CN107679460A - 人脸的自学习方法及相关产品 - Google Patents

Abstract

本公开提供一种人脸的自学习方法及相关产品，所述方法包括如下步骤：采集人脸图像，采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值，如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。本发明提供的技术方案具有用户体验度高的优点。

Description

人脸的自学习方法及相关产品

技术领域

本发明涉及通信技术领域，具体涉及一种人脸的自学习方法及相关产品。

背景技术

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。现有的深度学习的模型无法进行更新，导致深度学习的模型的准确率无法提高，进而影响识别的精度，影响用户的体验度。

发明内容

本发明实施例提供了一种人脸的自学习方法及相关产品，可实现对深度学习的模型进进行更新，提高人脸识别的精确度，提高用户的体验度优点。

第一方面，本发明实施例提供一种人脸的自学习方法，所述方法包括如下步骤：采集人脸图像，采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值，如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

第二方面，提供一种智能终端，所述智能终端包括：人脸识别模组、摄像头模组、存储器和应用处理器AP，所述人脸识别模组与所述摄像头模组连接，所述AP分别与所述人脸识别模组、摄像头模组、存储器连接：

所述摄像头模组，用于采集人脸图像；

所述存储器，用于存储人脸图像以及历史输出值；

所述人脸识别模组，用于采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；

所述AP，用于如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；

所述人脸识别模组，用于采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值；

所述AP，用于如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

第三方面，提供一种智能设备，所述设备包括一个或多个处理器、存储器、收发器，摄像头模组以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行第一方面提供的方法中的步骤的指令。

第四方面，提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第一方面提供的所述的方法。

第五方面，提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行第一方面提供的方法。

实施本发明实施例，具有如下有益效果：

可以看出，通过本发明实施例通过对深度学习模型的权值进行调整，并在调整该深度学习模型的权值以后，验证调整深度学习模型的权值是否比原来的深度学习模型的权值更适合执行人脸识别，这样能够依据不同的人脸信息对深度学习模型进行自动补充或纠正，从而提高识别的精度，提高用户的体验度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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是一种移动终端的结构示意图。

图2是本发明实施例提供的一种人脸的自学习方法的流程示意图。

图3a是本发明实施例提供的输入神经元以及输出神经元的连接示意图。

图3b是本发明实施例提供的另一输入神经元以及输出神经元的连接示意图。

图4是本发明实施例提供的智能终端的结构示意图。

图5是本发明实施例公开的一种智能设备的结构示意图。

图6是本发明实施例公开的另一种智能设备的结构示意图。

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。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参阅图1，图1为一种移动终端结构示意图，如图1所示，该移动终端可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID，Mobile Internet Devices)或穿戴式设备等，上述移动终端仅是举例，而非穷举，包含但不限于上述移动终端，为了描述的方便，下面实施例中将上述移动终端称为用户设备(User equipment，UE)或终端。当然在实际应用中，上述用户设备也不限于上述变现形式，例如还可以包括：智能车载终端、计算机设备等等。如图1所示，该终端包括：处理器101、显示器102、人脸识别模组103和摄像头模组104，在实际应用中，该摄像头模组104也可以与人脸识别模组103集成在一起，当然在另外一种可选的技术方案中，该人脸识别模组103也可以集成在该处理器101内。本发明具体实施方式并不限制上述人脸识别模组103的具体封装位置。该处理器101分别与显示器102、人脸识别模组103和摄像头模组104连接，其连接方式可以为总线方式，当然在实际应用中，也可以采用其他的方式来连接，本发明具体实施方式并不限制处理器101分别与显示器102、人脸识别模组103和摄像头模组104连接的具体方式。

下面说明一下人脸识别的方式，首先需要说明的是，本发明的技术方案涉及人脸识别，但是并不限制该人脸识别的应用范围，例如，在本发明一个可选的技术方案中，可以通过人脸识别的结果实现终端解锁，又如，在本发明又一个可选的技术方案中，可以通过人脸识别的结果实现快捷支付，再如，在本发明还一个可选的技术方案中，可以通过人脸识别的结果实现快速进入设定场地，例如办公室考勤记录、办公室自动门开合等等场景，本发明具体实施方式并不限制具体的应用场景。该人脸识别的方式具体可以为，摄像头模组104采集人脸图像，人脸识别模块执行特征提取、比对认证、活体识别等操作以后输出人脸识别结果，处理器101依据该人脸识别结果执行后续操作，例如解锁操作或快捷支付操作等等。上述特征提取、比对认证、活体识别的操作可以通过深度学习算法来执行，当然在实际应用中，也可以采用其他的机器学习算法来执行上述特征提取、比对认证、活体识别的操作。

对于深度学习模型来说，其属于已经训练好的深度学习模型，对于终端的厂家来说，其在对终端配置深度学习模型时，其配置的是已经训练好的深度学习模型，并且在后续的识别中也不会对深度学习模型进行改变。在采集用户使用手机的权值中，本申请人发现在通过深度学习模型执行人脸识别时，可能会长期出现人脸识别的输出值大于验证通过值，但是输出值比验证通过值大的不多，如果环境发生一定的变化，例如光线的变化较大或背景图形的影响等等方式就可能使得该人脸识别无法通过，但是由于深度学习模型不会自动补充以及纠正，所以使得使用深度学习模型执行人脸识别的输出值长期“飘过”验证通过值，导致机主本人在人脸验证时也可能出现无法通过，影响了用户的体验度。

参阅图2，图2为本发明具体实施方式提供的一种人脸的自学习方法，该方法由如图1所示的终端来执行，该方法如图2所示，包括如下步骤：

步骤S201、采集人脸图像。

上述步骤S201中采集人脸图像可以通过摄像头模组采集，该摄像头模组具体可以为，设置在终端的前置摄像头模组，当然在实际应用中，也可以通过设置在终端的后置摄像头模组来采集人脸图像。本发明具体实施方式并不限制该采集人脸图像的具体摄像头模组。该人脸图像也可以通过红外摄像模组或可见光摄像模组来实现对人脸图像的采集。

步骤S202、采用第一深度学习模型对该人脸图像进行识别处理得到人脸识别结果第一输出值。

上述步骤S202中的第一深度学习模型是已经训练好的深度学习模型，其训练的方法可以采用现有的训练方法，该训练样本本发明具体实施方式也不限制。

采用第一深度学习模型对该人脸图像执行特征点提取、比对认证、活体识别得到人脸识别结果第一输出值。该第一输出值一般为【0,1】之间的取值。

步骤S203、如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值。

上述步骤S203中的第二阈值大于第一阈值，该第一阈值具体可以为，是否识别确定的阈值，该第二阈值可以为用户或厂家认为较高的输出值，该历史输出值可以为，第一深度学习模型在本次识别之前对人脸图像进行识别得到的输出值，该输出值可以为人脸识别通过后的输出值。具体的，该第一阈值可以为55％、60％等等值，该第二阈值可以为80％、90％等等值。

步骤S204、如该历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整该第一深度学习模型的权值得到第二深度学习模型。

上述步骤S204的具体调整第一深度学习模型的权值的调整方案可以参见下面实施例的描述，这里不再赘述。

步骤S205、采用第二深度学习模型对该人脸图像进行识别处理得到人脸识别结果第二输出值，如第二输出值大于第一输出值，采用第二深度学习模型替换第一深度学习模型。

上述步骤S205中的采用第二深度学习模型替换第一深度学习模型的方式可以为，保留第二深度学习模型的权值，删除第一深度学习的模型的权值。

本发明提供的技术方案通过对深度学习模型的权值进行调整，并在调整该深度学习模型的权值以后，验证调整深度学习模型的权值是否比原来的深度学习模型的权值更适合执行人脸识别，这样能够依据不同的人脸信息对深度学习模型进行自动补充或纠正，从而提高识别的精度，提高用户的体验度。

可选的，上述方法在步骤S205之后还可以包括：

如第二输出值小于第一输出值，删除第二深度学习模型，采用第二权值调整策略调整该第一深度学习模型的权值得到第三深度学习模型，所述第二权值调整策略为与第一权值调整策略相反或不同的策略。

参见如3a，图3a为一种深度学习模型的计算示意图，如图3a所示，有4个输入神经元：i1，i2，i3，i4，有2个输出神经元：o1，o2。其中，o1和i1，i3，i4有连接，把连接的权值分别表示为w11，w31，w41，o2和i2，i3有连接，把连接的权值分别表示为w22，w32。在实际应用中，该输入神经元的个数可以大于4个或小于4个，本发明具体实施方式对于输入神经元的数量并不限制，对于调整策略，这里假设第一权值调整策略具体可以为，将o1连接的权值w11，w31，w41增大，保持o2连接的权值w22，w32不变，这样第一权值调整策略调整的第二深度学习模型的权值可以为：w11+，w31+，w41+，w22，w32。其中w11+中的“+”表示增大。如第二权值调整策略为与第一权值调整策略相反的调整策略，则第二权值调整策略可以为，将o1连接的权值w11，w31，w41减小，保持o2连接的权值w22，w32不变，这样第二权值调整策略调整的第三深度学习模型的权值可以为w11—，w31—，w41—，w22，w32。其中，“w11—”中的“—”表示减少。如果第二权值调整策略为与第一权值调整策略不同的策略，则第二权值调整策略可以为：保持o1连接的权值w11，w31，w41不变，将o2连接的权值w22，w32增大或减小(其值的增大或减小)。

此调整策略的原理具体可以为，对于深度学习模型的权值是影响输出值大小的重要参数，对于输出值长期略大于验证通过值的问题可能是该深度学习模型的权值的配置不合理，上述技术方案采用调整策略对该深度学习模型的权值进行调整，但是对于设备来说，其无法获知该权值增加或减小能够实现对深度学习模型的权值的调整，所以这里采用尝试调整的方式，每次调整一个输出神经元所连接的权值，然后采用调整权值后的深度学习模型对已有的人脸图像进行识别得到输出值，如该输出值大于调整前的深度学习模型的输出值，则确定调整方向正确，反之如该输出值小于该调整前的深度学习模型的输出值，那么可能具有如下几种情况，具体的，一种是输出神经元的连接权值选择正确，但是其调整的方向反了，这样采用如上述相反的调整策略就能够实现对输出神经元的连接权值的调整，另一种是输出神经元的选择错误，那么采用如上述不同的调整策略即选择其他输出神经元的权值进行调整以达到对权值进行正常调整的目的。此种方案能够对深度学习模型的权值进行优化，这样能够增加输出值，从而增加识别的精度，提高用户体验度。

可选的，上述方法在步骤S205之后还可以包括：

提取第一权值调整策略的输出神经元o1以及o1的调整方向，获取该输出神经元o1的相关的输出神经元，将所述相关的输出神经元的权值按该调整方向进行权值调整。

上述相关的输出神经元的确认方式可以有多种，例如在本发明一个可选的技术方案中，上述相关的输出神经元可以为：与输出神经元o1具有多个相同的输入神经元，如图3a所示，对于输出神经元o1的输入神经元为：i1，i3，i4，对于输出神经元o2的输入神经元为：i2，i3，则输出神经元o1与输出神经元o2具有相同的输入神经元i3，由于其只具有一个相同的输入神经元，所以输出神经元o2与输出神经元o1不相关，参阅图3b，如图3b所示，输出神经元o1的输入神经元为：i1，i3，i4，对于输出神经元o2的输入神经元为：i1，i2，i3，则输出神经元o1与输出神经元o2具有相同的输入神经元i1、i3，由于其只具有多个(2个)相同的输入神经元，所以输出神经元o2与输出神经元o1相关。

在本发明另一个实施例中确定两个输出神经元相关的方式可以为，通过预先配置的方式来确定两个输出神经元是否相关。

设置上述调整策略的原因为，经过本申请人验证发现，对于两个输出神经元来说，如果其具有很多相同的输入神经元，那么这两个输出神经元的变化基本是相同的变化，即如果输出神经元o1相比上次计算变小了，那么很大的概率输出神经元o2相比上次计算也会变小，所以本申请人认为这样的两个输出神经元作为相关输出神经元，具体如图3b所示的o1和o2，对于两个输出神经元来说，如果两个输出神经元没有相同的输入神经元，那么对于这两个不相关的输出神经元变化基本是没有规律的，即两个输出神经元的值的变化不相关，例如图3a所示的o1和o2。依据此原理，本申请人发现对于相关输出神经元的权值的调整方向设置成一致，能够极大的减少深度学习模型的权值调整次数，进而减少计算量。

可选的，上述方法在步骤S205之后还可以包括：

提取深度学习模型的每个输出神经元的输入神经元，依据两个输出神经元的相同输入神经元的个数确定该两个输出神经元是否相关，如该两个输出神经元相关，确定相关的两个输出神经元的权值调整策略的调整方向一致。该调整方向具体可以为：增加或减少权值。

参阅图4，图4提供一种智能终端，所述智能终端包括：人脸识别模组401、摄像头模组402、存储器403和应用处理器AP 404，人脸识别模组与所述摄像头模组连接，所述AP分别与所述人脸识别模组、摄像头模组、存储器连接：

摄像头模组401，用于采集人脸图像；

存储器403，用于存储人脸图像以及历史输出值；

人脸识别模组402，用于采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；

AP404，用于如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；

人脸识别模组402，用于采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值；

AP404，用于如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

本发明提供的技术方案通过对深度学习模型的权值进行调整，并在调整该深度学习模型的权值以后，验证调整深度学习模型的权值是否比原来的深度学习模型的权值更适合执行人脸识别，这样能够依据不同的人脸信息对深度学习模型进行自动补充或纠正，从而提高识别的精度，提高用户的体验度。

可选的，处理单元404，还用于如所述第二输出值小于所述第一输出值，删除所述第二深度学习模型，采用第二权值调整策略调整所述第一深度学习模型的权值得到第三深度学习模型，所述第二权值调整策略为与所述第一权值调整策略相反或不同的策略。

可选的，处理单元404，还用于提取第一权值调整策略的输出神经元o1以及权值的调整方向，获取所述输出神经元o1相关的输出神经元o2，将所述第二深度学习模型的输出神经元o2的权值按所述调整方向调整得到第四深度学习模型。

可选的，处理单元404，具体用于提取与所述输出神经元o1相连接的第一组输入神经元，提取输出神经元o2相连接的第二组输入神经元，如第一组输入神经元与第二组输入神经元具有多个相同的输入神经元，确定所述输出神经元o1与所述输出神经元o2相关。

需要说明的是，上述调整方向具体可以为，权值的数值的增大或减少。

可选的，处理单元404，具体用于如该第一权值调整策略为对输出神经元o1的权值增大，如第二输出值小于第一输出值，确定该第二权值调整策略为对输出神经元o1的权值减小或对输出神经元o2的权值增加或减小(即保持输出神经元o1的权值不变)。

参阅图5，图5提供一种智能设备，所述设备包括一个或多个处理器501、存储器502、收发器503，摄像头504以及一个或多个程序，该处理器501内可以集成人脸识别模组，当然在实际应用中，该人脸识别模组也可以集成在摄像头504内，所述一个或多个程序被存储在存储器502中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如图2所示方法中的步骤的指令。

具体的：摄像头504，用于采集人脸图像，

处理器501，用于采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值，如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

其中，处理器501可以是处理器或控制器，例如可以是中央处理器(CentralProcessing Unit，CPU)，通用处理器，数字信号处理器(Digital Signal Processor，DSP)，专用集成电路(Application-Specific Integrated Circuit，ASIC)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。收发器503可以是通信接口、收发器、收发电路等，其中，通信接口是统称，可以包括一个或多个接口。

图6示出的是与本发明实施例提供的智能设备为服务器的部分结构的框图。参考图6，服务器包括：射频(Radio Frequency，RF)电路910、存储器920、输入单元930、传感器950、音频电路960、无线保真(Wireless Fidelity，WiFi)模块970、应用处理器AP980、摄像头770以及电源990等部件。本领域技术人员可以理解，图6中示出的智能设备结构并不构成对智能设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图6对智能设备的各个构成部件进行具体的介绍：

输入单元930可用于接收输入的数字或字符信息，以及产生与智能设备的用户设置以及功能控制有关的键信号输入。具体地，输入单元930可包括触控显示屏933、手写笔931以及其他输入设备932。输入单元930还可以包括其他输入设备932。具体地，其他输入设备932可以包括但不限于物理按键、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

AP980是智能设备的控制中心，利用各种接口和线路连接整个智能设备的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行智能设备的各种功能和处理数据，从而对智能设备进行整体监控。可选的，AP980可包括一个或多个处理单元；可选的，AP980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到AP980中。上述AP980可以集成人脸识别模组，当然在实际应用中，上述人脸识别模组也可以单独设置或集成在摄像头770内，如图6所示的人脸识别模组以集成在AP980内为例。

此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

RF电路910可用于信息的接收和发送。通常，RF电路910包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路910还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

摄像头770，用于采集人脸图像，

存储器920，用于存储人脸图像以及历史输出值，

AP980，用于采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值，如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

可选的，AP980，还用于如所述第二输出值小于所述第一输出值，删除所述第二深度学习模型，采用第二权值调整策略调整所述第一深度学习模型的权值得到第三深度学习模型，所述第二权值调整策略为与所述第一权值调整策略相反或不同的策略。

可选的，AP980，还用于提取第一权值调整策略的输出神经元o1以及权值的调整方向，获取所述输出神经元o1相关的输出神经元o2，将所述第二深度学习模型的输出神经元o2的权值按所述调整方向调整得到第四深度学习模型。

可选的，AP980，还用于提取与所述输出神经元o1相连接的第一组输入神经元，提取输出神经元o2相连接的第二组输入神经元，如第一组输入神经元与第二组输入神经元具有多个相同的输入神经元，确定所述输出神经元o1与所述输出神经元o2相关。

智能设备还可包括至少一种传感器950，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节触控显示屏的亮度，接近传感器可在手机移动到耳边时，关闭触控显示屏和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路960、扬声器961，传声器962可提供用户与智能设备之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号，传输到扬声器961，由扬声器961转换为声音信号播放；另一方面，传声器962将收集的声音信号转换为电信号，由音频电路960接收后转换为音频数据，再将音频数据播放AP980处理后，经RF电路910以发送给比如另一手机，或者将音频数据播放至存储器920以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块970，但是可以理解的是，其并不属于智能设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

智能设备还包括给各个部件供电的电源990(比如电池或电源模块)，可选的，电源可以通过电源管理系统与AP980逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

前述图2所示的实施例中，各步骤方法流程可以基于该智能设备的结构实现。

前述图4或图5所示的实施例中，各单元功能可以基于该智能设备的结构实现。

可以看出，通过本发明实施例，移动终端通过对不同的生物识别的识别顺序来分配不同的优先级，并且在设定时间内，如启动的第二应用程序与第一应用程序的类型不同，需要重新执行多生物识别操作，避免了直接给不同类型的应用程序最高优先级，影响安全性的问题。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种搜索资源推荐的方法的部分或全部步骤。

本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种搜索资源推荐的方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块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器中。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全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种人脸的自学习方法，其特征在于，所述方法包括如下步骤：

采集人脸图像，采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；

如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；

采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值，如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

如所述第二输出值小于所述第一输出值，删除所述第二深度学习模型，采用第二权值调整策略调整所述第一深度学习模型的权值得到第三深度学习模型，所述第二权值调整策略为与所述第一权值调整策略相反或不同的策略。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

提取第一权值调整策略的输出神经元o1以及权值的调整方向，获取所述输出神经元o1相关的输出神经元o2，将所述第二深度学习模型的所述输出神经元o2的权值按所述调整方向调整得到第四深度学习模型。

4.根据权利要求3所述的方法，其特征在于，获取所述输出神经元o1相关的输出神经元o2，包括：

提取与所述输出神经元o1相连接的第一组输入神经元，提取输出所述神经元o2相连接的第二组输入神经元，如所述第一组输入神经元与所述第二组输入神经元具有多个相同的输入神经元，确定所述输出神经元o1与所述输出神经元o2相关。

5.一种智能终端，其特征在于，所述智能终端包括：人脸识别模组、摄像头模组、存储器和应用处理器AP，所述人脸识别模组与所述摄像头模组连接，所述AP分别与所述人脸识别模组、摄像头模组、存储器连接：

所述摄像头模组，用于采集人脸图像；

所述存储器，用于存储人脸图像以及历史输出值；

所述人脸识别模组，用于采用第一深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第一输出值；

所述AP，用于如该第一输出值大于第一阈值且小于第二阈值，提取该第一深度学习模型的历史输出值，如所述历史输出值大于第一阈值且小于第二阈值，采用第一权值调整策略调整所述第一深度学习模型的权值得到第二深度学习模型；

所述人脸识别模组，用于采用所述第二深度学习模型对所述人脸图像进行识别处理得到人脸识别结果第二输出值；

所述AP，用于如所述第二输出值大于所述第一输出值，采用所述第二深度学习模型替换所述第一深度学习模型。

6.根据权利要求5所述的智能终端，其特征在于，

所述AP，还用于如所述第二输出值小于所述第一输出值，删除所述第二深度学习模型，采用第二权值调整策略调整所述第一深度学习模型的权值得到第三深度学习模型，所述第二权值调整策略为与所述第一权值调整策略相反或不同的策略。

7.根据权利要求5所述的智能终端，其特征在于，

所述AP，还用于提取第一权值调整策略的输出神经元o1以及权值的调整方向，获取所述输出神经元o1相关的输出神经元o2，将所述第二深度学习模型的所述输出神经元o2的权值按所述调整方向调整得到第四深度学习模型。

8.根据权利要求7所述的智能终端，其特征在于，

所述AP，具体用于提取与所述输出神经元o1相连接的第一组输入神经元，提取所述输出神经元o2相连接的第二组输入神经元，如所述第一组输入神经元与所述第二组输入神经元具有多个相同的输入神经元，确定所述输出神经元o1与所述输出神经元o2相关。

9.一种智能设备，其特征在于，所述设备包括一个或多个处理器、存储器、收发器，摄像头模组以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1-4任一项所述的方法中的步骤的指令。

10.一种计算机可读存储介质，其特征在于，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-4任一项所述的方法。

11.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如权利要求1-4任一项所述的方法。