人脸图像比对方法、装置、计算机设备和存储介质

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种人脸图像比对方法、装置、计算机设备和存储介质。

背景技术

随着人脸识别技术的发展，人脸比系统采用的是非接触式的、连续的、实时的方法进行验证，其在商业、安全、身份认证、法律执行等众多方面可以具有广泛的应用，在军事安全、司法、民政、金融、民航、海口、边境、保险、民用等领域的实际应用具有极广阔的前景。

然而，传统的人脸比系统在低分辨率图像或者图像被部分遮挡的情况下，无法准确地做出判断，经常导致无法认证通过，即人脸图像的比对误判率较高。

发明内容

本发明的目的是克服现有技术中的不足之处，提供一种降低人脸比对结果的误判率的人脸图像比对方法、装置、计算机设备和存储介质。

本发明的目的是通过以下技术方案来实现的：

一种人脸图像比对方法，所述方法包括：

获取待比对的人脸图像；

对所述人脸图像进行自动编码操作，得到人脸形状估计值；

将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值；

根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。

在其中一个实施例中，所述对所述人脸图像进行自动编码操作，得到人脸形状估计值，包括：对所述人脸图像进行全局编码操作，得到全局形状估计值以及全局面部标志点图像。

在其中一个实施例中，所述对所述人脸图像进行全局编码操作，得到全局形状估计值以及全局面部标志点图像，之后还包括：对所述全局形状估计值以及所述全局面部标志点图像进行局部编码操作，得到人脸形状估计值。

在其中一个实施例中，所述对所述全局形状估计值以及所述全局面部标志点图像进行局部编码操作，得到人脸形状估计值，包括：根据所述全局面部标志点图像获取面部点提取形状索引特征值；对所述面部点提取形状索引特征值以及所述全局形状估计值进行第一局部编码操作，得到第一形状偏差值；根据所述全局形状估计值以及所述第一形状偏差值获取第一人脸形状估计值。

在其中一个实施例中，所述对所述面部点提取形状索引特征值以及所述全局形状估计值进行第一局部编码操作，包括：对所述面部点提取形状索引特征值以及所述全局形状估计值进行非线性回归操作。

在其中一个实施例中，所述根据所述人脸似差值调整向监测系统发送的人脸比对结果信号，包括：检测所述人脸似差值是否大于或等于0；当所述人脸似差值大于或等于0时，向监测系统发送验证成功信号。

在其中一个实施例中，所述检测所述人脸似差值是否大于或等于0，之后还包括：当所述人脸似差值小于0时，向监测系统发送验证失败信号。

一种人脸图像比对装置，所述装置包括：

采集模块，用于获取待比对的人脸图像；

第一处理模块，用于对所述人脸图像进行自动编码操作，得到人脸形状估计值；

第二处理模块，用于将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值；

结果输出模块，根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待比对的人脸图像；

对所述人脸图像进行自动编码操作，得到人脸形状估计值；

将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值；

根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待比对的人脸图像；

对所述人脸图像进行自动编码操作，得到人脸形状估计值；

将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值；

根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。

与现有技术相比，本发明至少具有以下优点：

将人脸图像经自动编码操作转换为人脸形状估计值，之后再与标准值进行比对，即与预设形状估计值进行似差操作，得到人脸似差值作为最终的比对结果，用于判断出人脸比对的真实情况，适用于低分辨率图像或者图像被部分遮挡的情况，使得人脸比对结果的误判率降低。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为一实施例中人脸图像比对方法的流程图；

图2为一实施例中计算机设备的内部结构图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明涉及一种人脸图像比对方法。在其中一个实施例中，所述人脸图像比对方法包括获取待比对的人脸图像；对所述人脸图像进行自动编码操作，得到人脸形状估计值；将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值；根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。将人脸图像经自动编码操作转换为人脸形状估计值，之后再与标准值进行比对，即与预设形状估计值进行似差操作，得到人脸似差值作为最终的比对结果，用于判断出人脸比对的真实情况，适用于低分辨率图像或者图像被部分遮挡的情况，使得人脸比对结果的误判率降低。

请参阅图1，其为本发明一实施例的人脸图像比对方法的流程图。所述人脸图像比对方法包括以下步骤的部分或全部。

S100：获取待比对的人脸图像。

在本实施例中，所述人脸图像为通过摄像头采集的人脸数据，所述人脸图像用于对面部标志点提供数据支撑，便于后续根据所述人脸图像获取对应的面部特征点，从而便于后续对人脸图像的由粗到精的图像处理，进而便于对低分辨率的人脸图像的比对。而且，为了减少对人脸图像的单位采集时间，设置在一定时间内对人脸图像进行采集，例如，S100具体为在预设时间内，获取待比对的人脸图像，所述预设时间为30秒，以提高对人脸图像的采集效率。

S200：对所述人脸图像进行自动编码操作，得到人脸形状估计值。

在本实施例中，所述自动编码操作是对所述人脸图像进行面部特征点的处理，便于将所述人脸图像上的特征像素点转换为人脸形状对应数值，使得所述人脸图像的数据对应转换为估计数值，实现了将人脸数据转换为面部特征点的预估值。例如，所述自动编码操作是基于CFAN(粗到精的自动编码网络)的，实现对所述人脸图像进行深度学习，从而借助编码器的多个隐层的上采样，将所述人脸图像转换为可以反映人脸形状的数值，即所述人脸形状估计值，进而便于后续根据具有特征性的人脸形状估计值准确判断人脸比对结果。

S300：将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值。

在本实施例中，所述预设形状估计值为系统内置的标准值，用于与所述人脸形状估计值进行比较，便于确定当前的人脸图像对应的人脸形状估计值的大小，即便于确定当前的人脸图像对应的人脸形状估计值与标准值之间的关系，也即便于确定当前的人脸图像与标准人脸图像之间的相似度。在对所述人脸形状估计值与所述预设形状估计值进行似差操作后，得到两者之间的差异值，即所述人脸似差值，便于作为后续对人脸比对的标准。在其中一个实施例中，所述预设形状估计值为0.55。

S400：根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。

在本实施例中，所述人脸似差值是用于对人脸图像的人脸形状估计值的差异体现，即所述人脸似差值将当前的人脸图像的面部特征转换为相似度的差异程度，这样，在获取了所述人脸似差值后，可以根据此值的大小确定当前人脸图像与标准图像之间的差异程度，便于输出对应的人脸比对结果。

在上述各实施例中，将人脸图像经自动编码操作转换为人脸形状估计值，之后在与标准值进行比对，即与预设形状估计值进行似差操作，得到人脸似差值作为最终的比对结果，用于判断出人脸比对的真实情况，适用于低分辨率图像或者图像被部分遮挡的情况，使得人脸比对结果的误判率降低。

在其中一个实施例中，所述对所述人脸图像进行自动编码操作，得到人脸形状估计值，包括：对所述人脸图像进行全局编码操作，得到全局形状估计值以及全局面部标志点图像。在本实施例中，所述全局编码操作为全局堆叠式自动编码器网络模型对应的自动编码处理，即所述全局编码操作是对所述人脸图像进行的整幅图像处理，使得在所述人脸图像的初始分辨率较低的情况下，依然可以对所述人脸图像进行图像处理，便于通过获取所述人脸图像的全局形状估计值，得以确定所述人脸图像的全局面部标志点。这样，在获取了全局形状估计值以及全局面部标志点图像后，这两者是对初始的人脸图像的自动编码的结果，作为后续的局部自动编码的输入，从而便于后续对所述人脸图像的高分辨率的处理，进而便于后续通过局部自动编码操作将低分辨率的人脸图像提升至高分辨率的图像。

对全局编码操作，采用的是全局的堆叠式自动编码器网络，是对所述人脸图像为低分辨率的人脸形状处理，即全局的堆叠式自动编码器网络在低分辨率图像上基于全局原始特征估计人脸形状。堆叠式自动编码器网络的具体实现方式如下：

对于图像与特征估计值之间的映射关系：F：S←x。

给定一个有d个像素的人脸图像x∈R

F是复杂的非线性的，为了实现这一目标，将k个单隐层自动编码器堆叠成一个深度神经网络，将图像映射到相应的形状。其中，F＝{f

为了防止过度拟合，需要增加一个正则化项，用于减少权值的大小，具体公式如下：

其中，α为权值衰减项的系数，即正则化项的衰减系数。

函数F参数较多，在优化过程中容易陷入局部极小值。为了实现更好的优化，首先采用无监督的预训练过程，以堆叠策略初始化第一个k-1层，并对k层进行随机初始化；其次，以监督的方式对整个网络进行微调。

对于i层，通过优化以下目标函数对其进行预训练，具体预训练公式如下：

f

然后，将这个单隐层网络a

对

进一步地，所述对所述人脸图像进行全局编码操作，得到全局形状估计值以及全局面部标志点图像，之后还包括：对所述全局形状估计值以及所述全局面部标志点图像进行局部编码操作，得到人脸形状估计值。在本实施例中，在对所述人脸图像进行全局编码操作后，再进行局部编码操作，将全局编码操作得到的全局形状估计值以及全局面部标志点图像作为局部编码操作的输入，即在局部编码操作对应的学习训练模型中，全局形状估计值以及全局面部标志点图像充当该模型的输入参数，便于对所述人脸图像进行更加精确的图像处理。这样，在经过全局编码操作后，通过对全局面部标志点图像的局部编码操作，便于对所述人脸图像的分辨率进行提升，即在全局面部标志点图像的基础上进行局部面部标志点的图像处理，也即围绕全局面部标志点图像中的当前地标提取的关联局部特征作为局部编码操作的输入，具有进一步细化地标位置的作用，有效地提高最终输出的人脸图像的分辨率。

更进一步地，所述对所述全局形状估计值以及所述全局面部标志点图像进行局部编码操作，得到人脸形状估计值，包括：根据所述全局面部标志点图像获取面部点提取形状索引特征值；对所述面部点提取形状索引特征值以及所述全局形状估计值进行第一局部编码操作，得到第一形状偏差值；根据所述全局形状估计值以及所述第一形状偏差值获取第一人脸形状估计值。在本实施例中，所述面部点提取形状索引特征值是根据所述全局面部标志点图像上的特征点获取的，即所述面部点提取形状索引特征值作为所述全局面部标志点图像上围上一个编码操作提取的联合特征，而且，在本实施例中，所述局部编码操作包括多个第一局部编码操作，多个所述第一局部编码操作依次进行，即上一个第一局部编码操作的输出作为下一个第一局部编码操作的输入，其中，全局编码操作的输出作为第一个第一局部编码操作的输入。这样，在每一个所述第一局部编码操作后，得到的每一个第一形状偏差值作为下一个第一局部编码操作的补偿参数，用于对下一个第一局部编码操作的输入特征的补偿，便于对人脸图像的分辨率的提高。

再进一步地，所述对所述面部点提取形状索引特征值以及所述全局形状估计值进行第一局部编码操作，包括：对所述面部点提取形状索引特征值以及所述全局形状估计值进行非线性回归操作。在本实施例中，所述非线性回归操作除了是对所述面部点提取形状索引特征值以及所述全局形状估计值的，而且，还是对两个第一局部编码操作之间的处理，即所述非线性回归操作还适用于局部面部标志点图像，便于对每一个编码操作后输出的标志点图像进行细化图像处理，使得人脸图像的分辨率逐步提高。

对于局部自动编码操作，例如第一局部编码操作，是基于全局的堆叠式自动编码器网络进行的编码操作，具体如下：

全局编码操采用全局堆叠式自动编码器网络的模型进行人脸图像处理，全局堆叠式自动编码器网络将给出输入图像，即所述人脸图像，x的粗略形状估计S

与全局堆叠式自动编码器网络相似，连续的局部堆叠式自动编码器网络也被设计成一个堆叠的深度自网络来处理预测人脸形状的非线性，但以局部形状索引特征作为输入。利用全局堆叠式自动编码器网络估计的形状S

其中，

通过第一个局部堆叠式自动编码器网络获取脸型更新ΔS

对于每个局部堆叠式自动编码器网络，在相同大小、不同分辨率的局部块中提取地标点周围的局部特征。在低分辨率的人脸图像中，相同大小的局部块包含更多的上下文信息，从而导致对局部堆叠式自动编码器网络的搜索区域更大。当当前位置与真值相对较大时，需要用较大的搜索步长对前隐体进行近似。另一方面，相同大小但高分辨率人脸图像的局部块实际上限制了在小区域内的搜索，这意味着后续的局部堆叠式自动编码器网络可以通过一个微小的步骤来细化位置，从而获得更准确的结果。

在其中一个实施例中，所述根据所述人脸似差值调整向监测系统发送的人脸比对结果信号，包括：检测所述人脸似差值是否大于或等于0；当所述人脸似差值大于或等于0时，向监测系统发送验证成功信号。在本实施例中，所述人脸似差值是对编码操作输出的人脸形状估计值与预设形状估计值之间的差异体现，便于对人脸的比对结果进行判断。所述人脸似差值的大小用于体现当前人脸图像与标准人脸图像之间的相似程度，所述预设形状估计值对应于系统内置的标准人脸图像。这样，在所述人脸似差值大于或等于0时，表明了当前人脸图像经过编码操作后的输出结果与标准人脸图像经过编码操作后的输出结果相近，即表明了当前的人脸图像与标准人脸图像的相似度较高，也即表明了当前的人脸图像与标准人脸图像相似，此时向监测系统发送验证成功信号，使得当前的人脸图像得以通过认证。

进一步地，所述检测所述人脸似差值是否大于或等于0，之后还包括：当所述人脸似差值小于0时，向监测系统发送验证失败信号。在本实施例中，所述人脸似差值是对编码操作输出的人脸形状估计值与预设形状估计值之间的差异体现，便于对人脸的比对结果进行判断。所述人脸似差值的大小用于体现当前人脸图像与标准人脸图像之间的相似程度，所述预设形状估计值对应于系统内置的标准人脸图像。这样，在所述人脸似差值小于0时，表明了当前人脸图像经过编码操作后的输出结果与标准人脸图像经过编码操作后的输出结果相差较大，即表明了当前的人脸图像与标准人脸图像的相似度较低，也即表明了当前的人脸图像与标准人脸图像不同，此时向监测系统发送验证失败信号，使得当前的人脸图像不予以通过认证。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

本申请还提供一种人脸图像比对装置，其采用上述任一实施例中所述的人脸图像比对方法实现。在其中一个实施例中，所述人脸图像比对装置具有用于实现所述人脸图像比对方法各步骤对应的功能模块。所述人脸图像比对装置包括采集模块、第一处理模块、第二处理模块以及结果输出模块，其中：

采集模块，用于获取待比对的人脸图像；

第一处理模块，用于对所述人脸图像进行自动编码操作，得到人脸形状估计值；

第二处理模块，用于将所述人脸形状估计值与预设形状估计值进行似差操作，得到人脸似差值；

结果输出模块，根据所述人脸似差值调整向监测系统发送的人脸比对结果信号。

在本实施例中，第一处理模块将人脸图像经自动编码操作转换为人脸形状估计值，之后第二处理模块再与标准值进行比对，即与预设形状估计值进行似差操作，得到人脸似差值作为最终的比对结果，结果输出模块用于判断出人脸比对的真实情况，适用于低分辨率图像或者图像被部分遮挡的情况，使得人脸比对结果的误判率降低。

在其中一个实施例中，所述第一处理模块还用于对所述人脸图像进行全局编码操作，得到全局形状估计值以及全局面部标志点图像。在本实施例中，所述全局编码操作为全局堆叠式自动编码器网络模型对应的自动编码处理，即所述全局编码操作是对所述人脸图像进行的整幅图像处理，使得在所述人脸图像的初始分辨率较低的情况下，依然可以对所述人脸图像进行图像处理，便于通过获取所述人脸图像的全局形状估计值，得以确定所述人脸图像的全局面部标志点。这样，第一处理模块在获取了全局形状估计值以及全局面部标志点图像后，这两者是对初始的人脸图像的自动编码的结果，作为后续的局部自动编码的输入，从而便于后续对所述人脸图像的高分辨率的处理，进而便于后续通过局部自动编码操作将低分辨率的人脸图像提升至高分辨率的图像。

对全局编码操作，采用的是全局的堆叠式自动编码器网络，是对所述人脸图像为低分辨率的人脸形状处理，即全局的堆叠式自动编码器网络在低分辨率图像上基于全局原始特征估计人脸形状。堆叠式自动编码器网络的具体实现方式如下：

对于图像与特征估计值之间的映射关系：F：S←x。

给定一个有d个像素的人脸图像x∈R

F是复杂的非线性的，为了实现这一目标，将k个单隐层自动编码器堆叠成一个深度神经网络，将图像映射到相应的形状。其中，F＝{f

为了防止过度拟合，需要增加一个正则化项，用于减少权值的大小，具体公式如下：

其中，α为权值衰减项的系数，即正则化项的衰减系数。

函数F参数较多，在优化过程中容易陷入局部极小值。为了实现更好的优化，首先采用无监督的预训练过程，以堆叠策略初始化第一个k-1层，并对k层进行随机初始化；其次，以监督的方式对整个网络进行微调。

对于i层，通过优化以下目标函数对其进行预训练，具体预训练公式如下：

f

然后，将这个单隐层网络a

对

进一步地，所述第一处理模块还用于对所述全局形状估计值以及所述全局面部标志点图像进行局部编码操作，得到人脸形状估计值。在本实施例中，在第一处理模块对所述人脸图像进行全局编码操作后，再进行局部编码操作，将全局编码操作得到的全局形状估计值以及全局面部标志点图像作为局部编码操作的输入，即在局部编码操作对应的学习训练模型中，全局形状估计值以及全局面部标志点图像充当该模型的输入参数，便于对所述人脸图像进行更加精确的图像处理。这样，第一处理模块在经过全局编码操作后，通过对全局面部标志点图像的局部编码操作，便于对所述人脸图像的分辨率进行提升，即在全局面部标志点图像的基础上进行局部面部标志点的图像处理，也即围绕全局面部标志点图像中的当前地标提取的关联局部特征作为局部编码操作的输入，具有进一步细化地标位置的作用，有效地提高最终输出的人脸图像的分辨率。

更进一步地，所述第一处理模块还用于根据所述全局面部标志点图像获取面部点提取形状索引特征值；对所述面部点提取形状索引特征值以及所述全局形状估计值进行第一局部编码操作，得到第一形状偏差值；根据所述全局形状估计值以及所述第一形状偏差值获取第一人脸形状估计值。在本实施例中，所述面部点提取形状索引特征值是根据所述全局面部标志点图像上的特征点获取的，即所述面部点提取形状索引特征值作为所述全局面部标志点图像上围上一个编码操作提取的联合特征，而且，在本实施例中，所述局部编码操作包括多个第一局部编码操作，多个所述第一局部编码操作依次进行，即上一个第一局部编码操作的输出作为下一个第一局部编码操作的输入，其中，全局编码操作的输出作为第一个第一局部编码操作的输入。这样，第一处理模块在每一个所述第一局部编码操作后，得到的每一个第一形状偏差值作为下一个第一局部编码操作的补偿参数，用于对下一个第一局部编码操作的输入特征的补偿，便于对人脸图像的分辨率的提高。

再进一步地，所述第一处理模块还用于对所述面部点提取形状索引特征值以及所述全局形状估计值进行非线性回归操作。在本实施例中，所述非线性回归操作除了是对所述面部点提取形状索引特征值以及所述全局形状估计值的，而且，第一处理模块还是对两个第一局部编码操作之间的处理，即所述非线性回归操作还适用于局部面部标志点图像，便于对每一个编码操作后输出的标志点图像进行细化图像处理，使得人脸图像的分辨率逐步提高。

对于局部自动编码操作，例如第一局部编码操作，是基于全局的堆叠式自动编码器网络进行的编码操作，具体如下：

全局编码操采用全局堆叠式自动编码器网络的模型进行人脸图像处理，全局堆叠式自动编码器网络将给出输入图像，即所述人脸图像，x的粗略形状估计S

与全局堆叠式自动编码器网络相似，连续的局部堆叠式自动编码器网络也被设计成一个堆叠的深度自网络来处理预测人脸形状的非线性，但以局部形状索引特征作为输入。利用全局堆叠式自动编码器网络估计的形状S

其中，

通过第一个局部堆叠式自动编码器网络获取脸型更新ΔS

对于每个局部堆叠式自动编码器网络，在相同大小、不同分辨率的局部块中提取地标点周围的局部特征。在低分辨率的人脸图像中，相同大小的局部块包含更多的上下文信息，从而导致对局部堆叠式自动编码器网络的搜索区域更大。当当前位置与真值相对较大时，需要用较大的搜索步长对前隐体进行近似。另一方面，相同大小但高分辨率人脸图像的局部块实际上限制了在小区域内的搜索，这意味着后续的局部堆叠式自动编码器网络可以通过一个微小的步骤来细化位置，从而获得更准确的结果。

在其中一个实施例中，所述结果输出模块还用于检测所述人脸似差值是否大于或等于0；当所述人脸似差值大于或等于0时，向监测系统发送验证成功信号。在本实施例中，所述人脸似差值是对编码操作输出的人脸形状估计值与预设形状估计值之间的差异体现，便于结果输出模块对人脸的比对结果进行判断。所述人脸似差值的大小用于体现当前人脸图像与标准人脸图像之间的相似程度，所述预设形状估计值对应于系统内置的标准人脸图像。这样，在结果输出模块检测到所述人脸似差值大于或等于0时，表明了当前人脸图像经过编码操作后的输出结果与标准人脸图像经过编码操作后的输出结果相近，即表明了当前的人脸图像与标准人脸图像的相似度较高，也即表明了当前的人脸图像与标准人脸图像相似，此时向监测系统发送验证成功信号，使得当前的人脸图像得以通过认证。

进一步地，所述结果输出模块还用于当所述人脸似差值小于0时，向监测系统发送验证失败信号。在本实施例中，所述人脸似差值是对编码操作输出的人脸形状估计值与预设形状估计值之间的差异体现，便于对人脸的比对结果进行判断。所述人脸似差值的大小用于体现当前人脸图像与标准人脸图像之间的相似程度，所述预设形状估计值对应于系统内置的标准人脸图像。这样，在结果输出模块检测到所述人脸似差值小于0时，表明了当前人脸图像经过编码操作后的输出结果与标准人脸图像经过编码操作后的输出结果相差较大，即表明了当前的人脸图像与标准人脸图像的相似度较低，也即表明了当前的人脸图像与标准人脸图像不同，此时向监测系统发送验证失败信号，使得当前的人脸图像不予以通过认证。

关于人脸图像比对装置的具体限定可以参见上文中对于人脸图像比对方法的限定，在此不再赘述。上述人脸图像比对装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本申请还提供一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种人脸图像比对方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在其中一个实施例中，本申请还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在其中一个实施例中，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。