一种人脸特征的转换方法及装置与流程

1.本公开涉及数据处理技术领域，尤其涉及一种人脸特征的转换方法及装置。


背景技术：

2.随着人脸识别技术的不断发展，人脸识别算法的种类也越来越多，而不同人脸识别算法之间是不兼容的。
3.目前，大部分企业在使用一种人脸识别算法时，需要召集相关人员，并利用该种人脸识别算法对相关人员进行人脸特征提取，以形成人脸特征库。后续，在进行人脸识别时，将获取的待识别用户的人脸特征与人脸特征库中的人脸特征进行比对，以确定待识别用户的身份。
4.然而，在不存储人脸图像以保护相关人员隐私的情况下，当企业想要切换使用另一种人脸识别算法时，则需要重新召集相关人员，利用另一种人脸识别算法对相关人员进行人脸特征提取，以形成新的人脸特征库。这样，费时费力，不利于自由切换人脸识别算法。


技术实现要素：

5.本公开实施例提供一种人脸特征的转换方法及装置，用以解决现有技术中存在的在未存储人脸图像的情况下，更换人脸识别算法时需要重新召集相关人员进行特征识别，工作效率低且费时费力的问题。
6.本公开实施例提供的具体技术方案如下：
7.第一方面，提出一种人脸特征的转换方法，包括：
8.获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征；
9.确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征。
10.可选的，所述获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征，包括：
11.获取采集终端发送的待识别对象的第一人脸特征，其中，所述第一人脸特征是所述采集终端采用第一特征提取算法，对所述待识别对象进行特征提取后得到的；或者，
12.接收采集终端采集的待识别对象的人脸图像，采用第一特征提取算法对所述人脸图像进行特征提取，得到对应的第一人脸特征，并删除所述人脸图像。
13.可选的，所述确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，包括：
14.获取样本特征集合，其中，一条样本特征中包含采用第一特征提取算法针对一个图像样本提取的第一样本特征，以及采用目标特征提取算法针对所述一个图像样本提取的目标样本特征；
15.采用所述样本特征集合中的样本特征，对初始的特征转换模型进行训练，直至基
于l2loss损失函数计算得到的所述特征转换模型的损失值，满足预设的收敛条件；
16.将所述特征转换模型对输入特征进行处理的方式，确定为将采用所述第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的特征转换方式。
17.可选的，所述确定采用所述第一特征提取算法提取的人脸特征，与采用目标人脸特征提取算提取的人脸特征之间的特征转换方式，包括：
18.分别采用第一特征提取算法和目标特征提取算法，对图像样本集合中的各个图像样本进行特征提取，得到每一个图像样本对应的第一样本特征和目标样本特征；
19.基于各图像样本对应的第一样本特征生成第一样本特征矩阵，以及基于各图像样本对应的目标样本特征生成目标样本特征矩阵；
20.计算由所述第一样本特征矩阵转换至所述目标样本特征矩阵的旋转矩阵和平移矩阵，并将所述旋转矩阵和平移矩阵，确定为将所述第一特征提取算法提取的人脸特征，与采用目标人脸特征提取算提取的人脸特征进行特征转换的特征转换方式。
21.可选的，所述将所述第一人脸特征转换为目标人脸特征之后，进一步包括：
22.依次计算所述目标人脸特征，与保存的各个由目标特征提取算法提取的待匹配人脸特征之间的相似度；
23.确定相似度最高的待匹配人脸特征，并获取所述待匹配人脸特征关联的身份信息，以及将所述身份信息作为所述待识别对象对应的信息。
24.第二方面，提出一种人脸特征的转换装置，包括：
25.获取单元，获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征；
26.转换单元，确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征。
27.可选的，所述获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征时，所述获取单元具体用于：
28.获取采集终端发送的待识别对象的第一人脸特征，其中，所述第一人脸特征是所述采集终端采用第一特征提取算法，对所述待识别对象进行特征提取后得到的；或者，
29.接收采集终端采集的待识别对象的人脸图像，采用第一特征提取算法对所述人脸图像进行特征提取，得到对应的第一人脸特征，并删除所述人脸图像。
30.可选的，所述确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式时，所述转换单元具体用于：
31.获取样本特征集合，其中，一条样本特征中包含采用第一特征提取算法针对一个图像样本提取的第一样本特征，以及采用目标特征提取算法针对所述一个图像样本提取的目标样本特征；
32.采用所述样本特征集合中的样本特征，对初始的特征转换模型进行训练，直至基于l2loss损失函数计算得到的所述特征转换模型的损失值，满足预设的收敛条件；
33.将所述特征转换模型对输入特征进行处理的方式，确定为将采用所述第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的特征转换方式。
34.可选的，所述确定采用所述第一特征提取算法提取的人脸特征，与采用目标人脸
特征提取算提取的人脸特征之间的特征转换方式时，所述转换单元具体用于：
35.分别采用第一特征提取算法和目标特征提取算法，对图像样本集合中的各个图像样本进行特征提取，得到每一个图像样本对应的第一样本特征和目标样本特征；
36.基于各图像样本对应的第一样本特征生成第一样本特征矩阵，以及基于各图像样本对应的目标样本特征生成目标样本特征矩阵；
37.计算由所述第一样本特征矩阵转换至所述目标样本特征矩阵的旋转矩阵和平移矩阵，并将所述旋转矩阵和平移矩阵，确定为将所述第一特征提取算法提取的人脸特征，与采用目标人脸特征提取算提取的人脸特征进行特征转换的特征转换方式。
38.可选的，所述将所述第一人脸特征转换为目标人脸特征之后，所述转换单元进一步用于：
39.依次计算所述目标人脸特征，与保存的各个由目标特征提取算法提取的待匹配人脸特征之间的相似度；
40.确定相似度最高的待匹配人脸特征，并获取所述待匹配人脸特征关联的身份信息，以及将所述身份信息作为所述待识别对象对应的信息。
41.第三方面，提出一种电子设备，包括：
42.存储器，用于存储可执行指令；
43.处理器，用于读取并执行存储器中存储的可执行指令，以实现上述第一方面中任一项所述的人脸特征的转换方法。
44.第四方面，提出一种计算机可读存储介质，当所述存储介质中的指令由电子设备执行时，使得所述电子设备能够执行上述第一方面中任一项所述的人脸特征的转换方法。
45.本公开有益效果如下：
46.本公开实施例中，获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征，再确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征，这样，在未保存有人脸图像的情况下，能够借助于特征转换方式，将采用第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的形式，使得采用第一特征提取算法替换目标特征提取算法使用时，能够将采用第一特征提取算法提取出的第一人脸特征转换为目标人脸特征，实现了转换后的第一人脸特征能够与采用目标特征提取算法提取的人脸特征进行匹配比较，为后续待识别对象的识别操作提供操作依据，提高了对于特征数据的处理效率。
附图说明
47.图1为本公开实施例中人脸特征的转换流程示意图；
48.图2为本公开实施例中获取进行特征转换的特征转换模型的流程示意图；
49.图3为本公开实施例中人脸识别系统的架构示意图；
50.图4为本公开实施例中人脸特征的转换装置的逻辑结构示意图；
51.图5为本公开实施例中人脸特征的转换装置的实体结构示意图。
具体实施方式
52.为了使本公开的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本公开，并不用于限定本公开。
53.本领域技术人员知道，本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
54.为了解决现有技术中存在的在未存储人脸图像的情况下，更换人脸识别算法时需要重新召集相关人员进行特征识别，工作效率低且费时费力的问题，本公开提出一种人脸特征的转换方法，获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征，再确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征。
55.下面结合附图，对本公开实施例优选的实施方式进行进一步详细说明：
56.参考图1，其为本公开实施例中人脸特征的转换流程示意图，下面结合附图1，对处理设备转换人脸特征的过程进行详细说明。
57.步骤101：获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征。
58.具体的，处理设备获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征，其中，所述处理设备可以采用包括但不限于以下任意一种的处理方式，获取第一人脸特征，其中，所述第一人脸特征可以表征为向量的形式，如，可以是1*n的向量，n为正整数，且n的取值根据实际的特征提取情况而定。
59.方式一、获取采集终端发送的待识别对象的第一人脸特征。
60.具体的，处理设备获取采集终端发送的待识别对象的第一人脸特征，其中，所述第一人脸特征是所述采集终端采用第一特征提取算法，对所述待识别对象进行特征提取后得到的。
61.也就是说，在方式一的实现方式中，所述处理设备与所述采集终端关联使用，由所述采集终端采用第一特征提取算法对待识别对象进行特征提取后得到第一人脸特征，即，所述处理设备直接获取采集终端提取的所述待识别对象的第一人脸特征。
62.例如，假设采集终端为某公司出入口的闸机，当公司职员意图从闸机通过时，闸机作为采集终端采用第一特征提取算法，基于出现在识别区域内的公司职员的人脸，提取出对应的第一人脸特征，并将所述第一人脸特征发送至处理设备。
63.方式二、接收采集终端采集的待识别对象的人脸图像，采用第一特征提取算法对所述人脸图像进行特征提取，得到对应的第一人脸特征，并删除所述人脸图像。
64.具体的，处理设备接收采集终端采集的待识别对象的人脸图像，并采用第一特征提取算法对所述人脸图像进行特征提取，得到对应的第一人脸特征，并在特征提取结束后，删除所述人脸图像。
65.也就是说，在方式二的实现方式中，所述处理设备接收采集终端采集的人脸图像，并采用第一特征提取算法从所述人脸图像中提取出第一人脸特征，进而，为保护待识别对
象的生物信息隐私，删除获取的所述待识别对象的人脸图像。
66.例如，假设采集终端为某公司出入口的闸机，当公司职员意图从闸机通过时，闸机作为采集终端采集出现在识别区域内的公司职员的人脸图像，并将所述人脸图像发送至处理设备，所述处理设备采用第一特征提取算法从所述人脸图像中提取出对应的第一人脸特征，并删除所述人脸图像。
67.步骤102：确定采用第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征。
68.处理设备获取采用第一特征提取算法，提取出待识别对象的第一人脸特征后，确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式。
69.本公开中提出两种特征转换方式，分别为采用特征转换模型，或者，计算用于特征转换的旋转矩阵和平移矩阵，下面分别针对所述两种特征转换方式进行详细说明：
70.一、采用特征转换模型进行特征转换。
71.处理设备可以采用神经网络(visual geometry group network，vgg)架构，或者，残差网络(residual networks，resnets)，或者，用于移动和嵌入式视觉应用的高效模型mobilenet网络作为网络架构，搭建特征转换模型。
72.参考附图2，其为本公开实施例中获取进行特征转换的特征转换模型的流程示意图，下面对将特征转换模型作为特征转换方式的过程进行说明：
73.s1：获取样本特征集合，其中，一条样本特征中包含采用第一特征提取算法针对一个图像样本提取的第一样本特征，以及采用目标特征提取算法针对所述一个图像样本提取的目标样本特征。
74.具体的，处理设备获取图像样本集合，并采用第一特征提取算法对所述图像样本集合中的各个图像样本进行特征提取操作，获得所述各个图像样本各自对应的第一样本特征，以及采用目标特征提取算法，对所述各个图像样本进行特征提取操作，获得所述各个图像样本各自对应的目标样本特征，并将根据同一图像样本得到的第一样本特征和目标样本特征，作为一条样本特征，以及根据各个图像样本得到的各条样本特征，建立样本特征集合。
75.所述处理设备将得到的样本特征集合作为训练样本，用于后续对搭建的特征转换模型进行训练。
76.s2：采用所述样本特征集合中的样本特征，对初始的特征转换模型进行训练，直至基于均方误差(l2loss)损失函数计算得到的所述特征转换模型的损失值，满足预设的收敛条件。
77.处理设备获取样本特征集合后，采用所述样本特征集合中的样本特征，对初始的特征转换模型进行训练。
78.具体的，所述处理设备依次读取样本特征集合中的样本特征，每读取一个样本特征，分别执行以下操作：将所述样本特征中包含的第一样本特征输入特征转换模型，并获得所述特征转换模型输出的结果特征，并根据所述结果特征与所述样本特征中包含的目标样本特征之间的特征距离差异，采用l2loss损失函数，计算所述特征转换模型的损失值，并根
据所述损失值调整所述特征转换模型中用于生成结果特征的网络参数。
79.进一步的，基于计算得到的所述特征转换模型的损失值，确定所述特征转换模型收敛的时机，具体的，当确定所述损失值连续低于设定阈值的次数达到设定门限值时，可以判定所述特征转换模型满足预设的收敛条件，也就是说，可以判定所述特征转换模型训练完成。
80.s3：将所述特征转换模型对输入特征进行处理的方式，确定为将采用所述第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的特征转换方式。
81.处理设备完成特征转换模型的训练后，能够采用所述特征转换模型，将采用第一特征提取算法提取的第一人脸特征转换为所述目标转换算法提取的特征的形式，进而，所述处理设备将所述特征转换模型，确定为将采用所述第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的特征转换方式。
82.这样，借助于由第一特征提取算法和目标特征提取算法提取的样本特征，对特征转换模型进行训练，使得训练完成的所述特征转换模型，能够将第一特征提取算法提取的第一人脸特征转换为目标特征提取算法提取的特征的形式，进而有效的实现特征转化，使得基于第一特征提取算法提取的特征能够与基于目标特征提取算法得到的特征进行比较。
83.二、采用旋转矩阵和平移矩阵进行特征转换。
84.所述处理设备分别采用第一特征提取算法和目标特征提取算法，对图像样本集合中的各个图像样本进行特征提取，得到每一个图像样本对应的第一样本特征和目标样本特征，再基于各图像样本对应的第一样本特征生成第一样本特征矩阵，以及基于各图像样本对应的目标样本特征生成目标样本特征矩阵，然后计算由所述第一样本特征矩阵转换至所述目标样本特征矩阵的旋转矩阵和平移矩阵，并将所述旋转矩阵和平移矩阵，确定为将所述第一特征提取算法提取的人脸特征，与采用目标人脸特征提取算提取的人脸特征进行特征转换的特征转换方式。
85.具体的，本公开对于确定旋转矩阵和平移矩阵的实现方式中，一种方式下，所述处理设备分别采用所述第一特征提取算法和所述目标特征提取算法，对设置的图像样本集合中的各个图像样本进行特征提取，得到每一个图像样本对应的第一样本特征和目标样本特征。
86.进一步的，所述处理设备可以基于各图像样本对应的第一样本特征生成第一样本特征矩阵，以及基于各图像样本对应的目标样本特征生成目标样本特征矩阵，并计算由第一样本特征矩阵转换至目标样本特征矩阵的旋转矩阵和平移矩阵，具体的表示形式如公式一所示：
87.fa＝rfb+t
ꢀꢀ
(公式一)
88.其中，fa表征采用目标特征提取算法对各个图像样本进行特征提取后，得到的目标样本特征矩阵，fb表征采用第一特征提取算法对各个图像样本进行特征提取后，得到的第一样本特征矩阵，r为待求解旋转矩阵，t为待求解的平移矩阵。
89.例如，假设fa由k个n*1的向量组成的矩阵，形式为n*k，fb由k个m*1的向量组成的矩阵，形式为m*k，则旋转矩阵r的形式为n*m，平移矩阵t的形式为n*k，其中，m和n的取值根据实际的配置需要而定，一些实施例中，m和n可以取值相同，另一些实施例中，m和n可以取值
不同。
90.进一步的，所述处理设备可以选择性的采用奇异值分解(singular value decomposition，svd)技术，或者，kabsch算法，对上述公式一中分解求解旋转矩阵和平移矩阵，具体的，所述处理设备可以采用公式二所示意的公式，分解出使θ取值最小的旋转矩阵和平移矩阵，公式二表示如下：
91.θ＝||rfb+t-fa||2ꢀꢀ
(公式二)
92.其中，θ表征转换后的特征矩阵，与目标样本特征矩阵之间的差异。
93.可选的，本公开的另一些实施例中，所述处理设备在确定旋转矩阵和平移矩阵时，可以分别采用第一特征提取算法和目标特征提取算法，对图像样本集合中的各个图像样本进行特征提取，得到每一个图像样本对应的第一样本特征和目标样本特征，再分别建立由第一样本特征转换至目标样本特征的旋转矩阵和平移矩阵，其中，所述转换关系可以根据如下公式三表示。
[0094][0095]
其中，表征采用目标特征提取算法从某一图像样本中提取出的目标样本特征，表征采用第一特征提取算法从所述某一图像样本中提取出的第一样本特征，r为设置的旋转矩阵，其中，r的矩阵维度与和相关，假设可以描述为n*1的矩阵，可以描述为m*1的矩阵，那么r的矩阵维度为n*m，t为设置的平移矩阵，在描述为n*1的矩阵，描述为m*1的矩阵，且r的矩阵维度为n*m的情况下，t为n*1的矩阵。
[0096]
进而，所述处理设备借助于最小二乘法的思想，确定由第一人脸特征转换得到的转换特征，与目标人脸特征之间的差异，具体的，可以采用如下公式四计算所述差异。
[0097][0098]
其中，θ为转换特征与目标样本特征之间的差异，表征将进行特征转换处理后得到的转换特征，为将进行特征转换后意图得到的目标样本特征，i表征图像样本集合中的任意一张图像样本。
[0099]
进一步的，所述处理设备为保证分解得到的旋转矩阵和平移矩阵的准确性，可以计算所述图像样本集合中各个图像样本的差异和，进而通过最小化所述差异和得到旋转矩阵和平移矩阵，公式五表示如下：
[0100][0101]
其中，k表示图像样本集合中的图像样本总数，wi表示针对各个图像样本设置的权重参数。
[0102]
本公开实施例中，所述处理设备采用奇异值分解(singular value decomposition，svd)技术，对上述公式五进行分解，得到具体的旋转矩阵和平移矩阵，其中，本公开中还可以采用kabsch算法，或者，其他求解旋转矩阵和平移矩阵的方式，得到旋
转矩阵和平移矩阵。
[0103]
这样，借助于最小二乘法的处理思想，采用svd等方法分解得到旋转矩阵和平移矩阵，使得将采用第一特征提取算法得到的人脸特征进行特征转换后，能够最大程度上的接近于采用目标特征提取算法提取到的人脸特征。
[0104]
进一步的，所述处理设备确定特征转换方式后，根据所述特征转换方式，将所述第一人脸特征转换为目标人脸特征，然后，所述处理设备依次计算所述目标人脸特征，与保存的各个由目标特征提取算法提取的待匹配人脸特征之间的相似度，再确定相似度最高的待匹配人脸特征，并获取所述待匹配人脸特征关联的身份信息，以及将所述身份信息作为所述待识别对象对应的信息。
[0105]
也就是说，在采用第一特征提取算法提取出待识别对象的第一人脸特征后，通过确定的特征转换方式，将所述第一人脸特征转换为目标人脸特征，使得所述目标人脸特征能够比较与目标特征提取算法得到的各个待匹配人脸特征之间的相似度。进而筛选出保存的与所述目标人脸特征最相似的待匹配人脸特征，并获取所述待匹配人脸特征关联的身份信息，将所述身份信息确定为所述待识别对象对应的信息，其中，计算使特征的相似度的方式，包括但不限于计算两个特征向量间的点积，点积结果越大，特征的相似度越大，或者，可以是计算两个特征向量之间的欧氏距离，本公开在此不做过多限制。
[0106]
需要说明的是，本公开实施例中，为保证识别的有效性，在进行相似度筛选时，可以设置相似度最低阈值，使得与待识别对象对应的目标人脸特征与待匹配人脸特征间相似度必须大于所述相似度最低阈值，以避免出现误识别的情况，其中，所述相似度最低阈值根据实际的使用需要自行设置，如，设置为90％，本公开在此不做具体限定。
[0107]
例如，继续以公司出入口闸机处的识别为例，处理设备保存有先前采用目标特征提取算法时提取的各个公司职员的待匹配人脸特征库，当该公司将提取算法由目标特征提取算法更换为第一特征提取算法时，为保证基于所述目标特征提取算法建立的待匹配人脸特征库能够支持对于公司职员的身份识别操作，故建立第一特征提取算法提取的人脸特征与目标特征提取算法提取的人脸特征之间的特征转换方式，当获取某公司职员的第一人脸特征后，采用所述特征转换方式，转换目标人脸特征，并计算所述目标人脸特征与所述待匹配人脸特征库中各个待匹配人脸特征之间的相似度，在相似度高于设置的最低相似度阈值的情况下，确定所述待匹配人脸特征库中与所述公司职员最匹配的待匹配人脸特征，并确定该待匹配人脸特征所关联的身份信息，并将所述身份信息作为该公司职员的身份信息。
[0108]
基于同一发明构思，本公开提出的人脸特征转换方法可以具体用于人脸识别系统中，下面对本公开涉及到的一些可能的应用场景进行说明。
[0109]
图3为本公开实施例中人脸识别系统的架构示意图，包括第一电子设备和第二电子设备，第一电子设备如闸机、门禁、摄像头(如球机、枪机、usb摄像头等)、手机、电脑等，第二电子设备如服务器、电脑等，第一电子设备和第二电子设备之间通过有线连接或者无线连接进行通信，其中：
[0110]
第一电子设备，用于获取目标人脸图像，利用第一特征提取算法提取目标人脸图像的人脸特征，得到第一人脸特征，向第二电子设备发送人脸识别请求，该人脸识别请求中包含所述第一人脸特征。
[0111]
其中，目标特征提取算法可以是预先约定的特征提取算法，也可以是强制规定的
特征提取算法。
[0112]
第二电子设备，用于接收人脸识别请求，基于保存的各待匹配人脸特征，对人脸识别请求中的目标人脸特征进行人脸识别处理。
[0113]
实际应用中，第二电子设备中为了将第一人脸特征与待匹配人脸特征统一在相同的特征空间中，将第一人脸特征转换为目标人脸特征，使得第一人脸特征在该特征空间中以目标人脸特征的形式存在，从而使得后续第二电子设备能够直接计算目标人脸特征与每个待匹配人脸特征之间的相似度。
[0114]
具体实施时，第二电子设备可计算目标人脸特征与每个待匹配人脸特征之间的相似度，进而根据各相似度确定人脸识别结果，比如，将与目标人脸特征最相似的待匹配人脸特征关联的身份信息作为人脸识别结果。
[0115]
此外，第二电子设备还可将人脸识别结果发送给第一电子设备，以使第一电子设备基于人脸识别结果执行后续的业务流程。比如，控制闸机打开等操作。
[0116]
在一种可能的实施方式中，第一电子设备可以根据第一特征提取算法与目标特征提取算法提取的相同人脸图像的原始人脸特征之间的转换关系，对第一人脸特征进行转换处理，得到目标人脸特征，此时，第一电子设备将提取的人脸特征转换到利用目标特征提取算法所提取的人脸特征所在的特征空间；在一种可能的实现方式中，第一电子设备可以采用第一特征提取算法提取第一人脸特征，并将所述第一人脸特征发送至第二电子设备；在另一种可能的实施方式中，第二电子设备可以根据第一特征提取算法与目标特征提取算法提取的相同人脸图像的原始人脸特征之间的转换关系，对提取的第一人脸特征进行转换处理，得到目标人脸特征。
[0117]
具体实施时，第一电子设备中可以安装一个公司的人脸识别产品，第二电子设备中安装另一个公司的人脸识别产品，或者，第一电子设备可以是一个公司的人脸识别产品，第二电子设备是另一个公司的人脸识别产品，再或者，第一电子设备中可以安装一个公司的一种人脸识别产品，第二电子设备中安装这个公司的另一种人脸识别产品。并且，无论哪种情况，第一电子设备中用于进行人脸特征提取的第一特征提取算法与第二电子设备中待匹配人脸特征对应的特征提取算法(如目标特征提取算法)都是不同的特征提取算法。
[0118]
由于可以对利用第一特征提取算法提取的人脸特征进行转换得到与第二电子设备中保存的待匹配人脸特征统一在相同特征空间中的人脸特征，使转换后的人脸特征可以直接与保存的待匹配人脸特征进行对，所以在只保存待匹配人脸特征而不保存相应人脸图像的情况下，可以自由更换进行人脸特征提取的第一特征提取算法。
[0119]
需要说明的是，对第一人脸特征进行转换处理，得到能与待匹配人脸特征进行比对的目标人脸特征的过程，与本公开实施例中图1所示的流程中人脸特征的转换方式相同，本公开在此不再赘述。
[0120]
基于同一发明构思，参阅图4所示，其为本公开实施例中人脸特征的转换装置的逻辑结构示意图，本公开实施例中，提出一种人脸特征的转换装置，包括：获取单元401，以及转换单元402，其中，
[0121]
获取单元401，获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征；
[0122]
转换单元402，确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征
提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征。
[0123]
可选的，所述获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征时，所述获取单元401具体用于：
[0124]
获取采集终端发送的待识别对象的第一人脸特征，其中，所述第一人脸特征是所述采集终端采用第一特征提取算法，对所述待识别对象进行特征提取后得到的；或者，
[0125]
接收采集终端采集的待识别对象的人脸图像，采用第一特征提取算法对所述人脸图像进行特征提取，得到对应的第一人脸特征，并删除所述人脸图像。
[0126]
可选的，所述确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式时，所述转换单元402具体用于：
[0127]
获取样本特征集合，其中，一条样本特征中包含采用第一特征提取算法针对一个图像样本提取的第一样本特征，以及采用目标特征提取算法针对所述一个图像样本提取的目标样本特征；
[0128]
采用所述样本特征集合中的样本特征，对初始的特征转换模型进行训练，直至基于l2loss损失函数计算得到的所述特征转换模型的损失值，满足预设的收敛条件；
[0129]
将所述特征转换模型对输入特征进行处理的方式，确定为将采用所述第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的特征转换方式。
[0130]
可选的，所述确定采用所述第一特征提取算法提取的人脸特征，与采用目标人脸特征提取算提取的人脸特征之间的特征转换方式时，所述转换单元402具体用于：
[0131]
分别采用第一特征提取算法和目标特征提取算法，对图像样本集合中的各个图像样本进行特征提取，得到每一个图像样本对应的第一样本特征和目标样本特征；
[0132]
基于各图像样本对应的第一样本特征生成第一样本特征矩阵，以及基于各图像样本对应的目标样本特征生成目标样本特征矩阵；
[0133]
计算由所述第一样本特征矩阵转换至所述目标样本特征矩阵的旋转矩阵和平移矩阵，并将所述旋转矩阵和平移矩阵，确定为将所述第一特征提取算法提取的人脸特征，与采用目标人脸特征提取算提取的人脸特征进行特征转换的特征转换方式。
[0134]
可选的，所述将所述第一人脸特征转换为目标人脸特征之后，所述转换单元402进一步用于：
[0135]
依次计算所述目标人脸特征，与保存的各个由目标特征提取算法提取的待匹配人脸特征之间的相似度；
[0136]
确定相似度最高的待匹配人脸特征，并获取所述待匹配人脸特征关联的身份信息，以及将所述身份信息作为所述待识别对象对应的信息。
[0137]
基于同一发明构思，参阅图5所示，其为本公开实施例中处理设备的实体结构示意图。装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532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522被配置为执行指令，以执行上述方法。
[0138]
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(i/o)接口558。装
置500可以操作基于存储在存储器532的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似系统。
[0139]
基于同一发明构思，本公开实施例中基于人脸特征的转换的实施例中提供一种存储介质，当所述存储介质中的指令由电子设备执行时，使得所述电子设备能够执行上述任一种方法。
[0140]
综上所述，本公开实施例中，获取采用第一特征提取算法对待识别对象进行处理后，提取出的第一人脸特征，再确定采用所述第一特征提取算法提取的人脸特征，与采用目标特征提取算法提取的人脸特征之间的特征转换方式，并基于所述特征转换方式，将所述第一人脸特征转换为目标人脸特征，这样，在未保存有人脸图像的情况下，能够借助于特征转换方式，将采用第一特征提取算法提取的人脸特征，转换为采用目标特征提取算法提取的人脸特征的形式，使得采用第一特征提取算法替换目标特征提取算法使用时，能够将采用第一特征提取算法提取出的第一人脸特征转换为目标人脸特征，实现了转换后的第一人脸特征能够与采用目标特征提取算法提取的人脸特征进行匹配比较，为后续待识别对象的识别操作提供操作依据，提高了对于特征数据的处理效率。
[0141]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0142]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0143]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0144]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0145]
尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
[0146]
显然，本领域的技术人员可以对本公开实施例进行各种改动和变型而不脱离本公开实施例的精神和范围。这样，倘若本公开实施例的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。