CN111783643A - 人脸识别的方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种人脸识别的方法、装置、电子设备及存储介质及，涉及计算机视觉、深度学习和云计算领域。具体实现方案为：获取人脸识别的请求，从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型，根据人脸识别模型对请求进行处理，生成人脸识别结果，在本申请实施例中，通过引入基础代码模块的概念的，即通过将多个模型的基础代码进行统一封装，可以实现节约构建多个模型的成本，且可以支持通过修改配置信息的方式，实现识别装置在不同的模型之间的灵活切换的技术效果。

Description

人脸识别的方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及计算机技术领域，尤其涉及计算机视觉技术领域、深度学习和云计算技术领域，具体涉及一种人脸识别的方法、装置、电子设备及存储介质。

背景技术

随着云计算技术的不断发展，云平台可以为用户提供各种服务，如人脸识别的服务等。

在现有技术中，云平台可以部署为提供不同服务的多个模型，且可以通过并行部署的方式实现。

然而发明人在实现本申请的过程中，发现至少存在如下问题：消耗的部署资源较多。

发明内容

提供了一种用于降低部署资源的人脸识别的方法、装置、电子设备及存储介质。

根据第一方面，提供了一种人脸识别的方法，包括：

获取人脸识别的请求；

从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型共用基础代码模块，且所述多个模型包括所述人脸识别模型；

根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果。

在本申请实施例中，由于多个模型共用基础代码模块，因此可以实现部署资源的技术效果。

根据第二方面，本申请实施例提供了一种人脸识别的装置，包括：

第一获取模块，用于获取人脸识别的请求；

选择模块，用于从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型共用基础代码模块，且所述多个模型包括所述人脸识别模型；

识别模块，用于根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果。

根据第三方面，本申请实施例提供了一种电子设备，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能够执行如上任一实施例所述的方法。

根据第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。

根据第五方面，本申请实施例提供了一种人脸识别方法，包括：

接收多个终端设备各自发送的人脸识别的请求；

确定各所述请求的属性信息；

根据各所述属性信息和预先设置的优先级与属性信息之间的映射关系，从各所述请求中选择优先处理的请求；

从模型仓库中选择与优先处理的请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型为采用统一封装的基础代码模块生成的，且所述多个模型包括所述人脸识别模型；

根据所述人脸识别模型对优先处理的请求进行处理，生成人脸识别结果。

根据本申请的通过引入基础代码模块的概念的，即通过将多个模型的共用的代码(即基础代码)进行统一封装的技术，可以实现节约构建多个模型的成本，且可以支持通过修改配置信息的方式，实现识别装置在不同的模型之间的灵活切换的技术效果。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例的人脸识别的方法的应用场景的示意图；

图2为本申请一个实施例的人脸识别的方法的流程示意图；

图3为本申请另一实施例的人脸识别的方法的流程示意图；

图4为本申请另一实施例的人脸识别的方法的流程示意图；

图5为本申请另一实施例的人脸识别的方法的流程示意图；

图6为本申请另一实施例的人脸识别的方法的流程示意图；

图7为本申请一个实施例的人脸识别的装置的示意图；

图8为本申请另一实施例的人脸识别的装置的示意图；

图9为本申请实施例的电子设备的框图；

图10为本申请另一实施例的人脸识别方法的流程示意图。

具体实施方式

以下结合附图对本申请实施例的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请实施例的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

请参阅图1，图1为本申请实施例的人脸识别的方法的应用场景的示意图。

在如图1所示的应用场景中，终端设备100与云平台200建立通信链路，终端设备100和云平台200可以基于该通信链路进行信息传输，从而实现终端设备100和云平台200之间的交互。

例如，终端设备100可以为具有图像采集功能的设备，如终端设备100上设置有摄像头，并可以通过该摄像头对人脸的图像进行采集。

终端设备100根据采集到的人脸图像生成用于对人脸图像中的人脸进行识别的请求，并通过通信链路将该请求传输至云平台200。

云平台200中设置有模型仓库，模型仓库中存储有多种类型的模型，如用于对人脸图像进行识别的人脸识别模型等。

云平台200根据从模型仓库中选择与请求对应的人脸识别模型，并根据人脸识别模型对请求进行处理，即根据人脸识别模型对人脸图像进行识别，生成并向终端设备100发送人脸识别结果。

其中，终端设备100可以包括如图1中所示的手机110、笔记本电脑120、台式电脑130及智能手环140。

其中，云平台200可以包括服务器，也可以包括服务器集群。且服务器或者服务器集群中可以包括如上述示例中所述的模型仓库；或者，云平台200中可以包括如上述示例中所述的模型仓库，服务器或者服务器集群可以与模型仓库连接。

值得说明的是，上述示例只是用于示范性地说明，而不能理解为对本申请实施例的图像分割方法的应用场景，以及对本申请实施例的图像分割方法的内容限定。

上述终端设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备。

且上述终端设备可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据；终端设备还可以是个人通信业务(PersonalCommunication Service，PCS)电话、无绳电话、会话发起协议(Session InitiationProtocol，SIP)话机、无线本地环路(Wireless Local Loop，WLL)站、个人数字助理(Personal Digital Assistant，PDA)，平板型电脑、无线调制解调器(modem)、手持设备(handset)、膝上型电脑(laptop computer)、机器类型通信(Machine TypeCommunication,MTC)终端等设备；终端设备也可以称为系统、订户单元(SubscriberUnit)、订户站(Subscriber Station)，移动站(Mobile Station)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(UserAgent)、用户设备(User Device or User Equipment)，等等，在此不作限定。

在相关技术中，预先在云平台上部署不同的模型，部署的方式采用并行部署实现，即不同模型之间的部署没有关联关系。

然而，通过并行部署的方式在云平台上部署不同的模型，可能存在部署成本高，灵活性偏低的问题。

本申请的发明人在经过创造性地劳动之后，得到了本申请的发明构思：确定各模型之间可能存在的关联关系，基于关联关系在云平台上对各模型进行部署。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

根据本申请实施例的一个方面，本申请实施例提供了一种人脸识别的方法。

请参阅图2，图2为本申请一个实施例的人脸识别的方法的流程示意图。

如图2所示，该方法包括：

S101：获取人脸识别的请求。

其中，本申请实施例的执行主体可以为人脸识别装置(下文简称识别装置)，且识别装置可以终端设备，也可以为云平台；当然，本申请实施例的执行主体也可以为人脸识别系统(下文简称识别系统)，且识别系统可以为包括终端设备和云平台的系统，本申请实施例不做限定。

例如，若识别装置为终端设备，则在本申请实施例中，终端设备可以接收用户通过触屏或语音方式发起的人脸识别的请求。

基于上述示例可知，本申请实施例可以具体包括：终端设备上可以设置有具有图像采集功能的摄像头，终端设备通过摄像头对人脸图像进行获取，并接收用户通过触屏或语音方式发起的人脸识别的请求。

又如，若识别装置为云平台，则在本申请实施例中，云平台可以接收其他设备(其他设备可以为如图1中所示的终端设备)发送的人脸识别的请求。

又如，若本申请实施例的执行主体为识别系统，则识别系统可以包括上述示例中的终端设备和云平台，且具体可以由终端设备向云平台发送人脸识别的请求，相应的，云平台接收由终端设备发送的人脸识别的请求。

值得说明的是，上述示例只是用于示范性地说明本申请实施例的执行主体可能的情况，而不能理解为对本申请实施例的执行主体的限定。

且在本申请实施例中，识别装置可以接收rpc格式和/或http格式的请求，以便为不同格式的请求提供相应的服务。

为了实现对本申请实施例的人脸识别的方法的清楚且简洁地阐述，以使读者对本申请实施例有较为透彻地理解，在本申请实施例中，以本申请实施例的执行主体为识别装置为例进行示范性地阐述。

S102：从预先设置的模型仓库中选择与请求对应的人脸识别模型。

其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型。

其中，模型可以为机器学习模型，如神经网络模型和深度学习模型，如具体可以为PaddlePa-ddle、Tensorflow、mxnet及caffe等。

在一些实施例中，识别装置可以在模型仓库中配置不同类型的服务的模型，如人脸识别服务的模型(即人脸识别模型)，又如，图像分割服务的模型(如图像分割模型)，等等。

值得说明的是，本申请实施例中对模型的划分仅用于示范性地说明，而不能理解为对模型实现的功能等的限定，如在一些实施例中，可以将由多个不同类型的服务的模型组成一个模型，等等。

值得说明的是，在本申请实施例中，引入了基础代码模块概念，基础代码模块可以用于表征，选择的多个模型共同包括的代码，将多个模型共同包括的代码称为基础代码，将基础代码进行统一封装，得到基础代码模块。也就是说，基础代码模块可以为对各模型的基础的代码进行统一封装后的组件。

结合上述示例可知，识别装置可以对人脸识别模型和图像分割模型的共用的代码(即基础代码)进行统一封装，得到基础代码模块，并在构建人脸识别模型时，可以在基础代码模块的基础上，编写与人脸识别模型对应的配置信息，或者，在基础代码模块和图像分割模型的基础上，基于人脸识别模型对应的配置信息适应性地修改图像分割模型对应的配置信息，从而得到人脸识别模型。

值得说明的是，在本申请实施例中，通过引入基础代码模块的概念，可以实现节约构建不同模型的成本，且可以支持通过修改配置信息的方式，实现识别装置在不同的模型之间的灵活切换的技术效果。

在一些实施例中，基础代码通过Lua脚本语言实现，以便实现基础代码模块的轻量化。

S103：根据人脸识别模型对请求进行处理，生成人脸识别结果。

在一些实施例中，识别装置根据人脸识别模型对请求进行处理的方法可以包括：获取请求中携带的人脸图像，根据人脸识别模型对人脸图像进行识别，生成人脸识别结果。

其中，关于根据人脸识别模型对人脸图像进行识别的具体方法，可以参见相关技术，此处不再赘述。

基于上述分析可知，本申请实施例提供了一种人脸识别的方法，该方法包括：获取人脸识别的请求，从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型，根据人脸识别模型对请求进行处理，生成人脸识别结果，在本申请实施例中，通过引入基础代码模块的概念的，即通过将多个模型的共用的代码(即基础代码)进行统一封装，可以实现节约构建多个模型的成本，且可以支持通过修改配置信息的方式，实现识别装置在不同的模型之间的灵活切换的技术效果。

值得说明的是，识别装置可能同时获取到多个请求，在相关技术中，一般采用的方法为从多个请求中随机选取一个请求，并对该随机选取的请求进行处理。而在本申请实施例中，充分考虑了不同请求之间的差异性问题，以及识别装置的资源利用率等的问题，提供了一种与相关技术中不同的人脸识别的方法。现结合图3对本申请实施例的人脸识别的方法进行详细地阐述。其中，图3为本申请另一实施例的人脸识别的方法的流程示意图。

如图3所示，该方法包括：

S201：获取人脸识别的请求。

其中，关于S201的描述可以参见S101，此处不再赘述。

S202：若请求的数量为多个，则确定各请求的属性信息。

该步骤可以具体包括：判断请求的数量是否为多个，若是，则确定各请求的属性信息。

也就是说，识别装置可以对请求的数量进行确定，在一些实施例中，若请求的数量为多个，则识别装置可以对各请求的属性信息进行确定，在另一些实施例中，若请求的数量为一个，则识别装置可以采样上述实施例所述的方法，此处不再赘述。

其中，属性信息可以用于表征，与请求内容相关的信息，也可以包括与请求对应的网络参数相关的信息。

具体地，当属性信息为与请求内容相关的信息时，请求中可以包括人脸图像，则与请求内容相关的信息可以包括基于人脸图像确定出的年龄属性、性别属性及成员属性中的至少一种。

例如，属性信息可以为年龄属性，如老年人、中年人及小孩等。

又如，属性信息可以为性别属性，如性别女或者性别男。

又如，属性信息可以为成员属性，如家庭成员或者团体成员等。

具体地，当属性信息为与请求对应的网络参数相关的信息时，属性信息可以为网络流量等。

当然，在一些实施例中，当确定出请求的数量为多个时，可以先对人脸识别模型的资源使用率进行确定，并当资源使用率大于预先设置的使用率阈值时，对属性信息进行确定。

也就是说，在一些可能实现的方案中，若请求的数量为多个，则确定人脸识别模型的资源使用率，判断资源使用率是否大于使用率阈值，如果是(即资源使用率大于使用率阈值)，则确定属性信息，如果不是(即资源使用率小于或等于使用率阈值)，则可以采用上述实施例中的方案，即直接对请求进行处理的方案。

其中，资源使用率可以用于表征，人脸识别模型被使用的资源的比例，相对而言，若资源使用率越大，则说明可被使用的人脸识别模型的资源越少，即识别装置的负载较大，被并行使用的人脸识别模型的运行效率较低，反之，若资源使用率越小，则说明可被使用的人脸识别模型的资源越多，即识别装置的负载较小，被并行使用的人脸识别模型的运行效率较高。

在本申请实施例中，通过确定资源使用率，并当资源使用率大于使用率阈值时，对属性信息进行确定，可以提高人脸识别的灵活性和多样性，且可以确保识别装置高效运行，从而提高人脸识别的效率的技术效果。

其中，使用率阈值可以由识别装置基于需求、历史记录和试验进行设置。

现以使用率阈值基于需求进行设置为例，进行如下阐述：

其中，需求可以用于表征，预先设置于识别装置中的人脸识别结果的可靠性的需求，则识别装置针对可靠性相对较高的需求，可以选择相对较高的使用率阈值，以提高人脸识别结果的准确性，从而提高人脸识别结果的可靠性；反之，识别装置针对可靠性相对较低的需求，可以选择相对较小的使用率阈值。

现以使用率阈值基于历史记录进行设置为例，进行如下阐述：

识别装置基于历史记录可知，使用率阈值为某数量区间时，人脸识别模型的准确性相对比较高，能够满足预设的识别需求，则识别装置可以基于该数量区间的设置使用率阈值。

现以使用率阈值基于试验进行设置为例，进行如下阐述：

在试验阶段，识别装置中预先设置多个数量区间。识别装置选择各数量区间的使用率阈值，基于各数量区间，分别生成试验阶段的人脸识别模型，基于各试验阶段的人脸识别模型的准确度，选择使用率阈值。

值得说明地是，上述示例只是用于示范性地说明，选择使用率阈值的可能实现方式，而不能理解为对本申请实施例的限定。

S203：根据各属性信息和预先设置的优先级与属性信息之间的映射关系，从各请求中选取优先处理的请求。

在本申请实施例中，识别装置中存有映射关系，通过映射关系，可以确定属性信息与优先级之间的映射关系。

例如，基于上述示例，当属性信息为年龄属性时，则老年人的优先级高于中年人的优先级；当属性信息为性别属性时，则女性的优先级高于男性的优先级；当属性信息为成员属性时，则家庭成员的优先级高于团体成员的优先级；当属性信息既包括年龄属性，又包括性别属性时，则识别装置可以设置各属性信息的权重系数，并基于权重系数确定优先级，等等，此处不再一一列举。

值得说明的是，上述示例只是用于示范性地说明映射关系可能的内容，而不能理解为对映射关系的限定。

在该步骤中，识别装置可以根据映射关系，从多个请求中选取优先处理的请求，如识别装置可以根据映射关系，从多个请求中选取具有最高优先级的请求，并将该请求确定为优先处理的请求，以便对该请求进行优先处理。

在本申请实施例中，通过基于优先级从各请求中选取优先处理的请求，可以提高对多个请求进行处理的灵活性，且可以提高识别装置对人脸识别模型的资源的合理利用，以及对网络资源的合理支配和利用，且可以提高用户的体验的技术效果。

S204：从模型仓库中选择与优先处理的请求对应的人脸识别模型。

其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型。

S205：根据人脸识别模型对优先处理的请求进行处理，生成人脸识别结果。

其中，关于S205的描述可以参见S103，此处不再赘述。

请参阅图4，图4为本申请另一实施例的人脸识别的方法的流程示意图。

如图4所示，该方法包括：

S301：获取人脸识别的请求。

其中，关于S301的描述可以参见S101，此处不再赘述。

S302：从预先设置的模型仓库中选择与请求对应的人脸识别模型，其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型。

S303：根据人脸识别模型对请求进行处理，生成人脸识别结果。

其中，关于S302-S303的描述可以参见S102-S103，或者，可以参见S202-S205，此处不再赘述。

S304：获取针对人脸识别结果反馈的回流数据。

在本申请实施例中，引入了回流数据的概念，回流数据可以用于表征，识别装置接收到的针对人脸识别结果反馈的信息，如回流数据可以为识别装置接收到的终端设备反馈的与人脸识别结果的准确度相关的信息，或者，对人脸识别的效率等的反馈信息，等等。

其中，识别装置可以通过以下方式获取回流数据：

识别装置可以在向终端设备发送人脸识别结果时，向终端设备发送用于获取回流数据的指示信息，终端设备在接收到指示信息之后，可以生成并向识别装置反馈回流数据。

当然，识别装置和终端设备也可以预先约定，如预定当终端设备接收到识别装置发送的人脸识别结果时，终端设备主动生成并向识别装置反馈回流数据。

值得说明的是，上述示例只是用于示范性地说明识别装置获取回流数据的可能实现的方式，而不能理解为对识别装置获取回流数据的限定。

在一些实施例中，识别装置可以对人脸识别结果的置信度进行确定，并在置信度小于置信度阈值时，对回流数据进行获取。

也就是说，在一些可能实现的方案中，识别装置在生成人脸识别结果时，可以对人脸识别结果的置信度进行计算，并将计算得到的置信度与置信度阈值进行比较，如判断置信度是否小于置信度阈值，若是(即置信度小于置信度阈值)，则获取回流数据，若否(即置信度大于或等于置信度阈值)，则可以参见上述示例所述的流程，此处不再赘述。

其中，置信度可以用于表征人脸识别结果的可靠性，相对而言，置信度越高，人脸识别结果的可靠性越高，反之，置信度越低，人脸识别结果的可靠性越低。

其中，置信度阈值可以基于需求、历史记录和试验等进行设置，设置原理可以参见上述示例中对使用率阈值的设置原理，此处不再赘述。

在本申请实施例中，识别装置通过确定置信度，并当置信度小于置信度阈值时，对回流数据进行获取，可以实现获取回流数据的灵活性，以便实现后续对人脸识别模型的更新，从而可以提高人脸识别模型的可靠性和稳定性的技术效果。

S305：根据回流数据对人脸识别模型进行更新。

在本申请实施例中，识别装置通过回流数据对人脸识别模型进行更新，可以实现提高人脸识别模型的可靠性和准确性的技术效果。

请参阅图5，图5为本申请另一实施例的人脸识别的方法的流程示意图。

如图5所示，该方法包括：

S401：获取人脸识别的请求。

其中，关于S401的描述可以参见S101，此处不再赘述。

S402：从预先设置的模型仓库中选择与请求对应的人脸识别模型，其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型。

其中，关于S402的描述可以参见S102，此处不再赘述。

在一些实施例中，S402可以包括：

S4021：确定请求对应的目标模型标识。

其中，模型标识可以用于对不同的模型进行区分。

在本申请实施例中，目标模型标识和初始模型标识是一个相对概念，且二者可能为相同的标识，也可能为不同的标识，“目标”和“初始”仅用于对不同的模型标识进行区分，而不能理解为对模型标识的内容的限定。

在一些实施例中，请求中携带目标模型标识，识别装置在接收到请求后，可以从请求中提取目标模型标识；

在另一些实施例中，识别装置也可以设置请求与模型标识之间的映射关系，并通过映射关系确定请求对应的目标模型标识。

值得说明的是，上述示例只是用于示范性地说明识别装置可以确定目标模型标识的方式，而不能理解为对识别装置确定目标模型标识的限定。

S4022：若目标模型标识与当前模型的初始模型标识不同，则调用切换指令。

该步骤可以具体包括：识别装置判断目标模型标识是否与初始模型标识相同，若是(即目标模型标识与初始模型标识相同)，则说明当前模型即为人脸识别模型，则识别装置可以基于人脸识别模型对请求进行处理；若否(即目标模型标识与初始模型标识不同)，则说明当前模型不是人脸识别模型，则识别模型调用切换指令。

其中，当前模型是一个相对概念，可以用于表征当前正在使用，或者为默认使用的模型。

切换指令可以用于表征，用于将任一模型切换至即将使用的模型的指令。也就是说，通过切换指令，可以实现对不同的模型的切换和使用。

S4023：根据切换指令从模型仓库中调用与目标模型标识对应的人脸识别模型。

在本申请实施例中，通过切换指令对不同的模型进行切换，可以实现识别装置调用不同的模型的灵活性，从而实现提高人脸识别的效率的技术效果。

S403：获取人脸识别模型的运行环境信息。

其中，运行环境信息可以用于表征，运行人脸识别模型的设备的信息，如运行人脸识别模型的设备的标识ID等。

S404：根据预先设置的鉴权信息对运行环境信息进行鉴权处理。

基于上述分析可知，若运行环境信息为运行人脸识别模型的设备的信息，则鉴权信息用于表征，对运行人脸识别模型的设备的信息进行鉴权的信息。即识别装置可以根据鉴权信息判断运行人脸识别模型的设备是否有权限运行人脸识别模型。

在一些实施例中，鉴权信息包括可以运行人脸识别模型的设备的名单(下文简称白名单)，识别装置获取到运行人脸识别模型的设备ID时，判断该ID是否在白名单中，若是，则识别装置可以确认该设备有运行识别人脸模型的权限，若否，则识别装置可以确认该设备没有运行识别人脸模型的权限。

S405：若鉴权通过，则根据人脸识别模型对请求进行处理，生成人脸识别结果。

基于上述分析可知，运行环境信息可能满足鉴权信息，也可能不满足鉴权信息，若运行环境信息满足鉴权信息，则识别装置确认该运行环境信息的鉴权的结果为鉴权通过；若运行环境信息不满足鉴权信息，则识别装置确认该运行环境信息的鉴权的结果为鉴权不通过。

在该步骤中，当鉴权通过时，即当运行环境信息满足鉴权信息时，识别装置根据人脸识别模型生成人脸识别结果。

其中，关于识别装置根据人脸识别模型对请求进行处理，生成人脸识别结果的描述，可以参见上述示例，此处不再赘述。

在本申请实施例中，通过识别装置对运行环境信息进行鉴权处理的方案，可以提高人脸识别模型运行的安全性和可靠性，进而实现确保用户的信息安全的技术效果。

请参阅图6，图6为本申请另一实施例的人脸识别的方法的流程示意图。

如图6所示，该方法包括：

S501：获取人脸识别的请求。

其中，关于S501的描述可以参见S101，此处不再赘述。

S502：对请求进行验证。

在本申请实施例中，识别装置在接收到请求后，可以对请求进行验证，以避免识别装置被攻击，造成用户信息被盗取等问题，从而实现人脸识别的安全性和可靠性的技术效果。

其中，对请求验证的方法包括但不限于以下方法：

例如，请求中可以携带用户标识(或者终端设备的标识)，识别装置对用户标识(或者终端设备的标识)是否有使用人脸识别的服务的权限进行验证，如果有，则验证通过，如果没有，则验证失败，流程结束；

又如，请求中可以携带私钥，识别装置根据预先设置的公钥对该私钥进行解密，如果解密通过，则验证通过，如果验证识别，则验证失败，流程结束。

值得说明的是，上述示例只是用于示范性地说明识别装置可能采样的对请求进行验证的方式，而不能理解为识别装置对请求进行验证的限定。

S503：若请求验证通过，从预先设置的模型仓库中选择与请求对应的人脸识别模型，其中，模型仓库中包括多个模型，多个模型共用基础代码模块，且多个模型包括人脸识别模型。

且在本申请实施例中，人脸识别模型为加密处理后的模型。

其中，关于S503的描述可以参见S102，此处不再赘述。

S504：若请求通过验证，则对人脸识别模型进行自动解密，并根据自动解密后的人脸识别模型生成人脸识别结果。

在本申请实施例中，识别装置通过对人脸识别模型进行加密处理，可以提高人脸识别模型的安全性和可靠性的技术效果，且当识别装置确定请求通过验证时，对人脸识别模型进行自动解密，可以提高识别装置生成人脸识别结果的智能化和高效性的技术效果。

根据本申请实施例的一个方面，本申请实施例还提供了一种人脸识别的装置，用于执行上述任一实施例所述的人脸识别的方法，如执行如图2至图6中任一实施例所示的人脸识别的方法。

请参阅图7，图7为本申请一个实施例的人脸识别的装置的示意图。

如图7所示，该装置包括：

第一获取模块11，用于获取人脸识别的请求；

选择模块12，用于从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型共用基础代码模块，且所述多个模型包括所述人脸识别模型；

识别模块13，用于根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果。

在一些实施例中，所述基础代码模块是对所述多个模型的共同代码进行统一封装生成的。

结合图8可知，在一些实施例中，若所述请求的数量为多个，则还包括：

第一确定模块14，用于确定各所述请求的属性信息；

选取模块15，用于根据各所述属性信息和预先设置的优先级与属性信息之间的映射关系，从各所述请求中选取优先处理的请求；

所述选择模块12用于，从所述模型仓库中选择与优先处理的请求对应的人脸识别模型。

在一些实施例中，所述请求中包括人脸图像，所述属性信息包括基于人脸图像确定出的年龄属性、性别属性及成员属性中的至少一种。

在一些实施例中，述第一确定模块14用于，确定所述人脸识别模型的资源使用率，并若所述资源使用率大于预先设置的使用率阈值，则确定所述属性信息。

结合图8可知，在一些实施例中，还包括：

第二获取模块16，用于获取针对所述人脸识别结果反馈的回流数据；

更新模块17，用于根据所述回流数据对所述人脸识别模型进行更新。

结合图8可知，在一些实施例中，还包括：

第二确定模块18，用于确定所述人脸识别结果的置信度；

所述第二获取模块16用于，若所述置信度小于预先设置的置信度阈值，则获取所述回流数据。

结合图8可知，在一些实施例中，还包括：

第三获取模块19，用于获取所述人脸识别模型的运行环境信息；

鉴权模块20，用于根据预先设置的鉴权信息对所述运行环境信息进行鉴权处理；

所述识别模块13用于，若鉴权通过，则根据所述人脸识别模型对所述请求进行处理，生成所述人脸识别结果。

结合图8可知，在一些实施例中，所述人脸识别模型为加密处理后的模型，还包括：

验证模块21，用于对所述请求进行验证；

所述识别模块13用于，若所述请求通过验证，则对所述人脸识别模型进行自动解密，并根据自动解密后的人脸识别模型生成所述人脸识别结果。

在一些实施例中，所述选择模块12用于，确定所述请求对应的目标模型标识，若所述目标模型标识与当前模型的初始模型标识不同，则调用切换指令，根据所述切换指令从模型仓库中调用与所述目标模型标识对应的所述人脸识别模型。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

请参阅图9，图9为本申请实施例的电子设备的框图。

其中，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请实施例的实现。

如图9所示，该电子设备包括：一个或多个处理器101、存储器102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器101为例。

存储器102即为本申请实施例所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请实施例所提供的人脸识别的方法。本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请实施例所提供的人脸识别的方法。

存储器102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的程序指令/模块。处理器101通过运行存储在存储器102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人脸识别的方法。

存储器102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器102可选包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、区块链服务网络(Block-chain-based Service Network，BSN)、移动通信网及其组合。

电子设备还可以包括：输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接，图9中以通过总线连接为例。

输入装置103可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置104可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、区块链服务网络(Block-chain-based Service Network，BSN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的另一个方面，本申请实施例还提供了一种人脸识别方法，该方法应用于云平台。

请参阅图10，图10为本申请另一实施例的人脸识别方法的流程示意图。

如图10所示，该方法包括：

S1：接收多个终端设备各自发送的人脸识别的请求。

其中，本申请实施例的执行主体可以为云平台，且关于云平台的阐述可以参见上述示例，此处不再赘述。

S2：确定各请求的属性信息。

S3：根据各属性信息和预先设置的优先级与属性信息之间的映射关系，从各请求中选择优先处理的请求。

S4：从模型仓库中选择与优先处理的请求对应的人脸识别模型，其中，模型仓库中包括多个模型，多个模型为采用统一封装的基础代码模块生成的，且多个模型包括人脸识别模型。

S5：根据人脸识别模型对优先处理的请求进行处理，生成人脸识别结果。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (23)

1.一种人脸识别的方法，包括：

获取人脸识别的请求；

从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型共用基础代码模块，且所述多个模型包括所述人脸识别模型；

根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果。

2.根据权利要求1所述的方法，其中，所述基础代码模块是对所述多个模型的共同代码进行统一封装生成的。

3.根据权利要求1所述的方法，若所述请求的数量为多个，则还包括：

确定各所述请求的属性信息；

根据各所述属性信息和预先设置的优先级与属性信息之间的映射关系，从各所述请求中选取优先处理的请求；

以及，所述从预先设置的模型仓库中选择与所述请求对应的人脸识别模型包括：从所述模型仓库中选择与优先处理的请求对应的人脸识别模型。

4.根据权利要求3所述的方法，其中，所述请求中包括人脸图像，所述属性信息包括基于人脸图像确定出的年龄属性、性别属性及成员属性中的至少一种。

5.根据权利要求3所述的方法，还包括：

确定所述人脸识别模型的资源使用率；

以及所述确定各所述请求的属性信息包括：若所述资源使用率大于预先设置的使用率阈值，则确定所述属性信息。

6.根据权利要求1至5中任一项所述的方法，还包括：

获取针对所述人脸识别结果反馈的回流数据；

根据所述回流数据对所述人脸识别模型进行更新。

7.根据权利要求6所述的方法，还包括：

确定所述人脸识别结果的置信度；

以及，所述获取针对所述人脸识别结果反馈的回流数据包括：若所述置信度小于预先设置的置信度阈值，则获取所述回流数据。

8.根据权利要求1至5中任一项所述的方法，还包括：

获取所述人脸识别模型的运行环境信息；

根据预先设置的鉴权信息对所述运行环境信息进行鉴权处理；

以及，所述根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果包括：若鉴权通过，则根据所述人脸识别模型对所述请求进行处理，生成所述人脸识别结果。

9.根据权利要求1至5中任一项所述的方法，所述人脸识别模型为加密处理后的模型，还包括：

对所述请求进行验证；

以及，所述根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果包括：若所述请求通过验证，则对所述人脸识别模型进行自动解密，并根据自动解密后的人脸识别模型生成所述人脸识别结果。

10.根据权利要求1至5中任一项所述的方法，所述从预先设置的模型仓库中选择与所述请求对应的人脸识别模型包括：

确定所述请求对应的目标模型标识；

若所述目标模型标识与当前模型的初始模型标识不同，则调用切换指令；

根据所述切换指令从模型仓库中调用与所述目标模型标识对应的所述人脸识别模型。

11.一种人脸识别的装置，包括：

第一获取模块，用于获取人脸识别的请求；

选择模块，用于从预先设置的模型仓库中选择与所述请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型共用基础代码模块，且所述多个模型包括所述人脸识别模型；

识别模块，用于根据所述人脸识别模型对所述请求进行处理，生成人脸识别结果。

12.根据权利要求11所述的装置，所述基础代码模块是对所述多个模型的共同代码进行统一封装生成的。

13.根据权利要求11所述的装置，若所述请求的数量为多个，则还包括：

第一确定模块，用于确定各所述请求的属性信息；

选取模块，用于根据各所述属性信息和预先设置的优先级与属性信息之间的映射关系，从各所述请求中选取优先处理的请求；

所述选择模块用于，从所述模型仓库中选择与优先处理的请求对应的人脸识别模型。

14.根据权利要求13所述的装置，其中，所述请求中包括人脸图像，所述属性信息包括基于人脸图像确定出的年龄属性、性别属性及成员属性中的至少一种。

15.根据权利要求13所述的装置，所述第一确定模块用于，确定所述人脸识别模型的资源使用率，并若所述资源使用率大于预先设置的使用率阈值，则确定所述属性信息。

16.根据权利要求11至15中任一项所述的装置，还包括：

第二获取模块，用于获取针对所述人脸识别结果反馈的回流数据；

更新模块，用于根据所述回流数据对所述人脸识别模型进行更新。

17.根据权利要求16所述的装置，还包括：

第二确定模块，用于确定所述人脸识别结果的置信度；

所述第二获取模块用于，若所述置信度小于预先设置的置信度阈值，则获取所述回流数据。

18.根据权利要求11至15中任一项所述的装置，还包括：

第三获取模块，用于获取所述人脸识别模型的运行环境信息；

鉴权模块，用于根据预先设置的鉴权信息对所述运行环境信息进行鉴权处理；

所述识别模块用于，若鉴权通过，则根据所述人脸识别模型对所述请求进行处理，生成所述人脸识别结果。

19.根据权利要求11至15中任一项所述的装置，所述人脸识别模型为加密处理后的模型，还包括：

验证模块，用于对所述请求进行验证；

所述识别模块用于，若所述请求通过验证，则对所述人脸识别模型进行自动解密，并根据自动解密后的人脸识别模型生成所述人脸识别结果。

20.根据权利要求11至15中任一项所述的装置，所述选择模块用于，确定所述请求对应的目标模型标识，若所述目标模型标识与当前模型的初始模型标识不同，则调用切换指令，根据所述切换指令从模型仓库中调用与所述目标模型标识对应的所述人脸识别模型。

21.一种电子设备，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能够执行权利要求1-10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。

23.一种人脸识别方法，包括：

接收多个终端设备各自发送的人脸识别的请求；

确定各所述请求的属性信息；

根据各所述属性信息和预先设置的优先级与属性信息之间的映射关系，从各所述请求中选择优先处理的请求；

从模型仓库中选择与优先处理的请求对应的人脸识别模型，其中，所述模型仓库中包括多个模型，所述多个模型为采用统一封装的基础代码模块生成的，且所述多个模型包括所述人脸识别模型；

根据所述人脸识别模型对优先处理的请求进行处理，生成人脸识别结果。

Images