一种人脸识别风险控制方法、装置、电子设备及存储介质

技术领域

本申请涉及技术领域，尤其涉及一种人脸识别风险控制方法、装置、电子设备及存储介质。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

人脸识别可广泛应用于智能门禁、刷脸支付、无人超市等场景，为公司智能化提供了便利。但是由于人脸属于弱隐私生物特征，易于获取，易于复制，信息误用风险比较大。人脸信息被盗用情况下的人脸识别情况时常发生。目前亟需一种人脸识别风险控制的技术方案。

发明内容

本申请实施例提供了一种人脸识别风险控制方法、装置、电子设备及存储介质，用以解决现有技术人脸识别风险无法评估的问题。

本申请提供了一种人脸识别风险控制方法，所述方法包括：

获取待识别的第一图像，对所述第一图像进行语义分割，确定所述第一图像中的人物区域；将所述人物区域设置为预设的颜色，得到第二图像；

获取预先保存的当前场景的目标背景图像，确定所述第二图像和所述目标背景图像的相似度；

若所述相似度大于设定的相似度阈值，对所述第一图像进行人脸识别；若所述相似度不大于设定的相似度阈值，输出人脸识别风险提示信息。

进一步地，所述将所述人物区域设置为预设的颜色，得到第二图像包括：

将所述人物区域设置为白色，得到第二图像。

进一步地，预先保存当前场景的目标背景图像的过程包括：

按照预设的时间间隔采集当前场景的背景图像，将最近一次采集的背景图像作为目标背景图像并保存。

进一步地，所述方法包括：

若最近一次采集的背景图像中不包含人物区域，将所述背景图像作为目标背景图像并保存；

若最近一次采集的背景图像中包含人物区域，将所述人物区域设置为预设的颜色，得到第三图像；将所述第三图像作为目标背景图像并保存。

进一步地，所述确定所述第二图像和所述目标背景图像的相似度包括：

确定所述第二图像的第一特征向量，以及所述目标背景图像的第二特征向量；

确定所述第一特征向量和所述第二特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

进一步地，所述确定所述第二图像和所述目标背景图像的相似度包括：

将所述第二图像转换为HSL格式，得到第四图像，并确定所述第四图像的亮度层的第三特征向量；

将所述目标背景图像转换为HSL格式，得到第五图像，并确定所述第五图像的亮度层的第四特征向量；

确定所述第三特征向量和所述第四特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

进一步地，若所述相似度大于设定的相似度阈值，对所述第一图像进行人脸识别；若所述相似度不大于设定的相似度阈值，输出人脸识别风险提示信息包括：

若所述第一特征向量和所述第二特征向量的相似度大于预设的第一相似度阈值，且所述第三特征向量和所述第四特征向量的相似度大于预设的第二相似度阈值，对所述第一图像进行人脸识别；否则，输出人脸识别风险提示信息。

另一方面，本申请提供了一种人脸识别风险控制装置，所述装置包括：

获取模块，用于获取待识别的第一图像，对所述第一图像进行语义分割，确定所述第一图像中的人物区域；将所述人物区域设置为预设的颜色，得到第二图像；

确定模块，用于获取预先保存的当前场景的目标背景图像，确定所述第二图像和所述目标背景图像的相似度；

风险控制模块，用于若所述相似度大于设定的相似度阈值，对所述第一图像进行人脸识别；若所述相似度不大于设定的相似度阈值，输出人脸识别风险提示信息。

进一步地，所述获取模块，具体用于将所述人物区域设置为白色，得到第二图像。

进一步地，所述确定模块，还用于按照预设的时间间隔采集当前场景的背景图像，将最近一次采集的背景图像作为目标背景图像并保存。

进一步地，所述确定模块，还用于若最近一次采集的背景图像中不包含人物区域，将所述背景图像作为目标背景图像并保存；若最近一次采集的背景图像中包含人物区域，将所述人物区域设置为预设的颜色，得到第三图像；将所述第三图像作为目标背景图像并保存。

进一步地，所述确定模块，具体用于确定所述第二图像的第一特征向量，以及所述目标背景图像的第二特征向量；确定所述第一特征向量和所述第二特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

进一步地，所述确定模块，具体用于将所述第二图像转换为HSL格式，得到第四图像，并确定所述第四图像的亮度层的第三特征向量；将所述目标背景图像转换为HSL格式，得到第五图像，并确定所述第五图像的亮度层的第四特征向量；确定所述第三特征向量和所述第四特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

进一步地，所述风险控制模块，具体用于若所述第一特征向量和所述第二特征向量的相似度大于预设的第一相似度阈值，且所述第三特征向量和所述第四特征向量的相似度大于预设的第二相似度阈值，对所述第一图像进行人脸识别；否则，输出人脸识别风险提示信息。

再一方面，本申请提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。

再一方面，本申请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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。

本申请提供了一种人脸识别风险控制方法、装置、电子设备及存储介质，所述方法包括：获取待识别的第一图像，对所述第一图像进行语义分割，确定所述第一图像中的人物区域；将所述人物区域设置为预设的颜色，得到第二图像；获取预先保存的当前场景的目标背景图像，确定所述第二图像和所述目标背景图像的相似度；若所述相似度大于设定的相似度阈值，对所述第一图像进行人脸识别；若所述相似度不大于设定的相似度阈值，输出人脸识别风险提示信息。

上述的技术方案具有如下优点或有益效果：

由于在本申请中，获取待识别的第一图像后，首先对第一图像进行语义分割，并将人物区域设置为预设的颜色，得到第二图像，然后判断第二图像和预先保存的当前场景的目标背景图像的相似度是否大于设定的相似度阈值。若大于设定的相似度阈值，则说明待识别的第一图像和目标背景图像是同一场景拍摄的图像，进行后续人脸识别。否则说明待识别的第一图像和目标背景图像不是同一场景拍摄的图像，此时认为是人脸信息被盗用情况下的人脸识别，停止对第一图像进行后续的人脸识别，并输出人脸识别风险提示信息。因此，本申请提供了一种人脸识别风险控制技术方案。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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为本申请提供的人脸识别风险控制过程示意图；

图2为本申请提供的人脸识别风险控制详细流程图；

图3为本申请提供的deeplabv3+模型结构示意图；

图4为本申请提供的原始刷脸图片示意图；

图5为本申请提供的原始刷脸图片语义分割结果示意图；

图6为本申请提供的原始刷脸图片人物区域涂白示意图；

图7为本申请提供的原始刷脸图片亮度层示意图；

图8为本申请提供的目标背景图像示意图；

图9为本申请提供的目标背景图像人物区域涂白示意图；

图10为本申请提供的目标背景图像亮度层示意图；

图11为本申请提供的另一原始刷脸图片示意图；

图12为本申请提供的另一原始刷脸图片经过背景提取模块和人物实例处理模块后的结果；

图13为本申请提供的另一原始刷脸图片亮度层示意图；

图14为本申请提供的再一原始刷脸图片示意图；

图15为本申请提供的再一原始刷脸图片经过背景提取模块和人物实例处理模块后的结果；

图16为本申请提供的再一原始刷脸图片亮度层示意图；

图17为本申请提供的人脸识别风险控制装置结构示意图；

图18为本申请提供的电子设备结构示意图。

具体实施方式

为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。

需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。

本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。

术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。

术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。

图1为本申请提供的人脸识别风险控制过程示意图，包括以下步骤：

S101：获取待识别的第一图像，对所述第一图像进行语义分割，确定所述第一图像中的人物区域；将所述人物区域设置为预设的颜色，得到第二图像。

S102：获取预先保存的当前场景的目标背景图像，确定所述第二图像和所述目标背景图像的相似度。

S103：若所述相似度大于设定的相似度阈值，对所述第一图像进行人脸识别；若所述相似度不大于设定的相似度阈值，输出人脸识别风险提示信息。

本申请提供的人脸识别风险控制方法应用于电子设备，该电子设备可以是PC、平板电脑、服务器等设备。

电子设备获取到待识别的第一图像之后，首先对第一图像进行语义分割，得到第一图像中的各个实例。各个实例包括墙壁、天空、树、人物、地板等等。确定其中的人物实例对应的人物区域，然后将人物区域设置为预设的颜色，得到第二图像。较佳的，将人物区域设置为白色，得到第二图像。对于除人物区域之外的其它实例区域，可以保持在第一图像中的颜色不变。为了更好的进行人脸识别风险控制，可以将除人物区域之外的其它实例区域也设置为不同的颜色。

电子设备获取预先保存的当前场景的目标背景图像。具体的，预先保存当前场景的目标背景图像的过程包括：

按照预设的时间间隔采集当前场景的背景图像，将最近一次采集的背景图像作为目标背景图像并保存。预设的时间间隔例如是30毫秒。50毫秒等。

若最近一次采集的背景图像中不包含人物区域，将所述图像作为目标背景图像并保存；若最近一次采集的背景图像中包含人物区域，将人物区域设置为预设的颜色，得到第三图像；将第三图像作为目标背景图像并保存。

需要说明的是，如果将除人物区域之外的其它实例区域也设置为不同的颜色。那么对于最近一次采集的背景图像同样需要进行语义分割，然后采用同样的规则将最近一次采集的背景图像中除人物区域之外的其它实例区域也设置为不同的颜色，得到最终的目标背景图像。

确定第二图像和目标背景图像的相似度，判断相似度是否大于设定的相似度阈值，如果是，则认为第一图像不是被盗用的图像，对第一图像进行人脸识别；如果否，则认为第一图像不是被盗用的图像，输出人脸识别风险提示信息，并且不对第一图像进行人脸识别。

由于在本申请中，获取待识别的第一图像后，首先对第一图像进行语义分割，并将人物区域设置为预设的颜色，得到第二图像，然后判断第二图像和预先保存的当前场景的目标背景图像的相似度是否大于设定的相似度阈值。若大于设定的相似度阈值，则说明待识别的第一图像和目标背景图像是同一场景拍摄的图像，进行后续人脸识别。否则说明待识别的第一图像和目标背景图像不是同一场景拍摄的图像，此时认为是人脸信息被盗用情况下的人脸识别，停止对第一图像进行后续的人脸识别，并输出人脸识别风险提示信息。因此，本申请提供了一种人脸识别风险控制技术方案。

本申请提供了三种确定第二图像和目标背景图像的相似度的方式。

方式一：

确定所述第二图像的第一特征向量，以及所述目标背景图像的第二特征向量；

确定所述第一特征向量和所述第二特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

方式二：

将所述第二图像转换为HSL格式，得到第四图像，并确定所述第四图像的亮度层的第三特征向量；

将所述目标背景图像转换为HSL格式，得到第五图像，并确定所述第五图像的亮度层的第四特征向量；

确定所述第三特征向量和所述第四特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

方式三：

同事将第一特征向量和第二特征向量的相似度，以及第三特征向量和第四特征向量的相似度作为第二图像和目标背景图像的相似度。

对于方式三，若第一特征向量和第二特征向量的相似度大于预设的第一相似度阈值，且第三特征向量和所述第四特征向量的相似度大于预设的第二相似度阈值，对第一图像进行人脸识别；否则，输出人脸识别风险提示信息。

第一相似度阈值例如是75％、80％等，第二相似度阈值例如是70％、75％等。

图2为本申请提供的人脸识别风险控制详细流程图，包括以下步骤：

S201：获取待识别的第一图像，对所述第一图像进行语义分割，确定所述第一图像中的人物区域；将所述人物区域设置为预设的颜色，得到第二图像。

S202：获取预先保存的当前场景的目标背景图像。

S203：确定所述第二图像的第一特征向量，以及所述目标背景图像的第二特征向量；确定所述第一特征向量和所述第二特征向量的第一相似度。

S204：将所述第二图像转换为HSL格式，得到第四图像，并确定所述第四图像的亮度层的第三特征向量；将所述目标背景图像转换为HSL格式，得到第五图像，并确定所述第五图像的亮度层的第四特征向量；确定所述第三特征向量和所述第四特征向量的第二相似度。

S205：若第一特征向量和第二特征向量的相似度大于预设的第一相似度阈值，且第三特征向量和第四特征向量的相似度大于预设的第二相似度阈值，对第一图像进行人脸识别；否则，输出人脸识别风险提示信息。

本申请在每30ms心跳提取人脸识别机具背景图片。当产生一次人脸识别时，本申请首先基于图像语义分割模型区分出人物部分及非人物部分，将非人物部分作为背景；其次为了去除人物部分的干扰，将人物部分全部置为白色；第三步将处理后的图片从RGB色彩模式转为HSL(色相、饱和度、亮度)色彩模式，提取其中的亮度层L层；第四步分别比较处理后的刷脸图片与最近时间点保存的机具背景图片的相似度，以及二者L层亮度层的相似度。若两个相似度均高于设定阈值则认为安全，可继续进行后续的人脸识别以及活体检测识别。否则认为有风险，将发出报警提醒商户及时处理。极大减小人脸识别支付过程中的盗刷风险。

本申请提出了一种基于图像分割模型的人脸识别风险控制方法。在现有2D人脸识别基础上，增加基于图像分割模型的背景识别。本申请通过背景提取及相似度比对，减少了用户使用手持ai换脸视频来实现盗刷的可能；同时还通过将图片转为HSL模式，提取图片的亮度层，再进行亮度层相似度比对，减少了用户使用人脸图片来实现盗刷的可能。提升了人脸识别的安全性，同时也没有增加额外的硬件设备，节约了人脸识别的成本。

本申请通过deeplabv3+模型，对刷脸图片进行语义分割，识别图片中的人物、墙面、建筑物、天花板等150种实例，并对不同的实例标注上不同颜色以作区分。对于支付场景而言，将所有非人物的实例认为是图片的背景。将所有非人物实例像素点合并，并为了减少人物实例像素点对于相似度判断的干扰，将图片中人物部分统一全部置为白色。通过将图片RGB颜色模式转为HSL颜色模式，分析提取图片的亮度层，增加对于图片拍摄时间点的判断，减少用户使用人脸图片来实现盗刷的可能。使用深度卷积神经网络VGG16提取处理后人脸识别图片、最近时间点保存的机具背景图片、处理后人脸识别图片亮度层，处理后机具背景图片亮度层的特征，取VGG模型中间512维向量作为特征输出。将两个待比较特征向量进行L2标准化，随后再通过L2欧式距离计算两个向量之间的相似度。分别计算处理后人脸支付图片与机具背景图片的相似度以及二者亮度层的相似度。两个相似度均高于设定阈值则认为安全，否则认为有风险，将发出报警提醒商户及时处理。

本申请使用一种深度学习神经网络模型deeplabv3+模型进行语义分割，从而进行背景提取。deeplabv3+是一个图像语义分割网络，主要可以分为一个编码器和一个解码器。解码器作用是将图片的细节和空间维度逐渐恢复。

图3为本申请提供的deeplabv3+模型结构示意图。如图3所示，在编码器中，首先将图片送入编码器提取原始特征，使得图片维度逐渐减小，编码器层包括一个1*1卷积层、三个3*3的空洞卷积层，空洞卷积率分别为6、12及18以及一个图像池化层。接着在解码器层对图片特征进行解码，将图片的细节和空间维度逐渐恢复，解码器层首先将低级别特征1*1卷积结果与编码器输出特征4倍双线性插值上采样结果进行拼接，接着将拼接结果进行3*3卷积。最后再对卷积结果进行4倍的双线性插值上采样。

经过语义分割后，可识别出图片中150类的实例，并为不同实例标注上不同颜色，部分实例类别及对应颜色如下表所示：

将图片中非人物实例作为背景，13号实例人物作为人物，提取刷脸图片中的背景与前景。

对于经过背景提取的刷脸图片，将其中人物部分的所有像素点颜色置为255，255，255也即白色，而保持背景部分不变，以去除人物部分的噪声像素点对于后续背景相似度检测模块的干扰。

机具背景图片心跳提取模块：摄像头中的背景会受到光照强度变化、背景物体阴影以及人为对背景的改变等影响，为了最小化光照阴影时间等带来的影响，本模块在每30ms进行一次机具背景图片心跳提取并保存在数据库中。如果提取的机具背景图片中不包含人像，则直接保存；如果提取的机具背景图片中包含人像，则使用背景提取模块以及人物实例处理模块进行处理之后再保存在数据库中。

背景检测模块：将处理后的刷脸图片以及机具背景图片特征从RGB转为HSL，具体算法如下：

设RGB颜色分别为(r，g，b)，L

亮度L＝(L

饱和度S计算分两种情况：当L<＝0.5时,S＝(L

色调H计算分三种情况：当L

抽取HSL中的亮度层L层。

利用一种深度学习神经网络模型vgg16(Visual Geometry Group Network 16)卷积神经网络模型抽取经过处理后的刷脸图片以及机具背景图片的特征，取中间512维特征层作为特征向量输出。对这两个特征向量进行L2标准化，随后再通过L2欧式距离计算两个向量之间的相似度s1。用相同方法计算处理后刷脸图片L层以及机具背景图片L层的相似度s2。

当相似度s1及s2均大于设定相似度阈值时，则继续进入到后续人脸识别模块以及活体识别模块如要求刷脸用户做出眨眼、点头、微笑等动作。

当相似度s1及s2中有一个小于设定阈值时，则认为有人脸信息盗用风险，将发出报警提醒商户转人工及时处理。

下面结合附图对人脸识别风险控制的效果进行说明。

1、人脸信息未被盗用情况下的正常人脸识别场景。

图4为本申请提供的原始刷脸图片示意图，将图4输入deeplabv3+语义分割模型后，得到图5所示的语义分割结果示意图。将语义分割结果中人物部分的所有像素点颜色置为255,255,255结果为图6所示。图7为本申请提供的原始刷脸图片亮度层示意图。

图8为本申请提供的目标背景图像示意图，如图8所示，目标背景图像中包含人像，因此对于使用背景提取模块以及人物实例处理模块进行处理之后再保存在数据库中，处理后的结果如图9所示。图10为本申请提供的目标背景图像亮度层图像示意图。

设定背景图像对应的预设的第一相似度阈值为80％，亮度层图像对应的预设的第二相似度阈值为75％。计算图6所示结果的特征向量与图9所示结果的特征向量的相似度为87％＞80％，计算图7所示结果的特征向量与图10所示结果的特征向量的相似度为79％＞75％。因此进行后续人脸识别的步骤。

2、人脸信息被盗用情况下的正常人脸识别场景。

图11为本申请提供的原始刷脸图片示意图，将图11经过背景提取模块和人物实例处理模块后的结果如图12所示。图13为本申请提供的原始刷脸图片亮度层示意图。仍然以图8为本申请提供的目标背景图像示意图，对于使用背景提取模块以及人物实例处理模块进行处理之后再保存在数据库中，处理后的结果如图9所示。图10为本申请提供的目标背景图像亮度层图像示意图。

设定背景图像对应的预设的第一相似度阈值为80％，亮度层图像对应的预设的第二相似度阈值为75％。计算图12所示结果的特征向量与图9所示结果的特征向量的相似度为61％＜80％，计算图13所示结果的特征向量与图10所示结果的特征向量的相似度为69％＜75％。因此输出人脸识别风险提示信息。

3、手持被盗用的人脸照片情况下的人脸识别。

图14为本申请提供的原始刷脸图片示意图，将图14经过背景提取模块和人物实例处理模块后的结果如图15所示。图16为本申请提供的原始刷脸图片亮度层示意图。仍然以图8为本申请提供的目标背景图像示意图，对于使用背景提取模块以及人物实例处理模块进行处理之后再保存在数据库中，处理后的结果如图9所示。图10为本申请提供的目标背景图像亮度层图像示意图。

设定背景图像对应的预设的第一相似度阈值为80％，亮度层图像对应的预设的第二相似度阈值为75％。计算图15所示结果的特征向量与图9所示结果的特征向量的相似度为79％＜80％，计算图16所示结果的特征向量与图10所示结果的特征向量的相似度为65％＜75％。因此输出人脸识别风险提示信息。

图17为本申请提供的人脸识别风险控制装置结构示意图，包括：

获取模块171，用于获取待识别的第一图像，对所述第一图像进行语义分割，确定所述第一图像中的人物区域；将所述人物区域设置为预设的颜色，得到第二图像；

确定模块172，用于获取预先保存的当前场景的目标背景图像，确定所述第二图像和所述目标背景图像的相似度；

风险控制模块173，用于若所述相似度大于设定的相似度阈值，对所述第一图像进行人脸识别；若所述相似度不大于设定的相似度阈值，输出人脸识别风险提示信息。

所述获取模块171，具体用于将所述人物区域设置为白色，得到第二图像。

所述确定模块172，还用于按照预设的时间间隔采集当前场景的背景图像，将最近一次采集的背景图像作为目标背景图像并保存。

所述确定模块172，还用于若最近一次采集的背景图像中不包含人物区域，将所述背景图像作为目标背景图像并保存；若最近一次采集的背景图像中包含人物区域，将所述人物区域设置为预设的颜色，得到第三图像；将所述第三图像作为目标背景图像并保存。

所述确定模块172，具体用于确定所述第二图像的第一特征向量，以及所述目标背景图像的第二特征向量；确定所述第一特征向量和所述第二特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

所述确定模块172，具体用于将所述第二图像转换为HSL格式，得到第四图像，并确定所述第四图像的亮度层的第三特征向量；将所述目标背景图像转换为HSL格式，得到第五图像，并确定所述第五图像的亮度层的第四特征向量；确定所述第三特征向量和所述第四特征向量的相似度作为所述第二图像和所述目标背景图像的相似度。

所述风险控制模块173，具体用于若所述第一特征向量和所述第二特征向量的相似度大于预设的第一相似度阈值，且所述第三特征向量和所述第四特征向量的相似度大于预设的第二相似度阈值，对所述第一图像进行人脸识别；否则，输出人脸识别风险提示信息。

本申请还提供了一种电子设备，如图18所示，包括：处理器181、通信接口182、存储器183和通信总线184，其中，处理器181，通信接口182，存储器183通过通信总线184完成相互间的通信；

所述存储器183中存储有计算机程序，当所述程序被所述处理器181执行时，使得所述处理器181执行以上任一方法步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口182用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

本申请还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现以上任一方法步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。