CN109522812A - 人脸识别方法及装置、电子设备 - Google Patents

Abstract

本发明公开了一种人脸识别方法及装置、电子设备，该方法包括：确定用户脸部的三维模型；对所述用户脸部的三维模型进行保角映射处理，得到二维图像；从所述二维图像中确定第一特征值信息；获取待识别的二维脸部图像，并从所述待识别的二维脸部图像中，确定第二特征值信息；将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；根据所述匹配结果，确定识别结果。根据本发明的一个实施例，提高了人脸识别的精度。

Description

人脸识别方法及装置、电子设备

技术领域

本发明涉及人脸识别技术领域，更具体地，涉及一种人脸识别方法、一种人脸识别装置以及一种电子设备。

背景技术

智能设备的解锁方式正如火如荼的发展着，从指纹识别、虹膜识别，到面部识别，人体自身已经逐渐变为了智能交互中的一把重要钥匙。无论哪种识别技术，安全问题以及精度问题成为人们关注的重点。

人脸识别技术需要很多的人脸处理模块完成识别，其中，人脸处理模块包括人脸检测、关键点检测、人脸对齐、特征提取、特征分类、人脸识别比对六大模块。

目前，人脸识别技术主要分为两大类：基于二维图像的人脸识别及基于三维图像的人脸识别。人脸识别的准确率是一个重要的考量指标。一般由两个标准线判别人脸识别算法的准确率：误判率及漏判率。误判率是出现将非人物A识别成人物A，使得解锁误成功的情况的比例。漏判率是出现将人物A识别成非人物A，使得解锁失败的情况的比例。

现有的基于二维图像的人脸识别技术精度不足。基于三维图像的人脸识别技术中，三维图像是在二维图像上加入了深度信息，该深度信息的获取需要安装在设备上的硬件(例如，传感器、深度摄像头或者双目摄像头)的配合使用，这样增加了设备的生产成本。

因此，需要提供一种新的技术方法，针对上述现有技术中的问题进行改进。

发明内容

本发明的一个目的是提供一种用于人脸识别的新技术方案。

根据本发明的第一方面，提供了一种人脸识别方法，包括：

确定用户脸部的三维模型；

对所述用户脸部的三维模型进行保角映射处理，得到二维图像；

从所述二维图像中确定第一特征值信息；

获取待识别的二维脸部图像，并从所述待识别的二维脸部图像中，确定第二特征值信息；

将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；

根据所述匹配结果，确定识别结果。

可选地，确定用户脸部的三维模型，包括：

获取多张用户脸部的二维图像，其中，所述多张用户脸部的二维图像是所述用户转动头部和所述用户做出不同表情时拍摄得到的图像；

利用所述多张用户脸部的二维图像，进行三维模型重建，得到所述用户脸部的三维模型。

可选地，对所述用户脸部的三维模型进行保角映射处理，得到二维图像，包括：

将所述用户脸部的三维模型映射到平面圆盘上，其中，

所述用户脸部的三维模型上的各特征点之间的空间距离等于映射到平面圆盘上的各特征点之间的直线距离。

可选地，在电子设备预存有多个用户的二维图像，且从各用户的二维图像中分别确定出第一特征值信息的情况下，将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；根据所述匹配结果，确定识别结果，包括：

将各第一特征值信息分别和所述第二特征值信息进行匹配运算，得到多个匹配结果；

根据所述多个匹配结果确定识别结果。

可选地，从所述二维图像中，确定第一特征值信息，以及，从所述待识别的二维脸部图像中，确定第二特征值信息，包括：

将所述二维图像输入至深度学习模型中，经过所述深度学习模型的处理，确定第一特征信值信息；以及，

将所述待识别的二维脸部图像输入至所述深度学习模型中，经过所述深度学习模型的处理，确定第二特征值信息。

可选地，所述匹配运算是利用所述第一特征值信息和所述第二特征值信息，确定所述二维图像和所述待识别的二维脸部图像之间的几何距离。

可选地，所述第一特征值信息至少包括人脸五官的相对位置信息、人脸的纹理信息，以及，所述第二特征值信息至少包括人脸五官的相对位置信息、人脸的纹理信息。

根据本发明的第二方面，提供了一种人脸识别装置，包括：

三维模型确定模块，用于确定用户脸部的三维模型；

二维图像确定模块，用于对所述用户脸部的三维模型进行保角映射处理，得到二维图像；

第一特征值信息确定模块，用于从所述二维图像中确定第一特征值信息；

第二特征值信息确定模块，用于获取待识别的二维脸部图像，并从所述待识别的二维脸部图像中，确定第二特征值信息；

匹配模块，用于将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；

识别模块，用于根据所述匹配结果，确定识别结果。

根据本发明的第三方面，提供了一种人脸识别装置，其特征在于，包括：存储器和处理器，其中，所述存储器存储可执行指令，所述可执行指令控制所述处理器进行操作以执行根据第一方面中的任何一项所述的方法。

根据本发明的第三方面，提供了一种电子设备，包括如第二方面或第三方面所述的人脸识别装置。

本发明一个实施例的有益效果在于，通过对用户脸部的三维模型进行保角映射处理，得到二维图像，该保角映射处理能够将用户脸部的三维数据信息细致地反应到二维图像中，保证了脸部曲面的整体性和人脸角度与纹理的全局光滑性，经过保角映射处理得到的二维图像提供了全面准确的三维数据信息，利用该二维图像作为脸部识别模板，进行人脸识别检测时，可提高人脸识别的精度。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的人脸识别方法的处理流程图。

图2是根据本发明一个实施例的人脸识别装置的结构示意图。

图3是根据本发明一个实施例的人脸识别装置的硬件结构框图。

图4示出了根据本发明一个实施例的电子设备的结构示意图。

图5a是三维模型保角映射处理前的示意图。

图5b是三维模型保角映射处理后的示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

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讨论。

本发明的一个实施例提供了一种人脸识别方法。图1是根据本发明一个实施例的人脸识别方法的处理流程图。参见图1，该方法至少包括步骤S101至步骤S106。

步骤S101，确定用户脸部的三维模型。

本发明的一个实施例中，首先，获取多张用户脸部的二维图像，然后，利用多张用户脸部的二维图像，进行三维模型重建，得到用户脸部的三维模型。这样，不再需要电子设备上装有测量深度信息的硬件，节省了电子设备的生产成本。

该多张用户脸部的二维图像是通过电子设备拍摄得到的图像。或者，该多张用户脸部的二维图像是从通过电子设备录制的视频中截取的图像。

电子设备在拍摄用户脸部时，用户转动头部，以使电子设备拍摄到用户脸部不同角度的图像，以及，电子设备在拍摄用户时，用户做出不同表情，例如，高兴、悲伤、惊讶等等，以使电子设备拍摄到用户不同脸部表情的图像。

步骤S102，对用户脸部的三维模型进行保角映射处理，得到二维图像。

本发明的一个实施例中，用户脸部的三维模型的保角映射处理是将用户脸部的三维模型映射到平面圆盘上。在映射过程中，用户脸部的三维模型上的各特征点之间的空间距离等于映射到平面圆盘上的各特征点之间的直线距离。这样使得映射到平面圆盘上的用户脸部的图像保留了用户脸部的三维模型的真实信息。即该保角映射处理能够将用户脸部的三维数据信息细致地反应到二维图像中，保证了脸部曲面的整体性和人脸角度与纹理的全局光滑性。经过保角映射处理得到的二维图像提供了全面准确的三维数据信息。

以用户脸部的三维模型中耳朵的特征点A和鼻子的特征点B为例，在用户脸部的三维模型完成保角映射处理后，用户脸部的三维模型中耳朵的特征点A和鼻子的特征点B之间的空间距离等于映射到平面圆盘上的耳朵的特征点A和鼻子的特征点B之间的直线距离。图5a是三维模型保角映射处理前的示意图。图5b是三维模型保角映射处理后的示意图。

图5b示出的图像是对图5a示出的动物脸部的三维模型以及动物翅膀的三维模型保角映射处理后得到的图像。

根据图5b所示，将动物脸部的三维模型和动物翅膀的三维模型映射到平面圆盘上。在映射过程中，三维模型上的各特征点之间的空间距离等于映射到平面圆盘上的各特征点之间的直线距离。

本发明实施例中，在根据步骤S102的操作得到二维图像后，将该二维图像预存在电子设备中，以作为识别模板图像。

本发明的一个实施例中，电子设备可以预存多个用户对应的二维图像。每一个用户对应的二维图像是通过上述步骤S101至步骤S102中的处理得到的。

步骤S103，从二维图像中确定第一特征值信息。

本发明的一个实施例中，将二维图像输入至深度学习模型中，经过该深度学习模型的处理，确定第一特征值信息。第一特征值信息至少包括人脸五官的相对位置关系、人脸的纹理信息。

本发明实施例中，在确定出第一特征值信息后，将该第一特征值信息预存在电子设备中。

本发明实施例中，深度学习模型的确定过程为将训练样本输入至初始深度学习模型进行训练，得到优化后的深度学习模型。其中，训练样本为多个用户的不同表情的脸部图片进行保角映射处理，得到各用户做出不同表情时的二维图像。

本发明的一个实施例中，电子设备可预存有多个用户对应的二维图像，各用户对应的二维图像经过深度学习模型的处理，可得到各二维图像对应的第一特征值信息。将各二维图像和各二维图像对应的第一特征值信息的对应关系也预存在电子设备中。

步骤S104，获取待识别的二维脸部图像，并从待识别的二维脸部图像中，确定第二特征值信息。

本发明实施例中，该待识别的二维脸部图像可以是通过电子设备拍摄得到的。

本发明实施例中，将待识别的二维脸部图像输入至深度学习模型中，经过该深度学习模型的处理，确定第二特征值信息。第二特征值信息至少包括人脸五官的相对位置关系、人脸的纹理信息。

步骤S105，将第一特征值信息和第二特征值信息进行匹配运算，得到匹配结果。

本发明的一个实施例中，第一特征值信息和第二特征值信息的匹配运算是利用第一特征值信息和第二特征值信息，得到二维图像和待识别的二维脸部图像之间的几何距离。根据二维图像和待识别的二维脸部图像之间的几何距离，确定待识别的二维脸部图像对应的用户与二维图像对应的用户是否为同一用户。

例如，二维图像和待识别的二维脸部图像之间的几何距离可为Wasserstein距离。Wasserstein距离的确定过程如下：首先，将人脸的三维曲面通过黎曼映照映射到平面圆盘上，黎曼映照会保持角度，但是面积元会发生畸变，畸变系数称为是共形因子。人脸的三维曲面上的黎曼度量信息完全被保持在共形因子里。由此，每张人脸在平面圆盘上对应了一个共形因子函数。该共形因子函数视为概率密度函数。每张人脸可对应圆盘上的一个概率分布。圆盘上的所有概率分布构成一个无穷维的流形，即Wasserstein空间。Wasserstein空间中存在一个黎曼度量，该黎曼度量为Wasserstein距离。

步骤S106，根据匹配结果确定识别结果。

在匹配结果为第一特征值信息和第二特征值信息的匹配程度超过预设值时，确定待识别的二维脸部图像对应的用户与预存到电子设备中的二维图像对应的用户为同一用户。在匹配结果为第一特征值信息和第二特征值信息的匹配程度未超过预设值时，确定待识别的二维脸部图像对应的用户与预存到电子设备中的二维图像对应的用户为两个用户。

本发明的一个实施例中，在电子设备预存有多个用户对应的二维图像以及各二维图像对应的第一特征值信息时，从待识别的二维脸部图像中，确定第二特征值信息。将各第一特征值信息分别和第二特征值信息进行匹配运算，得到多个匹配结果。根据多个匹配结果确定识别结果。

在匹配结果为第二特征值信息和其中一个第一特征值信息的匹配程度超过预设值时，确定待识别的二维脸部图像对应的用户与预存到电子设备中的二维图像对应的用户为同一用户。在匹配结果为第二特征值信息和各第一特征值信息的匹配程度均未超过预设值时，确定待识别的二维脸部图像对应的用户与预存到电子设备中的二维图像对应的用户为两个用户。

本发明实施例中，根据识别结果，执行后续的操作步骤，例如，电子设备的解锁操作、支付操作等等。

本发明实施例提供的人脸识别方法，通过对用户脸部的三维模型进行保角映射处理，得到二维图像，该保角映射处理能够将用户脸部的三维数据信息细致地反应到二维图像中，保证了脸部曲面的整体性和人脸角度与纹理的全局光滑性，经过保角映射处理得到的二维图像提供了全面准确的三维数据信息，利用该二维图像作为脸部识别模板，进行人脸识别检测时，可提高人脸识别的精度。

这样，在处理双胞胎、脸部妆容较浓的情况下，利用本发明实施例提供的人脸识别方法进行识别时，提高了识别结果的准确度。

基于同一发明构思，本发明的一个实施例提供了一种人脸识别装置。

图2是根据本发明一个实施例的人脸识别装置的结构示意图。参见图2，人脸识别装置至少包括：三维模型确定模块210，用于确定用户脸部的三维模型；二维图像确定模块220，用于对用户脸部的三维模型进行保角映射处理，得到二维图像；第一特征值信息确定模块230，用于从二维图像中确定第一特征值信息；第二特征值信息确定模块240，用于获取待识别的二维脸部图像，并从待识别的二维脸部图像中，确定第二特征值信息；匹配模块250，用于将第一特征值信息和第二特征值信息进行匹配运算，得到匹配结果；识别模块260，用于根据匹配结果，确定识别结果。

本发明的一个实施例中，三维模型确定模块210进一步用于：获取多张用户脸部的二维图像，其中，多张用户脸部的二维图像是用户转动头部和用户做出不同表情时拍摄得到的图像；利用多张用户脸部的二维图像，进行三维模型重建，得到用户脸部的三维模型。

本发明的一个实施例中，二维图像确定模块220，还用于将用户脸部的三维模型映射到平面圆盘上，其中，用户脸部的三维模型上的各特征点之间的空间距离等于映射到平面圆盘上的各特征点之间的直线距离

本发明的一个实施例中，在电子设备预存有多个用户的二维图像，且从各用户的二维图像中分别确定出第一特征值信息的情况下，匹配模块250进一步用于：将各第一特征值信息分别和第二特征值信息进行匹配运算，得到多个匹配结果。识别模块260还用于根据多个匹配结果确定识别结果。

本发明的一个实施例中，第一特征值信息确定模块230进一步用于：将二维图像输入至深度学习模型中，经过深度学习模型的处理，确定第一特征信值信息；以及，第二特征值信息确定模块240进一步用于：将待识别的二维脸部图像输入至深度学习模型中，经过深度学习模型的处理，确定第二特征值信息。

本发明的一个实施例中，第一特征值信息至少包括人脸五官的相对位置信息、人脸的纹理信息，以及，第二特征值信息至少包括人脸五官的相对位置信息、人脸的纹理信息。

图3是根据本发明一个实施例的人脸识别装置的硬件结构框图。参见图3，该装置包括：存储器320和处理器310。存储器320存储可执行指令，可执行指令控制处理器310进行操作以执行上述任一实施例提供的人脸识别方法。

图4示出了根据本发明一个实施例的电子设备的结构示意图。参见图4，电子设备400包括上述任一实施例提供的人脸识别装置410。

本发明实施例涉及的电子设备可为带有摄像头的智能手机、平板电脑、台式电脑、虚拟现实设备、门禁设备中任一种。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：

确定用户脸部的三维模型；

对所述用户脸部的三维模型进行保角映射处理，得到二维图像；

从所述二维图像中确定第一特征值信息；

获取待识别的二维脸部图像，并从所述待识别的二维脸部图像中，确定第二特征值信息；

将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；

根据所述匹配结果，确定识别结果。

2.根据权利要求1所述的方法，其特征在于，确定用户脸部的三维模型，包括：

获取多张用户脸部的二维图像，其中，所述多张用户脸部的二维图像是所述用户转动头部和所述用户做出不同表情时拍摄得到的图像；

利用所述多张用户脸部的二维图像，进行三维模型重建，得到所述用户脸部的三维模型。

3.根据权利要求1所述的方法，其特征在于，对所述用户脸部的三维模型进行保角映射处理，得到二维图像，包括：

将所述用户脸部的三维模型映射到平面圆盘上，其中，

所述用户脸部的三维模型上的各特征点之间的空间距离等于映射到平面圆盘上的各特征点之间的直线距离。

4.根据权利要求1所述的方法，其特征在于，在电子设备预存有多个用户的二维图像，且从各用户的二维图像中分别确定出第一特征值信息的情况下，

将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；根据所述匹配结果，确定识别结果，包括：

将各第一特征值信息分别和所述第二特征值信息进行匹配运算，得到多个匹配结果；

根据所述多个匹配结果确定识别结果。

5.根据权利要求1所述的方法，其特征在于，从所述二维图像中，确定第一特征值信息，以及，从所述待识别的二维脸部图像中，确定第二特征值信息，包括：

将所述二维图像输入至深度学习模型中，经过所述深度学习模型的处理，确定第一特征信值信息；以及，

将所述待识别的二维脸部图像输入至所述深度学习模型中，经过所述深度学习模型的处理，确定第二特征值信息。

6.根据权利要求1所述的方法，其特征在于，所述匹配运算是利用所述第一特征值信息和所述第二特征值信息，确定所述二维图像和所述待识别的二维脸部图像之间的几何距离。

7.根据权利要求1-6中任一所述的方法，其特征在于，所述第一特征值信息至少包括人脸五官的相对位置信息、人脸的纹理信息，以及，所述第二特征值信息至少包括人脸五官的相对位置信息、人脸的纹理信息。

8.一种人脸识别装置，其特征在于，包括：

三维模型确定模块，用于确定用户脸部的三维模型；

二维图像确定模块，用于对所述用户脸部的三维模型进行保角映射处理，得到二维图像；

第一特征值信息确定模块，用于从所述二维图像中确定第一特征值信息；

第二特征值信息确定模块，用于获取待识别的二维脸部图像，并从所述待识别的二维脸部图像中，确定第二特征值信息；

匹配模块，用于将所述第一特征值信息和所述第二特征值信息进行匹配运算，得到匹配结果；

识别模块，用于根据所述匹配结果，确定识别结果。

9.一种人脸识别装置，其特征在于，包括：存储器和处理器，其中，所述存储器存储可执行指令，所述可执行指令控制所述处理器进行操作以执行根据权利要求1-7中的任何一项所述的方法。

10.一种电子设备，其特征在于，包括如权利要求8或9所述的人脸识别装置。