CN112199998B - 一种人脸识别方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种人脸识别方法、装置、设备及介质，用以解决现有人脸识别时，准确性较低的问题。由于本发明实施例中第三相似度值是第二标识信息的第三图像中最高的相似度值，而累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象；另外，第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，因此由第三相似度值和第二相似度值共同确定的第一目标相似度值可以很大概率的将第二标识信息的第三图像对应的相似度值增大，根据该第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

Description

一种人脸识别方法、装置、设备及介质

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法、装置、设备及介质。

背景技术

图1为现有技术提供的一种人脸识别过程示意图，如图1所示：现有进行人脸识别时，首先采集待关注对象的样本图像，获取每个样本图像的人脸特征，构建用于人脸识别的图像库。针对抓拍到的包含目标对象的每个第一图像，分别与图像库中每个样本图像进行人脸特征比对，确定与第一图像相似度最高的第二图像，并判断该第二图像和第一图像的第一相似度值是否达到预设的相似度阈值，若是，则产生告警；若否，则不响应。

然而在实际人脸识别过程中，不同环境下抓拍到的包含同一目标对象的第一图像，与图像库中不同的样本图像之间的相似度可能并不相同，通常情况下，图像质量较高的第一图像和图像库中第二图像的第一相似度值可能较高；而图像质量较低的第一图像和图像库中第二图像的第一相似度值可能较低，例如，相比图像质量较高的第一图像，图像质量较低的第一图像与图像库中该目标对象对应的待关注对象的第二图像之间的第一相似度可能由95％降低到75％；与图像库中实际上并不是该目标对象对应的待关注对象的第二图像之间的第一相似度由75％降低到70％，而如果当前相似度阈值为90％，就会出现因识别不出第一目标对象为图像库中的待关注对象，从而导致漏报的情况。

由上述分析可以看出，现有根据第一图像和第二图像的第一相似度值和预设的相似度阈值，确定人脸识别结果时，存在人脸识别准确性较低的技术问题。

发明内容

本发明提供了一种人脸识别方法、装置、设备及介质，用以解决现有人脸识别时，准确性较低的问题。

本发明的一方面提供了一种人脸识别方法，所述方法包括：

获取包含第一目标对象的每个第一图像；

针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

进一步的，所述根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值包括：

根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

进一步的，所述从各第二图像中，选取第一数量的第三图像包括：

根据所述各第二图像各自对应的第一相似度值对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

进一步的，所述根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值包括：

根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

进一步的，所述预先确定相似度阈值的过程包括：

获取设定时长内第三数量的第四图像的第一图像质量值；

若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；

其中，所述第一图像质量阈值大于所述第二图像质量阈值。

进一步的，所述预先确定第一相似度阈值临界值和第二相似度阈值临界值的过程包括：

根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

进一步的，预先确定所述每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系的过程包括：

分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；

针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

进一步的，所述确定所述目标误报率包括：

根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

进一步的，所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，所述方法还包括：

确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；

根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

进一步的，所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，所述方法还包括：

确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

进一步的，所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，所述方法还包括：

判断是否达到设定的间隔时长，若是，则进行后续步骤；

若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；

所述根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序包括：

根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

本发明还提供了一种人脸识别装置，所述装置包括：

获取模块，用于获取包含第一目标对象的每个第一图像；

确定模块，用于针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

所述确定模块，还用于从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

所述确定模块，还用于确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

所述确定模块，还用于确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

所述确定模块，还用于根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

进一步的，所述确定模块，具体用于根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

进一步的，所述确定模块，具体用于根据所述各第二图像各自对应的第一相似度值，对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

进一步的，所述确定模块，具体用于根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

进一步的，所述确定模块，具体用于获取设定时长内第三数量的第四图像的第一图像质量值；若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；其中，所述第一图像质量阈值大于所述第二图像质量阈值。

进一步的，所述确定模块，具体用于根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

进一步的，所述确定模块，具体用于分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

进一步的，所述确定模块，具体用于根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

进一步的，所述确定模块，还用于所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

进一步的，所述确定模块，还用于所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

进一步的，所述确定模块，还用于所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，判断是否达到设定的间隔时长，若是，则进行后续步骤；若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

本发明的再一方面提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一所述人脸识别方法的步骤。

本发明的再一方面提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述人脸识别方法的步骤。

由于本发明实施例中第一目标相似度值是由第二相似度值和第三相似度值共同确定的，其中第三相似度值是第二标识信息的第三图像中最高的相似度值，而累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象；另外，第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，因此由第三相似度值和第二相似度值共同确定的第一目标相似度值可以很大概率的将第二标识信息的第三图像对应的相似度值增大，根据该第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

附图说明

图1为现有技术提供的一种人脸识别过程示意图；

图2为本发明实施例提供的一种人脸识别过程示意图；

图3为本发明实施例提供的一种确定相似度阈值过程示意图；

图4为本发明实施例提供的相似度分布曲线示意图；

图5是本发明实施例提供的确定相似度阈值过程示意图；

图6为本发明实施例提供的一种人脸识别装置示意图；

图7为本发明实施例提供的一种电子设备结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

为了提高人脸识别的准确性，本发明实施例提供了一种人脸识别方法、装置、设备及介质。

实施例1：

图2为本发明实施例提供的一种人脸识别过程示意图，该过程包括以下步骤：

S201：获取包含第一目标对象的每个第一图像。

本发明实施例提供的人脸识别方法应用于电子设备，该电子设备可以是进行视频监控的图像采集的设备，或者存储了监控视频的终端或者服务器等。

为了可以进行人脸识别，该电子设备可以识别第一图像中包含的目标对象，进而获取包含第一目标对象的每个第一图像。具体的，电子设备可以采用现有技术如跟踪算法等，获取包含第一目标对象的每个第一图像，在此不再赘述。在一种可能的实施方式中，为了及时准确的进行人脸识别，电子设备可以实时的或者以设定的时间间隔，周期性的获取包含第一目标对象的每个第一图像，可以根据需求灵活设置。

S202：针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息。

为了确定第一目标对象是否为图像库中的待关注对象，在本发明实施例中，可以针对每个第一图像，分别与图像库中的每个样本图像进行人脸特征比对，根据第一图像与图像库中每个样本图像的相似度值，确定与该第一图像匹配的第二图像。具体的，第二图像与第一图像是一一对应的，即每个第一图像对应一个第二图像，可以将图像库中与该第一图像相似度最高的图像作为与该第一图像匹配的第二图像，相应的，可以将该第二图像与第一图像的相似度值作为第一相似度值。

为了区分不同样本图像对应的待关注对象，可以对图像库中每个样本图像设置对应的标识信息，该标识信息中可以至少包括待关注对象的名称、为待关注对象分配的数字标识、字母标识等，标识信息可以根据需求灵活设置。在确定图像库中与该第一图像匹配的第二图像后，也可以确定第二图像对应的第一标识信息。

S203：从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值。

在本发明实施例中，可以从各第二图像中，选取第一数量的第三图像。示例性的，可以选取第二图像中的全部图像作为第一数量的第三图像，也可以选取第二图像中的部分图像作为第一数量的第三图像，可以根据需求灵活设置。

为了提高人脸识别的准确性，选取第一数量的第三图像后，可以针对选取的每个第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，即可以根据该第一标识信息的每个第三图像与第一图像的第一相似度值，确定该第一标识信息对应的累计相似度值。例如可以将该第一标识信息的每个第三图像对应的第一相似度值的和值，确定为该第一标识信息对应的累计相似度值。示例性的，例如第一数量为5，共有5个第三图像，5个第三图像的第一标识信息分别为a、b、a、a、a；5个第三图像对应的第一相似度值分别为0.95、0.70、0.90、0.88、0.92；则第一标识信息a对应的累计相似度值为第一标识信息为a的4个第三图像对应的第一相似度值的和值，即3.65。第一标识信息b对应的累计相似度值为第一标识信息为b的1个第三图像对应的第一相似度值，即0.70。

S204：确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值。

为了提高人脸识别的准确性，在本发明实施例中，确定每个第一标识信息对应的累计相似度值后，可以根据每个第一标识信息对应的累计相似度值，确定累计相似度值最高的第二标识信息，通常情况下，相似度值越高，根据该相似度值确定的人脸识别结果的可信度越高。因此，累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象。

确定累计相似度值最高的第二标识信息后，可以进而根据第二标识信息，确定与该第二标识信息相对应的第三图像的第二数量。为方便理解，仍以上述实施例进行举例说明，第一标识信息a对应的累计相似度值为3.65，第一标识信息b对应的累计相似度值为0.70，则累计相似度值最高的第二标识信息为a，第二标识信息a对应的第三图像的第二数量为4。

为了提高人脸识别的准确性，在本发明实施例中，可以根据第一数量、第二数量和预设的第一公式，确定第二标识信息对应的第二相似度值。在一种可能的实施方式中，可以根据第一数量、第二数量和预设的第一公式，确定第二数量占第一数量的比例值，进而根据第二数量占第一数量的比例值，确定第二标识信息对应的第二相似度值。通常情况下，第二数量越大，第二相似度值也越大，可以认为第二标识信息对应的待关注对象为第一目标对象的概率越大。相反，如果第二数量越小，第二相似度值也越小，可以认为第二标识信息对应的待关注对象为第一目标对象的概率越小。

S205：确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值。

为了提高人脸识别的准确性，在本发明实施例中，可以将第二标识信息对应的第三图像中最高的相似度值确定为第三相似度值。为方便理解，仍以上述实施例进行举例说明，第二标识信息a的第三图像对应的相似度值分别为：0.95、0.90、0.88、0.92，可以将0.95确定为第二标识信息a的第三图像对应的第三相似度值。

为了提高人脸识别准确性，在本发明实施例中，可以根据第三相似度值以及第二相似度值，确定第一目标对象的第一目标相似度值，示例性的，可以将第三相似度值和第二相似度值的和值，确定为第一目标对象的第一目标相似度值。由于第三相似度值是累计相似度值最高的第二标识信息的第三图像中最高的相似度值，且第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，第二相似度值不小于0，因此第一目标相似度值可以在一定程度上将第二标识信息的第三图像对应的第三相似度值增大，示例性的，该第三图像对应的第三相似度值为75％，而第一目标相似度值可能为95％，甚至超过100％。

S206：根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

为了确定第一目标对象是否为图像库中的待关注对象，可以判断第一目标相似度值是否达到预设的相似度阈值，若是，则可以认为第一目标对象很大概率即为累计相似度值最高的第二标识信息对应的待关注对象，可以产生告警；若否，则可以认为第一目标对象很大概率不是第二标识信息对应的待关注对象，可以不响应。

示例性的，仍以上述实施例进行举例说明，例如当前场景为夜晚等较黑暗的场景，第一图像的图像质量较低，获得的第三图像对应的第三相似度值为75％，第一目标相似度值为95％，预先确定的相似度阈值为90％，如果采用第三图像对应的第三相似度值和预先确定的相似度阈值，确定人脸识别结果时，会出现因识别不出第一目标对象为图像库中的待关注对象，从而导致漏报的情况。而采用本发明实施例中的根据第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，即可以识别出第一目标对象很大概率为第二标识信息对应的待关注对象，从而提高了人脸识别的准确性。

由于本发明实施例中第一目标相似度值是由第二相似度值和第三相似度值共同确定的，其中第三相似度值是第二标识信息的第三图像中最高的相似度值，而累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象；另外，第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，因此由第三相似度值和第二相似度值共同确定的第一目标相似度值可以很大概率的将第二标识信息的第三图像对应的相似度值增大，根据该第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

实施例2：

为了准确的确定第一标识信息对应的累计相似度值，进而提高人脸识别的准确性，在上述实施例的基础上，在本发明实施例中，所述根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值包括：

根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，将每个目标相似度区间对应的目标映射相似度值，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

在本发明实施例中，可以预设多个相似度区间，针对第一标识信息的每个第三图像对应的第一相似度值，通过比较每个第一相似度值和预设的每个相似度区间的大小关系，确定每个第一相似度值分别对应的目标相似度区间。示例性的，预设的多个相似度区间可以分别为[0.90，1]、(0.80，0.90)、[0，0.80]，若第一相似度值为0.95，则该第一相似度值对应的目标相似度区间为[0.90，1]。

为了准确的确定第一标识信息对应的累计相似度值，可以预设每个相似度区间与映射相似度值的对应关系。具体的，当相似度区间的相似度值较高时，可以认为根据该相似度区间的相似度值确定人脸识别结果时，确定的人脸识别结果的可信度是较高的，因此可以将该相似度区间对应的映射相似度值设置的相对较高。相反，如果相似度区间对应的相似度值较低时，可以认为根据该相似度区间的相似度值确定人脸识别结果时，确定的人脸识别结果的可信度是较低的，可以将该相似度区间对应的映射相似度值设置的相对较低。

为方便理解，下面通过一个具体实施例对本发明实施例提供的确定第一标识信息对应的累计相似度值的过程进行举例说明。

为了预设相似度区间，可以预先设置第一相似度临界值Sim_upt和第二相似度临界值Sim_midt，其中第一相似度临界值大于第二相似度临界值。

当第一相似度值Sim不小于第一相似度临界值时，即Sim≥Sim_upt时，可以认为此时第一相似度值最高，为了增加该第一相似度值在累计相似度值中的权重，可以将该相似度区间对应的映射相似度值设置的最高，示例性的，通常情况下，第一相似度值位于[0，1]区间，可以将Sim≥Sim_upt该相似度区间对应的映射相似度值设置为2或3等大于1的正数。

当第一相似度值Sim小于第一相似度临界值且大于第二相似度临界值时，即Sim_upt>Sim>Sim_midt时，可以认为此时第一相似度值次高，为了适当增加该第一相似度值在累计相似度值中的权重，可以将该相似度区间对应的映射相似度值设置的相比第一相似度值稍高，示例性的，可以将该相似度区间对应的映射相似度值设置为1。

当第一相似度值Sim不大于第二相似度临界值时，即Sim≤Sim_midt时，可以认为此时第一相似度值最低，为了适当降低该第一相似度值在累计相似度值中的权重，可以将该相似度区间对应的映射相似度值设置的最低，示例性的，可以将第一相似度值作为该相似度区间对应的映射相似度值。

即确定每个第一相似度值分别对应的目标相似度区间后，可以根据预设的每个相似度区间与映射相似度值的对应关系，确定每个第一相似度值分别对应的第四相似度值。确定每个第一相似度值分别对应的第四相似度值之后，可以根据每个第四相似度值，确定该第一标识信息对应的累计相似度值，例如可以将该第一标识信息的每个第四相似度值的和值，确定为该第一标识信息对应的累计相似度值。

为方便理解，仍以上述实施例进行举例说明。

例如当Sim≥Sim_upt时对应的映射相似度值为2；Sim_upt>Sim>Sim_midt时对应的映射相似度值为1；Sim≤Sim_midt时对应的映射相似度值为第一相似度值；第一相似度临界值Sim_upt为90％，第二相似度临界值Sim_midt为80％。

例如，5个第三图像的第一标识信息分别为a、b、a、a、a；5个第三图像对应的第一相似度值分别为0.95、0.70、0.90、0.88、0.92；

第一标识信息a的每个第三图像对应的第四相似度值分别为：2、2、1、2；第一标识信息a对应的累计相似度值为7。

第一标识信息b的第三图像对应的第四相似度值为：0.70，第一标识信息b对应的累计相似度值为0.70。

再例如，如果5个第三图像的第一标识信息分别为a、a、b、b、b；5个第三图像对应的第一相似度值分别为0.95、0.92、0.75、0.70、0.75；

第一标识信息a的每个第三图像对应的第四相似度值分别为：2、2；第一标识信息a对应的累计相似度值为4。

第一标识信息b的每个第三图像对应的第四相似度值分别为：0.75、0.70、0.75，第一标识信息b对应的累计相似度值为2.20。

则累计相似度值最高的第二标识信息为a。而如果没有采用本发明实施例提供的映射相似度，第一标识信息a对应的累计相似度值只能是1.87，低于第一标识信息b对应的累计相似度值2.20。而实际人脸识别过程中，第一相似度值越高，可以认为其人脸识别结果的可信度越高，因此可以认为第一目标对象为第一标识信息a对应的待关注对象的概率相对较大。因此采用本发明实施例的根据每个相似度区间与映射相似度值的对应关系，确定每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值，可以提高较高的第一相似度值在累计相似度值中的权重，从而可以在一定程度上提高人脸识别的准确性。

实施例3：

为了提高人脸识别的准确率，在上述各实施例的基础上，在本发明实施例中，所述从各第二图像中，选取第一数量的第三图像包括：

根据所述各第二图像各自对应的第一相似度值对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

在本发明实施例中，在选取第一数量的第三图像时，可以根据每个第二图像对应的第一相似度值，对每个第二图像进行排序，按照第一相似度值由大到小的顺序，将第二图像中第一相似度值较高的图像，选取为第三图像，具体的，可以将第二图像中相似度较高的第一数量个图像，选取为第三图像。

为方便理解，下面通过一个具体实施例对本发明实施例提供的从各第二图像中，选取第一数量的第三图像的过程进行举例说明。

例如，共有n个第一图像，针对每个第一图像，确定的与第一图像匹配的第二图像对应的第一相似度值用Sim表示，第二图像对应的第一标识信息用target表示。则共得到n个第二图像，分别为：

(Sim₁,target₁),…,(Sim_i,target_i),…,(Sim_n,target_n)，其中i∈(1,n)。基于每个第二图像对应的第一相似度值，对每个第二图像进行排序，按照第一相似度值由大到小的顺序，从第二图像中选取第一数量的第三图像。第一数量用k₁表示，从n个第二图像中选取k₁个相似度值较高的图像作为第三图像。

在一种可能的实施方式中，如果k₁小于n，可以将n个第二图像作为选取的第三图像。

基于在抓拍包含第一目标对象的每个第一图像的过程中，通常情况下，第一目标对象是逐渐从距离图像采集设备的远端逐渐靠近图像采集设备，随着第一目标对象逐渐靠近图像采集设备，图像采集设备所采集的第一图像的图像质量以及基于该第一图像确定的人脸识别结果的可信度均在逐渐升高，因此为了提高人脸识别的准确性，在一种可能的实施方式中，可以根据跟踪算法，获取第一目标对象在当前场景的全部第一图像，即在第一目标对象离开当前场景后，在设定时长内，获取不到包含第一目标对象的第一图像时，基于第一目标对象在当前场景的全部第一图像，针对每个第一图像，确定图像库中与该第一图像匹配的第二图像，进而从各第二图像中，选取第一数量的第三图像。

由于本发明实施例选取的第一数量的第三图像为第二图像中相似度值较高的图像，因为相似度值越高，人脸识别结果的可信度越高，因此，本发明实施例可以在一定程度上提高人脸识别的准确性。

实施例4：

为了准确的确定第二标识信息对应的第二相似度值，在上述各实施例的基础上，在本发明实施例中，所述根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值包括：

根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

为了提高人脸识别的准确性，可以根据上述第一数量、第二数量和预设的第一公式，确定第二标识信息对应的第二相似度值。为了准确的确定第二标识信息对应的第二相似度值，预设的第一公式可以为：

其中，Bonus为第二相似度值；

Count为第二数量；

w₁为第一预设权重值；其中，w₁为不大于1的正数，w₁的具体数据可以根据需求灵活设置。示例性的，w₁可以为不小于0.3且不大于0.5的正数。

k₁为第一数量；

w₂为第二预设权重值；其中，w₂为不大于1的正数，w₂的具体数据可以根据需求灵活设置。示例性的，w₂可以为不小于0.05且不大于0.1的正数。

由上述第一公式可以看出，当w₁、k₁、w₂为预设的固定值时，第二数量Count越大，第二相似度值Bonus的值越大；相反，第二数量Count越小，第二相似度值Bonus的值越小。通常情况下，如果第二标识信息对应的待关注对象实际为第一目标对象时，第二标识信息对应的第三图像的第二数量也会相对较大；而如果第二标识信息对应的待关注对象实际并不是第一目标对象时，第二标识信息对应的第三图像的第二数量会相对较小，因此本发明实施例可以在一定程度上使得第二数量越大时，第二相似度值越高；而第二数量越小时，第二相似度值越低，从而可以在一定程度上提高人脸识别的准确性。

在本发明实施例中，当第二数量不小于第一预设权重值和第一数量的乘积时，即Count≥w₁·k₁时，第二相似度值Bonus为(Count-w₁·k₁)·w₂；当第二数量小于第一预设权重值和第一数量的乘积时，即Count<w₁·k₁时，第二相似度值为0。在本发明实施例中，由于第一目标相似度值是由第二相似度值和第三相似度值共同确定的，为了避免特殊情况下第二相似度出现非预期的负数而削弱了第三相似度原有的代表意义，设定第二相似度值不小于0。

实施例5：

为了准确的确定相似度阈值，进而提高人脸识别的准确率，在上述各实施例的基础上，在本发明实施例中，所述预先确定相似度阈值的过程包括：

获取设定时长内第三数量的第四图像的第一图像质量值；

若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；

其中，所述第一图像质量阈值大于所述第二图像质量阈值。

在进行人脸识别时，选择合理的相似度阈值非常重要。例如，理想状态下，当图像库中的待关注对象A实际为第一目标对象时，包含第一目标对象的第一图像与待关注对象A的每个第二图像之间的相似度均较高，如均高于90％，而包含第一目标对象的第一图像与除待关注对象A之外的其他第二图像之间的相似度均较低，如均低于90％，此时如果相似度阈值为90％，则可以准确的将第一目标对象识别出来。

然而在实际人脸识别过程中，由于随着光照、抓拍角度、人脸遮挡情况、人脸姿态表情、图像分辨率等的不同，图像质量可能会不同，导致第一图像和第二图像的相似度就会有所不同。通常情况下，第一图像的图像质量越高，第一图像和第二图像的相似度整体越高，对应的相似度阈值也应该越高；而第一图像的图像质量越低，第一图像和第二图像的相似度整体越低，对应的相似度阈值也应该越低。然而现有采用固定的相似度阈值进行人脸识别，就会影响人脸识别的准确性。

例如，当图像质量为75分以上时，包含第一目标对象的第一图像与待关注对象A的第二图像之间的相似度均高于90％，包含第一目标对象的第一图像与除待关注对象A之外的其他第二图像之间的相似度均低于90％，此时确定的相似度阈值为90％，可以准确识别第一目标对象。然而当图像质量下降为40分时，包含第一目标对象的第一图像与待关注对象A的第二图像之间的相似度可能会低于90％，例如降低到85％，包含第一目标对象的第一图像与除待关注对象A之外的其他第二图像之间的相似度降低到75％，如果此时仍然采用固定的相似度阈值90％进行人脸识别时，就会导致“漏报”，从而影响人脸识别的准确性，而如果相似度阈值可以根据图像质量进行调整，例如相似度阈值调整为80％，则可以较准确的进行人脸识别。

为了准确的确定相似度阈值，在本发明实施例中，可以获取设定时长内第三数量的第四图像的第一图像质量值。该设定时长可以根据需求灵活设置，通常情况下，第四图像与第一图像是同一场景下的图像，可以使得根据第四图像的第一图像质量值确定的相似度阈值，适合对包含第一图标对象的第一图像进行人脸识别，所以该设定时长可以设置的相对较短，例如半小时、一小时等。

在一种可能的实施方式中，为了准确的确定第一图像质量值，第三数量可以是大于1的正整数，即为了避免单个第四图像的图像质量值带来的偏差，第一图像质量值可以是统计多个第四图像得出的。

为了准确的获取第三数量的第四图像的第一图像质量值，可以先获取第九数量的第三目标对象的第七图像，例如获取20个第三目标对象的第七图像，针对每个第三目标对象的第七图像，分别确定图像库中与该第七图像匹配的图像的第五相似度值，按照第五相似度值对每个第三目标对象的每个第七图像进行排序，按照第五相似度值由大到小的顺序，选取第八数量的第四图像。也就是说，每个第三目标对象选取第八数量的第四图像，第八数量和第九数量的乘积为第三数量。

由于本发明实施例中选取的第三数量的第四图像均为每个第三目标对象中相似度值较高的图像，即人脸识别结果可信度较高的图像，从而可以摒弃人脸识别结果可信度不高的图像对人脸识别结果造成的不利影响，因此可以提高人脸识别的准确性。

获取第三数量的第四图像之后，可以采用现有确定图像的图像质量值的方法，例如人脸质量评估算法，分别确定每个第三数量的第四图像的图像质量值，在此不再赘述。

为了准确确定第三数量的第四图像的第一图像质量值，可以将第三数量的第四图像中，每个第四图像的图像质量值的平均值或者中位数等作为第一图像质量值，可以根据需求灵活设置。另外，为了准确的确定适合当前场景的相似度阈值，本发明实施例可以以设定的时间间隔，周期性的获取设定时长内第三数量的第四图像的第一图像质量值，并采用移动平均的方法不断更新和维护第一图像质量值，保障第一图像质量值是随着场景环境变化而较平稳的进行调整，更符合自然运行的规律，避免由于短时间的片段数据所带来的统计偏差而使第一图像质量值出现较大幅度波动和突变等，从而影响当前人脸识别的准确性。其中，第三数量可以根据需求灵活设置，本发明实施例对第三数量的具体数值不做具体限定。

为了准确的确定第一图像质量值对应的相似度阈值，在本发明实施例中，可以预先设置第一图像质量阈值和第二图像质量阈值，其中第一图像质量阈值大于第二图像质量阈值。

若第一图像质量值不小于设定的第一图像质量阈值，可以认为第一图像质量值较高，即当前场景获取的图像质量较高，为了提高人脸识别的准确性，可以根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值，例如可以将预先确定的第一相似度阈值临界值，确定为第一图像质量值对应的相似度阈值。

若所述第一图像质量值不大于设定的第二图像质量阈值，可以认为第一图像质量值较低，即当前场景获取的图像质量较低，为了提高人脸识别的准确性，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值，例如可以将预先确定的第二相似度阈值临界值，确定为第一图像质量值对应的相似度阈值。

若第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值、第二相似度阈值临界值、第一图像质量值、第一图像质量阈值、第二图像质量阈值，确定第一图像质量值对应的相似度阈值。示例性的，第一相似度阈值临界值用Tup表示、第二相似度阈值临界值用Tlow表示、第一图像质量值用FQ表示、第一图像质量阈值用FQup、所述第二图像质量阈值FQlow表示，则：

则第一图像质量值对应的相似度阈值

为方便理解，下面通过一个具体实施例说明本发明实施例的预先确定相似度阈值的过程。图3为本发明实施例提供的一种确定相似度阈值过程示意图，如图3所示：

S301：获取设定时长内第三数量的第四图像的第一图像质量值FQ。

S302：若第一图像质量值FQ不小于设定的第一图像质量阈值FQup，则确定第一图像质量值FQ对应的相似度阈值为第一相似度阈值临界值Tup。

S303：若第一图像质量值FQ不大于设定的第二图像质量阈值FQlow，则确定第一图像质量值FQ对应的相似度阈值为第二相似度阈值临界值Tlow。

S304：若第一图像质量值FQ大于设定的第二图像质量阈值FQlow且小于设定的第一图像质量阈值FQup，则确定第一图像质量值FQ对应的相似度阈值为：

由于本发明实施例中第一图像质量值可以综合反映光照、抓拍角度、人脸遮挡情况、人脸姿态表情、图像分辨率等因素对图像质量以及人脸识别结果的影响，且预先确定的相似度阈值可以根据获取的设定时长内第三数量的第四图像的第一图像质量值的不同而自适应的进行调整，使得确定的该相似度阈值适合当前场景，从而在获取到包含第一目标对象的第一图像后，根据第一目标相似度值和该预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

实施例6：

为了准确确定第一相似度阈值临界值和第二相似度阈值临界值，在上述各实施例的基础上，在本发明实施例中，所述预先确定第一相似度阈值临界值和第二相似度阈值临界值的过程包括：

根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

在本发明实施例中，为了增加人脸识别的灵活性，可以预先确定多个误报率区间，当确定目标误报率之后，可以根据确定的目标误报率和预设的每个误报率区间，确定目标误报率对应的目标误报率区间。

为了准确确定第一相似度阈值临界值和第二相似度阈值临界值，可以预先确定每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，进而可以根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

为方便理解，表1为本发明实施例提供的一种预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系的示意表，如表1所示，为了使目标误报率保持在合理的范围内，设置有第一误报率阈值和第二误报率阈值。用fpr表示目标误报率，fpr_low表示第一误报率阈值，fpr_up表示第二误报率阈值，用T_up’表示第三相似度阈值临界值，T_low’表示第四相似度阈值临界值。当目标误报率不大于第一误报率阈值，即fpr≤fpr_low时，以第一误报率阈值为1e-11为例，该误报率区间对应的第三相似度阈值临界值T_up’为97％，第四相似度阈值临界值T_low’为85％。

当目标误报率不小于第二误报率阈值，即fpr≥fpr_up时，以第二误报率阈值为1e-9为例，该误报率区间对应的第三相似度阈值临界值T_up’为88％，第四相似度阈值临界值为T_low’为78％。

当目标误报率大于第一误报率区间且小于第二误报率区间时，即fpr_low<fpr<fpr_up时，示例性的，当1e-11<fpr≤7.5e-11时，第三相似度阈值临界值T_up’为95％，第四相似度阈值临界值为T_low’为83％。当7.5e-11<fpr≤3e-10时，第三相似度阈值临界值T_up’为93％，第四相似度阈值临界值为T_low’为81.5％。当3e-10<fpr<1e-9时，第三相似度阈值临界值T_up’为90％，第四相似度阈值临界值为T_low’为80％。

值得说明的是，上述表1中的误报率区间、第三相似度阈值临界值和第四相似度阈值临界值只是举例说明，本发明实施例对具体数值不做具体限定。一般情况下，误报率越高，相似度阈值和相似度阈值临界值越低；误报率越低，相似度阈值和相似度阈值临界值越高。

通常情况下，如果该目标对象确实为图像库中第二图像对应的待关注对象时，则告警正确，称为“正报”；如果该目标对象实际上并不是图像库中第二图像对应的待关注对象，则告警错误，称为“误报”。而如果目标对象实际为图像库中第二图像对应的待关注对象，但是没有产生告警，则称为“漏报”。一般情况下，漏报率越小，可以认为人脸识别结果的误报率可以相对越高，对应的相似度阈值会越低。例如在监狱等强制监管场所，要求漏报率极低，此时可以选择较高的误报率，对应的可以选择较低的相似度阈值以避免漏报。

表1

实施例7：

为了准确确定每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，在上述各实施例的基础上，在本发明实施例中，预先确定所述每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系的过程包括：

分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；

针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

为了准确确定每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，在本发明实施例中，可以获取设定的第二图像质量值的第五图像，并获取设定的第三图像质量值的第六图像，其中第二图像质量值大于第三图像质量值。也就是说，第五图像可以是图像质量值较高的图像，第六图像可以是图像质量值较低的图像。其中，第五图像的数量可以是第四数量，第六图像的数量可以是第五数量，在一种可能的实施方式中，为了准确的确定每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，第四数量和第五数量可以是大于1的正整数，且第四数量和第五数量可以相同，也可以不同，可以根据需求灵活设置。通常情况下，为了可以准确的确定每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，第四数量和第五数量可以相同。

获取设定的第二图像质量值的第四数量的第五图像后，可以针对每个误报率区间，基于该第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值。具体的，可以采用现有确定误报率区间对应的相似度阈值的方法，基于该第四数量的第五图像，确定每个误报率区间对应的第三相似度阈值临界值，例如针对每个第五图像，分别确定图像库中与该第五图像匹配的图像的相似度值，并根据第四数量的第五图像对应的相似度值分布曲线，确定每个误报率区间对应的第三相似度阈值临界值，在此不再赘述。示例性的，可以获取至少100个图像质量值为75±1分的第五图像，针对每个第五图像，分别确定图像库中与该第五图像匹配的图像的相似度值，并根据该至少100个第五图像对应的相似度值分布曲线，确定每个误报率区间对应的第三相似度阈值临界值。

相应的，获取设定的第三图像质量值的第五数量的第六图像后，可以针对每个误报率区间，基于该第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。具体的，可以采用现有确定误报率区间对应的相似度阈值的方法，基于该第五数量的第六图像，确定每个误报率区间对应的第四相似度阈值临界值，在此不再赘述。示例性的，可以获取至少100个图像质量值为45±1分的第六图像，针对每个第六图像，分别确定图像库中与该第六图像匹配的图像的相似度值，并根据该至少100个第六图像对应的相似度值分布曲线，确定每个误报率区间对应的第四相似度阈值临界值。

实施例8：

为了提高用户体验，在上述各实施例的基础上，在本发明实施例中，所述确定所述目标误报率包括：

根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

通常情况下，产生告警时，如果第一目标对象确实为图像库中第二标识信息对应的待关注对象时，则告警正确，称为“正报”；如果第一目标对象实际上并不是图像库中第二标识信息对应的待关注对象时，则告警错误，称为“误报”。而如果第一目标对象实际为图像库中第二标识信息对应的待关注对象，但是没有产生告警，则称为“漏报”。现有进行人脸识别时，通常设定固定的目标误报率，例如误报率固定为1e-10。然而进行人脸识别的总次数可以认为是图像库样本图像的数量与设定时长内人流量的乘积，如果当前人流量非常高时，人脸识别的总次数也会非常高，如果采用固定的误报率，就会使得误报的数量也较高，导致出现大量的误报，降低用户体验。

在本发明实施例中，为了提高用户体验，可以根据预设的误报数量、图像库中样本图像的数量以及设定时长内的人流量，确定目标误报率。其中，可以根据实际需求，确定设定时长，例如可以统计每天的人流量等。示例性的，本发明实施例确定目标误报率的过程如下：

预设的单日误报数量用N_std表示，图像库中样本图像的数量用N_g表示，单日人流量用N_p表示，则目标误报率fpr＝N_std/(N_g·N_p)。

其中，单日误报数量N_std可以是预先设定的固定值；图像库中样本图像N_g的数量可以是已知的固定值；单日人流量N_p可以根据现有跟踪算法确定。

由于本发明实施例中目标误报率可以随着设定时长内的人流量的改变而自适应的调整，从而可以使得目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值随之而自适应的调整，进而可以使预先确定的相似度阈值也可以随之自适应的调整，进一步提高了人脸识别的准确性。

实施例9：

为了准确的确定相似度阈值，进而提高人脸识别的准确率，在上述各实施例的基础上，在本发明实施例中，所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，所述方法还包括：

确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；

根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

为了准确的确定相似度阈值，在本发明实施例中，在确定第一图像质量值对应的相似度阈值之后，还可以对第一图像质量值对应的相似度阈值进行更新，并基于更新后的相似度阈值，确定人脸识别结果。其中，对第一图像质量值对应的相似度阈值进行更新的过程具体如下：

确定第七数量的第二目标对象分别对应的第二目标相似度值，具体的，可以采用上述实施例中确定第一目标对象对应的第一目标相似度值的方法，确定第七数量的第二目标对象分别对应的第二目标相似度值，在此不再赘述。

为了可以准确的确定相似度阈值，在本发明实施例中，可以根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，然后根据预设的间隔确定每个相似度组，其中预设的间隔可以是间隔1个第二目标相似度值，也可以是间隔2个第二目标相似度值等，具体预设的间隔可以根据需求灵活设置，本发明实施例对具体间隔的数值不做具体限定。示例性的，共有m个第二目标相似度值，按照第二目标相似度值由低到高排序，分别标记为Sim₁,Sim₂,…,Sim_m，当预设的间隔为间隔2个第二目标相似度值时，每个相似度组中的第三目标相似度值和第四目标相似度值分别为Sim_i和Sim_i+2，其中i不小于1且不大于m-2，即i∈[1,m-2]。

在本发明实施例中，可以根据相似度阈值与任一相似度组中的第三目标相似度值和第四目标相似度值，确定相似度阈值所属的目标相似度组。并根据目标相似度组中的第三目标相似度值和第四目标相似度值对相似度阈值进行更新，例如可以将目标相似度组中的第三目标相似度值和第四目标相似度值的平均值，确定为更新后的相似度阈值。

由于本发明实施例是基于第七数量的第二目标对象分别对应的第二目标相似度值，确定更新后的相似度阈值。而目标相似度值相比现有第一相似度值，可以在一定程度上提高相似度值，且很大概率只提高正对的相似度值，而不提高负对的相似度值。示例性的，例如基于第一相似度值，确定的正对的相似度为80％，负对的相似度为75％，正对和负对的分布曲线交叠严重，对准确确定相似度阈值造成较大影响；而基于由第三相似度值和第二相似度值确定的第一目标相似度值，可以将正对的相似度很大概率的提高为95％、100％、甚至超过100％等，而负对的相似度很大概率仍是75％或者只是很小概率的小幅提高为80％等，从而可以增加正对和负对的相似度值的区分度，提高了确定的相似度阈值的准确性，进而提高了人脸识别的准确性。

实施例10：

为了提高确定相似度阈值所属的目标相似度组的效率，在上述各实施例的基础上，在本发明实施例中，所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，所述方法还包括：

确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

图4为本发明实施例提供的相似度分布曲线示意图，如图4所示，通常情况下，统计多个在已知人脸识别结果正确与否的情况下，正确的识别结果(为方便描述，用“正对”表示)和错误的识别结果(为方便描述，用“负对”表示)的相似度分布曲线。可以发现正对的相似度主要集中在相似度值较高的高相似度值区域内，而负对的相似度主要集中在相似度值较低的低相似度值区域内，而在正对相似度分布曲线a和负对相似度分布曲线b的交叠区，如图4中横坐标相似度在0.75附近，相似度的分布数量和分布概率是较低的。而预先设定的相似度阈值的取值通常在正对相似度分布曲线a和负对相似度分布曲线b的交叠区附近。由此可以看出，在相似度阈值附近，相似度的分布数量和分布概率均较小。

同样的，在实际人脸识别过程中，在并不清楚人脸识别结果正确与否的情况下，相似度正态分布曲线如曲线c所示，在曲线c中也可以看出与曲线a和曲线b相同的分布特性，即在相似度阈值附近，相似度的分布数量和分布概率均较小。

虽然图4中相似度分布曲线是统计了大量的相似度获得的，在实际人脸过程中，可能相似度的数量达不到该统计的要求，并不能得到理想的分布曲线，只能得到一些离散的分布点，但是上述相似度和相似度阈值的分布特征是不变的，在本发明实施例中，可以基于该相似度和相似度阈值的分布特征，确定相似度阈值。

具体的，为了提高确定相似度阈值所属的目标相似度组的效率，在本发明实施例中，可以确定每个相似度组中的第三目标相似度值和第四目标相似度值的差值，根据差值的大小对每个相似度组进行排序，差值越大，可以认为相似度值的分布数量和分布概率越小，相似度阈值位于该相似度组中的概率也越大。因此，为了提高确定相似度阈值所属的目标相似度组的效率，可以按照差值由大到小的顺序，依次确定相似度阈值所属的目标相似度组，进而进行对相似度阈值更新的步骤。

在一种可能的实施方式中，为了提高确定相似度阈值所属的目标相似度组的效率，预设的间隔可以选择间隔2个第二目标相似度值。相比间隔1个第二目标相似度值，间隔2个第二目标相似度值可以更进一步降低相似度组中的第三目标相似度值和第四目标相似度值位于相似度阈值的分布概率，一定程度上增大相似度阈值所属的目标相似度组中第三目标相似度值和第四目标相似度值的差值，从而在按照差值由大到小的顺序，对相似度组排序时，可以使目标相似度组排序比较靠前，从而提高确定相似度阈值所属的目标相似度组的效率。

值得说明的是，图4中的相似度的具体数据只是举例说明，在本发明实施例中，当图4中对应的相似度值是上述实施例中的目标相似度值时，相似度的具体数据可以大于1。同样的，表1中的相似度阈值的具体数据也只是举例说明，表1中的相似度阈值也可以大于1，具体数据可以根据需求，灵活设置，例如在目标误报率为1e-11时，第三目标相似度值可以为110％，第四目标相似度值可以为95％等。

为方便理解，下面通过一个具体实施例对本发明实施例提供的确定相似度阈值的过程进行举例说明。图5是本发明实施例提供的确定相似度阈值过程示意图，如图5所示：

S501：获取设定时长内第三数量的第四图像的第一图像质量值。

S502：确定第一图像值对应的相似度阈值。

S503：确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值。

S504：确定每个相似度组中的第三目标相似度值和第四目标相似度值的差值，根据差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次根据相似度阈值与相似度组中的第三目标相似度值和第四目标相似度值，确定相似度阈值所属的目标相似度组。

S505：根据目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新。

S506：基于更新后的相似度阈值，根据第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果。

在一种可能的实施方式中，可以将更新后的相似度阈值、更新前的相似度阈值、每个相似度组以及目标相似度组中的第三目标相似度值和第四目标相似度值等信息进行保存，以供管理者使用。

本发明实施例可以基于相似度和相似度阈值的分布特征，根据相似度阈值所属的目标相似度组中的第三目标相似度值和第四目标相似度值，对相似度阈值进行更新。从而可以使得更新后的相似度阈值相比更新前的相似度阈值更适合当前人脸识别的场景，根据第一目标相似度值和更新后的相似度阈值确定人脸识别结果时，可以进一步提高人脸识别的准确性。

另外，本发明实施例可以利用电子设备本地的相似度数据即可以确定适合当前场景的相似度阈值，而不需采用现有技术中预先保存多个测试数据确定相似度阈值，从而提高了确定相似度阈值的便利性，同时本发明实施例中的相似度阈值可以随着图像质量、目标误报率等的改变而自适应的进行调整，从而可以提高人脸识别的准确性。

实施例11：

为了增加更新相似度阈值的灵活性，在上述各实施例的基础上，在本发明实施例中，所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，所述方法还包括：

判断是否达到设定的间隔时长，若是，则进行后续步骤；

若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；

所述根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序包括：

根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

为了增加更新相似度阈值的灵活性，在本发明实施例中，还可以以设定的间隔时长，例如每隔半小时等，对相似度阈值进行更新。具体的，在确定第七数量的第二目标对象分别对应的第二目标相似度值之后，可以判断当前时刻是否达到设定的间隔时长，若是，则根据上述实施例中对相似度阈值更新的方法，对相似度阈值进行更新。

如果还没有达到设定的间隔时长，则可以在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值，具体的，确定第八数量的第二目标对象分别对应的第二目标相似度值时，可以分别采用上述实施例中确定第一目标对象对应的第一目标相似度值的方法，在此不再赘述。

为了准确的确定相似度阈值，可以根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序，并根据预设的间隔确定每个相似度组，其中，确定每个相似度组、确定相似度阈值所属的目标相似度组以及根据目标相似度组中的第三目标相似度值和第四目标相似度值对相似度阈值进行更新的过程与上述实施例相同，在此不再赘述。

实施例12：

在上述各实施例的基础上，本发明实施例提供了一种人脸识别装置，图6为本发明实施例提供的一种人脸识别装置示意图，如图6所示，所述装置包括：

获取模块61，用于获取包含第一目标对象的每个第一图像；

确定模块62，用于针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

所述确定模块62，还用于从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

所述确定模块62，还用于确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

所述确定模块62，还用于确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

所述确定模块62，还用于根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

在一种可能的实施方式中，所述确定模块62，具体用于根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

在一种可能的实施方式中，所述确定模块62，具体用于根据所述各第二图像各自对应的第一相似度值对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

在一种可能的实施方式中，所述确定模块62，具体用于根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

在一种可能的实施方式中，所述确定模块62，具体用于获取设定时长内第三数量的第四图像的第一图像质量值；若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；其中，所述第一图像质量阈值大于所述第二图像质量阈值。

在一种可能的实施方式中，所述确定模块62，具体用于根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

在一种可能的实施方式中，所述确定模块62，具体用于分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

在一种可能的实施方式中，所述确定模块62，具体用于根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

在一种可能的实施方式中，所述确定模块62，还用于所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

在一种可能的实施方式中，所述确定模块62，还用于所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

在一种可能的实施方式中，所述确定模块62，还用于所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，判断是否达到设定的间隔时长，若是，则进行后续步骤；若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

由于本发明实施例中第一目标相似度值是由第二相似度值和第三相似度值共同确定的，其中第三相似度值是第二标识信息的第三图像中最高的相似度值，而累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象；另外，第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，因此由第三相似度值和第二相似度值共同确定的第一目标相似度值可以很大概率的将第二标识信息的第三图像对应的相似度值增大，根据该第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

实施例13：

在上述各实施例的基础上，本发明实施例提供了一种电子设备，图7为本发明实施例提供的一种电子设备结构示意图，如图7所示，包括：处理器71、通信接口72、存储器73和通信总线74，其中，处理器71，通信接口72，存储器73通过通信总线74完成相互间的通信；

所述存储器73中存储有计算机程序，当所述程序被所述处理器71执行时，使得所述处理器71执行如下步骤：

获取包含第一目标对象的每个第一图像；

针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

在一种可能的实施方式中，处理器71，具体用于根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

在一种可能的实施方式中，处理器71，具体用于根据所述各第二图像各自对应的第一相似度值对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

在一种可能的实施方式中，处理器71，具体用于根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

在一种可能的实施方式中，处理器71，具体用于获取设定时长内第三数量的第四图像的第一图像质量值；

若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；

其中，所述第一图像质量阈值大于所述第二图像质量阈值。

在一种可能的实施方式中，处理器71，具体用于根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

在一种可能的实施方式中，处理器71，具体用于分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；

针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

在一种可能的实施方式中，处理器71，具体用于根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

在一种可能的实施方式中，处理器71，还用于所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；

根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

在一种可能的实施方式中，处理器71，还用于所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

在一种可能的实施方式中，处理器71，还用于所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，判断是否达到设定的间隔时长，若是，则进行后续步骤；

若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；

根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

由于上述电子设备解决问题的原理与人脸识别方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口72用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

由于本发明实施例中第一目标相似度值是由第二相似度值和第三相似度值共同确定的，其中第三相似度值是第二标识信息的第三图像中最高的相似度值，而累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象；另外，第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，因此由第三相似度值和第二相似度值共同确定的第一目标相似度值可以很大概率的将第二标识信息的第三图像对应的相似度值增大，根据该第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

实施例14：

在上述各实施例的基础上，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：

获取包含第一目标对象的每个第一图像；

针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

在一种可能的实施方式中，所述根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值包括：

根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

在一种可能的实施方式中，所述从各第二图像中，选取第一数量的第三图像包括：

根据所述各第二图像各自对应的第一相似度值对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

在一种可能的实施方式中，所述根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值包括：

根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

在一种可能的实施方式中，所述预先确定相似度阈值的过程包括：

获取设定时长内第三数量的第四图像的第一图像质量值；

若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；

其中，所述第一图像质量阈值大于所述第二图像质量阈值。

在一种可能的实施方式中，所述预先确定第一相似度阈值临界值和第二相似度阈值临界值的过程包括：

根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

在一种可能的实施方式中，预先确定所述每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系的过程包括：

分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；

针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

在一种可能的实施方式中，所述确定所述目标误报率包括：

根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

在一种可能的实施方式中，所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，所述方法还包括：

确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；

根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

在一种可能的实施方式中，所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，所述方法还包括：

确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

在一种可能的实施方式中，所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，所述方法还包括：

判断是否达到设定的间隔时长，若是，则进行后续步骤；

若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；

所述根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序包括：

根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。

由于本发明实施例中第一目标相似度值是由第二相似度值和第三相似度值共同确定的，其中第三相似度值是第二标识信息的第三图像中最高的相似度值，而累计相似度值最高的第二标识信息对应的待关注对象很大概率即为第一目标对象；另外，第二相似度值是根据第二标识信息对应的第三图像的第二数量、从第二图像中选取的第三图像的第一数量和预设的第一公式确定的，因此由第三相似度值和第二相似度值共同确定的第一目标相似度值可以很大概率的将第二标识信息的第三图像对应的相似度值增大，根据该第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果时，可以提高人脸识别的准确性。

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

本申请是参照根据本申请的方法、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数据处理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数据处理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数据处理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数据处理设备上，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。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (14)

1.一种人脸识别方法，其特征在于，所述方法包括：

获取包含第一目标对象的每个第一图像；

针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

2.根据权利要求1所述的方法，其特征在于，所述根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值包括：

根据该第一标识信息的每个第三图像对应的第一相似度值和预设的每个相似度区间，确定每个第一相似度值分别对应的目标相似度区间；根据所述每个相似度区间与映射相似度值的对应关系，确定所述每个第一相似度值分别对应的第四相似度值，根据每个第四相似度值，确定该第一标识信息对应的累计相似度值。

3.根据权利要求1所述的方法，其特征在于，所述从各第二图像中，选取第一数量的第三图像包括：

根据所述各第二图像各自对应的第一相似度值对所述各第二图像进行排序，按照第一相似度值由大到小的顺序，选取第一数量的第三图像。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值包括：

根据预设的第一公式

确定所述第二标识信息对应的第二相似度值；

其中，Bonus为第二相似度值、Count为第二数量、w₁为第一预设权重值、k₁为第一数量、w₂为第二预设权重值。

5.根据权利要求1所述的方法，其特征在于，所述预先确定相似度阈值的过程包括：

获取设定时长内第三数量的第四图像的第一图像质量值；

若所述第一图像质量值不小于设定的第一图像质量阈值，则根据预先确定的第一相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值不大于设定的第二图像质量阈值，则根据预先确定的第二相似度阈值临界值，确定第一图像质量值对应的相似度阈值；

若所述第一图像质量值大于设定的第二图像质量阈值且小于设定的第一图像质量阈值，则根据预先确定的所述第一相似度阈值临界值、所述第二相似度阈值临界值、所述第一图像质量值、所述第一图像质量阈值、所述第二图像质量阈值，确定所述第一图像质量值对应的相似度阈值；

其中，所述第一图像质量阈值大于所述第二图像质量阈值。

6.根据权利要求5所述的方法，其特征在于，所述预先确定第一相似度阈值临界值和第二相似度阈值临界值的过程包括：

根据确定的目标误报率和预设的每个误报率区间，确定所述目标误报率对应的目标误报率区间；根据预先确定的每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系，确定所述目标误报率区间对应的第一相似度阈值临界值和第二相似度阈值临界值。

7.根据权利要求6所述的方法，其特征在于，预先确定所述每个误报率区间与第三相似度阈值临界值和第四相似度阈值临界值的对应关系的过程包括：

分别获取设定的第二图像质量值的第四数量的第五图像和设定的第三图像质量值的第五数量的第六图像，所述第二图像质量值大于第三图像质量值；

针对每个误报率区间，基于所述第四数量的第五图像，确定该误报率区间对应的第三相似度阈值临界值；并基于所述第五数量的第六图像，确定该误报率区间对应的第四相似度阈值临界值。

8.根据权利要求6所述的方法，其特征在于，所述确定所述目标误报率包括：

根据预设的误报数量、所述图像库中样本图像的数量以及设定时长内的人流量，确定所述目标误报率。

9.根据权利要求5-8任一所述的方法，其特征在于，所述确定第一图像质量值对应的相似度阈值之后，所述根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果之前，所述方法还包括：

确定第七数量的第二目标对象分别对应的第二目标相似度值，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序，根据预设的间隔确定每个相似度组，其中，每个相似度组包含一个第三目标相似度值和一个第四目标相似度值；

根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组；根据所述目标相似度组中的第三目标相似度值和第四目标相似度值对所述相似度阈值进行更新，并基于更新后的相似度阈值，进行后续根据所述第一目标相似度值和预先确定的更新后的相似度阈值，确定人脸识别结果的步骤。

10.根据权利要求9所述的方法，其特征在于，所述根据预设的间隔确定每个相似度组之后，所述根据所述相似度阈值与任一所述相似度组中的第三目标相似度值和第四目标相似度值，确定所述相似度阈值所属的目标相似度组之前，所述方法还包括：

确定每个所述相似度组中的第三目标相似度值和第四目标相似度值的差值，根据所述差值的大小对每个相似度组进行排序，按照差值由大到小的顺序，依次进行后续步骤。

11.根据权利要求9所述的方法，其特征在于，所述确定第七数量的第二目标对象分别对应的第二目标相似度值之后，根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序之前，所述方法还包括：

判断是否达到设定的间隔时长，若是，则进行后续步骤；

若否，则在达到设定的间隔时长后，确定该间隔时长内，获取的第八数量的第二目标对象分别对应的第二目标相似度值；

所述根据第二目标相似度值的大小对第七数量的每个第二目标相似度值进行排序包括：

根据第二目标相似度值的大小对第八数量的每个第二目标相似度值进行排序。

12.一种人脸识别装置，其特征在于，所述装置包括：

获取模块，用于获取包含第一目标对象的每个第一图像；

确定模块，用于针对所述每个第一图像，确定图像库中与该第一图像匹配的第二图像的第一相似度值以及该第二图像对应的第一标识信息；

所述确定模块，还用于从各第二图像中，选取第一数量的第三图像；针对每个所述第三图像对应的每个第一标识信息，根据该第一标识信息的每个第三图像对应的第一相似度值，确定该第一标识信息对应的累计相似度值；

所述确定模块，还用于确定与累计相似度值最高的第二标识信息相对应的第三图像的第二数量，根据所述第一数量、所述第二数量和预设的第一公式，确定所述第二标识信息对应的第二相似度值；

所述确定模块，还用于确定所述第二标识信息的第三图像中最高的第三相似度值，根据所述第三相似度值以及所述第二相似度值，确定所述第一目标对象的第一目标相似度值；

所述确定模块，还用于根据所述第一目标相似度值和预先确定的相似度阈值，确定人脸识别结果。

13.一种电子设备，其特征在于，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-11中任一所述人脸识别方法的步骤。

14.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一所述人脸识别方法的步骤。

Images