CN110008934A - 一种人脸识别方法 - Google Patents

Abstract

本发明公开了一种人脸识别方法，基于哈夫曼树和欧式距离，建立以根节点人脸图片出发所建立的哈夫曼树结构的人脸特征群，当需要人脸识别时，获取需要识别的人脸图片pic1后，将pic1的特征值feature1与哈夫曼树各个节点的欧式距离进行计算，选取与pic1欧式距离最近的节点进行匹配，直接将相同人脸的信息精确快速搜出，在新的人脸图片加入时，只需要与根节点人脸进行匹对，加入到最接近的人脸群内，一旦加入则重新创建该哈夫曼树和选择根节点人脸。从而提高人脸识别的效率和精确度，可用性更强。本发明的一种人脸识别方法具有人脸识别的效率和精确度高，可用性强的优点。

Description

一种人脸识别方法

技术领域

本发明涉及一种人脸识别方法，尤其涉及一种精度高、时效性好的人脸识别方法。

背景技术

随着人工智能技术在智慧社区业务领域的不断深入，越来越多的人工智能技术落地在具体的智慧社区的具体应用中。其中应用最为广泛的是图像处理技术，通过图像处理特别是人脸识别的技术，在社区时间告警和权限认证等具体业务领域，应用最为切合，且发展迅速。然而人脸识别技术虽然识别度越来越高，但是对应的算法复杂度也越来越大，对机器的性能要求也越来越高，特别是一些实时性要求比较高的应用场景，不仅要求精度以达到可使用，而且还需要速度以满足时效性。但是性能相关的计算量和时效性往往总是此消彼长。特别是在以图搜图和以图搜视频等功能实现时，如果从几万张人脸中搜寻出某一张人脸相同的一切人脸图片和在视频中出现过的对应视频文件，往往时间至少需要四五秒，对于产品的可用性要求是致命的。

目前大部分的处理方法采用图片预处理，提前计算人脸特征，然后进行人脸特征的数字比对，这样对该问题能够解决一部分效率问题，但是精确度人就很难提升，还有一些采用聚类算法进行预处理，但是效果不是很好。

因此，有必要提出一种改进，以克服现有技术缺陷。

发明内容

本发明的目的是解决现有技术中的问题，提出一种基于哈夫曼树和欧式距离的快速人脸识别方法，将计算量均衡的分布在后台系统的每天的每个时间点，同时可以结合人为的剔除识别错误的处理，进一步重新择群，从而使得整个人脸识别系统的精确度越来越高。将所有人脸信息进行了高精度的聚类预处理，当有以图搜图和以图搜视频的时候，应用本发明人脸识别方法的人脸识别系统就可以立刻将提前预聚类的人脸群结果直接展示出来，不仅精度高而且时效性也很好。

本发明的技术方案是：

一种人脸识别方法，包括以下步骤：S1、获取人脸图片pic，计算人脸图片pic的特征值feature；S2、计算多个人脸图片pic的特征值feature之间的欧氏距离，根据欧氏距离创建多个哈夫曼树，所述哈夫曼树包括根节点及叶子节点；S3、计算需要人脸识别的图片pic1的特征值feature1，计算特征值feature1与多个哈夫曼树之间的欧式距离，若能在所有哈夫曼树中找到欧氏距离小于阈值threshold_dis_min的节点则选择与需要人脸识别的图片pic1欧氏距离最近的哈夫曼树T，显示该哈夫曼树T的根节点及所有子节点，输出该哈夫曼树T的根节点图片为与需要人脸识别的图片pic1匹配的图片；否则，进行步骤S4；S4、判定该需要人脸识别的图片pic1为新图片，以该图片为根节点初始化创建哈夫曼树。

作为一种优选的技术方案，步骤S1及S4中创建哈夫曼树的方法为：a、设置根节点；b、创建与根节点对应的后续加入节点的欧氏距离记录表leaf_list；c、创建该哈夫曼树内所有叶子节点和根节点分别为根节点时所创建的哈夫曼树的带权路径长度列表WPL_list；d、所述带权路径长度列表中数值位置与节点进入哈夫曼树的顺序一致，节点离开则需要删除列表WPL_list中对应位置数据；初始化创建根节点root＝0，最短带权路径长度WPL_min为根节点的带权路径长度。

作为一种优选的技术方案，所述步骤S3“在所有哈夫曼树中找到欧氏距离小于阈值threshold_dis_min的节点则选择与需要人脸识别的图片pic1欧氏距离最近的哈夫曼树T”中，若能在选择出的哈夫曼树T中找到与需要人脸识别的图片pic1欧氏距离为0的节点，则判定需要人脸识别的图片pic1与该节点相同，否则将需要人脸识别的图片pic1作为新叶子节点添加至该哈夫曼树T。

作为一种进一步优选的技术方案，将需要人脸识别的图片pic1作为新叶子节点添加至哈夫曼树T的方法为：Sa、将新叶子节点new_leaf加入到哈夫曼树T，重新计算该新叶子节点new_leaf与哈夫曼树T中所有叶子节点的欧式距离，保存在与new_leaf唯一对应的列表new_leaf_list内；Sb、计算出new_leaf_list的距离累加和，即新叶子节点为根节点的哈夫曼树的带权路径长度WPL；Sc、将步骤Sb得到的WPL与该哈夫曼树T的最短带权路径长度WPL_min对比，若WPL>WPL_min，则直接将该WPL加入到WPL_list中；否则，该WPL加入到WPL_list中，并更换该哈夫曼树T的根节点为该新叶子节点，并重新标记该哈夫曼树T的最短带权路径长度WPL_min为该新叶子节点的哈夫曼树带权路径长度WPL。

作为一种更进一步优选的技术方案，所述列表new_leaf_list中每个元素为以所述新叶子节点new_leaf为根节点时与其他节点之间的路径长度L，所述路径长度L保留两位小数。

作为另一种更进一步优选的技术方案，所述步骤Sb中计算所述带权路径长度WPL时，所有节点的权值都为1。

作为一种优选的技术方案，所述步骤S3中“显示该哈夫曼树T的根节点及所有子节点”的方法为：该哈夫曼树T所在的根节点和所有叶子节点以树形的方式展示出来，树叶与树根的路径长度代表了叶子与根节点的相似程度，即路径长度越短相似度越高。

作为一种优选的技术方案，所述步骤S3中“显示该哈夫曼树T的根节点及所有子节点”时由人工确认匹配是否准确，若匹配不准确，则进入人工处理途径；若匹配准确，则继续进行步骤S3中“输出该哈夫曼树T的根节点图片为与需要人脸识别的图片pic1匹配的图片”。

作为一种进一步优选的技术方案，所述人工处理途径包括：Sx、判断需要人脸识别的图片pic1与所述哈夫曼树T的根节点是否匹配，若不匹配，进行步骤Sy；若需要人脸识别的图片pic1与所述哈夫曼树T的根节点匹配，但与所述哈夫曼树T的叶子节点中有不匹配的，进行步骤Sz；Sy、此时，需要人脸识别的图片pic1进错哈夫曼树，将与需要人脸识别的图片pic1欧式距离最近的所述哈夫曼树T的叶子节点从所述哈夫曼树T上剪枝，将与需要人脸识别的图片pic1在除了所述哈夫曼树T之外的哈夫曼树中继续进行欧氏距离比较，重复步骤S3，选取新的哈夫曼树，并再次人工确认匹配是否准确，直至找到与根节点匹配的哈夫曼树T2或无匹配的哈夫曼树；若无匹配的哈夫曼树，则以该剪枝下来的叶子节点及为根节点初始化创建哈夫曼树；若找到与根节点匹配的哈夫曼树T2，则将该剪枝下来的叶子节点添加至该哈夫曼树T2，更新该哈夫曼树T2；Sz、此时，将所述哈夫曼树T中不匹配的叶子节点剪枝，将被剪枝的叶子节点在除了所述哈夫曼树T之外的哈夫曼树中继续进行欧氏距离比较，判断是否有与所述被剪枝的叶子节点欧氏距离小于阈值threshold_dis_min的哈夫曼树，若没有，则以所述被剪枝的叶子节点为根节点初始化创建哈夫曼树；若有，选取欧式距离最小的哈夫曼树T3，判断所述被剪枝的叶子节点是否与所述哈夫曼树T3匹配，若不匹配，重复步骤Sz，若匹配，将所述被剪枝的叶子节点添加至所述哈夫曼树T3，并对哈夫曼树T3进行数据更新。

作为一种优选的技术方案，所述步骤S1中获取人脸图片可以为从视频中获取图片帧识别人脸图片或直接输入人脸图片。

本发明的一种人脸识别方法，将人脸图片进行聚类，计算类内特征脸的特征向量的欧式距离，根据欧式距离创建哈夫曼树，寻找根节点人脸。此时会有很多以根节点人脸出发所建立的哈夫曼树结构的人脸特征群。当需要进行人脸识别相关的以图搜图时，可根据所建立的哈夫曼树，直接将相同人脸的信息精确快速搜出，结合人为剔除不准确人脸信息，进一步调整信息匹配，更加智能化的提高人脸搜索精确度。在新的人脸图片加入时，只需要与根节点人脸进行匹对，加入到最接近的人脸群内，一旦加入则重新创建该哈夫曼树和选择根节点人脸。从而提高人脸识别的效率和精确度，可用性更强。

附图说明

图1为本发明基于人体识别预处理的人脸裁剪方法流程图。

具体实施方式

为使本发明实施例的目的、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作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。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

如图1所示为本发明的一种人脸识别方法，包括以下步骤：

S1、获取人脸图片pic，计算人脸图片pic的特征值feature；

S2、计算多个人脸图片pic的特征值feature之间的欧氏距离，根据欧氏距离创建多个哈夫曼树，所述哈夫曼树包括根节点及叶子节点；

S3、计算需要人脸识别的图片pic1的特征值feature1，计算特征值feature1与多个哈夫曼树之间的欧式距离，若能在所有哈夫曼树中找到欧氏距离小于阈值threshold_dis_min的节点则选择与需要人脸识别的图片pic1欧氏距离最近的哈夫曼树T，显示该哈夫曼树T的根节点及所有子节点，输出该哈夫曼树T的根节点图片为与需要人脸识别的图片pic1匹配的图片；否则，进行步骤S4；

S4、判定该需要人脸识别的图片pic1为新图片，以该图片为根节点初始化创建哈夫曼树。

本发明的一种人脸识别方法，基于哈夫曼树和欧式距离，建立以根节点人脸图片出发所建立的哈夫曼树结构的人脸特征群，当需要人脸识别时，获取需要识别的人脸图片pic1后，将pic1的特征值feature1与哈夫曼树各个节点的欧式距离进行计算，选取与pic1欧式距离最近的节点进行匹配，直接将相同人脸的信息精确快速搜出，从而提高人脸识别的效率和精确度，可用性强。

在实际应用中，建立哈夫曼树的方法可以为：a、设置根节点；b、创建与根节点对应的后续加入节点的欧氏距离记录表leaf_list；c、创建该哈夫曼树内所有叶子节点和根节点分别为根节点时所创建的哈夫曼树的带权路径长度列表WPL_list；d、所述带权路径长度列表中数值位置与节点进入哈夫曼树的顺序一致，节点离开则需要删除列表WPL_list中对应位置数据；初始化创建根节点root＝0，最短带权路径长度WPL_min为根节点的带权路径长度。

在设置根节点时，需要获取根节点图片，可以从视频流cam中获取一帧图片frame，再从fram中裁剪出固定大小的人脸pic，也可以直接导入人脸图像pic。

步骤b中，创建与根节点对应的后续加入节点的欧氏距离记录表leaf_list的方法为：设置leaf_list＝[0,]。步骤c中，创建带权路径长度列表WPL_list的方法为：设置WPL_list＝[0,]。步骤d中，初始化创建根节点root＝0，最短带权路径长度WPL_min为根节点的带权路径长度的方法为：设置root＝0，WPL_min＝WPL_list[root]。

作为一种优选方案，所述步骤S3“在所有哈夫曼树中找到欧氏距离小于阈值threshold_dis_min的节点则选择与需要人脸识别的图片pic1欧氏距离最近的哈夫曼树T”中，若能在选择出的哈夫曼树T中找到与需要人脸识别的图片pic1欧氏距离为0的节点，则判定需要人脸识别的图片pic1与该节点相同，否则将需要人脸识别的图片pic1作为新叶子节点添加至该哈夫曼树T。其中阈值threshold_dis_min可以根据实际需求由用户设置，阈值阈值threshold_dis_min越小，识别越准确，但计算量越大。

作为进一步优选，将需要人脸识别的图片pic1作为新叶子节点添加至哈夫曼树T的方法为：

Sa、将新叶子节点new_leaf加入到哈夫曼树T，重新计算该新叶子节点new_leaf与哈夫曼树T中所有叶子节点的欧式距离，保存在与new_leaf唯一对应的列表new_leaf_list内；

Sb、计算出new_leaf_list的距离累加和，即新叶子节点为根节点的哈夫曼树的带权路径长度WPL；

Sc、将步骤Sb得到的WPL与该哈夫曼树T的最短带权路径长度WPL_min对比，若WPL>WPL_min，则直接将该WPL加入到WPL_list中。否则，该WPL加入到WPL_list中，并更换该哈夫曼树T的根节点为该新叶子节点，并重新标记该哈夫曼树T的最短带权路径长度WPL_min为该新叶子节点的哈夫曼树带权路径长度WPL，此时，执行方法为root＝len(WPL_list)，WPL_min＝WPL_list[root]。

与概念中的哈夫曼树路径长度为整数不同之处，此时，所述列表new_leaf_list中每个元素为以所述新叶子节点new_leaf为根节点时与其他节点之间的路径长度L，所述路径长度L保留两位小数。所述步骤Sb中计算所述带权路径长度WPL时，所有节点的权值都为1。

为了更为直观地显示与需要人脸识别的图片pic1匹配的人脸群，所述步骤S3中“显示该哈夫曼树T的根节点及所有子节点”的方法为：该哈夫曼树T所在的根节点和所有叶子节点以树形的方式展示出来，树叶与树根的路径长度代表了叶子与根节点的相似程度，即路径长度越短相似度越高。

由于所采用的人脸识别算法总存在一定的误差，本发明一种人脸识别犯法引入了人为的剔除识别错误的处理：所述步骤S3中“显示该哈夫曼树T的根节点及所有子节点”时由人工确认匹配是否准确，若匹配不准确，则进入人工处理途径；若匹配准确，则继续进行步骤S3中“输出该哈夫曼树T的根节点图片为与需要人脸识别的图片pic1匹配的图片”。

具体的人工处理途径可以包括：

Sx、判断需要人脸识别的图片pic1与所述哈夫曼树T的根节点是否匹配，若不匹配，进行步骤Sy；若需要人脸识别的图片pic1与所述哈夫曼树T的根节点匹配，但与所述哈夫曼树T的叶子节点中有不匹配的，进行步骤Sz；

Sy、此时，需要人脸识别的图片pic1进错哈夫曼树，将与需要人脸识别的图片pic1欧式距离最近的所述哈夫曼树T的叶子节点从所述哈夫曼树T上剪枝，将与需要人脸识别的图片pic1在除了所述哈夫曼树T之外的哈夫曼树中继续进行欧氏距离比较，重复步骤S3，选取新的哈夫曼树，并再次人工确认匹配是否准确，直至找到与根节点匹配的哈夫曼树T2或无匹配的哈夫曼树；若无匹配的哈夫曼树，则以该剪枝下来的叶子节点及为根节点初始化创建哈夫曼树；若找到与根节点匹配的哈夫曼树T2，则将该剪枝下来的叶子节点添加至该哈夫曼树T2，更新该哈夫曼树T2；

Sz、此时，将所述哈夫曼树T中不匹配的叶子节点剪枝，将被剪枝的叶子节点在除了所述哈夫曼树T之外的哈夫曼树中继续进行欧氏距离比较，判断是否有与所述被剪枝的叶子节点欧氏距离小于阈值threshold_dis_min的哈夫曼树，若没有，则以所述被剪枝的叶子节点为根节点初始化创建哈夫曼树；若有，选取欧式距离最小的哈夫曼树T3，判断所述被剪枝的叶子节点是否与所述哈夫曼树T3匹配，若不匹配，重复步骤Sz，若匹配，将所述被剪枝的叶子节点添加至所述哈夫曼树T3，并对哈夫曼树T3进行数据更新，更新的信息包括哈夫曼树带权路径长度、根节点等。

通过人为剔除不准确人脸信息，进一步调整信息匹配，更加智能化的提高人脸搜索精确度。

本发明的一种人脸识别方法，将人脸图片进行聚类，计算类内特征脸的特征向量的欧式距离，根据欧式距离创建哈夫曼树，寻找根节点人脸。此时会有很多以根节点人脸出发所建立的哈夫曼树结构的人脸特征群。当需要进行人脸识别相关的以图搜图时，可根据所建立的哈夫曼树，直接将相同人脸的信息精确快速搜出，结合人为剔除不准确人脸信息，进一步调整信息匹配，更加智能化的提高人脸搜索精确度。在新的人脸图片加入时，只需要与根节点人脸进行匹对，加入到最接近的人脸群内，一旦加入则重新创建该哈夫曼树和选择根节点人脸。从而提高人脸识别的效率和精确度，可用性更强。

综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。

Claims (10)

1.一种人脸识别方法，其特征在于：包括以下步骤：

S1、获取人脸图片pic，计算人脸图片pic的特征值feature；

S2、计算多个人脸图片pic的特征值feature之间的欧氏距离，根据欧氏距离创建多个哈夫曼树，所述哈夫曼树包括根节点及叶子节点；

S3、计算需要人脸识别的图片pic1的特征值feature1，计算特征值feature1与多个哈夫曼树之间的欧式距离，若能在所有哈夫曼树中找到欧氏距离小于阈值threshold_dis_min的节点则选择与需要人脸识别的图片pic1欧氏距离最近的哈夫曼树T，显示该哈夫曼树T的根节点及所有子节点，输出该哈夫曼树T的根节点图片为与需要人脸识别的图片pic1匹配的图片；否则，进行步骤S4；

S4、判定该需要人脸识别的图片pic1为新图片，以该图片为根节点初始化创建哈夫曼树。

2.根据权利要求1所述的一种人脸识别方法，其特征在于：步骤S1及S4中创建哈夫曼树的方法为：a、设置根节点；b、创建与根节点对应的后续加入节点的欧氏距离记录表leaf_list；c、创建该哈夫曼树内所有叶子节点和根节点分别为根节点时所创建的哈夫曼树的带权路径长度列表WPL_list；d、所述带权路径长度列表中数值位置与节点进入哈夫曼树的顺序一致，节点离开则需要删除列表WPL_list中对应位置数据；初始化创建根节点root＝0，最短带权路径长度WPL_min为根节点的带权路径长度。

3.根据权利要求1所述的一种人脸识别方法，其特征在于：所述步骤S3“在所有哈夫曼树中找到欧氏距离小于阈值threshold_dis_min的节点则选择与需要人脸识别的图片pic1欧氏距离最近的哈夫曼树T”中，若能在选择出的哈夫曼树T中找到与需要人脸识别的图片pic1欧氏距离为0的节点，则判定需要人脸识别的图片pic1与该节点相同，否则将需要人脸识别的图片pic1作为新叶子节点添加至该哈夫曼树T。

4.根据权利要求3所述的一种人脸识别方法，其特征在于：将需要人脸识别的图片pic1作为新叶子节点添加至哈夫曼树T的方法为：

Sa、将新叶子节点new_leaf加入到哈夫曼树T，重新计算该新叶子节点new_leaf与哈夫曼树T中所有叶子节点的欧式距离，保存在与new_leaf唯一对应的列表new_leaf_list内；

Sb、计算出new_leaf_list的距离累加和，即新叶子节点为根节点的哈夫曼树的带权路径长度WPL；

Sc、将步骤Sb得到的WPL与该哈夫曼树T的最短带权路径长度WPL_min对比，若WPL>WPL_min，则直接将该WPL加入到WPL_list中；否则，该WPL加入到WPL_list中，并更换该哈夫曼树T的根节点为该新叶子节点，并重新标记该哈夫曼树T的最短带权路径长度WPL_min为该新叶子节点的哈夫曼树带权路径长度WPL。

5.根据权利要求4所述的一种人脸识别方法，其特征在于：所述列表new_leaf_list中每个元素为以所述新叶子节点new_leaf为根节点时与其他节点之间的路径长度L，所述路径长度L保留两位小数。

6.根据权利要求4所述的一种人脸识别方法，其特征在于：所述步骤Sb中计算所述带权路径长度WPL时，所有节点的权值都为1。

7.根据权利要求1所述的一种人脸识别方法，其特征在于：所述步骤S3中“显示该哈夫曼树T的根节点及所有子节点”的方法为：该哈夫曼树T所在的根节点和所有叶子节点以树形的方式展示出来，树叶与树根的路径长度代表了叶子与根节点的相似程度，即路径长度越短相似度越高。

8.根据权利要求1所述的一种人脸识别方法，其特征在于：所述步骤S3中“显示该哈夫曼树T的根节点及所有子节点”时由人工确认匹配是否准确，若匹配不准确，则进入人工处理途径；若匹配准确，则继续进行步骤S3中“输出该哈夫曼树T的根节点图片为与需要人脸识别的图片pic1匹配的图片”。

9.根据权利要求8所述的一种人脸识别方法，其特征在于：所述人工处理途径包括：

Sx、判断需要人脸识别的图片pic1与所述哈夫曼树T的根节点是否匹配，若不匹配，进行步骤Sy；若需要人脸识别的图片pic1与所述哈夫曼树T的根节点匹配，但与所述哈夫曼树T的叶子节点中有不匹配的，进行步骤Sz；

Sy、此时，需要人脸识别的图片pic1进错哈夫曼树，将与需要人脸识别的图片pic1欧式距离最近的所述哈夫曼树T的叶子节点从所述哈夫曼树T上剪枝，将与需要人脸识别的图片pic1在除了所述哈夫曼树T之外的哈夫曼树中继续进行欧氏距离比较，重复步骤S3，选取新的哈夫曼树，并再次人工确认匹配是否准确，直至找到与根节点匹配的哈夫曼树T2或无匹配的哈夫曼树；若无匹配的哈夫曼树，则以该剪枝下来的叶子节点及为根节点初始化创建哈夫曼树；若找到与根节点匹配的哈夫曼树T2，则将该剪枝下来的叶子节点添加至该哈夫曼树T2，更新该哈夫曼树T2；

Sz、此时，将所述哈夫曼树T中不匹配的叶子节点剪枝，将被剪枝的叶子节点在除了所述哈夫曼树T之外的哈夫曼树中继续进行欧氏距离比较，判断是否有与所述被剪枝的叶子节点欧氏距离小于阈值threshold_dis_min的哈夫曼树，若没有，则以所述被剪枝的叶子节点为根节点初始化创建哈夫曼树；若有，选取欧式距离最小的哈夫曼树T3，判断所述被剪枝的叶子节点是否与所述哈夫曼树T3匹配，若不匹配，重复步骤Sz，若匹配，将所述被剪枝的叶子节点添加至所述哈夫曼树T3，并对哈夫曼树T3进行数据更新。

10.根据权利要求1所述的一种人脸识别方法，其特征在于：所述步骤S1中获取人脸图片可以为从视频中获取图片帧识别人脸图片或直接输入人脸图片。