面部信息识别方法、系统、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种面部信息识别方法、系统、电子设备及存储介质。

背景技术

目前，随着跨学科研究的兴起，面孔研究也逐渐渗透进计算机领域并成为一种新的热潮，随着人工智能的兴起，不少计算机视觉领域的学者在探索面部特征和性格特质关系的过程中，取得了可喜的成果。表征人格分析(APA)是人格计算的重要问题，性格推测可以进一步应用到对人类行为的预测和理解，是人类未来发展走向预测的重要依据，如幸福、满意度、寿命、与同伴的关系质量、家庭、职业选择等。在试图揭示面部与性格之间联系的研究上存在人类评价者对性格特质评价不一致的弊端，考虑到人类个体评分的差异性，越来越多的研究使用计算机视觉技术和机器学习算法将面部图像和性格特质联系起来。计算机视觉的进步为推动人格计算的研究提供了支持，这得益于计算机可以对面部表情、音频信息、语言信息、场景环境实现自动分析和自动识别，目前深度回归神经网络可以用于性格识别，但深度回归神经网络不能处理面部特征中的不确定性数据，且不能挖掘面部特征与性格之间的语义联系，导致面部性格相关信息分类的可靠性差。

发明内容

本申请实施例的主要目的在于提出一种面部信息识别方法、系统、电子设备及存储介质，旨在提高面部性格信息分类的可靠性。

为实现上述目的，本申请实施例的第一方面提出了一种面部信息识别方法，包括以下步骤：

获取面部图像；

采用人脸特征点定位技术确定所述面部图像中的多个人脸特征点；

根据多个所述人脸特征点提取所述面部图像中的多个面部特征向量，并根据多个所述面部特征向量形成面部图像的特征数据集；

将所述特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述；

根据所述面部模糊概念描述确定性格分类结果。

在一些实施例，所述采用人脸特征点定位技术确定所述面部图像中的多个人脸特征点包括以下步骤：

采用基于主动状态模型的人脸特征点定位技术确定所述面部图像中的多个第一特征点；

采用组合回归树模型的人脸特征点定位技术确定所述面部图像中的多个第二特征点；

对多个所述第一特征点和多个所述第二特征点进行整合，得到多个人脸特征点。

在一些实施例，所述根据多个所述人脸特征点提取所述面部图像中的多个面部特征向量包括以下步骤：

获取多个预设特征属性；

根据每一个预设特征属性从多个所述人脸特征点选择对应的若干个人脸特征点；

通过几何形态分析法对选择出的若干个人脸特征点进行分析，得到对应预设特征属性的面部特征向量。

在一些实施例，所述将所述特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述包括以下步骤：

通过模糊集的隶属函数确定所述特征数据集中每个面部特征向量在模糊集中每个模糊概念的隶属度；

基于最大隶属度原则，将面部特征向量上隶属度最大的模糊概念作为面部特征向量的语义标签；

将所有面部特征向量的语义标签通过模糊逻辑运算得到面部图像的面部模糊概念描述。

在一些实施例，所述根据所述面部模糊概念描述确定性格分类结果包括以下步骤：

根据所述面部模糊概念描述的隶属度与每个类别语义描述的隶属度确定面部模糊概念描述与每个类别语义描述的相似度；

根据相似度最大的类别语义描述确定性格分类结果。

在一些实施例，所述语义描述模型通过以下步骤获得：

获得训练图像数据集，其中，所述训练图像数据的样本标签包括面部描述标签；

对所述训练图像数据集进行特征提取，得到每一类面部特征数据集；

根据所述面部特征数据集确定特征论域，并根据所述特征论域和预设细粒度构建模糊集；

对所述面部特征数据集进行统计分析，构建每一个面部特征在模糊集上的隶属函数；

根据所有面部特征的隶属函数确定语义描述模型。

在一些实施例，所述类别语义描述通过以下步骤获得：

获得训练图像数据集，其中，所述训练图像数据集的样本标签包括性格标签；

根据所述性格标签对所述训练图像数据集中样本进行分类，得到多个类别标签图像数据集；

通过语义描述模型生成所述类别标签图像数据集的多个候选模糊概念集合；

通过随机坐标收缩优化方法从多个候选模糊概念集合中搜索最优模糊概念，并将所述最优模糊概念作为所述性格标签的类别语义描述。

为实现上述目的，本申请实施例的第二方面提出了一种面部信息识别系统，包括：

第一模块，用于获取面部图像；

第二模块，用于采用人脸特征点定位技术确定所述面部图像中的多个人脸特征点；

第三模块，用于根据多个所述人脸特征点提取所述面部图像中的多个面部特征向量，并根据多个所述面部特征向量形成面部图像的特征数据集；

第四模块，用于将所述特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述；

第五模块，用于根据所述面部模糊概念描述确定性格分类结果。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的面部信息识别方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述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被一个或者多个处理器执行，以实现上述第一方面所述的面部信息识别方法。

本申请提出的面部信息识别方法、系统、电子设备及存储介质，其通过采用人脸特征点定位技术确定面部图像中的多个人脸特征点，根据多个人脸特征点提取面部图像中的多个面部特征向量，并根据多个面部特征向量形成面部图像的特征数据集，然后将特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述，通过公理模糊集理论将不确定性特征进行准确地定量描述，再根据面部模糊概念描述进行定量分析映射得到性格分类结果。本申请通过公理模糊集理论实现对面部特征的定量描述，并在此基础上通过定量分析图像的面部模糊概念描述所属性格类别的概率，提高面部性格信息分类的可靠性。

附图说明

图1是本申请实施例提供的面部信息识别方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S103的流程图；

图4是图1中的步骤S104的流程图；

图5是图1中的步骤S105的流程图；

图6是图1中的步骤S104中的语义描述模型构建方法的流程图；

图7是图5中的步骤S501的类别语义描述确定方法流程图；

图8是本申请实施例提供的面部信息识别系统示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图；

图10是本申请实施例提供的预设特征属性描述示意图；

图11是本申请实施例提供的TIPI量表示意图；

图12是本申请实施例提供的对训练图像数据集分类后的数据集信息示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

图像描述(Image Caption)为图像生成自然语言描述，并利用所生成的描述帮助应用程序理解图像视觉场景中表达的语义。例如，图像描述可以将图像检索转换为文本检索，用于对图像进行分类并改善图像检索结果。人们通常只需快速浏览一下即可描述图像视觉场景的细节，而自动为图像添加描述则是一项全面而艰巨的计算机视觉任务，需要将图像中包含的复杂信息转换为自然语言描述。与普通的计算机视觉任务相比，图像字幕不仅需要从图像中识别对象，而且还需要将识别出的对象与自然语义相关联并以自然语言进行描述。因此，图像描述需要人们提取图像的深层特征，与语义特征关联并转换用于生成描述。

随机坐标收缩(RAndom COordinate Shrinking,RACOS)优化方法，该方法基于分类的思想，利用分类器将一个较大的超参数空间分成好坏两部分。其将一个超参数的组合定为一个坐标，操作过程中，每一维是独立的，操作显示为图中的矩形方式。其中，离散值是要或者不要该点，连续值为左移或者右移。在划分为好的超参数区间以一定的概率进行采样，同时兼顾探索和开发，随后逐渐将这些坐标收缩到某一点，从而实现目标优化。具体为在最小化的过程中，逐渐缩小分类器的阈值，逐渐缩小好的参数空间的范围。

本申请实施例提供了一种面部信息识别方法、系统、电子设备及存储介质，旨在提高性格推理的可靠性。

本申请实施例提供的面部信息识别方法、系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的面部信息识别方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的面部信息识别方法，涉及人工智能技术领域，特别涉及图像描述领域。本申请实施例提供的面部信息识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现面部信息识别方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

图1是本申请实施例提供的面部信息识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S105。

步骤S101，获取面部图像；

步骤S102，采用人脸特征点定位技术确定面部图像中的多个人脸特征点；

步骤S103，根据多个人脸特征点提取面部图像中的多个面部特征向量，并根据多个面部特征向量形成面部图像的特征数据集；

步骤S104，将特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述；

步骤S105，根据面部模糊概念描述确定性格分类结果。

在一些实施例的步骤S102中，人脸特征点定位技术旨在从人脸图像中获取描述人脸部件或脸部轮廓特征的关键点坐标信息，是生物特征识别、情感理解和人脸动画等涉及人脸的研究中重要的图像预处理环节。人脸特征点定位技术包括但不限于基于全局特征的方法，受限局部模型方法和基于回归模型的方法等。

在一些实施例的步骤S103中，通过面部图像的所有人脸特征点进行坐标几何形态分析，可以提取面部图像中的眼睛长度、嘴巴面积、鼻子高度等多个面部特征向量，并根据所有面部特征向量形成面部图像的特征数据集。

在一些实施例的步骤S104和步骤S105中，公理模糊集理论(Axiomatic FuzzySet，AFS)是一种兼具预测准确率和结果可解释性的数据分析工具，因此本申请实施例基于AFS理论来构建性格预测模型。基于AFS理论的构建分类模型的总体构思为：首先，在数据的每个特征上定义简单概念，这些简单概念可以看作是构成语义描述的原语。其次，借助AFS逻辑运算“∧(或)”和“∨(和)”，可以生成复杂概念，即面部模糊概念描述。最后，对于每个性格类别，通过优化算法筛选出能够精确刻画该类别特点的复杂概念，并通过∨运算形成类别的语义描述。

在步骤S101至步骤S105的一些实施例中，通过采用人脸特征点定位技术确定面部图像中的多个人脸特征点，根据多个人脸特征点提取面部图像中的多个面部特征向量，并根据多个面部特征向量形成面部图像的特征数据集，然后将特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述，通过公理模糊集理论将不确定性特征进行准确地定量描述，再对面部模糊概念描述进行定量分析映射得到性格分类结果。通过公理模糊集理论实现对面部特征的定量描述，并在此基础上通过定量分析图像的面部模糊概念所属性格类别的概率，提高面部性格信息分类的可靠性。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S203：

步骤S201，采用基于主动状态模型的人脸特征点定位技术确定面部图像中的多个第一特征点；

步骤S202，采用组合回归树模型的人脸特征点定位技术确定面部图像中的多个第二特征点；

步骤S203，对多个第一特征点和多个第二特征点进行整合，得到多个人脸特征点。

在一些实施例的步骤S201中，基于主动状态模型的人脸特征点定位技术可以是STASM算法，STASM是在主动状态模型的基础上改进而来的，其采用尺度不变特征变换(SIFT)描述子的简化表示来替代传统ASM方法中模板匹配部分所使用的轮廓描述方式，并引入多元自适应回归样条(MARS)方法来提高描述子在特征点周围的匹配效率。

在一些实施例的步骤S202中，基于组合回归树的定位方法将回归树模型进行级联，实现了从像素强度的一个稀疏子集中直接估计特征点的位置，这种方式在算法实时性和定位准确率上表现很好。基于组合回归树的定位方法已经被继承到著名的C++开源工具Dlib之中，因此通过Dlib工具可以直接确定多个第二特征点。

在一些实施例的步骤S203中，不同定位人脸特征点定位技术对于不同人脸部位的定位特征点不同，因此，可以将两种定位技术得到的定位结果进行互补结合到一起，以提高人脸特征点提取的完整度和准确性。

请参阅图3，在一些实施例中，步骤S103中的根据多个所述人脸特征点提取所述面部图像中的多个面部特征向量，可以包括但不限于包括步骤S301至步骤S303：

步骤S301，获取多个预设特征属性；

步骤S302，根据每一个预设特征属性从多个人脸特征点选择对应的若干个人脸特征点；

步骤S303，通过几何形态分析法对选择出的若干个人脸特征点进行分析，得到对应预设特征属性的面部特征向量。

在一些实施例的步骤S301中，通过经验知识确定与性格相关的多个面部预设特征属性，示例性地，多个预设特征属性如图10所示，包括但不限于胡须、嘴巴大小、头发颜色等。

在一些实施例的步骤S302中，由STASM得到的第一特征点集合为

在一些实施例的步骤S303中，几何形态分析法可以用于分析特征属性的形状、距离、面积等特征向量。本实施例以距离特征分析和面积特征分析为例对面部外观进行语义刻画。两个人脸特征点

由选择出的多个人脸特征点

进一步地，本实施例可以构建27个脸部几何特征，其中距离特征22个，面积特征5个。在计算上述脸部几何特征向量时，考虑到图像尺寸不一的情况，除本身是比值的特征外，可以将瞳孔间距和人脸面积分别作为距离特征与面积特征的归一化基准，其中，人脸面积通过公式(3)计算：

其中，

请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S402：

步骤S401，通过模糊集的隶属函数确定特征数据集中每个面部特征向量在模糊集中每个模糊概念的隶属度；

步骤S402，基于最大隶属度原则，将面部特征向量上隶属度最大的模糊概念作为面部特征向量的语义标签；

步骤S403，将所有面部特征向量的语义标签通过模糊逻辑运算得到面部图像的面部模糊概念描述。

在一些实施例的步骤S401中，模糊集是用来表达模糊性概念的集合，又称模糊集合、模糊子集，示例性地，模糊集中的模糊概念可以为较小、适中和较大。给定一个论域U，从U到单位区间[0,1]的一个映射称为U上的一个模糊集，或U的一个模糊子集。模糊集可以记为A，映射函数μA(·)或简记为A(·)成为模糊集A的隶属函数。对于每个x∈U，μA(x)叫做元素x对模糊集A的隶属度。

在一些实施例的步骤S402中，以人脸面积特征向量为例，根据人脸面积在模糊集上的隶属函数，分别计算人脸面积属于较小概念的隶属度、属于适中概念的隶属度和属于较大概念的隶属度，然后根据最大隶属度原则，将隶属度最大的模糊概念作为人脸面积特征向量的语义标签，将该面部图像的多个面部特征向量对应语义标签通过模糊逻辑运算的“∨(和)”，从而得到面部图像的面部模糊概念描述。

请参阅图5，在一些实施例中，步骤S105还可以包括但不限于包括步骤S501至步骤S502：

步骤S501，根据面部模糊概念描述的隶属度与类别语义描述的隶属度确定面部模糊概念描述与类别语义描述的相似度；

步骤S502，根据相似度最大的类别语义描述对应性格类别标签，确定性格分类结果。

在一些实施例中，AFS分类器中包括多个训练数据集的性格标签对应的类别语义描述，该类别语义描述通过对训练数据集中的面部特征进行模糊规则统计分析和优化得到，基于AFS逻辑运算系统能够计算类别语义描述的隶属度和面部模糊概念描述的隶属度。在得到面部模糊概念描述的隶属度之后，通过分析面部模糊概念描述与每一个类别语义描述的隶属度相似程度，来确定面部模糊概念描述与每一个类别语义描述的相似度。将与面部模糊概念描述最相似的类别语义描述对应的性格标签作为性格分类结果。

请参阅图6，在一些实施例，步骤S104中的语义描述模型通过以下步骤获得：

步骤S601，获得训练图像数据集，其中，所述训练图像数据的样本标签包括面部描述标签；

步骤S602，对训练图像数据集进行特征提取，得到每一类面部特征数据集；

步骤S603，根据面部特征数据集确定特征论域，并根据特征论域和预设细粒度构建模糊集；

步骤S604，对面部特征数据集进行统计分析，构建每一个面部特征在模糊集上的隶属函数；

步骤S605，根据所有面部特征的隶属函数确定语义描述模型。

在一些实施例中，可以选用CelebAMask-HQ数据集作为人脸图像来源，CelebAMask-HQ数据集中对“眼睛”、“微笑”和“微微张开嘴巴”三个属性进行了筛选，保留其中性表情且面部无明显遮挡的人脸图片，并从这些筛选过后的图片中随机挑选400张图片形成训练图像数据集，其中，训练图像数据集中女性占比40.5％，男性占比59.5％。训练图像数据集中的面部描述标签用于描述面部特征，例如，嘴巴较大、颧骨较高、胡须多等。进一步地，训练图像数据集的样本标签还包括性格标签，性格标签可以基于心理学领域的十项个性清单(Ten-I tem Personality Inventory，TIPI)量表进行表示，TIPI量表如图11所示。

在一些实施例中，在对训练图像数据集标注过程中，可以将数据集中的图像数据随机划分成4组，每组包含100张图像。由多组数据标注者对每一组图像数据进行标注，因此，每一张图像的标注结果包括多个不同数据标注者的性格评分结果，然后计算不同数据标注者的性格评分平均值得到性格最终得分标注。通过获得训练图像数据的面部描述标注及其对应的五个维度上的性格评分后，本申请实施例是通过挖掘人脸外观和性格特质之间的关系来构建性格分类器，由于性格特质分为5个维度，因此需要针对每一个维度构建相应的数据集。示例性地，对于每个数据集类别部分由已获得的性格特质评分采用等宽划分的方式离散化得出。量表评分的范围是[1,7]，如果分成3个类别，则形成的三个区间分别是[1,3]、[3,5]和[5,7]，并表示对应维度特质的低表现、中表现和高表现，最终形成的10个数据集的相关信息如图12所示。本发明实施例通过AFS理论来构建性格相关的最优语义描述，其中，通过面部描述标签来构建准确的语义描述模型，再通过语义描述模型对数据集进行面部特征的模糊概念描述之后，通过性格标签对数据集中模糊概念描述进行优化，以获取用于描述性格标签的最优模糊概念。

在一些实施例中，语义描述模型基于AFS框架构建，AFS框架具体如下：

训练图像数据集表示为X

为了衡量样本属于简单概念m

对于任意一个面部特征f

其中，Nse反映对面部特征f

对于任意一个样本x

其中，σ是权重函数中一个可调节的参数,该参数通过对训练数据集对该面部特征进行统计分析获得。x

对于任意两个样本x

其中，x

通过定义简单概念数量，根据训练图像数据集的每一个面部特征数据集的论域和简单概念数量计算子区间宽度，再根据简单概念的子区间确定中心值集合，在此基础上，根据训练图像数据集的每一个样本构造面部特征在简单概念上的高斯权重函数

请参阅图7，在一些实施例中，步骤S501中的类别语义描述通过以下步骤获得：

步骤S701，获得训练图像数据集，其中，训练图像数据集的样本标签包括性格标签；

步骤S702，根据性格标签对训练图像数据集中样本进行分类，得到多个类别标签图像数据集；

步骤S703，通过语义描述模型生成类别标签图像数据集的多个候选模糊概念集合；

步骤S704，通过随机坐标收缩优化方法从多个候选模糊概念集合中搜索最优模糊概念，并将最优模糊概念作为性格标签的类别语义描述。

在一些实施例中，在公理模糊集理论框架下，分类问题的核心任务可看作是为每个性格类别找到描述该类别的恰当模糊概念，但相关技术中AFS逻辑系统(EM)中的概念太多，导致难以高效地完成上述任务，因此本实施例根据实际情况对EM进行约简。

具体地，假设φ＝m

Φ的隶属度μφ′(x)可以由函数sup{μφ′(x),μφ″(x)}确定，因此应该将注意力更多地放在那些仅通过“∧”获得的模糊概念。基础上述分析，给出约简EM的定义如下。

设M＝{m

其中，EM

与EM相比，本申请实施例的EM

具体地，根据性格标签对训练图像数据集中样本进行分类得到多个类别标签图像数据集，例如，情绪稳定性格的图像数据集、尽责性格图像数据集等。将类别标签图像数据集的每一个样本通过语义描述模型得到面部模糊概念描述，并基于AFS逻辑系统(EM

请参阅图8，本申请实施例还提供一种面部信息识别系统，包括：

第一模块，用于获取面部图像；

第二模块，用于采用人脸特征点定位技术确定面部图像中的多个人脸特征点；

第三模块，用于根据多个人脸特征点提取面部图像中的多个面部特征向量，并根据多个面部特征向量形成面部图像的特征数据集；

第四模块，用于将特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述；

第五模块，用于根据面部模糊概念描述确定性格分类结果。

可以理解的是，上述面部信息识别方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述面部信息识别方法实施例相同，并且达到的有益效果与上述面部信息识别方法实施例所达到的有益效果也相同。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述面部信息识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的面部信息识别方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述面部信息识别方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的面部信息识别方法、系统、电子设备及存储介质，其通过采用人脸特征点定位技术确定面部图像中的多个人脸特征点，根据多个人脸特征点提取面部图像中的多个面部特征向量，并根据多个面部特征向量形成面部图像的特征数据集，然后将特征数据集输入基于公理模糊集理论的语义描述模型，得到面部图像的面部模糊概念描述，通过公理模糊集理论将不确定性特征进行准确地定量描述，再对面部模糊概念描述进行定量分析映射得到性格分类结果。本申请实施例通过公理模糊集理论实现对面部特征的定量描述，并在此基础上通过定量分析图像的面部模糊概念所属性格类别的概率，提高面部信息信息分类的可靠性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。