CN107437081A

CN107437081A - 基于深度卷神经网络的人脸识别方法、装置和存储介质

Info

Publication number: CN107437081A
Application number: CN201710669778.5A
Authority: CN
Inventors: 杨帆; 艾国; 张韵东
Original assignee: Vimicro Corp
Current assignee: Beijing Vimicro Ai Chip Technology Co Ltd
Priority date: 2017-08-07
Filing date: 2017-08-07
Publication date: 2017-12-05

Abstract

本发明提供了一种基于深度卷积神经网络的人脸识别方法、装置、存储介质及设备。该方法包括：获取归一化的人脸图块数据；将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸的特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；以及根据所述人脸的特征表达识别人脸。通过采用本发明的人脸特征映射的方法，增强了网络对不同人脸特征的分辨能力，减小了数据运算量，提高了人脸识别效率，具有较好的应用前景。

Description

基于深度卷神经网络的人脸识别方法、装置和存储介质

技术领域

本发明涉及人脸识别技术领域，特别是一种基于深度卷积神经网络的人脸识别方法、装置、存储介质和服务器。

背景技术

随着计算机及互联网技术的高速发展，数据规模呈爆发式增长，海量数据的智能化分析处理也逐渐成为有效利用数据价值的关键。作为近年来兴起的人工智能的一个典型代表，深度卷积神经网络的深度学习算法模型在模式识别、人机对抗等领域得到高度发展，并取得了诸多的成果。

基于生物特征的身份识别对于安防领域及各种身份认证系统具有重要作用。人脸识别的非接触性和非强制性，以及准确、方便、直观的特点，使其具有良好的发展和应用前景。目前，尽管基于卷积神经网络计算的人脸识别得到了广泛应用，但庞大的数据运算量一方面使得人脸识别速度大大降低，另一方面也对硬件的性能和算法的设计提出了更严格的要求。

发明内容

鉴于上述情况，本发明提供了一种基于深度卷神经网络的人脸识别方法和装置，以减小数据运算量，提高人脸识别效率。

本发明的一个方面提供了一种基于深度卷积神经网络的人脸识别方法，包括：获取归一化的人脸图块数据；将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；以及根据所述人脸高层次的特征映射识别人脸。

在一个实施例中，所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸高层次特征映射的全连接层；所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射包括：对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。

在一个实施例中，所述最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，W是卷积权重阵，b是偏置向量。

在一个实施例中，所述深度卷积神经网络模型包括七个卷积层，所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理包括：对所述七个卷积层中的每一个输出的中间特征均进行最大化竞争操作。

在一个实施例中，所述数据处理还包括对经最大化竞争操作所得的至少一个特征图进行最大值池化操作。

在一个实施例中，所述获取归一化的人脸图块数据包括：检测一个或多个人脸的目标图像；获取所述一个或多个人脸目标图像中人脸的典型特征位置，并将所述典型特征位置以空间坐标表达；以所述典型特征位置为基础，对所述目标图像进行几何变换；从经过几何变换后的图像中截取特定尺寸的人脸图块。

在一个实施例中，所述人脸的典型特征位置包括眼睛的中心位置、鼻尖和嘴唇的两个角。

在一个实施例中，所述人脸的典型特征位置包括左眼中心、右眼中心和嘴唇中点；所述以所述典型特征位置为基础，对所述目标图像进行几何变换包括：对所述左眼中心和所述右眼中心进行两点相似变换，以及对两眼中心和所述嘴唇中点进行两点相似变换。

在一个实施例中，所述几何变换包括平移变换、尺度变换和旋转变换、区域提取的至少之一。

在一个实施例中，所述从经过几何变换后的图像中截取特定尺寸的人脸图块包括：对经过几何变换的图像进行剪裁和/或缩放，获得特定尺寸的人脸图块。

在一个实施例中，所述从经过几何变换后的图像中截取特定尺寸的人脸图块还包括：对所述人脸图块进行灰度处理。

在一个实施例中，所述根据所述人脸高层次的特征映射识别人脸包括：将所述人脸高层次的特征映射与预存储的人脸信息进行距离对比，并根据比较结果判断人脸的身份。

在一个实施例中，所述根据所述人脸高层次的特征映射识别人脸包括：将获得的两个人脸高层次的特征映射进行距离对比，并根据比较结果判断两个人脸是否属于同一个人。

在一个实施例中，将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射之前还包括：通过随机梯度下降法训练所述深度卷积神经网络模型。

本发明还提供了一种人脸识别装置，包括获取模块、处理模块和验证模块，所述处理模块包括深度卷积神经网络模型；其中所述获取模块用于获取归一化的人脸图块数据；所述处理模块用于将所述归一化的人脸图块数据输入所述深度卷积神经网络模型进行数据处理，并获得人脸特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；所述验证模块用于根据所述人脸高层次的特征映射识别人脸。

在一个实施例中，所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸高层次特征映射的全连接层；所述处理模块用于对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。

在一个实施例中，所述最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，其中x是最大化竞争环节的输入阵(或者向量)，T是转秩算子；W是卷积权重阵，b是偏置向量。

本发明的再一个方面提供了一种计算机可读存储介质，其存储有执行指令，所述执行指令由处理器执行时实现上述人脸识别方法。

本发明的又一个方面提供了一种服务器，包括处理器、存储介质和存储在存储介质的执行指令，所述处理器执行所述执行指令时实现前述任一实施例所述人脸识别方法。

通过采用本发明的人脸特征映射的方法，对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争，增强了网络对不同人脸特征的分辨能力，减小了数据运算量，提高了人脸识别效率，具有较好的应用前景。

附图说明

从下面结合附图对本发明实施例的详细描述中，本发明的这些和/或其它方面和优点将变得更加清楚并更容易理解，其中：

图1为本发明一实施例的基于深度卷积神经网络的人脸识别方法流程图；

图2为本发明实施例的人脸识别方法中获取人脸归一化图块数据的方法；

图3为本发明实施例的一种深度卷积神经网络结构示意图；

图4为本发明实施例的人脸识别方法的一种应用；

图5为本发明实施例的人脸识别方法的另一种应用；

图6为本发明实施例的人脸识别装置。

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在基于深度卷积神经网络的人脸识别技术中，为了获得更好的人脸识别效果，需要设计并训练具有一定深度的前向卷积神经网络。否则，过多的参数常常导致系统的计算资源占用过大。通常情况下，这种未经设计的网络模型，只能在GPU等高性能计算设备上正常运行，且识别能力有限。此外，由于时间和空间复杂度等方面的制约，这种网络模型不易移植在嵌入式系统中。

参见图1，本发明的实施例提供了一种基于深度卷积神经网络的人脸识别方法。该方法包括如下内容。

110：获取归一化的人脸图块数据；

120：将所述归一化的人脸图块输入深度卷积神经网络模型，获得人脸高层次的特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；其中，最大化竞争是指选取卷积层输出的中间特征的最大值；

例如，进行最大化竞争操作前后，中间特征尺寸不发生变化(例如，操作前为128×128，操作后仍然是128×128)；例如，在最大化竞争操作后，通道数可以至少减半，以大幅减少数据运算量；

130：根据人脸特征映射识别人脸。通过采用本发明的人脸特征映射的方法，增强了网络对不同人脸特征的分辨能力，减小了数据运算量，提高了人脸识别效率，具有较好的应用前景。

参见图2，上述获取检测区域内出现的归一化的人脸图块包括：

210：检测取景区域内中出现的一个或多个人脸目标；

在该步骤中，检测取景区域中的一个人脸目标，例如可以是用于与事先存储的人脸目标相比较，判断是否符合预先存储的人脸目标。一个可能的应用场景是安全监控。即在一些私人或秘密位置(例如，家中的院子)，如果出现的人脸目标与预先存储的授权人脸一致时，认为人是安全的。如果出现的人脸与预先存储的授权人脸不一致时，则认为是可疑的。

另外一个可能的应用场景是：在监控区域先后出现不同人脸的情况下，可以检测及处理多个人脸的信息，并对多个人脸进行识别。例如，这种方式可以用于比较出现在监控区域的不同的脸是否属于同一个人。

220:将检测到的人脸目标以包围框表达；

在该步骤中，可以采用一个固定的数据采集框对人脸进行数据采集。例如，采集框可以为矩形框或其它形状。数据采集框例如可以适当的大于人脸的外轮廓。优选地，采集框为矩形，且该矩形框可以覆盖人脸的五官位置。例如，在一些实施例中，采集框的大小或形状可以根据人脸的大小自行调整，以便更好的对不同的人脸进行数据采集。

230：以人脸目标的包围框为基础，进一步检测人脸的典型特征位置，并将这些典型特征位置以空间坐标表达；

在该步骤中，例如，人脸的典型特征位置可以是五官所在位置。具体地，五官位置可以是两眼中心、鼻尖和嘴唇两角。显然，人脸的五官属于人脸的特征部分。对于同一张人脸，在一定时期内，五官的形状及彼此之间的相对距离不会明显改变。从而，这些在一定时期内不会明显发生改变的特征可以作为有效识别人脸的基础。但本领域技术人员应当了解，在一些情况下，即使仅通过五官中的一部分，也可以对人脸进行识别。例如，可以选择人脸的左眼中心、右眼中心和嘴巴中点作为特征点，并以此为基础进行后续工作。

240：以人脸的特征位置为基础，对获取的图像进行一系列几何变换，并从变换后的图像获取特定尺寸的人脸图块。

在该步骤中，例如，几何变换可以包括平移变换、尺度变换、旋转变换和区域提取，从而将五官调整到满足设计需求的位置。也就是说，人脸在监控中的不同位置和方向可以使人脸呈现不同的形态，包括尺寸上变化以及明暗点的差异等。因此，为了准确识别人脸，需要能够对以各个角度呈现在检测装置前的同一人脸进行清晰的辨认。因此，需要对获取的图像进行各种几何变换，以便通过高层次的人脸特征表达识别人脸。在人脸典型特征为五官位置的情况下，可以基于五官位置对人脸图像的几何变换。也就是说，对人脸特征点的变换不能是完全随意的，而是以例如五官位置为基础进行的变换，这样变换所得的图像才能作为人脸识别的基础。具体而言，五官位置可以代表人脸结构的基本布局，而图像的各种几何变换充分考虑了人脸可能呈现的不同状态。另外，还可以根据最终应用环境中的光照情况选择是否将经过几何归一化后的人脸图像进一步进行灰度化转换。

同样，在图像只包括五官中的一部分的情况下，也可以对图像进行几何变换，并获得用于人脸识别的基础图像。例如，在人脸典型特征仅包括人脸的左眼中心、右眼中心和嘴巴中点的情况下，可以首先对左眼中心和右眼中心进行两点相似变换，然后对两眼中心和嘴巴中点进行两点相似变换。另外，在此之后，可以对处理后的图像进行裁剪和缩放，获得特定尺寸的人脸图块。例如，图块可以为144×144像素的人脸图像。进一步地，还可以将其处理为灰度图像。

人脸图像归一化是人脸特征映射的训练、推断、以及其后的识别和验证得以正常进行的关键性预处理。在训练时，需要首先对粗糙的标记数据集进行归一化预处理，以确保训练过程中所学习的原始数据在特征表达上的稳定性。在推断时，需要首先对输入的人脸图像进行归一化预处理，以保证推断数据在特征表达上与训练数据一致。

在本发明的一个实施例中，深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少之一之后的至少一个最大值池化层和一个用于输出人脸高层次特征表达的全连接层。将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射包括：对多个卷积层中的至少一个输出的数据进行最大化竞争，以进一步减少数据量、提高特征分辨能力。

在上述实施例中，深度卷积神经网络可以具有多个卷积层、多个最大值池化层和全连接层。例如，可以对每一个卷积层输出的中间特征均进行最大化竞争操作，从而在保证人脸识别准确性的前提下，使人脸特征数据量显著减少。通常情况下，为了利用深度学习为人脸特征提取带来方便，同时使人脸特征的区分度尽可能的高，需要深度卷积神经网络模型具有足够的深度。在此基础上，如果对每个卷积层输出的中间特征均进行最大化竞争，则可以使人脸识别的准确率和速度得到明显改善。此外，串联的池化层可以进行特征图的尺度缩小，以便进一步减少识别过程的运算量。最后，全连接层输出人脸特征映射，其输出通道数即为人脸特征映射的维数。

具体地，参照图3，深度卷积神经网络模型例如可以有7个卷积层、七个最大化竞争操作层、若干最大值池化层和一个全连接层。例如，如图3所示，每一个卷积层输出的中间特征均进行最大化竞争操作，并且在深度卷积神经网络模型的适当位置引入最大值池化操作，以缩小特征图的尺寸。另外，全连接层用于输出经过数据处理的人脸特征映射。如图所示，连接关系依次为卷积层、最大化竞争操作层、最大池化层、卷积层、最大化竞争操作层、卷积层、最大化竞争操作层、最大池化层、卷积层、最大化竞争操作层、卷积层、最大化竞争操作层、最大池化层、卷积层、最大化竞争操作层、卷积层、最大化竞争操作层、最大池化层和全连接层、最大化竞争操作层。在计算过程中，在每次对输入的人脸归一化的图块进行一次卷积运算后，即对运算后的数据进行特征最大化竞争处理，从而可以进一步减少数据量，提高人脸识别的速度。

需要说明的是，在卷积神经网络中，激活函数的作用是通过对卷积处理所得特征图进行非线性化操作，从而起到加快模型收敛、防止过拟合的作用。但是常用的ReLU等激活函数，直接将特征图中的负数特征置为0，在达到作用的同时，损失了部分特征，这在人脸识别任务中尤为明显，其直接结果就是降低了人脸特征网络的分辨能力，从而阻碍了识别或验证能力的提高。所提出的特征最大化竞争的处理方法，可以保证人脸特征的质量。具体地，特征最大化竞争取代了常见卷积神经网络中的激活函数，利用maxout算法对前一级卷积层输出的特征图进行最大化竞争操作。这一算法可由如下公式表示：

f(x)＝max_1≤j≤ko(i,j)，其中，o(i,j)＝x^TW_ij+b_ij，代表卷积层输出的特征图，其中x是最大化竞争环节的输入阵(或者向量)，T是转秩算子；W是卷积权重阵，b是偏置向量。

本发明采用的特征最大化竞争的意义在于通过竞争过程，使得不同输入的特征之间的相似度得以降低，从而提高了以特征为判断基础的人脸识别或者验证的分辨能力。此外，在此过程中，特征最大化竞争操作还使网络参数的减少，为网络在嵌入式系统上的实施提供了方便。

在人脸归一化图块经过深度卷积神经网络计算后，生成具有固定维数的人脸特征映射。通过该特征最大化竞争操作，大大减少了数据量，减少了人脸识别过程的运算参数，同时，由于去掉了干扰特征，并保留了代表性最强的特征参数，也提高了识别准确率。

在进行前向计算之前，还可以对深度卷积神经网络进行训练，例如可以采用随机梯度下降法。首先，选取大量人脸图像样本，并对这些样本进行归一化处理。如上所述，还可以对样本进行大量的、随机的几何变换(包括水平翻转)，以增加样本量、丰富样本内容。每次迭代采用mini-batch的方式计算网络误差和更新权重，当在验证集上正确率不再提高(即经训练后收敛)时终止训练。在此情况下，深度卷积神经网络具备了针对人脸识别的较为精准的计算能力。也即所得到的各权重已实现了对广泛人脸特征知识的一种表达。在应用该网络模型执行实际的人脸识别任务时，可以直接以全连接层及其之前的网络作为特征映射生成器，利用其生成的人脸特征映射进行人脸识别或者人脸验证等。

在一个实施例中，训练深度卷积神经网络模型的具体步骤如下：

(a)将训练样本集数据分别写入到数据文件中，数据文件的数据接口与深度卷积神经网络模型的读入数据的接口相符；

(b)设定训练参数：包括读入文件路径，迭代次数等，并设定每个网络层的初始训练权重和训练偏置，同一层的特征图层设定相同的权重和偏置；

(c)加载训练文件：加载深度卷积神经网络定义文件、网络层参数定义文件和训练数据集组成的训练数据；

(d)采用随机梯度下降法对构建的深度卷积神经网络模型进行迭代，每迭代一组mini-batch计算一次梯度，并进行反向传播逐层更新权重和偏置，以寻求网络层权重和偏置的最优解，从而使网络误差最小，迭代多次后得到本次训练的最优深度卷积神经网络模型。

前述根据高层次人脸特征映射识别人脸例如可以包括如下两种情况：

一是在检测到两个人脸图像，并采用上述实施例的深度卷积神经网络模型对两个人脸图像进行上述前向运算生成两个人脸的特征映射。之后，可以计算两个人脸的特征映射两个特征映射的空间距离，并通过判断空间距离与预设阈值之间的关系，得出验证结果(两个人脸图像是否属于同一个人)。

参照图4，验证两张人脸图像是否属于同一个人的过程可以包括：

1301：获取来自两张人脸的特征映射；该特征映射可以通过以上实施例的卷积神经网络的全连接层所输出。

1302：计算两个特征映射的空间距离，并通过空间距离验证人脸。

1303：判断空间距离是否大于预设阈值，如果空间距离大于预设值，则两个特征映射来自同一张人脸。相反，如果空间距离小于预设值，则两个特征映射来自不同人脸。

另一种是检测到一个人脸图像，并对该一个人脸图像进行上述处理生成该人脸图像的特征映射。之后，可以对比该特征映射与特征库中已有的人脸特征映射的空间距离，并由此判断人脸的身份。

参见图5，验证特征映射是否来自同一张脸可以包括：

1304：获取来自人脸的特征映射；该特征映射通过以上实施例的深度卷积神经网络的全连接层所输出。

1305：计算并比较特征映射与预存的特征映射之间的空间距离；

1306：判断该空间距离是否大于预设阈值。如果是，则判断该特征映射与取得最大距离时对应的预存特征来自同一张脸，如果否，则该特征映射来自特征库中不存在的人脸。

上述应用过程中的距离，可根据实际需要，采用不同量度，如：欧氏距离、余弦距离、马氏距离等。在本发明中，我们采用了余弦距离作为测量不同的人脸特征镶嵌(相当于前述的特征映射)之间的距离，该余弦距离可由如下公式表示：

其中，a_i代表利用人脸特征网络生成的人脸特征映射，为维数固定的向量。

本发明还提供了一种人脸识别装置1，参见图6，该模块包括获取模块11、处理模块12和识别模块13，处理模块12包括深度卷积神经网络模型。其中获取模块11用于获取归一化的人脸图块数据；处理模块12用于将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸特征映射；其中数据处理包括对深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；识别模块13用于根据所述人脸的特征映射识别人脸。通过该人脸识别装置，可以以更小的数据运算，快速进行人脸识别。

如前所述，在一个实施例中，深度卷积神经网络模型包括多个卷积层、连接在多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸特征映射的全连接层；处理模块12用于对多个卷积层中的至少一个输出的中间特征进行最大化竞争。例如，最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，其中x是最大化竞争环节的输入阵(或者向量)，T是转秩算子；W是卷积权重阵，b是偏置向量。

本发明的再一个方面提供了一种计算机可读存储介质，该存储介质存储可执行指令。在可执行指令被处理器加载时执行：获取归一化的人脸图块数据；将归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射；其中数据处理包括对深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；以及根据人脸高层次的特征映射识别人脸。例如，深度卷积神经网络模型可以包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸高层次特征映射的全连接层。在此情况下，将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸的特征映射包括：对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。例如，所述最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，其中x是最大化竞争环节的输入阵(或者向量)，T是转秩算子；W是卷积权重阵，b是偏置向量。

本发明的又一个方面提供了一种服务器。该设备包括处理器、存储介质以及存储在存储器中的可执行指令。处理器可执行所述可执行指令，从而实现以上所述的人脸识别方法。

以上实施例可以彼此组合，并具有相应的效果。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。本发明的各个实施例在不违反逻辑的基础上均可相互组合。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于深度卷积神经网络的人脸识别方法，其特征在于，包括：

获取归一化的人脸图块数据；

将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸高层次的特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；以及

根据所述人脸的特征映射识别人脸。

2.根据权利要求1所述的人脸识别方法，其特征在于，所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸特征映射的全连接层；

所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸的特征映射包括：

对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。

3.根据权利要求2所述的人脸识别方法，其特征在于，所述最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；

其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，其中x是进行所述最大化竞争环节的输入矩阵或者向量，T是转秩算子；W是卷积权重阵，b是偏置向量，i和j为整数。

4.根据权利要求3所述的人脸识别方法，其特征在于，所述深度卷积神经网络模型包括七个卷积层，所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理包括：

对所述七个卷积层中的每一个输出的中间特征均进行最大化竞争操作。

5.根据权利要求4所述的人脸识别方法，其特征在于，所述数据处理还包括对经最大化竞争操作所得的至少一个中间特征进行最大值池化操作。

6.根据权利要求1所述的人脸识别方法，其特征在于，所述获取归一化的人脸图块数据包括：

检测一个或多个人脸的目标图像；

获取所述一个或多个人脸的目标图像中人脸的典型特征位置，并将所述典型特征位置以空间坐标表达；

以所述典型特征位置为基础，对所述目标图像进行几何变换；

从经过几何变换后的图像中截取特定尺寸的人脸图块。

7.根据权利要求6所述的人脸识别方法，其特征在于，所述人脸的典型特征位置包括眼睛的中心位置、鼻尖和嘴唇的两个角。

8.根据权利要求6所述的人脸识别方法，其特征在于，所述人脸的典型特征位置包括左眼中心、右眼中心和嘴巴中点；所述以所述典型特征位置为基础，对所述目标图像进行几何变换包括：

对所述左眼中心和所述右眼中心进行两点相似变换，以及

对两眼中心和所述嘴巴中点进行两点相似变换。

9.根据权利要求6所述的人脸识别方法，其特征在于，所述几何变换包括平移变换、尺度变换和旋转变换的至少之一。

10.根据权利要求6所述的人脸识别方法，其特征在于，所述从经过几何变换后的图像中截取特定尺寸的人脸图块包括：

对经过几何变换的图像进行剪裁和/或缩放，获得特定尺寸的人脸图块。

11.根据权利要求6所述的人脸识别方法，其特征在于，所述获取归一化的人脸图块数据还包括：对所述人脸图块进行灰度处理。

12.根据权利要求1至11任一项所述的人脸识别方法，其特征在于，所述根据所述人脸的特征映射识别人脸包括：

将所述人脸的特征映射与预存储的人脸信息进行距离对比，并根据比较结果判断人脸的身份。

13.根据权利要求1至11任一项所述的人脸识别方法，其特征在于，所述根据所述人脸的特征映射识别人脸包括：

将获得的两个人脸的特征映射进行距离对比，并根据比较结果判断两个人脸是否属于同一个人。

14.根据权利要求1所述的人脸识别方法，其特征在于，将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理，并获得人脸的特征映射之前还包括：

通过反向传播算法训练所述深度卷积神经网络模型。

15.一种人脸识别装置，其特征在于，包括获取模块、处理模块和识别模块，所述处理模块包括深度卷积神经网络模型；

其中所述获取模块用于获取归一化的人脸图块数据；

所述处理模块用于将所述归一化的人脸图块数据输入所述深度卷积神经网络模型进行数据处理，并获得人脸特征映射；其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争；

所述识别模块用于根据所述人脸高层次的特征映射识别人脸。

16.根据权利要求15所述的装置，其特征在于，所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸高层次特征映射的全连接层；

所述处理模块用于对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。

17.根据权利要求16所述的装置，其特征在于，所述最大化竞争的函数为f(x)＝max_1≤j≤ko(i,j)；其中，o(i,j)＝x^TW_ij+b_ij，其代表卷积层输出的中间特征，其中x是最大化竞争环节的输入阵(或者向量)，T是转秩算子；W是卷积权重阵，b是偏置向量。

18.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，在该程序被处理器加载时执行如权利要求1-4中任一项所述的方法。

19.一种服务器，其特征在于，包括处理器、存储介质和存储在所述存储介质中并可以在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如权利要求1-14中任一项所述的方法。