CN107808149A - 一种人脸信息标注方法、装置和存储介质 - Google Patents

Abstract

本发明实施例公开了一种人脸信息标注方法、装置和存储介质；本发明实施例在根据预设的校验样本集对待识别人脸信息进行识别，得到识别结果后，可以根据识别结果中所指示的待识别人脸信息与目标对象(即校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度，来对待识别人脸信息进行标注，并根据标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别；该方案不仅可以提高标注的处理效率，而且，可以避免误操作，提高识别效果。

Description

一种人脸信息标注方法、装置和存储介质

技术领域

本发明涉及通信技术领域，具体涉及一种人脸信息标注方法、装置和存储介质。

背景技术

人脸识别，也称为面部识别或脸部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。其具体可以通过摄像设备采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而将检测到的人脸与预设的校验样本进行匹配，以进行身份识别。由于人脸会根据时间的推移发生变化，因此，需要及时地对校验样本进行更新，才能保证人脸识别的准确性，以防止识别***出现明显的性能退化现象。

在现有技术中，一般都会通过对采集到的人脸信息进行人工审核和标注，并根据标注选择合适的人脸信息，来对校验样本进行更新，例如，具体可以通过人工从近期所采集到的人脸信息中，筛选出与校验样本匹配程度较高的人脸信息，进行身份审核和身份标识的标注，比如，对采集到的某员工的人脸信息进行审核，并对审核通过的人脸信息标注上其姓名、部门、以及工号等身份标识，然后，再根据该标注对相应的校验样本进行更新，以便后续可以采用该更新后的校验样本对该员工的人脸进行识别，等等。

在对现有技术的研究和实践过程中，本发明的发明人发现，由于现有方案需要对人脸信息进行人工审核和标注，因此，需要耗费较多的标注时间，导致处理效率较低，而且，极易出现误操作，影响识别效果。

发明内容

本发明实施例提供一种人脸信息标注方法、装置和存储介质；不仅可以提高标注的处理效率，而且，可以避免误操作，提高识别效果。

本发明实施例提供一种人脸信息标注方法，包括：

获取待识别人脸信息；

根据预设的校验样本集对所述待识别人脸信息进行识别，得到识别结果，所述识别结果包括目标对象、以及所述待识别人脸信息与所述目标对象的匹配程度，所述目标对象为所述校验样本集中与所述待识别人脸信息匹配程度最高的校验样本；

若所述待识别人脸信息与目标对象的匹配程度满足预设条件，则对所述待识别人脸信息进行标注，得到标注后人脸信息；

根据所述标注后人脸信息对校验样本集中的所述目标对象进行更新。

相应的，本发明实施例还提供一种人脸信息标注装置，包括：

获取单元，用于获取待识别人脸信息；

识别单元，用于根据预设的校验样本集对所述待识别人脸信息进行识别，得到识别结果，所述识别结果包括目标对象、以及所述待识别人脸信息与所述目标对象的匹配程度，所述目标对象为所述校验样本集中与所述待识别人脸信息匹配程度最高的校验样本；

标注单元，用于在所述待识别人脸信息与目标对象的匹配程度满足预设条件时，对所述待识别人脸信息进行标注，得到标注后人脸信息；

更新单元，用于根据所述标注后人脸信息对校验样本集中的所述目标对象进行更新。

此外，本发明实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至8任一项所述的人脸信息标注方法中的步骤。

本发明实施例在根据预设的校验样本集对待识别人脸信息进行识别，得到识别结果后，可以根据识别结果中所指示的待识别人脸信息与目标对象(即校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度，来对待识别人脸信息进行自动标注，并根据标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别；由于该方案可以自动进行审核和标注，并对校验样本集中的校验样本进行更新，因此，相对于现有只能人工进行审核和标注的方案而言，可以大大提高标注的处理效率，而且，还可以避免由于人工操作所导致的误操作，提高校验样本的准确性，进而有利于提高人脸识别的识别效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本发明实施例提供的人脸信息标注方法的场景示意图；

图1b是本发明实施例提供的人脸信息标注方法的流程图

图2a是本发明实施例提供的人脸信息标注***的场景示意图；

图2b是本发明实施例提供的人脸信息标注方法的框架图；

图2c是本发明实施例提供的人脸信息标注方法的另一流程图；

图3a是本发明实施例提供的人脸信息标注装置的结构示意图；

图3b是本发明实施例提供的人脸信息标注装置的另一结构示意图；

图4是本发明实施例提供的网络设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种人脸信息标注方法、装置和存储介质。其中，该人脸信息标注装置具体可以集成在服务器或服务器集群等网络设备中。

例如，以该人脸信息标注装置具体集成在服务器中为例，参见图1a，采集设备在采集到图像或视频后，可以从采集到的图像或视频中提取出相应的待识别人脸信息，然后，将该待识别人脸信息发送给服务器，由服务器根据预设的校验样本集对该待识别人脸信息进行识别，其中，识别结果可以包括目标对象、以及该待识别人脸信息与该目标对象(即该校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度等信息，此后，服务器可以将匹配程度满足预设条件的待识别人脸信息进行标注，并根据该标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别，从而实现校验样本集中的校验样本可以自动更新，以提高识别效果的目的。

以下分别进行详细说明。

实施例一、

本实施例将从人脸信息标注装置的角度进行描述，该人脸信息标注装置具体可以集成在网络设备，比如独立的服务器或服务集群等设备中，其中，该服务集群可以包括识别设备、云存储服务器、标注服务器、和训练服务器等。

一种人脸信息标注方法，包括：获取待识别人脸信息，根据预设的校验样本集对该待识别人脸信息进行识别，得到识别结果，该识别结果包括目标对象、以及该待识别人脸信息与该目标对象的匹配程度，该目标对象为该校验样本集中与该待识别人脸信息匹配程度最高的校验样本，若该待识别人脸信息与目标对象的匹配程度满足预设条件，则对该待识别人脸信息进行标注，得到标注后人脸信息，根据该标注后人脸信息对校验样本集中的该目标对象进行更新。

如图1b所示，该人脸信息标注方法还可以包括：

101、获取待识别人脸信息。

例如，具体可以通过采集部件采集图像或视频，然后从采集到的图像或视频中提取该待识别人脸信息；或者，也可以接收采集设备发送的图像或视频，然后，从采集到的图像或视频中提取该待识别人脸信息；又或者，还可以接收采集设备发送的待识别人脸信息，其中，该待识别人脸信息由该采集设备从采集到的图像或视频中提取而得到。

其中，该采集部件具体可以是摄像装置、如摄像模块或扫描模块等部件，而采集设备具体可以是终端，比如摄像头、摄像机、照相机、手机、平板电脑、笔记本电脑、和/或个人计算机(PC，Personal Computer)等。

需说明的是，从图像或视频中提取待识别人脸信息的方式可以有多种，比如，可以通过人脸检测技术，如参考模板法、人脸规则法、样品学习法、或肤色模型法等来从图像或视频中提取待识别人脸信息，或者，也可以通过人脸跟踪技术或人脸比对技术来从图像或视频中提取待识别人脸信息，等等，在此不再赘述。

102、根据预设的校验样本集对该待识别人脸信息进行识别，得到识别结果。

其中，该识别结果可以包括目标对象、以及该待识别人脸信息与该目标对象的匹配程度等信息，该目标对象为该校验样本集中与该待识别人脸信息匹配程度最高的校验样本。

其中，该预设的校验样本集可以包括多个校验样本，具体可以根据实际应用的需求进行设置；例如，以该校验样本集具体为注册库为例，该注册库可以用于存储各个应用***中已知的注册用户的人脸信息，比如，在通行闸机场景中，用户可以预先在通行闸机***中进行注册以请求基于人脸识别技术进行通行，那么注册库则用于存储这些注册用户的人脸信息；再比如，在门禁场景中，用户可以预先在门禁***中进行注册以请求使用人脸识别功能控制门禁，那么注册库则用于存储这些注册用户的人脸信息；等等。该校验样本集(如注册库)既可以放置于各互联网应用场景的服务器中，也可存储在其他设备如云存储服务器中，并提供给各互联网应用场景的服务器进行下载或调用，等等。

需说明的是，初始的校验样本可以由用户或维护人员预先进行设置，比如，可以在用户注册时，通过采集部件或采集设备采集用户的图像，从中提取出用户的人脸特征信息，并对该人脸特征信息标注上相应用户的身份标识，然后，保存为该身份标识对应的校验样本，等等；此后，为了保证该校验样本集中的校验样本的有效性，以及提高人脸识别的效果，可以实时或定时对该校验样本集中的校验样本进行更新，具体的更新方法可详见步骤104，在此暂不赘述。

其中，根据预设的校验样本集对该待识别人脸信息进行识别的方式可以有多种，例如，具体可以如下：

(1)获取人脸识别模型。

比如，具体可以从本地(即该人脸信息标注装置)中获取该人脸识别模型，或者，也可以从其他存储设备中获取该人脸识别模型。

其中，该人脸识别模型可以由维护人员预先进行建立，或者，也可以由该人脸信息标注装置自行进行建立，即在步骤“获取人脸识别模型”之前，该人脸信息标注方法还可以包括：

获取人脸识别初始模型、以及人脸数据库，根据该人脸数据库对该人脸识别初始模型进行训练，得到人脸识别模型。

比如，具体可以根据该人脸数据库，采用高维局部二值模式(LBP，Local BinaryPatterns)算法、主成分分析(PCA，principal components analysis)算法、线性判别分析(LDA，Linear Discriminate Analysis)联合贝叶斯算法、度量学习算法、迁移学习算法、或深度神经网络等算法对该人脸识别初始模型进行训练，得到人脸识别模型，等等，在此不再赘述。

其中，该人脸识别初始模型可以根据实际应用的需求由开发人员或维护人员预先进行建立，而该人脸数据库可以包括多个人脸样本，该人脸样本可以从预设的人脸数据库中，或从互联网上获取，等等。

(2)通过该人脸识别模型，将该待识别人脸信息与预设校验样本集中的校验样本分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度；例如，具体可以如下：

通过该人脸识别模型，对该待识别人脸信息进行人脸特征提取，得到第一特征信息；通过该人脸识别模型，对该校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息；将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度。

其中，该匹配程度可以通过相似度、评分或匹配等级等方式来体现。例如，以相似度为例，则此时，具体可以分别计算第一特征信息与各个校验样本对应的第二特征信息的相似度，将计算得到的相似度作为该待识别人脸信息与相应校验样本的匹配程度，比如，第一特征信息与校验样本X对应的第二特征信息的相似度，即可作为该待识别人脸信息与校验样本X的匹配程度，以此类推，等等。

又例如，以评分为例，可以为一定范围的相似度相应的设置一对应的分值，比如，若相似度为90％以上，则分值为10分，若相似度为80％至90％之间，则分值为9分，若相似度为70％至80％之间，则分值为8分，若相似度为60％至70％之间，则分值为7分，以此类推，等等。

可选的，还可以不设置具体的分值，而是为一定范围的相似度划分相应的匹配等级，比如，若相似度为90％以上，则匹配等级为“高”，若相似度为60％至90％之间，则匹配等级为“中”，若相似度为60％以下，则匹配等级为“低”，等等。

其中，分值和匹配等级的具体划分可以实际应用的需求而定，在此不再赘述。

(3)将匹配程度最高的校验样本确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度作为识别结果。

例如，若该待识别人脸信息与校验样本X1的匹配程度为10分，与校验样本X2的匹配程度为7分，与检验样本X3的匹配程度为3分，则此时，可以将校验样本X1确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度(即10分)作为识别结果。

需说明的是，若存在多个匹配程度最高的校验样本，则此时，可以从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，或者，也可以按照其他的选取策略从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，等等，在此不再赘述。

103、若该待识别人脸信息与目标对象的匹配程度满足预设条件，则对该待识别人脸信息进行标注，得到标注后人脸信息。

例如，若该待识别人脸信息与目标对象的匹配程度高于预设阈值，则获取该目标对象的身份标识，为该待识别人脸信息标注上该目标对象的身份标识，得到标注后人脸信息。

其中，该身份标识可以包括该目标对象的名字、帐号、编号、工号和/或身份证号码等信息，此外，还可以包括其他的备注信息，比如部门信息、联系方式和/或职位信息等。

可选的，在对该待识别人脸信息进行标注，得到标注后人脸信息之后，还可以将该标注后人脸信息添加至已标注数据集中，根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新。

104、根据该标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以采用该更新后的校验样本集进行人脸识别。

其中，更新的方式可以有多种，例如，具体可以采用如下任意一种方式：

(1)第一种方式；

将校验样本集中的该目标对象替换为该标注后人脸信息。

比如，若注册用户A在校验样本集中目标对象为“校验样本1”，则此时，可以在校验样本集中，将校验样本1替换为标注后人脸信息，等等。

(2)第二种方式；

按照预设算法计算该标注后人脸信息和该目标对象的均值，将校验样本集中的该目标对象替换为将该均值。

其中，该预设算法可以根据实际应用的需求进行设置，比如，可以直接计算该标注后人脸信息和该目标对象的均值；或者，也可以将该标注后人脸信息和该目标对象分别乘以相应的权重，得到加权后的标注后人脸信息和加权后的目标对象，然后，再计算加权后的标注后人脸信息和加权后的目标对象的均值，等等，在此不再赘述。

由上可知，本实施例在根据预设的校验样本集对待识别人脸信息进行识别，得到识别结果后，可以根据识别结果中所指示的待识别人脸信息与目标对象(即校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度，来对待识别人脸信息进行自动标注，并根据标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别；由于该方案可以自动进行审核和标注，并对校验样本集中的校验样本进行更新，因此，相对于现有只能人工进行审核和标注的方案而言，可以大大提高标注的处理效率，而且，还可以避免由于人工操作所导致的误操作，提高校验样本的准确性，进而有利于提高人脸识别的识别效果。

实施例二、

根据上一个实施例所描述的方法，以下将举例作进一步详细说明。

在本实施例中，将以该人脸信息标注装置具体集成在服务器集群为例进行说明。其中，该服务器集群可以包括多个不同的设备，该多个设备可以协同执行该人脸信息标注方法中的步骤。需说明的是，该服务器集群中各个设备之间的功能分配可以根据实际应用的需求进行设置，比如，可以由识别设备来对待识别人脸信息进行识别，由云存储服务器来保存数据，由标注服务器来对待识别人脸信息进行标注，由训练服务器来人脸识别模型进行训练，等等，以下将进行详细说明。

如图2a所示，该图为人脸识别***的一个场景示意图。该人脸识别***除了可以包括服务器集群之外，还可以包括其他的设备，比如采集设备和应用设备等，其中，各个设备的功能具体可以如下：

(1)采集设备；

采集设备，用于采集图像或视频，并从采集到的图像或视频中提取出待识别人脸信息，将待识别人脸信息提供给识别设备。

其中，采集设备具体可以为是终端，比如摄像头、摄像机、照相机、手机、平板电脑、笔记本电脑、和/或PC等。

(2)服务器集群；

该服务器集群可以包括多个设备，为了描述方便，在本实施例中，将以该服务器集群包括识别设备、云存储服务器、标注服务器和训练服务器等设备为例进行说明，其中，各个设备的功能具体可以如下：

A、识别设备；

识别设备，用于接收采集设备发送的待识别人脸信息，从训练服务器获取人脸识别模型，以及从云存储服务器获取校验样本集，然后，采用该人脸识别模型，根据该校验样本集对该待识别人脸信息进行识别，得到识别结果，其中，该识别结果包括目标对象、以及该待识别人脸信息与该目标对象的匹配程度，然后，一方面，将识别结果发送给应用设备，以便应用设备根据该识别结果进行处理，另一方面，将该待识别人脸信息、以及对应的识别结果发送给云存储服务器，以进行保存。

其中，所谓目标对象，指的是在该校验样本集中，与该待识别人脸信息匹配程度最高的校验样本。需说明的是，若存在多个匹配程度最高的校验样本，则此时，可以从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，或者，也可以按照其他的选取策略从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，等等，在此不再赘述。

需说明的是，该识别设备除了可以布局在服务器侧之外，也可以安装在终端中，或者，也可以与采集设备集成在同一实体中，在此不再赘述。

B、云存储服务器；

云存储服务器，用于保存校验样本集，将校验样本集提供给识别设备，并接收识别设备返回的待识别人脸信息、以及该待识别人脸信息相应的识别结果，保存并将该待识别人脸信息、以及该待识别人脸信息相应的识别结果发送给标注服务器；此后，还可以接收标注服务器返回的标注后人脸信息，根据该标注后人脸信息对校验样本集中的该目标对象进行更新。

可选的，云存储服务器，还可以用于将该标注后人脸信息添加至已标注数据集中，并将已标注数据集提供给训练服务器，以进行模型的训练。

可选的，为了节省网络资源，云存储服务器在将已标注数据集提供给训练服务器时，除了可以将整个已标注数据集提供给训练服务器之外，也可以只将已标注数据集中新增的已标注人脸信息提供给训练服务器，在此不再赘述。

C、标注服务器；

标注服务器，用于接收云存储服务器发送的待识别人脸信息、以及该待识别人脸信息相应的识别结果，其中，该识别结果包括目标对象、以及该待识别人脸信息与目标对象的匹配程度，若该待识别人脸信息与目标对象的匹配程度满足预设条件，则对该待识别人脸信息进行标注，得到标注后人脸信息，将标注后人脸信息发送给云存储服务器，以进行保存。

D、训练服务器；

训练服务器，用于获取人脸识别初始模型、以及人脸数据库，根据该人脸数据库对该人脸识别初始模型进行训练，得到人脸识别模型，将该人脸识别模型发送给识别设备。

其中，该人脸识别初始模型可以根据实际应用的需求由开发人员或维护人员预先进行建立，而该人脸数据库可以包括多个人脸样本，该人脸样本可以从预设的人脸数据库中，或从互联网上获取，等等。

可选的，该训练服务器，还可以用于从云储存服务器获取已标注数据集，根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新。

(3)应用设备；

应用设备，用于接收识别设备发送的识别结果，根据该识别结果进行预设操作，比如，进行门禁开关的控制、或打卡机操作，等等。

基于上述人脸识别***的架构，以下将对其执行流程进行详细说明。

如图2b所示，一种人脸信息标注方法，具体流程可以如下：

201、采集设备采集图像或视频，并从采集到的图像或视频中提取出待识别人脸信息，将待识别人脸信息提供给识别设备。

例如，具体可以由采集设备监测进入至图像采集区域的待识别用户，并对该待识别用户进行拍照或录像，得到关于该待识别用户的图像或视频，然后，从采集到的图像或视频中提取出待识别人脸信息，将待识别人脸信息提供给识别设备，等等。

其中，图像采集区域可以包括通行闸机的请求区域、门禁的请求区域、自助***的操作区域、和/或身份鉴权的操作区域等，而采集设备则具体可以为是终端，比如摄像头、摄像机、照相机、手机、平板电脑、笔记本电脑、和/或PC等。

需说明的是，采集设备也可以将采集到的图像或视频发送给识别设备，由识别设备从接受到的图像或视频中提取出待识别人脸信息，为了描述方便，在本实施例将均以由采集设备提取待识别人脸信息为例进行说明，在此不再赘述。

其中，从图像或视频中提取待识别人脸信息的方式可以有多种，比如，可以通过人脸检测技术，如参考模板法、人脸规则法、样品学习法、或肤色模型法等来从图像或视频中提取待识别人脸信息，或者，也可以通过人脸跟踪技术或人脸比对技术来从图像或视频中提取待识别人脸信息，等等，在此不作限定。

202、识别设备在接收到采集设备发送的待识别人脸信息后，从云存储服务器获取校验样本集。

其中，该预设的校验样本集可以包括多个校验样本，具体可以根据实际应用的需求进行设置。

需说明的是，初始的校验样本可以由用户或维护人员预先进行设置，比如，可以在用户注册时，通过采集部件或采集设备采集用户的图像，从中提取出用户的人脸特征信息，并对该人脸特征信息标注上相应用户的身份标识，然后，保存为该身份标识对应的校验样本，等等。

例如，该校验样本集的结构可如表一所述。

表一：

需要说明的是，上述表一仅为举例，该校验样本集还可以采用其他非表格的存储方式，例如数组等；另外，表一中的各项数据仅为举例；可以理解的是，如果用户图像中仅包括一幅图像，那么对应的人脸特征信息可由该图像直接计算得到；如果用户图像中包括一幅以上图像，那么对应的人脸特征信息则可以由各图像计算得到的特征值求平均后得到的值，在此不再赘述。

此后，为了保证该校验样本集中的校验样本的有效性，以及提高人脸识别的效果，可以实时或定时对该校验样本集中的校验样本进行更新，比如，可参见步骤211，在此暂不赘述。

203、识别设备从训练服务器获取人脸识别模型。

其中，该人脸识别模型可以由维护人员预先进行建立，或者，也可以由该人脸信息标注装置自行进行建立，即在步骤“识别设备从训练服务器获取人脸识别模型”之前，该人脸信息标注方法还可以包括：

训练服务器获取人脸识别初始模型、以及人脸数据库，根据该人脸数据库对该人脸识别初始模型进行训练，得到人脸识别模型。

比如，训练服务器具体可以根据该人脸数据库，采用LBP算法、PCA算法、LDA联合贝叶斯算法、度量学习算法、迁移学习算法、或深度神经网络等算法对该人脸识别初始模型进行训练，得到人脸识别模型，等等，在此不再赘述。

其中，该人脸识别初始模型可以根据实际应用的需求由开发人员或维护人员预先进行建立，而该人脸数据库可以包括多个人脸样本，该人脸样本可以从预设的人脸数据库中，或从互联网上获取，比如可以从互联网上许多公开的人脸数据库中获取，或者从历史实践中采集并积累用户的人脸数据而形成的历史人脸数据库中获取，或者预先在将要执行人脸识别的应用场景处设立采集设备，安排工作人员提前采集一些已知用户的人脸数据以建立该人脸数据库，然后从该建立的人脸数据库中获取，等等。

需说明的是，步骤202和203的执行可以不分先后。

204、识别设备通过该人脸识别模型，将该待识别人脸信息与预设校验样本集中的校验样本分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度；例如，参见图2c，具体可以如下：

(1)识别设备通过该人脸识别模型，对该待识别人脸信息进行人脸特征提取，得到第一特征信息。

其中，人脸特征指的是可以用于定位面部各关键区域位置，比如眉毛、眼睛、鼻子、嘴巴、以及脸部轮廓等部位的位置的信息，比如，具体可以包括2个眼球中心点、4个眼角点、两鼻孔的中点和2个嘴角点，等等，在此不再赘述。

(2)识别设备通过该人脸识别模型，对该校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息。

例如，以该校验样本中包括校验样本1、校验样本2、校验样本3、以及校验样本4，……为例，则识别设备具体可以通过该人脸识别模型，分别对校验样本1、校验样本2、校验样本3、以及校验样本4……等等进行人脸特征提取，分别得到这些校验样本对应的第二特征信息，具体可参见表二。

表二：

校验样本	第二特征信息	……
			校验样本1	第二特征信息1	……
校验样本2	第二特征信息2	……
			校验样本3	第二特征信息3
校验样本4	第二特征信息4
			……	……	……

由表二可知，校验样本1的第二特征信息为“第二特征信息1”，校验样本2的第二特征信息为“第二特征信息2”，校验样本3的第二特征信息为“第二特征信息3”，校验样本4的第二特征信息为“第二特征信息4”，等等。

需说明的是，如果在校验样本集中，已经保存了各校验样本的人脸特征信息的话，则此时，也可以直接从校验样本集中获取所需校验样本对应的人脸特征信息，而无需再通过该人脸识别模型，对该校验样本集中的校验样本进行人脸特征提取。

(3)识别设备将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度，比如，可参见图2c。

例如，若在步骤(2)中，得到校验样本1的第二特征信息为“第二特征信息1”，校验样本2的第二特征信息为“第二特征信息2”，校验样本3的第二特征信息为“第二特征信息3”，校验样本4的第二特征信息为“第二特征信息4”，则此时，可以执行如下操作：

将第一特征信息与“第二特征信息1”进行比对，得到该待识别人脸信息与校验样本1的匹配程度；

将第一特征信息与“第二特征信息2”进行比对，得到该待识别人脸信息与校验样本2的匹配程度；

将第一特征信息与“第二特征信息3”进行比较，得到该待识别人脸信息与校验样本3的匹配程度；

将第一特征信息与“第二特征信息4”进行比对，得到该待识别人脸信息与校验样本4的匹配程度；

以此类推，等等。

其中，该匹配程度可以通过相似度、评分或匹配等级等方式来体现。例如，以相似度为例，则此时，具体可以分别计算第一特征信息与各个校验样本对应的第二特征信息的相似度，将计算得到的相似度作为该待识别人脸信息与相应校验样本的匹配程度，比如，第一特征信息与第二特征信息1的相似度，即可作为该待识别人脸信息与校验样本1的匹配程度，第一特征信息与第二特征信息2的相似度，即可作为该待识别人脸信息与校验样本2的匹配程度，以此类推，等等。

又例如，以评分为例，可以为一定范围的相似度相应的设置一对应的分值，比如，以相似度为90％以上，对应分值为满分5分，相似度为70％至90％之间，对应分值为4分，相似度为50％至70％之间，对应分值为3分，相似度为30％至50％之间，对应分值为2分，相似度为10％至30％之间，对应分值为1分，相似度为0％至10％之间，对应分值为0分为例进行说明，则若第一特征信息与第二特征信息1的相似度为85％，那么，便可以确定该待识别人脸信息与校验样本1的匹配程度为5分，同理，若第一特征信息与第二特征信息2的相似度为53％，第一特征信息与二特性信息3的相似度为18％那么，便可以确定该待识别人脸信息与校验样本1的匹配程度为3分，以及确定该待识别人脸信息与校验样本3的匹配程度为1分，以此类推，等等。

可选的，还可以不设置具体的分值，而是为一定范围的相似度划分相应的匹配等级，比如，若相似度为90％以上，则匹配等级为“高”，若相似度为60％至90％之间，则匹配等级为“中”，若相似度为60％以下，则匹配等级为“低”，等等。

其中，分值和匹配等级的具体划分可以实际应用的需求而定，在此不再赘述。

205、识别设备将匹配程度最高的校验样本确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度作为识别结果。

例如，若该待识别人脸信息与校验样本1的匹配程度为5分，与校验样本2的匹配程度为3分，与检验样本3的匹配程度为1分，则此时，可以将校验样本1确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度(即5分)作为识别结果。

比如，若校验样本1的身份标识为“财务部，张三，工号00001”，则此时，便可以确定该待识别人脸信息所属用户的身份为“财务部，张三，工号00001”，以此类推，等等。

需说明的是，若存在多个匹配程度最高的校验样本，则此时，可以从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，或者，也可以按照其他的选取策略从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，等等，在此不再赘述。

206、识别设备将该待识别人脸信息、以及相应的识别结果发送给云存储服务器。

例如，若在步骤205中，将校验样本1确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度，即5分作为识别结果，则此时，可以将该待识别人脸信息、校验样本1、以及“5分”发送给云存储服务器。

207、云存储服务器在接收到该待识别人脸信息、以及相应的识别结果后，对该待识别人脸信息、以及相应的识别结果进行保存，并将该待识别人脸信息、以及相应的识别结果发送给批注服务器。

208、批注服务器在接收到该待识别人脸信息、以及相应的识别结果后，确定该待识别人脸信息与目标对象的匹配程度是否满足预设条件，若是，则执行步骤209，若否，则忽略该待识别人脸信息、以及相应的识别结果。

例如，批注服务器具体可以确定该待识别人脸信息与目标对象的匹配程度是否高于预设阈值，若是，则执行步骤209，若否，则忽略该待识别人脸信息、以及相应的识别结果。

可选的，在该待识别人脸信息与目标对象的匹配程度小于等于预设阈值时，除了可以直接忽略该待识别人脸信息之外，也可以采用其他的处理方式，比如，可以将该待识别人脸信息添加至校验样本集中，并人工标注上相应的身份标识，等等。

其中，该预设阈值可以根据实际应用的需求进行设置，比如，还是以匹配程度具体体现为“评分”，且该预设阈值为4分为例，由于该待识别人脸信息与目标对象(即校验样本1)的匹配程度为“5分”，所以，此时可以确定该匹配程度满足预设条件，进而可以执行步骤209。

可选的，在确定该待识别人脸信息与目标对象的匹配程度不满足预设条件时，还可以生成相应的提示信息，以提醒用户该待识别人脸信息与目标对象的匹配程度不满足预设条件，具体提示内容可以根据实际应用的需求进行设置，在此不再赘述。

209、批注服务器在确定该待识别人脸信息与目标对象的匹配程度满足预设条件时，对该待识别人脸信息进行标注，得到标注后人脸信息。

例如，参见图2c，若该待识别人脸信息与目标对象的匹配程度高于预设阈值，则获取该目标对象的身份标识，为该待识别人脸信息标注上该目标对象的身份标识，得到标注后人脸信息。

其中，该身份标识可以包括该目标对象的名字、帐号、编号、工号和/或身份证号码等信息，此外，还可以包括其他的备注信息，比如部门信息、联系方式和/或职位信息等。

比如，以目标对象为“校验样本1”为例，若校验样本1的身份标识为“财务部，张三，工号00001”，则此时，便可以为该待识别人脸信息所标注上“财务部，张三，工号00001”，以此类推，等等。

210、批注服务器将该标注后人脸信息发送给云存储服务器。

211、云存储服务器在接收到该标注后人脸信息后，可以根据该标注后人脸信息对校验样本集中的该目标对象进行更新。

例如，具体可以直接根据标注后人脸信息对校验样本集中的该目标对象进行更新，或者，如图2c所示，也可以先将该标注后人脸信息添加至已标注数据集中，然后，由云存储服务器根据该已标注数据集对校验样本集中的该目标对象进行更新，等等。

其中，更新的方式可以有多种，例如，具体可以采用如下任意一种方式：

(1)第一种方式；

云存储服务器将校验样本集中的该目标对象替换为该标注后人脸信息。

比如，若注册用户“张三”在校验样本集中原有的校验样本为“校验样本1”，则此时，可以在校验样本集中，将校验样本1替换为该标注后人脸信息，等等。

(2)第二种方式；

云存储服务器按照预设算法计算该标注后人脸信息和该目标对象的均值，将校验样本集中的该目标对象替换为将该均值。

比如，还是以注册用户“张三”为例，若注册用户“张三”在校验样本集中原有的校验样本为“校验样本1”，则此时，可以按照预设算法计算“校验样本1”和“标注后人脸信息”的均值，然后，在该校验样本集中，将校验样本1替换为该均值，等等。

其中，该预设算法可以根据实际应用的需求进行设置，比如，可以直接计算该标注后人脸信息和该目标对象的均值；或者，也可以将该标注后人脸信息和该目标对象分别乘以相应的权重，得到加权后的标注后人脸信息和加权后的目标对象，然后，再计算加权后的标注后人脸信息和加权后的目标对象的均值，等等，在此不再赘述。

可选的，如图2c所示，云存储服务器还可以将该标注后人脸信息添加至已标注数据集中，然后，由云存储服务器将该已标注数据集提供给训练服务器，由训练服务器根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新，具体的更新方法可参见上一个实施例，在此不再赘述。

由上可知，本实施例在根据预设的校验样本集对待识别人脸信息进行识别，得到识别结果后，可以根据识别结果中所指示的待识别人脸信息与目标对象(即校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度，来对待识别人脸信息进行自动标注，并根据标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别；由于该方案可以自动进行审核和标注，并对校验样本集中的校验样本进行更新，因此，相对于现有只能人工进行审核和标注的方案而言，可以大幅度降低标注成本，大大提高标注的处理效率，以及提高标注操作的可行性和易操作性，此外，还可以避免由于人工操作所导致的误操作，提高校验样本的准确性，进而有利于提高人脸识别的识别效果。

另外，由于实际采集的用户的人脸信息能够从场景、角度、光线、清晰度等各个方面和使用场景达到最大程度的贴合，因此，据此进行更新后的校验样本集中的数据与实际数据可以趋于“同源”，所以，即使用户外形逐渐发生变化，校验样本集中的校验样本也能保持其相应的人脸特征信息与当前用户相似，可以避免该人脸识别***产生明显的性能退化，提高识别性能；而且，由于更新校验样本集所耗费的时间较短，实时性较优，因此，能够根据用户实际使用情况进行迅速调整，有利于提升用户的使用体验

实施例三、

为了更好地实施以上方法，本发明实施例还提供一种人脸信息标注装置，如图3a所示，该人脸信息标注装置可以包括获取单元301、识别单元302、标注单元303、以及更新单元304，具体可以如下：

(1)获取单元301；

获取单元301，用于获取待识别人脸信息。

例如，获取单元301，具体可以通过采集部件采集图像或视频，然后从采集到的图像或视频中提取该待识别人脸信息；或者，也可以接收采集设备发送的图像或视频，然后，从采集到的图像或视频中提取该待识别人脸信息；又或者，还可以接收采集设备发送的待识别人脸信息，其中，该待识别人脸信息由该采集设备从采集到的图像或视频中提取而得到。

其中，该采集部件具体可以是摄像装置、如摄像模块或扫描模块等部件，而采集设备具体可以是终端，比如摄像头、摄像机、照相机、手机、平板电脑、笔记本电脑、和/或PC等。

(2)识别单元302；

识别单元302，用于根据预设的校验样本集对该待识别人脸信息进行识别，得到识别结果。

其中，该识别结果可以包括目标对象、以及该待识别人脸信息与该目标对象的匹配程度等信息，该目标对象为该校验样本集中与该待识别人脸信息匹配程度最高的校验样本。

其中，该预设的校验样本集可以包括多个校验样本，具体可以根据实际应用的需求进行设置；需说明的是，初始的校验样本可以由用户或维护人员预先进行设置，比如，可以在用户注册时，通过采集部件或采集设备采集用户的图像，从中提取出用户的人脸特征信息，并对该人脸特征信息标注上相应用户的身份标识，然后，保存为该身份标识对应的校验样本，等等。

其中，根据预设的校验样本集对该待识别人脸信息进行识别的方式可以有多种，例如，该识别单元302可以包括获取子单元、匹配子单元和确定子单元，如下：

获取子单元，可以用于获取人脸识别模型。

比如，获取子单元具体可以从本地(即该人脸信息标注装置)中获取该人脸识别模型，或者，也可以从其他存储设备中获取该人脸识别模型。

匹配子单元，可以用于通过该人脸识别模型，将该待识别人脸信息与预设校验样本集中的校验样本分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度。

例如，该匹配子单元，具体可以用于：通过该人脸识别模型，对该待识别人脸信息进行人脸特征提取，得到第一特征信息；通过该人脸识别模型，对该校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息；将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度。

其中，该匹配程度可以通过相似度、评分或匹配等级等方式来体现，具体可参见前面的方法实施例，在此不再赘述。

确定子单元，可以用于将匹配程度最高的校验样本确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度作为识别结果。

需说明的是，若存在多个匹配程度最高的校验样本，则此时，确定子单元可以从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，或者，也可以按照其他的选取策略从该多个匹配程度最高的校验样本中随机选取一个作为该待识别人脸信息的目标对象，等等，在此不再赘述。

其中，人脸识别模型可以由维护人员预先进行建立，或者，也可以由该人脸信息标注装置自行进行建立，比如，如图3b所示，该人脸信息标注装置还可以训练单元306，如下：

训练单元306，可以用于获取人脸识别初始模型、以及人脸数据库，根据该人脸数据库对该人脸识别初始模型进行训练，得到人脸识别模型。

其中，该人脸识别初始模型可以根据实际应用的需求由开发人员或维护人员预先进行建立，而该人脸数据库可以包括多个人脸样本，该人脸样本可以从预设的人脸数据库中，或从互联网上获取，等等。

(3)标注单元303；

标注单元303，用于在该待识别人脸信息与目标对象的匹配程度满足预设条件时，对该待识别人脸信息进行标注，得到标注后人脸信息。

例如，该标注单元，具体可以用于在该待识别人脸信息与目标对象的匹配程度高于预设阈值时，获取该目标对象的身份标识，为该待识别人脸信息标注上该目标对象的身份标识，得到标注后人脸信息。

其中，该身份标识可以包括该目标对象的名字、帐号、编号、工号和/或身份证号码等信息，此外，还可以包括其他的备注信息，比如部门信息、联系方式和/或职位信息等。

(4)更新单元304；

更新单元304，用于根据该标注后人脸信息对校验样本集中的该目标对象进行更新。

这样，后续识别单元302可以便可以采用该更新后的校验样本集进行人脸识别。

其中，更新的方式可以有多种，例如，具体可以采用如下任意一种方式：

该更新单元304，具体可以用于将校验样本集中的该目标对象替换为该标注后人脸信息。

或者，该更新单元304，具体可以用于按照预设算法计算该标注后人脸信息和该目标对象的均值，将校验样本集中的该目标对象替换为将该均值。

其中，该预设算法可以根据实际应用的需求进行设置，比如，可以直接计算该标注后人脸信息和该目标对象的均值；或者，也可以将该标注后人脸信息和该目标对象分别乘以相应的权重，得到加权后的标注后人脸信息和加权后的目标对象，然后，再计算加权后的标注后人脸信息和加权后的目标对象的均值，等等，在此不再赘述。

可选的，在对该待识别人脸信息进行标注，得到标注后人脸信息之后，还可以将该标注后人脸信息添加至已标注数据集中，根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新；即如图3b所示，该人脸信息标注装置还可以包括添加单元305，如下：

该添加单元305，用于将该标注后人脸信息添加至已标注数据集中；

则此时，训练单元306，还可以用于根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新。

例如，该训练单元306，具体可以用于对已标注数据集中的标注后人脸信息进行预处理，得到增量人脸信息，获取历史训练人脸信息，该历史训练人脸信息为已标注且已用于人脸识别模型训练的人脸信息，根据该增量人脸信息和历史训练人脸信息确定训练样本，根据该训练样本对人脸识别模型进行训练，以对所述人脸识别模型进行更新。

比如，该训练单元306，具体可以用于获取历史训练人脸信息列表，该历史训练人脸信息列表保存有历史训练人脸信息，根据该增量人脸信息生成增量人脸信息列表，将该增量人脸信息列表与所述历史训练人脸信息列表进行合并后，将合并后列表中的信息的顺序按照预设规则进行排序，得到训练样本列表，根据该训练样本列表对人脸识别模型进行训练，以对该人脸识别模型进行更新。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本实施例的人脸信息标注装置在由识别单元302根据预设的校验样本集对待识别人脸信息进行识别，得到识别结果后，可以由标注单元303根据识别结果中所指示的待识别人脸信息与目标对象(即校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度，来对待识别人脸信息进行自动标注，并由更新单元304根据标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别；由于该方案可以自动进行审核和标注，并对校验样本集中的校验样本进行更新，因此，相对于现有只能人工进行审核和标注的方案而言，可以大大提高标注的处理效率，而且，还可以避免由于人工操作所导致的误操作，提高校验样本的准确性，进而有利于提高人脸识别的识别效果。

实施例四、

本发明实施例还提供一种网络设备，如图4所示，其示出了本发明实施例所涉及的网络设备的结构示意图，具体来讲：

该网络设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的网络设备结构并不构成对网络设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该网络设备的控制中心，利用各种接口和线路连接整个网络设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行网络设备的各种功能和处理数据，从而对网络设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据网络设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

网络设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理***与处理器401逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该网络设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，网络设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，网络设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

获取待识别人脸信息，根据预设的校验样本集对该待识别人脸信息进行识别，得到识别结果，该识别结果包括目标对象、以及该待识别人脸信息与该目标对象的匹配程度，该目标对象为该校验样本集中与该待识别人脸信息匹配程度最高的校验样本，若该待识别人脸信息与目标对象的匹配程度满足预设条件，则对该待识别人脸信息进行标注，得到标注后人脸信息，根据该标注后人脸信息对校验样本集中的该目标对象进行更新。

例如，具体可以获取人脸识别模型，通过该人脸识别模型，对该待识别人脸信息进行人脸特征提取，得到第一特征信息；通过该人脸识别模型，对该校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息；将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度，然后，将匹配程度最高的校验样本确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度作为识别结果。

可选的，在对该待识别人脸信息进行标注，得到标注后人脸信息之后，还可以将该标注后人脸信息添加至已标注数据集中，根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本实施例的网络设备在根据预设的校验样本集对待识别人脸信息进行识别，得到识别结果后，可以根据识别结果中所指示的待识别人脸信息与目标对象(即校验样本集中与该待识别人脸信息匹配程度最高的校验样本)的匹配程度，来对待识别人脸信息进行自动标注，并根据标注后人脸信息对校验样本集中的该目标对象进行更新，以便后续可以以该更新后的目标对象为依据，对人脸进行识别；由于该方案可以自动进行审核和标注，并对校验样本集中的校验样本进行更新，因此，相对于现有只能人工进行审核和标注的方案而言，可以大大提高标注的处理效率，而且，还可以避免由于人工操作所导致的误操作，提高校验样本的准确性，进而有利于提高人脸识别的识别效果。

实施例五、

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种人脸信息标注方法中的步骤。例如，该指令可以执行如下步骤：

获取待识别人脸信息，根据预设的校验样本集对该待识别人脸信息进行识别，得到识别结果，该识别结果包括目标对象、以及该待识别人脸信息与该目标对象的匹配程度，该目标对象为该校验样本集中与该待识别人脸信息匹配程度最高的校验样本，若该待识别人脸信息与目标对象的匹配程度满足预设条件，则对该待识别人脸信息进行标注，得到标注后人脸信息，根据该标注后人脸信息对校验样本集中的该目标对象进行更新。

例如，具体可以获取人脸识别模型，通过该人脸识别模型，对该待识别人脸信息进行人脸特征提取，得到第一特征信息；通过该人脸识别模型，对该校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息；将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到该待识别人脸信息与各个校验样本的匹配程度，然后，将匹配程度最高的校验样本确定为该待识别人脸信息的目标对象，并将该目标对象、以及该待识别人脸信息与该目标对象的匹配程度作为识别结果。

可选的，该指令还可以执行如下步骤：

在对该待识别人脸信息进行标注，得到标注后人脸信息之后，还可以将该标注后人脸信息添加至已标注数据集中，根据该已标注数据集对人脸识别模型进行训练，以对该人脸识别模型进行更新。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种人脸信息标注方法中的步骤，因此，可以实现本发明实施例所提供的任一种人脸信息标注方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明实施例所提供的一种人脸信息标注方法、装置和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种人脸信息标注方法，其特征在于，包括：

获取待识别人脸信息；

根据预设的校验样本集对所述待识别人脸信息进行识别，得到识别结果，所述识别结果包括目标对象、以及所述待识别人脸信息与所述目标对象的匹配程度，所述目标对象为所述校验样本集中与所述待识别人脸信息匹配程度最高的校验样本；

若所述待识别人脸信息与目标对象的匹配程度满足预设条件，则对所述待识别人脸信息进行标注，得到标注后人脸信息；

根据所述标注后人脸信息对校验样本集中的所述目标对象进行更新。

2.根据权利要求1所述的方法，其特征在于，所述根据预设的校验样本集对所述待识别人脸信息进行识别，得到识别结果，包括：

获取人脸识别模型；

通过所述人脸识别模型，将所述待识别人脸信息与预设校验样本集中的校验样本分别进行匹配，得到所述待识别人脸信息与各个校验样本的匹配程度；

将匹配程度最高的校验样本确定为所述待识别人脸信息的目标对象，并将所述目标对象、以及所述待识别人脸信息与所述目标对象的匹配程度作为识别结果。

3.根据权利要求2所述的方法，其特征在于，所述通过所述人脸识别模型，将所述待识别人脸信息与预设校验样本集中的校验样本分别进行匹配，得到所述待识别人脸信息与各个校验样本的匹配程度，包括：

通过所述人脸识别模型，对所述待识别人脸信息进行人脸特征提取，得到第一特征信息；

通过所述人脸识别模型，对所述校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息；

将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到所述待识别人脸信息与各个校验样本的匹配程度。

4.根据权利要求1所述的方法，其特征在于，所述若所述待识别人脸信息与目标对象的匹配程度满足预设条件，则对所述待识别人脸信息进行标注，得到标注后人脸信息，包括：

若所述待识别人脸信息与目标对象的匹配程度高于预设阈值，则获取所述目标对象的身份标识；

为所述待识别人脸信息标注上所述目标对象的身份标识，得到标注后人脸信息。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述标注后人脸信息对校验样本集中的所述目标对象进行更新，包括：

将校验样本集中的所述目标对象替换为所述标注后人脸信息。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述标注后人脸信息对校验样本集中的所述目标对象进行更新，包括：

按照预设算法计算所述标注后人脸信息和所述目标对象的均值；

将校验样本集中的所述目标对象替换为将所述均值。

7.根据权利要求2所述的方法，其特征在于，所述对所述待识别人脸信息进行标注，得到标注后人脸信息之后，还包括：

将所述标注后人脸信息添加至已标注数据集中；

根据所述已标注数据集对人脸识别模型进行训练，以对所述人脸识别模型进行更新。

8.根据权利要求2所述的方法，其特征在于，所述获取人脸识别模型之前，还包括：

获取人脸识别初始模型、以及人脸数据库，所述人脸数据库包括多个人脸样本；

根据所述人脸数据库对所述人脸识别初始模型进行训练，得到人脸识别模型。

9.一种人脸信息标注装置，其特征在于，包括：

获取单元，用于获取待识别人脸信息；

识别单元，用于根据预设的校验样本集对所述待识别人脸信息进行识别，得到识别结果，所述识别结果包括目标对象、以及所述待识别人脸信息与所述目标对象的匹配程度，所述目标对象为所述校验样本集中与所述待识别人脸信息匹配程度最高的校验样本；

标注单元，用于在所述待识别人脸信息与目标对象的匹配程度满足预设条件时，对所述待识别人脸信息进行标注，得到标注后人脸信息；

更新单元，用于根据所述标注后人脸信息对校验样本集中的所述目标对象进行更新。

10.根据权利要求9所述的装置，其特征在于，所述识别单元包括获取子单元、匹配子单元和确定子单元；

所述获取子单元，用于获取人脸识别模型；

匹配子单元，用于通过所述人脸识别模型，将所述待识别人脸信息与预设校验样本集中的校验样本分别进行匹配，得到所述待识别人脸信息与各个校验样本的匹配程度；

确定子单元，用于将匹配程度最高的校验样本确定为所述待识别人脸信息的目标对象，并将所述目标对象、以及所述待识别人脸信息与所述目标对象的匹配程度作为识别结果。

11.根据权利要求10所述的装置，其特征在于，所述匹配子单元，具体用于：

通过所述人脸识别模型，对所述待识别人脸信息进行人脸特征提取，得到第一特征信息；

通过所述人脸识别模型，对所述校验样本集中的校验样本进行人脸特征提取，得到各个校验样本对应的第二特征信息；

将第一特征信息与各个校验样本对应的第二特征信息分别进行匹配，得到所述待识别人脸信息与各个校验样本的匹配程度。

12.根据权利要求9所述的装置，其特征在于，

所述标注单元，具体用于在所述待识别人脸信息与目标对象的匹配程度高于预设阈值时，获取所述目标对象的身份标识，为所述待识别人脸信息标注上所述目标对象的身份标识，得到标注后人脸信息。

13.根据权利要求9至12任一项所述的装置，其特征在于，

所述更新单元，具体用于按照预设算法计算所述标注后人脸信息和所述目标对象的均值，将校验样本集中的所述目标对象替换为将所述均值。

14.根据权利要求10所述的装置，其特征在于，还包括添加单元和训练单元；

所述添加单元，用于将所述标注后人脸信息添加至已标注数据集中；

训练单元，用于根据所述已标注数据集对人脸识别模型进行训练，以对所述人脸识别模型进行更新。

15.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至8任一项所述的人脸信息标注方法中的步骤。