CN107679474A

CN107679474A - 人脸匹配方法及装置

Info

Publication number: CN107679474A
Application number: CN201710874184.8A
Authority: CN
Inventors: 万韶华
Original assignee: Beijing Xiaomi Mobile Software Co Ltd
Current assignee: Beijing Xiaomi Mobile Software Co Ltd
Priority date: 2017-09-25
Filing date: 2017-09-25
Publication date: 2018-02-09

Abstract

本公开是关于人脸匹配方法及装置。该方法包括：获取n张人脸图像，n是大于1的正整数；分别将n张人脸图像输入预先训练出的预设神经网络，从预设神经网络的隐藏层输出对应的向量，将n张人脸图像对应的向量作为n张人脸图像的特征向量；对于n张人脸图像中的两张待匹配的人脸图像，确定两张待匹配的人脸图像的特征向量之间的距离；当距离小于预设距离时，确定两张待匹配的人脸图像中的人脸是同一个人的脸。该技术方案的特征向量会包括优化的人脸特征，该人脸特征可以去除外界干扰因素所带来的影响，同一人的两个特征向量包括相似的人脸特征多，向量特征的距离就近，不同人的两个特征向量包含差异大的人脸特征多，向量特征的距就远，因此，实现了人脸识别。

Description

人脸匹配方法及装置

技术领域

本公开涉及计算机领域，尤其涉及人脸匹配方法及装置。

背景技术

目前，人脸验证是身份验证的一种重要手段，在解锁、通关、办卡等场景中有着广泛的应用，其研究具有重要的理论意义和实用价值。人脸验证算法的输入是两个人脸图像，输出是两个人脸之间的相似度。

人脸识别的困难主要有两方面。首先，不同个体之间的人脸存在相似性。人脸相似性这一特点对于人脸定位和检测是有利的，但是对于利用人脸区分人类个体是不利的。其次，同一个人的人脸存在变化性，人脸外形在同一天的不同时刻并不稳定，人脸也会因为面部表情的变化而不同，在不同观测角度，同一个人的人脸也相差很大，另外，人脸识别还受光照条件、遮盖物、年龄等多方面因素的影响。

发明内容

本公开实施例提供人脸匹配方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种人脸匹配方法，包括：

获取n张人脸图像，所述n是大于1的正整数；

分别将所述n张人脸图像输入预先训练出的预设神经网络，从所述预设神经网络的隐藏层输出对应的向量，将所述n张人脸图像对应的向量作为所述n张人脸图像的特征向量；所述隐藏层是所述预设神经网络中除最后一层之外的任一层；

其中，所述预设神经网络是根据预设的具有人脸的图像和对应人的组号训练出来的；

对于所述n张人脸图像中的两张待匹配的人脸图像，确定所述两张待匹配的人脸图像的特征向量之间的距离；

当所述距离小于预设距离时，确定所述两张待匹配的人脸图像中的人脸是同一个人的脸。

本公开的实施例提供的技术方案可以包括以下有益效果：隐藏层输出的特征向量会包括优化的人脸特征，该优化后的人脸特征可以去除环境、角度等多方面的外界干扰因素所带来的的影响，同一人的两个特征向量包括相似的人脸特征多，向量特征的距离就近，不同人的两个特征向量包含差异大的人脸特征多，向量特征的距就远，因此，实现了人脸识别。

在一个实施例中，所述对于所述n张人脸图像中的两张待匹配的人脸图像，确定所述两张待匹配的人脸图像的特征向量之间的距离包括：

通过大盈余最近邻算法，将所述两张待匹配的人脸图像的特征向量进行特征空间映像转换，得到两个转换向量；

计算所述两张待匹配的人脸图像的转换向量之间的欧拉距离。

在一个实施例中，所述隐藏层是所述预设神经网络的倒数第二层。

在一个实施例中，对于所述n张人脸图像中的第i张图像，所述i是小于或等于n的正整数，所述获取n张人脸图像包括：

接收所述第i张图像；

对所述第i张图像进行尺寸调整和/或角度调整以达到人脸图像中人脸的预设要求。

在一个实施例中，所述方法还包括：

获取p组图像，所述每组图像包括q张图像；所述q张图像是显示同一人人脸的不同图像；所述p是正整数，所述q是正整数；

为p组图像排上组号；

将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述预设神经网络。

在一个实施例中，对应所述p组图像的第k组图像；所述k是小于或等于p的正整数；所述将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述深度卷积神经网络包括：

将所述第k组图像中第j张图像输入待更新的深度卷积神经网络，得到输出结果；所述j是小于或等于q的正整数；

根据所述输出结果与所述第k组图像的组号，更新所述待更新的深度卷积神经网络；

其中，直到所述p组图像中每一张图像作为输入，其输出结果都是对应组的组号时，此时训练出的深度卷积神经网络为所述预设神经网络。

根据本公开实施例的第二方面，提供一种人脸匹配装置，包括：

第一获取模块，用于获取n张人脸图像，所述n是大于1的正整数；

处理模块，用于分别将所述n张人脸图像输入预先训练出的预设神经网络，从所述预设神经网络的隐藏层输出对应的向量，将所述n张人脸图像对应的向量作为所述n张人脸图像的特征向量；所述隐藏层是所述预设神经网络中除最后一层之外的任一层；其中，所述预设神经网络是根据预设的具有人脸的图像和对应人的组号训练出来的；

第二获取模块，用于对于所述n张人脸图像中的两张待匹配的人脸图像，确定所述两张待匹配的人脸图像的特征向量之间的距离；

确定模块，用于当所述距离小于预设距离时，确定所述两张待匹配的人脸图像中的人脸是同一个人的脸。

在一个实施例中，所述第二获取模块包括：

转换子模块，用于通过大盈余最近邻算法，将所述两张待匹配的人脸图像的特征向量进行特征空间映像转换，得到两个转换向量；

计算子模块，用于计算所述两张待匹配的人脸图像的转换向量之间的欧拉距离。

在一个实施例中，对于所述n张人脸图像中的第i张图像，所述i是小于或等于n的正整数，所述第一获取模块包括：

接收子模块，用于接收所述第i张图像；

调整子模块，用于对所述第i张图像进行尺寸调整和/或角度调整以达到人脸图像中人脸的预设要求。

在一个实施例中，所述装置还包括：

第三获取模块，用于获取p组图像，所述每组图像包括q张图像；所述q张图像是显示同一人人脸的不同图像；所述p是正整数，所述q是正整数；

排序模块，用于为p组图像排上组号；

训练模块，用于将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述预设神经网络。

在一个实施例中，对应所述p组图像的第k组图像；所述k是小于或等于p的正整数；所述训练模块包括：

处理子模块，用于将所述第k组图像中第j张图像输入待更新的深度卷积神经网络，得到输出结果；所述j是小于或等于q的正整数；

更新子模块，用于根据所述输出结果与所述第k组图像的组号，更新所述待更新的深度卷积神经网络；

根据本公开实施例的第三方面，提供一种人脸匹配装置，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n张人脸图像，所述n是大于1的正整数；

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人脸识别方法的流程图。

图2是根据一示例性实施例示出的人脸识别方法中预设神经网络的结构图。

图3是根据一示例性实施例示出的人脸识别方法中预设神经网络的结构图。

图4是根据一示例性实施例示出的人脸识别方法的流程图。

图5是根据一示例性实施例示出的人脸识别装置的框图。

图6是根据一示例性实施例示出的人脸识别装置的框图。

图7是根据一示例性实施例示出的人脸识别装置的框图。

图8是根据一示例性实施例示出的人脸识别装置的框图。

图9是根据一示例性实施例示出的人脸识别装置的框图。

图10是根据一示例性实施例示出的人脸识别装置的框图。

图11是根据一示例性实施例示出的人脸识别装置的框图。

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。

本实施例提出一种结合了深度学习的人脸识别方法。该方法可以通过大规模人脸类别预测任务训练一个用于人脸识别的预设神经网络，用该预设神经网络的隐藏层的输出作为人脸的特征向量，从而计算特征向量之间的距离，根据距离对两张人脸图像进行判别。

图1是根据一示例性实施例示出的一种人脸匹配方法的流程图，如图1所示，人脸匹配方法用于人脸匹配装置中，该装置应用于服务器，该方法包括以下步骤101-104：

在步骤101中，获取n张人脸图像。

这里，n是大于1的正整数。人脸图像是包括人脸的图像，这里人脸是指作为个体的面部。

值得说明的是，本实施例的人脸匹配方法还可以用于动物的面部识别。

在步骤102中，分别将n张人脸图像输入预先训练出的预设神经网络，从预设神经网络的隐藏层输出对应的向量，将n张人脸图像对应的向量作为n张人脸图像的特征向量。

本实施例中隐藏层是预设神经网络中除最后一层之外的任一层。

其中，预设神经网络是根据预设的具有人脸的图像和对应人的组号训练出来的。同一组号的图像都是同一人的人脸图像。

这里，每张人脸图像输入预设神经网络都会输出一个向量，该向量作为对应人脸图像的特征向量。为了简化计算，本实施例特征向量的维度可以是512。

预设神经网络是深度卷积神经网络，一般的深度卷积神经网络的结构一般大于或等于5层结构；本实施例为了降低了计算量，提高了计算速度，预设神经网络可以采用了精简的设计，选择合适的网络层数，并且去掉了诸如归一化层、批规范化层等层。本实施例的预设神经网络的模型图如图2所示，从输入到输出的方向，第一层结构包括：第一卷积层、第一激活层和第一下采样层；第二层结构包括：第二卷积层、第二激活层和第二下采样层；第三层结构包括：第三卷积层、第三激活层和第三层下采样层；第四层结构包括：第四a卷积层、第四a激活层、第四b卷积层、第四b激活层和第四下采样层；第五层结构包括：第五卷积层和第五激活层；第六层结构包括：第一全连接层；第二全连接层。其中，预设神经网络中各个卷积层的卷积核不同、各个激活层的激活函数也不相同，优选的隐藏层是预设神经网络的倒数第二层，如图2所示，即第一全连接层。其中，第一全连接层的输出即达到了维度低，且具有最紧致的人脸特征，因此，该第一全连接层作为优选的隐藏层。

进一步的，如图3所示，第四a卷积层和第四a激活层可以由第一子卷积层、第一子激活层、第二子卷积层、第二子激活层代替，第五卷积层可以由第三子卷积层、第三子激活层、第四子卷积层和第四子激活层代替；其中，各个子卷积层的卷积核不同、子激活层的激活函数也不相同。

值得说明的是，经过卷积层之后的输入都需要通过激活层来增加非线性特性以去除人脸图像中的非线性因素。如图3所示，本实施例在第三下采样层之后增加了一个支路，第三层下采样层的输出与第二子卷积层的输出一起输入第四层卷积层中，同样，第四下采样层之后也增加了一个支路，将第四下采样层的输出和第五卷积层的输出一起输入第一全连接层，上述两种支路可以加速模型的收敛，提高准确率。第二层全连接层的输出维度是训练集合中的人数。

本实施例中，假设总共训练5个人，每个人都有自己的组号，如果向预设神经网络输入组号为1的人脸图像，那么，预设神经网络的输出的向量应该是(1，0，0，0，0)；也就是组号是几，那么，向量中相应第几位是1。如果再次输入人脸向量不是上述5个人的人脸图像，那么，没有组号与预设神经网络的输出对应，且该向量的输出结果是人为设定的，无法表达出的人脸特征，这样就需要选择包含人脸特征的隐藏层的输出作为特征向量，这样即使对从来没有输入过预设神经网络的人的人脸图像也能很好的识别。

在步骤103中，对于n张人脸图像中的两张待匹配的人脸图像，确定两张待匹配的人脸图像的特征向量之间的距离。

距离可以通过欧拉距离公式等距离公式计算，本实施例对此不做限制。

在步骤104中，当距离小于预设距离时，确定两张待匹配的人脸图像中的人脸是同一个人的脸。

由于距离计算方法不同，相应的预设距离不同；该预设距离用于划分属于同一人的脸的距离和属于不同人的脸的距离，如果距离小于预设距离，说明两张人脸图像的人脸属于一个人，距离大于或等于预设值，说明两张人脸图像的人脸属于不同的两个人。

在一个实施例中，步骤103可以包括：

通过大盈余最近邻算法，将两张待匹配的人脸图像的特征向量进行特征空间映像转换，得到两个转换向量；计算两张待匹配的人脸图像的转换向量之间的欧拉距离。

大盈余最近邻算法的思想是，通过学习一种距离度量使得在一个转换空间中，对于一个特征向量的预设个数个近邻都属于同一类别，而不同类别的样本与特征向量保持一定大的距离。因此，需要计算出转换到转换空间所需要的转换矩阵M。

该M是在训练预设神经网络之后训练到的，同样通过属于某一组的图像和属于其他组的图像进行训练得到的。该训练的目标是：对于该组的图像的特征向量作为输入时，经过M矩阵进行特征空间映像转换，得到的转换向量与目标邻居应尽可能的接近，而对于其他组的图像的特征向量作为输入时，经过M矩阵进行特征空间映像转换，得到的转换向量应尽可能的远离该目标邻居。这里，目标邻居是从该组的图像中选出来的预设个数个图像的特征向量经过M矩阵进行特征空间映像转换，而得到对应的转换向量。

因此，将特征向量进行特征空间映像转换，即为通过M将特征向量转换为转换空间的转换向量，即转换后的特征向量。

在一个实施例中，对于n张人脸图像中的第i张图像，i是小于或等于n的正整数，步骤101可以包括：

接收第i张图像；对第i张图像进行尺寸调整和/或角度调整以达到人脸图像中人脸的预设要求。

这里，预设要求可以是要求所有的图像中人脸都需要正好可以设置在一个区域内，且每个人脸上两眼的连接或鼻子中线与水平方向的所成的角度相同。本实施例可以在图像的特定位置设置一个框，只要通过大小调整使得人脸可以整好填充在该框内，通过角度调整使得人脸上两眼的连线与该框的横边成预设角度。

在一个实施例中，方法还包括：

获取p组图像，所述每组图像包括q张图像；所述q张图像是显示同一人人脸的不同图像；所述p是正整数，所述q是正整数；为p组图像排上组号；将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述预设神经网络。

这里的图像同样是包括人脸的图像。

示例的，准备10万个人的人脸数据集，即设置10万组图像，每组100张，共1000万张图像；为每组设置组号，将所有图像尺寸调整和/或角度调整，至少满足人脸上的眼睛中心位置对齐；训练一个深度卷积神经网络，网络的输入是一幅人脸图像，输出是这个图像对应的组号。

在一个实施例中，对应p组图像的第k组图像；k是小于或等于p的正整数；将每组图像作为输入，将对应的组号作为标准输出，训练出深度卷积神经网络包括：

将第k组图像中第j张图像输入待更新的深度卷积神经网络，得到输出结果；j是小于或等于q的正整数；根据输出结果与第k组图像的组号，更新待更新的深度卷积神经网络；其中，直到p组图像中每一张图像作为输入，其输出结果都是对应组的组号时，此时训练出的深度卷积神经网络为预设神经网络。

本实施例的输出结果是p维的向量，那么，该第j张图像对应的输出结果中第k维的数值是1，其他维的数值都是0。

预设神经网络的输出结果是与组号对应的向量，如果有新人的人脸图像输入，那么新人的人脸图像没有对应的组号，且组号无法表达新人的人脸图像的特征；如果输出结果是特征向量，那么特征向量需要选择包含尽可能多的人脸特征的向量，例如第一全连接层的输出结果作为特征向量。

本实施例中，每一组图像都会改进深度卷积神经网络里面的参数，每次改进都要保证该组图像和该组图像输入之前输入的所有其他组图像的输出结果都是对应的组号。

图4是根据一示例性实施例示出的一种人脸匹配方法的流程图，如图3所示，人脸匹配方法用于服务器中，本实施例对2张人脸图像进行人脸匹配为例，该方法包括以下步骤201-208，

在步骤201中，接收2张图像。

这2张图片是包含人脸的两张原始照片。

在步骤202中，对2张图像进行尺寸调整和/或角度调整以达到人脸图像中人脸的预设要求。

在步骤203中，分别将2张人脸图像输入预先训练出的预设神经网络，从预设神经网络的隐藏层输出对应的向量，将2个对应的向量作为2张人脸图像的特征向量。

在步骤204中，通过大盈余最近邻算法，将2个特征向量进行特征空间映像转换，得到2个转换向量。

在步骤205中，计算2个转换向量之间的欧拉距离。

在步骤206中，判断该欧拉距离是否小于预设距离。若是，则执行不足后207；若否，则执行步骤208。

在步骤207中，确认2张人脸图像的人脸是同一人的脸。

在步骤208中，确认2张人脸图像的人脸不是同一人的脸。

本实施例中，通过深度卷积神经网络和大盈余最近邻算法，确定2张人脸图像是否是一个人，提高了识别的准确性。

图5是根据一示例性实施例示出的一种人脸匹配方法的流程图，如图5所示，人脸匹配方法用于服务器中，该方法可以包括以下步骤301-307，其中步骤301-304是训练预设神经网络的方法，从步骤304开始是人脸匹配的过程：

在步骤301中，获取p组图像，每组图像包括q张图像。

这里，q张图像是显示同一人人脸的不同图像；p是正整数，q是正整数。

在步骤302中，为p组图像排上组号。

在步骤303中，将每组图像作为输入，将对应的组号作为标准输出，训练出预设神经网络。

在步骤304中，获取n张人脸图像。

这里，n是大于1的正整数。

在步骤305中，分别将n张人脸图像输入预先训练出的预设神经网络，从预设神经网络的隐藏层输出对应的向量，将n个对应的向量作为n张人脸图像的特征向量。

在步骤306中，对于n张人脸图像中的两张待匹配的人脸图像，确定两张待匹配的人脸图像的特征向量之间的距离。

在步骤307中，当距离小于预设距离时，确定两张待匹配的人脸图像中的人脸是同一个人的脸。

本实施例可以通过对图像和组号的学习，训练出可以放大人脸不同特征的预设神经网络，该预设神经网络可以减少光照条件、遮盖物、年龄等多方面外界干扰因素对人脸特征的影响，提高识别准确性。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图6是根据一示例性实施例示出的一种人脸匹配装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图6所示，该人脸匹配装置包括：

第一获取模块401，用于获取n张人脸图像，所述n是大于1的正整数。

处理模块402，用于分别将所述n张人脸图像输入预先训练出的预设神经网络，从所述预设神经网络的隐藏层输出对应的向量，将所述n张人脸图像对应的向量作为所述n张人脸图像的特征向量；所述隐藏层是所述预设神经网络中除最后一层之外的任一层；其中，所述预设神经网络是根据预设的具有人脸的图像和对应人的组号训练出来的。

第二获取模块403，用于对于所述n张人脸图像中的两张待匹配的人脸图像，确定所述两张待匹配的人脸图像的特征向量之间的距离。

确定模块404，用于当所述距离小于预设距离时，确定所述两张待匹配的人脸图像中的人脸是同一个人的脸。

在一个实施例中，如图7所示，所述第二获取模块403包括：

转换子模块4031，用于通过大盈余最近邻算法，将所述两张待匹配的人脸图像的特征向量进行特征空间映像转换，得到两个转换向量；

计算子模块4032，用于计算所述两张待匹配的人脸图像的转换向量之间的欧拉距离。

在一个实施例中，如图8所示，对于所述n张人脸图像中的第i张图像，所述i是小于或等于n的正整数，所述第一获取模块401包括：

接收子模块4011，用于接收所述第i张图像；

调整子模块4012，用于对所述第i张图像进行尺寸调整和/或角度调整以达到人脸图像中人脸的预设要求。

在一个实施例中，如图9所示，所述装置还包括：

第三获取模块405，用于获取p组图像，所述每组图像包括q张图像；所述q张图像是显示同一人人脸的不同图像；所述p是正整数，所述q是正整数；

排序模块406，用于为p组图像排上组号；

训练模块407，用于将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述预设神经网络。

在一个实施例中，如图10所示，对应所述p组图像的第k组图像；所述k是小于或等于p的正整数；所述训练模块407包括：

处理子模块4071，用于于将所述第k组图像中第j张图像输入待更新的深度卷积神经网络，得到输出结果；所述j是小于或等于q的正整数；

更新子模块4072，用于根据所述输出结果与所述第k组图像的组号，更新所述待更新的深度卷积神经网络。

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取n张人脸图像，所述n是大于1的正整数；

上述处理器还可被配置为：

所述对于所述n张人脸图像中的两张待匹配的人脸图像，确定所述两张待匹配的人脸图像的特征向量之间的距离包括：

所述隐藏层是所述预设神经网络的倒数第二层。

对于所述n张人脸图像中的第i张图像，所述i是小于或等于n的正整数，所述获取n张人脸图像包括：

接收所述第i张图像；

所述方法还包括：

为p组图像排上组号；

对应所述p组图像的第k组图像；所述k是小于或等于p的正整数；所述将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述深度卷积神经网络包括：

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11是根据一示例性实施例示出的一种用于人脸匹配的装置的框图。例如，装置1900可以被提供为一服务器。装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

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装置1700的处理器执行时，使得装置1700能够执行上述人脸匹配方法，所述方法包括：

获取n张人脸图像，所述n是大于1的正整数；

接收所述第i张图像；

在一个实施例中，所述方法还包括：

为p组图像排上组号；

本领域技术人员在考虑说明书及实践这里公开的公开后，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

1.一种人脸匹配方法，其特征在于，包括：

获取n张人脸图像，所述n是大于1的正整数；

2.根据权利要求1所述的方法，其特征在于，所述对于所述n张人脸图像中的两张待匹配的人脸图像，确定所述两张待匹配的人脸图像的特征向量之间的距离包括：

3.根据权利要求1所述的方法，其特征在于，所述隐藏层是所述预设神经网络的倒数第二层。

4.根据权利要求1所述的方法，其特征在于，对于所述n张人脸图像中的第i张图像，所述i是小于或等于n的正整数，所述获取n张人脸图像包括：

接收所述第i张图像；

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

为p组图像排上组号；

6.根据权利要求5所述的方法，其特征在于，对应所述p组图像的第k组图像；所述k是小于或等于p的正整数；所述将所述每组图像作为输入，将对应的组号作为标准输出，训练出所述深度卷积神经网络包括：

7.一种人脸匹配装置，其特征在于，包括：

处理模块，用于分别将所述n张人脸图像输入预先训练出的预设神经网络，从所述预设神经网络的隐藏层输出对应的向量，将所述n张人脸图像对应的向量作为所述n张人脸图像的特征向量；所述隐藏层是所述预设神经网络中除最后一层之外的任一层；所述隐藏层是所述预设神经网络中除最后一层之外的任一层；其中，所述预设神经网络是根据预设的具有人脸的图像和对应人的组号训练出来的；

8.根据权利要求7所述的装置，其特征在于，所述第二获取模块包括：

9.根据权利要求7所述的装置，其特征在于，所述隐藏层是所述预设神经网络的倒数第二层。

10.根据权利要求7所述的装置，其特征在于，对于所述n张人脸图像中的第i张图像，所述i是小于或等于n的正整数，所述第一获取模块包括：

接收子模块，用于接收所述第i张图像；

11.根据权利要求7所述的装置，其特征在于，所述装置还包括：

排序模块，用于为p组图像排上组号；

12.根据权利要求11所述的装置，其特征在于，对应所述p组图像的第k组图像；所述k是小于或等于p的正整数；所述训练模块包括：

13.一种人脸匹配装置，其特征在于，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n张人脸图像，所述n是大于1的正整数；

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。