CN104036261A - 人脸识别方法和*** - Google Patents

Abstract

本发明关于一种人脸识别方法和***，涉及信息技术领域，主要目的在于相比于现有技术，通过较少的运算量即可完成人脸识别。方法包括：将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类；识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在目标人脸图片所属的第j层分类中识别出目标人脸图片所属的第j+1层分类；通过迭代方式直至在目标人脸图片所属的第j层分类中不存在第j+1层分类时，从目标人脸图片所属的第j层分类中，识别出目标人脸图片的相似人脸图片。相对于现有的技术方案，本发明的技术方案中的计算量非常小，大大提高了人脸识别效率。

Description

人脸识别方法和***

技术领域

本发明涉及信息技术领域，具体而言，涉及一种人脸识别方法和***。

背景技术

目前，对大规模人脸进行检索，需要进行的工作是首先对人脸数据进行特征提取和量化，经过这些工作后，每张人脸可以得到对应的多维特征数据；并通过比较两张人脸图像的特征数据来判定两张人脸图像是否相似。而在大规模的人脸数据中，寻找相似人脸需要对每张图像进行计算，找到最近的人脸数据，需要极大的计算量。

现有方案为直接对本地库中海量人脸图片进行聚类，将目标人脸图片依次和每个聚类进行比较以找到其所属聚类，再在所属聚类中与每张人脸图片比较以找到相似人脸图片。这种方案一定程度加速了人脸搜索过程，但在大规模人脸搜索中，此方案仍然需要进行极大的计算量：若聚类设置较少，则每个聚类中数据规模会比较大，在聚类中进行搜索将耗费大量运算时间；若划分聚类过多，则找到所属聚类就需要较大计算量，都无法满足搜索引擎的实时性要求。

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识别方法和***。

依据本发明的一个方面，提供了一种人脸识别方法，其包括：将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后进行整数取值；识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后依序进行整数取值；通过所述迭代方式直至在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。

可选地，前述的人脸识别方法，其中，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤包括：根据所述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；设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。

可选地，前述的人脸识别方法，其中，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤还包括：计算所述每个第1层分类的初始中心点与向量中心点之间的方差；如所述方差的大小超过预设阈值，则重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。

可选地，前述的人脸识别方法，其中，所述识别出目标人脸图片所属的第1层分类的步骤包括：根据所述目标人脸图片的特征，生成所述目标人脸图片的特征向量；选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。

可选地，前述的人脸识别方法，其中，所述识别出所述目标人脸图片的相似人脸图片的步骤包括：从所述第j层分类的人脸图片中，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所述相似人脸图片。

依据本发明的另一方面，还提供了一种人脸识别***，其包括：分类模块，用于将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后依序进行整数取值；分类迭代识别模块，用于识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后进行整数取值；相似人脸图片识别模块，用于在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。

可选地，前述的人脸识别***，其中，还包括：第一特征向量生成模块，用于根据所述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；所述分类模块设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。

可选地，前述的人脸识别***，其中，还包括：方差计算模块，计算所述每个第1层分类的初始中心点与向量中心点之间的方差；如所述方差的大小超过预设阈值，则所述分类模块重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。

可选地，前述的人脸识别***，其中，还包括：第二特征向量生成模块，用于根据所述目标人脸图片的特征，生成所述目标人脸图片的特征向量；所述分类模块选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。

可选地，前述的人脸识别***，其中，所述相似人脸图片识别模块从所述第j层分类的人脸图片中，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所述相似人脸图片。

根据本发明的人脸识别方法和***，通过对聚类上一层聚类结果进行再次划分聚类，通过迭代方式将已收集的人脸图片聚类为多层结构，以及通过迭代方式逐层寻找目标人脸图片的所属分类，直至最终找到目标人脸图片的相似人脸图片；相对于现有的技术方案，本发明的技术方案中的计算量非常小，大大提高了人脸识别效率。

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识别方法的工作示意图；

图3示出了根据本发明的一个实施例的人脸识别方法的流程图；

图4示出了根据本发明的一个实施例的人脸识别方法的流程图；

图5示出了根据本发明的一个实施例的人脸识别方法的流程图；

图6示出了根据本发明的一个实施例的人脸识别***的框图；

图7示出了根据本发明的一个实施例的人脸识别方法的框图；

图8示出了根据本发明的一个实施例的人脸识别方法的框图。

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。

如图所示，本发明的一个实施例提供了一种人脸识别方法，其包括：

步骤110，将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后进行整数取值。本实施例中，形成的多层分类结构如图2所示，例如，其中C1分类包括C11……C1m等多个分类，C11分类中又包括CN1、CN2等分类。

步骤120，识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在目标人脸图片所属的第j层分类中识别出目标人脸图片所属的第j+1层分类，j从1向后依序进行整数取值。

步骤130，通过迭代方式直至在目标人脸图片所属的第j层分类中不存在第j+1层分类时，从目标人脸图片所属的第j层分类中，识别出目标人脸图片的相似人脸图片。

本实施例的技术方案中，通过对聚类上一层聚类结果进行再次划分聚类通过迭代方式将已收集的人脸图片聚类为多层结构，以及通过迭代方式逐层寻找目标人脸图片的所属分类，直至最终找到目标人脸图片的相似人脸图片；相对于现有的技术方案，本发明的技术方案中的计算量非常小，大大提高了人脸识别效率。

如图3所示，本发明的另一个实施例提供了一种人脸识别方法，其中，步骤110包括：

步骤111，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。本实施例基于对已收集的人脸图片特征的提取，已收集人脸图片的特征可以预先提取并存储在特征库中。

步骤112，设置多个初始中心点，并根据已收集的人脸图片的特征向量与每个初始中心点的距离远近，将已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算每个第1层分类的向量中心点。

则根据本实施例的技术方案，都按照已收集的人脸图片特征向量与初始中心点之间的距离，将其分配到最邻近的分类中，之后计算向量中心点；如此反复即可快速形成多层聚类结构。

本发明的另一个实施例提供了一种人脸识别方法，其中，步骤110还包括：

113，计算每个第1层分类的初始中心点与向量中心点之间的方差。本实施例基于对目标人脸图片特征的提取，目标人脸图片的特征可以实时提取。

114，如方差的大小超过预设阈值，则重新设置初始中心点，并重新将已收集的人脸图片分为多个第1层分类，并重新计算每个第1层分类的向量中心点。

在本实施例的技术方案中，如果方差<0.000001(示例，可以取其他值)，则表示分类中都是特征相近的人脸图片，否则表示分类中具有特征差距明显不适合置于同一分类的人脸图片，所以需要重新分类。此时，本实施例的人脸识别方法的工作流程可以如图4所示，图中，计算到指定层数的步骤是指，将已收集的人脸图片聚类为指定层数的聚类结构。

如图5所示，本发明的另一个实施例提供了一种人脸识别方法，其中，步骤120包括：

步骤121，根据目标人脸图片的特征，生成目标人脸图片的特征向量。

步骤122，选择向量中心点与目标人脸图片的特征向量之间距离最小的第1层分类，作为目标人脸图片所属的第1层分类。

则根据本实施例的技术方案，在各层结构中，都将目标人脸图片的特征向量与所属上层分类中多个下层分类的向量中心点进行比较，可以快速找到目标人脸图片所属的最小分类。

本发明的另一个实施例提供了一种人脸识别方法，其中，步骤130包括：

从第j层分类的人脸图片中，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。

结合以上实施例，假定已收集人脸图片为1000万，需要在其中检索目标人脸图片的相似人脸图片时：

1、若使用直接比较方式，需要将目标人脸图片的特征向量与已收集人脸图片的特征向量比较1000万次。

2、若使用传统聚类方式，将1000万数据划分为10000个聚类，则需要将目标人脸图片与聚类的向量中心点比较10000次，每个聚类平均中有1000条数据，则每个分类内部需要比较1000次，总体比较10000+k×1000次，如k取10则比较次数为：10000+10*1000＝20000次。通过现有的近邻算法在聚类中寻找目标人脸图片的相似人脸图片时，k表示选取k个近邻中心点，10为常见取值。

3、使用本实施例的技术方案，若划分为2层，第一层100个聚类，第二层为200个聚类，则第二层平均每个聚类中有500条数据，比较次数约100+m×200+n×500次，如取m＝3，n＝10，比较次数为：100+3×200+10×500＝11100次，和1、2比较，可以显著减少比较次数。同理，m表示第一层选取m个近邻中心点，n表示第二层选取n个近邻中心点，3、10为常见取值。

如图6所示，本发明的另一实施例还提供了一种人脸识别***，其包括：

分类模块610，用于将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后依序进行整数取值。本实施例中，形成的多层分类结构如图2所示，例如，其中C1分类包括C11……C1m等多个分类，C11分类中又包括CN1、CN2等分类。

分类迭代识别模块620，用于识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在目标人脸图片所属的第j层分类中识别出目标人脸图片所属的第j+1层分类，j从1向后进行整数取值。

相似人脸图片识别模块630，用于在目标人脸图片所属的第j层分类中不存在第j+1层分类时，从目标人脸图片所属的第j层分类中，识别出目标人脸图片的相似人脸图片。

本实施例的技术方案中，通过对聚类上一层聚类结果进行再次划分聚类通过迭代方式将已收集的人脸图片聚类为多层结构，以及通过迭代方式逐层寻找目标人脸图片的所属分类，直至最终找到目标人脸图片的相似人脸图片；相对于现有的技术方案，本发明的技术方案中的计算量非常小，大大提高了人脸识别效率。

如图7所示，本发明的另一个实施例提供了一种人脸识别***，其中，还包括：

第一特征向量生成模块640，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。本实施例基于对已收集的人脸图片特征的提取，已收集人脸图片的特征可以预先提取并存储在特征库中。

分类模块610设置多个初始中心点，并根据已收集的人脸图片的特征向量与每个初始中心点的距离远近，将已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算每个第1层分类的向量中心点。

则根据本实施例的技术方案，都按照已收集的人脸图片特征向量与初始中心点之间的距离，将其分配到最邻近的分类中，之后计算向量中心点；如此反复即可快速形成多层聚类结构。

本发明的另一个实施例提供了一种人脸识别***，其中，还包括：

方差计算模块650，计算每个第1层分类的初始中心点与向量中心点之间的方差。本实施例基于对目标人脸图片特征的提取，目标人脸图片的特征可以实时提取。

如方差的大小超过预设阈值，则分类模块610重新设置初始中心点，并重新将已收集的人脸图片分为多个第1层分类，并重新计算每个第1层分类的向量中心点。

在本实施例的技术方案中，如果方差<0.000001(示例，可以取其他值)，则表示分类中都是特征相近的人脸图片，否则表示分类中具有特征差距明显不适合置于同一分类的人脸图片，所以需要重新分类。此时，本实施例的人脸识别方法的工作流程可以如图4所示，图中，计算到指定层数的步骤是指，将已收集的人脸图片聚类为指定层数的聚类结构。

如图8所示，本发明的另一个实施例提供了一种人脸识别***，其中，还包括：

第二特征向量生成模块660，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。

分类模块610选择向量中心点与目标人脸图片的特征向量之间距离最小的第1层分类，作为目标人脸图片所属的第1层分类。

则根据本实施例的技术方案，在各层结构中，都将目标人脸图片的特征向量与所属上层分类中多个下层分类的向量中心点进行比较，可以快速找到目标人脸图片所属的最小分类。

本发明的另一个实施例提供了一种人脸识别***，其中，相似人脸图片识别模块630从第j层分类的人脸图片中，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。

结合以上实施例，假定已收集人脸图片为1000万，需要在其中检索目标人脸图片的相似人脸图片时：

1、若使用直接比较方式，需要将目标人脸图片的特征向量与已收集人脸图片的特征向量比较1000万次。

2、若使用传统聚类方式，将1000万数据划分为10000个聚类，则需要将目标人脸图片与聚类的向量中心点比较10000次，每个聚类平均中有1000条数据，则每个分类内部需要比较1000次，总体比较10000+k×1000次，如k取10则比较次数为：10000+10*1000＝20000次。通过现有的近邻算法在聚类中寻找目标人脸图片的相似人脸图片时，k表示选取k个近邻中心点，10为常见取值。

3、使用本实施例的技术方案，若划分为2层，第一层100个聚类，第二层为200个聚类，则第二层平均每个聚类中有500条数据，比较次数约100+m×200+n×500次，如取m＝3，n＝10，比较次数为：100+3×200+10×500＝11100次，和1、2比较，可以显著减少比较次数。同理，m表示第一层选取m个近邻中心点，n表示第二层选取n个近邻中心点，3、10为常见取值。

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)

1.一种人脸识别方法，其包括：

将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后进行整数取值；

识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后依序进行整数取值；

通过所述迭代方式直至在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。

2.根据权利要求1所述的人脸识别方法，其中，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤包括：

根据所述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；

设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。

3.根据权利要求1-2任一项所述的人脸识别方法，其中，所述将已收集的人脸图片进行聚类得到多个第1层分类的步骤还包括：

计算所述每个第1层分类的初始中心点与向量中心点之间的方差；

如所述方差的大小超过预设阈值，则重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。

4.根据权利要求1-3任一项所述的人脸识别方法，其中，所述识别出目标人脸图片所属的第1层分类的步骤包括：

根据所述目标人脸图片的特征，生成所述目标人脸图片的特征向量；

选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。

5.根据权利要求1-4任一项所述的人脸识别方法，其中，所述识别出所述目标人脸图片的相似人脸图片的步骤包括：

从所述第j层分类的人脸图片中，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所述相似人脸图片。

6.一种人脸识别***，其包括：

分类模块，用于将已收集的人脸图片进行聚类得到多个第1层分类，并通过迭代方式继续对至少一个第i层分类中的人脸图片进行聚类得到多个第i+1层分类，i从1向后依序进行整数取值；

分类迭代识别模块，用于识别出目标人脸图片所属的第1层分类，并通过迭代方式继续在所述目标人脸图片所属的第j层分类中识别出所述目标人脸图片所属的第j+1层分类，j从1向后进行整数取值；

相似人脸图片识别模块，用于在所述目标人脸图片所属的第j层分类中不存在第j+1层分类时，从所述目标人脸图片所属的第j层分类中，识别出所述目标人脸图片的相似人脸图片。

7.根据权利要求6所述的人脸识别***，其中，还包括：

第一特征向量生成模块，用于根据所述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；

所述分类模块设置多个初始中心点，并根据所述已收集的人脸图片的特征向量与每个所述初始中心点的距离远近，将所述已收集的人脸图片分为多个第1层分类，并根据每个第1层分类的人脸图片的特征向量，计算所述每个第1层分类的向量中心点。

8.根据权利要求6-7任一项所述的人脸识别***，其中，还包括：

方差计算模块，计算所述每个第1层分类的初始中心点与向量中心点之间的方差；

如所述方差的大小超过预设阈值，则所述分类模块重新设置初始中心点，并重新将所述已收集的人脸图片分为多个第1层分类，并重新计算所述每个第1层分类的向量中心点。

9.根据权利要求6-8任一项所述的人脸识别***，其中，还包括：

第二特征向量生成模块，用于根据所述目标人脸图片的特征，生成所述目标人脸图片的特征向量；

所述分类模块选择向量中心点与所述目标人脸图片的特征向量之间距离最小的第1层分类，作为所述目标人脸图片所属的第1层分类。

10.根据权利要求6-9任一项所述的人脸识别***，其中，

所述相似人脸图片识别模块从所述第j层分类的人脸图片中，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所述相似人脸图片。