CN108062538A

CN108062538A - 人脸识别方法及装置

Info

Publication number: CN108062538A
Application number: CN201711489433.8A
Authority: CN
Inventors: 李得元; 兰翔; 钟磊
Original assignee: Chengdu Zhi Bao Da Data Technology Co Ltd
Current assignee: Chengdu Zhi Bao Da Data Technology Co Ltd
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2018-05-22

Abstract

本发明涉及人脸识别技术领域，提供一种人脸识别方法及装置。该人脸识别方法应用于与终端设备通信连接的服务器，首先从终端设备获得用户的当前人脸图像，然后从终端设备获得用户提供的用户身份信息，并基于用户身份信息获得存储于服务器上的与用户身份信息对应的基准人脸图像，随后利用基于长短期记忆网络构建的预测模型判断当前人脸图像与基准人脸图像是否为同一人的人脸图像，最后在判断结果为是时，确定用户身份信息与用户相匹配，并向终端设备提供与金融服务请求对应的金融服务。该人脸识别方法的判断结果的准确性高，从而对用户身份信息的验证结果可靠，能够防范身份伪造、金融欺诈等信息安全问题。

Description

人脸识别方法及装置

技术领域

本发明涉及人脸识别技术领域，具体而言，涉及一种人脸识别方法及装置。

背景技术

人脸识别，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。人脸识别***主要包括人脸图像采集与检测、人脸图像预处理、人脸图像特征提取以及人脸图像的匹配与识别等组成部分。

近年来，随着互联网金融的浪潮愈演愈烈，人们在享受网络金融带来的便捷的同时，也面临着日益严重的网络信息安全问题。如何精确识别用户的身份信息，避免身份伪造以及金融欺诈，已经成为当前互联网金融行业所要解决的主要问题之一。在互联网金融***中，人脸识别技术已经得到政府部门的认可并开始作为验证用户的身份信息的辅助手段。现有的人脸识别技术未能充分考虑人脸图像上各个特征之间的相关性，从而导致人脸识别结果的精确度欠佳，不利于用户身份信息的验证，可能引发潜在的金融风险。

发明内容

有鉴于此，本发明实施例提供一人脸验证方法及装置，以解决上述问题。

为实现上述目的，本发明提供如下技术方案：

第一方面，本发明实施例提供一种人脸识别方法，应用于与终端设备通信连接的服务器，包括：

在检测到终端设备发送的金融服务请求时，从终端设备获得用户的当前人脸图像；

从终端设备获得用户提供的用户身份信息，并基于用户身份信息获得存储于服务器上的与用户身份信息对应的基准人脸图像；

利用基于长短期记忆网络构建的预测模型判断当前人脸图像与基准人脸图像是否为同一人的人脸图像；

在为是时，确定用户身份信息与用户相匹配，并向终端设备提供与金融服务请求对应的金融服务。

第二方面，本发明实施例提供一种人脸识别装置，应用于与终端设备通信连接的服务器，包括：

当前人脸图像获取模块，用于在检测到终端设备发送的金融服务请求时，从终端设备获得用户的当前人脸图像；

基准人脸图像获取模块，用于从终端设备获得用户提供的用户身份信息，并基于用户身份信息获得存储于服务器上的与用户身份信息对应的基准人脸图像；

判断模块，用于利用基于长短期记忆网络构建的预测模型判断当前人脸图像与基准人脸图像是否为同一人的人脸图像；

结果确认模块，用于在为是时，确定用户身份信息与用户相匹配，并向终端设备提供与金融服务请求对应的金融服务。

本发明实现的有益效果：本发明实施例提供的人脸识别方法及装置，应用于与终端设备通信连接的服务器，在检测到终端设备发送的金融服务请求时，首先从终端设备获得用户的当前人脸图像，然后从终端设备获得用户提供的用户身份信息，并基于用户身份信息获得存储于服务器上的与用户身份信息对应的基准人脸图像，随后利用基于长短期记忆网络构建的预测模型判断当前人脸图像与基准人脸图像是否为同一人的人脸图像，最后在判断结果为是时，确定用户身份信息与用户相匹配，并向终端设备提供与金融服务请求对应的金融服务。在上述人脸识别的过程中，由于所采用的预测模型是基于长短期记忆网络构建的，因此在使用该预测模型在进行判断时充分考虑了人脸图像上各特征之间的相互依赖关系，所获得的判断结果准确性高，从而可以保证用户身份信息的验证结果的可靠性，因此能够在极大程度上防范身份伪造、金融欺诈等行为，降低金融服务过程中存在的风险。显然，该人脸识别方法及装置还可以应用于金融行业以外的各种需要进行人脸识别以验证用户身份的应用场景中。

为使本发明的上述目的、技术方案和有益效果能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1示出了本发明实施例提供的服务器与客户端进行交互的结构示意图；

图2示出了本发明实施例提供的服务器的结构示意图；

图3示出了本发明实施例提供的人脸识别方法的流程图；

图4示出了本发明实施例提供的人脸识别方法的步骤S3的流程图；

图5示出了本发明实施例提供的人脸识别方法的步骤S30的流程图；

图6示出了VGG16卷积神经网络的结构图；

图7示出了本发明实施例提供的双向长短期记忆网络层的结构图；

图8示出了本发明实施例提供的人脸识别方法的步骤S00至步骤S03的流程图；

图9示出了本发明实施例提供的人脸识别装置的功能模块图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1示出了本发明实施例提供的服务器100与终端设备200进行交互的示意图。服务器100通过网络与多个终端设备200进行通信连接，以进行数据通信或交互。

可以理解，图1所示的结构仅为示意，服务器100不限于一台服务器，其可以是多台具有不同功能的服务器的组合，也可以不与物理服务器相对应，例如可以是虚拟服务器或云服务器。终端设备可以是手机、笔记本、台式机、平板电脑、智能穿戴设备、车载设备等具备网络通信能力的电子设备。

图2示出了本发明实施例提供的服务器的结构示意图，参照图2，服务器100包括存储器110、处理器120以及网络模块130。存储器110可用于存储软件程序以及模块，如本发明实施例提供的人脸识别方法及装置对应的程序指令/模块，处理器120通过运行存储在存储器110内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，即实现本发明实施例提供的人脸识别方法及装置。存储器110可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。进一步地，上述存储器110内的软件程序以及模块还可包括：操作***111以及服务模块112。其中操作***111，例如可为LINUX、UNIX、WINDOWS，其可包括各种用于管理***任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通讯，从而提供其他软件组件的运行环境。服务模块112运行在操作***111的基础上，并通过操作***111的网络服务监听来自网络的请求，根据请求完成相应的数据处理，并返回处理结果给终端设备200，也就是说，服务模块112用于向终端设备200提供网络服务。网络模块130用于接收以及发送网络信号，上述网络信号可包括无线信号或者有线信号。

可以理解，图2所示的结构仅为示意，服务器100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

第一实施例

本发明实施例提供的人脸识别方法应用于与终端设备通信连接的服务器，图3示出了本发明实施例提供的人脸识别方法的流程图。参照图3，该方法包括：

步骤S1：在检测到所述终端设备发送的金融服务请求时，从所述终端设备获得用户的当前人脸图像。

当终端设备的用户通过操作终端设备申请金融***中的一项金融服务(例如交易付款、登录银行账户等)时，终端设备响应用户操作，生成相应的金融服务请求并将该金融服务请求发送至服务器。服务器在收到该金融服务请求后，从终端设备获得用户的当前人脸图像，当前人脸图像一般由终端设备实时采集获得。例如，在本发明实施例的一种实施方式中，服务器收到金融服务请求后，通知终端设备采集用户的脸部图像，终端设备控制摄像头等图像采集设备采集获得用户的脸部图像，将其作为当前人脸图像发送至服务器。在本发明实施例的另一种实施方式中，终端设备也可以在用户申请金融服务的同时控制图像采集设备采集获得用户的脸部图像，将其作为当前人脸图像，并和生成的金融服务请求一同发送至服务器。总之，只要确保在服务器开始验证用户身份信息之前从终端设备获得当前人脸图像就可以了，其具体的获得方式以及获得的时机不构成对本发明保护范围的限制。

步骤S2：从所述终端设备获得所述用户提供的用户身份信息，并基于所述用户身份信息获得存储于所述服务器上的与所述用户身份信息对应的基准人脸图像。

服务器在收到终端设备发送的金融服务请求后，还会从终端设备获得用户提供的用户身份信息，例如账号、身份证号、手机号等。用户身份信息用于表征用户的身份，服务器根据用户身份信息在服务器的数据库中查找并获得与该用户身份信息对应的基准人脸图像。将用户申请的金融服务所在的金融***称为当前金融***，基准人脸图像可以是用户在当前金融***上进行注册时所采集并存储于服务器上的，同时基准人脸图像与用户在注册时提供的用户身份信息绑定。例如，用户在银行开卡时，银行的工作人员使用扫描设备扫描用户的身份证，相应的处理程序将扫描获得的身份证照片作为基准人脸图像，并将其与用户的身份证号绑定后共同存储于银行的服务器上，用户在登录该银行的网上银行***时，只要输入注册时所使用的身份证号，服务器就可以根据该身份证号查找到相应的基准人脸图像。

如果用户提供的用户身份信息并未在当前金融***中注册过，即服务器无法查找到相应的基准人脸图像，此时服务器可以直接通知终端设备用户身份信息验证失败。然而，即使服务器查找获得了基准人脸图像，也只能说明用户提供的用户身份信息是注册过的，并不能说明该用户身份信息与提供该信息的用户的真实身份是匹配的，因为用户完全可能提供一个在当前金融***中注册过的他人的用户身份信息。因此在本发明的后续步骤中，还需要通过判断当前人脸图像与基准人脸图像是否为同一人的人脸图像，进一步确认用户的真实身份与其提供的身份信息是否匹配。

此外，步骤S1与步骤S2中的操作并不具有明显的先后顺序，例如，在检测到终端设备发送的金融服务请求时，服务器也可以先获得用户身份信息以及基准人脸图像，然后再获得当前人脸图像，或者也可并行处理。

步骤S3：利用基于长短期记忆网络构建的预测模型判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像。

长短期记忆网络(Long Shot－Term Memory Networks，简称LSTM)是一种特殊的循环神经网络。将输入序列视为一个时间序列，长短期记忆网络能够学习输入序列中的数据在时间上的短期以及长期依赖关系，其应用于自然语言处理、语音识别等技术领域均取得了良好的技术效果，例如，在自然语言处理中，研究发现文本中的词汇与该词汇之前的文本内容存在短期以及长期依赖关系，因此在通过已知文本内容预测未知文本内容的过程中，利用长短期记忆网络进行预测能够取得良好的预测效果。类似地，本发明实施例中的预测模型基于长短期记忆网络进行构建，从而在构建过程中能够学习人脸图像上各个特征之间的相互依赖关系，进而利用该预测模型判断当前人脸图像与基准人脸图像是否为同一人的人脸图像，其判断结果的准确度较高。

图4示出了本发明实施例提供的人脸识别方法的步骤S3的流程图。参照图4，步骤S3可以包括：

步骤S30：利用所述预测模型预测获得所述当前人脸图像与所述基准人脸图像为同一人的人脸图像的第一概率。

步骤S31：基于所述第一概率判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像。

在本发明实施例的一种实施方式中，在步骤S30中利用预测模型预测出当前人脸图像与基准人脸图像为同一人脸图像的第一概率，在步骤S31中根据预设概率阈值进行判断，例如如果第一概率大于等于预设概率阈值，则确定当前人脸图像与基准人脸图像是同一人的人脸图像，如果第一概率小于预设概率阈值，则确定当前人脸图像与基准人脸图像不是同一人的人脸图像，获得相应的判断结果。在本发明实施例的其他实施方式中，步骤S30中预测的对象也可以不是概率，例如预测当前人脸图像与基准人脸图像的相似度，或者预测当前人脸图像与基准人脸图像在某种量度下的距离。可以理解，步骤S30中的预测对象不同时，步骤S31中所采用的判断方法也应相应地调整。

图5示出了本发明实施例提供的人脸识别方法的步骤S30的流程图。参照图5，步骤S30可以包括：

步骤S300：获得用于表征所述当前人脸图像的当前特征向量。

步骤S310：获得用于表征所述基准人脸图像的基准特征向量。

特征向量是对人脸图像上各个特征的集中表示，从而在人脸识别中，可以使用特征向量代替相应的人脸图像进行分析处理。将表征当前人脸图像的特征向量定义为当前特征向量，将表征基准图像的特征向量定义为基准特征向量。当前特征向量以及基准特征向量均可以通过预训练的卷积神经网络进行提取获得。例如，在本发明实施例中，可以采用，但不限于VGG16卷积神经网络进行特征提取。图6示出了VGG16卷积神经网络的结构图。参照图6，VGG16卷积神经网络包括相互连接连接的多个卷积层和池化层、多个全连接层以及一个softmax分类器，其具体连接关系如图6所示。其中用于本发明特征向量提取的特征提取网络层包括相互连接的多个卷积层和池化层，以及第一个全连接层，特征提取网络层在图6中用方框标识。VGG16卷积神经网络的参数已经通过ImageNet的数据集训练好，同时该网络架构在ImageNet图像识别挑战赛中表现高效稳定。从而直接使用VGG16卷积神经网络的特征提取网络层来进行特征提取，以获得当前特征向量以及基准特征向量，可以提高处理效率。具体而言，VGG16卷积神经网络的输入图像尺寸要求为224＊224＊3(3为图像的通道数)，可以先对当前人脸图像以及基准人脸图像进行缩放以满足VGG16卷积神经网络的输入图像的尺寸要求，将缩放后的当前人脸图像输入至VGG16卷积神经网络后，经特征提取网络层处理，获得当前特征向量。同样地，将缩放后的基准人脸图像输入至VGG16卷积神经网络后，经特征提取网络层处理，获得基准特征向量。需要指出，如果当前人脸图像或基准人脸图像的尺寸较大，并且图像中包含较多除人脸以外的其他内容，在进行特征提取之前，可以先对当前人脸图像或基准人脸图像进行人脸检测，将检测出的人脸所在区域进行缩放后作为VGG16卷积神经网络的输入图像，其中，人脸检测可以采用，但不限于Dlib库。

步骤S320：基于所述当前特征向量以及所述基准特征向量，利用所述预测模型预测获得所述第一概率。

本发明实施例中预测模型基于长短期记忆网络进行构建，人脸图像中的各个特征存在空间上的相互依赖关系，这种依赖关系在人脸图像使用特征向量表征后，转化为特征向量的各维度数值之间的依赖关系，将特征向量视为一个时间序列，这种依赖关系就是各数值之间在在时间上的短期以及长期依赖关系，从而基于长短期记忆网络构建的预测模型适于对当前特征向量以及基准特征向量进行处理，以预测获得第一概率。

在本发明实施例的一种实施方式中，预测模型为神经网络模型，该神经网络模型包括依次连接的长短期记忆网络层、全连接层以及softmax分类器。其中，长短期记忆网络层可以采用通过如下公式定义的长短期记忆网络实现：

i_t＝σ(W_xix_t+W_hih_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

c_t＝f_tc_t-1+i_t tanh(W_xcx_t+W_hch_t-1+b_c)

o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

h_t＝o_t tanh(c_t)

其中，σ为激活函数，i、o、f、c分别表示长短期记忆网络的输入门，输出门，遗忘门以及记忆单元，h表示长短期记忆网络的隐向量，W表示权重参数，b表示偏置参数，x表示输入序列，即特征向量，t表示时刻，对于向量而言，t就是向量维度的序号。

由于在特征向量中，当前时刻的数值和之前时刻的数值以及之后时刻的数值均存在依赖关系。因此，充分考虑到人脸图像中各个特征之间的相互依赖关系，作为一种可选的实施方式，本发明实施例中的长短期记忆网络层可以采用双向长短期记忆网络(Bi－directional LSTM，简称BiLSTM)实现，此时也可以将长短期记忆网络层称为双向长短期记忆网络层。图7示出了本发明实施例提供的双向长短期记忆网络层的结构图。参照图7，本发明实施例中的双向长短期记忆网络层包括向前层和向后层，分别对应从前向后(指t逐渐增大的方向)计算的隐向量以及从后向前(指t逐渐减小的方向)计算的隐向量其计算公式仍然通过上述公式定义。最终获得的输出序列：

需要注意，在上述实施方式中，与通过相加获得输出序列y，在本发明实施例的其他实施方式中，与也可以采用其他结合方式，例如将与拼接在一起以获得输出序列y。

将当前特征向量以及基准特征向量分别输入至长短期记忆网络层，获得两个输出序列y1以及y2，将两个输出序列拼接后输入至全连接层并经全连接层处理后输入至softmax分类器，由softmax分类器输出预测结果，预测结果包括两个概率，一个是当前人脸图像与基准人脸图像是同一人的人脸图像的概率，即第一概率；一个是当前人脸图像与基准人脸图像不是同一人的人脸图像的概率，即第二概率。在本发明实施例中使用第一概率作为判断当前人脸图像与基准人脸图像是否为同一人的人脸图像的依据，可以理解，在适当调整相关步骤后，使用第二概率作为判断依据也是可以的。

显然，在使用神经网络模型作为预测模型之前，需要通过预先的训练步骤确定该神经网络模型的模型参数。在本发明实施例中，通过执行于步骤S1之前的步骤S00至步骤S03确定神经网络模型的模型参数，即之前公式中的权重参数和偏置参数。在步骤S00至步骤S03中，利用大量的训练样本对神经网络模型进行训练最终获得具有固定参数的持久化模型。图8示出了本发明实施例提供的人脸识别方法的步骤S00至步骤S03的流程图。参照图8：

步骤S00：确定M个原始样本，所述M个原始样本中的每个原始样本均包括两个人脸图像，M为大于等于1的整数。

在本发明实施例的一种实施方式中，服务器上存储有两个训练用的图像库，分别称为第一图像库以及第二图像库，每个图像库中均包括大量的人脸图像。基于第一图像库以及第二图像库构建M个训练用的原始样本，每个原始样本均包括两个人脸图像，分别称为第一人脸图像以及第二人脸图像，其中第一人脸图像从第一图像库中选择获得，第二人脸图像从第二图像库中选择获得。在具体实施时，为确保训练效果，M可以取大于5000的正整数，M的取值越大训练效果越好，但训练过程的耗时也相应地增长。

步骤S01：依次取i为1至M，分别获得第i个原始样本中用于表征所述两个人脸图像中的第一人脸图像的第一特征向量、用于表征所述两个人脸图像中的第二人脸图像的第二特征向量以及用于表征所述第一人脸图像与所述第二人脸图像是否为同一人的人脸图像的判断标识。

依次处理M个原始样本，每个原始样本的处理过程都是类似的。以第i个原始样本的处理过程为例，利用预训练的卷积神经网络对第i个原始样本中的第一人脸图像进行特征提取，获得第一特征向量，以及对第二人脸图像进行特征提取，获得第二特征向量。为保证神经网络模型的训练过程和预测过程的一致性，步骤S01中所采用的卷积神经网络和步骤S300或步骤S310中所使用的卷积神经网络相同，例如都可以采用VGG16卷积神经网络。此外，还需要对第一人脸图像与第二人脸图像是否为同一人的人脸图像进行判断并获得判断结果。由于该判断结果是用于训练的，故应该确保该判断结果的正确性，例如可以事先将第一图像库以及第二图像库中的人脸图像与用户身份信息人为绑定，在判断前，分别获取第一图像对应的第一用户身份信息以及第二图像对应的第二用户身份信息。如果第一用户身份信息与第二用户身份信息相同，表明第一人脸图像与第二人脸图像是同一人的人脸图像，获得的判断结果为是；如果第一用户身份信息与第二用户身份信息不相同，表明第一人脸图像与第二人脸图像不是同一人的人脸图像，获得的判断结果为否。显然，上述判断方法仅为一种示例，还可以采取其他的判断方法，甚至通过人工辅助进行判断。获得判断结果后，将判断结果转化为与之对应的判断标识，便于在后续步骤中使用，例如判断标识可以是一个取值为0或1的变量，取值为0表示判断结果为否，取值为1表示判断结果为是。

步骤S02：将所述第一特征向量、所述第二特征向量以及所述判断标识确定为与所述第i个原始样本对应的一个训练样本，在i为M时，共获得M个训练样本。

将基于第i个原始样本获得的第一特征向量、第二特征向量以及判断标识作为一个训练样本，处理完M个原始样本后，共获得M个训练样本，使用M个训练样本进行训练以确定神经网络模型的参数。显然，可以一次性获得M个训练样本后再进行训练，也可以获得一个训练样本后就利用获得的训练样本进行训练，并在训练的同时获得下一个训练样本。

步骤S03：基于所述M个训练样本训练获得所述神经网络模型。

利用M个训练样本对神经网络模型进行优化训练，优化的目标是最小化交叉熵代价函数：

其中y为神经网络模型期望的输出，即训练样本中的判断标识，a为神经网络模型预测输出。在神经网络模型的表现比较稳定时，对模型结构和参数进行持久化，方便后续加载和预测。在神经网络网络的训练过程中，长短期记忆网络层能够充分学习输入的特征向量中的数据在时间上的短期以及长期依赖关系，从而为后续作为预测模型进行人脸识别打下良好的基础。

步骤S4：在为是时，确定所述用户身份信息与所述用户相匹配，并向所述终端设备提供与所述金融服务请求对应的金融服务。

如果步骤S3中的判断结果为是，表明当前人脸图像与基准人脸图像对应的是同一人的人脸图像，其中基准人脸图像与用户提供的用户身份信息相对应，而当前人脸图像由终端设备实时采集获得，所表征的是用户的真实身份，从而可以确定用户身份信息与用户的真实身份是匹配的，即用户通过了身份验证，进而可以向终端设备提供用户所请求的金融服务，以使用户使用该金融服务。如果步骤S3中的判断结果为否，表明用户提供的用户身份信息与用户的真实身份不匹配，此时服务器可以直接通知终端设备用户身份信息验证失败。

综上所述，本发明实施例提供的人脸识别方法用于在服务器上验证用户提供的用户身份信息是否匹配于用户的真实身份，在该方法采用了基于长短期记忆网络构建的预测模型进行人脸识别，从而充分考虑了人脸图像中各个特征之间的相关性，其验证结果准确可靠，有利于避免因用户身份信息伪造所引发的金融风险。同时，在该方法中，采用预训练的卷积神经网络(例如VGG16卷积神经网络)提取人脸图像的特征向量，其执行效率较高，有利于快速完成用户身份信息的验证。

第二实施例

图9示出了本发明实施例提供的人脸识别装置300的功能模块图。人脸识别装置300应用于与终端设备通信连接的服务器，参照图9，人脸识别装置300包括：当前人脸图像获取模块310、基准人脸图像获取模块320、判断模块330以及结果确认模块340。

其中，当前人脸图像获取模块310用于在检测到所述终端设备发送的金融服务请求时，从所述终端设备获得用户的当前人脸图像；基准人脸图像获取模块320用于从所述终端设备获得所述用户提供的用户身份信息，并基于所述用户身份信息获得存储于所述服务器上的与所述用户身份信息对应的基准人脸图像；判断模块330用于利用基于长短期记忆网络构建的预测模型判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像；结果确认模块340用于在为是时，确定所述用户身份信息与所述用户相匹配，并向所述终端设备提供与所述金融服务请求对应的金融服务。

本发明实施例提供的人脸识别装置300，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种人脸识别方法，应用于与终端设备通信连接的服务器，其特征在于，包括：

在检测到所述终端设备发送的金融服务请求时，从所述终端设备获得用户的当前人脸图像；

从所述终端设备获得所述用户提供的用户身份信息，并基于所述用户身份信息获得存储于所述服务器上的与所述用户身份信息对应的基准人脸图像；

利用基于长短期记忆网络构建的预测模型判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像；

在为是时，确定所述用户身份信息与所述用户相匹配，并向所述终端设备提供与所述金融服务请求对应的金融服务。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述利用基于长短期记忆网络构建的预测模型判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像，包括：

利用所述预测模型预测获得所述当前人脸图像与所述基准人脸图像为同一人的人脸图像的第一概率；

基于所述第一概率判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像。

3.根据权利要求2所述的人脸识别方法，其特征在于，所述利用所述预测模型预测获得所述当前人脸图像与所述基准人脸图像为同一人的人脸图像的第一概率，包括：

获得用于表征所述当前人脸图像的当前特征向量；

获得用于表征所述基准人脸图像的基准特征向量；

基于所述当前特征向量以及所述基准特征向量，利用所述预测模型预测获得所述第一概率。

4.根据权利要求3所述的人脸识别方法，其特征在于，所述获得用于表征所述当前人脸图像的当前特征向量，包括：

利用预训练卷积神经网络对所述当前人脸图像进行特征提取，获得所述当前特征向量。

5.根据权利要求4所述的人脸识别方法，其特征在于，所述获得用于表征所述基准人脸图像的基准特征向量，包括：

利用所述卷积神经网络对所述基准人脸图像进行特征提取，获得所述基准特征向量。

6.根据权利要求4或5所述人脸识别方法，其特征在于，所述预测模型为神经网络模型，所述神经网络模型包括依次连接的长短期记忆网络层、全连接层以及softmax分类器，所述基于所述当前特征向量以及所述基准特征向量，利用所述预测模型预测获得所述第一概率，包括：

将所述当前特征向量以及所述基准特征向量分别输入至所述神经网络模型，所述当前特征向量以及所述基准特征向量依次经所述长短期记忆网络层、所述全连接层以及所述softmax分类器处理后，从所述softmax分类器输出所述第一概率。

7.根据权利要求6所述的人脸识别方法，其特征在于，所述长短期记忆网络层为双向长短期记忆网络层。

8.根据权利要求6所述的人脸识别方法，其特征在于，所述从所述终端设备获得用户的当前人脸图像之前，所述方法还包括：

确定M个原始样本，所述M个原始样本中的每个原始样本均包括两个人脸图像，M为大于等于1的整数；

依次取i为1至M，分别获得第i个原始样本中用于表征所述两个人脸图像中的第一人脸图像的第一特征向量、用于表征所述两个人脸图像中的第二人脸图像的第二特征向量以及用于表征所述第一人脸图像与所述第二人脸图像是否为同一人的人脸图像的判断标识；

将所述第一特征向量、所述第二特征向量以及所述判断标识确定为与所述第i个原始样本对应的一个训练样本，在i为M时，共获得M个训练样本；

基于所述M个训练样本训练获得所述神经网络模型。

9.根据权利要求8所述的人脸识别方法，其特征在于，所述分别获得第i个原始样本中用于表征所述两个人脸图像中的第一人脸图像的第一特征向量、用于表征所述两个人脸图像中的第二人脸图像的第二特征向量以及用于表征所述第一人脸图像与所述第二人脸图像是否为同一人的人脸图像的判断标识，包括：

利用所述卷积神经网络对所述第一人脸图像进行特征提取，获得第一特征向量；

利用所述卷积神经网络对所述第二人脸图像进行特征提取，获得第二特征向量；

判断所述第一人脸图像与所述第二人脸图像是否为同一人的人脸图像，获得与判断结果对应的所述判断标识。

10.一种人脸识别装置，应用于与终端设备通信连接的服务器，其特征在于，包括：

当前人脸图像获取模块，用于在检测到所述终端设备发送的金融服务请求时，从所述终端设备获得用户的当前人脸图像；

基准人脸图像获取模块，用于从所述终端设备获得所述用户提供的用户身份信息，并基于所述用户身份信息获得存储于所述服务器上的与所述用户身份信息对应的基准人脸图像；

判断模块，用于利用基于长短期记忆网络构建的预测模型判断所述当前人脸图像与所述基准人脸图像是否为同一人的人脸图像；

结果确认模块，用于在为是时，确定所述用户身份信息与所述用户相匹配，并向所述终端设备提供与所述金融服务请求对应的金融服务。