CN109165627A - 一种模型构建方法、装置及人证核验方法 - Google Patents

Abstract

本发明实施例提供一种模型构建方法、装置及人证核验方法。所述方法包括：获取含有至少一个人脸信息的图像；针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本；获得所述训练样本中目标人脸和非目标人脸的五官比例值；根据所述训练样本中的目标人脸与所述目标人脸的五官比例值，以及所述训练样本中的非目标人脸与所述非目标人脸的五官比例值训练模型。由此，可以通过训练后得到的模型快速定位目标人脸，提高比对阶段的效率。

Description

一种模型构建方法、装置及人证核验方法

技术领域

本发明涉及人证核验技术领域，具体而言，涉及一种模型构建方法、装置及人证核验方法。

背景技术

人证核验是安防领域中不可或缺的环节，越来越多人流量大的场所开始利用人证核验设备来提高通行的效率，如机场、火车站等。人证核验设备是采集刷卡人的人脸照片与身份证照片等用于人证合一比对的设备。

在机场、火车站等人流量大的场所，往往存在排队等候的情况，抓拍的图像中大概率会包括多个人脸。此时人脸越多比对次数越多，人脸定位效率低。

发明内容

有鉴于此，本发明实施例的目的在于提供一种模型构建方法、装置及人证核验方法。

本发明实施例提供一种模型构建方法，所述方法包括：

获取含有至少一个人脸信息的图像；

针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本；

获得所述训练样本中目标人脸和非目标人脸的五官比例值；

根据所述训练样本中的目标人脸与所述目标人脸的五官比例值，以及所述训练样本中的非目标人脸与所述非目标人脸的五官比例值训练模型。

可选的，获得所述训练样本中的目标人脸和非目标人脸的五官比例值的步骤包括：

提取所述训练样本中各目标人脸和非目标人脸的五官位置信息以及图像像素信息；

根据所述五官位置信息以及所述图像像素信息获得所述五官比例值。

可选的，所述五官位置信息包括：左眼位置、右眼位置和嘴巴位置；所述图像像素信息包括：图像像素宽和图像像素高。

可选的，所述五官比例值包括双眼屏幕距离横向占比、双眼倾斜角、左眼与嘴巴屏幕距离纵向占比和双眼中心点与嘴巴的偏移量；

根据所述五官位置计算得出所述五官比例值。

可选的，若所述图像中含有两个以上人脸信息，所述针对所述图像中的至少一个人脸信息，进行目标人脸与非目标人脸的分类的步骤包括：

将所述图像上的每个人脸信息依次与待匹配人脸图像进行匹配，将匹配度最高的人脸信息作为目标人脸；

将图像上除所述目标人脸以外的人脸作为非目标人脸。

可选的，若所述图像中含有一个人脸信息，所述针对所述图像中的至少一个人脸信息，进行目标人脸与非目标人脸的分类的步骤包括：

将所述图像上的人脸信息与待匹配人脸进行匹配，若匹配成功，则将该人脸信息作为目标人脸；若匹配失败，则将该人脸信息作为非目标人脸。

本发明实施例还提供一种模型构建装置，所述装置包括：

获取模块，用于获取含有至少一个人脸信息的图像；

处理模块，用于针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本；获得所述训练样本中目标人脸和非目标人脸的五官比例值；

训练模块，用于根据所述训练样本中的目标人脸与所述目标人脸的比例值，以及所述训练样本中的非目标人脸与所述非目标人脸的比例值训练模型。

可选的，所述处理模块通过以下方式获得所述训练样本中目标人脸和非目标人脸的五官比例值：

提取所述训练样本中各目标人脸和非目标人脸的五官位置信息以及图像像素信息；

根据所述五官位置信息以及所述图像像素信息，获得所述五官比例值。

本发明实施例还提供一种人证核验方法，所述方法包括：

获取含有至少一个人脸信息的图像以及待匹配人脸图像；

将所述含有至少一个人脸信息的图像输入模型构建方法所构建的模型中，获得目标人脸；

将所述目标人脸与所述待匹配人脸进行比对；

输出比对结果。

可选的，将所述含有至少一个人脸信息的图像输入模型构建方法所构建的模型中，获得目标人脸的步骤包括：

根据所述模型中目标人脸的五官比例值，与所述图像中每个人脸信息的五官比例值进行比对；

选取所述图像中最接近所述五官比例值的人脸作为所述目标人脸。

本发明实施例提供的一种模型构建方法、装置及人证核验方法。获取含有至少一个人脸信息的图像；针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本；获得所述训练样本中目标人脸和非目标人脸的五官比例值；根据所述训练样本中的目标人脸与所述目标人脸的五官比例值，以及所述训练样本中的非目标人脸与所述非目标人脸的五官比例值训练模型。由此，通过训练得到的模型可以快速定位目标人脸，提高人脸比对阶段的效率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例所提供的电子设备的方框示意图；

图2为本发明实施例所提供的一种模型构建方法的流程示意图；

图3为图2中步骤S120包括的子步骤的流程示意图之一；

图4为本发明实施例所提供的一种模型构建装置的方框示意图；

图5为本公开所提供的一种现有技术实施流程示意图；

图6为本发明实施例所提供的一种人证核验方法的流程示意图。

图标：100-电子设备；110-存储器；120-存储控制器；130-处理器；200-模型构建装置；210-获取模块；220-处理模块；230-训练模块。

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，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中”、“上”、“平行”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电性连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1是本发明实施例提供的电子设备100的方框示意图。在本发明实施例中，所述电子设备100可以包括存储器110、存储控制器120及处理器130。

所述存储器110、存储控制器120及处理器130各元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110中存储有模型构建装置200，所述模型构建装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器130通过运行存储在存储器110内的软件程序以及模块，如本发明实施例中的模型构建装置200，从而执行各种功能应用以及数据处理，即实现本发明实施例中的模型构建方法。

其中，所述存储器110可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器110用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。所述处理器130以及其他可能的组件对存储器110的访问可在所述存储控制器120的控制下进行。

所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

请参照图2，图2是本发明实施例提供的模型构建方法的流程示意图。所述模型构建方法应用于电子设备100，可以由处理器130执行。下面对模型构建方法的具体流程进行详细阐述。

步骤S110，获取含有至少一个人脸信息的图像。

在本发明实施例中，从数据库中获取含有至少一个人脸信息的图像，其中，数据库可以是人证核验设备核验过的人脸信息图像库，包括待比对人脸的证件人脸，如用户身份证上的人脸、驾驶证上的人脸等。

步骤S120，针对人脸信息图像中的每一个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本，获得训练样本中目标人脸和非目标人脸的五官比例值。

在本发明实施例中，可选的，当人脸信息图像中含有两个以上人脸信息，针对该人脸信息图像，将人脸信息图像上的每一个人脸信息依次与待比对人脸的证件人脸进行匹配，将匹配度最高的人脸信息作为目标人脸。

其中，匹配方法可以是，根据证件人脸对人脸信息图像上的每一个人脸进行验证比对并打分，将得分最高的人脸作为目标人脸。

可选的，当人脸信息图像中只含有一个人脸信息时，针对该人脸信息图像与待比对人脸的证件人脸进行匹配，若匹配成功，则将该人脸信息作为目标人脸；若匹配失败，则将该人脸信息作为非目标人脸。

根据完成分类的目标人脸和非目标人脸作为训练样本，获取训练样本中目标人脸和非目标人脸的五官比例值。

步骤S130，根据训练样本中的目标人脸与目标人脸的五官比例值，以及训练样本中的非目标人脸与非目标人脸的五官比例值训练模型。

本发明实施例中，根据目标人脸与目标人脸的五官比例值，以及非目标人脸与非目标人脸的五官比例值，对模型进行训练，得到逻辑回归模型。

请参照图3，图3是图2中步骤S120包括的子步骤的流程示意图。步骤S120包括子步骤S121和S122。

子步骤S121，提取所述训练样本中各目标人脸和非目标人脸的五官位置信息以及图像像素信息。

子步骤S122，根据所述五官位置信息以及所述图像像素信息获得所述五官比例值。

本发明实施例中提取的五官位置信息包括：左眼位置(x1，y1)、右眼位置(x2，y2)和嘴巴位置(x3，y3)，图像像素信息包括：图像像素宽width和图像像素高height。

可选的，五官位置信息与图像像素信息的提取方法可以是现有的提取方法，如MTCNN人脸检测框架。

根据五官位置信息与图像像素信息计算得出五官比例值，其中五官比例值包括：双眼屏幕距离横向占比f1、双眼倾斜角f2、左眼与嘴巴屏幕距离纵向占比f3和双眼中心点与嘴巴的偏移量f4。

其中，f1＝|x2-x1|/width

f2＝|y2-y1|/|x2-x1|

f3＝|y3-y1|/height

f4＝x3-(x1+x2)/2。

请参照图4，图4是本发明实施例提供的模型构建装置的方框示意图。所述模型构建装置可以包括获取模块210、处理模块220、训练模块230。

获取模块210，用于获取含有至少一个人脸信息的图像。

在本发明实施例中，获取模块210用于执行图2的步骤S110，关于所述获取模块210的具体描述可以参照图2中步骤S110的描述。

处理模块220，用于针对所述图像中的每一个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本，获得训练样本中目标人脸和非目标人脸的五官比例值。

可选的，当人脸信息图像中含有两个以上人脸信息，针对该人脸信息图像。

处理模块220用于将人脸信息图像上的每一个人脸信息一次与待比对人脸的证件人脸进行匹配，将匹配度最高的人脸作为目标人脸。

匹配方法可以是，根据证件人脸对人脸信息图像上的每一个人脸进行验证比对并打分，将得分最高的人脸作为目标人脸。

可选的，当人脸信息图像中只含有一个人脸信息时。

处理模块220用于针对该人脸信息图像与待比对人脸的证件人脸进行匹配，若匹配成功，则将该人脸信息作为目标人脸；若匹配失败，则将该人脸信息作为非目标人脸。

可选的，获得训练样本中目标人脸和非目标人脸的五官比例值。

处理模块220用于提取所述训练样本中个目标人脸和非目标人脸的五官位置信息以及图像像素信息。

本发明实施例中，提取的五官位置信息包括：左眼位置(x1，y1)、右眼位置(x2，y2)和嘴巴位置(x3，y3)，图像像素信息包括：图像像素宽width和图像像素高height。

可选的，五官位置信息与图像像素信息的提取方法可以是现有的成熟提取方法，如MTCNN人脸检测框架。

处理模块220用于根据所述五官位置信息以及所述图像像素信息获得所述五官比例值。

本发明实施例中，根据五官位置信息与图像像素信息计算得出五官比例值，其中五官比例值包括：双眼屏幕距离横向占比、双眼倾斜角、左眼与嘴巴屏幕距离纵向占比和双眼中心点与嘴巴的偏移量。

根据以下公式求得双眼屏幕距离横向占比f1、双眼倾斜角f2、左眼与嘴巴屏幕距离纵向占比f3、双眼中心点与嘴巴的偏移量f4：

其中，f1＝|x2-x1|/width

f2＝|y2-y1|/|x2-x1|

f3＝|y3-y1|/height

f4＝x3-(x1+x2)/2。

其中，x1、y1为MTCNN人脸检测框架提取方法提取的左眼位置的坐标值,x2、y2为右眼位置的坐标值,x3、y3为嘴巴位置的坐标值,width为图像像素宽,height为图像像素高。

在本发明实施例中，所述处理模块220用于执行图2中的步骤120，关于所述处理模块220的具体描述可以参照图2中步骤S120的描述。

训练模块230，用于根据训练样本中的目标人脸与非目标人脸的五官比例值，以及训练样本中的非目标人脸与非目标人脸的五官比例值训练模型。

训练模块230用于根据目标人脸与目标人脸的五官比例值，以及非目标人脸与非目标人脸的五官比例值，对模型进行训练，得到一个逻辑回归模型。

在本发明实施例中，训练模块230用于执行图2中的步骤S130，关于所述训练模块230的具体描述可以参照图2中步骤130的描述。

现有技术中人证核验方法一般有两种方案：

一：与抓取去图像中的人脸一一比对，将比对分数最高的作为证件的目标人脸，完成比对工作。

二：从抓取的人脸中找到人脸尺寸最大的一张人脸，仅对该人脸进行比对。

请参照图5，图5为本公开所提供的一种现有技术实施流程示意图。下面对现有技术实施具体实施流程进行详细阐述。

步骤S310，获取含有至少一个人脸信息的图像以及待匹配人脸图像。

本公开实施例中，待匹配人脸图像包括身份证人脸图像或驾驶证人脸图像等多种可以识别本人身份的图像信息。

步骤S320，将含有至少一个人脸信息的图像依次与所述待匹配人脸图像进行比对。

本公开实施例中，将含有至少一个人脸信息依次与所述待匹配的人脸图像进行比对，并根据比对结果进行打分处理。

步骤S330，将比对分数最高的人脸信息的图像作为目标人脸，输出比对结果。

本公开实施例中，将获取到的目标人脸与待匹配人脸图像进行比对，输出比对的结果。

现有技术的应用场景为在机场、火车站等人流量大的场所时，往往存在排队等候的情况，抓拍的图像中大概率会包含多个人脸，此时方案一人脸越多比对次数越多，人脸定位效率低；方案二效率较高，但是人脸定位准确性会大大折扣，某些场景下最大的人脸并不一定是目标人脸，使比对效果出现偏差。

请参照图6，图6是本发明实施例提供的人证核验方法的流程示意图。所述人证核验方法应用于电子设备100。下面对人证核验方法的具体流程进行详细阐述。

步骤S410，获取含有至少一个人脸信息的图像以及待匹配人脸图像。

本发明实施例中，待匹配人脸图像包括身份证人脸图像或驾驶证人脸图像等多种可以识别本人身份的图像信息。

步骤S420，将含有至少一个人脸信息的图像输入模型，获得目标人脸获得目标人脸。

本发明实施例中，将含有至少一个人脸信息的图像输入至构建好的逻辑回归模型，根据人脸信息图像中各人脸信息的五官比例值，与逻辑回归模型中训练过的目标人脸的五官比例值以及非目标人脸的五官比例值进行匹配，将人脸信息图像中的各人脸信息分为目标人脸以及非目标人脸，获取目标人脸。

步骤S430，将目标人脸与待匹配人脸进行比对，输出比对结果。

本发明实施例中，将获取到的目标人脸与待匹配人脸图像进行比对，输出比对的结果。

本发明实施例还提供一种电子设备，所述电子设备包括：处理器130及可读存储介质，所述可读存储介质存储有可执行计算机指令，所述可执行计算机指令由所述处理器130读取并运行时，执行所述的模型构建方法。

本领域的技术人员应明白，本发明实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器130以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器130执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

综上所述，本发明实施例提供的一种模型构建方法、装置及人证核验方法。获取含有至少一个人脸信息的图像，针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本，获得训练样本中目标人脸和非目标人脸的五官比例值，根据训练样本中的目标人脸与目标人脸的五官比例值，以及训练样本中的非目标人脸与非目标人脸的五官比例值训练模型。由此，根据所述模型中的目标人脸与非目标人脸的五官比例值快速定位目标人脸，提高人脸比对阶段的效率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种模型构建方法，其特征在于，所述方法包括：

获取含有至少一个人脸信息的图像；

针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本；

获得所述训练样本中目标人脸和非目标人脸的五官比例值；

根据所述训练样本中的目标人脸与所述目标人脸的五官比例值，以及所述训练样本中的非目标人脸与所述非目标人脸的五官比例值训练模型。

2.根据权利要求1所述的模型构建方法，其特征在于，获得所述训练样本中的目标人脸和非目标人脸的五官比例值的步骤包括：

提取所述训练样本中各目标人脸和非目标人脸的五官位置信息以及图像像素信息；

根据所述五官位置信息以及所述图像像素信息获得所述五官比例值。

3.根据权利要求2所述的模型构建方法，其特征在于，所述五官位置信息包括：左眼位置、右眼位置和嘴巴位置；所述图像像素信息包括：图像像素宽和图像像素高。

4.根据权利要求3所述的模型构建方法，其特征在于，所述五官比例值包括双眼屏幕距离横向占比、双眼倾斜角、左眼与嘴巴屏幕距离纵向占比和双眼中心点与嘴巴的偏移量；

根据所述五官位置计算得出所述五官比例值。

5.根据权利要求1所述的模型构建方法，其特征在于，若所述图像中含有两个以上人脸信息，所述针对所述图像中的至少一个人脸信息，进行目标人脸与非目标人脸的分类的步骤包括：

将所述图像上的每个人脸信息依次与待匹配人脸图像进行匹配，将匹配度最高的人脸信息作为目标人脸；

将图像上除所述目标人脸以外的人脸作为非目标人脸。

6.根据权利要求1所述的模型构建方法，其特征在于，若所述图像中含有一个人脸信息，所述针对所述图像中的至少一个人脸信息，进行目标人脸与非目标人脸的分类的步骤包括：

将所述图像上的人脸信息与待匹配人脸进行匹配，若匹配成功，则将该人脸信息作为目标人脸；若匹配失败，则将该人脸信息作为非目标人脸。

7.一种模型构建装置，其特征在于，所述装置包括：

获取模块，用于获取含有至少一个人脸信息的图像；

处理模块，用于针对所述图像中的每个人脸信息，进行目标人脸与非目标人脸的分类，将完成分类的目标人脸和非目标人脸作为训练样本；获得所述训练样本中目标人脸和非目标人脸的五官比例值；

训练模块，用于根据所述训练样本中的目标人脸与所述目标人脸的比例值，以及所述训练样本中的非目标人脸与所述非目标人脸的比例值训练模型。

8.根据权利要求7所述的一种模型构建装置，其特征在于，所述处理模块通过以下方式获得所述训练样本中目标人脸和非目标人脸的五官比例值：

提取所述训练样本中各目标人脸和非目标人脸的五官位置信息以及图像像素信息；

根据所述五官位置信息以及所述图像像素信息，获得所述五官比例值。

9.一种人证核验方法，其特征在于，所述方法包括：

获取含有至少一个人脸信息的图像以及待匹配人脸图像；

将所述含有至少一个人脸信息的图像输入权利要求1至6任意一项模型构建方法所构建的模型中，获得目标人脸；

将所述目标人脸与所述待匹配人脸进行比对；

输出比对结果。

10.根据权利要求9所述的人证核验方法，其特征在于，将所述含有至少一个人脸信息的图像输入模型构建方法所构建的模型中，获得目标人脸的步骤包括：

根据所述模型中目标人脸的五官比例值，与所述图像中每个人脸信息的五官比例值进行比对；

选取所述图像中最接近所述五官比例值的人脸作为所述目标人脸。