CN107330359A - 一种人脸对比的方法和装置 - Google Patents

Abstract

本发明公开了一种人脸对比的方法和装置，其中该方法包括以下步骤：获取人脸图像；提取全局人脸特征、第一分特征、第二分特征和第三分特征；获取对比图像；提取全局对比特征、第一子特征、第二子特征和第三子特征；将对比图像的全局对比特征、各子特征相应的与人脸图像的全局人脸特征、各分特征进行相似度比对，相应的得到全局相似度、第一相似度、第二相似度和第三相似度；将各相似度加权求和，得到综合相似度。本方法将人脸的局部特征和全局特征相融应用于人脸对比，综合相似度能更好的反映对比图像与人脸图像的相似程度，而且通过增大相应的权值，将个性化区域的相似度或不相似度进行放大，可以快速、准确的锁定人脸图像的相似对象。

Description

一种人脸对比的方法和装置

技术领域

本发明涉及人脸对比技术，尤其涉及一种人脸对比的方法和装置。

背景技术

人脸比对指的是对于两张给定的人脸图片A和B，分别提取人脸的特征Ft(A) 和Ft(B)，通过计算特征相似度S来反映人脸的相似程度，S越大，则表示人脸图片A和B的相似度越高。设定一个阈值t，若S>t，则说明A，B为相同的人。

通常，提供A的抓拍照，将其与数据库中的N个人的图像进行比对，确定A的身份。但是N的数量级别很大，百万，千万的级别，因此也称大库比对。在现有的大库比对中，N的数量往往比较大，100W数据级以上。即使误报率千分之一，也会有100W*0.1％＝1k的误报数量，1K数据量仍然较大，并且随着 N的增大，误报量也会增大，这样会给用户带来较多的排查工作量，相应的需要人工进一步筛选的成本也会很大。

进一步，现有的人脸对比大都是基于全局特征的对比，对于个性化的对象，如眼睛比较显著、嘴巴的形状比较独特等，无法利用个性特征进行人脸对比，无法快速、准确的锁定相似对象。

综上，现有的常规方案存在以下缺陷：基于全局特征的人脸对比，对于个性化的对象，无法利用个性特征进行人脸对比，无法快速、准确的锁定相似对象。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种人脸对比的方法，其能解决大库比对的结果数据量大，给用户带来较多的排查工作量，相应的需要人工进一步筛选的成本也会很大；基于全局特征的人脸对比，对于个性化的对象，无法利用个性特征进行人脸对比，无法快速、准确的锁定相似对象的问题。

本发明的目的之二在于提供一种人脸对比的装置，其能解决大库比对的结果数据量大，给用户带来较多的排查工作量，相应的需要人工进一步筛选的成本也会很大；基于全局特征的人脸对比，对于个性化的对象，无法利用个性特征进行人脸对比，无法快速、准确的锁定相似对象的问题。

本发明的目的之三在于提供一种人脸对比的装置，其能解决大库比对的结果数据量大，给用户带来较多的排查工作量，相应的需要人工进一步筛选的成本也会很大；基于全局特征的人脸对比，对于个性化的对象，无法利用个性特征进行人脸对比，无法快速、准确的锁定相似对象的问题。

本发明的目的之一采用以下技术方案实现：

一种人脸对比的方法，包括以下步骤：

获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

进一步地，所述获取第一对比图像，具体为从对比库中获取所述第一对比图像，所述对比库包括多个对比图像；

所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度之后，还包括以下步骤：

从所述对比库中获取第二对比图像，求取与所述第二对比图像对应的第二综合相似度；

根据所述第一综合相似度和第二综合相似度筛选出输出图像，或者，根据所述第一综合相似度和第二综合相似度对所述对比库中的所述对比图像分类。

进一步地，所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度之前，还包括以下步骤：

根据所述全局相似度对所述第一对比图像进行初步查询，剔除不满足查询条件的所述第一对比图像。

进一步地，所述人脸对比的方法还包括以下步骤：

根据所述第一分区域、第二分区域和第三分区域的显著参数调整所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和时所述全局相似度、第一相似度、第二相似度和第三相似度的权值。

进一步地，所述第一分区域、第二分区域和第三分区域为眼部区域、鼻子区域、嘴部区域、耳部区域、脸颊区域或额头区域中的一种或者多种之组合，且所述第一分区域、第二分区域和第三分区域互不相同；所述第一子区域、第二子区域和第三子区域分别对应于所述第一分区域、第二分区域和第三分区域。

本发明的目的之二采用以下技术方案实现：

一种人脸对比的装置，包括：

第一获取模块，用于获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

第一提取模块，用于提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

第二获取模块，用于获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

第二提取模块，用于提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

对比模块，用于将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

加权模块，用于将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

进一步地，所述第二获取模块具体用于从对比库中获取所述第一对比图像，所述对比库包括多个对比图像；

所述人脸对比的装置还包括：

循环模块，用于从所述对比库中获取第二对比图像，求取与所述第二对比图像对应的第二综合相似度；

输出模块，用于根据所述第一综合相似度和第二综合相似度筛选出输出图像，或者，根据所述第一综合相似度和第二综合相似度对所述对比库中的所述对比图像分类。

进一步地，所述人脸对比的装置还包括初步查询模块，用于根据所述全局相似度对所述第一对比图像进行初步查询，剔除不满足查询条件的所述第一对比图像。

进一步地，所述人脸对比的装置还包括权值调整模块，用于根据所述第一分区域、第二分区域和第三分区域的显著参数调整所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和时所述全局相似度、第一相似度、第二相似度和第三相似度的权值。

本发明的目的之三采用以下技术方案实现：

一种人脸对比的装置，其特征在于，包括：

处理器以及用于存储处理器可执行的指令的存储器；

所述处理器被配置为：

获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

相比现有技术，本发明的有益效果在于：将人脸的局部特征和全局特征相融应用于人脸对比，通过将第一对比图像的全局对比特征、第一子特征、第二子特征、第三子特征相应的与人脸图像的全局人脸特征、第一分特征、第二分特征、第三分特征进行相似度比对，相应的得到全局相似度、第一相似度、第二相似度和第三相似度，再将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。第一综合相似度能更好的反映第一对比图像与人脸图像的相似程度，而且通过增大相应的权值，将个性化区域的相似度或不相似度进行放大，可以快速、准确的锁定人脸图像的相似对象。

附图说明

图1为本发明实施例一的人脸对比的方法的流程示意图；

图2为卷积神经网络模型的结构示意图；

图3为vgg16模型的结构示意图；

图4为Caffe框架的结构示意图；

图5为本发明实施例二的人脸对比的方法的流程示意图；

图6为本发明实施例三的人脸对比的装置的结构示意图；

图7为本发明实施例四的人脸对比的装置的结构示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例一

如图1为一种人脸对比的方法，包括以下步骤：

步骤S110、获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域。

具体的，所述第一分区域、第二分区域和第三分区域为眼部区域、鼻子区域、嘴部区域、耳部区域、脸颊区域或额头区域等人脸区域中的一种或者多种之组合，且所述第一分区域、第二分区域和第三分区域互不相同；所述第一子区域、第二子区域和第三子区域分别对应于所述第一分区域、第二分区域和第三分区域。例如，第一分区域、第一子区域为眼部区域，第二分区域、第二子区域为鼻子区域，第三分区域、第三子区域为包括脸颊区域和耳部区域在内的人脸区域，当然，还可以包括第四分区域、第五分区域、第四子区域、第五子区域等，不再赘述。

进一步地，将所述人脸图像划分为第一分区域、第二分区域和第三分区域可以由以下步骤实现：需要准备一个人多个场景下的多张人脸，场景有证件照，生活照，监控场景抓拍照等场景，其中证件照是高清的正脸图片，体现出该人的主要特征；生活照提供该人多个角度的多个姿态的照片，可以让网络学习到人的不同姿态之间的转化关系；监控场景较为特殊，存在模糊的情况，姿态变化大的情况，可以帮助网络模型对监控场景的数据进行正确的判断。采集监控数据的方法一般使用现有的人脸检测算法从监控视频中提取一个人多张质量较好的人脸照片，这些人脸照片需要通过人工标记ID，清理，确保每个人有且仅有唯一的ID，作为训练数据。对这些人脸进行缩放到同一个大小，如96*96，然后根据以下算式求得平均脸：

其中A_k(i,j)表示第k张96*96的图片在(i,j)位置的像素值。

之后再根据平均脸的五官区域的位置来估计训练数据脸的五官的大致位置，比如平均脸的左眼位置L，采用人脸图片的2％的基于L位置的偏移量随机截取30*30的区域，来估计该输入的左眼的位置，同理，可以得到其他局部位置。将这些局部位置和整张人脸作为网络模型的输入。选取2％的偏移量考虑到了眼睛和鼻子占比小，偏移量过大会失去局部目标，又需要一定偏移量使得网络对输入位置有鲁棒性。

步骤S120、提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征。

具体的，所述提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征，具体为通过卷积神经网络模型进行提取操作。

在本实施例中，卷积神经网络模型的结构示意图如图2所示，包括用于提取所述人脸图像的全局人脸特征的全局分支、用于提取所述第一分区域的第一分特征的第一子分支、第二分区域的第二分特征的第二子分支和第三分区域的第三分特征的第三子分支，其中第一分区域指的是右眼区域，第二分区域指的是左眼区域，第三分区域指的是鼻子区域，此外还包括用于提取嘴部区域的第四子分支。

其中全局分支、子分支均可以采用如图3所示的vgg16模型，模型架构如下：由5个卷积模块con1-con5和两个全连接模块fc6-fc7构成。每个卷积模块包括了卷积层，激活层，池化层等。vgg16模型是当下比较流行的模型，采用该模型结构能够有效地学习特征，提高算法精度。

在本实施例中，卷积神经网络模型是基于caffe框架构建的。在目前流行的 caffe框架上，修改了caffe框架的数据层，使之支持从原图中抽取子图即分区域的操作。使用softmaxWithLoss作为损失函数，进行训练。softmaxWithLoss一般用于神经网络中训练多分类问题。本文将不同的人视为不同的类别，假设总共训练数据为N，那么通过softmaxWithLoss学习的网络模型能够使具有区分N 个人的能力。在此过程中，学习到了一些具备区分人脸的高层次特征。经过测试，这些特征具有泛化能力，能够从N个人扩展到更多的人，并且N越大，学习到的特征泛化性更强。

Caffe框架如图4所示，它实现了卷积神经网络的一些基本操作，包括卷积，池化，多种激活函数等。首先对图片进行预处理，将预处理后的图片转化为特殊的存储格式(LEVELDB，LMDB)来加速IO。

然后框架的数据层(Data Layer)通过多线程读取数据到内存中，将图片数据经过框架的提供的卷积层(Conv Layer)，激活层(ReLU)，池化层(Pooling)，正则化层(Lrn)，全连接层(FC)，softmaxWithLoss层，可以通过现有的随机梯度下降法来训练模型。

步骤S130、获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域。

子区域的求取与分区域相同，不再赘述。

步骤S140、提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征。

子特征的求取与分特征相同，不再赘述。

步骤S150、将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度。

进一步地，第一对比图像A和人脸图像B各特征的相似度可以由以下算式求得：

其中，S_i(a,b)表示第i个特征的相似度，Ft_i(A)[k]表示第一对比图像A在特征i对应的区域的第k个维度的特征值，Ft_i(B)[k]表示人脸图像B在特征i对应的区域的第k个维度的特征值，dim是一个常数，表示特征维度。

步骤S160、将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

具体的，根据以下算式得到第一对比图像A和人脸图像B的第一综合相似度S(A,B)：

其中，S₀(A,B)、S₁(A,B)、S₂(A,B)、S₃(A,B)分别表示全局相似度、第一相似度、第二相似度和第三相似度，W₀、W₁、W₂、W₃分别表示第一对比图像/人脸图像、第一子区域/分区域、第二子区域/第二分区域、第三子区域/第三分区域对应的权值。

具体的，权值的分配可以根据经验或有限次的试验得到。

本发明将人脸的局部特征和全局特征相融应用于人脸对比，通过将第一对比图像的全局对比特征、第一子特征、第二子特征、第三子特征相应的与人脸图像的全局人脸特征、第一分特征、第二分特征、第三分特征进行相似度比对，相应的得到全局相似度、第一相似度、第二相似度和第三相似度，再将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。第一综合相似度能更好的反映第一对比图像与人脸图像的相似程度，而且通过增大相应的权值，将个性化区域的相似度或不相似度进行放大，可以快速、准确的锁定人脸图像的相似对象。

作为本发明的进一步改进，在另一实施例中，所述的人脸对比的方法还包括以下步骤：

步骤S170、根据所述第一分区域、第二分区域和第三分区域的显著参数调整所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和时所述全局相似度、第一相似度、第二相似度和第三相似度的权值。

显著参数可以通过将人脸图像的分区域和平均脸的相应区域对比得到，分区域与平均脸的相应区域的区别越大，越个性化，则该分区域对应的显著参数越大。相应的可以调大该分区域对应的权值。

例如，如果人脸图像的眼睛比较独特，则可以增大眼部区域对应的权值。如果第一对比图像中的眼部区域和人脸图像的眼部区域较相似，则最后得到的第一综合相似度就会增大；如果第一对比图像中的眼部区域和人脸图像的眼部区域不相似，则最后得到的第一综合相似度就会更小。因此根据所述第一分区域、第二分区域和第三分区域的显著参数调整对应的权值，可以实现将个性化区域的相似度或不相似度进行放大，可以通过明显的特征快速、准确的锁定人脸图像的相似对象。

实施例二

如图5所示的人脸对比的方法，包括以下步骤：

步骤S210、获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域。

步骤S220、提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征。

步骤S230、获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域。

在本实施例中，所述获取第一对比图像，具体为从对比库中获取所述第一对比图像，所述对比库包括多个对比图像。对比库即前述的大库，包括大量的人脸信息，如N个人的抓拍照和证件照。

步骤S240、提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征。

步骤S250、将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度。

步骤S201、根据所述全局相似度对所述第一对比图像进行初步查询，剔除不满足查询条件的所述第一对比图像。所述查询条件具体为全局相似度大于一个阈值，该阈值可以由有限次试验或经验值得到。

根据初步查询，可以剔除一部分明显不相似的第一对比图像；只对满足查询条件的第一对比图像进行进一步的根据第一综合相似度对比，因此减少了计算量。

步骤S260、将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

步骤S210-S260，分别对应实施例一中的S110-S160，不再赘述。

步骤S202、从所述对比库中获取第二对比图像，求取与所述第二对比图像对应的第二综合相似度。第二综合相似度的求取与第一综合相似度相同，不再赘述。

步骤S203、根据所述第一综合相似度和第二综合相似度筛选出输出图像，或者，根据所述第一综合相似度和第二综合相似度对所述对比库中的所述对比图像分类。

指的注意的是，第一对比图像、第二对比图像均是对比库中的对比图像，“第一”、“第二”只是为了更清楚地对本发明进行阐述，并不用于明确的指定和区分顺序。

在多次重复步骤S202即可得到对比库中的多个对比图像的综合相似度。之后执行步骤S203，例如，将各对比图像对应的综合相似度按由大到小的顺序排列，选取排名靠前的一定数量的对比图像作为输出图像，用于进行人工对比，或者直接输出综合相似度最大的对比图像。根据与各所述对比图像对应的综合相似度对所述对比库中的所述对比图像分类，具体为，将对比图像分为与人脸图像十分相似的、比较相似的、不相似的等几个类别。进一步，可以根据对比库中对比图像关联的信息确认人脸图像的身份。

实施例三

如图6所示的人脸对比的装置，包括：

第一获取模块110，用于获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

第一提取模块120，用于提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

第二获取模块130，用于获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

第二提取模块140，用于提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

对比模块150，用于将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

加权模块160，用于将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

进一步地，所述第二获取模块具体用于从对比库中获取所述第一对比图像，所述对比库包括多个对比图像；

所述人脸对比的装置还包括：

循环模块(图未示)，用于从所述对比库中获取第二对比图像，求取与所述第二对比图像对应的第二综合相似度；

输出模块(图未示)，用于根据所述第一综合相似度和第二综合相似度筛选出输出图像，或者，根据所述第一综合相似度和第二综合相似度对所述对比库中的所述对比图像分类。

进一步地，人脸对比的装置还包括初步查询模块(图未示)，用于根据所述全局相似度对所述第一对比图像进行初步查询，剔除不满足查询条件的所述第一对比图像。

进一步地，人脸对比的装置还包括权值调整模块(图未示)，用于根据所述第一分区域、第二分区域和第三分区域的显著参数调整所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和时所述全局相似度、第一相似度、第二相似度和第三相似度的权值。

本实施例中的装置与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。

描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的，作为模块或单元示意的部件可以是或者也可以不是物理模块，既可以位于一个地方，或者也可以分布到多个网络模块上。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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等，如实施例四。实施例四

如图7所示的人脸对比的装置，包括：处理器200以及用于存储处理器200 可执行的指令的存储器300；

所述处理器200被配置为：

获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

本实施例中的装置与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。

本发明实施例提供的人脸对比的装置，将人脸的局部特征和全局特征相融应用于人脸对比，通过将第一对比图像的全局对比特征、第一子特征、第二子特征、第三子特征相应的与人脸图像的全局人脸特征、第一分特征、第二分特征、第三分特征进行相似度比对，相应的得到全局相似度、第一相似度、第二相似度和第三相似度，再将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。第一综合相似度能更好的反映第一对比图像与人脸图像的相似程度，而且通过增大相应的权值，将个性化区域的相似度或不相似度进行放大，可以快速、准确的锁定人脸图像的相似对象。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种人脸对比的方法，其特征在于，包括以下步骤：

获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

2.如权利要求1所述的人脸对比的方法，其特征在于：所述获取第一对比图像，具体为从对比库中获取所述第一对比图像；

所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度之后，还包括以下步骤：

从所述对比库中获取第二对比图像，求取与所述第二对比图像对应的第二综合相似度；

根据所述第一综合相似度和第二综合相似度筛选出输出图像，或者，根据所述第一综合相似度和第二综合相似度对所述对比库中的所述对比图像分类。

3.如权利要求1或2所述的人脸对比的方法，其特征在于：所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度之前，还包括以下步骤：

根据所述全局相似度对所述第一对比图像进行初步查询，剔除不满足查询条件的所述第一对比图像。

4.如权利要求1或2所述的人脸对比的方法，其特征在于，还包括以下步骤：

根据所述第一分区域、第二分区域和第三分区域的显著参数调整所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和时所述全局相似度、第一相似度、第二相似度和第三相似度的权值。

5.如权利要求1或2所述的人脸对比的方法，其特征在于：所述第一分区域、第二分区域和第三分区域为眼部区域、鼻子区域、嘴部区域、耳部区域、脸颊区域或额头区域中的一种或者多种之组合，且所述第一分区域、第二分区域和第三分区域互不相同；所述第一子区域、第二子区域和第三子区域分别对应于所述第一分区域、第二分区域和第三分区域。

6.一种人脸对比的装置，其特征在于，包括：

第一获取模块，用于获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

第一提取模块，用于提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

第二获取模块，用于获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

第二提取模块，用于提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

对比模块，用于将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

加权模块，用于将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。

7.如权利要求6所述的人脸对比的装置，其特征在于：所述第二获取模块具体用于从对比库中获取所述第一对比图像，所述对比库包括多个对比图像；

所述人脸对比的装置还包括：

循环模块，用于从所述对比库中获取第二对比图像，求取与所述第二对比图像对应的第二综合相似度；

输出模块，用于根据所述第一综合相似度和第二综合相似度筛选出输出图像，或者，根据所述第一综合相似度和第二综合相似度对所述对比库中的所述对比图像分类。

8.如权利要求6或7所述的人脸对比的装置，其特征在于，还包括初步查询模块，用于根据所述全局相似度对所述第一对比图像进行初步查询，剔除不满足查询条件的所述第一对比图像。

9.如权利要求6或7所述的人脸对比的装置，其特征在于，还包括权值调整模块，用于根据所述第一分区域、第二分区域和第三分区域的显著参数调整所述将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和时所述全局相似度、第一相似度、第二相似度和第三相似度的权值。

10.一种人脸对比的装置，其特征在于，包括：

处理器以及用于存储处理器可执行的指令的存储器；

所述处理器被配置为：

获取人脸图像，并将所述人脸图像划分为第一分区域、第二分区域和第三分区域；

提取所述人脸图像的全局人脸特征、所述第一分区域的第一分特征、第二分区域的第二分特征和第三分区域的第三分特征；

获取第一对比图像，并将所述第一对比图像划分为第一子区域、第二子区域和第三子区域；

提取所述第一对比图像的全局对比特征、所述第一子区域的第一子特征、第二子区域的第二子特征和第三子区域的第三子特征；

将所述全局对比特征与所述全局人脸特征进行相似度比对，得到全局相似度，将所述第一子特征与所述第一分特征进行相似度比对，得到第一相似度，将所述第二子特征与所述第二分特征进行相似度比对，得到第二相似度，将所述第三子特征与所述第三分特征进行相似度比对，得到第三相似度；

将所述全局相似度、第一相似度、第二相似度和第三相似度加权求和，得到第一综合相似度。