CN109829448A - 人脸识别方法、装置及存储介质 - Google Patents

Abstract

本申请涉及一种人脸识别方法、装置及存储介质，属于图像处理技术领域，该方法包括：对目标图像进行分块处理，得到至少两块图像块；将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；对于每块图像块，基于图像块的特征向量的模值计算图像块的比对权重；对于每块图像块，计算图像块与对应的模板图像块的相似度；使用比对权重与相似度计算至少两块图像块相似度的加权平均值；在加权平均值大于或等于相似度阈值时，确定目标图像中的人脸与模板图像块所属的模板图像中的人脸属于同一人；可以解决使用遮挡判别网络判别被遮挡的图像块，导致人脸识别算法的识别效率较低的问题；可以提高致人脸识别算法的识别效率。

Description

人脸识别方法、装置及存储介质

技术领域

本申请涉及人脸识别方法、装置及存储介质，属于图像处理技术领域。

背景技术

人脸识别技术是指利用分析比较的计算机技术识别人脸。人脸识别技术包括人脸检测过程和人脸识别过程。人脸检测过程是指采用一定的策略对图像进行搜索以确定图像中是否含有人脸的过程，在图像中含有人脸时返回人脸位置、大小和/或姿态等信息；人脸识别过程是指识别人脸检测过程检测到的人脸的属性，比如：识别人脸的性别、名称等。

然而，在实际场景中，图像采集设备采集到的图像可能是光照不充足、表情角度多样、墨镜或口罩等遮挡住人脸的人脸图像，此时，若对这些人脸图像进行人脸检测，则可能检测出的人脸也被遮挡，从而影响后续人脸识别时的准确性。

申请号为201810507166.0的发明专利《一种基于分块的有遮挡人脸识别算法》公开了一种人脸识别方法，该方法包括：在离线训练阶段，首先进行人脸检测、人脸几何归一化、光照归一化等图像预处理操作，然后基于预处理的结果，从人脸图像中提取左眼、右眼、鼻子、嘴巴四个区块，接着训练各区块的网络模型，并提取对应的特征，然后训练各区块的遮挡判别网络获取遮挡判别结果，最后根据各区块的遮挡判别结果融合其特征，并构建K-D树特征索引；在线识别阶段，采用与离线训练阶段相同的方法提取得到人脸图像特征，然后通过K-D树的索引方式进行特征查询，从而得到识别的结果。

然而，上述方法需要在训练阶段训练各区块对应的用于提取特征的网络模型、训练各区块对应的用于判断是否有遮挡的遮挡判别网络(即训练至少两个网络模型)；在识别阶段需要通过网络模型来提取各区块的特征、通过遮挡判别网络判断各区块是否被遮挡(即经过至少两个网络模型的计算)，由于网络模型的训练和计算过程需要消耗大量的运行资源、且消耗的时间也较长，因此，会导致该基于分块的有遮挡人脸识别算法的效率较低。

发明内容

本申请提供了一种人脸识别方法、装置及存储介质，可以解决使用遮挡判别网络判别被遮挡的图像块，导致人脸识别算法的识别效率较低的问题。本申请提供如下技术方案：

第一方面，提供了一种人脸识别方法，所述方法包括：

对目标图像进行分块处理，得到至少两块图像块；

将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；

对于每块图像块，基于所述图像块的特征向量的模值计算所述图像块的比对权重；

对于每块图像块，计算所述图像块与对应的模板图像块的相似度；

使用所述比对权重与所述相似度计算所述至少两块图像块相似度的加权平均值；

在所述加权平均值大于或等于相似度阈值时，确定所述目标图像中的人脸与所述模板图像块所属的模板图像中的人脸属于同一人。

可选地，所述对于每块图像块，基于所述图像块的特征向量的模值计算所述图像块的比对权重，包括：

计算各个图像块的特征向量的模值之和，得到模值和；

将所述图像块的特征向量的模值与所述模值和之商确定为所述图像块的比对权重。

可选地，所述方法还包括：

将所述图像块的特征向量的模值与模值阈值进行比较；

在所述图像块的特征向量的模值小于所述模值阈值时，确定所述图像块的比对权重为0；

在所述图像块的特征向量的模值大于或等于所述模值阈值时，触发执行所述计算各个图像块的特征向量的模值之和，得到模值和的步骤。

可选地，所述目标图像为未经过特征提取的原始图像；所述特征提取网络包括卷积神经网络中的卷积层和全连接层；

所述对目标图像进行分块处理，得到至少两块图像块，包括：

将目标图像按照预设的分块规则进行分块处理，得到所述至少两块图像块，所述分块规则为：按照五官位置分块或按照第一指定尺寸分块；

所述将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量，包括：

将所述至少两块图像块连接后输入所述卷积层和所述全连接层，得到每块图像块的特征向量。

可选地，所述目标图像为经过卷积神经网络中卷积层的特征提取后得到的特征图像；所述特征提取网络包括与所述卷积层相连的全连接层；

所述对目标图像进行分块处理，得到至少两块图像块，包括：

将所述特征图像按照第二指定尺寸进行分块处理，得到所述至少两块图像块；

所述将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量，包括：

将所述至少两块图像块输入对应的所述全连接层，得到每块图像块的特征向量。

第二方面，提供了一种人脸识别装置，所述装置包括：

分块处理模块，用于对目标图像进行分块处理，得到至少两块图像块；

特征提取模块，用于将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；

权重计算模块，用于对于每块图像块，基于所述图像块的特征向量的模值计算所述图像块的比对权重；

相似度计算模块，用于对于每块图像块，计算所述图像块与对应的模板图像块的相似度；

加权平均模块，用于使用所述比对权重与所述相似度计算所述至少两块图像块相似度的加权平均值；

人脸识别模块，用于在所述加权平均值大于或等于相似度阈值时，确定所述目标图像中的人脸与所述模板图像块所属的模板图像中的人脸属于同一人。

可选地，所述权重计算模块，用于：

计算各个图像块的特征向量的模值之和，得到模值和；

将所述图像块的特征向量的模值与所述模值和之商确定为所述图像块的比对权重。

可选地，所述装置还包括：

模值比较模块，用于将所述图像块的特征向量的模值与模值阈值进行比较；

权重置零模块，用于在所述图像块的特征向量的模值小于所述模值阈值时，确定所述图像块的比对权重为0；

所述权重计算模块，还用于：在所述图像块的特征向量的模值大于或等于所述模值阈值时，执行所述计算各个图像块的特征向量的模值之和，得到模值和的步骤。

第三方面，提供一种人脸识别装置，所述装置包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面所述的人脸识别方法。

第四方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序由所述处理器加载并执行以实现第一方面所述的人脸识别方法。

本申请的有益效果在于：通过对目标图像进行分块处理，得到至少两块图像块；将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；对于每块图像块，基于图像块的特征向量的模值计算图像块的比对权重；对于每块图像块，计算图像块与对应的模板图像块的相似度；使用比对权重与相似度计算至少两块图像块相似度的加权平均值；在加权平均值大于或等于相似度阈值时，确定目标图像中的人脸与模板图像块所属的模板图像中的人脸属于同一人；可以解决使用遮挡判别网络判别被遮挡的图像块，导致人脸识别算法的识别效率较低的问题；由于电子设备只需要通过每个图像块特征向量的模值来计算比对权重，而无需通过遮挡判别网络来计算图像块所占比重，相对通过遮挡判别网络来计算图像块所占比重来说，通过每个图像块特征向量的模值来计算比对权重的计算量较低，因此，可以提高致人脸识别算法的识别效率。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的人脸识别方法的流程图；

图2是本申请一个实施例提供的卷积神经网络的结构示意图；

图3是本申请一个实施例提供的通过对通过第一种分块处理方式得到的图像块进行特征提取得到特征向量的过程示意图；

图4是本申请一个实施例提供的通过对通过第二种分块处理方式得到的图像块进行特征提取得到特征向量的过程示意图；

图5是本申请一个实施例提供的人脸识别装置的框图；

图6是本申请一个实施例提供的人脸识别装置的框图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

可选地，本申请中以各个实施例中各个步骤的执行主体为具有计算能力的电子设备为例进行说明，该电子设备可以是计算机、手机、平板电脑、可穿戴式设备等终端；或者，也可以是服务器，本实施例不对电子设备的类型作限定。

图1是本申请一个实施例提供的人脸识别方法的流程图。该方法至少包括以下几个步骤：

步骤101，对目标图像进行分块处理，得到至少两块图像块。

目标图像可以一张；或者，也可以是多张，本实施例不对目标图像的数量作限定。

可选地，本实施例提供两种分块处理方式，下面分别对这两种分块处理方式分别进行介绍。当然，在实际实现时，也可以使用其他分块处理方式得到至少两块图像块。

第一种，目标图像为未经过特征提取的原始图像；此时，对目标图像进行分块处理，得到至少两块图像块，包括：将目标图像按照预设的分块规则进行分块处理，得到至少两块图像块。其中，分块规则为：按照五官位置分块或按照第一指定尺寸分块。

其中，第一指定尺寸可以是2×2(像素)、或者可以是2×3(像素)、或者还可以是3×3(像素)，本实施例不对第一指定尺寸的设置方式作限定。

若分块规则为按照五官位置分块，则可以将目标图像分块为左眼图像块、右眼图像块、鼻子图像块和嘴巴图像块；当然，也可以分块为眼睛图像块、鼻子图像块和嘴巴图像块，本实施例不对按照五官位置对目标图像进行分块的方式作限定。

第二种，目标图像为经过卷积神经网络中卷积层的特征提取后得到的特征图像。此时，目标图像的图像尺寸经过卷积层的特征提取后会变得比较小，因此，无法按照五官位置对目标图像进行分块。此时，对目标图像进行分块处理，得到至少两块图像块，包括：将特征图像按照第二指定尺寸进行分块处理，得到至少两块图像块。

其中，第二指定尺寸可以与第一指定尺寸相同，或者，也可以与第一指定尺寸不同，本实施例不对第二指定尺寸的设置方式作限定。

当然，电子设备也可以同时使用上述两种方法来获取至少两块图像块，此时，电子设备需要将原始图像进行复制，其中一份原始图像作为第一种方法的目标图像；另一份原始图像经过卷积层运算后作为第二种方法的目标图像。当然，电子设备也可以使用其他方式获取至少两块图像块，本实施例在此不再一一列举。

可选地，至少两块图像块的图像尺寸相同。

步骤102，将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量。

对于第一种分块处理方式，特征提取网络包括卷积神经网络中的卷积层和全连接层。可选地，每块图像块对应的卷积层可以相同；或者也可以不同。在一个示例中，将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量，包括：将至少两块图像块连接后输入卷积层和全连接层，得到每块图像块的特征向量。其中，至少两块图像块可以是卷积神经网络中的输入层通过第一种分块处理方式分块得到的。

其中，卷积神经网络参考图2所示，该卷积神经网络模型包括数据输入层(inputlayer)、卷积层(convolution layer，CONV layer)、激活函数激励层(Rectified LinearUnit layer，ReLu layer)、池化层(Pooling layer)和全连接层(fully connected layer，FC layer)。其中，数据输入层用于对原始图像数据进行预处理，比如：去均值、归一化等处理。卷积层用于提取数据输入层输入的图像的图像特征。激活函数激励层用于对卷积层输出结果做非线性映射。池化层夹在连续的卷积层之间，用于压缩数据和参数的量，减小过拟合。全连接层在卷积神经网络模型的尾部，全连接层是指相邻两层神经层中的所有神经元之间都有权重连接。当然，在实际实现时，卷积神经网络除了卷积层和全连接层之外，可以包含更多或者更少的层，本实施例不对卷积神经网络的网络结构作限定。

其中，将至少两块图像块连接是指将至少两块图像块串联，从而可以一起输入同一卷积层，共享卷积层的网络参数。

参考图3所示的对第一种分块处理方式得到的图像块进行特征提取得到特征向量的过程，假设目标图像的批大小(batchsize)为32(当然也可以是其他数值比如128等)，且目标图像的尺寸为80×64(像素)，RGB通道为3；对目标图像按照五官位置进行分块处理后得到左眼图像块、右眼图像块、鼻子图像块和嘴巴图像块。其中，图3中以每个图像块的图像尺寸为40×30(像素)为例进行说明。将四种图像块连接后得到串联后的图像块，将该串联后的图像块一起输入卷积层以共享卷积层的网络参数，然后经过全连接层输出得到左眼特征向量、右眼特征向量、鼻子特征向量和嘴巴特征向量。卷积神经网络在得到左眼特征向量、右眼特征向量、鼻子特征向量和嘴巴特征向量之后，还可以将各个特征向量组合，得到人脸特征。

对于第二种分块处理方式，特征提取网络为与卷积层相连的全连接层；将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量，包括：将至少两块图像块输入对应的全连接层，得到每块图像块的特征向量。在这种方式中，为了保证全连接层输出特征的准确性，不同图像块对应全连接层中不同的权重组合。示意性地，本实施例中，电子设备将至少两块图像块同时输入对应的全连接层。

参考图4所示的对通过第二种分块处理方式得到的图像块进行特征提取得到特征向量的过程，假设人脸图像的批大小为32(当然也可以是其他数值比如128等)，且人脸图像的尺寸为80×64(像素)，RGB通道为3；将人脸图像输入卷积神经网络的卷积层后，得到目标图像。图4中以目标图像的图像尺寸为10×8，且特征的维度为512为例，在将目标图像输入全连接层之前，将该目标图像按照第二指定尺寸进行分块处理，图4中以第二指定尺寸为5×4为例，得到左上区域图像块、左下区域图像块、右上区域图像块和右下区域图像块。将左上区域图像块输入对应的全连接层后得到左上区域图像块的特征向量；将左下区域图像块输入对应的全连接层后得到左下区域图像块的特征向量；将右上区域图像块输入对应的全连接层后得到右上区域图像块的特征向量；将右下区域图像块输入对应的全连接层后得到右下区域图像块的特征向量，其中，全连接层提取不同区域图像块中的特征时使用的权重不同。卷积神经网络在得到各个区域图像块的特征向量之后，还可以将各个特征向量组合，得到人脸特征。

步骤103，对于每块图像块，基于图像块的特征向量的模值计算图像块的比对权重。

其中，对于n维的特征向量，该特征向量的模值为其中，图像块的遮挡程度与图像块的特征向量的模值呈负相关关系，即，图像块的遮挡程度越高，特征向量的模值越小；图像块的遮挡程度越低，特征向量的模值越大。

在一个示例中，对于每块图像块，基于图像块的特征向量的模值计算图像块的比对权重，包括：计算各个图像块的特征向量的模值之和，得到模值和；将图像块的特征向量的模值与模值和之商确定为图像块的比对权重。这样，遮挡程度较低的图像块由于比对权重较小，因此，在后续与模板图像块进行比对时对比对结果的影响较小，可以提高人脸识别的准确性。

在另一个示例中，在计算各个图像块的特征向量的模值之和之前，电子设备将图像块的特征向量的模值与模值阈值进行比较；在图像块的特征向量的模值小于模值阈值时，确定图像块的比对权重为0；在图像块的特征向量的模值大于或等于模值阈值时，触发执行计算各个图像块的特征向量的模值之和，得到模值和的步骤。这样，遮挡程度较高的图像块相当于没有参与后续的比对过程，完全消除了这些图像块对对比结果的影响。

其中，模值阈值是通过对大量有遮挡的图像块进行训练得到的值。比如：通过训练大量有遮挡的图像块，得到有遮挡的图像块的特征向量的模值；然后，统计有遮挡的图像块的特征向量的模值的均值和标准差；根据该均值和标准差得到模值阈值。比如：模值阈值为均值+N×标准差。其中，N为预设系数。

步骤104，对于每块图像块，计算图像块与对应的模板图像块的相似度。

对于每个图像块，电子设备会将模板图像按照与该图像块同样的分块处理方式划分为对应的模板图像块，然后将每个图像块与对应的模板图像块进行比较。

相似度可以是通过图像块的特征向量与模板图像块的特征向量，基于夹角余弦值或联合贝叶斯等算法计算得到的。

步骤105，使用比对权重与相似度计算至少两块图像块相似度的加权平均值。

比如：图像块的数量为m(m为大于1的整数)，至少两块图像块相似度的加权平均值＝α₁×S_P(I₁，J₁)+α₂×S_P(I₂，J₂)+…+α_m×S_P(I_m，J_m)

其中，S_P(I_m，J_m)表示第m个图像块与第m个模板图像块之间的相似度，α_m表示第m个图像块的比对权重。

步骤106，在加权平均值大于或等于相似度阈值时，确定目标图像中的人脸与模板图像块所属的模板图像中的人脸属于同一人。

若加权平均值大于或等于相似度阈值说明图像块与模板图像中的人脸相似，则目标图像中的人脸与模板图像中的人脸属于同一人。

可选地，在加权平均值小于相似度阈值时，确定目标图像中的人脸与模板图像中的人脸不属于同一人。

综上所述，本实施例提供的人脸识别方法，通过对目标图像进行分块处理，得到至少两块图像块；将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；对于每块图像块，基于图像块的特征向量的模值计算图像块的比对权重；对于每块图像块，计算图像块与对应的模板图像块的相似度；使用比对权重与相似度计算至少两块图像块相似度的加权平均值；在加权平均值大于或等于相似度阈值时，确定目标图像中的人脸与模板图像所属的模板图像中的人脸属于同一人；可以解决使用遮挡判别网络判别被遮挡的图像块，导致人脸识别算法的识别效率较低的问题；由于电子设备只需要通过每个图像块特征向量的模值来计算比对权重，而无需通过遮挡判别网络来计算图像块所占比重，相对通过遮挡判别网络来计算图像块所占比重来说，通过每个图像块特征向量的模值来计算比对权重的计算量较低，因此，可以提高致人脸识别算法的识别效率。

另外，通过在将目标图像进行特征提取之前对目标图像进行分块处理，并将分块处理得到的至少两个图像块连接后输入卷积层，使得至少两个图像块可以共享卷积层的网络参数，提高人脸识别速度。

图5是本申请一个实施例提供的人脸识别装置的框图。该装置至少包括以下几个模块：分块处理模块510、特征提取模块520、权重计算模块530、相似度计算模块540、加权平均模块550和人脸识别模块560。

分块处理模块510，用于对目标图像进行分块处理，得到至少两块图像块；

特征提取模块520，用于将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；

权重计算模块530，用于对于每块图像块，基于图像块的特征向量的模值计算图像块的比对权重；

相似度计算模块540，用于对于每块图像块，计算图像块与对应的模板图像块的相似度；

加权平均模块550，用于使用比对权重与相似度计算至少两块图像块相似度的加权平均值；

人脸识别模块560，用于在加权平均值大于或等于相似度阈值时，确定目标图像中的人脸与模板图像块所属的模板图像中的人脸属于同一人。

相关细节参考上述方法实施例。

可选地，权重计算模块530，用于：

计算各个图像块的特征向量的模值之和，得到模值和；

将图像块的特征向量的模值与模值和之商确定为图像块的比对权重。

可选地，装置还包括：模值比较模块和权重置零模块。

模值比较模块，用于将图像块的特征向量的模值与模值阈值进行比较；

权重置零模块，用于在图像块的特征向量的模值小于模值阈值时，确定图像块的比对权重为0；

权重计算模块530，还用于：在图像块的特征向量的模值大于或等于模值阈值时，执行计算各个图像块的特征向量的模值之和，得到模值和的步骤。

需要说明的是：上述实施例中提供的人脸识别装置在进行人脸识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将人脸识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的人脸识别装置与人脸识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图6是本申请一个实施例提供的人脸识别装置的框图，该装置可以智能手机、平板电脑、笔记本电脑、台式电脑或服务器等具有计算功能的电子设备。人脸识别装置还可能被称为用户设备、便携式终端、膝上型终端、台式终端、控制终端等，本实施例对此不作限定。该装置至少包括处理器601和存储器602。

处理器601可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的人脸识别方法。

在一些实施例中，人脸识别装置还可选包括有：外围设备接口和至少一个外围设备。处理器601、存储器602和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然，人脸识别装置还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的人脸识别方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的人脸识别方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括：

对目标图像进行分块处理，得到至少两块图像块；

将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；

对于每块图像块，基于所述图像块的特征向量的模值计算所述图像块的比对权重；

对于每块图像块，计算所述图像块与对应的模板图像块的相似度；

使用所述比对权重与所述相似度计算所述至少两块图像块相似度的加权平均值；

在所述加权平均值大于或等于相似度阈值时，确定所述目标图像中的人脸与所述模板图像块所属的模板图像中的人脸属于同一人。

2.根据权利要求1所述的方法，其特征在于，所述对于每块图像块，基于所述图像块的特征向量的模值计算所述图像块的比对权重，包括：

计算各个图像块的特征向量的模值之和，得到模值和；

将所述图像块的特征向量的模值与所述模值和之商确定为所述图像块的比对权重。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将所述图像块的特征向量的模值与模值阈值进行比较；

在所述图像块的特征向量的模值小于所述模值阈值时，确定所述图像块的比对权重为0；

在所述图像块的特征向量的模值大于或等于所述模值阈值时，触发执行所述计算各个图像块的特征向量的模值之和，得到模值和的步骤。

4.根据权利要求1所述的方法，其特征在于，所述目标图像为未经过特征提取的原始图像；所述特征提取网络包括卷积神经网络中的卷积层和全连接层；

所述对目标图像进行分块处理，得到至少两块图像块，包括：

将目标图像按照预设的分块规则进行分块处理，得到所述至少两块图像块，所述分块规则为：按照五官位置分块或按照第一指定尺寸分块；

所述将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量，包括：

将所述至少两块图像块连接后输入所述卷积层和所述全连接层，得到每块图像块的特征向量。

5.根据权利要求1所述的方法，其特征在于，所述目标图像为经过卷积神经网络中卷积层的特征提取后得到的特征图像；所述特征提取网络包括与所述卷积层相连的全连接层；

所述对目标图像进行分块处理，得到至少两块图像块，包括：

将所述特征图像按照第二指定尺寸进行分块处理，得到所述至少两块图像块；

所述将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量，包括：

将所述至少两块图像块输入对应的所述全连接层，得到每块图像块的特征向量。

6.一种人脸识别装置，其特征在于，所述装置包括：

分块处理模块，用于对目标图像进行分块处理，得到至少两块图像块；

特征提取模块，用于将每块图像块输入对应的特征提取网络，得到每块图像块的特征向量；

权重计算模块，用于对于每块图像块，基于所述图像块的特征向量的模值计算所述图像块的比对权重；

相似度计算模块，用于对于每块图像块，计算所述图像块与对应的模板图像块的相似度；

加权平均模块，用于使用所述比对权重与所述相似度计算所述至少两块图像块相似度的加权平均值；

人脸识别模块，用于在所述加权平均值大于或等于相似度阈值时，确定所述目标图像中的人脸与所述模板图像块所属的模板图像中的人脸属于同一人。

7.根据权利要求6所述的装置，其特征在于，所述权重计算模块，用于：

计算各个图像块的特征向量的模值之和，得到模值和；

将所述图像块的特征向量的模值与所述模值和之商确定为所述图像块的比对权重。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

模值比较模块，用于将所述图像块的特征向量的模值与模值阈值进行比较；

权重置零模块，用于在所述图像块的特征向量的模值小于所述模值阈值时，确定所述图像块的比对权重为0；

所述权重计算模块，还用于：在所述图像块的特征向量的模值大于或等于所述模值阈值时，执行所述计算各个图像块的特征向量的模值之和，得到模值和的步骤。

9.一种人脸识别装置，其特征在于，所述装置包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如权利要求1至5任一项所述的人脸识别方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如权利要求1至5任一项所述的人脸识别方法。