CN105426867A - 人脸识别验证方法及装置 - Google Patents

Abstract

本公开是关于一种人脸识别验证方法及装置。所述方法包括：获取目标图像；检测所述目标图像是否包括人脸图像；在所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；根据所述人脸特征点，在所述人脸图像上标定人脸区域；对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。这样，可以实现对人脸图像的二次识别验证，在一定程度上能够筛除掉在人脸图像检测结果中的噪声，降低误检率。并且，通过人脸特征点来标定人脸区域，之后对该区域内的图像进行二次识别验证，可以进一步提高二次识别验证的准确率，从而保证有效、准确地识别出人脸图像。

Description

人脸识别验证方法及装置

技术领域

本公开涉及人脸识别领域，尤其涉及一种人脸识别验证方法及装置。

背景技术

越来越多的智能终端开始支持人脸检测功能。当获取到某一图像时、或者在拍照时，智能终端能够自动检测出人脸信息。相关技术中，可以采用Adaboost(AdaptiveBoosting，自适应增强)算法来进行人脸检测。然而，通过该算法得到的检测结果，常常出现误检情况，例如，将非人脸图像识别为人脸图像。

发明内容

为克服相关技术中存在的问题，本公开提供一种人脸识别验证方法及装置。

根据本公开实施例的第一方面，提供一种人脸识别验证方法，所述方法包括：获取目标图像；检测所述目标图像是否包括人脸图像；在所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；根据所述人脸特征点，在所述人脸图像上标定人脸区域；对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

在第一方面的一些可选的实施方式中，所述检测所述目标图像是否包括人脸图像，包括：利用滑动窗对所述目标图像进行分割，得到多个候选子图像；利用预先建立的分类器逐个对每个候选子图像进行分类，得到分类结果，其中，所述分类结果包括人脸图像或非人脸图像；当存在分类结果为人脸图像的候选子图像时，确定所述目标图像包括人脸图像。

在第一方面的一些可选的实施方式中，所述根据所述人脸特征点，在所述人脸图像上标定人脸区域，包括：确定由所述人脸特征点形成的最小外接矩形区域；根据所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域。

在第一方面的一些可选的实施方式中，所述根据所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域，包括：将所述最小外接矩形区域标定为所述人脸区域；或者按照预设的比例对所述最小外接矩形区域进行外扩，并将外扩得到的矩形区域标定为所述人脸区域。

在第一方面的一些可选的实施方式中，所述人脸特征点至少包括：眼睛特征点、鼻子特征点和嘴巴特征点。

根据本公开实施例的第二方面，提供一种人脸识别验证装置，所述装置包括：目标图像获取模块，被配置为获取目标图像；人脸图像检测模块，被配置为检测所述目标图像获取模块获取到的所述目标图像是否包括人脸图像；人脸特征点定位模块，被配置为在所述人脸图像检测模块确定所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；人脸区域标定模块，被配置为根据所述人脸特征点定位模块得到的所述人脸特征点，在所述人脸图像上标定人脸区域；人脸识别验证模块，被配置为对所述人脸区域标定模块标定出的所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

在第二方面的一些可选的实施方式中，所述人脸图像检测模块包括：分割子模块，被配置为利用滑动窗对所述目标图像获取模块获取到的所述目标图像进行分割，得到多个候选子图像；分类子模块，被配置为利用预先建立的分类器逐个对所述分割子模块分割得出的每个候选子图像进行分类，得到分类结果，其中，所述分类结果包括人脸图像或非人脸图像；人脸图像确定子模块，被配置为当存在分类结果为人脸图像的候选子图像时，确定所述目标图像包括人脸图像。

在第二方面的一些可选的实施方式中，所述人脸区域标定模块包括：外接矩形区域确定子模块，被配置为确定由所述人脸特征点形成的最小外接矩形区域；第一人脸区域标定子模块，被配置为根据所述外接矩形区域确定子模块确定出的所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域。

在第二方面的一些可选的实施方式中，所述第一人脸区域标定子模块包括：第二人脸区域标定子模块，被配置为将所述外接矩形区域确定子模块确定出的所述最小外接矩形区域标定为所述人脸区域；或者第三人脸区域标定子模块，被配置为按照预设的比例对所述外接矩形区域确定子模块确定出的所述最小外接矩形区域进行外扩，并将外扩得到的矩形区域标定为所述人脸区域。

在第二方面的一些可选的实施方式中，所述人脸特征点至少包括：眼睛特征点、鼻子特征点和嘴巴特征点。

根据本公开实施例的第三方面，提供一种人脸识别验证装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取目标图像；检测所述目标图像是否包括人脸图像；在所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；根据所述人脸特征点，在所述人脸图像上标定人脸区域；对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行一种人脸识别验证方法，所述方法包括：获取目标图像；检测所述目标图像是否包括人脸图像；在所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；根据所述人脸特征点，在所述人脸图像上标定人脸区域；对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

本公开的实施例提供的技术方案可以包括以下有益效果：通过在检测目标图像是否包括人脸图像之后，进一步进行人脸特征点识别，并根据人脸特征点标定人脸区域，之后，对该人脸区域内的图像进一步进行人脸识别验证，从而得出人脸识别验证结果，这样，可以实现对人脸图像的二次识别验证，在一定程度上能够筛除掉在人脸图像检测结果中的噪声，降低误检率。并且，通过人脸特征点来标定人脸区域，之后对该区域内的图像进行二次识别验证，可以进一步提高二次识别验证的准确率，从而保证有效、准确地识别出人脸图像。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种人脸识别验证方法的流程图。

图2A至图2C是针对图1所示的人脸识别过程的示意图。

图3是根据另一示例性实施例示出的一种人脸识别验证方法的流程图。

图4A至图4B是针对图3所示的人脸识别过程的示意图。

图5A至图5C是根据一示例性实施例示出的一种人脸识别验证装置的框图。

图6是根据一示例性实施例示出的一种人脸识别验证装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种人脸识别验证方法的流程图，该方法可以应用于终端设备中。其中，该终端设备可以例如包括但不限于：智能手机、平板电脑、笔记本电脑、数码相机、智能摄像机、智能摄像头等等。如图1所示，该方法可以包括以下步骤。

在步骤S101中，获取目标图像。

可以通过终端设备的摄像头进行拍照来获取目标图像，或者终端设备可以将从其他途径获取的图片(例如，本地存储的图片，网络下载的图片，从另一终端设备接收的图片等等)作为目标图像。

在步骤S102中，检测该目标图像是否包括人脸图像。

目标图像中可能不包括人脸图像，也可能包括一张或多张人脸图像。可以例如通过以下方式来检测目标图像中是否包括人脸图像：

采用滑动窗在目标图像上进行滑动，并对目标图像进行分割，这样，可以得到多个候选子图像。例如，可以将一张目标图像分割成几万张候选子图像。随后，利用预先建立的分类器逐个对候选子图像进行分类，得到分类结果，其中，分类结果可以包括人脸图像或非人脸图像。可以采用大量的人脸图像作为训练样本，预先建立该分类器，随后，该分类器能够对输入的测试样本进行分类，判断出该测试样本是人脸图像还是非人脸图像。当存在分类结果为人脸图像的候选子图像时，可以确定目标图像包括人脸图像。

可以采用多种机器学习算法中的任一种来建立所述分类器。示例地，可以采用Adaboost(AdaptiveBoosting，自适应增强)算法来建立所述分类器，这样，所得到的分类器为Adaboost分类器。采用Adaboost分类器来对候选子图像进行分类，可以快速地实现对候选子图像的分类，通常在毫秒级。或者，示例地，可以采用SVM(SupportVectorMachine，支持向量机)算法来建立所述分类器，这样，所得到的分类器为SVM分类器。

在检测出目标图像中包括人脸图像之后，可以在人脸图像上标定出一个初始人脸区域。例如，如图2A中的框201所圈定的区域。

在步骤S103中，在目标图像包括人脸图像的情况下，对该人脸图像进行人脸特征点定位，得到人脸特征点。

通过步骤S103，可以在人脸检测的基础上，进一步确定人脸特征点的位置。可以采用多种人脸特征点定位技术中的任一者来对该人脸图像进行人脸特征点定位。例如，可以通过以下算法中的任一者来对人脸图像进行人脸特征点定位，得到人脸特征点：ASM(ActiveShapeModel，主动形状模型)算法，AAM(ActiveAppearanceModel，主动外观模型)算法，SDM(SupervisedDescentMethod，监督式下降方法)算法，或者CNN(Convolutionalneuralnetworks，卷积神经网络)算法。

经过人脸特征点定位之后，可以得到人脸特征点。在本公开中，人脸特征点可以包括但不限于以下中的至少一者：眼睛特征点、鼻子特征点、嘴巴特征点、眉毛特征点、脸部外轮廓特征点、耳朵特征点，等等。可以根据实际需求，来决定定位哪些人脸特征点。在一个可选的实施方式中，所得到的人脸特征点至少包括：眼睛特征点、鼻子特征点和嘴巴特征点。这样，能够同时兼顾对识别准确率高、处理速度快、以及处理复杂度低等多方面的要求。例如，如图2B所示，经过步骤S103，可以定位出人脸图像中的眼睛特征点202、鼻子特征点203、嘴巴特征点204。

在步骤S104中，根据人脸特征点，在人脸图像上标定人脸区域。

例如，终端设备可以在人脸图像上标定人脸区域，以使人脸区域至少覆盖所述人脸特征点。例如，如图2C所示，经过步骤S104，可以在人脸图像上标定出人脸区域，如框205所圈定的区域。

在步骤S105中，对人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

该步骤相当于对在步骤S102后检测得出的人脸图像进行二次人脸识别验证的过程。在步骤S102中，由于分类器(例如，Adaboost分类器)自身精度的局限性，会造成误检的情况。因此，在步骤S105中，对经过步骤S102后检测得出的人脸图像再次进行人脸识别验证，以验证是否确实为人脸图像。此外，在进行二次识别验证时，不是直接对通过人脸检测步骤后标定出的初始人脸区域(如图2A中所示的框201所圈定的区域)内的图像进行人脸识别验证，而是先根据定位出的人脸特征点来重新标定人脸区域(如图2C中所示的框205所圈定的区域)，之后，对重新标定出的人脸区域内的图像进行人脸识别验证。由于在人脸检测步骤后标定出的初始人脸区域可能会与实际的人脸区域有所偏差，因此，如果直接将标定出的偏差较大的初始人脸区域内的图像输入至人脸识别验证模型，会造成识别验证准确率下降的问题。而通过定位出的人脸特征点来重新标定人脸区域后，能够确保重新标定的人脸区域与实际的人脸区域之间具有较高的吻合度，此时，再利用人脸识别验证模型对重新标定的人脸区域内的图像进行识别验证，能够得到更为准确、可靠的识别验证结果。

在一些可选的实施方式中，可以例如采用CNN分类识别算法、SVM分类识别算法等来建立人脸识别验证模型，并利用该人脸识别验证模型对人脸区域内的图像进行人脸识别验证，从而可以得出人脸识别验证结果，即，是人脸图像，或者，非人脸图像。

综上所述，通过在检测目标图像是否包括人脸图像之后，进一步进行人脸特征点识别，并根据人脸特征点标定人脸区域，之后，对该人脸区域内的图像进一步进行人脸识别验证，从而得出人脸识别验证结果，这样，可以实现对人脸图像的二次识别验证，在一定程度上能够筛除掉在人脸图像检测结果中的噪声，降低误检率。并且，通过人脸特征点来标定人脸区域，之后对该区域内的图像进行二次识别验证，可以进一步提高二次识别验证的准确率，从而保证有效、准确地识别出人脸图像。

图3是根据另一示例性实施例示出的一种人脸识别验证方法的流程图，该方法可以应用于终端设备中。其中，该终端设备可以例如包括但不限于：智能手机、平板电脑、笔记本电脑、数码相机、智能摄像机、智能摄像头等等。如图3所示，该方法可以包括以下步骤。

在步骤S301中，获取目标图像。

在步骤S302中，检测该目标图像是否包括人脸图像。

在步骤S303中，在目标图像包括人脸图像的情况下，对该人脸图像进行人脸特征点定位，得到人脸特征点。

在步骤S304中，确定由人脸特征点形成的最小外接矩形区域。

最小外接矩形(minimumboundingrectangle，MBR)是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围。在得到人脸特征点后，可以根据这些人脸特征点的位置，得到由这些人脸特征点形成的最小外接矩形区域。例如，如图4A所示，假设所得到的人脸特征点包括眼睛特征点、鼻子特征点和嘴巴特征点，那么，根据这些特征点，能够得出如框401所示的最小外接矩形，该框401所圈定的区域即为最小外接矩形区域。

在步骤S305中，根据最小外接矩形区域，在人脸图像上标定人脸区域。

在一个可选的实施方式中，可以将得到的最小外接矩形区域直接标定为人脸区域。

或者，在另一个可选的实施方式中，可以按照预设的比例对最小外接矩形区域进行外扩，并将外扩得到的矩形区域标定为人脸区域。例如，如图4B所示，最小外接矩形区域经外扩后得到的矩形区域如框402所示。

也就是说，在这一实施方式中，可以在得到最小外接矩形区域之后，将该最小外接矩形区域向外扩大一些，扩大的范围可以依据预设的比例来决定。例如，针对最小外接矩形区域的长度方向和宽度方向，可以设定同一比例，例如，可以将该比例设定为1.1。那么在得到最小外接矩形区域之后，可以将得到的最小外接矩形区域在长度方向和宽度方向上进行扩大，以使扩大后的矩形区域的长度为之前的最小外接矩形区域的长度的1.1倍，并且扩大后的矩形区域的宽度为之前的最小外接矩形区域的宽度的1.1倍。或者，也可以针对最小外接矩形区域的长度方向和宽度方向，设定不同比例，之后，按照各个方向的比例，在各个方向上进行扩大。例如，可以针对最小外接矩形区域的长度方向，设定相对高一些的比例，例如，1.2，而针对最小外接矩形区域的宽度方向，设定相对低一些的比例，例如，1.1。这样，在得到最小外接矩形区域之后，可以将得到的最小外接矩形区域在长度方向和宽度方向上进行扩大，以使扩大后的矩形区域的长度为之前的最小外接矩形区域的长度的1.2倍，并且扩大后的矩形区域的宽度为之前的最小外接矩形区域的宽度的1.1倍。

通过将最小外接矩形区域进行适当外扩，可以将最小外接矩形区域周边区域内也属于人脸一部分的内容涵盖到人脸区域中，由此，能够进一步提高人脸识别验证的准确度。

在步骤S306中，对人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

如上所述，在图1和图3所示的人脸识别验证方法中，可以对检测得出的人脸图像再次进行人脸识别验证，如果人脸识别验证结果表示确实为人脸图像，则可以输出该人脸图像，而如果人脸识别验证结果表示为非人脸图像，则表示之前的人脸检测结果为误检，此时，过滤掉这些被误检为人脸图像的非人脸图像，不进行输出，从而避免输出错误的结果。

图5A至图5C是根据一示例性实施例示出的一种人脸识别验证装置500的框图，该装置500可以配置于终端设备中。其中，该终端设备可以例如包括但不限于：智能手机、平板电脑、笔记本电脑、数码相机、智能摄像机、智能摄像头等等。如图5A所示，该装置500可以包括：目标图像获取模块501，被配置为获取目标图像。目标图像获取模块501可以通过拍照的方式来获取目标图像，或者可以将从其他途径获取的图片(例如，终端设备本地存储的图片，网络下载的图片，从另一终端设备接收的图片等等)作为目标图像。

此外，如图5A所示，该装置500还可以包括：人脸图像检测模块502，被配置为检测所述目标图像获取模块501获取到的所述目标图像是否包括人脸图像。

目标图像中可能不包括人脸图像，也可能包括一张或多张人脸图像。对此，示例地，人脸图像检测模块502可以包括：分割子模块，被配置为利用滑动窗对所述目标图像获取模块501获取到的所述目标图像进行分割，得到多个候选子图像；分类子模块，被配置为利用预先建立的分类器逐个对所述分割子模块分割得出的每个候选子图像进行分类，得到分类结果，其中，所述分类结果包括人脸图像或非人脸图像；人脸图像确定子模块，被配置为当存在分类结果为人脸图像的候选子图像时，确定所述目标图像包括人脸图像。

可以采用多种机器学习算法中的任一种来建立所述分类器。示例地，可以采用Adaboost算法来建立所述分类器，这样，所得到的分类器为Adaboost分类器。采用Adaboost分类器来对候选子图像进行分类，可以快速地实现对候选子图像的分类，通常在毫秒级。或者，示例地，可以采用SVM算法来建立所述分类器，这样，所得到的分类器为SVM分类器。

在检测出目标图像中包括人脸图像之后，可以在人脸图像上标定出一个初始人脸区域。例如，如图2A中的框201所圈定的区域。

此外，如图5A所示，该装置500还可以包括：人脸特征点定位模块503，被配置为在所述人脸图像检测模块502确定所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点。这样，可以在人脸检测的基础上，进一步确定人脸特征点的位置。示例地，所述人脸特征点定位模块503可以被配置为在所述目标图像包括人脸图像的情况下，通过以下算法中的任一者来对所述人脸图像进行人脸特征点定位，得到人脸特征点：ASM算法，AAM算法，SDM算法，或者CNN算法。

经过人脸特征点定位之后，可以得到人脸特征点。在本公开中，人脸特征点可以包括但不限于以下中的至少一者：眼睛特征点、鼻子特征点、嘴巴特征点、眉毛特征点、脸部外轮廓特征点、耳朵特征点，等等。可以根据实际需求，来决定定位哪些人脸特征点。在一个可选的实施方式中，所得到的人脸特征点至少包括：眼睛特征点、鼻子特征点和嘴巴特征点。这样，能够同时兼顾对识别准确率高、处理速度快、以及处理复杂度低等多方面的要求。例如，如图2B所示，可以定位出人脸图像中的眼睛特征点202、鼻子特征点203、嘴巴特征点204。

此外，如图5A所示，该装置500还可以包括：人脸区域标定模块504，被标定配置为根据所述人脸特征点定位模块503得到的所述人脸特征点，在所述人脸图像上标定人脸区域。

在一个实施方式中，例如，终端设备可以在人脸图像上标定人脸区域，以使人脸区域至少覆盖所述人脸特征点。例如，如图2C所示，人脸区域标定模块504可以在人脸图像上标定出人脸区域，如框205所圈定的区域。

此外，如图5A所示，该装置500还可以包括：人脸识别验证模块505，被配置为对所述人脸区域标定模块504标定出的所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

这相当于对由人脸图像检测模块502检测得出的人脸图像进行二次人脸识别验证的过程。在人脸图像检测模块502中，由于分类器(例如，Adaboost分类器)自身精度的局限性，会造成误检的情况。因此，在人脸识别验证模块505中，对由人脸图像检测模块502检测得出的人脸图像再次进行人脸识别验证，以验证是否确实为人脸图像。此外，在进行二次识别验证时，不是直接对人脸图像检测模块502标定出的初始人脸区域(如图2A中所示的框201所圈定的区域)内的图像进行人脸识别验证，而是先根据定位出的人脸特征点来重新标定人脸区域(如图2C中所示的框205所圈定的区域)，之后，对重新标定出的人脸区域内的图像进行人脸识别验证。由于人脸图像检测模块502标定出的初始人脸区域可能会与实际的人脸区域有所偏差，因此，如果直接将标定出的偏差较大的初始人脸区域内的图像输入至人脸识别验证模型，会造成识别验证准确率下降的问题。而通过定位出的人脸特征点来重新标定人脸区域后，能够确保重新标定的人脸区域与实际的人脸区域之间具有较高的吻合度，此时，再利用人脸识别验证模型对重新标定的人脸区域内的图像进行识别验证，能够得到更为准确、可靠的识别验证结果。

示例地，所述人脸识别验证模块505可以被配置为通过利用CNN分类识别算法或者SVM分类识别算法建立的人脸识别模型对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果，即，是人脸图像，或者，非人脸图像。

综上所述，通过在检测目标图像是否包括人脸图像之后，进一步进行人脸特征点识别，并根据人脸特征点标定人脸区域，之后，对该人脸区域内的图像进一步进行人脸识别验证，从而得出人脸识别验证结果，这样，可以实现对人脸图像的二次识别验证，在一定程度上能够筛除掉在人脸图像检测结果中的噪声，降低误检率。并且，通过人脸特征点来标定人脸区域，之后对该区域内的图像进行二次识别验证，可以进一步提高二次识别验证的准确率，从而保证有效、准确地识别出人脸图像。

在标定人脸区域时，可选地，如图5B所示，所述人脸区域标定模块504可以包括：外接矩形区域确定子模块506，被配置为确定由所述人脸特征点形成的最小外接矩形区域。

最小外接矩形(minimumboundingrectangle，MBR)是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围。在得到人脸特征点后，可以根据这些人脸特征点的位置，得到由这些人脸特征点形成的最小外接矩形区域。例如，如图4A所示，假设所得到的人脸特征点包括眼睛特征点、鼻子特征点和嘴巴特征点，那么，根据这些特征点，能够得出如框401所示的最小外接矩形，该框401所圈定的区域即为最小外接矩形区域。

此外，如图5B所示，所述人脸区域标定模块504还可以包括：第一人脸区域标定子模块507，被配置为根据所述外接矩形区域确定子模块506确定出的所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域。

可选地，如图5C所示，所述第一人脸区域标定子模块507可以包括：第二人脸区域标定子模块508，被配置为将所述外接矩形区域确定子模块506确定出的所述最小外接矩形区域标定为所述人脸区域；或者，第三人脸区域标定子模块509，被配置为按照预设的比例对所述外接矩形区域确定子模块506确定出的所述最小外接矩形区域进行外扩，并将外扩得到的矩形区域标定为所述人脸区域。例如，如图4B所示，最小外接矩形区域经外扩后得到的矩形区域如框402所示。

也就是说，在这一实施方式中，可以在得到最小外接矩形区域之后，将该最小外接矩形区域向外扩大一些，扩大的范围可以依据预设的比例来决定。例如，针对最小外接矩形区域的长度方向和宽度方向，可以设定同一比例，例如，可以将该比例设定为1.1。那么在得到最小外接矩形区域之后，可以将得到的最小外接矩形区域在长度方向和宽度方向上进行扩大，以使扩大后的矩形区域的长度为之前的最小外接矩形区域的长度的1.1倍，并且扩大后的矩形区域的宽度为之前的最小外接矩形区域的宽度的1.1倍。或者，也可以针对最小外接矩形区域的长度方向和宽度方向，设定不同比例，之后，按照各个方向的比例，在各个方向上进行扩大。例如，可以针对最小外接矩形区域的长度方向，设定相对高一些的比例，例如，1.2，而针对最小外接矩形区域的宽度方向，设定相对低一些的比例，例如，1.1。这样，在得到最小外接矩形区域之后，可以将得到的最小外接矩形区域在长度方向和宽度方向上进行扩大，以使扩大后的矩形区域的长度为之前的最小外接矩形区域的长度的1.2倍，并且扩大后的矩形区域的宽度为之前的最小外接矩形区域的宽度的1.1倍。

通过将最小外接矩形区域进行适当外扩，可以将最小外接矩形区域周边区域内也属于人脸一部分的内容涵盖到人脸区域中，由此，能够进一步提高人脸识别验证的准确度。

可选地，所述装置500还可以包括：输出模块，被配置为输出由所述人脸识别验证模块505得出的人脸识别验证结果为人脸图像的人脸图像。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图6根据一示例性实施例示出的一种人脸识别验证装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述人脸识别验证方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件606为装置600的各种组件提供电力。电力组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到装置600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述人脸识别验证方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述人脸识别验证方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种人脸识别验证方法，其特征在于，所述方法包括：

获取目标图像；

检测所述目标图像是否包括人脸图像；

在所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；

根据所述人脸特征点，在所述人脸图像上标定人脸区域；

对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

2.根据权利要求1所述的方法，其特征在于，所述检测所述目标图像是否包括人脸图像，包括：

利用滑动窗对所述目标图像进行分割，得到多个候选子图像；

利用预先建立的分类器逐个对每个候选子图像进行分类，得到分类结果，其中，所述分类结果包括人脸图像或非人脸图像；

当存在分类结果为人脸图像的候选子图像时，确定所述目标图像包括人脸图像。

3.根据权利要求1所述的方法，其特征在于，所述根据所述人脸特征点，在所述人脸图像上标定人脸区域，包括：

确定由所述人脸特征点形成的最小外接矩形区域；

根据所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域。

4.根据权利要求3所述的方法，其特征在于，所述根据所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域，包括：

将所述最小外接矩形区域标定为所述人脸区域；或者

按照预设的比例对所述最小外接矩形区域进行外扩，并将外扩得到的矩形区域标定为所述人脸区域。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述人脸特征点至少包括：眼睛特征点、鼻子特征点和嘴巴特征点。

6.一种人脸识别验证装置，其特征在于，所述装置包括：

目标图像获取模块，被配置为获取目标图像；

人脸图像检测模块，被配置为检测所述目标图像获取模块获取到的所述目标图像是否包括人脸图像；

人脸特征点定位模块，被配置为在所述人脸图像检测模块确定所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；

人脸区域标定模块，被配置为根据所述人脸特征点定位模块得到的所述人脸特征点，在所述人脸图像上标定人脸区域；

人脸识别验证模块，被配置为对所述人脸区域标定模块标定出的所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。

7.根据权利要求6所述的装置，其特征在于，所述人脸图像检测模块包括：

分割子模块，被配置为利用滑动窗对所述目标图像获取模块获取到的所述目标图像进行分割，得到多个候选子图像；

分类子模块，被配置为利用预先建立的分类器逐个对所述分割子模块分割得出的每个候选子图像进行分类，得到分类结果，其中，所述分类结果包括人脸图像或非人脸图像；

人脸图像确定子模块，被配置为当存在分类结果为人脸图像的候选子图像时，确定所述目标图像包括人脸图像。

8.根据权利要求6所述的装置，其特征在于，所述人脸区域标定模块包括：

外接矩形区域确定子模块，被配置为确定由所述人脸特征点形成的最小外接矩形区域；

第一人脸区域标定子模块，被配置为根据所述外接矩形区域确定子模块确定出的所述最小外接矩形区域，在所述人脸图像上标定所述人脸区域。

9.根据权利要求8所述的装置，其特征在于，所述第一人脸区域标定子模块包括：

第二人脸区域标定子模块，被配置为将所述外接矩形区域确定子模块确定出的所述最小外接矩形区域标定为所述人脸区域；或者

第三人脸区域标定子模块，被配置为按照预设的比例对所述外接矩形区域确定子模块确定出的所述最小外接矩形区域进行外扩，并将外扩得到的矩形区域标定为所述人脸区域。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述人脸特征点至少包括：眼睛特征点、鼻子特征点和嘴巴特征点。

11.一种人脸识别验证装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标图像；

检测所述目标图像是否包括人脸图像；

在所述目标图像包括人脸图像的情况下，对所述人脸图像进行人脸特征点定位，得到人脸特征点；

根据所述人脸特征点，在所述人脸图像上标定人脸区域；

对所述人脸区域内的图像进行人脸识别验证，得出人脸识别验证结果。