一种人脸识别方法及系统与流程

1.本发明涉及光谱成像技术领域，尤其涉及一种人脸识别方法及系统。


背景技术：

2.人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，通过采集含有人脸的图像或视频进行分析，自动推断其身份、表情、年龄和性别等属性。作为生物特征识别技术的一种，人脸识别具有非强制性、非接触性、操作简单及隐蔽性好等特点，因此在安防、管理监督和多媒体娱乐等领域应用广泛。
3.目前大多数人脸识别技术都是基于灰度图像或者彩色rgb图像，可以获得的图像信息有限，光照条件及拍摄视角等的变化对识别结果有着直接的影响，人脸表情、发型、化妆和眼镜等因素的改变都会可能导致识别准确度的下降，更有不法分子通过伪装、遮挡、面具以及打印照片的方式对识别结果造成严重干扰。基于传统成像系统的人脸识别技术，由于仅仅利用了观测对象的空间几何特征，对于各种条件变化引起的不确定性非常敏感，系统鲁棒性较差，在复杂环境下识别性能急剧下降，即使引入3d人脸信息，也无法解决硅胶面具的伪装问题，无法实现活体人脸的识别。
4.因此，现在亟需一种人脸识别方法及系统来解决上述问题。


技术实现要素：

5.针对现有技术存在的问题，本发明提供一种人脸识别方法及系统。
6.本发明提供一种人脸识别方法，包括：
7.获取待识别的人脸光谱图像；
8.将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；
9.根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别和活体识别结果。
10.本发明提供一种人脸识别方法，所述获取待识别的人脸光谱图像，包括：
11.通过人脸识别光谱成像芯片，获取待识别的人脸光谱图像；
12.所述人脸识别光谱成像芯片包括光调制层、图像传感器层和信号处理电路层，所述光调制层、所述图像传感器层和所述信号处理电路层沿垂直方向从上至下依次连接，其中：
13.所述光调制层，用于接收待识别人脸反射的光信号，并进行光调制；
14.所述图像传感器层，用于将光调制后的待识别人脸反射的光信号转换为电信号，所述电信号包括人脸图像空间信息和皮肤光谱信息；
15.所述信号处理电路层，用于对所述图像传感器层输出的人脸图像空间信息和皮肤
光谱信息进行处理，获取人脸识别结果。
16.根据本发明提供的一种人脸识别方法，所述人脸光谱成像芯片还包括透镜组，其中，所述透镜组，位于所述光调制层的上表面，与所述光调制层连接，用于对人脸反射的光信号进行聚焦成像，得到待识别人脸反射的光信号。
17.根据本发明提供的一种人脸识别方法，所述光调制层包括至少一个光调制单元，所述光调制单元包括多个微纳结构阵列，每个微纳结构阵列中按照不同预设排列规则，设置有均匀分布排列的通孔，且每个微纳结构阵列的通孔形状不同。
18.根据本发明提供的一种人脸识别方法，所述图像传感器层的上表面分布有多个感光像素单元，每个微纳结构阵列对应至少一个感光像素单元。
19.根据本发明提供的一种人脸识别方法，所述训练好的人脸光谱图像特征提取模型通过以下步骤训练得到：
20.根据标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，构建样本训练集，所述真伪类别光谱信息标签为活体人脸、仿真人脸和非人脸类别的光谱信息标签；
21.将所述样本训练集输入到所述机器学习模型中进行训练，得到训练好的人脸图像特征提取模型，所述机器学习模型为卷积神经网络。
22.根据本发明提供的一种人脸识别方法，所述将所述样本训练集输入到所述机器学习模型中进行训练，得到训练好的人脸光谱图像特征提取模型，包括：
23.基于深度学习算法，通过所述样本训练集对所述卷积神经网络中的卷积核进行训练，若满足预设训练条件，得到训练好的人脸光谱图像特征提取模型，其中，所述卷积核用于检测人脸角点轮廓和皮肤光谱特性。
24.本发明还提供了一种人脸识别系统，包括：
25.获取光谱图像模块，获取待识别的人脸光谱图像；
26.提取特征向量模块，用于将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；
27.识别模块，用于根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别结果。
28.根据本发明提供的一种人脸识别系统，所述系统还包括：
29.构建样本训练集模块，用于根据标记有人脸信息标签和真伪类别光谱信息标签的样本人脸光谱图像，构建样本训练集，所述人脸信息标签为人脸所属身份信息标签，所述真伪类别光谱信息标签为活体人脸、仿真人脸和非人脸类别的光谱信息标签；
30.训练特征提取模型模块，用于将所述样本训练集输入到所述机器学习模型中进行训练，得到训练好的人脸图像特征提取模型，所述机器学习模型为卷积神经网络。
31.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述人脸识别方法的步骤。
32.本发明提供的一种人脸识别方法及系统，通过获取人脸光谱图像，将人脸光谱图像输入到人脸光谱图像特征提取模型中，得到人脸空间特性和光谱反射特性的目标特征向
量；利用相似度评价标准，将目标特征向量与数据库中的特征向量进行对比识别，与传统人脸识别方法相比，利用皮肤光谱特性，同时实现人脸识别和活体识别，弥补了传统人脸检测的安全漏洞，提高了人脸识别结果的准确性，提升了人脸识别系统的安全性。
附图说明
33.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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。
34.图1为本发明提供的人脸识别方法的流程示意图；
35.图2为本发明提供的人脸识别光谱成像芯片的结构示意图；
36.图3为本发明提供的人脸识别光谱成像芯片中光调制层的微纳结构阵列的结构示意图；
37.图4为本发明提供的人脸识别系统的结构示意图；
38.图5为本发明提供的一种电子设备的结构示意图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
40.普通的rgb相机只能拍摄得到rgb三个通道的图像，基于普通rgb相机的活体检测算法使用的仅有rgb三个通道的图像信息，一般需要通过视频序列分析等较为复杂的算法来进行识别，实时性差且可靠性差，对高仿真的人脸识别率也较低。
41.图1为本发明提供的人脸识别方法的流程示意图，如图1所示，本发明提供了一种人脸识别方法，包括：
42.步骤101，获取待识别的人脸光谱图像；
43.步骤102，将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；
44.步骤103，根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别和活体识别结果。
45.在本发明中，步骤101中，待识别的人脸光谱图像可以通过计算光谱装置获取，也可以通过高光谱装置获取。
46.进一步地，步骤102中，人脸所属身份信息标签为包含不同身份id的人脸空间特性的标签。根据标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，同时对机器学习模型进行训练，得到人脸光谱图像特征提取模型。将待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，人脸光谱图像特征提取模型为机器学
习模型，通过对机器学习模型进行训练，将人脸光谱图像转化为高维空间中的目标特征向量，得到的目标特征向量包括人脸空间特性和光谱反射特性。需要说明的是，目标特征向量可以是活体人脸的特征向量，可以是仿真人脸的特征向量，也可以是非人脸的特征向量。
47.需要说明的是，人脸光谱图像特征提取模型可以是卷积神经网络，也可以是任意的机器学习模型，机器学习模型还可以是支持向量机(support vector machine，简称svm)，也可以是感知机。本发明是以卷积神经网络的训练过程进行说明。
48.进一步地，步骤103中，相似度评价标准可以是特征向量之间的欧式距离，可以是特征向量在高维空间中的夹角，也可以是用于衡量高维空间中向量间相似度的算法。选定已有人脸图像数据库中与待识别目标特征向量相似度最高的样本特征向量作为候选识别结果，该数据库中的样本特征向量包含人脸空间特性以及光谱反射特性。若相似度达到设定的阈值，则视为识别成功，否则视为识别失败。通过上述相似度评价标准，对目标特征向量进行对比识别，从而得到人脸识别和活体识别结果。
49.本发明提供的人脸识别方法，通过获取人脸光谱图像，将人脸光谱图像输入到人脸光谱图像特征提取模型中，得到人脸空间特性和光谱反射特性的目标特征向量；利用相似度评价标准，将目标特征向量与数据库中的特征向量进行对比识别，与传统人脸识别方法相比，利用皮肤光谱特性，同时实现人脸识别和活体识别，弥补了传统人脸检测的安全漏洞，提高了人脸识别结果的准确性，提升了人脸识别系统的安全性。
50.优选地，本发明提供的人脸识别方法可通过人脸识别光谱成像芯片实现，具体可通过人脸识别光谱成像芯片中的信号处理电路层实现。通过人脸识别光谱芯片，获取待识别的人脸光谱图像。利用人脸识别光谱成像芯片对待识别人脸进行拍摄，拍摄得到的人脸光谱图像高达数百个通道，获取待识别的人脸光谱图像。其中，人脸光谱图像包括人脸图像空间信息和皮肤光谱信息；待识别的人脸可以是活体人脸，可以是人脸图像，也可以是视频中的人脸，也可以是物体。
51.图2为本发明提供的人脸识别光谱成像芯片的结构示意图，如图2所示，本发明提供了一种人脸识别光谱成像芯片，包括光调制层2021、图像传感器层2022和信号处理电路层2023，光调制层2021、图像传感器层2022和信号处理电路层2023沿垂直方向从上至下依次连接，其中：
52.光调制层2021，用于接收待识别人脸203反射的光信号，并进行光调制；
53.图像传感器层2022，用于将光调制后的待识别人脸203反射的光信号转换为电信号，电信号包括人脸图像空间信息和光调制后的人脸光谱信息；
54.信号处理电路层2023，用于对图像传感器层2022输出的人脸图像空间信息和光调制后的人脸光谱信息进行处理，获取人脸识别结果。
55.可选地，人脸光谱成像芯片还包括透镜组201，其中，透镜组201位于所述光调制层2021的上表面，与光调制层2021连接，用于对人脸203反射的光信号进行聚焦成像，得到待识别人脸反射的光信号。
56.在本发明中，采用人脸识别光谱成像芯片对待识别人脸203进行拍摄时，人脸识别光谱成像芯片中的透镜组镜头朝向待识别人脸。在人脸识别光谱成像芯片中，一系列的透镜组201设置在芯片内部结构202的一侧，可参考图2所示，光调制层2021、图像传感器层2022和信号处理电路层2023组成了人脸识别光谱成像芯片的内部结构202，人脸反射的光
线经过透镜组201得到聚焦成像后的人脸反射的光信号，将聚焦成像后的人脸反射的光信号作为待识别人脸反射的光信号；光调制层2021上设置有若干个光调制单元，每个光调制单元包含多个微纳结构阵列，对接收到的成像后的待识别人脸反射的光信号进行光调制；在图像传感器层2022上表面设置多个感光像素单元，感光像素单元区域表面直接制备对不同波长的光有不同调制作用的微纳结构阵列，从而通过图像传感器层2022可以将光调制后的待识别人脸反射的光信号转换为电信号，电信号包括人脸图像空间信息和光调制后的皮肤光谱信息；信号处理电路层2023对图像传感器层2022输出的人脸图像空间信息和光调制后的人脸光谱信息进行数据分析处理，判断待识别目标是活体人脸、仿真人脸还是非人脸。
57.进一步地，光调制层2021是直接在图像传感器层2022上制备的，例如光调制层为贴附、粘接、键合、沉积于所述图像传感器层2022，图像传感器层2022和信号处理电路层2023之间通过电接触进行连接。
58.可选地，微纳结构阵列的结构阵列种类不同，且不同微纳结构阵列的调制方式不同，调制方式包括但不限于散射、吸收、透射、反射、干涉、激元和谐振增强。
59.可选地，微纳结构阵列包括但不限于一维光子晶体、二维光子晶体、表面等离子激元、超材料和超表面等。具体材料可包括硅、锗、锗硅材料、硅的化合物、锗的化合物和iii-v族材料等，也可以为金属，其中，硅的化合物包括但不限于氮化硅、二氧化硅和碳化硅等。
60.可选地，光调制层2021是在图像传感器层2022上直接生长一层或多层材料，再通过刻蚀制备出微纳结构，例如沉积后，再刻蚀；也可以在图像传感器层2022上直接刻蚀制备出微纳结构。
61.可选地，图像传感器层可以是cis晶圆，也可以是ccd图像传感器。
62.进一步地，采用人脸识别光谱成像芯片对待识别人脸进行拍摄，拍摄得到高达数百个通道的人脸光谱图像，人脸光谱图像所含的信息远高于普通rgb相机拍摄得到的图像。除了识别人脸所属的身份外，通过光谱成像芯片获取到人脸光谱信息，然后再经过信号处理电路层进行数据处理，可以方便地进行活体检测以识别伪装的人脸。
63.在本发明中，将光调制层与图像传感器单片集成，无分立元件，不需要外加准直元件，可以通过cmos工艺一次流片完成对光谱成像芯片的制备，有利于提高器件的稳定性，极大促进成像光谱仪的小型化和轻量化，降低人脸识别设备的成本。
64.在上述实施例的基础上，所述光调制层包括至少一个光调制单元，所述光调制单元包括多个微纳结构阵列，每个微纳结构阵列中按照不同预设排列规则，设置有均匀分布排列的通孔，且每个微纳结构阵列的通孔形状不同。
65.图3为本发明提供的人脸识别光谱成像芯片中光调制层的微纳结构阵列的结构示意图，如图3所示，光调制层上刻有若干个光调制单元，每个单元包含多种微纳结构阵列，光调制层上的微纳结构可以为贯穿平板的孔，也可为具有一定深度的微纳结构。可以通过改变微纳结构阵列中微纳结构单元的结构尺寸参数和/或结构形状来改变光调制作用，单元几何形状可包括但不限于圆、十字、正多边形、矩形以及它们的任意组合。还可通过改变微纳结构的参数来改变这种调制作用，结构参数的改变可包括但不限于微纳结构周期、半径、边长、占空比、厚度等参数以及它们的任意组合。
66.可选地，光调制层为厚度300nm的硅及硅的化合物，共有1000个光调制单元，每个光调制单元整体的尺寸为400μm2，每个光调制单元包含25个微纳结构阵列。每个微纳结构
可以按照不同的预设排列规则排列，每个微纳结构内可以是同一形状的周期排布，占空比为10％～90％之间。每个微纳结构阵列为一维光子晶体、二维光子晶体、表面等离子激元、超材料和超表面等中的任意一种。
67.在上述实施例的基础上，所述图像传感器层的上表面分布有多个感光像素单元，每个微纳结构阵列对应至少一个感光像素单元。
68.在本发明中，图像传感器层2022上表面设置多个感光像素单元，感光像素单元区域表面直接制备对不同波长的光有不同调制作用的微纳结构阵列，每个微纳结构阵列与一个或多个感光像素单元在垂直方向上相对应，通过图像传感器层2022可以将光调制后的待识别人脸反射的光信号转换为电信号。
69.在上述实施例的基础上，所述训练好的人脸图像特征提取模型通过以下步骤训练得到：
70.根据标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，构建样本训练集，所述真伪信息标签为活体人脸、仿真人脸和非人脸类别的光谱信息标签；
71.将所述样本训练集输入到所述机器学习模型中进行训练，得到训练好的人脸图像特征提取模型，所述机器学习模型为卷积神经网络。
72.在本发明中，对训练样本集中的样本人脸光谱图像标注标签，标注的标签包含两部分信息：一部分是人脸所属的身份信息标签，用于人脸识别；一部分是真伪类别光谱信息标签，即为活体人脸、仿真人脸或者非人脸的光谱信息，用于活体识别。两部分标签信息同时用于训练同一个人脸光谱图像特征提取模型。
73.进一步地，将标记有人脸光谱图像信息标签的样本人脸光谱图像训练集输入卷积神经网络中进行训练，获取训练好的人脸光谱图像特征提取模型，以用于提取待识别的人脸光谱图像的目标特征向量。
74.可选地，仿真人脸可以是3d或者图像，非人脸可以是动物或者物体。
75.可选地，整个标签标注的类别可以是{非人脸、伪装人脸、人脸1、人脸2、人脸3
…
}，若训练样本集中共有n个不同身份的人脸特征信息，则标注的标签类别应共有n+2个，标签标注的信息包含人脸的身份信息与真伪类别的光谱反射特性信息。
76.在上述实施例的基础上，所述将所述样本训练集输入到所述机器学习模型中进行训练，得到训练好的人脸光谱图像特征提取模型，包括：
77.基于深度学习算法，通过所述样本训练集对所述卷积神经网络中的卷积核进行训练，若满足预设训练条件，得到训练好的人脸光谱图像特征提取模型，其中，所述卷积核用于检测人脸角点轮廓和皮肤光谱特性。
78.在本发明中，基于深度学习算法，通过大量采集真实人脸和物体的光谱反射特性作为样本训练集，将样本训练集输入卷积神经网络中对卷积核进行自动训练，获取该卷积神经网络的损失函数值，若判断获知损失函数值满足训练收敛条件，得到训练好的人脸光谱图像特征提取模型。
79.在一实施例中，可以将人脸识别和活体识别过程分别独立完成。具体地，将待识别的人脸空间图像输入到训练好的人脸图像特征提取模型中，获取人脸空间图像的目标特征向量，其中，训练好的人脸图像特征提取模型是由标记有人脸信息标签的样本人脸空间图
像，对卷积神经网络进行训练得到的。该目标特征向量包括人脸空间特性，用于识别人脸所属身份。根据相似度评价标准，将目标特征向量与数据库中的特征向量(可以只包含人脸空间特性)进行对比识别，若两者相似度达到设定的阈值，则视为人脸识别成功，否则视为人脸识别失败。
80.进一步地，将目标特征向量输入到训练好的分类器中，得到活体识别结果。其中，训练好的分类器是通过标记有真伪类别光谱信息标签的样本特征向量，对深度神经网络进行自动训练得到的。
81.可选地，分类器还可以通过支持向量机(support vector machines,简称svm)、感知机等机器学习算法训练得到。
82.可以理解的是，活体与非活体的光谱反射特性存在着明显的差异，由此可以通过训练分类器来寻找符合活体和非活体对应的光谱反射特性的差异。
83.在一实施例中，构建人脸图像数据库，根据相似度评价标准，对目标特征向量和人脸图像数据库的特征向量进行匹配，并根据匹配结果，获取目标特征向量对应的光谱反射特性曲线；对光谱反射特性曲线进行判断，若光谱反射特性曲线的特征峰为545nm、575nm波段处的两个极小值点，则判断获知所述待识别的人脸光谱图像为活体人脸图像；或者光谱反射特性曲线的特征峰为850nm波段处的极大值点，则判断获知待识别的人脸光谱图像为活体人脸图像。
84.可选地，利用人脸皮肤光谱反射特性，设计滤波特性同样为“w型”的卷积核对人脸皮肤光谱进行匹配滤波，通过设定阈值进行判决，获取活体识别结果。
85.需要说明的是，人脸的皮肤光谱主要体现为人皮肤的光谱特性。皮肤中血红蛋白对545nm和575nm的光有吸收作用，使得皮肤的反射曲线在可见光波段内呈“w”形。人皮肤反射率在850nm左右达到最大值，然后随着波长长度的增加迅速变小，在1450nm左右又会小幅度增大。因此在可见光波段内，可以依据至少一个血红蛋白的特征峰，如545nm和575nm波长附近的特征吸收峰来进行活体识别；和/或在近红外波段内，也可通过850nm波段处的极值点进行活体检测。
86.在一实施例中，由于光谱成像芯片采用的是计算成像的方式，而不是直接成像，因此也可以利用图像传感器输出的原始灰度图像进行人脸识别，通过均衡、降噪等预处理方式对原始图像进行处理；再对处理后的原始灰度图像进行人脸识别，然后，根据人脸识别光谱成像芯片对人脸识别后的图像中的人脸光谱进行恢复(对人脸光谱中的一些关键点进行恢复)，即获取人脸关键点光谱信息，最后通过人脸光谱成像芯片中信号处理电路层的运算分析来辨别是否为活体人脸。
87.在另一实施例中，从光谱成像芯片拍摄得到的多通道图像可提取出rgb三个通道，因此适用于普通rgb相机的人脸识别算法同样适用于人脸光谱图像。利用图像分析技术，设计角点检测器以及轮廓检测器，将人脸图像抽象为高维空间中的特征向量，并根据相似度评价标准与已有的人脸图像数据库中的特征向量进行对比识别。其中，相似度评价标准可以是特征向量之间的欧式距离，可以是特征向量在高维空间中的夹角，也可以是用于衡量高维空间中向量间相似度的算法。选定已有人脸图像数据库中与待识别目标特征向量相似度最高的样本特征向量作为候选识别结果。若相似度达到设定的阈值，则视为初步的人脸识别成功，否则视为初步的人脸识别失败。
88.进一步地，根据上述相似度评价标准得到初步人脸识别成功的人脸图像，再经过光谱成像芯片拍摄得到人脸图像中人脸关键点的光谱图像信息。由于光谱图像包含rgb信息，并且存在高达上百个通道，因此可构建2d卷积核或者3d卷积核，从光谱图像数据立方中提取光谱图像的特征向量。可选地，该卷积核可设置在人脸识别光谱成像芯片的信号处理电路层中。根据人脸光谱图像在空间维度上的角点轮廓等信息，以及在光谱维度上的血红蛋白吸收特性为已有的先验知识，通过匹配滤波的原理，构建检测人脸角点轮廓和皮肤光谱特性的卷积核，例如，根据皮肤光谱在500nm至600nm之间的“w”型特征，然后利用滤波特性同样为“w”型的卷积核对人脸皮肤光谱进行匹配滤波，获取滤波后的皮肤光谱反射特性曲线。利用人皮肤的光谱反射特性，通过检测皮肤光谱反射特性曲线在特征峰处的光谱来判断拍摄的待识别人脸目标是否为活体人脸。
89.在本发明中，将人脸识别算法和活体检测算法结合在一起，通过光谱成像芯片拍摄得到人脸的光谱反射特性，极大丰富了人脸信息，弥补了传统成像技术的缺点，对光照条件、拍摄视角、人脸表情、发型和化妆等因素的影响具有较强抗干扰能力，对伪装、遮挡、面具和打印照片等方式具有良好识别作用，大大提高了人脸识别结果的准确性。
90.图4为本发明提供的人脸识别系统的结构示意图，如图4所示，本发明提供了一种人脸识别系统，包括获取光谱图像模块401、提取特征向量模块402和识别模块403，其中，获取光谱图像模块401用于获取待识别的人脸光谱图像；提取特征向量模块402用于将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；识别模块403用于根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别和活体识别结果。
91.可选地，人脸识别光谱成像芯片中的透镜组、光调制层和图像传感器层可以视为获取光谱图像模块401，通过透镜组、光调制层和图像传感器层，用于获取待识别人脸的人脸光谱图像，人脸光谱图像包括人脸图像空间信息和人脸光谱信息；提取特征向量模块402和识别模块403可以设置于信号处理电路层，用于获取人脸光谱图像的目标特征向量，并根据相似度评价标准，对目标特征向量和人脸图像数据库的特征向量进行匹配，获取人脸图像数据库中满足相似度最高的特征向量作为候选识别结果，若相似度满足设定阈值，则得到人脸识别和活体识别结果。
92.本发明提供的一种人脸识别系统，通过获取人脸光谱图像，将人脸光谱图像输入到人脸光谱图像特征提取模型中，得到人脸空间特性和光谱反射特性的目标特征向量；利用相似度评价标准，将目标特征向量与数据库中的特征向量进行对比识别，与传统人脸识别方法相比，利用皮肤光谱特性，同时实现人脸识别和活体识别，弥补了传统人脸检测的安全漏洞，提高了人脸识别结果的准确性，提升了人脸识别系统的安全性。
93.在上述实施例的基础上，所述系统还包括构建样本训练集模块和训练特征提取模型模块，其中，构建样本训练集模块用于根据标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，构建样本训练集，所述真伪类别光谱信息标签为活体人脸、仿真人脸和非人脸类别的光谱信息标签；训练特征提取模型模块用于将所述样本训练集输入到所述机器学习模型中进行训练，得到训练好的人脸图像特征提取模型，所述机器
学习模型为卷积神经网络。
94.在上述实施例的基础上，所述训练特征提取模型模块还包括训练特征提取模型单元，训练特征提取模型单元用于基于深度学习算法，通过所述样本训练集对所述卷积神经网络中的卷积核进行训练，若满足预设训练条件，得到训练好的人脸图像特征提取模型，其中，所述卷积核用于检测人脸角点轮廓和皮肤光谱特性。
95.本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
96.图5为本发明提供的一种电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(communications interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行人脸识别方法，该方法包括：获取待识别的人脸光谱图像；将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别和活体识别结果。
97.此外，上述的存储器503中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
98.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的人脸识别方法，该方法包括：获取待识别的人脸光谱图像；将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别和活体识别结果。
99.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的人脸识别方法，该方法包括：获取待识别的人脸光谱图像；将所述待识别的人脸光谱图像输入到训练好的人脸光谱图像特征提取模型中，获取所述人脸光谱图像的目标特征向量，其中，所述训练好的人脸光谱图像特征提取模型是由标记有人脸所属身份信息标签和真伪类别光谱信息标签的样本人脸光谱图像，对机器学习模型进行训练得到的；根据相似度评价标准，对所述目标特征向量进行识别，获取人脸识别和活体识别结果。
100.以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
101.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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
102.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。