人脸图像的识别方法和装置、存储介质、电子装置与流程

1.本申请涉及人工智能领域，具体而言，涉及一种人脸图像的识别方法和装置、存储介质、电子装置。


背景技术：

2.现有的技术中，为了提高人脸识别的准确率，会使用越来越深的卷积神经网络来提取特征，虽然准确率提升了，但是模型需要训练的时间也越来越长，模型也越来越大，导致的问题就是识别速度较慢，而且比较难以应用于小型设备或者移动端。而且基本上都只在训练网络的最后一层使用分类器，如此可能会忽略掉中间部分神经网络的特征，从而损失一些边缘及纹理特征。
3.如专利cn111639535a公开了一种基于深度学习的人脸识别方法及装置，该人脸识别方法使用了多个损失函数结合的方式使得人脸模型训练的过程类间的距离更加的均匀。但是其只是在图像输出的最后使用了一个分类器，没有更充分的利用中前期卷积层网络输出的的一些特征。
4.专利cn108346208a公开了一种基于深度学习的人脸识别系统。该系统采用了101层的deep resnet深层网络，虽然较深的网络能够有效的提高人脸识别的准确率，但是其需要较大的训练成本，同时识别也需要较长的时间。
5.针对上述相关技术中神经网络模型的体积过大的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本申请实施例提供了一种人脸图像的识别方法和装置、存储介质、电子装置，以至少解决相关技术中神经网络模型的体积过大的技术问题。
7.根据本申请实施例的一个方面，提供了一种人脸图像的识别方法，包括：获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像。
8.可选地，在通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像时，将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型；通过所述轻量级卷积神经网络模型提取所述第一图像的第一特征和所述第二图像的第二特征；通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像。
9.可选地，在将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型时，通过多任务卷积神经网络对所述第一图像和所述第二图像进行人脸检测、人脸关键点对齐以及尺寸归一化处理后，输入所述轻量级卷积神经网络模型。
10.可选地，在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，通过联合使用所述轻量级卷积神经网络模型的中间层融合后的辅助分类器和末端的分类器确定所述第一图像是否为所述目标对象的人脸图像。
11.可选地，所述轻量级卷积神经网络模型为squeezenet网络，中间层融合采用concat的特征融合方式。
12.可选地，在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，计算所述第一图像的第一特征和所述第二图像的第二特征之间的欧氏距离；在所述欧氏距离大于目标阈值的情况下，确定所述第一图像为所述目标对象的人脸图像；在所述欧氏距离不大于所述目标阈值的情况下，确定所述第一图像不是所述目标对象的人脸图像。
13.根据本申请实施例的另一方面，还提供了一种人脸图像的识别装置，包括：获取单元，用于获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；识别单元，用于通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像。
14.可选地，识别单元还用于在通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像时，将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型；通过所述轻量级卷积神经网络模型提取所述第一图像的第一特征和所述第二图像的第二特征；通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像。
15.可选地，识别单元还用于在将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型时，通过多任务卷积神经网络对所述第一图像和所述第二图像进行人脸检测、人脸关键点对齐以及尺寸归一化处理后，输入所述轻量级卷积神经网络模型。
16.可选地，识别单元还用于在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，通过联合使用所述轻量级卷积神经网络模型的中间层融合后的辅助分类器和末端的分类器确定所述第一图像是否为所述目标对象的人脸图像。
17.可选地，所述轻量级卷积神经网络模型为squeezenet网络，中间层融合采用concat的特征融合方式。
18.可选地，识别单元还用于在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，计算所述第一图像的第一特征和所述第二图像的第二特征之间的欧氏距离；在所述欧氏距离大于目标阈值的情况下，确定所述第一图像为所述目标对象的人脸图像；在所述欧氏距离不大于所述目标阈值的情况下，确定所述第一图像不是所述目标对象的人脸图像。
19.根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。
20.根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存
储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。
21.在本申请实施例中，获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像，本方案使用了一种基于轻量级卷积神经网络改进的网络来识别人脸，训练出来的模型大小比较小，可以更好的应用在小型移动设备端，可以解决相关技术中神经网络模型的体积过大的技术问题。
附图说明
22.此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
23.图1是根据本申请实施例的一种可选的人脸图像的识别方法的流程图；
24.图2是根据本申请实施例的一种可选的网络模型的示意图；
25.图3是根据本申请实施例的一种可选的网络模型的示意图；
26.图4是根据本申请实施例的一种可选的识别方案的示意图；
27.图5是根据本申请实施例的一种可选的网络模型的示意图；
28.图6是根据本申请实施例的一种可选的人脸图像的识别装置的示意图；
29.以及
30.图7是根据本申请实施例的一种终端的结构框图。
具体实施方式
31.为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
32.需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
33.根据本申请实施例的一方面，提供了一种人脸图像的识别方法的实施例。图1是根据本申请实施例的一种可选的人脸图像的识别方法的流程图，如图1所示，该方法可以包括以下步骤：
34.步骤s1，获取第一图像和第二图像，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像。
35.步骤s2，通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像。
36.目前的卷积神经网络层数越来越深，导致模型的大小比较大，本方案使用轻量级卷积神经网络，使其方便在小型移动端设备的使用，减小了模型的大小，可以用更短的时间进行人脸识别。
37.可选地，在通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像时，将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型；通过所述轻量级卷积神经网络模型提取所述第一图像的第一特征和所述第二图像的第二特征；通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像。
38.可选地，在将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型时，通过多任务卷积神经网络对所述第一图像和所述第二图像进行人脸检测、人脸关键点对齐以及尺寸归一化处理后，输入所述轻量级卷积神经网络模型。
39.可选地，在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，通过联合使用所述轻量级卷积神经网络模型的中间层融合后的辅助分类器和末端的分类器确定所述第一图像是否为所述目标对象的人脸图像。通过添加的softmax分类器更好的利用了中间神经层提取出来的特征，提升了识别的准确率。
40.一般的神经网络都是只在网络最后的输出中使用一个分类器进行分类，但是神经网络中间层学习到的颜色、边缘等特征却没有被充分的利用，导致神经网络模型的识别准确率达到了瓶颈。本方案结合中间层卷积层的特征并且进行分类，参与到最后的分类中，使得模型中间层的特征能够被充分地利用，增加了模型识别的准确率。
41.可选地，所述轻量级卷积神经网络模型为squeezenet网络，中间层融合采用concat的特征融合方式。
42.可选地，在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，计算所述第一图像的第一特征和所述第二图像的第二特征之间的欧氏距离；在所述欧氏距离大于目标阈值的情况下，确定所述第一图像为所述目标对象的人脸图像；在所述欧氏距离不大于所述目标阈值的情况下，确定所述第一图像不是所述目标对象的人脸图像。
43.本文提出的基于轻量级神经网络squeezenet改进的网络来进行人脸识别，首先这种轻量级的神经网络能够很好的使用在小型的移动设备端，而且具有更快的识别速度。原始网络如图2所示，改进的网络如图3所示，通过在神经网络的中间层融合后的输出特征设置一个辅助softmax分类器，与末端的softmax分类器的联合使用能够使得人脸识别率有更好的效果。
44.通过上述步骤，获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像，本方案使用了一种基于轻量级卷积神经网络改进的网络来识别人脸，训练出来的模型大小比较小，可以更
好的应用在小型移动设备端，可以解决相关技术中神经网络模型的体积过大的技术问题。
45.本申请的主要贡献在于通过对轻量级卷积神经网络squeezenet中间部分的卷积层进行融合，同时在该网络的中间部分卷积层新增加一个softmax分类器参与到最后的分类结果中，以达到更好的人脸识别效果。作为一种可选的实施例，如图4所示，下文结合具体的实施方式进一步详述本申请的技术方案。
46.一、基本原理
47.1.轻量级卷积神经网络squeezenet
48.用于物体分类的网络模型squeezenet(主要包括卷积层conv、卷积模块fire、池化层maxpool、全连接层global avgpool、分类器softmax)，该网络模型的设计出了一种fire的卷积模块(fire module)，整个网络模型主要是通过fire模块进行叠加形成的。fire module中又是有两层的卷积层的叠加，第一层是使用了1*1的卷积核，称为squeeze层(记为s1*1)，第二层是使用了不同大小的卷积核，分别为1*1和3*3的卷积核，称为expand层(记为e1*1和e3*3)，两个卷积核通过融合的方式作为一层卷积层。为了能够减少3*3的通道数，从而降低运算量，直接通过s1*1的值小于e1*1与e3*3的和的设计来实现减少通道数的效果。另外一个参数能够如此大量减少的原因是因为它去掉了以往经常使用的全连接层，直接使用平均池化层来替代。通过上述处理之后最终的网络参数大小只有4.8m，在相同精度的情况下足足比alexnet减少了50倍，而且如果进一步对网络模型使用deep compression进行深度压缩的话，能够大幅度的精简神经网络，模型的大小能压缩到不足1m。相比于alexnet的对比网络，虽然减少了参数量，但是其计算量却增加了，但是这样做的效果却更好，因为计算的耗时远比数据存取的耗时小，所以在目前计算水平的加持下，网络设计时把参数读取的代价相应转到了计算量上。整体的squeezenet神经网络结构如图5所示。
49.2.特征融合
50.现在的卷积神经都有越来越深的层次，其中包括低层的特征图和高层的特征图，低层特征图往往有更高的分辨率，包含有更多的细节信息和位置信息，但是因为其经过卷积的层数比较少，所以其语义性更低，并且会有较多的噪声。相比在高层的特征中，其有更强的语义信息，但是对应特征图的分辨率比较低，所以对一些图像的细节信息感知力较次。在许多特征提取的工作中，很多研究人员选择把不同尺度的特征进行融合，就是把浅层特征和高层特征进行高效融合，这种方式是改善神经网络结构的比较好的方式。
51.我们使用的是concat的特征融合方式，concat操作就是将原始特征作为融合的一部分直接对通道进行拼接，对于原始特征没有进行操作，这个过程中信息不会损失。
52.二、改进的轻量级卷积神经网络
53.1.图片预处理
54.对待识别人脸和人脸库中的图像使用mtcnn(multi
‑
task convolutional neural network)的技术进行检测人脸并将人脸进行对齐，将对齐好的人脸截取成指定像素大小，将图像转换成图像矩阵。
55.2.卷积层融合
56.将预处理过的人脸图像矩阵输入squeezenet轻量级卷积神经网络，其中我们将最大池化层maxpool1的输出和fire2的输出使用concat的方式进行融合，融合的前提是必须保证经过池化层输出和fire模块输出的特征图尺寸保持一致才能进行融合，否则会出现融
合失败的情况，同理我们将maxpool1和fire4的输出进行了融合，这样一方面可以保证浅层特征图的特征足够多，另外一方面也保证了浅层和深层特征相互弥补，使特征图包含更多的语义。
57.对于我们提出的池化层引入到后续卷积层的融合方法，其过程是通过池化操作来提取前一级神经网络的j个特征图，然后使用fire模块中的卷积操作对池化输出的j个特征图提取特征，然后输出s个特征图，最后将s和j个特征图融合，得到n个特征图，其中j+s＝n，见下式(1)：
58.x
n
＝f[w
j
down(x)
j
+b
j
]f(w
s
s
s
+b
s
)。
[0059]
3.组建双分类器
[0060]
为了保证融合特征输出的维度和最终的con10相同，我们将融合输出的特征的一个分支经过conv11卷积计算来保证输出的维度，然后再经过softmax1分类器。然后将融合输出的特征的第二个分支经过接下来的卷积层和池化层，最后经过softmax2分类器，我们将两个分类器对同一个网络的不同深度的卷积层进行分类，我们定义其代价函数为下式(2)：
[0061][0062]
式(2)中，k为类别标签y可取值的个数，yi∈{1,2,
…
,k}。1{}是示性函数，其取值规则为1{值为真的表达式}＝1，1{值为假的表达式}＝0。f
j
为第j个神经元经过激活函数f后的输出。第二项是正则化项，目的为抑制过拟合，其中λ为正则化项系数，s为网络第l层的神经元个数，t为网络第l+1层的神经元个数，w
lij
为网络第l+1层的第j个神经元与第l层第i个神经元之间的权重参数。
[0063]
在本模型中，我们使用rulu非线性激活函数，本模型由卷积、池化、全连接层等几中不同类型的层组成，对于卷积层，假设第l层为卷积层，第l
‑
1层即为输入层，第l+1层为池化层，则该卷积层的第j个特征图的输出的公式如下式(3)：
[0064][0065]
式(3)中，f即为式(2)中的relu非线性激活函数。m
j
表示与该卷积层第j张特征图相连接的l
‑
1层中的特征图的集合。k
lij
表示第l层中的卷积核，x
l
‑
1i
表示卷积核k
lij
映射到m
j
中第i个元素的区域，’*’代表卷积操作。b
lj
表示该卷积层的第j个特征图所对应的偏置项。
[0066]
对于池化层，假设第l层为池化层，第l
‑
1层为卷积层，则该池化层的第j张特征图输出的计算如下式(4)：
[0067][0068]
式中，down()表示下采样函数，ηlj为第l层的第j个特征图的乘性偏置。x
l
‑
1j
为l
‑
1层中的第j张输入特征图，b
lj
表示该池化层的第j个特征图对应的偏置项。与式(3)中的卷积操作相比，池化操作不需经过relu非线性激活函数。
[0069]
对于全连接层，假设第l层为全连接层，第l
‑
1层即为输入层，则第l层的激活函数
的计算公式如下式(5)：
[0070]
x
l
＝f(w
l
·
x
l
‑1+b
l
)，
[0071]
式中，w
l
为第l层的权重，x
l
‑1为第l
‑
1层的神经元，bl为该层的偏置项。
[0072]
根据式2
‑
式5公式则完成了前向传播的过程，我们设置softmax2辅助分类器来辅助softmax1进行分类，我们设置softmax1和softmax2的损失函数分别为j1和j2，我们通过加权的方式使得总体的损失函数为j
sum
＝αj1+βj2，由此损失函数进行反向传播。通过对α和β的调参找出最合适的比例。一般softmax1作为卷积层最后的输出，包含有更丰富的语义，所以我们设置其拥有较大的权值，而作为中间层分类器的softmax2我们设置较小的权值。
[0073]
我们使用随机梯度下降优化算法(stochastic gradient decent，sgd)来求解本文模型，其算法步骤具有较少的参数，我们采用sgd优化算法将提高网络预测准确率的目的转化为最小化代价函数j
sum
的值，进而通过有限次迭代求解本文模型。在随机梯度下降法中每一次迭代都按照如下公式对参数w和b进行更新，如式(6)所示：
[0074][0075]
式(6)中，γ为学习速率，由此，通过每一次的正向传播与反向传播求出所有所需变量，通过式(6)更新权重参数w
l
和b
l
后，便可重复sgd的迭代步骤来减小代价函数j
sum
的值，从而求解本文模型。
[0076]
总体流程：
[0077]
将待识别的图像和人脸库中的待比对的图像使用mtcnn进行人脸检测和对齐，并截取成指定像素大小。
[0078]
将处理好的两张人脸图像使用改进的轻量级卷积神经网络进行特征提取，经过中间的卷积层和池化层，以及使用卷积融合和使用双softmax分类器进行网络训练，计算两张图片的欧氏距离。
[0079]
设定阈值，将上步输出的欧氏距离和阈值进行比较，比阈值小的则判定为不是同一个人，大于阈值则为同一个人。
[0080]
除了使用concat融合的方式，还能使用add的方式进行融合，add操作实现的特征融合不会导致维度的增加，而是让每一维的信息量在增加，通过这种方式的融合也具有模型改良的效果。
[0081]
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，本申请并不受所描述的动作顺序的限制，因为依据本申请，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，所涉及的动作和模块并不一定是本申请所必须的。
[0082]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算
机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
[0083]
根据本申请实施例的另一个方面，还提供了一种用于实施上述人脸图像的识别方法的人脸图像的识别装置。图6是根据本申请实施例的一种可选的人脸图像的识别装置的示意图，如图6所示，该装置可以包括：
[0084]
获取单元61，用于获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；识别单元63，用于通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像。
[0085]
需要说明的是，该实施例中的获取单元61可以用于执行本申请实施例中的步骤s1，该实施例中的识别单元63可以用于执行本申请实施例中的步骤s2。
[0086]
通过上述模块，获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像，本方案使用了一种基于轻量级卷积神经网络改进的网络来识别人脸，训练出来的模型大小比较小，可以更好的应用在小型移动设备端，可以解决相关技术中神经网络模型的体积过大的技术问题。
[0087]
可选地，识别单元还用于在通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像时，将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型；通过所述轻量级卷积神经网络模型提取所述第一图像的第一特征和所述第二图像的第二特征；通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像。
[0088]
可选地，识别单元还用于在将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型时，通过多任务卷积神经网络对所述第一图像和所述第二图像进行人脸检测、人脸关键点对齐以及尺寸归一化处理后，输入所述轻量级卷积神经网络模型。
[0089]
可选地，识别单元还用于在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，通过联合使用所述轻量级卷积神经网络模型的中间层融合后的辅助分类器和末端的分类器确定所述第一图像是否为所述目标对象的人脸图像。
[0090]
可选地，所述轻量级卷积神经网络模型为squeezenet网络，中间层融合采用concat的特征融合方式。
[0091]
可选地，识别单元还用于在通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像时，计算所述第一图像的第一特征和所述第二图像的第二特征之间的欧氏距离；在所述欧氏距离大于目标阈值的情况下，确定所述第一图像为所述目标对象的人脸图像；在所述欧氏距离不大于所述目标阈值的情况下，确定所述第一图像不是所述目标对象的人脸图像。
[0092]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在相应的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
[0093]
根据本申请实施例的另一个方面，还提供了一种用于实施上述人脸图像的识别方法的服务器或终端。
[0094]
图7是根据本申请实施例的一种终端的结构框图，如图7所示，该终端可以包括：一个或多个(仅示出一个)处理器201、存储器203、以及传输装置205，如图7所示，该终端还可以包括输入输出设备207。
[0095]
其中，存储器203可用于存储软件程序以及模块，如本申请实施例中的人脸图像的识别方法和装置对应的程序指令/模块，处理器201通过运行存储在存储器203内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的人脸图像的识别方法。存储器203可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器203可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0096]
上述的传输装置205用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置205包括一个网络适配器(network interface controller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置205为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0097]
其中，具体地，存储器203用于存储应用程序。
[0098]
处理器201可以通过传输装置205调用存储器203存储的应用程序，以执行下述步骤：
[0099]
获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像。
[0100]
处理器201还用于执行下述步骤：
[0101]
在通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像时，将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型；通过所述轻量级卷积神经网络模型提取所述第一图像的第一特征和所述第二图像的第二特征；通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像。
[0102]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0103]
本领域普通技术人员可以理解，图7所示的结构仅为示意，终端可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图7其并不对上述电子装置的结构造成限定。例如，终端还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图7所示不同的配置。
[0104]
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终端设备相关的硬件来完成，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(read
‑
only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0105]
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行人脸图像的识别方法的程序代码。
[0106]
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
[0107]
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
[0108]
获取第一图像和第二图像，其中，所述第一图像为待识别的图像，所述第二图像为目标对象的人脸图像；通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像。
[0109]
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
[0110]
在通过轻量级卷积神经网络模型对所述第一图像和所述第二图像的处理，确定所述第一图像是否为所述目标对象的人脸图像时，将所述第一图像和所述第二图像输入所述轻量级卷积神经网络模型；通过所述轻量级卷积神经网络模型提取所述第一图像的第一特征和所述第二图像的第二特征；通过所述轻量级卷积神经网络模型对所述第一图像的第一特征和所述第二图像的第二特征进行处理，确定所述第一图像是否为所述目标对象的人脸图像。
[0111]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0112]
可选地，在本实施例中，上述存储介质可以包括但不限于：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。
[0113]
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
[0114]
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
[0115]
在本申请的上述实施例中，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。
[0116]
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0117]
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。
[0118]
另外，在本申请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。
[0119]
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。