一种人脸识别方法及装置与流程

本发明涉及人脸识别技术领域，具体涉及一种人脸识别方法及装置。

背景技术：

为了在提高图像检测准确性的同时不影响图像检测效率，业界引入了级联卷积神经网络。训练级联卷积神经网络的样本包括人脸正样本和人脸负样本，人脸正样本和人脸负样本的选取是随机的。由于随机选取的样本的难易程度未知，训练的级联卷积神经网络要么过滤能力太差，以致很多非人脸图像会被识别为人脸图像，降低了人脸识别效率，要么过滤能力太强，以致很多人脸图像被过滤掉，降低了人脸识别准确性。

技术实现要素：

本发明实施例提供一种人脸识别方法及装置，用于平衡人脸识别效率和人脸识别准确性。

本发明实施例第一方面提供一种人脸识别方法，包括：

获取待识别图像；

使用级联卷积神经网络识别所述待识别图像中的人脸；

所述级联卷积神经网络的训练数据包括人脸正样本和人脸负样本，所述人脸正样本包括第一样本和第二样本，所述人脸负样本包括第三样本和第四样本，所述第一样本为人脸标注框所标注的图像片段的集合，所述第二样本为与所述人脸标注框的重合度大于第一阈值且小于1的图像片段的集合，所述第三样本为与所述人脸标注框的重合度为0的图像片段的集合，所述第四样本为与所述人脸标注框的重合度大于0且小于第二阈值的图像片段的集合。

可见，用于识别人脸的级联卷积神经网络的训练数据包括简单的人脸正样本(即第一样本)、简单的人脸负样本(即第三样本)、复杂的人脸正样本(即第二样本)和复杂的人脸负样本(即第四样本)，因此，可以使训练得到的级联卷积神经网络的过滤能力即不会太差也不会太强，从而可以平衡级联卷积神经网络的人脸识别效率和人脸识别准确性。

在一个实施例中，所述方法还包括：

获取包括人脸标注框的图像集，所述人脸标注框用于标记图像中人脸的位置；

从第一图像中选取人脸标注框所标注的图像片段、与所述人脸标注框的重合度大于所述第一阈值且小于1的图像片段、与所述人脸标注框的重合度为0的图像片段以及与所述人脸标注框的重合度大于0且小于所述第二阈值的图像片段，得到所述训练数据，所述第一图像为所述图像集中的任一图像；

使用所述训练数据训练待训练级联卷积神经网络，得到所述级联卷积神经网络。

可见，从同一图像中提取训练数据时，即提取了简单的人脸正样本和简单的人脸负样本，也提取了复杂的人脸正样本和复杂的人脸负样本。

在一个实施例中，所述级联卷积神经网络由m个卷积神经网络级联而成，所述m个卷积神经网络的复杂度依次增加，所述m为大于或等于3的整数。

在一个实施例中，所述使用所述训练数据训练待训练级联卷积神经网络，得到所述级联卷积神经网络包括：

使用所述训练数据训练待训练级联卷积神经网络中的第一个卷积神经网络，以及使用第i训练数据训练所述待训练级联卷积神经网络中的第i个卷积神经网络，得到所述级联卷积神经网络，所述i为大于1且小于m+1的整数；

所述第i训练数据包括所述第一样本、所述第三样本和第i-1个卷积神经网络的输出。

可见，级联卷积神经网络中后面卷积神经网络的训练数据不仅包括前面一个卷积神经网络的输出，还包括部分最初的训练数据，可以降低训练时前面卷积神经网络对后面卷积神经网络的影响。

在一个实施例中，所述第i-1个卷积神经网络的输出包括第五样本和第六样本，所述第五样本为标注框与所述人脸标注框的重合度大于第三阈值的图像片段的集合，所述第六样本为标注框与所述人脸标注框的重合度小于第四阈值的图像片段的集合。

可见，前一个卷积神经网络的输出包括简单的人脸正样本、简单的人脸负样本、复杂的人脸正样本和复杂的人脸负样本。

在一个实施例中，所述训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，所述训练数据包括的第三样本与第四样本中图像片段数量的比值等于第六阈值。

可见，人脸正样本数量和人脸负样本数量的比值为一定值，人脸负样本中简单样本数量与复杂样本数量为另一定值，因此，可以通过调节样本数量的比值进一步平衡级联卷积神经网络的人脸识别效率和人脸识别准确性。

在一个实施例中，所述第i训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于所述第五阈值，所述第i训练数据包括的人脸负样本中简单样本与复杂样本中图像片段数量的比值等于所述第六阈值，所述简单样本包括所述第三样本和所述第六样本中标注框与所述人脸标注框的重合度等于0的图像片段的集合，所述复杂样本包括所述第六样本中标注框与人脸标注框的重合度大于0且小于所述第四阈值的图像片段的集合。

可见，所有卷积神经网络中每一个卷积神经网络的人脸正样本数量和人脸负样本数量的比值均为一定值，人脸负样本中简单样本数量与复杂样本数量均为另一定值，因此，可以通过调节样本数量的比值更进一步地平衡级联卷积神经网络的人脸识别效率和人脸识别准确性。

本发明实施例第二方面提供一种人脸识别装置，包括用于执行第一方面或第一方面的任一实施例提供的人脸识别方法的单元。

本发明实施例第三方面提供一种人脸识别装置，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令执行第一方面或第一方面的任一实施例提供的人脸识别方法。

第四方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行第一方面或第一方面的任一实施例提供的人脸识别方法。

第五方面提供了一种应用程序，该应用程序用于在运行时执行第一方面或第一方面的任一实施例提供的人脸识别方法。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。

图1是本发明实施例提供的一种人脸识别方法的流程示意图；

图2是本发明实施例提供的另一种人脸识别方法的流程示意图；

图3是本发明实施例提供的一种人脸识别装置的结构示意图；

图4是本发明实施例提供的另一种人脸识别装置的结构示意图；

图5是本发明实施例提供的一种包括人脸标注框的图像的示意图；

图6是本发明实施例提供的一种级联卷积神经网络识别人脸的示意图；

图7是本发明实施例提供的一种标注框与人脸标注框部分重合的示意图。

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。

本发明实施例提供一种人脸识别方法及装置，用于平衡人脸识别效率和人脸识别准确性。以下分别进行详细说明。

请参阅图1，图1是本发明实施例提供的一种人脸识别方法的流程示意图。根据不同的需求，图1所示的流程图中的某些步骤可以拆分为几个步骤。如图1所示，该目标对象识别方法可以包括以下步骤。

101、获取待识别图像。

本实施例中，当需要识别图像中的人脸时，获取待识别图像。待识别图像可以是本地存储的图像，也可以是从网络或服务器获取的图像，还可以是通过图像采集装置采集的图像，本实施例不作限定。其中，待识别图像可以是需要识别的所有图像，也可以是需要识别的图像中的一张或多张图像。

102、使用级联卷积神经网络识别待识别图像中的人脸。

本实施例中，预先训练好级联卷积神经网络，级联卷积神经网络的训练数据包括人脸正样本和人脸负样本，人脸正样本包括第一样本(即简单的人脸正样本)和第二样本(即复杂的人脸正样本)，人脸负样本包括第三样本(即简单的人脸负样本)和第四样本(即复杂的人脸负样本)，第一样本为人脸标注框所标注的图像片段的集合，第二样本为与人脸标注框的重合度大于第一阈值且小于1的图像片段的集合，第三样本为与人脸标注框的重合度为0的图像片段的集合，第四样本为与人脸标注框的重合度大于0且小于第二阈值的图像片段的集合。人脸标注框为用户为图像打的标签，用于标记图像中人脸的位置。请参阅图5，图5是本发明实施例提供的一种包括人脸标注框的图像的示意图。如图5所示，图中的包括人脸的方框即人脸标注框。第一阈值与第二阈值可以相同，也可以不同。在第一阈值与第二阈值不同的情况下，第一阈值大于第二阈值。

本实施例中，获取到待识别图像之后，使用级联卷积神经网络识别待识别图像中的人脸，即将待识别图像输入级联卷积神经网络，在待识别图像中存在人脸的情况下，级联卷积神经网络输出标注出人脸的待识别图像，在待识别图像中不存在人脸的情况下，级联卷积神经网络没有输出。可以标注出人脸的所有区域，也可以标注出人脸的大部分区域。

请参阅图6，图6是本发明实施例提供的一种级联卷积神经网络识别人脸的示意图。图6中的级联卷积神经网络由3个卷积神经网络级联而成。如图6所示，将输入图像输入级联卷积神经网络之后，级联卷积神经网络中的第一个卷积神经网络识别图像中像人脸的所有区域并进行标注后输出，可见，第一个卷积神经网络输出的图像中包括多个标注框，这些标注框之间可能存在交叠，此外，由于第一个卷积神经网络的网络结构比较简单，因此，检测精度较低。之后将第一个卷积神经网络输出的包括多个标注框的图像输入第二个卷积神经网络，第二个卷积神经网络对图像中第一个卷积神经网络标注出的像人脸的区域再次进行识别，由于第二个卷积神经网络的识别精度比第一个卷积神经网络的识别精度高，因此，第二个卷积神经网络可以过滤掉第一个卷积神经网络识别出的部分不是人脸的区域，可见，第二个卷积神经网络输出的图像中的标注框比第一个卷积神经网络输出的图像中的标注框少，标注的区域也更精确。之后将第二个卷积神经网络输出的包括标注框的图像输入第三个卷积神经网络，第三个卷积神经网络对图像中第二个卷积神经网络标注出的像人脸的区域再次进行识别，由于第三个卷积神经网络的识别精度比第二个卷积神经网络的识别精度还高，因此，第三个卷积神经网络输出的是包括一个标注框的人脸图像，这个标注框标注出了人脸的大部分区域，同时也包括了小部分不是人脸的区域。

在图1所描述的人脸识别方法中，用于识别人脸的级联卷积神经网络的训练数据包括简单的人脸正样本、简单的人脸负样本、复杂的人脸正样本和复杂的人脸负样本，因此，可以使训练得到的级联卷积神经网络的过滤能力即不会太差也不会太强，从而可以平衡级联卷积神经网络的人脸识别效率和人脸识别准确性。

请参阅图2，图2是本发明实施例提供的另一种人脸识别方法的流程示意图。根据不同的需求，图2所示的流程图中的某些步骤可以拆分为几个步骤。如图2所示，该人脸识别方法可以包括以下步骤。

201、获取包括人脸标注框的图像集。

本实施例中，可以获取包括人脸标注框的图像集，人脸标注框用于标记图像中人脸的位置。请参阅图5，图5是本发明实施例提供的一种包括人脸标注框的图像的示意图。如图5所示，图中的包括人脸的方框即人脸标注框。图像集中的每张图像均包括人脸。

202、从第一图像中选取图像片段，得到训练数据。

本实施例中，获取到图像集之后，从第一图像中选取图像片段得到训练数据，选取的图像片段包括人脸标注框所标注的图像片段、与人脸标注框的重合度大于第一阈值且小于1的图像片段、与人脸标注框的重合度为0的图像片段以及与人脸标注框的重合度大于0且小于第二阈值的图像片段。训练数据包括人脸正样本和人脸负样本，人脸正样本包括第一样本(即简单的人脸正样本)和第二样本(即复杂的人脸正样本)，人脸负样本包括第三样本(即简单的人脸负样本)和第四样本(即复杂的人脸负样本)，第一样本为人脸标注框所标注的图像片段的集合，第二样本为与人脸标注框的重合度大于第一阈值且小于1的图像片段的集合，第三样本为与人脸标注框的重合度为0的图像片段的集合，第四样本为与人脸标注框的重合度大于0且小于第二阈值的图像片段的集合。第一图像为图像集中的任一图像。由于一张图像中只有一个人脸标注框，因此，第一样本中图像片段的数量等于图像集中图像的数量。第二样本和第四样本中的图像片段都是在人脸标注框周围均匀采集的。第二样本是从图像中的背景中采集的，可以是均匀采集的，也可以不是均匀采集的。第一阈值与第二阈值可以相同，也可以不同。在第一阈值与第二阈值不同的情况下，第一阈值大于第二阈值。

203、使用训练数据训练待训练级联卷积神经网络，得到级联卷积神经网络。

本实施例中，级联卷积神经网络由m个卷积神经网络级联而成，m个卷积神经网络的复杂度依次增加，m为大于或等于3的整数。从第一图像中选取出图像片段得到训练数据之后，使用训练数据训练待训练级联卷积神经网络得到级联卷积神经网络，可以使用该训练数据训练待训练级联卷积神经网络中的第一个卷积神经网络，以及使用第i训练数据训练待训练级联卷积神经网络中的第i个卷积神经网络，得到级联卷积神经网络。第i训练数据包括第一样本、第三样本和第i-1个卷积神经网络的输出。第i-1个卷积神经网络的输出包括第五样本和第六样本，第五样本为标注框与人脸标注框的重合度大于第三阈值的图像片段的集合，第六样本为标注框与人脸标注框的重合度小于第四阈值的图像片段的集合。此处的标注框即第i-1个卷积神经网络在识别出图像片段包括人脸区域的情况下，用于标注图像片段中属于人脸区域的位置的标注框。其中，i为大于1且小于m+1的整数。第三阈值与第一阈值可以相同，也可以不同。在第三阈值与第一阈值不同的情况下，第三阈值小于第一阈值。第四阈值与第二阈值可以相同，也可以不同。在第四阈值与第二阈值不同的情况下，第四阈值大于第一阈值。但第三阈值需要大于或等于第四阈值。

本实施例中，训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，训练数据包括的第三样本与第四样本中图像片段数量的比值等于第六阈值。第i训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，第i训练数据包括的人脸负样本中简单样本与复杂样本中图像片段数量的比值等于第六阈值。简单样本包括第三样本和第六样本中标注框与人脸标注框的重合度等于0的图像片段的集合，复杂样本包括第六样本中标注框与人脸标注框的重合度大于0且小于第四阈值的图像片段的集合。在简单样本与复杂样本包括的第六样本中标注框与人脸标注框的重合度大于0且小于第四阈值的图像片段的集合中图像片段数量的比值大于第六阈值的情况下，复杂样本还可以包括第四样本中的部分图像片段。第i训练数据的人脸正样本包括第一样本和第五样本，在第一样本和第五样本的总样本数量不够的情况下，第i训练数据的人脸正样本还可以包括第二样本中的部分图像片段。第三阈值可以为1/3，也可以为其它值，可以根据需要进行设置，本实施例不作限定。第一阈值可以为1，也可以为其它值，可以根据需要进行设置，本实施例不作限定。

请参阅图7，图7是本发明实施例提供的一种标注框与人脸标注框部分重合的示意图。如图7所示，abcd所在框为人脸标注框，efgh所在框为标注框，i和j为标注框与人脸标注框的两个不同的交点。标注框与人脸标注框的重合度i＝(lei*lej)/(lac*lab+lef*leg-lei*lej)，其中，lei为e与i之间的长度，lej为e与j之间的长度，lac为a与c之间的长度，lab为a与b之间的长度，lef为e与f之间的长度，leg为e与g之间的长度。

204、获取待识别图像。

本实施例中，当需要识别图像中的人脸时，获取待识别图像。待识别图像可以是本地存储的图像，也可以是从网络或服务器获取的图像，还可以是通过图像采集装置采集的图像，本实施例不作限定。其中，待识别图像可以是需要识别的所有图像，也可以是需要识别的图像中的一张或多张图像。

205、使用级联卷积神经网络识别待识别图像中的人脸。

本实施例中，获取到待识别图像之后，使用级联卷积神经网络识别待识别图像中的人脸，即将待识别图像输入级联卷积神经网络，在待识别图像中存在人脸的情况下，级联卷积神经网络输出标注出人脸的待识别图像，在待识别图像中不存在人脸的情况下，级联卷积神经网络没有输出。可以标注出人脸的所有区域，也可以标注出人脸的大部分区域。

请参阅图6，图6是本发明实施例提供的一种级联卷积神经网络识别人脸的示意图。图6中的级联卷积神经网络由3个卷积神经网络级联而成。如图6所示，将输入图像输入级联卷积神经网络之后，级联卷积神经网络中的第一个卷积神经网络识别图像中像人脸的所有区域并进行标注后输出，可见，第一个卷积神经网络输出的图像中包括多个标注框，这些标注框之间可能存在交叠，此外，由于第一个卷积神经网络的网络结构比较简单，因此，检测精度较低。之后将第一个卷积神经网络输出的包括多个标注框的图像输入第二个卷积神经网络，第二个卷积神经网络对图像中第一个卷积神经网络标注出的像人脸的区域再次进行识别，由于第二个卷积神经网络的识别精度比第一个卷积神经网络的识别精度高，因此，第二个卷积神经网络可以过滤掉第一个卷积神经网络识别出的部分不是人脸的区域，可见，第二个卷积神经网络输出的图像中的标注框比第一个卷积神经网络输出的图像中的标注框少，标注的区域也更精确。之后将第二个卷积神经网络输出的包括标注框的图像输入第三个卷积神经网络，第三个卷积神经网络对图像中第二个卷积神经网络标注出的像人脸的区域再次进行识别，由于第三个卷积神经网络的识别精度比第二个卷积神经网络的识别精度还高，因此，第三个卷积神经网络输出的是包括一个标注框的人脸图像，这个标注框标注出了人脸的大部分区域，同时也包括了小部分不是人脸的区域。

在图2所描述的人脸识别方法中，用于识别人脸的级联卷积神经网络的训练数据包括简单的人脸正样本、简单的人脸负样本、复杂的人脸正样本和复杂的人脸负样本，因此，可以使训练得到的级联卷积神经网络的过滤能力即不会太差也不会太强，从而可以平衡级联卷积神经网络的人脸识别效率和人脸识别准确性。

请参阅图3，图3是本发明实施例提供的一种人脸识别装置的结构示意图。如图3所示，该人脸装置可以包括：

第一获取单元301，用于获取待识别图像；

识别单元302，使用级联卷积神经网络识别第一获取单元301获取的待识别图像中的人脸；

级联卷积神经网络的训练数据包括人脸正样本和人脸负样本，人脸正样本包括第一样本和第二样本，人脸负样本包括第三样本和第四样本，第一样本为人脸标注框所标注的图像片段的集合，第二样本为与人脸标注框的重合度大于第一阈值且小于1的图像片段的集合，第三样本为与人脸标注框的重合度为0的图像片段的集合，第四样本为与人脸标注框的重合度大于0且小于第二阈值的图像片段的集合。

作为一种可能的实施方式，该人脸识别装置还可以包括：

第二获取单元303，用于获取包括人脸标注框的图像集，人脸标注框用于标记图像中人脸的位置；

选取单元304，用于从第一图像中选取人脸标注框所标注的图像片段、与人脸标注框的重合度大于第一阈值且小于1的图像片段、与人脸标注框的重合度为0的图像片段以及与人脸标注框的重合度大于0且小于第二阈值的图像片段，得到训练数据，第一图像为第二获取单元303获取的图像集中的任一图像；

训练单元305，用于使用选取单元304得到的训练数据训练待训练级联卷积神经网络，得到级联卷积神经网络。

具体地，识别单元302使用训练单元305得到的级联卷积神经网络识别待识别图像中的人脸。

作为一种可能的实施方式，级联卷积神经网络由m个卷积神经网络级联而成，m个卷积神经网络的复杂度依次增加，m为大于或等于3的整数。

作为一种可能的实施方式，训练单元305，具体用于使用训练数据训练待训练级联卷积神经网络中的第一个卷积神经网络，以及使用第i训练数据训练待训练级联卷积神经网络中的第i个卷积神经网络，得到级联卷积神经网络，i为大于1且小于m+1的整数；

第i训练数据包括第一样本、第三样本和第i-1个卷积神经网络的输出。

作为一种可能的实施方式，第i-1个卷积神经网络的输出包括第五样本和第六样本，第五样本为标注框与人脸标注框的重合度大于第三阈值的图像片段的集合，第六样本为标注框与人脸标注框的重合度小于第四阈值的图像片段的集合。

作为一种可能的实施方式，训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，训练数据包括的第三样本与第四样本中图像片段数量的比值等于第六阈值。

作为一种可能的实施方式，第i训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，第i训练数据包括的人脸负样本中简单样本与复杂样本中图像片段数量的比值等于第六阈值，简单样本包括第三样本和第六样本中标注框与人脸标注框的重合度等于0的图像片段的集合，复杂样本包括第六样本中标注框与人脸标注框的重合度大于0且小于第四阈值的图像片段的集合。

有关上述第一获取单元301、识别单元302、第二获取单元303、选取单元304、训练单元305等更详细的描述可以直接参考上述图1-图2所示的方法实施例中的相关描述直接得到，这里不加赘述。

请参阅图4，图4是本发明实施例提供的另一种人脸识别装置的结构示意图。如图4所示，该人脸识别装置可以包括处理器401、存储器402和总线403。处理器401可以是一个通用中央处理器(cpu)或多个cpu，单块或多块图形处理器(gpu),微处理器，特定应用集成电路(application-specificintegratedcircuit，asic)，或一个或多个用于控制本发明方案程序执行的集成电路。存储器402可以是只读存储器(read-onlymemory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者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402可以是独立存在，总线403与处理器401相连接。存储器402也可以和处理器401集成在一起。总线403在上述组件之间传送信息。其中：

存储器402中存储有一组程序代码，处理器401用于调用存储器402中存储的程序代码执行以下操作：

获取待识别图像；

使用级联卷积神经网络识别待识别图像中的人脸；

级联卷积神经网络的训练数据包括人脸正样本和人脸负样本，人脸正样本包括第一样本和第二样本，人脸负样本包括第三样本和第四样本，第一样本为人脸标注框所标注的图像片段的集合，第二样本为与人脸标注框的重合度大于第一阈值且小于1的图像片段的集合，第三样本为与人脸标注框的重合度为0的图像片段的集合，第四样本为与人脸标注框的重合度大于0且小于第二阈值的图像片段的集合。

作为一种可能的实施方式，处理器401还用于调用存储器402中存储的程序代码执行以下操作：

获取包括人脸标注框的图像集，人脸标注框用于标记图像中人脸的位置；

从第一图像中选取人脸标注框所标注的图像片段、与人脸标注框的重合度大于第一阈值且小于1的图像片段、与人脸标注框的重合度为0的图像片段以及与人脸标注框的重合度大于0且小于第二阈值的图像片段，得到训练数据，第一图像为图像集中的任一图像；

使用训练数据训练待训练级联卷积神经网络，得到级联卷积神经网络。

作为一种可能的实施方式，级联卷积神经网络由m个卷积神经网络级联而成，m个卷积神经网络的复杂度依次增加，m为大于或等于3的整数。

作为一种可能的实施方式，处理器401使用训练数据训练待训练级联卷积神经网络，得到级联卷积神经网络包括：

使用训练数据训练待训练级联卷积神经网络中的第一个卷积神经网络，以及使用第i训练数据训练待训练级联卷积神经网络中的第i个卷积神经网络，得到级联卷积神经网络，i为大于1且小于m+1的整数；

第i训练数据包括第一样本、第三样本和第i-1个卷积神经网络的输出。

作为一种可能的实施方式，第i-1个卷积神经网络的输出包括第五样本和第六样本，第五样本为标注框与人脸标注框的重合度大于第三阈值的图像片段的集合，第六样本为标注框与人脸标注框的重合度小于第四阈值的图像片段的集合。

作为一种可能的实施方式，训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，训练数据包括的第三样本与第四样本中图像片段数量的比值等于第六阈值。

作为一种可能的实施方式，第i训练数据包括的人脸正样本与人脸负样本中图像片段数量的比值等于第五阈值，第i训练数据包括的人脸负样本中简单样本与复杂样本中图像片段数量的比值等于第六阈值，简单样本包括第三样本和第六样本中标注框与人脸标注框的重合度等于0的图像片段的集合，复杂样本包括第六样本中标注框与人脸标注框的重合度大于0且小于第四阈值的图像片段的集合。

其中，步骤101-102、步骤201-205可以由人脸识别装置中的处理器401和存储器402来执行。

其中，第一获取单元301、识别单元302、第二获取单元303、选取单元304和训练单元305可以由人脸识别装置中的处理器401和存储器402来实现。

上述人脸识别装置还可以用于执行前述方法实施例中执行的各种方法，不再赘述。

在一个实施例中提供了一种可读存储介质，该可读存储介质用于存储应用程序，应用程序用于在运行时执行图1或图2的人脸识别方法。

在一个实施例中提供了一种应用程序，该应用程序用于在运行时执行图1或图2的人脸识别方法。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。