CN104036259A - 人脸相似度识别方法和*** - Google Patents

Abstract

本发明提供了一种人脸相似度识别方法和***，涉及计算机技术领域，用于解决准确识别出相似人脸图片。人脸相似度识别方法包括：根据目标人脸图片的特征，生成目标人脸图片的特征向量；根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量；从已收集的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为目标人脸图片的相似人脸图片。通过本发明，有利于识别出表情、化妆、脸角度等方面存在区别的同一人脸的不同图片。

Description

人脸相似度识别方法和***

技术领域

本发明涉及计算机技术技术领域，具体而言，涉及一种人脸相似度识别方法和***。

背景技术

现有技术中的人脸相似度计算，是通过将不同的人脸图片裁剪并转化为单通道图像，获取单通道图像的直方图，以及通过比较不同人脸图片的直方图之间的差异，来计算不同人脸之间的相似度。

上述方案的缺陷在于：同一人脸上出现表情、化妆、脸角度等方面发生变化之后，会造成同一人脸的不同图片之间的直方图出现非常大的差异，则基于直方图进行人脸相似度的计算，可能得到同一人脸的不同图片之间的相似度较小的结果，可见计算结果相当不准确。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的人脸相似度识别方法和***。

依据本发明的一个方面，提供了一种人脸相似度识别方法，其包括：根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。

可选地，前述的人脸相似度识别方法，其中，所述从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张图片作为所述目标人脸图片的相似人脸图片的步骤包括：将所述已收集的人脸图片聚合为多个分类；根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。

可选地，前述的人脸相似度识别方法，其中，还包括：将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。

可选地，前述的人脸相似度识别方法，其中，所述将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分的步骤包括：在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或，在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。

可选地，前述的人脸相似度识别方法，其中，还包括：在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。

依据本发明的另一方面，提供了一种人脸相似度识别***，其包括：第一特征向量生成模块，用于根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；第二特征向量生成模块，用于根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；相似人脸图片识别模块，用于从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。

可选地，前述的人脸相似度识别***，其中，还包括：分类模块，用于将所述已收集的人脸图片聚合为多个分类；向量中心点计算模块，用于根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；所述相似人脸图片识别模块，用于将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。

可选地，前述的人脸相似度识别***，其中，还包括：相似度得分计算模块，用于将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。

可选地，前述的人脸相似度识别***，其中，所述相似度得分计算模块在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或所述相似度得分计算模块在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或所述相似度得分计算模块在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。

可选地，前述的人脸相似度识别***，其中，还包括：排序模块，用于在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。

根据本发明的人脸相似度识别方法和***，将不同人脸图片的特征处理为特征向量并计算特征向量之间的向量距离，以及根据向量距离的大小来识别相似的人脸图片；在同一人脸的不同图片上出现了表情、化妆、脸角度等方面上的变化时，不同图片上的人脸特征却可以保持不变或变化较小，进而不同图片的特征向量之间的距离也必然较小，即说明不同人脸图片之间的相似度较大，这有利于识别出表情、化妆、脸角度等方面存在区别的同一人脸的不同图片。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明的一个实施例的人脸相似度识别方法的流程图；

图2示出了根据本发明的一个实施例的人脸相似度识别方法的流程图；

图3示出了根据本发明的一个实施例的人脸相似度识别***的框图；

图4示出了根据本发明的一个实施例的人脸相似度识别***的框图；

图5示出了根据本发明的一个实施例的人脸相似度识别***的框图；

图6示出了根据本发明的一个实施例的人脸相似度识别***的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本发明的一个实施例提供了一种人脸相似度识别方法，其包括：

步骤110，根据目标人脸图片的特征，生成目标人脸图片的特征向量。目标人脸图片的特征可以实时提取。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。

步骤120，根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量。已收集的人脸图片的特征可以预先提取并存储。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。

步骤130，从已收集的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为目标人脸图片的相似人脸图片。在本实施例的技术方案中，如目标人脸图片和某一已收集人脸图片为同一人脸的不同图片，二者的特征必然相同或差距较小，则二者的特征向量之间的距离也必然较小，所以本实施例的技术方案有利于识别出同一人脸的不同图片。

如图2所示，本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，步骤130包括：

步骤131，将已收集的人脸图片聚合为多个分类。例如，将已收集的人脸图片分为C1、C2、C3三个分类。现有的聚类方式较多，都可以采用到本实施例的技术方案中。

步骤132，根据每个分类中的人脸图片的特征向量，计算每个分类中的人脸图片的向量中心点。例如，取三个分类的向量中心点分别为R1、R2、R3。

步骤133，将与目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为目标人脸图片的相似人脸图片。例如，假设目标人脸图片Q与R1、R2、R3的向量距离值分别为1.4、1.25、0.2，其中Q与R3之间距离的最小，则取R3对应的C3分类中的人脸图片对相似人脸图片。

在本实施例的技术方案中，通过聚类得到多个分类的中心向量点，并将中心向量点与目标人脸图片的特征向量进行比较，避免了将已收集的所有人脸图片的特征向量逐个与目标人脸图片的特征向量进行比较，降低了运算量，提高了图片识别的效率。

本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，还包括：

将相似人脸图片的特征向量与目标人脸图片的特征向量之间的距离，转换为相似人脸图片与目标人脸图片之间的相似度得分。例如，结合前述的实施例，设C3分类中的人脸图片与目标人脸图片中的最小向量距离依次为0.01、0.2、1.2，则将该三个距离值根据预定的公式转换为100、91、85的相似度得分，则相似度得分的高低可以反映出目标人脸图片与相似人脸图片之间的相似度高低。

本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，将相似人脸图片的特征向量与目标人脸图片的特征向量之间的距离，转换为相似人脸图片与目标人脸图片之间的相似度得分的步骤包括：

在Dx<＝Dmin时，取S＝Smax，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为相似人脸图片与目标人脸图片的相似度得分，Smax为预设最大相似度得分。

在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Si为预设第一人脸图片与目标人脸图片的相似度得分，S(i+1)为预设第二人脸图片与目标人脸图片的相似度得分。

在Dx>Dmax时，取S＝Smin，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为相似人脸图片与目标人脸图片的相似度得分，Smin为预设最小相似度得分。

在本实施例的技术方案中，提供了一种将向量距离转换为相似度得分的技术方案，且相似度得分随向量距离的减小而降低，能够合理反映出目标人人脸图片与相似人脸图片的相似程度。

本发明的另一实施例提出一种人脸相似度识别方法，与上述实施例相比，本实施例的人脸相似度识别方法，其中，还包括：

在相似人脸图片为多张时，根据与目标人脸图片的相似度高低，对多张相似人脸图片进行排序。

在本实施例的技术方案中，因为相似度最高的人脸图片通常为用户所需图片，通过对多张相似人脸图片进行排序，有利于将用户需求的图片快速提供给用户。

如图3所示，本发明的另一实施例提供了一种人脸相似度识别***，其包括：

第一特征向量生成模块310，用于根据目标人脸图片的特征，生成目标人脸图片的特征向量。目标人脸图片的特征可以实时提取。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。

第二特征向量生成模块320，用于根据已收集的人脸图片的特征，生成已收集的人脸图片的特征向量。已收集的人脸图片的特征可以预先提取并存储。依据提取特征的数量，则特征向量可以是多维向量，例如400维向量。本实施例的特征包括但不限于脸部器官形状、位置等等。

相似人脸图片识别模块330，用于从已收集的人脸图片中，选择特征向量与目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为目标人脸图片的相似人脸图片。在本实施例的技术方案中，如目标人脸图片和某一已收集人脸图片为同一人脸的不同图片，二者的特征必然相同或差距较小，则二者的特征向量之间的距离也必然较小，所以本实施例的技术方案有利于识别出同一人脸的不同图片。

如图4所示，本发明的另一实施例提出一种人脸相似度识别***，与上述实施例相比，本实施例的人脸相似度识别***，其中，还包括：

分类模块340，用于将已收集的人脸图片聚合为多个分类。例如，将已收集的人脸图片分为C1、C2、C3三个分类。现有的聚类方式较多，都可以采用到本实施例的技术方案中。

向量中心点计算模块350，用于根据每个分类中的人脸图片的特征向量，计算每个分类中的人脸图片的向量中心点。例如，取三个分类的向量中心点分别为R1、R2、R3。

相似人脸图片识别模块360，用于将与目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为目标人脸图片的相似人脸图片。例如，假设目标人脸图片Q与R1、R2、R3的向量距离值分别为1.4、1.25、0.2，其中Q与R3之间距离的最小，则取R3对应的C3分类中的人脸图片对相似人脸图片。

在本实施例的技术方案中，通过聚类得到多个分类的中心向量点，并将中心向量点与目标人脸图片的特征向量进行比较，避免了将已收集的所有人脸图片的特征向量逐个与目标人脸图片的特征向量进行比较，降低了运算量，提高了图片识别的效率。

如图5所示，本发明的另一实施例提出一种人脸相似度识别***，与上述实施例相比，本实施例的人脸相似度识别***，其中，还包括：

相似度得分计算模块370，用于将相似人脸图片的特征向量与目标人脸图片的特征向量之间的距离，转换为相似人脸图片与目标人脸图片之间的相似度得分。例如，结合前述的实施例，设C3分类中的人脸图片与目标人脸图片中的最小向量距离依次为0.01、0.2、1.2，则将该三个距离值根据预定的公式转换为100、91、85的相似度得分，则相似度得分的高低可以反映出目标人脸图片与相似人脸图片之间的相似度高低。

本发明的另一实施例提出一种人脸相似度识别***，与上述实施例相比，本实施例的人脸相似度识别***，其中，相似度得分计算模块370在Dx<＝Dmin时，取S＝Smax，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为相似人脸图片与目标人脸图片的相似度得分，Smax为预设最大相似度得分。

相似度得分计算模块370在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与目标人脸图片的特征向量之间的距离，Si为预设第一人脸图片与目标人脸图片的相似度得分，S(i+1)为预设第二人脸图片与目标人脸图片的相似度得分。

相似度得分计算模块370在Dx>Dmax时，取S＝Smin，Dx为目标人脸图片的特征向量与相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为相似人脸图片与目标人脸图片的相似度得分，Smin为预设最小相似度得分。

在本实施例的技术方案中，提供了一种将向量距离转换为相似度得分的技术方案，且相似度得分随向量距离的减小而降低，能够合理反映出目标人人脸图片与相似人脸图片的相似程度。

如图6所示，本发明的另一实施例提出一种人脸相似度识别***，与上述实施例相比，本实施例的人脸相似度识别***，其中，还包括：

排序模块380，用于在相似人脸图片为多张时，根据与目标人脸图片的相似度高低，对多张相似人脸图片进行排序。

在本实施例的技术方案中，因为相似度最高的人脸图片通常为用户所需图片，通过对多张相似人脸图片进行排序，有利于将用户需求的图片快速提供给用户。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的人脸相似度识别***中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种人脸相似度识别方法，其包括：

根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；

根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；

从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。

2.根据权利要求1所述的人脸相似度识别方法，其中，所述从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张图片作为所述目标人脸图片的相似人脸图片的步骤包括：

将所述已收集的人脸图片聚合为多个分类；

根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；

将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。

3.根据权利要求1-2任一项所述的人脸相似度识别方法，其中，还包括：

将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。

4.根据权利要求1-3任一项所述的人脸相似度识别方法，其中，所述将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分的步骤包括：

在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或

在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或

在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。

5.根据权利要求1至4中任一项所述的人脸相似度计算方法，其中，还包括：

在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。

6.一种人脸相似度识别***，其包括：

第一特征向量生成模块，用于根据目标人脸图片的特征，生成所述目标人脸图片的特征向量；

第二特征向量生成模块，用于根据已收集的人脸图片的特征，生成所述已收集的人脸图片的特征向量；

相似人脸图片识别模块，用于从所述已收集的人脸图片中，选择特征向量与所述目标人脸图片的特征向量之间距离最小的至少一张人脸图片作为所述目标人脸图片的相似人脸图片。

7.根据权利要求6所述的人脸相似度识别***，其中，还包括：

分类模块，用于将所述已收集的人脸图片聚合为多个分类；

向量中心点计算模块，用于根据所述每个分类中的人脸图片的特征向量，计算所述每个分类中的人脸图片的向量中心点；

所述相似人脸图片识别模块，用于将与所述目标人脸图片的特征向量之间距离最小的向量中心点对应分类中的人脸图片，作为所述目标人脸图片的相似人脸图片。

8.根据权利要求6-7任一项所述的人脸相似度识别***，其中，还包括：

相似度得分计算模块，用于将所述相似人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，转换为所述相似人脸图片与所述目标人脸图片之间的相似度得分。

9.根据权利要求6-8任一项所述的人脸相似度识别***，其中，所述相似度得分计算模块在Dx<＝Dmin时，取S＝Smax，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmin为预设最小距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smax为预设最大相似度得分；和/或

所述相似度得分计算模块在Di<Dx<＝D(i+1)时，取S＝Si+K(Dx-Di)，其中K＝(S(i+1)-Si)/(D(i+1)-Di))，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Di为预设第一人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Di+1为预设第二人脸图片的特征向量与所述目标人脸图片的特征向量之间的距离，Si为所述预设第一人脸图片与所述目标人脸图片的相似度得分，S(i+1)为所述预设第二人脸图片与所述目标人脸图片的相似度得分；和/或

所述相似度得分计算模块在Dx>Dmax时，取S＝Smin，Dx为所述目标人脸图片的特征向量与所述相似人脸图片之间的特征向量之间的距离，Dmax为预设最大距离，S为所述相似人脸图片与所述目标人脸图片的相似度得分，Smin为预设最小相似度得分。

10.根据权利要求6至9中任一项所述的人脸相似度识别***，其中，还包括：

排序模块，用于在所述相似人脸图片为多张时，根据与所述目标人脸图片的相似度高低，对多张所述相似人脸图片进行排序。