一种人脸识别方法、装置及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种人脸识别方法、装置及存储介质。

背景技术

在科学技术不断创新、不断发展的今天，对于个体身份认证的速度、正确率、安全性等方面的要求也不断变高。当前对于生物识别技术主要包括指纹识别、人脸识别、声纹识别、虹膜识别等，其中，人脸识别因其安全性、高效性以及便于采集等优点成为逐渐主流的身份识别方法。

目前，对人脸识别的方法主要有：基于特征统计的局部二值模式(Local binarypatterns，LBP)方法和基于卷积神经网络(Convolutional Neural Networks，CNN)的人脸特征提取方法，其中，LBP方法在非限定条件下其泛化能力较差，仅对人脸的浅层特征进行提取，提取的特征准确性较低，CNN方法能够提取到深层人脸特征，但是，在考虑到时间跨度和姿态等不同特征差异的情况下，准确性较低。

发明内容

为解决上述技术问题，本发明实施例期望提供一种人脸识别方法、装置及存储介质，对人脸图像进行二次特征提取，并将提取得到的特征信息与直接对人脸图像提取的特征信息进行信息融合，使得得到的用于人脸识别的特征信息更加准确，提高了人脸识别的准确率。

本发明的技术方案是这样实现的：

本发明提供了一种人脸识别方法，所述方法包括：

获取待识别人脸图像，并从所述待识别人脸图像中提取出全脸特征图和关键区域特征图；

利用预设全脸特征提取模型，从所述全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从所述关键区域特征图中提取出关键区域特征信息；

利用预设人脸特征提取模型，从所述待识别人脸图像中提取出人脸特征信息，并将所述人脸特征信息、所述全脸特征信息和所述关键区域特征信息融合，得到目标特征信息；

利用所述目标特征信息进行人脸识别，得到所述待识别人脸图像的人脸识别结果。

在上述方法中，所述从所述待识别人脸图像中提取出全脸特征图，包括：

对所述待识别人脸图像进行归一化处理，并对归一化处理后的人脸图像进行区域划分，得到多个图像区域；

针对所述多个图像区域中每个图像区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果；

将所述多个图像区域中，不同人脸图像区域对应的特征统计结果进行合并，得到所述全脸特征图。

在上述方法中，所述从所述待识别人脸图像中提取出关键区域特征图，包括：

从所述待识别人脸图像中选取出多个关键区域；

针对所述多个关键区域中每个关键区域，确定对应的区域特征图；

将所述多个关键区域中，不同关键区域对应的区域特征图合并，得到所述关键区域特征图。

在上述方法中，所述针对所述多个关键区域中每个关键区域，确定对应的区域特征图，包括：

对第一关键区域进行归一化处理，并对归一化处理后的第一关键区域进行区域划分，得到多个子区域；所述第一关键区域为所述多个关键区域中任意一个关键区域；

针对所述多个子区域中每个子区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果；

将所述多个子区域中，不同子区域对应的特征统计结果进行合并，得到所述第一关键区域对应的区域特征图。

在上述方法中，所述将所述人脸特征信息、所述全脸特征信息和所述关键区域特征信息融合，得到目标特征信息，包括：

将所述人脸特征信息和所述目标全脸特征信息进行叠加，得到第一特征信息；

将所述第一特征信息和所述目标关键区域特征信息进行拼接，得到第二特征信息；

对所述第二特征信息进行优化处理，得到所述目标特征信息。

在上述方法中，所述利用所述目标特征信息进行人脸识别，得到所述待识别人脸图像的人脸识别结果，包括：

从预设人脸特征信息库中，查找与所述目标特征信息的相似度满足预设条件的相似特征信息；

在查找到所述相似特征信息的情况下，获取所述相似特征信息对应的预设身份信息，并将所述预设身份信息，确定为所述待识别人脸图像的人脸识别结果。

在上述方法中，获取样本人脸图像，并从所述样本人脸图像中提取出全局特征图和样本区域特征图；

利用待训练全脸特征提取模型，从所述全局特征图中提取出的全局特征信息，并利用待训练关键特征提取模型，从所述样本区域特征图中提取出样本区域特征信息；

利用待训练人脸特征提取模型，从所述样本人脸图像中提取出样本特征信息，并将所述样本特征信息、所述样本区域特征信息和所述全局特征信息进行融合，得到待训练特征信息；

计算所述待训练特征信息与第一样本特征信息之间的损失信息，得到第一损失信息；所述第一样本特征信息为针对所述样本人脸图像预设的样本人脸特征信息；

基于所述第一损失信息对所述人脸特征提取模型进行参数调整，得到所述预设人脸特征提取模型。

在上述方法中，所述利用待训练全脸特征提取模型，从所述全局特征图中提取出的全局特征信息之后，所述方法还包括

计算所述全局特征信息与第二样本特征信息之间的损失信息，得到第二损失信息；所述第二样本特征信息为针对所述样本人脸图像预设的样本全局特征信息；

基于所述第二损失信息对所述待训练全脸特征提取模型进行参数调整，得到所述预设全脸特征提取模型。

在上述方法中，所述利用待训练关键特征提取模型，从所述样本区域特征图中提取出样本区域特征信息之后，所述方法还包括：

计算所述样本区域特征信息与第三样本特征信息之间的损失信息，得到第三损失信息；所述第三样本特征信息为针对所述样本人脸图像预设的区域特征信息；

基于所述第三损失信息对所述待训练关键特征提取模型进行参数调整，得到所述预设关键特征提取模型。

本发明提供了一种人脸识别装置，所述人脸识别装置包括：

获取模块，用于获取待识别人脸图像，并从所述待识别人脸图像中提取出全脸特征图和关键区域特征图；

提取模块，用于利用预设全脸特征提取模型，从所述全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从所述关键区域特征图中提取出关键区域特征信息；

融合模块，用于利用预设人脸特征提取模型，从所述待识别人脸图像中提取出人脸特征信息，并将所述人脸特征信息、所述全脸特征信息和所述关键区域特征信息融合，得到目标特征信息；

识别模块，用于利用所述目标特征信息进行人脸识别，得到所述待识别人脸图像的人脸识别结果。

本发明提供了一种人脸识别装置，包括：处理器、存储器和通信总线；

所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；

所述处理器，用于执行所述存储器中存储的人脸识别程序，以实现上述人脸识别方法。

本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可以被一个或者多个处理器执行，以实现上述人脸识别方法。

本发明提供了一种人脸识别方法、装置及存储介质，方法包括：获取待识别人脸图像，并从待识别人脸图像中提取出全脸特征图和关键区域特征图；利用预设全脸特征提取模型，从全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从关键区域特征图中提取出关键区域特征信息；利用预设人脸特征提取模型，从待识别人脸图像中提取出人脸特征信息，并将人脸特征信息、全脸特征信息和关键区域特征信息融合，得到目标特征信息；利用目标特征信息进行人脸识别，得到待识别人脸图像的人脸识别结果。本发明提供的技术方案，对人脸图像进行二次特征提取，并将提取得到的特征信息与直接对人脸图像提取的特征信息进行信息融合，使得得到的用于人脸识别的特征信息更加准确，提高了人脸识别的准确率。

附图说明

图1为本发明实施例提供的一种人脸识别方法的流程示意图；

图2为本发明实施例提供的一种示例性的提取关键区域特征图的流程示意图一；

图3为本发明实施例提供的一种示例性的提取关键区域特征图的流程示意图二；

图4为本发明实施例提供的一种示例性的模型训练的结构示意图；

图5为本发明实施例提供的一种人脸识别装置的结构示意图一；

图6为本发明实施例提供的一种人脸识别装置的结构示意图二。

具体实施方式

下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关申请相关的部分。

本发明提供了一种人脸识别方法，通过人脸识别装置实现，人脸识别装置具体可以是手机、平板电脑等电子设备，本发明实施例不作限定。图1为本发明实施例提供的一种人脸识别方法的流程示意图。如图1所示，人脸识别方法主要包括以下步骤：

S101、获取待识别人脸图像，并从待识别人脸图像中提取出全脸特征图和关键区域特征图。

在本发明的实施例中，人脸识别装置可以直接获取待识别人脸图像，并从待识别人脸图像中提取出全脸特征图和关键区域特征图。

需要说明的是，在本发明的实施例中，待识别人脸图像可以是当前采集的人脸图像，也可以是存储在手机，电脑，云平台以及能够通过联网直接可下载的图像，具体的待识别人脸图像的获取方式本发明不作限定。

需要说明的是，在本发明的实施例中，人脸识别装置在获取待识别人脸图像之后，可以从待识别人脸图像中提取出全脸特征图以及关键区域特征图。

具体的，在本发明的实施例中，人脸识别装置从待识别人脸图像中提取出全脸特征图，包括：对待识别人脸图像进行归一化处理，并对归一化处理后的人脸图像进行区域划分，得到多个图像区域；针对多个图像区域中每个图像区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果；将多个图像区域中，不同人脸图像区域对应的特征统计结果进行合并，得到全脸特征图。

需要说明的是，在本发明的实施例中，人脸识别装置对待识别人脸图像进行图像归一化处理，就是将待识别人脸图像的图像尺寸进行归一化，比如，可以将待识别人脸图像的图像尺寸归一化为256*256，当然，也可以归一化为其他尺寸，具体的尺寸大小可以根据实际需求和应用场景来设定，对此本发明不作限定。

需要说明的是，在本发明的实施例中，人脸识别装置在对待识别人脸图像进行归一化处理之后，对归一化处理后的待识别人脸图像进行区域划分，得到待识别人脸图像对应的多个图像区域，然后针对多个图像区域中的每个图像区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果，具体的，人脸识别装置对区域内的每个像素点进行纹理特征值计算，具体的计算方式如式(1)所示：

其中，LBP

需要说明的是，在本发明的实施例中，在人脸识别装置获取到每个图像区域内每个像素点的纹理特征值后，统计每个图像区域内每个像素的纹理特征值出现的次数，具体可以利用公式(2)进行统计，具体的统计公式为：

其中，

需要说明的是，在本发明的实施例中，人脸识别装置根据公式(2)得到每个图像区域对应的特征统计结果，比如，人脸识别装置如果将归一化处理后的人脸图像进行区域划分得到K个图像区域，那么，根据公式(2)对每个图像区域进行区域内像素点的纹理特征值进行统计，会得到K个特征统计结果，然后，人脸识别装置将K个特征统计结果进行合并，确定待识别人脸图像对应的全脸特征图。

具体的，在本发明的实施例中，人脸识别装置从待识别人脸图像中提取出关键区域特征图，包括：从待识别人脸图像中选取出多个关键区域；针对多个关键区域中每个关键区域，确定对应的区域特征图；将多个关键区域中，不同关键区域对应的区域特征图合并，得到关键区域特征图。

需要说明的是，在本发明的实施例中，人脸识别装置可以采用多任务卷积神经网络(Multi-task convolutional neural networks，MTCNN)算法对待识别人脸图像进行关键点定位，获得多个关键区域。

需要说明的是，在本发明的实施例中，人脸识别装置从待识别人脸图像中选取出多个关键区域可以是待识别人脸图像中的眼睛区域，嘴巴区域，以及鼻子区域等可以表征人脸特性的区域，具体的关键区域本发明不作限定。

需要说明的是，在本发明的实施例中，人脸识别装置对于从待识别人脸图像中选取的多个关键区域中的每个关键区域，确定对应的区域特征图，然后将不同关键区域对应的区域特征图合并，就可以得到关键区域特征图。

具体的，在本发明的实施例中，人脸识别装置针对多个关键区域中每个关键区域，确定对应的区域特征图，包括：对第一关键区域进行归一化处理，并对归一化处理后的第一关键区域进行区域划分，得到多个子区域；第一关键区域为多个关键区域中任意一个关键区域；针对多个子区域中每个子区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果；将多个子区域中，不同子区域对应的特征统计结果进行合并，得到第一关键区域对应的区域特征图。

需要说明的是，在本发明的实施例中，人脸识别装置对多个关键区域中的每个关键区域确定对应的区域特征图均是采用同样的确定方式，此处以第一关键区域作为例子来进行描述，第一关键区域可以是多个关键区域中任意一个关键区域，比如，嘴巴区域，具体的确定关键区域的区域特征图的方式为：人脸识别装置对第一关键区域进行归一化处理，然后进行区域划分，得到第一关键区域对应的多个子区域，然后对多个子区域中的每个子区域内的像素点利用公式(1)进行纹理特征值的计算，然后对计算的纹理特征值根据公式(2)进行统计，得到对应子区域的特征统计结果，最后将不同子区域对应的特征统计结果进行合并，得到第一关键区域对应的区域特征图。

图2为本发明实施例提供的一种示例性的提取关键区域特征图的流程示意图一。如图2所示，人脸识别装置可以利用MTCNN算法对待识别人脸图像进行关键点定位，从而获得眼睛区域，嘴巴区域，鼻子区域，以鼻子区域的处理为例，先对鼻子区域进行归一化处理和区域划分，得到多个子区域，然后对多个子区域中的每个子区域，确定对应的特征统计结果，最后将不同子区域的特征统计结果合并，得到鼻子区域对应的区域特征图，按照同样的方式可以得到眼睛区域对应的区域特征图，嘴巴区域对应的区域特征图。

图3为本发明实施例提供的一种示例性的提取关键区域特征图的流程示意图二。如图2所示，将嘴巴关键区域、眼睛关键区域，以及鼻子关键区域分别归一化为尺寸为e_w*e_h、n_w*n_h、m_w*m_h的图像区域，进而对归一化后的图像区域进行区域划分，划分的大小可以为e_n*e_m、n_n*n_m、m_n*m_m，然后，确定每个子区域的特征统计结果，并将每个子区域的特征向量进行合并，得到关键区域的特征向量，即F

S102、利用预设全脸特征提取模型，从全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从关键区域特征图中提取出关键区域特征信息。

在本发明的实施例中，人脸识别装置利用预设全脸特征提取模型，从全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从关键区域特征图中提取出关键区域特征信息。

需要说明的是，在本发明的实施例中，人脸识别装置利用预设全脸特征提取模型，对全脸特征图进行深度特征提取，得到全脸特征信息，即人脸识别装置是先对待识别人脸图像进行特征提取，获取全脸特征图，实际上是对待识别人脸图像进行浅层特征进行提取，然后，利用预设全脸特征提取模型，对全脸特征图进行深度特征提取，实际上是对待识别人脸图像进行深层特征的挖掘，利用两种不同的特征提取方式先对待识别人脸图像进行浅层特征提取，再进行深层特征进行提取，使得经过两次特征提取的全脸特征信息更能表征待识别人脸图像的特性，提高了全脸特征提取的准确性。

需要说明的是，在本发明的实施例中，人脸识别装置利用预设关键特征提取模型，对关键区域特征图进行深度特征提取，得到关键区域特征信息，即人脸识别装置是先对待识别人脸图像进行特征提取，获取关键区域特征图，实际上是对待识别人脸图像中的关键区域进行浅层特征进行提取，然后，利用预设关键特征提取模型，对关键区域特征图进行深度特征提取，实际上是对待识别人脸图像中的关键区域进行深层特征的挖掘，利用两种不同的特征提取方式先对关键区域进行浅层特征提取，再进行深层特征进行提取，使得经过两次特征提取的关键区域特征信息更能表征待识别人脸图像中关键区域的特性，提高了关键区域特征提取的准确性。

S103、利用预设人脸特征提取模型，从待识别人脸图像中提取出人脸特征信息，并将人脸特征信息、全脸特征信息和关键区域特征信息融合，得到目标特征信息。

在本发明的实施例中，人脸识别装置利用预设人脸特征提取模型，从待识别人脸图像中提取出人脸特征信息，并将人脸特征信息、全脸特征信息和关键区域特征信息融合，得到目标特征信息。

需要说明的是，在本发明的实施例中，人脸识别装置利用预设人脸特征提取模型直接对待识别人脸图像进行深度特征提取，然后将提取出的人脸特征信息与全脸特征信息和关键区域特征信息进行信息融合。

具体的，在本发明的实施例中，人脸识别装置将人脸特征信息、全脸特征信息和关键区域特征信息融合，得到目标特征信息，包括：将人脸特征信息和全脸特征信息进行叠加，得到第一特征信息；将第一特征信息和关键区域特征信息进行拼接，得到第二特征信息；对第二特征信息进行优化处理，得到目标特征信息。

需要说明的是，在本发明的实施例中，人脸识别装置将利用预设人脸特征提取模型直接对待识别人脸图像进行深度特征提取，得到人脸特征信息，然后将人脸特征信息和全脸特征信息，通过预设人脸特征提取模型中的叠加层进行特征信息的叠加，得到第一特征信息，然后，将叠加后的第一特征信息和关键区域特征信息通过预设人脸特征提取模型中的拼接层进行特征信息的拼接，得到第二特征信息。

需要说明的是，在本发明的实施例中，人脸识别装置在得到第二特征信息后，利用预设人脸特征提取模型，对第二特征信息进行优化，得到第二特征信息。

需要说明的是，在本发明的实施例中，人脸识别装置通过预设人脸特征提取模型的优化，加强了关键区域提取的关键区域特征信息的特征表征强度，提高了人脸特征泛化性，从而减少了由于时间跨度以及人脸姿态造成的差异，提高了人脸识别的准确率。

图4为本发明实施例提供的一种示例性的特征提取模型的结构示意图。如图4所示，分为全脸特征提取模型、人脸特征提取模型，以及关键特征提取模型，以待识别人脸图像的人脸识别为例，首先，人脸识别装置利用预设人脸特征提取模型中的16个卷积神经网络对获取的待识别人脸图像进行特征提取，每个卷积神经网络包括卷积层，激活层，以及池化层，得到人脸特征信息，16个卷积神经网络为图4中的卷积层D1到池化层Q16，人脸特征信息为池化层Q16的输出，然后人脸识别装置利用预设全脸特征提取模型12个卷积神经网络，从全脸特征图中提取出全脸特征信息，12个卷积神经网络为图4中的卷积层B1到池化层P12，全脸特征信息为池化层P12的输出，并将其与人脸特征信息进行叠加，得到第一特征信息，最后，利用预设关键特征提取模型中的3个卷积神经网络，从关键区域特征图中提取出关键区域特征信息，3个卷积层卷积神经网络为图4中的卷积层V1到池化层O3，关键区域特征信息为O3的输出，并将其与第一特征信息进行拼接，得到第二特征信息，进而利用卷积层D17对第二特征信息进行优化处理，得到目标特征信息F2。

S104、利用目标特征信息进行人脸识别，得到待识别人脸图像的人脸识别结果。

在本发明的实施例中，人脸识别装置利用目标特征信息进行人脸识别，得到待识别人脸图像的人脸识别结果。

需要说明的是，在本发明的实施例中，人脸识别装置在基于待识别人脸图像得到目标特征信息之后，利用目标特征信息进行人脸识别，从而得到待识别人脸图像的人脸识别结果。

具体的，在本发明的实施例中，人脸识别装置利用目标特征信息进行人脸识别，得到待识别人脸图像的人脸识别结果，包括：从预设人脸特征信息库中，查找与目标特征信息的相似度满足预设条件的相似特征信息；在查找到相似特征信息的情况下，获取相似特征信息对应的预设身份信息，并将预设身份信息，确定为待识别人脸图像的人脸识别结果。

需要说明的是，在本发明的实施例中，预设人脸特征信息库为存储人脸特征信息的数据库。

需要说明的是，在本发明的实施例中，预设人脸特征信息库可以按照实际需求和应用场景进行实时更新，比如，如果人脸识别装置的应用场景为某公司进行人员签到，那么，随着公司人员的增加，预设人脸特征信息库存储的人脸特征信息也会相应增加。

需要说明的是，在本发明的实施例中，预设条件可以为一个预设的相似度阈值，即在目标特征信息与预设人脸特征信息库中存储的人脸特征信息的相似度大于等于预设阈值的情况下，获取相似特征信息对应的预设身份信息，并将预设身份信息，确定为待识别人脸图像的人脸识别结果。

具体的，在本发明的实施例中，人脸识别装置在进行待识别人脸图像的人脸识别之前，还可以执行以下步骤：获取样本人脸图像，并从样本人脸图像中提取出全局特征图和样本区域特征图；利用待训练全脸特征提取模型，从全局特征图中提取出的全局特征信息，并利用待训练关键特征提取模型，从样本区域特征图中提取出样本区域特征信息；利用待训练人脸特征提取模型，从样本人脸图像中提取出样本特征信息，并将样本特征信息、样本区域特征信息和全局特征信息进行融合，得到待训练特征信息；计算待训练特征信息与第一样本特征信息之间的损失信息，得到第一损失信息；第一样本特征信息为针对样本人脸图像预设的样本人脸特征信息；基于第一损失信息对人脸特征提取模型进行参数调整，得到预设人脸特征提取模型。

需要说明的是，在本发明的实施例中，人脸识别装置在进行待识别人脸图像的图像识别之前，需要对待训练全脸特征提取模型、待训练关键特征提取模型，以及待训练人脸特征提取模型进行模型训练。

需要说明的是，在本发明的实施例中，人脸识别装置在获取样本人脸图像之后，基于样本人脸图像获取全局特征图和样本区域特征图，进而利用待训练全脸特征提取模型和待训练关键特征提取模型分别对全局特征图和样本区域特征图进行特征提取，得到样本区域特征信息和全局特征信息，然后，利用待训练人脸特征提取模型直接对样本人脸图像进行特征提取得到样本特征信息，最后结合样本区域特征信息和全局特征信息，得到待训练特征信息。

需要说明的是，在本发明的实施例中，人脸识别装置在获取待训练特征信息之后，计算待训练特征信息与第一样本特征信息之间的损失信息，得到第一损失信息，然后基于第一损失信息对待训练人脸特征提取模型进行参数调整，得到预设人脸特征提取模型。

具体的，在本发明的实施例中，人脸识别装置在利用待训练全脸特征提取模型，从全局特征图中提取出的全局特征信息之后，还可以执行以下步骤：计算全局特征信息与第二样本特征信息之间的损失信息，得到第二损失信息；第二样本特征信息为针对所述样本人脸图像预设的样本全局特征信息；基于第二损失信息对待训练全脸特征提取模型进行参数调整，得到预设全脸特征提取模型。

需要说明的是，在本发明的实施例中，人脸识别装置在获取全局特征信息之后，计算全局特征信息与第二样本特征信息之间的损失信息，得到第二损失信息，然后基于第二损失信息对待训练全脸特征提取模型进行参数调整，得到预设待训练全脸特征提取模型。

具体的，在本发明的实施例中，人脸识别装置在利用待训练关键特征提取模型，从样本区域特征图中提取出样本区域特征信息之后，还可以执行以下步骤：计算样本区域特征信息与第三样本特征信息之间的损失信息，得到第三损失信息；第三样本特征信息为针对样本人脸图像预设的区域特征信息；基于第三损失信息对待训练关键特征提取模型进行参数调整，得到预设关键特征提取模型。

需要说明的是，在本发明的实施例中，人脸识别装置在获取样本区域特征信息之后，计算样本区域特征信息与第三样本特征信息之间的损失信息，得到第三损失信息，然后基于第三损失信息对待训练关键特征提取模型进行参数调整，得到预设关键特征提取模型。

需要说明的是，在本发明的实施例中，对于图4来说，在人脸识别装置获取的是人脸图像是样本人脸图像的情况下，人脸识别装置利用待训练人脸特征提取模型中的16个卷积神经网络，对获取的样本人脸图像进行特征提取，每个卷积神经网络包括卷积层，激活层，以及池化层，得到样本特征信息，其中，16个卷积神经网络为图4中的卷积层D1到池化层Q16，样本特征信息是池化层Q16的输出，然后，人脸识别装置利用待训练全脸特征提取模型中的12个卷积神经网络，从全局特征图中经过提取出全局特征信息，其中，12个卷积神经网络为图4中的卷积层B1到池化层P12，全局特征信息为池化层P12的输出，并利用叠加层将其与Q16输出的样本特征信息进行叠加，得到叠加后的样本特征信息，进而利用待训练关键特征提取模型中的3个卷积神经网络，从样本区域特征图中提取出样本区域特征信息，3个卷积层卷积神经网络为图4中的卷积层V1到池化层O3，样本区域特征信息为O3的输出，并将其与叠加后的特征信息再进行拼接，得到拼接后的特征信息，最后利用卷积层D17对拼接后的特征信息进行优化处理，得到待训练特征信息F2；在人脸识别装置得到待训练特征信息F2、全局特征信息P12，以及样本区域特征信息O3之后，利用损失层S1、损失层S2，以及损失层S3分别比较与预设特征信息的区别，得到第一损失信息、第二损失信息，以及第三损失信息，进而根据第一损失信息、第二损失信息，以及第三损失信息对待训练全脸特征提取模型、待训练人脸特征提取模型，以及待训练关键特征提取模型进行参数调整，得到预设全脸特征提取模型、预设人脸特征提取模型，以及预设关键特征提取模型。

需要说明的是，在本发明的实施例中，人脸识别装置是利用损失层S1得到的第一损失信息，对待训练全脸特征提取模型进行参数调整，得到预设全脸特征提取模型，利用损失层S2得到的第二损失信息，对待训练人脸特征提取模型进行参数调整，得到预设人脸特征提取模型，利用损失层S3得到的第三损失信息，对待训练关键特征提取模型进行参数调整，得到预设关键特征提取模型，即人脸识别装置对待训练全脸特征提取模型、待训练关键特征提取模型，以及待训练人脸特征提取模型采用独立的损失信息进行分别调整，使得训练的预设全脸特征提取模型、预设关键特征提取模型，以及预设人脸特征提取模型提取的特征信息更加准确，从而提高了人脸识别的准确率。

本发明提供了一种人脸识别方法，应用于人脸识别装置，方法包括：获取待识别人脸图像，并从待识别人脸图像中提取出全脸特征图和关键区域特征图；利用预设全脸特征提取模型，从全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从关键区域特征图中提取出关键区域特征信息；利用预设人脸特征提取模型，从待识别人脸图像中提取出人脸特征信息，并将人脸特征信息、全脸特征信息和关键区域特征信息融合，得到目标特征信息；利用目标特征信息进行人脸识别，得到待识别人脸图像的人脸识别结果。本发明提供的人脸识别方法，对人脸图像进行二次特征提取，并将提取得到的特征信息与直接对人脸图像提取的特征信息进行信息融合，使得得到的用于人脸识别的特征信息更加准确，提高了人脸识别的准确率。

本发明提供了一种人脸识别装置，图5为本发明实施例提供的一种人脸识别装置的结构示意图一。如图5所示，包括：

获取模块501，用于获取待识别人脸图像，并从所述待识别人脸图像中提取出全脸特征图和关键区域特征图；

提取模块502，用于利用预设全脸特征提取模型，从所述全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从所述关键区域特征图中提取出关键区域特征信息；

融合模块503，用于利用预设人脸特征提取模型，从所述待识别人脸图像中提取出人脸特征信息，并将所述人脸特征信息、所述全脸特征信息和所述关键区域特征信息融合，得到目标特征信息；

识别模块504，用于利用所述目标特征信息进行人脸识别，得到所述待识别人脸图像的人脸识别结果。

可选的，所述获取模块501，具体用于对所述待识别人脸图像进行归一化处理，并对归一化处理后的人脸图像进行区域划分，得到多个图像区域；针对所述多个图像区域中每个图像区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果；将所述多个图像区域中，不同人脸图像区域对应的特征统计结果进行合并，得到所述全脸特征图。

可选的，所述获取模块501，具体用于从所述待识别人脸图像中选取出多个关键区域；针对所述多个关键区域中每个关键区域，确定对应的区域特征图；将所述多个关键区域中，不同关键区域对应的区域特征图合并，得到所述关键区域特征图。

可选的，所述获取模块501，具体用于对第一关键区域进行归一化处理，并对归一化处理后的第一关键区域进行区域划分，得到多个子区域；所述第一关键区域为所述多个关键区域中任意一个关键区域；针对所述多个子区域中每个子区域，确定区域内每个像素点的纹理特征值并进行统计，得到对应的特征统计结果；将所述多个子区域中，不同子区域对应的特征统计结果进行合并，得到所述第一关键区域对应的区域特征图。

可选的，所述融合模块503，具体用于将所述人脸特征信息和所述目标全脸特征信息进行叠加，得到第一特征信息；将所述第一特征信息和所述目标关键区域特征信息进行拼接，得到第二特征信息；对所述第二特征信息进行优化处理，得到所述目标特征信息。

可选的，所述识别模块504，具体用于从预设人脸特征信息库中，查找与所述目标特征信息的相似度满足预设条件的相似特征信息；在查找到所述相似特征信息的情况下，获取所述相似特征信息对应的预设身份信息，并将所述预设身份信息，确定为所述待识别人脸图像的人脸识别结果。

可选的，所述人脸识别装置还包括训练模块(图中未示出)，用于获取样本人脸图像，并从所述样本人脸图像中提取出全局特征图和样本区域特征图；利用待训练全脸特征提取模型，从所述全局特征图中提取出的全局特征信息，并利用待训练关键特征提取模型，从所述样本区域特征图中提取出样本区域特征信息；利用待训练人脸特征提取模型，从所述样本人脸图像中提取出样本特征信息，并将所述样本特征信息、所述样本区域特征信息和所述全局特征信息进行融合，得到待训练特征信息；计算所述待训练特征信息与第一样本特征信息之间的损失信息，得到第一损失信息；所述第一样本特征信息为针对所述样本人脸图像预设的样本人脸特征信息；基于所述第一损失信息对所述人脸特征提取模型进行参数调整，得到所述预设人脸特征提取模型。

可选的，所述训练模块(图中未示出)，还用于计算所述全局特征信息与第二样本特征信息之间的损失信息，得到第二损失信息；所述第二样本特征信息为针对所述样本人脸图像预设的样本全局特征信息；基于所述第二损失信息对所述待训练全脸特征提取模型进行参数调整，得到所述预设全脸特征提取模型。

可选的，所述训练模块(图中未示出)，还用于计算所述样本区域特征信息与第三样本特征信息之间的损失信息，得到第三损失信息；所述第三样本特征信息为针对所述样本人脸图像预设的区域特征信息；基于所述第三损失信息对所述待训练关键特征提取模型进行参数调整，得到所述预设关键特征提取模型。

本发明提供了一种人脸识别装置，图6为本发明实施例提供的一种人脸识别装置的结构示意图二。如图6所示，所述人脸识别装置包括：处理器601、存储器602和通信总线603；

所述通信总线603，用于实现所述处理器601和所述存储器602之间的通信连接；

所述处理器601，用于执行所述存储器602中存储的人脸识别程序，以实现上述人脸识别方法。

本发明提供了一种人脸识别装置，获取待识别人脸图像，并从待识别人脸图像中提取出全脸特征图和关键区域特征图；利用预设全脸特征提取模型，从全脸特征图中提取出全脸特征信息，并利用预设关键特征提取模型，从关键区域特征图中提取出关键区域特征信息；利用预设人脸特征提取模型，从待识别人脸图像中提取出人脸特征信息，并将人脸特征信息、全脸特征信息和关键区域特征信息融合，得到目标特征信息；利用目标特征信息进行人脸识别，得到待识别人脸图像的人脸识别结果。本发明提供的人脸识别装置，对人脸图像进行二次特征提取，并将提取得到的特征信息与直接对人脸图像提取的特征信息进行信息融合，使得得到的用于人脸识别的特征信息更加准确，提高了人脸识别的准确率。

本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可以被一个或者多个处理器执行，以实现上述人脸识别方法。计算机可读存储介质可以是是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；也可以是包括上述存储器之一或任意组合的各自设备，如移动电话、计算机、平板设备、个人数字助理等。

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，本发明可采用硬件实施例、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和光学存储器等)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。

以上所述，仅为本发明的具体实施方式，但本发明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实用申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。