CN111695502A

CN111695502A - 用于人脸识别的特征更新方法、装置和计算机设备

Info

Publication number: CN111695502A
Application number: CN202010529474.0A
Authority: CN
Inventors: 泮诚
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2020-06-11
Filing date: 2020-06-11
Publication date: 2020-09-22

Abstract

本申请涉及一种用于人脸识别的特征更新方法、装置、计算机设备和存储介质。该方法包括：从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照；分别提取用户的原始注册照的人脸特征和注册更新照的人脸特征；根据原始注册照的人脸特征和注册更新照的人脸特征的融合特征，更新用户的识别特征；将更新的用户的识别特征发送至人脸识别设备更新。由于识别照是在识别业务场景中采集且识别成功照，代表实际业务场景中用户的最近样貌特征，采用识别特征更新的方式，将用户最近的样貌特征更新到识别特征中，能够在识别时感知样貌变化，适应样貌变化，提高准确率。

Description

用于人脸识别的特征更新方法、装置和计算机设备

技术领域

本申请涉及人工智能技术领域，特别是涉及一种用于人脸识别的特征更新方法、装置、计算机设备和存储介质。

背景技术

最近几年，深度学习技术快速发展。技术的变革带来了许多新兴的需求，例如人脸识别就是一个典型的需求。人脸识别近几年发现迅猛，不同的算法、不同的网络架构层出不穷，但人的穿着打扮、样貌会发生改变。随着时间的推移，一个月前出的新模型，算法效果很好、识别率很高，可能一个月后，识别就不准确了。

目前针对用户样貌变化、装扮变化，大多采取的策略主要有以下两种：定期更新识别率更高、识别效果更鲁棒的算法，或是收集现有用户近期的新数据，重新训练模型。无论是新算法还是重新训练模型，随着时间的流逝，新模型又会出现同样的问题，导致人脸识别的准确率。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高识别准确率的用于人脸识别的特征更新方法、装置、计算机设备和存储介质。

一种用于人脸识别的特征更新方法，所述方法包括：

从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照；

分别提取所述用户的原始注册照的人脸特征和所述注册更新照的人脸特征；

根据所述原始注册照的人脸特征和所述注册更新照的人脸特征的融合特征，更新所述用户的所述识别特征；

将更新所述用户的识别特征发送至人脸识别设备更新。

一种用于人脸识别的特征更新装置，所述装置包括：

更新照获取模块，用于从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照；

特征提取模块，用于分别提取所述用户的原始注册照的人脸特征和所述注册更新照的人脸特征；

特征融合模块，用于根据所述原始注册照的人脸特征和所述注册更新照的人脸特征的融合特征，更新所述用户的所述识别特征；

更新模块，用于将更新所述用户的识别特征发送至人脸识别设备更新。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

将更新所述用户的识别特征发送至人脸识别设备更新。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

将更新所述用户的识别特征发送至人脸识别设备更新。

上述用于人脸识别的特征更新方法、装置、计算机设备和存储介质，从识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，融合原始注册照的人脸特征和注册更新照的人脸特征，更新识别特征。由于识别照是在识别业务场景中采集且识别成功照，代表实际业务场景中用户的最近样貌特征，采用识别特征更新的方式，将用户最近的样貌特征更新到识别特征中，能够在识别时感知样貌变化，适应样貌变化，提高准确率。

附图说明

图1为一个实施例中用于人脸识别的特征更新方法的应用环境图；

图2为一个实施例中用于人脸识别的特征更新方法的流程示意图；

图3为一个实施例中原始注册照和注册更新照的处理过程示意图；；

图4为一个实施例中人脸图像的抠图的处理过程示意图；

图5为一个实施例中人脸图像特征提取的处理过程示意图；

图6为一个实施例中用于人脸识别的特征更新装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

本申请实施例提供的方案涉及机器学习和计算机视觉技术的特征更新的技术，具体通过如下实施例进行说明:

本申请提供的用于人脸识别的特征更新方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端为人脸识别设备，采集用户的人脸图像，识别用户身份。终端102与服务器104通信连接。服务器从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照；分别提取用户的原始注册照的人脸特征和注册更新照的人脸特征；根据原始注册照的人脸特征和注册更新照的人脸特征的融合特征，更新用户的识别特征；将更新用户的识别特征发送至人脸识别设备更新。即下发至终端102更新。终端根据更新的识别特征进行人脸识别。其中，终端102可以但不限于是具人脸识别功能的各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备和网络摄像头，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，服务器可采用云计算服务器实现计算更新的识别特征。

其中，云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。

作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。

按照逻辑功能划分,在IaaS(Infrastructure as a Service，基础设施即服务)层上可以部署PaaS(Platform as a Service,平台即服务)层，PaaS层之上再部署SaaS(Software as a Service,软件即服务)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。

在一个实施例中，如图2所示，提供了一种用于人脸识别的特征更新方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，从用户的识别照中选取特征相似度大于阈值的照片作为注册更新照。

在人脸识别业务场景中，每次进行人脸识别时，均会现场采集的用户人脸图像，将现场采集的用户人脸图像的特征和识别特征进行比对验证。识别照即是指在人脸识别业务场景中现场采集用于人脸识别的用户人脸图像。识别特征是指在人脸识别时作为比对对象的特征，通常根据用户的注册照得到。识别是将现场采集的用户人脸图像的特征与注册用户的识别特征进行比对。当特征相似度达到识别阈值时，即识别通过。识别通过表示人脸识别设备判断当前采集的用户人脸图像中与已注册用户的识别特征匹配。例如，识别阈值为60％，当现场采集的用户人脸图像的特征与注册用户的识别特征的相似度达到60％时，识别通过。例如，在一个门禁系统，用户A在进入前对着摄像头进行人脸识别验证。摄像头首先采用用户A的人脸图像，并基于人脸图像进行识别验证，验证是否为注册用户。若验证为注册用户，则门禁打开，用户A能够进入门禁区域。其中，采集的用于人脸识别的该人脸图像即为识别照。

其中，特征更新为定期更新，如每周自动更新。当更新周期到达时，从用户的识别照中选取特征相似度大于阈值的照片作为注册更新照。因此，注册更新照是该更新周期内，在业务场景中采集的用于人脸识别的用户人脸图像中特征相似度大于阈值的照片。能够代表用户在该更新周期的最近样貌特征。通过定期更新，获取最新的识别照，能够实时感知用户的样貌变化。

人脸识别业务场景很多，如门禁系统、刷脸验证(支付、登机、银行业务办理等)。人脸识别在这些业务场景中起到验证作用，验证用户是否为注册用户，或验证用户是否为特定注册用户。在人脸识别业务场景中，用户需要预先进行注册，注册时所采集的照片即为原始注册照片。原始注册照片通常作为后续验证基础。在注册后，即获得相应权限，如门禁系统进入特定区域的权限。

用于选择注册更新照的阈值可以为人脸识别判定的识别阈值，在实际应用中，为提高特征的精确度，也可以设置比识别阈值较高。例如，识别阈值为60％，用于选择注册更新照的阈值可以为70％，若识别业务场景中现场采用的识别照的特征与识别特征的相似度大于识别阈值60％，则识别通过。若该识别照的特征与识别特征的相似度大于70％，将该识别照可作为注册更新照。

步骤204，分别提取用户的原始注册照的人脸特征和注册更新照的人脸特征。

其中，原始注册照是指注册时所采集的用户的人脸图像。通常在注册时，为获得用户较为全面的人脸图像，会指引用拍摄用户多个角度的人脸图像。如用户的正面照，左侧照和右侧照等。因此，在实际业务场景中，原始注册照有多个。

注册更新照是该更新周期内，在业务场景中识别成功且与识别特征的特征相似度大于阈值的照片。能够代表用户在该更新周期的最近样貌特征。

其中，可采用预先训练的神经网络对原始注册照和注册更新照的人脸特征进行提取，如卷积神经网络。该预先训练的神经网络为现有网络，无需额外训练。即在本申请的技术方案中，使用当前的识别模型，无需重新部署或研发新算法。

步骤206，根据原始注册照的人脸特征和注册更新照的人脸特征的融合特征，更新用户的识别特征。

用于人脸识别的识别特征，是指在人脸识别时作为比对对象的特征。识别时将识别特征与现场采集的人脸图像的图像特征进行比对，进行验证。初始的用于人脸识别的识别特征是根据原始注册照的人脸特征确定的。当达到更新时间时，获取到代表用户在该更新周期的最近样貌特征的注册更新照后，融合原始注册照的人脸特征和注册更新照的人脸特征，得到二者的融合特征，即将原始注册照所代表的用户在注册时的样貌特征与该用户的最近样貌特征融合，得到的融合特征为融合了注册时的样貌特征和最近样貌特征。

其中，融合是指将两种特征融合为一个特征。原始注册照的人脸特征与注册更新照的人脸特征具有不同的优势，将二者融合，可以弥补单一特征的不足。具体地，原始注册照是用户注册时的照片，是验证比对的基础，具有权威性，不可更改。而更新注册照，代表用户在该更新周期的最近样貌特征，具有有效性，从而融合二者得到的识别特征，综合了权威性和有效性，使得识别特征全面，既有用户注册时的特征又有更新的样貌特征，能够全面表征用户当前的人脸特征。

步骤208，将更新的用户的识别特征发送至人脸识别设备更新。

其中，人脸识别设备是指采集人脸图像并进行识别验证的设备，可以为门禁识别设备，考勤识别设备或刷脸支付识别设备等。即，人脸识别设备是执行人脸识别验证的设备。人脸识别设备为实现人脸识别，本地已存储注册用户的用于人脸识别的识别特征。在通过服务器计算更新识别特征后，发送至人脸识别设备更新，人脸识别设备基于更新的识别特征进行人脸识别。由于特征文件较小，可以通过http请求实时下发到人脸识别设备中。

采用识别特征更新的方式，将用户最近的样貌特征更新到识别特征中，能够在识别时感知样貌变化，适应样貌变化，提高准确率。从而，即使随着时间的推进，用户的样貌发生变化，只需更新识别特征即可，不需要重新部署升级，或研发新算法，降低了研发成本。在使用当前模型的前提下，提高识别率。

上述的用于人脸识别的特征更新方法，从识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，融合原始注册照的人脸特征和注册更新照的人脸特征，更新识别特征。由于识别照是在识别业务场景中采集且识别成功照，代表实际业务场景中用户的最近样貌特征，采用识别特征更新的方式，将用户最近的样貌特征更新到识别特征中，能够在识别时感知样貌变化，适应样貌变化，提高准确率。

在另一个实施例中，从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，包括：确定用户的识别照中与识别特征的相似度大于阈值的候选照片；从候选照片中随机选择得到注册更新照。

在实施应用中，首先确定用户的识别照中与识别特征的相似度大于阈值的候选照片，具体可以为更新周期内的识别照中与识别特征的相似度大于阈值的候选照片。本实施例中，定期更新识别照片，如更新周期为每周，则将每周一的0点作为更新时间。将更新周期内的识别照中与识别特征的相似度大于阈值的照片作为候选照片，能够得到该更新周期内用户的最近样貌特征。

通过从候选照片中随机选择照片作为注册更新照，相比较按相似度分数排序采样的效果更好，随机选择可以增加人脸表情、姿态的多样性，丰富识别特征，有助于提升算法鲁棒性。

其中，从候选照片中随机选择得到注册更新照，包括：确定候选照片的场景；在各场景的候选照片中分别随机选择得到注册更新照。

场景是指事件发生的空间。具体到候选照片的场景，为候选照片拍摄时的空间，即拍摄到候选照片的拍摄点。其中，可以根据拍摄识别照的设备标识区分场景。具体地，在实际业务场景中，不管是人脸支付设备还是门禁系统，都可能有多个不同的拍摄点，用户在不同的拍摄点进行识别采集到识别照。例如，对于门禁系统，由于门禁系统存在多个点位，如一栋大楼的每个办公室都设置了门禁，每个门禁都是一个点位，则每个门禁的拍摄点都是场景，可根据拍摄识别照的设备区分场景。

具体地，对于候选照片根据拍摄设备标识进行场景区分，得到候选照片的场景。从各场景的候选照片中分别随机选择得到注册更新照。即，首先按拍摄设备识别标识进行分类，区分候选照片的场景。然后在每个场景中选择一些照片作为注册更新照。从而使得用户在每个场景都有识别照更新到注册更新照中。即每个身份、在每个点位(场景)都单独选取一些照片作为注册更新照。针对每个点位都单独选取，能够防止不同点位识别图片数量不均匀，造成点位(场景)偏差。

在另一个实施例中，从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，包括：确定用户的识别照中与识别特征的相似度大于阈值的候选照片；确定候选照片的场景；分别选择每个场景中与识别特征的相似度最大的照片得到注册更新照。

本实施例中，确定每个身份在不同每个点位(场景)的候选照片，每个场景中选择与识别特征的相似度最高的照片作为注册更新照。针对每个点位都单独选取，能够防止不同点位识别图片数量不均匀，造成点位(场景)偏差。通过从候选照片中选择相似度最高的照片作为注册更新照，有助于提高识别精度。

一种实施方式中，在每个更新周期新增注册更新照后，同步删除上一次更新周期的注册更新照，及时淘汰历史库中旧的注册更新照。

一种实施方式中，设置有淘汰周期，如每个月，淘汰历史库中的历史新增注册更新照。淘汰周期大于更新周期，这样在计算识别特征时，包括原始注册照、新增注册更新照以及部分历史注册更新照。这样能够保留部分历史注册更新照，识别特征更全面。其中，淘汰周期可根据场景和实际效果调整。

在另一个实施例中，分别提取用户的原始注册照的人脸特征和注册更新照的人脸特征，包括：分别提取用户的原始注册照的人脸图像和注册更新照的人脸图像；将原始注册照的人脸图像和注册更新照的人脸图像输入训练好的神经网络模型，提取原始注册照的人脸特征和注册更新照的人脸特征。

具体地，提取特征时，是拿人脸进行提取。因此，首先从原始注册照和注册更新照中提取人脸图像。具体地，提取人脸图像的过程包括：对原始注册照和注册更新照进行人脸检测；根据人脸检测结果对原始注册照的人脸图像和注册更新照的人脸图像进行人脸配准；根据配准结果将人脸图像从原始注册照和注册更新照抠出，得到原始注册照的人脸图像和注册更新照的人脸图像。

具体地，每隔30S查询一次数据库，当有新的原始注册照或注册更新照，执行下载流程。如图3所示，服务器查询新记录，获取新的原始注册照或注册更新照的存储地址，服务器根据存储地址从数据库下载新的原始注册照或注册更新照的原图到本地的临时原图目录中。

由于提取特征时，是拿人脸进行提取，因此会在原图的基础上将人脸抠出，便于后续进行特征提取。具体地，如图4所示，服务器遍历获取原始注册照和注册更新照的原图，对原图进行人脸检测和人脸配准。人脸检测,是人脸配准的前提,其主要作用是在图像中找出所有的人脸,定位出所有人脸的大小和位置。人脸配准在检测到的人脸区域上,定位出人脸的关键特征点,比如眼睛、鼻子、嘴巴的具体位置。通过人脸检测与配准算法,可精确提取出人脸的关键特征,。

在人脸检测和人脸配准的基础上，从原始注册照或注册更新照抠出256*256标准大小的人脸图像，抠取的人脸图像保存到本地临时抠图目标后全并保存到本地缓存目标。人脸图像保存后，删除本地临时原图目标和本地临时抠图。

在一个实施例中，根据原始注册照的人脸特征和注册更新照的人脸特征的融合特征，更新用户的识别特征，包括：计算用户的多个原始注册照的人脸特征在每一维的平均特征向量，得到原始注册照的平均人脸特征；计算用户的多个注册更新照的人脸特征在每一维的平均特征向量，得到注册更新照的平均人脸特征；根据原始注册照的平均人脸特征以及注册更新照的平均人脸特征的融合特征，更新用户的识别特征。

具体地，选取用户的全部原始注册照，计算该用户的全部原始注册照在每一维的平均特征向量，得到原始注册照的平均特征。假设特征是一个1024维的向量，那么假设总计有n张原始注册照，第k张原始注册照的特征用

表示，那么最后得到的原始注册照的平均人脸特征如下：

注册更新照的平均特征的计算方法类似，计算多个注册更新照在每一维的平均特征向量，得到注册更新照的平均人脸特征。

假设特征是一个1024维的向量，那么假设总计有n张注册更新照，第k张注册更新照的特征用

表示，那么最后得到注册更新照的平均人脸特征如下：

具体地，根据原始注册照的平均人脸特征以及注册更新照的平均人脸特征的融合特征，更新用户的识别特征，包括：根据原始注册照和注册更新照的权重，对原始注册照的平均人脸特征和注册更新照的平均人脸特征加权求和，得到融合特征；根据融合特征更新识别特征。

其中，可设置原始注册照和注册更新照的权重比。权重比表示识别特征中原始注册照和注册更新照所占的比重。权重越大，相应特征在识别特征中所占的比重也越大。一个实施例中，原始注册照的权重为0.6和注册更新照为0.4。识别特征中原始注册照的占比稍大。根据原始注册照和注册更新照的权重，对原始注册照的平均人脸特征和注册更新照的平均人脸特征加权求和，得到融合特征。根据融合特征更新识别特征。假设最终得到的注册照平均特征为A_register＝a₀，a₁，...，a₁₀₂₄，识别照平均特征为B_recognition＝b₀，b₁，...，b₁₀₂₄，那么最终的平均特征计算公式如下：

F_final＝{a₀*0.6+b₀*0.4，a₁*0.6+b₁*0.4，...，a₁₀₂₄*0.6+b₁₀₂₄*0.4}

在另一个实施例中，根据原始注册照的人脸特征和注册更新照的人脸特征的融合特征，更新用户的识别特征，包括：计算原始注册照的人脸特征和注册更新照的人脸特征在每一维的平均特征向量，得到融合特征；根据融合特征更新识别特征。

即识别特征是全部原始注册照的人脸特征和注册更新照的人脸特征的平均值。

假设特征是一个1024维的向量，那么假设总计有n张原始注册照，第k张原始注册照的特征用

表示，有n张注册更新照，第k张注册更新照的特征用

表示，那么最后得到的平均特征如下：

其中，如图5所示，服务器遍历抠图得到的人脸图像，创建本地特征临时目录，使用现有模型提取原始注册照的人脸特征和注册更新照的人脸特征。保存特征到本地临时目录，计算每个用户的平均特征，得到更新的识别特征。将更新的识快特征存储至数据库，并更新更新记录。

上述的用于人脸识别的特征更新方法，由于能够定期将识别成功的识别照作为注册更新照，根据注册更新照的特征更新识别特征，使识别特征包括最近用户的样貌特征，使识别算法能够自适应用户形貌、装扮的变化。该方法只需要定期更新识别特征，不需要重新升级部署，因此可以极大降低升级成本，特征文件较小，可以通过http请求实时下发到识别设备中。采用特征更新的方法，能够减少新算法研发成本，在使用当前模型的前提下，提高识别率。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种用于人脸识别的特征更新装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：

更新照获取模块602，用于从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照。

特征提取模块604，用于分别提取用户的原始注册照的人脸特征和注册更新照的人脸特征。

特征融合模块606，用于根据原始注册照的人脸特征和注册更新照的人脸特征的融合特征，更新用户的识别特征。

更新模块608，用于将更新用户的识别特征发送至人脸识别设备更新。

上述的用于人脸识别的特征更新装置，从识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，融合原始注册照的人脸特征和注册更新照的人脸特征，更新识别特征。由于识别照是在识别业务场景中采集且识别成功照，代表实际业务场景中用户的最近样貌特征，采用识别特征更新的方式，将用户最近的样貌特征更新到识别特征中，能够在识别时感知样貌变化，适应样貌变化，提高准确率。

在另一个实施例中，更新照获取模块包括：

候选模块，用于确定用户的识别照中与识别特征的相似度大于阈值的候选照片。

选择模块，用于从候选照片中随机选择得到注册更新照。

在另一个实施例中，选择模块，包括：

场景区分模块，用于确定候选照片的场景。

照片选择模块，用于在各场景的候选照片中分别随机选择得到注册更新照。

在另一个实施例中，更新照获取模块包括：

场景区分模块，用于确定候选照片的场景；

照片选择模块，用于分别选择每个场景中与识别特征的相似度最大的照片得到注册更新照。

在另一个实施例中，特征融合模块，包括：

特征计算模块，用于计算用户的多个原始注册照的人脸特征在每一维的平均特征向量，得到原始注册照的平均人脸特征；以及计算用户的多个注册更新照的人脸特征在每一维的平均特征向量，得到注册更新照的平均人脸特征；

特征融合模块，用于根据原始注册照的平均人脸特征以及注册更新照的平均人脸特征的融合特征，更新用户的识别特征。

其中，特征融合模块，用于根据原始注册照和注册更新照的权重，对原始注册照的平均人脸特征和注册更新照的平均人脸特征加权求和，得到融合特征；根据融合特征更新识别特征。

在另一个实施例中，融合模块，计算原始注册照的人脸特征和注册更新照的人脸特征在每一维的平均特征向量，得到融合特征；根据融合特征更新识别特征。。

关于用于人脸识别的特征更新装置的具体限定可以参见上文中对于用于人脸识别的特征更新方法的限定，在此不再赘述。上述用于人脸识别的特征更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用于人脸识别的特征更新数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于人脸识别的特征更新方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上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

1.一种用于人脸识别的特征更新方法，所述方法包括：

将更新的所述用户的识别特征发送至人脸识别设备更新。

2.根据权利要求1所述的方法，其特征在于，所述从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，包括：

确定用户的识别照中与识别特征的相似度大于阈值的候选照片；

从所述候选照片中随机选择得到注册更新照。

3.根据权利要求2所述的方法，其特征在于，所述从所述候选照片中随机选择得到注册更新照，包括：

确定所述候选照片的场景；

在各场景的所述候选照片中分别随机选择得到注册更新照。

4.根据权利要求1所述的方法，其特征在于，所述从用户的识别照中选取与识别特征的相似度大于阈值的照片作为注册更新照，包括：

确定所述候选照片的场景；

分别选择每个场景中与所述识别特征的相似度最大的照片得到注册更新照。

5.根据权利要求1所述的方法，其特征在于，所述根据所述原始注册照的人脸特征和所述注册更新照的人脸特征的融合特征，更新所述用户的所述识别特征，包括：

计算用户的多个所述原始注册照的人脸特征在每一维的平均特征向量，得到所述原始注册照的平均人脸特征；

计算用户的多个所述注册更新照的人脸特征在每一维的平均特征向量，得到所述注册更新照的平均人脸特征；

根据原始注册照的平均人脸特征以及所述注册更新照的平均人脸特征的融合特征，更新所述用户的识别特征。

6.根据权利要求5所述的方法，其特征在于，所述根据原始注册照的平均人脸特征以及所述注册更新照的平均人脸特征的融合特征，更新所述用户的识别特征，包括：

根据所述原始注册照和所述注册更新照的权重，对所述原始注册照的平均人脸特征和所述注册更新照的平均人脸特征加权求和，得到融合特征；

根据所述融合特征更新所述识别特征。

7.根据权利要求1所述的方法，其特征在于，所述根据所述原始注册照的人脸特征和所述注册更新照的人脸特征的融合特征，更新所述用户的所述识别特征，包括：

计算所述原始注册照的人脸特征和所述注册更新照的人脸特征在每一维的平均特征向量，得到融合特征；

根据所述融合特征更新所述识别特征。

8.一种用于人脸识别的特征更新装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。