1.用于面部验证的设备，包括：
特征提取单元，包括经过使用不同的面部训练集而训练出的多个卷积特征提取系统，其中，所述系统中的每个包括：
层级联，包括多个卷积层、多个池化层、多个局部连接层和多个全连接层，其中所述层级联的输出层连接至先前的卷积层、池化层、局部连接层或全连接层中的至少一个并且配置为从所连接的层中的面部特征中提取面部特征以作为用于面部验证的DeepID2；以及
验证单元，配置为比较通过所述输出层从待比较的两个面部图像提取的所述面部特征，以确定所述两个面部图像是否来自同一身份。
2.根据权利要求1所述的设备，其中，所述输出层包括所述全连接层。
3.根据权利要求1所述的设备，还包括：
训练单元，配置为将成对的面部图像、识别监督信号和验证监督信号输入至所述卷积特征提取系统，以调节所述卷积特征提取系统的神经元之间的连接权重。
4.根据权利要求3所述的设备，其中，用于输出DeepID2的层之后跟随n路softmax层以用于将从每个面部区域提取的所述DeepID2分类到面部身份的全部种类中的一种中；以及
其中，所述训练单元包括识别器，所述识别器配置为将经过分类的身份与给定参考身份进行比较以生成识别误差，所生成的识别误差反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重。
5.根据权利要求3所述的设备，其中，所述训练单元包括验证器，所述验证器配置为通过将分别从两个面部区域提取的两个DeepID2矢量之间的相异性进行比较以生成验证误差，
其中，所生成的验证误差反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重。
6.根据权利要求3所述的设备，其中，对于所述卷积特征提取系统中的每个，所述训练单元和所述系统中的每个协作以执行以下操作：
1)从预定训练集采样两个面部区域-标签对；
2)分别从所采样的两个面部区域-标签对中的两个面部区域提取DeepID2；
3)基于从所述两个面部区域提取的DeepID2生成识别误差和验证误差；
4)将所述识别误差和所述验证误差反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重；以及
5)重复步骤1)-4)直至训练过程收敛，从而确定所述卷积特征提取系统的神经元之间的连接权重。
7.根据权利要求1所述的设备，其中，所述验证单元包括：
特征选择单元，配置为从所提取的DeepID2中选择一组或多组DeepID2，每组DeepID2包括从每个面部图像的多个面部区域提取的DeepID2；
比较单元，配置为比较所选择的一组或多组DeepID2以输出一个或多个面部验证分数；以及
融合单元，配置为融合所述一个或多个面部验证分数从而作出单个面部验证判定。
8.根据权利要求1所述的设备，其中，所述卷积特征提取层中的每个在所述卷积特征提取层中的所述神经元或所述神经元的子集中包含具有局部接收域并共享连接权重的多个神经元。
9.根据权利要求5所述的设备，其中，两个DeepID2矢量之间的所述相异性包括L1范数的负数、L2范数或者所述两个DeepID2矢量之间的余弦相似性。
10.用于面部验证的方法，包括：
通过使用不同地训练出的卷积特征提取系统从面部图像的不同区域提取DeepID2，其中，所述系统中的每个包括层级联，所述层级联包括多个卷积层、多个池化层、多个局部连接层和多个全连接层，其中所述层级联的输出层连接至先前的卷积层、池化层、局部连接层或全连接层中的至少一个，并且配置为从所连接的层中的面部特征中提取面部特征以作为用于面部验证的DeepID2；以及
比较分别从待比较的两个面部图像提取的DeepID2，以确定所述两个面部图像是否来自同一身份。
11.根据权利要求10所述的方法，其中，所述输出层包括所述全连接层。
12.根据权利要求10所述的方法，还包括：
通过输入成对的面部区域、识别监督信号和验证监督信号来训练多个用于同时进行身份分类和身份验证的卷积特征提取系统，以调节所述卷积特征提取系统的神经元之间的连接权重。
13.根据权利要求12所述的方法，其中，所述训练的步骤还包括：
将从每个面部区域提取的所述DeepID2分类到面部身份的全部种类中的一种中；
将经过分类的身份与给定参考身份进行比较以生成识别误差；以及
将所生成的识别误差反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重。
14.根据权利要求12所述的方法，其中，所述训练的步骤还包括：
将分别从待比较的两个面部区域提取的两个DeepID2矢量之间的相异性进行比较以生成验证误差；以及
将所生成的验证误差反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重。
15.根据权利要求12所述的方法，其中，所述训练的步骤还包括：
将从每个面部区域提取的所述DeepID2分类到面部身份的全部种类中的一种中；
将经过分类的身份与给定参考身份进行比较以生成识别误差；
将分别从待比较的两个面部区域提取的两个DeepID2矢量之间的相异性进行比较来生成验证误差；
将所生成的验证误差和所生成的识别误差的组合反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重。
16.根据权利要求11所述的方法，其中，所述比较的步骤还包括：
从所提取的DeepID2中选择一组或多组DeepID2，每组DeepID2包括从每个面部图像的多个面部区域提取的DeepID2；
比较所选择的一组或多组DeepID2以输出一个或多个面部验证分数；以及
融合所述一个或多个面部验证分数从而作出单个面部验证判定。
17.根据权利要求10所述的方法，其中，每个卷积特征提取层在所述卷积特征提取层中的所述神经元或所述神经元的子集中包含具有局部接收域并共享连接权重的多个神经元。
18.根据权利要求12所述的方法，其中，对于所述卷积特征提取系统中的每个，所述训练还包括：
1)从预定训练集采样两个面部区域-标签对；
2)通过所述卷积特征提取系统分别从所采样的两个面部区域-标签对中的两个面部区域提取DeepID2；
3)通过使用从所述两个面部区域提取的DeepID2生成识别误差和验证误差；
4)将所述识别误差和所述验证误差反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重；以及
5)重复步骤1)-4)直至训练过程收敛，从而确定所述卷积特征提取系统的神经元之间的连接权重。
19.根据权利要求15所述的方法，其中，两个DeepID2矢量之间的所述相异性包括L1范数的负数、L2范数或者所述两个DeepID2矢量之间的余弦相似性。
20.训练卷积特征提取系统的方法，包括：
1)从预定训练集采样两个面部区域-标签对；
2)分别从所采样的两个面部区域-标签对中的两个面部区域提取DeepID2；
3)将从每个面部区域提取的所述DeepID2分类到面部身份的全部种类中的一种中；
4)将经过分类的身份与给定参考身份进行比较从而生成识别误差；
5)将分别从待比较的两个面部区域提取的两个DeepID2矢量之间的相异性进行比较来生成验证误差；
6)将所生成的验证误差和所生成的识别误差的组合反向传播通过所述卷积特征提取系统，从而调节所述卷积特征提取系统的神经元之间的连接权重；以及
7)重复步骤1)-6)直至训练过程收敛，从而确定所述卷积特征提取系统的神经元之间的连接权重。