本发明涉及人工智能领域，尤其涉及一种人脸布控方法、电子设备及存储介质。
背景技术：
目前人脸识别已经应用在很多领域，如安防领域、人脸门禁系统、人脸验证闸机、智慧商业等等。人脸识别基础技术应用方向大致分为三大类：人脸检索，与图像检索类似，主要目的是从海量人脸底库中快速找出和查询人脸相似的人脸图像，主要应用于安防领域，一般用于事后取证。
人脸布控，与图像检索类似，但实时性要求更高，主要应用是当抓拍到一个人脸时，需要实时从数据库中找出最相似的人，并且判断是否为同一个人，达到1：1人证验证，一般用于海关、车站、地铁、机场等安检通道，主要目的是判断现场抓拍到的人脸照片和数据库内存储的照片是否为同一个。
人脸布控由于有着比较高的实时性要求，而且对于误报的容忍度比较低，所以一般的做法是设定一个较高的阈值来过滤掉大部分算法认为不确定的结果，这样的好处是可以保证结果正确性较高，同时也会漏报掉很多相似度较低但属于同一个人的结果。在人脸布控场景中，传统的方案一般会选择一个阈值来对结果进行判断，阈值较低误报率会比较高，阈值较高漏报率又比较高，难以确定合适的阈值。
技术实现要素：
鉴于以上内容，有必要提供一种人脸布控方法、电子设备及存储介质，能避免设置相似度阈值，避免阈值较低误报率会比较高，阈值较高漏报率又比较高，从而提高验证准确度。
一种人脸布控方法，所述方法包括：
获取待验证人脸图片；
提取所述待验证人脸图片的目标人脸特征；
计算所述目标人脸特征与数据库中人脸特征的相似度；
根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征；
将所述预设数量的人脸特征与所述目标人脸特征组成一个或多个待验证特征对；
将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果；
根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。
根据本发明优选实施例，所述提取所述待验证人脸图片的目标人脸特征包括：
利用训练好的特征提取模型，提取所述待验证人脸图片的目标人脸特征，其中训练所述特征提取模型的样本集中的正样本为人脸图片。
根据本发明优选实施例，在利用训练好的特征提取模型，提取所述待验证人脸图片的目标人脸特征时，所述方法还包括：
对训练所述特征提取模型的样本集中的样本图片进行人脸对齐及人脸的归一化，得到处理后的样本图片，基于处理后的样本图片，训练所述特征提取模型。
根据本发明优选实施例，所述预设数量的人脸特征包括与所述目标人脸特征相似度最高的人脸特征。
根据本发明优选实施例，训练所述人脸验证模型的训练样本集中每个样本是样本对，其中每个正样本对包括标准人脸图片及实际场景下的人脸图片。
根据本发明优选实施例，所述方法还包括：
在训练所述人脸验证模型时，对训练所述人脸验证模型的训练样本集中的训练样本图片进行人脸对齐及人脸的归一化，得到处理后的训练样本图片，基于处理后的训练样本图片，训练所述人脸验证模型。
根据本发明优选实施例，所述根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果包括：
当所述一个或多个待验证特征对对应的验证结果都表示所述至少一个所述待验证特征对不属于同一个人的特征时，确定所述待验证人脸图片验证不通过；或
当所述一个或多个待验证特征对对应的验证结果中，有至少一个所述待验证特征对的验证结果表示所述至少一个所述待验证特征对属于同一个人的特征时，确定所述待验证人脸图片验证通过。
根据本发明优选实施例，所述方法还包括：
当所述待验证人脸图片验证不通过时，发出告警信息。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现任意实施例中任一项所述人脸布控方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现任意实施例中任一项所述人脸布控方法。
由以上技术方案可以看出，本发明提供一种人脸布控方法，所述方法包括：获取待验证人脸图片；提取所述待验证人脸图片的目标人脸特征；计算所述目标人脸特征与数据库中人脸特征的相似度；根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征；将所述预设数量的人脸特征与所述目标人脸特征组成一个或多个待验证特征对；将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果；根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。本发明还提供一种电子设备及存储介质。本发明能提高验证准确度。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明人脸布控方法的较佳实施例的流程图。
图2是本发明人脸布控装置的较佳实施例的功能模块图。
图3是本发明至少一个实例中电子设备的较佳实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，是本发明人脸布控方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，电子设备获取待验证人脸图片。
在本发明的优选实施例中，所述电子设备与终端设备相通信，所述终端设备抓拍人脸图片，将抓拍的人脸图片作为所述待验证人脸图片，并上传至所述电子设备。所述终端设备包括，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
例如，所述终端设备安装在出入境入口，用于抓拍进出关口的人员的人脸图片，将抓拍的人脸图片与出入境数据库中的人脸图片进行比对，确定进出关口的人员是否符合出入境的要求。
当然所述电子设备也可以通过其他方式获取待验证人脸图片，本发明不做任何限制。
S11，所述电子设备提取所述待验证人脸图片的目标人脸特征。
在本发明的优选实施例中，利用训练好的特征提取模型，提取所述待验证人脸图片的目标人脸特征，其中训练所述特征提取模型的样本集中的正样本为人脸图片。这样可以提高特征提取的速度，从而满足人脸验证的实时性要求。
进一步地，由于采集的样本图片中的人脸姿态、光线强弱、尺度大小各不相同，因此，为了减少上述因素在训练特征提取模型时的影响，在利用训练好的特征提取模型，提取所述待验证人脸图片的目标人脸特征时，所述方法还包括：
对训练所述特征提取模型的样本集中的样本图片进行人脸对齐及人脸的归一化，得到处理后的样本图片，基于处理后的样本图片，训练所述特征提取模型。从而减少人脸姿态、光线对特征表达的影响。
进一步地，人脸的对齐包括对输入的人脸图像进行对齐，使右边的脸和左边的脸形状大体一致，从而自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等。例如，侧脸姿态的脸，左边脸与右边脸形状有区别，通过人脸的对齐处理，可以使侧脸姿态的脸的右边的脸和左边的脸形状大体一致。从而减少人脸姿态对特征表达的影响。
人脸的归一化包括，但不限于：几何归一化和灰度归一化。所述几何归一化分两步：人脸校正和人脸裁剪。从而减少人脸姿态对特征表达的影响。灰度归一化主要是增加图像的对比度，进行光照补偿。例如在暗光下的人脸，人脸特征表达比较弱，可以对暗光下的人脸进行灰度归一化，从而减少光线对特征表达的影响。
优选地，在利用训练好的特征提取模型，提取所述待验证人脸图片的特征之前，所述电子设备对所述待验证人脸图片进行人脸对齐及人脸的归一化。这样可以减少各种姿态类别对特征表达的影响，及提高特征提取的速度。
优选地，所述特征提取模型可以是事先训练的神经网络，例如，深度神经网络(Deep Neural Network，DNN)、卷积神经网络(Convolution Neural Network，CNN)、循环神经网络(Recurrent neural Network，RNN)、残差神经网络(Residual Neural Network，ResNet)等。
采用残差神经网络进行训练，得到所述特征提取模型。所述残差神经网络是DNN中的一种变形，其他神经网络越深所能学到的东西就越多，收敛速度同时也就越慢，训练时间越长，然而深度到了一定程度之后越往深学习率反而越低，ResNet的设计就是为了克服这种由于网络深度加深而产生的学习率变低，准确率无法有效提升的问题，有效的解决了其他神经网络所存在的梯度消失的问题，因而能够获得更深的网络层数。
进一步地，采用一个50层残差神经网络(简称“Resnet-50”)作为训练所述特征提取模型的网络。所述残差神经网络为现有技术，本发明在此不再具体阐述。
S12，所述电子设备计算所述目标人脸特征与数据库中人脸特征的相似度。
在本发明的优选实施例中，所述数据库是预先配置的数据库，所述数据库存储多个人脸特征，用于验证待验证人脸图片是否属于所述数据库中的人脸特征对应的人脸。例如，所述数据库为身份证数据库、商场会员数据库等等。
所述数据库可以位于所述电子设备中，也可以位于独立于所述电子设备的其他设备中。
其中计算所述目标人脸特征与所述数据库中每个人脸特征的相似度的方法是现有技术，本发明不再阐述。
S13，所述电子设备根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征。
在本发明的优选实施例中，所述预设数量的人脸特征包括一个或者多个。所述预设数量的人脸特征包括与所述目标人脸特征相似度最高的人脸特征。为了后续的减少计算量，可以只选取与所述目标人脸特征相似度最高的人脸特征作为所述预设数量的人脸特征。
在本发明中，从所述数据库中确定相似度排在前预设数量的人脸特征，避免了配置相似度阈值，从而避免了阈值较低误报率会比较高，阈值较高漏报率又比较高的问题。
S14，所述电子设备将所述预设数量的人脸特征中每个人脸特征与所述目标人脸特征组成一个或多个待验证特征对。
在本发明的优选实施中，当所述预设数量的人脸特征为一个人脸特征时，所述一个人脸特征与所述目标人脸特征组成一个待验证特征对；当所述预设数量的人脸特征为多个人脸特征时，所述多个人脸特征中的每个人脸特征与所述目标人脸特征组成一个待验证特征对，从而得到多个待验证特征对。所述一个或多个待验证特征对作为所述训练好的人脸验证模型的输入，用于验证所述目标人脸特征是否属于所述数据库中的某个人脸特征对应的人脸。
S15，所述电子设备将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果。
在本发明的优选实施例中，所述人脸验证模型用于判断输入的待验证特征对是否为同一人的特征。
训练所述人脸验证模型的训练样本集中每个样本是样本对，其中每个正样本对包括标准人脸图片及实际场景下的人脸图片，每个正样本对中的两张照片属于同一个人。使用样本对对所述人脸验证模型进行训练，可以使所述人脸验证模型的特征表达能力更强。
进一步地，所述标准人脸图片包括，但不限于：证件照。所述实际场景下的人脸图片包括，但不限于：在任意场景下抓拍的人脸图片。
在本发明的优选实施例中，在训练所述人脸验证模型时，对训练所述人脸验证模型的训练样本集中的训练样本图片进行人脸对齐及人脸的归一化，得到处理后的训练样本图片，基于处理后的训练样本图片，训练所述人脸验证模型。从而减少人脸姿态、光线对特征表达的影响。所述人脸对齐及所述人脸的归一化在上述实施例中已经详述，此处不再详述。
优选地，采用残差神经网络进行训练，得到所述特征提取模型。
进一步地，采用一个18层残差神经网络(简称“Resnet-50”)作为训练所述特征提取模型的网络。所述残差神经网络为现有技术，本发明在此不再具体阐述。
S16，所述电子设备根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。
在本发明的优选实施例中，当所述一个或多个待验证特征对对应的验证结果中，有至少一个所述待验证特征对的验证结果表示所述至少一个所述待验证特征对属于同一个人的特征时，所述电子设备确定所述待验证人脸图片验证通过。
当所述一个或多个待验证特征对对应的验证结果都表示所述至少一个所述待验证特征对不属于同一个人的特征时，确定所述待验证人脸图片验证不通过。
进一步地，当所述待验证人脸图片验证不通过时，发出告警信息。所述告警信息包括，但不限于语音信息、文字信息等等。
本发明获取待验证人脸图片；提取所述待验证人脸图片的目标人脸特征；计算所述目标人脸特征与数据库中人脸特征的相似度；根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征；将所述预设数量的人脸特征与所述目标人脸特征组成一个或多个待验证特征对；将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果；根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。本发明先从数据库中搜索与所述待验证人脸图片的相似人脸图片，将所述待验证人脸图片与相似人脸图片组成特征对，利用训练好的人脸验证模型判断所述特征对是否属于同一个人的特征，以验证所述待验证人脸图片是否能通过，以避免设置相似度阈值，避免阈值较低误报率会比较高，阈值较高漏报率又比较高，从而提高验证准确度。
如图2所示，本发明人脸布控装置的较佳实施例的功能模块图。所述人脸布控装置11包括获取模块100、提取模块101、训练模块102、计算模块103、确定模块104及组合模块105。本发明所称的单元是指一种能够被人脸布控装置11的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
所述获取模块100获取待验证人脸图片。
在本发明的优选实施例中，所述电子设备与终端设备相通信，所述终端设备抓拍人脸图片，将抓拍的人脸图片作为所述待验证人脸图片，并上传至所述电子设备。所述终端设备包括，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
例如，所述终端设备安装在出入境入口，用于抓拍进出关口的人员的人脸图片，将抓拍的人脸图片与出入境数据库中的人脸图片进行比对，确定进出关口的人员是否符合出入境的要求。
当然所述电子设备也可以通过其他方式获取待验证人脸图片，本发明不做任何限制。
所述提取模块101提取所述待验证人脸图片的目标人脸特征。
在本发明的优选实施例中，所述提取模块101利用训练好的特征提取模型，提取所述待验证人脸图片的目标人脸特征，其中训练所述特征提取模型的样本集中的正样本为人脸图片。这样可以提高特征提取的速度，从而满足人脸验证的实时性要求。
进一步地，由于采集的样本图片中的人脸姿态、光线强弱、尺度大小各不相同，因此，为了减少上述因素在训练特征提取模型时的影响，在利用训练好的特征提取模型，提取所述待验证人脸图片的目标人脸特征时，所述提取模块101还用于：
对训练所述特征提取模型的样本集中的样本图片进行人脸对齐及人脸的归一化，得到处理后的样本图片，基于处理后的样本图片，训练所述特征提取模型。从而减少人脸姿态、光线对特征表达的影响。
进一步地，人脸的对齐包括对输入的人脸图像进行对齐，使右边的脸和左边的脸形状大体一致，从而自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等。例如，侧脸姿态的脸，左边脸与右边脸形状有区别，通过人脸的对齐处理，可以使侧脸姿态的脸的右边的脸和左边的脸形状大体一致。从而减少人脸姿态对特征表达的影响。
人脸的归一化包括，但不限于：几何归一化和灰度归一化。所述几何归一化分两步：人脸校正和人脸裁剪。从而减少人脸姿态对特征表达的影响。灰度归一化主要是增加图像的对比度，进行光照补偿。例如在暗光下的人脸，人脸特征表达比较弱，可以对暗光下的人脸进行灰度归一化，从而减少光线对特征表达的影响。
优选地，在利用训练好的特征提取模型，提取所述待验证人脸图片的特征之前，所述提取模块101对所述待验证人脸图片进行人脸对齐及人脸的归一化。这样可以减少各种姿态类别对特征表达的影响，及提高特征提取的速度。
优选地，所述特征提取模型可以是事先训练的神经网络，例如，深度神经网络(Deep Neural Network，DNN)、卷积神经网络(Convolution Neural Network，CNN)、循环神经网络(Recurrent neural Network，RNN)、残差神经网络(Residual Neural Network，ResNet)等。
所述训练模块102采用残差神经网络进行训练，得到所述特征提取模型。所述残差神经网络是DNN中的一种变形，其他神经网络越深所能学到的东西就越多，收敛速度同时也就越慢，训练时间越长，然而深度到了一定程度之后越往深学习率反而越低，ResNet的设计就是为了克服这种由于网络深度加深而产生的学习率变低，准确率无法有效提升的问题，有效的解决了其他神经网络所存在的梯度消失的问题，因而能够获得更深的网络层数。
进一步地，所述训练模块102采用一个50层残差神经网络(简称“Resnet-50”)作为训练所述特征提取模型的网络。所述残差神经网络为现有技术，本发明在此不再具体阐述。
所述计算模块103计算所述目标人脸特征与数据库中人脸特征的相似度。
在本发明的优选实施例中，所述数据库是预先配置的数据库，所述数据库存储多个人脸特征，用于验证待验证人脸图片是否属于所述数据库中的人脸特征对应的人脸。例如，所述数据库为身份证数据库、商场会员数据库等等。
所述数据库可以位于所述电子设备中，也可以位于独立于所述电子设备的其他设备中。
其中所述计算模块103计算所述目标人脸特征与所述数据库中每个人脸特征的相似度的方法是现有技术，本发明不再阐述。
所述确定模块104根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征。
在本发明的优选实施例中，所述预设数量的人脸特征包括一个或者多个。所述预设数量的人脸特征包括与所述目标人脸特征相似度最高的人脸特征。为了后续的减少计算量，可以只选取与所述目标人脸特征相似度最高的人脸特征作为所述预设数量的人脸特征。
在本发明中，从所述数据库中确定相似度排在前预设数量的人脸特征，避免了配置相似度阈值，从而避免了阈值较低误报率会比较高，阈值较高漏报率又比较高的问题。
所述组合模块105将所述预设数量的人脸特征中每个人脸特征与所述目标人脸特征组成一个或多个待验证特征对。
在本发明的优选实施中，当所述预设数量的人脸特征为一个人脸特征时，所述一个人脸特征与所述目标人脸特征组成一个待验证特征对；当所述预设数量的人脸特征为多个人脸特征时，所述多个人脸特征中的每个人脸特征与所述目标人脸特征组成一个待验证特征对，从而得到多个待验证特征对。所述一个或多个待验证特征对作为所述训练好的人脸验证模型的输入，用于验证所述目标人脸特征是否属于所述数据库中的某个人脸特征对应的人脸。
所述确定模块104将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果。
在本发明的优选实施例中，所述人脸验证模型用于判断输入的待验证特征对是否为同一人的特征。
训练所述人脸验证模型的训练样本集中每个样本是样本对，其中每个正样本对包括标准人脸图片及实际场景下的人脸图片，每个正样本对中的两张照片属于同一个人。使用样本对对所述人脸验证模型进行训练，可以使所述人脸验证模型的特征表达能力更强。
进一步地，所述标准人脸图片包括，但不限于：证件照。所述实际场景下的人脸图片包括，但不限于：在任意场景下抓拍的人脸图片。
在本发明的优选实施例中，在训练所述人脸验证模型时，所述训练模块102对训练所述人脸验证模型的训练样本集中的训练样本图片进行人脸对齐及人脸的归一化，得到处理后的训练样本图片，基于处理后的训练样本图片，训练所述人脸验证模型。从而减少人脸姿态、光线对特征表达的影响。所述人脸对齐及所述人脸的归一化在上述实施例中已经详述，此处不再详述。
优选地，所述训练模块102采用残差神经网络进行训练，得到所述特征提取模型。
进一步地，所述训练模块102采用一个18层残差神经网络(简称“Resnet-50”)作为训练所述特征提取模型的网络。所述残差神经网络为现有技术，本发明在此不再具体阐述。
所述确定模块104根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。
在本发明的优选实施例中，当所述一个或多个待验证特征对对应的验证结果中，有至少一个所述待验证特征对的验证结果表示所述至少一个所述待验证特征对属于同一个人的特征时，所述确定模块104确定所述待验证人脸图片验证通过。
当所述一个或多个待验证特征对对应的验证结果都表示所述至少一个所述待验证特征对不属于同一个人的特征时，所述确定模块104确定所述待验证人脸图片验证不通过。
进一步地，当所述待验证人脸图片验证不通过时，发出告警信息。所述告警信息包括，但不限于语音信息、文字信息等等。
本发明获取待验证人脸图片；提取所述待验证人脸图片的目标人脸特征；计算所述目标人脸特征与数据库中人脸特征的相似度；根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征；将所述预设数量的人脸特征与所述目标人脸特征组成一个或多个待验证特征对；将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果；根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。本发明先从数据库中搜索与所述待验证人脸图片的相似人脸图片，将所述待验证人脸图片与相似人脸图片组成特征对，利用训练好的人脸验证模型判断所述特征对是否属于同一个人的特征，以验证所述待验证人脸图片是否能通过，以避免设置相似度阈值，避免阈值较低误报率会比较高，阈值较高漏报率又比较高，从而提高验证准确度。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图3所示，所述电子设备3包括至少一个发送装置31、至少一个存储器32、至少一个处理器33、至少一个接收装置34以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述电子设备3还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备3可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备3所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述接收装置34和所述发送装置31可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器32用于存储程序代码。所述存储器32可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First In First Out，)等。或者，所述存储器32也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digital card)、快闪存储器卡(flash card)等储存设备等等。
所述处理器33可以包括一个或者多个微处理器、数字处理器。所述处理器33可调用存储器32中存储的程序代码以执行相关的功能。例如，图2中所述的各个单元是存储在所述存储器32中的程序代码，并由所述处理器33所执行，以实现一种人脸布控方法。所述处理器33又称中央处理器(CPU，Central Processing Unit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器的电子设备执行时，使电子设备执行如上文方法实施例所述的人脸布控方法。
结合图1所示，所述电子设备1中的所述存储器32存储多个指令以实现一种人脸布控方法，所述处理器33可执行所述多个指令从而实现：
获取待验证人脸图片；提取所述待验证人脸图片的目标人脸特征；计算所述目标人脸特征与数据库中人脸特征的相似度；根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征；将所述预设数量的人脸特征与所述目标人脸特征组成一个或多个待验证特征对；将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果；根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。
在任意实施例中所述人脸布控方法对应的多个指令存储在所述存储器32，并通过所述处理器33来执行，在此不再详述。
以上说明的本发明的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述人脸布控方法的功能。即，本发明的集成电路安装于所述电子设备中，使所述电子设备发挥如下功能：获取待验证人脸图片；提取所述待验证人脸图片的目标人脸特征；计算所述目标人脸特征与数据库中人脸特征的相似度；根据所述目标人脸特征与所述数据库中人脸特征的相似度，按照相似度从大到小，从所述数据库中确定相似度排在前预设数量的人脸特征；将所述预设数量的人脸特征与所述目标人脸特征组成一个或多个待验证特征对；将所述一个或多个待验证特征对中每个验证特征对作为训练好的人脸验证模型的输入，确定每个待验证特征对的验证结果；根据所述每个待验证特征对的验证结果，确定所述待验证人脸图片的验证结果。
在任意实施例中所述人脸布控方法所能实现的功能都能通过本发明的集成电路安装于所述电子设备中，使所述电子设备发挥任意实施例中所述人脸布控方法所能实现的功能，在此不再详述。
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，本发明并不受所描述的动作顺序的限制，因为依据本发明，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发明所必须的。
在上述实施例中，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，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，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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。
另外，在本发明的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。
所述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(可为个人计算机、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、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。
以上所述，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范围。