CN110826525B - 一种人脸识别的方法及系统 - Google Patents

Abstract

本发明提供了人脸识别的方法及系统，获取人脸图像数据集中人脸的性别、身份信息及人脸分类信息；同时利用人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练获取人脸识别模型。本发明在人脸识别模型在训练数据集中加入了人脸性别的监督信息，通过包含人脸分类损失函数及人脸性别损失函数的联合训练损失函数对人脸识别模型进行训练，在人脸识别过程中，基于人脸性别概率分布和人脸分类特征进行相似度计算，同样在较为黑暗场景下，常规的面部识别算法已经失效的前提下，利用性别参数减去性别的相似度，可以较为有效的防止将两个相似但不同性别的人识别为同一个人，提高人脸识别算法的准确度，较为准确的识别人脸图像的身份信息。

Description

一种人脸识别的方法及系统

技术领域

本发明涉及模式识别领域，具体涉及一种人脸识别的方法及系统。

背景技术

人脸识别作为生物特征识别的关键技术之一，表示模式识别领域的研究热点，最终研究的目的在于使得计算机具有身份识别的能力。深度学习在图像处理领域有着非常优秀的表现，而人脸识别技术由于在图像处理领域有着独特的重要性和市场需求，也获得了强大的发展动力，衍生了各种经典优秀的基于深度学习的人脸识别算法，这些经典的算法极大地提高了人脸识别的准确率。但是现在的人脸识别算法存在着在光照变化、背景多样、姿态多变、面部遮挡等复杂条件下识别率不高，鲁棒性不强，现有技术在构建人脸识别模型及人脸识别过程中的识别不够准确，导致人脸识别存在一定的误差率。

发明内容

有鉴于此，本发明实施例提供了一种人脸识别方法及系统，以解决现有技术中人脸识别准确率不高的问题。

为此，本发明提供如下技术方案：

本发明第一方面，提供一种人脸识别的方法，包括如下步骤：获取所述人脸图像数据集中人脸的性别、身份信息及人脸分类信息；同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型；获取待识别人脸图像；基于所述人脸识别模型预测待识别人脸图像性别概率分布，所述人脸性别概率分布包括第一性别概率分布的和预设人脸图像的第二性别概率分布；基于所述人脸识别模型提取人脸分类特征，所述人脸分类特征包括待识别人脸图像的第一人脸分类特征和预设人脸图像的第二人脸分类特征；基于所述人脸性别概率分布和所述人脸分类特征计算所述待识别人脸图像与预设人脸图像相似度。

在一实施例中，所述同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型的步骤，包括：基于联合训练损失函数利用所述人脸的性别、身份信息及人脸分类信息对神经网路模型进行训练，所述联合训练损失函数为具有第一权重的人脸分类损失函数与具有第二权重的人脸性别损失函数的联合。。

在一实施例中，所述联合训练损失函数的公式计算如下：

Loss＝αLoss_face+(1-α)Loss_gender，

式中，Loss表示联合训练损失函数，Loss_face表示人脸分类损失函数，Loss_gender表示人脸性别损失函数，α为第一权重，1-α为第二权重。

在一实施例中，所述人脸分类损失函数通过以下公式计算：

其中，

式中，n表示训练样本的数量，i表示第i个样本，yface_i表示第i个训练样本的人脸分类标签，m表示用于训练的调整特征间的距离，s表示缩放因子，

表示第i个训练样本提取的特征和聚类中心特征的角度距离，

表示最后一层全连接层和人脸分类损失函数层的权重，f_i表示最后一层全连接层提取的特征。

在一实施例中，所述人脸性别损失函数通过以下公式计算：

其中，n表示训练样本的数量，i表示第i个样本，ygender_i表示第i个训练样本的人脸性别标签，ygender_i'表示第i个训练样本的人脸性别预测结果。

在一实施例中，所述待测人脸图像与预设人脸图像相似度的计算公式如下：

式中，β表示人脸特征相似度的权重，1-β表示人脸性别相似度的权重，f_1i表示待识别人脸图像分类特征，f_2i表示预设人脸图像分类特征，p_1j表示待识别人脸性别的概率分布，p_2j表示预设人脸的人脸性别属性概率分布。

本发明第二方面，提供一种人脸识别的系统，包括：人脸图像数据集获取模块，用于获取人脸图像数据集；人脸训练特征获取模块，用于获取所述人脸图像数据集中人脸的性别、身份信息及人脸分类信息；人脸识别模型获取模块，用于同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型；图像信息获取模块，用于获取待识别人脸的图像；性别概率分布获取模块，用于基于所述人脸识别模型预测待识别人脸图像性别概率分布，所述人脸性别概率分布包括第一性别概率分布的和预设人脸图像的第二性别概率分布；人脸分类特征获取模块，用于基于所述人脸识别模型提取人脸分类特征，所述人脸分类特征包括待识别人脸图像的第一人脸分类特征和预设人脸图像的第二人脸分类特征；人脸图像相似度获取模块，用于基于所述人脸性别概率分布和所述人脸分类特征计算所述待识别人脸图像与预设人脸图像相似度。

本发明第三方面，提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明第一方面中任一所述人脸识别的方法。

本方面第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明第一方面中任一所述的人脸识别的方法。

本发明技术方案，具有如下优点：

本发明提供的人脸识别的方法及系统，通过获取人脸图像数据集中人脸的性别、身份信息及人脸分类信息；同时利用人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型。本发明提供的实施例在人脸识别模型在训练数据集中加入了人脸性别的监督信息，通过包含人脸分类损失函数及人脸性别损失函数的联合训练损失函数对输入人脸图像信息的人脸识别模型进行训练，在人脸识别过程中，基于人脸性别概率分布和人脸分类特征进行相似度计算，同样在较为黑暗场景下，常规的面部识别算法已经失效的前提下，通过利用性别参数使用减去性别的相似度，可以较为有效的防止将两个相似但不同性别的人识别为同一个人，提高人脸识别算法的准确度，较为准确的识别人脸图像的身份信息。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述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为本发明实施例中提供的人脸识别的方法一个具体示例的流程图；

图2为本发明实施例中提供的人脸识别的系统一个具体示例的框图；

图3为本发明实施例中提供终端的结构示意图。

具体实施方式

下面将结合附图对本发明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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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，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“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

目前的人脸识别模型存在识别准确率低的问题，发明人在改进人脸识别模型时，无论是通过采用增大训练样本的数量，还是通过改变模型关键参数的方式，均未有明显的改进。通过对人脸信息识别错误的样本进行研究分析，发现主要是由于在训练的过程中没有加入性别标签，在进行人脸识别时会将两个相似但不同性别的人识别为同一个人，导致识别精度低。因此本发明提出了在构建人脸识别模型时加入性别监督信息进行训练，得到的模型可以准确识别性别信息，从而提高人脸识别的准确率。

实施例1

本发明实施例提供一种人脸识别的方法，如图1所示，包括如下步骤：

步骤S11：获取人脸图像数据集。

实际应用中，在进行人脸识别之前首先要通过获取人脸图像数据集，建立人脸数据库。

步骤S12：获取人脸图像数据集中人脸的性别、身份信息及人脸分类信息。

在本发明实施例中，通过人工标注人脸图像的性别及身份信息，其中身份信息包括姓名、身份证号等信息，通过神经网络模型获取人脸特征信息，例如是人脸的关键点的特征数据等等。

步骤S13：同时利用人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型。

在本发明实施例中，使用了ResNET结构作为网络的主干结构，初步确定深度神经网络输入层节点数、输出层节点数、隐藏层数和隐藏层节点数，随机初始化各层的连接权值W和偏置b及给定学习速率η。其中，随机初始化权重W采取的方式为Xavier Initializer，这个初始化权重能够很好的确保卷积神经网络在反向传播的过程中，出现梯度爆炸和梯度消失的问题，偏置值b则采用初始化为0的方式，来简单化整个初始过程。给定学习速率η设置为1e^-3，采用Adam优化方法来进行整个网络的优化，同时，对学习率采取定时衰减的方法，衰减方式为η_(γ+1)＝0.95^γη；γ的取值设置为γ＝训练迭代次数/衰减参数；其中，衰减参数在本实施例中为2500，γ的取值为正整数，学习率η达到1e^-5时停止衰减。激活函数采用Relu(Rectified Linear Units)在进行激活函数，该函数为y＝max(x,0)，此函数的好处是能够最大化激活信息，并且重置非激活神经元(设置为0)，利用包含人脸性别和人脸分类信息对神经网络进行训练，更新神经网络的参数，直到神经网络输出层误差达到预设精度要求或训练次数达到最大迭代次数，训练结束后保存网络结构和参数，得到训练好的人脸识别模型，该人脸识别模型在训练数据集中加入了人脸性别的监督信息促进网络训练，可以提高人脸识别算法的准确度。

在本发明实施例中，基于联合训练损失函数利用人脸的性别、身份信息及人脸分类信息对神经网路模型进行训练，联合训练损失函数为具有第一权重的人脸分类损失函数与具有第二权重的人脸性别损失函数的联合，其中第一权重与第二权重的和为1。

在一具体实施例中，联合训练损失函数的公式计算如下：

Loss＝αLoss_face+(1-α)Loss_gender

式中，Loss表示联合训练损失函数，Loss_face表示人脸分类损失函数，Loss_gender表示人脸性别损失函数，α为第一权重，1-α为第二权重。

在一具体实施例中，人脸分类损失函数通过以下公式计算：

其中，

式中，n表示训练样本的数量，i表示第i个样本，yface_i表示第i个训练样本的人脸分类标签，m表示用于训练的调整特征间的距离，s表示缩放因子，

表示第i个训练样本提取的特征和聚类中心特征的角度距离，

表示最后一层全连接层和人脸分类损失函数层的权重，f_i表示最后一层全连接层提取的特征。

在一具体实施例中，人脸性别损失函数通过以下公式计算：

其中，n表示训练样本的数量，i表示第i个样本，ygender_i表示第i个训练样本的人脸性别标签，ygender_i'表示第i个训练样本的人脸性别预测结果。

步骤S14：获取待识别人脸图像。

在实际应用中，可通过安装在应用场所的摄像设备获取待识别人脸图像。

步骤S15：基于人脸识别模型预测待识别人脸图像性别概率分布，人脸性别概率分布包括第一性别概率分布的和预设人脸图像的第二性别概率分布。

本发明实施例中，第一性别概率分布为待识别人脸的性别概率分布，第二性别概率分布为人脸数据库人脸的性别概率分布，通过人脸识别模型预测人脸性别属性，将训练好的人脸识别模型按常规的softmax求得交叉熵得到人脸性别的概率分布，其中，

其中x_i为对目标的性别概率，n代表性别的类别，n＝2。

步骤S16：基于人脸识别模型提取人脸分类特征，人脸分类特征包括待识别人脸图像的第一人脸分类特征和预设人脸图像的第二人脸分类特征。

本发明实施例中，第一人脸分类特征为待识别人脸的人脸分类特征，第二人脸分类特征为人脸数据库人脸的人脸分类特征。在一具体实施例中，将图片输入到人脸识别模型输入层中，人脸识别模型使用了ResNET结构作为网络的主干结构，其包括多个ResidualBlock，在每一次Residual Block开始时，会有跳转变量，会根据需要设置为s＝1或者s＝2，当s＝2时，Residual Block中的Feature map的尺寸会缩小一倍(例:8x8->4x4)。因此，经过多次的尺寸缩减，我们的网络会最终缩小为一个(1x1xN)的特征向量(N参数取决于选择的卷积参数的深度)在本实施例中，最后一次卷积的参数为512，因此也会产生512维度的特征向量，因此从最后一层全连接层获取512维的人脸特征f_i，仅以此举例，不以此为限，在其他实施例中，可以为其他维度的人脸特征。

步骤S17：基于人脸性别概率分布和人脸分类特征计算待识别人脸图像与预设人脸图像相似度。

在本发明实施例中，预设人脸图像为人脸数据库中的人脸图像，待识别人脸图像与预设人脸图像相似度的计算公式如下：

式中，β表示人脸特征相似度的权重，1-β表示人脸性别相似度的权重，f_1i表示待识别人脸图像分类特征，f_2i表示预设人脸图像分类特征，p_1j表示待识别人脸性别的概率分布，p_2j表示预设人脸的人脸性别属性概率分布。

本发明实施例提供的基于人脸性别概率分布和人脸分类特征计算方法，可以灵活的控制在图像质量方块化，同样在较为黑暗场景下，常规的面部识别算法已经失效的前提下，通过利用性别参数减去性别的相似度，可以较为有效的防止将两个相似但不同性别的人识别为同一个人，比通常人脸识别算法更有效的进行人脸识别。

本发明实施例提供的人脸识别的方法，在人脸识别模型在训练数据集中加入了人脸性别的监督信息，通过包含人脸分类损失函数及人脸性别损失函数的联合训练损失函数对输入人脸图像信息的人脸识别模型进行训练，获取人脸识别模型。在人脸识别过程中，基于人脸性别概率分布和人脸分类特征进行相似度计算，同样在较为黑暗场景下，常规的面部识别算法已经失效的前提下，通过利用性别参数减去性别的相似度，可以较为有效的防止将两个相似但不同性别的人识别为同一个人，提高人脸识别算法的准确度，较为准确的识别人脸图像的身份信息。

实施例2

本发明实施例提供一种人脸识别的系统，如图2所示，包括：

人脸图像数据集获取模块11，用于获取人脸图像数据集。此模块执行实施例1中的步骤S11所描述的方法，在此不再赘述。

人脸训练特征获取模块12，用于获取所述人脸图像数据集中人脸的性别、身份信息及人脸分类信息；此模块执行实施例1中的步骤S12所描述的方法，在此不再赘述。

人脸识别模型获取模块13，用于同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型。此模块执行实施例1中的步骤S13所描述的方法，在此不再赘述。

图像信息获取模块14，用于获取待识别人脸的图像。此模块执行实施例1中的步骤S14所描述的方法，在此不再赘述。

性别概率分布获取模块15，用于基于人脸识别模型预测待识别人脸图像性别概率分布，人脸性别概率分布包括第一性别概率分布的和预设人脸图像的第二性别概率分布。此模块执行实施例1中的步骤S15所描述的方法，在此不再赘述。

人脸分类特征获取模块16，用于基于所述人脸识别模型提取人脸分类特征，所述人脸分类特征包括待识别人脸图像的第一人脸分类特征和预设人脸图像的第二人脸分类特征。此模块执行实施例1中的步骤S6所描述的方法，在此不再赘述。

人脸图像相似度获取模块17，用于基于所述人脸性别概率分布和所述人脸分类特征计算所述待识别人脸图像与预设人脸图像相似度。此模块执行实施例1中的步骤S17所描述的方法，在此不再赘述。

本发明实施例提供的人脸识别的系统，通过获取人脸图像数据集中人脸的性别、身份信息及人脸分类信息；同时利用人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型。本发明提供的实施例在人脸识别模型在训练数据集中加入了人脸性别的监督信息，通过包含人脸分类损失函数及人脸性别损失函数的联合训练损失函数对输入人脸图像信息的人脸识别模型进行训练，在人脸识别过程中，基于人脸性别概率分布和人脸分类特征进行相似度计算，同样在较为黑暗场景下，常规的面部识别算法已经失效的前提下，通过利用性别参数减去性别的相似度，可以较为有效的防止将两个相似但不同性别的人识别为同一个人，提高人脸识别算法的准确度，较为准确的识别人脸图像的身份信息。

实施例3

本实施例还提供一种终端，如图3所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以结合图1中描述的对人脸进行识别的过程，存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行本发明实施例1中的人脸识别的方法。

其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。

其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic，缩写：GAL)或其任意组合。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行上述实施例1中任一所述的人脸识别的方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种人脸识别的方法，其特征在于，包括如下步骤：

获取人脸图像数据集；

获取所述人脸图像数据集中人脸的性别、身份信息及人脸分类信息；

同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型；

获取待识别人脸图像；

基于所述人脸识别模型预测待识别人脸图像性别概率分布，所述人脸性别概率分布包括第一性别概率分布的和预设人脸图像的第二性别概率分布；

基于所述人脸识别模型提取人脸分类特征，所述人脸分类特征包括待识别人脸图像的第一人脸分类特征和预设人脸图像的第二人脸分类特征；

基于所述人脸性别概率分布和所述人脸分类特征计算所述待识别人脸图像与预设人脸图像相似度，所述待识别人脸图像与预设人脸图像相似度的计算公式如下：

式中，β表示人脸特征相似度的权重，1-β表示人脸性别相似度的权重，f_1i表示待识别人脸图像分类特征，f_2i表示预设人脸图像分类特征，p_1j表示待识别人脸性别的概率分布，p_2j表示预设人脸的人脸性别属性概率分布。

2.根据权利要求1所述的人脸识别的方法，其特征在于，所述同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型的步骤，包括：

基于联合训练损失函数利用所述人脸的性别、身份信息及人脸分类信息对神经网路模型进行训练，所述联合训练损失函数为具有第一权重的人脸分类损失函数与具有第二权重的人脸性别损失函数的联合。

3.根据权利要求2所述的人脸识别的方法，其特征在于，所述联合训练损失函数的公式计算如下：

Loss＝αLoss_face+(1-α)Loss_gender，

式中，Loss表示联合训练损失函数，Loss_face表示人脸分类损失函数，Loss_gender表示人脸性别损失函数，α为第一权重，1-α为第二权重。

4.根据权利要求3所述的人脸识别的方法，其特征在于，所述人脸分类损失函数通过以下公式计算：

其中，

式中，n表示训练样本的数量，i表示第i个样本，yface_i表示第i个训练样本的人脸分类标签，m表示用于训练的调整特征间的距离，s表示缩放因子，

表示第i个训练样本提取的特征和聚类中心特征的角度距离，

表示最后一层全连接层和人脸分类损失函数层的权重，f_i表示最后一层全连接层提取的特征。

5.根据权利要求4所述的人脸识别的方法，其特征在于，所述人脸性别损失函数通过以下公式计算：

其中，n表示训练样本的数量，i表示第i个样本，ygender_i表示第i个训练样本的人脸性别标签，ygender_i'表示第i个训练样本的人脸性别预测结果。

6.一种人脸识别的系统，其特征在于，包括：

人脸图像数据集获取模块，用于获取人脸图像数据集；

人脸训练特征获取模块，用于获取所述人脸图像数据集中人脸的性别、身份信息及人脸分类信息；

人脸识别模型获取模块，用于同时利用所述人脸的性别、身份信息及人脸分类信息对神经网络模型进行训练，获取人脸识别模型；

图像信息获取模块，用于获取待识别人脸的图像；

性别概率分布获取模块，用于基于所述人脸识别模型预测待识别人脸图像性别概率分布，所述人脸性别概率分布包括第一性别概率分布的和预设人脸图像的第二性别概率分布；

人脸分类特征获取模块，用于基于所述人脸识别模型提取人脸分类特征，所述人脸分类特征包括待识别人脸图像的第一人脸分类特征和预设人脸图像的第二人脸分类特征；

人脸图像相似度获取模块，用于基于所述人脸性别概率分布和所述人脸分类特征计算所述待识别人脸图像与预设人脸图像相似度，所述待识别人脸图像与预设人脸图像相似度的计算公式如下：

式中，β表示人脸特征相似度的权重，1-β表示人脸性别相似度的权重，f_1i表示待识别人脸图像分类特征，f_2i表示预设人脸图像分类特征，p_1j表示待识别人脸性别的概率分布，p_2j表示预设人脸的人脸性别属性概率分布。

7.一种终端，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-5中任一所述的人脸识别的方法。

8.一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存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的人脸识别的方法。

Images