CN104573652A - 确定人脸图像中人脸的身份标识的方法、装置和终端 - Google Patents

Abstract

本发明提供一种确定人脸图像中人脸的身份标识的方法、装置和终端，该方法包括：获取人脸图像的原始特征向量；根据原始特征向量，从人脸图像数据库中选择k个候选向量；从k个候选向量中选取原始特征向量的匹配向量；根据原始特征向量的匹配向量，将人脸图像数据库中记录的匹配向量的身份标识确定为人脸图像中的人脸的身份标识。本发明实施例中，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率和准确率。

Description

确定人脸图像中人脸的身份标识的方法、装置和终端

技术领域

本发明涉及通信领域，并且更为具体地，涉及一种确定人脸图像中人脸的身份标识的方法、装置和终端。

背景技术

人脸识别是近年来的一项热门计算机技术，它属于生物特征识别技术的一种。生物识别技术还包括：指纹识别、虹膜识别等，这些识别技术可以达到很高的识别率。但是这些生物特征识别技术的运用需要被识别人很好的配合，也就是说这些识别技术对人和环境的具有比较严苛的要求，使得这些技术在诸如公共场所，人流量大的地方以及非强制性民用领域的应用受到很大的限制。而人脸识别则可以突破以上限制，有更为广泛的应用。

人脸识别技术经过几十年的发展，产生了很多方法，例如模板匹配、示例学习、神经网络等等。基于联合贝叶斯概率模型的人脸识别方法是一种常用的人脸识别方法，利用联合贝叶斯概率模型验证两幅人脸图像是不是同一人的人脸图像具有很高的准确性，下面简单介绍基于联合贝叶斯概率模型的人脸识别方法。

首先，通过训练生成联合贝叶斯概率矩阵P，然后，分别提取待验证的人脸f1和人脸f2的特征v1和v2，接着，将v1和v2拼接为一个向量[v1,v2]，最后利用如下公式(1)：

s＝[v1,v2]*P*[v1,v2]^Τ        (1)

计算v1和v2之间的距离，当该距离小于预设阈值时，就认为f1和f2是同一个人；当该距离大于预设阈值时，就认为f1和f2不是同一人。联合贝叶斯概率矩阵P可以通过离线学习得到，在学习联合贝叶斯概率矩阵P时，可以直接学习整个矩阵P，也可以将P矩阵进行分解，利用如下公式(2)：

$s=[v1,v2]*\left[\begin{array}{cc}A& B\\ B& A\end{array}\right]*{[v1,v2]}^T---\left(2\right)$

分别快速学习子矩阵A和子矩阵B，其中，A为联合贝叶斯概率矩阵P中的互相关子矩阵，B为联合贝叶斯概率矩阵P中的自相关子矩阵。使用这种方法进行人脸识别时，需要预先建立人脸图像数据库，人脸图像数据库中的每一个向量对应一个身份。在识别过程中，需要将人脸f1的特征向量v1与人脸图像数据库中的每个向量利用公式(1)或公式(2)进行比对，求得它们之间的距离s，并从人脸图像数据库中选出与v1距离最小的向量作为v1的匹配向量。当该匹配向量与v1之间的距离小于预设阈值时，将人脸图像数据库中的该匹配向量对应的身份确定为f1的身份；当该匹配向量与v1之间的距离大于预设阈值时，表示人脸f1的身份未记录在人脸图像数据库中，可以为f1分配新的身份，并在数据库中建立该新的身份与v1的对应关系。

由上可知，使用基于联合贝叶斯概率模型的人脸识别方法时，需要将待匹配的人脸特征向量与人脸图像数据库中的全部向量进行比对，一般情况下，人脸图像数据库的规模比较大，利用公式s＝[v1,v2]*P*[v1,v2]与数据库中每个向量进行比对运算量大，耗时多，不利于人脸的快速识别。

发明内容

本发明实施例提供一种确定人脸图像中人脸身份标识的方法、装置和终端，以提高人脸识别的效率。

第一方面，提供一种确定人脸图像中人脸的身份标识的方法，包括：获取人脸图像的原始特征向量；根据所述原始特征向量，从人脸图像数据库中选择k个候选向量，其中，所述人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数；从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，所述原始特征向量的匹配向量为所述k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示所述原始特征向量；根据所述原始特征向量的匹配向量，将所述人脸图像数据库中记录的所述匹配向量的身份标识确定为所述人脸图像中的人脸的身份标识。

结合第一方面，在第一方面的一种实现方式中，所述获取人脸图像的原始特征向量包括：跟踪所述人脸在不同视频图像中的位置，得到连续的N帧人脸图像；从所述N帧人脸图像中的第t帧人脸图像获取所述原始特征向量，其中1≤t＜N；所述方法还包括：将所述原始特征向量的匹配向量，以及所述人脸图像数据库中记录的所述匹配向量的身份标识存入缓存数据库；获取所述N帧人脸图像中的第t+1帧人脸图像的原始特征向量，所述第t+1帧人脸图像为所述第t帧人脸图像的后一帧人脸图像；根据所述第t+1帧人脸图像的原始特征向量，从所述缓存数据库中选择目标向量，其中，所述缓存数据库包含所述第t帧人脸图像的原始特征向量的匹配向量；当所述第t+1帧人脸图像的原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述缓存数据库中记录的所述目标向量的身份标识确定为所述第t+1帧人脸图像中的人脸的身份标识。

结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述根据所述第t+1帧人脸图像的原始特征向量，从所述缓存数据库中选择目标向量，包括：根据公式从所述缓存数据库中选取所述目标向量，其中，v2表示所述第t+1帧人脸图像的原始特征向量，表示所述缓存数据库中的向量，s表示v2和的目标距离。

结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述根据所述原始特征向量，从人脸图像数据库中选择k个候选向量，包括：根据公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从所述人脸图像数据库中选取所述k个候选向量，其中，s^*表示[v1,0]和v^*之间的欧式距离。

结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述从所述k个候选向量中选取所述原始特征向量的匹配向量，包括：根据公式 $s^{**}=-({\left(x_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·v^{1}T,$ 从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，表示所述k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述方法由服务器执行，所述获取人脸图像的原始特征向量，包括：所述服务器从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；所述服务器从所述向量v'中提取所述原始特征向量。

第二方面，提供一种确定人脸图像中人脸的身份标识的方法，包括：获取人脸图像的原始特征向量；根据公式从人脸图像数据库中选取目标向量，其中，v2表示所述原始特征向量，表示所述人脸图像数据库中的向量，包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，s表示v2与之间的目标距离，所述目标向量为所述人脸图像数据库中与v2目标距离最小的向量；当所述原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述人脸图像数据库中记录的所述目标向量的身份标识确定为所述人脸图像中的人脸的身份标识。

第三方面，提供一种确定人脸图像中人脸的身份标识的装置，包括：第一获取单元，用于获取人脸图像的原始特征向量；第一选取单元，用于根据所述原始特征向量，从人脸图像数据库中选择k个候选向量，其中，所述人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数；第二选取单元，用于从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，所述原始特征向量的匹配向量为所述k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示所述原始特征向量；第一确定单元，用于根据所述原始特征向量的匹配向量，将所述人脸图像数据库中记录的所述匹配向量的身份标识确定为所述人脸图像中的人脸的身份标识。

结合第三方面，在第三方面的一种实现方式中，所述第一获取单元具体用于跟踪所述人脸在不同视频图像中的位置，得到连续的N帧人脸图像；从所述N帧人脸图像中的第t帧人脸图像获取所述原始特征向量，其中1≤t＜N；所述装置还包括：存取单元，用于将所述原始特征向量的匹配向量，以及所述人脸图像数据库中记录的所述匹配向量的身份标识存入缓存数据库；第二获取单元，用于获取所述N帧人脸图像中的第t+1帧人脸图像的原始特征向量，所述第t+1帧人脸图像为所述第t帧人脸图像的后一帧人脸图像；第三选取单元，用于根据所述第t+1帧人脸图像的原始特征向量，从所述缓存数据库中选择目标向量，其中，所述缓存数据库包含所述第t帧人脸图像的原始特征向量的匹配向量；第二确定单元，用于当所述第t+1帧人脸图像的原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述缓存数据库中记录的所述目标向量的身份标识确定为所述第t+1帧人脸图像中的人脸的身份标识。

结合第三方面或其上述实现方式的任一种，在第三方面的另一种实现方式中，所述第三选取单元具体用于根据公式从所述缓存数据库中选取所述目标向量，其中，v2表示所述第t+1帧人脸图像的原始特征向量，表示所述缓存数据库中的向量，s表示v2和的目标距离。

结合第三方面或其上述实现方式的任一种，在第三方面的另一种实现方式中，所述第一选取单元具体用于根据公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从所述人脸图像数据库中选取所述k个候选向量，其中，s^*表示[v1,0]和v^*之间的欧式距离。

结合第三方面或其上述实现方式的任一种，在第三方面的另一种实现方式中，所述第二选取单元具体用于根据公式 $s^{**}=-({\left(s_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·v^{1}T,$ 从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，表示所述k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

结合第三方面或其上述实现方式的任一种，在第三方面的另一种实现方式中，所述装置为服务器，所述第一获取单元具体用于从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；从所述向量v'中提取所述原始特征向量。

第四方面，提供一种确定人脸图像中人脸的身份标识的装置，包括：获取单元，用于获取人脸图像的原始特征向量；选取单元，用于根据公式从人脸图像数据库中选取目标向量，其中，v2表示所述原始特征向量，表示所述人脸图像数据库中的向量，包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，s表示v2与之间的目标距离，所述目标向量为所述人脸图像数据库中与v2目标距离最小的向量；确定单元，用于当所述原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述人脸图像数据库中记录的所述目标向量的身份标识确定为所述人脸图像中的人脸的身份标识。

第五方面，提供一种终端，包括：摄像头，用于采集人脸图像；处理器，用于获取所述人脸图像的原始特征向量v1，根据所述原始特征向量v1，生成向量v'，其中，v'＝[v1,v1·B·v1^Τ]，B表示联合贝叶斯概率矩阵中的自相关子矩阵；发射器，用于向服务器发送所述向量v'，所述向量v'用于服务器识别所述人脸图像中的人脸的身份标识。

现有技术中，假设人脸图像的原始特征向量为v1，人脸图像数据库中的向量为v，则原始特征向量v1与人脸图像数据库中的每个向量v进行比对时，均要按照公式 $s=[v1,,v2]*\left[\begin{array}{cc}A& B\\ B& A\end{array}\right]*{[v1,v2]}^T---\left(2\right)$ 重新计算v·A和v·B·v^Τ，本发明实施例中，先获取人脸图像的原始特征向量，然后从人脸图像数据库中选取原始特征向量的匹配向量，由于人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，也就是说，本发明实施例中，人脸图像数据库中存储的是低级的人脸的特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明实施例的确定人脸图像中人脸的身份标识的方法的示意性流程图。

图2是本发明实施例的确定人脸图像中人脸的身份标识的方法的示意性流程图。

图3是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。

图4是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。

图5是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。

图6是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。

图7是本发明实施例的终端的示意性框图。

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

图1是本发明实施例的确定人脸图像中人脸的身份标识的方法的示意性流程图。图1的方法包括：

110、获取人脸图像的原始特征向量。

上述原始特征向量可以是提取人脸图像的HOG(Histogram of Gradient，方向梯度直方图)，LBP(Local Binary Patterns，局部二值模式)等特征得到的向量，本发明实施例对此不作具体限定。

120、根据原始特征向量，从人脸图像数据库中选择k个候选向量，其中，人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数。

上述v^*包含分量[v·A,v·B·v^Τ]是指v^*中的至少部分分量为[v·A,v·B·v^Τ]，举例说明，假设[v·A,v·B·v^Τ]＝[2221]，那么v^*可以等于[2221]，或者，v^*＝[22210]，只要v^*包含[2221]即可。

在现有技术中，人脸图像数据库中存储的是与原始特征向量采用相同特征提取方式得到的特征向量，假设原始特征向量用v1表示，人脸图像数据库中存储的特征向量用v表示，将公式(2)展开可以得到如下公式(3)：

s＝v·B·v^Τ+v1·B·v1^Τ+2·v·A·v1^Τ                 (3)

由于人脸图像数据库中的向量v是已知的，通过观察公式(3)可以看出，公式(3)中的v·B·v^Τ，以及v·A是可以离线计算得到的。因此，本发明实施例中，人脸图像数据库中不再存储某个人脸的特征向量v，而改存向量v^*，并且将[v·A,v·B·v^Τ]作为v^*的分量，而[v·A,v·B·v^Τ]中的v·A和v·B·v^Τ正是现有技术中利用公式(3)进行人脸识别时需要在线执行的运算，也就是说，通过改变人脸图像数据库中向量的具体形式，将一部分需要在线执行的运算离线计算好，提高了人脸识别的效率。

此外，上述k个候选向量可以是人脸图像数据库中与向量[v1,0]欧式距离最短的k个候选向量，上述k个候选向量与原始特征向量的欧式距离最短是指：人脸图像数据库中，按照与原始特征向量欧式距离从小到达排序，排在前k个的向量。上述从人脸图像数据库中选取与向量[v1,0]欧式距离最短的k个候选向量可以有多种，下面给出两种具体的实现方式。

可选地，作为一种实现方式，可以将向量[v1,0]与人脸图像数据库中的每个向量进行比对，找出欧式距离最短的k个向量作为候选向量。

可选地，作为另一种实现方式，根据第二距离公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从人脸图像数据库中选取k个候选向量，其中，v1表示原始特征向量，s^*表示[v1,0]与v^*之间的欧式距离。在该实现方式中，利用kd-tree算法，快速搜索出k个候选向量，与向量之间一一比对的方式相比，提高了算法的效率。kd-tree是由二叉搜索树推广而来的用于多维搜索的树。kd-tree与二叉树不同的是它的每个节点表示高维空间(空间的维数取决于向量的维数)的一个点，kd-tree将求解向量之间相似性的问题转换成求解高维空间中点与点之间的距离，两点在高维空间中的距离越近，对应的两个向量相似性越高。具体实现时，kd-tree通过分割超平面的方式将高维空间进行层次划分，确定待搜索的点(表示原始特征向量的点)对应的k个最近邻点，并将这k个最近邻点对应的向量作为上述k个候选向量。

130、从k个候选向量中选取原始特征向量的匹配向量，其中，原始特征向量的匹配向量为k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示原始特征向量。

上述从k个候选向量中选取原始特征向量的匹配向量的方式可以有多种。例如，根据公式 $s^{**}=-({\left(s_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·v^{1}T,$ 从k个候选向量中选取原始特征向量的匹配向量，其中，表示k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

可以验证，通过上述公式得到的原始特征向量的匹配向量，与基于联合贝叶斯概率模型得到的匹配向量结果一致，但由于人脸图像数据库中的向量包含分量相当于将利用联合贝叶斯概率模型计算向量相似性时需要在线计算的v_i·A和通过离线运算得到，并存储在人脸图像数据库中，在线计算时，仅需从人脸图像数据库中获得也就相当于得到了v_i·A和的运算结果，提高了人脸识别的效率。

进一步地，可以将或预先存储于人脸图像数据库中，这样做的好处是将需要在线执行的一部分运算离线执行，当需要利用上述公式计算余弦距离时，可以直接从数据库中得到或无需在线计算或进一步提高了人脸识别的效率。

140、根据原始特征向量的匹配向量，将人脸图像数据库中记录的匹配向量的身份标识确定为人脸图像中的人脸的身份标识。

应理解，人脸的身份标识是指该人脸所代表的人的唯一标识，例如，该人的身份证号。

具体地，人脸图像数据库中记录了向量与身份标识的对应关系，当确定原始特征向量的匹配向量之后，可以直接从人脸图像数据库中找到该匹配向量的身份标识，然后将该身份标识确定为人脸图像中的人脸的身份标识。或者，先判断原始特征向量与匹配向量之间的余弦距离是否小于预设阈值，如果小于预设阈值，则将匹配向量的身份标识确定为该人脸的身份标识；如果大于预设阈值，则表明从人脸图像数据库中未找到该人脸的身份标识。

现有技术中，假设人脸图像的原始特征向量为v1，人脸图像数据库中的向量为v，则原始特征向量v1与人脸图像数据库中的每个向量v进行比对时，均要按照公式 $s=[v,v1]*\left[\begin{array}{cc}A& B\\ B& A\end{array}\right]*{[v,v1]}^T=v\·B\·v^T+v1\·B\·v{1}^T+2\·v\·A\·{v1}^T$ 重复计算v·A和v·B·v^Τ，本发明实施例中，先获取人脸图像的原始特征向量，然后从人脸图像数据库中选取原始特征向量的匹配向量，由于人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，也就是说，本发明实施例中，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

本发明实施例的方法可以应用于视频中的人脸识别，为了便于理解，先简单介绍视频信号中人脸识别的大体流程。

第一步：对初始帧进行人脸检测，例如采用Robust Real-time ObjectDetection算法进行人脸检测，得到视频图像中人脸的初始位置，得到一帧人脸图像。然后，在后续视频帧中，利用目标跟踪算法，例如，Tracking-Learning-Detection算法，对该人脸的位置进行跟踪，得到人脸的跟踪序列，该跟踪序列包括多帧人脸图像。

第二步，利用公式(1)或公式(2)将跟踪序列中的每一帧人脸图像的原始特征向量与人脸图像数据库中的全部特征向量进行比对，选出每一帧人脸图像中的人脸的身份标识。采用投票机制，对识别出的身份标识进行统计，将得票最多的身份标识确定为该人脸的最终身份标识。当然，如果从人脸图像数据库中未确定出该人脸的身份标识，可以为该人脸分配一个新的身份标识，并在人脸图像数据库中注册该新的身份标识。

下面详细介绍在上述视频信号中人脸识别的架构下的本发明的具体实现方式。

可选地，作为一个实施例，步骤110可包括：跟踪人脸在不同视频图像中的位置，得到连续的N帧图像；从N帧图像中的第t帧图像获取原始特征向量，其中1≤t＜N；图1的方法还可包括：将原始特征向量的匹配向量，以及人脸图像数据库中记录的匹配向量的身份标识存入缓存数据库；获取N帧人脸图像中的第t+1帧人脸图像的原始特征向量，其中第t+1帧人脸图像为第t帧人脸图像的后一帧人脸图像；根据第t+1帧人脸图像的原始特征向量，从缓存数据库中选择目标向量，其中，缓存数据库包含第t帧人脸图像的原始特征向量的匹配向量；当第t+1帧人脸图像的原始特征向量与目标向量之间的目标距离小于预设阈值时，将缓存数据库中记录的目标向量的身份标识确定为第t+1帧人脸图像中的人脸的身份标识。

上述N帧人脸图像组成了视频中人脸的跟踪序列，上述第t帧人脸图像可以是N帧人脸图像中的第1帧人脸图像，也可以是N帧人脸图像中除最后1帧人脸图像之外的任意人脸图像。实际中，可以将N帧人脸图像按照其在视频中出现的先后顺序进行排列，然后依次识别人脸图像中的人脸，针对每一帧人脸图像进行人脸识别时，先访问缓存数据库，如果从缓存数据库中未识别出人脸，继续访问人脸图像数据库。也就是说，本发明实施例引入缓存数据库和人脸图像数据库这样一种二级数据库结构，可以将人脸图像数据库中经常被访问的人脸图像存入缓存数据库，实际访问时，先访问缓存数据库，如果基于缓存数据库中未能识别出人脸，再访问全局的人脸图像数据库，一定程度上提高了人脸识别的效率。

具体而言，由于N帧人脸图像是对同一人脸跟踪得到的人脸图像，因此，第t帧人脸图像和第t+1帧人脸图像匹配结果相同的概率很高，当从人脸图像数据库中找到第t帧人脸图像的原始特征向量的匹配向量时，将该匹配向量存入缓存数据库，第t+1帧人脸图像先访问缓存数据库时命中该匹配向量的概率很高。需要说明的是，实际中，不但可以将第t帧人脸图像中的原始特征向量的匹配向量存储到缓存数据库中，也可以将人脸图像数据库中的与该匹配向量存储位置相邻的向量一并存储缓存数据库(当然，前提是人脸图像数据库中的向量的具体组织形式为相似性越高的向量，在人脸图像数据库中的存储位置越接近)。

需要说明的是，根据第t+1帧人脸图像的原始特征向量，从缓存数据库中选择目标向量可以包括：根据公式从缓存数据库中选取目标向量，其中，v2表示第t+1帧人脸图像的原始特征向量，表示缓存数据库中的向量，s表示v2和的目标距离。

现有技术中，跟踪序列会包含多帧人脸图像，由于视频信号的帧速率很高，跟踪序列中采集到的人脸的很多图像非常相似，如果不加筛选，将跟踪序列中的全部人脸图像用作后续人脸识别，相似度极高的人脸图像的人脸识别结果一般相同，会引入不必要的重复计算。

可选地，作为一个实施例，上述跟踪人脸在不同视频图像中的位置，得到连续的N帧人脸图像，可包括：从视频中获取M帧人脸图像，M≥N；根据M帧人脸图像中的人脸的相似性，从M帧人脸图像中删除冗余的人脸图像，得到N帧人脸图像。

也就是说，本发明实施例中，先从视频中采集到M帧人脸图像，然后基于这M帧人脸图像的相似性，删除一部分冗余的人脸图像，例如，如果两帧图像非常相似，保留其中一张即可。上述M帧人脸图像组成了视频中人脸的初始跟踪序列，而上述N帧人脸图像组成了最终的用于人脸识别的跟踪序列。

人脸的相似性的度量方式可以有多种，例如，先提取M帧人脸图像的原始特征向量，然后采用公式(1)或公式(2)，即联合贝叶斯概率模型，计算两个向量之间的相似性(或距离)。举例说明，从当前帧中采集人脸的原始特征向量，利用公式(1)将该原始特征向量与已经加入跟踪序列中的其他人脸图像的原始特征向量进行比对(可以与跟踪序列中的其他全部人脸图像的原始特征向量进行比对，也可以仅选取时间上连续的几帧人脸图像的原始特征向量进行比对)，当比对结果大于预设阈值，将当前帧加入跟踪序列，否则丢弃当前帧。

应理解，图1的方法可以由位于云端的服务器执行，步骤110中的获取人脸图像的原始特征向量可以是：该服务器直接从人脸图像中获取该原始特征向量。也可以由移动终端获取该原始特征向量后，将该原始特征向量上传至该服务器。下面给出终端采集人脸图像的原始特征向量，并向服务器上传该原始特征向量的一个具体实施例：服务器从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；服务器从向量v'中提取原始特征向量。

图2是本发明实施例的确定人脸图像中人脸的身份标识的方法的示意性流程图。图2的方法包括：

210、获取人脸图像的原始特征向量；

220、根据公式从人脸图像数据库中选取目标向量，其中，v2表示原始特征向量，v_c ^*表示人脸图像数据库中的向量，包含分量[v·A,v·B·v^Τ]，v和原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示联合贝叶斯概率矩阵中的自相关子矩阵，s表示v2与之间的目标距离，目标向量为人脸图像数据库中与v2目标距离最小的向量；

230、当原始特征向量与目标向量之间的目标距离小于预设阈值时，将人脸图像数据库中记录的目标向量的身份标识确定为人脸图像中的人脸的身份标识。

由于人脸图像数据库中的向量包含分量[v·A,v·B·v^Τ]，也就是说，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

上文结合图1和图2，详细描述了根据本发明实施例的确定人脸图像中人脸的身份标识的方法。下文结合图3至图6，详细描述根据本发明实施例的确定人脸图像中人脸的身份标识的装置。

图3是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。应理解，图3的装置300能够实现图1中描述的各个步骤，为避免重复，此处不再详述。装置300包括：

第一获取单元310，用于获取人脸图像的原始特征向量；

第一选取单元320，用于根据原始特征向量，从人脸图像数据库中选择k个候选向量，其中，人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数；

第二选取单元330，用于从k个候选向量中选取原始特征向量的匹配向量，其中，原始特征向量的匹配向量为k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示原始特征向量；

第一确定单元340，用于根据原始特征向量的匹配向量，将人脸图像数据库中记录的匹配向量的身份标识确定为人脸图像中的人脸的身份标识。

现有技术中，假设人脸图像的原始特征向量为v1，人脸图像数据库中的向量为v，则原始特征向量v1与人脸图像数据库中的每个向量v进行比对时，均要按照公式 $s=[v,v1]*\left[\begin{array}{cc}A& B\\ B& A\end{array}\right]*{[v,v1]}^T=v\·B\·v^T+v1\·B\·v{1}^T+2\·v\·A\·{v1}^T$ 重复计算v·A和v·B·v^Τ，本发明实施例中，先获取人脸图像的原始特征向量，然后从人脸图像数据库中选取原始特征向量的匹配向量，由于人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，也就是说，本发明实施例中，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

可选地，作为一个实施例，第一获取单元310具体用于跟踪人脸在不同视频图像中的位置，得到连续的N帧人脸图像；从N帧人脸图像中的第t帧人脸图像获取原始特征向量，其中1≤t＜N；装置300还包括：存取单元，用于将原始特征向量的匹配向量，以及人脸图像数据库中记录的匹配向量的身份标识存入缓存数据库；第二获取单元，用于获取N帧人脸图像中的第t+1帧人脸图像的原始特征向量，第t+1帧人脸图像为第t帧人脸图像的后一帧人脸图像；第三选取单元，用于根据第t+1帧人脸图像的原始特征向量，从缓存数据库中选择目标向量，其中，缓存数据库包含第t帧人脸图像的原始特征向量的匹配向量；第二确定单元，用于当第t+1帧人脸图像的原始特征向量与目标向量之间的目标距离小于预设阈值时，将缓存数据库中记录的目标向量的身份标识确定为第t+1帧人脸图像中的人脸的身份标识。

可选地，作为一个实施例，第三选取单元具体用于根据公式从缓存数据库中选取目标向量，其中，v2表示第t+1帧人脸图像的原始特征向量，表示缓存数据库中的向量，s表示v2和的目标距离。

可选地，作为一个实施例，第一选取单元320具体用于根据公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从人脸图像数据库中选取k个候选向量，其中，s^*表示[v1,0]和v^*之间的欧式距离。

可选地，作为一个实施例，第二选取单元330具体用于根据公式 $s^{**}=-({\left(s_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·v^{1}T,$ 从k个候选向量中选取原始特征向量的匹配向量，其中，表示k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

可选地，作为一个实施例，装置300为服务器，第一获取单元310具体用于从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；从向量v'中提取原始特征向量。

图4是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。应理解，图4的装置400能够实现图1中描述的各个步骤，为避免重复，此处不再详述。装置400包括：

存储器410，用于存储程序；

处理器420，用于执行程序，当所述程序被执行时，所述处理器420具体用于：获取人脸图像的原始特征向量；根据原始特征向量，从人脸图像数据库中选择k个候选向量，其中，人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数；从k个候选向量中选取原始特征向量的匹配向量，其中，原始特征向量的匹配向量为k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示原始特征向量；根据原始特征向量的匹配向量，将人脸图像数据库中记录的匹配向量的身份标识确定为人脸图像中的人脸的身份标识。

现有技术中，假设人脸图像的原始特征向量为v1，人脸图像数据库中的向量为v，则原始特征向量v1与人脸图像数据库中的每个向量v进行比对时，均要按照公式 $s=[v,v1]*\left[\begin{array}{cc}A& B\\ B& A\end{array}\right]*{[v,v1]}^T=v\·B\·v^T+v1\·B\·v{1}^T+2\·v\·A\·{v1}^T$ 重复计算v·A和v·B·v^Τ，本发明实施例中，先获取人脸图像的原始特征向量，然后从人脸图像数据库中选取原始特征向量的匹配向量，由于人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，也就是说，本发明实施例中，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

可选地，作为一个实施例，处理器420具体用于跟踪人脸在不同视频图像中的位置，得到连续的N帧人脸图像；从N帧人脸图像中的第t帧人脸图像获取原始特征向量，其中1≤t＜N；处理器420还用于将原始特征向量的匹配向量，以及人脸图像数据库中记录的匹配向量的身份标识存入缓存数据库；获取N帧人脸图像中的第t+1帧人脸图像的原始特征向量，第t+1帧人脸图像为第t帧人脸图像的后一帧人脸图像；根据第t+1帧人脸图像的原始特征向量，从缓存数据库中选择目标向量，其中，缓存数据库包含第t帧人脸图像的原始特征向量的匹配向量；当第t+1帧人脸图像的原始特征向量与目标向量之间的目标距离小于预设阈值时，将缓存数据库中记录的目标向量的身份标识确定为第t+1帧人脸图像中的人脸的身份标识。

可选地，作为一个实施例，处理器420具体用于根据公式从缓存数据库中选取目标向量，其中，v2表示第t+1帧人脸图像的原始特征向量，表示缓存数据库中的向量，s表示v2和的目标距离。

可选地，作为一个实施例，处理器420具体用于根据公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从人脸图像数据库中选取k个候选向量，其中，s^*表示[v1,0]和v^*之间的欧式距离。

可选地，作为一个实施例，处理器420具体用于根据公式 $s^{**}=-({\left(x_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·v^{1}T,$ 从k个候选向量中选取原始特征向量的匹配向量，其中，表示k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

可选地，作为一个实施例，装置400为服务器，处理器420具体用于通过接收器从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；从向量v'中提取原始特征向量。

图5是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。应理解，图5的装置500能够实现图2中描述各个步骤，为避免重复，此处不再赘述。装置500包括：

获取单元510，用于获取人脸图像的原始特征向量；

选取单元520，用于根据公式从人脸图像数据库中选取目标向量，其中，v2表示所述原始特征向量，表示所述人脸图像数据库中的向量，s表示v2与之间的目标距离，所述目标向量为所述人脸图像数据库中与v2目标距离最小的向量，B表示联合贝叶斯概率矩阵中的自相关子矩阵；

确定单元530，用于当所述原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述人脸图像数据库中记录的所述目标向量的身份标识确定为所述人脸图像中的人脸的身份标识。

由于人脸图像数据库中的向量包含分量[v·A,v·B·v^Τ]，也就是说，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

图6是本发明实施例的确定人脸图像中人脸的身份标识的装置的示意性框图。应理解，图6的装置600能够实现图2中描述各个步骤，为避免重复，此处不再赘述。装置600包括：

处理器610，用于存储程序；

处理器620，用于执行程序，当所述程序被执行时，所述处理器620具体用于：获取人脸图像的原始特征向量；根据公式从人脸图像数据库中选取目标向量，其中，v2表示所述原始特征向量，表示所述人脸图像数据库中的向量，s表示v2与之间的目标距离，所述目标向量为所述人脸图像数据库中与v2目标距离最小的向量，B表示联合贝叶斯概率矩阵中的自相关子矩阵；当所述原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述人脸图像数据库中记录的所述目标向量的身份标识确定为所述人脸图像中的人脸的身份标识。

由于人脸图像数据库中的向量包含分量[v·A,v·B·v^Τ]，也就是说，人脸图像数据库中存储的是低级的人脸特征向量与联合贝叶斯概率矩阵中的自相关和互相关子矩阵相互作用而形成的中级特征向量，该中级特征向量包含人脸的特征向量与联合贝叶斯概率矩阵中的自相关、互相关子矩阵相互作用的信息，能够提高人脸识别的效率。

图7是本发明实施例的终端的示意性框图。图7中的终端700包括：

摄像头710，用于采集人脸图像；

处理器720，用于获取所述人脸图像的原始特征向量v1，根据所述原始特征向量v1，生成向量v'，其中，v'＝[v1,v1·B·v1^Τ]，B表示联合贝叶斯概率矩阵中的自相关子矩阵；

发射器730，用于向服务器发送所述向量v'，所述向量v'用于服务器识别所述人脸图像中的人脸的身份标识。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元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。

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 (15)

1.一种确定人脸图像中人脸的身份标识的方法，其特征在于，包括：

获取人脸图像的原始特征向量；

根据所述原始特征向量，从人脸图像数据库中选择k个候选向量，其中，所述人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数；

从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，所述原始特征向量的匹配向量为所述k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示所述原始特征向量；

根据所述原始特征向量的匹配向量，将所述人脸图像数据库中记录的所述匹配向量的身份标识确定为所述人脸图像中的人脸的身份标识。

2.如权利要求1所述的方法，其特征在于，所述获取人脸图像的原始特征向量包括：

跟踪所述人脸在不同视频图像中的位置，得到连续的N帧人脸图像；

从所述N帧人脸图像中的第t帧人脸图像获取所述原始特征向量，其中1≤t＜N；

所述方法还包括：

将所述原始特征向量的匹配向量，以及所述人脸图像数据库中记录的所述匹配向量的身份标识存入缓存数据库；

获取所述N帧人脸图像中的第t+1帧人脸图像的原始特征向量，所述第t+1帧人脸图像为所述第t帧人脸图像的后一帧人脸图像；

根据所述第t+1帧人脸图像的原始特征向量，从所述缓存数据库中选择目标向量，其中，所述缓存数据库包含所述第t帧人脸图像的原始特征向量的匹配向量；

当所述第t+1帧人脸图像的原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述缓存数据库中记录的所述目标向量的身份标识确定为所述第t+1帧人脸图像中的人脸的身份标识。

3.如权利要求2所述的方法，其特征在于，所述根据所述第t+1帧人脸图像的原始特征向量，从所述缓存数据库中选择目标向量，包括：

根据公式从所述缓存数据库中选取所述目标向量，其中，v2表示所述第t+1帧人脸图像的原始特征向量，表示所述缓存数据库中的向量，s表示v2和的目标距离。

4.如权利要求1-3中任一项所述的方法，其特征在于，所述根据所述原始特征向量，从人脸图像数据库中选择k个候选向量，包括：

根据公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从所述人脸图像数据库中选取所述k个候选向量，其中，s^*表示[v1,0]和v^*之间的欧式距离。

5.如权利要求1-4中任一项所述的方法，其特征在于，所述从所述k个候选向量中选取所述原始特征向量的匹配向量，包括：

根据公式 $s^{**}=-({\left(s_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·{v1}^T,$ 从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，表示所述k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

6.如权利要求1-5中任一项所述的方法，其特征在于，所述方法由服务器执行，

所述获取人脸图像的原始特征向量，包括：

所述服务器从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；

所述服务器从所述向量v'中提取所述原始特征向量。

7.一种确定人脸图像中人脸的身份标识的方法，其特征在于，包括：

获取人脸图像的原始特征向量；

根据公式从人脸图像数据库中选取目标向量，其中，v2表示所述原始特征向量，表示所述人脸图像数据库中的向量，包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，s表示v2与之间的目标距离，所述目标向量为所述人脸图像数据库中与v2目标距离最小的向量；

当所述原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述人脸图像数据库中记录的所述目标向量的身份标识确定为所述人脸图像中的人脸的身份标识。

8.一种确定人脸图像中人脸的身份标识的装置，其特征在于，包括：

第一获取单元，用于获取人脸图像的原始特征向量；

第一选取单元，用于根据所述原始特征向量，从人脸图像数据库中选择k个候选向量，其中，所述人脸图像数据库中的向量v^*包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，k为正整数；

第二选取单元，用于从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，所述原始特征向量的匹配向量为所述k个候选向量中与向量[v1,1]余弦距离最短的候选向量，v1表示所述原始特征向量；

第一确定单元，用于根据所述原始特征向量的匹配向量，将所述人脸图像数据库中记录的所述匹配向量的身份标识确定为所述人脸图像中的人脸的身份标识。

9.如权利要求8所述的装置，其特征在于，所述第一获取单元具体用于跟踪所述人脸在不同视频图像中的位置，得到连续的N帧人脸图像；从所述N帧人脸图像中的第t帧人脸图像获取所述原始特征向量，其中1≤t＜N；

所述装置还包括：

存取单元，用于将所述原始特征向量的匹配向量，以及所述人脸图像数据库中记录的所述匹配向量的身份标识存入缓存数据库；

第二获取单元，用于获取所述N帧人脸图像中的第t+1帧人脸图像的原始特征向量，所述第t+1帧人脸图像为所述第t帧人脸图像的后一帧人脸图像；

第三选取单元，用于根据所述第t+1帧人脸图像的原始特征向量，从所述缓存数据库中选择目标向量，其中，所述缓存数据库包含所述第t帧人脸图像的原始特征向量的匹配向量；

第二确定单元，用于当所述第t+1帧人脸图像的原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述缓存数据库中记录的所述目标向量的身份标识确定为所述第t+1帧人脸图像中的人脸的身份标识。

10.如权利要求9所述的装置，其特征在于，所述第三选取单元具体用于根据公式从所述缓存数据库中选取所述目标向量，其中，v2表示所述第t+1帧人脸图像的原始特征向量，表示所述缓存数据库中的向量，s表示v2和的目标距离。

11.如权利要求8-10中任一项所述的装置，其特征在于，所述第一选取单元具体用于根据公式s^*＝||[v1,0]-v^*||₂，利用kd-tree算法，从所述人脸图像数据库中选取所述k个候选向量，其中，s^*表示[v1,0]和v^*之间的欧式距离。

12.如权利要求8-11中任一项所述的装置，其特征在于，所述第二选取单元具体用于根据公式 $s^{**}=-({\left(s_i^{*}\right)}^2-{\left({\left|\right|v_i^{*}\left|\right|}_2\right)}^2-{\left({\left|\right|v1\left|\right|}_2\right)}^2)+c\·v1\·B\·{v1}^T,$ 从所述k个候选向量中选取所述原始特征向量的匹配向量，其中，表示所述k个候选向量中的第i候选向量，s^**表示[v1,1]与的余弦距离， 表示[v1,0]与的欧式距离，1≤i≤k，c为常数。

13.如权利要求8-12中任一项所述的装置，其特征在于，所述装置为服务器，

所述第一获取单元具体用于从终端获取向量v'，其中，v'＝[v1,v1·B·v1^Τ]；从所述向量v'中提取所述原始特征向量。

14.一种确定人脸图像中人脸的身份标识的装置，其特征在于，包括：

获取单元，用于获取人脸图像的原始特征向量；

选取单元，用于根据公式从人脸图像数据库中选取目标向量，其中，v2表示所述原始特征向量，表示所述人脸图像数据库中的向量，包含分量[v·A,v·B·v^Τ]，v和所述原始特征向量的特征提取方式相同，A表示联合贝叶斯概率矩阵中的互相关子矩阵，B表示所述联合贝叶斯概率矩阵中的自相关子矩阵，s表示v2与之间的目标距离，所述目标向量为所述人脸图像数据库中与v2目标距离最小的向量；

确定单元，用于当所述原始特征向量与所述目标向量之间的目标距离小于预设阈值时，将所述人脸图像数据库中记录的所述目标向量的身份标识确定为所述人脸图像中的人脸的身份标识。

15.一种终端，其特征在于，包括：

摄像头，用于采集人脸图像；

处理器，用于获取所述人脸图像的原始特征向量v1，根据所述原始特征向量v1，生成向量v'，其中，v'＝[v1,v1·B·v1^Τ]，B表示联合贝叶斯概率矩阵中的自相关子矩阵；

发射器，用于向服务器发送所述向量v'，所述向量v'用于服务器识别所述人脸图像中的人脸的身份标识。