人脸选取方法、装置、设备及计算机可读存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种人脸选取的方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别分为1比1人脸识别和1比n人脸识别，1比1人脸识别即为一张底图照片和一张待比对图片中的人脸进行比对，来判断是否是同一个人。
3.人脸检测是人脸识别中必不可少的步骤。在人脸检测过程中，检测的结果有很多，首先需要设定一个阈值score_th，低于这个阈值的就认为是不可信的结果，删除即可；高于这个阈值的可信度比较高，需要保留进一步处理。由于在不同光照环境条件下，真实人脸的置信度得分会有变化，因此，阈值score_th会稍微设置低一点，保证真实的结果不会被删除。
4.然而在实际应用过程中，有时候一张图片中会出现两张或者更多张人脸的情况，这时候就需要选取其中一张人脸，选取的方法一般有：选取方法1.根据置信度的得分排序，然后选取最高得分的结果作为输出；选取方法2选取图像中面积最大的作为输出。
5.例如，示例1展示的是两个真实的人脸，置信度得分0.989的人脸距离屏幕比较近，置信度得分0.997的人脸距离屏幕比较远；示例2展示的是一个真实的人脸(置信度得分0.9933)和一个假的人脸(置信度得分0.77)，假的人脸可能是墙上放大后的照片，也可能是屏幕中的人脸等；示例3展示的是光线不好的条件下的真实的人脸(置信度得分只有0.873)。
6.如果按照选取方法1可以正确处理示例2，但不能正确处理示例1；如果按照选取方法2可以正确处理示例1，但不能正确处理示例2；如果提高阈值score_th(例如设定阈值score_th＝0.9)，可以过滤掉示例2中的假人脸，但同时示例3中的真实人脸也同时被过滤掉了。
7.因此，通过上述的两种方法选取的用于人脸识别的人脸的精准性较差，存在误删除真实结果的可能性。


技术实现要素：

8.本发明提供一种人脸选取方法、装置、电子设备及计算机可读存储介质，其主要目的在于能够解决现有技术中，用于人脸识别的人脸选取的结果精准性较差、存在误删除真实结果的可能性等问题。
9.第一方面，为实现上述目的，本发明提供的一种人脸选取方法，所述方法包括：
10.对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到
人脸置信度；
11.从所述场景图片中选取所述人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和所述第一人脸集合的人脸置信度集合；
12.根据所述第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值；
13.从所述第一人脸集合中选取人脸置信度高于所述自适应置信度阈值的人脸，作为第二人脸集合；
14.根据近大远小的原则，从所述第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
15.第二方面，为了解决上述问题，本发明还提供一种人脸选取装置，所述装置包括：
16.人脸置信度计算模块，用于对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度；
17.预设置信度筛选模块，用于从所述场景图片中选取所述人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和所述第一人脸集合的人脸置信度集合；
18.自适应置信度阈值确定模块，用于根据所述第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值；
19.自适应置信度筛选模块，用于从所述第一人脸集合中选取人脸置信度高于所述自适应置信度阈值的人脸，作为第二人脸集合；
20.人脸面积计算模块，用于根据近大远小的原则，从所述第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
21.第三方面，为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
22.存储器，存储至少一个指令；及
23.处理器，执行所述存储器中存储的指令以实现上述所述的人脸选取方法的步骤。
24.第四方面，为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的人脸选取方法。
25.本发明提出的人脸选取方法、装置、电子设备及计算机可读存储介质，通过针对真实场景中出现的人脸置信度检测结果的情况，通过预设人脸置信度阈值、自适应置信度阈值和近大远小的原则相互结合，最终选取最适合作为人脸识别对象的人脸，保证了人脸检测结果的精准输出，从而对人脸识别的准确性提供了有力保障。
附图说明
26.图1为本发明一实施例提供的人脸选取方法的流程示意图；
27.图2为本发明一实施例提供的人脸选取装置的模块示意图；
28.图3为本发明一实施例提供的实现人脸选取方法的电子设备的内部结构示意图；
29.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
30.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
31.本发明提供一种人脸选取方法。参照图1所示，为本发明一实施例提供的人脸选取方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
32.在本实施例中，人脸选取方法包括：
33.步骤s110、对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度。
34.具体的，用于人脸识别的装置，例如，签到装置，带有人脸识别功能的软件，如支付宝的扫脸支付等，当进行人脸识别时，通过摄像装置获取当前场景下的图片，从当前场景图片中，选取合适的人脸进行识别，此时，人脸识别属于1比1人脸识别，但是，若当前的场景图片中有多张人脸时，则需要从多张人脸中选取最合适的人脸作为识别对象。例如，当使用支付宝进行扫脸支付的过程中，使用者所在的场景中存在电视画面中的人脸、墙上挂着的带有人脸的照片和坐在其旁边的朋友的脸等，此时，处理器将获取到的场景图片中的每张人脸都进行置信度计算处理，得到人脸置信度。
35.作为本发明的一个可选实施例，在对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度之前，还包括：
36.根据获取的人脸识别指令，触发场景图片截取指令；
37.根据场景图片截取指令，从当前场景中截取场景图片；
38.对场景图片进行初步人脸识别，当场景图片中识别到至少两张人脸时，生成人脸选取指令。
39.具体的，当使用者触发人脸识别功能时，例如点开扫脸支付功能时，则同时触发与该功能关联的场景图片截取指令，根据场景图片截取指令，从当前摄像装置拍摄到的场景中截取场景图片，当识别到场景图片中至少两张人脸时，生成人脸选取指令，根据人脸选取指令对场景图片中的每张人脸均进行人脸置信度计算。
40.作为本发明的一个可选实施例，对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度包括：
41.通过人脸检测技术对场景图片进行人脸检测，将对检测到的人脸进行标记处理，得到带有标记的人脸；
42.通过人脸提取技术将带有标记的人脸进行人脸提取处理，得到初步人脸；
43.通过人脸置信度计算模型，对初步人脸进行置信度计算处理，得到人脸置信度。
44.具体的，可通过人脸检测软件对场景图片中的人脸进行标记，标记后通过人脸提取软件对标记的人脸进行提取，其中人脸检测软件和人脸提取软件均可选择本领域常用的软件。为了能够快速确认初步人脸是否真的为人脸，需要进行人脸置信度计算处理，其中，人脸置信度计算模型可通过收集样本数据对神经网络模型进行训练得到。
45.作为本发明的一个可选实施例，人脸置信度计算模型包括：
46.用于输入初步人脸的人脸输入层、用于对人脸输入层的人脸进行人脸特点坐标划分的人脸特点划分层、用于对人脸特点划分层得到的人脸部分特征进行置信度计算的部分置信度计算层、用于根据部分置信度计算层得到的人脸部分置信度组合成人脸新特征的人脸特征组合层、用于对人脸特征组合层得到的人脸新特征进行全局线性回归处理得到人脸置信度的回归层和用于将回归层得到的人脸置信度进行输出处理的人脸置信度输出层。
47.具体的，通过人脸输入层将初步人脸输入至模型中，通过特点划分层对初步人脸
进行特点划分，例如，对眼睛部位、嘴巴部位、鼻子部位等关键部位进行特点坐标划分；然后通过部分置信度计算层对每个人脸部位进行置信度计算，例如对眼睛部位进行置信度计算，其中，置信度计算的方法可选择本领域常用的置信度区间计算方法，即，选取一些点作为样本，进行区间计算，得到人脸部分置信度，然后根据人脸部分置信度重新组合初步人脸的特征，再通过全局线性回归，得到人脸置信度，并通过人脸置信度输出层输出。
48.步骤s120、从场景图片中选取人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和第一人脸集合的人脸置信度集合。
49.具体的，预设人脸置信度阈值可根据经验或者经过大量测试数据的测试结果分析之后设定，主要目的是除去人脸置信度很低的结果，即，几乎可确定为假人脸的人脸，例如，人脸油画。从而得到置信度更高些的第一人脸集合和第一人脸集合的人脸置信度集合。
50.作为本发明的一个可选实施例，预设人脸置信度阈值存储于区块链中，从场景图片中选取人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和第一人脸集合的人脸置信度集合包括：
51.将场景图片中的每张人脸的置信度逐一与预设人脸置信度阈值进行比较；
52.将数值高于预设人脸置信度阈值的人脸置信度所对应的人脸进行保留，筛除场景图片中的其余人脸，得到第一人脸集合和第一人脸集合的置信度集合。
53.具体的，将场景图片中所有人脸的人脸置信度逐一与预设人脸置信度阈值进行比较，人脸置信度的数值高于预设人脸置信度阈值的人脸保留，作为第一人脸集合，低于或等于预设人脸置信度阈值的人脸筛除，不再参与下一步的执行操作。
54.步骤s130、根据第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值。
55.具体的，通过收集大量真实人脸置信度数据进行分析，经过分析得到真实的人脸在同一个的场景下置信度得分相差不是很大，一般在0.01之内，通过上述真实人脸置信度浮动范围能够确定出用于作为真实人脸与假人脸边界线的自适应置信度阈值，通过自适应置信度阈值对第一人脸集合的人脸进一步筛选，除去假人脸。
56.作为本发明的一个可选实施例，根据第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值包括：
57.从第一人脸集合的人脸置信度集合中选取数值最大的人脸置信度，作为人脸置信度最大值；
58.根据人脸置信度最大值，通过自适应置信度阈值计算公式，计算出自适应置信度阈值；其中，自适应置信度阈值计算公式为：mart_score_th＝max_score
‑
0.01；其中，mart_score_th为自适应置信度阈值，max_score为人脸置信度最大值。
59.具体的，在第一人脸集合中第一人脸的人脸置信度最可能是真实人脸，而真实人脸之间的置信度一般在0.01之内波动，因此，通过自适应置信度阈值计算公计算得到的自适应置信度阈值选取到的一般为真实人脸。
60.步骤s140、从第一人脸集合中选取人脸置信度高于自适应置信度阈值的人脸，作为第二人脸集合。
61.具体的，将第一人脸集合的置信度集合逐一与自适应置信度阈值进行比较；将数值高于自适应置信度阈值的第一人脸置信度的人脸进行保留，筛除场景图片数值低于等于
预设自适应置信度阈值的第一人脸置信度所对应的第一人脸，得到第二人脸集合。此时，第二人脸集合中的人脸一般为真实人脸。
62.步骤s150、根据近大远小的原则，从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
63.具体的，为达到最好的人脸识别效果，一般选取距离摄像装置的镜头最近的人脸进行识别，因此，根据近大远小的原则，从场景图片选取面积最大的第二人脸集合中的人脸作为人脸识别对象的人脸选取结果。
64.作为本发明的一个可选实施例，根据近大远小的原则，从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果包括：
65.对场景图片中的第二人脸进行面积计算处理，根据场景图片中第二人脸所占区域面积从大到小的顺序进行排序；
66.从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
67.具体的，通过计算第二人脸在场景图片中所占的面积，根据排序，容易选取面积最大的第二人脸，并将该面积最大的第二人脸作为人脸识别对象，即人脸选取的最终结果。
68.如图2所示，是本发明一个实施例的人脸选取装置的功能模块图。
69.本发明所述人脸选取装置200可以安装于电子设备中。根据实现的功能，所述人脸选取装置可以包括人脸置信度计算模块210、预设置信度筛选模块220、自适应置信度阈值确定模块230、自适应置信度筛选模块240、人脸面积计算模块250。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
70.在本实施例中，关于各模块/单元的功能如下：
71.人脸置信度计算模块210，用于对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度。
72.具体的，用于人脸识别的装置，例如，签到装置，带有人脸识别功能的软件，如支付宝的扫脸支付等，当进行人脸识别时，通过摄像装置获取当前场景下的图片，从当前场景图片中，选取合适的人脸进行识别，此时，人脸识别属于1比1人脸识别，但是，若当前的场景图片中有多张人脸时，则需要从多张人脸中选取最合适的人脸作为识别对象。例如，当使用支付宝进行扫脸支付的过程中，使用者所在的场景中存在电视画面中的人脸、墙上挂着的带有人脸的照片和坐在其旁边的朋友的脸等，此时，处理器将获取到的场景图片中的每张人脸都进行置信度计算处理，得到人脸置信度。
73.作为本发明的一个可选实施例，在对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度之前，还包括：
74.根据获取的人脸识别指令，触发场景图片截取指令；
75.根据场景图片截取指令，从当前场景中截取场景图片；
76.对场景图片进行初步人脸识别，当场景图片中识别到至少两张人脸时，生成人脸选取指令。
77.具体的，当使用者触发人脸识别功能时，例如点开扫脸支付功能时，则同时触发与该功能关联的场景图片截取指令，根据场景图片截取指令，从当前摄像装置拍摄到的场景
中截取场景图片，当识别到场景图片中至少两张人脸时，生成人脸选取指令，根据人脸选取指令对场景图片中的每张人脸均进行人脸置信度计算。
78.作为本发明的一个可选实施例，对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度包括：
79.通过人脸检测技术对场景图片进行人脸检测，将对检测到的人脸进行标记处理，得到带有标记的人脸；
80.通过人脸提取技术将带有标记的人脸进行人脸提取处理，得到初步人脸；
81.通过人脸置信度计算模型，对初步人脸进行置信度计算处理，得到人脸置信度。
82.具体的，可通过人脸检测软件对场景图片中的人脸进行标记，标记后通过人脸提取软件对标记的人脸进行提取，其中人脸检测软件和人脸提取软件均可选择本领域常用的软件。为了能够快速确认初步人脸是否真的为人脸，需要进行人脸置信度计算处理，其中，人脸置信度计算模型可通过收集样本数据对神经网络模型进行训练得到。
83.作为本发明的一个可选实施例，人脸置信度计算模型包括：
84.用于输入初步人脸的人脸输入层、用于对人脸输入层的人脸进行人脸特点坐标划分的人脸特点划分层、用于对人脸特点划分层得到的人脸部分特征进行置信度计算的部分置信度计算层、用于根据部分置信度计算层得到的人脸部分置信度组合成人脸新特征的人脸特征组合层、用于对人脸特征组合层得到的人脸新特征进行全局线性回归处理得到人脸置信度的回归层和用于将回归层得到的人脸置信度进行输出处理的人脸置信度输出层。
85.具体的，通过人脸输入层将初步人脸输入至模型中，通过特点划分层对初步人脸进行特点划分，例如，对眼睛部位、嘴巴部位、鼻子部位等关键部位进行特点坐标划分；然后通过部分置信度计算层对每个人脸部位进行置信度计算，例如对眼睛部位进行置信度计算，其中，置信度计算的方法可选择本领域常用的置信度区间计算方法，即，选取一些点作为样本，进行区间计算，得到人脸部分置信度，然后根据人脸部分置信度重新组合初步人脸的特征，再通过全局线性回归，得到人脸置信度，并通过人脸置信度输出层输出。
86.预设置信度筛选模块220，用于从场景图片中选取人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和第一人脸集合的人脸置信度集合。
87.具体的，预设人脸置信度阈值可根据经验或者经过大量测试数据的测试结果分析之后设定，主要目的是除去人脸置信度很低的结果，即，几乎可确定为假人脸的人脸，例如，人脸油画。从而得到置信度更高些的第一人脸集合和第一人脸集合的人脸置信度集合。
88.作为本发明的一个可选实施例，预设人脸置信度阈值存储于区块链中，从场景图片中选取人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和第一人脸集合的人脸置信度集合包括：
89.将场景图片中的每张人脸的置信度逐一与预设人脸置信度阈值进行比较；
90.将数值高于预设人脸置信度阈值的人脸置信度所对应的人脸进行保留，筛除场景图片中的其余人脸，得到第一人脸集合和第一人脸集合的置信度集合。
91.具体的，将场景图片中所有人脸的人脸置信度逐一与预设人脸置信度阈值进行比较，人脸置信度的数值高于预设人脸置信度阈值的人脸保留，作为第一人脸集合，低于或等于预设人脸置信度阈值的人脸筛除，不再参与下一步的执行操作。
92.自适应置信度阈值确定模块230，用于根据所述第一人脸集合的人脸置信度集合，
通过真实人脸置信度浮动范围，确定自适应置信度阈值。
93.具体的，通过收集大量真实人脸置信度数据进行分析，经过分析得到真实的人脸在同一个的场景下置信度得分相差不是很大，一般在0.01之内，通过上述真实人脸置信度浮动范围能够确定出用于作为真实人脸与假人脸边界线的自适应置信度阈值，通过自适应置信度阈值对第一人脸集合的人脸进一步筛选，除去假人脸。
94.作为本发明的一个可选实施例，根据第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值包括：
95.从第一人脸集合的人脸置信度集合中选取数值最大的人脸置信度，作为人脸置信度最大值；
96.根据人脸置信度最大值，通过自适应置信度阈值计算公式，计算出自适应置信度阈值；其中，自适应置信度阈值计算公式为：mart_score_th＝max_score
‑
0.01；其中，mart_score_th为自适应置信度阈值，max_score为人脸置信度最大值。
97.具体的，在第一人脸集合中第一人脸的人脸置信度最可能是真实人脸，而真实人脸之间的置信度一般在0.01之内波动，因此，通过自适应置信度阈值计算公计算得到的自适应置信度阈值选取到的一般为真实人脸。
98.自适应置信度筛选模块240，用于从第一人脸集合中选取人脸置信度高于自适应置信度阈值的人脸，作为第二人脸集合。
99.具体的，将第一人脸集合的置信度集合逐一与自适应置信度阈值进行比较；将数值高于自适应置信度阈值的第一人脸置信度的人脸进行保留，筛除场景图片数值低于等于预设自适应置信度阈值的第一人脸置信度所对应的第一人脸，得到第二人脸集合。此时，第二人脸集合中的人脸一般为真实人脸。
100.人脸面积计算模块250，用于根据近大远小的原则，从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
101.具体的，为达到最好的人脸识别效果，一般选取距离摄像装置的镜头最近的人脸进行识别，因此，根据近大远小的原则，从场景图片选取面积最大的第二人脸集合中的人脸作为人脸识别对象的人脸选取结果。
102.作为本发明的一个可选实施例，根据近大远小的原则，从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果包括：
103.对场景图片中的第二人脸进行面积计算处理，根据场景图片中第二人脸所占区域面积从大到小的顺序进行排序；
104.从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
105.具体的，通过计算第二人脸在场景图片中所占的面积，根据排序，容易选取面积最大的第二人脸，并将该面积最大的第二人脸作为人脸识别对象，即人脸选取的最终结果。
106.如图3所示，是本发明一个实施例实现人脸选取方法的电子设备的结构示意图。
107.所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如人脸选取程序12。
108.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘
等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如人脸选取程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
109.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如人脸选取程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
110.所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
111.图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
112.例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
113.进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
114.可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
115.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
116.所述电子设备1中的所述存储器11存储的人脸选取程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
117.对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度；
118.从场景图片中选取人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和第一人脸集合的人脸置信度集合；
119.根据第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值；
120.从第一人脸集合中选取人脸置信度高于自适应置信度阈值的人脸，作为第二人脸集合；
121.根据近大远小的原则，从第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。
122.具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述所述预设人脸置信度阈值的私密和安全性，上述预设人脸置信度阈值还可以存储于一区块链的节点中。
123.进一步地，所述电子设备1集成的模块/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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
124.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
125.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
126.另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
127.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
128.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
129.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
130.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中
陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
131.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种人脸选取方法，应用于电子装置，其特征在于，所述方法包括：对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度；从所述场景图片中选取所述人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和所述第一人脸集合的人脸置信度集合；根据所述第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值；从所述第一人脸集合中选取人脸置信度高于所述自适应置信度阈值的人脸，作为第二人脸集合；根据近大远小的原则，从所述第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。2.根据权利要求1所述的人脸选取方法，其特征在于，在对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度之前，还包括：根据获取的人脸识别指令，触发场景图片截取指令；根据所述场景图片截取指令，从当前场景中截取场景图片；对所述场景图片进行初步人脸识别，当所述场景图片中识别到至少两张人脸时，生成人脸选取指令。3.根据权利要求1所述的人脸选取方法，其特征在于，所述对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度包括：通过人脸检测技术对所述场景图片进行人脸检测，将对检测到的人脸进行标记处理，得到带有标记的人脸；通过人脸提取技术将带有标记的人脸进行人脸提取处理，得到初步人脸；通过人脸置信度计算模型，对所述初步人脸进行置信度计算处理，得到人脸置信度。4.根据权利要求3所述的人脸选取方法，其特征在于，所述人脸置信度计算模型包括：用于输入初步人脸的人脸输入层、用于对所述人脸输入层的人脸进行人脸特点坐标划分的人脸特点划分层、用于对所述人脸特点划分层得到的人脸部分特征进行置信度计算的部分置信度计算层、用于根据所述部分置信度计算层得到的人脸部分置信度组合成人脸新特征的人脸特征组合层、用于对所述人脸特征组合层得到的人脸新特征进行全局线性回归处理得到人脸置信度的回归层和用于将所述回归层得到的人脸置信度进行输出处理的人脸置信度输出层。5.根据权利要求1所述的人脸选取方法，其特征在于，所述预设人脸置信度阈值存储于区块链中，所述从所述场景图片中选取所述人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和所述第一人脸集合的人脸置信度集合包括：将所述场景图片中的每张人脸的置信度逐一与所述预设人脸置信度阈值进行比较；将数值高于所述预设人脸置信度阈值的人脸置信度所对应的人脸进行保留，筛除所述场景图片中的其余人脸，得到第一人脸集合和所述第一人脸集合的置信度集合。6.根据权利要求1所述的人脸选取方法，其特征在于，所述根据所述第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值包括：从所述第一人脸集合的人脸置信度集合中选取数值最大的人脸置信度，作为人脸置信
度最大值；根据所述人脸置信度最大值，通过自适应置信度阈值计算公式，计算出自适应置信度阈值；其中，所述自适应置信度阈值计算公式为：mart_score_th＝max_score
‑
0.01；其中，mart_score_th为自适应置信度阈值，max_score为人脸置信度最大值。7.根据权利要求1所述的人脸选取方法，其特征在于，所述根据近大远小的原则，从所述第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果包括：对所述场景图片中的第二人脸进行面积计算处理，根据所述场景图片中第二人脸所占区域面积从大到小的顺序进行排序；从所述第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。8.一种人脸选取装置，其特征在于，所述装置包括：人脸置信度计算模块，用于对带有至少两张人脸的场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度；预设置信度筛选模块，用于从所述场景图片中选取所述人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和所述第一人脸集合的人脸置信度集合；自适应置信度阈值确定模块，用于根据所述第一人脸集合的人脸置信度集合，通过真实人脸置信度浮动范围，确定自适应置信度阈值；自适应置信度筛选模块，用于从所述第一人脸集合中选取人脸置信度高于所述自适应置信度阈值的人脸，作为第二人脸集合；人脸面积计算模块，用于根据近大远小的原则，从所述第二人脸集合中选取在所述场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。9.一种电子设备，其特征在于，所述电子设备包括：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执行如权利要求1至7中任一所述的人脸选取方法的步骤。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的人脸选取方法。
技术总结
本发明涉及人工智能技术，揭露一种人脸选取方法，包括：对场景图片中的每张人脸均进行人脸置信度计算处理，得到人脸置信度；从场景图片中选取人脸置信度高于预设人脸置信度阈值的人脸，得到第一人脸集合和第一人脸集合的人脸置信度集合；通过真实人脸置信度浮动范围，确定自适应置信度阈值；从第一人脸集合中选取人脸置信度高于自适应置信度阈值的人脸，作为第二人脸集合；从第二人脸集合中选取在场景图片中占据面积最大的人脸，作为人脸识别对象的人脸选取结果。本发明还涉及区块链技术，预设人脸置信度阈值存储于区块链中。本发明能够解决现有技术中，用于人脸识别的人脸选取的结果精准性较差、存在误删除真实结果的可能性等问题。等问题。等问题。


技术研发人员：赵振兴 曹锋铭
受保护的技术使用者：平安国际智慧城市科技股份有限公司
技术研发日：2021.04.30
技术公布日：2021/7/8