一种人脸图像识别方法及装置、电子设备和存储介质与流程

本公开涉及计算机视觉技术领域，尤其涉及一种人脸图像识别方法及装置、电子设备和存储介质。

背景技术：

基于深度学习的人脸识别应用，目前非常普遍。通过深度学习得到的人脸识别模型的性能与其训练所用的数据类型息息相关，为了提高人脸识别的识别效率和准确度，需要对人脸识别模型进行改善、或者提高用于该模型训练的训练数据的有效性(有效性指有助于人脸识别模型的改善，并能有助于挖掘出更多对模型训练有帮助的信息)，然而，相关技术中未存在有效的解决方案。

技术实现要素：

本公开提出了一种人脸图像识别技术方案。

根据本公开的一方面，提供了一种人脸图像识别方法，所述方法包括：

从人脸图像数据中提取属于不同人脸的待处理图像数据；

根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对；其中，所述非配对的人脸图像数据对用于表征属于不同人脸的两张人脸图像的特征；

根据所述非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络。

采用本公开，由于可以针对属于不同人脸的两两人脸图像特征，来形成非配对的人脸图像数据对，从而可以得到属于不同人脸图像但却特征相近的两两人脸图像特征，因此，根据该非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络，相比之前的人脸图像识别网络会更加完善，可以在使用目标识别网络对待识别的人脸图像进行识别时，提高对人脸图像的识别效率和准确率。可能的实现方式中，所述从人脸图像数据中提取属于不同人脸的待处理图像数据，包括：

根据所述人脸图像识别网络，提取所述人脸图像数据中人脸图像的特征；

将属于不同人脸图像的特征作为所述待处理图像数据。

采用本公开，可以根据所述人脸图像识别网络，提取所述人脸图像数据中人脸图像的特征，由于需要针对属于不同人脸的两两人脸图像特征，来形成非配对的人脸图像数据对，因此，将属于不同人脸图像的特征作为所述待处理图像数据。

可能的实现方式中，所述根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对，包括：

所述属于不同人脸的特征至少包括第一人脸中的第一特征和第二人脸中的第二特征；

根据所述第一特征和所述第二特征得到的相似度符合预设条件的情况下，将所述第一人脸和所述第二人脸构造为所述人脸图像数据对。

采用本公开，由于属于不同人脸的特征有很多，需要筛选出属于不同人脸但较为相似的特征，这样一来，根据该较为相似的特征形成非配对的人脸图像数据对，才有利于人脸图像识别网络的训练，因此，可以至少根据第一人脸的第一特征和第二人脸的第二特征得到的相似度符合预设条件的情况下，将所述第一人脸和所述第二人脸构造为所述人脸图像数据对。

可能的实现方式中，所述对人脸图像识别网络进行训练之前，所述方法还包括：

根据所述人脸图像数据对之间的特征相关性，得到采样顺序。

采用本公开，对人脸图像识别网络进行训练之前，需要根据所述人脸图像数据对之间的特征相关性，得到采样顺序，以便根据该采样顺序从训练样本中提取样本数据，从而有利于人脸图像识别网络的训练。如果不考虑采样顺序，比如随机采样，势必降低人脸图像识别网络的训练效果。

可能的实现方式中，所述根据所述人脸图像数据对之间的特征相关性，得到采样顺序，包括：

根据所述人脸图像数据对之间的特征，得到特征集合；

根据所述特征集合构造特征树kd-tree，人脸图像数据对之间的特征相关性近的特征作为所述kd-tree的相邻节点；

将遍历所述kd-tree得到的遍历路径作为所述采样顺序。

采用本公开，采用kd-tree，并根据人脸图像数据对之间的特征相关性近的特征作为kd-tree的相邻节点，那么，遍历kd-tree得到遍历路径后，可以将该遍历路径作为采样顺序，根据该采样顺序从训练样本中提取样本数据，有利于人脸图像识别网络的训练。可能的实现方式中，所述得到采样顺序之后，所述方法还包括：

将根据所述采样顺序读取的人脸图像数据对，作为输入所述人脸图像识别网络的训练样本。

采用本公开，根据该采样顺序从训练样本中提取样本数据，有利于人脸图像识别网络的训练。

可能的实现方式中，所述人脸图像数据对，至少来源于用于人脸训练的第一人脸图像集合和采集人脸得到的第二人脸图像集合，且两个人脸图像集合中的人脸为不相同。

采用本公开，可以将人脸图像数据对从预先划分好的两个人脸图像集合中获取，两个人脸图像集合中的人脸为不相同，从而避免了从一个人脸图像集合中筛选不同人脸的处理成本，可以更快得到用于训练人脸图像识别网络的样本数据“非配对的人脸图像数据对”。

可能的实现方式中，所述对人脸图像识别网络进行训练，包括：

对所述人脸图像识别网络进行训练的每次迭代中，保存样本特征；

所述样本特征包括从所述第一人脸图像集合中提取的特征，经多次迭代得到样本特征集。

采用本公开，对人脸图像识别网络进行训练的过程中，将从第一人脸图像集合中提取的特征作为样本特征并保存，可以更多的保留特征，从而为下一次对人脸图像识别网络的迭代训练更多参考特征，有利于人脸图像识别网络的训练。可能的实现方式中，所述对人脸图像识别网络进行训练，还包括：

根据每次迭代中从所述第二人脸图像集合中提取的当前人脸特征和上一次迭代得到样本特征集中的所有样本特征，计算损失函数；

根据所述损失函数的反向传播来训练所述人脸图像识别网络。

采用本公开，在每次迭代中，可以根据第二人脸图像集合中提取的当前人脸特征和上一次迭代保存的样本特征来计算损失函数，从而根据该损失函数的反向传播来训练人脸图像识别网络，得到的目标识别网络，相比之前的人脸图像识别网络会更加完善，可以在使用目标识别网络对待识别的人脸图像进行识别时，提高对人脸图像的识别效率和准确率。

根据本公开的一方面，提供了一种人脸图像识别装置，所述装置包括：

提取单元，用于从人脸图像数据中提取属于不同人脸的待处理图像数据；

第一处理单元，用于根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对；其中，所述非配对的人脸图像数据对用于表征属于不同人脸的两张人脸图像的特征；

第二处理单元，用于根据所述非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络。

可能的实现方式中，所述提取单元，进一步用于：

根据所述人脸图像识别网络，提取所述人脸图像数据中人脸图像的特征；

将属于不同人脸图像的特征作为所述待处理图像数据。

可能的实现方式中，所述第一处理单元，进一步用于：

所述属于不同人脸的特征至少包括第一人脸中的第一特征和第二人脸中的第二特征；

根据所述第一特征和所述第二特征得到的相似度符合预设条件的情况下，将所述第一人脸和所述第二人脸构造为所述人脸图像数据对。

可能的实现方式中，所述装置还包括第三处理单元，用于：

根据所述人脸图像数据对之间的特征相关性，得到采样顺序。

可能的实现方式中，所述第三处理单元，进一步用于：

根据所述人脸图像数据对之间的特征，得到特征集合；

根据所述特征集合构造特征树kd-tree，人脸图像数据对之间的特征相关性近的特征作为所述kd-tree的相邻节点；

将遍历所述kd-tree得到的遍历路径作为所述采样顺序。

可能的实现方式中，所述第二处理单元，进一步用于：

将根据所述采样顺序读取的人脸图像数据对，作为输入所述人脸图像识别网络的训练样本。

可能的实现方式中，所述人脸图像数据对，至少来源于用于人脸训练的第一人脸图像集合和采集人脸得到的第二人脸图像集合，且两个人脸图像集合中的人脸为不相同。

可能的实现方式中，所述第二处理单元，进一步用于：

对所述人脸图像识别网络进行训练的每次迭代中，保存样本特征；

所述样本特征包括从所述第一人脸图像集合中提取的特征，经多次迭代得到样本特征集。

可能的实现方式中，所述第二处理单元，进一步用于：

根据每次迭代中从所述第二人脸图像集合中提取的当前人脸特征和上一次迭代得到样本特征集中的所有样本特征，计算损失函数；

根据所述损失函数的反向传播来训练所述人脸图像识别网络。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述人脸图像识别方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述人脸图像识别方法。

在本公开实施例中，从人脸图像数据中提取属于不同人脸的待处理图像数据；根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对；其中，所述非配对的人脸图像数据对用于表征属于不同人脸的两张人脸图像的特征；根据所述非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络。采用本公开，由于可以针对属于不同人脸的两两人脸图像特征，来形成非配对的人脸图像数据对，从而可以得到属于不同人脸图像但却特征相近的两两人脸图像特征，因此，根据该非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络，相比之前的人脸图像识别网络会更加完善，后续在目标识别网络对待识别的人脸图像进行识别时，能提高对人脸图像的识别效率和准确率。

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，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的人脸图像识别方法的流程图。

图2示出根据本公开实施例的人脸图像识别方法的流程图。

图3示出根据本公开实施例的人脸图像识别网络训练过程流程图。

图4示出根据本公开实施例的人脸图像识别网络训练过程流程图。

图5示出根据本公开实施例的人脸图像识别装置的框图。

图6示出根据本公开实施例的电子设备的框图。

图7示出根据本公开实施例的电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

随着深度学习的发展，人脸识别技术在很多应用场景都得到了应用，尤其是在安防监控中更是不可或缺的一个模块。通过深度学习得到的人脸识别网络的性能与其训练所用的数据类型息息相关，为了在某一场景(如视频分析、安防人脸监控等)下得到更好的识别处理效率和准确性等性能，可以通过采集该场景下的人脸数据对人脸识别网络做训练(如增量训练)。所述增量训练是指：根据新的训练样本进行训练，以不断地从新的训练样本中学习新的知识，并能保存大部分以前已经学习到的历史知识，比如根据同一人脸得到的两两配对人脸图像数据进行训练所得到的历史记录，本公开在此基础上增加了根据不同人脸得到的两两非配对人脸图像数据进行训练的过程。

需要指出的是，为了在增量训练中不引入噪声，可以使用采集的人脸图像构造无标签数据做无监督训练。在训练过程中，人脸图像按照“成对”的方式被输送进人脸识别网络进行训练。由于这种无监督训练方式只在成对的人脸之间进行约束，即使有多对人脸图像被输送进人脸识别网络，不同对的人脸图像之间由于并没有进行约束，因此，无法挖掘更多对训练该人脸识别网络有帮助的有效信息，从而导致采用这种训练方式得到的训练后人脸识别网络(如用于识别人脸图像的目标识别网络)的处理效率比较低效，识别精度也不高。

本公开中，可以采用属于不同人脸的待处理图像数据，根据属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对，从而，根据该非配对的人脸图像数据进行上述增量训练，由于在不同对的人脸图像之间进行约束，因此，可以挖掘出更多对训练该人脸识别网络有帮助的有效信息，导致采用本公开训练方式得到的训练后人脸识别网络(如用于识别人脸图像的目标识别网络)的处理效率比较高效，提高了识别精度。

图1示出根据本公开实施例的人脸图像识别方法的流程图，该人脸图像识别方法应用于人脸图像识别装置，例如，人脸图像识别装置可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(ue，userequipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(pda，personaldigitalassistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该人脸图像识别方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该流程包括：

步骤s101、从人脸图像数据中提取属于不同人脸的待处理图像数据。

一示例中，获取人脸图像数据，人脸图像数据为多个不同人脸的图像数据。根据人脸图像识别网络提取该人脸图像数据中人脸图像的特征，比如，可以采用人脸图像识别网络中的特征提取功能模块，对该人脸图像数据中人脸图像的特征进行特征提取。将属于不同人脸图像的特征作为该待处理图像数据，该待处理图像数据由多个人脸特征组成，包括同一人脸的多个人脸特征及不同人脸的多个人脸特征。

步骤s102、根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对；其中，所述非配对的人脸图像数据对用于表征属于不同人脸的两张人脸图像的特征。

可能的实现方式中，属于不同人脸的待处理图像数据，可以是对多个不同人脸的图像数据进行特征提取后所得到的多个特征，计算该多个特征中两两特征之间的相似度，如果两两特征之间的相似度符合预设条件，则查询具备相似度的两两特征所分别对应的人脸图像，根据查询到的人脸图像构造所述人脸图像数据对，该人脸图像数据对(如非配对人脸图像对)也可以称为“成对”的无标签数据，即在后续训练过程中将该非配对人脸图像作为无标签数据，并成对地输入人脸图像识别网络，以训练该人脸图像识别网络。

一示例中，用“第一”、“第二”这种指代来区分来源于不同人脸图像的不同特征。上述属于不同人脸的特征至少包括第一人脸中的第一特征和第二人脸中的第二特征，根据所述第一特征和所述第二特征得到的相似度符合预设条件的情况下，将所述第一人脸和所述第二人脸构造为所述人脸图像数据对。

步骤s103、根据所述非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络。

一示例中，将多个人脸图像数据对作为无标签数据，并成对地输入人脸图像识别网络，以训练该人脸图像识别网络。

采用本公开，通过上述步骤s101-步骤s102，可以得到用于该人脸图像识别网络训练的训练样本，即：多个人脸图像数据对(如非配对人脸图像对)，其中，非配对人脸图像对指：两张人脸图像不属于同一个人。通过上述步骤s103，可以利用不同对人脸图像数据间可能产生的约束性(或称相关性)，得到非配对的人脸图像数据对后更有效的训练该人脸图像识别网络。在实际应用中，比如，在智能视频分析或安防人脸监控场景中，可以根据该目标识别网络对待识别的人脸图像进行识别，得到识别结果。由于根据非配对的人脸图像数据对可以更有效的训练该人脸图像识别网络并对其网络参数进行完善，因此，通过训练该人脸图像识别网络得到用于识别人脸图像的目标识别网络后，根据该目标识别网络进行图像识别，识别处理效果更高，且提高了识别精度。

图2示出根据本公开实施例的人脸图像识别方法的流程图，该人脸图像识别方法应用于人脸图像识别装置，例如，人脸图像识别装置可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(ue，userequipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(pda，personaldigitalassistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该人脸图像识别方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该流程包括：

步骤s201、从人脸图像数据中提取属于不同人脸的待处理图像数据。

一示例中，获取人脸图像数据，人脸图像数据为多个不同人脸的图像数据。根据人脸图像识别网络提取该人脸图像数据中人脸图像的特征，比如，可以采用人脸图像识别网络中的特征提取功能模块，对该人脸图像数据中人脸图像的特征进行特征提取。将属于不同人脸图像的特征作为该待处理图像数据，该待处理图像数据由多个人脸特征组成，包括同一人脸的多个人脸特征及不同人脸的多个人脸特征。

步骤s202、根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对；其中，所述非配对的人脸图像数据对用于表征属于不同人脸的两张人脸图像的特征。

可能的实现方式中，属于不同人脸的待处理图像数据，可以是对多个不同人脸的图像数据进行特征提取后所得到的多个特征，计算该多个特征中两两特征之间的相似度，如果两两特征之间的相似度符合预设条件，则查询具备相似度的两两特征所分别对应的人脸图像，根据查询到的人脸图像构造所述人脸图像数据对，该人脸图像数据对(如非配对人脸图像对)也可以称为“成对”的无标签数据，即在后续训练过程中将该非配对人脸图像作为无标签数据，并成对地输入人脸图像识别网络，以训练该人脸图像识别网络。

一示例中，用“第一”、“第二”这种指代来区分来源于不同人脸图像的不同特征。上述属于不同人脸的特征至少包括第一人脸中的第一特征和第二人脸中的第二特征，根据所述第一特征和所述第二特征得到的相似度符合预设条件的情况下，将所述第一人脸和所述第二人脸构造为所述人脸图像数据对。

步骤s203、根据所述人脸图像数据对之间的特征相关性，得到采样顺序。

一示例中，在增量训练之前，可以按照人脸特征的相关性决定人脸图片的采样顺序，比如，根据所述人脸图像数据对之间的特征，得到特征集合。根据所述特征集合构造特征树kd-tree，人脸图像数据对之间的特征相关性近的特征作为所述kd-tree的相邻节点。将遍历所述kd-tree得到的遍历路径作为所述采样顺序。根据人脸图像特征的相关性计算对人脸图像的采样顺序，可以使得相邻读取的人脸图像具备较大的相关性，也就是说，根据该采样顺序来读取人脸图像，相比较于对人脸图像的随机读取，可以得到不同对人脸图像数据间产生的更多约束性(或称相关性)。而更多约束性(或称相关性)可以更有效的训练该人脸图像识别网络并对其网络参数进行完善。在后续的示例中，可以结合特征记忆模块中保存的样本特征，进一步提高对该人脸图像识别网络的有效训练，提高该人脸图像识别网络的训练效率和准确度。

步骤s204、将根据采样顺序读取的人脸图像数据对，作为输入所述人脸图像识别网络的训练样本。

一示例中，该人脸图像数据对，至少来源于用于人脸训练的第一人脸图像集合和真实环境下采集人脸得到的第二人脸图像集合，且两个人脸图像集合中的人脸为不相同，提取第一人脸图像的特征得到的特征集合在后续应用示例中可以记为集合a，提取第二人脸图像的特征得到的特征集合在后续应用示例中可以记为集合b，此处不做赘述。

步骤s205、根据所述训练样本对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络。

一示例中，将多个人脸图像数据对作为无标签数据，并成对地输入人脸图像识别网络，以训练该人脸图像识别网络。

采用本公开，通过上述步骤s201-步骤s204，可以得到用于该人脸图像识别网络训练的训练样本，即：多个人脸图像数据对(如非配对人脸图像对)，其中，非配对人脸图像对指：两张人脸图像不属于同一个人。通过上述步骤s205，可以利用不同对人脸图像数据间可能产生的约束性(或称相关性)，得到非配对的人脸图像数据对所构成的训练样本，之后，可以根据该训练样本更有效的训练该人脸图像识别网络。在实际应用中，比如，在智能视频分析或安防人脸监控场景中，可以根据该目标识别网络对待识别的人脸图像进行识别，得到识别结果。由于根据该训练样本可以更有效的训练该人脸图像识别网络并对其网络参数进行完善，因此，通过训练该人脸图像识别网络得到用于识别人脸图像的目标识别网络后，根据该目标识别网络进行图像识别，识别处理效果更高，且提高了识别精度。

可能的实现方式中，对人脸图像识别网络进行训练，包括：对所述人脸图像识别网络进行训练的每次迭代中，保存样本特征。所述样本特征包括从所述第一人脸图像集合中提取的特征，经多次迭代得到样本特征集。样本特征在后续应用示例中可以记为fa，fa可以保存在特征记忆模块中，样本特征集在后续应用示例中可以记为fm，fa所构成的集合为fm。，此处不做赘述。

可能的实现方式中，所述对人脸图像识别网络进行训练，还包括：根据每次迭代中从所述第二人脸图像集合中提取的当前人脸特征和上一次迭代得到样本特征集中的所有样本特征，计算损失函数。根据所述损失函数的反向传播来训练所述人脸图像识别网络。可以理解为：每一次迭代保留的人脸特征与上一次迭代的人脸特征计算损失函数，即用每一次迭代保留的人脸特征与上一次迭代的人脸特征进行约束，以得到更多约束信息。而这些约束信息由于可以更有效的训练该人脸图像识别网络，也可以称为“有效信息”。如果在训练过程中仅用当前迭代的两两人脸图像特征计算损失函数，相比于本公开的实现方式而言，得不到更多有效信息，而本公开可以通过在人脸图像识别网络中增加特征记忆模块(用于保存该样本特征)，在训练过程中，将当前迭代的人脸特征与特征记忆模块里的样本特征一起计算损失函数，则可以提供更多的有效信息，从而，在训练过程中可以利用更多的有效信息，更有效的训练该人脸图像识别网络，提高训练效率。

应用示例：

图3示出根据本公开实施例的人脸图像识别网络训练过程流程图，如图3所示，包含：

步骤s301、对采集到的不同人脸图像分别提取特征，构造由非配对人脸图像对构成的训练样本，在训练样本中的图像可以称为训练图像。

步骤s302、根据非配对人脸图像对的特征，计算训练样本中的训练图像在训练时的采样顺序。

步骤s303、按照计算好的采样顺序，读取训练样本中的训练图像，并结合特征记忆模块中的样本特征一起训练人脸图像识别网络。

图4示出根据本公开实施例的人脸图像识别网络训练过程流程图，基于图3-图4所示，对所涉及的具体实现方式描述如下：

一、对采集到的不同人脸图像分别提取特征，构造由非配对人脸图像对构成的训练样本。

输入：从实际应用场景采集的人脸图像、系统原有的人脸训练图像，且两个集合的人脸需保证不存在相同的人脸；

输出：人脸图像特征、非配对人脸图像对。

具体实现方式包括：对输入的人脸图像做人脸对齐；使用当前人脸识别模型对对齐后的人脸图像提取特征，得到人脸识别特征，从实际应用场景采集的人脸图像特征记为集合a，系统原有人脸图像特征记为集合b；将特征集合b与特征集合a中的两两特征计算余弦相似度，并对得到的余弦相似度集合按照从大到小排序，取前10％(该百分比不唯一，可根据实际情况调整，百分比越大，对该人脸图像识别网络的训练难度越大，训练完得到的目标识别网络的性能也越好)的余弦相似度对应的图像组合作为该非配对人脸图像对，并将临界点的余弦相似度作为后续该人脸图像识别网络训练的一个优化目标阈值(threshold)。

二、根据非配对人脸图像对的特征，计算训练样本中的训练图像在训练时的采样顺序。

输入：特征集合a、非配对人脸图像对的信息；

输出：人脸图像识别网络训练时的图像采样顺序。

具体实现方式包括：根据该非配对人脸图像对的信息，构造特征集合c＝{a1,a2,…,an},集合c中的元素为训练所选取的系统原有人脸训练图像的特征；使用特征集合c建立kd-tree，遍历kd-tree，遍历路径则为训练时的图像采样顺序。

三、按照计算好的采样顺序，读取训练样本中的训练图像，并结合特征记忆模块中的样本特征一起训练人脸图像识别网络。

输入：当前人脸图像识别网络、该非配对人脸图像对，图像采样顺序；

输出：训练后得到目标识别网络，即新的人脸图像识别网络。

具体实现方式包括：使用当前人脸图像识别网络的网络参数，初始化该人脸图像识别网络；按照计算好的采样顺序读取该非配对人脸图像对，对于每一次迭代，读取的该非配对人脸图像对至少包含两个部分：ia和ib，ia来源于系统原有人脸训练图像，ib来源于采集的人脸图像。图像ia和ib经过人脸图像识别网络的计算，得到特征fa和fb，然后将fa保存到特征记忆模块。将fb与特征记忆模块中的所有特征集合fm计算损失函数，并更新人脸图像识别网络的网络参数。计算损失函数的公式可以如公式(1)所示，其中，l为损失函数；n、m分别为不同特征各种对应的数量总和；fm为样本特征fa构成的样本特征集合；fb为图像ib经过人脸图像识别网络的计算所得到特征；threshold为根据特征集合b与特征集合a中的两两特征计算余弦相似度时得到的临界点的余弦相似度，即作为该人脸图像识别网络训练的一个优化目标阈值。

需要指出的是：特征记忆模块中的样本特征存在时效性，需要定期删除，从而实现对特征记忆模块中的样本特征的更新。比如，特征记忆模块中的样本特征存在时间超过100(数值不唯一，可根据实际训练效果进行调整)次迭代，则将该样本特征从特征记忆模块中移除，一直进行该迭代处理直到满足预设的迭代次数。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了人脸图像识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种人脸图像识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图5示出根据本公开实施例的人脸图像识别装置的框图，如图5所示，本公开实施例的人脸图像识别装置包括：提取单元31，用于从人脸图像数据中提取属于不同人脸的待处理图像数据；第一处理单元32，用于根据所述属于不同人脸的待处理图像数据，得到非配对的人脸图像数据对；其中，所述非配对的人脸图像数据对用于表征属于不同人脸的两张人脸图像的特征；第二处理单元33，用于根据所述非配对的人脸图像数据对，对人脸图像识别网络进行训练，得到用于识别人脸图像的目标识别网络。

可能的实现方式中，还可以包括识别单元，用于根据所述目标识别网络对待识别的人脸图像进行识别，得到识别结果。

可能的实现方式中，所述提取单元，进一步用于：根据所述人脸图像识别网络，提取所述人脸图像数据中人脸图像的特征；将属于不同人脸图像的特征作为所述待处理图像数据。

可能的实现方式中，所述第一处理单元，进一步用于：所述属于不同人脸的特征至少包括第一人脸中的第一特征和第二人脸中的第二特征；根据所述第一特征和所述第二特征得到的相似度符合预设条件的情况下，将所述第一人脸和所述第二人脸构造为所述人脸图像数据对。

可能的实现方式中，所述装置还包括第三处理单元，用于：根据所述人脸图像数据对之间的特征相关性，得到采样顺序。

可能的实现方式中，所述第三处理单元，进一步用于：根据所述人脸图像数据对之间的特征，得到特征集合；根据所述特征集合构造特征树kd-tree，人脸图像数据对之间的特征相关性近的特征作为所述kd-tree的相邻节点；将遍历所述kd-tree得到的遍历路径作为所述采样顺序。

可能的实现方式中，所述第二处理单元，进一步用于：将根据所述采样顺序读取的人脸图像数据对，作为输入所述人脸图像识别网络的训练样本。

可能的实现方式中，所述人脸图像数据对，至少来源于用于人脸训练的第一人脸图像集合和真实环境下采集人脸得到的第二人脸图像集合，且两个人脸图像集合中的人脸为不相同。

可能的实现方式中，所述第二处理单元，进一步用于：对所述人脸图像识别网络进行训练的每次迭代中，保存样本特征；所述样本特征包括从所述第一人脸图像集合中提取的特征，经多次迭代得到样本特征集。

可能的实现方式中，所述第二处理单元，进一步用于：根据每次迭代中从所述第二人脸图像集合中提取的当前人脸特征和上一次迭代得到样本特征集中的所有样本特征，计算损失函数；根据所述损失函数的反向传播来训练所述人脸图像识别网络。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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。处理组件802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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，图像，视频等。存储器804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。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800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，通信组件816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，所述通信组件816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，电子设备800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，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图7是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图7，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932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922被配置为执行指令，以执行上述方法。

电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(i/o)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器932，上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。