一种人脸识别方法、装置以及电子设备与流程

本说明书涉及计算机技术领域，尤其涉及一种人脸识别方法、装置以及电子设备。

背景技术：

目前，在门禁系统，以及手机、电脑等移动终端装置当中，广泛采用了人脸识别技术来识别用户、保护用户信息安全。在实际应用中，常常会有不法人员利用人脸图片或人脸视频欺骗人脸识别系统。

为了确保人脸识别的安全，现在的人脸活体检测大多采用指令式的交互方式，通过语音提示的动作指令，诸如眨眼、摇头、张嘴等，来判断参与检测活动的是否为真人，存在速度慢、参与者不配合等问题。而静态的活体检测又存在准确率地、极易被攻破等问题，难以满足实际应用场景。

基于现有技术，需要能够快速实现活体人脸识别的方案。

技术实现要素：

本说明书实施例提供一种人脸识别方法、装置以及电子设备，用于解决以下技术问题：需要能够快速实现活体人脸识别的方案。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种人脸识别方法，包括：

获取待识别人脸图像；

根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像；

基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像；

根据所述第二图像，识别所述待识别人脸图像。

进一步地，根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像，具体包括：

基于所述待识别人脸图像，分离获得分别对应的三个通道图像；

根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度；

根据所述像素点通道值扩散速度，获得三个通道图像分别对应的用于表示通道的像素点通道值扩散速度的三个所述第一图像。

进一步地，根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体包括：

根据各向异性扩散方程，获得三个通道图像分别对应的通道像素扩散图像；

基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度。

进一步地，根据各向异性扩散方程，获得三个通道图像分别对应的通道像素扩散图像，具体包括：

根据perona-malik扩散方程，利用aos算子求解传导函数和对比因子k；

基于thomas算法，计算获得三个通道图像分别对应的通道像素扩散图像。

进一步地，所述基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体包括：

基于所述三个通道图像分别迭代指定次数后，得到对应的所述通道像素扩散图像；

将三个所述通道像素扩散图像对应的像素点通道值分别与原始单通道像素扩散图像的像素点通道值在log空间做差，确定所述三个通道图像分别对应的像素点通道值扩散速度。

进一步地，所述基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像，具体包括：

基于三个所述第一图像分别对应的各像素点通道值扩散速度，获得用于表示所述待识别人脸图像的各像素点的灰量扩散速度的第二图像。

进一步地，根据所述第二图像，识别所述待识别人脸图像，具体包括：

根据预设深度学习模型，针对所述第二图像进行识别；

其中，所述深度学习模型为分类模型，利用所述第二图像训练获得的，用于对所述待识别人脸图像进行识别是否基于活体获得。

本说明书实施例提供的一种人脸识别装置，包括：

图像采集模块，获取待识别人脸图像；

图像处理模块，根据所述待识别人脸图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像；

图像识别模块，根据所述灰量扩散速度图像，识别所述人脸。

进一步地，所述图像处理模块，根据所述待识别人脸图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像，具体包括：

所述图像处理模块，根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像；

基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像。

进一步地，所述图像处理模块，根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像，具体包括：

所述图像处理模块，基于所述待识别人脸图像，分离获得分别对应的三个通道图像；

根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度；

根据所述像素点通道值扩散速度，获得三个通道图像分别对应的用于表示通道的像素点通道值扩散速度的三个所述第一图像。

进一步地，所述图像处理模块，根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体包括：

根据各向异性扩散方程，获得三个通道图像分别对应的通道像素扩散图像；

基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度。

进一步地，所述图像处理模块，根据各向异性扩散方程，获得三通道图像分别对应的通道扩散图，具体包括：

根据perona-malik扩散方程，利用aos算子求解传导函数和对比因子k；

基于thomas算法，计算获得三通道图像分别对应的通道像素扩散图像。

进一步地，所述图像处理模块，基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体包括：

所述图像处理模块，基于所述三个通道图像分别迭代指定次数后，得到对应的所述通道像素扩散图像；

将三个所述通道像素扩散图像对应的像素点通道值分别与原始单通道像素扩散图像的像素点通道值在log空间做差，确定所述三个通道图像分别对应的像素点通道值扩散速度。

进一步地，所述图像处理模块，基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像，具体包括：

基于三个所述第一图像分别对应的各像素点通道值扩散速度，获得用于表示所述待识别人脸图像的各像素点的灰量扩散速度的第二图像。

进一步地，所述图像识别模块，根据所述第二图像，识别所述待识别人脸图像，具体包括：

所述图像识别模块，根据预设深度学习模型，针对所述第二图像进行识别；

其中，所述深度学习模型为分类模型，利用所述第二图像训练获得的，用于对所述待识别人脸图像进行识别是否基于活体获得。

本说明书实施例提供的一种电子设备，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，

所述存储器存储有可被所述至少一个处理器执行的指令，所述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：

获取待识别人脸图像；

根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像；

基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像；

根据所述第二图像，识别所述待识别人脸图像。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

在获取待识别人脸图像后，对该图像进行分离，获得三通道图像，在基于该三通道图像利用非线性扩散滤波算法，确定待识别人脸图像的灰量扩散速度图像；进一步地，根据利用预设的深度学习模型根据该灰量扩散速度图像识别待识别人脸图像是否为活体；在能够满足对活体人脸识别的同时，避免复杂的识别和计算过程，可以有效提高检测速度，提高用户体验。

附图说明

为了更清楚地说明本说明书实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书的方案在一种实际应用场景下涉及的活体人脸识别过程示意图；

图2为本说明书实施例提供的一种人脸识别方法的流程示意图；

图3为本说明书实施例提供的实际应用人脸识别方法的示意图；

图4为本说明书实施例提供的一种人脸识别装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。

图1为本说明书的方案在一种实际应用场景下涉及的人脸识别过程的示意图。通过图像采集设备(例如，门禁系统或者手机等)，对待识别人脸进行采集；进一步地，从中选取该待识别图像的人脸框；利用基于活体人脸3d结构与图片或视频中人脸2d结构所获得的待识别人脸图像的不同灰量，判断待识别人脸图像是否为活体人脸；其中，判断的方法，可以通过深度学习模型进行判断，该深度学习模型是预先通过扩散方程算法得到的灰量扩散速度图像训练得到的。

需要说明的是，活体人脸是指真实人脸，具有立体结构，而不是照片或视频中的平面人脸图像。灰量这里是指待识别人脸图像中各像素点的灰度值，该灰量可以表示各像素点对应的反射光线强弱，并且该灰量是基于各通道像素点通道值得到的。

基于上述场景，下面对本说明书的方案进行详细说明。

图2为本说明书实施例提供的一种人脸识别方法的流程示意图，该方法具体可以包括以下步骤：

步骤s202：获取待识别人脸图像。

在一种实施例中，通过图像获取设备(例如智能手机、相机或者门禁装置等)，拍摄得到包含待识别人脸图像的图像，进一步，从该图像中除去背景图像的干扰，并框选出人脸图像作为待识别人脸图像。在实际应用中，为了确保识别的准确率，可以采用动态拍摄的方式，在一定时间内连续或间隔采集多张待识别人脸图像并进行多次识别。

步骤s204：根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像。

在一种实施例中，待识别人脸图像作为原始图像，可以基于rgb(红、绿、蓝，颜色空间的一种)通道分离出三个通道图像。每个通道图像中的像素点都有其对应的通道值(即，像素点通道值)，用于表示该像素点颜色深浅的值，该通道值一般是0～255共256个值；像素点通道值扩散速度可以理解为像素点的通道值变化速度。一般来说，人脸的眼睛或头发部分，颜色较深，反光较少，对应的通道值会高一些；而人脸面部颜色较浅，反光较多，对应的通道值会低一些。

容易理解，当相邻两个像素点之间的通道值相差较大时，表示该像素点的扩散速度较快；反之，当相邻的两个像素点之间通道值(或者说，亮度、灰度)相差较小时，表示像素点的扩散速度较慢。

步骤s206：基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像。

在获得对应于不同通道的第一图像后，将这些通道图像进行进一步的整合，根据整合后的表示灰量扩散速度的第二图像，进一步判断该待识别人脸图像是否为活体人脸图像。

这里所说的整合的方法，例如，可以是将三个通道图像对应坐标的像素点的通道值扩散速度求和后取平均值，作为待识别人脸图像的灰量扩散速度；进一步地，可以将获得待识别人脸图像所有像素点的灰量扩散速度后的图像，作为第二图像。

步骤s208：根据所述第二图像，识别所述待识别人脸图像。

本申请实施例当中，待识别人脸图像是基于活体人脸获得的，由于活体人脸与图片或者视频人脸具有不同的反光率，对应的获得的图像的像素点也就具有不同的灰量。一般来说，活体人脸是凹凸不平的，反光率变化明显(或者说，变化较快)，对应的相邻像素点间的通道值变化较快，也就是灰量扩散速度快；照片或者视频的人脸比较平整，反光率变化不明显(或者说，变化缓慢)，对应的相邻像素点间的通道值变化较慢，也就是灰量扩散速度慢。根据这个原理，可以容易基于第二图像，识别出待识别人脸图像是活体人脸还是图片人脸。

在本申请的一个或者多个实施例中，根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像，具体可以包括：基于所述待识别人脸图像，分离获得分别对应的三个通道图像；根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度；根据所述像素点通道值扩散速度，获得三个通道图像分别对应的用于表示通道的像素点通道值扩散速度的三个所述第一图像。

在本实施例中，三个通道可以是rgb通道，也可以是hsv等基于其他颜色空间的通道。如前文所述可知，基于不同的通道，每个像素点都有其对应的通道值，三个通道图像中对应于同一个坐标位置的像素点具有的通道值也可能是不相同的，因此需要基于不同的通道图像，分别利用预设的扩散方程，确定对应的像素点通道值扩散速度。进一步地，根据每个通道图像对应的各个像素点通道值的扩散速度，可以得到用于表示整个扩散速度的第一图像。

在本申请的一个或者多个实施例中，根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体可以包括：根据各向异性扩散方程，获得三个通道图像分别对应的通道像素扩散图像；基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度。

基于原始单通道像素扩散图像，利用各向异性扩散方程，例如：非线性滤波扩散方程，获得三个通道图像分别对应的通道像素扩散图像，一般地，为了确保获得合适的扩散图像，会进行多次迭代运算。

例如，利用非线性扩散滤波将图像像素点通道值l在不同尺度上的变化视为某种形式的流动函数的散度，非线性扩散滤波的基本公式是：

其中div和表示散度和梯度，函数c(x,y,t)表示扩散的传导函数，使得扩散能够适应图像的局部特征，参数t是尺度参数，其值越大，图像的表示形式越简单。

其中表示高斯平滑后的图像lσ的梯度，k表示控制扩散的对比因子，k值越大，同一点处相对扩散速度越小。

需要说明的是，通道像素扩散图像是经过多次迭代扩散运算后的图像，而原始单通道像素扩散图像可以理解为迭代零次的扩散图像；进一步地，根据经过多次迭代的扩散图像和原始单通道像素扩散图像之间的差值，得到对应通道的像素点通道值的扩散速度。

在本申请一个或者多个实施例中，根据各向异性扩散方程，获得三个通道图像分别对应的通道像素扩散图像，具体可以包括：根据perona-malik扩散方程，利用aos(addtiveoperatorsplitting，加性算子)算子求解传导函数和对比因子k；基于thomas算法，计算获得三个通道图像分别对应的通道像素扩散图像。

对于上述的非线性扩散偏微分方程没有解析解，需要通过一些数学方法近似求解偏微分方程，故在此使用了加性算子(aos)求解方案。此方案的离散化表达如下：

因此有：

lⁱ⁺¹可以通过解方程得到，其中al是传导函数c(x,y,t)在每一个维度的构造函数，其函数如下：

其中n(x)表示传导矩阵点x相邻的点，h表示所取网格大小，gx表示传导矩阵点x相邻的点像素值之和。上角标表示迭代次数。传导函数的求法见公式(2)和(3)，其中，取k为梯度直方图中70％处对应的值。

该构造函数将使得复杂项变成一个三角对角矩阵：

代入方程式有：

blⁱ⁺¹＝lⁱ(8)

该方程式是三角矩阵函数式，其求解方法可以通过thomas算法得到求解：

lr分解：将b分解成一个下双对角矩阵q和上双对角矩阵r：

比较三个矩阵，很容易发现γi＝βi，而mi和li可以通过以下算法获得：

m1:＝α1

fori＝1,2,...,n-1:

mi+1:＝αi+1-liβi(11)

原方程可以为：

qrlⁱ⁺¹＝lⁱ(12)

前向替换：将rlⁱ⁺¹看做一个整体未知数h，则可以先解方程qh＝lⁱ，由于矩阵q的特殊性，可以很容易解出结果h。

后向替换：在前向替换的基础上假设有rlⁱ⁺¹＝y，而r也是一个特殊矩阵，可以很容易计算出lⁱ⁺¹。

进一步地，所述基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体可以包括：基于所述三个通道图像分别迭代指定次数后，得到对应的所述通道像素扩散图像；将三个所述通道像素扩散图像对应的像素点通道值分别与原始单通道像素扩散图像的像素点通道值在log空间做差，确定所述三个通道图像分别对应的像素点通道值扩散速度。

假设，设定一定的迭代次数k，得到了扩散k次后的通道扩散图像l^k，为了衡量扩散的速度，定义每个点的扩散速度，将迭代零次的原始单通道像素扩散图像与迭代k的通道扩散图像在log空间做差：

s(x,y)＝|log(l⁰(x,y)+1)|-|log(l^k(x,y)+1)|(13)

由此得到了像素点通道值扩散速度。

在本申请一个或者多个实施例中，所述基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像，具体可以包括：基于三个所述第一图像分别对应的各像素点通道值扩散速度，获得用于表示所述待识别人脸图像的各像素点的灰量扩散速度的第二图像。

此方法是先分别求解三个通道的扩散速度图像，即第一图像，最后整合在一起得到总的灰量的扩散速度图像，即第二图像。

进一步地，根据所述第二图像，识别所述待识别人脸图像，具体可以包括：

根据预设深度学习模型，针对所述第二图像进行识别；

其中，所述深度学习模型为分类模型，利用所述第二图像训练获得的，用于对所述待识别人脸图像进行识别是否基于活体获得。

得到训练好的模型后，将扩散后的待识别人脸图像传入到使用深度学习模型，得到判别分数，进行判断该待识别人脸图像是否来自活体。

基于上述实施例可知，在获取待识别人脸图像后，对该图像进行分离，获得三通道图像，在基于该三通道图像利用非线性扩散滤波算法，确定待识别人脸图像的灰量扩散速度图像；进一步地，根据利用预设的深度学习模型根据该灰量扩散速度图像识别待识别人脸图像是否为活体；在能够满足对活体人脸识别的同时，避免复杂的识别和计算过程，可以有效提高检测速度，提高用户体验；同时还避免使用过多的辅助识别设备，降低成本。

为了更好的理解本申请实施例技术方案，下面具体举例说明人脸识别过程，如图3所示：首先，开启摄像头首先获取一张照片，用于检测人脸，得到人脸框的位置，进一步地，根据之前检测的人脸框，分离人脸框的三个通道(rgb通道)，分别进行高斯平滑处理，求控制扩散的对比因子k，再求出传导函数c(x,y,t)，然后分别作为迭代0次的初始图片带入扩散方程求解，得到迭代k次的单通道扩散图片，与原始图片的通道值在log空间上做差，得到单通道值扩散速度图，整合三个通道得到扩散速度图。将这张扩散速度图输入到我们训练好的深度学习模型中，返回一个分类结果，如果判断为活体，则通过人脸活体检测系统。

基于同样的思路，本申请实施例还提供一种人脸识别装置，如图4所示，该装置主要包括：

图像采集模块401，获取待识别人脸图像；

图像处理模块402，根据所述待识别人脸图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像；

图像识别模块403，根据所述灰量扩散速度图像，识别所述人脸。

所述图像处理模块402，根据所述待识别人脸图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像，具体包括：

所述图像处理模块，根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像；

基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像。

所述图像处理模块402，根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像，具体包括：

所述图像处理模块，基于所述待识别人脸图像，分离获得分别对应的三个通道图像；

根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度；

根据所述像素点通道值扩散速度，获得三个通道图像分别对应的用于表示通道的像素点通道值扩散速度的三个所述第一图像。

所述图像处理模块402，根据预设扩散方程，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体包括：

根据各向异性扩散方程，获得三个通道图像分别对应的通道像素扩散图像；

基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度。

所述图像处理模块402，根据各向异性扩散方程，获得三通道图像分别对应的通道扩散图，具体包括：

根据perona-malik扩散方程，利用aos算子求解传导函数和对比因子k；

基于thomas算法，计算获得三通道图像分别对应的通道像素扩散图像。

所述图像处理模块402，基于三个所述通道像素扩散图像和原始单通道像素扩散图像，确定所述三个通道图像分别对应的像素点通道值扩散速度，具体包括：

所述图像处理模块402，基于所述三个通道图像分别迭代指定次数后，得到对应的所述通道像素扩散图像；

将三个所述通道像素扩散图像对应的像素点通道值分别与原始单通道像素扩散图像的像素点通道值在log空间做差，确定所述三个通道图像分别对应的像素点通道值扩散速度。

所述图像处理模块402，基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像，具体包括：

基于三个所述第一图像分别对应的各像素点通道值扩散速度，获得用于表示所述待识别人脸图像的各像素点的灰量扩散速度的第二图像。

所述图像识别模块403，根据所述第二图像，识别所述待识别人脸图像，具体包括：

所述图像识别模块403，根据预设深度学习模型，针对所述第二图像进行识别；

其中，所述深度学习模型为分类模型，利用所述第二图像训练获得的，用于对所述待识别人脸图像进行识别是否基于活体获得。

基于同样的思路，本申请实施例还提供一种电子设备，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，

所述存储器存储有可被所述至少一个处理器执行的指令，所述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：

获取待识别人脸图像；

根据所述待识别人脸图像，获得分别用于表示各通道的像素点通道值扩散速度的多个第一图像；

基于所述多个第一图像，确定用于表示所述待识别人脸图像的灰量扩散速度的第二图像；

根据所述第二图像，识别所述待识别人脸图像。

在获取待识别人脸图像后，对该图像进行分离，获得三通道图像，在基于该三通道图像利用非线性扩散滤波算法，确定待识别人脸图像的灰量扩散速度图像；进一步地，根据利用预设的深度学习模型根据该灰量扩散速度图像识别待识别人脸图像是否为活体；在能够满足对活体人脸识别的同时，避免复杂的识别和计算过程，可以有效提高检测速度，提高用户体验；同时还避免使用过多的辅助识别设备，降低成本。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件人脸模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或人脸实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。

本说明书是参照根据本说明书实施例的方法、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。

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。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。