CN108280399A - 一种场景自适应人脸识别方法 - Google Patents

Abstract

本发明提供一种场景自适应人脸识别方法，包括：依次根据人脸尺寸识别和人脸角度识别，提示并跟踪目标人体按给定方向和方式，调整目标人体与人脸设备设备距离以及人脸朝向；在低亮度环境下采取对应的补光措施，实时采集人脸图像并进行质量评估，滤除所述质量评估的结果不满足设定质量标准的人脸图像；对经所述滤除获取的质量评估结果满足所述设定质量要求的人脸图像进行特征提取，将提取的人脸特征与预先建立人脸数据库进行人脸特征匹配，获取人脸识别结果。本发明能够有效提高对不同应用场景的自适应能力，从而有效提高识别准确率，提升用户使用体验。

Description

一种场景自适应人脸识别方法

技术领域

本发明涉及信息处理技术领域，更具体地，涉及一种场景自适应人脸识别方法。

背景技术

在人脸比对的应用中，通常需要现场采集一张待比对人脸的照片，再将这张照片同证件照或原有参考照片进行比对，以得到比对相似度的结果，进行人脸识别。

现有的人脸识别方法一般采用以下识别流程：人脸检测、提取特征值、匹配特征值等。整个流程相对固定，过程中使用的各种参数也相对固定。

而现有的人脸识别方法在实际应用场景中，容易受到光照、姿态、图像大小和质量等的影响，造成误识率的上升和识别率的下降，直接影响最终用户的使用体验。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明提供一种场景自适应人脸识别方法，用以有效提高对不同应用场景的自适应能力，从而有效提高识别准确率，提升用户使用体验。

本发明提供一种场景自适应人脸识别方法，包括：S1，若检测到人脸图像尺寸未达到预设人脸尺寸，则提示目标人体向对应位置移动，并利用动态人脸追踪算法追踪人脸，直至检测到的人脸图像尺寸达到所述预设人脸尺寸；S2，若检测到人脸三维角度不在设定角度范围内，则提示所述目标人体调整人脸朝向，并追踪人脸，直至人脸三维角度达到所述设定角度范围；S3，在低亮度环境下采取对应的补光措施，实时采集人脸图像并进行质量评估，滤除所述质量评估的结果不满足设定质量标准的人脸图像；S4，对经所述滤除获取的质量评估结果满足所述设定质量要求的人脸图像进行特征提取，将提取的人脸特征与预先建立人脸数据库进行人脸特征匹配，获取人脸识别结果。

进一步的，在所述S4的步骤之后，所述方法还包括：通过后台数据分析模块，实时收集前端人脸识别设备上报的图像参数和比对分值，利用数据建模方法和数据统计分析算法，按照系统定义的模型，定期对数据进行统计分析，计算适于当前应用场景的期望配置参数，并重新下发给前端识别设备，以供所述前端识别设备根据所述期望配置参数配置当前参数。

进一步的，步骤S3中所述在低亮度环境下采取对应的补光措施的步骤进一步包括：根据人脸图像预览判断环境照度是否达到预设标准，若达不到所述预设标准，则通过显示白屏或者开启补光灯进行额外补光。

进一步的，在所述通过显示白屏或者开启补光灯进行额外补光的步骤之后，所述方法还包括：若检测到补光后的人脸图像预览清晰度达不到设定清晰度阈值，则提示所述目标人体静止不动，并根据补光后的人脸图像亮度，选择对应的人脸图像清晰度阈值和人脸比对阈值。

其中，步骤S1中所述若检测到人脸图像尺寸未达到预设人脸尺寸，则提示目标人体向对应位置移动的步骤进一步具体包括：通过人脸检测算法和动态人脸追踪算法实时检测和跟踪目标人脸图像，并比较所述目标人脸图像的尺寸与所述预设人脸尺寸的大小，若所述目标人脸图像的尺寸小于所述预设人脸尺寸，则提示所述目标人体向摄像头靠近，否则提示所述目标人体远离摄像头。

其中，步骤S2中所述提示所述目标人体调整人脸朝向的步骤进一步包括：通过在屏幕设定位置显示定点图标，并提示所述目标人体直视所述定点图标。

其中，利用所述数据建模方法和数据统计分析算法，计算所述适于当前应用场景的期望配置参数的步骤进一步包括：通过收集不同应用场景下使用过程产生的关键数据，利用数据建模方法和数据统计分析算法，对所述关键数据进行统计分析，计算针对所述当前应用场景的期望配置参数。

进一步的，在所述通过显示白屏或者开启补光灯进行额外补光的步骤之后，所述方法还包括：在所述额外补光的时间达到设定延时时长时，相应的停止显示白屏或关闭补光灯。

其中，所述S2的步骤进一步具体还包括：通过人脸姿态估计算法，估算人脸三维角度。

其中，所述关键数据进一步具体包括：业务类型、设备型号、设备序列号、环境照度、人脸大小、人脸姿态、人脸图像亮度、人脸图像清晰度、人脸图像对比度、比对分值和采集时间；相应的，所述利用数据建模方法和数据统计分析算法，对所述关键数据进行统计分析的步骤进一步包括：S51，根据所述设备型号和所述业务类型建立数学模型，对所述人脸大小、人脸姿态、人脸图像亮度、人脸图像清晰度及人脸图像的综合质量和比对分值进行统计分析，分别统计各个数据的分布规律以及不同数据之间的相关性；S52，实时获取前端人脸识别设备上报的人脸采集过程中采集到的人脸图像数据以及人脸算法计算出来的相关参数；S53，后台数据管理模块按照所述业务类型、设备型号及设备序列号对数据进行分类管理，分别从所述业务类型和单个设备两个维度对关键数据的阈值进行统计，所述单个设备所设定的阈值相对该业务系统所设定阈值的偏离率不超过20％；S54，设备管理模块将相关的配置参数下发到前端识别设备，以供前端设备启用新的配置参数。

本发明提供的一种场景自适应人脸识别方法，在传统人脸识别方法的基础上，结合动态人脸追踪算法和人脸姿态估计算法，通过现场场景分析和人机交互等处理流程，能够有效提高对不同应用场景的自适应能力，从而有效提高识别准确率，提升用户使用体验。

附图说明

图1为本发明实施例一种场景自适应人脸识别方法的流程图；

图2为本发明实施例一种人脸姿态估计算法的模拟示意图；

图3为本发明实施例一种基于采像关键数据分析获取采像设备配置参数的流程图；

图4为本发明实施例另一种场景自适应人脸识别方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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的一部分实施例，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做出创造性劳动的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。

作为本发明实施例的一个实施例，本实施例提供一种场景自适应人脸识别方法，参考图1，为本发明实施例一种场景自适应人脸识别方法的流程图，包括：

S1，若检测到人脸图像尺寸未达到预设人脸尺寸，则提示目标人体向对应位置移动，并利用动态人脸追踪算法追踪人脸，直至检测到的人脸图像尺寸达到所述预设人脸尺寸；

S2，若检测到人脸三维角度不在设定角度范围内，则提示所述目标人体调整人脸朝向，并追踪人脸，直至人脸三维角度达到所述设定角度范围；

S3，在低亮度环境下采取对应的补光措施，实时采集人脸图像并进行质量评估，滤除所述质量评估的结果不满足设定质量标准的人脸图像；

S4，对经所述滤除获取的质量评估结果满足所述设定质量要求的人脸图像进行特征提取，将提取的人脸特征与预先建立人脸数据库进行人脸特征匹配，获取人脸识别结果。

步骤S1可以理解为，在进行人脸识别时，通常是现场采集目标人体的人脸图像，并将采集到的人脸图像与预先建立的人脸数据库数据进行匹配验证。若匹配成功，则人脸识别完成，若匹配不成功，则人脸识别失败。

成功进行人脸匹配验证的一个关键因素是现场采集到的人脸图像质量，包括图像中人脸的尺寸、人脸的清晰度、人脸的三维角度等。本步骤在进行人脸识别时先根据图像预览判断人脸尺寸大小，若预览的人脸图像尺寸达不到预设人脸尺寸，认为图像质量达不到比对要求，能够成功匹配的概率较低，则通过人机交互提示待识别的人移动到合适的位置。此处的人机交互可以通过语音、文字或图像等方式实现。

在目标人体移动的过程中，利用动态人脸追踪算法追踪该人体的人脸，并连续判断预览的人脸图像尺寸是否达到预设人脸尺寸。若达不到预设人脸尺寸，则提醒目标人体继续移动，直至预览到的人脸图像尺寸达到预设人脸尺寸。应当理解的是，所述的预设人脸尺寸是一个有限的尺寸范围。

其中的动态人脸追踪算法是指对人脸图像进行人脸检测，确定人脸的初始坐标，并将其作为目标追踪的初始位置；然后对图像分块以提取该区域的HOG特征，紧接着对下一帧图像作特征匹配，确定下一帧图像的人脸坐标，并计算对应人脸区域的HOG特征，同时更新跟踪目标的位置与特征；依次循环，不断对下一帧图像中的人脸作特征匹配与更新，确定人脸新的位置，从而实现动态人脸的追踪。

其中可选的，步骤S1中所述若检测到人脸图像尺寸未达到预设人脸尺寸，则提示目标人体向对应位置移动的步骤进一步具体包括：通过人脸检测算法和动态人脸追踪算法实时检测和跟踪目标人脸图像，并比较所述目标人脸图像的尺寸与所述预设人脸尺寸的大小，若所述目标人脸图像的尺寸小于所述预设人脸尺寸，则提示所述目标人体向摄像头靠近，否则提示所述目标人体远离摄像头。

可以理解为，通过人脸检测算法实时检测摄像头的图像，当检测到人脸时，先判断人脸的大小。若人脸大小达到设定尺寸要求，则进行下一步分析。若人脸大小达不到设定尺寸要求，即实际检测到的人脸尺寸小于预设尺寸，则提示目标人体走近一点。若检测到的人脸尺寸大于设定尺寸要求，说明人脸距离摄像头过近，则提示目标人体走远一点。在目标人体根据提示向对应位置移动的过程中，人脸识别系统启动动态人脸追踪算法和动态人脸追踪算法对目标进行实时跟踪，并连续判断检测到的人脸图像尺寸是否达到预设人脸尺寸，直到检测到的人脸大小达到设定尺寸要求。

步骤S2可以理解为，在根据上述步骤将目标人体引导至合适位置之后，可能由于人脸朝向问题使采集到的人脸图像不能完全体现本人的人脸特征，因而造成人脸匹配失败。本步骤根据预览人脸图像估算人脸三维角度，并判断该三维角度是否在设定角度范围之内。该设定角度通常是能够有效体现人脸特征的角度。

若通过判断获知估算的三维角度不在设定角度范围内，则通过人机交互提示目标人体调整人脸朝向。此处的人机交互可以通过语音、文字或图像等方式实现。在目标人体根据提示转动人脸的过程中，人脸识别系统追踪人脸朝向，并连续判断人脸三维角度是否在设定角度范围内。若不在，则提示目标人体继续转动人脸，直至检测到的人脸三维角度达到设定角度范围。

其中可选的，步骤S2中所述提示所述目标人体调整人脸朝向的步骤进一步包括：通过在屏幕设定位置显示定点图标，并提示所述目标人体直视所述定点图标。在一个实施例中，所述S2的步骤进一步具体还包括：通过人脸姿态估计算法，估算人脸三维角度。

可以理解为，在人脸大小到达要求后，开始估算人脸三维角度，可以采用人脸姿态估计算法进行人脸三维角度估算。若角度在设定的范围内，则进行下一步分析。若角度超过设定的角度范围，则在屏幕上设定位置显示某确定图标，作为定点图标，并提示目标人体直视屏幕上定点图标。例如可以在屏幕上的合适位置显示红点，并提示目标人体直视该红点。在人脸角度调整后，重新估算人脸三维角度，并在达不到要求时提示继续调整，直到人脸三维角度达到要求。

其中，人脸姿态估计算法是指利用大量人脸数据样本，选取多个人脸特征区域，然后尝试利用这些特征区域，构建其与人脸三维角度(roll、yaw、pitch，如图2所示)所对应的神经网络人脸姿态评估关系模型，同时利用深度学习算法，训练相应的模型参数；紧接着检测图像中的人脸，定位人脸的多个特征区域；最后结合已训练好的人脸姿态评估关系模型，估算人脸的三维角度，即得到对应的人脸姿态。

步骤S3可以理解为，在进行人脸识别的过程中，会出现由于天黑、障碍物遮挡等造成的环境亮度不够，而导致采集的人脸图像质量不能满足人脸识别要求，并最终导致人脸识别失败。

本步骤首先在低亮度环境模式下通过设定方式进行额外补光。并在正常补光后对待识别人脸进行图像采集，根据采集的人脸图像质量参数进行人脸图像的质量评估。对于评估质量不能满足设定质量标准的人脸图像，进行滤除，仅保留评估质量满足设定标准的图片。

步骤S4可以理解为，在根据上述步骤完成人体位置和人脸朝向的调整之后，对人脸图像进行采集，根据采集的人脸图像按照一定的特征提取算法提取人脸特征。对提取的人脸特征进行与预先建立人脸数据库中的人脸特征的匹配验证，根据匹配验证情况输出对应的人脸识别结果。如，若人脸识别数据库中存在与待识别人脸相匹配的特征数据，则人脸识别成功，输出数据库中与之匹配的人脸特征对应的人脸身份；若验证结果数据库中不存在与待识别人脸相匹配的特征数据，则认为匹配不成功，输出识别失败。

另外，由于图片尺寸、清晰度等达不到要求而导致提取的特征不能完全反应被识别人脸特征等的因素，也会导致人脸识别失败。因此，可在人脸图像采集之前，先对图像采集设备的配置参数进行调整，以获取更优的人脸图像。也可在人脸特征提取及匹配验证之前，先通过前端的预处理算法对不合格图像进行筛选，以节约后台计算资源，降低系统部署的成本，提高人脸识别成功的几率。

本发明实施例提供的一种场景自适应人脸识别方法，在传统人脸识别方法的基础上，结合动态人脸追踪算法和人脸姿态估计算法，通过现场场景分析和人机交互等处理流程，能够有效提高对不同应用场景的自适应能力，从而有效提高识别准确率，提升用户使用体验。

进一步的，在所述S4的步骤之后，所述方法还包括：通过后台数据分析模块，实时收集前端人脸识别设备上报的图像参数和比对分值，利用数据建模方法和数据统计分析算法，按照系统定义的模型，定期对数据进行统计分析，计算适于当前应用场景的期望配置参数，并重新下发给前端识别设备，以供所述前端识别设备根据所述期望配置参数配置当前参数。

可以理解为，考虑到人脸图像的质量是影响人脸识别成功率的一个重要因素，为了提高人脸识别的成功概率，事先将图像采集设备的配置参数调整到同等条件下能够获取更优图像质量的值。该配置参数值的获取依赖于对以往使用过程数据的统计分析。具体基于对以往使用过程的数据收集，同时结合对当前应用场景进行分析，利用数据统计分析算法，计算适于当前应用场景的期望配置参数。

其中可选的，利用所述数据建模方法和数据统计分析算法，计算所述适于当前应用场景的期望配置参数的步骤进一步包括：通过收集不同应用场景下使用过程产生的关键数据，利用数据建模方法和数据统计分析算法，对所述关键数据进行统计分析，计算针对所述当前应用场景的期望配置参数。

可以理解为，在不同的使用场景下，由于光照和摄像头本身质量等的影响，导致图像质量和识别效果存在差异。针对每个场景的具体情况，通过收集使用过程中产生的关键数据，并在后台服务器中对这些数据进行统计分析，计算适用于该场景的特定参数，并将这些参数下发到前端的设备中。前端设备根据该特定参数进行个性化的参数配置，自动适应当前的业务场景，并通过持续调整，达到定期优化识别效果的目的。

在一个实施例中，所述关键数据进一步具体包括：业务类型、设备型号、设备序列号、环境照度、人脸大小、人脸姿态、人脸图像亮度、人脸图像清晰度、人脸图像对比度、比对分值和采集时间；相应的，所述利用数据建模方法和数据统计分析算法，对所述关键数据进行统计分析的进一步处理步骤参考图3，为本发明实施例一种基于采像关键数据分析获取采像设备配置参数的流程图，包括：

S51，根据所述设备型号和所述业务类型建立数学模型，对所述人脸大小、人脸姿态、人脸图像亮度、人脸图像清晰度及人脸图像的综合质量和比对分值进行统计分析，分别统计各个数据的分布规律以及不同数据之间的相关性；

S52，实时获取前端人脸识别设备上报的人脸采集过程中采集到的人脸图像数据以及人脸算法计算出来的相关参数；

S53，后台数据管理模块按照所述业务类型、设备型号及设备序列号对数据进行分类管理，分别从所述业务类型和单个设备两个维度对关键数据的阈值进行统计，所述单个设备所设定的阈值相对该业务系统所设定阈值的偏离率不超过20％；

S54，设备管理模块将相关的配置参数下发到前端识别设备，以供前端设备启用新的配置参数。

可以理解为，上述的人脸姿态可以是人脸的三维角度，也可以是其它设定参数形式。步骤S51中如：人脸大小、人脸姿态和人脸图像清晰度对比对分值的影响，人脸图像亮度和人脸图像清晰度的影响等。

本发明实施例提供的一种场景自适应人脸识别方法，针对特定应用场景，动态进行图像采集设备的参数调整，从而适应性提高图像质量，并进一步提高识别成功率。

其中可选的，步骤S3中所述在低亮度环境下采取对应的补光措施的步骤进一步包括：根据人脸图像预览判断环境照度是否达到预设标准，若达不到所述预设标准，则通过显示白屏或者开启补光灯进行额外补光。

可以理解为，在根据上述实施例将待识别人脸的位置和朝向都调整到合适点之后，通过人脸图像预览识别环境实际照度，并判断环境实际照度能否达到预设标准。若环境实际照度达不到预设标准，则会影响采集到的人脸图像质量，从而影响人脸识别的效果，于是考虑通过一定的补光形式进行额外补光。如可以通过显示白屏进行额外补光，也可以通过开启补光灯进行额外补光。

本发明实施例提供的一种场景自适应人脸识别方法，通过显示白屏或打开补光灯进行补光，能够解决光线不足的问题，提高图像亮度，从而更有效的提取人脸特征，提高人脸识别的成功率。

进一步的，在所述通过显示白屏或者开启补光灯进行额外补光的步骤之后，所述方法还包括：若检测到补光后的人脸图像预览清晰度达不到设定清晰度阈值，则提示所述目标人体静止不动，并根据补光后的人脸图像亮度，选择对应的人脸图像清晰度阈值和人脸比对阈值。

可以理解为，经过上述实施例的额外补光处理，能够保证图像光线的充足，但是由于目标晃动等因素，预览图像会出现不清晰的现象，影响对人脸特征的提取。因此，当检测到预览人脸图像由于人脸晃动导致达不到设定清晰标准时，通过人机交互提示目标人体站立不动。同时，根据补光后的人脸图像亮度，选择对应的人脸图像清晰度阈值和人脸比对阈值。此处的人机交互可以通过语音、文字或图像等方式实现。

本发明实施例提供的一种场景自适应人脸识别方法，通过前端的预处理算法对不合格图像进行筛选，节约后台计算资源，降低系统部署的成本。

进一步的，在所述通过显示白屏或者开启补光灯进行额外补光的步骤之后，所述方法还包括：在所述额外补光的时间达到设定延时时长时，相应的停止显示白屏或关闭补光灯。

可以理解为，在根据上述实施例开启额外补光之后，进行人脸图像补光采集，当人脸图像采集完毕，即无需继续补光以节约电能。为了实现这一功能，在上述实施例的基础上，根据图像采集设备的拍摄流程时长加上一定的设置余量，设定额外补光的设定关断延时时长。该设定关断延时时长表示在额外补光开启之后，设定保持常亮的一段时间，在该段时间之后，自动关闭白屏显示或者补光灯。

为了进一步说明本发明的技术方案，本实施例提供如图4所示的控制流程，图4为本发明实施例另一种场景自适应人脸识别方法的流程图。图中首先对系统进行初始化处理，检测人脸并形成人脸图像预览，根据预览人脸图像的人脸尺寸判断是否达到预设人脸尺寸，若达到预设尺寸，则进入下一步判断人脸朝向角度，若不能达到预设尺寸，则提示目标人体向对应方向移动，并进行人脸追踪检测，直至检测到的人脸尺寸达到预设人脸尺寸。

在预览的人脸尺寸达到预设人脸尺寸之后，进一步判断人脸朝向角度是否达到设定角度范围，若是，则进入下一步处理流程，否则，提示目标人体调整人脸朝向，并进行人脸追踪检测，直至预览的人脸朝向角度到设定角度范围内。

在预览人脸尺寸和人脸朝向均达到设定标准之后，根据以往使用过程的数据收集和给定统计分析算法，计算当前应用场景下最优的期望配置参数，并根据该期望配置参数配置采像设备的配置参数。

在期望配置参数下，通过分析图像亮度判断环境光线是否达到要求，若能够达到亮度要求，则进行下一步图像清晰度判断，否则打开显示白屏或打开补光灯进行额外补光。在图片亮度能够达到要求标准下，进一步判断预览图像的清晰度是否达到设定标准。若能够达到设定标准，则进行人脸图像采集；否则，提示用户站立不动，直到图像清晰度达到设定标准，进行人脸图像采集。并在完成人脸图像采集之后，关闭补光设备，停止额外补光。

对采集到的人脸图像进行基于人脸识别算法的特征提取，将提取的人脸特征与预先建立的人脸数据库中人脸特征进行比对匹配。若经过人脸特征比对，在预先建立的人脸数据库中匹配到相似度在设定范围内的人脸，则将该人脸对应的身份信息作为当前识别人脸的身份信息。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种场景自适应人脸识别方法，其特征在于，包括：

S1，若检测到人脸图像尺寸未达到预设人脸尺寸，则提示目标人体向对应位置移动，并利用动态人脸追踪算法追踪人脸，直至检测到的人脸图像尺寸达到所述预设人脸尺寸；

S2，若检测到人脸三维角度不在设定角度范围内，则提示所述目标人体调整人脸朝向，并追踪人脸，直至人脸三维角度达到所述设定角度范围；

S3，在低亮度环境下采取对应的补光措施，实时采集人脸图像并进行质量评估，滤除所述质量评估的结果不满足设定质量标准的人脸图像；

S4，对经所述滤除获取的质量评估结果满足所述设定质量要求的人脸图像进行特征提取，将提取的人脸特征与预先建立人脸数据库进行人脸特征匹配，获取人脸识别结果。

2.根据权利要求1所述的方法，其特征在于，在所述S4的步骤之后，还包括：

通过后台数据分析模块，实时收集前端人脸识别设备上报的图像参数和比对分值，利用数据建模方法和数据统计分析算法，按照系统定义的模型，定期对数据进行统计分析，计算适于当前应用场景的期望配置参数，并重新下发给前端识别设备，以供所述前端识别设备根据所述期望配置参数配置当前参数。

3.根据权利要求1或2所述的方法，其特征在于，步骤S3中所述在低亮度环境下采取对应的补光措施的步骤进一步包括：

根据人脸图像预览判断环境照度是否达到预设标准，若达不到所述预设标准，则通过显示白屏或者开启补光灯进行额外补光。

4.根据权利要求3所述的方法，其特征在于，在所述通过显示白屏或者开启补光灯进行额外补光的步骤之后，还包括：

若检测到补光后的人脸图像预览清晰度达不到设定清晰度阈值，则提示所述目标人体静止不动，并根据补光后的人脸图像亮度，选择对应的人脸图像清晰度阈值和人脸比对阈值。

5.根据权利要求1、2、4中任一所述的方法，其特征在于，步骤S1中所述若检测到人脸图像尺寸未达到预设人脸尺寸，则提示目标人体向对应位置移动的步骤进一步具体包括：

通过人脸检测算法和动态人脸追踪算法实时检测和跟踪目标人脸图像，并比较所述目标人脸图像的尺寸与所述预设人脸尺寸的大小，若所述目标人脸图像的尺寸小于所述预设人脸尺寸，则提示所述目标人体向摄像头靠近，否则提示所述目标人体远离摄像头。

6.根据权利要求1、2、4中任一所述的方法，其特征在于，步骤S2中所述提示所述目标人体调整人脸朝向的步骤进一步包括：

通过在屏幕设定位置显示定点图标，并提示所述目标人体直视所述定点图标。

7.根据权利要求2所述的方法，其特征在于，利用所述数据建模方法和数据统计分析算法，计算所述适于当前应用场景的期望配置参数的步骤进一步包括：

通过收集不同应用场景下使用过程产生的关键数据，利用数据建模方法和数据统计分析算法，对所述关键数据进行统计分析，计算针对所述当前应用场景的期望配置参数。

8.根据权利要求3所述的方法，其特征在于，在所述通过显示白屏或者开启补光灯进行额外补光的步骤之后，还包括：

在所述额外补光的时间达到设定延时时长时，相应的停止显示白屏或关闭补光灯。

9.根据权利要求1所述的方法，其特征在于，所述S2的步骤进一步具体还包括：

通过人脸姿态估计算法，估算人脸三维角度。

10.根据权利要求7所述的方法，其特征在于，所述关键数据进一步具体包括：业务类型、设备型号、设备序列号、环境照度、人脸大小、人脸姿态、人脸图像亮度、人脸图像清晰度、人脸图像对比度、比对分值和采集时间；

相应的，所述利用数据建模方法和数据统计分析算法，对所述关键数据进行统计分析的步骤进一步包括：

S51，根据所述设备型号和所述业务类型建立数学模型，对所述人脸大小、人脸姿态、人脸图像亮度、人脸图像清晰度及人脸图像的综合质量和比对分值进行统计分析，分别统计各个数据的分布规律以及不同数据之间的相关性；

S52，实时获取前端人脸识别设备上报的人脸采集过程中采集到的人脸图像数据以及人脸算法计算出来的相关参数；

S53，后台数据管理模块按照所述业务类型、设备型号及设备序列号对数据进行分类管理，分别从所述业务类型和单个设备两个维度对关键数据的阈值进行统计，所述单个设备所设定的阈值相对该业务系统所设定阈值的偏离率不超过20％；

S54，设备管理模块将相关的配置参数下发到前端识别设备，以供前端设备启用新的配置参数。