一种人脸识别中的相似度计算方法及系统与流程

本发明涉及人脸识别技术领域，具体涉及一种人脸识别中的相似度计算方法及系统。

背景技术：

现有人脸识别技术的本质为计算两张人脸图像的相似度，若两张人脸的相似度大于预设阈值，则这两个人脸为同一人。在实际应用中，如身份验证(判断目标人脸图像与身份库中对应图像是否为同一人)，人脸布控(判断目标人脸图像是否为重点人员库中某一人)，人脸搜索(判断人像数据库中是否存在匹配目标人脸图像的人脸图像)，往往存在一个人的多张人脸图像可供比对放入情况。现有技术将目标人脸图像与该人的多张人脸图像逐一比对，计算目标人脸图像与多张人脸图像的多个相似度，并基于多个相似度结果判定目标人脸图像是否为该人员。

上述方法的问题在于，若多张人脸图像对应的相似度结果均不足够高，现有技术可能错误判定目标人脸图像与该人员非同一人，而判断目标人脸图像与另一人员为同一人，从而导致人脸识别的准确率降低。举例来说，比较目标图像T与人员A与人员B的人脸图像，其中人员A存在多张人脸图像，人员B仅有单张图像。目标图像T与A的多张图像均存在较高相似度，但均低于目标图像T与人员B的单张图像相似度。现有技术往往判断T为人员B，而事实为A。

技术实现要素：

本发明实施例提供了一种人脸识别中的相似度计算方法及系统，以期提高人脸识别的准确率。

本发明实施例第一方面提供一种人脸识别中的相似度计算方法，包括：

获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，所述N为大于或等于2的整数；

基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量；

计算目标特征向量与待比较特征向量集的距离度量，其中，所述待比较特征向量集由所述N个待比较特征向量组成；

基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。

结合第一方面，在一些可能的实现方式中，当所述目标特征向量与所述待比较特征向量均为K维向量时，所述K为大于或等于2的整数，所述计算目标特征向量与待比较特征向量集的距离度量，包括：

将所述目标特征向量及所述N个待比较特征向量分别拆分为K个子向量；

分别计算目标特征向量的第i子向量与N个待比较特征向量中的任意一个待比较特征向量的第i子向量的距离度量，其中，所述i为小于或等于K的任一整数；

将N个待比较特征向量的N个第i子向量中与目标特征向量的第i子向量的距离度量最小的第i子向量确定为所述最终第i子向量；

基于确定的K个最终第i子向量，生成最终待比较向量；

计算所述目标特征向量与所述最终待比较向量的距离度量，并将所述目标特征向量与所述最终待比较向量的距离度量作为所述目标特征向量与待比较特征向量集的距离度量。

结合第一方面，在一些可能的实现方式中，所述距离度量包括以下任意一种：欧氏距离、街区距离和切比雪夫距离。

结合第一方面，在一些可能的实现方式中，所述获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像之前，所述方法还包括：

获取待比较图像数据库，其中，所述待比较图像数据库包括所述第一待比较人脸的N张待比较图像；

将所述待比较图像数据库中存储的图像按照相同的人脸分类，其中，所述第一待比较人脸为所述分类中其中一类。

结合第一方面，在一些可能的实现方式中，所述待比较图像数据库中还包括第二待比较人脸的M张待比较图像，所述M为正整数，所述确定所述目标人脸与所述第一待比较人脸的相似度之后，所述方法还包括：

确定所述目标人脸与所述第二待比较人脸的相似度；

将与所述目标人脸相似度最大的待比较人脸确定为目标人脸。

本发明实施例第二方面提供一种人脸识别中的相似度计算系统，包括：

图像获取单元，用于获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，所述N为大于或等于2的整数；

特征向量转换单元，用于基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量；

距离度量计算单元，用于计算目标特征向量与待比较特征向量集的距离度量，其中，所述待比较特征向量集由所述N个待比较特征向量组成；

相似度确定单元，用于基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。

结合第二方面，在一些可能的实现方式中，当所述目标特征向量与所述待比较特征向量均为K维向量时，所述K为大于或等于2的整数，所述距离度量计算单元，包括：

拆分子单元，用于将所述目标特征向量及所述N个待比较特征向量分别拆分为K个子向量；

计算子单元，用于分别计算目标特征向量的第i子向量与N个待比较特征向量中的任意一个待比较特征向量的第i子向量的距离度量，其中，所述i为小于或等于K的任一整数；

确定子单元，用于将N个待比较特征向量的N个第i子向量中与目标特征向量的第i子向量的距离度量最小的第i子向量确定为所述最终第i子向量；

生成子单元，用于基于确定的K个最终第i子向量，生成最终待比较向量；

所述计算子单元，还用于计算所述目标特征向量与所述最终待比较向量的距离度量，并将所述目标特征向量与所述最终待比较向量的距离度量作为所述目标特征向量与待比较特征向量集的距离度量。

结合第二方面，在一些可能的实现方式中，所述距离度量包括以下任意一种：欧氏距离、街区距离和切比雪夫距离。

结合第二方面，在一些可能的实现方式中，所述系统还包括：

数据库提取单元，在所述图像获取单元获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像之前，用于获取待比较图像数据库，其中，所述待比较图像数据库包括所述第一待比较人脸的N张待比较图像；将所述待比较图像数据库中存储的图像按照相同的人脸分类，其中，所述第一待比较人脸为所述分类中其中一类。

结合第二方面，在一些可能的实现方式中，所述待比较图像数据库中还包括第二待比较人脸的M张待比较图像，所述M为正整数，所述系统还包括：

比较单元，在所述相似度确定单元确定所述目标人脸与所述第一待比较人脸的相似度之后，用于确定所述目标人脸与所述第二待比较人脸的相似度；将与所述目标人脸相似度最大的待比较人脸确定为目标人脸。

可以看出，本发明实施例技术方案中，获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量，计算目标特征向量与待比较特征向量集的距离度量，基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。通过实施本发明实施例能够以“人与人”的相似度代替“图与图”的相似度，从而实现更加精确的人脸识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种人脸识别中的相似度计算的流程示意图；

图2是本发明第二实施例提供的一种人脸识别中的相似度计算的流程示意图；

图3是本发明第三实施例提供的一种人脸识别中的相似度计算系统的结构示意图；

图3-1是本发明第三实施例中距离度量计算单元的结构示意图；

图4是本发明第四实施例提供的一种人脸识别中的相似度计算系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参阅图1，图1是本发明第一实施例提供的一种人脸识别中的相似度计算方法的流程示意图，如图1所示，本发明实施例中的人脸识别中的相似度计算方法包括以下步骤：

S101、获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，所述N为大于或等于2的整数。

其中，所述第一待比较人脸的N张待比较图像存储于待比较图像数据库中，所述待比较图像数据库存储的各个图像按照相同的人脸分类，人脸识别中的相似度计算系统直接获取提取所述第一待比较人脸分类，并获取第一待比较人脸的N张待比较图像。

S102、基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量。

S103、计算目标特征向量与待比较特征向量集的距离度量，其中，所述待比较特征向量集由所述N个待比较特征向量组成。

具体地，当所述目标特征向量与所述待比较特征向量均为K维向量时，所述K为大于或等于2的整数，所述计算目标特征向量与待比较特征向量集的距离度量的一种的具体实现方式可以是：

(1)、将所述目标图像T的目标特征向量V_T拆分为K个子向量，V_T¹、V_T²，……，V_T^K，同时所述N个待比较特征向量V_Ai(i＝1，2，……，n)分别拆分为K个子向量，V_Ai¹、V_Ai²，……，V_Ai^K，其中，V_T＝{V_T(j)，j＝1，2，……，k}，V_Ai＝{V_Ai(j)，j＝1，2，……，k}；

(2)、分别计算目标特征向量的第i子向量与N个待比较特征向量中的任意一个待比较特征向量的第i子向量的距离度量，其中，所述i为小于或等于K的任一整数。即，计算V_T的子向量V_T¹与V_Ai中对应子向量V_Ai¹的距离度量di¹，计算V_T的子向量V_T²与V_Ai中对应子向量V_Ai²的距离度量di²，其中，i＝1，2，……，n；

(3)、将N个待比较特征向量的N个第i子向量中与目标特征向量的第i子向量的距离度量最小的第i子向量确定为所述最终第i子向量，即，选取di¹,i＝1,2,…,n中最小的距离度量所对应的子向量V_Am1¹，其中m1代表最小距离度量所对应的下标：m1＝argmin(di¹)，i＝1，2，……，n；类似地，选取di²，i＝1，2，……，n中最小的距离度量所对应的子向量V_Am2²，其中m2代表最小距离度量所对应的下标：m2＝argmin(di²)，i＝1，2，……，n。

(4)基于确定的K个最终第i子向量，生成最终待比较向量，即，由V_Am1¹、V_Am2²……V_Amk^k组成一个新的k维特征向量V_Am；

(5)计算所述目标特征向量V_T与所述最终待比较向量V_Am的距离度量D_m，并将所述目标特征向量与所述最终待比较向量的距离度量作为所述目标特征向量与待比较特征向量集的距离度量。

其中，所述距离度量包括但不限于以下任意一种：欧氏距离、街区距离和切比雪夫距离。

S104、基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。

作为一种可选的实现方式，所述待比较图像数据库中还包括第二待比较人脸的M张待比较图像，所述M为正整数，所述人脸识别中的相似度计算系统还可以执行以下操作：

确定所述目标人脸与所述第二待比较人脸的相似度；

将与所述目标人脸相似度最大的待比较人脸确定为目标人脸。

可以看出，本发明实施例技术方案中，获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量，计算目标特征向量与待比较特征向量集的距离度量，基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。通过实施本发明实施例能够以“人与人”的相似度代替“图与图”的相似度，从而实现更加精确的人脸识别。

请参阅图2，图2是本发明第二实施例提供的一种人脸识别中的相似度计算方法的流程示意图，如图2所示，本发明实施例中的人脸识别中的相似度计算方法包括以下步骤：

S201、获取待比较图像数据库，其中，所述待比较图像数据库包括所述第一待比较人脸的N张待比较图像。

S202、将所述待比较图像数据库中存储的图像按照相同的人脸分类，其中，所述第一待比较人脸为所述分类中其中一类。

S203、获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，所述N为大于或等于2的整数；

S204、基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量。

S205、将所述目标特征向量及所述N个待比较特征向量分别拆分为K个子向量。

S206、分别计算目标特征向量的第i子向量与N个待比较特征向量中的任意一个待比较特征向量的第i子向量的距离度量，其中，所述i为小于或等于K的任一整数。

S207、将N个待比较特征向量的N个第i子向量中与目标特征向量的第i子向量的距离度量最小的第i子向量确定为所述最终第i子向量。

S208、基于确定的K个最终第i子向量，生成最终待比较向量。

S209、计算所述目标特征向量与所述最终待比较向量的距离度量，并将所述目标特征向量与所述最终待比较向量的距离度量作为所述目标特征向量与待比较特征向量集的距离度量。

其中，所述目标特征向量与所述待比较特征向量均为K维向量时，所述K为大于或等于2的整数。

S210、基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。

其中，所述距离度量包括但不限于以下任意一种：欧氏距离、街区距离和切比雪夫距离。

S211、确定所述目标人脸与所述第二待比较人脸的相似度。

其中，所述待比较图像数据库中还包括第二待比较人脸的M张待比较图像，所述M为正整数，

S212、将与所述目标人脸相似度最大的待比较人脸确定为目标人脸。

可以看出，本发明实施例技术方案中，获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量，计算目标特征向量与待比较特征向量集的距离度量，基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。通过实施本发明实施例能够以“人与人”的相似度代替“图与图”的相似度，从而实现更加精确的人脸识别。

下面为本发明装置实施例，本发明装置实施例用于执行本发明方法实施例一至二实现的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例一和实施例二。

请参阅图3，图3是本发明第三实施例提供的一种人脸识别中的相似度计算系统的结构示意图，如图3所示，本发明实施例中的人脸识别中的相似度计算系统包括以下单元：

图像获取单元301，用于获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，所述N为大于或等于2的整数；

特征向量转换单元302，用于基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量；

距离度量计算单元303，用于计算目标特征向量与待比较特征向量集的距离度量，其中，所述待比较特征向量集由所述N个待比较特征向量组成；

相似度确定单元304，用于基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。

作为一种可选的实施方式，如图3-1所示，当所述目标特征向量与所述待比较特征向量均为K维向量时，所述K为大于或等于2的整数，所述距离度量计算单元303，具体进一步包括：

拆分子单元3031，用于将所述目标特征向量及所述N个待比较特征向量分别拆分为K个子向量；

计算子单元3032，用于分别计算目标特征向量的第i子向量与N个待比较特征向量中的任意一个待比较特征向量的第i子向量的距离度量，其中，所述i为小于或等于K的任一整数；

确定子单元3033，用于将N个待比较特征向量的N个第i子向量中与目标特征向量的第i子向量的距离度量最小的第i子向量确定为所述最终第i子向量；

生成子单元3034，用于基于确定的K个最终第i子向量，生成最终待比较向量；

所述计算子单元3032，还用于计算所述目标特征向量与所述最终待比较向量的距离度量，并将所述目标特征向量与所述最终待比较向量的距离度量作为所述目标特征向量与待比较特征向量集的距离度量。

作为一种可选的实施方式，所述距离度量包括但不限于以下任意一种：欧氏距离、街区距离和切比雪夫距离。

作为一种可选的实施方式，所述系统还包括：

数据库提取单元305，在所述图像获取单元301获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像之前，用于获取待比较图像数据库，其中，所述待比较图像数据库包括所述第一待比较人脸的N张待比较图像；将所述待比较图像数据库中存储的图像按照相同的人脸分类，其中，所述第一待比较人脸为所述分类中其中一类。

作为一种可选的实施方式，所述待比较图像数据库中还包括第二待比较人脸的M张待比较图像，所述M为正整数，所述系统还包括：

比较单元306，在所述相似度确定单元确定所述目标人脸与所述第一待比较人脸的相似度之后，用于确定所述目标人脸与所述第二待比较人脸的相似度；将与所述目标人脸相似度最大的待比较人脸确定为目标人脸。

具体的，上述各个单元的具体实现可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。

可以看出，本发明实施例技术方案中，获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量，计算目标特征向量与待比较特征向量集的距离度量，基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。通过实施本发明实施例能够以“人与人”的相似度代替“图与图”的相似度，从而实现更加精确的人脸识别。

请参考图4，图4是本发明第四实施例提供的一种人脸识别中的相似度计算系统的结构示意图。如图4所示，本发明实施例中的人脸识别中的相似度计算系统包括：至少一个处理器401，例如CPU，至少一个接收器403，至少一个存储器404，至少一个发送器405，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，本发明实施例中装置的接收器403和发送器405可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他节点设备进行信令或数据的通信。存储器404可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。存储器404中存储一组程序代码，且所述处理器401可通过通信总线402，调用存储器404中存储的代码以执行相关的功能。

所述处理器401，用于获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，所述N为大于或等于2的整数；基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量；计算目标特征向量与待比较特征向量集的距离度量，其中，所述待比较特征向量集由所述N个待比较特征向量组成；基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。

作为一种可选的实施方式，当所述目标特征向量与所述待比较特征向量均为K维向量时，所述K为大于或等于2的整数，所述处理器401，在用于计算目标特征向量与待比较特征向量集的距离度量时，具体用于将所述目标特征向量及所述N个待比较特征向量分别拆分为K个子向量；分别计算目标特征向量的第i子向量与N个待比较特征向量中的任意一个待比较特征向量的第i子向量的距离度量，其中，所述i为小于或等于K的任一整数；将N个待比较特征向量的N个第i子向量中与目标特征向量的第i子向量的距离度量最小的第i子向量确定为所述最终第i子向量；基于确定的K个最终第i子向量，生成最终待比较向量；计算所述目标特征向量与所述最终待比较向量的距离度量，并将所述目标特征向量与所述最终待比较向量的距离度量作为所述目标特征向量与待比较特征向量集的距离度量。

作为一种可选的实施方式，所述距离度量包括但不限于以下任意一种：欧氏距离、街区距离和切比雪夫距离。

作为一种可选的实施方式，所述处理器401，在用于获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像之前，还用于获取待比较图像数据库，其中，所述待比较图像数据库包括所述第一待比较人脸的N张待比较图像；将所述待比较图像数据库中存储的图像按照相同的人脸分类，其中，所述第一待比较人脸为所述分类中其中一类。

作为一种可选的实施方式，所述待比较图像数据库中还包括第二待比较人脸的M张待比较图像，所述M为正整数，所述处理器401，在用于确定所述目标人脸与所述第一待比较人脸的相似度之后，还可以用于确定所述目标人脸与所述第二待比较人脸的相似度；将与所述目标人脸相似度最大的待比较人脸确定为目标人脸。

具体的，上述各个单元的具体实现可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。

可以看出，本发明实施例技术方案中，获取目标人脸的目标图像，以及第一待比较人脸的N张待比较图像，基于所述目标图像、所述N张待比较图像以及预存的人脸特征提取模型，将所述目标图像转化为目标特征向量，并将所述N张待比较图像转化为N个待比较特征向量，计算目标特征向量与待比较特征向量集的距离度量，基于预存的距离度量与相似度的映射关系，以及所述计算得到的距离度量，确定所述目标人脸与所述第一待比较人脸的相似度。通过实施本发明实施例能够以“人与人”的相似度代替“图与图”的相似度，从而实现更加精确的人脸识别。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种服务进程的监控方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本发明所必须的。

本发明实施例的方法的步骤顺序可以根据实际需要进行调整、合并或删减。本发明实施例的终端的单元可以根据实际需要进行整合、进一步划分或删减。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例是示意性的，例如所述单元的划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元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单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明各个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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本发明实施例所提供的一种人脸识别中的相似度计算方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。