人脸比对方法、装置、计算机设备和存储介质与流程

本发明涉及人脸识别技术领域，尤其涉及一种人脸比对方法、装置、计算机设备和存储介质。

背景技术：

随着人工智能技术的不断发展，人脸识别技术越发受到各个技术领域的专家的重视，应用也越来越广泛，比如，通过人脸识别技术打开手机设备锁。

传统的人脸识别是直接将人脸图像输入神经网络模型进行特征提取，然后通过计算提取到的特征与已注册的特征之间的距离来确定两者是否对应的是同一个人。但是由于神经网络模型在训练的时候采用的训练样本往往是比较理想的图像，而在实际预测的过程中，拍摄得到的人脸图像会受到拍摄角度等的影响，导致识别的准确度低。

技术实现要素：

基于此，有必要针对上述问题，提出一种识别准确率高的人脸比对方法、装置、计算机设备和存储介质。

一种人脸比对方法，所述方法包括：

获取待识别的目标人脸图像；

将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，所述格子标识用于唯一标识一块脸部区域；

获取人脸数据库中的注册人脸图像对应的注册栅格图像；

根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

一种人脸比对装置，所述装置包括：

第一获取模块，用于获取待识别的目标人脸图像；

栅格映射模块，用于将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，所述格子标识用于唯一标识一块脸部区域；

第二获取模块，用于获取人脸数据库中的注册人脸图像对应的注册栅格图像；

比对模块，用于根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取待识别的目标人脸图像；

将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，所述格子标识用于唯一标识一块脸部区域；

获取人脸数据库中的注册人脸图像对应的注册栅格图像；

根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

获取待识别的目标人脸图像；

将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，所述格子标识用于唯一标识一块脸部区域；

获取人脸数据库中的注册人脸图像对应的注册栅格图像；

根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

上述人脸比对方法，通过将目标人脸图像作为栅格映射模型的输入，获取输出的目标栅格图像，目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，不同的格子标识代表的是人脸不同的部位，同一格子标识对应的是人脸相同的部位，根据格子区域对应的格子标识将目标栅格图像与注册栅格图像进行特征比对，可以有针对性地根据格子标识将人脸同一部位进行比较，不会由于采集到的人脸图像的角度等问题影响比对准确度，从而大大提高了比对的准确性。

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，下面描述中的附图仅仅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。

其中：

图1为一个实施例中人脸比对方法的流程图；

图2为一个实施例中对人脸图像处理得到的栅格图像的示意图；

图3为一个实施例中侧脸图像进行栅格划分后的栅格图像以及转换为标准栅格图像的示意图；

图4为另一个实施例中人脸比对方法的流程图；

图5为一个实施例中获取注册人脸特征向量的方法流程图；

图6为一个实施例中人脸进行仿射变换的示意图；

图7为一个实施例中人脸比对装置的结构框图；

图8为另一个实施例中人脸比对装置的结构框图；

图9为一个实施例中计算机设备的结构框图。

具体实施方式

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，所描述的实施例仅仅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。

如图1所示，在一个实施例中，提供了一种人脸比对方法，该人脸比对方法既可以应用于终端，也可以应用于服务器，具体包括以下步骤：

步骤102，获取待识别的目标人脸图像。

其中，目标人脸图像为待识别的人脸图像。目标人脸图像的获取可以通过调用摄像头直接拍摄得到，也可以是获取到的已存储的人脸图像。在一个实施例中，目标人脸图像为通过对拍摄得到的初始图像进行人脸检测，然后进行人脸图像提取得到的。

在另一个实施例中，为了提高后续比对的准确性，在获取到人脸图像后，根据人脸图像中的关键特征点对人脸图像进行仿射变换，然后得到目标人脸图像，即目标人脸图像为经过仿射变换后的人脸图像。关键特征点可以采用两个眼睛中心的点、鼻子尖的点和两个嘴角的点。

步骤104，将目标人脸图像作为栅格映射模型的输入，栅格映射模型用于根据提取到的人脸特征对目标人脸图像进行栅格划分，获取栅格映射模型输出的目标栅格图像，目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，格子标识用于唯一标识一块脸部区域。

其中，栅格映射模型用于对目标人脸图像进行栅格化，根据提取到的人脸特征将目标人脸图像进行栅格划分，栅格划分的目的是将人脸不同部位划分为不同的格子区域，每个格子区域对应一个格子标识，用于唯一标识一块脸部部位(脸部区域)。如图2所示，为一个实施例中，对人脸图像进行栅格化后得到的栅格图像的示意图，栅格图像包括多个格子(即格子区域)，每个格子对应人脸特定的脸部区域。

步骤106，获取人脸数据库中的注册人脸图像对应的注册栅格图像。

其中，注册栅格图像是指对注册人脸图像进行栅格划分后得到的栅格图像。注册栅格图像中包含有多个格子区域，每个格子区域对应有格子标识。人脸数据库中包含有注册人脸图像集，注册人脸图像集中包括多个注册人脸图像。注册人脸图像可以是正脸的图像，也可以是非正脸的图像。

步骤108，根据每个格子区域对应的格子标识将目标栅格图像与注册栅格图像进行特征比对，得到人脸比对结果。

其中，注册栅格图像中也包含有多个格子区域，每个格子区域有相应的格子标识。同一格子标识对应的人脸部位都是一样的。不同的人脸都包含有相同数量的格子区域，每个格子区域对应有格子标识，不同人脸的格子标识也是一一对应的关系。比如，a人脸中包括有36个格子，每个格子对应有相应的序号，比如，36个格子的序号分别为1，2，3……36，b人脸中也同样包括36个格子，然后序号分别为1，2，3……36，同一序号对应的人脸区域是相同的。所以在已知目标人脸图像对应的栅格图像后，根据格子标识可以针对性地将同一脸部区域进行特征比对，从而有利于提高比对的准确性。

进行人脸特征比对的方式可以有两种，一种方式是，可以按照预设的格子顺序，分别提取目标栅格图像中每个格子区域的人脸特征，得到目标人脸特征向量，然后获取注册栅格图像按照同样的格子顺序提取到的注册人脸特征向量，然后将目标人脸特征向量和注册人脸特征向量进行比对，得到人脸比对结果。

另一种方式是：可以分别提取每个格子区域对应的人脸特征，然后将同一格子标识对应的格子区域的人脸特征进行比对，分别得到与每个格子区域对应的比对结果，最后通过加权求和得到最终的人脸比对结果。

上述人脸比对方法，通过将目标人脸图像作为栅格映射模型的输入，获取输出的目标栅格图像，目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识，不同的格子标识代表的是人脸不同的部位，根据格子区域对应的格子标识将目标栅格图像与注册栅格图像进行特征比对，可以有针对性地将人脸同一部位进行比较，不会由于采集到的人脸图像的角度问题影响比对准确度，从而大大提高了人脸比对的准确度。

在一个实施例中，注册栅格图像为注册标准栅格图像，根据每个格子区域对应的格子标识将目标栅格图像与注册栅格图像进行特征比对，得到人脸比对结果，包括：根据每个格子区域对应的格子标识将目标栅格图像中的多个格子区域进行标准化，得到与目标人脸图像对应的目标标准栅格图像，目标标准栅格图像和注册标准栅格图像中包括预设个数的标准格子，每个标准格子对应有格子标识；将目标标准栅格图像与注册标准栅格图像进行特征比对，得到人脸比对结果。

其中，标准化是指将栅格图像中的格子区域转换为标准大小的格子区域。目标人脸图像中由于人脸角度的不同，提取到的格子区域可能是大小不一的(即格子的大小不同)。为了提高后续人脸比对的准确性，将格子区域通过缩放都转换为标准大小。

如果目标人脸图像不是一张正脸图像，而是一张偏脸图像，比如，是一张偏左脸的图像，那么左右两边的脸呈现的大小是不一致的，相应地不同脸部区域提取到的格子大小是不一样的。每个格子区域对应一个脸部区域，在不同人脸角度下，同一块脸部区域显示的大小是不同的。如图3所示，为一个实施例中，侧脸图像进行栅格划分后的示意图，图中栅格大小是不一的，进行标准化后，将格子分别转换为标准大小，且对应到相应的格子区域，得到目标标准栅格图像。

注册标准栅格图像中是包含有固定大小格子的栅格图像，通过将注册栅格图像中的格子转换为标准大小的格子就可以得到注册标准栅格图像。为了提高比对的准确性，将目标栅格图像同样进行标准化转换为目标标准栅格图像，具体地，是通过将目标栅格图像中的格子区域通过缩放转换为固定大小的标准格子区域。然后将转换后的目标标准栅格图像与注册标准栅格图像进行特征比对，这样比对的结果可以更准确。

在一个实施例中，将目标标准栅格图像与注册标准栅格图像进行特征比对，得到人脸比对结果，包括：将目标标准栅格图像作为特征提取模型的输入，获取特征提取模型输出的与目标标准栅格图像对应的目标人脸特征向量；获取注册标准栅格图像对应的注册人脸特征向量；根据目标人脸特征向量与注册人脸特征向量进行特征比对，确定人脸比对结果。

其中，特征提取模型用于对目标标准栅格图像中的人脸特征进行特征提取得到目标人脸特征向量。特征提取模型可以采用深度神经网络模型来实现。目标标准栅格图像中包含有预设个数的标准格子，分别对每个标准格子对应的人脸特征进行提取，得到格子特征向量，然后将格子特征向量按照预设顺序组合为目标人脸特征向量。在一个实施例中，假设一共有6×6个格子，假定对每个格子抽取的特征维度为(m×n×k)，则6×6个格子最后的特征维度为6×6×m×n×k。

注册人脸特征向量是通过同样的方式得到的，为了节省比对时间，预先将注在一个实施例中，假设一共有6×6个格子，假定对每个格子抽取的特征维度为(m×n×k)，则6×6个格子最后的特征维度为6×6×m×n×k。注册标准栅格图像通过特征提取模型提取得到注册人脸特征向量，然后与注册人脸图像关联存储。后续进行比对时，可以直接获取注册人脸特征向量。

如图4所示，在一个实施例中，提出了一种人脸比对方法，包括：

步骤402，获取待识别的目标人脸图像。

步骤404，将目标人脸图像作为栅格映射模型的输入，栅格映射模型用于根据提取到的人脸特征对目标人脸图像进行栅格划分，获取栅格映射模型输出的目标栅格图像，目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识。

步骤406，根据每个格子区域对应的格子标识将目标栅格图像中的多个格子区域进行标准化，得到与目标人脸图像对应的目标标准栅格图像，目标标准栅格图像中包括预设个数的标准格子，每个标准格子对应有格子标识。

步骤408，将目标标准栅格图像作为特征提取模型的输入，获取特征提取模型输出的与目标标准栅格图像对应的目标人脸特征向量。

步骤410，获取注册标准栅格图像对应的注册人脸特征向量。

步骤412，将目标标准栅格图像作为栅格特征系数模型的输入，获取栅格特征系数模型输出的目标特征系数向量，目标特征系数向量中包括与每个格子区域对应的特征系数。

其中，栅格特征系数模型用于对目标标准栅格图像中的每个格子区域设置相应的特征系数(加权系数)，并输出目标特征系数向量。目标特征系数向量的目的是为了使得人脸上具有特色的细微特征能够放大(即加大特征系数)，或者减少人脸上不具有特色的特征系数。由于人脸上有些细微特征可以用来区分极为相似的人脸，比如，如果人脸上有黑痣，这个黑痣可以作为这个人的明显特征，通过将包含有黑痣的这一格子区域的特征系数(权重系数)加大有利于提高人脸比对的准确性。

也就是说，通过设置特征系数，将人脸中可信的区域的特征系数加大，将不可信的区域的特征系数减少，比如，受光照条件影响，脸部有些部位的格子区域对应的人脸可能基本看不清(此时该格子区域的特征不可信)，那么这个时候就应该降低该格子区域的特征系数，故，栅格特征系数模型是为了使得具有明显区分性的特征的权重系数加大，使得不具有区分性的特征的权重系数减少，同时也可以减少那些由于光线、遮挡等看不清的区域的权重系数，这样能够提高后续比对的准确度。

栅格特征系数模型可以使用深度学习网络模型训练得到，通过获取训练栅格图像样本，对训练栅格图像样本中每个格子区域对应的系数进行人为标注，然后采用训练栅格图像样本作为栅格特征系数模型的输入，将对应的标注作为期望的输出对栅格特征系数模型进行训练，得到目标栅格特征系数模型。

步骤414，根据目标特征系数向量对目标人脸特征向量和注册人脸特征向量进行更新，得到更新目标人脸特征向量和更新注册人脸特征向量。

其中，目标特征系数向量包括与每个格子区域对应的特征系数。在得到目标特征系数向量后，根据目标特征系数向量更新目标人脸特征向量和注册人脸特征向量。更新的方法是将目标特征系数向量中每个格子区域的特征系数对相应格子区域的特征进行更新，即将每个格子区域对应的特征向量乘以相应的特征系数。最后得到更新后的更新目标人脸特征向量和更新注册人脸特征向量。在确定了目标特征向量后，由于最后是比较目标人脸特征向量与注册人脸特征向量，所以要同时更新目标人脸特征向量和注册人脸特征向量。比如，人脸a向量为[1，2，3]，数据库中人脸b的向量为[5，6，7]，对人脸a输入到栅格特征系数模型后，得到的目标特征系数向量为[1.0，0.1，0.5]，则a更新后的特征向量为[1×1.0，2×0.1，3×0.5]，b更新后的特征向量为[5×1.0，6×0.1，7×0.5]。

步骤416，根据更新目标人脸特征向量和更新注册人脸特征向量进行比对，确定比对结果。

其中，计算更新目标人脸特征向量与更新注册人脸特征向量之间的距离，根据距离确定是否为同一个人脸，从而确定比对结果。距离的计算可以采用欧式距离公式来计算，当然也可以采用其他距离计算公式，比如，卡方距离等、余弦相似度等方法。

上述人脸比对方法，可以在人脸图像存在部分遮挡或者光纤不好的情况下依然能够准确地进行比对。

如图5所示，在一个实施例中，获取注册人脸图像对应的注册人脸特征向量，包括：

步骤502，将注册标准栅格图像作为注册特征系数模型的输入，注册特征系数模型用于对注册标准栅格图像中的格子区域对应的权重系数进行调整，获取注册特征系数模型输出的注册特征系数向量；

步骤504，将注册标准栅格图像作为特征提取模型的输入，获取输出的初始注册特征向量；

步骤506，根据注册特征系数向量和初始注册特征向量确定与注册人脸图像对应的注册人脸特征向量。

其中，注册特征系数模型用于对注册人脸图像对应的注册标准栅格图像中格子区域的权重系数进行调整，注册特征系数模型的训练方法和栅格特征系数模型的训练方法相同。特征提取模型用于对栅格图像中的特征进行提取得到特征向量。将注册标准栅格图像作为特征提取模型的输入，得到输出的初始注册特征向量。最后采用注册特征系数向量对初始注册特征向量进行调整，得到注册人脸特征向量。对初始注册特征向量进行调整的目的在于通过调整系数减少同一个人的人脸特征之间的距离，增加不同人的人脸特征之间的距离。对初始注册特征向量进行调整可以实现根据注册人脸的清晰度进行动态调整，比如，某一块的光照条件不好，可以调低这一块的系数，便于后续进行比对，提高比对的准确度。

在一个实施例中，根据目标人脸特征向量与注册人脸特征向量进行特征比对，确定人脸比对结果，包括：计算目标人脸特征向量分别与每一个注册人脸特征向量之间的特征距离；根据目标人脸特征向量与每个注册人脸特征向量之间的特征距离确定人脸比对结果。

其中，人脸比对是通过计算目标人脸特征向量与注册人脸特征向量之间的特征距离得到的，特征距离越小说明人脸越相似，当特征距离小于预设的距离时，则认为是同一人。特征距离的计算可以采用欧式距离公式来计算，当然也可以采用其他距离计算的方式。如果目标人脸图像与注册人脸库中的每个注册人脸图像的距离都不小于预设的距离，则说明该目标人脸图像不存在于该注册人脸库。当计算得到与两个以上的注册人脸图像(当存在双胞胎或多胞胎的情况下)之间的距离小于预设距离，则将最小距离对应的注册人脸图像作为与目标人脸图像最接近的人脸图像。

在一个实施例中，获取待识别的目标人脸图像，还包括：获取待识别的初始图像，初始图像中包括人脸；对初始图像中的人脸进行检测，提取出人脸图像；根据人脸图像中的关键特征点将人脸图像进行仿射变换得到目标人脸图像。

其中，初始图像是指拍摄得到的包含有人脸的图像。为了进行人脸比对，对初始图像中的人脸进行检测，提取出人脸图像，然后根据人脸图像中的关键特征点进行仿射变换得到目标人脸图像。仿射变换的目的是将人脸按照标准方式进行对齐。比如，对于1024×1024大小的目标人脸图像，将关键点(比如，眼睛的中心、鼻子尖以及两个嘴角的位置)对齐到对应的位置，从而得到一个标准的目标人脸图像。通过仿射变换对人脸图像进行预处理，可以提高后续比对的准确度。如图6所示，为一个实施例中，将人脸图像进行仿射变换得到目标人脸图像的示意图。首先，检测待识别人脸图像上的关键特征点，然后转换到标准模板中预置关键特征点的位置后，得到目标人脸图像。

在一个实施例中，栅格映射模型是基于深度神经网络模型训练得到的；栅格映射模型的训练包括以下步骤：获取训练人脸图像集，训练人脸图像集中包括多个训练人脸图像；获取训练人脸图像对应的人脸图像标注，人脸图像标注为包含有多个格子区域的训练栅格图像；将训练人脸图像作为栅格映射模型的输入，将相应的训练栅格图像作为期望的输出对栅格映射模型进行训练，得到训练好的栅格映射模型。

其中，栅格映射模型是采用深度神经网络模型训练得到的，比如，可以采用卷积神经网络模型训练得到。具体训练的方式如下：获取训练人脸图像集，以及与每个训练人脸图像对应的人脸图像标注，人脸图像标注为包含有多个格子区域的训练栅格图像。即将已经划分好格子区域的栅格图像作为标注。然后就可以将训练人脸图像作为栅格映射模型的输入，将相应的包含有多个格子区域的训练栅格图像作为对应的标注进行模型训练，然后得到训练好的栅格映射模型。

在一个实施例中，训练的一般过程为：定义一个损失函数(loss函数)，将人脸图像作为栅格映射模型的输入，得到一个实际输出，根据损失函数计算实际输出与期望输出之间的距离，然后可以采用梯度下降法对栅格映射模型中的参数进行调整，直到得到计算得到的损失函数的值小于预设值，即直到实际输出和期望输出的差距变得很小。

如图7所示，在一个实施例中，提出了一种人脸比对装置，该装置包括：

第一获取模块702，用于获取待识别的目标人脸图像；

栅格映射模块704，用于将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识；

第二获取模块706，用于获取人脸数据库中的注册人脸图像对应的注册栅格图像；

比对模块708，用于根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

在一个实施例中，所述注册栅格图像为注册标准栅格图像，比对模块708还用于根据所述每个格子区域对应的格子标识将所述目标栅格图像中的多个格子区域进行标准化，得到与所述目标人脸图像对应的目标标准栅格图像，所述目标标准栅格图像和注册标准栅格图像中包括预设个数的标准格子，每个标准格子对应有格子标识；将所述目标标准栅格图像与所述注册标准栅格图像进行特征比对，得到人脸比对结果。

在一个实施例中，比对模块708还用于将所述目标标准栅格图像作为特征提取模型的输入，获取所述特征提取模型输出的与所述目标标准栅格图像对应的目标人脸特征向量；获取所述注册标准栅格图像对应的注册人脸特征向量；根据所述目标人脸特征向量与所述注册人脸特征向量进行特征比对，确定人脸比对结果。

如图8所示，在一个实施例中，上述人脸比对装置还包括：

特征系数确定模块710，用于将所述目标标准栅格图像作为栅格特征系数模型的输入，获取所述栅格特征系数模型输出的目标特征系数向量，所述目标特征系数向量中包括与每个格子区域对应的特征系数；

更新模块712，用于根据所述目标特征系数向量对所述目标人脸特征向量和所述注册人脸特征向量进行更新，得到更新目标人脸特征向量和更新注册人脸特征向量；

所述比对模块还用于根据所述更新目标人脸特征向量和所述更新注册人脸特征向量进行比对，确定比对结果。

在一个实施例中，所述比对模块708还用于将所述注册标准栅格图像作为注册特征系数模型的输入，所述注册特征系数模型用于对所述注册标准栅格图像中的格子区域对应的权重系数进行调整，获取所述注册特征系数模型输出的注册特征系数向量；将所述注册标准栅格图像作为所述特征提取模型的输入，获取输出的初始注册特征向量；根据所述注册特征系数向量和所述初始注册特征向量确定与所述注册人脸图像对应的注册人脸特征向量。

在一个实施例中，比对模块还用于计算所述目标人脸特征向量分别与每一个所述注册人脸特征向量之间的特征距离；根据所述目标人脸特征向量与每个所述注册人脸特征向量之间的特征距离确定所述人脸比对结果。

在一个实施例中，第一获取模块还用于获取待识别的初始图像，所述初始图像中包括人脸；对所述初始图像中的人脸进行检测，提取出人脸图像；根据所述人脸图像中的关键特征点将所述人脸图像进行仿射变换得到目标人脸图像。

在一个实施例中，所述栅格映射模型是基于深度神经网络模型训练得到的；上述人脸比对装置还包括：

栅格映射模型训练模块，用于获取训练人脸图像集，所述训练人脸图像集中包括多个训练人脸图像；获取所述训练人脸图像对应的人脸图像标注，所述人脸图像标注为包含有多个格子区域的训练栅格图像；将所述训练人脸图像作为所述栅格映射模型的输入，将相应的所述训练栅格图像作为期望的输出对所述栅格映射模型进行训练，得到训练好的栅格映射模型。

图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器和终端设备，所述服务器包括但不限于高性能计算机和高性能计算机集群；所述终端设备包括但不限于移动终端设备和台式终端设备，所述移动终端设备包括但不限于手机、平板电脑、智能手表和笔记本电脑，所述台式终端设备包括但不限于台式电脑和车载电脑。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现人脸比对方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行人脸比对方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的人脸比对方法可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成人脸比对装置的各个程序模板。比如，第一获取模块702，栅格映射模块704，第二获取模块706，比对模块708。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：获取待识别的目标人脸图像；将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识；获取人脸数据库中的注册人脸图像对应的注册栅格图像；根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

在一个实施例中，所述注册栅格图像为注册标准栅格图像，所述根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果，包括：根据所述每个格子区域对应的格子标识将所述目标栅格图像中的多个格子区域进行标准化，得到与所述目标人脸图像对应的目标标准栅格图像，所述目标标准栅格图像和注册标准栅格图像中包括预设个数的标准格子，每个标准格子对应有格子标识；将所述目标标准栅格图像与所述注册标准栅格图像进行特征比对，得到人脸比对结果。

在一个实施例中，所述将所述目标标准栅格图像与所述注册标准栅格图像进行特征比对，得到人脸比对结果，包括：将所述目标标准栅格图像作为特征提取模型的输入，获取所述特征提取模型输出的与所述目标标准栅格图像对应的目标人脸特征向量；获取所述注册标准栅格图像对应的注册人脸特征向量；根据所述目标人脸特征向量与所述注册人脸特征向量进行特征比对，确定人脸比对结果。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于执行以下步骤：将所述目标标准栅格图像作为栅格特征系数模型的输入，获取所述栅格特征系数模型输出的目标特征系数向量，所述目标特征系数向量中包括与每个格子区域对应的特征系数；根据所述目标特征系数向量对所述目标人脸特征向量和所述注册人脸特征向量进行更新，得到更新目标人脸特征向量和更新注册人脸特征向量；所述根据所述目标人脸特征向量与所述注册人脸特征向量进行比对，确定人脸比对结果，包括：根据所述更新目标人脸特征向量和所述更新注册人脸特征向量进行比对，确定比对结果。

在一个实施例中，所述获取所述注册人脸图像对应的注册人脸特征向量，包括：将所述注册标准栅格图像作为注册特征系数模型的输入，所述注册特征系数模型用于对所述注册标准栅格图像中的格子区域对应的权重系数进行调整，获取所述注册特征系数模型输出的注册特征系数向量；将所述注册标准栅格图像作为所述特征提取模型的输入，获取输出的初始注册特征向量；根据所述注册特征系数向量和所述初始注册特征向量确定与所述注册人脸图像对应的注册人脸特征向量。

在一个实施例中，所述根据所述目标人脸特征向量与所述注册人脸特征向量进行特征比对，确定人脸比对结果，包括：计算所述目标人脸特征向量分别与每一个所述注册人脸特征向量之间的特征距离；根据所述目标人脸特征向量与每个所述注册人脸特征向量之间的特征距离确定所述人脸比对结果。

在一个实施例中，所述获取待识别的目标人脸图像，包括：获取待识别的初始图像，所述初始图像中包括人脸；对所述初始图像中的人脸进行检测，提取出人脸图像；根据所述人脸图像中的关键特征点将所述人脸图像进行仿射变换得到目标人脸图像。

在一个实施例中，所述栅格映射模型是基于深度神经网络模型训练得到的；所述栅格映射模型的训练包括以下步骤：获取训练人脸图像集，所述训练人脸图像集中包括多个训练人脸图像；获取所述训练人脸图像对应的人脸图像标注，所述人脸图像标注为包含有多个格子区域的训练栅格图像；将所述训练人脸图像作为所述栅格映射模型的输入，将相应的所述训练栅格图像作为期望的输出对所述栅格映射模型进行训练，得到训练好的栅格映射模型。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：获取待识别的目标人脸图像；将所述目标人脸图像作为栅格映射模型的输入，所述栅格映射模型用于根据提取到的人脸特征对所述目标人脸图像进行栅格划分，获取所述栅格映射模型输出的目标栅格图像，所述目标栅格图像中包括多个格子区域，每个格子区域对应一个格子标识；获取人脸数据库中的注册人脸图像对应的注册栅格图像；根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果。

在一个实施例中，所述注册栅格图像为注册标准栅格图像，所述根据所述每个格子区域对应的格子标识将所述目标栅格图像与所述注册栅格图像进行特征比对，得到人脸比对结果，包括：根据所述每个格子区域对应的格子标识将所述目标栅格图像中的多个格子区域进行标准化，得到与所述目标人脸图像对应的目标标准栅格图像，所述目标标准栅格图像和注册标准栅格图像中包括预设个数的标准格子，每个标准格子对应有格子标识；将所述目标标准栅格图像与所述注册标准栅格图像进行特征比对，得到人脸比对结果。

在一个实施例中，所述将所述目标标准栅格图像与所述注册标准栅格图像进行特征比对，得到人脸比对结果，包括：将所述目标标准栅格图像作为特征提取模型的输入，获取所述特征提取模型输出的与所述目标标准栅格图像对应的目标人脸特征向量；获取所述注册标准栅格图像对应的注册人脸特征向量；根据所述目标人脸特征向量与所述注册人脸特征向量进行特征比对，确定人脸比对结果。

在一个实施例中，所述计算机程序被所述处理器执行时，还用于执行以下步骤：将所述目标标准栅格图像作为栅格特征系数模型的输入，获取所述栅格特征系数模型输出的目标特征系数向量，所述目标特征系数向量中包括与每个格子区域对应的特征系数；根据所述目标特征系数向量对所述目标人脸特征向量和所述注册人脸特征向量进行更新，得到更新目标人脸特征向量和更新注册人脸特征向量；所述根据所述目标人脸特征向量与所述注册人脸特征向量进行比对，确定人脸比对结果，包括：根据所述更新目标人脸特征向量和所述更新注册人脸特征向量进行比对，确定比对结果。

在一个实施例中，所述获取所述注册人脸图像对应的注册人脸特征向量，包括：将所述注册标准栅格图像作为注册特征系数模型的输入，所述注册特征系数模型用于对所述注册标准栅格图像中的格子区域对应的权重系数进行调整，获取所述注册特征系数模型输出的注册特征系数向量；将所述注册标准栅格图像作为所述特征提取模型的输入，获取输出的初始注册特征向量；根据所述注册特征系数向量和所述初始注册特征向量确定与所述注册人脸图像对应的注册人脸特征向量。

在一个实施例中，所述根据所述目标人脸特征向量与所述注册人脸特征向量进行特征比对，确定人脸比对结果，包括：计算所述目标人脸特征向量分别与每一个所述注册人脸特征向量之间的特征距离；根据所述目标人脸特征向量与每个所述注册人脸特征向量之间的特征距离确定所述人脸比对结果。

在一个实施例中，所述获取待识别的目标人脸图像，包括：获取待识别的初始图像，所述初始图像中包括人脸；对所述初始图像中的人脸进行检测，提取出人脸图像；根据所述人脸图像中的关键特征点将所述人脸图像进行仿射变换得到目标人脸图像。

在一个实施例中，所述栅格映射模型是基于深度神经网络模型训练得到的；

所述栅格映射模型的训练包括以下步骤：获取训练人脸图像集，所述训练人脸图像集中包括多个训练人脸图像；获取所述训练人脸图像对应的人脸图像标注，所述人脸图像标注为包含有多个格子区域的训练栅格图像；将所述训练人脸图像作为所述栅格映射模型的输入，将相应的所述训练栅格图像作为期望的输出对所述栅格映射模型进行训练，得到训练好的栅格映射模型。

需要说明的是，上述人脸比对方法、人脸比对装置、计算机设备及计算机可读存储介质属于一个总的发明构思，人脸比对方法、人脸比对装置、计算机设备及计算机可读存储介质实施例中的内容可相互适用。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。