本發(fā)明涉及機器識別技術(shù)領(lǐng)域，具體涉及一種人臉驗證的方法及裝置。

背景技術(shù)：

人臉驗證算法可全自動對兩張人臉照片進行驗證，判別是否為同一人。這種方式可用于互聯(lián)網(wǎng)金融等多個場景下的用戶人臉身份核實。身份核實的過程多是將用戶的證件照和用戶在現(xiàn)場通過攝像頭拍攝的照片進行比對，通過這兩張照片的特征比對確認是否為同一個人。

近年來近視人群逐年增加，此外隨著眼鏡的飾物屬性的不斷增強，戴眼鏡的用戶越來越多。但證件照拍攝過程中需要摘除眼鏡，因此，準(zhǔn)確判別戴眼鏡的照片與不戴眼鏡的證件照是否為同一人，具有越來越重大的意義。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中無法有效比對證件照與戴眼鏡的照片的問題，本發(fā)明實施例提供一種人臉驗證的方法，可以有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。本發(fā)明實施例還提供了相應(yīng)的裝置。

本發(fā)明第一方面提供一種人臉驗證的方法，包括：

獲取指定對象的證件照片和所述指定對象的日常照片；

使用眼鏡分割模型對所述指定對象的日常照片進行眼鏡區(qū)域識別，以得到眼鏡區(qū)域的識別結(jié)果，所述眼鏡分割模型用于識別被眼鏡遮擋的區(qū)域；

若所述識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征；

若所述日常人臉特征與所述證件人臉特征的匹配度大于第二閾值，則所述指定對象通過驗證。

本發(fā)明第二方面提供一種人臉驗證的裝置，包括：

獲取單元，用于獲取指定對象的證件照片和所述指定對象的日常照片；

識別單元，用于使用眼鏡分割模型對所述獲取單元獲取的所述指定對象的日常照片進行眼鏡區(qū)域識別，以得到眼鏡區(qū)域的識別結(jié)果，所述眼鏡分割模型用于識別被眼鏡遮擋的區(qū)域；

特征提取單元，用于若所述識別單元得到的識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征；

驗證單元，用于若所述特征提取單元提取的日常人臉特征與所述證件人臉特征的匹配度大于第二閾值，則所述指定對象通過驗證。

與現(xiàn)有技術(shù)中無法有效比對證件照與戴眼鏡的照片的問題，本發(fā)明實施例提供一種人臉驗證的方法，通過相應(yīng)的驗證模型可以從戴眼鏡的人臉照片中提取出相應(yīng)的人臉特征，與證件照中的人臉特征進行比對，從而實現(xiàn)了有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例中人臉驗證系統(tǒng)的一實施例示意圖；

圖2是本發(fā)明實施例中人臉驗證的方法的一實施例示意圖；

圖3是本發(fā)明實施例中眼鏡分割模型的生成過程示意圖；

圖4是本發(fā)明實施例中證件-人臉驗證模型的生成過程示意圖；

圖5是本發(fā)明實施例中證件-眼鏡人臉驗證模型的生成過程的一示意圖；

圖6是本發(fā)明實施例中證件-眼鏡人臉驗證模型的生成過程的另一示意圖；

圖7是本發(fā)明實施例中人臉驗證過程的一實施例示意圖；

圖8是本發(fā)明實施例中人臉驗證的裝置的一實施例示意圖；

圖9是本發(fā)明實施例中服務(wù)器的一實施例示意圖。

具體實施方式

本發(fā)明實施例提供一種人臉驗證的方法，可以有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。本發(fā)明實施例還提供了相應(yīng)的裝置。以下分別進行詳細說明。

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例中的證件照片可以是身份證照片、社保卡照片、護照照片，以及通行證照片等。

指定對象可以是各種業(yè)務(wù)場景中辦理相應(yīng)業(yè)務(wù)的人，也就是出示證件的本人。

在現(xiàn)實生活中例如辦理金融業(yè)務(wù)、機場安檢以及海關(guān)通關(guān)等很多場景都需要核對證件上的照片與本人是否是同一個人，現(xiàn)實生活中都是通過工作人員的人眼進行核對，導(dǎo)致人力消耗非常大，而且證件上的照片都是不戴眼鏡的，而實際生活中，很多人都是近視眼，也有很多人喜歡將眼鏡作為飾物佩戴，導(dǎo)致各場景的工作人員很難快速驗證出證件上的照片與本人是否是同一人。因此，若能通過機器對證件照片和出示證件照片的本人進行驗證，將具有重大的意義。

因此，本發(fā)明實施例提供一種人臉驗證系統(tǒng)，如圖1所示，該人臉驗證系統(tǒng)包括第一圖像采集器10、第二圖像采集器20、服務(wù)器30和網(wǎng)絡(luò)40，第一圖像采集器10和第二圖像采集器20都可以是攝像頭，第一圖像采集器10用于采集出示證件的本人的人臉圖像，也就是拍攝一張本人的當(dāng)前照片，第二圖像采集器20用于采集證件50上的證件照片，然后第一圖像采集器10和第二圖像采集器20通過網(wǎng)絡(luò)40將該人的當(dāng)前照片和證件照片傳送給服務(wù)器30，服務(wù)器30對該人的當(dāng)前照片和證件照片進行驗證。服務(wù)器30會將該人的當(dāng)前照片作為指定對象的日常照片，會將該人的證件照片作為指定對象的證件照片進行驗證。當(dāng)然，也可以由第一圖像采集器10采集證件上的證件照片，第二圖像采集器20拍攝一張本人的當(dāng)前照片。本發(fā)明實施例中對第一圖像采集器10和第二圖像采集器20的具體使用不做限定。

服務(wù)器30對指定對象的證件照片和所述指定對象的日常照片的人臉驗證過程可以參閱圖2進行理解，如圖2所示，本發(fā)明實施例所提供的人臉驗證的方法的一實施例包括：

101、獲取指定對象的證件照片和所述指定對象的日常照片。

102、使用眼鏡分割模型對所述指定對象的日常照片進行眼鏡區(qū)域識別，以得到眼鏡區(qū)域的識別結(jié)果，所述眼鏡分割模型用于識別被眼鏡遮擋的區(qū)域。

對于服務(wù)器來說，需要通過區(qū)域識別來確定該指定對象的日常照片中的人物是否戴眼鏡，因為眼鏡的鏡框、鏡架、鼻托等不透明部分的人臉都是被遮擋的，鏡片所造成的強反射光也可能造成人臉上有部分被遮擋的區(qū)域，所以服務(wù)器可以通過對這些可能會被眼鏡遮擋的區(qū)域進行識別來判定該日常照片中的人物是否有戴眼鏡。

考慮到不戴眼鏡時人臉的眼睛周圍也可能因為其他情況有被遮擋的情況，但通常不戴眼鏡被遮擋的面積不會很大，所以可以預(yù)先設(shè)定第一閾值，被遮擋面積小于第一閾值的可以認為日常照片中的人物沒有戴眼鏡，如果被遮擋面積大于第一閾值則可以認為日常照片中的人物有戴眼鏡。

在眼鏡區(qū)域識別過程中需要使用眼鏡分割模型，眼鏡分割模型是通過對多張帶標(biāo)注的眼鏡人臉日常照片進行卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)訓(xùn)練得到的，所述帶標(biāo)注的眼鏡人臉日常照片中已經(jīng)標(biāo)注出被眼鏡所遮擋的區(qū)域。

103、若所述識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征。

若所述識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則說明日常照片中的人物是戴眼鏡的。

本發(fā)明實施例中的驗證模型包括證件-人臉驗證模型和證件-眼鏡人臉驗證模型。

因為已經(jīng)確定日常照片中的人物是戴眼鏡的，所以需要使用證件-眼鏡人臉驗證模型從所述指定對象的日常照片中提取出日常人臉特征。證件-人臉驗證模型和證件-眼鏡人臉驗證模型都可以提取出證件人臉特征，所以使用證件-人臉驗證模型和證件-眼鏡人臉驗證模型均可。

所述證件-人臉驗證模型是通過對多張不戴眼鏡的日常人臉照片和同一對象集合中人物對象的證件照片進行CNN網(wǎng)絡(luò)訓(xùn)練得到的，所述同一對象集合為與所述不戴眼鏡的日常人臉照片對應(yīng)的人物對象的集合。

所述證件-眼鏡人臉驗證模型是使用眼鏡區(qū)域遮擋照片集和無眼鏡日常人臉特征集，對所述證件-人臉驗證模型進行特征回歸CNN網(wǎng)絡(luò)調(diào)整得到的，所述眼鏡區(qū)域遮擋照片集是使用無眼鏡日常照片集和有眼鏡日常照片集進行比對，在所述無眼鏡日常照片集的每張照片中確定出對應(yīng)眼鏡的遮擋區(qū)域，并對所述遮擋區(qū)域進行遮擋得到的，所述無眼鏡日常人臉特征集是使用所述證件-人臉驗證模型對所述無眼鏡日常照片集中的每張照片進行特征提取得到的。

104、若所述日常人臉特征與所述證件人臉特征的匹配度大于第二閾值，則所述指定對象通過驗證。

匹配度指的是該指定對象的日常人臉特征與證件人臉特征相似的程度，相似的程度，也可以成為相似度，相似度可以使用歐式距離、cos距離、或者使用聯(lián)合貝葉斯方法或度量學(xué)習(xí)方法進行計算。

與現(xiàn)有技術(shù)中無法有效比對證件照與戴眼鏡的照片的問題，本發(fā)明實施例提供的人臉驗證的方法，通過相應(yīng)的驗證模型可以從戴眼鏡的人臉照片中提取出相應(yīng)的人臉特征，與證件照中的人臉特征進行比對，從而實現(xiàn)了有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。

上述實施例中提及了眼鏡分割模型、證件-人臉驗證模型和證件-眼鏡人臉驗證模型，下面結(jié)合附圖介紹眼鏡分割模型、證件-人臉驗證模型和證件-眼鏡人臉驗證模型的訓(xùn)練過程。

如圖3所示，圖3為本發(fā)明實施例中眼鏡分割模型的生成過程示意圖。

201、搜集多張不同人物戴眼鏡的人臉日常照片，構(gòu)建“眼鏡人臉照數(shù)據(jù)集1”。

202、對“眼鏡人臉照數(shù)據(jù)集1”中的每一張人臉照片，人工標(biāo)注出被眼鏡遮擋的區(qū)域。

被遮擋的區(qū)域可以包括鏡框、鏡架、鼻托等不透明部分的人臉區(qū)域，鏡片所造成的強反射光造成的被遮擋的人臉區(qū)域。

203、通過步驟202的標(biāo)注，得到帶標(biāo)注的眼鏡人臉數(shù)據(jù)集。

204、利用“帶標(biāo)注的眼鏡人臉數(shù)據(jù)集”進行眼鏡分割CNN網(wǎng)絡(luò)訓(xùn)練。

眼鏡分割CNN網(wǎng)絡(luò)訓(xùn)練過程包括卷積層(convolution)、歸一化層(batch_normalization)、反卷積層(deconvolution)等，訓(xùn)練優(yōu)化目標(biāo)為分割結(jié)果與標(biāo)注結(jié)果相比的錯誤像素數(shù)盡可能小。具體的卷積層、歸一化層、反卷積層的定義及CNN網(wǎng)絡(luò)的訓(xùn)練方式參見深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練框架。

205、通過步驟204的訓(xùn)練，獲得眼鏡分割模型。

本發(fā)明實施例所提供的眼鏡分割模型為戴眼鏡的人臉日常照片的識別提供了可能，從而實現(xiàn)了有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。

下面結(jié)合圖4介紹本發(fā)明實施例中的證件-人臉驗證模型，如圖4所示，證件-人臉驗證模型的生成過程可以包括：

301、搜集多張不戴眼鏡的日常人臉照片，構(gòu)建“人臉照數(shù)據(jù)集2”。

302、搜集“人臉照數(shù)據(jù)集2”中人臉照中人物的證件人臉照，構(gòu)建“證件照數(shù)據(jù)集1”。

303、利用“證件照數(shù)據(jù)集1”和“人臉照數(shù)據(jù)集2”進行人臉驗證CNN網(wǎng)絡(luò)訓(xùn)練。

304、通過步驟303的網(wǎng)絡(luò)訓(xùn)練，獲得證件-人臉驗證模型。

本發(fā)明實施例所提供的證件-人臉驗證模型可以識別證件照和不戴眼鏡的日常人臉照片，通過該證件-人臉驗證模型可以快速識別不戴眼鏡的人臉照片，從而提高了照片識別的速度。

下面結(jié)合圖5介紹本發(fā)明實施例中證件-眼鏡人臉驗證模型，如圖5所示，證件-眼鏡人臉驗證模型的生成過程可以包括：

401、搜集多個人物的多張不戴眼鏡的自拍人臉照，構(gòu)建“無眼鏡日常照片集3”。

402、使用證件-人臉驗證模型對“無眼鏡日常照片集3”中的每一張照片提取人臉特征，獲得“無眼鏡日常人臉特征集3”。

403、對“無眼鏡日常照片集3”中的每一張人臉照進行遮擋，得到眼鏡區(qū)域遮擋照片集。

對“無眼鏡日常照片集3”中的每一張人臉照A，找出“眼鏡人臉照數(shù)據(jù)集1”中一張雙眼位置與其相近的人臉照片B，將A中與B中人工標(biāo)注出被眼鏡遮擋的區(qū)域所對應(yīng)的區(qū)域記為C，將A中C所在位置處的像素置為灰度值128的純灰度像素。

對“無眼鏡日常照片集3”中所有照片進行如上“遮擋合成”操作，得到眼鏡區(qū)域遮擋照片集。

404、利用“眼鏡區(qū)域遮擋照片集”和“無眼鏡日常人臉特征集3”對證件-人臉驗證模型進行“特征回歸CNN網(wǎng)絡(luò)調(diào)整”，獲得證件-眼鏡人臉驗證模型。

特征回歸CNN網(wǎng)絡(luò)調(diào)整的過程就是使用證件-人臉驗證模型從“眼鏡區(qū)域遮擋照片集”的人臉照片中提取第一人臉特征，使用證件-人臉驗證模型從“無眼鏡日常人臉特征集3”的人臉照片中提取第二人臉特征，確定第一人臉特征和第二人臉特征的歐式距離，根據(jù)該歐式距離調(diào)整證件-人臉驗證模型，調(diào)整的過程可以是通過卷積層、歸一化層、反卷積層和深度神經(jīng)網(wǎng)絡(luò)等方式對證件-人臉驗證模型做微調(diào)，調(diào)整的目標(biāo)就是使通過證件-人臉驗證模型所提取出的第一人臉特征和第二人臉特征的歐式距離盡可能小，該調(diào)整過程可以是反復(fù)多次的調(diào)整，達到第一人臉特征和第二人臉特征的歐式距離最小的證件-人臉驗證模型就是要得到的證件-眼鏡人臉驗證模型。

本發(fā)明實施例所提供的證件-眼鏡人臉驗證模型可以識別戴眼鏡的人臉照片，提高了人臉驗證的便利度。

為了更直觀的了解本發(fā)明實施例中證件-眼鏡人臉驗證模型的生成過程，下面結(jié)合圖6再做簡單描述：

如圖6所示，通過圖5中步驟401的搜集，構(gòu)建“無眼鏡日常照片集3”6A，然后使用“證件-人臉驗證模型”6B對“無眼鏡日常照片集3”6A，進行特征提取，得到“無眼鏡日常人臉特征集3”6C。對“無眼鏡日常照片集3”6A中的每一張人臉照A，找出“眼鏡人臉照數(shù)據(jù)集1”6D中一張雙眼位置與其相近的人臉照片B，將A中與B中人工標(biāo)注出被眼鏡遮擋的區(qū)域所對應(yīng)的區(qū)域記為C，將A中C所在位置處的像素置為灰度值128的純灰度像素。對“無眼鏡日常照片集3”6A中所有照片進行如上“遮擋合成”操作，得到眼鏡區(qū)域遮擋照片集6E。利用“眼鏡區(qū)域遮擋照片集”6E和“無眼鏡日常人臉特征集3”6C對證件-人臉驗證模型進行“特征回歸CNN網(wǎng)絡(luò)調(diào)整”，獲得“證件-眼鏡人臉驗證模型”6F。

以上是對幾個模型生成過程的描述，生成以上幾個模型后，就可以使用這幾個模型進行人臉驗證。

人臉驗證的過程可以參閱圖7進行理解，如圖7所示，本發(fā)明實施例提供的證件—人臉的驗證過程可以包括：

411、獲取指定對象的日常照片。

412、使用眼鏡分割模型對所述指定對象的日常照片進行眼鏡區(qū)域識別。

413、確定眼鏡所遮擋面積是否大于閾值，若否執(zhí)行414，若是執(zhí)行415。

414、當(dāng)眼鏡所遮擋面積不大于閾值時，說明該照片中的指定對象未戴眼鏡，使用證件-人臉驗證模型對該日常照片進行驗證。

415、當(dāng)眼鏡所遮擋面積大于閾值時，說明該照片中的指定對象戴了眼鏡，對該日常照片中的眼鏡區(qū)域進行遮擋，并設(shè)置遮擋標(biāo)識。

416、通過步驟415的遮擋，得到眼鏡人臉遮擋照。

417、通過證件-眼鏡人臉驗證模型對該眼鏡人臉遮擋照進行特征提取。

418、通過步驟417的特征提取得到眼鏡人臉遮擋特征。

對指定對象的日常照片進行上述411至418的處理后，再對該指定對象的證件照片進行處理。

421、獲取該指定對象的證件照片。

422、通過證件-人臉驗證模型對該指定對象的證件照片進行特征提取。

423、通過步驟422的特征提取，得到證件人臉特征。

通過步驟421至423得到證件人臉特征后，對眼鏡人臉遮擋特征和證件人臉特征進行驗證，驗證步驟可以是：

431、對眼鏡人臉遮擋特征和證件人臉特征進行特征距離計算。

432、通過步驟431的特征距離計算，得到驗證結(jié)果。

驗證結(jié)果可以是當(dāng)人臉遮擋特征和證件人臉特征進行特征距離小于預(yù)設(shè)值時，認為兩者匹配，通過驗證，如果人臉遮擋特征和證件人臉特征進行特征距離大于預(yù)設(shè)值，則認為兩者不匹配，不能通過驗證。

可選地，所述用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征，可以包括：

用證件-眼鏡人臉驗證模型從所述日常照片中提取出戴眼鏡的日常人臉特征，所述證件-眼鏡人臉驗證模型用于從戴眼鏡的人臉照片中提取出人臉特征；

用證件-人臉驗證模型從所述指定對象的證件照片中提取出所述證件人臉特征，所述證件-人臉驗證模型用于從不戴眼鏡的人臉照片中提取出人臉特征。

本發(fā)明實施例中，因為證件照片中的人物沒有戴眼鏡，所以可以使用證件-人臉驗證模型進行特征提取，因為日常照片中的人物戴了眼鏡，所以只有使用證件-眼鏡人臉驗證模型進行特征提取才能準(zhǔn)確的提取出戴眼鏡照片中的人臉特征。特征提取的過程基本都是相同的，只是所使用的模型不同，保證了戴眼鏡照片中特征提取的準(zhǔn)確性。

可選地，所述用證件-眼鏡人臉驗證模型從所述日常照片中提取出戴眼鏡的日常人臉特征，可以包括：

修改所述識別結(jié)果所指示的眼鏡區(qū)域的像素值，得到所述眼鏡區(qū)域遮擋的日常照片；

用證件-眼鏡人臉驗證模型，從所述眼鏡區(qū)域遮擋的日常照片中提取出戴眼鏡的日常人臉特征。

本發(fā)明實施例中，修改所述識別結(jié)果所指示的眼鏡區(qū)域的像素值可以是將眼鏡區(qū)域的像素值設(shè)置為灰度值128。

下面結(jié)合附圖介紹本發(fā)明實施例中人臉驗證的裝置50，本發(fā)明實施例中的人臉驗證的裝置50可以是圖1中所示的服務(wù)器，也可以是服務(wù)器中的功能模塊。

如圖8所示，本發(fā)明實施例提供的人臉驗證的裝置50的一實施例包括：

獲取單元501，用于獲取指定對象的證件照片和所述指定對象的日常照片；

識別單元502，用于使用眼鏡分割模型對所述獲取單元501獲取的所述指定對象的日常照片進行眼鏡區(qū)域識別，以得到眼鏡區(qū)域的識別結(jié)果，所述眼鏡分割模型用于識別被眼鏡遮擋的區(qū)域；

特征提取單元503，用于若所述識別單元502得到的識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征；

驗證單元504，用于若所述特征提取單元503提取的日常人臉特征與所述證件人臉特征的匹配度大于第二閾值，則所述指定對象通過驗證。

本發(fā)明實施例中，獲取單元501獲取指定對象的證件照片和所述指定對象的日常照片；識別單元502使用眼鏡分割模型對所述獲取單元501獲取的所述指定對象的日常照片進行眼鏡區(qū)域識別，以得到眼鏡區(qū)域的識別結(jié)果，所述眼鏡分割模型用于識別被眼鏡遮擋的區(qū)域；特征提取單元503若所述識別單元502得到的識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征；驗證單元504若所述特征提取單元503提取的日常人臉特征與所述證件人臉特征的匹配度大于第二閾值，則所述指定對象通過驗證。與現(xiàn)有技術(shù)中無法有效比對證件照與戴眼鏡的照片的問題，本發(fā)明實施例提供的人臉驗證的裝置，通過相應(yīng)的驗證模型可以從戴眼鏡的人臉照片中提取出相應(yīng)的人臉特征，與證件照中的人臉特征進行比對，從而實現(xiàn)了有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。

可選地，所述特征提取單元503用于：

用證件-眼鏡人臉驗證模型從所述日常照片中提取出戴眼鏡的日常人臉特征，所述證件-眼鏡人臉驗證模型用于從戴眼鏡的人臉照片中提取出人臉特征；

用證件-人臉驗證模型從所述指定對象的證件照片中提取出所述證件人臉特征，所述證件-人臉驗證模型用于從不戴眼鏡的人臉照片中提取出人臉特征。

可選地，所述特征提取單元503用于：

修改所述識別結(jié)果所指示的眼鏡區(qū)域的像素值，得到所述眼鏡區(qū)域遮擋的日常照片；

用證件-眼鏡人臉驗證模型，從所述眼鏡區(qū)域遮擋的日常照片中提取出戴眼鏡的日常人臉特征。

可選地，所述眼鏡分割模型是通過對多張帶標(biāo)注的眼鏡人臉日常照片進行卷積神經(jīng)網(wǎng)絡(luò)CNN網(wǎng)絡(luò)訓(xùn)練得到的，所述帶標(biāo)注的眼鏡人臉日常照片中已經(jīng)標(biāo)注出眼鏡所遮擋的區(qū)域。

可選地，所述證件-人臉驗證模型是通過對多張不戴眼鏡的日常人臉照片和同一對象集合中人物對象的證件照片進行CNN網(wǎng)絡(luò)訓(xùn)練得到的，所述同一對象集合為與所述不戴眼鏡的日常人臉照片對應(yīng)的人物對象的集合。

可選地，所述證件-眼鏡人臉驗證模型是使用眼鏡區(qū)域遮擋照片集和無眼鏡日常人臉特征集，對所述證件-人臉驗證模型進行特征回歸CNN網(wǎng)絡(luò)調(diào)整得到的，所述眼鏡區(qū)域遮擋照片集是使用無眼鏡日常照片集和有眼鏡日常照片集進行比對，在所述無眼鏡日常照片集的每張照片中確定出對應(yīng)眼鏡的遮擋區(qū)域，并對所述遮擋區(qū)域進行遮擋得到的，所述無眼鏡日常人臉特征集是使用所述證件-人臉驗證模型對所述無眼鏡日常照片集中的每張照片進行特征提取得到的。

本發(fā)明實施例所提供的人臉驗證的裝置50可以參閱圖1至圖7部分的相應(yīng)描述進行理解，本處不再重復(fù)贅述。

圖9是本發(fā)明實施例提供的服務(wù)器60的結(jié)構(gòu)示意圖。所述服務(wù)器60應(yīng)用于人臉驗證系統(tǒng)，所述人臉驗證系統(tǒng)包括圖1所示的圖像采集器以及所述服務(wù)器60，所述服務(wù)器60包括處理器610、存儲器650和輸入/輸出設(shè)備630，存儲器650可以包括只讀存儲器和隨機存取存儲器，并向處理器610提供操作指令和數(shù)據(jù)。存儲器650的一部分還可以包括非易失性隨機存取存儲器(NVRAM)。

在一些實施方式中，存儲器650存儲了如下的元素，可執(zhí)行模塊或者數(shù)據(jù)結(jié)構(gòu)，或者他們的子集，或者他們的擴展集:

在本發(fā)明實施例中，通過調(diào)用存儲器650存儲的操作指令(該操作指令可存儲在操作系統(tǒng)中)，

獲取指定對象的證件照片和所述指定對象的日常照片；

使用眼鏡分割模型對所述指定對象的日常照片進行眼鏡區(qū)域識別，以得到眼鏡區(qū)域的識別結(jié)果，所述眼鏡分割模型用于識別被眼鏡遮擋的區(qū)域；

若所述識別結(jié)果指示所述眼鏡區(qū)域的面積大于第一閾值，則用驗證模型從所述指定對象的日常照片中提取出日常人臉特征，從所述指定對象的證件照片中提取出證件人臉特征；

若所述日常人臉特征與所述證件人臉特征的匹配度大于第二閾值，則所述指定對象通過驗證。

與現(xiàn)有技術(shù)中無法有效比對證件照與戴眼鏡的照片的問題，本發(fā)明實施例提供的服務(wù)器，通過相應(yīng)的驗證模型可以從戴眼鏡的人臉照片中提取出相應(yīng)的人臉特征，與證件照中的人臉特征進行比對，從而實現(xiàn)了有效的對比證件照和戴眼鏡的照片，提高了人臉驗證的便利度。

處理器610控制服務(wù)器60的操作，處理器610還可以稱為CPU(Central Processing Unit，中央處理單元)。存儲器650可以包括只讀存儲器和隨機存取存儲器，并向處理器610提供指令和數(shù)據(jù)。存儲器650的一部分還可以包括非易失性隨機存取存儲器(NVRAM)。具體的應(yīng)用中服務(wù)器60的各個組件通過總線系統(tǒng)620耦合在一起，其中總線系統(tǒng)620除包括數(shù)據(jù)總線之外，還可以包括電源總線、控制總線和狀態(tài)信號總線等。但是為了清楚說明起見，在圖中將各種總線都標(biāo)為總線系統(tǒng)620。

上述本發(fā)明實施例揭示的方法可以應(yīng)用于處理器610中，或者由處理器610實現(xiàn)。處理器610可能是一種集成電路芯片，具有信號的處理能力。在實現(xiàn)過程中，上述方法的各步驟可以通過處理器610中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器610可以是通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。可以實現(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。結(jié)合本發(fā)明實施例所公開的方法的步驟可以直接體現(xiàn)為硬件譯碼處理器執(zhí)行完成，或者用譯碼處理器中的硬件及軟件模塊組合執(zhí)行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領(lǐng)域成熟的存儲介質(zhì)中。該存儲介質(zhì)位于存儲器650，處理器610讀取存儲器650中的信息，結(jié)合其硬件完成上述方法的步驟。

可選地，處理器610用于：

用證件-眼鏡人臉驗證模型從所述日常照片中提取出戴眼鏡的日常人臉特征，所述證件-眼鏡人臉驗證模型用于從戴眼鏡的人臉照片中提取出人臉特征；

用證件-人臉驗證模型從所述指定對象的證件照片中提取出所述證件人臉特征，所述證件-人臉驗證模型用于從不戴眼鏡的人臉照片中提取出人臉特征。

可選地，處理器610用于：

修改所述識別結(jié)果所指示的眼鏡區(qū)域的像素值，得到所述眼鏡區(qū)域遮擋的日常照片；

用證件-眼鏡人臉驗證模型，從所述眼鏡區(qū)域遮擋的日常照片中提取出戴眼鏡的日常人臉特征。

可選地，所述眼鏡分割模型是通過對多張帶標(biāo)注的眼鏡人臉日常照片進行卷積神經(jīng)網(wǎng)絡(luò)CNN網(wǎng)絡(luò)訓(xùn)練得到的，所述帶標(biāo)注的眼鏡人臉日常照片中已經(jīng)標(biāo)注出眼鏡所遮擋的區(qū)域。

可選地，所述證件-人臉驗證模型是通過對多張不戴眼鏡的日常人臉照片和同一對象集合中人物對象的證件照片進行CNN網(wǎng)絡(luò)訓(xùn)練得到的，所述同一對象集合為與所述不戴眼鏡的日常人臉照片對應(yīng)的人物對象的集合。

可選地，所述證件-眼鏡人臉驗證模型是使用眼鏡區(qū)域遮擋照片集和無眼鏡日常人臉特征集，對所述證件-人臉驗證模型進行特征回歸CNN網(wǎng)絡(luò)調(diào)整得到的，所述眼鏡區(qū)域遮擋照片集是使用無眼鏡日常照片集和有眼鏡日常照片集進行比對，在所述無眼鏡日常照片集的每張照片中確定出對應(yīng)眼鏡的遮擋區(qū)域，并對所述遮擋區(qū)域進行遮擋得到的，所述無眼鏡日常人臉特征集是使用所述證件-人臉驗證模型對所述無眼鏡日常照片集中的每張照片進行特征提取得到的。

以上圖9所描述的服務(wù)器可以參閱圖1至圖8部分的相應(yīng)描述進行理解，本處不再重復(fù)贅述。

本領(lǐng)域普通技術(shù)人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，該程序可以存儲于一計算機可讀存儲介質(zhì)中，存儲介質(zhì)可以包括：ROM、RAM、磁盤或光盤等。

以上對本發(fā)明實施例所提供的人臉驗證的方法以及裝置進行了詳細介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。