其中，所述第三组特征的维数小于所述合并后的特征组合的维数；
[0059]根据所述第三组特征与已提取出的参考人脸特征的余弦距离确定所述照片中的人脸与所述参考人脸特征对应的人脸是否为同一人脸。
[0060]本公开的实施例提供的技术方案可以包括以下有益效果:
[0061]由于第一CNN和第二CNN是通过海量的有标签人脸样本训练得到的，并且第一CNN提取出的第一组特征表示照片中的人脸特征，第二 CNN提取出的第二组特征表示照片中的衣物特征，因此本公开通过将人脸特征与人脸之外的衣服饰物等信息进行融合，从而可以将用户人脸区域外围的衣服饰物与用户的人脸特征结合在一起进行人脸识别，大大提高了人脸识别的准确率;通过对第三组特征进行降维，可以大大降低在人脸识别过程中的计算复杂度。
[0062]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0063]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0064]图1A是根据一示例性实施例示出的人脸识别方法的流程图。
[0065]图1B是根据一示例性实施例示出的人脸识别方法的场景图。
[0066]图2A是根据一示例性实施例一示出的如何对卷积神经网络进行训练的示意图。
[0067]图2B是根据一示例性实施例一示出的卷积神经网络的结构示意图。
[0068]图3是根据一示例性实施例二示出的人脸识别方法的流程图。
[0069]图4是根据一示例性实施例三示出的如何确定第一人脸区域的流程图。
[0070]图5是根据一示例性实施例示出的一种人脸识别装置的框图。
[0071 ]图6是根据一示例性实施例示出的另一种人脸识别装置的框图。
[0072]图7是根据一示例性实施例示出的又一种人脸识别装置的框图。
[0073]图8是根据一示例性实施例示出的一种适用于人脸识别装置的框图。
【具体实施方式】
[0074]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0075]图1A是根据一示例性实施例示出的人脸识别方法的流程图，图1B是根据一示例性实施例示出的人脸识别方法的场景图；该人脸识别方法可以应用在服务器上，也可以应用在电子设备(例如:具有拍照功能的智能手机和平板电脑)上，如图1A所示，该人脸识别方法包括以下步骤S101-S104:
[0076]在步骤SlOl中，通过已训练的第一卷积神经网络提取照片中的第一人脸区域的第一组特征，第一组特征表示照片中的人脸特征，第一人脸区域由照片中的人脸所在的第一区域确定。
[0077]在一实施例中，照片可以通过电子设备上的拍照模块(例如，摄像头)采集并存储在电子设备上，电子设备通过执行本公开所述实施例实现人脸识别;在另一实施例中，照片还可以通过电子设备上传至服务器后存储在服务器上，服务器通过执行本公开所述实施例实现人脸识别。在一实施例中，第一卷积神经网络(Convolut1nal Neural Networks，简称为CNN)可以包括至少一个卷积层和至少一个全连接层，将照片中的第一人脸区域对应的局部图像输入到训练后的第一卷积神经网络的输入层，训练后的第一卷积神经网络中的卷积层和全连接层在第一人脸区域提取出表示人脸的第二组特征，通过训练后的第一卷积神经网络的输出层即可得到第一组特征。
[0078]在步骤S102中，通过已训练的第二卷积神经网络提取照片中的第二人脸区域的第二组特征，第二人脸区域由照片中的人脸所在的第二区域确定，第二区域由第一区域向四周扩张设定像素宽度得到，第二组特征表示所述照片中的衣物特征。
[0079]在一实施例中，第二CNN的结构可以参见上述第一CNN的描述，通过将第二人脸区域对应的局部特征信息输入到训练后的第二 CNN的输入层，训练后的第二 CNN中的卷积层和全连接层在第二人脸区域提取出表示人脸的第二组特征，通过训练后的第二 CNN的输出层即可得到第二组特征。
[0080]在步骤S103中，合并第一组特征和第二组特征，对合并后的特征组合进行降维处理，得到第三组特征，其中，第三组特征的维数小于合并后的特征组合的维数。
[0081 ]在一实施例中，例如，如果第一CNN输出的第一组特征为长度为4096的一维向量，第二 CNN输出的第二组特征同样为长度为4096的一维向量，对该两个长度为4096的一维向量直接串成一个长度为8192的一维向量，该长度为8192的一维向量即为第三组特征。在一实施例中，可以通过已经训练的线性判别式分析(Linear Discriminant Analysis，简称为LDA)对第三组特征进行降维，在一实施例中，通过已训练的第一卷积神经网络提取第一组有标签人脸样本的第一设定长度的特征参数，通过已训练的第二卷积神经网络提取第二组有标签人脸样本的第二设定长度的特征参数，合并第一设定长度的特征参数和第二设定长度的特征参数，将合并后的特征参数进行线性判别式分析LDA训练，得到LDA的第三设定长度的投影矩阵，例如，第一组有标签人脸样本从第一CNN输出的第一设定长度为500的特征参数，第二组有标签人脸样本从第二 CNN输出的第二设定长度为500的特征参数，合并后的特征参数为长度为1000的一维向量，对该长度为1000的一维向量经过对LDA训练后，可以从训练后的LDA降维至第三设定长度为200的特征参数，从而可以降低在计算余弦距离时的计算复杂度。
[0082]在步骤S104中，根据第三组特征与已提取出的参考人脸特征的余弦距离确定照片中的人脸与参考人脸特征对应的人脸是否为同一人脸。
[0083]在一实施例中，可以将第三组特征与已提取出的参考人脸特征的余弦距离与预设阈值进行比较，如果余弦距离大于预设阈值，确定照片中的人脸与参考人脸特征对应的人脸为同一人脸，如果余弦距离小于或者等于预设阈值，确定照片中的人脸与参考人脸特征对应的人脸为不同的人脸。在一实施例中，可以采用与提取第三组特征的方式得到已提取出的参考人脸特征，如图1B所示，例如，在人脸相册中包含了用户A的人脸相册、用户B的人脸相册，已提取出的参考人脸特征包括了用户A的人脸特征和用户B的人脸特征，用户A的人脸特征和用户B的人脸特征被存储在存储模块15中，人脸区域定位模块11对获取到的照片进行人脸定位并得到第一人脸区域和第二人脸区域，将第一人脸区域和第二人脸区域分别输入至训练后的第一 CNN121和训练后的第二 CNN122，第一 CNN121和第二 CNN122分别对第一人脸区域和第二人脸区域进行特征提取后，分别得到第一组特征和第二组特征，合并处理模块13对第一组特征和第二组特征进行合并得到第三组特征，距离计算模块14计算第三组特征与用户A的人脸特征以及用户B的人脸特征的余弦距离后，通过与预设阈值进行比较，从而确定照片中的人脸是否为用户A的人脸特征或者用户B的人脸，如果照片中的人脸为用户A，则可以将该照片存储到用户A的人脸相册中。
[0084]本实施例中，由于第一CNN和第二CNN是通过海量的有标签人脸样本训练得到的，并且第一 CNN提取出的第一组特征表示照片中的人脸特征，第二 CNN提取出的第二组特征表示照片中的衣物特征，因此本公开通过将人脸特征与人脸之外的衣服饰物等信息进行融合，从而可以将用户人脸区域外围的衣服饰物与用户的人脸特征结合在一起进行人脸识另IJ，大大提高了人脸识别的准确率;通过对第三组特征进行降维，可以大大降低在人脸识别过程中的计算复杂度。
[0085]在一实施例中，方法还可包括:
[0086]将设定数量的第一组有标签人脸样本输入至未训练的第一卷积神经网络，对未训练的卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0087]在确定未训练的第一卷积神经网络中各节点之间的连接的最佳权重参数时，确定得到已训练的第一卷积神经网络；
[0088]将设定数量的第一组有标签人脸样本的四周进行扩张设定像素宽度的区域，得到第二组有标签人脸样本；
[0089]将设定数量的第二组有标签人脸样本输入至未训练的第二卷积神经网络，对未训练的第二卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0090]在确定未训练的第二卷积神经网络中各节点之间的连接的最佳权重参数时，确定得到已训练的第二卷积神经网络。
[0091 ]在一实施例中，方法还可包括:
[0092]通过已训练的第一卷积神经网络提取第一组有标签人脸样本的第一设定长度的特征参数；
[0093]通过已训练的第二卷积神经网络提取第二组有标签人脸样本的第二设定长度的特征参数；
[0094]合并第一设定长度的特征参数和第二设定长度的特征参数，将合并后的特征参数进行线性判别式分析LDA训练，得到LDA的第三设定长度的投影矩阵。
[0095]在一实施例中，根据第三组特征与已提取出的参考人脸特征的余弦距离确定照片中的人脸与参考人脸特征对应的人脸是否为同一人脸，可包括:
[0096]将第三组特征与已提取出的参考人脸特征的余弦距离与预设阈值进行比较；
[0097]如果余弦距离大于预设阈值，确定照片中的人脸与参考人脸特征对应的人脸为同一人脸；
[0098]如果余弦距离小于或者等于预设阈值，确定照片中的人脸与参考人