基于遮挡环境下人脸身份验证方法、装置、设备和介质与流程

1.本发明涉及计算机视觉技术领域，特别是涉及一种基于遮挡环境下人脸身份验证方法、装置、设备和介质。


背景技术：

2.人脸验证作为验证人类身份的显著方法被广泛应用在安防、互联网、监察等行业，通过主动无接触式采集被观测者面部信息，避免因输入密码、录入指纹等需要记忆或接触操作导致遗忘或不卫生的情况发生。目前的人脸验证技术大都是通过摄像头传感器拍摄人脸，然后经过摆正后提取全脸的信息，通过度量学习得到属于个人独有的专属向量。以上通常的做法在卫生安全级别较高、寒冷环境及人脸大面积遮挡的情况下就会产生无法进行验证的效果。
3.因此，需要一种在人脸大面积遮挡情况下可进行人脸验证的方法。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本技术的目的在于提供一种基于遮挡环境下人脸身份验证方法、装置、设备和介质，以解决上述至少一个问题。
5.为实现上述目的及其他相关目的，本技术提供一种基于遮挡环境下人脸身份验证方法，所述方法包括：基于训练过的深度学习网络对人脸面部图像进行特征点检测，以确定所述人脸面部图像上对应人脸面部中一或多个特征点的具体位置；依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，以获得分割后的截取图像；将所述截取图像输入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果。
6.于本技术的一实施例中，所述比对方法包括：其中，a对应为anchor，表示所述深度学习网络中的随机样本；p对应为positive，表示所述深度学习网络中与所述随机样本属于同一身份信息的同类样本；n对应为negative，表示所述深度学习网络中与所述随机样本不属于同一身份信息的非同类样本；表示作为随机样本的所述截取图像对应的由所述深度学习网络输出的多维度的数字编码向量；表示作为同类样本的所述人脸面部图像在数据库中预存的包含有身份信息的人脸面部编码向量；表示作为非同类样本的所述人脸面部图像在数据库中预存的包含有身份信息的人脸面部编码向量；表示anchor与positive之间的欧式距离；表示anchor与negative之间的欧式距离。
7.于本技术的一实施例中，将所述截取图像输入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果，包括：依据所述截取图像对应输出的多维度的数字编码向量，与数据库
中每一组构成同类样本与非同类样本的人脸面部编码向量进行比对后得到对比结果；若所述对比结果达到阈值，则将所述同类样本的人脸面部编码向量对应的身份信息作为身份验证结果；若所述对比结果未达到阈值，则得到未通过的身份验证结果。
8.于本技术的一实施例中，所述阈值是通过训练所述深度学习网络得到的表示的anchor与positive之间的欧式距离最小和/或anchor与negative之间的欧式距离最大的基准对比结果。
9.于本技术的一实施例中，所述深度网络模型的训练过程包括：获取大量分割后的截取图像作为随机样本输入至所述深度网络模型，以输出多维度的数字编码向量；令所述样本数据对应的数字编码向量与数据库中对应的同类样本和非同类样本的人脸面部编码向量进行比对，以得到比对结果；基于令anchor与positive之间的欧式距离更小，anchor与negative之间的欧式距离更大的训练规则，不断将所述截取图像对应的多维度的数字编码向量在所述深度学习网络中反向传播以进行权重更新，直至满足该训练规则，从而确定权重，并将最终比对结果作为阈值。
10.于本技术的一实施例中，所述对所述人脸面部图像上的人脸面部进行区域分割中，所述区域包括：眼睛、眉毛、及额头中任意一或多种。
11.于本技术的一实施例中，所述依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，包括：以眼睛高度为单位长度，将所述眼睛下部延伸二分之一单位长度的位置，作为区域分割的最底端位置。
12.于本技术的一实施例中，所述深度学习网络为端到端的深度卷积框架，依次包括：第1卷积层、第2卷积层、第1池化层、第3卷积层、第4卷积层、第2池化层、第5卷积层、第6卷积层、第7卷积层、第3池化层、第8卷积层、第9卷积层、第10卷积层、第4池化层、第11卷积层、第12卷积层、第13卷积层、及第5池化层；各所述卷积用于通过卷积核的权重提取低频和高频信息；各所述池化层用于去除冗余信息。
13.为实现上述目的及其他相关目的，本技术提供一种电子装置，所述装置包括：特征点检测模块，用于基于深度学习网络对人脸面部图像进行特征点检测，以确定所述人脸面部图像上对应人脸面部中一或多个特征点的具体位置；区域分割模块，用于依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，以获得分割后的截取图像；身份验证模块，用于将所述截取图像输入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果。
14.为实现上述目的及其他相关目的，本技术提供一种计算机系统，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。
15.为实现上述目的及其他相关目的，本技术提供一种计算机存储介质，存储有计算机程序，所述计算机程序被运行时执行如上所述的方法。
16.综上所述，本技术提供一种基于遮挡环境下人脸身份验证方法、装置、设备和介质，通过基于训练过的深度学习网络对人脸面部图像进行特征点检测，以确定所述人脸面部图像上对应人脸面部中一或多个特征点的具体位置；依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，以获得分割后的截取图像；将所述截取图像输
入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果。
17.具有以下有益效果：
18.本技术通过在拍摄全脸的基础上获取特定部分并进行训练，通过深度网络架构自动提取特征，并编码为向量作为被观测者的向量化表达，从而使本技术能够在卫生安全级别较高、寒冷环境及人脸大面积遮挡的情况下进行身份验证。
附图说明
19.图1显示为本技术于一实施例中的基于遮挡环境下人脸身份验证方法的流程示意图。
20.图2显示为本技术于一实施例中的深度学习网络的框架示意图。
21.图3显示为本技术于一实施例中的人脸面部图像上的人脸面部进行区域分割的效果示意图。
22.图4显示为本技术于一实施例中的基于深度学习网络对某一样本数据与其他数据进行统计分析的模型示意图。
23.图5显示为本技术于一实施例中的本方法在遮挡不同位置时的测试结果的对比示意图。
24.图6显示为本技术于一实施例中的电子装置的模块示意图。
25.图7显示为本技术于一实施例中的计算机设备的结构示意图。
具体实施方式
26.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
27.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本技术的基本构想，虽然图式中仅显示与本技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，但其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
28.在通篇说明书中，当说某部分与另一部分“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。
29.其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此，以下叙述的第一部分、成分、区域、层或段在不超出本技术范围的范围内，可以言及到第二部分、成分、区域、层或段。
30.再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形
式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
31.为解决在卫生安全级别较高、寒冷环境及人脸大面积遮挡的情况下无法进行人脸身份验证的问题，本技术提出一种基于遮挡环境下人脸身份验证方法、装置、设备和介质。本技术主要通过在拍摄全脸的基础上获取特定部分并进行训练，然后依据深度网络架构自动提取特征，并编码为向量作为被观测者的向量化表达。
32.如图1所示，展示为本技术于一实施例中的基于遮挡环境下人脸身份验证方法的流程示意图。如图所示，所述方法包括：
33.步骤s101：基于深度学习网络对人脸面部图像进行特征点检测，以确定所述人脸面部图像上对应人脸面部中一或多个特征点的具体位置。
34.于本实施例中，所述人脸面部图像可以是实时在线采集的人脸面部照片或视频，也可以是非实时已存储的人脸面部照片会视频。
35.举例来说，本技术所述方法可适用于具有显示屏并且支持图像采集的各种电子设备，包括但不限于：网络摄像头、监控摄像头、智能手机、平板电脑、笔记本电脑和台式计算机等。
36.为了实现在大面积遮挡情况下人脸的验证，本技术通过基于训练过的深度学习网络对人脸面部图像进行特征点检测。特征点检测的目的是为了确定人脸中某些特定点的具体位置，且不同人脸中语义位置相同的点，在特征点列表中索引位置相同。在确定具体位置后就可对面部按需求进行区域分割。
37.举例来说，假设待验证的用户带着口罩，那么人脸面部图像所检测出的特征点可能包含：眼睛、眉毛、额头、脸框等。而这些特征点构成了人脸身份验证仅存的关键特征点，因为后续可按需求将这些区域进行分割。
38.需要说明的是，传统的图像特征提取方法很难泛化到多种环境下，而本技术利用深度卷积网络强大的提取特征能力，在大量训练数据的驱动下可提取到更高级的特征表达。因此，本技术所采用的深度学习网络为一个端到端的深度卷积框架，具体网络框架示意图如图2所示。具体来说，所述深度学习网络为端到端的深度卷积框架依次包括：第1卷积层c1、第2卷积层c2、第1池化层出p1、第3卷积层c3、第4卷积层c4、第2池化层p2、第5卷积层c5、第6卷积层c6、第7卷积层c7、第3池化层p3、第8卷积层c8、第9卷积层c9、第10卷积层c10、第4池化层p4、第11卷积层c11、第12卷积层c12、第13卷积层c13、及第5池化层p5。
39.优先地，本技术各卷积层与池化层的相关设置见下表1所示。
40.表1各卷积层与池化层的相关设置
41.框架卷积核大小步数输入通道输出通道输入000(96,96,3)c1(3,3)2(96,96,3)(96,96,8)c2(3,3)1(96,96,8)(96,96,8)
p102(96,96,8)(48,48,8)c3(3,3)1(48,48,16)(48,48,16)c4(3,3)1(48,48,16)(48,48,16)p202(48,48,16)(24,24,16)c5(3,3)2(24,24,16)(24,24,32)c6(3,3)1(24,24,32)(24,24,32)c7(3,3)1(24,24,32)(24,24,32)p302(24,24,32)(12,12,32)c8(3,3)1(12,12,32)(12,12,32)c9(3,3)1(12,12,32)(12,12,32)c10(3,3)1(12,12,32)(12,12,32)p402(12,12,32)(6,6,32)c11(3,3)1(6,6,32)(6,6,32)c12(3,3)2(6,6,32)(6,6,32)c13(3,3)1(6,6,32)(6,6,32)p502(6,6,32)(3,3,32)输出00(3,3,32)(128,)
42.本技术构建的深度学习网络采用阶跃递进的信息传递方式设计卷积层和池化层的个数，其中，所述卷积层的作用是通过卷积核的权重提取低频和高频信息，所述池化层的作用是去除冗余信息。在本技术深度学习网络的前端对低级数据采用少层卷积(如c1、c2和c3、c4显示2个层卷积)，可对信息粗略提取且降低计算复杂度；而在深度学习网络的后端对高级信息则采用多层卷积进一步提高语义信息的颗粒度。
43.步骤s102：依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，以获得分割后的截取图像。
44.于本实施例中，本技术在抓取人脸面部区域方面，考虑到遮挡物的材质、颜色等信息会对网络的学习造成偏差。因此，本技术没有抓取整脸的部分，只抓取眼睛及前额头等未遮挡区域部分作为本技术深度学习网络的输入数据和/或训练数据。
45.于本技术一实施例中，所述对所述人脸面部图像上的人脸面部进行区域分割中，所述区域包括但不限于：眼睛、眉毛、及额头中任意一或多种。
46.在本技术中，对于抓取脸部区域部分，需要使用特征点检测，并利用特征点确定分割区域。以口罩为例，需要脸部的区域是眼睛、眉毛、前部额头，为了利用更多的人脸面部特征而不引进大量噪声，且考虑到人脸占比的不同。本技术优选以眼睛高度为单位长度，由眼睛下部延伸二分之一单位长度作为截取部分的最底端位置。如图3所示，展示为本技术于一实施例中对人脸面部图像上的人脸面部进行区域分割的效果示意图。如图所示，由于抓取到的特征点主要集中在眼睛、眉毛、前部额头，因此对整个脸部区域进行分割后，所述截取图像仅保留人脸面部图像上的眼睛、眉毛、前部额头区域。
47.步骤s103：将所述截取图像输入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果。
48.于本技术中，针对全脸获取信息在面部大面积遮挡(比如戴口罩)的环境下无法实现人脸验证的这一问题，本技术提出了根据面部部分信息依旧可以向量化表达被观测者的方法，主要是通过深度学习网络输出的对人脸的编码结果，这个编码结果会与数据库中人脸编码结果进行对比，从而可以得出身份是否被验证的结果。
49.于本技术一实施例中，所述步骤s103具体包括：
50.a、依据所述截取图像对应输出的多维度的数字编码向量，与数据库中每一组构成同类样本与非同类样本的人脸面部编码向量进行比对后得到对比结果。
51.简单来说，所述深度学习网络的主要特点便是通过输入图像提取特征以输出特征向量，而所述同类样本可以理解为同属一用户身份信息的样本，而所述非同类样本则理解为不属于一用户身份信息的样本。另外，在数据库中预存大量用户身份信息，即预存大量包含有身份信息的人脸面部编码向量。这里的人脸面部是完整的人脸区域，也即包含有该用户对应人脸面部上不同特征的全部编码向量。
52.b、若所述对比结果达到阈值，则将所述同类样本的人脸面部编码向量对应的身份信息作为身份验证结果；若所述对比结果未达到阈值，则得到未通过的身份验证结果。
53.于本实施例中，由于所述截取图像对应的数字编码向量，与数据库中人脸面部编码向量的比对，由于所述截取图像相对于原人脸面部图像是缺少的，即构成关键的特征点也相对缺失，因此比对结果的准确率是低于完整人脸面部图像之间比对结果的准确率的。故本技术通过设定阈值来提高对比准确率。
54.需要说明的是，所设定的阈值是通过训练深度学习网络得到的。具体地训练过程如下：
55.在训练所述深度学习网络的过程中利用分割后的截取图像作为训练数据，并且在组织训练数据的过程中，为了避免网络在学习的过程中发生“极难”或“极容易”的样本组合产生，采用离线学习的方式。具体而言是在每次权重更新之前，需要对喂入的样本数据全部进行向量化编码，并对编码后的结果进行比对，对比方式如下所示公式。通过这种方法选取的三元组对更容易使网络收敛。
[0056][0057]
其中，a对应为anchor，表示所述深度学习网络中的随机样本；anchor图片存放于数据库中。
[0058]
p对应为positive，表示所述深度学习网络中与所述随机样本属于同一身份信息的同类样本；
[0059]
n对应为negative，表示所述深度学习网络中与所述随机样本不属于同一身份信息的非同类样本；
[0060]
表示作为随机样本的所述截取图像对应的由所述深度学习网络输出的多维度(如128维度)的数字编码向量；
[0061]
表示作为同类样本的所述人脸面部图像在数据库中预存的包含有身份信息的人脸面部编码向量；即是positive图像编码后的128维向量；
[0062]
表示作为非同类样本的所述人脸面部图像在数据库中预存的包含有身份
信息的人脸面部编码向量；是negative图像编码后的128维向量。
[0063]
实际来看，表示anchor与positive之间的欧式距离；表示anchor与negative之间的欧式距离。其中，欧氏距离也称欧几里得度量，是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
[0064]
于本技术中，所述阈值是通过训练所述深度学习网络得到的表示的anchor与positive之间的欧式距离最小和/或anchor与negative之间的欧式距离最大的基准对比结果。
[0065]
于本技术一实施例中，所述深度网络模型的训练过程包括：
[0066]
a、获取大量分割后的截取图像作为随机样本输入至所述深度网络模型，以输出多维度的数字编码向量；
[0067]
b、令所述样本数据对应的数字编码向量与数据库中对应的同类样本和非同类样本的人脸面部编码向量进行比对，以得到比对结果；
[0068]
c、基于令anchor与positive之间的欧式距离更小，anchor与negative之间的欧式距离更大的训练规则，不断将所述截取图像对应的多维度的数字编码向量在所述深度学习网络中反向传播以进行权重更新，直至满足该训练规则，从而确定权重，并将最终比对结果作为阈值。
[0069]
简单来说，通过深度学习网络模型输出的是对人脸面部图像的编码结果，这个编码结果会与数据库中人脸编码结果进行对比，编码后的结果会通过反向传播进行权重更新。每一次权重的迭代更新会使网络学习到(anchor和positive距离更近，与negative更远的规则)，权重会对最后的结果产生影响。三者之间的距离关系是计算后的结果。需说明的是，若一个糟糕的网络则不会对三者进行区分(也就是随便分)，但一个好的网络会令anchor和positive距离更近，与negative更远。最后的阈值是一个统计结果，也就是通过统计后发现当a与b之间的距离少于多少时说明a与b是一个人，反之则是两个人。
[0070]
举例来说，在试验过程中，当向所述深度学习网络输入人脸面部图像为遮挡时图像(如戴口罩图像)，其因为存在严重遮挡情况，进而无法能很好的表示anchor与positive距离更近，anchor与negative距离更远的关系，即通过深度学习网络得到的对比结果为(a-p)《(p-n)。而当向所述深度学习网络输入分割遮挡部分后的截取图像后，在训练好的深度学习网络模型基础上可对某一样本数据与其他数据进行统计分析，能够更好的展示整anchor、positive、negative三者之间的距离关系，并确定区分阈值，
[0071]
如图4所示，展示为基于深度学习网络对某一样本数据与其他数据进行统计分析的模型示意图。如图所示，圆点代表anchor图片与negative之间的欧式距离，星点代表anchor图片与positive之间的欧式距离，如图所示，在使用本技术的所述深度学习网络模型可较好的对三者进行区分，分割阈值在4.5左右。
[0072]
为了验证本技术所述的基于遮挡环境下人脸身份验证方法在遮挡不同位置时方法的普适性，对遮挡区域进行调整，如图5所示。假设遮挡部分为头部区域，仅对面部进行实验。如图5对不同遮挡位置进行测试，其实验效果满足anchor、positive、negative三者之间的距离关系，即(a-p)《(p-n)。
[0073]
综上，本技术通过在拍摄全脸的基础上获取特定部分并进行训练，通过深度网络架构自动提取特征，并编码为向量作为被观测者的向量化表达，从而使本技术能够对人脸大面积遮挡的情况下进行身份验证。
[0074]
如图6所示，展示为本技术于一实施例中电子装置的模块示意图。如图所示，所述装置600包括：
[0075]
特征点检测模块601，用于基于深度学习网络对人脸面部图像进行特征点检测，以确定所述人脸面部图像上对应人脸面部中一或多个特征点的具体位置；
[0076]
区域分割模块602，用于依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，以获得分割后的截取图像；
[0077]
身份验证模块603，用于将所述截取图像输入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果。
[0078]
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本技术所述方法实施例基于同一构思，其带来的技术效果与本技术方法实施例相同，具体内容可参见本技术前述所示的方法实施例中的叙述。
[0079]
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
[0080]
例如，身份验证模块603可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上身份验证模块603的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0081]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital signal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
[0082]
如图7所示，展示为本技术于实施例中的计算机设备的结构示意图。如图所示，所述计算机设备700包括：存储器701、及处理器702；所述存储器701用于存储计算机指令；所述处理器702运行计算机指令实现如图1所述的方法。
[0083]
在一些实施例中，所述计算机设备700中的所述存储器701的数量均可以是一或多个，所述处理器702的数量均可以是一或多个，而图7中均以一个为例。
[0084]
于本技术一实施例中，所述计算机设备700中的处理器702会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器701中，并由处理器702来运
行存储在存储器702中的应用程序，从而实现如图1所述的方法。
[0085]
所述存储器701可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器701存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
[0086]
所述处理器702可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、分立门或者晶体管逻辑器件、分立硬件组件等。
[0087]
在一些具体的应用中，所述计算机设备700的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图7中将各种总线都成为总线系统。
[0088]
于本技术的一实施例中，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的方法。
[0089]
在任何可能的技术细节结合层面，本技术可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本技术的各个方面的计算机可读程序指令。
[0090]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0091]
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0092]
用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
[0093]
综上所述，本技术提供的一种基于遮挡环境下人脸身份验证方法、装置、设备和介质，通过基于训练过的深度学习网络对人脸面部图像进行特征点检测，以确定所述人脸面部图像上对应人脸面部中一或多个特征点的具体位置；依据检测出的各所述特征点对所述人脸面部图像上的人脸面部进行区域分割，以获得分割后的截取图像；将所述截取图像输入所述深度学习网络以输出多维度的数字编码向量，令其与数据库中预存的包含有身份信息的人脸面部编码向量进行比对，以得到身份验证结果。
[0094]
本技术有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0095]
上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。