一种人脸识别方法、优先级确定方法、装置及存储介质与流程

1.本技术涉及人脸识别技术领域，尤其涉及一种人脸识别方法、优先级确定方法、装置及存储介质。


背景技术：

2.在相关技术中，人脸识别技术是基于卷积神经网络算法进行的，通过使用大量公开的数据集进行训练以及设计更加合适的卷积神经网络结构来提高识别准确性。目前，人脸识别技术的准确度在小规模人脸数据库(或称为人脸底库)的应用中已经取得了很好的效果，在一些应用场景中准确率甚至可以达到99％以上。然而，在大规模人脸底库(人脸数量达到百万甚至千万)的应用场景中，相关技术中人脸识别技术的准确度下降的非常厉害，这是因为当人脸数据库的规模上升到千万级别的时候，目前已有的卷积神经网络结构并不能够计算出特别理想的人脸特征向量值，所以在大规模人脸数据库中进行检索时，准确度明显下降。


技术实现要素：

3.本技术提供了一种人脸识别方法、优先级确定方法、装置及存储介质，在面对大规模人脸数据库时，根据用户访问人脸识别应用的概率，优先在高概率人群中进行检索，能够提高人脸识别结果的准确性。
4.本技术实施例的技术方案是这样实现的：
5.第一方面，本技术实施例提供了一种人脸识别方法，该方法包括：
6.获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；
7.基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。
8.第二方面，本技术实施例提供了一种优先级确定方法，该方法包括：
9.获取多个用户的人脸图像；
10.计算所述多个用户使用人脸识别应用的概率；
11.基于所述多个用户的人脸图像和所述多个用户使用人脸识别应用的概率，建立多个用户数据库；其中，所述多个用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定；所述用户数据库的优先级高低与所述概率的大小正相关。
12.第三方面，本技术实施例提供了一种人脸识别装置，该人脸识别装置包括接收单元和识别单元，其中，
13.接收单元，配置为获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；
14.识别单元，配置为基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。
15.第四方面，本技术实施例提供了一种人脸识别装置，该人脸识别装置包括存储器和处理器；其中，
16.所述存储器，用于存储能够在所述处理器上运行的计算机程序；
17.所述处理器，用于在运行所述计算机程序时，执行如第一方面所述方法的步骤。
18.第五方面，本技术实施例提供了一种优先级确定装置，该优先级确定装置包括图像单元、计算单元和确定单元，其中，
19.图像单元，配置为获取多个用户的人脸图像；
20.计算单元，配置为计算多个用户使用人脸识别应用的概率；
21.确定单元，配置为基于所述多个用户的人脸图像和所述多个用户使用人脸识别应用的概率，建立多个用户数据库；其中，所述多个用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定；所述用户数据库的优先级高低与所述概率的大小正相关。
22.第六方面，本技术实施例提供了一种优先级确定装置，该优先级确定包括存储器和处理器；其中，
23.所述存储器，用于存储能够在所述处理器上运行的计算机程序；
24.所述处理器，用于在运行所述计算机程序时，执行如第二方面所述方法的步骤。
25.第七方面，本技术实施例提供了一种计算机存储介质，该计算机存储介质存储有人脸识别程序或者优先级确定程序；其中，
26.所述人脸识别程序被至少一个处理器执行时实现如第一方面所述方法的步骤；
27.所述优先级确定程序被至少一个处理器执行时实现如第二方面所述方法的步骤。
28.第八方面，本技术提供一种人脸识别系统，该人脸识别系统至少包括如第三方面或第四方面所述的人脸识别装置，以及如第五方面或第六方面所述的优先级确定装置。
29.本技术提供了一种人脸识别方法、优先级确定方法、装置及存储介质，该方法包括：获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。这样，对于数据规模较大的人脸数据库，能够将其按照用户使用人脸识别应用的概率划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别操作，能够提高识别结果的准确性。
附图说明
30.图1为相关技术中提供的一种人脸识别方法的过程示意图；
31.图2为本技术实施例提供的一种人脸识别方法的流程示意图；
32.图3为本技术实施例提供的一种优先级确定方法的流程示意图；
33.图4为本技术实施例提供的同一用户的不同人脸图像示例；
34.图5为本技术实施例提供的又一种人脸识别方法的流程示意图；
35.图6为本技术实施例提供的再一种人脸识别方法的流程示意图；
36.图7为本技术实施例提供的一种人脸识别装置的组成结构示意图；
37.图8为本技术实施例提供的一种人脸识别装置的具体硬件结构示意图；
38.图9为本技术实施例提供的一种优先级确定装置的组成结构示意图；
39.图10为本技术实施例提供的一种优先级确定装置的具体硬件结构示意图；
40.图11为本技术实施例提供的一种人脸识别系统的组成结构示意图。
具体实施方式
41.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
42.在人脸识别领域，目前常用的方法是使用大量的人脸图片数据训练出一个卷积神经网络。参见图1，其示出了相关技术中提供的一种人脸识别方法的过程示意图。如图1所示，利用卷积神经网络对人脸图片1、人脸图片2
……
人脸图片n进行计算，得到用于表征人脸特征的人脸特征向量1、人脸特征向量2
……
人脸特征向量n。也就是说，每一张人脸图片可以作为训练好的卷积神经网络的输入，通过卷积神经网络的一系列计算，最终得到一个定长(例如固定为128维或者512维甚至更多)的人脸特征向量。通常，同一个人的人脸特征向量之间相似度比较高，而不同人的人脸特征向量之间相似度较低。因此该方法可以用于人脸识别。
43.现有的人脸识别的准确度在小规模人脸底库的应用中已经取得了很好的效果。通过使用大量公开的数据集进行训练以及设计更加合适的卷积神经网络结构，目前已有的人脸识别方法都取得了很好的效果，在一些应用场景中准确率甚至可以达到99％以上。然而在大规模人脸底库(人脸数量达到百万甚至千万)的应用场景中，目前已有的人脸识别方法的准确度下降的非常厉害，这主要有两个原因，一是因为训练使用的人脸图片数据和实际应用采集的人脸图片数据之间存在偏差，二是因为当人脸底库的规模上升到千万级别的时候，目前已有的卷积神经网络结构并不能够计算出特别理想的人脸特征向量值。
44.基于此，本技术实施例提供了一种人脸识别方法，该方法的基本思想是：获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。这样，对于数据规模较大的人脸数据库，能够将其按照用户使用人脸识别应用的概率划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别操
作，能够提高识别结果的准确性。
45.下面将结合附图对本技术各实施例进行详细说明。
46.在本技术的一实施例中，参见图2，其示出了本技术实施例提供的一种人脸识别方法的流程示意图，如图2所示，该方法可以包括：
47.s101：获取待利用人脸识别应用进行人脸识别操作的待识别图像。
48.需要说明的是，本技术实施例所提供的人脸识别方法的执行主体可以为服务器、也可以是人脸识别应用或安装有人脸识别应用的人脸识别设备。其中，人脸识别应用可以设置在位置相对固定的终端设备上，例如人脸识别应用设置在自动取款机、商超自助收银机、门禁设备等；另外，人脸识别应用也可以是设置在位置可以移动的终端设备上，例如人脸识别应用可以设置在用户设备(user equipment，ue)、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等，人脸识别应用可以为支付类应用、通讯聊天类应用、影音类应用或者需要用到人脸识别功能的其他应用。
49.还需要说明的是，所述待识别图像包括待识别用户的人脸图像。为了进行人脸识别，需要获取待识别图像，且待识别图像需要包括有待识别用户的人脸图像，也就是说，待识别图像中只要包括待识别用户的人脸部分的影像就可以了。待识别图像可以是人脸识别设备通过相机装置拍摄到的，也可以是人脸识别设备通过无线或有线传输方式从其他设备获取到的。
50.s102：基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作。
51.需要说明的是，所述用户数据库存储有用户的人脸图像。用户数据库为人脸识别的蓝本，其中存储有多个用户的人脸图像和与人脸图像对应的身份信息，人脸识别的过程就是根据用户数据库中存储的多个用户的人脸图像确定待识别图像的对应的身份信息。另外，多个用户数据库是根据用户数据建立的，用户数据可以是从基站的历史接入信息中获取的，也可以是人脸识别应用原本就设置的原始用户数据库，只是根据基站的历史接入信息根据对用户数据进行划分以生成多个用户数据库。
52.其次，所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率(以下简称概率或应用使用概率)确定，且用户数据库的优先级高低与所述概率的大小正相关。在本技术实施例中，用户数据库有多个，每个用户数据库中包括的用户群体均不相同。同时，根据用户数据库中用户使用人脸识别应用的概率对多个用户数据库进行优先级排序，也就是说，如果用户数据库中用户使用人脸应用的概率很高，则该用户数据库的优先级高，会先利用该用户数据库对待识别图像进行人脸识别操作。这样，能够先在高概率人群中检索待识别图像，如果检索不到，才会在低概率人群中进行检索，提高了人脸识别的准确度。这样，既能够减少人脸识别操作过程中的处理量，还能够保证人脸识别结果的准确性。
53.还需要说明的是，应用使用概率可以利用多种算法进行计算，所以可以根据多种类型的数据进行计算，例如，应用使用概率可以根据人脸识别应用的历史数据确定、可以根据人脸识别应用部署位置的相关数据进行确定、可以根据人脸识别应用对应的设备的历史数据进行确定等等。
54.进一步地，在一些实施例中，所述应用使用概率是基于为所述人脸识别应用提供
移动数据服务的移动通信网络运营商的指定统计数据确定的；
55.其中，所述指定统计数据，能够表征所述概率的大小。
56.需要说明的是，在本技术实施例中，前述的概率是基于为所述人脸识别应用提供移动数据服务的移动通信网络运营商的指定统计数据确定的。移动通信网络的运营商能够获取大量用户数据，例如用户每次接入移动通信网络时所处的地理位置以及在该地理位置停留的时间，因此可以利用移动通信网络运营商的指定统计数据计算该用户使用人脸识别应用的概率。
57.所述指定统计数据能够表征所述应用使用概率的大小。应理解，指定统计数据的具体内容需要根据应用场景中应用使用概率的计算方法确定，例如，指定统计数据可以包括用户每次接入移动通信网络时所处的地理位置、接入时长等内容，本技术对于指定统计数据的具体类型并不做限定。
58.进一步地，在一些实施例中，所述指定统计数据可以包括基站距离数据和服务概率数据；其中，
59.所述基站距离数据表示所述人脸识别应用与能够为所述人脸识别应用提供移动数据服务的基站之间的距离；以及，
60.所述服务概率数据表示所述基站为所述用户提供移动数据服务的概率。
61.需要说明的是，如果前述的概率为用户访问人脸识别应用部署位置的概率，那么指定统计数据可以包括基站距离数据和服务概率数据。此时，所述基站距离数据表示所述人脸识别应用与能够为所述人脸识别应用提供移动数据服务的多个基站之间的距离，所述服务概率数据表示所述多个基站为用户提供移动数据服务的概率。利用基站距离数据和服务概率数据，可以计算得到每个用户对应的概率，从而能够优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作。
62.由于用户数据库中存储的人脸图像和待识别图像基本不可能为同样的拍摄环境，从而影响识别过程中的准确度。因此，在一些实施例中，所述用户数据库中存储的用户的人脸图像，包括：由高质量人脸图像构成的高质量人脸图像集合，和，由低质量人脸图像构成的低质量人脸图像集合；
63.所述高质量人脸图像，是指用户办理对于人脸图像质量要求相对较高的业务时留存的人脸图像；所述低质量人脸图像，是指用户办理对于人脸图像质量要求相对较低的业务时留存的人脸图像。
64.需要说明的是，由于拍摄背景对于人脸识别操作的准确率影响很大，所以利用多个拍摄环境下的人脸图像综合进行人脸识别操作，能够提高识别准确率。具体地，对于用户数据库，其中可以存储由高质量人脸图像构成的高质量人脸图像集合和由低质量人脸图像构成的低质量人脸图像集合。在这里，高质量人脸图像，是指用户办理对于人脸图像质量要求相对较高的业务时留存的人脸图像；低质量人脸图像，是指用户办理对于人脸图像质量要求相对较低的业务时留存的人脸图像。
65.也就是说，对于用户数据库中任何一个具体用户，都存储有该用户的身份信息、高质量人脸图像集合、低质量人脸图像集合以及其他信息。
66.相应地，在一些实施例中，所述优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作，可以包括：
67.确定优先用于所述待识别图像进行人脸识别操作的用户数据库；
68.基于所确定的用户数据库中的高质量人脸图像集合和低质量人脸图像集合，分别对所述待识别图像进行人脸识别，以得到对应于所述高质量人脸图像集合的人脸相似度第一判断结果，以及对应于所述低质量人脸图像集合的人脸相似度第二判断结果；
69.通过对所述人脸相似度第一判断结果和所述人脸相似度第二判断结果进行融合，得到所述待识别图像的人脸识别结果。
70.需要说明的是，在具体进行人脸识别操作时，首先，在多个用户数据库中确定出优先用于所述待识别图像进行人脸识别操作的用户数据库；然后，利用用户数据库中的高质量人脸图像集合和低质量人脸图像集合分别与用户进行人脸比对，从而得到对应于所述高质量人脸图像集合的人脸相似度第一判断结果，以及对应于所述低质量人脸图像集合的人脸相似度第二判断结果；最后，综合利用人脸相似度第一判断结果和人脸相似度第二判断结果，得到所述待识别图像的人脸识别结果。这样，能够减弱拍摄环境对于人脸图像的影响，从而提高人脸识别操作的准确性。
71.在一种具体的实施例中，用户数据库包括n个子数据库；n为大于或等于2的正整数。
72.其中，第i子数据库包括所述用户数据库中多个用户的第i人脸图像，i为小于或等于n的正整数。
73.需要说明的是，在本技术实施例中，用户数据库是由n个子数据库构成的，第i子数据库包括所述用户数据库中多个用户的第i人脸图像。也就是说，对于用户数据库而言，其中的每个用户都存储有n张图像，这n张图像可以是不同来源、不同拍摄场景下的用户人脸图像，这n张图像就构成了前述的高质量人脸图像集合和低质量人脸图像集合，之后所有用户的第i图像就构成了第i子数据库。示例性的，用户数据库中对于每一个用户都存储有4张不同的图像，那么所有用户的第一人脸图像构成了第一子数据库，所有用户的第二人脸图像构成了第二子数据库，所有用户的第三人脸图像构成了第三子数据库，所有用户的第四人脸图像构成了第四子数据库。
74.由于用户数据库中包含多个子数据库，所以人脸识别操作也是基于多个子数据库进行的。因此，在一些实施例中，所述在高优先级的用户数据库中对所述待识别图像进行人脸识别操作，具体可以包括：
75.基于所述高优先级的用户数据库对应的n个子数据库，分别对所述待识别图像进行人脸识别操作，得到所述高优先级的用户数据库中每一用户的人脸图像与所述待识别用户的人脸图像的n个子相似度；
76.根据所得到的n个子相似度，确定所述每一用户的人脸图像与所述待识别用户的人脸图像的目标相似度；
77.基于所确定的目标相似度，判断所述高优先级的用户数据库中是否存在符合预设标准的目标用户。
78.需要说明的是，针对高优先级的用户数据库，人脸识别操作具体包括以下步骤：(1)将待识别图像和n个子数据库中每一用户的人脸图像进行相似度进行比对，得到每一用户对应的n个子相似度；(2)根据每一用户的n个子相似度，通过求和、加权求和或求平均等操作得到每一用户对应的目标相似度。这样，根据每一用户对应的目标相似度，就可以判断
该用户是否为目标用户，从而确定待识别图像对应的身份信息。另外，如果高优先级的用户数据库中并不能识别出待识别用户，则可以在下一优先级的用户数据库中进行识别，识别过程同上。
79.在一种具体示例中，n等于4，所述确定所述每一用户的人脸图像与所述待识别用户的人脸图像的目标相似度，可以包括：
80.基于所述高优先级的用户数据库对应的第一子数据库，将所述待识别图像与所述第一子数据库中每一用户的第一人脸图像分别进行匹配操作，得到所述每一用户的第一子相似度；
81.将所述每一用户的第一子相似度与预设阈值进行比较，确定多个预识别用户；
82.基于所述高优先级的用户数据库对应的第二子数据库，将所述待识别图像与所述第二子数据库中所述多个预识别用户的第二人脸图像分别进行匹配操作，得到每一预识别用户的第二子相似度；
83.基于所述高优先级的用户数据库对应的第三子数据库，将所述待识别图像与所述第三子数据库中所述多个预识别用户的第三人脸图像分别进行匹配操作，得到每一预识别用户的第三子相似度；
84.基于所述高优先级的用户数据库对应的第四子数据库，将所述待识别图像与所述第四子数据库中所述多个预识别用户的第四人脸图像分别进行匹配操作，得到每一预识别用户的第四子相似度；
85.计算每一预识别用户对应的第一子相似度、第二子相似度、第三子相似度和第四子相似度的加权和值，将所得到的加权和值确定为所述每一预识别用户的人脸图像与所述待识别用户的人脸图像的目标相似度。
86.需要说明的是，在一种具体应用场景中，用户数据库包括4个不同的子数据库，其中，第一子数据库存储有每一用户的第一人脸图像，第二子数据库存储有每一用户的第二人脸图像，第三子数据库存储有每一用户的第三人脸图像和第四子数据库存储有每一用户的第四人脸图像。参见图4，其示出了本技术实施例提供的同一用户的不同人脸图像示例。如图4所示，同一用户在不同场景下的图像略有不同。如图4a所示，第一人脸图像可以是用户现场办理业务留存的照片；如图4b所示，第二人脸图像可以是用户现场办理业务留存的照片；如图4c所示，第三人脸图像可以是摄像头抓拍的用户照片；如图4d所示，第四人脸图像可以是用户办理业务时上传的证件照片或使用扫描仪等设备采集的证件照片。
87.还需要说明的是，基于四个子数据库，人脸识别的具体操作如下：
88.(1)在第一子数据库中，将每一用户的第一人脸图像均与待识别图像进行相似度比对，得到每一用户对应的第一子相似度，将第一子相似度高于或者等于预设阈值的用户确定为预识别用户，此时预识别用户是有多个的；这样，通过预识别操作能够排除大部分与待识别图像完全不同的用户，减小后续的处理量，预设阈值可以根据使用场景具体进行确定；
89.(2)在第二子数据库中，通过将预识别用户的第二人脸图像与待识别图像进行相似度比对，得到每一预识别用户对应的第二子相似度；同理，根据第三子数据库得到每一预识别用户对应的第三子相似度，根据第四子数据库得到每一预识别用户对应的第四子相似度；
90.(3)对于每一预识别用户，根据第一子相似度、第二子相似度、第三子相似度和第四子相似度进行加权求和，计算得到每一预识别用户的人脸图像与所述待识别用户的人脸图像的目标相似度，然后将目标相似度最高的预识别用户确定为目标用户。
91.也就是说，由于预识别用户是根据预设阈值筛选得到的，可认为其中必然存在目标用户，所以计算得到每一预识别用户的目标相似度，并将目标相似度最高的预识别用户确定为目标用户；而如果在第一子数据库中，不存在任何超过预设阈值的预识别用户，则可以认为该用户数据库中并没有包含目标用户，可更换其他优先级的用户数据库再次进行人脸识别。
92.这样，根据纳入同一用户的多张人脸图像进行比对识别，能够尽可能减少场景因素对识别过程的干扰，增加人脸识别的准确性。
93.还需要说明的是，若在所述具备相对较高优先级的用户数据库中识别到符合预设标准的目标用户，则将所述目标用户的身份信息确定为所述待识别用户的身份信息。若在备相对较高优先级的用户数据库中的用户数据库中无法识别出待识别用户，则在具备次高优先级的用户数据库中寻找，直至遍历所有的用户数据库。
94.需要说明的是，人脸识别操作是指按照多个用户数据库的优先级顺序在多个用户数据库中识别目标用户的过程，如果在某一个用户数据库中，存在一个存储的人脸图像与待识别图像的人脸图像相似度符合预设标准，则将该人脸图像对应的用户确定为目标用户，而目标用户的身份信息也就是待识别用户的身份信息。这样，就完成了对待识别用户的人脸识别过程。
95.综上所述，本技术提出了一种人脸识别方法，该人脸识别方法的主要内容是：
96.(1)基于用户访问基站的历史数据及基站地理位置信息，计算用户访问人脸识别应用的概率，在进行人脸识别的时候，优先在高概率人群中进行检索，提高人脸识别的准确率；
97.(2)基于运营商业务办理中积累的不同类型的数据，建立多级人脸数据库并赋予不同的权重，进行多重识别，提高识别的准确率。
98.该人脸识别方法的主要技术效果是：
99.(1)本实施例不仅考虑了用户在当前时刻的基站接入信息，同时将过去一段时间的基站访问信息纳入考虑范围，建立一个相对静态的高概率人脸信息库，不需要依据基站的接入信息对人脸数据库进行调整；
100.(2)本实施例提出基于不同质量或来源的图片建立一个分级的人脸数据库，并赋予不同的权重，优化最终的人脸识别结果。
101.本技术实施例提供了一种人脸识别方法，通过获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。这样，对于数据规模较大的人脸数据库，能够按照用户使用人脸识别应用的概率将其划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别操作，能够提高识别结果的准
确性。
102.在本技术的另一实施例中，参见图3，其示出了本技术实施例提供的优先级确定方法的流程示意图，如图3所示，该方法可以包括：
103.s201：获取多个用户的人脸图像。
104.需要说明的是，获取预先存储的多个用户的人脸图像，从而对多个用户进行分类，建立多个优先级不同的用户数据库。
105.s202：计算所述多个用户使用人脸识别应用的概率。
106.需要说明的是，基于前述人脸识别方法相同的构思，本技术实施例提供了一种优先级确定方法，应用于存储有用户的人脸图像的用户数据库。具体地，计算多个用户使用人脸识别应用的应用使用概率，以便于后续利用应用使用概率组成多个不同优先级的用户数据库。
107.所述应用使用概率是基于为所述人脸识别应用提供移动数据服务的移动通信网络运营商的指定统计数据确定的。因此，在一些实施例中，该方法还可以包括：
108.基于所述人脸识别应用确定目标地理位置，根据所确定的目标地理位置获取所述人脸识别应用的服务区域；其中，所述目标地理位置表示所述人脸识别应用在获取到所述待识别图像时所处的地理位置；
109.根据所述服务区域确定所述多个基站，基于所述多个基站获取所述指定统计数据；其中，所述指定统计数据能够表征所述概率的大小；
110.基于所述人脸识别应用确定目标地理位置，根据所确定的目标地理位置获取所述人脸识别应用的服务区域；其中，所述目标地理位置表示所述人脸识别应用在获取到待识别图像时所处的地理位置；
111.根据所述服务区域确定所述多个基站，基于所述多个基站获取所述指定统计数据；其中，所述指定统计数据能够表征所述概率的大小；
112.基于所述指定统计数据，执行所述计算多个用户使用人脸识别应用的概率的步骤。
113.需要说明的是，指定统计数据的获取过程可以如下：首先，确定人脸识别应用在获取到待识别图像时的目标地理位置，根据所确定的目标地理位置获取所述人脸识别应用的服务区域；然后，在服务区域确定多个基站，通过多个基站获取到前述的指定统计数据。
114.在这里，所述目标地理位置表示所述人脸识别应用在获取到待识别图像时所处的地理位置。为了建立多个用户数据库，以目标地理位置为中心，根据辐射半径确定一个服务区域，然后确定这个服务区域内所有的基站。比如将人脸识别设备周围500米或者1千米的区域作为人脸识别设备的服务区域，在这个服务区域内确定多个基站。在这里，基站是指能够提供数据服务的运营商基站。另外，基站的本质是能够证明某些人群曾经到访过本区域，所以基站也可以替换为其他能够确认用户行动轨迹的设备，例如该服务区域内的收银设备、停车场收费系统等。
115.所述指定统计数据包括基站距离数据和服务概率数据。因此，在一些实施例中所述基于人脸识别应用，获取指定统计数据，可以包括：
116.基于所述人脸识别应用，确定为所述人脸识别应用提供移动数据服务的多个基站；
117.根据所确定的多个基站，获取服务概率数据以及基站距离数据；其中，所述服务概率表示所述多个基站为所述用户提供移动数据服务的概率，所述基站距离数据表示所述人脸识别应用与能够为所述人脸识别应用提供移动数据服务的多个基站之间的距离。
118.需要说明的是，指定统计数据包括基站距离数据和服务概率数据。因此，根据人脸识别应用分别确定多个基站，然后获取基站距离数据和服务概率数据。其中，基站距离数据和服务概率数据的相关内容见参见前述，在此不作赘述。
119.需要说明的是，基站距离数据根据目标地理位置和每个基站的部署位置可以方便的获得。但是服务概率数据需要进行特定计算。因此，在一些实施例中，所述根据所确定的多个基站，获取服务概率数据，可以包括：
120.获取所述多个基站，确定所述多个用户，并获取所述每一用户的接入时长集合；其中，所述接入时长集合包括所述每一用户接入所述多个基站中每一基站的时长；
121.根据所述每一用户的接入时长集合，计算所述多个基站为所述每一用户提供移动数据服务的概率，将所述多个基站为所述每一用户提供移动数据服务的概率确定为所述服务概率数据。
122.需要说明的是，服务概率数据并不是原始数据，需要根据多个基站的历史接入信息进行计算。在这里，历史接入信息记录了最近某一历史时段接入这些基站的用户信息，根据历史接入信息可以确定出在该历史时段接入该基站的接入用户。另外，历史接入信息可以包括但不限于：手机号、国际移动设备识别码(international mobile equipment identity，imei)、媒体存取控制位址(media access control address，mac)地址和接入时长。应理解，历史接入信息可以是指过去一个月内的接入信息，也可以是过去两个月或者过去半年内的接入信息，本技术实施例不作具体限定。
123.需要说明的是，从接入时长和基站距离来说，如果某一用户接入某一基站的时长较多，且该基站距离人脸识别设备的距离更近，那么某一用户通过该基站使用人脸识别设备的概率就更高。按照这一思路，针对具体的接入用户，根据该接入用户的接入时长集合和基站距离数据，能够计算得到该接入用户的应用使用概率。
124.在这里，根据多个基站和目标地理位置可以获得基站距离数据，根据多个基站的历史接入信息能够计算到服务概率数据，从而构成了前述的指定统计数据。
125.具体地，应用使用概率的计算步骤如下：根据所述每一用户的多个基站接入时长，确定所述多个基站为所述每一用户提供移动数据服务的概率；根据所述多个基站为所述每一用户提供移动数据服务的概率和基站距离数据，计算得到所述每一用户对应于所述每一基站的应用使用子概率；将每一用户对应于所述每一基站的应用使用子概率进行累加操作，得到所述每一接入用户对应的应用使用概率。
126.这样，根据多个基站可以计算用户的应用使用概率，以便于后续根据应用使用概率将接入用户分入不同的用户数据库。
127.s203：基于所述多个用户的人脸图像和所述多个用户使用人脸识别应用的概率，建立多个用户数据库。
128.需要说明的是，根据应用使用概率的大小，能够将多个用户进行分组，从而建立存储有用户对应的人脸图像的多个用户数据库。同时，由于所述多个用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率
确定；所述用户数据库的优先级高低与所述概率的大小正相关，所建立的多个用户数据库的优先级也是确定的。
129.具体地，根据预设分类阈值可以将接入用户分为几类，从而建立多个用户数据库。所述多个用户数据库包括高概率用户数据库和低概率用户数据库；因此，在一些实施例中，所述基于所述多个用户的人脸图像和所述多个用户使用人脸识别应用的概率，建立多个用户数据库，具体可以包括：
130.确定预设分类阈值；
131.将所述多个用户的概率与所述至少一个预设分类阈值进行比较；
132.根据比较结果，若其中一个用户的概率大于或等于所述预设分类阈值，则将所述其中一个用户划分到所述高概率用户数据库中；若其中一个用户的概率小于所述预设分类阈值，则将所述其中一个用户划分到所述低概率用户数据库中。
133.还需要说明的是，用户数据库的数量可以为两个，即高概率用户数据库和低概率用户数据库。此时，通过将用户的概率与预设分类阈值比较，能够将用户分别划分到高概率用户数据库和低概率用户数据库中。
134.当然，用户数据库的数量可以为三个，即高概率用户数据库、中概率用户数据库和低概率用户数据库。此时，分别确定第一预设分类阈值和第二预设分类阈值，且第一预设分类阈值高于第二预设分类阈值。
135.然后，将所述每一用户的概率与所述第一预设分类阈值和所述第二预设分类阈值进行比较；根据比较结果，将概率大于或等于所述第一预设分类阈值的用户，划分到所述高概率用户数据库中；将概率大于或等于所述第二预设分类阈值且小于第一预设分类阈值的用户，划分到所述中概率用户数据库中；将概率小于所述第二预设分类阈值的用户，划分到所述低概率用户数据库中。
136.除此之外，用户数据库中的数量可以更多，本技术实施例不作具体限定。
137.还需要说明的是，在建立多个用户数据库中，可以根据针对每一用户数据库都单独计算人脸特征向量，则不同用户数据库中用于人脸识别操作的卷积神经网络的具体参数是不同的。同时，也可以针对所有用户数据库的图像都同一计算人脸特征向量，则不同用户数据库中利用相同参数的卷积神经网络进行人脸识别操作。
138.通过上述步骤，可以建立起多个用户数据库，而且每个用户数据库中的用户群体访问人脸识别应用的概率不同，以便于将待识别图像先在高概率用户数据库中进行识别，提高识别的准确性。
139.本技术实施例提供了一种优先级确定方法，通过获取多个用户的人脸图像；计算所述多个用户使用人脸识别应用的概率；基于所述多个用户的人脸图像和所述多个用户使用人脸识别应用的概率，建立多个用户数据库；其中，所述多个用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且所述用户数据库的优先级高低与所述概率的大小正相关。这样，对于数据规模较大的人脸数据库，能够按照用户使用人脸识别应用的概率将其划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别操作，能够提高识别结果的准确性。
140.在本技术的又一实施例中，参见图5，其示出了本技术实施例提供的又一种人脸识别方法的流程示意图，如图5所示，该方法可以包括：
141.s301：根据人脸识别应用的服务范围，确定能够提供数据服务的多个基站，并记为b1、b2…bn
，分别统计所述多个基站距离人脸识别应用部署位置的距离d1、d2…dn
；
142.需要说明的是，首先，以目标人脸识别应用所部署的位置作为中心，确认人脸识别应用的服务范围，在所确认的范围内确定多个可能提供移动数据服务的基站，将这些基站分别记为b1、b2…bn
，共n个基站，这n个基站距离人脸识别应用部署位置的距离分别为d1、d2…dn
。
143.s302：根据过去一个月的历史接入数据，计算用户访问基站i的概率p(i)；
144.需要说明的是，收集上述n个基站过去一个月时间内接入的用户信息，包括但不限于手机号、imei、mac地址和接入时长。用户连接到上述n个基站的连接时长分别为t1…
tn，总时间为t，则用户访问基站i的概率p(i)可以通过以下公式计算：
145.s303：计算用户接入基站i时访问人脸识别应用的概率y(i)，以及计算用户通过n个基站访问人脸识别应用的概率y；
146.需要说明的是，计算用户访问人脸识别应用的概率，这个概率和用户访问具体某一个基站有关，同时也和这个基站距离有关。用户如果访问某一个基站的概率较高同时基站距离应用部署地也较近，那么用户有很大概率会访问部署的应用；用户如果访问某个基站的概率较低，同时基站距离应用部署地也较远，那么用户访问应用的概率也会较低。用y(i)表示用户接入基站bi的时候访问应用的概率，则具体计算公式可以为：进一步计算得到用户通过n个基站接入时实际访问应用的概率表示：
147.s304：根据用户访问人脸识别应用的概率，建立多个不同的人脸数据库。
148.需要说明的是，将人脸识别应用服务范围内所有用户依据访问应用的概率大小建立多个不同的人脸数据库，在进行人脸比对的时候，优先在高概率人脸数据库中进行查找，如果查找不到，再到低概率人脸数据库中进行查找。
149.本技术实施例提供了一种人脸识别方法，通过本实施例对前述实施例的具体实现进行了详细阐述，从中可以看出，对于数据规模较大的人脸数据库，能够按照用户使用人脸识别应用的概率将其划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别操作，能够提高识别结果的准确性。
150.在本技术的再一实施例中，参见图6，其示出了本技术实施例提供的再一种人脸识别方法的流程示意图，如图6所示，该方法可以包括：
151.s401：根据不同来源的图像分别建立第一人脸底库、第二人脸底库、第三人脸底库和第四人脸底库；
152.需要说明的是，根据前述实施例，根据用户访问应用的概率大小，建立了包含不同用户群体的多个人脸数据库。针对每一个具体的人脸数据库，又包括图像来源不同的多个人脸底库。
153.还需要说明的是，所述多个人脸底库可以包括四类，即第一人脸底库，第二人脸底
库，第三人脸底库和第四人脸底库，四个人脸底库所包含的用户是相同的，只是每个人脸底库中同一用户的图像来源不同。其中，第一人脸底库中的用户图像可以来自于用户现场办理业务留存的图像；第二人脸底库中的用户图像可以来自于远程办理业务用户自主上传的图像；第三人脸底库中的用户图像可以来自于摄像头抓拍的用户图像；第四人脸底库中的用户图像可以来自于用户办理业务时上传的证件图像或使用扫描仪等设备采集的证件图像。
154.也就是说，在人脸识别应用中，通常会根据应用的实际情况预先建立好人脸底库，在此人脸底库的基础上进行人脸识别。在运营商应用场景中，人脸底库的建设可以使用目前已有的数据(注：此部分数据涉及到用户隐私，需要执行严格的保密策略，防止数据泄露)来初始化人脸底库。在建立人脸特征底库的时候，依据不同来源的图像，建立多个不同等级的人脸底库，包括：(1)用户现场办理业务留存的图像；(2)远程办理业务用户自主上传的图像；(3)摄像头抓拍的用户图像；(4)用户办理业务时上传的证件图像或使用扫描仪等设备采集的证件图像。
155.s402：利用待识别图像在第一人脸识别底库中进行检索，若待识别图像与其中一个用户图像的第一子相似度大于第一预设阈值，则将第一子相似度进行保留，记录为与所述其中一个用户图像的对应的s1；
156.需要说明的是，在上述第一类图像的人脸底库中进行检索，如果相似度低于阈值t的可以直接排除，相似度大于t的保留，并记录值为s1。当阈值t较低或者图像清晰度较低时，可能会检索到多个相似度高于阈值t的用户图像，对于多个相似度高于t的用户图像，分别就记录s1，并在利用这些用户在其他来源的图像在此于待识别的人脸图像进行比对；
157.s403：针对第一子相似度大于第一预设阈值的用户，分别利用所述用户在第二人脸底库、第三人脸底库、第四人脸底库中的用户图像与待识别的人脸图像进行比对，将相似度分别记录为s2、s3、s4；
158.需要说明的是，在上述第二类、第三类和第四类图像的人脸底库中进行检索，在第一步中排除的人脸可以直接跳过，每一类图像的得到的相似度分别记为s2、s3、s4。
159.s404：计算综合相似度：s＝s1*0.4 s2*0.3 s3*0.3 s4*0.1。
160.需要说明的是，由于每个人脸底库中用户图像的清晰程度和可靠程度不同，因此计算综合相似度时，每一类图像都有不同的权重，最终求和得到总体相似度，最后取总体相似度最高的用户作为最后的识别结果。
161.本技术实施例提供了一种人脸识别方法，通过上述实施例对前述实施例的具体实现进行了详细阐述，从中可以看出，对于数据规模较大的人脸数据库，能够按照用户使用人脸识别应用的概率将其划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别操作，能够提高识别结果的准确性。
162.本技术的再一实施例中，参见图7，其示出了本技术实施例提供的一种人脸识别装置50的组成结构示意图，如图7所示，该人脸识别装置50包括获取单元501、识别单元502和结果单元503，其中，
163.获取单元501，配置为获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；
164.识别单元502，配置为基于多个用户数据库的优先级，优先利用所述多个用户数据
库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。
165.在一些实施例中，所述概率是基于为所述人脸识别应用提供移动数据服务的移动通信网络运营商的指定统计数据确定；其中，所述指定统计数据，能够表征所述概率的大小。
166.在一些实施例中，所述指定统计数据包括：基站距离数据和服务概率数据；其中，所述基站距离数据表示所述人脸识别应用与能够为所述人脸识别应用提供移动数据服务的多个基站之间的距离；所述服务概率数据表示所述多个基站为所述用户提供移动数据服务的概率。
167.在一些实施例中，所述用户数据库中存储的用户的人脸图像，包括：由高质量人脸图像构成的高质量人脸图像集合，和，由低质量人脸图像构成的低质量人脸图像集合；所述高质量人脸图像，是指用户办理对于人脸图像质量要求相对较高的业务时留存的人脸图像；所述低质量人脸图像，是指用户办理对于人脸图像质量要求相对较低的业务时留存的人脸图像。
168.在一些实施例中，识别单元502，配置为确定优先用于所述待识别图像进行人脸识别操作的用户数据库；基于所确定的用户数据库中的高质量人脸图像集合和低质量人脸图像集合，分别对所述待识别图像进行人脸识别，以得到对应于所述高质量人脸图像集合的人脸相似度第一判断结果，以及对应于所述低质量人脸图像集合的人脸相似度第二判断结果；
169.通过对所述人脸相似度第一判断结果和所述人脸相似度第二判断结果进行融合，得到所述待识别图像的人脸识别结果。
170.可以理解地，在本实施例中，“单元”可以是部分电路、部分第一处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分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模块的形式实现。
171.所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，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，本实施例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，包括若干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)或processor(处理器)执行本实施例所述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，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
172.因此，本实施例提供了一种计算机存储介质，该计算机存储介质存储有人脸识别程序，所述人脸识别程序被至少一个处理器执行时实现前述实施例中任一项所述的方法的步骤。
173.基于上述的一种人脸识别装置50的组成以及计算机存储介质，参见图8，其示出了本技术实施例提供的一种人脸识别装置50的具体硬件结构示例，如图8所示，所述人脸识别装置50可以包括：第一通信接口601、第一存储器602和第一处理器603；各个组件通过总线设备604耦合在一起。可理解，总线设备604用于实现这些组件之间的连接通信。总线设备604除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线设备604。其中，第一通信接口601，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
174.第一存储器602，用于存储能够在第一处理器603上运行的计算机程序；
175.第一处理器603，用于在运行所述计算机程序时，执行：
176.获取待利用人脸识别应用进行人脸识别操作的待识别图像；其中，所述待识别图像包括待识别用户的人脸图像；
177.基于多个用户数据库的优先级，优先利用所述多个用户数据库中具备相对较高优先级的用户数据库，对所述待识别图像进行人脸识别操作；其中，所述用户数据库存储有用户的人脸图像；所述用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且用户数据库的优先级高低与所述概率的大小正相关。
178.可以理解，本技术实施例中的第一存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步链动态随机存取存储器(synchronous link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术描述的设备和方法的第一存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
179.而第一处理器603可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器603可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于第一存储器602，第一处理器603读取第一存储器602中的信息，
结合其硬件完成上述方法的步骤。
180.可以理解的是，本技术描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
181.对于软件实现，可通过执行本技术所述功能的模块(例如过程、函数等)来实现本技术所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
182.可选地，作为另一个实施例，第一处理器603还配置为在运行所述计算机程序时，执行前述实施例中任一项所述的方法的步骤。
183.本技术的再一实施例中，参见图9，其示出了本技术实施例提供的一种优先级确定装置70的组成结构图，如图9所示，该优先级确定装置70包括图像单元701、计算单元702和确定单元703；其中，
184.图像单元701，配置为获取多个用户的人脸图像；
185.计算单元702，配置为计算多个用户使用人脸识别应用的概率；
186.确定单元703，配置为基于所述多个用户的人脸图像和所述多个用户使用人脸识别应用的概率，建立多个用户数据库；其中，所述多个用户数据库各自的优先级根据所述用户数据库各自存储的人脸图像所对应的用户使用所述人脸识别应用的概率确定，且所述用户数据库的优先级高低与所述概率的大小正相关。
187.在一些实施例中，所述概率是基于为所述人脸识别应用提供移动数据服务的移动通信网络运营商的指定统计数据确定的；计算单元702，还配置为基于所述人脸识别应用确定目标地理位置，根据所确定的目标地理位置获取所述人脸识别应用的服务区域；其中，所述目标地理位置表示所述人脸识别应用在获取到所述待识别图像时所处的地理位置；根据所述服务区域确定所述多个基站，基于所述多个基站获取所述指定统计数据；其中，所述指定统计数据能够表征所述概率的大小；基于所述指定统计数据，执行所述计算多个用户使用人脸识别应用的概率的步骤。
188.在一些实施例中，所述指定统计数据包括基站距离数据和服务概率数据；计算单元702，还配置为基于所述人脸识别应用，确定为所述人脸识别应用提供移动数据服务的多个基站；根据所确定的多个基站，获取服务概率数据以及基站距离数据；其中，所述服务概率表示所述多个基站为所述用户提供移动数据服务的概率，所述基站距离数据表示所述人脸识别应用与能够为所述人脸识别应用提供移动数据服务的多个基站之间的距离。
189.在一些实施例中，计算单元702，还配置为根据所述多个基站，确定所述多个用户，并获取所述每一用户的接入时长集合；其中，所述接入时长集合包括所述每一用户接入所述多个基站中每一基站的时长；根据所述每一用户的接入时长集合，计算所述多个基站为所述每一用户提供移动数据服务的概率，将所述多个基站为所述每一用户提供移动数据服务的概率确定为所述服务概率数据。
190.在一些实施例中，所述多个用户数据库包括高概率用户数据库和低概率用户数据
库；确定单元703，还配置为确定预设分类阈值；将所述多个用户的概率与所述至少一个预设分类阈值进行比较；根据比较结果，若其中一个用户的概率大于或等于所述预设分类阈值，则将所述其中一个用户划分到所述高概率用户数据库中；若其中一个用户的概率小于所述预设分类阈值，则将所述其中一个用户划分到所述低概率用户数据库中。
191.可以理解地，在本实施例中，“单元”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分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模块的形式实现。
192.所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，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，本实施例提供了一种计算机存储介质，该计算机存储介质存储有优先级确定程序，所述优先级确定程序被第二处理器执行时实现前述实施例中任一项所述的方法。
193.基于上述优先级确定装置70的组成以及计算机存储介质，参见图10，其示出了本技术实施例提供的优先级确定装置70的具体硬件结构示例，如图10所示，代理节点50可以包括：第二通信接口801、第二存储器802和第二处理器803；各个组件通过第二总线系统804耦合在一起。可理解，第二总线系统804用于实现这些组件之间的连接通信。第二总线系统804除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为第二总线系统804。其中，
194.第二通信接口801，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
195.第二存储器802，用于存储能够在第二处理器803上运行的计算机程序；
196.第二处理器803，用于在运行所述计算机程序时，执行：
197.计算多个用户使用人脸识别应用的概率；
198.基于所述概率和所述多个用户对应的人脸图像，建立多个用户数据库，并基于所述多个用户数据库各自存储的人脸图像所对应的用户的概率确定所述多个用户数据库各自的优先级；其中，所述用户数据库的优先级高低与所述概率的大小正相关。
199.可选地，作为另一个实施例，第二处理器803还配置为在运行所述计算机程序时，执行前述实施例中任一项所述的方法。
200.可以理解，第二存储器802与第一存储器602的硬件功能类似，第二处理器803与第一处理器603的硬件功能类似；这里不再详述。
201.基于上述人脸识别装置50和优先级确定装置70的组成以及硬件结构示意图，参见图11，其示出了本技术实施例提供的一种人脸识别系统90的组成结构示意图。如图11所示，该人脸识别系统90至少包括前述实施例中任一项所述的人脸识别装置50和优先级确定装置70。
202.对于人脸识别系统90而言，对于数据规模较大的人脸数据库，能够将其按照人脸识别设备的使用概率划分为多个用户数据库，优先在高使用概率的用户数据库中进行人脸识别，能够提高识别结果的准确性。
203.以上所述，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。
204.需要说明的是，在本技术中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
205.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
206.本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
207.本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
208.本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
209.以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。