CN115880753A

CN115880753A - 一种人脸识别处理方法及装置

Info

Publication number: CN115880753A
Application number: CN202211514993.5A
Authority: CN
Inventors: 唐绮雯; 黄维登; 冯智斌; 饶宇熹
Original assignee: Industrial and Commercial Bank of China Ltd ICBC
Current assignee: Industrial and Commercial Bank of China Ltd ICBC
Priority date: 2022-11-30
Filing date: 2022-11-30
Publication date: 2023-03-31

Abstract

本发明提供一种人脸识别处理方法及装置，涉及识别技术领域，可用于金融领域或其他技术领域。所述方法包括：获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。所述装置执行上述方法。本发明实施例提供的方法及装置，能够保证人脸识别结果的准确性。

Description

一种人脸识别处理方法及装置

技术领域

本发明涉及识别技术领域，具体涉及一种人脸识别处理方法及装置。

背景技术

人脸识别技术已广泛应用于商业银行的产品服务、客户营销、运营管理、风险管控领域，如刷脸支付、柜面人证核验、人脸门禁/考勤等场景。目前金融领域应用单一人脸算法模型进行识别，利用单一算法模型决策局限性逐渐显露，主要体现在：现有的人脸识别技术都是基于一个算法模型的进行迭代升级，在复杂场景应用中，常因为环境及客群的复杂性导致算法模型识别精度下降；另一方面，多模型融合决策业界暂无较好的解决方案，主要是不同厂商的人脸算法模型在特征提取、特征识别之间存在较大的差异，同业暂无使用多个厂商算法进行融合决策的方法。

发明内容

针对现有技术中的问题，本发明实施例提供一种人脸识别处理方法及装置，能够至少部分地解决现有技术中存在的问题。

一方面，本发明提出一种人脸识别处理方法，包括：

获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；

根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；

根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。

其中，所述根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，包括：

根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵；

根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值；

根据各评价值对各人脸识别多模型融合提供方分别进行评级。

其中，所述根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值，包括：

根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值；

根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值；

根据所述第一距离值和所述第二距离值，计算得到各人脸识别多模型融合提供方分别对应的评价得分；

对各评价得分进行归一化处理，得到对应各模型的评价值。

其中，所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值，包括：

将所述相对熵概率矩阵和所述标准化矩阵中的对应矩阵元素分别相乘，得到所述优劣解距离法评价模型的初始数据；

根据所述初始数据和所述最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值。

其中，所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值，包括：

根据所述初始数据和所述最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值。

其中，所述根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵，包括：

将各模型原始得分作为原始得分矩阵元素，得到原始得分矩阵；

对所述原始得分矩阵进行标准化处理，得到标准化矩阵；

对所述标准化矩阵进行相对熵计算，得到相对熵概率矩阵。

其中，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，包括：

将数值最大的评价值对应的人脸识别多模型融合提供方确定为所述目标人脸识别多模型融合提供方。

一方面，本发明提出一种人脸识别处理装置，包括：

获取单元，用于获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；

确定单元，用于根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；

识别单元，用于根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。

再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

本发明实施例提供一种非暂态计算机可读存储介质，包括：

所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

本发明实施例提供的人脸识别处理方法及装置，获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别，能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明一实施例提供的人脸识别处理方法的流程示意图。

图2是本发明实施例提供的人脸识别处理方法模块化的结构示意图。

图3是本发明实施例提供的人脸采集模块的结构示意图。

图4是本发明实施例提供的人脸数据传输模块的结构示意图。

图5是本发明实施例提供的人脸多模型融合决策模块的结构示意图。

图6是本发明实施例提供的人脸识别处理方法的人脸采集模块数据处理流程示意图。

图7是本发明实施例提供的人脸识别处理方法的人脸数据传输模块的上传数据处理流程示意图。

图8是本发明实施例提供的人脸识别处理方法的人脸数据传输模块的下传数据处理流程示意图。

图9是本发明实施例提供的人脸识别处理方法的人脸多模型融合决策模块的数据处理流程示意图。

图10是本发明一实施例提供的人脸识别处理装置的结构示意图。

图11为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是本发明一实施例提供的人脸识别处理方法的流程示意图，如图1所示，本发明实施例提供的人脸识别处理方法，包括：

步骤S1：获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数。

步骤S2：根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分。

步骤S3：根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。

在上述步骤S1中，装置获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数。装置可以是执行该方法的计算机设备，例如可以包括服务器。需要说明是，本发明实施例涉及数据的获取及分析是经用户授权的。可以在用户进行交易时，基于人脸识别技术识别用户的人脸图像，进而实现用户身份认证。可以将人脸图像输入至预先完成训练的图像识别模型，并从图像识别模型的输出结果中提取人脸图像的场景环境参数和用户特性参数。

场景环境参数可以包括光照强度和交易时间等。

用户特性参数可以包括用户是否佩戴口罩、用户是否全程闭眼和用户是否遮挡五官等。

例如：甲用户在上午10时在室内环境下使用手机银行人脸登录，设当前场景环境参数取值M＝{m1＝0，m2＝1}，用户特性参数取值N＝{n1＝0；n2＝0；n3＝0}。

其中，场景环境参数中，m1表征光照强度，取值范围：0-室内场景，1-室外场景；m2表征交易时间，取值范围：0-晚上(19:00～07:00)，1-早上(07:00～11:00)，2-中午(11:00～15:00)，3-下午(15:00～19:00)。

用户特性参数中，n1表征用户是否佩戴口罩，取值范围：0-未佩戴，1-佩戴；n2表征用户是否全程闭眼，取值范围：0-未闭眼，1-全程闭眼；n3表征用户是否遮挡五官，0-无遮挡，1-遮挡眼睛，2-遮挡鼻子，3-遮挡嘴巴。以上场景环境参数及用户特性参数可随着场景使用的复杂度横向扩充。

在上述步骤S2中，装置根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分。可以使用现有模型测评方法，通过输入所述场景环境参数和所述用户特性参数，得到各人脸识别多模型融合提供方分别提供的各模型原始得分。

各人脸识别多模型融合提供方，可以简单记作A厂商、B厂商和C厂商，各厂商分别提供的各模型可以包括活体检测算法、1:1认证算法和1:n识别算法；对其中1:1认证算法和1:n识别算法说明如下：

1:1认证算法：表示已知唯一身份标识的用户，使用现场采集的人脸与前期已注册在库的同一身份标识的用户人脸进行算法识别，确认是否为本人。

1:n识别算法：表示未知唯一身份标识的用户，使用现场采集的人脸与前期已注册唯一身份标识在库内的n个人脸进行算法识别，返回用户身份标识并确认是否为本人。

已知唯一身份标识的用户，是指该用户已通过权威机构的联网核查(身份证号)，确认其本人确实是本人的用户。

未知唯一身份标识的用户，是指该用户未通过权威机构的联网核查，确认其本人是本人的用户。

各厂商分别提供的各模型原始得分如表1所示：

表1

甲得分情况	活体检测算法	1:1认证算法	1:n识别算法
				A厂商	75	84	95
B厂商	74	60	80
				C厂商	65	65	85

在上述步骤S3中，装置根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。

所述根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，包括：

根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵；所述根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵，包括：

对所述原始得分矩阵进行标准化处理，得到标准化矩阵；

对所述标准化矩阵进行相对熵计算，得到相对熵概率矩阵。

根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值；所述根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值，包括：

根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值；所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值，包括：

根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值；所述根据所述相对熵

概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值，包括：

对各评价得分进行归一化处理，得到对应各模型的评价值。

举例说明如下：

令X＝{X1＝{x1,y1,z1},X2＝{x2,y2,z2},X3＝{x3,y3,z3}}，其中X1表示厂商A在活检算法、1:1认证算法、1:n识别算法的参数决策权重，X2表示厂商B在活检算法、1:1认证算法、1:n识别算法的参数决策权重，X3表示厂商C在活检算法、1:1认证算法、1:n识别算法的参数决策权重，参数权重区中的子项x1～x3表示活检算法处理权重值，y1～y3表示人脸1:1认证算法处理权重值、z1～z3表示人脸1：n识别算法处理权重值。

将表1中的数据作为原始得分矩阵元素，得到原始得分矩阵如下：

分数取值范围是0～100分的正数，对原始得分矩阵进行标准化处理，记标准化矩阵为Z，Z中的每一个元素为：

其中，x_ij代表原始得分矩阵中的第i行第j列元素，取值范围为：1≤i≤3，1≤j≤3，则标准化矩阵为：

设相对熵的概率矩阵为P，则P中每一个元素为：

相对熵的概率矩阵为：

所述优劣解距离法评价模型的初始数据y_ij＝p_ij×z_ij。

上述初始数据组成矩阵为：

优劣解距离法评价模型的最大值矩阵为M⁺；

M⁺＝(M₁ ⁺，M₂ ⁺，...,M_m ⁺)

＝(max{p₁₁,p₂₁,...,p_n1},max{p₁₂,p₂₂,...,p_n2},...,max{p_1m,p_2m,...,p_nm})优劣解距离法评价模型的最大值矩阵为M^-；

M^-＝(M₁ ^-，M₂ ^-，...,M_m ^-)

＝(min{p₁₁,p₂₁,...,p_n1},min{p₁₂,p₂₂,...,p_n2},...,min{p_1m,p_2m,...,p_nm})

计算得到各模型与所述最大值矩阵之间的第一距离值为：

计算得到各模型与所述最小值矩阵之间的第二距离值为：

计算评价得分为：

归一化处理得到对应各模型的评价值为：

参照上述举例各模型的评价值，即归一化评价得分如表2所示：

表2

根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，包括：

将数值最大的评价值对应的人脸识别多模型融合提供方确定为所述目标人脸识别多模型融合提供方。参照表2，将A厂商确定为所述目标人脸识别多模型融合提供方。基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别，可以包括：

先确定是否通过活体检测算法进行人脸识别，如果为是，则直接通过活体检测算法进行人脸识别，方法终止执行。

如果为不是，则再确定是否通过1:1认证算法进行人脸识别，如果为是，则直接通过1:1认证算法进行人脸识别，方法终止执行。

如果为不是，则再确定是否通过1:n识别算法进行人脸识别，如果为是，则通过1:1认证算法进行人脸识别，方法终止执行。

如图2所示，本发明实施例提供的人脸识别处理方法可以基于模块化来实现，具体包括：人脸识别主控模块1、人脸采集模块2、人脸数据传输模块3和人脸多模型融合决策模块4；其中：

在进行人脸识别交易时，由人脸采集模块2驱动摄像头采集用户人脸图像/视频数据，并采集当前场景环境参数及用户特性参数，通过人脸数据传输模块2将人脸图像/视频数据上传至人脸多模型融合决策模块4，完成该场景下该笔交易的参数模板选择。

如图3所示，人脸采集模块2包括人脸采集主控MCU单元21、人脸数据采集控制单元22、人脸数据质量控制单元23和场景参数及用户特性参数采集单元24；其中：

人脸采集模块2主要完成人脸图像/视频数据的采集、人脸质量检测控制及环境参数、用户特性参数采集功能。通过人脸采集主控MCU单元21驱动部署在智能交互设备端上的摄像头采集用户的人脸图像/视频数据，驱动环境传感器采集环境光强、背景深度、人脸远近、多人脸情况、俯仰倾斜角、左右倾斜角等数据；人脸采集主控MCU单元21将采集完成的人脸图像/视频数据送入人脸数据采集控制单元22、人脸数据质量控制单元23和场景参数及用户特性参数采集单元24。当采集数据为图像时，直接判断图片中人脸是否符合使用标准：人眼瞳间距>＝60像素、是否存在运动模糊、图像过亮、图像过暗、无人脸等情况；当采集数据为视频时，首先对视频数据进行关键帧抽取，视频要求持续时间小于5秒，为提高效率，抽取2帧/s作为关键帧检测，判断图像帧中人脸是否符合使用标准：瞳间距>＝60像素、图像是否存在运动模糊、图像过亮、图像过暗、无人脸等情况。若符合要求，则发起人脸数据及环境参数传输处理请求。

如图4所示，人脸数据传输模块3包括人脸数据传输主控单元31、数据上传单元32和数据下发单元33；其中：

人脸数据传输模块3主要完成对人脸图像/视频数据、环境参数的上传及人脸图片/特征下发功能。人脸数据传输主控单元31先进行数据安全检查控制，判断上传数据是否为人脸图像/视频数据及环境参数，若是，则将人脸数据通过数据上传单元32上传至云端数据库；进行数据下传时，直接由数据下发单元32发起向云端数据库的图片/特征查询申请，查询到相应结果之后由数据下发单元32下发至智能交互设备端或应用服务器。

如图5所示，人脸多模型融合决策模块4包括人脸识别算法主控单元41、人脸多模型融合决策单元42、在人脸多模型融合决策单元42中包括：人脸多模型调度单元421、人脸多模型融合单元422、人脸模型A423，人脸模型B424，人脸模型C425，其中，A,B,C分别指代不同厂商不版本的人脸算法模型，可进行横向及纵向扩充，不限于本框图中的3个例子。人脸多模型融合决策模块4还包括人脸注册算法处理单元43、人脸1:1算法处理单元44、人脸1：n算法处理单元45；其中：

人脸多模型融合决策模块4主要完成特定场景及交易的模型融合参数选择、单一模型根据参数及权重的人脸注册及人脸识别算法处理，最终将注册/识别结果返回智能交互设备前端。首先，进行人脸模型调度，检索服务端算法模型的类型及个数，将调度结果发送至人脸多模型融合决策模块4，通过场景参数及用户特性参数拟合出该场景下的融合参数模板。

多模型融合决策主要是通过Stacking集成学习方式，将不同的人脸识别模型通过XGBoost、LSTM等算法作为基学习器结合在一起，以获得比单一算法更优越的识别性能，Stacking集成学习既要分析每个基学习器的单独识别能力，也要综合比较各个基学习器的组合效果，通过场景参数及用户特性参数拟合出该场景下最优的参数配置模板。

Stacking集成学习以深度学习网络(DNN)进行自适应训练，样本数据综合来源于人脸各场景下的环境光强、背景深度、人脸远近、多人脸情况、俯仰倾斜角、左右倾斜角等数据实现参数拟合。

获得模型融合的最佳参数模板后，进入单一模型的人脸算法处理模块，先判断处理数据是否为图像，若为图像则直接送入对应的算法处理单元，若为视频则先进行最佳人脸帧抽取，再送入对应算法处理单元。

将人脸图像数据送入对应的算法服务处理单元进行处理：对需要进行人脸注册算法处理的数据，进行数据预处理，完成人脸特征提取与建模，然后将用户信息与人脸特征注册至人脸识别系统数据库。对需要进行1:1人脸识别算法处理请求的，进行图像预处理，完成人脸特征提取与建模，然后将特征数据与数据库中查询到的人脸特征进行1:1比对，返回比对结果至请求客户端。

对需要进行1:n人脸识别算法处理的，完成图像预处理，完成人脸特征提取与建模后，与数据库中已知用户唯一身份标识的n个人脸进行身份识别，并将识别结果返回请求客户端。

如图6所示，对本发明实施例提供的人脸识别处理方法的人脸采集模块数据处理过程说明如下：

S101：发起人脸识别数据采集请求；

S102：环境传感器采集场景环境参数；

S103：驱动摄像头采集人脸图像/视频数据；

S104：人脸数据质量判断器；

S105：是否采集为人脸图像数据；

S106：是否采集为人脸视频数据；

S107：视频关键帧抽取，并逐帧检测；

S108：人眼瞳间距是否符合要求；或者是否运动模糊；或者是否图像过亮；或者是否图像过暗；或者是否无人脸；

S109：用户特性参数分析器；

S110：发起人脸数据上送请求；

S111：人脸数据采集流程结束。

如图7所示，对本发明实施例提供的人脸识别处理方法的人脸数据传输模块的上传数据处理过程说明如下：

S201：发起人脸数据上传请求；

S202：数据安全控制单元；

S203：上传是否为人脸图像数据或视频数据；

S204：人脸数据上传请求拒绝；

S205：人脸数据上传流程结束；

S206：是否上传人脸注册图像数据或视频数据；

S207：数据通过https/Socket方式上传云端数据库；

S208：发起人脸算法智能决策及注册算法处理；

S209：人脸注册数据上传完成；

S210：人脸数据上传流程结束；

S211：是否上传人脸1:1识别图像数据或视频数据；

S212：数据通过https/Socket方式上传云端数据库；

S213：发起人脸算法智能决策及1:1识别算法处理；

S214：人脸1:1数据上传完成；

S215：人脸数据流程上传程结束；

S216：是否上传人脸1:n识别图像数据或视频数据；

S217：数据通过https/Socket方式上传云端数据库；

S218：发起人脸算法智能决策及1:n识别算法处理；

S219：人脸1:n数据上传完成；

S220：人脸数据上传程结束；

S221：人脸数据上传请求拒绝；

S222：人脸数据上传流程结束。

如图8所示，对本发明实施例提供的人脸识别处理方法的人脸数据传输模块的下传数据处理过程说明如下：

S301：人脸数据下发请求；

S302：下发数据是否为人脸特征数据或人脸图像数据；

S303：人脸数据下发请求拒绝；

S304：人脸数据下发流程结束；

S305：是否下发人脸1:1识别特征数据或图像数据；

S306：根据客户信息从云端数据库查询获取1个人脸特征数据或图像数据；

S307：将1个人脸特征或图像下发至指定交互设备/应用服务器；

S308：人脸数据下发请求完成；

S309：人脸数据下发流程结束；

S310：是否下发人脸1:n识别特征数据或图像数据；

S311：根据客户分组信息从云端数据库查询获取N个人脸特征数据或图像数据；

S312：将N个人脸特征或图像下发至指定交互设备/应用服务器；

S313：人脸数据下发请求完成；

S314：人脸数据下发流程结束；

S315：人脸数据下发请求拒绝；

S316：人脸数据下发流程结束。

如图9所示，对本发明实施例提供的人脸识别处理方法的人脸多模型融合决策模块的数据处理过程说明如下：

S401：发起人脸识别算法处理请求；

S402：进行人脸多模型调度；

S403：调用人脸多模型融合决策；

S404：根据环境参数和用户特性拟合出算法参数模板；

S405：将拟合出的参数模板上送对应的算法模块处理；

S406：判断处理数据是否为图像；

S407：判断处理数据是否为视频；

S408：人脸算法处理请求拒绝；

S409：人脸算法处理流程结束；

S410：在视频数据找中抽取最佳视频帧；

S411：是否进行人脸注册算法处理请求；

S412：人脸注册算法处理单元；

S413：人脸图像/视频数据预处理；

S414：对不同的算法模型根据多模型参数模板完成人脸特征提取与建模；

S415：将人脸特征保存至云端数据库；

S416：返回注册结果至请求客户端；

S417：人脸注册算法处理请求完成；

S418：人脸算法处理流程结束；

S419：是否进行人脸1:1识别算法处理请求；

S420：人脸1:1识别算法处理单元；

S421：人脸图像/视频数据预处理；

S422：对不同的算法模型根据多模型参数模板完成人脸特征提取与建模；

S423：对不同的算法模型根据多模型参数模板完成与云端获取的1张人脸特征进行1:1比对；

S424：根据权重计算比对结果并返回至请求客户端；

S425：人脸1:1识别算法处理请求完成；

S426：人脸算法处理流程结束；

S427：是否进行人脸1:n识别算法处理请求；

S428：人脸1:n识别算法处理单元；

S429：人脸图像/视频数据预处理；

S430：对不同的算法模型根据多模型参数模板完成人脸特征提取与建模；

S431：对不同的算法模型根据多模型参数模板完成与云端获取的N张人脸特征进行1:n识别；

S432：根据权重计算比对结果并返回识别结果至请求客户端；

S433：人脸1:n识别算法处理请求完成；

S434：人脸算法处理流程结束；

S435：人脸算法处理请求拒绝；

S436人脸算法处理流程结束。

本发明实施例提供的人脸识别处理方法，获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别，能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

进一步地，所述根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，包括：

根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵；可参照上述说明，不再赘述。

根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值；可参照上述说明，不再赘述。

根据各评价值对各人脸识别多模型融合提供方分别进行评级。可参照上述说明，不再赘述。

本发明实施例提供的人脸识别处理方法，利用优劣解距离法评价模型计算评价值，进一步能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

进一步地，所述根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值，包括：

根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值；可参照上述说明，不再赘述。

根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值；可参照上述说明，不再赘述。

根据所述第一距离值和所述第二距离值，计算得到各人脸识别多模型融合提供方分别对应的评价得分；可参照上述说明，不再赘述。

对各评价得分进行归一化处理，得到对应各模型的评价值。可参照上述说明，不再赘述。

本发明实施例提供的人脸识别处理方法，通过计算第一距离值和第二距离值，进一步能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

进一步地，所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值，包括：

将所述相对熵概率矩阵和所述标准化矩阵中的对应矩阵元素分别相乘，得到所述优劣解距离法评价模型的初始数据；可参照上述说明，不再赘述。

根据所述初始数据和所述最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值。可参照上述说明，不再赘述。

本发明实施例提供的人脸识别处理方法，能够快速计算第一距离值。

进一步地，所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值，包括：

根据所述初始数据和所述最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值。可参照上述说明，不再赘述。

本发明实施例提供的人脸识别处理方法，能够快速计算第二距离值。

进一步地，所述根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵，包括：

将各模型原始得分作为原始得分矩阵元素，得到原始得分矩阵；可参照上述说明，不再赘述。

对所述原始得分矩阵进行标准化处理，得到标准化矩阵；可参照上述说明，不再赘述。

对所述标准化矩阵进行相对熵计算，得到相对熵概率矩阵。可参照上述说明，不再赘述。

本发明实施例提供的人脸识别处理方法，能够快速计算标准化矩阵和相对熵概率矩阵。

进一步地，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，包括：

将数值最大的评价值对应的人脸识别多模型融合提供方确定为所述目标人脸识别多模型融合提供方。可参照上述说明，不再赘述。

本发明实施例提供的人脸识别处理方法，进一步能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

需要说明的是，本发明实施例提供的人脸识别处理方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对人脸识别处理方法的应用领域不做限定。

图10是本发明一实施例提供的人脸识别处理装置的结构示意图，如图10所示，本发明实施例提供的人脸识别处理装置，包括获取单元1001、确定单元1002和识别单元1003，其中：

获取单元1001用于获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；确定单元1002用于根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；识别单元1003用于根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。

具体的，装置中的获取单元1001用于获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；确定单元1002用于根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；识别单元1003用于根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别。

本发明实施例提供的人脸识别处理装置，获取用户的人脸图像，对所述人脸图像进行图像识别，得到拍摄所述人脸图像的场景环境参数和用户特性参数；根据所述场景环境参数和所述用户特性参数，确定各人脸识别多模型融合提供方分别提供的各模型原始得分；根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，并基于所述目标人脸识别多模型融合提供方提供的模型对所述用户进行人脸识别，能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

进一步地，所述识别单元1003具体用于：

根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵；

本发明实施例提供的人脸识别处理装置，利用优劣解距离法评价模型计算评价值，进一步能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

进一步地，所述识别单元1003还具体用于：

对各评价得分进行归一化处理，得到对应各模型的评价值。

本发明实施例提供的人脸识别处理装置，通过计算第一距离值和第二距离值，进一步能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

进一步地，所述识别单元1003还具体用于：

本发明实施例提供的人脸识别处理装置，能够快速计算第一距离值。

进一步地，所述识别单元1003还具体用于：

本发明实施例提供的人脸识别处理装置，能够快速计算第二距离值。

进一步地，所述识别单元1003还具体用于：

对所述原始得分矩阵进行标准化处理，得到标准化矩阵；

对所述标准化矩阵进行相对熵计算，得到相对熵概率矩阵。

本发明实施例提供的人脸识别处理装置，能够快速计算标准化矩阵和相对熵概率矩阵。

进一步地，所述识别单元1003具体用于：

本发明实施例提供的人脸识别处理装置，进一步能够合理选择执行人脸识别多模型融合决策的人脸识别多模型融合提供方，进而保证人脸识别结果的准确性。

本发明实施例提供人脸识别处理装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图11为本发明实施例提供的电子设备实体结构示意图，如图11所示，所述电子设备包括：处理器(processor)1101、存储器(memory)1102和总线1103；

其中，所述处理器1101、存储器1102通过总线1103完成相互间的通信；

所述处理器1101用于调用所述存储器1102中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：

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

本发明是参照根据本发明实施例的方法、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。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种人脸识别处理方法，其特征在于，包括：

2.根据权利要求1所述的人脸识别处理方法，其特征在于，所述根据各模型原始得分对各人脸识别多模型融合提供方分别进行评级，包括：

根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵；

3.根据权利要求2所述的人脸识别处理方法，其特征在于，所述根据所述相对熵概率矩阵和所述标准化矩阵，并利用优劣解距离法评价模型计算与各人脸识别多模型融合提供方分别对应各模型的评价值，包括：

对各评价得分进行归一化处理，得到对应各模型的评价值。

4.根据权利要求3所述的人脸识别处理方法，其特征在于，所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最大值矩阵，计算得到各模型与所述最大值矩阵之间的第一距离值，包括：

5.根据权利要求3所述的人脸识别处理方法，其特征在于，所述根据所述相对熵概率矩阵、所述标准化矩阵和优劣解距离法评价模型的最小值矩阵，计算得到各模型与所述最小值矩阵之间的第二距离值，包括：

6.根据权利要求2所述的人脸识别处理方法，其特征在于，所述根据各模型原始得分，获取标准化矩阵和相对熵概率矩阵，包括：

对所述原始得分矩阵进行标准化处理，得到标准化矩阵；

对所述标准化矩阵进行相对熵计算，得到相对熵概率矩阵。

7.根据权利要求1至6任一所述的人脸识别处理方法，其特征在于，根据评级结果确定执行人脸识别多模型融合决策的目标人脸识别多模型融合提供方，包括：

8.一种人脸识别处理装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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，其上存储有计算机程序，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中任一项所述方法的步骤。