进行面部识别处理的方法和装置与流程

本公开是关于人脸识别技术领域，尤其是关于一种进行面部识别处理的方法和装置。

背景技术：

人脸识别技术由于其非接触式的身份认证方式以及准确便捷的特点，在我们生活中的方方面面都开始受到重视。

人脸识别技术在金融领域中也逐渐得到应用，例如，可以利用人脸识别技术办理实名制的业务，具体应用可以是，用户在自动存取款机上办理业务时，用户将银行卡插入自动存取款机之后，自动存取款机可以基于现场采集的用户人脸图像和用户办理该银行卡时使用的身份证上的人脸图像，进行验证，如果一致则用户可以在自动存取款机办理业务。

在实现本公开的过程中，发明人发现至少存在以下问题：

为了防止黑客等盗取身份证图像，进行违法活动，从数据库中查询到的身份证图像都是添加了网纹的身份证图像，这些网纹对设备进行人脸识别时造成很大的干扰，进而会降低人脸识别技术的准确率。

技术实现要素：

为了克服相关技术中存在的问题，本公开提供了一种进行面部识别处理的方法和装置。所述技术方案如下：

根据本公开实施例，提供一种进行面部识别处理的方法，所述方法包括：

基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息；

当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像；

基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。

可选的，所述根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像，包括：

根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征；

根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。

可选的，所述根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征，包括：

根据公式Xs＝P^T×(I₀-I_m)，确定所述基准面部图像对应的特征Xs，其中，I₀为所述基准面部图像，I_m为所述平均图像，矩阵P为图像主成分信息；

所述根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像，包括：

根据公式Ir＝(P×Xs)+I_m，确定所述基准面部图像对应的去网纹图像Ir。

可选的，所述基于所述去网纹图像，进行面部识别处理，包括：

根据所述基准面部图像与所述去网纹图像的对位像素点之差的绝对值，确定差分图像；

基于所述基准面部图像、所述去网纹图像和所述差分图像，确定合成图像，其中，对于所述合成图像中的像素点i，如果所述差分图像中与所述像素点i对应的像素点的第一像素值大于预设阈值，则将所述去网纹图像中与所述像素点i对应的像素点的第二像素值确定所述像素点i的像素值，如果所述差分图像中与所述像素点i对应的像素点的第一像素值不大于预设阈值，则将所述基准面部图像中与所述像素点i对应的像素点的第三像素值，确定所述像素点i的像素值；

基于所述合成图像，对采集到的面部图像，进行面部识别处理。

可选的，所述方法还包括：

获取多个不包含网纹的初始面部图像，在每个初始面部图像中，分别截取矩形的面部区域图像；

将每个面部区域图像分别缩放至预设尺寸，得到所述多个不包含网纹的面部图。

可选的，所述方法还包括：

获取包含网纹的初始基准面部图像，在所述初始基准面部图像中，截取矩形的面部区域图像；

将所述面部区域图像缩放至预设尺寸，得到所述包含网纹的基准面部图像。

根据本公开实施例，提供一种进行面部识别处理的装置，所述装置包括：

处理模块，用于基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息；

确定模块，用于当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像；

面部识别模块，用于基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。

可选的，所述确定模块包括：

第一确定单元，用于根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征；

第二确定单元，用于根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。

可选的，所述第一确定单元，还用于根据公式Xs＝P^T×(I₀-I_m)，确定所述基准面部图像对应的特征Xs，其中，I₀为所述基准面部图像，I_m为所述平均图像，矩阵P为图像主成分信息；

所述第二确定单元，还用于根据公式Ir＝(P×Xs)+I_m，确定所述基准面部图像对应的去网纹图像Ir。

可选的，所述面部识别模块，还用于：

根据所述基准面部图像与所述去网纹图像的对位像素点之差的绝对值，确定差分图像；

基于所述基准面部图像、所述去网纹图像和所述差分图像，确定合成图像，其中，对于所述合成图像中的像素点i，如果所述差分图像中与所述像素点i对应的像素点的第一像素值大于预设阈值，则将所述去网纹图像中与所述像素点i对应的像素点的第二像素值确定所述像素点i的像素值，如果所述差分图像中与所述像素点i对应的像素点的第一像素值不大于预设阈值，则将所述基准面部图像中与所述像素点i对应的像素点的第三像素值，确定所述像素点i的像素值；

基于所述合成图像，对采集到的面部图像，进行面部识别处理。

可选的，所述处理模块，还用于：

获取多个不包含网纹的初始面部图像，在每个初始面部图像中，分别截取矩形的面部区域图像；

将每个面部区域图像分别缩放至预设尺寸，得到所述多个不包含网纹的面部图。

可选的，所述确定模块，还用于：

获取包含网纹的初始基准面部图像，在所述初始基准面部图像中，截取矩形的面部区域图像；

将所述面部区域图像缩放至预设尺寸，得到所述包含网纹的基准面部图像。

根据本公开实施例，还提供一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现上述所述的进行面部识别处理的方法。

根据本公开实施例，还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述所述的进行面部识别处理的方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例中，上述进行面部识别处理的方法，首先基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息。然后，当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。最后，基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。这种基于所述去网纹图像，对采集到的面部图像，进行面部识别处理，可以提高人脸识别技术的准确性。

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

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。在附图中：

图1是根据实施例示出的一种进行面部识别处理的方法的流程图；

图2是根据实施例示出的一种截取矩形的面部区域图像的示意图；

图3是根据实施例示出的一种进行面部识别处理的方法的流程图；

图4是根据实施例示出的一种进行面部识别处理的装置的示意图；

图5是根据实施例示出的一种进行面部识别处理的装置的示意图；

图6是根据实施例示出的一种进行面部识别处理的装置的示意图；

图7是根据实施例示出的一种进行面部识别处理的装置的示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

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公开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、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供了一种进行面部识别处理的方法，该方法可以由服务器或者终端实现。其中，终端可以是平板电脑、台式计算机、笔记本计算机、背景技术中提到的自动存取款机等。

服务器可以包括收发器、处理器、存储器等部件。其中，收发器用于与终端进行数据传输，例如可以向终端发送目标头像显示属性，收发器可以包括WiFi(Wireless-Fidelity，无线高保真技术)部件、天线、匹配电路、调制解调器等。处理器，可以为CPU(Central Processing Unit，中央处理单元)等，可以用于对多个图像进行主成分分析，得到对应多个图像的平均图像和图像主成分信息，等处理。存储器，可以为RAM(Random Access Memory，随机存取存储器)，Flash(闪存)等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如图像等。

终端可以包括处理器、存储器等部件。处理器，可以为CPU(Central Processing Unit，中央处理单元)等，可以用于对多个图像进行主成分分析，得到对应多个图像的平均图像和图像主成分信息，等处理。存储器，可以为RAM(RandomAccess Memory，随机存取存储器)，Flash(闪存)等，可以用于存储数据、处理过程所需的数据、处理过程中生成的数据等，如图像等。

终端还可以包括收发器、输入部件、显示部件、音频输出部件等。收发器，可以用于与服务器进行数据传输，收发器可以包括蓝牙部件、WiFi(Wireless-FidelitV，无线高保真技术)部件、天线、匹配电路、调制解调器等。输入部件可以是触摸屏、键盘、鼠标等。音频输出部件可以是音箱、耳机等。本实施例中，为便于介绍，以终端为执行主体示例。

本公开实施例提供了一种进行面部识别处理的方法，该方法可以应用在实名制认证方面，例如，用户在自动存取款机上办理业务时，用户将银行卡插入自动存取款机之后，自动存取款机可以基于现场采集的用户人脸图像和用户办理该银行卡时使用的身份证上的人脸图像，进行验证，如果一致则用户可以在自动存取款机办理业务。但是，自动存取款机从用于储存身份证图像的数据库中获取的身份证图像带有网纹，会影响人脸识别的准确率。为了解决该问题本公开提供了一种进行面部识别处理的方法，如图1所示，该方法的处理流程可以包括如下的步骤：

在步骤101中，基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息。

其中，图像的数据多是以二维矩阵的形式来储存，因此可以采用矩阵理论和矩阵算法对图像进行分析和处理。而主成分分析算法(Principal Component Analysis，PCA)是统计学中用来分析数据的一种常用方法，从矩阵的角度来讲，PAC也称K-L变换，因此，可以利用主成分分析算法，对图像进行处理。

在实施中，终端对所有图像进行处理之前，需要对所有图像进行预处理，以使所有图像具有相同的行数与列数，相应的处理可以是，获取多个不包含网纹的初始面部图像，在每个初始面部图像中，分别截取矩形的面部区域图像；将每个面部区域图像分别缩放至预设尺寸，得到多个不包含网纹的面部图像。其中，初始面部图像可以是任何一个人的面部图像。由于每个人的面部图像中面部区域不相同，所以截取矩形的尺寸与每个面部图像中的面部区域相关，截取原则可以以面部图像中两点之间的距离为依据，例如以面部区域中两个眼睛之间的距离为基准，进行左右上下截图，具体的可以如下：

终端获取初始面部图像之后，可以首先识别初始面部图像中两只眼睛的中心位置，为便于描述左眼中心位置可以记为A，右眼中心位置可以记为B，并确定A和B之间的距离，可以记为d。然后，如图2所示，终端以初始面部图像中在A的左侧且与A的垂直距离为d的直线为左边缘，以初始面部图像中在B的右侧且与B的垂直距离为d的直线为右边缘，以初始面部图像中在A的上方且与A的垂直距离为d的直线为上边缘，以初始面部图像中在A的下方且与A的垂直距离为2d的直线为下边缘，对初始面部图像中的面部区域完成截取。最后，终端再将矩形的面部区域缩放至预设尺寸，例如，缩放至宽和高分别为W和H，其中，每个面部图像的宽和高的尺寸均相同。

终端对获取的所有不包含网纹的初始面部图像进行预处理之后，得到对应的不包含网纹的面部图像。然后利用PAC对多个面部图像进行处理，PAC的步骤可以是：

首先，将每个面部图像处理成列向量，其处理可以是，将每一幅面部图像的像素按列首尾相接，拉成一个列向量。例如，对于一个尺寸为n＝a×b的矩阵，将第二列数据排在第一列数据的尾部，将第三列数据排在第二列数据的尾部，以此类推，可以得到对应该矩阵的列向量，则每一副面部图像都可以表示为一个行数为n的列向量。然后，终端将所有面部图像对应的列向量集合在一起，得到由所有面部图像组成的面部图像集合I，其中，如果面部图像的数量为m，则I为n×m的矩阵。最后，终端对所有的面部图像求平均图像，其计算公式可以是：

式中，I_m为平均图像，I_i为m个面部图像中的任一个面部图像。

终端计算出所有面部图像对应的平均图像之后，再基于该平均图像确定图像主成分信息，其中图像主成分信息也即是由上述矩阵I的正交归一的特征向量组成的矩阵P，其中，矩阵P为m×n的矩阵。这样，终端确定面部图像集合I的平均图像I_m和图像主成分信息P之后，将这两个数据储存在存储器中，在后续进行面部识别处理时直接使用。这种利用主成分分析算法确定平均图像和图像主成分信息的过程中，获取样本图像(多个不包含网纹的面部图像)比较容易，且计算过程比较简单。

在步骤102中，当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据基准面部图像、平均图像和图像主成分信息，确定基准面部图像对应的去网纹图像。

其中，基准面部图像是终端从数据库中获取的用户身份证上的面部图像。

在实施中，上述基准面部图像也是终端对获取的初始基准面部图像经过预处理之后的图像，其预处理过程同上述对不包含网纹的面部图像的预处理过程相同，相应的可以是：当用户向终端如自动存取款机中插入银行卡，终端接收到面部识别指令时，终端首先从储存身份证信息的数据库中获取包含网纹的初始基准面部图像；然后，终端在初始基准面部图像中，截取矩形的面部区域图像；最后，终端将面部区域图像缩放至预设尺寸，得到包含网纹的基准面部图像。该预处理中，截取矩形的截取原则，以及将面部区域图像缩放至预设尺寸，同上述相同，此处不再赘述。

终端对上述初始基准面部图像经过预处理，得到基准面部图像之后，根据基准面部图像、平均图像和图像主成分信息，确定基准面部图像对应的去网纹图像，相应的处理可以按照如图3所示的流程图进行：

在步骤1021中，根据基准面部图像、平均图像和图像主成分信息，确定基准面部图像对应的特征。

在实施中，每一幅图像I_i都可以投影到图像主成分信息上，也即是，每一幅图像都可以用矩阵P中正交归一化的特征向量的线性组合来表示。那么基准面部图像I₀向图像主成分信息投影得到特征Xs，其中，投影公式可以是，

Xs＝P^T×(I₀-I_m)

式中：I₀为基准面部图像，I_m为平均图像，矩阵P为图像主成分信息，P^T为矩阵P的转置矩阵。

在步骤1022中，根据特征、平均图像和图像主成分信息，确定基准面部图像对应的去网纹图像。

在实施中，终端确定基准面部图像对应的特征之后，还可以基于该特征对基准面部图像进行重建，那么重建得到的图像为去网纹图像Ir，其中所使用的重建图像公式为：

Ir＝(P×Xs)+I_m

在步骤103中，基于去网纹图像，对采集到的面部图像，进行面部识别处理。

在实施中，上述去网纹图像是在基准面部图像和平均图像的基础上重建的图像，可知，去网纹图像中的面部图像与基准面部图像中的面部图像只是比较相似，并不能准确表示基准面部图像中的面部图像。为了更进一步使重建的去网纹图像中的面部图像更加逼真基准面部图像中的面部图像，相应的处理可以是：

首先，终端根据基准面部图像与去网纹图像的对位像素点之差的绝对值，确定差分图像，其中，差分图像I_d的计算公式可以是，I_d＝ABS(Ir-I₀)，ABS()表示对括号中的式子取绝对值。然后，终端基于基准面部图像、去网纹图像和差分图像，确定合成图像，其中，对于合成图像中的像素点i，如果差分图像中与像素点i对应的像素点的第一像素值大于预设阈值，则将去网纹图像中与像素点i对应的像素点的第二像素值确定像素点i的像素值，如果差分图像中与像素点i对应的像素点的第一像素值不大于预设阈值，则将基准面部图像中与像素点i对应的像素点的第三像素值，确定像素点i的像素值。最后，终端基于合成图像，对采集到的面部图像，进行面部识别处理。

在实施中，由于基准面部图像中包含有网纹，去网纹图像中不包含网纹，则大于预设阈值的位置为网纹区域，不大于预设阈值的位置为不包含网纹的区域，对于网纹区域，用去网纹图像对应该位置的地方填充，对于不包含网纹的区域，用基准面部图像对应该位置的地方填充，这样，最终获得的合成图像不包含网纹且与基准面部图像更加接近。上述合成图像中每一个位置进行的合成时，可以使用一个公式表示：

式中：In为合成图像，A为预设数值。

这样，终端使用上述方法确定合成图像之后，将采集到的面部图像与合成图像进行对比，例如，也可以计算二者的差分图像，如果差分图像对应的像素小于阈值，则采集到的面部图像与合成图像一致，面部识别通过，如果差分图像对应的像素大于阈值，则采集到的面部图像与合成图像不一致，面部图像不通过。这种使用基准面部图像对应的不包含网纹的合成图像与采集到的图像进行对比进行面部识别，可以提高人脸识别技术的准确性。

基于上述所述，终端在前期利用主成分分析算法，对多个不包含网纹的面部图像进行处理，得到平均图像和图像主成分信息，之后每当终端对采集的面部图像进行面部识别时，再基于平均图像、图像主成分信息和获取的包含网纹的基准面部图像，进行面部图像的重建，利用重建的不包含网纹的合成图像与采集到的面部图像进行面部识别处理，这种进行面部识别处理的方法可以提高人脸识别技术的准确性。

本公开实施例中，上述进行面部识别处理的方法为，首先基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息。然后，当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。最后，基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。这种基于所述去网纹图像，对采集到的面部图像，进行面部识别处理，可以提高人脸识别技术的准确性。

本公开又一示例性实施例提供了一种进行面部识别处理的装置，该装置可以是上述实施例中的终端，如图4所示，所述装置包括：

处理模块410，用于基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息；

确定模块420，用于当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像；

面部识别模块430，用于基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。

可选的，如图5所示，所述确定模块420包括：

第一确定单元421，用于根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征；

第二确定单元422，用于根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。

可选的，所述第一确定单元421，还用于根据公式Xs＝P^T×(I₀-I_m)，确定所述基准面部图像对应的特征Xs，其中，I₀为所述基准面部图像，I_m为所述平均图像，矩阵P为图像主成分信息；

所述第二确定单元422，还用于根据公式Ir＝(P×Xs)+I_m，确定所述基准面部图像对应的去网纹图像Ir。

可选的，所述面部识别模块430，还用于：

根据所述基准面部图像与所述去网纹图像的对位像素点之差的绝对值，确定差分图像；

基于所述基准面部图像、所述去网纹图像和所述差分图像，确定合成图像，其中，对于所述合成图像中的像素点i，如果所述差分图像中与所述像素点i对应的像素点的第一像素值大于预设阈值，则将所述去网纹图像中与所述像素点i对应的像素点的第二像素值确定所述像素点i的像素值，如果所述差分图像中与所述像素点i对应的像素点的第一像素值不大于预设阈值，则将所述基准面部图像中与所述像素点i对应的像素点的第三像素值，确定所述像素点i的像素值；

基于所述合成图像，对采集到的面部图像，进行面部识别处理。

可选的，所述处理模块410，还用于：

获取多个不包含网纹的初始面部图像，在每个初始面部图像中，分别截取矩形的面部区域图像；

将每个面部区域图像分别缩放至预设尺寸，得到所述多个不包含网纹的面部图。

可选的，所述确定模块420，还用于：

获取包含网纹的初始基准面部图像，在所述初始基准面部图像中，截取矩形的面部区域图像；

将所述面部区域图像缩放至预设尺寸，得到所述包含网纹的基准面部图像。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开实施例中，上述进行面部识别处理的装置，首先基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息。然后，当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。最后，基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。这种基于所述去网纹图像，对采集到的面部图像，进行面部识别处理，可以提高人脸识别技术的准确性。

需要说明的是：上述实施例提供的进行面部识别处理的装置在进行面部识别处理时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的进行面部识别处理的装置与进行面部识别处理的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本公开再一示例性实施例示出了一种终端的结构示意图。该终端可以是平板电脑、台式计算机、笔记本计算机、背景技术中提到的自动存取款机等。

参照图6，终端600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制终端600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件606为终端600的各种组件提供电力。电力组件606可以包括电源管理系统，一个或多个电源，及其他与为音频输出设备600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述终端600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当音频输出设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为终端600提供各个方面的状态评估。例如，传感器组件614可以检测到终端600的打开/关闭状态，组件的相对定位，例如所述组件为终端600的显示器和小键盘，传感器组件614还可以检测终端600或终端600一个组件的位置改变，用户与终端600接触的存在或不存在，终端600方位或加速/减速和终端600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，终端600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由终端600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本公开的又一实施例提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行：

基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息；

当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像；

基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。

可选的，所述根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像，包括：

根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征；

根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。

可选的，所述根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征，包括：

根据公式Xs＝P^T×(I₀-I_m)，确定所述基准面部图像对应的特征Xs，其中，I₀为所述基准面部图像，I_m为所述平均图像，矩阵P为图像主成分信息；

所述根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像，包括：

根据公式Ir＝(P×Xs)+I_m，确定所述基准面部图像对应的去网纹图像Ir。

可选的，所述基于所述去网纹图像，进行面部识别处理，包括：

根据所述基准面部图像与所述去网纹图像的对位像素点之差的绝对值，确定差分图像；

基于所述基准面部图像、所述去网纹图像和所述差分图像，确定合成图像，其中，对于所述合成图像中的像素点i，如果所述差分图像中与所述像素点i对应的像素点的第一像素值大于预设阈值，则将所述去网纹图像中与所述像素点i对应的像素点的第二像素值确定所述像素点i的像素值，如果所述差分图像中与所述像素点i对应的像素点的第一像素值不大于预设阈值，则将所述基准面部图像中与所述像素点i对应的像素点的第三像素值，确定所述像素点i的像素值；

基于所述合成图像，对采集到的面部图像，进行面部识别处理。

可选的，所述方法还包括：

获取多个不包含网纹的初始面部图像，在每个初始面部图像中，分别截取矩形的面部区域图像；

将每个面部区域图像分别缩放至预设尺寸，得到所述多个不包含网纹的面部图。

可选的，所述方法还包括：

获取包含网纹的初始基准面部图像，在所述初始基准面部图像中，截取矩形的面部区域图像；

将所述面部区域图像缩放至预设尺寸，得到所述包含网纹的基准面部图像。

本公开实施例中，上述进行面部识别处理的方法，首先基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息。然后，当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。最后，基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。这种基于所述去网纹图像，对采集到的面部图像，进行面部识别处理，可以提高人脸识别技术的准确性。

图7是根据一示例性实施例示出的一种进行面部识别处理的方法1900的框图。例如，装置1900可以被提供为一服务器。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理部件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述进行面部识别处理的方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。

装置1900可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息；

当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像；

基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。

可选的，所述根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像，包括：

根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征；

根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。

可选的，所述根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的特征，包括：

根据公式Xs＝P^T×(I₀-I_m)，确定所述基准面部图像对应的特征Xs，其中，I₀为所述基准面部图像，I_m为所述平均图像，矩阵P为图像主成分信息；

所述根据所述特征、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像，包括：

根据公式Ir＝(P×Xs)+I_m，确定所述基准面部图像对应的去网纹图像Ir。

可选的，所述基于所述去网纹图像，进行面部识别处理，包括：

根据所述基准面部图像与所述去网纹图像的对位像素点之差的绝对值，确定差分图像；

基于所述基准面部图像、所述去网纹图像和所述差分图像，确定合成图像，其中，对于所述合成图像中的像素点i，如果所述差分图像中与所述像素点i对应的像素点的第一像素值大于预设阈值，则将所述去网纹图像中与所述像素点i对应的像素点的第二像素值确定所述像素点i的像素值，如果所述差分图像中与所述像素点i对应的像素点的第一像素值不大于预设阈值，则将所述基准面部图像中与所述像素点i对应的像素点的第三像素值，确定所述像素点i的像素值；

基于所述合成图像，对采集到的面部图像，进行面部识别处理。

可选的，所述方法还包括：

获取多个不包含网纹的初始面部图像，在每个初始面部图像中，分别截取矩形的面部区域图像；

将每个面部区域图像分别缩放至预设尺寸，得到所述多个不包含网纹的面部图。

可选的，所述方法还包括：

获取包含网纹的初始基准面部图像，在所述初始基准面部图像中，截取矩形的面部区域图像；

将所述面部区域图像缩放至预设尺寸，得到所述包含网纹的基准面部图像。

本公开实施例中，上述进行面部识别处理的方法，首先基于图像主成分分析算法，对多个不包含网纹的面部图像进行处理，得到多个面部图像对应的平均图像和图像主成分信息。然后，当接收到面部识别指令时，获取进行面部识别的包含网纹的基准面部图像，根据所述基准面部图像、所述平均图像和所述图像主成分信息，确定所述基准面部图像对应的去网纹图像。最后，基于所述去网纹图像，对采集到的面部图像，进行面部识别处理。这种基于所述去网纹图像，对采集到的面部图像，进行面部识别处理，可以提高人脸识别技术的准确性。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由上面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。