CN111523431B - 一种面部识别的方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种面部识别的方法、装置及设备，该方法包括：采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征；如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型；基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

Description

一种面部识别的方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种面部识别的方法、装置及设备。

背景技术

面部识别(或人脸识别)是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，是基于面部特征进行人员身份辨别的过程。人的面部特征与指纹、虹膜一样具备唯一和不易被复制的优良属性，随着人脸识别技术的不断发展，深度学习、大数据成为人脸识别领域的主要技术路线，而人脸识别网络变大变深，数据量不断变大，大数据成为提高人脸识别性能的关键。目前多数的人脸识别算法主要针列正面、准正面人脸图像，但是，人脸经常会出现被遮挡的情况，如眼镜、帽子、围巾、口罩等饰物甚至不同的发型等会遮挡部分面部，导致图像中出现部分面部图像的情况出现，如何准确快速的识别面部被遮挡的面部图像成为需要解决的重要问题，为此，需要提供一种能够更准确更快速对部分面部被遮挡的面部图像进行识别的技术方案。

发明内容

本说明书实施例的目的是提供一种面部识别的方法、装置及设备，以提供一种能够更准确更快速对部分面部被遮挡的面部图像进行识别的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种面部识别的方法，所述方法包括：采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征。如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型。基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

本说明书实施例提供的一种面部识别的装置，所述装置包括：图像采集模块，采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征。模型确定模块，如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型。第一面部识别模块，基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

本说明书实施例提供的一种面部识别的设备，所述面部识别的设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征。如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型。基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一种面部识别的方法实施例；

图2为本说明书一种面部图像的示意图；

图3为本说明书另一种面部识别的方法实施例；

图4为本说明书又一种面部识别的方法实施例；

图5为本说明书又一种面部识别的方法实施例；

图6为本说明书一种面部识别的装置实施例；

图7为本说明书一种面部识别的设备实施例。

具体实施方式

本说明书实施例提供一种面部识别的方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种面部识别的方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是某业务(如金融业务或网络购物业务等)的后台服务器，还可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S102中，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征。

其中，目标用户可以是任意用户，如目标用户可以是需要进行资源转移的用户(具体如需要进行支付的用户)，或者，可以是对终端设备的屏幕进行解锁的用户等。面部图像可以是包含用户的面部在内的图像，面部图像中可以包括眼睛、鼻子、嘴巴、耳朵和眼眉等一个或多个部位的图像。图像特征可以是图像的颜色特征、纹理特征、形状特征和空间关系特征等，其中的颜色特征可以是一种全局特征，该颜色特征可以用于描述图像或图像区域所对应的景物的表面性质。其中的纹理特征也可以是一种全局特征，纹理特征可以用于描述图像或图像区域所对应景物的表面性质。其中的形状特征可以包括两类，其中一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要是针对物体的外边界，而图像的区域特征则关系到整个形状区域。其中的空间关系特征可以是指从图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，上述关系可以分为连接关系、邻接关系、交叠关系、重叠关系、包含关系和包容关系等。部分面部可以是用户的整个面部的上半部分、下半部分、左半部分或右半部分等，或者，还可以是用户的整个面部的任意部分，如用户的嘴巴或鼻子等。

在实施中，面部识别(或人脸识别)是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，是基于面部特征进行人员身份辨别的过程。人的面部特征与指纹、虹膜一样具备唯一和不易被复制的优良属性，随着人脸识别技术的不断发展，深度学习、大数据成为人脸识别领域的主要技术路线，而人脸识别网络变大变深，数据量不断变大，大数据成为提高人脸识别性能的关键。目前多数的人脸识别算法主要针列正面、准正面人脸图像，但是，人脸经常会出现被遮挡的情况，如眼镜、帽子、围巾、口罩等饰物甚至不同的发型等会遮挡部分面部，导致图像中出现部分面部图像的情况出现，如何准确快速的识别面部被遮挡的面部图像成为需要解决的重要问题，为此，需要提供一种能够更准确更快速对部分面部被遮挡的面部图像进行识别的技术方案。本说明书实施例提供一种可以实现的技术方案，具体可以包括以下内容：

为了能够对部分面部被遮挡的用户面部图像进行准确识别，可以预先设定对部分面部被遮挡的用户面部图像进行识别的机制，为此，可以预先训练不同部分面部被遮挡的用户面部图像对应的面部识别模型，通过相应的识别模型可以对不同部分面部被遮挡的用户面部图像进行面部识别。基于上述内容，当用户(即目标用户)在某商户的线下店铺或购物网站中选择需要购买的商品后，可以对购买的商品进行结算，并可以使用面部识别的方式进行资源转移处理(如支付处理等)，此时，结算设备(如目标用户所使用的终端设备或该商户所设立的基于面部识别的自助结算机具等)可以启动其摄像组件，可以通过该摄像组件采集待识别的目标用户的面部图像。此外，考虑到面部图像中存在被遮挡的部分面部的图像所需要使用的面部识别模型与面部图像中不存在被遮挡的部分面部的图像所需要使用的面部识别模型存在差异，因此，可以检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，具体地，如图2所示，采集到待识别的目标用户的面部图像后，可以对面部图像中目标用户的面部部位进行分析，确定目标用户的面部的各个部位在面部图像中的位置，如果能够确定某部位在面部图像中的位置，则表明该部位未被遮挡，如果无法确定某部位在面部图像中的位置，则表明该部位被遮挡，通过上述方式可以检测出被遮挡的部分面部。然后，还可以确定被遮挡的部分面部是否存在用于进行面部识别的图像特征，如果存在，则可以确定该面部图像中用于进行面部识别的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征。

在实际应用中，面部图像中用于进行面部识别的图像特征可以预先设定，例如面部图像中用于进行面部识别的图像特征可以包括两只眼睛对应的图像特征、鼻子对应的图像特征、嘴巴对应的图像特征、两侧眉毛对应的图像特征、两只耳朵对应的图像特征和下巴对应的图像特征等，如果目标用户的嘴巴被遮挡，则该面部图像中将缺少嘴巴对应的图像特征，如果目标用户的嘴巴和鼻子被遮挡，则该面部图像中将缺少嘴巴对应的图像特征和鼻子对应的图像特征等。

或者，如图2所示，当目标用户需要将目标用户所使用的终端设备的屏幕进行解锁时，目标用户可以使用面部识别的方式进行屏幕解锁，此时，目标用户所使用的终端设备可以启动其摄像组件，可以通过该摄像组件采集待识别的目标用户的面部图像，此外，还可以检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，具体处理过程可以参见上述相关内容，在此不再赘述。

在步骤S104中，如果上述面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型。

其中，目标面部识别模型可以是通过对目标用户的部分面部进行识别进而确定目标用户身份信息的面部识别模型。

在实施中，通过上述对目标用户的面部图像进行检测后，可以确定该面部图像的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如图2所示，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则可以基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，具体地，可以预先设定不同面部图像的图像特征对应的面部识别模型，例如两只眼睛的图像特征对应的面部识别模型、鼻子的图像特征和嘴巴的图像特征对应的面部识别模型等，通过上述处理确定目标用户的部分面部被遮挡的面部图像中包含的图像特征后，可以通过该面部图像中包含的图像特征，从上述对应关系中查找与该图像特征相匹配的面部识别模型，并可以将查找到的面部识别模型确定为目标面部识别模型。

在步骤S106中，基于上述面部图像和目标面部识别模型，对目标用户进行面部识别，以确定目标用户的身份信息。

在实施中，目标面部识别模型可以通过多种方式构建，例如可以通过神经网络模型构建等，具体可以根据实际情况设定，本说明书实施例对此不做限定。可以将该面部图像(即目标用户的部分面部的面部图像)输入到上述确定的目标面部识别模型中，通过目标面部识别模型，可以对该面部图像进行特征提取，得到该面部图像中包含的图像特征，然后，可以基于提取的图像特征与数据库中的图像特征进行匹配，获取数据库中与提取的图像特征相匹配的图像特征，并可以获取匹配到的图像特征的用户信息，可以基于获取的用户信息，确定目标用户的身份信息，从而完成对仅包含目标用户的部分面部的面部图像的识别，确定目标用户的身份信息。

本说明书实施例提供一种面部识别的方法，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，进而基于该面部图像和目标面部识别模型，对目标用户进行面部识别，这样，通过用户的部分面部未被遮挡的图像特征对应的目标面部识别模型，对目标用户的部分面部被遮挡的面部图像进行面部识别，从而能够更准确更快速对部分面部被遮挡的面部图像进行识别。

实施例二

如图3所示，本说明书实施例提供一种面部识别的方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是某业务(如金融业务或网络购物业务等)的后台服务器，还可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S302中，获取多个不同用户的面部无遮挡的第二历史面部图像。

其中，面部无遮挡可以是用户的面部不存在遮挡物或者不缺少用于进行面部识别的图像特征(包括不同面部部位对应的图像特征的类型和数量等)。

在实施中，可以通过多种不同的方式获取多个不同用户的面部无遮挡的第二历史面部图像，例如，可以通过购买的方式向不同的用户购买用户当前的面部图像或用户的历史面部图像，或者，可以通过预先制定的协议请求用户上传该用户的面部图像，并可以对提供面部图像的用户提供某应用程序或其它资源的使用权限，除了可以通过上述方式获取第二历史面部图像外，还可以通过多种不同的方式获取第二历史面部图像，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S304中，基于第二历史面部图像对基准面部识别模型进行训练，得到训练后的基准面部识别模型。

在实施中，基准面部识别模型可以是基于无遮挡的历史面部图像(即上述实施例一中提到的针列正面、准正面的人脸图像)进行训练得到，可以是当前常用的面部识别模型。基准面部识别模型可以通过多种不同的算法或模型构建，例如基准面部识别模型可以是基于卷积神经网络模型构建，其中对于通过卷积神经网络模型构建基准面部识别模型的具体处理过程，可以结合卷积神经网络模型的基本原理构建基准面部识别模型，其中卷积神经网络模型中可以包括多个不同的待定参数，可以通过第二历史面部图像对基准面部识别模型进行训练，从而可以确定基准面部识别模型中的待定参数。在得到较准确的待定参数的数值后，即可以得到训练后的基准面部识别模型。

在步骤S306中，对每个第二历史面部图像进行处理，得到多个不同用户的面部的预设部分被遮挡的第三历史面部图像。

在实施中，为了更加快速的建立新的面部识别模型，提高面部识别模型的构建效率，可以基于上述获取的第二历史面部图像构建新的面部图像，具体地，可以根据实际情况预先设定需要被遮挡的面部的部位(如鼻子和/或嘴巴等)，然后，可以从多个第二历史面部图像中选择预设数量的第二历史面部图像，并对选择的第二历史面部图像中包含的用户的需要被遮挡的面部部位的图像进行处理，例如，可以设置黑色图层，然后，可以使用该黑色图层将第二历史面部图像中需要被遮挡的面部部位的图像对应的区域进行覆盖，从而得到多个不同用户的面部的预设部分被遮挡的第三历史面部图像。通过上述方式可以设置不同的需要被遮挡的面部部位，然后，分别对选择的第二历史面部图像进行相应的处理，得到用户的面部的相应部分被遮挡的历史面部图像，具体需要设置哪个或哪些面部部位需要被遮挡，可以根据实际情况设定，本说明书实施例对此不做限定。

需要说明的是，在实际应用中，面部的预设部分被遮挡可以为通过口罩使得面部的鼻子和嘴巴被遮挡，或者，可以为通过太阳镜等使得面部的两只眼睛被遮挡等，在实际应用中上述场景属于较常见的场景，为此，可以通过上述方式构建相应的训练样本，以便训练相应的面部识别模型。

在步骤S308中，基于第三历史面部图像对与第三历史面部图像中包含的图像特征相匹配的第二面部识别模型进行训练，并通过基准面部识别模型对第二面部识别模型的训练进行监督，得到训练后的第二面部识别模型，第二面部识别模型中包括目标面部识别模型。

在实施中，可以预先设定面部识别算法或面部识别机制，并可以通过该面部识别算法或面部识别机制，以及考虑预设部分面部被遮挡的面部图像以建立相应的面部识别模型，其中的面部识别算法或面部识别机制可以包括如神经网络模型等。考虑到上述构建的面部识别模型仅是基于部分面部的图像而构建，如何做到部分面部的图像特征和上述基准面部识别模型对应的图像特征可直接计算面部相似度，且在上述基准面部识别模型对应的图像特征不变的情况下还能大幅强化对部分面部识别的准确率，成为需要解决的重要问题。

本说明书实施例通过教师-学生网络模型训练第二面部识别模型，具体地，可以通过第三历史面部图像对第二面部识别模型进行训练，并在进行上述训练的过程中，通过基准面部识别模型对第二面部识别模型的训练进行监督，具体可以包括多种可实现方式，以下提供一种可选的实现方式，具体可以包括以下内容：基准面部识别模型可以作为预先训练好具有较好性能的面部识别模型，即可以作为教师网络模型，第二面部识别模型可以作为学生网络模型，对于对学生网络模型(即第二面部识别模型)的训练可以包含两个目标：一个是基准面部识别模型对应的目标函数；另一个为第二面部识别模型的类别概率输出与基准面部识别模型的类别概率输出的交叉熵。由于第二面部识别模型的类别概率输出与基准面部识别模型的类别概率输出的交叉熵具有更高的熵，该交叉熵能够比上述目标函数提供更多的信息，因此可以使用较少的数据以及较大的学习率，将上述目标函数和交叉熵通过加权平均来作为学生网络模型的目标函数，交叉熵所占的权重较大。通过上述方式训练得到的第二面部识别模型也就具有与基准面部识别模型近似的性能效果，但由于部分面部被遮挡从而使得第二面部识别模型的复杂度和计算量大大减小。

基于第三历史面部图像对第二面部识别模型进行训练，并通过基准面部识别模型对第二面部识别模型的训练进行监督，具体处理可以参见上述相关内容，最终可以得到训练后的第二面部识别模型。由于包括多个不同被遮挡的部分面部，因此，得到的第二面部识别模型可以包括多种，其中可以包括目标面部识别模型。

另外，上述训练出来的模型可以与基准面部识别模型互相比对，但是仅仅这样，遮挡物(如口罩或太阳镜等)识别的提升幅度不大，因此还需要设置一个精准学习的过程，具体可以参见下述步骤S310的处理。

在步骤S310中，基于第三历史面部图像和第二历史面部图像对训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型。

在实施中，可以将历史面部图像中遮挡物(如口罩或太阳镜等)的数据的类别放开学习，并控制学习率，使得对遮挡物的类别进行微调整而不发生大的变化，从而使得第二面部识别模型和基准面部识别模型不仅近似，而且还增强了遮挡物的识别能力。此外，对训练后的第二面部识别模型进行二次训练时，还需要控制梯度，为此，可以通过输入的面部图像来达到该目的，即可以将每一张第二历史面部图像配合两张第三历史面部图像一起对训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型，这样第三历史面部图像的权重会较高，使得梯度更新更偏向第三历史面部图像的完整用户人脸，最后使得部分面部对应的图像特征靠近完整面部对应的图像特征。

在步骤S312中，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征。

在步骤S314中，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型。

在步骤S316中，基于上述面部图像和目标面部识别模型，得到该面部图像对应的图像特征。

在实施中，可以将上述面部图像输入到目标面部识别模型中，基于目标面部识别模型中的相应算法，可以对该面部图像进行特征提取，得到该面部图像对应的图像特征。

在步骤S318中，获取基准面部识别模型对应的基准图像特征和上述面部图像对应的图像特征之间的相似度。

在实施中，图像特征之间的相似度可以通过预设的相似度算法确定，其中的相似度算法可以包括多种，例如欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、马氏距离算法、余弦距离算法、汉明距离算法和杰卡德距离算法中的任一算法等，其中通过相似度算法计算基准面部识别模型对应的基准图像特征和上述面部图像对应的图像特征之间的相似度的具体处理过程可以基于选用的具体算法来进行相应的处理，在此不再赘述。

在步骤S320中，基于获取的相似度，确定与上述面部图像对应的图像特征相匹配的基准图像特征。

在实施中，基准面部识别模型对应的基准图像特征和上述面部图像对应的图像特征之间的相似度越高，则两个面部图像的相似度越高，此时可以获取基准面部识别模型对应的基准图像特征和上述面部图像对应的图像特征之间的相似度超过预定阈值的基准图像特征，或者，可以获取基准面部识别模型对应的基准图像特征和上述面部图像对应的图像特征之间的相似度的最大值，并可以获取该最大值对应的基准图像特征，从而可以确定与上述面部图像对应的图像特征相匹配的基准图像特征。

在步骤S322中，将确定的基准图像特征对应的用户识别为目标用户。

在步骤S324中，如果上述面部图像的图像特征中不存在因目标用户的部分面部被遮挡而缺少的图像特征，则将该面部图像输入到基准面部识别模型中，得到目标用户的面部识别结果，基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

本说明书实施例提供一种面部识别的方法，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，进而基于该面部图像和目标面部识别模型，对目标用户进行面部识别，这样，通过用户的部分面部未被遮挡的图像特征对应的目标面部识别模型，对目标用户的部分面部被遮挡的面部图像进行面部识别，从而能够更准确更快速对部分面部被遮挡的面部图像进行识别。

此外，通过在包括完整面部的面部图像进行处理，使得部分面部被遮挡而得到新的面部图像的方式，可以使得目标面部识别模型关注到未被遮挡的部分面部的面部图像上，并且，通过教师-学生网络模型，且结合精准学习的方式使得基准面部识别模型与第二面部识别模型不仅可比，还能够进行定向提优；例如针对遮挡物为口罩的情况，可以只需要进行两只眼睛的人脸矫正即可完成对目标用户身份的识别，另外，还可以通过面部图像输入的方式达到梯度控制的目的。

实施例三

如图4所示，本说明书实施例提供一种面部识别的方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是某业务(如金融业务或网络购物业务等)的后台服务器，还可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S402中，获取多个不同用户的面部的预设部分被遮挡的第一历史面部图像。

其中，面部的预设部分被遮挡可以为通过口罩使得面部的预设部分被遮挡，或者，也可以是通过太阳镜等使得面部的预设部分被遮挡等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，可以通过多种不同的方式获取多个不同用户的面部的预设部分被遮挡的第一历史面部图像，例如，可以通过购买的方式向不同的用户购买用户当前的面部图像或用户的历史面部图像，或者，可以通过预先制定的协议请求用户上传该用户的面部图像，并可以对提供面部图像的用户提供某应用程序或其它资源的使用权限，除了可以通过上述方式获取第二历史面部图像外，还可以通过多种不同的方式获取第一历史面部图像，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S404中，基于第一历史面部图像对与第一历史面部图像中包含的图像特征相匹配的第一面部识别模型进行训练，得到训练后的第一面部识别模型，第一面部识别模型中包括目标面部识别模型。

在步骤S406中，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征。

在步骤S408中，如果上述面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型。

在步骤S410中，基于上述面部图像和目标面部识别模型，对目标用户进行面部识别，以确定目标用户的身份信息。

在步骤S412中，如果上述面部图像的图像特征中不存在因目标用户的部分面部被遮挡而缺少的图像特征，则将该面部图像输入到基准面部识别模型中，得到目标用户的面部识别结果，基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

本说明书实施例提供一种面部识别的方法，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，进而基于该面部图像和目标面部识别模型，对目标用户进行面部识别，这样，通过用户的部分面部未被遮挡的图像特征对应的目标面部识别模型，对目标用户的部分面部被遮挡的面部图像进行面部识别，从而能够更准确更快速对部分面部被遮挡的面部图像进行识别。

实施例四

本实施例将结合具体的应用场景，对本说明书实施例提供的一种面部识别的方法进行详细的阐述，相应的应用场景为用户的面部被口罩遮挡，遮挡物为口罩。如图5所示，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是某业务(如金融业务或网络购物业务等)的后台服务器，还可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S502中，获取多个不同用户的面部无遮挡的第二历史面部图像。

在步骤S504中，基于第二历史面部图像对基准面部识别模型进行训练，得到训练后的基准面部识别模型。

在步骤S506中，对每个第二历史面部图像进行处理，得到多个不同用户的面部被口罩遮挡的第三历史面部图像。

在步骤S508中，基于第三历史面部图像对与第三历史面部图像中包含的图像特征相匹配的第二面部识别模型进行训练，并通过基准面部识别模型对第二面部识别模型的训练进行监督，得到训练后的第二面部识别模型，第二面部识别模型中包括目标面部识别模型。

另外，上述训练出来的模型可以与基准面部识别模型互相比对，但是仅仅这样，口罩识别的提升幅度不大，因此还需要设置一个精准学习的过程，具体可以参见下述步骤S510的处理。

在步骤S510中，基于第三历史面部图像和第二历史面部图像对训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型。

在实施中，可以将历史面部图像中口罩的数据的类别放开学习，并控制学习率，使得对口罩的类别进行微调整而不发生大的变化，从而使得第二面部识别模型和基准面部识别模型不仅近似，而且还增强了口罩的识别能力。此外，对训练后的第二面部识别模型进行二次训练时，还需要控制梯度，为此，可以通过输入的面部图像来达到该目的，即可以将每一张第二历史面部图像配合两张第三历史面部图像一起对训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型，这样第三历史面部图像的权重会较高，使得梯度更新更偏向第三历史面部图像的完整用户人脸，最后使得部分面部对应的图像特征靠近完整面部对应的图像特征。

在步骤S512中，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的面部被口罩遮挡而缺少的图像特征。

在步骤S514中，如果该面部图像的图像特征中存在因目标用户的面部被口罩遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型。

在步骤S516中，基于上述面部图像和目标面部识别模型，得到该面部图像对应的图像特征。

在步骤S518中，获取基准面部识别模型对应的基准图像特征和上述面部图像对应的图像特征之间的相似度。

在步骤S520中，基于获取的相似度，确定与上述面部图像对应的图像特征相匹配的基准图像特征。

在步骤S522中，将确定的基准图像特征对应的用户识别为目标用户。

在步骤S524中，如果上述面部图像的图像特征中不存在因目标用户的面部被口罩遮挡而缺少的图像特征，则将该面部图像输入到基准面部识别模型中，得到目标用户的面部识别结果，基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

本说明书实施例提供一种面部识别的方法，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，进而基于该面部图像和目标面部识别模型，对目标用户进行面部识别，这样，通过用户的部分面部未被遮挡的图像特征对应的目标面部识别模型，对目标用户的部分面部被遮挡的面部图像进行面部识别，从而能够更准确更快速对部分面部被遮挡的面部图像进行识别。

此外，通过在包括完整面部的面部图像进行处理，使得部分面部被遮挡而得到新的面部图像的方式，可以使得目标面部识别模型关注到未被遮挡的部分面部的面部图像上，并且，通过教师-学生网络模型，且结合精准学习的方式使得基准面部识别模型与第二面部识别模型不仅可比，还能够进行定向提优；例如针对遮挡物为口罩的情况，可以只需要进行两只眼睛的人脸矫正即可完成对目标用户身份的识别，另外，还可以通过面部图像输入的方式达到梯度控制的目的。

实施例五

以上为本说明书实施例提供的面部识别的方法，基于同样的思路，本说明书实施例还提供一种面部识别的装置，如图6所示。

该面部识别的装置包括：图像采集模块601、模型确定模块602和第一面部识别模块603，其中：

图像采集模块601，采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征；

模型确定模块602，如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型；

第一面部识别模块603，基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

本说明书实施例中，所述装置还包括：

第二面部识别模块，如果所述面部图像的图像特征中不存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则将所述面部图像输入到基准面部识别模型中，得到所述目标用户的面部识别结果，所述基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

本说明书实施例中，所述装置还包括：

第一历史图像获取模块，获取多个不同用户的面部的预设部分被遮挡的第一历史面部图像；

第一训练模块，基于第一历史面部图像对与所述第一历史面部图像中包含的图像特征相匹配的第一面部识别模型进行训练，得到训练后的第一面部识别模型，所述第一面部识别模型中包括所述目标面部识别模型。

本说明书实施例中，所述装置还包括：

第二历史图像获取模块，获取多个不同用户的面部无遮挡的第二历史面部图像；

第二训练模块，基于第二历史面部图像对所述基准面部识别模型进行训练，得到训练后的基准面部识别模型。

本说明书实施例中，所述装置还包括：

图像处理模块，对每个所述第二历史面部图像进行处理，得到多个不同用户的面部的预设部分被遮挡的第三历史面部图像；

监督训练模块，基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的第二面部识别模型进行训练，并通过所述基准面部识别模型对所述第二面部识别模型的训练进行监督，得到训练后的第二面部识别模型，所述第二面部识别模型中包括所述目标面部识别模型。

本说明书实施例中，所述装置还包括：

二次训练模块，基于所述第三历史面部图像和所述第二历史面部图像对所述训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型。

本说明书实施例中，所述第一面部识别模块603，包括：

图像特征确定单元，基于所述面部图像和所述目标面部识别模型，得到所述面部图像对应的图像特征；

相似度获取单元，获取所述基准面部识别模型对应的基准图像特征和所述面部图像对应的图像特征之间的相似度；

基准图像特征确定单元，基于获取的相似度，确定与所述面部图像对应的图像特征相匹配的基准图像特征；

用户确定模块，将确定的基准图像特征对应的用户识别为所述目标用户。

本说明书实施例中，面部的预设部分被遮挡为通过口罩使得面部的预设部分被遮挡。

本说明书实施例提供一种面部识别的装置，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，进而基于该面部图像和目标面部识别模型，对目标用户进行面部识别，这样，通过用户的部分面部未被遮挡的图像特征对应的目标面部识别模型，对目标用户的部分面部被遮挡的面部图像进行面部识别，从而能够更准确更快速对部分面部被遮挡的面部图像进行识别。

此外，通过在包括完整面部的面部图像进行处理，使得部分面部被遮挡而得到新的面部图像的方式，可以使得目标面部识别模型关注到未被遮挡的部分面部的面部图像上，并且，通过教师-学生网络模型，且结合精准学习的方式使得基准面部识别模型与第二面部识别模型不仅可比，还能够进行定向提优；例如针对遮挡物为口罩的情况，可以只需要进行两只眼睛的人脸矫正即可完成对目标用户身份的识别，另外，还可以通过面部图像输入的方式达到梯度控制的目的。

实施例六

以上为本说明书实施例提供的面部识别的装置，基于同样的思路，本说明书实施例还提供一种面部识别的设备，如图7所示。

所述面部识别的设备可以为上述实施例提供的服务器。

面部识别的设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器701和存储器702，存储器702中可以存储有一个或一个以上存储应用程序或数据。其中，存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对面部识别的设备中的一系列计算机可执行指令。更进一步地，处理器701可以设置为与存储器702通信，在面部识别的设备上执行存储器702中的一系列计算机可执行指令。面部识别的设备还可以包括一个或一个以上电源703，一个或一个以上有线或无线网络接口704，一个或一个以上输入输出接口705，一个或一个以上键盘706。

具体在本实施例中，面部识别的设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对面部识别的设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征；

如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型；

基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

本说明书实施例中，还包括：

如果所述面部图像的图像特征中不存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则将所述面部图像输入到基准面部识别模型中，得到所述目标用户的面部识别结果，所述基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

本说明书实施例中，还包括：

获取多个不同用户的面部的预设部分被遮挡的第一历史面部图像；

基于第一历史面部图像对与所述第一历史面部图像中包含的图像特征相匹配的第一面部识别模型进行训练，得到训练后的第一面部识别模型，所述第一面部识别模型中包括所述目标面部识别模型。

本说明书实施例中，还包括：

获取多个不同用户的面部无遮挡的第二历史面部图像；

基于第二历史面部图像对所述基准面部识别模型进行训练，得到训练后的基准面部识别模型。

本说明书实施例中，还包括：

对每个所述第二历史面部图像进行处理，得到多个不同用户的面部的预设部分被遮挡的第三历史面部图像；

基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的第二面部识别模型进行训练，并通过所述基准面部识别模型对所述第二面部识别模型的训练进行监督，得到训练后的第二面部识别模型，所述第二面部识别模型中包括所述目标面部识别模型。

本说明书实施例中，还包括：

基于所述第三历史面部图像和所述第二历史面部图像对所述训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型。

本说明书实施例中，所述基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，包括：

基于所述面部图像和所述目标面部识别模型，得到所述面部图像对应的图像特征；

获取所述基准面部识别模型对应的基准图像特征和所述面部图像对应的图像特征之间的相似度；

基于获取的相似度，确定与所述面部图像对应的图像特征相匹配的基准图像特征；

将确定的基准图像特征对应的用户识别为所述目标用户。

本说明书实施例中，面部的预设部分被遮挡为通过口罩使得面部的预设部分被遮挡。

本说明书实施例提供一种面部识别的设备，采集待识别的目标用户的面部图像，并检测该面部图像中用于进行面部识别的图像特征中是否存在因目标用户的部分面部被遮挡而缺少的图像特征，如果该面部图像的图像特征中存在因目标用户的部分面部被遮挡而缺少的图像特征，则基于该面部图像中包含的图像特征，确定与该面部图像中包含的图像特征相匹配的目标面部识别模型，进而基于该面部图像和目标面部识别模型，对目标用户进行面部识别，这样，通过用户的部分面部未被遮挡的图像特征对应的目标面部识别模型，对目标用户的部分面部被遮挡的面部图像进行面部识别，从而能够更准确更快速对部分面部被遮挡的面部图像进行识别。

此外，通过在包括完整面部的面部图像进行处理，使得部分面部被遮挡而得到新的面部图像的方式，可以使得目标面部识别模型关注到未被遮挡的部分面部的面部图像上，并且，通过教师-学生网络模型，且结合精准学习的方式使得基准面部识别模型与第二面部识别模型不仅可比，还能够进行定向提优；例如针对遮挡物为口罩的情况，可以只需要进行两只眼睛的人脸矫正即可完成对目标用户身份的识别，另外，还可以通过面部图像输入的方式达到梯度控制的目的。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程面部识别的设备的处理器以产生一个机器，使得通过计算机或其他可编程面部识别的设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程面部识别的设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程面部识别的设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

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过程、方法、商品或者设备不仅包括那些要素，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过程、方法、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (14)

1.一种面部识别的方法，所述方法包括：

采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征；

如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型，所述目标面部识别模型是基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的所述目标面部识别模型进行训练，并通过基准面部识别模型对所述目标面部识别模型的训练进行监督而得到，所述第三历史面部图像是对多个不同用户的面部无遮挡的第二历史面部图像中的每个所述第二历史面部图像进行处理后得到，所述基准面部识别模型是通过所述第二历史面部图像进行训练后得到；

基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

2.根据权利要求1所述的方法，所述方法还包括：

如果所述面部图像的图像特征中不存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则将所述面部图像输入到基准面部识别模型中，得到所述目标用户的面部识别结果，所述基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

3.根据权利要求1所述的方法，所述方法还包括：

获取多个不同用户的面部的预设部分被遮挡的第一历史面部图像；

基于第一历史面部图像对与所述第一历史面部图像中包含的图像特征相匹配的第一面部识别模型进行训练，得到训练后的第一面部识别模型，所述第一面部识别模型中包括所述目标面部识别模型。

4.根据权利要求2所述的方法，所述方法还包括：

获取多个不同用户的面部无遮挡的第二历史面部图像；

基于第二历史面部图像对所述基准面部识别模型进行训练，得到训练后的基准面部识别模型。

5.根据权利要求4所述的方法，所述方法还包括：

对每个所述第二历史面部图像进行处理，得到多个不同用户的面部的预设部分被遮挡的第三历史面部图像；

基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的第二面部识别模型进行训练，并通过所述基准面部识别模型对所述第二面部识别模型的训练进行监督，得到训练后的第二面部识别模型，所述第二面部识别模型中包括所述目标面部识别模型。

6.根据权利要求5所述的方法，所述方法还包括：

基于所述第三历史面部图像和所述第二历史面部图像对所述训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型。

7.根据权利要求3-6中任一项所述的方法，所述基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，包括：

基于所述面部图像和所述目标面部识别模型，得到所述面部图像对应的图像特征；

获取所述基准面部识别模型对应的基准图像特征和所述面部图像对应的图像特征之间的相似度；

基于获取的相似度，确定与所述面部图像对应的图像特征相匹配的基准图像特征；

将确定的基准图像特征对应的用户识别为所述目标用户。

8.根据权利要求7所述的方法，面部的预设部分被遮挡为通过口罩使得面部的预设部分被遮挡。

9.一种面部识别的装置，所述装置包括：

图像采集模块，采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征；

模型确定模块，如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型，所述目标面部识别模型是基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的所述目标面部识别模型进行训练，并通过基准面部识别模型对所述目标面部识别模型的训练进行监督而得到，所述第三历史面部图像是对多个不同用户的面部无遮挡的第二历史面部图像中的每个所述第二历史面部图像进行处理后得到，所述基准面部识别模型是通过所述第二历史面部图像进行训练后得到；

第一面部识别模块，基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

10.根据权利要求9所述的装置，所述装置还包括：

第二面部识别模块，如果所述面部图像的图像特征中不存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则将所述面部图像输入到基准面部识别模型中，得到所述目标用户的面部识别结果，所述基准面部识别模型为基于无遮挡的历史面部图像进行训练得到。

11.根据权利要求10所述的装置，所述装置还包括：

第二历史图像获取模块，获取多个不同用户的面部无遮挡的第二历史面部图像；

第二训练模块，基于第二历史面部图像对所述基准面部识别模型进行训练，得到训练后的基准面部识别模型。

12.根据权利要求11所述的装置，所述装置还包括：

图像处理模块，对每个所述第二历史面部图像进行处理，得到多个不同用户的面部的预设部分被遮挡的第三历史面部图像；

监督训练模块，基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的第二面部识别模型进行训练，并通过所述基准面部识别模型对所述第二面部识别模型的训练进行监督，得到训练后的第二面部识别模型，所述第二面部识别模型中包括所述目标面部识别模型。

13.根据权利要求12所述的装置，所述装置还包括：

二次训练模块，基于所述第三历史面部图像和所述第二历史面部图像对所述训练后的第二面部识别模型进行二次训练，得到二次训练后的第二面部识别模型。

14.一种面部识别的设备，其特征在于，所述面部识别的设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

采集待识别的目标用户的面部图像，并检测所述面部图像中用于进行面部识别的图像特征中是否存在因所述目标用户的部分面部被遮挡而缺少的图像特征；

如果所述面部图像的图像特征中存在因所述目标用户的部分面部被遮挡而缺少的图像特征，则基于所述面部图像中包含的图像特征，确定与所述面部图像中包含的图像特征相匹配的目标面部识别模型，所述目标面部识别模型是基于第三历史面部图像对与所述第三历史面部图像中包含的图像特征相匹配的所述目标面部识别模型进行训练，并通过基准面部识别模型对所述目标面部识别模型的训练进行监督而得到，所述第三历史面部图像是对多个不同用户的面部无遮挡的第二历史面部图像中的每个所述第二历史面部图像进行处理后得到，所述基准面部识别模型是通过所述第二历史面部图像进行训练后得到；

基于所述面部图像和所述目标面部识别模型，对所述目标用户进行面部识别，以确定所述目标用户的身份信息。

Images