CN118053193A - 车载终端人脸比对方法、装置、设备、存储介质及产品 - Google Patents

Abstract

本发明公开了一种车载终端人脸比对方法、装置、设备、存储介质及产品，该方法通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。通过这种方式，实现了在人脸特征抽取过程中为特征赋权重，使模型对人脸能够对重要特征更敏感，提高模型针对重要特征的抽取能力，同时减弱噪声和异常值对模型特征抽取的影响，提高模型鲁棒性。

Description

车载终端人脸比对方法、装置、设备、存储介质及产品

技术领域

本发明涉及人工智能技术领域，尤其涉及一种车载终端人脸比对方法、装置、设备、存储介质及产品。

背景技术

对现如今市面上的车联网产品而言，一般由车载终端+云端平台+移动应用组成。其中，运用车载终端进行数据采集，同时依靠终端搭载的内核芯片具备的算力进行数据处理与算法应用能够有效降低通信压力，提高车载应用响应速度，以及分担云端平台服务器的运算负载。因此，保证车载终端算力资源的有效利用愈发得到相关产品从业者的重视。

目前可以实现利用车载终端搭载人脸比对算法，实现车主人脸识别、身份鉴权功能。而由于车载终端芯片算力限制，目前的车载人脸比对算法大多采用轻量化设计，采用Retinaface进行人脸检测和图像扭正、Arcface或Facenet模型进行人脸特征抽取，并使用参数量较少的Mobilenet作为模型特征提取的backbone，此类模型参数量约为3M-6M；卷积特征提取结果不再继续处理而是直接抽象成人脸特征的向量表示。但由于车载终端芯片算力限制问题，采用的轻量化模型算力资源分配不合理，人脸特征抽取能力较差。

发明内容

本发明的主要目的在于提供了一种车载终端人脸比对方法、装置、设备、存储介质及计算机程序产品，旨在解决现有技术车载终端的人脸识别的特征抽取能力差的技术问题。

为实现上述目的，本发明提供了一种车载终端人脸比对方法，所述方法包括以下步骤：

通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；

根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；

将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。

可选地，所述对所述待检人脸图像进行人脸检测，包括：

对所述待检人脸图像进行人脸检测，确定所述待检人脸图像是否包含人脸特征；

在所述待检人脸图像不包含人脸特征时，将所述待检人脸图像作为负样本结束人脸比对；

在所述待检人脸图像包含人脸特征时，将所述待检人脸图像标记为正样本，并将所述待检人脸图像的回归特征图作为人脸检测结果。

可选地，所述根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像，包括：

根据人脸检测结果确定面部定位框坐标；

根据所述面部定位框坐标得到裁剪图像；

对所述裁剪图像进行特征赋权重，得到人脸特征图像。

可选地，所述对所述裁剪图像进行特征赋权重，得到人脸特征图像，包括：

将初始人脸识别网络的卷积层进行替换和更新，得到目标人脸识别网络；

将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像。

可选地，所述将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像，包括：

将所述裁剪图像输入到目标人脸识别网络得到初始特征图像；

根据所述初始特征图像和所述初始特征图像中的人脸特征点坐标得到权值衰减矩阵；

根据所述权值衰减矩阵对所述初始特征图像进行加权处理，得到人脸特征图像。

可选地，所述将所述人脸特征图像抽象转化为人脸特征向量，包括：

将所述人脸特征图像进行池化降维，得到三维堆叠特征图；

将所述三维堆叠特征图展开得到一维特征图；

将所述一维特征图进行归一化抽象，得到人脸特征向量。

此外，为实现上述目的，本发明还提出一种车载终端人脸比对装置，所述车载终端人脸比对装置包括：

人脸检测模块，用于通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；

特征提取模块，用于根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；

人脸比对模块，用于将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。

此外，为实现上述目的，本发明还提出一种车载终端人脸比对设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车载终端人脸比对程序，所述车载终端人脸比对程序配置为实现如上文所述的车载终端人脸比对方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有车载终端人脸比对程序，所述车载终端人脸比对程序被处理器执行时实现如上文所述的车载终端人脸比对方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机程序产品，所述计算机程序产品包括车载终端人脸比对程序，所述车载终端人脸比对程序被处理器执行时实现如上文所述的车载终端人脸比对方法的步骤。

本发明通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。通过这种方式，实现了在人脸特征抽取过程中为特征赋权重，使模型对人脸能够对重要特征更敏感，提高模型针对重要特征的抽取能力，同时减弱噪声和异常值对模型特征抽取的影响，提高模型鲁棒性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的车载终端人脸比对设备的结构示意图；

图2为本发明车载终端人脸比对方法第一实施例的流程示意图；

图3为本发明车载终端人脸比对方法一实施例中的算法流程示意图；

图4为本发明车载终端人脸比对方法一实施例中的Facenet结构示意图；

图5为本发明车载终端人脸比对方法一实施例中的backbone结构示意图；

图6为本发明车载终端人脸比对方法第二实施例的流程示意图；

图7为本发明车载终端人脸比对方法一实施例中的Retinaface结构示意图；

图8为本发明车载终端人脸比对方法一实施例中的Resnet Block结构示意图；

图9为本发明车载终端人脸比对方法一实施例中的特征权值衰减矩阵示意图；

图10为本发明车载终端人脸比对装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的车载终端人脸比对设备结构示意图。

如图1所示，该车载终端人脸比对设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对车载终端人脸比对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车载终端人脸比对程序。

在图1所示的车载终端人脸比对设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明车载终端人脸比对设备中的处理器1001、存储器1005可以设置在车载终端人脸比对设备中，所述车载终端人脸比对设备通过处理器1001调用存储器1005中存储的车载终端人脸比对程序，并执行本发明实施例提供的车载终端人脸比对方法。

本发明实施例提供了一种车载终端人脸比对方法，参照图2，图2为本发明车载终端人脸比对方法第一实施例的流程示意图。

本实施例中，所述车载终端人脸比对方法包括以下步骤：

步骤S10：通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、车载终端人脸比对设备等。以下以车载终端人脸比对设备为例，对本实施例及下述各实施例进行说明。

应理解的是，对现如今市面上的车联网产品而言，一般由车载终端+云端平台+移动应用组成。其中，运用车载终端进行数据采集，同时依靠终端搭载的内核芯片具备的算力进行数据处理与算法应用能够有效降低通信压力，提高车载应用响应速度，以及分担云端平台服务器的运算负载。因此，保证车载终端算力资源的有效利用愈发得到相关产品从业者的重视。本发明方案的应用场景在于利用车载终端搭载人脸比对算法，实现车主人脸识别、身份鉴权功能。其工作流程可概括为：算法从接入终端的车载摄像头读取视频流，并抽帧截取成为单帧图像；判断图像是否存在人物面部特征；对包含人物面部特征的图像进行特征抽取，最终与数据库中的人像特征比对，鉴定被识别人员是否为车主。而由于车载终端芯片算力限制，目前的车载人脸比对算法大多采用轻量化设计， 采用Retinaface进行人脸检测和图像扭正、Arcface或Facenet模型进行人脸特征抽取，并使用参数量较少的Mobilenet作为模型特征提取的backbone，此类模型参数量约为3M-6M。

在具体实施中，现有方案存在以下缺陷：模型轻量化设计的缺点：1. 模型特征表示能力受限，进而影响模型的性能，使其在处理复杂场景下的任务时效果不佳。2. 由于模型的简化，轻量化模型往往会在一定程度上损失精度，会导致在某些应用场景下，模型的检测结果不够准确。直接抽象人脸特征的缺点：1. 模型无法有效地关注和强调最重要的特征，其可能会不合理地分配特征权重，导致一些重要的特征被忽视，影响模型的性能。2. 特征没有经过处理直接抽取特征向量会导致模型对噪声和异常值的敏感性增加，降低模型鲁棒性。

需要说明的是，目前存在以下问题：人脸特征十分复杂，但由于车载终端芯片算力限制问题，采用的轻量化模型算力资源分配不合理，人脸特征抽取能力较差；需要利用性能更高的模型及更多的算力资源在特征抽取与抽象上。人脸特征抽取过程中需要为特征赋权重，模型对人脸重要特征更敏感以提高模型特征抽象性能。所以，本实施例的方案提出一种基于Facenet模型进行人脸比对算法的优化方法，这种方法舍弃了Retinaface的特征对齐功能，该模型仅用于预处理Facenet模型所需的脸部图像，以及得出双眼、鼻子、嘴角5处Landmark（人脸特征点）坐标。另外，本发明将Facenet模型的backbone中用于特征提取的卷积Block更换为Resnet Block，增加模型深度的同时增强人脸特征向深层传导，提高模型对深层抽象特征的提取能力；其中在Block之间利用Retinaface得到的5个人脸特征点对特征图进行高斯衰减加权，使模型对于这些点位的人脸特征更加敏感，减弱噪声和异常值对模型特征抽取的影响，提高模型鲁棒性，算法的流程如图3所示。

应理解的是，首先，确保车载摄像头已经正确安装并能够稳定地捕获视频流；通过相应的接口及软件库如OpenCV、FFmpeg，从车载摄像头获取实时的视频流数据。而由于视频流数据量较大，为了提高效率和减少处理负担，按照15帧抽取1帧的频率从视频流中抽取静态帧图像。最终将图像填充或压缩为640*640大小作为待检人脸图像。

进一步的，为了准确的进行人脸检测，步骤S10包括：对所述待检人脸图像进行人脸检测，确定所述待检人脸图像是否包含人脸特征；在所述待检人脸图像不包含人脸特征时，将所述待检人脸图像作为负样本结束人脸比对；在所述待检人脸图像包含人脸特征时，将所述待检人脸图像标记为正样本，并将所述待检人脸图像的回归特征图作为人脸检测结果。

在具体实施中，利用Retinaface对待检图像进行人脸检测，接受前置步骤获得的待检人脸图像作为输入。由于这一步并未涉及特征粒度较高的人脸特征抽象，只需判断是否包含人脸及输出人脸定位框坐标、landmark坐标，因此可以使用MobilenetV1作为backbone降低算力负荷，最终通过三层FPN、SSH结构同时输出分类、回归的特征图。根据分类特征图结合一层1X1卷积层输出最终分类结果，判断待检图像中是否包含人脸。

需要说明的是，待检图像如果不包含人脸特征，输出负样本标签，直接跳回待检图像推理最初阶段，接受下一张待检图像输入。待检图像如果包含人脸特征，标记该图像为正样本，将回归特征图送入人脸定位框、人脸特征点检测模块进一步处理。

步骤S20：根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像。

应理解的是，人脸特征图像的抽取是Facenet接受前置步骤得到的裁剪图像（人脸Crop图像）作为输入，在backbone中利用三个卷积Block分别提取不同视野域的人脸特征，随着层数的增加模型能够提取的特征越抽象和细节。其中，Facenet的结构如图4所示，经典Zeiler&Fergus架构和Google的Inception v1。最新的FaceNet进行了改进，主体模型采用一个极深度网络Inception ResNet -v2，由3个带有残差连接的Inception模块和1个Inception v4模块组成。Backbone的结构如图5所示，backbone 是模型的主要组成部分，通常是一个卷积神经网络（CNN）或残差神经网络（ResNet）等，图5以CNN网络为例。backbone负责提取输入图像的特征，以便后续的处理和分析。backbone 通常具有许多层和许多参数，可以提取出图像的高级特征表示。

步骤S30：将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。

在具体实施中，这一步的目的在于将模型backbone输出的加权特征图抽象成特征向量，以供最终与预先存储的后台人脸数据进行人脸比对应用，后台人脸数据即为已经登记且存储的多个用户的人脸数据。

需要说明的是，最后获得人脸128特征向量后，通过与数据库中保存的特征向量求欧式距离，即可得出该人脸与数据库中保存的所有人脸的相似性，以两方人脸特征欧氏距离最小的判定为最相似。至此整个人脸比对算法流程结束，最相似人脸的标签输出作为最终结果。

进一步的，为了准确的进行向量的抽象转化，步骤S30包括：将所述人脸特征图像进行池化降维，得到三维堆叠特征图；将所述三维堆叠特征图展开得到一维特征图；将所述一维特征图进行归一化抽象，得到人脸特征向量。

应理解的是，特征抽象首先将特征图通过Maxpooling池化降维，再应用Flatten方法将三维堆叠的特征图展开成一维，最后通过Fullconnection全连接层以及L2范数归一化抽象特征成128维特征向量。

本实施例通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。通过这种方式，实现了将初始人脸识别网络进行模型更新，提高模型对于特征提取的算力资源偏重，使得在车载终端算力资源有限的条件下能够提高人脸识别的准确性，同时在人脸特征抽取过程中为特征赋权重，使模型对人脸能够对重要特征更敏感，提高模型针对重要特征的抽取能力，同时减弱噪声和异常值对模型特征抽取的影响，提高模型鲁棒性。

参考图6，图6为本发明车载终端人脸比对方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S20包括：

步骤S201：根据人脸检测结果确定面部定位框坐标。

需要说明的是，获取人脸面部定位框坐标和人脸特征点坐标通过Retinaface输出层的两个不同的模块完成，通过对回归特征图分别进行一层1X1卷积，最终由向量变换输出人脸定位框四角的坐标及Landmark坐标。其中，如图7所示为Retinaface层的结构，Retinaface在实际训练的时候使用两种网络作为主干特征提取网络。分别是MobilenetV1-0.25和Resnet。使用Resnet可以实现更高的精度，使用MobilenetV1-0.25可以在CPU上实现实时检测。MobileNet模型是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络。核心思想便是深度可分离卷积depthwise separable convolution，可以大大减少模型的参数。网络通过14层卷积层不断进行特征提取和下采样，将最后三个特征层输入加强特征提取网络。

步骤S202：根据所述面部定位框坐标得到裁剪图像。

应理解的是，利用人脸定位框坐标即可对原图像实施剪裁，并填充或压缩图像至160*160大小；这种剪裁图像是只包含人脸的Crop图像，以供Facenet的特征处理。并且此步骤取消了对Crop人脸的正视图扭正这一步，因为后续使用基于Landmark的高斯衰减加权提高了模型对人脸关键特征的敏感度，降低了对模型扭正预处理的需求。

步骤S203：对所述裁剪图像进行特征赋权重，得到人脸特征图像。

在具体实施中，Facenet接受之前得到的人脸Crop图像作为输入，在backbone中利用三个卷积Block分别提取不同视野域的人脸特征，随着层数的增加模型能够提取的特征越抽象和细节。

进一步的，为了准确的得到人脸特征图像，步骤S203包括：将初始人脸识别网络的卷积层进行替换和更新，得到目标人脸识别网络；将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像。

需要说明的是，本实施例的方案将这三个卷积Block替换为Resnet Block来增加模型对人脸特征的拟合能力；以第一个卷积Block举例，原本Mobilenet的Block1仅包含6层特征抽取卷积层以及6层1X1卷积层用于降低模型参数量。而替换为Resnet Block后该Block包含16层特征抽取卷积层以及12层1X1卷积层，显著提升了模型深度，并且由于Resnet深层梯度不易耗散的特性，Resnet Block可以保证了模型深层人脸特征学习的有效性。本发明应用的Resnet Block结构图如图8所示，其中的*4的含义为此结构存在4个。

进一步的，为了通过高斯算法实现特征赋权重，将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像的步骤包括：将所述裁剪图像输入到目标人脸识别网络得到初始特征图像；根据所述初始特征图像和所述初始特征图像中的人脸特征点坐标得到权值衰减矩阵；根据所述权值衰减矩阵对所述初始特征图像进行加权处理，得到人脸特征图像。

应理解的是，在Block1的特征图输出与Block2输入之间，本发明嵌入了一层基于Landmark的高斯衰减加权层，其目的在于削弱人脸图像的角度、姿态或表情对正确抽取人脸特征的影响，同时降低噪声和异常值对模型特征抽取的影响，并使模型对重要人脸特征的敏感度，提高模型鲁棒性。该层通过对Retinaface输出的5个Landmark坐标对特征图进行加权，运用扩展的高斯函数的特性为距离Landmark坐标点不同的特征点赋予不同的权值，从而实现加权的效果；由于Landmark代表的是五个人脸最重要特征所在区域的中心点，高斯函数可以使距离这些点近的样本权值相对增加，而距离越远的样本权值越低，最终实现模型对重要人脸特征更加敏感。

在具体实施中，二维扩展的高斯衰减函数的公式如下：

需要说明的是，d表示二维特征图的某一点的坐标到landmark的距离，x和y为该点坐标值，x’和y’即某一landmark点的坐标值；和/>分别为平均值与标准差，在本公式中作为超参数，控制高斯衰减函数波峰的最高值以及远距离特征点的衰减程度.

应理解的是，通过这样的公式可以计算出特征图对应单个landmark的权值衰减矩阵如图9所示，对5个特征点分别进行一次计算后取平均即为最终该特征图对landmark的最终权值衰减矩阵；由于Block的输出是堆叠的特征图，因此需要对所有二维特征图均应用该权值衰减矩阵，最后得到高斯加权的特征图传递至Block2继续下一步的计算。

在具体实施中，由于Block2接受的特征图已经经过加权处理，模型已经学习到重要的人脸特征，而非重要特征不会继续传导至深层，因此后续不需要额外的高斯衰减加权。最终，经由Resnet Block3输出backbone深度特征抽取的特征图。

本实施例根据人脸检测结果确定面部定位框坐标；根据所述面部定位框坐标得到裁剪图像；对所述裁剪图像进行特征赋权重，得到人脸特征图像。通过这种方式，在人脸特征抽取过程中为特征赋权重，使模型对人脸能够对重要特征更敏感，提高模型针对重要特征的抽取能力，同时减弱噪声和异常值对模型特征抽取的影响，提高模型鲁棒性。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车载终端人脸比对程序，所述车载终端人脸比对程序被处理器执行时实现如上文所述的车载终端人脸比对方法的步骤。

此外，本发明实施例还提出一种计算机程序产品，包括车载终端人脸比对程序，所述车载终端人脸比对程序被处理器执行时实现如上所述的车载终端人脸比对方法的步骤。

本发明计算机程序产品具体实施方式与上述车载终端人脸比对方法各实施例基本相同，在此不再赘述。

参照图10，图10为本发明车载终端人脸比对装置第一实施例的结构框图。

如图10所示，本发明实施例提出的车载终端人脸比对装置包括：

人脸检测模块10，用于通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测。

特征提取模块20，用于根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像。

人脸比对模块30，用于将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。

在本实施例中，通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。通过这种方式，实现了将初始人脸识别网络进行模型更新，提高模型对于特征提取的算力资源偏重，使得在车载终端算力资源有限的条件下能够提高人脸识别的准确性，同时在人脸特征抽取过程中为特征赋权重，使模型对人脸能够对重要特征更敏感，提高模型针对重要特征的抽取能力，同时减弱噪声和异常值对模型特征抽取的影响，提高模型鲁棒性。

在一实施例中，所述人脸检测模块10，还用于对所述待检人脸图像进行人脸检测，确定所述待检人脸图像是否包含人脸特征；在所述待检人脸图像不包含人脸特征时，将所述待检人脸图像作为负样本结束人脸比对；在所述待检人脸图像包含人脸特征时，将所述待检人脸图像标记为正样本，并将所述待检人脸图像的回归特征图作为人脸检测结果。

在一实施例中，所述特征提取模块20，还用于根据人脸检测结果确定面部定位框坐标；根据所述面部定位框坐标得到裁剪图像；对所述裁剪图像进行特征赋权重，得到人脸特征图像。

在一实施例中，所述特征提取模块20，还用于将初始人脸识别网络的卷积层进行替换和更新，得到目标人脸识别网络；将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像。

在一实施例中，所述特征提取模块20，还用于将所述裁剪图像输入到目标人脸识别网络得到初始特征图像；根据所述初始特征图像和所述初始特征图像中的人脸特征点坐标得到权值衰减矩阵；根据所述权值衰减矩阵对所述初始特征图像进行加权处理，得到人脸特征图像。

在一实施例中，所述特征提取模块20，还用于将所述人脸特征图像进行池化降维，得到三维堆叠特征图；将所述三维堆叠特征图展开得到一维特征图；将所述一维特征图进行归一化抽象，得到人脸特征向量。

本发明车载终端人脸比对装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车载终端人脸比对方法，其特征在于，所述方法包括：

采集待检人脸图像，并对所述待检人脸图像进行人脸检测；

根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；

将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。

2.如权利要求1所述的车载终端人脸比对方法，其特征在于，所述对所述待检人脸图像进行人脸检测，包括：

对所述待检人脸图像进行人脸检测，确定所述待检人脸图像是否包含人脸特征；

在所述待检人脸图像不包含人脸特征时，将所述待检人脸图像作为负样本结束人脸比对；

在所述待检人脸图像包含人脸特征时，将所述待检人脸图像标记为正样本，并将所述待检人脸图像的回归特征图作为人脸检测结果。

3.如权利要求1所述的车载终端人脸比对方法，其特征在于，所述根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像，包括：

根据人脸检测结果确定面部定位框坐标；

根据所述面部定位框坐标得到裁剪图像；

对所述裁剪图像进行特征赋权重，得到人脸特征图像。

4.如权利要求3所述的车载终端人脸比对方法，其特征在于，所述对所述裁剪图像进行特征赋权重，得到人脸特征图像，包括：

将初始人脸识别网络的卷积层进行替换和更新，得到目标人脸识别网络；

将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像。

5.如权利要求4所述的车载终端人脸比对方法，其特征在于，所述将所述裁剪图像和目标人脸识别网络进行特征赋权重，得到人脸特征图像，包括：

将所述裁剪图像输入到目标人脸识别网络得到初始特征图像；

根据所述初始特征图像和所述初始特征图像中的人脸特征点坐标得到权值衰减矩阵；

根据所述权值衰减矩阵对所述初始特征图像进行加权处理，得到人脸特征图像。

6.如权利要求1所述的车载终端人脸比对方法，其特征在于，所述将所述人脸特征图像抽象转化为人脸特征向量，包括：

将所述人脸特征图像进行池化降维，得到三维堆叠特征图；

将所述三维堆叠特征图展开得到一维特征图；

将所述一维特征图进行归一化抽象，得到人脸特征向量。

7.一种车载终端人脸比对装置，其特征在于，所述车载终端人脸比对装置包括：

人脸检测模块，用于通过车载设备采集待检人脸图像，并对所述待检人脸图像进行人脸检测；

特征提取模块，用于根据人脸检测结果和经过卷积层更新的初始人脸识别网络进行特征赋权重，得到人脸特征图像；

人脸比对模块，用于将所述人脸特征图像抽象转化为人脸特征向量，并根据所述人脸特征向量与预先存储的后台人脸数据进行人脸比对。

8.一种电子设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车载终端人脸比对程序，所述车载终端人脸比对程序配置为实现如权利要求1至6中任一项所述的车载终端人脸比对方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有车载终端人脸比对程序，所述车载终端人脸比对程序被处理器执行时实现如权利要求1至6中任一项所述的车载终端人脸比对方法的步骤。

10.一种计算机程序产品，其特征在于，所述计算机程序产品包括车载终端人脸比对程序，所述车载终端人脸比对程序被处理器执行时实现如权利要求1至6中任一项所述的车载终端人脸比对方法的步骤。