1.本技术涉及图像处理技术领域，特别是涉及一种异质人脸的人脸类型识别方法、装置、设备及存储介质。
背景技术：2.随着人工智能的发展，人脸识别一直是各界研究的热门领域，且在深度卷积神经网络的基础上取得了重大进展，被广泛应用于社会各行各业。例如，在互联网风控中，针对用户所发表的人脸图像内容，需要对齐进行识别以确认其中是否存在涉政、涉黄、涉暴等问题。目前，该审核方式可以通过机器学习模型来实现，而部分用户为了机器学习模型的审核，其会使用漫画或者是素描来表述人脸的轮廓图，并且对人物特征进行夸大或者变形，从而使得机器学习模型难以检测出其中的问题，导致违法图像数据流入互联网，造成负面影响。
3.在检测算法上，针对照相机拍摄的人脸，基于深度卷积神经网络进行人脸识别，在业界已经相对成熟，并得到了普遍应用。同时，素描/漫画人脸识别模型的构建，是基于素描/漫画的样本，提取底层特征完成的。但是，一旦将上述三类图像混合在一起，进行异质人脸图像识别，真实人脸与素描/漫画的特征不具备可比性，传统的人脸识别算法无法将上述图像进行正确匹配。而在应用资源上，目前，多数人脸识别方法采用的是深度神经网络，其通过构建多层网络，利用复杂的计算来提升模型准确度，但同时耗费的资源成本也巨大，若同时并行多类人脸识别模型，其成本也将正比上升。
技术实现要素：4.本技术提供一种异质人脸的人脸类型识别方法、装置、设备及存储介质，以解决现有的异质人脸识别方式不够精准且效率低下的问题。
5.为解决上述技术问题，本技术采用的一个技术方案是：提供一种异质人脸的人脸类型识别方法，包括：获取待识别图像；从待识别图像中提取得到待识别特征向量；利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，特殊人脸类型预先设定，标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型；将目标特殊人脸类型作为待识别图像的人脸类型输出。
6.作为本技术的进一步改进，标签特征向量计算过程，包括：利用预先训练好的深度神经网络分别提取每张特殊人脸图像的图像特征向量；根据每个特殊人脸类型对应的所有图像特征向量分别计算每个特殊人脸类型的均值特征向量和标准差特征向量，均值特征向量和标准差特征向量构成标签特征向量。
7.作为本技术的进一步改进，利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，包括：利用每个特殊人脸类型对应的均值特征向量和标准差特征向量的每个维度的特征值构建每个特殊人脸类型对应
的每个维度的特征值范围；将待识别特征向量的各个维度的特征值分别与每个特殊人脸类型对应的每个维度的特征值范围进行比对，得到满足预设范围条件的第一特殊人脸类型，预设范围条件包括待识别特征向量的每个维度的特征值均落入第一特殊人脸类型的对应维度的特征值范围；计算第一特殊人脸类型中的每个特殊人脸图像的图像特征向量与待识别特征向量之间的欧式距离；当存在至少一个欧式距离满足预设距离条件时，保留第一特殊人脸类型，否则删除第一特殊人脸类型；选取欧式距离最小的图像特征向量对应的第一特殊人脸类型作为目标特殊人脸类型。
8.作为本技术的进一步改进，方法还包括：当不存在满足预设范围条件的第一特殊人脸类型或不存在满足预设距离条件的欧式距离时，将待识别图像输送人工审核。
9.作为本技术的进一步改进，从待识别图像中提取得到待识别特征向量，包括：利用预先训练好的多任务卷积神经网络检测待识别图像中是否存在人脸图像；若存在，则从待识别图像分割得到人脸图像，再利用预先训练好的深度神经网络提取人脸图像的特征向量，得到待识别特征向量；若不存在，则跳过当前的待识别图像并继续识别下一张待识别图像。
10.作为本技术的进一步改进，从待识别图像分割得到人脸图像，再利用预先训练好的深度神经网络提取人脸图像的特征向量，得到待识别特征向量，包括：判断待识别图像中是否存在多个人脸图像；若是，则从待识别图像中分割得到至少一张人脸图像，并为每张人脸图像赋予唯一标识符；利用深度神经网络提取每张人脸图像的图像特征，得到每张人脸图像的待识别特征向量。
11.作为本技术的进一步改进，每个特殊人脸类型对应的特殊人脸图像的数目相同，且特殊人脸图像均为单人脸图像。
12.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种异质人脸的人脸类型识别装置，包括：获取模块，用于获取待识别图像；提取模块，用于从待识别图像中提取得到待识别特征向量；比对模块，用于利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，特殊人脸类型预先设定，标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型；输出模块，用于将目标特殊人脸类型作为待识别图像的人脸类型输出。
13.为解决上述技术问题，本技术采用的再一个技术方案是：提供一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述中任一项所述的异质人脸的人脸类型识别方法的步骤。
14.为解决上述技术问题，本技术采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述异质人脸的人脸类型识别方法的程序指令。
15.本技术的有益效果是：本技术的异质人脸的人脸类型识别方法通过预先构建用以表征特殊人脸类型的标签特征向量，在获取到待识别图像之后，提取待识别图中的待识别特征向量，再将待识别特征向量分别与每个标签特征向量进行比对，从而确认与该待识别特征向量最接近的目标标签特征向量，以及其对应的目标特殊人脸类型，再将该目标特殊人脸类型作为该待识别图像所属的人脸类型输出，其不需要依赖于多层结构的深度神经网
络也可实现对特殊人脸图像的识别，在保证准确性的同时，计算量小、响应速度更快，所占用的系统资源少。
附图说明
16.图1是本发明实施例的异质人脸的人脸类型识别方法的流程示意图；
17.图2是本发明实施例的异质人脸的人脸类型识别装置的功能模块示意图；
18.图3是本发明实施例的计算机设备的结构示意图；
19.图4是本发明实施例的存储介质的结构示意图。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
21.本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”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。
22.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
23.图1是本发明实施例的异质人脸的人脸类型识别方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
24.步骤s101：获取待识别图像。
25.具体地，随着互联网平台的快速发展，广大用户群体可以通过微博、抖音等手段发布各种视频、图像作品，而为了避免传播涉政、涉黄、涉暴的图像内容，需要对用户发布的视频或图像作品进行审核。本实施例中的待识别图像就是指用户想要发布的视频或图像作品，当用户发布的是视频作品时，则对视频作品按帧剪辑成图像后进行识别。
26.需要说明的是，本实施例的异质人脸的人脸类型识别方法主要是用于对异质人脸的类型识别，例如对包括真实人脸、漫画人脸和素描人脸的人脸图像的识别，从而防止用户通过异质人脸的手段发布违法的图像内容。
27.步骤s102：从待识别图像中提取得到待识别特征向量。
28.具体地，为了方便计算机对待识别图像的识别，本实施例在获取到待识别图像后，从该待识别图像中提取得到待识别特征向量，用以后续进行人脸图像识别。其中，图像的特征向量提取可利用深度神经网络来实现，例如：vggnet网络和resnet网络均可用于图像的特征提取。本实施例中，该深度神经网络优选为facenet人脸识别模型。
29.本实施例中，提取的图像的特征向量包括128维特征，每个维度对应有一个特征值。
30.进一步的，需要理解的是，用户发布的视频或图像作品中，并不一定所有的图像均需要进行识别，对于未包括人脸的图像则不需要进行识别处理，因此，为了提高图像识别的效率，步骤s102具体包括：
31.1、利用预先训练好的多任务卷积神经网络检测待识别图像中是否存在人脸图像。
32.具体地，在获取到待识别图像后，将该待识别图像输入至多任务卷积神经网络中进行检测，利用多任务卷积神经网络检测该待识别图像中是否存在人脸图像。需要说明的是，多任务卷积神经网络(multi-task convolutional neural network，mtcnn)主要包括三层网络架构：p-net、r-net、o-net。p-net是多任务卷积神经网络的第一层，要用于将可能是人脸的信息坐标提取出来，并输入至r-net；r-net是多任务卷积神经网络的第二层，用于根据上一层的p-net输入的信息坐标提取人脸数据，然后输入到一个包含128个神经元的全连接层里，以过滤掉更多的错误，最后对输出的结果进行nms算法优化；o-net是多任务卷积神经网络的第三层，用于从r-net的输出结果中提取出人脸的五个标注点信息。利用该多任务卷积神经网络即可检测出该待识别图像中是否包含了人脸图像。
33.2、若存在，则从待识别图像分割得到人脸图像，再利用预先训练好的深度神经网络提取人脸图像的特征向量，得到待识别特征向量。
34.具体地，若待识别图像中存在人脸图像，则从该待识别图像中分割得到人脸图像，其中，人脸图像的分割可通过rnn模型或fcn模型来实现。
35.3、若不存在，则跳过当前的待识别图像并继续识别下一张待识别图像。
36.具体地，当待识别图像中不存在人脸图像时，则不需要继续对该张待识别图像进行人脸识别，可继续识别下一张待识别图像。通过对待识别图像中是否存在人脸图像进行检测，从而剔除掉不存在人脸图像的待识别图像，大大提高了图像检测的效率。
37.进一步的，一张待识别图像中可能会存在多个人脸图像，此时，则需要对其中所有的人脸图像一一进行识别，因此，从待识别图像分割得到人脸图像，再利用预先训练好的深度神经网络提取人脸图像的特征向量，得到待识别特征向量的步骤，具体包括：
38.1、判断待识别图像中是否存在多个人脸图像。
39.具体地，根据多任务卷积神经网络的检测结果确认该待识别图像中是否存在多个人脸图像。
40.2、若是，则从待识别图像中分割得到至少一张人脸图像，并为每张人脸图像赋予唯一标识符。
41.具体地，当待识别图像中存在多个人脸图像时，分别对每个人脸图像进行分割，并且，为了方便区分，再对每个人脸图像打上唯一标识符，该唯一标识符可采用待识别图像的图像名称+序号的方式来实现。
42.3、利用深度神经网络提取每张人脸图像的图像特征，得到每张人脸图像的待识别特征向量。
43.具体地，在分割得到待识别图像中所有的人脸图像后，分别对每个人脸图像进行特征提取。
44.需要理解的是，当一张待识别图像中存在多个特殊人脸类型的人脸图像时，在输出特殊人脸类型识别结果时，将存在的所有特殊人脸类型统一作为该待识别图像的识别结果。
45.步骤s103：利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，特殊人脸类型预先设定，标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型。
46.需要说明的是，特殊人脸类型是指预先指定的需要进行监管的人脸类型。本实施例中，该特殊人脸类型包括真实人脸、漫画人脸和素描人脸三种。
47.具体地，在使用本实施例的异质人脸的人脸类型识别方法进行人脸类型识别之前，需要预先准备特殊人脸类型以及特殊人脸类型对应的标签特征向量，该标签特征向量根据每个特殊人脸类型对应的特殊人脸图像的图像特征向量计算得到。
48.进一步的，为了保证数据足够均衡，每个特殊人脸类型对应的特殊人脸图像的数目相同，且特殊人脸图像均为单人脸图像。
49.进一步的，标签特征向量计算过程，包括：
50.1、利用预先训练好的深度神经网络分别提取每张特殊人脸图像的图像特征向量。
51.具体地，通过预先训练好的facenet人脸识别模型分别提取每个特殊人脸类型的每张特殊人脸图像的128维图像特征向量。
52.2、根据每个特殊人脸类型对应的所有图像特征向量分别计算每个特殊人脸类型的均值特征向量和标准差特征向量，均值特征向量和标准差特征向量构成标签特征向量。
53.具体地，在得到每张特殊人脸图像的图像特征向量后，将属于同一个特殊人脸类型的所有特殊人脸图像的图像特征向量，按维度进行特征值的累加，再除以属于同一个特殊人脸类型的所有特殊人脸图像的数目，得到每个维度的均值，所有维度的均值即构成该均值特征向量。标准差特征向量利用图像特征向量和均值特征向量计算得到。在得到均值特征向量和标准差特征向量后，将两者作为特殊人脸类型的标签特征向量。
54.进一步的，利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，包括：
55.1、利用每个特殊人脸类型对应的均值特征向量和标准差特征向量的每个维度的特征值构建每个特殊人脸类型对应的每个维度的特征值范围。
56.具体地，该每个维度的特征值范围为：[均值特征向量的特征值-2*标准差特征向量的特征值，均值特征向量的特征值+2*标准差特征向量的特征值]。
[0057]
2、将待识别特征向量的各个维度的特征值分别与每个特殊人脸类型对应的每个维度的特征值范围进行比对，得到满足预设范围条件的第一特殊人脸类型，预设范围条件包括待识别特征向量的每个维度的特征值均落入第一特殊人脸类型的对应维度的特征值范围。
[0058]
3、计算第一特殊人脸类型中的每个特殊人脸图像的图像特征向量与待识别特征向量之间的欧式距离。
[0059]
4、当存在至少一个欧式距离满足预设距离条件时，保留第一特殊人脸类型，否则删除第一特殊人脸类型。
[0060]
5、选取欧式距离最小的图像特征向量对应的第一特殊人脸类型作为目标特殊人脸类型。
[0061]
进一步的，当不存在满足预设范围条件的第一特殊人脸类型或不存在满足预设距离条件的欧式距离时，将待识别图像输送人工审核。
[0062]
步骤s104：将目标特殊人脸类型作为待识别图像的人脸类型输出。
[0063]
本发明实施例的异质人脸的人脸类型识别方法通过预先构建用以表征特殊人脸类型的标签特征向量，在获取到待识别图像之后，提取待识别图中的待识别特征向量，再将待识别特征向量分别与每个标签特征向量进行比对，从而确认与该待识别特征向量最接近的目标标签特征向量，以及其对应的目标特殊人脸类型，再将该目标特殊人脸类型作为该待识别图像所属的人脸类型输出，其不需要依赖于多层结构的深度神经网络也可实现对特殊人脸图像的识别，在保证准确性的同时，计算量小、响应速度更快，所占用的系统资源少。
[0064]
图2是本发明实施例的异质人脸的人脸类型识别装置的功能模块示意图。如图2所示，该装置20包括获取模块21、提取模块22、比对模块23和输出模块24。
[0065]
获取模块21，用于获取待识别图像；
[0066]
提取模块22，用于从待识别图像中提取得到待识别特征向量；
[0067]
比对模块23，用于利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，特殊人脸类型预先设定，标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型；
[0068]
输出模块24，用于将目标特殊人脸类型作为待识别图像的人脸类型输出。
[0069]
可选地，比对模块23还用于预先计算标签特征向量，其包括：利用预先训练好的深度神经网络分别提取每张特殊人脸图像的图像特征向量；根据每个特殊人脸类型对应的所有图像特征向量分别计算每个特殊人脸类型的均值特征向量和标准差特征向量，均值特征向量和标准差特征向量构成标签特征向量。
[0070]
可选地，比对模块23执行利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型的操作，具体包括：利用每个特殊人脸类型对应的均值特征向量和标准差特征向量的每个维度的特征值构建每个特殊人脸类型对应的每个维度的特征值范围；将待识别特征向量的各个维度的特征值分别与每个特殊人脸类型对应的每个维度的特征值范围进行比对，得到满足预设范围条件的第一特殊人脸类型，预设范围条件包括待识别特征向量的每个维度的特征值均落入第一特殊人脸类型的对应维度的特征值范围；计算第一特殊人脸类型中的每个特殊人脸图像的图像特征向量与待识别特征向量之间的欧式距离；当存在至少一个欧式距离满足预设距离条件时，保留第一特殊人脸类型，否则删除第一特殊人脸类型；选取欧式距离最小的图像特征向量对应的第一特殊人脸类型作为目标特殊人脸类型。
[0071]
可选地，比对模块23还用于：当不存在满足预设范围条件的第一特殊人脸类型或
不存在满足预设距离条件的欧式距离时，将待识别图像输送人工审核。
[0072]
可选地，提取模块22执行从待识别图像中提取得到待识别特征向量的操作，具体包括：利用预先训练好的多任务卷积神经网络检测待识别图像中是否存在人脸图像；若存在，则从待识别图像分割得到人脸图像，再利用预先训练好的深度神经网络提取人脸图像的特征向量，得到待识别特征向量；若不存在，则跳过当前的待识别图像并继续识别下一张待识别图像。
[0073]
可选地，提取模块22执行从待识别图像分割得到人脸图像，再利用预先训练好的深度神经网络提取人脸图像的特征向量，得到待识别特征向量的操作，具体包括：判断待识别图像中是否存在多个人脸图像；若是，则从待识别图像中分割得到至少一张人脸图像，并为每张人脸图像赋予唯一标识符；利用深度神经网络提取每张人脸图像的图像特征，得到每张人脸图像的待识别特征向量。
[0074]
可选地，每个特殊人脸类型对应的特殊人脸图像的数目相同，且特殊人脸图像均为单人脸图像。
[0075]
关于上述实施例异质人脸的人脸类型识别装置中各模块实现技术方案的其他细节，可参见上述实施例中的异质人脸的人脸类型识别方法中的描述，此处不再赘述。
[0076]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，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。
[0077]
请参阅图3，图3为本发明实施例的计算机设备的结构示意图。如图3所示，该计算机设备30包括处理器31及和处理器31耦接的存储器32，存储器32中存储有程序指令，程序指令被处理器31执行时，使得处理器31执行上述任一实施例所述的异质人脸的人脸类型识别方法的步骤。
[0078]
其中，处理器31还可以称为cpu(central processing unit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0079]
参阅图4，图4为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令41，其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，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)执行本技术各个实施方式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，或者是计算机、服务器、手机、平板等计算机设备设备。
[0080]
在本技术所提供的几个实施例中，应该理解到，所揭露的计算机设备，装置和方法，可以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，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，机械或其它的形式。
[0081]
另外，在本发明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。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。
技术特征：1.一种异质人脸的人脸类型识别方法，其特征在于，包括：获取待识别图像；从所述待识别图像中提取得到待识别特征向量；利用所述待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，所述特殊人脸类型预先设定，所述标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型；将所述目标特殊人脸类型作为所述待识别图像的人脸类型输出。2.根据权利要求1所述的异质人脸的人脸类型识别方法，其特征在于，所述标签特征向量计算过程，包括：利用预先训练好的深度神经网络分别提取每张特殊人脸图像的图像特征向量；根据每个特殊人脸类型对应的所有图像特征向量分别计算每个特殊人脸类型的均值特征向量和标准差特征向量，所述均值特征向量和所述标准差特征向量构成所述标签特征向量。3.根据权利要求2所述的异质人脸的人脸类型识别方法，其特征在于，所述利用所述待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，包括：利用每个特殊人脸类型对应的均值特征向量和标准差特征向量的每个维度的特征值构建每个特殊人脸类型对应的每个维度的特征值范围；将所述待识别特征向量的各个维度的特征值分别与每个特殊人脸类型对应的每个维度的特征值范围进行比对，得到满足预设范围条件的第一特殊人脸类型，所述预设范围条件包括所述待识别特征向量的每个维度的特征值均落入所述第一特殊人脸类型的对应维度的特征值范围；计算所述第一特殊人脸类型中的每个特殊人脸图像的图像特征向量与所述待识别特征向量之间的欧式距离；当存在至少一个欧式距离满足预设距离条件时，保留所述第一特殊人脸类型，否则删除所述第一特殊人脸类型；选取所述欧式距离最小的图像特征向量对应的第一特殊人脸类型作为所述目标特殊人脸类型。4.根据权利要求3所述的异质人脸的人脸类型识别方法，其特征在于，所述方法还包括：当不存在满足所述预设范围条件的第一特殊人脸类型或不存在满足预设距离条件的欧式距离时，将所述待识别图像输送人工审核。5.根据权利要求1所述的异质人脸的人脸类型识别方法，其特征在于，从所述待识别图像中提取得到待识别特征向量，包括：利用预先训练好的多任务卷积神经网络检测所述待识别图像中是否存在人脸图像；若存在，则从所述待识别图像分割得到所述人脸图像，再利用预先训练好的深度神经网络提取所述人脸图像的特征向量，得到所述待识别特征向量；若不存在，则跳过当前的待识别图像并继续识别下一张待识别图像。
6.根据权利要求5所述的异质人脸的人脸类型识别方法，其特征在于，所述从所述待识别图像分割得到所述人脸图像，再利用预先训练好的深度神经网络提取所述人脸图像的特征向量，得到所述待识别特征向量，包括：判断所述待识别图像中是否存在多个人脸图像；若是，则从所述待识别图像中分割得到至少一张人脸图像，并为每张人脸图像赋予唯一标识符；利用所述深度神经网络提取每张人脸图像的图像特征，得到每张人脸图像的待识别特征向量。7.根据权利要求1所述的异质人脸的人脸类型识别方法，其特征在于，每个特殊人脸类型对应的特殊人脸图像的数目相同，且所述特殊人脸图像均为单人脸图像。8.一种异质人脸的人脸类型识别装置，其特征在于，包括：获取模块，用于获取待识别图像；提取模块，用于从所述待识别图像中提取得到待识别特征向量；比对模块，用于利用所述待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，所述特殊人脸类型预先设定，所述标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型；输出模块，用于将所述目标特殊人脸类型作为所述待识别图像的人脸类型输出。9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项权利要求所述的异质人脸的人脸类型识别方法的步骤。10.一种存储介质，其特征在于，存储有能够实现如权利要求1-7中任一项所述的异质人脸的人脸类型识别方法的程序指令。
技术总结本发明公开了一种异质人脸的人脸类型识别方法、装置、设备及存储介质，其中方法包括：获取待识别图像；从待识别图像中提取得到待识别特征向量；利用待识别特征向量分别与每个特殊人脸类型的标签特征向量进行比对，得到满足预设条件的目标特殊人脸类型，特殊人脸类型预先设定，标签特征向量由多张特殊人脸图像提取到的图像特征向量计算得到，其中，所述多张特殊人脸图像属于多个特殊人脸类型；将目标特殊人脸类型作为待识别图像的人脸类型输出。本发明通过预利用待识别图像的图像特征向量和预先构建的用于表征特殊人脸类型特征的的标签特征向量进行比对以确认待识别图像中的人脸图像所属的特殊人脸类型，其识别准确率高、响应速度快、可解释性强。可解释性强。可解释性强。
技术研发人员：敖琦
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：2022.06.29
技术公布日：2022/11/1
