人脸识别方法、装置、计算机设备和可读存储介质与流程

1.本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法、装置、计算机设备和可读存储介质。


背景技术：

2.人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。其中，人脸比对阶段需要对人脸信息进行表征，现有的表征方法有特征向量法、面纹模板法等。
3.发明人研究发现，在现有技术中，针对一些极端光照情况下的人脸识别场景，通常有以下几种处理方式：第一、通过增加人脸质量过滤模块，对于过曝、过暗的人脸图像进行过滤，不予识别；第二、通过提升硬件规格，如改进宽动态效果，增加补光灯等手段，提升识别准确率；第三、通过数据增强的方式，对于过曝、过暗等图像进行诸如白平衡等图像处理手段，使其尽量接近正常光照。
4.关于上述通过图像质量过滤模块的方式，直接将不符合光照要求的图像过滤掉，使其不参与识别的方式并不适用于复杂的工地环境。在户外的复杂的工地环境中，光照条件通常很复杂，强光照或过暗光照均很常见，因此这种方案无法应用在工地环境中的人脸识别。
5.关于提升成硬件规格的方式，由于不同的模组厂商的宽动态适配效果参差不齐，且宽动态对于阳光暴晒下的过曝情况也无法达到理想的效果，使得在工地环境中的人脸识别准确性较低。
6.关于通过数据增强的方式，需要反复调参，且鲁棒性不强，在工地环境中的人脸识别准确性也不高。
7.因此，如何提升复杂光照条件工地环境中的人脸识别准确性，成为本领域技术人员亟需解决的技术问题。


技术实现要素：

8.本发明的目的是提供一种人脸识别方法、装置、计算机设备和可读存储介质，用于解决现有技术中的技术问题。
9.一方面，为实现上述目的，本发明提供了一种人脸识别方法。
10.该人脸识别方法包括：获取同一人脸在多个亮度等级下的人脸图像，得到待识别人脸图像组；获取人脸注册图像库中的注册图像；计算所述注册图像的亮度值，得到注册图像亮度值；在所述待识别人脸图像组中，查找亮度等级与所述注册图像亮度值最接近的人脸图像，得到目标人脸图像；计算所述目标人脸图像与所述注册图像的相似度，以判断所述目标人脸图像与所述注册图像是否属于同一人脸。
11.进一步地，获取同一人脸在多个亮度等级下的人脸图像，得到待识别人脸图像组的步骤包括：采集人脸的图像得到待识别人脸图像，并计算所述待识别人脸图像的亮度值；判断所述亮度值是否属于所述亮度等级；若所述亮度值属于所述亮度等级，则将所述待识别人脸图像加入所述待识别人脸图像组；若所述亮度值不属于所述亮度等级，则调整图像采集装置的参数，并再次采集人脸的图像。
12.进一步地，采用以下步骤确定所述多个亮度等级：采集不同光照条件下的人脸图像，得到人脸图像集；按照视觉明暗标准对所述人脸图像集进行分类，得到强光照人脸图像子集和暗光照人脸图像子集；对所述强光照人脸图像子集和所述暗光照人脸图像子集中的每张人脸图像使用opencv进行读取，并将读取的人脸图像格式转换为hsv颜色模式；计算所述转换为hsv颜色模式的人脸图像的像素的v分量的平均值，得到人脸图像的明暗系数；计算所述强光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到强光明暗系数，计算所述暗光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到暗光明暗系数；在所述暗光明暗系数和所述强光明暗系数之间进行插值，得到所述多个亮度等级。
13.进一步地，计算所述目标人脸图像与所述注册图像的相似度的步骤包括：根据所述暗光明暗系数和所述强光明暗系数构建人脸图像样本集；采用所述人脸图像样本集训练人脸特征提取模型；通过所述人脸特征提取模型提取所述目标人脸图像的特征，得到第一特征向量；通过所述人脸特征提取模型提取所述注册图像的特征，得到第二特征向量；计算所述第一特征向量和所述第二特征向量的相似度。
14.进一步地，根据所述暗光明暗系数和所述强光明暗系数构建人脸图像样本集的步骤包括：获取第一人脸图像；将所述第一人脸图像的gamma值设置为所述强光明暗系数，得到第二人脸图像；将所述第一人脸图像的gamma值设置为所述暗光明暗系数，得到第三人脸图像样本集；利用所述第一人脸图像、所述第二人脸图像和所述第三人脸图像构建所述人脸图像样本集。
15.另一方面，为实现上述目的，本发明提供了一种人脸识别装置。
16.该人脸识别装置包括：第一获取模块，用于获取同一人脸在多个亮度等级下的人脸图像，得到待识别人脸图像组；第二获取模块，用于获取人脸注册图像库中的注册图像；计算模块，用于计算所述注册图像的亮度值，得到注册图像亮度值；查找模块，用于在所述待识别人脸图像组中，查找亮度等级与所述注册图像亮度值最接近的人脸图像，得到目标人脸图像；判断模块，用于计算所述目标人脸图像与所述注册图像的相似度，以判断所述目标人脸图像与所述注册图像是否属于同一人脸。
17.进一步地，所述第一获取模块包括：采集单元，用于采集人脸的图像得到待识别人脸图像，并计算所述待识别人脸图像的亮度值；判断单元，用于判断所述亮度值是否属于所述亮度等级；第一处理单元，用于若所述亮度值属于所述亮度等级，则将所述待识别人脸图像加入所述待识别人脸图像组；第二处理单元，用于若所述亮度值不属于所述亮度等级，则调整图像采集装置的参数，并再次采集人脸的图像。
18.进一步地，采用以下步骤确定所述多个亮度等级：采集不同光照条件下的人脸图像，得到人脸图像集；按照视觉明暗标准对所述人脸图像集进行分类，获取强光照人脸图像子集和暗光照人脸图像子集；对所述强光照人脸图像子集和所述暗光照人脸图像子集中的每张人脸图像使用opencv进行读取，并将读取的人脸图像格式转换为hsv颜色模式；计算所
述转换为hsv颜色模式的人脸图像的像素的v分量的平均值，得到人脸图像的明暗系数；计算所述强光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到强光明暗系数，计算所述暗光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到暗光明暗系数；在所述暗光明暗系数和所述强光明暗系数之间进行插值，得到所述多个亮度等级。
19.为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
20.为实现上述目的，本发明还提供计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
21.本发明提供的人脸识别方法、装置、计算机设备和可读存储介质，获取同一人脸在多个亮度等级下的人脸图像形成一个待识别人脸图像组，在进行图像比对时，对于每个注册图像，根据注册图像的亮度值在待识别人脸图像组中确定一个对应的目标人脸图像进行比对，保证比对的两个图像的亮度值比较接近，屏蔽光照对图像比对中产生的影响，从而提高整体识别率，通过本发明，能够达到提升复杂光照条件工地环境中的人脸识别准确性的目的。
附图说明
22.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
23.图1为本发明实施例一提供的人脸识别方法的流程图；
24.图2为本发明实施例二提供的人脸识别装置的框图；
25.图3为本发明实施例三提供的计算机设备的硬件结构图。
具体实施方式
26.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.实施例一
28.本发明实施例提供了一种人脸识别方法，通过该方法，能够提升复杂光照条件工地环境中的人脸识别准确性，具体地，图1为本发明实施例一提供的人脸识别方法的流程图，如图1所示，该实施例提供的人脸识别方法包括如下的步骤s101至步骤s105。
29.步骤s101：获取同一人脸在多个亮度等级下的人脸图像，得到待识别人脸图像组。
30.在需要基于人脸识别进行用户权限验证的场景中，设置图像拍摄装置，对用户的脸进行拍摄，得到待识别的人脸图像，其中，可通过调节拍摄装置的参数，以得到不同亮度等级下的待识别的人脸图像，形成待验证用户的一个待识别人脸图像组。
31.例如，设置l1、l2、l3、l4和l5五个亮度等级，其中l1为最暗，l5为最亮，取值依据可以根据应用场景中大规模数据进行统计分析得到，相应地，带识别人脸图像组包括五个亮
度等级的人脸图像，且每个亮度等级至少具有一张人脸图像。
32.步骤s102：获取人脸注册图像库中的注册图像。
33.预置人脸注册图像库，将用户的人脸图像作为注册图像存入至人脸注册图像库，可选地，可在不同光照条件下多次采集用户的人脸图像进行注册。
34.步骤s103：计算注册图像的亮度值，得到注册图像亮度值。
35.可选地，在上述步骤s102获得人脸注册图像库后，遍历人脸注册图像库，针对每个注册图像计算亮度值，得到每个注册图像的注册图像亮度值。
36.可选地，在采用人脸图像进行注册时，计算每个注册图像的亮度值，作为注册图像的特征值存入至人脸注册图像库，在上述步骤s102获得人脸注册图像库后，遍历人脸注册图像库，即可获得每个注册图像对应的注册图像亮度值。
37.步骤s104：在待识别人脸图像组中，查找亮度等级与注册图像亮度值最接近的人脸图像，得到目标人脸图像。
38.通过该步骤s104，在待识别人脸图像组中选择一个人脸图像作为目标人脸图像，与人脸注册图像库中的注册图像进行比对。选择的依据在于注册图像的注册图像亮度值，待识别人脸图像组中哪一个人脸图像对应的亮度等级与注册图像亮度值最接近，该人脸图像即为目标人脸图像。
39.可选地，设人脸注册图像库有n个注册图像f1，f2，...，fn，那么遍历f1，f2，...，fn,其中fi为某个人脸图像，计算fi的亮度值，并与待识别人脸图像组中的l1-l5五个亮度等级的人脸图像进行亮度值的比对，找到最接近的待识别的人脸图像，即为目标人脸图像。
40.步骤s105：计算目标人脸图像与注册图像的相似度，以判断目标人脸图像与注册图像是否属于同一人脸。
41.具体地，可通过现有技术中任意的图像相似度计算方法，来计算目标人脸图像与注册图像的相似度，通过该相似度的大小来确定目标人脸图像与注册图像是否属于同一人脸，相似度越大，目标人脸图像与注册图像属于同一人脸的概率越大。
42.可选地，在用户权限验证的场景中，针对人脸注册图像库的任一注册图像，依据亮度值找到对应的目标人脸图像并进行相似度计算后，如果相似度大于或等于预设相似度阈值，表明目标人脸图像与注册图像属于同一人脸，用户具有相应权限；如果相似度小于预设相似度阈值，则获取下一个注册图像进行判断，直到某一注册图像与其目标人脸图像的相似度大于或等于预设相似度阈值，或者将人脸注册图像库中的所有注册图像遍历完成，此时表明用户不具有相应权限。
43.在该实施例提供的人脸识别方法中，获取同一人脸在多个亮度等级下的人脸图像形成一个待识别人脸图像组，在进行图像比对时，对于每个注册图像，根据注册图像的亮度值在待识别人脸图像组中确定一个对应的目标人脸图像进行比对，找到与库中特定人脸最接近的待识别人脸亮度进行比对，保证比对的两个图像的亮度值比较接近，屏蔽光照对图像比对中产生的影响，缓解当前人脸识别比对方法中对于过曝过暗等室外不受控场景的识别率大幅下降问题，提高整体识别率，达到提升复杂光照条件工地环境中的人脸识别准确性的目的。
44.可选地，在一种实施例中，获取同一人脸在多个亮度等级下的人脸图像，得到待识别人脸图像组的步骤包括：采集人脸的图像得到待识别人脸图像，并计算待识别人脸图像
的亮度值；当亮度值是否属于亮度等级；若亮度值属于亮度等级，则将待识别人脸图像加入待识别人脸图像组；若亮度值不属于亮度等级，则调整图像采集装置的参数，并再次采集人脸的图像。
45.具体而言，在摄像头采集图像时，对于每帧检测到的待识别人脸图像进行亮度判断，例如可采用亮度分量的平均值等常用方法，得到带是被人脸图像的亮度值为l，如果l等于l1,l2,l3,l4,l5中的任意值，则将采集到的待识别人脸图像加入待识别人脸图像组；如果l不等于l1,l2,l3,l4,l5中的任意值，通过不断调整摄像头参数，例如调整曝光时间，使得待识别人脸图像组中人脸图像的l分别为l1,l2,l3,l4,l5。需要说明的是，该处l等于l1,l2,l3,l4,l5并不是绝对等于，是在允许误差内的基本等于，例如l在(l1-a，l1 a)范围内，均属于l等于l1。
46.采用该实施例提供的人脸识别方法，结合对摄像头等图像采集装置的参数的控制，能够得到待识别人脸在不同光照强度下的成像，操作方便，用户无感知，形成的待识别人脸图像组中人脸图像的亮度等级分布可控性强，适用于各种复杂光照条件下的施工场景。
47.可选地，在一种实施例中，采用以下步骤确定多个亮度等级：采集不同光照条件下的人脸图像，得到人脸图像集；按照视觉明暗标准对人脸图像集进行分类，得到强光照人脸图像子集和暗光照人脸图像子集；对强光照人脸图像子集和暗光照人脸图像子集中的每张人脸图像使用opencv进行读取，并将读取的人脸图像格式转换为hsv颜色模式；计算转换为hsv颜色模式的人脸图像的像素的v分量的平均值，得到人脸图像的明暗系数；计算强光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到强光明暗系数，计算暗光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到暗光明暗系数；在暗光明暗系数和强光明暗系数之间进行插值，得到多个亮度等级。
48.具体而言，在确定亮度等级时，可使用手机、闸机等图像采集装置拍摄不同光照条件下的人脸图像，形成人脸图像集，例如在不同时间段进行拍摄以得到不同光照条件下的人脸图像。然后按照视觉明暗标准对人脸图像集进行分类，获取强光照人脸图像子集和暗光照人脸图像子集，具体地，可根据图像强度值设置视觉明暗标准。例如，拍摄100个工人在早上6-7点、中午11-12点、晚上7-8点时候的人脸图像，每个人的图像张数大于5，形成人脸图像集，再依据视觉明暗标准获取到强光照人脸图像200张，暗光照人脸图像200张。
49.对强光照人脸图像子集和暗光照人脸图像子集的每张图像使用opencv进行读取，并将读入图像格式转换为hsv颜色模式，其中分量v表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，明度值和物体的透射比或反射比有关，通常取值范围为0％(黑)到100％(白)。将人脸图像v分量的平均值作为该人脸图像的明暗系数，可选地，按照以下公式计算每张人脸图像的明暗系数，其中l是明暗系数，n是人脸图像总的像素数量：
[0050][0051]
在得到强光照人脸图像子集和暗光照人脸图像子集的每张图像的敏感系数后，进行统计分析，得出结论：强光照人脸图像子集中人脸图像的平均明暗系数，定义为强光明暗系数；暗光照人脸图像子集中人脸图像的平均明暗系数，定义为暗光明暗系数，例如通过上
述强光照人脸图像200张，暗光照人脸图像200张得到强光明暗系数为150，暗光明暗系数是50。最后在暗光明暗系数和强光明暗系数之间进行插值，即可得到多个亮度等级，例如，在50—150之间插值，得到50、70、90、110、130和150，一共六个亮度等级。
[0052]
可选地，在一种实施例中，计算目标人脸图像与注册图像的相似度的步骤包括：根据暗光明暗系数和强光明暗系数构建人脸图像样本集；采用人脸图像样本集训练人脸特征提取模型；通过人脸特征提取模型提取目标人脸图像的特征，得到第一特征向量；通过人脸特征提取模型提取注册图像的特征，得到第二特征向量；计算第一特征向量和第二特征向量的相似度。
[0053]
具体而言，在进行目标人脸图像与注册图像的相似度计算时，通过人脸特征提取模型提取图像特征形成特征向量，再计算相似度，具体可采用现有技术中的任意人脸特征提取模型。例如选择pytorch深度学习框架并使用resnet50网络结构训练人脸特征提取模型glodon_face。其中，在模型训练时，根据暗光明暗系数和强光明暗系数构建人脸图像样本集，使得人脸图像样本集包括暗光明暗系数下的样本图像、强光明暗系数下的样本图像和暗光明暗系数与强光明暗系数之间的样本图像。
[0054]
采用该实施例提供的人脸识别方法，可利用深度学习模型训练人脸特征提取模型，通过人脸特征提取模型提取图像特征向量，来实现目标人脸图像与注册图像的相似度计算，同时，在模型训练时，根据暗光明暗系数和强光明暗系数构建人脸图像样本集，使得人脸图像样本场景分布广泛，能够更好地覆盖工地复杂场景下的人脸数据，屏蔽光照对人脸特征提取模型的影响，使得人脸特征提取模型泛化能力好，提高整体识别率，最终提高工地场景人脸识别准确率。
[0055]
可选地，在一种实施例中，根据暗光明暗系数和强光明暗系数构建人脸图像样本集的步骤包括：根据暗光明暗系数和强光明暗系数构建人脸图像样本集的步骤包括：获取第一人脸图像；将第一人脸图像的gamma值设置为强光明暗系数，得到第二人脸图像；将第一人脸图像的gamma值设置为暗光明暗系数，得到第三人脸图像样本集；利用第一人脸图像、第二人脸图像和第三人脸图像构建人脸图像样本集。
[0056]
具体而言，在构建人脸图像样本集时，可对收集到的人脸图像采用gamma矫正算法进行调整，实现图像扩增，分别满足人脸图像样本集中对暗光明暗系数和强光明暗系数的样本的要求。图像的gamma矫正算法，是通过非线性的指数变换，分别对图像的r、g、b分量进行处理，调整图像整体的明暗程度，具体可参考现有技术中的相关技术内容，该处不再对算法的细节进行描述。
[0057]
针对工地应用场景，可通过互联网收集和现场拍摄两种方式，获取得到工地人脸数据50万id，每个id下的人脸图像张数大于5张，得到工地数据集dataset1。从dataset1中选择5万id的人脸数据；分别设置gamma值为强光明暗系数150和暗光明暗系数50，获取得到强光照、暗光照下的人脸数据，分别定义为第二人脸图像和第三人脸图像，并与dataset1中的第一人脸图像融合在一起，得到55万id的人脸数据集，即为人脸图像样本集。
[0058]
采用该实施例提供的人脸识别方法，通过多种途径构建了工地场景的人脸识别数据集，并针对工地强、暗光照情况下人脸数据，使用gamma算法基于强光明暗系数和暗光明暗系数进行了针对性的图像扩增，使数据集较好地覆盖工地较好、极端场景人脸数据，最终的工地场景人脸识别率高。
[0059]
实施例二
[0060]
对应于上述实施例一，本发明实施例二提供了一种人脸识别装置，相应地技术特征细节和对应的技术效果可参考上述实施例一，在该实施例中不再赘述。图2为本发明实施例二提供的人脸识别装置的框图，如图2所示，该装置包括：第一获取模块201、第二获取模块202、计算模块203、查找模块204和判断模块205。
[0061]
第一获取模块201用于获取同一人脸在多个亮度等级下的人脸图像，得到待识别人脸图像组；第二获取模块202用于获取人脸注册图像库中的注册图像；计算模块203用于计算所述注册图像的亮度值，得到注册图像亮度值；查找模块204用于在所述待识别人脸图像组中，查找亮度等级与所述注册图像亮度值最接近的人脸图像，得到目标人脸图像；判断模块205用于计算所述目标人脸图像与所述注册图像的相似度，以判断所述目标人脸图像与所述注册图像是否属于同一人脸。
[0062]
可选地，在一种实施例中，所述第一获取模块包括：采集单元，用于采集人脸的图像得到待识别人脸图像，并计算所述待识别人脸图像的亮度值；判断单元，用于判断所述亮度值是否属于所述亮度等级；第一处理单元，用于若所述亮度值属于所述亮度等级，则将所述待识别人脸图像加入所述待识别人脸图像组；第二处理单元，用于若所述亮度值不属于所述亮度等级，则调整图像采集装置的参数，并再次采集人脸的图像。
[0063]
可选地，在一种实施例中，采用以下步骤确定所述多个亮度等级：采集不同光照条件下的人脸图像，得到人脸图像集；按照视觉明暗标准对所述人脸图像集进行分类，获取强光照人脸图像子集和暗光照人脸图像子集；对所述强光照人脸图像子集和所述暗光照人脸图像子集中的每张人脸图像使用opencv进行读取，并将读取的人脸图像格式转换为hsv颜色模式；计算所述转换为hsv颜色模式的人脸图像的像素的v分量的平均值，得到人脸图像的明暗系数；计算所述强光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到强光明暗系数，计算所述暗光照人脸图像子集中所有人脸图像的明暗系数的平均值，得到暗光明暗系数；在所述暗光明暗系数和所述强光明暗系数之间进行插值，得到所述多个亮度等级。
[0064]
可选地，在一种实施例中，判断模块205包括：构建单元，用于根据所述暗光明暗系数和所述强光明暗系数构建人脸图像样本集；训练单元，用于采用所述人脸图像样本集训练人脸特征提取模型；提取单元，用于通过所述人脸特征提取模型提取所述目标人脸图像的特征，得到第一特征向量，通过所述人脸特征提取模型提取所述注册图像的特征，得到第二特征向量；计算单元，用于计算所述第一特征向量和所述第二特征向量的相似度。
[0065]
可选地，在一种实施例中，构建单元在根据所述暗光明暗系数和所述强光明暗系数构建人脸图像样本集时，具体执行的步骤包括：获取第一人脸图像；将所述第一人脸图像的gamma值设置为所述强光明暗系数，得到第二人脸图像；将所述第一人脸图像的gamma值设置为所述暗光明暗系数，得到第三人脸图像样本集；利用所述第一人脸图像、所述第二人脸图像和所述第三人脸图像构建所述人脸图像样本集。
[0066]
实施例三
[0067]
本实施例三还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图3所示，本实施例的计算机设备01
至少包括但不限于：可通过系统总线相互通信连接的存储器011、处理器012，如图3所示。需要指出的是，图3仅示出了具有组件存储器011和处理器012的计算机设备01，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0068]
本实施例中，存储器011(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器011可以是计算机设备01的内部存储单元，例如该计算机设备01的硬盘或内存。在另一些实施例中，存储器011也可以是计算机设备01的外部存储设备，例如该计算机设备01上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器011还可以既包括计算机设备01的内部存储单元也包括其外部存储设备。本实施例中，存储器011通常用于存储安装于计算机设备01的操作系统和各类应用软件，例如实施例二的人脸识别装置的程序代码等。此外，存储器011还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0069]
处理器012在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器012通常用于控制计算机设备01的总体操作。本实施例中，处理器012用于运行存储器011中存储的程序代码或者处理数据，例如人脸识别方法等。
[0070]
实施例四
[0071]
本实施例四还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储人脸识别装置，被处理器执行时实现实施例一的人脸识别方法。
[0072]
需要说明的是，在本文中，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。
[0073]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0074]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
[0075]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。