CN111160263B - 一种获取人脸识别阈值的方法及*** - Google Patents

Abstract

本发明实施例公开了一种获取人脸识别阈值的方法及***，首先获取识别场景下已知人物与未知人物出现频次的比例作为样本比例，然后建立已知人物的正样本数据集，以及未知人物的负样本数据集，正样本总数量与负样本总数量的比例与样本比例一致。计算每个正样本及每个负样本与已知人物的相似性分数，生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布。最后，判断是否存在同频相似性分数使正样本分布和负样本分布上对应同频相似性分数的频率相同，如果是，将同频相似性分数确定为人脸识别阈值，如果否，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

Description

一种获取人脸识别阈值的方法及***

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种获取人脸识别阈值的方法及***。

背景技术

人脸识别是人工智能领域的研究热点，该技术能够快速有效地检测图像或者视频中的人脸并获得其身份信息，广泛应用于互联网内容审查、安防监控等场景。随着深度学习技术的快速发展，作为深度学习技术应用之一的人脸识别也获得了突破性进展，人脸识别精度逐渐提高，在某些场景下甚至超越了人类的识别极限。

人脸识别分为封闭集合人脸识别和开放集合人脸识别两类，分类依据在于是否在有限人脸集合上开展识别工作。封闭集合人脸识别只分析人脸数据库中已知人物的身份信息，即使有未知人物出现也会为其匹配人脸数据库中已知人物的身份信息；而开放集合人脸识别则允许识别人脸数据库外的未知人物，并不会为其匹配已知人物的身份信息。

针对封闭集合人脸识别而言，实现人脸识别的流程主要包括以下步骤：首先，采用深度神经网络提取待检测人脸的特征，然后，将待检测人脸的特征与人脸特征库中的特征进行比对，得到特征相似性分数，最后，根据相似性分数为待检测人脸匹配身份信息。而开放式人脸识别除了需要完成上述流程以外，还需要在获得特征相似性分数之后，通过阈值筛选的方式判别待检测人脸对应的人物身份是已知人物还是未知人物，在确认待检测人脸为已知人物之后，再为待检测人脸匹配身份信息。由此可见，阈值是保证开放式人脸识别准确性的重要基础。

目前，获取开放式人脸识别阈值主要采用以下方式：采集未知人物的人脸图像作为负样本，以及，采集已知人物的人脸图像作为正样本，将两类样本数据分别与人脸特征库对比，获得每个样本的相似性分数。根据相似性分数按照由高到低的方式为所有样本数据排序，若某一相似性分数能够使高于该分数的负样本数量占正负样本总数的百分比小于1％，则将该相似性分数作为人脸识别的阈值。

但是，在真实应用场景中，例如，在办公楼等场所中，固定出入的人员(如公司员工)数量往往比偶尔出入的人员数量多，采用上述方式所确定的阈值，即相似性分数较低，很可能将未知人员误判别为已知人员，影响人脸识别的准确率；而在商场等场所，固定出入的人员(如售货员)通常比偶尔出入的人员数量少，采用上述方式所确定的阈值，即相似性分数较高，很可能将已知人员误判别为未知人员，导致人脸识别的灵敏度下降。

发明内容

本发明实施例中提供了一种获取人脸识别阈值的方法及***，以解决现有人脸识别阈值确定方法影响人脸识别准确率和灵敏度的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

一种获取人脸识别阈值的方法，应用于区分识别场景下的已知人物和未知人物，包括：

获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例；

建立已知人物的正样本数据集，所述正样本数据集中每个正样本均包含一个已知人物的面部数据；

建立未知人物的负样本数据集，所述负样本数据集中每个负样本均包含一个未知人物的面部数据；正样本总数量与负样本总数量的比例与样本比例一致；

分别计算每个正样本及每个负样本与已知人物的相似性分数；

生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布；

判断是否存在一个同频相似性分数，使正样本分布和负样本分布上对应所述同频相似性分数的频率相同，

如果是，将所述同频相似性分数确定为人脸识别阈值；

如果否，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

可选的，所述分别计算每个正样本及每个负样本与已知人物的相似性分数，包括：

建立包含每个已知人物预存面部数据的数据库；

利用人脸特征提取模型提取数据库中每个已知人物预存面部数据的特征；

利用人脸特征提取模型分别提取每个正样本及每个负样本所含面部数据的特征；

根据已知人物预存面部数据特征、正样本面部数据特征以及负样本面部数据特征，采用打分模型分别计算每个正样本及每个负样本与已知人物的相似性分数。

可选的，所述根据已知人物预存面部数据特征、正样本面部数据特征以及负样本面部数据特征，采用打分模型分别计算每个正样本及每个负样本与已知人物的相似性分数，包括：

采用打分模型分别计算每个正样本面部数据特征与对应已知人物预存面部数据特征的特征分数并作为对应正样本的相似性分数；

采用打分模型分别计算每个负样本面部数据特征与所有已知人物预存面部数据特征的特征分数；

选取每一个负样本所有特征分数中的最大值作为对应负样本的相似性分数，每个负样本均具有一个相似性分数。

可选的，所述获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例，包括：

采用人工观测的方式获取识别场景下已知人物与未知人物出现频次的比例。

可选的，采用Facenet模型提取面部数据的特征。

一种获取人脸识别阈值的***，应用于区分识别场景下的已知人物和未知人物，包括：

样本比例获取模块，用于获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例；

正样本建立模块，用于建立已知人物的正样本数据集，所述正样本数据集中每个正样本均包含一个已知人物的面部数据；

负样本建立模块，用于建立未知人物的负样本数据集，所述负样本数据集中每个负样本均包含一个未知人物的面部数据；正样本总数量与负样本总数量的比例与样本比例一致；

相似性分数计算模块，用于分别计算每个正样本及每个负样本与已知人物的相似性分数；

分布生成模块，用于生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布；

人脸识别阈值确定模块，用于当存在一个同频相似性分数，使正样本分布和负样本分布上对应所述同频相似性分数的频率相同时，将所述同频相似性分数确定为人脸识别阈值；当不存在一个同频相似性分数，使正样本分布和负样本分布上对应所述同频相似性分数的频率相同时，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

可选的，所述相似性分数计算模块，包括：

数据库建立模块，用于建立包含每个已知人物预存面部数据的数据库；

特征提取模块，用于利用人脸特征提取模型提取数据库中每个已知人物预存面部数据的特征；以及，利用人脸特征提取模型分别提取每个正样本及每个负样本所含面部数据的特征；

计算模块，用于根据已知人物预存面部数据特征、正样本面部数据特征以及负样本面部数据特征，采用打分模型分别计算每个正样本及每个负样本与已知人物的相似性分数。

可选的，所述计算模块，包括：

正样本分数确定模块，用于采用打分模型分别计算每个正样本面部数据特征与对应已知人物预存面部数据特征的特征分数并作为对应正样本的相似性分数；

负样本分数确定模块，用于采用打分模型分别计算每个负样本面部数据特征与所有已知人物预存面部数据特征的特征分数；选取每一个负样本所有特征分数中的最大值作为对应负样本的相似性分数，每个负样本均具有一个相似性分数。

由以上技术方案可见，本发明实施例提供的一种获取人脸识别阈值的方法及***，根据识别场景下已知人物与未知人物出现频次的比例，建立已知人物对应的正样本数据集和未知人物对应的负样本数据集，其中，正样本数据集中正样本总数量与负样本数据集中负样本总数量的比例，与前述已知人物与未知人物出现频次的比例相同。从而，通过计算每个正样本及每个负样本与已知人物相似性分数，生成正样本相似性分数的分布及负样本相似性分数的分布。最终，判断是否存在一个同频相似性分数，使正样本分布和负样本分布上对应该同频相似性分数的频率相同，如果是，将这个同频相似性分数确定为人脸识别阈值；如果否，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。以该阈值为判别依据，区分识别场景下的已知人物和未知人物。

本发明通过获取识别场景中已知人物和未知人物出现频次的比例，预估人脸识别过程中已知人物和未知人物大致出现的频次。因此，以按照该比例构建的正样本及负样本为基础确定的阈值，可在识别场景下更为有效地区分已知人物和未知人物，从而提升人脸识别的准确性和灵敏性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种获取人脸识别阈值的方法流程示意图；

图2为本发明实施例提供的一种图1中步骤S104的流程示意图；

图3为本发明实施例提供的一种图2中步骤S404的流程示意图；

图4为本发明实施例提供的正样本相似性分数分布与负样本相似性分数分布在某个频率下相交的示意图；

图5为本发明实施例提供的一种获取人脸识别阈值的***结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

图1为本发明实施例公开的一种获取人脸识别阈值的方法流程示意图，该方法能够确定用于区分识别场景下已知人物和未知人物的阈值。如图1所示，该方法包括以下步骤。

步骤S101:获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例。

在本发明公开的实施例中，已知人物为身份信息已知的人物，未知人物为身份信息未知的人物，识别场景为需要区分已知人物和未知人物的场所。例如，识别场景为办公楼入口，已知人物为在该办公楼登记过身份信息的工作人员，未知人物为未在该办公楼登记过身份信息的外来人员。通常情况下，已知人物出入办公楼等公共场所的频次变动不大，未知人物出入类似场所的频次变动也不大。

因此，在本发明公开的实施例中，首先获取识别场景下已知人物与未知人物出现频次的比例，并将该比例作为后述建立正样本数据集和负样本数据集时的样本比例。其中，可采用任意方式获取识别场景下已知人物与未知人物出现频次的比例，比如采用人工观测的方式，或设备观测的方式等。

以人工观测的方式为例，观测人员每天在办公楼入口处记录已知人物出现的次数，以及，未知人物出现的次数，汇总五天观测的数据后，获取已知人物五天出现次数的平均值M作为办公楼入口处已知人物每天出现的频次，以及，获取未知人物五天出现次数的平均值N作为办公楼入口处未知人物每天出现的频次，M/N即为本步骤最终获取的频次比例，将该比例作为后述步骤需要的样本比例。

步骤S102:建立已知人物的正样本数据集。

建立已知人物的正样本数据集，该集合中的每个正样本均包含一个已知人物的面部数据，其中，面部数据可以为已知人物在出入识别场景时拍摄的面部照片，也可以为其他时刻拍摄的面部照片。

步骤S103:建立未知人物的负样本数据集。

建立未知人物的负样本数据集，该集合中的每个负样本均包含一个未知人物的面部数据，其中，未知人物可以是除已知人物外的任意人物，面部数据可以为未知人物在出入识别场景时拍摄的面部照片，也可以为其他时刻拍摄的面部照片。

在本发明公开的实施例中，对正样本数据集中正样本的总数量，以及，负样本数据集中负样本的总数量是有限制的，二者之间的比例需要满足步骤S101中获取的样本比例，即正样本总数量/负样本总数量＝M/N。

步骤S104:分别计算每个正样本及每个负样本与已知人物的相似性分数。

针对每一个正样本，计算其与已知人物的相似性分数，即正样本数据集中的每个正样本均具有一个独立的相似性分数。

针对每一个负样本，与正样本类似，计算其与已知人物的相似性分数，负样本数据集中的每个负样本均具有一个独立的相似性分数。

在本发明公开实施例中，如图2所示，本步骤可由以下子步骤实现。

步骤S401:建立包含每个已知人物预存面部数据的数据库。

获取每个已知人物的预存面部数据，并建立存储有所有已知人物预存面部数据的数据库。其中，预存面部数据可以是已知人物在识别场景下拍摄的一张面部照片，也可以为已知人物在其他地点拍摄的任意一张面部照片。每个已知人物分别对应一个独立的预存面部数据，并且，预存面部数据与前述正样本包含的面部数据不是在同一时刻拍摄的。

步骤S402:利用人脸特征提取模型提取数据库中每个已知人物预存面部数据的特征。

利用现有的人脸特征提取模型，例如Facenet模型，提取数据库中每个预存面部数据的特征，由此获得每个已知人物的面部特征。

步骤S403:利用人脸特征提取模型分别提取每个正样本及每个负样本所含面部数据的特征。

利用现有的人脸特征提取模型，提取每个正样本所含面部数据的特征，以及，提取每个负样本所含面部数据的特征。虽然正样本含有的面部数据是已知人物的面部照片，但是同一个人在不同光照下或不同时刻拍摄的面部照片中，具体细节会存在不同，由于数据库中已知人物的预存面部数据与正样本所含面部数据不是在同一时刻拍摄的，二者中已知人物面部细节不会完全相同，从而二者所提取出的特征必然不同。

同样，利用现有的人脸特征提取模型，提取每个负样本所含面部数据的特征。

步骤S404:根据已知人物预存面部数据特征、正样本面部数据特征以及负样本面部数据特征，采用打分模型分别计算每个正样本及每个负样本与已知人物的相似性分数。

在提取数据库中所有预存面部数据的特征，以及，提取所有正样本、负样本面部数据的特征之后，采用任意打分模型，计算每个正样本与已知人物的相似性分数，以及，计算每个负样本与已知人物的相似性分数。

在本发明公开的实施例中，如图3所示，本步骤包括以下子步骤。

步骤S4041:采用打分模型分别计算每个正样本面部数据特征与对应已知人物预存面部数据特征的特征分数并作为对应正样本的相似性分数。

在计算得到每个正样本面部数据的特征，以及，数据库中已知人物预存面部数据的特征之后，针对每一个正样本，将其面部数据的特征与所对应已知人物在数据库中预存面部数据的特征，采用打分模型进行分析计算，得到的计算结果，即特征分数，作为该正样本的相似性分数。在本发明公开的实施例中，一个正样本包含的面部数据对应着一个已知人物。

例如，正样本包含的面部数据对应着数据库中的已知人物张三，将包含张三面部数据正样本的面部数据特征，与数据库中张三预存面部数据的特征采用打分模型进行分析计算，得到二者比较后的特征分数，将这个特征分数作为包含张三面部数据正样本的相似性分数。

在完成本步骤时，每个正样本均具有一个相似性分数，正样本与相似性分数是一一对应的。

步骤S4042:采用打分模型分别计算每个负样本面部数据特征与所有已知人物预存面部数据特征的特征分数。

在计算得到每个负样本面部数据的特征，以及数据库中已知人物预存面部数据的特征之后，针对每一个负样本，将其面部数据的特征与所有已知人物在数据库中预存面部数据的特征，采用打分模型进行分析计算，得到的计算结果，即特征分数，数量与已知人物的数量相同。在完成本步骤时，一个负样本与每个已知人物都对应有一个特征分数，因此，每个负样本特征分数的数量与已知人物的数量相同。

例如，负样本未存储在数据库中的未知人物李四的面部数据，将包含李四面部数据负样本的面部数据特征，与数据库中所有已知人物预存面部数据的特征采用打分模型进行分析计算，得到李四与所有已知人物比较后的特征分数。

步骤S4043:选取每一个负样本所有特征分数中的最大值作为对应负样本的相似性分数，每个负样本均具有一个相似性分数。

在完成步骤S4042后，每个负样本均具有多个特征分数，针对每个负样本，将所有特征分数中的最大值作为该负样本的相似性分数，从而每个负样本均具有一个相似性分数。

例如，在计算得到李四与所有已知人物比较后的特征分数之后，选取这些特征分数中的最大值，将最大值作为包含李四面部数据负样本的相似性分数。

步骤S105:生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布。

在获取所有正样本相似性分数后，生成正样本相似性分数的分布。以及，在获取所有负样本相似性分数后，生成负样本相似性分数的分布。

步骤S106:判断是否存在一个同频相似性分数，使正样本分布和负样本分布上对应同频相似性分数的频率相同。

在所有正样本及负样本的相似性分数中，判断是否存在一个相似性分数，在本发明公开的实施例中将其称为同频相似性分数，能够使正样本分布和负样本分布上对应这个同频相似性分数的频率相同。即，判断正样本相似性分数的分布与负样本相似性分数的分布是否在某个频率下出现相交，如果存在相交，该频率对应的相似性分数即为同频相似性分数。

如果是，则执行步骤S107，如果否，则执行步骤S108。

步骤S107：将同频相似性分数确定为人脸识别阈值。

如图4所示，正样本相似性分数的分布与负样本相似性分数的分布在某个频率下出现相交，将该频率对应的同频相似性分数确定为人脸识别阈值，并以此区分识别场景下的已知人物和未知人物。

步骤S108:在正样本相似性分数中的最低值与负样本分布中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

若正样本相似性分数的分布与负样本相似性分数的分布并没有出现相交，则在正样本相似性分数中的最低值与负样本分布中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

例如，正样本相似性分数中的最低值为60，负样本相似性分数中的最高值为40，在40-60之间的范围内，任意选取一个相似性分数，如50，将其确定为人脸识别阈值。

在本发明公开的另一个具体实施例中，当不存在一个同频相似性分数，使正样本分布和负样本分布上对应同频相似性分数的频率相同时，即，正样本分布与负样本分布不相交时，首先增加正样本和负样本的数量，然后重新执行步骤S102至步骤S107，若正样本分布与负样本分布仍然不相交，则最终执行步骤S108。

图5为本发明实施例提供的一种获取人脸识别阈值的***的结构示意图，该***应用于区分识别场景下的已知人物和未知人物，包括以下模块。其中，

样本比例获取模块11，被配置为获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例；

正样本建立模块12，被配置为建立已知人物的正样本数据集，正样本数据集中每个正样本均包含一个已知人物的面部数据；

负样本建立模块13，被配置为建立未知人物的负样本数据集，负样本数据集中每个负样本均包含一个未知人物的面部数据；正样本总数量与负样本总数量的比例与样本比例一致；

相似性分数计算模块14，被配置为分别计算每个正样本及每个负样本与已知人物的相似性分数；

分布生成模块15，被配置为生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布；

人脸识别阈值确定模块16，被配置为当存在一个同频相似性分数，使正样本分布和负样本分布上对应同频相似性分数的频率相同时，将同频相似性分数确定为人脸识别阈值；当不存在一个同频相似性分数，使正样本分布和负样本分布上对应同频相似性分数的频率相同时，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

在本发明公开的一个实施例中，前述实施例中的相似性分数计算模块14，包括以下子模块，其中，

数据库建立模块，被配置为建立包含每个已知人物预存面部数据的数据库；

特征提取模块，被配置为利用人脸特征提取模型提取数据库中每个已知人物预存面部数据的特征；以及，利用人脸特征提取模型分别提取每个正样本及每个负样本所含面部数据的特征；

计算模块，被配置为根据已知人物预存面部数据特征、正样本面部数据特征以及负样本面部数据特征，采用打分模型分别计算每个正样本及每个负样本与已知人物的相似性分数。

在本发明公开的一个实施例中，前述实施例中的计算模块，包括以下子模块，其中：

正样本分数确定模块，被配置为采用打分模型分别计算每个正样本面部数据特征与对应已知人物预存面部数据特征的特征分数并作为对应正样本的相似性分数；

负样本分数确定模块，被配置为采用打分模型分别计算每个负样本面部数据特征与所有已知人物预存面部数据特征的特征分数；选取每一个负样本所有特征分数中的最大值作为对应负样本的相似性分数，每个负样本均具有一个相似性分数。

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。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种获取人脸识别阈值的方法，应用于区分识别场景下的已知人物和未知人物，其特征在于，包括：

获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例；

建立已知人物的正样本数据集，所述正样本数据集中每个正样本均包含一个已知人物的面部数据；

建立未知人物的负样本数据集，所述负样本数据集中每个负样本均包含一个未知人物的面部数据；正样本总数量与负样本总数量的比例与样本比例一致；

建立包含每个已知人物预存面部数据的数据库；

利用人脸特征提取模型提取数据库中每个已知人物预存面部数据的特征；

利用人脸特征提取模型分别提取每个正样本及每个负样本所含面部数据的特征；

采用打分模型分别计算每个正样本面部数据特征与对应已知人物预存面部数据特征的特征分数并作为对应正样本的相似性分数；

采用打分模型分别计算每个负样本面部数据特征与所有已知人物预存面部数据特征的特征分数；

选取每一个负样本所有特征分数中的最大值作为对应负样本的相似性分数，每个负样本均具有一个相似性分数；

生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布；

判断是否存在一个同频相似性分数，使正样本分布和负样本分布上对应所述同频相似性分数的频率相同，

如果是，将所述同频相似性分数确定为人脸识别阈值；

如果否，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。

2.根据权利要求1所述的方法，其特征在于，所述获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例，包括：

采用人工观测的方式获取识别场景下已知人物与未知人物出现频次的比例。

3.根据权利要求1所述的方法，其特征在于，采用Facenet模型提取面部数据的特征。

4.一种获取人脸识别阈值的***，应用于区分识别场景下的已知人物和未知人物，其特征在于，包括：

样本比例获取模块，用于获取识别场景下已知人物与未知人物出现频次的比例并作为样本比例；

正样本建立模块，用于建立已知人物的正样本数据集，所述正样本数据集中每个正样本均包含一个已知人物的面部数据；

负样本建立模块，用于建立未知人物的负样本数据集，所述负样本数据集中每个负样本均包含一个未知人物的面部数据；正样本总数量与负样本总数量的比例与样本比例一致；

数据库建立模块，用于建立包含每个已知人物预存面部数据的数据库；

特征提取模块，用于利用人脸特征提取模型提取数据库中每个已知人物预存面部数据的特征；以及，利用人脸特征提取模型分别提取每个正样本及每个负样本所含面部数据的特征；

正样本分数确定模块，用于采用打分模型分别计算每个正样本面部数据特征与对应已知人物预存面部数据特征的特征分数并作为对应正样本的相似性分数；

负样本分数确定模块，用于采用打分模型分别计算每个负样本面部数据特征与所有已知人物预存面部数据特征的特征分数；选取每一个负样本所有特征分数中的最大值作为对应负样本的相似性分数，每个负样本均具有一个相似性分数；

分布生成模块，用于生成正样本相似性分数的分布，以及，生成负样本相似性分数的分布；

人脸识别阈值确定模块，用于当存在一个同频相似性分数，使正样本分布和负样本分布上对应所述同频相似性分数的频率相同时，将所述同频相似性分数确定为人脸识别阈值；当不存在一个同频相似性分数，使正样本分布和负样本分布上对应所述同频相似性分数的频率相同时，在正样本相似性分数中的最低值与负样本相似性分数中的最高值之间，任意选取一个相似性分数确定为人脸识别阈值。