用于人脸图像识别的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及用于人脸图像识别的方法和装置。

背景技术：

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。现阶段可以通过首先提取待识别人脸图像的图像特征，然后将待识别人脸图像的图像特征与人脸数据库中已知身份的各张人脸图像的图像特征进行对比，根据对比结果确定待识别人脸图像中包括的人脸的身份。上述方法虽然可以实现人脸识别，但是，随着人脸数据库中的人脸图像的增多，以及人脸图像的图像特征的日渐增多，上述方法出现了对比时占用内存大，对比时间久等问题。

技术实现要素：

本申请实施例提出了用于人脸图像识别的方法和装置。

第一方面，本申请实施例提供了一种用于人脸图像识别的方法，包括：获取待识别人脸图像；将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，其中，上述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；根据相似度计算结果，确定上述待识别人脸图像所包含的人脸对象的身份标识。

在一些实施例中，上述方法还包括：训练上述人脸特征生成模型的步骤，包括：获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，上述第一样本人脸图像所指示的人脸对象和上述第二样本人脸图像所指示的人脸对象相同，上述第二样本人脸图像所指示的人脸对象和上述第三样本人脸图像所指示的人脸对象不同；采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，其中，上述损失函数是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。

在一些实施例中，上述人脸特征生成模型包括特征提取网络和二值化编码层，其中，上述特征提取网络为卷积神经网络；以及上述采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，包括：将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至上述二值化编码层，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，上述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及上述损失函数更新上述初始卷积神经网络的网络参数，得到上述人脸特征生成模型。

在一些实施例中，上述损失函数为第一损失函数和第二损失函数的加权和，其中，上述第一损失函数为第一距离与第二距离之差，上述第一距离为上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的距离，上述第二距离为上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的距离，第二损失函数是基于上述第一样本人脸图像的特征向量在各个分量上的相关性、上述第二样本人脸图像的特征向量在各个分量上的相关性、以及上述第三样本人脸图像的特征向量在各个分量上的相关性得到的。

在一些实施例中，上述将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，包括：将上述待识别人脸图像输入至上述特征提取网络，得到上述待识别人脸图像的特征向量；将上述待识别人脸图像的特征向量输入至上述二值化编码层进行二值化编码，得到上述待识别人脸图像的二值化人脸特征。

在一些实施例中，上述将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，包括：对于上述人脸图像集合中的每一张人脸图像，执行以下步骤：将该人脸图像导入上述人脸特征生成模型，得到该人脸图像的二值化人脸特征；计算上述待识别人脸图像的二值化人脸特征与该人脸图像的二值化人脸特征之间的汉明距离。

第二方面，本申请实施例提供了一种用于人脸图像识别的装置，包括：获取单元，用于获取待识别人脸图像；导入单元，用于将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，其中，上述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；计算单元，用于将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；确定单元，用于根据相似度计算结果，确定上述待识别人脸图像所包含的人脸对象的身份标识。

在一些实施例中，上述装置还包括模型训练单元，上述模型训练单元包括：样本获取单元，用于获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，上述第一样本人脸图像所指示的人脸对象和上述第二样本人脸图像所指示的人脸对象相同，上述第二样本人脸图像所指示的人脸对象和上述第三样本人脸图像所指示的人脸对象不同；模型训练子单元，用于采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，其中，上述损失函数是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。

在一些实施例中，上述人脸特征生成模型包括特征提取网络和二值化编码层，其中，上述特征提取网络为卷积神经网络；以及上述模型训练子单元进一步用于：将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至上述二值化编码层，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，上述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及上述损失函数更新上述初始卷积神经网络的网络参数，得到上述人脸特征生成模型。

在一些实施例中，上述损失函数为第一损失函数和第二损失函数的加权和，其中，上述第一损失函数为第一距离与第二距离之差，上述第一距离为上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的距离，上述第二距离为上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的距离，第二损失函数是基于上述第一样本人脸图像的特征向量在各个分量上的相关性、上述第二样本人脸图像的特征向量在各个分量上的相关性、以及上述第三样本人脸图像的特征向量在各个分量上的相关性得到的。

在一些实施例中，上述导入单元进一步用于：将上述待识别人脸图像输入至上述特征提取网络，得到上述待识别人脸图像的特征向量；将上述待识别人脸图像的特征向量输入至上述二值化编码层进行二值化编码，得到上述待识别人脸图像的二值化人脸特征。

在一些实施例中，上述计算单元进一步用于：对于上述人脸图像集合中的每一张人脸图像，执行以下步骤：将该人脸图像导入上述人脸特征生成模型，得到该人脸图像的二值化人脸特征；计算上述待识别人脸图像的二值化人脸特征与该人脸图像的二值化人脸特征之间的汉明距离。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于人脸图像识别的方法和装置，首先将获取的待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，而后将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化特征进行相似度计算，最后根据相似度计算结果确定上述待识别人脸图像所包含的人脸对象的身份标识，通过使用待识别人脸图像的二值化人脸特征与人脸图像集合中的各人脸图像的二值化特征进行相似度计算，从而减小了计算复杂度，提高了人脸图像的识别效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于人脸图像识别的方法的一个实施例的流程图；

图3是根据本申请的用于人脸图像识别的方法的一个应用场景的示意图；

图4是根据本申请的用于人脸图像识别的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于人脸图像识别的方法或用于人脸图像识别的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如网页浏览器应用、图像处理类应用、搜索类应用、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持人脸图像识别的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的人脸图像识别结果提供支持的后台服务器。后台服务器可以对获取的待识别人脸图像进行人脸识别等处理，并将处理结果反馈给终端设备。

需要说明的是，本申请实施例所提供的用于人脸图像识别的方法可以通过终端设备101、102、103执行，也可以通过服务器105执行。相应地，用于人脸图像识别的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。本申请对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于人脸图像识别的方法的一个实施例的流程200。该用于人脸图像识别的方法，包括以下步骤：

步骤201，获取待识别人脸图像。

在本实施例中，用于人脸图像识别的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以从本地或者其他用于存储待识别人脸图像的电子设备中获取待识别人脸图像。

步骤202，将待识别人脸图像导入预先建立的人脸特征生成模型，得到待识别人脸图像的二值化人脸特征。

在本实施例中，基于步骤201中获取的待识别人脸图像，上述电子设备可以将上述待识别人脸图像导入预先建立的人脸特征生成模型，从而得到上述待识别人脸图像的二值化人脸特征。作为一种示例，上述二值化人脸特征可以是固定长度的二进制值。在这里，上述人脸特征生成模型可以用于表征人脸图像与二值化人脸特征的对应关系。作为示例，上述人脸特征生成模型可以是技术人员基于对大量人脸图像和二值化人脸特征的统计而预先制定的、存储有多个人脸图像与二值化人脸特征的对应关系的对应关系表，这样，上述电子设备可以将上述待识别人脸图像与该对应关系表中的多张人脸图像依次进行对比，若该对应关系表中的某张人脸图像与上述待识别人脸图像相同或相似，则可以将该对应关系表中的该人脸图像所对应的二值化人脸特征作为上述待识别人脸图像的二值化人脸特征。

在本实施例的一些可选的实现方式中，上述方法还可以包括训练上述人脸特征生成模型的步骤，具体可以包括：上述电子设备或者其他用于训练上述人脸特征生成模型的电子设备可以首先获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，上述第一样本人脸图像所指示的人脸对象和上述第二样本人脸图像所指示的人脸对象相同，上述第二样本人脸图像所指示的人脸对象和上述第三样本人脸图像所指示的人脸对象不同。之后，可以采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，其中，上述损失函数可以是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。作为示例，上述人脸特征生成模型可以为神经网络模型，具体训练过程可以包括：首先，搭建初始神经网络模型，该初始神经网络模型用于实现根据人脸图像生成二值化人脸特征，该初始神经网络模型的网络参数可以是随机生成的，应该理解，上述初始神经网络模型可以根据实际需要设置层数，以及初始神经网络模型的各层可以是卷积层、池化层、激活函数层、全连接层等等，本申请对此不做限定；之后，可以将第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别导入上述初始神经网络模型，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，判断预先构建的损失函数是否满足预设的收敛条件(例如，是否小于预设的阈值)，在这里，上述损失函数可以是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的，上述特征向量可以是上述初始神经网络模型最终输出的二值化人脸特征，也可以是初始神经网络模型中的某一层(例如，最后一个全连接层)输出的特征向量，例如，上述损失函数可以是第一欧式距离与第二欧式距离之差，第一欧式距离可以是上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的欧式距离，第二距离可以是上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的欧式距离；然后，如果确定损失函数不满足收敛条件，则基于该损失函数，采用梯度下降法更新上述初始神经网络模型的网络参数，如果确定损失函数满足收敛条件，则确定上述初始神经网络模型为训练完成的人脸特征生成模型。需要说明的是，上述训练过程仅仅用于说明神经网络模型的网络参数的调整过程，可以认为初始神经网络模型为网络参数调整前的网络，网络参数的调整过程并不仅限于一次，可以根据网络的优化程度以及实际需要等重复多次。

在一些可选的实现方式中，上述人脸特征生成模型可以包括特征提取网络和二值化编码层，其中，上述特征提取网络可以为卷积神经网络；以及采用机器学习方法，利用第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到人脸特征生成模型，可以具体包括：首先，可以将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；之后，可以将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至上述二值化编码层，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，上述二值化编码层可以用于基于哈希算法将特征向量转化为固定长度的二值编码；最后，可以基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及损失函数更新上述初始卷积神经网络的网络参数，得到上述人脸特征生成模型，在这里，上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量可以是指上述初始卷积神经网络输出的特征向量，作为示例，训练过程中，可以判断预先构建的损失函数是否满足预设的收敛条件(例如，是否小于预设的阈值)，如果确定损失函数不满足收敛条件，则基于该损失函数，采用梯度下降法更新上述初始卷积神经网络的网络参数，如果确定损失函数满足收敛条件，则确定初始卷积神经网络为训练完成的特征提取网络。在这里，上述初始卷积神经网络可以是通过各种方式得到的，例如，基于现有的卷积神经网络随机生成网络参数得到的。需要说明的是，上述过程仅仅用于说明特征提取网络的网络参数的调整过程，可以认为初始卷积神经网络为参数调整前的网络，特征提取网络为参数调整后的网络，网络参数的调整过程并不仅限于一次，可以根据网络的优化程度以及实际需要等重复多次。

可选的，上述损失函数可以为第一损失函数和第二损失函数的加权和，其中，上述第一损失函数为第一距离与第二距离之差，上述第一距离为上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的距离(例如，欧式距离、余弦距离等等)，上述第二距离为上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的距离(例如，欧式距离、余弦距离等等)，第二损失函数是基于上述第一样本人脸图像的特征向量在各个分量上的相关性、上述第二样本人脸图像的特征向量在各个分量上的相关性、以及上述第三样本人脸图像的特征向量在各个分量上的相关性得到的。，在这里，上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量可以是指上述初始卷积神经网络输出的特征向量，作为示例，假设损失函数为l，第一样本人脸图像的特征向量、第二样本人脸图像的特征向量和第三样本人脸图像的特征向量均包括n+1个分量，则

l＝l1+λl2，

l1＝||pi-pj||2-||pi-pk||2，

其中，l1表示第一损失函数，l2表示第二损失函数，λ表示权重，pi表示第一样本人脸图像的特征向量，pj表示第二样本人脸图像的特征向量，pk表示第三样本人脸图像的特征向量。||pi-pj||2表示pi和pj的2-范数，用于表示pi和pj的欧氏距离，||pi-pk||2表示pi和pk的2-范数，用于表示pi和pk的欧氏距离。qm1表示第一样本人脸图像的特征向量中的第m1个分量，qn1表示第一样本人脸图像的特征向量中的第n1个分量，其中，m1≠n1。qm2表示第二样本人脸图像的特征向量中的第m2个分量，qn2表示第二样本人脸图像的特征向量中的第n2个分量，其中，m2≠n2。qm3表示第三样本人脸图像的特征向量中的第m3个分量，qn3表示第三样本人脸图像的特征向量中的第n3个分量，其中，m3≠n3。在这里，λ可以根据实际需要进行设定。

可选的，上述步骤202可以具体包括：首先，上述电子设备可以将上述待识别人脸图像输入至上述特征提取网络，得到上述待识别人脸图像的特征向量；之后，上述电子设备可以将上述待识别人脸图像的特征向量输入至上述二值化编码层进行二值化编码，得到上述待识别人脸图像的二值化人脸特征。

步骤203，将二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算。

在本实施例中，上述电子设备可以将步骤202中得到的上述待识别人脸图像的二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，作为示例，上述电子设备可以通过计算上述待识别人脸图像的二值化人脸特征与人脸图像集合中的各人脸图像的二值化人脸特征的距离(例如，余弦距离、欧式距离、杰卡德距离等等)进行相似度计算。在这里，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识，例如，上述人脸图像集合中的各张人脸图像可以预先标记有所指示的人脸对象的名称、身份标识号等身份标识。

在本实施例的一些可选的实现方式中，上述步骤203可以具体包括：对于上述人脸图像集合中的每一张人脸图像，可以执行以下步骤：首先，上述电子设备可以将该人脸图像导入上述人脸特征生成模型，得到该人脸图像的二值化人脸特征；然后，上述电子设备可以计算上述待识别人脸图像的二值化人脸特征与该人脸图像的二值化人脸特征之间的汉明距离。汉明距离可以用于表征待识别人脸图像与该人脸图像之间的相似度。

步骤204，根据相似度计算结果，确定待识别人脸图像所包含的人脸对象的身份标识。

在本实施例中，上述电子设备可以根据步骤203的相似度计算结果确定上述待识别人脸图像所包含的人脸对象的身份标识，作为示例，上述电子设备可以根据相似度计算结果，将上述人脸图像集合中的、与上述待识别人脸图像的相似度最高的人脸图像所标记的身份标识作为上述待识别人脸图像的身份标识。

继续参见图3，图3是根据本实施例的用于人脸图像识别的方法的应用场景的一个示意图。在图3的应用场景中，终端设备首先获取待识别人脸图像301；之后，可以将待识别人脸图像301导入预先建立的人脸特征生成模型302，得到待识别人脸图像301的二值化人脸特征；然后，可以将待识别人脸图像301的二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；最后，根据相似度计算结果，确定待识别人脸图像301所包含的人脸对象的身份标识。

本申请的上述实施例提供的方法通过使用待识别人脸图像的二值化人脸特征与人脸图像集合中的各人脸图像的二值化特征进行相似度计算，从而减小了计算复杂度，提高了人脸图像的识别效率。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于人脸图像识别的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于人脸图像识别的装置400包括：获取单元401、导入单元402、计算单元403和确定单元404。其中，获取单元401用于获取待识别人脸图像；导入单元402用于将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，其中，上述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；计算单元403用于将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；确定单元404用于根据相似度计算结果，确定上述待识别人脸图像所包含的人脸对象的身份标识。

在本实施例中，用于人脸图像识别的装置400的获取单元401、导入单元402、计算单元403和确定单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置400还可以包括模型训练单元(图中未示出)，上述模型训练单元可以包括：样本获取单元(图中未示出)，用于获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，上述第一样本人脸图像所指示的人脸对象和上述第二样本人脸图像所指示的人脸对象相同，上述第二样本人脸图像所指示的人脸对象和上述第三样本人脸图像所指示的人脸对象不同；模型训练子单元(图中未示出)，用于采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，其中，上述损失函数是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。

在本实施例的一些可选的实现方式中，上述人脸特征生成模型可以包括特征提取网络和二值化编码层，其中，上述特征提取网络为卷积神经网络；以及上述模型训练子单元进一步用于：将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至上述二值化编码层，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，上述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及上述损失函数更新上述初始卷积神经网络的网络参数，得到上述人脸特征生成模型。

在本实施例的一些可选的实现方式中，上述损失函数可以为第一损失函数和第二损失函数的加权和，其中，上述第一损失函数可以为第一距离与第二距离之差，上述第一距离可以为上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的距离，上述第二距离可以为上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的距离，第二损失函数可以是基于上述第一样本人脸图像的特征向量在各个分量上的相关性、上述第二样本人脸图像的特征向量在各个分量上的相关性、以及上述第三样本人脸图像的特征向量在各个分量上的相关性得到的。

在本实施例的一些可选的实现方式中，上述导入单元可以进一步用于：将上述待识别人脸图像输入至上述特征提取网络，得到上述待识别人脸图像的特征向量；将上述待识别人脸图像的特征向量输入至上述二值化编码层进行二值化编码，得到上述待识别人脸图像的二值化人脸特征。

在本实施例的一些可选的实现方式中，上述计算单元可以进一步用于：对于上述人脸图像集合中的每一张人脸图像，执行以下步骤：将该人脸图像导入上述人脸特征生成模型，得到该人脸图像的二值化人脸特征；计算上述待识别人脸图像的二值化人脸特征与该人脸图像的二值化人脸特征之间的汉明距离。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(cpu，centralprocessingunit)501，其可以根据存储在只读存储器(rom，readonlymemory)502中的程序或者从存储部分508加载到随机访问存储器(ram，randomaccessmemory)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o，input/output)接口505也连接至总线504。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt，cathoderaytube)、液晶显示器(lcd，liquidcrystaldisplay)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan(局域网，localareanetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、导入单元、计算单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别人脸图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待识别人脸图像；将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，其中，上述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；根据相似度计算结果，确定上述待识别人脸图像所包含的人脸对象的身份标识。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。