊全局損失代價函數值，不僅與第一圖片、第二圖片相關，還與第一圖片的第一分類、第二圖片的第二分類相關；另外，訓練得到的模型是將一張圖片按照分塊方式進行劃分得到的圖片的分塊進行特徵提取，得到的特徵必然更精細。因此，建模得到的人臉身份驗證特徵模型與第一圖片的第一分類、第二圖片的第二分類相關，且將一張圖片按照分塊方式進行劃分得到的圖片的分塊進行特徵提取，得到更精細的特徵。從而，可以達到將建模得到的人臉身份驗證特徵模型應用在預設應用場景中進行人臉識別時，提高人臉識別精度的有益效果。

上述人臉識別方法及裝置，由於通過上述基於神經網絡的人臉特徵提取建模方法或裝置確定的目標人臉身份驗證特徵提取模型確定預設數量個數的分塊待識別驗證特徵，根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵；並通過該全局待識別驗證特徵與訓練集中的全局圖片驗證特徵進行對比，最終確定待識別圖片的分類，因此，上述人臉識別方法及裝置的識別精度高。

附圖說明

圖1為一實施例的基於神經網絡的人臉特徵提取建模方法的流程圖；

圖2為圖1的基於神經網絡的人臉特徵提取建模方法的一個步驟的具體流程圖；

圖3為另一實施例的基於神經網絡的人臉特徵提取建模方法的流程圖；

圖4_1為一實施例的基於神經網絡的人臉特徵提取建模方法中進行人臉對齊處理前的示例圖；

圖4_2為圖4_1的示例圖進行人臉對齊處理後的結果圖；

圖5為圖4_2按照預設分塊方式劃分為13個分塊的示例圖。

圖6為圖1的基於神經網絡的人臉特徵提取建模方法的另一個步驟的具體流程圖；

圖7為一實施例的人臉識別方法的流程圖；

圖8為一實施例的基於神經網絡的人臉特徵提取建模裝置的結構圖；

圖9為另一實施例的基於神經網絡的人臉特徵提取建模裝置的結構圖；

圖10為一實施例的人臉識別裝置的結構圖。

具體實施方式

為了便於理解本發明，下面將參照相關附圖對本發明進行更全面的描述。附圖中給出了本發明的較佳的實施例。但是，本發明可以以許多不同的形式來實現，並不限於本文所描述的實施例。相反地，提供這些實施例的目的是使對本發明的公開內容的理解更加透徹全面。

除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在於限制本發明。本文所使用的術語「或/和」包括一個或多個相關的所列項目的任意的和所有的組合。

如圖1所示，為本發明一個實施例的基於神經網絡的人臉特徵提取建模方法，包括：

S140：從預設應用場景的訓練集中獲取第一圖片的各分塊、第二圖片的各分塊、所述第一圖片的第一分類及所述第二圖片的第二分類。

預設應用場景可以為對人臉識別精度要求較高的場景，如銀行VTM(Virtual Teller Machine，遠程櫃員機)驗證、珠寶店VIP(Very Important Person，貴賓)識別等場景。

每一張圖片上均包括待識別的人。同一分類表示同一個人。在本實施例中，的訓練集中，將原採集並作對齊處理後的一張圖片按照預設分塊方式劃分為預設數量個數的分塊。預設分塊方式可以為包括：預設子數量個數的以預設器官為中心進行預設像素大小的摳圖。預設器官可以為左眼、右眼、鼻子、嘴巴等人臉器官。每一個預設器官為中心的摳圖，包括至少一個摳圖分塊；不同預設器官對應的預設子數量可以不同，也可以相同；預設像素大小可以包括至少兩個像素大小。優選地，預設數量個數為13。一個按照預設分塊方式劃分為13個分塊的示例如圖5所示。

所述第一圖片的分塊方式與所述第二圖片的分塊方式相同且所述第一圖片的各分塊與所述第二圖片的各分塊一一對應。

訓練集中每一張圖片均有預設數量個數的分塊。同一張圖片的各分塊採用不同的分塊方式，所有圖片的第相同個數的分塊採用相同的分塊方式。

S160：將所述第一圖片的分塊、所述第一分類、與所述第一圖片的分塊對應的所述第二圖片的分塊及所述第二分類作為與所述第一圖片的分塊對應的人臉身份驗證神經網絡的輸入，確定與所述第一圖片的分塊對應的分塊全局損失代價函數值。

通過第一圖片的分塊及與第一圖片的分塊對應的第二圖片的分塊，根據與第一圖片的分塊對應的人臉身份驗證神經網絡中的人臉身份驗證特徵提取模型可以分別確定第一圖片的分塊、第二圖片的分塊的對象特徵及驗證特徵，進而根據第一分類、第二分類以及這些對象特徵、驗證特徵確定與第一圖片的分塊對應的分塊損失代價函數的值。這樣，可以確定第一圖片的各分塊分別對應的各分塊損失代價函數的值。

人臉身份驗證神經網絡以現有技術的人臉身份識別神經網絡為基礎，包括以人臉身份識別神經網絡中的人臉身份識別特徵提取模型為基礎、並按照所述分塊方式確定的人臉身份驗證特徵提取模型。每一個分塊均對應一個人臉身份驗證特徵提取模型。

具體地，該人臉身份識別神經網絡為經過訓練的人臉身份識別神經網絡。即，該人臉身份識別神經網絡是採用現有技術進行人臉識別的已經訓練好了的神經網絡。如此，在經過訓練的人臉身份識別神經網絡的基礎上進行後續訓練，而無需再從零開始訓練。因此，可以節約訓練時間，更快地找到最優神經網絡。進一步地，經過訓練的人臉身份識別神經網絡為深度神經網絡，即人臉身份識別深度神經網絡。

根據人臉身份驗證特徵提取模型及所述分塊方式可以構造各個分塊的人臉身份驗證神經網絡。優選地，人臉身份驗證神經網絡為深度神經網絡，即人臉身份驗證深度神經網絡。

需要說明的是，人臉身份驗證特徵提取模型在通過人臉身份識別特徵提取模型得到人臉身份識別特徵的基礎上，並根據按照分塊方式劃分的分塊的人臉身份識別特徵得到對應分塊的人臉身份驗證特徵。具體地，對按照分塊方式劃分的分塊的人臉身份識別特徵進行二範數歸一化處理，得到對應分塊的人臉身份驗證特徵。二範數歸一化處理具體為，將按照分塊方式劃分的分塊的人臉身份識別特徵的每一個特徵元素求平方和之後再開平方得到的結果作為對應分塊的人臉身份驗證特徵的每個特徵元素分母；再將按照分塊方式劃分的分塊的人臉身份識別特徵中的每個與驗證是否為同一對象相關的特徵元素的特徵值作為對應分塊的人臉身份驗證特徵的一個特徵元素的分子。

S170：根據所述分塊全局損失代價函數值及與所述第一圖片的分塊對應的訓練參數在所述訓練集上訓練所述人臉身份驗證神經網絡。

在一個實施例中，根據分塊全局損失代價函數值和鏈式求導法則可以確定對應的分塊的人臉身份驗證神經網絡的人臉身份驗證特徵提取模型中的每一個參數的梯度值；根據所述分塊全局損失代價函數值及對應的分塊的訓練參數採用隨機梯度下降法在所述訓練集上訓練所述人臉身份驗證神經網絡。

訓練參數包括特徵距離閾值及學習速率。在一個較優實施例中，特徵距離閾值的值可以默認設置為0.2或0.25；學習速率的值可以默認設置為0.0001。

S180：通過所述預設應用場景的測試集對與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡進行測試，並根據測試結果確定測試精度，根據所述測試精度及所述人臉身份驗證神經網絡確定與所述第一圖片的分塊對應的目標人臉身份驗證特徵提取模型。

只要測試集的容量足夠大，對與所述第一圖片的分塊對應的人臉身份驗證神經網絡的訓練可以一直持續下去。在本實施例中，每次訓練預設時間之後，通過所述預設應用場景的測試集對與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡進行測試，並根據測試結果確定測試精度。可以採用現有方式根據測試結果確定測試精度。

當測試精度到達預設精度時，不再繼續訓練，此時的與所述第一圖片的分塊對應的人臉身份驗證神經網絡為與所述第一圖片的分塊對應的目標人臉身份驗證神經網絡。通過該目標人臉身份驗證神經網絡可以確定與所述第一圖片的分塊對應的目標人臉身份驗證特徵提取模型。其中，預設精度為預先設置測試需要達到的精度要求。

在一個較優的實施例中，採用交叉驗證的方式進行驗證。測試集為與訓練集沒有交集的圖片的集合。

在一個具體的實施例中，測試集製作方式為：將N個分類中除了用於製作訓練集的K個分類，剩下的N-K個分類的人臉照片用於製作測試集。測試集由隨機抽取的兩張人臉圖片的對應的分塊驗證對及兩張圖片的分類組成，抽取規則如下：

分塊(1)：

第n個人的第a張圖片分塊(1)，第n個人的第b張圖片分塊(1)(正樣本對)

...第i個人的第c張圖片分塊(1)，第j個人的第d張圖片分塊(1)(負樣本對)

...

分塊(2)：

第n個人的第a張圖片分塊(2)，第n個人的第b張圖片分塊(2)(正樣本對)

...

第i個人的第c張圖片分塊(2)，第j個人的第d張圖片分塊(2)(負樣本對)

...

分塊(13)：

第n個人的第a張圖片分塊(13)，第n個人的第b張圖片分塊(13)(正樣本對)

...

第i個人的第c張圖片分塊(13)，第j個人的第d張圖片分塊(13)(負樣本對)

...

按照國際標準人臉驗證測試集的規則，此處正、負樣本對各取3000對，共6000對。測試規則為：將正樣本對中的兩張照片的對應的分塊判斷成同一個人，則判斷正確，即xi＝1；將負樣本對中的兩張照片的對應的分塊判斷成不是同一個人，則判斷正確，即xi＝1；其它，則判斷錯誤，即xi＝0。則測試精度定義為：

在其中一個實施例中，並不預先設置預設測試精度，預設精度的變化過程為先逐漸提升，當到達某個精度之後將產生較大波動；這裡把這個精度記為最大穩定精度。因此，當測試精度不再穩定提升時，即到達最大穩定精度時，不再繼續訓練與所述第一圖片的分塊對應的人臉身份驗證神經網絡，當前與所述第一圖片的分塊對應的人臉身份驗證神經網絡即為最優的與所述第一圖片的分塊對應的人臉身份驗證神經網絡。取最優的與所述第一圖片的分塊對應的人臉身份驗證神經網絡中的一個與所述第一圖片的分塊對應的人臉身份驗證特徵提取模型，並僅以一張圖片的分塊為輸入、以對應的分塊的人臉身份驗證特徵為輸出、而省略人臉身份識別特徵的輸出，從而得到最終的與第一圖片的分塊對應的目標人臉身份驗證特徵提取模型。

上述基於神經網絡的圖片特徵提取建模方法，由於訓練模型的時候採用的分塊全局損失代價函數值，不僅與第一圖片、第二圖片相關，還與第一圖片的第一分類、第二圖片的第二分類相關；另外，訓練得到的模型是將一張圖片按照分塊方式進行劃分得到的圖片的分塊進行特徵提取，得到的特徵必然更精細。因此，建模得到的人臉身份驗證特徵模型與第一圖片的第一分類、第二圖片的第二分類相關，且將一張圖片按照分塊方式進行劃分得到的圖片的分塊進行特徵提取，得到更精細的特徵。從而，可以達到將建模得到的人臉身份驗證特徵模型應用在預設應用場景中進行人臉識別時，提高人臉識別精度的有益效果。

請繼續參閱圖1，在其中一個實施例中，步驟S140之後，步驟S160之前，還包括步驟：

獲取人臉身份識別神經網絡，並根據所述人臉身份識別神經網絡確定與所述第一圖片的分塊對應的人臉身份驗證神經網絡。

獲取現有技術的進行人臉身份識別的人臉身份識別神經網絡，並按照所述分塊方式、根據所述人臉身份識別神經網絡確定與所述第一圖片的分塊對應的人臉身份驗證神經網絡。

請參閱圖2，在其中一個實施例中，各所述人臉身份驗證神經網絡包括以人臉身份識別神經網絡的人臉身份識別特徵提取模型為基礎、並按照所述分塊方式確定的人臉身份驗證特徵提取模型。

所述確定與所述第一圖片的分塊對應的分塊全局損失代價函數值的步驟，即S160，包括：

S261：將所述第一圖片的分塊與所述第一分類作為與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第一對象特徵與第一驗證特徵，將與所述第一圖片的分塊對應的所述第二圖片的分塊與所述第二分類作為與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的另一個模型輸入，確定與所述第一圖片的分塊對應的第二對象特徵與第二驗證特徵；或者，與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型包括相同的兩個，將所述第一圖片的分塊與所述第一分類作為其中一個與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第一對象特徵與第一驗證特徵，將與所述第一圖片的分塊對應的所述第二圖片的分塊與所述第二分類作為另一個與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第二對象特徵與第二驗證特徵；。

具體地，可以將所述第一圖片的分塊與所述第一分類作為一個模型輸入、與所述第一圖片的分塊對應的所述第二圖片的分塊與所述第二分類作為另一個模型輸入，分兩次先後作為與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第一對象特徵與第一驗證特徵，以及第二對象特徵與第二驗證特徵。也可以是與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型包括相同的兩個；將所述第一圖片的分塊與所述第一分類作為一個與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入、將所述第二圖片的分塊與所述第二分類作為另一個與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，兩個與所述第一圖片的分塊對應的人臉身份驗證特徵提取模型並行執行，最終分別確定與所述第一圖片的分塊對應的第一對象特徵與第一驗證特徵，以及第二對象特徵與第二驗證特徵。

需要說明的是，每一個第一圖片的一個分塊及與之對應的第二圖片的一個分塊，再結合第一分類及第二分類都可以作為與對應的分塊的所述人臉身份驗證特徵提取模型的輸入，確定對應的分塊的第一對象特徵與第一驗證特徵，以及第二對象特徵與第二驗證特徵。也就是說，每個圖片有多少個分塊，就能確定多少組第一對象特徵、第一驗證特徵、第二對象特徵及第二驗證特徵。

S263：根據與所述第一圖片的分塊對應的所述第一對象特徵及所述第一分類確定與所述第一圖片的分塊對應的分塊第一對象信息損失函數值。

可以採用現有神經網絡中常用的方式根據一個對象特徵及一個分類確定損失函數值。具體地，根據第一對象特徵確定一個得到的分類信息，根據得到的分類信息與獲取的第一分類是否屬於同一類別，確定識別結果，進而反應到損失函數值中。

S265：根據與所述第一圖片的分塊對應的所述第二對象特徵及所述第二分類確定與所述第一圖片的分塊對應的分塊第二對象信息損失函數值。

分塊第二對象信息損失函數值與分塊第一對象信息損失函數值的確定是一致的，故在此不作贅述。

S267：根據所述第一分類、所述第二分類、與所述第一圖片的分塊對應的所述第一驗證特徵及所述第二驗證特徵確定與所述第一圖片的分塊對應的分塊驗證損失函數值。

具體地，分塊驗證損失函數的公式為：

VerifyLoss＝yd+(1-y)max(α-d，0)

其中，α為訓練參數中的特徵距離閾值。VerifyLoss表示驗證損失函數值；y表示屬於同一分類；N1表示第一分類，N2表示第二分類；d為特徵距離；表示第一驗證特徵，表示第二驗證特徵；表示二範數運算。

S269：根據與所述第一圖片的分塊對應的所述分塊第一對象信息損失函數值、所述分塊第二對象信息損失函數值及所述分塊驗證損失函數值確定分塊全局損失代價函數值。

在本實施例中，分塊全局損失代價函數值是關於分塊第一對象信息損失函數值、分塊第二對象信息損失函數值及分塊驗證損失函數的線性函數值。具體地，分塊全局損失代價函數的公式為：

Loss＝Soft max Loss_1+Soft max Loss_2+VerifyLoss

其中，Loss為分塊全局損失代價函數值，SoftmaxLoss_1為分塊第一對象信息損失函數值；SoftmaxLoss_2為分塊第二對象信息損失函數值；VerifyLoss為分塊驗證損失函數值。

由於在訓練模型的過程中，分塊全局損失代價函數值不僅與分塊第一對象信息損失函數值及分塊第二對象信息損失函數值相關，還與分塊驗證損失函數值相關，因此，可以進一步提高將建模得到的人臉身份驗證特徵模型應用在預設應用場景中時，人臉的識別精度。

請參閱圖3，在其中一個實施例中，步驟S340～S380依次對應為步驟S140～S180。所述從預設應用場景的訓練集中獲取第一圖片的各分塊、第二圖片的各分塊、所述第一圖片的第一分類及所述第二圖片的第二分類的的步驟(即步驟S340)之前，還包括：

S310：在所述預設應用場景中採集視頻圖片，並對所述視頻圖片進行人臉檢測得到人臉圖片。

使用攝像頭在預設應用場景中採集視頻圖片，並通過網絡傳輸和數據線存放在計算機中。通過現有方式對採集到的視頻圖片進行人臉檢測，將人臉圖片提取出來存儲在計算機硬碟中。

S320：獲取對所述人臉圖片進行分類的分類信息，根據所述分類信息對各所述人臉圖片進行分類，並對分類後的各所述人臉圖片進行人臉對齊處理。

人工對檢測並提取出的人臉圖片進行分類，因此，計算機獲取人工輸入的分類信息，並根據分類信息分類。屬於相同分類的人臉照片放在一起並通過分類信息予以標記。

由於人臉圖片中的人臉角度和人臉位置是不一致的，為了保證提取到穩定的特徵並取得較好的人臉識別效果，需要通過現有方式對人臉圖片進行關鍵點對齊操作，以進行人臉對齊處理，去除人臉角度對人臉識別帶來的影響。其中，關鍵點包括眼睛、鼻尖和嘴角等的位置。如圖4_1所示為一個採集到的人臉圖片的，即進行人臉對齊處理前的示例圖，對齊後的人臉圖片如圖4_2所示。

S330：將對齊後的人臉圖片按預設分塊方式進行分塊，形成訓練集。

對於預設方式的相關限定已經在步驟S140中進行詳細描述，故在此不作贅述。

請參閱圖6，在其中一個實施例中，所述根據所述分塊全局損失代價函數值及與所述第一圖片的分塊對應的訓練參數在所述訓練集上訓練與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡的步驟，即步驟S170，包括：

S671：獲取與所述第一圖片的分塊對應的初始訓練參數，根據所述分塊全局損失代價函數值及所述初始訓練參數在所述訓練集上訓練與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡。

S673：更新與所述第一圖片的分塊對應的訓練參數，根據所述分塊全局損失代價函數值及更新後的所述訓練參數在所述訓練集上訓練與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡。

如此，不斷調整與所述第一圖片的分塊對應的人臉身份驗證神經網絡的訓練參數進行訓練，確定最優地與所述第一圖片的分塊對應的訓練參數。通過大量調試和試驗，發現針對本文描述的方法，特徵距離閾值α＝0.2且學習速率lr＝0.001時，能得到最好的算法精度提升。

在一個具體實施例中，訓練集的形式為：

分塊(1)：

第一圖片img1_1，img1_1的身份信息(第一分類N1)，第二圖片img2_1，img2_1的身份信息(第二分類N2)

第一圖片img1_2，img1_2的身份信息(第一分類N1)，第二圖片img2_2，img2_2的身份信息(第二分類N2)

...

分塊(2)：

第一圖片img1_1，img1_1的身份信息(第一分類N1)，第二圖片img2_1，img2_1的身份信息(第二分類N2)

...

分塊(3)：

第一圖片img1_1，img1_1的身份信息(第一分類N1)，第二圖片img2_1，img2_1的身份信息(第二分類N2)

...

分塊(13)：

第一圖片img1_1，img1_1的身份信息(第一分類N1)，人臉圖片img2_1，img2_1的身份信息(第二分類N2)

...

其中，每個分塊下的第一圖片及第二圖片指的均為對應的分塊。

如圖7所示，本發明還提供一種應用上述基於神經網絡的人臉特徵提取建模方法的人臉識別方法，包括：

S740：獲取待識別圖片，並將所述待識別圖片按照預設分塊方式進行劃分得到預設數量個數的分塊。

S750：將預設數量個數的所述分塊分別作為上述的基於神經網絡的人臉特徵提取建模方法確定的各目標人臉身份驗證特徵提取模型的輸入，確定預設數量個數的分塊待識別驗證特徵。

各目標人臉身份驗證特徵提取模型均為通過上述基於神經網絡的人臉特徵提取建模方法建立的目標人臉身份驗證特徵提取模型。

具體地，通過攝像頭採集待識別圖片，並將該待識別圖片傳輸至計算機；計算機獲取該待識別圖片，將該待識別圖片按照預設分塊方式進行劃分得到預設數量個數的分塊，再將各分塊輸入所建立的各分塊對應的目標人臉身份驗證特徵提取模型進行運算，從而可以確定待識別圖片的各分塊的分塊驗證特徵，即分塊待識別驗證特徵。

S760：根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵。

得到預設數量個數的分塊待識別驗證特徵之後，將各分塊待識別驗證特徵合併成一個確定全局待識別驗證特徵。

S770：將所述全局待識別驗證特徵與訓練集中的全局圖片對應的圖片驗證特徵進行對比，並將與所述全局待識別驗證特徵距離最近的全局圖片驗證特徵對應的圖片所屬的分類確定為所述待識別圖片的分類。

在本實施例中，預先通過目標人臉身份驗證特徵提取模型確定訓練集中所有圖片的各分塊的分塊驗證特徵，並在各分開的分塊驗證特徵的基礎上確定全局驗證特徵。確定全局待識別驗證特徵之後，計算全局待識別驗證特徵與訓練集中的各個圖片的全局驗證特徵的距離；與全局待識別驗證特徵距離最近的全局驗證特徵對應的圖片所屬的分類即為待識別圖片的分類。具體地，特徵距離的計算可以採用歐氏距離。

上述人臉識別方法，由於通過上述基於神經網絡的人臉特徵提取建模裝置確定的目標人臉身份驗證特徵提取模型確定預設數量個數的分塊待識別驗證特徵，根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵；並通過該全局待識別驗證特徵與訓練集中的全局圖片驗證特徵進行對比，最終確定待識別圖片的分類，因此，上述人臉識別方法的識別精度高。

請繼續參閱圖7，在其中一個實施例中，還包括：

S720：獲取各目標人臉身份驗證特徵提取模型。

本發明還提供一種與基於神經網絡的人臉特徵提取建模方法對應的虛擬裝置。如圖8所示，一個實施例的基於神經網絡的人臉特徵提取建模裝置，包括：

分塊分類獲取模塊840，用於從預設應用場景的訓練集中獲取第一圖片的各分塊、第二圖片的各分塊、所述第一圖片的第一分類及所述第二圖片的第二分類；所述第一圖片的分塊方式與所述第二圖片的分塊方式相同且所述第一圖片的各分塊與所述第二圖片的各分塊一一對應；

損失代價確定模塊860，用於將所述第一圖片的分塊、所述第一分類、與所述第一圖片的分塊對應的所述第二圖片的分塊及所述第二分類作為與所述第一圖片的分塊對應的人臉身份驗證神經網絡的輸入，確定與所述第一圖片的分塊對應的分塊全局損失代價函數值；

神經網絡訓練模塊870，用於根據所述分塊全局損失代價函數值及與所述第一圖片的分塊對應的訓練參數在所述訓練集上訓練所述人臉身份驗證神經網絡；

特徵模型確定模塊880，用於通過所述預設應用場景的測試集對與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡進行測試，並根據測試結果確定測試精度，根據所述測試精度及所述人臉身份驗證神經網絡確定與所述第一圖片的分塊對應的目標人臉身份驗證特徵提取模型。

上述基於神經網絡的圖片特徵提取建模裝置，由於訓練模型的時候採用的分塊全局損失代價函數值，不僅與第一圖片、第二圖片相關，還與第一圖片的第一分類、第二圖片的第二分類相關；另外，訓練得到的模型是將一張圖片按照分塊方式進行劃分得到的圖片的分塊進行特徵提取，得到的特徵必然更精細。因此，建模得到的人臉身份驗證特徵模型與第一圖片的第一分類、第二圖片的第二分類相關，且將一張圖片按照分塊方式進行劃分得到的圖片的分塊進行特徵提取，得到更精細的特徵。從而，可以達到將建模得到的人臉身份驗證特徵模型應用在預設應用場景中進行人臉識別時，提高人臉識別精度的有益效果。

請參閱圖9，在其中一個實施例中，還包括：

網絡獲取確定模塊950，用於獲取人臉身份識別神經網絡，並根據所述人臉身份識別神經網絡確定與所述第一圖片的分塊對應的人臉身份驗證神經網絡。

請繼續參閱圖9，在其中一個實施例中，各所述人臉身份驗證神經網絡包括以人臉身份識別神經網絡的人臉身份識別特徵提取模型為基礎、並按照所述分塊方式確定的人臉身份驗證特徵提取模型。所述損失代價確定模塊960，包括：

圖片特徵確定單元(圖未示)，用於將所述第一圖片的分塊與所述第一分類作為與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第一對象特徵與第一驗證特徵，將與所述第一圖片的分塊對應的所述第二圖片的分塊與所述第二分類作為與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的另一個模型輸入，確定與所述第一圖片的分塊對應的第二對象特徵與第二驗證特徵；或者，與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型包括相同的兩個；圖片特徵確定單元，用於將所述第一圖片的分塊與所述第一分類作為其中一個與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第一對象特徵與第一驗證特徵，將與所述第一圖片的分塊對應的所述第二圖片的分塊與所述第二分類作為另一個與所述第一圖片的分塊對應的所述人臉身份驗證特徵提取模型的模型輸入，確定與所述第一圖片的分塊對應的第二對象特徵與第二驗證特徵；

第一損失確定單元(圖未示)，用於根據與所述第一圖片的分塊對應的所述第一對象特徵及所述第一分類確定與所述第一圖片的分塊對應的分塊第一對象信息損失函數值；

第二損失確定單元(圖未示)，用於根據與所述第一圖片的分塊對應的所述第二對象特徵及所述第二分類確定與所述第一圖片的分塊對應的分塊第二對象信息損失函數值；

驗證損失確定單元(圖未示)，用於根據所述第一分類、所述第二分類、與所述第一圖片的分塊對應的所述第一驗證特徵及所述第二驗證特徵確定與所述第一圖片的分塊對應的分塊驗證損失函數值；

全局損失確定單元(圖未示)，用於根據與所述第一圖片的分塊對應的所述分塊第一對象信息損失函數值、所述分塊第二對象信息損失函數值及所述分塊驗證損失函數值確定分塊全局損失代價函數值。

請繼續參閱圖9，在其中一個實施例中，還包括：

圖片採集檢測模塊910，用於在所述預設應用場景中採集視頻圖片，並對所述視頻圖片進行人臉檢測得到人臉圖片；

圖片分類對齊模塊920，用於獲取對所述人臉圖片進行分類的分類信息，根據各所述分類信息對所述人臉圖片進行分類，並對分類後的各所述人臉圖片進行人臉對齊處理；

訓練集形成模塊930，用於將對齊後的人臉圖片按預設分塊方式進行分塊，形成訓練集。

在其中一個實施例中，神經網絡訓練模塊970，包括：

初始參數訓練單元971，用於獲取與所述第一圖片的分塊對應的初始訓練參數，根據所述分塊全局損失代價函數值及所述初始訓練參數在所述訓練集上訓練與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡；

更新參數訓練單元973，用於更新與所述第一圖片的分塊對應的訓練參數，根據所述分塊全局損失代價函數值及更新後的所述訓練參數在所述訓練集上訓練與所述第一圖片的分塊對應的所述人臉身份驗證神經網絡。

本發明還提供一種與人臉識別方法對應的虛擬裝置。如圖10所示，一個實施例的人臉識別裝置，包括：

待識圖片獲取模塊1040，用於獲取待識別圖片，並將所述待識別圖片按照預設分塊方式進行劃分得到預設數量個數的分塊；

待識特徵確定模塊1050，用於將預設數量個數的所述分塊分別作為上述的基於神經網絡的人臉特徵提取建模裝置確定的各目標人臉身份驗證特徵提取模型的輸入，確定預設數量個數的分塊待識別驗證特徵；

全局特徵確定模塊1060，用於根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵；

對比分類確定模塊1070，用於將所述全局待識別驗證特徵與訓練集中的圖片對應的全局圖片驗證特徵進行對比，並將與所述全局待識別驗證特徵距離最近的全局圖片驗證特徵對應的圖片所屬的分類確定為所述待識別圖片的分類。

上述人臉識別裝置，由於通過上述基於神經網絡的人臉特徵提取建模裝置確定的目標人臉身份驗證特徵提取模型確定預設數量個數的分塊待識別驗證特徵，根據預設數量個數的所述分塊待識別驗證特徵，確定全局待識別驗證特徵；並通過該全局待識別驗證特徵與訓練集中的全局圖片驗證特徵進行對比，最終確定待識別圖片的分類，因此，上述人臉識別裝置的識別精度高。

在其中一個實施例中，還包括：

特徵模型獲取模塊1020，用於獲取各目標人臉身份驗證特徵提取模型。

以上實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對本發明專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出多個變形和改進，這些都屬於本發明的保護範圍。因此，本發明專利的保護範圍應以所附權利要求為準。