一种人脸识别的方法、装置、电子设备及存储介质

技术领域

本申请涉及大数据技术领域，特别涉及一种人脸识别的方法、装置、电子设备及存储介质。

背景技术

银行是金融行业，可以通过人脸识别技术对客户身份验证，防止非法分子冒充客户进行诈骗等行为，提高银行的安全性。银行柜台在高峰期客户众多，客户等待时间长，人脸识别技术可应用在柜台客户身份验证环节，快速验证客户身份，减少工作人员的工作量和时间成本，提高工作效率。但是人脸识别技术在实际应用中常常受到图像数据集少、数量质量不佳，如光线明亮度、图片清晰度等因素的影响，导致识别率低、误识率高等问题。

发明内容

有鉴于此，本申请实施例提供了一种人脸识别的方法、装置、电子设备及存储介质，旨在扩充人脸识别的数据样本，提高人脸识别的准确性。

第一方面，本申请实施例提供了一种人脸识别的方法，所述方法包括：

对原始人脸图像数据进行预处理；

使用生成对抗网络对预处理后的所述原始人脸图像数据进行扩充，形成目标数据集；

利用所述目标数据集对人脸识别模型进行训练；

基于训练完成的所述人脸识别模型进行人脸识别操作。

可选的，所述对原始人脸图像数据进行预处理，包括：

设置光线明亮度阈值；

判断所述人脸图像数据的光线明亮度是否大于所述光线明亮度阈值；

当所述人脸图像数据的光线明亮度不大于所述光线明亮度阈值，利用数据增强技术对所述人脸图像数据进行处理，直至所述人脸图像数据的光线明亮度符合所述光线明亮度阈值。

可选的，所述对原始人脸图像数据进行预处理，包括：

设置图像清晰度阈值；

判断所述人脸图像数据的图像清晰度是否大于所述图像清晰度阈值；

当所述人脸图像数据的图像清晰度不大于所述图像清晰度阈值，利用超分辨率技术对所述人脸图像数据进行处理，直至所述人脸图像数据的图像清晰度符合所述图像清晰度阈值。

可选的，所述使用生成对抗网络对预处理后的所述原始人脸图像数据进行扩充，形成目标数据集，包括：

将预处理后的所述原始人脸图像数据输入所述生成对抗网络；

利用所述生成对抗网络生成与所述人脸图像数据具有关联关系的图像数据，进行所述人脸图像数据的扩充；

将所述图像数据进行组合形成目标数据集。

可选的，所述利用所述目标数据集对人脸识别模型进行训练，包括：

将所述目标数据集分为训练数据集和测试训练集；

将所述训练数据集作为训练数据输入所述人脸识别模型对所述人脸识别模型进行训练；

通过所述测试数据集测试所述人脸识别模型的识别正确率；

当所述识别正确率大于预设识别正确率阈值时，确定所述人脸识别模型为训练完成的人脸识别模型。

可选的，所述利用所述生成对抗网络生成与所述人脸图像数据具有相关性的图像数据，包括：

将所述人脸图像数据输入生成器生成第一人脸图像，所述第一人脸图像与所述人脸图像数据具有关联关系；

将所述第一人脸图像及所述人脸图像数据输入判别器，利用所述判别器基于所述人脸图像数据对所述第一人脸图像的真实性进行判别；

将判别的结果反馈至所述生成器，以更新并训练所述生成器，直至所述生成器生成的第一人脸图像的真实性达到所述判别器的真实性判别要求对应的真实性判别阈值。

可选的，所述对原始人脸图像数据进行预处理之前，还包括：

采用实际场景中拍摄到的人脸图像集作为原始图像数据；

利用人脸检测工具对所述原始图像数据进行人脸检测，并去除多余背景裁剪出目标人脸，以获取所述原始人脸图像数据。

第二方面，本申请实施例提供了一种人脸识别的装置，所述装置包括：处理模块、扩充模块、训练模块及识别模块；

所述处理模块用于，对原始人脸图像数据进行预处理；

所述扩充模块用于，使用生成对抗网络对预处理后的所述原始人脸图像数据进行扩充，形成目标数据集；

所述训练模块用于，利用所述目标数据集对人脸识别模型进行训练；

所述识别模块用于，基于训练完成的所述人脸识别模型进行人脸识别操作。

第三方面，本申请提供了一种电子设备，所述设备包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行实现第一方面所述方法。

第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述方法。

本申请提供了一种人脸识别的方法、装置、电子设备及存储介质，在执行所述方法时，首先对原始人脸图像数据进行预处理，然后使用生成对抗网络对所述预处理后的人脸图像数据进行扩充，形成目标数据集，利用所述目标数据集对人脸识别模型进行训练。最后基于训练完成的所述人脸识别模型进行人脸识别操作。如此，通过使用了数据增强及超分辨率技术，在人脸识别任务中，既能够在模型训练阶段对数据进行预处理，同时也能在人脸识别过程中能够对输入的图像进行预处理，有利于提高人脸识别的准确率。基于生成对抗网络的人脸数据扩充方法，是将生成对抗网络应用于人脸识别任务中，通过生成器模块生成更多的人脸图像，以扩充数据集，从而提高人脸识别模型的鲁棒性。同时，判别器模块可以对生成器生成的人脸图像进行真实性判别，从而提高生成器的生成质量。通过采用上述技术能够扩充人脸识别的数据样本，且在一定程度上提高人脸识别的识别准确率。

附图说明

为更清楚地说明本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申请的一些实施例，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。

图1为本申请实施例提供的一种人脸识别的方法的流程图；

图2为本申请实施例提供了一种对图像进行扩充的方法的流程图；

图3为本申请实施例提供的一种生成具有相关性的图像数据的方法的流程图；

图4为本申请实施例提供的一种人脸识别的装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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他实施例，都属于本发明保护的范围。

在本申请中，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、物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、物品或者设备中还存在另外的相同要素。

在对于相关技术的研究中发现，银行柜台在高峰期客户众多，客户等待时间长，人脸识别技术可应用在柜台客户身份验证环节，快速验证客户身份，减少工作人员的工作量和时间成本，提高工作效率。人脸识别技术在实际应用中常常受到图像数据集少、数量质量不佳，如光线明亮度、图片清晰度等因素的影响，导致识别率低、误识率高等问题。

基于此，本申请提出了一种人脸识别的方法、装置、电子设备及存储介质。能够针对图像光照不均匀与图像清晰度采用不同的方法进行数据预处理，并且能够在此基础上使用生成对抗网络进行数据集的扩充，节省数据集收集的成本。最后在扩充后的数据集上进行人脸识别模型的训练，得到准确率较高的人脸识别模型。

本发明提供的一种人脸识别的方法、装置、电子设备及存储介质可用于金融领域或其他领域，例如，可用于金融领域中的工作人员对客户进行身份验证时，利用人脸信息进行身份识别的应用场景。其他领域为除金融领域之外的任意领域，例如，大数据领域。上述仅为示例，并不对本发明提供的一种数据脱敏的方法、装置、电子设备及存储介质的应用领域进行限定。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种人脸识别的方法的流程图，参见图1所示，本申请实施例提供的一种人脸识别的方法包括：

S11：对原始人脸图像数据进行预处理。

步骤S11提到“对原始人脸图像数据进行预处理”，进行预处理的方式可以包括但不限于以下两种：针对图像的亮度不均匀进行处理以及针对图像的清晰度低的问题进行处理。

针对图像的亮度不均匀进行处理的方法具体可以包括：首先设置光线明亮度阈值，然后判断所述人脸图像数据的光线明亮度是否符合所述光线明亮度阈值，当所述人脸图像数据的光线明亮度不符合所述光线明亮度阈值，利用数据增强技术对所述人脸图像数据进行处理，直至所述人脸图像数据的光线明亮度符合所述光线明亮度阈值。

一个卷积神经网络，如果能够对物体(即使它放在不同的地方)进行稳健的分类，就被称为具有不变性的属性。更具体的，CNN可以对移位(translation)、视角(viewpoint)、大小(size)、照明(illumination)(或者以上的组合)具有不变性。这本质上是数据增强的前提。在现实场景中，我们可能会有一批在有限场景中拍摄的数据集。但是我们的目标应用可能存在于不同的条件，比如在不同的方向、位置、缩放比例、亮度等。前述内容即为本实施例中提到的数据增强技术在实际应用中的作用，在本实施例中主要针对图像的亮度不均匀的问题使用数据增强技术进行处理，通过采用该技术能够实现随机调整图像的亮度、对比度等参数，增加数据集的多样性，提高模型的鲁棒性的作用。

上述提到的光线明亮度阈值可以由本领域技术人员根据实际情况及应用场景进行设置，在此不作限定。

通过上述提到的改善原始人脸数据图像的光线亮度不均的方法，首先设置光线明亮度阈值，根据将原始人脸数据图像的光线明亮度与阈值进行比较，能够容易获知原始人脸数据的光线明亮度是否符合要求，同时阈值是可以根据实际情况进行调节的，故在本实施例中对于图像光线明亮度的调节是灵活的，适应性强。前述提到的判断光线明亮度是否符合要求，符合要求的方式可以为人脸图像数据的光线明亮度大于光线明亮度阈值，也可以为人脸图像数据的光线明亮度小于光线明亮度阈值，具体的设置方式可以由本领域技术人员根据实际情况及应用场景进行设置，在此不做限定。

针对图像的清晰度低的问题进行处理的方法具体可以包括：首先设置图像清晰度阈值，然后判断所述人脸图像数据的图像清晰度是否符合所述图像清晰度阈值，当所述人脸图像数据的图像清晰度不符合所述图像清晰度阈值，利用超分辨率技术对所述人脸图像数据进行处理，直至所述人脸图像数据的图像清晰度符合所述图像清晰度阈值。

图像超分辨率(image super resolution,SR)是计算机视觉和图像处理中一类重要的图像处理技术，是指从低分辨率(low resolution,LR)图像中恢复高分辨率(highresolution,HR)图像的过程。简单来说超分辨率技术可以分为以下两种：

1)只参考当前低分辨率图像，不依赖其他相关图像的超分辨率技术，称之为单幅图像的超分辨率(single image super resolution)，也可以称之为图像插值(imageinterpolation)；

2)参考多幅图像或多个视频帧的超分辨率技术，称之为多帧视频/多图的超分辨率(multi-frame super resolution)。

在本申请实施例中针对图像的清晰度低的问题使用超分辨率技术进行处理，通过采用该技术能够对低清晰度的图像进行放大处理，提高图像的清晰度，增加识别的准确性。

上述提到的图像清晰度阈值可以由本领域技术人员根据实际情况及应用场景进行设置，在此不作限定。

通过上述提到的改善图像的清晰度低的问题的方法，首先设置图像清晰度阈值，根据将原始人脸数据图像的图像清晰度与阈值进行比较，能够容易获知原始人脸数据的图像清晰度是否符合要求，同时阈值是可以根据实际情况进行调节的，故在本实施例中对于图像清晰度的调节是灵活的，适应性强。前述提到的判断原始人脸数据的图像清晰度是否符合要求，符合要求的方式可以为人脸图像数据的图像清晰度大于图像清晰度阈值，也可以为人脸图像数据的图像清晰度小于图像清晰度阈值，具体的设置方式可以由本领域技术人员根据实际情况及应用场景进行设置，在此不做限定。

在进行步骤S11的对原始人脸图像数据进行预处理之前，还包括：首先采用实际场景中拍摄到的人脸图像集作为原始图像数据；然后利用人脸检测工具对所述原始图像数据进行人脸检测，并去除多余背景裁剪出目标人脸，以获取所述原始人脸图像数据。

采用实际场景中拍摄到的人脸图像集，即原始数据集。人脸图像集的特点是小且不均衡，图像总数量较少，同时类别之间数据量差别很大。可以采用机器学习库dlib人脸检测工具对原始图像实现人脸检测与人脸对齐，裁剪出目标人脸，以保证获取的图像满足人脸识别的基本要求，即去除多余背景。Dlib是一个包含机器学习算法的C++开源工具包，Dlib可以用于人脸检测、特征点检测、人脸对齐、人脸识别。

通过上述获取原始人脸数据的方法，能够实现对原始图像数据中的人脸数据进行裁剪以及保留，避免了除人脸数据外的其他数据的冗余，节约了后续对于图像的处理过程的算力资源，能够更有针对性地对人脸数据进行处理。

S12：使用生成对抗网络对预处理后的所述原始人脸图像数据进行扩充，形成目标数据集。

步骤S12中提到对人脸数据图像进行扩充，图2为本申请实施例提供了一种对图像进行扩充的方法的流程图，如图2所示，该方法具体包括：

S121：将预处理后的所述原始人脸图像数据输入所述生成对抗网络。

上述提到了生成对抗网络，关于生成对抗网络(GAN,Generative adversarialnetwork)，它由生成器和判别器组成，生成器负责生成样本，判别器负责判断生成器生成的样本是否为真。生成器要尽可能迷惑判别器，而判别器要尽可能区分生成器生成的样本和真实样本。二者互相博弈，随着时间的进行，都会越来越强。那么类比于图像生成任务，生成器不断生成尽可能逼真的假图像。判别器则判断图像是否是真实的图像，还是生成的图像，二者不断博弈优化。最终生成器生成的图像使得判别器完全无法判别真假。

在本申请实施例中，基于生成对抗网络的人脸数据扩充方法，是将生成对抗网络应用于人脸识别任务中，通过生成器模块生成更多的人脸图像，以扩充数据集，从而提高人脸识别模型的鲁棒性。同时，判别器模块可以对生成器生成的人脸图像进行真实性判别，从而提高生成器的生成质量，最终实现对于人脸图像数据的扩充。

S122：利用所述生成对抗网络生成与所述人脸图像数据具有关联关系的图像数据，进行所述人脸图像数据的扩充。

利用生成对抗网络对人脸图像数据进行扩充的过程可以包括：①随机改图像大小，②随机图像水平翻转，③随机图像片段获取，④随机图像色相调整，⑤随机添加噪声干扰。

随即改变图像大小可以包括将人脸转换为适合神经网络的输入，随机使用双线性插值、最近邻方法、双三次插值法和面积插值法将人脸图像转换为标准大小。

随机图像水平翻转可以理解为在训练过程中随机翻转图像。

随机图像片段获取可以为在保留所需人脸信息的情况下，随机减少部分背景信息。

随机图像色相调整可以包括但不限于：随机调整图像的亮度、对比度、饱和度和色相。

随机添加噪声干扰为图像添加分布为N(0,1)的高斯噪声。

具体的数据图像的扩充过程可以包括上述的其中几个步骤的组合，也可以只是使用其中的某个步骤进行调整，具体的步骤的顺序以及步骤的组合可以由本领域的技术人员根据实际情况及应用场景进行选择处理，在此不作限定。

上述提到“生成与所述人脸图像数据具有相关性的图像数据”，这里的相关性可以理解为是生成的图像数据是根据人脸图像数据进行一定的调整后得到的，两者之间具有关联。

步骤S122中提到的“利用所述生成对抗网络生成与所述人脸图像数据具有相关性的图像数据”，图3为本申请实施例提供的一种生成具有相关性的图像数据的方法的流程图，如图3所示，该方法具体包括：

S1221：将所述人脸图像数据输入生成器生成第一人脸图像，所述第一人脸图像与所述人脸图像数据具有关联关系。

S1222：将所述第一人脸图像及所述人脸图像数据输入判别器，利用所述判别器基于所述人脸图像数据对所述第一人脸图像的真实性进行判别。

S1223：将判别的结果反馈至所述生成器，以更新并训练所述生成器，直至所述生成器生成的第一人脸图像的真实度达到所述判别器的真实性判别要求对应的真实性判别阈值。

上述提到的真实性判别阈值可以由本领域的技术人员根据实际情况及应用场景进行确定，在此不作限定。可以理解的是，当生成器生成的第一人脸图像的真实度大于真实性判别阈值时，可以视为第一人脸图像的真实性符合判别器的真实性判别要求。

通过上述生成相关数据的方法，利用生成对抗网络中的生成器及判别器进行人脸图像的生成，通过生成器与判别器之间的结果反馈，不断优化生成的图像数据，能够使得最终生成的第一人脸图像符合真实性的要求。

S123：将所述图像数据进行组合形成目标数据集。

通过上述提到的数据扩充方法，使用生成对抗网络进行图像数据的扩充，能够解决图像数据集数量少的问题，进而为人脸识别模型提供更多的训练样本，提高人脸识别模型的训练效果。

S13：利用所述目标数据集对人脸识别模型进行训练。

步骤S13提到“对人脸识别模型进行训练”，具体的训练方法可以包括：首先将所述目标数据集作为训练数据输入所述人脸识别模型，然后通过所述目标数据集测试所述人脸识别模型的识别正确率，最后当所述识别正确率大于预设识别正确率阈值时，确定所述人脸识别模型为训练完成的人脸识别模型。

上述提到的正确率阈值可以由本领域技术人员根据实际情况及应用场景进行设定，在此不作限定。

通过上述提到的训练过程，设置正确率阈值能够使得模型训练具有一个参考值，基于该参考值能够用于评价模型训练的质量，将符合正确率要求的人脸识别模型确定为完成训练的人脸识别模型，利用该模型进行人脸识别能够在一定程度上保证人脸识别的准确性。

S14：基于训练完成的所述人脸识别模型进行人脸识别操作。

在本实施例中提出了一种人脸识别的方法，该方法首先对原始人脸图像数据进行预处理，然后使用生成对抗网络对所述预处理后的人脸图像数据进行扩充，形成目标数据集，利用所述目标数据集对人脸识别模型进行训练。最后基于训练完成的所述人脸识别模型进行人脸识别操作。如此，通过使用了数据增强及超分辨率技术，在人脸识别任务中，既能够在模型训练阶段对数据进行预处理，同时也能在人脸识别过程中能够对输入的图像进行预处理，有利于提高人脸识别的准确率。基于生成对抗网络的人脸数据扩充方法，是将生成对抗网络应用于人脸识别任务中，通过生成器模块生成更多的人脸图像，以扩充数据集，从而提高人脸识别模型的鲁棒性。同时，判别器模块可以对生成器生成的人脸图像进行真实性判别，从而提高生成器的生成质量。通过采用上述技术能够扩充人脸识别的数据样本，且在一定程度上提高人脸识别的识别准确率。

图4为本申请实施例提供的一种人脸识别的装置的结构示意图，如图4所示，一种人脸识别的装置具体包括：处理模块100、扩充模块200、训练模块300及识别模块400；

所述处理模块100用于，对原始人脸图像数据进行预处理；

所述扩充模块200用于，使用生成对抗网络对预处理后的所述原始人脸图像数据进行扩充，形成目标数据集；

所述训练模块300用于，利用所述目标数据集对人脸识别模型进行训练；

所述识别模块400用于，基于训练完成的所述人脸识别模型进行人脸识别操作。

在可以的实现方式中，所述处理模块100，具体用于：

设置光线明亮度阈值；

判断所述人脸图像数据的光线明亮度是否大于所述光线明亮度阈值；

当所述人脸图像数据的光线明亮度不大于所述光线明亮度阈值，利用数据增强技术对所述人脸图像数据进行处理，直至所述人脸图像数据的光线明亮度符合所述光线明亮度阈值。

在可以的实现方式中，所述处理模块100，具体用于：

设置图像清晰度阈值；

判断所述人脸图像数据的图像清晰度是否大于所述图像清晰度阈值；

当所述人脸图像数据的图像清晰度不大于所述图像清晰度阈值，利用超分辨率技术对所述人脸图像数据进行处理，直至所述人脸图像数据的图像清晰度符合所述图像清晰度阈值。

在可以的实现方式中，所述扩充模块200，具体用于：

将预处理后的所述原始人脸图像数据输入所述生成对抗网络；

利用所述生成对抗网络生成与所述人脸图像数据具有关联关系的图像数据，进行所述人脸图像数据的扩充；

将所述图像数据进行组合形成目标数据集。

在可以的实现方式中，所述训练模块300，具体用于：

将所述目标数据集分为训练数据集和测试数据集；

将所述训练数据集作为训练数据输入所述人脸识别模型对所述人脸识别模型进行训练；

通过所述测试数据集测试所述人脸识别模型的识别正确率；

当所述识别正确率大于预设识别正确率阈值时，确定所述人脸识别模型为训练完成的人脸识别模型。

在可以的实现方式中，所述扩充模块200，具体用于：

将所述人脸图像数据输入生成器生成第一人脸图像，所述第一人脸图像与所述人脸图像数据具有关联关系；

将所述第一人脸图像及所述人脸图像数据输入判别器，利用所述判别器基于所述人脸图像数据对所述第一人脸图像的真实性进行判别；

将判别的结果反馈至所述生成器，以更新并训练所述生成器，直至所述生成器生成的第一人脸图像的真实度达到所述判别器的真实性判别要求对应的真实性判别阈值。

在可以的实现方式中，所述装置包括检测模块500，所述检测模块500具体用于：

采用实际场景中拍摄到的人脸图像集作为原始图像数据；

利用人脸检测工具对所述原始图像数据进行人脸检测，并去除多余背景裁剪出目标人脸，以获取所述原始人脸图像数据。

在本实施例中提出了一种人脸识别的装置，该装置包括：处理模块、扩充模块、训练模块及识别模块。其中处理模块用于对原始人脸图像数据进行预处理；扩充模块用于使用生成对抗网络对所述预处理后的人脸图像数据进行扩充，形成目标数据集；训练模块用于利用所述目标数据集对人脸识别模型进行训练；识别模块用于基于训练完成的所述人脸识别模型进行人脸识别操作。如此，通过针对图像光照不均匀与图像清晰度采用不同的方法进行数据预处理，并且能够在此基础上使用生成对抗网络进行数据集的扩充，节省数据集收集的成本。最后在扩充后的数据集上进行人脸识别模型的训练，得到准确率较高的人脸识别模型。采用上述技术能够扩充人脸识别的数据样本，且在一定程度上提高人脸识别的识别准确率。

本申请实施例还提出了一种应用场景下的一种人脸识别的方法，具体而言：

1、数据预处理：针对光线明亮度不均的情况，使用数据增强技术，随机调整图像的亮度、对比度等参数，增加数据集的多样性，提高模型的鲁棒性。针对图片清晰度不足的情况，使用超分辨技术，对低清晰度的图像进行放大处理，提高图像的清晰度，增加识别的准确性。

2、数据集扩充：在经过预处理后的人脸数据输入到生成对抗网络，扩充人脸数据集；

3、人脸识别：使用经过生成对抗网络模块生成的数据集进行人脸识别模型训练，得到识别准确率较高的人脸识别模型。

通过上述方法首先进行人脸数据预处理模块，在此环节中，利用数据增强、超分辨技术提高原始图片的质量。其次，对预处理后的图像进行数据扩充。最后，使用扩充后的人脸数据进行人脸识别模型的训练，得到较优的人脸识别模型用于金融领域。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本申请实施例还提供了对应的设备以及计算机可读存储介质，用于实现本申请实施例提供的方案。

其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行本申请任一实施例所述的一种人脸识别的方法。

在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备中还存在另外的相同要素。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。