CN114612970A - 一种基于位置序列的人脸图像的识别方法、装置以及设备 - Google Patents

Abstract

本说明书实施例公开了一种基于位置序列的人脸图像的识别方法、装置以及设备。通过获取人脸图像，确定获取所述人脸图像时的目标位置；生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；获取与所述待确认向量相对应的历史位置序列；融合所述历史位置序列和所述目标位置生成目标向量；根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。从而实现把目标位置和历史位置序列经过学习，进一步表征了用户的行为。

Description

一种基于位置序列的人脸图像的识别方法、装置以及设备

技术领域

本说明书涉及互联网技术领域，尤其涉及一种基于位置序列的人脸图像的识别方法、装置以及设备。

背景技术

随着移动互联网的发展，采用人脸进行身份识别的业务已经应用的越来越广泛。虽然可以通过计算机视觉算法来较为精准的获取人脸的比对向量，但是需在数亿级规模上进行召回，但是对于大量的相似人脸或者从没刷过脸的人脸来讲，通过向量比对将会较难区分出来是否是本人。

基于此，需要一种更加安全准确的人脸图像的识别。

发明内容

本说明书一个或多个实施例提供一种基于位置序列的人脸图像的识别方法、装置、设备以及存储介质，用以解决如下技术问题：需要一种更加安全准确的人脸图像的识别方案。

为解决上述技术问题，本说明书实施例是这样实现的：

在第一方面，本说明书实施例提供一种基于位置序列的人脸图像的识别方法，包括：获取人脸图像，确定获取所述人脸图像时的目标位置；生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；获取与所述待确认向量相对应的历史位置序列；融合所述历史位置序列和所述目标位置生成目标向量；根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

在第二方面，本说明书实施例提供一种基于位置序列的人脸图像的识别装置，包括：第一获取模块，获取人脸图像，确定获取所述人脸图像时的目标位置；召回模块，生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；第二获取模块，获取与所述待确认向量相对应的历史位置序列；融合模块，融合所述历史位置序列和所述目标位置生成目标向量；识别模块，根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

在第三方面，本说明书实施例提供一种电子设备，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第一方面所述的方法。

在第四方面，本说明书实施例提供一种非易失性计算机存储介质存储有计算机可执行指令，当计算机读取存储介质中的计算机可执行指令后，该指令使得一个或多个处理器执行如第一方面所述的方法。

本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取人脸图像，确定获取所述人脸图像时的目标位置；生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；获取与所述待确认向量相对应的历史位置序列；融合所述历史位置序列和所述目标位置生成目标向量；根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。从而实现把目标位置和历史位置序列经过学习，进一步表征了用户的行为，克服初始刷脸用户的冷启动、相似用户的召回时需要精细化确定等问题，实现更加安全准确的人脸图像的识别。

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为本说明书实施例所提供的一种基于位置序列的人脸图像的识别方法的流程示意图；

图2为本说明书实施例所提供的一种融合所述历史位置序列和所述目标位置的示意图；

图3为本说明书实施例所提供的一种人脸识别的时序图；

图4为本说明书实施例提供的一种基于位置序列的人脸图像的识别装置的示意图；

图5为本说明书实施例提供的一种电子设备的结构示意图。

具体实施方式

本说明书实施例提供一种基于位置序列的人脸图像的识别方法、装置、设备以及存储介质。

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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。

如图1所示，图1为本说明书实施例所提供的一种基于位置序列的人脸图像的识别方法的流程示意图。图1中的流程可以包括以下步骤：

S101：获取人脸图像，确定获取所述人脸图像时的目标位置。

通常，是某个应用在需要进行身份验证时会使用人脸图像。例如，当用户在使用应用的客户端进行登录、支付等行为时，应用通过在客户端中提供扫描框以获取人脸图像并将其发送至服务端，服务端从而可以接收得到人脸图像。

同时，客户端可以通过应用所处设备的定位装置获取得到在用户进行面部扫描是的即时位置。

S103，生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量。

服务端可以将人脸图像进行初步处理，得到包含了人脸特征的人脸特征向量。进而，可以召回与所述人脸特征向量相似的待确认向量。

例如，服务端可以基于预先存储的人脸特征向量的数据库中，召回与生成的人脸特征向量相似度最高的前几个人脸特征向量，例如，可以召回与生成的人脸特征向量之间的空间距离或者余弦相似度top5的5个向量，作为待确认向量。

S105，获取与所述待确认向量相对应的历史位置序列。

历史位置序列是一个包含用户的历史位置的有序数组。历史位置可以是用户在客户端中发生了扫码、支付或者激活客户端等行为时的位置。历史位置序列中包含的历史位置的数量可以基于实际需要进行自定义。

例如，历史位置序列中包含有距离当前时刻最近的20个历史位置。换言之，历史位置序列中所包含的历史位置是按照时间维度动态调整生成的，比如今天生成的过去20个历史位置所组成的序列，明天再次更新生成过去最近的20历史位置所组成的序列。

S107，融合所述历史位置序列和所述目标位置生成目标向量。

具体而言，如图2所示，图2为本说明书实施例所提供的一种融合所述所述历史位置序列和所述目标位置的示意图。

由于历史位置序列中包含有N个位置，N为自然数，例如，当N＝3时，可以是“北京、北京、天津”。显然，则可以采用向量嵌入(embedding)的方式，对所述N个向量分别进行向量化，将N个位置分别转换为相同维度的N个嵌入位置向量(例如，在图2中，其维度为8)，同理，可以将目标位置同样转换为具有相同维度的嵌入目标向量。

进而既可以采用后续的模型进一步对嵌入位置向量和嵌入目标向量进行特征融合，例如可以采用向量相乘、拼接等等方式来实现特征融合从而生成目标向量。

S109，根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

生成的目标向量中即同时包含了历史位置序列和目标位置的特征，因此，即可以对目标向量特征采用全连接层来进行识别，生成评估结果。评估结果用于表征历史位置序列和目标位置之间的相关性，从而判断目标位置是否合理。

若相关性不强(通常表征为评估结果不超过预设阈值)，则说明基于历史位置序列而言，该目标位置不是一个合理的刷脸位置(例如，历史位置序列表征用户经常在北京、天津等一带活动，而目标位置则发生在广州，则此时可能认为相关性不强)，即待确认向量所对应的用户不是所述人脸图像所对应的用户，否则，即可以认为所述待确认向量所对应的用户是所述人脸图像所对应的用户。

如图3所示，图3为本说明书实施例所提供的一种人脸识别的时序图。在该示意图中，服务端通过召唤与用户的人脸向量相似的待确认向量以及对应的历史位置序列进行综合评估，生成预测结果，并返回给用户。

通过获取人脸图像，确定获取所述人脸图像时的目标位置；生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；获取与所述待确认向量相对应的历史位置序列；融合所述历史位置序列和所述目标位置生成目标向量；根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。从而实现把目标位置和历史位置序列经过学习，进一步表征了用户的行为，克服相似用户的召回时需要精细化确定的问题，实现更加安全准确的人脸图像的识别。

在一种实施例中，在融合所述N个嵌入位置向量和所述嵌入目标向量生成目标向量，可以采用如下方式：确认所述N个嵌入位置向量在所述历史位置序列中的顺序；将所述N个嵌入位置向量依序进行编码和解码，生成与位置一一对应的N个编码向量，其中，对第i个嵌入位置向量进行编码时的编码输入包括第i-1个嵌入位置向量进行编码时的编码输入，1＜i≤N；依序融合所述N个编码向量和所述嵌入目标向量生成目标向量。

如图2中所示，可以采用transformer层，对所述N个嵌入位置向量基于进行编码和解码。在transformer层中，同时包含有N个编码器。所有的编码器都有一个相同的特点，即它们接收一个向量列表(即前述的嵌入位置向量)，列表中的每个向量维度大小相同。在最开始的编码器中它就是词向量，但是在其他编码器中，它就是下一层编码器的输出，即对第i个嵌入位置向量进行编码时的编码输入包括第i-1个嵌入位置向量进行编码时的编码输入，1＜i≤N。

同时，transformer层为每一个输入的嵌入位置向量添加了一个顺序表征向量，其中，所述顺序表征向量用于表征嵌入位置向量所对应的历史位置在历史位置序列中的顺序。进而即可以采用解码器对每个编码器的输出进行解码，生成N个编码向量。这样，每个解码器的输出的编码向量还同时融合了顺序特征以及在前的历史位置的特征。生成的编码向量和嵌入位置向量、嵌入目标向量的维度相同。

进而，即可以依序融合所述N个编码向量和所述嵌入目标向量生成目标向量。

在一种实施例中，在依序融合所述N个编码向量和所述嵌入目标向量生成目标向量，可以采用如下方式：依序将所述N个编码向量和所述嵌入目标向量相乘，生成对应的N个中间处理向量；拼接所述N个中间处理向量生成目标向量。

如图2中所示，在融合的过程中可对于每一个编码向量，采用相同的融合单元依序将所述N个编码向量和所述嵌入目标向量相乘，生成对应的N个中间处理向量；进而，将生成的N个中间处理向量拼接，从而得到目标向量。

在这个过程中，对于目标向量相乘时可以基于预先训练的结果，还可以采用不同权重的方式进行权重相乘。

在一种实施例中，在根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户，还可以基于目标向量融合其它的用户特征来判断。

例如，还可以融合用户的用户行为序列信息，包括用户的年龄、性别、激活序列、扫码支付序列等等。并将用户行为序列信息同样转换为向量而与目标向量进行融合。

其中，在对用户行为序列信息进行独热编码时，一些特征会被编码为稀疏特征(例如，性别、年龄等)，而另外一些特征则可能会被编码为稠密特征。

具体而言，对特征进行独热编码时，对于用户行为序列信息中所包含的连续特征则可以确定为稠密特征，进而可以根据所述稠密特征生成稠密向量。例如，对于用户的历史信用序列评估，其可能是一个形如(7、7.2、8.1、6.7)的包含多个信用分的向量，在进行独热编码之后则可能是一个形如(010110100)的稠密特征。

而对于用户行为序列信息中所包含的连续特征则可以确定为稀疏特征，进而可以根据所述稠密特征生成稀疏向量。例如，对于用户的年龄，其可能被编码为(0001)或者(0000)的编码特征

此时，则可以分别对稀疏向量和稠密向量采用不同的特征提取方式，并进行融合，从而拼接所述稠密向量、稀疏向量和所述目标向量生成综合特征向量，如图2中所示。在采用多个全连接层对所述综合特征向量进行评估，即可以根据所述综合特征向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

在一种实施例中，对于稠密向量采用如下方式进行处理得到，如图2中所示，即可以对稠密特征采用进行线性处理，生成稠密向量。例如，可以采用线性变换函数，或者采用线性变换的基础模型，例如xgboost/lightgbm等等进行线性变换的模型，从而生成稠密向量。

在一种实施例中，对于稀疏向量则可以融合所述稠密特征和所述稀疏特征得到。具体而言，即如前所述，可以首先将稀疏特征进行向量嵌入，从而得到多个对应的特征向量。

进而，即可以融合所述稀疏特征和所述稠密特征，生成交叉特征向量。例如，可以将特征向量和所述稠密特征直接进行相加，从而生成得到交叉特征向量，或者还可以采用相乘后拼接的方式，从而生成得到交叉特征向量，具体融合得到交叉特征向量的方式，可以基于实际需要而确定。

对于获取得到的交叉特征向量，由于实际上是融合了多个稀疏特征。容易理解，各稀疏特征之间的相关性本身并不强。基于此，可以采用子空间的方式，将将所述交叉特征向量在划分为多个子向量(例如，可以将交叉特征向量转换为一个高维向量，再对高维向量划分为多个字向量)，进而，采用对应的多个局部模型对所述多个子向量分别处理，生成对应的多个中间处理结果，并拼接所述多个中间处理结果生成稀疏向量。

在这个过程中，每个局部模型可以对部分的子向量进行处理，针对任一的字向量，具体如何选择哪个局部模型来进行处理，可以基于训练得到的门控模块来选择。同时，对于每个局部模型的权重也是可以预先训练得到的。通过采用该方式，可以较好的处理用户行为序列信息中的稀疏特征，以辅助提高模型对于人脸识别的准确度。

基于同样的思路，本说明书一个或多个实施例还提供了上述方法对应的装置和设备，如图4、图5所示。

在第二方面，如图4所示，图4为本说明书实施例提供的一种基于位置序列的人脸图像的识别装置的示意图，所述装置包括：

第一获取模块401，获取人脸图像，确定获取所述人脸图像时的目标位置；

召回模块403，生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；

第二获取模块405，获取与所述待确认向量相对应的历史位置序列；

融合模块407，融合所述历史位置序列和所述目标位置生成目标向量；

识别模块409，根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

可选地，所述融合模块407，确定所述历史位置序列所包含的N个位置，N为自然数；对所述N个位置和所述目标位置进行向量嵌入，生成与所述N个位置对应的N个嵌入位置向量和与所述目标位置对应的嵌入目标向量。融合所述N个嵌入位置向量和所述嵌入目标向量生成目标向量。

可选地，所述融合模块407，确认所述N个嵌入位置向量在所述历史位置序列中的顺序；将所述N个嵌入位置向量依序进行编码和解码，生成与位置一一对应的N个编码向量，其中，对第i个嵌入位置向量进行编码时的编码输入包括第i-1个嵌入位置向量进行编码时的编码输入，1＜i≤N；依序融合所述N个编码向量和所述嵌入目标向量生成目标向量。

可选地，所述融合模块407，依序将所述N个编码向量和所述嵌入目标向量相乘，生成对应的N个中间处理向量；拼接所述N个中间处理向量生成目标向量。

可选地，所述识别模块409，获取基于用户的行为序列信息所生成的稠密向量和稀疏向量；拼接所述稠密向量、稀疏向量和所述目标向量生成综合特征向量；根据所述综合特征向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

可选地，所述识别模块409，将所述用户的行为序列信息中所包含的连续特征确定为稠密特征，根据所述稠密特征生成稠密向量；以及，将所述用户的行为序列信息中所包含的非连续特征确定为稀疏特征，融合所述稠密特征和所述稀疏特征生成稀疏向量。

可选地，所述识别模块409，对所述稠密特征进行线性处理，生成稠密向量。

可选地，所述识别模块409，融合所述稀疏特征和所述稠密特征，生成交叉特征向量；将所述交叉特征向量划分为多个子向量；采用对应的多个局部模型对所述多个子向量分别处理，生成对应的多个中间处理结果；拼接所述多个中间处理结果生成稀疏向量。

在第三方面，如图5所示，图5为本说明书实施例提供的一种电子设备的结构示意图，所述设备包括：

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行如第一方面所述的方法。

在第四方面，基于同样的思路，本说明书一个或多个实施例还提供了对应于上述方法的一种非易失性计算机存储介质，存储有计算机可执行指令，当计算机读取存储介质中的计算机可执行指令后，该指令使得一个或多个处理器执行如第一方面所述的方法。

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：ARC625D、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。

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。

本说明书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，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，对于装置、设备、非易失性计算机存储介质实施例而言，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。

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。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例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 (17)

1.一种基于位置序列的人脸图像的识别方法，包括：

获取人脸图像，确定获取所述人脸图像时的目标位置；

生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；

获取与所述待确认向量相对应的历史位置序列；

融合所述历史位置序列和所述目标位置生成目标向量；

根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

2.如权利要求1所述的方法，其中，融合所述历史位置序列和所述目标位置生成目标向量，包括：

确定所述历史位置序列所包含的N个位置，N为自然数；

对所述N个位置和所述目标位置进行向量嵌入，生成与所述N个位置对应的N个嵌入位置向量和与所述目标位置对应的嵌入目标向量。

融合所述N个嵌入位置向量和所述嵌入目标向量生成目标向量。

3.如权利要求2所述的方法，其中，融合所述N个嵌入位置向量和所述嵌入目标向量生成目标向量，包括：

确认所述N个嵌入位置向量在所述历史位置序列中的顺序；

将所述N个嵌入位置向量依序进行编码和解码，生成与位置一一对应的N个编码向量，其中，对第i个嵌入位置向量进行编码时的编码输入包括第i-1个嵌入位置向量进行编码时的编码输入，1＜i≤N；

依序融合所述N个编码向量和所述嵌入目标向量生成目标向量。

4.如权利要求3所述的方法，其中，依序融合所述N个编码向量和所述嵌入目标向量生成目标向量，包括：

依序将所述N个编码向量和所述嵌入目标向量相乘，生成对应的N个中间处理向量；

拼接所述N个中间处理向量生成目标向量。

5.如权利要求1所述的方法，根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户，包括：

获取基于用户的行为序列信息所生成的稠密向量和稀疏向量；

拼接所述稠密向量、稀疏向量和所述目标向量生成综合特征向量；

根据所述综合特征向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

6.如权利要求5所述的方法，其中，获取基于用户的行为序列信息所生成的稠密向量和稀疏向量，包括：

将所述用户的行为序列信息中所包含的连续特征确定为稠密特征，根据所述稠密特征生成稠密向量；

以及，将所述用户的行为序列信息中所包含的非连续特征确定为稀疏特征，融合所述稠密特征和所述稀疏特征生成稀疏向量。

7.如权利要求6所述的方法，其中，根据所述稠密特征生成稠密向量，包括：

对所述稠密特征进行线性处理，生成稠密向量。

8.如权利要求6所述的方法，其中，融合所述稠密特征和所述稀疏特征生成稀疏向量，包括：

融合所述稀疏特征和所述稠密特征，生成交叉特征向量；

将所述交叉特征向量划分为多个子向量；

采用对应的多个局部模型对所述多个子向量分别处理，生成对应的多个中间处理结果；

拼接所述多个中间处理结果生成稀疏向量。

9.一种基于位置序列的人脸图像的识别装置，包括：

第一获取模块，获取人脸图像，确定获取所述人脸图像时的目标位置；

召回模块，生成所述人脸图像所对应的人脸特征向量，召回与所述人脸特征向量相似的待确认向量；

第二获取模块，获取与所述待确认向量相对应的历史位置序列；

融合模块，融合所述历史位置序列和所述目标位置生成目标向量；

识别模块，根据目标向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

10.如权利要求9所述的装置，其中，所述融合模块，确定所述历史位置序列所包含的N个位置，N为自然数；对所述N个位置和所述目标位置进行向量嵌入，生成与所述N个位置对应的N个嵌入位置向量和与所述目标位置对应的嵌入目标向量。融合所述N个嵌入位置向量和所述嵌入目标向量生成目标向量。

11.如权利要求10所述的装置，其中，所述融合模块，确认所述N个嵌入位置向量在所述历史位置序列中的顺序；将所述N个嵌入位置向量依序进行编码和解码，生成与位置一一对应的N个编码向量，其中，对第i个嵌入位置向量进行编码时的编码输入包括第i-1个嵌入位置向量进行编码时的编码输入，1＜i≤N；依序融合所述N个编码向量和所述嵌入目标向量生成目标向量。

12.如权利要求11所述的装置，其中，所述融合模块，依序将所述N个编码向量和所述嵌入目标向量相乘，生成对应的N个中间处理向量；拼接所述N个中间处理向量生成目标向量。

13.如权利要求9所述的装置，其中，所述识别模块，获取基于用户的行为序列信息所生成的稠密向量和稀疏向量；拼接所述稠密向量、稀疏向量和所述目标向量生成综合特征向量；根据所述综合特征向量确定所述待确认向量所对应的用户是否为所述人脸图像所对应的用户。

14.如权利要求13所述的装置，其中，所述识别模块，将所述用户的行为序列信息中所包含的连续特征确定为稠密特征，根据所述稠密特征生成稠密向量；以及，将所述用户的行为序列信息中所包含的非连续特征确定为稀疏特征，融合所述稠密特征和所述稀疏特征生成稀疏向量。

15.如权利要求14所述的装置，其中，所述识别模块，对所述稠密特征进行线性处理，生成稠密向量。

16.如权利要求14所述的装置，其中，所述识别模块，融合所述稀疏特征和所述稠密特征，生成交叉特征向量；将所述交叉特征向量划分为多个子向量；采用对应的多个局部模型对所述多个子向量分别处理，生成对应的多个中间处理结果；拼接所述多个中间处理结果生成稀疏向量。

17.一种电子设备，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权利要求1至8任一项所述的方法。

Images