CN110956129A - 用于生成人脸特征向量的方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例公开了用于生成人脸特征向量的方法、装置、设备和介质。该方法的一具体实施方式包括：对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量；将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量。该实施方式实现了使人脸图像在人脸识别网络中的输出一致。同时，通过上述预先训练的第一人脸识别网络可以使不同的人脸识别网络中输出的人脸特征向量实现兼容。因此，节省了计算力和时间。进而，提高了用户体验，为人们生活提供便利。

Description

用于生成人脸特征向量的方法、装置、设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成人脸特征向量的方法、装置、设备和介质。

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。在人脸识别的具体应用中，往往存在一个数量庞大的人脸库，对于人脸库中的每个人脸均需提取人脸特征构建人脸特征库，用于之后的人脸验证。因此，当用户想要更换不同厂商提供的人脸识别算法或者想要更新相同厂商提供的人脸识别模型版本时，均面临人脸特征向量互不兼容问题。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于生成人脸特征向量的方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于生成人脸特征向量的方法，该方法包括：对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量；将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量，其中，上述第一人脸识别网络是通过如下步骤训练得到的：获取训练样本集合，训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量；将上述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到上述第一人脸识别网络。

在一些实施例中，上述方法还包括：对上述人脸图像进行特征提取，得到上述人脸图像对应的第二人脸特征向量；将上述第二人脸特征向量输入到预先训练的第二人脸识别网络，得到上述第二人脸特征向量对应的第三人脸特征向量；将上述第一人脸特征向量与上述第三人脸特征向量进行相似度比对，得到比对数值；确定上述数值是否大于预设阈值；响应于确定大于预设值，确定上述第一人脸特征向量所对应的上述人脸图像的人脸与上述第三人脸特征向量所对应的上述人脸图像的人脸是相同的。

在一些实施例中，上述训练样本是通过如下步骤得到的：从上述人脸数据集中获取第一人脸图像，其中，上述人脸数据集用于存储人脸图像和对应的人脸特征向量；将上述第一人脸图像分别输入到第二人脸识别网络和第三人脸识别网络，分别得到第四人脸特征向量和第五人脸特征向量；将上述第四人脸特征向量和上述第五人脸特征向量进行处理，得到第六人脸特征向量；将上述第六人脸特征向量输入到预先训练的融合网络，得到融合人脸特征向量，将第四人脸特征向量作为上述样本人脸特征向量，将上述第六人脸特征向量作为样本人脸特征向量对应的样本第一人脸特征向量。

在一些实施例中，上述融合网络的结构是编码器-解码器结构。

在一些实施例中，上述融合网络是通过以下步骤得到的：获取训练样本集合，训练样本包括样本第六人脸特征向量和样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量；将上述训练样本集合中的训练样本的样本第六人脸特征向量作为输入，将与输入的样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量作为期望输出，训练得到上述融合网络。

在一些实施例中，上述将上述训练样本集合中的训练样本的样本第六人脸特征向量作为输入，将与输入的样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量作为期望输出，训练得到上述融合网络，包括：从上述训练样本集合中选取训练样本，执行以下训练步骤：将选取的训练样本的样本第六人脸特征向量输入初始融合网络，得到与上述样本第六人脸特征向量对应的人脸特征向量；将上述人脸特征向量与对应的样本人脸特征向量进行分析，确定第一损失值；将上述第一损失值与预设阈值进行比较；根据比较结果确定初始融合网络是否训练完成；响应于确定初始融合网络训练完成，将初始融合网络确定为融合网络。

在一些实施例中，上述方法还包括：响应于确定初始融合网络未训练完成，调整初始融合网络中的相关参数，以及从上述训练样本集合中重新选取训练样本，使用调整后的初始融合网络作为初始融合网络，继续执行上述训练步骤。

在一些实施例中，上述方法还包括：根据上述第一人脸特征向量，从预先存储的人脸轨迹集中进行匹配得到匹配数值；确定上述匹配数值是否大于预设值；响应于确定大于预设值，得到上述第一人脸特征向量所对的人脸图像的人脸与所匹配的人脸轨迹所对的人脸一致的信息；根据上述信息，输出用于控制目标设备进行目标操作的控制信号。

第二方面，本公开的一些实施例提供了一种用于生成人脸特征向量的装置，装置包括：提取单元，被配置成对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量；生成单元，被配置成将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量，其中，上述第一人脸识别网络是通过如下步骤训练得到的：获取训练样本集合，训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量；将上述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到上述第一人脸识别网络。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，上述程序被处理器执行时实现如第一方面中任一的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对人脸图像进行特征提取，可以得到上述人脸图像对应的人脸特征向量。之后，将上述人脸特征向量输入到预先训练的第一人脸识别网络，可以得到上述人脸特征向量对应的第一人脸特征向量。从而，通过上述预先训练的第一人脸识别网络，可以使人脸图像在人脸识别网络中的输出一致。同时，通过上述预先训练的第一人脸识别网络可以使不同的人脸识别网络中输出的人脸特征向量实现兼容。进而使人脸图像在人脸识别网络中快速的被识别。因此，节省了计算力和时间。进而，提高了用户体验，为人们生活提供便利。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的用于生成人脸特征向量的方法的一个应用场景的示意图；

图2是根据本公开的用于生成人脸特征向量的方法的一些实施例的流程图；

图3是根据本公开的用于生成人脸特征向量的方法的另一些实施例的流程图；

图4是根据本公开的用于生成人脸特征向量的装置的一些实施例的结构示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1A-1B是根据本公开一些实施例的用于生成人脸特征向量的方法的一个应用场景的示意图。

如图1A所示，执行主体可以是服务器(例如图1中所示的服务器101)。当执行主体101接收到人脸图像102，将人脸图像102进行特征提取，得到人脸图像102对应的人脸特征向量1021。

如图1B所示，将人脸特征向量1021输入到预先训练的第一人脸识别网络，得到人脸特征向量1021所对应的第一人脸特征向量1022。其中，上述第一人脸特征向量1022可以是通过上述第一人脸识别网络对上述人脸特征向量1021进行处理得到的。上述第一人脸识别网络可以是通过训练样本集合进行训练得到的。上述训练样本集合中的训练样本可以包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量。将上述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到上述第一人脸识别网络。

可以理解的是，用于生成人脸特征向量的方法可以是由服务器101来执行，或者也可以是由终端设备来执行，上述方法的执行主体还可以包括上述服务器101与上述终端设备通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，执行主体也可以体现为硬件、软件等。当执行主体为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。

继续参考图2，示出了根据本公开的用于生成人脸特征向量的方法的一些实施例的流程200。该用于生成人脸特征向量的方法，包括以下步骤：

步骤201，对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量。

在一些实施例中，用于生成人脸特征向量的方法的执行主体(例如图1所示的服务器101)可以通过有线连接方式或者无线连接方式从用户的终端接收人脸图像。其中，上述人脸图像可以是从本地存储的人脸图像集中选择的，还可以是从网络上下载的。上述执行主体可以将上述人脸图像输入到第二人脸识别网络，得到上述人脸图像对应的人脸特征向量。其中，上述人脸特征向量可以是用于表征上述人脸图像的人脸特征的向量。上述第二人脸识别网络可以用于表征人脸图像与人脸图像对应的人脸特征向量之间的对应关系。作为示例，电子设备可以基于对大量记录有人脸图像和人脸图像对应的人脸特征向量进行统计而生成存储有多个记录有人脸图像和人脸图像对应的人脸特征向量之间的对应关系的对应关系表，并将该对应关系表作为上述第二人脸识别网络。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量。

在一些实施例中，基于步骤201中得到的人脸特征向量，上述执行主体可以将上述人脸特征向量输入到预先训练的第一人脸识别网络，上述第一人脸识别网络对上述人脸特征向量进行分析得到上述人脸特征向量对应的第一人脸特征向量。其中，上述第一人脸识别网络可以用于表征人脸特征向量与人脸特征向量所对应的第一人脸特征向量之间的对应关系。

在一些实施例中，上述第一人脸识别网络可以通过如下步骤训练得到：

步骤1，获取训练样本集合。

在一些实施例中，训练上述第一人脸识别网络的执行主体可以是上述执行主体(如图1所示的服务器101)，也可以与上述执行主体不同。在此训练上述第一人脸识别网络的执行主体可以是上述执行主体(如图1所示的服务器101)。执行主体通过有线连接方式或者无线连接方式从用户终端获取训练样本，上述执行主体还可以从服务器中获取存储于其中的现有的训练样本，进而得到训练样本集合。上述训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量。

在一些实施例的一些可选的实现方式中，上述训练样本可以通过如下步骤得到：首先，从人脸数据集中获取第一人脸图像，其中，上述人脸数据集用于存储人脸图像和对应的人脸特征向量。上述人脸数据集可以是用户创建的，也可以是在网络上下载的。之后，将上述第一人脸图像分别输入到第二人脸识别网络和第三人脸识别网络，分别得到第四人脸特征向量和第五人脸特征向量。例如，上述第四人脸特征向量和第五人脸特征向量可以是512维的向量。随后，将上述第四人脸特征向量和上述第五人脸特征向量进行处理，得到第六人脸特征向量。例如，得到1024维的向量。其中，上述处理可以包括组合处理和拼接处理。最后，将上述第六人脸特征向量输入到预先训练的融合网络，得到融合人脸特征向量，将第四人脸特征向量作为上述样本人脸特征向量，将上述第六人脸特征向量作为样本人脸特征向量对应的样本第一人脸特征向量。其中，上述融合人脸特征向量可以是512维向量。

在一些实施例的一些可选的实现方式中，上述融合网络的结构是编码器-解码器结构。作为示例，常用的编解码器可以是稀疏自编码器(Sparse Autoencoder)，其可以自动从无标注数据中学习特征，可以给出比原始数据更好的特征描述。可选的，训练上述融合网络的执行主体可以是如图1所示的服务器101。上述融合网络可以通过以下步骤得到：

步骤11，获取训练样本集合，其中，训练样本包括样本第六人脸特征向量和样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量；

在一些实施例中，步骤11的具体实现可以参考上述第一人脸识别网络的训练步骤1，在此不再赘述。

步骤12，将上述训练样本集合中的训练样本的样本第六人脸特征向量作为输入，将与输入的样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量作为期望输出，训练得到上述融合网络。

可选的，上述融合网络可以是基于上述训练样本集合执行以下步骤训练得到的。基于训练样本集合执行以下训练步骤：首先，将选取的训练样本的样本第六人脸特征向量输入初始融合网络，得到与上述样本第六人脸特征向量对应的人脸特征向量；之后，将上述人脸特征向量与对应的样本人脸特征向量通过损失函数(Loss Function)进行分析，确定第一损失值，其中，上述损失函数可以是均方差损失函数；随后，将将上述第一损失值与预设阈值进行比较得到比较结果，其中，该预设阈值可以是人为设定的；然后，根据比较结果可以确定初始融合网络是否训练完成；之后，响应于确定初始融合网络训练完成，将初始融合网络确定为融合网络；最后，响应于确定初始融合网络未训练完成，调整初始融合网络中的相关参数，以及从上述训练样本集合中重新选取训练样本，使用调整后的初始融合网络作为初始融合网络，继续执行上述训练步骤。

步骤2，将上述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到上述第一人脸识别网络。

在一些实施例中，基于上述训练样本集合执行以下训练步骤：将训练样本集合中的至少一个训练样本的样本人脸特征向量分别输入至初始机器学习模型，得到上述至少一个训练样本中的每个样本人脸特征向量对应的样本第一人脸特征向量；将上述至少一个训练样本中的每个样本人脸特征向量对应的样本第一人脸特征向量与对应的样本第一人脸特征向量进行比较；根据比较结果确定上述初始机器学习模型的预测准确率；确定上述预测准确率是否大于预设准确率阈值；响应于确定上述准确率大于上述预设准确率阈值，则将上述初始机器学习模型作为训练完成的第一人脸识别网络；响应于确定上述准确率不大于上述预设准确率阈值，调整上述初始机器学习模型的参数，以及使用未使用过的训练样本组成训练样本集合，使用调整后的初始机器学习模型作为初始机器学习模型，再次执行上述训练步骤。

作为示例，电子设备可以基于对大量记录有人脸特征向量和人脸特征向量对应的第一人脸特征向量进行统计而生成存储有多个记录有人脸特征向量和人脸特征向量对应的第一人脸特征向量之间的对应关系的对应关系表，并将该对应关系表作为上述第一人脸识别网络。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过将上述第一人脸特征向量与预先存储的人脸轨迹集中进行匹配，得到匹配数值；确定上述数值是否大于预设值，响应于确定大于预设值，可以生成第一人脸特征向量所对的人脸图像的人脸与所匹配的人脸轨迹所对的人脸一致的信息。根据上述信息，上述执行主体可以输出用于控制目标设备进行目标操作的控制信号。其中，上述人脸轨迹集可以是用户创建的。上述预设值可以是人为设定的。上述目标设备可以是有摄像头和显示屏的电子设备。例如，手机。上述目标操作可以包括人脸识别操作。

其中，上述预设值还可以是由技术人员根据实际的应用场景进行设置。作为示例，用于安防领域和金融领域时，需要的精度高，预设值可以相应的调整。上述控制信号可以是向用户输出提示的信息，以通知用户及时进行相应的动作。作为示例，当用户在通过安检时，执行主体确认匹配数值大于预设值时，则可以向用户输出通过认证的信息，以提示用户可以通行进而提醒用户及时通行。当执行主体确认匹配数值小于预设值时，则可以向用户输出验证失败的信息以及发出警报提示音。从而提示用户禁止通过。进而可以提醒技术人员和相关人员及时采取相应的措施。因此，根据上述匹配值与预设值相比对可以得到验证结果，节省了计算力和时间。根据上述控制信号可以使直观的提醒用户，进而使用户可以快速做出动作，从而提高了通行的效率。

本公开的一些实施例公开的用于生成人脸特征向量的方法，通过对人脸图像进行特征提取，可以得到上述人脸图像对应的人脸特征向量。之后，将上述人脸特征向量输入到预先训练的第一人脸识别网络，可以得到上述人脸特征向量对应的第一人脸特征向量。从而，通过上述预先训练的第一人脸识别网络，可以使人脸图像在人脸识别网络中的输出一致。同时，通过上述预先训练的第一人脸识别网络可以使不同的人脸识别网络中输出的人脸特征向量实现兼容。进而使人脸图像在人脸识别网络中快速的被识别。因此，节省了计算力和时间。进而，提高了用户体验，为人们生活提供便利。

进一步参考图3，其示出了用于生成人脸特征向量的方法的另一些实施例的流程300。该用于生成人脸特征向量的方法的流程300，包括以下步骤：

步骤301，对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量。

步骤302，将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量。

在一些实施例中，上述步骤301-302的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。

步骤303，对上述人脸图像进行特征提取，得到上述人脸图像对应的第二人脸特征向量。

在一些实施例中，用于生成人脸特征向量的方法的执行主体(例如图1所示的服务器)首先可以将上述人脸图像输入到第三人脸识别网络，得到上述人脸图像对应的第二人脸特征向量。其中，上述第三人脸识别网络可以用于表征人脸图像与人脸图像对应的人脸特征向量之间的对应关系。作为示例，电子设备可以基于对大量记录有人脸图像和人脸图像对应的第二人脸特征向量进行统计而生成存储有多个记录有人脸图像和人脸图像对应的第二人脸特征向量之间的对应关系的对应关系表，并将该对应关系表作为上述第三人脸识别网络。

步骤304，将上述第二人脸特征向量输入到预先训练的第二人脸识别网络，得到上述第二人脸特征向量对应的第三人脸特征向量。

在一些实施例中，上述执行主体可以将上述第二人脸特征向量输入到预先训练的第二人脸识别网络，通过上述预先训练的第二人脸识别网络对上述第二人脸特征向量进行处理得到第三人脸特征向量。作为示例，将上述人脸特征为“圆脸”的512维向量输入到预先训练的第二人脸识别网络，可以得到人脸特征为“圆脸”的512维向量。

步骤305，将上述第一人脸特征向量与上述第三人脸特征向量进行相似度比对，得到比对数值。

在一些实施例中，上述执行主体可以将上述第一人脸特征向量与上述第三人脸特征向量进行相似度比对，得到比对数值。例如，相似度99％。作为示例，将上述两组512维向量进行比对，可以得到比对的百分值。

步骤306，确定上述数值是否大于预设阈值。

在一些实施例中，上述执行主体可以确定上述数值是否大于预设阈值。其中，预设阈值可以自行设定，也可以根据实际需要进行设定。

步骤307，响应于确定大于预设值，确定上述第一人脸特征向量所对应的上述人脸图像的人脸与上述第三人脸特征向量所对应的上述人脸图像的人脸是相同的。

在一些实施例中，响应于确定比对数值大于预设阈值，上述执行主体可以确定上述第一人脸特征向量所对应的上述人脸图像的人脸与上述第三人脸特征向量所对应的上述人脸图像的人脸是相同的。

本公开的一些实施例公开的用于生成人脸特征向量的方法，通过对人脸图像进行特征提取，可以得到上述人脸图像对应的人脸特征向量。之后，将上述人脸特征向量输入到预先训练的第一人脸识别网络，可以得到上述人脸特征向量对应的第一人脸特征向量。然后，将人脸图像再次进行提取，可以得到上述人脸图像对应的第二人脸特征向量。随后，将上述第二人脸特征向量输入到预先训练的第二人脸识别网络，可以得到上述第二人脸特征向量对应的第三人脸特征向量。通过将第一人脸特征向量与第三人脸特征向量进行相似度比对，可以确定第一人脸特征向量所对应的人脸图像中的人脸与第三人脸特征向量所对应的人脸图像中的人脸是否一致。同时，通过上述预先训练的第一人脸识别网络和上述预先训练的第二人脸识别网络使得输出的人脸特征向量实现一致化。从而，人脸图像可以快速被识别。进而，节省了计算力和时间。进而，提高了用户体验，为人们生活提供便利。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于生成人脸特征向量的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的用于生成人脸特征向量的装置400包括：提取单元401和生成单元402。其中，提取单元401被配置成对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量；生成单元402被配置成将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量，其中，上述第一人脸识别网络是通过如下步骤训练得到的：获取训练样本集合，训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量；将上述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到上述第一人脸识别网络。

在一些实施例的可选实现方式中，用于生成人脸特征向量的装置400还包括：确定单元，被配置成确定人脸数据集中与上述人脸特征向量相似的第二人脸特征向量，其中，上述人脸数据集用于存储人脸图像和对应的样本人脸特征向量；第一生成单元，被配置成将上述第二人脸特征向量输入到预先训练的第一人脸识别网络，得到第三人脸特征向量；比对单元，被配置成将上述第一人脸特征向量与上述第三人脸特征向量进行相似度比对，得到比对数值；第一确定单元，被配置成确定上述数值是否大于预设阈值；第二确定单元，被配置成响应于确定大于预设值，确定上述第一人脸特征向量所对应的上述人脸图像的人脸与上述第三人脸特征向量所对应的第二人脸图像的人脸是相同的。

在一些实施例的可选实现方式中，用于生成人脸特征向量的装置400的生成单元402被进一步配置成从上述人脸数据集中获取第一人脸图像，其中，上述人脸数据集用于存储人脸图像和对应的样本人脸特征向量；将上述第一人脸图像分别输入到第二人脸识别网络和第三人脸识别网络，分别得到第四人脸特征向量和第五人脸特征向量；将上述第四人脸特征向量和上述第五人脸特征向量进行处理，得到第六人脸特征向量；将上述第六人脸特征向量输入到预先训练的融合网络，得到融合人脸特征向量，将第四人脸特征向量作为上述样本人脸特征向量，将上述第六人脸特征向量作为样本人脸特征向量对应的样本第一人脸特征向量。

在一些实施例的可选实现方式中，融合网络的结构是编码器-解码器结构。

在一些实施例的可选实现方式中，用于生成人脸特征向量的装置400的生成单元402被进一步配置成获取训练样本集合，训练样本包括样本第六人脸特征向量和样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量；将上述训练样本集合中的训练样本的样本第六人脸特征向量作为输入，将与输入的样本第六人脸特征向量对应的人脸图像在上述人脸数据集中的样本人脸特征向量作为期望输出，训练得到上述融合网络。

在一些实施例的可选实现方式中，用于生成人脸特征向量的装置400的生成单元402被进一步配置成从上述训练样本集合中选取训练样本，执行以下训练步骤：将选取的训练样本的样本第六人脸特征向量输入初始融合网络，得到与上述样本第六人脸特征向量对应的人脸特征向量；将上述人脸特征向量与对应的样本人脸特征向量进行分析，确定第一损失值；将上述第一损失值与预设阈值进行比较；根据比较结果确定初始融合网络是否训练完成；响应于确定初始融合网络训练完成，将初始融合网络确定为融合网络。

在一些实施例的可选实现方式中，用于生成人脸特征向量的装置400还包括：调整单元，被配置成响应于确定初始融合网络未训练完成，调整初始融合网络中的相关参数，以及从上述训练样本集合中重新选取训练样本，使用调整后的初始融合网络作为初始融合网络，继续执行上述训练步骤。

本公开的一些实施例公开了一种用于生成人脸特征向量的装置，通过对人脸图像进行特征提取，可以得到上述人脸图像对应的人脸特征向量。之后，将上述人脸特征向量输入到预先训练的第一人脸识别网络，可以得到上述人脸特征向量对应的第一人脸特征向量。从而，通过上述预先训练的第一人脸识别网络，可以使人脸图像在人脸识别网络中的输出一致。同时，通过上述预先训练的第一人脸识别网络可以使不同的人脸识别网络中输出的人脸特征向量实现兼容。进而使人脸图像在人脸识别网络中快速的被识别。因此，节省了计算力和时间。进而，提高了用户体验，为人们生活提供便利。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量；将上述人脸特征向量输入到预先训练的第一人脸识别网络，得到上述人脸特征向量对应的第一人脸特征向量，其中，上述第一人脸识别网络是通过如下步骤训练得到的：获取训练样本集合，训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量；将上述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到上述第一人脸识别网络。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、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，该模块、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，两个接连地表示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操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。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“对人脸图像进行特征提取，得到上述人脸图像对应的人脸特征向量的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成人脸特征向量的方法，包括：

对人脸图像进行特征提取，得到所述人脸图像对应的人脸特征向量；

将所述人脸特征向量输入到预先训练的第一人脸识别网络，得到所述人脸特征向量对应的第一人脸特征向量，其中，所述第一人脸识别网络是通过如下步骤训练得到的：

获取训练样本集合，训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量；

将所述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到所述第一人脸识别网络。

2.根据权利要求1所述的方法，其中，所述方法还包括：

对所述人脸图像进行特征提取，得到所述人脸图像对应的第二人脸特征向量；

将所述第二人脸特征向量输入到预先训练的第二人脸识别网络，得到所述第二人脸特征向量对应的第三人脸特征向量；

将所述第一人脸特征向量与所述第三人脸特征向量进行相似度比对，得到比对数值；

确定所述数值是否大于预设阈值；

响应于确定大于预设值，确定所述第一人脸特征向量所对应的所述人脸图像的人脸与所述第三人脸特征向量所对应的所述人脸图像的人脸是相同的。

3.根据权利要求1所述的方法，其中，所述训练样本是通过如下步骤得到的：

从人脸数据集中获取第一人脸图像，其中，所述人脸数据集用于存储人脸图像和对应的人脸特征向量；

将所述第一人脸图像分别输入到第二人脸识别网络和第三人脸识别网络，分别得到第四人脸特征向量和第五人脸特征向量；

将所述第四人脸特征向量和所述第五人脸特征向量进行处理，得到第六人脸特征向量；

将所述第六人脸特征向量输入到预先训练的融合网络，得到融合人脸特征向量，将第四人脸特征向量作为所述样本人脸特征向量，将所述第六人脸特征向量作为样本人脸特征向量对应的样本第一人脸特征向量。

4.根据权利要求3所述的方法，其中，所述融合网络的结构是编码器-解码器结构。

5.根据权利要求3所述的方法，其中，所述融合网络是通过以下步骤得到的：

获取训练样本集合，训练样本包括样本第六人脸特征向量和样本第六人脸特征向量对应的人脸图像在所述人脸数据集中的样本人脸特征向量；

将所述训练样本集合中的训练样本的样本第六人脸特征向量作为输入，将与输入的样本第六人脸特征向量对应的人脸图像在所述人脸数据集中的样本人脸特征向量作为期望输出，训练得到所述融合网络。

6.根据权利要求5所述的方法，其中，所述将所述训练样本集合中的训练样本的样本第六人脸特征向量作为输入，将与输入的样本第六人脸特征向量对应的人脸图像在所述人脸数据集中的样本人脸特征向量作为期望输出，训练得到所述融合网络，包括：

从所述训练样本集合中选取训练样本，执行以下训练步骤：将选取的训练样本的样本第六人脸特征向量输入初始融合网络，得到与所述样本第六人脸特征向量对应的人脸特征向量；将所述人脸特征向量与对应的样本人脸特征向量进行分析，确定第一损失值；将所述第一损失值与预设阈值进行比较；根据比较结果确定初始融合网络是否训练完成；响应于确定初始融合网络训练完成，将初始融合网络确定为融合网络。

7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：

根据所述第一人脸特征向量，从预先存储的人脸轨迹集中进行匹配得到匹配数值；

确定所述匹配数值是否大于预设值；

响应于确定大于预设值，得到所述第一人脸特征向量所对的人脸图像的人脸与所匹配的人脸轨迹所对的人脸一致的信息；

根据所述信息，输出用于控制目标设备进行目标操作的控制信号。

8.一种用于生成人脸特征向量的装置，包括：

提取单元，被配置成对人脸图像进行特征提取，得到所述人脸图像对应的人脸特征向量；

生成单元，被配置成将所述人脸特征向量输入到预先训练的第一人脸识别网络，得到所述人脸特征向量对应的第一人脸特征向量，其中，所述第一人脸识别网络是通过如下步骤训练得到的：

获取训练样本集合，训练样本包括样本人脸特征向量和样本人脸特征向量对应的样本第一人脸特征向量；

将所述训练样本集合中的训练样本的样本人脸特征向量作为输入，将与输入的样本人脸特征向量对应的样本第一人脸特征向量作为期望输出，训练得到所述第一人脸识别网络。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images