CN109376596A - 人脸匹配方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种人脸匹配方法、装置、设备及计算机可读存储介质，通过候选区域网络模型获取目标人脸图像的目标人脸区域图像以及至少两个人脸器官区域图像，进而通过级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量，将所述目标人脸特征点进行组合以获取特征组合，根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合，将所述目标人脸特征点的特征向量与所述图像集合进行相似度计算，以获取人脸匹配结果，本发明能够减少检索范围，提升检索速度，提高用户的使用体验。

Description

人脸匹配方法、装置、设备及存储介质

技术领域

本发明涉及计算机图像处理领域，尤其涉及一种人脸匹配方法、装置、设备及计算机可读存储介质。

背景技术

人脸图像匹配是图像匹配领域中的一个重要分支。随着自动化信息化时代的到来，人脸图像匹配在现实生活中有了越来越多的应用。因为人脸信息具有独特性，难以伪造且易于采集，广泛应用于门禁系统、视频监控和身份验证技术领域。

现有的人脸图像特征匹配的过程就是通过数据库中的人脸图像特征进行提取，与目标的人脸图像特征按照相似度进行搜索，并依据相似性进行排序，从而实现人脸验证的过程。当前的人脸检索方法是通过定位人脸的关键点，然后按照关键点的几何属性(两眼之间的距离，两眼与鼻尖的角度，两眼与鼻尖构成的三角形面积等)或者关键点的位置进行相似性计算，然后通过遍历整个数据库找到相似度最高的图片作为匹配的结果。

但在实现本发明的过程中，发明人发现：这种传统的人脸特征匹配过程存在鲁棒性差的缺陷，而且遍历式的繁琐检索方式导致检索速度慢，工作效率低下，运行内存及CPU占据较大，已经不满足当前实时人脸识别的检索要求。

发明内容

针对上述问题，本发明的目的在于提供一种人脸匹配方法、装置、设备及计算机可读存储介质，减少检索范围，提升检索速度，提高用户的使用体验。

第一方面，本发明实施例提供了一种人脸匹配方法，包括以下步骤：

根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像；

根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量；

将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合；

根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合；其中，所述特征检索库存储有根据所述特征组合划分的若干图像集合；所述图像集合包括参照人脸图像以及对应的参照人脸特征点的特征向量；

将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果。

在第一方面的第一种实现方式中，所述根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像，具体为：

接收目标人脸图像；

将所述目标人脸图像作为预先建立的候选区域网络模型的输入值，以从所述候选区域网络模型获取目标人脸区域图像以及至少两个人脸器官区域图像。

在第一方面的第二种实现方式中，所述根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量，具体为：

将所述目标人脸区域图像以及所述人脸器官区域图像作为预先建立的级联卷积神经网络模型的输入值，以从所述级联卷积神经网络模型获取至少两个目标人脸特征点；

计算至少两个所述目标人脸特征点的特征向量。

在第一方面的第三种实现方式中，所述特征检索库的建立过程包括以下步骤：

接收若干参照人脸图像；

根据所述参照人脸图像，通过所述候选区域网络模型，获取每一所述参照人脸图像对应的参照人脸区域图像以及至少两个参照人脸器官区域图像；

根据所述参照人脸区域图像以及参照人脸器官区域图像，通过所述级联卷积神经网络模型，获取每一所述参照人脸图像相应的至少两个参照人脸特征点及对应特征向量；

将至少两个所述参照人脸特征点以预定的组合设置进行组合，以获取至少一个参照特征组合；

对于所述若干参照人脸图像，以预定的组合顺序，依次根据所述参照特征组合中的所述参照人脸特征点的特征向量的中心欧式距离进行分组，以获取若干图像集合；其中，所述图像集合包括参照人脸图像以及所述参照人脸图像对应的参照人脸特征点的特征向量。

根据第一方面的第三种实现方式，在第一方面的第四种实现方式中，所述根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合，具体为：

计算每一所述特征组合中所述目标人脸特征点的特征向量的中心欧式距离；

根据每一所述特征组合的中心欧式距离以及所述特征检索库，以所述预定的组合顺序，通过邻近算法逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合。

根据第一方面的第四种实现方式，在第一方面的第五种实现方式中，所述将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果，具体为：

将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行余弦相似度计算，获取所述目标人脸图像与所述图像集合中每一参照人脸图像的相似度；

获取相似度最大的所述参照人脸图像，以作为人脸匹配结果。

第二方面，本发明实施例提供了一种人脸匹配装置，包括：

区域图像获取模块，用于根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像；

特征点及向量获取模块，用于根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量；

特征组合获取模块，用于将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合；

图像集合获取模块，用于根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合；其中，所述特征检索库存储有根据所述特征组合划分的若干图像集合；所述图像集合包括参照人脸图像以及对应的参照人脸特征点的特征向量；

人脸匹配结果获取模块，用于将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果。

根据第二方面的第一种实施例，所述区域图像获取模块，具体包括：

目标图像接收单元，用于接收目标人脸图像；

区域图像获取单元，用于将所述目标人脸图像作为预先建立的候选区域网络模型的输入值，以从所述候选区域网络模型获取目标人脸区域图像以及至少两个人脸器官区域图像。

第三方面，本发明实施例提供了一种人脸匹配设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的人脸匹配方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的人脸匹配方法。

以上实施例具有如下有益效果：

采用预先建立的候选区域网络模型获取目标人脸图像的目标人脸区域图像以及至少两个人脸器官区域图像，再将获取的目标人脸区域图像以及至少两个人脸器官区域图像通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量，由于通过所述候选区域网络模型不仅输出目标人脸区域图像，还输出了至少两个人脸器官区域图像，使得在级联卷积神经网络模型运算过程中，在获得目标人脸区域图像后，可以先通过人脸器官区域图像就局部的部位进行简单、局部的检索，逐层细化，逐层剔除不满足条件的样本，从而提升了算法的速度，降低计算的复杂度，同时采用级联卷积神经网络模型能够提取从简单到复杂的人脸特征，满足从粗到细的分层匹配过程，在获取至少两个目标人脸特征点及对应特征向量之后，将所述至少两个目标人脸特征点以预定的组合设置进行组合，获取至少一个特征组合，以特征组合的形式，与预先建立的特征检索库中的特征组合以及根据所述特征组合划分的若干图像集合，逐个组合进行迭代匹配，直到获取匹配于所有特征组合的图像集合，将各个特征组合依照预定的顺序与所述特征检索库中包括了若干图像集合的特征组合进行逐个匹配，缩小需要进行匹配的图像数量，减少检索的范围，从而提升程序运行速度，最后将所述目标人脸特征点的特征向量与所述图像集合中的参照图像的参照人脸特征点的特征向量依次进行相似度计算，从而获取人脸匹配结果，从粗到细的检索方式进行人脸特征的检索方法，逐级缩小检索范围，从粗到细的分组合匹配相似度检索，大大提升检索的速度，提高用户的使用体验。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是本发明第一实施例提供的人脸匹配方法的流程示意图。

图2是本发明第一实施例提供的特征检索库存储的图像集合的示意图。

图3是本发明第二实施例提供的人脸匹配装置的结构示意图。

图4是本发明第三实施例提供的人脸匹配设备的结构示意图。

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，所描述的实施例仅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做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。

请参照图1，本发明第一实施例提供了一种人脸匹配方法，其可由人脸匹配设备来执行，并包括以下步骤：

S11，根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像。

在本发明实施例中，所述人脸匹配设备可为电脑、手机、平板电脑、门禁设备、笔记本电脑或者服务器等计算设备，所述人脸匹配方法可作为其中一个功能模块集成与所述人脸匹配设备上，由所述人脸匹配设备来执行。

在本发明实施例中，所述人脸匹配设备接收目标人脸图像，需要说明的是，本发明对于所述目标人脸图像的获取方式不做任何限制，例如可以通过所述人脸匹配设备自带的摄像机进行获取，或者通过有线方式或者无线方式从网络或者其他设备接收所述目标人脸图像，所述人脸匹配设备在接收所述目标人脸图像之后，将所述目标人脸图像作为预先建立的候选区域网络模型的输入值，以从所述候选区域网络模型获取目标人脸区域图像以及至少两个人脸器官区域图像，例如提取眼睛(2个眼睛)、鼻子、嘴角(2个嘴角)的区域图像，在所述候选区域网络模型中，根据设定的比例以及面积的规格，获取所述目标人脸图像满足条件的一系列区域框，在这个区域框的选取过程中，也是用了卷积层来选取特征，并通过非最大值抑制从一系列区域框获取候选框，再通过全连接层进行候选框参数微调，从而获取目标人脸区域图像以及至少两个人脸器官区域图像，通过所述候选区域网络模型，能够利用卷积神经网络直接产生建议的区域，实现了区域生成网络和分类网络的权值共享，大大提高了监测的性能和速度。

S12，根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量。

在本发明实施例中，在获取了所述目标人脸区域图像以及所述人脸器官区域图像之后，所述人脸匹配设备将所述目标人脸区域图像以及所述人脸器官区域图像作为预先建立的级联卷积神经网络模型的输入值，以从所述级联卷积神经网络模型获取至少两个目标人脸特征点，并计算至少两个所述目标人脸特征点的特征向量，例如从所述级联卷积神经网络模型中获取5个关键点(2个眼睛、一个嘴巴、2个嘴角)，并计算这5个关键点的Harr特征向量，在所述级联卷积神经网络模型中，根据获取的人脸器官区域图像，就局部的部位进行关键点的检索，快速锁定目标并提升关键特征点寻找的速度，相较于现有的根据人工标注的进行整个人脸的大范围遍历获取关键特征点的过程，本发明显著提高了程序整体运行效率以及关键特征点的准确精度。

S13，将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合。

在本发明实施例，所述人脸匹配设备根据预定的组合设置，将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合，例如获取了5个关键点(2个眼睛、一个嘴巴、2个嘴角)，那么组合的形式可以是2个眼睛的瞳孔点+1个鼻尖、2个嘴角点+1个鼻尖、左眼瞳孔点+鼻尖+左嘴角、右眼瞳孔点+鼻尖+右嘴角等等，可以理解的是，本发明对于组合设置的具体组合形式不做任何限定，可依据实际情况进行具体设置。

S14，根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合；其中，所述特征检索库存储有根据所述特征组合划分的若干图像集合；所述图像集合包括参照人脸图像以及对应的参照人脸特征点的特征向量。

在本发明实施例中，所述特征检索库的建立过程包括以下步骤：接收若干参照人脸图像；根据所述参照人脸图像，通过所述候选区域网络模型，获取每一所述参照人脸图像对应的参照人脸区域图像以及至少两个参照人脸器官区域图像；根据所述参照人脸区域图像以及参照人脸器官区域图像，通过所述级联卷积神经网络模型，获取每一所述参照人脸图像相应的至少两个参照人脸特征点及对应特征向量；将至少两个所述参照人脸特征点以预定的组合设置进行组合，以获取至少一个参照特征组合；对于所述若干参照人脸图像，以预定的组合顺序，依次根据所述参照特征组合中的所述参照人脸特征点的特征向量的中心欧式距离进行分组，以获取若干图像集合；其中，所述图像集合包括参照人脸图像以及所述参照人脸图像对应的参照人脸特征点的特征向量，例如，请参阅图2，对于获取的5个关键点(2个眼睛、一个嘴巴、2个嘴角)进行3种组合的特征向量进行聚类，3种组合分别是(1)两个眼睛和鼻子；(2)一个鼻子和两个嘴角；(3)两个眼睛、鼻子、两个嘴角；加入有1500张参照图像等待分类，先通过第一个特征组合的特征向量(两个眼睛和鼻子)进行聚类，把1500张参照图片根据所述特征组合中的目标人脸特征点(两个眼睛和鼻子)的特征向量计算中心欧式距离，根据中心欧式距离划分为15类，比如：第一类为200张参照图像，其特征向量的中心欧式距离在3以内，第二类为150张参照图像，其特征向量的中心欧式距离在3～6之间，直到将所有的参照图像划分完毕；然后再通过第二个特征组合的特征向量(一个鼻子和两个嘴角)对上述15类中的每一类进行聚类，划分成10类，比如第一类的200张参照图像根据所述特征组合中的目标人脸特征点(一个鼻子和两个嘴角)的特征向量计算中心欧式距离，根据中心欧式距离进行划分成10类，第一类为30张参照图像，第二类是50张参照图像，如此类推，直到划分完该类中所有的参照图像；最后采用第三个特征组合的特征向量(两个眼睛、鼻子、两个嘴角)继续进行细化，对上述通过第二个特征组合划分后的15×10类中的每一类进行聚类，比如第二特征组合划分后的有一个参照图像数量为30的图像集合的划分类，根据所述特征组合中的目标人脸特征点(两个眼睛、鼻子、两个嘴角)的特征向量计算中心欧式距离，根据中心欧式距离进行划分成5类，第一类是6张参照图像，第二类是8张参照图像，如此类推，直到划分完该类中所有的参照图像，从而所述特征检索库中包括有15×10×5个图像集合。

在本发明实施例中，所述人脸匹配设备计算每一所述特征组合中所述目标人脸特征点的特征向量的中心欧式距离；根据每一所述特征组合的中心欧式距离以及所述特征检索库，以所述预定的组合顺序，通过邻近算法逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合，例如，所述人脸匹配设备采用KNN算法计算第一个特征组合中所述目标人脸特征点的特征向量的中心欧式距离，然后根据所述中心欧式距离获取所述特征检索库中第一个组合的15个类中最接近的一个类，获取该类的图像集合，剔除其余14个图像集合，大大缩小检索范围；然后再采用KNN算法计算第二个特征组合中所述目标人脸特征点的特征向量的中心欧式距离，然后根据所述中心欧式距离从上一个特征组合选择的类划分出来的10个类中选择中心欧式距离最接近的一个类，剔除其余9个图像集合；最后用KNN算法计算第三个特征组合中所述目标人脸特征点的特征向量的中心欧式距离，然后根据所述中心欧式距离从上一个特征组合选择的类划分出来的5个类中选择中心欧式距离最接近的一个类，剔除其余4个图像集合，如此迭代，直到算法完毕，逐渐缩小样本的数量，降低检索范围，从而确定匹配与所有特征组合的图像集合。

S15，将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果。

在本发明实施例中，所述人脸匹配设备将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行余弦相似度计算，获取所述目标人脸图像与所述图像集合中每一参照人脸图像的相似度，然后获取相似度最大的所述参照人脸图像，以作为人脸匹配结果。

综上所述，本发明第一实施例提供了一种人脸匹配方法，采用预先建立的候选区域网络模型获取目标人脸图像的目标人脸区域图像以及至少两个人脸器官区域图像，再将获取的目标人脸区域图像以及至少两个人脸器官区域图像通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量，由于通过所述候选区域网络模型不仅输出目标人脸区域图像，还输出了至少两个人脸器官区域图像，使得在级联卷积神经网络模型运算过程中，在获得目标人脸区域图像后，可以先通过人脸器官区域图像就局部的部位进行简单、局部的检索，逐层细化，逐层剔除不满足条件的样本，从而提升了算法的速度，降低计算的复杂度，同时采用级联卷积神经网络模型能够提取从简单到复杂的人脸特征，满足从粗到细的分层匹配过程，在获取至少两个目标人脸特征点及对应特征向量之后，将所述至少两个目标人脸特征点以预定的组合设置进行组合，获取至少一个特征组合，以特征组合的形式，与预先建立的特征检索库中的特征组合以及根据所述特征组合划分的若干图像集合，逐个组合进行迭代匹配，直到获取匹配于所有特征组合的图像集合，将各个特征组合依照预定的顺序与所述特征检索库中包括了若干图像集合的特征组合进行逐个匹配，缩小需要进行匹配的图像数量，减少检索的范围，从而提升程序运行速度，最后将所述目标人脸特征点的特征向量与所述图像集合中的参照图像的参照人脸特征点的特征向量依次进行相似度计算，从而获取人脸匹配结果，从粗到细的检索方式进行人脸特征的检索方法，逐级缩小检索范围，从粗到细的分组合匹配相似度检索，大大提升检索的速度，提高用户的使用体验。

请参阅图3，本发明第二实施例提供了一种人脸匹配装置，包括：

区域图像获取模块11，用于根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像。

特征点及向量获取模块12，用于根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量。

特征组合获取模块13，用于将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合。

图像集合获取模块14，用于根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合；其中，所述特征检索库存储有根据所述特征组合划分的若干图像集合；所述图像集合包括参照人脸图像以及对应的参照人脸特征点的特征向量。

人脸匹配结果获取模块15，用于将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果。

根据第二实施例的第一种实施例，所述区域图像获取模块11，具体包括：

目标图像接收单元，用于接收目标人脸图像。

区域图像获取单元，用于将所述目标人脸图像作为预先建立的候选区域网络模型的输入值，以从所述候选区域网络模型获取目标人脸区域图像以及至少两个人脸器官区域图像。

在第二实施例的第二种实现方式中，所述特征点及向量获取模块12，具体包括：

目标人脸特征点单元，用于将所述目标人脸区域图像以及所述人脸器官区域图像作为预先建立的级联卷积神经网络模型的输入值，以从所述级联卷积神经网络模型获取至少两个目标人脸特征点。

特征向量计算单元，用于计算至少两个所述目标人脸特征点的特征向量。

在第二实施例的第三种实现方式中，所述特征检索库的建立过程包括以下步骤：

参照人脸图像接收模块，用于接收若干参照人脸图像。

参照区域图像获取模块，用于根据所述参照人脸图像，通过所述候选区域网络模型，获取每一所述参照人脸图像对应的参照人脸区域图像以及至少两个参照人脸器官区域图像。

参照特征获取模块，用于根据所述参照人脸区域图像以及参照人脸器官区域图像，通过所述级联卷积神经网络模型，获取每一所述参照人脸图像相应的至少两个参照人脸特征点及对应特征向量。

参照特征组合生成模块，用于将至少两个所述参照人脸特征点以预定的组合设置进行组合，以获取至少一个参照特征组合。

图像集合获取模块，用于对于所述若干参照人脸图像，以预定的组合顺序，依次根据所述参照特征组合中的所述参照人脸特征点的特征向量的中心欧式距离进行分组，以获取若干图像集合；其中，所述图像集合包括参照人脸图像以及所述参照人脸图像对应的参照人脸特征点的特征向量。

根据第二实施例的第三种实现方式，在第二实施例的第四种实现方式中，所述图像集合获取模块14具体包括：

中心欧式距离计算单元，用于计算每一所述特征组合中所述目标人脸特征点的特征向量的中心欧式距离。

图像集合获取单元，用于根据每一所述特征组合的中心欧式距离以及所述特征检索库，以所述预定的组合顺序，通过邻近算法逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合。

根据第二实施例的第四种实现方式，在第二实施例的第五种实现方式中，所述人脸匹配结果获取模块15具体包括：

相似度计算单元，用于将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行余弦相似度计算，获取所述目标人脸图像与所述图像集合中每一参照人脸图像的相似度。

人脸匹配结果获取单元，用于获取相似度最大的所述参照人脸图像，以作为人脸匹配结果。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

参见图4，是本发明第三实施例提供的人脸匹配设备的示意图。如图4所示，该人脸匹配设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。

在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

程序152。

具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的人脸匹配方法，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如区域图像获取模块。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述人脸匹配设备中的执行过程。

所述人脸匹配设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述人脸匹配设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是人脸匹配设备的示例，并不构成对人脸匹配设备的限定，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。

所称处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器11是所述人脸匹配设备的控制中心，利用各种接口和线路连接整个人脸匹配设备的各个部分。

所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述人脸匹配设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、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。

其中，所述人脸匹配设备集成的模块/单元如果以软件功能单元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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种人脸匹配方法，其特征在于，包括以下步骤：

根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像；

根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量；

将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合；

根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合；其中，所述特征检索库存储有根据所述特征组合划分的若干图像集合；所述图像集合包括参照人脸图像以及对应的参照人脸特征点的特征向量；

将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果。

2.根据权利要求1所述的人脸匹配方法，其特征在于，所述根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像，具体为：

接收目标人脸图像；

将所述目标人脸图像作为预先建立的候选区域网络模型的输入值，以从所述候选区域网络模型获取目标人脸区域图像以及至少两个人脸器官区域图像。

3.根据权利要求1所述的人脸匹配方法，其特征在于，所述根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量，具体为：

将所述目标人脸区域图像以及所述人脸器官区域图像作为预先建立的级联卷积神经网络模型的输入值，以从所述级联卷积神经网络模型获取至少两个目标人脸特征点；

计算至少两个所述目标人脸特征点的特征向量。

4.根据权利要求1所述的人脸匹配方法，其特征在于，所述特征检索库的建立过程包括以下步骤：

接收若干参照人脸图像；

根据所述参照人脸图像，通过所述候选区域网络模型，获取每一所述参照人脸图像对应的参照人脸区域图像以及至少两个参照人脸器官区域图像；

根据所述参照人脸区域图像以及参照人脸器官区域图像，通过所述级联卷积神经网络模型，获取每一所述参照人脸图像相应的至少两个参照人脸特征点及对应特征向量；

将至少两个所述参照人脸特征点以预定的组合设置进行组合，以获取至少一个参照特征组合；

对于所述若干参照人脸图像，以预定的组合顺序，依次根据所述参照特征组合中的所述参照人脸特征点的特征向量的中心欧式距离进行分组，以获取若干图像集合；其中，所述图像集合包括参照人脸图像以及所述参照人脸图像对应的参照人脸特征点的特征向量。

5.根据权利要求4所述的人脸匹配方法，其特征在于，所述根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合，具体为：

计算每一所述特征组合中所述目标人脸特征点的特征向量的中心欧式距离；

根据每一所述特征组合的中心欧式距离以及所述特征检索库，以所述预定的组合顺序，通过邻近算法逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合。

6.根据权利要求5所述的人脸匹配方法，其特征在于，所述将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果，具体为：

将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行余弦相似度计算，获取所述目标人脸图像与所述图像集合中每一参照人脸图像的相似度；

获取相似度最大的所述参照人脸图像，以作为人脸匹配结果。

7.一种人脸匹配装置，其特征在于，包括：

区域图像获取模块，用于根据接收的目标人脸图像，通过预先建立的候选区域网络模型，获取目标人脸区域图像以及至少两个人脸器官区域图像；

特征点及向量获取模块，用于根据所述目标人脸区域图像以及所述人脸器官区域图像，通过预先建立的级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量；

特征组合获取模块，用于将至少两个所述目标人脸特征点以预定的组合设置进行组合，以获取至少一个特征组合；

图像集合获取模块，用于根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合；其中，所述特征检索库存储有根据所述特征组合划分的若干图像集合；所述图像集合包括参照人脸图像以及对应的参照人脸特征点的特征向量；

人脸匹配结果获取模块，用于将所述目标人脸特征点的特征向量与所述图像集合中的每一参照人脸图像的参照人脸特征点的特征向量依次进行相似度计算，以获取人脸匹配结果。

8.根据权利要求7所述的人脸匹配装置，其特征在于，所述区域图像获取模块，具体包括：

目标图像接收单元，用于接收目标人脸图像；

区域图像获取单元，用于将所述目标人脸图像作为预先建立的候选区域网络模型的输入值，以从所述候选区域网络模型获取目标人脸区域图像以及至少两个人脸器官区域图像。

9.一种人脸匹配设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的人脸匹配方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的人脸匹配方法。