人脸识别方法、装置、设备、存储介质和程序产品与流程

1.本公开涉及人工智能领域，具体为深度学习、计算机视觉技术领域，可应用于人脸图像处理、人脸识别等场景，尤其涉及一种人脸识别方法、装置、设备、存储介质和程序产品。


背景技术：

2.随着人工智能设备的推广和广泛使用，人脸识别技术也得到广泛应用，其中，人脸识别技术是基于生物特征信息进行身份识别的一种生物识别技术。
3.通常情况下需要基于完整的人脸图像提取特征进行人脸识别；而在佩戴口罩或者其他脸部存在遮挡的情况下，人脸特征提取过程中会导致大量特征点丢失，造成识别率严重下降。


技术实现要素：

4.本公开提供了一种人脸识别方法、装置、设备、存储介质和程序产品，以在佩戴口罩或者其他脸部存在遮挡的情况下更好的实现人脸识别，提高人脸识别的准确性和识别率。
5.根据本公开的第一方面，提供了一种人脸识别方法，包括：
6.对待识别的目标对象的脸部区域图像以及局部区域图像分别提取特征，得到第一脸部区域特征和第一局部区域特征；其中局部区域图像为脸部区域中目标局部区域的图像；
7.从预设特征数据库中分别获取与所述第一脸部区域特征相似度最高的第二脸部区域特征、以及与所述第一局部区域特征相似度最高的第二局部区域特征；其中所述预设特征数据库包括参照对象集合中多个参照对象的预设脸部区域特征和预设局部区域特征；
8.根据所述目标对象的脸部区域图像确定所述脸部区域中局部区域之外存在遮挡的置信度；
9.基于所述第二脸部区域特征、所述第二局部区域特征以及所述置信度，确定对目标对象的人脸识别结果。
10.根据本公开的第二方面，提供了一种人脸识别装置，包括：
11.特征提取单元，用于对待识别的目标对象的脸部区域图像以及局部区域图像分别提取特征，得到第一脸部区域特征和第一局部区域特征；其中局部区域图像为脸部区域中目标局部区域的图像；
12.对比单元，用于从预设特征数据库中分别获取与所述第一脸部区域特征相似度最高的第二脸部区域特征、以及与所述第一局部区域特征相似度最高的第二局部区域特征；其中所述预设特征数据库包括参照对象集合中多个参照对象的预设脸部区域特征和预设局部区域特征；
13.遮挡判断单元，用于根据所述目标对象的脸部区域图像确定所述脸部区域中局部
区域之外存在遮挡的置信度；
14.识别单元，用于基于所述第二脸部区域特征、所述第二局部区域特征以及所述置信度，确定对目标对象的人脸识别结果。
15.根据本公开的第三方面，提供了一种电子设备，包括：
16.至少一个处理器；以及
17.与所述至少一个处理器通信连接的存储器；其中，
18.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
19.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如第一方面所述的方法。
20.根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
21.本公开提供的人脸识别方法、装置、设备、存储介质和程序产品，通过对目标对象提取脸部区域特征和局部区域特征，并将提取到的特征分别与预设特征数据库中多个参照对象的预设脸部区域特征和预设局部区域特征进行相似度比对，进而基于相似度最高的第二脸部区域特征、第二局部区域特征、以及表征脸部区域特征和局部区域特征重要性的置信度，准确确定目标对象是否属于参照对象集合以及具体是参照对象集合中的哪一个参照对象，可以在佩戴口罩或者其他脸部存在遮挡的情况下更好的实现人脸识别，提高人脸识别的准确性和识别率。
22.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.附图用于更好地理解本方案，不构成对本公开的限定。其中：
24.图1为本公开一示例性实施例示出的人脸识别方法的流程示意图；
25.图2为本公开一示例性实施例示出的获取脸部区域图像和局部区域图像的示意图；
26.图3为本公开另一示例性实施例示出的人脸识别方法的流程示意图；
27.图4为本公开一示例性实施例示出的人脸识别装置的结构示意图；
28.图5为本公开另一示例性实施例示出的人脸识别装置的结构示意图；
29.图6是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
30.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
31.随着人工智能设备的推广和广泛使用，人脸识别技术也得到广泛应用，其中，人脸识别技术是基于生物特征信息进行身份识别的一种生物识别技术。
32.在人脸识别技术中，通过采集含有人脸的图像或视频，并自动在图像中检测和跟踪人脸，进而对检测到的人脸提取图像特征进行识别。
33.通常情况下需要基于完整的人脸图像提取特征进行人脸识别；而在佩戴口罩或者其他脸部存在遮挡的情况下，人脸特征提取过程中会导致大量特征点丢失，造成识别率严重下降。
34.为了解决上述技术问题，本公开提供了一种人脸识别方法，通过对待识别的目标对象的脸部区域图像以及脸部区域中目标局部区域的局部区域图像分别提取脸部区域特征和局部区域特征，并将提取到的特征分别与预设特征数据库中多个参照对象的预设脸部区域特征和预设局部区域特征进行相似度比对；根据目标对象的脸部区域图像确定脸部区域中局部区域之外存在遮挡的置信度；进而基于特征比对结果以及置信度确定对目标对象的人脸识别结果。本公开提供了一种人脸识别方法涉及人工智能领域中的人脸识别领域，可以在佩戴口罩或者其他脸部存在遮挡的情况下更好的实现人脸识别，提高人脸识别的准确性和识别率。
35.图1为本公开一示例性实施例示出的人脸识别方法示意图。本实施例提供的人脸识别方法，其执行主体为终端设备、服务器等电子设备，如图1所示，该人脸识别方法包括：
36.步骤101、对待识别的目标对象的脸部区域图像以及局部区域图像分别提取特征，得到第一脸部区域特征和第一局部区域特征；
37.其中局部区域图像为脸部区域中目标局部区域的图像。
38.其中，可从待识别的目标对象图像中确定脸部区域以及脸部区域中目标局部区域，其中目标局部区域为指定区域，对于不同应用场景下目标局部区域可以不同，例如在对佩戴口罩的场景进行人脸识别时，目标局部区域可以为眼部区域，再如在佩戴墨镜、护目镜等场景进行人脸识别时，目标局部区域可以为脸部的下半部分区域，等等。如图2所示，可从待识别的目标对象图像中获取脸部区域图像以及脸部区域中目标局部区域的局部区域图像。
39.可选的，可通过预设的脸部区域识别模型对目标对象图像进行处理，在目标对象图像中确定脸部区域以及目标局部区域，例如可通过指示框框出脸部区域以及目标局部区域，得到脸部区域图像以及局部区域图像。
40.在确定脸部区域以及目标局部区域后，可对脸部区域图像以及局部区域图像分别提取特征。
41.在一种可选的实施方式中，可预先训练脸部区域特征提取模型和局部区域特征提取模型，其中脸部区域特征提取模型可以对输入的脸部区域图像提取脸部区域特征，局部区域特征提取模型可以对输入的局部区域图像提取局部区域特征。进而，针对于目标对象，可利用预设的脸部区域特征提取模型对所述目标对象的脸部区域图像提取特征，得到所述第一脸部区域特征；利用预设的局部区域特征提取模型对所述目标对象的局部区域图像提取特征，得到所述第一局部区域特征。通过脸部区域特征提取模型和局部区域特征提取模型可以实现特征的自动提取。需要说明的是，本实施例中“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
42.步骤102、从预设特征数据库中分别获取与所述第一脸部区域特征相似度最高的第二脸部区域特征、以及与所述第一局部区域特征相似度最高的第二局部区域特征；
43.其中所述预设特征数据库包括参照对象集合中多个参照对象的预设脸部区域特征和预设局部区域特征。
44.其中，本实施例中参照对象集合中包括多个参照对象，用于作为人脸识别的底库，也即本实施例中的人脸识别方法是为了判断目标对象是否属于参照对象集合，若目标对象属于参照对象集合，确定目标对象是参照对象集合中的哪一个参照对象。
45.本实施例中可多对参照对象集合中多个参照对象分别预先提取脸部区域特征和局部区域特征，作为预设脸部区域特征和预设局部区域特征存储到预设特征数据库中，作为特征比对的基础。可选的，可采用上述实施例中的脸部区域特征提取模型和局部区域特征提取模型对参照对象进行特征提取，也即利用所述脸部区域特征提取模型分别对所述参照对象集合中多个参照对象的脸部区域图像提取特征，得到各参照对象的预设脸部区域特征；利用预设的局部区域特征提取模型分别对所述参照对象集合中多个参照对象的局部区域图像提取特征，得到各参照对象的预设局部区域特征；将各参照对象的预设脸部区域特征以及各参照对象的预设局部区域特征存储到所述预设特征数据库中。采用脸部区域特征提取模型和局部区域特征提取模型可以实现对参照对象特征的自动提取，使其与目标对象的特征具有可比性。
46.在得到目标对象的第一脸部区域特征和第一局部区域特征后，可将第一脸部区域特征和第一局部区域特征与预设特征数据库中的预设脸部区域特征和预设局部区域特征进行相似度比较。具体的，可以获取第一脸部区域特征与每一预设脸部区域特征的相似度，从而确定与第一脸部区域特征相似度最高的预设脸部区域特征，记为第二脸部区域特征；获取第一局部区域特征与每一预设局部区域特征的相似度，从而确定与第一局部区域特征相似度最高的预设局部区域特征，记为第二局部区域特征。
47.其中，本实施例中的相似度可以为余弦相似度，或者也可以为其他相似度，此处不做限定。
48.步骤103、根据所述目标对象的脸部区域图像确定所述脸部区域中局部区域之外存在遮挡的置信度。
49.其中，本实施例可判断目标对象的脸部区域图像确定脸部区域中局部区域之外是否存在遮挡，得到脸部区域中局部区域之外存在遮挡的置信度，举例来讲，在对佩戴口罩的场景进行人脸识别时，可以根据目标对象的脸部区域图像确定目标对象佩戴口罩的置信度、或者眼部区域之外存在遮挡的置信度。
50.其中置信度可用作确定脸部区域特征和局部区域特征哪一特征更重要的权重，置信度越高，则说明局部区域之外存在遮挡的可能性越高，则脸部区域特征可能存在特征缺失，局部区域特征更为重要；置信度越低，则说明局部区域之外存在遮挡的可能性越低，脸部区域特征缺失的可能性越小，脸部区域特征可能越全面，脸部区域特征更为重要。
51.在一种可选的实施方式中，可预先训练遮挡判断模型，其中遮挡判断模型可用于对输入的脸部区域图像进行处理，输出脸部区域中局部区域之外存在遮挡的置信度。进而对于目标对象，可将目标对象的脸部区域图像输入遮挡判断模型，获取脸部区域中局部区域之外存在遮挡的置信度。
52.需要说明的是，本实施例中并不限定步骤103与步骤102和103的先后顺序，可同步执行，也可按任意顺序执行。
53.步骤104、基于所述第二脸部区域特征、所述第二局部区域特征以及所述置信度，确定对目标对象的人脸识别结果。
54.其中，在确定第二脸部区域特征、第二局部区域特征以及置信度后，可基于第二脸部区域特征、第二局部区域特征以及置信度最终确定目标对象的人脸识别结果，可以判断目标对象是否属于参照对象集合，若目标对象属于参照对象集合，确定目标对象是参照对象集合中的哪一个参照对象。
55.具体的，考虑到若目标对象属于参照对象集合，则目标对象的第一脸部区域特征和第一局部区域特征应与某一个参照对象的预设脸部区域特征和预设局部区域特征相似，因此，本实施例中若第二脸部区域特征和第二局部区域特征对应不同的参照对象，则说明目标对象的第一脸部区域特征与某一个参照对象相似，而第一局部区域特征与另一个参照对象相似，不符合上述的规则，此时可认为目标对象不属于参照对象集合；若第二脸部区域特征和第二局部区域特征对应同一个参照对象，则可根据相似度的大小以及置信度，来衡量目标对象与这个参照对象相似程度有多大，从而确定目标对象是否就是这个参照对象。基于上述过程即可准确的判断目标对象是否属于参照对象集合，若目标对象属于参照对象集合，确定目标对象是参照对象集合中的哪一个参照对象。
56.本实施例提供的人脸识别方法，通过对待识别的目标对象的脸部区域图像以及局部区域图像分别提取特征，得到第一脸部区域特征和第一局部区域特征；从预设特征数据库中分别获取与第一脸部区域特征相似度最高的第二脸部区域特征、以及与第一局部区域特征相似度最高的第二局部区域特征；其中预设特征数据库包括参照对象集合中多个参照对象的预设脸部区域特征和预设局部区域特征；根据目标对象的脸部区域图像确定脸部区域中局部区域之外存在遮挡的置信度；基于第二脸部区域特征、第二局部区域特征以及置信度，确定对目标对象的人脸识别结果。本实施例通过对目标对象提取脸部区域特征和局部区域特征，并将提取到的特征分别与预设特征数据库中多个参照对象的预设脸部区域特征和预设局部区域特征进行相似度比对，进而基于相似度最高的第二脸部区域特征、第二局部区域特征、以及表征脸部区域特征和局部区域特征重要性的置信度，准确确定目标对象是否属于参照对象集合以及具体是参照对象集合中的哪一个参照对象，可以在佩戴口罩或者其他脸部存在遮挡的情况下更好的实现人脸识别，提高人脸识别的准确性和识别率。
57.图3为本公开一示例性实施例示出的人脸识别方法示意图。如图3所示，本实施例提供的人脸识别方法包括：
58.步骤301、利用预设的脸部区域特征提取模型对目标对象的脸部区域图像提取特征，得到第一脸部区域特征。
59.其中，预先训练脸部区域特征提取模型，脸部区域特征提取模型可以对输入的脸部区域图像提取脸部区域特征。对于目标对象，将目标对象的脸部区域图像输入脸部区域特征提取模型，通过脸部区域特征提取模型对目标对象的脸部区域图像提取特征，将得到的特征记为第一脸部区域特征。
60.步骤302、从预设特征数据库中分别获取与第一脸部区域特征相似度最高的第二脸部区域特征。
61.其中，可获取第一脸部区域特征与预设特征数据库中多个参照对象的预设脸部区域特征之间的相似度，并进行相似度排序，取其中相似度最高的预设脸部区域特征，记为第二脸部区域特征。
62.步骤303、利用预设的局部区域特征提取模型对目标对象的局部区域图像提取特征，得到第一局部区域特征。
63.其中，预先训练局部区域特征提取模型，局部区域特征提取模型可以对输入的局部区域图像提取局部区域特征。对于目标对象，将目标对象的局部区域图像输入局部区域特征提取模型，通过局部区域特征提取模型对目标对象的局部区域图像提取特征，将得到的特征记为第一局部区域特征。
64.步骤304、从预设特征数据库中分别获取与第一局部区域特征相似度最高的第二局部区域特征。
65.其中，可获取第一局部区域特征与预设特征数据库中多个参照对象的预设局部区域特征之间的相似度，并进行相似度排序，取其中相似度最高的预设局部区域特征，记为第二局部区域特征。
66.步骤305、利用预设的遮挡判断模型对目标对象的脸部区域图像进行处理，得到脸部区域中局部区域之外存在遮挡的置信度。
67.其中，可预先训练训练遮挡判断模型，遮挡判断模型可用于对输入的脸部区域图像进行处理，输出脸部区域中局部区域之外存在遮挡的置信度。对于目标对象，将目标对象的脸部区域图像输入遮挡判断模型，通过遮挡判断模型输出脸部区域中局部区域之外存在遮挡的置信度。
68.需要说明的是，步骤301-302、步骤303-304、以及步骤305之间可不限定执行的先后顺序，可以同步执行或者以任意顺序执行。
69.步骤306、判断若第二脸部区域特征与第二局部区域特征是否对应同一目标参照对象；
70.其中，可获取第二脸部区域特征对应参照对象的id，获取第二局部区域特征对应参照对象的id，通过比较两个id是否一致，来确定第二脸部区域特征与第二局部区域特征是否对应同一目标参照对象。
71.若目标对象属于参照对象集合，则需要满足：目标对象的第一脸部区域特征和第一局部区域特征应与某一个参照对象的预设脸部区域特征和预设局部区域特征相似。
72.其中，若第二脸部区域特征与第二局部区域特征对应同一目标参照对象，则执行步骤307，否则执行步骤311。
73.步骤307、若第二脸部区域特征与第二局部区域特征对应同一目标参照对象，则根据第一脸部区域特征与第二脸部区域特征之间的第一相似度、第一局部区域特征与第二局部区域特征之间的第二相似度以及置信度，获取目标对象与目标参照对象之间的匹配分数。
74.其中，在上述步骤302和304的相似度比较过程中，已获取到第一脸部区域特征与第二脸部区域特征之间的相似度(记为第一相似度)、第一局部区域特征与第二局部区域特征之间的相似度(记为第二相似度)，进而基于第一相似度、第二相似度以及置信度，获取目标对象与目标参照对象之间的匹配分数。
75.具体的，可将置信度确定为第二相似度的权重，将1减去置信度的差值确定为第一相似度的权重；进而根据第一相似度和第二相似度的权重，获取第一相似度和第二相似度的加权和，将加权和确定为目标对象与目标参照对象之间的匹配分数，通过配置权重可以在匹配分数中体现出脸部区域特征和局部区域特征重要性，使得匹配分数能够更准确的衡量目标对象与目标参照对象之间的相似程度。
76.也即，假设置信度为p，则设置第二相似度的权重为p，而第一相似度的权重为(1-p)，进而，可通过下述公式计算目标对象与目标参照对象之间的匹配分数：
77.匹配分数＝第一相似度*(1-p) 第二相似度*p
78.步骤308、判断匹配分数是否大于预设阈值。
79.其中，若匹配分数是否大于预设阈值，则执行步骤309，否则执行步骤310。
80.步骤309、若匹配分数大于预设阈值，则确定目标对象为目标参照对象。
81.其中，匹配分数大于预设阈值，则说明目标对象与目标参照对象之间特征相似程度较高，可确定目标对象为目标参照对象。其中预设阈值可根据实际情况进行设定。
82.步骤310、若匹配分数不大于预设阈值，则确定目标对象不属于参照对象集合。
83.其中，匹配分数不大于预设阈值，则说明目标对象与目标参照对象之间特征相似程度不高，可确定目标对象不为目标参照对象，但由于排除了参照对象集合最可能的目标参照对象，则目标对象更不可能是参照对象集合中的其他参照对象，因此此时可确定目标对象不属于参照对象集合。
84.步骤311、若第二脸部区域特征与第二局部区域特征对应不同的目标参照对象，则确定目标对象不属于参照对象集合。
85.其中，若第二脸部区域特征与第二局部区域特征对应不同的目标参照对象，则说明目标对象的第一脸部区域特征与某一个参照对象相似，而第一局部区域特征与另一个参照对象相似，不符合规则，因此可确定目标对象不属于参照对象集合。
86.上述实施例通过对目标对象提取脸部区域特征和局部区域特征，并将提取到的特征分别与预设特征数据库中多个参照对象的预设脸部区域特征和预设局部区域特征进行相似度比对，进而基于相似度最高的第二脸部区域特征、第二局部区域特征、以及表征脸部区域特征和局部区域特征重要性的置信度，准确确定目标对象是否属于参照对象集合以及具体是参照对象集合中的哪一个参照对象，可以在佩戴口罩或者其他脸部存在遮挡的情况下更好的实现人脸识别，提高人脸识别的准确性和识别率。
87.在上述任一实施例的基础上，本公开实施例还提供脸部区域特征提取模型、局部区域特征提取模型以及遮挡判断模型的训练方法。需要说明的是，训练方法可以与上述人脸识别方法由同一执行主体执行，也可由不同执行主体执行。
88.针对于脸部区域特征提取模型，脸部区域特征提取模型可以是第一分类神经网络模型的特征提取层，其中，第一分类神经网络模型用于根据输入的脸部区域图像进行对象分类。
89.也即，第一分类神经网络模型包括特征提取层以及softmax激活函数层，其中，特征提取层用于对脸部区域图像提取特征，而softmax激活函数层用于根据所提取的特征进行对象分类。因此，对第一分类神经网络模型训练即可实现对脸部区域特征提取模型的训练。具体训练过程可如下：
90.获取多个训练对象的多张脸部区域图像，将任一脸部区域图像与其对应的训练对象id作为一组训练数据，从而可得到第一训练数据集合；根据第一训练数据集合对第一分类神经网络模型进行训练，使得第一分类神经网络模型能够针对输入的任一脸部区域图像准确的输出对应的训练对象id。
91.进一步的，可从训练好点的第一分类神经网络模型中取出特征提取层，作为脸部区域特征提取模型。
92.与上述过程相似，针对于局部区域特征提取模型，局部区域特征提取模型是预先训练的第二分类神经网络模型的特征提取层，其中，第二分类神经网络模型用于根据输入的局部区域图像进行对象分类。
93.也即，第二分类神经网络模型包括特征提取层以及softmax激活函数层，其中，特征提取层用于对局部区域图像提取特征，而softmax激活函数层用于根据所提取的特征进行对象分类。因此，对第二分类神经网络模型训练即可实现对局部区域特征提取模型的训练。具体训练过程可如下：
94.获取多个训练对象的多张局部区域图像，将任一局部区域图像与其对应的训练对象id作为一组训练数据，从而可得到第二训练数据集合；根据第二训练数据集合对第二分类神经网络模型进行训练，使得第二分类神经网络模型能够针对输入的任一局部区域图像准确的输出对应的训练对象id。
95.进一步的，可从训练好点的第二分类神经网络模型中取出特征提取层，作为局部区域特征提取模型。
96.针对遮挡判断模型可以为任意神经网络模型或其他机器学习模型，其训练过程如下：
97.获取多张脸部区域图像，对每一张脸部区域图像标注脸部区域中局部区域之外存在遮挡的标签，将任一脸部区域图像与其对应标签作为一组训练数据，从而可得到第三训练数据集合；根据第三训练数据集合对遮挡判断模型进行训练，使得遮挡判断模型能够针对输入的任一脸部区域图像的输出脸部区域中局部区域之外存在遮挡的置信度。
98.需要说明的是，上述实施例中的脸部区域特征提取模型、局部区域特征提取模型以及遮挡判断模型可并不限于上述举例，采用其他能够实现相同功能模型亦可。
99.需要说明的是，本实施例中的模型并不是针对某一特定用户的模型，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的二维人脸图像来自于公开数据集。
100.本公开的技术方案中，所涉及的用户脸部图像的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
101.图4为本公开一示例性实施例示出的人脸识别装置的结构示意图。
102.如图4所示，本公开提供的人脸识别装置400，包括：
103.特征提取单元410，用于对待识别的目标对象的脸部区域图像以及局部区域图像分别提取特征，得到第一脸部区域特征和第一局部区域特征；其中局部区域图像为脸部区域中目标局部区域的图像；
104.对比单元420，用于从预设特征数据库中分别获取与所述第一脸部区域特征相似度最高的第二脸部区域特征、以及与所述第一局部区域特征相似度最高的第二局部区域特
征；其中所述预设特征数据库包括参照对象集合中多个参照对象的预设脸部区域特征和预设局部区域特征；
105.遮挡判断单元430，用于根据所述目标对象的脸部区域图像确定所述脸部区域中局部区域之外存在遮挡的置信度；
106.识别单元440，用于基于所述第二脸部区域特征、所述第二局部区域特征以及所述置信度，确定对目标对象的人脸识别结果。
107.本公开提供的人脸识别装置，通过对目标对象提取脸部区域特征和局部区域特征，并将提取到的特征分别与预设特征数据库中多个参照对象的预设脸部区域特征和预设局部区域特征进行相似度比对，进而基于相似度最高的第二脸部区域特征、第二局部区域特征、以及表征脸部区域特征和局部区域特征重要性的置信度，准确确定目标对象是否属于参照对象集合以及具体是参照对象集合中的哪一个参照对象，可以在佩戴口罩或者其他脸部存在遮挡的情况下更好的实现人脸识别，提高人脸识别的准确性和识别率。
108.图5为本公开另一示例性实施例示出的人脸识别装置的结构示意图。
109.如图5所示，本公开提供的人脸识别装置500中，所示出的特征提取单元510与图4所示出的特征提取单元410相似，对比单元520与图4所示出的对比单元420相似，遮挡判断单元530与图4所示出的遮挡判断单元430相似，识别单元540与图4所示出的识别单元440相似。
110.其中，所述识别单元540包括：
111.第一判断模块541，用于判断所述第二脸部区域特征与所述第二局部区域特征是否对应同一目标参照对象；
112.匹配分数计算模块542，用于在所述第二脸部区域特征与所述第二局部区域特征对应同一目标参照对象时，根据所述第一脸部区域特征与所述第二脸部区域特征之间的第一相似度、所述第一局部区域特征与所述第二局部区域特征之间的第二相似度以及所述置信度，获取所述目标对象与所述目标参照对象之间的匹配分数；
113.第二判断模块543，用于判断所述匹配分数是否大于预设阈值，若所述匹配分数大于预设阈值，则确定所述目标对象为所述目标参照对象；或者，若所述匹配分数不大于预设阈值，则确定所述目标对象不属于所述参照对象集合。
114.其中，所述匹配分数计算模块542包括：
115.权重配置子模块5421，用于将所述置信度确定为所述第二相似度的权重，将1减去所述置信度的差值确定为所述第一相似度的权重；
116.加权求和子模块5422，用于根据所述第一相似度和所述第二相似度的权重，获取所述第一相似度和所述第二相似度的加权和，将所述加权和确定为所述目标对象与所述目标参照对象之间的匹配分数。
117.其中，所述识别单元540包括还用于：
118.若所述第二脸部区域特征与所述第二局部区域特征对应不同的目标参照对象，则确定所述目标对象不属于所述参照对象集合。
119.其中，所述特征提取单元510包括：
120.脸部区域特征提取模块511，用于利用预设的脸部区域特征提取模型对所述目标对象的脸部区域图像提取特征，得到所述第一脸部区域特征；
121.局部区域特征提取模块512，用于利用预设的局部区域特征提取模型对所述目标对象的局部区域图像提取特征，得到所述第一局部区域特征。
122.其中，所述脸部区域特征提取模块511还用于，利用所述脸部区域特征提取模型分别对所述参照对象集合中多个参照对象的脸部区域图像提取特征，得到各参照对象的预设脸部区域特征；
123.所述局部区域特征提取模块512还用于，利用预设的局部区域特征提取模型分别对所述参照对象集合中多个参照对象的局部区域图像提取特征，得到各参照对象的预设局部区域特征；
124.将各参照对象的预设脸部区域特征以及各参照对象的预设局部区域特征存储到所述预设特征数据库中。
125.其中，所述遮挡判断单元530具体用于：
126.利用预设的遮挡判断模型对所述目标对象的脸部区域图像进行处理，得到所述脸部区域中局部区域之外存在遮挡的置信度。
127.其中，所述脸部区域特征提取模型是预先训练的第一分类神经网络模型的特征提取层，其中，所述第一分类神经网络模型用于根据输入的脸部区域图像进行对象分类；和/或
128.所述局部区域特征提取模型是预先训练的第二分类神经网络模型的特征提取层，其中，所述第一分类神经网络模型用于根据输入的局部区域图像进行对象分类。
129.其中，所述特征提取单元510还包括：
130.区域识别模块513，用于根据预设的脸部区域识别模型对目标对象图像进行处理，在所述目标对象图像中确定所述脸部区域图像以及所述局部区域图像。
131.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
132.根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
133.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
134.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
135.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；
输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
136.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如人脸识别方法。例如，在一些实施例中，人脸识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的人脸识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸识别方法。
137.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
138.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
139.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
140.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用
任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
141.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
142.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
143.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
144.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。