CN106250858A - 一种融合多种人脸识别算法的识别方法及*** - Google Patents

Abstract

本发明提供一种融合多种人脸识别算法的识别方法及***，包括：预设至少两种人脸识别算法；通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取及识别，分别得到对应的待识别人脸图像的特征向量、样本人脸图像的特征向量、对比相似度值及识别结果；对提取的待识别人脸图像的特征向量进行融合处理并对提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对得到的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，对识别结果进行决策处理，根据处理结果确定最终的识别结果。如此，本发明实施例能够提高人脸识别的精准度。

Description

一种融合多种人脸识别算法的识别方法及***

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种融合多种人脸识别算法的识别方法及***。

背景技术

人脸识别技术是基于生物特征的识别方式，利用人类自身拥有的、并且能够唯一标示其身份的生理特征或行为特征进行身份认证的技术。随着人工智能技术与计算机模式识别的发展，人脸识别技术已经从实验室走向实际应用。

目前，现有的人脸识别***是由一种人脸识别算法经过优化实现的，人脸识别的精度和准度因此而受到一定的限制。由此可见，为解决使用单一人脸识别算法在人脸识别的精度和准度方面受到限制的问题，目前亟需一种融合多种人脸识别算法进行人脸识别的方法，以提高人脸识别的精准度。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种融合多种人脸识别算法的识别方法及***，融合多种人脸识别算法进行识别认证，能够提高人脸识别的精准度。

为实现上述目的及其他相关目的，本发明实施例提供一种融合多种人脸识别算法的识别方法，预设至少两种人脸识别算法，该方法还包括：

通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；

根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；

根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；

对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，

对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，

对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果。

优选地，所述对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果，包括：

针对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理，得到待识别人脸图像的融合特征向量f_A，并通过主成分分析算法PCA对融合特征向量f_A进行降维处理，得到新的融合特征向量F_A：

针对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，得到样本人脸图像的融合特征向量f_B，并通过PCA对融合特征向量f_B进行降维处理，得到新的融合特征向量F_B：

按照概率线性判别分析算法PLDA计算新的融合特征向量F_A与新的融合特征向量F_B的对比相似度，得到融合的对比相似度值；

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

优选地，所述对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果，包括：

预设每种人脸识别算法的权重系数；

根据每种人脸识别算法的对比相似度值及权重系数，得到融合的对比相似度值：

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

优选地，所述对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果，包括：

确定识别成功的识别结果的数量以及所有识别结果的数量；

判断识别成功的识别结果的数量是否大于二分之一的所有识别结果的数量；

若识别成功的识别结果的数量大于二分之一的所有识别结果的数量，则确定最终的识别结果为识别成功；

若识别成功的识别结果的数量小于或等于二分之一的所有识别结果的数量，则确定最终的识别结果为识别失败。

优选地，所述对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果，包括：

预先根据每种人脸识别算法对每类人脸图像进行识别，得到每种人脸识别算法对每类人脸图像的识别率；

确定所述待识别人脸图像及样本人脸图像所属的对象类型；

根据确定的对象类型及预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；

将选取的人脸识别算法得到的识别结果确定为最终的识别结果。

根据上述方法，本发明实施例提供了一种融合多种人脸识别算法的识别***，该***包括：预设模块、特征提取模块、计算模块、第一确定模块、第二确定模块；其中，

所述预设模块，用于预设至少两种人脸识别算法；

所述特征提取模块，用于通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；

所述计算模块，用于根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；

所述第一确定模块，用于根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；

所述第二确定模块，用于对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果。

优选地，所述第二确定模块具体用于：

针对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理，得到待识别人脸图像的融合特征向量f_A，并通过PCA对融合特征向量f_A进行降维处理，得到新的融合特征向量F_A：

针对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，得到样本人脸图像的融合特征向量f_B，并通过PCA对融合特征向量f_B进行降维处理，得到新的融合特征向量F_B：

按照PLDA计算新的融合特征向量F_A与新的融合特征向量F_B的对比相似度，得到融合的对比相似度值；

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

优选地，所述第二确定模块具体用于：

预设每种人脸识别算法的权重系数；

根据每种人脸识别算法的对比相似度值及权重系数，得到融合的对比相似度值：

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

优选地，所述第二确定模块具体用于：

确定识别成功的识别结果的数量以及所有识别结果的数量；

判断识别成功的识别结果的数量是否大于二分之一的所有识别结果的数量；

若识别成功的识别结果的数量大于二分之一的所有识别结果的数量，则确定最终的识别结果为识别成功；

若识别成功的识别结果的数量小于或等于二分之一的所有识别结果的数量，则确定最终的识别结果为识别失败。

优选地，所述第二确定模块具体用于：

预先根据每种人脸识别算法对每类人脸图像进行识别，得到每种人脸识别算法对每类人脸图像的识别率；

确定所述待识别人脸图像及样本人脸图像所属的对象类型；

根据确定的对象类型及预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；

将选取的人脸识别算法得到的识别结果确定为最终的识别结果。

本发明提供的融合多种人脸识别算法的识别方法及***，包括：预设至少两种人脸识别算法；通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对每种人脸识别算法的对比相似度值进行决策处理，根据融合的对比相似度值确定最终的识别结果；或者，对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果。如此，本发明实施例中融合多种人脸识别算法进行人脸识别，从特征向量端、对比相似度值端或识别结果端进行决策融合，根据决策融合的结果确定最终的识别结果，解决了使用单一人脸识别算法在人脸识别的精度和准度方面受到限制的问题，从而提高了人脸识别的精准度。

附图说明

图1显示为本发明的融合多种人脸识别算法的识别方法的流程示意图；

图2显示为本发明的融合多种人脸识别算法的识别***的组成结构示意图。

具体实施方式

本发明实施例中，为解决使用单一人脸识别算法在人脸识别的精度和准度方面受到限制的问题，采用多种人脸识别算法进行人脸识别，并且在不同的层面对多种人脸识别算法进行决策融合，具体可以从特征向量端、对比相似度值端或识别结果端进行决策融合，根据决策融合的结果来确定最终的识别结果，从而提高了人脸识别的精准度。

下面结合附图及具体实施例对本发明做进一步详细的说明。

本发明实施例提出了一种融合多种人脸识别算法的识别方法，如图1所示，该方法包括：

步骤S100：预设至少两种人脸识别算法。

本步骤中，可以设置任意的至少两种人脸识别算法，这里对预设的人脸识别算法不作具体限定。

步骤S101：通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量。

本步骤中，根据不同的人脸识别算法提取的特征向量的长度可以是任意长度，但提取的特征向量必须满足以下条件：

Norm(F)＝1

其中，F为特征向量，Norm(F)为特征向量F的模长。

步骤S102：根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值。

本步骤中，可以将每种人脸识别算法的对比相似度值归一化到[0，1]区间，得到统一的对比相似度值，以便后续进行分类识别。

步骤S103：根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果。

本步骤中，分别将每种人脸识别算法得到的对比相似度值与预设的对比相似度阈值进行对比；

若该人脸识别算法的对比相似度值大于预设的对比相似度阈值，则确定该人脸识别算法的识别结果为识别成功；

若该人脸识别算法的对比相似度值小于或等于预设的对比相似度阈值，则确定该人脸识别算法的识别结果为识别失败。

这里，可以根据实际情况及需求预设对比相似度阈值，这里对对比相似度阈值不作具体限定。

步骤S104：对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果。

本步骤中，对具体如何对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果，进行详细说明：

首先，针对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理，得到待识别人脸图像的融合特征向量f_A：

f_A＝[f₁；f₂；…；f_n]，其中，f_A为融合特征向量，f₁～f_n为每种人脸识别算法提取的待识别人脸图像的特征向量；

通过主成分分析算法(Principal Components Analysis，PCA)对融合特征向量f_A进行降维处理，得到新的融合特征向量F_A：

其中，Z为PCA的特征矩阵；

同理，针对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，得到样本人脸图像的融合特征向量f_B：

f_B＝[f₁；f₂；…；f_n]，其中，f_B为融合特征向量，f₁～f_n为每种人脸识别算法提取的样本人脸图像的特征向量；

通过PCA对融合特征向量f_B进行降维处理，得到新的融合特征向量F_B：

其中，Z为PCA的特征矩阵；

然后，按照概率线性判别分析算法(Probabilistic Linear DiscriminantAnalysis，PLDA)计算新的融合特征向量F_A与新的融合特征向量F_B的对比相似度，得到融合的对比相似度值S(AB)：

$S\left(AB\right)=2F_A^T{\mathrm{pF}}_B+F_A*\left({\mathrm{QF}}_A\right)+F_B*\left({\mathrm{QF}}_B\right)$

其中，P为PLDA的类内方差，Q为PLDA的类间方差；

最终，根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果；

具体的，将融合的对比相似度值与预设的对比相似度阈值进行对比；

若融合的对比相似度值大于预设的对比相似度阈值，则确定最终的识别结果为识别成功；

若融合的对比相似度值小于或等于预设的对比相似度阈值，则确定最终的识别结果为识别失败。

这里，可以根据实际情况及需求预设对比相似度阈值，这里对对比相似度阈值不作具体限定。

本步骤中，对具体如何对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果，进行详细说明：

首先，预设每种人脸识别算法的权重系数；

然后，根据每种人脸识别算法的对比相似度值及权重系数，得到融合的对比相似度值：

$S(A,B)=\underset{1}{\overset{n}{\Σ}}{\mathrm{\ω}}_i{F}_i$

其中，S(A,B)为融合的对比相似度值，ω_i为第i种人脸识别算法的权重系数，F_i为第i种人脸识别算法的对比相似度值，i＝1，2，…，n，n为正整数；

最终，根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果；

具体的，将融合的对比相似度值与预设的对比相似度阈值进行对比；

若融合的对比相似度值大于预设的对比相似度阈值，则确定最终的识别结果为识别成功；

若融合的对比相似度值小于或等于预设的对比相似度阈值，则确定最终的识别结果为识别失败。

这里，可以根据实际情况及需求预设对比相似度阈值，这里对对比相似度阈值不作具体限定。

本步骤中，对具体如何对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果，进行详细说明：

方式一、基于投票的决策策略

首先，确定识别成功的识别结果的数量R以及所有识别结果的数量G；

然后，判断识别成功的识别结果的数量R是否大于二分之一的所有识别结果的数量G；

若识别成功的识别结果的数量R大于二分之一的所有识别结果的数量G，则确定最终的识别结果为识别成功；

若识别成功的识别结果的数量R小于或等于二分之一的所有识别结果的数量G，则确定最终的识别结果为识别失败。

其中，每种人脸识别算法得到一个识别结果，数量G等于人脸识别算法的数量，数量R小于或等于数量G。

方式二、基于先验信息的决策策略

考虑到每种人脸识别算法都有它本身所擅长的识别对象类型，例如，有些人脸识别算法对儿童人脸图像的识别率较好，而对证件照的识别率却不理想。因此，可以预先根据每种人脸识别算法对每类人脸图像进行识别，可以得到每种人脸识别算法对每类人脸图像的识别率表；，当有一组图像需要进行识别时，先得到这组人脸图像的特点，例如，根据人脸图像的特点确定是儿童的人脸图像，或根据人脸图像的特点确定是少数民族的人脸图像，然后将确定的对象类型及预先得到的识别率作为先验信息，根据该先验信息选择识别率最佳的人脸识别算法。

具体的，预先根据每种人脸识别算法对每类人脸图像进行识别，得到每种人脸识别算法对每类人脸图像的识别率，如表1所示：

	人脸识别算法1	人脸识别算法	……	人脸识别算法N
					A类	0.980	0.965	……	0.910
B类	0.923	0.995	……	0.945
					C类	0.921	0.936	……	0.988
……	……	……	……	……

表1

确定所述待识别人脸图像及样本人脸图像所属的对象类型；

根据预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；

将选取的人脸识别算法得到的识别结果确定为最终的识别结果。

具体的，首先将人脸图像分为多种对象类型，例如，A类：现场采集人脸图像与证件照认证；B类：儿童认证；C类：少数民族认证；然后根据所述待识别人脸图像及样本人脸图像的特点确定所属的对象类型；根据预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；若仅有一个识别率最高的人脸识别算法，则将该人脸识别算法确定为最终的识别结果，若有多个识别率最高的人脸识别算法，则将任意一个识别率最高的人脸识别算法得到的识别结果确定为最终的识别结果。

为实现上述方法，本发明实施例还提供了一种融合多种人脸识别算法的识别***，由于***解决问题的原理与方法相似，因此，***的实施过程及实施原理均可以参见前述方法的实施过程及实施原理描述，重复之处不再赘述。

本发明实施例提供了一种融合多种人脸识别算法的识别***，如图2所示，该***包括：预设模块200、特征提取模块201、计算模块202、第一确定模块203、第二确定模块204；其中，

所述预设模块200，用于预设至少两种人脸识别算法；

所述特征提取模块201，用于通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；

所述计算模块202，用于根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；

所述第一确定模块203，用于根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；

所述第二确定模块204，用于对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，对每种人脸识别算法的识别结果进行融合处理，根据融合的识别结果确定最终的识别结果。

具体实施中，所述第二确定模块204具体用于：

针对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理，得到待识别人脸图像的融合特征向量f_A，并通过PCA对融合特征向量f_A进行降维处理，得到新的融合特征向量F_A：

针对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，得到样本人脸图像的融合特征向量f_B，并通过PCA对融合特征向量f_B进行降维处理，得到新的融合特征向量F_B：

按照PLDA计算新的融合特征向量F_A与新的融合特征向量F_B的对比相似度，得到融合的对比相似度值；

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

具体实施中，所述第二确定模块204具体用于：

预设每种人脸识别算法的权重系数；

根据每种人脸识别算法的对比相似度值及权重系数，得到融合的对比相似度值：

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

具体实施中，所述第二确定模块204具体用于：

确定识别成功的识别结果的数量以及所有识别结果的数量；

判断识别成功的识别结果的数量是否大于二分之一的所有识别结果的数量；

若识别成功的识别结果的数量大于二分之一的所有识别结果的数量，则确定最终的识别结果为识别成功；

若识别成功的识别结果的数量小于或等于二分之一的所有识别结果的数量，则确定最终的识别结果为识别失败。

具体实施中，所述第二确定模块204具体用于：

预先根据每种人脸识别算法对每类人脸图像进行识别，得到每种人脸识别算法对每类人脸图像的识别率；

确定所述待识别人脸图像及样本人脸图像所属的对象类型；

根据确定的对象类型及预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；

将选取的人脸识别算法得到的识别结果确定为最终的识别结果。

以上功能模块的划分方式仅为本发明实施例给出的一种优选实现方式，功能模块的划分方式不构成对本发明的限制。为了描述的方便，以上所述***的各部分以功能分为各种模块或单元分别描述。当然，在实施本发明时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。

综上所述，本发明实施例中首先预设至少两种人脸识别算法；通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，对每种人脸识别算法的识别结果进行融合处理，根据融合的识别结果确定最终的识别结果。如此，本发明实施例融合多种人脸识别算法进行人脸识别，分别对特征向量、对比相似度值或识别结果进行融合处理，根据融合处理的结果来确定最终的识别结果，解决了使用单一人脸识别算法在人脸识别的精度和准度方面受到限制的问题，从而提高了人脸识别的精准度。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种融合多种人脸识别算法的识别方法及***，其特征在于，预设至少两种人脸识别算法，所述方法还包括：

通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；

根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；

根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；

对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，

对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，

对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果，包括：

针对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理，得到待识别人脸图像的融合特征向量f_A，并通过主成分分析算法PCA对融合特征向量f_A进行降维处理，得到新的融合特征向量F_A：

针对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，得到样本人脸图像的融合特征向量f_B，并通过PCA对融合特征向量f_B进行降维处理，得到新的融合特征向量F_B：

按照概率线性判别分析算法PLDA计算新的融合特征向量F_A与新的融合特征向量F_B的对比相似度，得到融合的对比相似度值；

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

3.根据权利要求1所述的方法，其特征在于，所述对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果，包括：

预设每种人脸识别算法的权重系数；

根据每种人脸识别算法的对比相似度值及权重系数，得到融合的对比相似度值：

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

4.根据权利要求1所述的方法，其特征在于，所述对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果，包括：

确定识别成功的识别结果的数量以及所有识别结果的数量；

判断识别成功的识别结果的数量是否大于二分之一的所有识别结果的数量；

若识别成功的识别结果的数量大于二分之一的所有识别结果的数量，则确定最终的识别结果为识别成功；

若识别成功的识别结果的数量小于或等于二分之一的所有识别结果的数量，则确定最终的识别结果为识别失败。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果，包括：

预先根据每种人脸识别算法对每类人脸图像进行识别，得到每种人脸识别算法对每类人脸图像的识别率；

确定所述待识别人脸图像及样本人脸图像所属的对象类型；

根据确定的对象类型及预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；

将选取的人脸识别算法得到的识别结果确定为最终的识别结果。

6.一种融合多种人脸识别算法的识别***，其特征在于，所述***包括：预设模块、特征提取模块、计算模块、第一确定模块、第二确定模块；其中，

所述预设模块，用于预设至少两种人脸识别算法；

所述特征提取模块，用于通过每种人脸识别算法对待识别人脸图像及样本人脸图像进行特征提取，分别得到每种人脸识别算法对应的待识别人脸图像的特征向量及样本人脸图像的特征向量；

所述计算模块，用于根据每种人脸识别算法提取的待识别人脸图像的特征向量及样本人脸图像的特征向量，分别计算得到每种人脸识别算法的对比相似度值；

所述第一确定模块，用于根据每种人脸识别算法的对比相似度值分别确定每种人脸识别算法的识别结果；

所述第二确定模块，用于对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理并对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，根据待识别人脸图像的融合特征向量及样本人脸图像的融合特征向量确定最终的识别结果；或者，对每种人脸识别算法的对比相似度值进行融合处理，根据融合的对比相似度值确定最终的识别结果；或者，对每种人脸识别算法的识别结果进行决策处理，根据处理结果确定最终的识别结果。

7.根据权利要求6所述的***，其特征在于，所述第二确定模块具体用于：

针对每种人脸识别算法提取的待识别人脸图像的特征向量进行融合处理，得到待识别人脸图像的融合特征向量f_A，并通过PCA对融合特征向量f_A进行降维处理，得到新的融合特征向量F_A：

针对每种人脸识别算法提取的样本人脸图像的特征向量进行融合处理，得到样本人脸图像的融合特征向量f_B，并通过PCA对融合特征向量f_B进行降维处理，得到新的融合特征向量F_B：

按照PLDA计算新的融合特征向量F_A与新的融合特征向量F_B的对比相似度，得到融合的对比相似度值；

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

8.根据权利要求6所述的***，其特征在于，所述第二确定模块具体用于：

预设每种人脸识别算法的权重系数；

根据每种人脸识别算法的对比相似度值及权重系数，得到融合的对比相似度值：

根据融合的对比相似度值及预设的对比相似度阈值，确定最终的识别结果。

9.根据权利要求6所述的***，其特征在于，所述第二确定模块具体用于：

确定识别成功的识别结果的数量以及所有识别结果的数量；

判断识别成功的识别结果的数量是否大于二分之一的所有识别结果的数量；

若识别成功的识别结果的数量大于二分之一的所有识别结果的数量，则确定最终的识别结果为识别成功；

若识别成功的识别结果的数量小于或等于二分之一的所有识别结果的数量，则确定最终的识别结果为识别失败。

10.根据权利要求6至9任一项所述的***，其特征在于，所述第二确定模块具体用于：

预先根据每种人脸识别算法对每类人脸图像进行识别，得到每种人脸识别算法对每类人脸图像的识别率；

确定所述待识别人脸图像及样本人脸图像所属的对象类型；

根据确定的对象类型及预先得到的每种人脸识别算法对每类人脸图像的识别率，选取该对象类型对应的识别率最高的人脸识别算法；

将选取的人脸识别算法得到的识别结果确定为最终的识别结果。