一种人脸识别方法、装置、电子设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种人脸识别方法、装置、电子设备及存储介质。


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.本技术实施例提供一种人脸识别方法、装置、电子设备及存储介质，用以解决现有技术中不同人脸识别算法之间的兼容性比较差，不利于自由切换人脸识别算法的问题。
6.第一方面，本技术实施例提供一种人脸识别方法，包括：
7.接收人脸识别请求，所述人脸识别请求中包含有目标人脸图像；
8.利用第一特征提取算法对所述目标人脸图像进行人脸特征提取，得到第一人脸特征；
9.根据所述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人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到能与保存的待匹配人脸特征进行比对的目标人脸特征；
10.基于保存的各待匹配人脸特征，对所述目标人脸特征进行人脸识别处理。
11.在一种可能的实施方式中，根据所述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人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，包括：
12.根据所述第一特征提取算法与所述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，对所述第一人脸特征进行转换处理，得到所述目标人脸特征；以及
13.各待匹配人脸特征是参考人脸特征，所述参考人脸特征是利用所述目标特征提取算法进行人脸特征提取得到的人脸特征，或者，所述参考人脸特征是根据第二特征提取算法与所述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，对利用所述第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
14.在一种可能的实施方式中，根据所述第一特征提取算法与所述目标特征提取算法
提取的相同人脸图像的原始人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到所述目标人脸特征，包括：
15.将所述第一人脸特征输入到特征转换模型中进行转换处理，得到所述目标人脸特征，所述特征转换模型是对所述第一特征提取算法与所述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进行学习得到的。
16.在一种可能的实施方式中，根据所述第一特征提取算法与所述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，对所述第一人脸特征进行转换处理，得到所述目标人脸特征，包括：
17.采用旋转矩阵和平移矩阵，将所述第一人脸特征转换为所述目标人脸特征；
18.其中，所述旋转矩阵和所述平移矩阵根据以下步骤确定：
19.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，对获取的各图像样本进行人脸特征提取，得到每个图像样本对应的第一样本特征和目标样本特征；
20.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，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；
21.计算所述第一样本特征矩阵到所述目标样本特征矩阵之间的转换关系，得到所述旋转矩阵和所述平移矩阵。
22.在一种可能的实施方式中，根据所述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人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，包括：
23.根据所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到所述目标人脸特征；以及
24.各待匹配人脸特征是参考人脸特征加密后的人脸特征，所述参考人脸特征是利用所述目标特征提取算法进行人脸特征提取得到的人脸特征，或者，所述参考人脸特征是根据第二特征提取算法与所述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，对利用所述第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
25.在一种可能的实施方式中，根据所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到所述目标人脸特征，包括：
26.根据所述第一人脸特征与保存的第一加密矩阵中的各第一加密向量的点积结果，生成与所述第一人脸特征对应的特征加密向量，采用预设的转换矩阵对所述特征加密向量进行转换处理，得到所述目标人脸特征，其中，所述第一加密矩阵中包括采用所述第一特征提取算法对n个图像样本进行特征提取后得到的n个第一加密向量，所述转换矩阵用于表征所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之间的转换关系；以及
27.各待匹配人脸特征是利用所述参考人脸特征与目标加密矩阵中各目标加密向量之间的点积结果生成的，所述目标加密矩阵中包括采用所述目标特征提取算法从所述n个图像样本中提取的n个目标加密向量。
28.在一种可能的实施方式中，还包括：
29.接收人脸注册请求，所述人脸注册请求中包含待注册人脸图像和身份信息；
30.利用所述目标特征提取算法对所述待注册人脸图像进行人脸特征提取，得到待注册人脸特征，或者，利用所述第一特征提取算法对所述待注册人脸图像进行人脸特征提取，根据所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的人脸特征之间的转换关系，对利用所述第一特征提取算法提取到的所述待注册人脸图像的人脸特征进行转换处理，得到待注册人脸特征；
31.对所述待注册人脸特征和所述身份信息进行关联存储处理。
32.在一种可能的实施方式中，对所述待注册人脸特征和所述身份信息进行关联存储处理，包括：
33.从保存的各待匹配人脸特征中筛选与所述待注册人脸特征匹配的人脸特征；
34.若筛选出的人脸特征的个数小于m，则将所述待注册人脸特征和所述身份信息关联存储，m表示对同一人脸存储的人脸特征的个数上限；
35.若筛选出的人脸特征的个数等于m，则从筛选出的m个人脸特征和所述待注册人脸特征中确定一个需剔除的人脸特征，将筛选出的m个人脸特征和所述待注册人脸特征中除需剔除的人脸特征之外的人脸特征和所述身份信息关联存储。
36.在一种可能的实施方式中，从筛选出的m个人脸特征和所述待注册人脸特征中确定一个需剔除的人脸特征，包括：
37.将筛选出的m个人脸特征中存储时间最早的人脸特征，确定为需剔除的人脸特征，或者，
38.将筛选出的m个人脸特征和所述待注册人脸特征中与中心人脸特征距离最远的人脸特征，确定为需剔除的人脸特征，所述中心人脸特征根据筛选出的m个人脸特征和所述待注册人脸特征确定。
39.第二方面，本技术实施例提供一种人脸识别装置，包括：
40.接收模块，用于接收人脸识别请求，所述人脸识别请求中包含有目标人脸图像；
41.提取模块，用于利用第一特征提取算法对所述目标人脸图像进行人脸特征提取，得到第一人脸特征；
42.转换模块，用于根据所述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人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到能与保存的待匹配人脸特征进行比对的目标人脸特征；
43.识别模块，用于基于保存的各待匹配人脸特征，对所述目标人脸特征进行人脸识别处理。
44.在一种可能的实施方式中，所述转换模块具体用于：
45.根据所述第一特征提取算法与所述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，对所述第一人脸特征进行转换处理，得到所述目标人脸特征；以及
46.各待匹配人脸特征是参考人脸特征，所述参考人脸特征是利用所述目标特征提取算法进行人脸特征提取得到的人脸特征，或者，所述参考人脸特征是根据第二特征提取算法与所述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，对利用所述第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
47.在一种可能的实施方式中，所述转换模块具体用于：
48.将所述第一人脸特征输入到特征转换模型中进行转换处理，得到所述目标人脸特征，所述特征转换模型是对所述第一特征提取算法与所述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进行学习得到的。
49.在一种可能的实施方式中，所述转换模块具体用于：
50.采用旋转矩阵和平移矩阵，将所述第一人脸特征转换为所述目标人脸特征；
51.其中，所述旋转矩阵和所述平移矩阵根据以下步骤确定：
52.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，对获取的各图像样本进行人脸特征提取，得到每个图像样本对应的第一样本特征和目标样本特征；
53.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，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；
54.计算所述第一样本特征矩阵到所述目标样本特征矩阵之间的转换关系，得到所述旋转矩阵和所述平移矩阵。
55.在一种可能的实施方式中，所述转换模块具体用于：
56.根据所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到所述目标人脸特征；以及
57.各待匹配人脸特征是参考人脸特征加密后的人脸特征，所述参考人脸特征是利用所述目标特征提取算法进行人脸特征提取得到的人脸特征，或者，所述参考人脸特征是根据第二特征提取算法与所述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，对利用所述第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
58.在一种可能的实施方式中，所述转换模块具体用于：
59.根据所述第一人脸特征与保存的第一加密矩阵中的各第一加密向量的点积结果，生成与所述第一人脸特征对应的特征加密向量，采用预设的转换矩阵对所述特征加密向量进行转换处理，得到所述目标人脸特征，其中，所述第一加密矩阵中包括采用所述第一特征提取算法对n个图像样本进行特征提取后得到的n个第一加密向量，所述转换矩阵用于表征所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之间的转换关系；以及
60.各待匹配人脸特征是利用所述参考人脸特征与目标加密矩阵中各目标加密向量之间的点积结果生成的，所述目标加密矩阵中包括采用所述目标特征提取算法从所述n个图像样本中提取的n个目标加密向量。
61.在一种可能的实施方式中，还包括存储模块，
62.所述接收模块，还用于接收人脸注册请求，所述人脸注册请求中包含待注册人脸图像和身份信息；
63.所述提取模块，还用于利用所述目标特征提取算法对所述待注册人脸图像进行人脸特征提取，得到待注册人脸特征，或者，利用所述第一特征提取算法对所述待注册人脸图像进行人脸特征提取；
64.所述转换模块，还用于根据所述第一特征提取算法与所述目标特征提取算法提取
的相同人脸图像的人脸特征之间的转换关系，对利用所述第一特征提取算法提取到的所述待注册人脸图像的人脸特征进行转换处理，得到待注册人脸特征；
65.所述存储模块，用于对所述待注册人脸特征和所述身份信息进行关联存储处理。
66.在一种可能的实施方式中，所述存储模块具体用于：
67.从保存的各待匹配人脸特征中筛选与所述待注册人脸特征匹配的人脸特征；
68.若筛选出的人脸特征的个数小于m，则将所述待注册人脸特征和所述身份信息关联存储，m表示对同一人脸存储的人脸特征的个数上限；
69.若筛选出的人脸特征的个数等于m，则从筛选出的m个人脸特征和所述待注册人脸特征中确定一个需剔除的人脸特征，将筛选出的m个人脸特征和所述待注册人脸特征中除需剔除的人脸特征之外的人脸特征和所述身份信息关联存储。
70.在一种可能的实施方式中，所述存储模块具体用于：
71.将筛选出的m个人脸特征中存储时间最早的人脸特征，确定为需剔除的人脸特征，或者，
72.将筛选出的m个人脸特征和所述待注册人脸特征中与中心人脸特征距离最远的人脸特征，确定为需剔除的人脸特征，所述中心人脸特征根据筛选出的m个人脸特征和所述待注册人脸特征确定。
73.第三方面，本技术实施例提供一种人脸识别系统，包括：第一电子设备和第二电子设备，所述第二电子设备中设置有上述任一人脸识别装置。
74.第四方面，本技术实施例提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
75.存储器存储有可被至少一个处理器执行的指令，该指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述人脸识别方法。
76.第五方面，本技术实施例提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，所述电子设备能够执行上述人脸识别方法。
77.本技术实施例中，接收包含有目标人脸图像的人脸识别请求，利用第一特征提取算法对目标人脸图像进行人脸特征提取，得到第一人脸特征，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，得到能与保存的待匹配人脸特征进行比对的目标人脸特征，进而基于保存的各待匹配人脸特征，对目标人脸特征进行人脸识别处理。这样，无论如何更换第一特征提取算法都可顺利将目标人脸特征与存储的各待匹配人脸特征进行比对，以确定人脸识别结果，且不需要重新采集人脸特征，不同人脸识别算法之间的兼容性比较好，利于自由切换不同的人脸识别算法。
附图说明
78.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
79.图1为本技术实施例提供的一种人脸识别系统的架构示意图；
80.图2为本技术实施例提供的一种训练特征转换模型的方法流程图；
81.图3为本技术实施例提供的一种人脸特征转换的示意图；
82.图4为本技术实施例提供的一种人脸识别方法的流程图；
83.图5为本技术实施例提供的又一种人脸识别方法的流程图；
84.图6为本技术实施例提供的一种人脸识别装置的结构示意图；
85.图7为本技术实施例提供的一种用于实现人脸识别方法的电子设备的硬件结构示意图。
具体实施方式
86.为了解决现有技术中不同人脸识别算法之间的兼容性比较差，不利于自由切换人脸识别算法的问题，本技术实施例提供了一种人脸识别方法、装置、电子设备及存储介质。
87.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
88.首先，需要说明的是，本技术实施例的方案既适用于在第二电子设备中不存储待匹配人脸特征对应的人脸图像的情况下进行人脸识别，也适用于在第二电子设备中存储待匹配人脸特征对应的人脸图像的情况下进行人脸识别。
89.图1为本技术实施例提供的一种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：
90.第一电子设备，用于获取目标人脸图像，向第二电子设备发送人脸识别请求，人脸识别请求中包含目标人脸图像。
91.第二电子设备，用于接收人脸识别请求，利用第一特征提取算法对目标人脸图像进行人脸特征提取，得到第一人脸特征，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，得到能与保存的待匹配人脸特征进行比对的目标人脸特征(即得到与保存的待匹配人脸特征处于相同特征空间的目标人脸特征)，进而基于保存的各待匹配人脸特征，对目标人脸特征进行人脸识别处理。
92.其中，目标特征提取算法可以是预先约定的特征提取算法，可以是强制规定的特征提取算法，也可以是某个公司使用的特征提取算法(比如是第二电子设备中用于提取待匹配人脸特征的特征提取算法)。
93.实际应用中，第二电子设备中的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的目的即是将第一人脸特征也转换到该特征空间中，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。
94.具体实施时，第二电子设备可以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。
95.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。
96.具体实施时，第二电子设备中可以安装不同公司的人脸识别产品或者安装一个公司的不同人脸识别产品。并且，无论哪种情况，第二电子设备所使用的第一特征提取算法与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或第二特征提取算法)都可以是不同的特征提取算法。
97.由于第二电子设备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，第二电子设备仍可以自由更换进行人脸特征提取的第一特征提取算法。
98.下面对第二电子设备对第一人脸特征进行转换处理，得到目标人脸特征的过程进行介绍。
99.在一种可能的实施方式中，第二电子设备，具体用于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，第二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。
100.并且，该种情况下，第二电子设备中存储的各待匹配人脸特征是参考人脸特征，其中，参考人脸特征是利用目标特征提取算法进行人脸特征提取得到的人脸特征，或者，参考人脸特征是根据第二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，对利用第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。也就是说，此时，参考人脸特征与利用目标特征提取算法所提取的人脸特征处于相同的特征空间中。
101.下面对第二电子设备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，得到目标人脸特征的过程进行介绍。
102.一、采用特征转换模型进行特征转换。
103.第二电子设备，具体用于将第一人脸特征输入到特征转换模型中进行转换处理，得到目标人脸特征，其中，特征转换模型是对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进行学习得到的。
104.具体实施时，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，搭建初始的特征转换模型。
105.下面对训练特征转换模型的过程进行说明。
106.s201：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一个图像样本提取的目标样本特征。
107.具体实施时，在获取图像样本集合后，可采用第一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处理，获得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，对各个图像样本进行特征提取处理，获得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，将样本特征集
合作为训练样本，用于后续对搭建的初始特征转换模型进行训练。
108.s202：采用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特征转换模型的损失值满足预设的收敛条件时，得到训练完毕的特征转换模型。
109.具体实施时，可以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，并获得特征转换模型输出的结果特征，根据结果特征与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，计算特征转换模型的损失值，并根据损失值调整特征转换模型中用于生成结果特征的网络参数。
110.进一步的，基于计算得到的特征转换模型的损失值，确定特征转换模型收敛的时机，具体的，当确定损失值连续低于设定阈值的次数达到设定门限值时，可以判定特征转换模型收敛，也就是说，可以判定特征转换模型训练完成。
111.二、采用旋转矩阵和平移矩阵进行特征转换。
112.第二电子设备，具体用于采用旋转矩阵和平移矩阵，将第一人脸特征转换为目标人脸特征。
113.具体实施时，可以分别采用第一特征提取算法和目标特征提取算法，对获取的各图像样本进行特征提取，得到每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，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，该旋转矩阵和平移矩阵即是将第一人脸特征转换为目标人脸特征的旋转矩阵和平移矩阵。
114.本技术实施例对于确定旋转矩阵和平移矩阵的实现方式中，一种方式下，可以分别采用第一特征提取算法和目标特征提取算法，对设置各图像样本进行特征提取，得到每个图像样本对应的第一样本特征和目标样本特征。
115.进一步的，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：
116.fa＝rfb+t
ꢀꢀꢀꢀ
(公式一)；
117.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为待求解的旋转矩阵，t为待求解的平移矩阵。
118.例如，假设fa由k个1*n的向量组成，fb由k个1*m的向量组成，则旋转矩阵r的形式为m*n，平移矩阵t的形式为1*n。
119.进一步的，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，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：
120.θ＝||rfb+t-fa||2ꢀꢀꢀꢀ
(公式二)；
121.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转换关系。
122.可选的，本技术实施例的另一些实施例中，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，对各图像样本进行特征提取，得到每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，转换关系可以根据如下公式三表示。
[0123][0124]
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1*n的矩阵，可以描述为1*m的矩阵，那么r的矩阵维度为m*n，t为设置的平移矩阵，在描述为1*n的矩阵，描述为1*m的矩阵，且r的矩阵维度为m*n的情况下，t为1*n的矩阵。
[0125]
然后，可以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转换关系。具体的，可以采用如下公式四计算。
[0126][0127]
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。
[0128]
进一步的，为保证分解得到的旋转矩阵和平移矩阵的准确性，可以计算各图像样本的差异和，进而通过最小化差异和得到旋转矩阵和平移矩阵，公式五表示如下：
[0129][0130]
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。
[0131]
本技术实施例中，可以采用奇异值分解(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，也可以采用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。
[0132]
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。
[0133]
另外，需要说明的是，当第二电子设备中的各待匹配人脸特征是根据第二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人脸特征之间的转换关系，对利用第二特征提取算法对预先提取的人脸特征进行转换处理的过程与上述转换过程类似，在此不再赘述。
[0134]
在另一种可能的实施方式中，第二电子设备，具体用于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加密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。该种情况下，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在加密后所处的特征空间中。
[0135]
此时，第二电子设备中存储的各待匹配人脸特征是参考人脸特征加密后的人脸特征，其中，参考人脸特征是利用目标特征提取算法进行人脸特征提取得到的人脸特征，或者，参考人脸特征是根据第二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，对利用第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。即，各待匹配人脸特征统一在利用目标特征提取算法所提取的人脸特征在加密后所处的特征空间中。
[0136]
下面对第二电子设备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加密人脸特征之间的转换关系，对第一人脸特征进行转换处理，得到目标人脸特征的过程进行介绍。
[0137]
第二电子设备，具体用于根据第一人脸特征与保存的第一加密矩阵中的各第一加密向量的点积结果，生成与第一人脸特征对应的特征加密向量，进而采用预设的转换矩阵对特征加密向量进行转换处理，得到目标人脸特征，其中，第一加密矩阵中包括采用第一特征提取算法对n个图像样本进行特征提取后得到的n个第一加密向量，转换矩阵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人脸特征之间的转换关系确定，n为正整数，转换矩阵用于表征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加密人脸特征之间的转换关系。
[0138]
并且，该种情况下，第二电子设备中存储的各待匹配人脸特征可以是利用参考人脸特征与目标加密矩阵中各目标加密向量之间的点积结果生成的，其中，目标加密矩阵中包括采用目标特征提取算法从n个图像样本中提取的n个目标加密向量。
[0139]
为了简化起见，下述推导过程中以参考人脸特征是利用目标特征提取算法提取的人脸特征(即各待匹配人脸特征是利用目标特征提取的人脸特征与目标加密矩阵中各目标加密向量之间点积结果生成的)为例进行说明。并且，在下属推导过程中，人脸特征一般是原始人脸特征、待匹配人脸特征一般是加密人脸特征。
[0140]
具体实施时，第二电子设备在得到第一人脸特征后，可以获取保存的第一加密矩阵，并依次计算第一加密矩阵中的各个第一加密向量与第一人脸特征之间的点积结果，再确定各个第一加密向量在第一加密矩阵中的相对位置，并按照确定的相对位置排列对应的各个点积结果，从而得到与第一人脸特征对应的特征加密向量。
[0141]
需要说明的是，本技术实施例中，第二电子设备保存的第一加密矩阵是采用第一特征提取算法对n个图像样本进行特征提取后生成的，第二电子设备采用第一特征提取算法从每一个图像样本中提取出人脸特征，进而基于提取出的n个人脸特征生成第一加密矩阵，其中，n个图像样本是固定设置的，并且，本技术实施例对这n个图像样本的来源不做限制，可以是第一特征提取算法的使用规范中自带的图像，或者，可以是目标特征提取算法的使用规范中自带的图像，或者，可以是自行配置的图像。
[0142]
例如，假设采用第一特征提取算法进行特征提取时，得到的是1*n的行向量，那么，第一加密矩阵为由n个1*n的向量组成的矩阵，且矩阵的维度为n*n；假设采用第一特征提取算法进行特征提取得到的是n*1的列向量，那么，第一加密矩阵为由n个n*1的向量组成的矩阵，且矩阵的维度为n*n，最终得到的特征加密向量用于表征进行特征提取后的得到的向量与第一加密矩阵中包含的各个向量之间的点积结果。
[0143]
需要说明的是，本技术实施例中，假设对于采用第一特征提取算法提取的人脸特征的维度为1*n，采用目标特征提取算法提取的人脸特征的维度为1*m，那么，n和m的取值没有必然联系，n和m的取值可以根据实际的处理需要自行设置。在一些实施例中，n和m的取值可能相同，在另一些实施例中，n和m的取值可能不同，在此不做过多限定。
[0144]
本技术实施例下述的公式推导中仅以第一特征提取算法提取的向量为列向量的形式为例，进行示意性推导说明。
[0145]
具体实施时，可以采用如下公式1.1得到与第一人脸特征对应的特征加密向量：
[0146][0147]
其中，为与第一人脸特征对应的特征加密向量，为第一人脸特征，ab为第一加密矩阵，在n个图像样本是固定的情况下，ab可以视为已知矩阵。
[0148]
一般地，各种特征提取算法所提取的人脸特征均为向量形式。实际应用中，在确定转换矩阵时，可以根据特征加密向量与第一人脸特征的对应关系(公式1.1)、待匹配人脸特征与采用目标特征提取算法提取的人脸特征的对应关系(公式2.1)，以及设置的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的对应关系，确定采用目标特征提取算法提取的人脸特征与待匹配人脸特征之间的点积结果(公式6.11)，进而根据点积结果中特征加密向量与待匹配人脸特征之间的计算关系，确定转换矩阵。
[0149]
具体实施时，首先确定第一人脸特征与对应的特征加密向量的对应关系，以及确定采用目标特征提取算法提取的人脸特征与待匹配人脸特征的对应关系，具体可以用如上述公式1.1和下述公式2.1表征：
[0150][0151]
其中，为待匹配人脸特征，为采用目标特征提取算法进行特征提取得到的人脸特征，aa为基于n个人脸特征生成的目标加密矩阵，且这n个人脸特征是采用目标特征提取算法对n个图像样本进行特征提取得到的。
[0152]
需要说明的是，本技术实施例所谓的加密过程实质上是计算提取出的人脸特征与设置的第一加密矩阵中各第一加密向量之间的距离，也就是计算向量之间的点积。
[0153]
与此同时，可以建立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的对应关系，具体可以如下述公式3、公式4.1和公式5表征：
[0154][0155]
qab≈aaꢀꢀꢀꢀ
(公式4.1)；
[0156][0157]
其中，q表示将采用第一特征提取算法提取后得到的人脸特征转换为采用目标特征提取算法提取后得到的相应人脸特征的转换矩阵，则基于同理的对应关系，q能够使第一加密矩阵ab转换为采用目标特征提取算法提取后生成的目标加密矩阵aa，并使采用
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
[0158]
基于上述各对应关系，确定采用目标特征提取算法提取的人脸特征与待匹配人脸特征之间的点积结果，再根据点积结果中包括的特征加密向量与待匹配人脸特征之间的组合关系，确定转换矩阵。
[0159]
下面对本技术实施例中，采用上述各对应关系，计算采用目标特征提取算法提取的人脸特征与保存的待匹配人脸特征之间的点积结果的过程进行说明。
[0160]
需要说明的是，本技术实施例中，求解采用目标特征提取算法提取的人脸特征与保存的待匹配人脸特征之间的点积结果，相当于求解采用目标特征提取算法提取的人脸特征与保存的各待匹配人脸特征之间的点积结果。公知的是，向量的点积结果在表征向量间距离的同时能够表征向量之间的相似度，故计算点积结果相当于求解当前待识别的目标人脸特征与各待匹配人脸特征之间的相似度，其中，点积结果越大表示人脸特征之间越相似。
[0161]
推导过程中，首先建立如下公式6.1所示意的点积计算形式：
[0162][0163]
其中，表征采用目标特征提取算法提取的人脸特征，表征采用目标特征提取算法提取后直接保存的人脸特征，也就是说，相当于是采用目标特征提取算法对各人脸图像进行特征提取后统一保存的原始人脸特征。
[0164]
需要说明的是，本技术实施例中，是对加密人脸特征进行匹配，保存的各待匹配人脸特征也是进行过加密处理的，此处公式6.1所示意的仅是为了推导需要所假设的特征关系，为了表征基于目前公式6.1所示意的内容，能够实现人脸特征的匹配。
[0165]
将所述公式6.1中的替换为公式5：所示意的表示形式后，公式6.1可以整理如下公式6.2所示意的内容：
[0166][0167]
同时，基于公式4.1：qab≈aa所示意的内容，可将q表征为如下公式4.2所示意的内容：
[0168][0169]
需要说明的是，对于公式4.2中的表示矩阵ab的广义逆，故不要求矩阵ab是方阵。
[0170]
进而在将公式4.2所表征的q替换公式6.2中的q后可得到公式6.3所示意的内容：
[0171][0172]
在上述公式6.3的基础上，根据向量点积与转置的转换关系，可以将公式6.3中的点积形式，变换为6.4中所示意的矩阵乘积形式：
[0173][0174]
进一步的，在公式6.4的基础上，对转置形式进行分解和合并，能够变换得到如下公式6.5所示意的转换形式：
[0175][0176]
进一步的，在公式6.5的基础上将转置的矩阵乘积形式，逆向转换为点积的形式后，可以得到公式6.6所示意的表示形式：
[0177][0178]
将公式2.1所示意的点积形式转换为矩阵相乘的形式时，公式2.1可以变换为如下公式2.2所示意的形式：
[0179][0180]
需要说明的是，本技术实施例中，是一维向量，可以适应性地以行向量或列向量的形式存在。
[0181]
将上述公式6.6中的部分内容用公式2.2进行替换后，可得到如下公式6.7所示意的内容：
[0182][0183]
又因为e为单位矩阵，那么将单位矩阵引入公式6.7后，能够得到公式6.8所示意的内容如下：
[0184][0185]
再者，将公式1.1所示意的点积形式，转换为矩阵乘积的形式时，公式1.1可以变换为如下公式1.2所示意的形式：
[0186][0187]
将公式1.2的内容替换上述公式6.8中对应的部分后，能够得到公式6.9示意的内容如下：
[0188][0189]
进一步的，根据公式4.2所示意的内容，可以拆解出得到对应的示意公式如公式4.3所示意的内容：
[0190]
[0191][0192]
故将公式4.3所示意的内容，替换公式6.9中的部分内容后，能够得到形如公式6.10的表示形式如下：
[0193][0194]
由于公式6.10中，故公式6.10可以整理为形如公式6.11所示意的内容：
[0195][0196]
对于公式6.11，可以将作为转换矩阵，转换矩阵可以用于对特征加密向量进行转换处理，通过计算转换后的特征加密向量与待匹配人脸特征之间的向量点积，能够实现提取的特征与保存的各个特征的相似度匹配。
[0197]
这样，通过推导由目标特征提取算法提取的人脸特征与保存的由目标提取算法提取的人脸特征之间的点积结果，能够得到特征加密向量、待匹配人脸特征，以及第一加密矩阵之间的运算形式，也就是说，基于上述推导过程，能够将点积结果的求解过程等价为求解转换后的特征加密向量与待匹配人脸特征的点积过程，实现了基于加密的人脸特征的匹配处理。
[0198]
后续，第二电子设备在对目标人脸特征进行人脸识别处理时，可以计算目标人脸特征与每个待匹配人脸特征之间的点积，进而将点积最大的待匹配人脸特征所关联的身份信息作为人脸识别结果。
[0199]
具体实施时，第一电子设备，还用于获取待注册人脸图像和对应的身份信息，向第二电子设备发送人脸注册请求，其中，人脸注册请求中包含有待注册人脸图像和身份信息。
[0200]
第二电子设备，还用于接收人脸注册请求，利用目标特征提取算法对待注册人脸图像进行人脸特征提取，得到待注册人脸特征，或者，利用第一特征提取算法对待注册人脸图像进行人脸特征提取，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人脸特征之间的转换关系，对利用第一特征提取算法提取到的待注册人脸图像的人脸特征进行转换处理，得到待注册人脸特征，进而对待注册人脸特征和身份信息进行关联存储处理。后续，待注册人脸特征即可成为第二电子设备中的待匹配人脸特征。
[0201]
也就是说，当进行人脸注册时，第二电子设备可以直接利用目标特征提取算法提取目标人脸图像的人脸特征，将提取的人脸特征作为待注册人脸特征。这样，第二电子设备中存储的均是利用目标特征提取算法提取到的人脸特征，便于提升后续人脸特征匹配的准确度。
[0202]
另外，第二电子设备也可以先利用第一特征提取算法提取待注册人脸图像的人脸特征，再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人脸特征之间
的转换关系，对利用第一特征提取算法提取的待注册人脸图像的人脸特征进行转换处理，得到待注册人脸特征。这样，第二电子设备无需内植目标特征提取算法的实现程序，可减少第二电子设备的开发环节。
[0203]
此外，第二电子设备在对待注册人脸特征和身份信息进行关联存储处理之后，还可以删除待注册人脸图像。也就是说，第二电子设备可以在只存储待匹配人脸特征而不存储对应人脸图像的情况下进行人脸识别。
[0204]
具体实施时，若第二电子设备对每个人仅保存一个人脸特征，则在接收到人脸注册请求后，可直接关联存储待注册人脸特征和身份信息。
[0205]
考虑到在一些特殊场景中可能需要对同一个人存储多个人脸特征。比如，疫情期间，为了降低传染率出现了一些不摘口罩的人脸识别算法，为了提升这些算法的人脸识别准确率会对同一个人存储多个人脸特征。该种情况下，第二电子设备在接收到人脸注册请求时，可以根据对同一个人存储的人脸特征的个数上限来对待注册人脸特征和身份信息进行存储处理。
[0206]
比如，第二电子设备，具体用于从保存的各待匹配人脸特征中筛选与待注册人脸特征匹配的人脸特征，若筛选出的人脸特征的个数小于m，则可将待注册人脸特征和身份信息关联存储；若筛选出的人脸特征的个数等于m，则从筛选出的m个人脸特征和待注册人脸特征中确定一个需剔除的人脸特征，进而将筛选出的m个人脸特征和待注册人脸特征中除需剔除的人脸特征之外的人脸特征和身份信息关联存储，其中，m表示对同一人脸存储的人脸特征的个数上限。
[0207]
具体实施时，第二电子设备，具体用于将筛选出的m个人脸特征中存储时间最早的人脸特征，确定为需剔除的人脸特征，或者，将筛选出的m个人脸特征和待注册人脸特征中与中心人脸特征距离最远的人脸特征，确定为需剔除的人脸特征，其中，中心人脸特征可以根据筛选出的m个人脸特征和待注册人脸特征确定。
[0208]
假设m＝3，筛选出的3个人脸特征分别为t1＝(a1，a2，a3)、t2＝(b1，b2，b3)、t3＝(c1，c2，c3)，待注册人脸特征t4＝(d1，d2，d3)，那么，中心人脸特征t＝(x，y，z)，其中，x＝(a1+b1+c1+d1)/4，y＝(a2+b2+c2+d2)/4，z＝(a3+b3+c3+d3)/4。即，可将筛选出的m个人脸特征和待注册人脸特征的平均特征确定为中心人脸特征。
[0209]
此外，当第二电子设备对同一个人存储有不止一个人脸特征即m》1时，在进行人脸识别时，可在待注册人脸特征与相应的m个人脸特征之间的相似度均高于设定值时，将这m个人脸特征关联的身份信息确定为人脸识别结果，也可以在待注册人脸特征与这m个人脸特征中部分人脸特征之间的相似度高于设定值时，将m个人脸特征关联的身份信息确定为人脸识别结果。
[0210]
需要说明的是，此处仅为举例，并不构成对该种情况下人脸识别方式的限制。
[0211]
一般地，各公司会使用不同的人脸识别算法，且各公司的人脸识别算法所形成的人脸识别产品可部署在一个电子设备上(对应上述第二电子设备)。为了能够在不存储人脸图像的情况下使不同公司的人脸识别产品之间可以兼容，本技术实施例提供了一种不同人脸识别的互认方案，互认方案的原理如：约定一个目标特征提取算法，各公司的人脸识别产品均和目标特征提取算法进行兼容，即各公司均将利用自己的人脸识别产品提取的人脸特征转换到利用目标特征提取算法提取的人脸特征所在的目标空间，使不同人脸识别产品所
得到的人脸特征能够统一在目标空间，以便无论如何更换人脸识别产品，都无需再重新生成待匹配人脸特征。
[0212]
具体实施时，可以利用任一公司的人脸识别产品对人脸图像进行人脸特征提取，然后，通过特征转换，将提取的人脸特征所在的空间与利用目标特征提取算法提取的对应人脸特征所在的目标空间进行对齐，这样，不同公司的人脸识别产品所提取的人脸特征能统一在一个特征空间，进而使得不同公司的人脸识别产品所提取的人脸特征能够直接进行比对，更换人脸识别产品时也无须再重新提取人脸特征库(即重新生成待匹配人脸特征)。
[0213]
实际应用中，各个公司的人脸识别产品除了包含自己的人脸识别算法还可以附带一个特征转换器，这个特征转换器用于将利用该公司的人脸识别产品所提取的人脸特征与利用目标特征提取算法提取的对应人脸特征进行空间对齐，其中，特征转换器的实现方式可以参见前述内容，在此不再赘述。
[0214]
参见图3，假设利用模块a对应的人脸识别产品对某个园区进行了人脸特征提取，形成了人脸特征库。具体地，先利用模块a对应的人脸识别产品对采集的人脸图像进行人脸特征提取，得到人脸特征fa，然后利用模块a对应的人脸识别产品所附带的特征转换器对人脸特征fa进行转换处理，得到人脸特征fa，进而将人脸特征fa存入人脸特征库。
[0215]
如果后续不再采用模块a对应的人脸识别产品，而是采购了模块b对应的人脸识别产品。那么，不再需要重建人脸特征库，而可以直接利用已有的人脸特征库(即存入人脸特征fa的人脸特征库)。并且，在进行人脸识别时，可以利用模块b对应的人脸识别产品对待识别的人脸图像进行人脸特征提取，得到人脸特征fb，然后，利用模块b对应的人脸识别产品所附带的特征转换器对人脸特征fb进行转换，得到人脸特征fb，由于人脸特征fb和人脸特征库中的人脸特征均统一在相同的特征空间，因此，可直接计算人脸特征fb与人脸特征库中任一人脸特征之间的距离，从而得到人脸识别结果。
[0216]
相应地，将模块b对应的人脸识别产品切换为其他模块(模块c、模块d或模块e)对应的人脸识别产品的方式类似，在此不再赘述。
[0217]
此外，需要说明的是，在图3中，人脸特征fc表示利用模块c对应的人脸识别产品对待识别的人脸图像进行人脸特征提取得到的人脸特征，人脸特征fc表示利用模块c对应的人脸识别产品所附带的特征转换器对人脸特征fc进行转换处理得到的人脸特征；人脸特征fd表示利用模块d对应的人脸识别产品对待识别的人脸图像进行人脸特征提取得到的人脸特征，人脸特征fd表示利用模块d对应的人脸识别产品所附带的特征转换器对人脸特征fd进行转换处理得到的人脸特征；人脸特征fe表示利用模块e对应的人脸识别产品对待识别的人脸图像进行人脸特征提取得到的人脸特征，人脸特征fe表示利用模块e对应的人脸识别产品所附带的特征转换器对人脸特征fe进行转换处理得到的人脸特征。并且，图3中不同模块对应的人脸识别产品可以是同一公司开发的，也可以是不同公司开发的。
[0218]
图4为本技术实施例提供的一种人脸识别方法的流程图，该方法应用于图1中的第二电子设备，该方法的流程图包括以下步骤：
[0219]
s401：接收人脸识别请求，其中，人脸识别请求中包含有目标人脸图像。
[0220]
s402：利用第一特征提取算法对目标人脸图像进行人脸特征提取，得到第一人脸特征。
[0221]
s403：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，得到能与保存的待匹配人脸特征进行比对的目标人脸特征。
[0222]
在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，对第一人脸特征进行转换处理，得到目标人脸特征。
[0223]
比如，将第一人脸特征输入到特征转换模型中进行转换处理，得到目标人脸特征，其中，特征转换模型是对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进行学习得到的。
[0224]
再比如，采用旋转矩阵和平移矩阵，将第一人脸特征转换为目标人脸特征，其中，旋转矩阵和平移矩阵根据以下步骤确定：
[0225]
分别采用第一特征提取算法和目标特征提取算法，对获取的各图像样本进行人脸特征提取，得到每个图像样本对应的第一样本特征和目标样本特征，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，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，计算第一样本特征矩阵到目标样本特征矩阵之间的转换关系，从而得到旋转矩阵和平移矩阵。
[0226]
并且，该种情况下，第二电子设备中的各待匹配人脸特征为参考人脸特征，其中，参考人脸特征可以是利用目标特征提取算法进行人脸特征提取得到的人脸特征，也可以是根据第二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，对利用第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
[0227]
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加密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。
[0228]
并且，该种情况下，第二电子设备中的各待匹配人脸特征是参考人脸特征加密后的人脸特征，其中，参考人脸特征可以是利用目标特征提取算法进行人脸特征提取得到的人脸特征，也可以是根据第二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，对利用第二特征提取算法提取的人脸特征进行转换处理后得到的人脸特征。
[0229]
具体实施时，第二电子设备可以根据第一人脸特征与保存的第一加密矩阵中的各第一加密向量的点积结果，生成与第一人脸特征对应的特征加密向量，采用预设的转换矩阵对特征加密向量进行转换处理，得到目标人脸特征，其中，第一加密矩阵中包括采用第一特征提取算法对n个图像样本进行特征提取后得到的n个第一加密向量，转换矩阵用于表征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加密人脸特征之间的转换关系。
[0230]
相应地，此时，第二电子设备中的各待匹配人脸特征是利用参考人脸特征与目标加密矩阵中各目标加密向量之间的点积结果生成的，目标加密矩阵中包括采用目标特征提取算法从n个图像样本中提取的n个目标加密向量。
[0231]
s404：基于保存的各待匹配人脸特征，对目标人脸特征进行人脸识别处理。
[0232]
具体实施时，可以计算目标人脸特征与每个待匹配人脸特征之间的相似度，进而将相似度最高的待匹配人脸特征关联的身份信息确定为人脸识别结果。
[0233]
图5为本技术实施例提供的又一种人脸识别方法的流程图，该方法应用于图1中的第二电子设备，该方法的流程图包括以下步骤：
[0234]
s501：接收人脸识别请求，其中，人脸识别请求中包含有目标人脸图像。
[0235]
s502：利用第一特征提取算法对目标人脸图像进行人脸特征提取，得到第一人脸特征。
[0236]
s503：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，得到能与保存的待匹配人脸特征进行比对的目标人脸特征。
[0237]
s504：基于保存的各待匹配人脸特征，对目标人脸特征进行人脸识别处理。
[0238]
s505：接收人脸注册请求，其中，人脸注册请求中包含有待注册人脸图像和身份信息。
[0239]
s506：获取待注册人脸图像对应的待注册人脸特征。
[0240]
具体实施时，可以利用目标特征提取算法对待注册人脸图像进行人脸特征提取，从而得到待注册人脸特征，或者，先利用第一特征提取算法对待注册人脸图像进行人脸特征提取，再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人脸特征之间的转换关系，对利用第一特征提取算法提取到的待注册人脸图像的人脸特征进行转换处理，从而得到待注册人脸特征。
[0241]
s507：对待注册人脸特征和身份信息进行关联存储处理。
[0242]
具体实施时，可以从保存的各待匹配人脸特征中筛选与待注册人脸特征匹配的人脸特征，若筛选出的人脸特征的个数小于m，则将待注册人脸特征和身份信息关联存储；若筛选出的人脸特征的个数等于m，则从筛选出的m个人脸特征和待注册人脸特征中确定一个需剔除的人脸特征，比如，将筛选出的m个人脸特征中存储时间最早的人脸特征，确定为需剔除的人脸特征，或者，将筛选出的m个人脸特征和待注册人脸特征中与中心人脸特征距离最远的人脸特征，确定为需剔除的人脸特征，进而将筛选出的m个人脸特征和待注册人脸特征中除需剔除的人脸特征之外的人脸特征和对应身份信息关联存储，其中，m表示对同一人脸存储的人脸特征的个数上限，中心人脸特征根据筛选出的m个人脸特征和待注册人脸特征确定。
[0243]
需要说明的是，上述流程中s501-s504与s505-s507之间没有严格的先后顺序关系。
[0244]
当本技术实施例中提供的方法以软件或硬件或软硬件结合实现的时候，电子设备中可以包括多个功能模块，每个功能模块可以包括软件、硬件或其结合。
[0245]
图6为本技术实施例提供的一种人脸识别装置的结构示意图，该装置设置于第二电子设备中，包括接收模块601、提取模块602、转换模块603、识别模块604。
[0246]
接收模块601，用于接收人脸识别请求，所述人脸识别请求中包含有目标人脸图像；
[0247]
提取模块602，用于利用第一特征提取算法对所述目标人脸图像进行人脸特征提取，得到第一人脸特征；
[0248]
转换模块603，用于根据所述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人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到能与保存
的待匹配人脸特征进行比对的目标人脸特征；
[0249]
识别模块604，用于基于保存的各待匹配人脸特征，对所述目标人脸特征进行人脸识别处理。
[0250]
在一种可能的实施方式中，所述转换模块603具体用于：
[0251]
根据所述第一特征提取算法与所述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，对所述第一人脸特征进行转换处理，得到所述目标人脸特征；以及
[0252]
各待匹配人脸特征是参考人脸特征，所述参考人脸特征是利用所述目标特征提取算法进行人脸特征提取得到的人脸特征，或者，所述参考人脸特征是根据第二特征提取算法与所述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，对利用所述第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
[0253]
在一种可能的实施方式中，所述转换模块603具体用于：
[0254]
将所述第一人脸特征输入到特征转换模型中进行转换处理，得到所述目标人脸特征，所述特征转换模型是对所述第一特征提取算法与所述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进行学习得到的。
[0255]
在一种可能的实施方式中，所述转换模块603具体用于：
[0256]
采用旋转矩阵和平移矩阵，将所述第一人脸特征转换为所述目标人脸特征；
[0257]
其中，所述旋转矩阵和所述平移矩阵根据以下步骤确定：
[0258]
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，对获取的各图像样本进行人脸特征提取，得到每个图像样本对应的第一样本特征和目标样本特征；
[0259]
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，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；
[0260]
计算所述第一样本特征矩阵到所述目标样本特征矩阵之间的转换关系，得到所述旋转矩阵和所述平移矩阵。
[0261]
在一种可能的实施方式中，所述转换模块603具体用于：
[0262]
根据所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之间的转换关系，对所述第一人脸特征进行转换处理，得到所述目标人脸特征；以及
[0263]
各待匹配人脸特征是参考人脸特征加密后的人脸特征，所述参考人脸特征是利用所述目标特征提取算法进行人脸特征提取得到的人脸特征，或者，所述参考人脸特征是根据第二特征提取算法与所述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，对利用所述第二特征提取算法预先提取的人脸特征进行转换处理得到的人脸特征。
[0264]
在一种可能的实施方式中，所述转换模块603具体用于：
[0265]
根据所述第一人脸特征与保存的第一加密矩阵中的各第一加密向量的点积结果，生成与所述第一人脸特征对应的特征加密向量，采用预设的转换矩阵对所述特征加密向量进行转换处理，得到所述目标人脸特征，其中，所述第一加密矩阵中包括采用所述第一特征提取算法对n个图像样本进行特征提取后得到的n个第一加密向量，所述转换矩阵用于表征所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的加密人脸特征之
间的转换关系；以及
[0266]
各待匹配人脸特征是利用所述参考人脸特征与目标加密矩阵中各目标加密向量之间的点积结果生成的，所述目标加密矩阵中包括采用所述目标特征提取算法从所述n个图像样本中提取的n个目标加密向量。
[0267]
在一种可能的实施方式中，还包括存储模块605，
[0268]
所述接收模块601，还用于接收人脸注册请求，所述人脸注册请求中包含待注册人脸图像和身份信息；
[0269]
所述提取模块602，还用于利用所述目标特征提取算法对所述待注册人脸图像进行人脸特征提取，得到待注册人脸特征，或者，利用所述第一特征提取算法对所述待注册人脸图像进行人脸特征提取；
[0270]
所述转换模块603，还用于根据所述第一特征提取算法与所述目标特征提取算法提取的相同人脸图像的人脸特征之间的转换关系，对利用所述第一特征提取算法提取到的所述待注册人脸图像的人脸特征进行转换处理，得到待注册人脸特征；
[0271]
所述存储模块605，用于对所述待注册人脸特征和所述身份信息进行关联存储处理。
[0272]
在一种可能的实施方式中，所述存储模块605具体用于：
[0273]
从保存的各待匹配人脸特征中筛选与所述待注册人脸特征匹配的人脸特征；
[0274]
若筛选出的人脸特征的个数小于m，则将所述待注册人脸特征和所述身份信息关联存储，m表示对同一人脸存储的人脸特征的个数上限；
[0275]
若筛选出的人脸特征的个数等于m，则从筛选出的m个人脸特征和所述待注册人脸特征中确定一个需剔除的人脸特征，将筛选出的m个人脸特征和所述待注册人脸特征中除需剔除的人脸特征之外的人脸特征和所述身份信息关联存储。
[0276]
在一种可能的实施方式中，所述存储模块605具体用于：
[0277]
将筛选出的m个人脸特征中存储时间最早的人脸特征，确定为需剔除的人脸特征，或者，
[0278]
将筛选出的m个人脸特征和所述待注册人脸特征中与中心人脸特征距离最远的人脸特征，确定为需剔除的人脸特征，所述中心人脸特征根据筛选出的m个人脸特征和所述待注册人脸特征确定。
[0279]
本技术实施例中对模块的划分是示意性的，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，另外，在本技术各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0280]
图7为本技术实施例提供的一种电子设备的结构示意图，该电子设备包括收发器701以及处理器702等物理器件，其中，处理器702可以是一个中央处理单元(central processing unit，cpu)、微处理器、专用集成电路、可编程逻辑电路、大规模集成电路、或者为数字处理单元等等。收发器701用于电子设备和其他设备进行数据收发。
[0281]
该电子设备还可以包括存储器703用于存储处理器702执行的软件指令，当然还可以存储电子设备需要的一些其他数据，如电子设备的标识信息、电子设备的加密信息、用户数据等。存储器703可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器703也可以是非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)、或者存储器703是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器703可以是上述存储器的组合。
[0282]
本技术实施例中不限定上述处理器702、存储器703以及收发器701之间的具体连接介质。本技术实施例在图7中仅以存储器703、处理器702以及收发器701之间通过总线704连接为例进行说明，总线在图7中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0283]
处理器702可以是专用硬件或运行软件的处理器，当处理器702可以运行软件时，处理器702读取存储器703存储的软件指令，并在所述软件指令的驱动下，执行前述实施例中涉及的人脸识别方法。
[0284]
本技术实施例还提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，所述电子设备能够执行前述实施例中涉及的人脸识别方法。
[0285]
在一些可能的实施方式中，本技术提供的人脸识别方法的各个方面还可以实现为一种程序产品的形式，所述程序产品中包括有程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行前述实施例中涉及的人脸识别方法。
[0286]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、ram、rom、可擦式可编程只读存储器(erasable programmable read-only memory，eprom)、闪存、光纤、光盘只读存储器(compact disk read only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0287]
本技术实施例中用于人脸识别的程序产品可以采用cd-rom并包括程序代码，并可以在计算设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0288]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0289]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、射频(radio frequency，rf)等等，或者上述的任意合适的组合。
[0290]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络如局域网(local area network，lan)或广域网(wide area network，wan)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0291]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
[0292]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0293]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0294]
本技术是参照根据本技术实施例的方法、装置(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。
[0295]
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。
[0296]
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。
[0297]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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技术范围的所有变更和修改。
[0298]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精
神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。