CN103136533A - 基于动态阈值的人脸识别方法及装置 - Google Patents

Abstract

本发明提供一种基于动态阈值的人脸识别方法及装置，该方法包括：人脸识别步骤，用于将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；聚类特征获取步骤，用于分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；类别确定步骤，用于将所述聚类特征输入预先确定的场景类别模型中，以确定聚类特征的场景类别；判断步骤，用于选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于阈值时判断为人脸识别通过。本发明在解决无约束场景下阈值确定问题的同时，提升了人脸识别的通过率。

Description

基于动态阈值的人脸识别方法及装置

技术领域

本发明涉及计算机图像处理和模式识别领域，特别涉及一种基于动态阈值的人脸识别方法及装置。

背景技术

作为身份识别的有效技术，近年来人脸识别技术得到迅速发展和广泛应用。在过去的几十年里，人脸识别已在商业和执法部门得到广泛应用，例如刑事鉴定、信用卡识别、安全系统、现场监控、门禁考勤等。

随着在实际中应用的推广，人脸识别存在的问题和难点也逐渐凸显出来。应用场景的变化，如光照、姿态和表情的变化，可能会导致一个人在不同环境下的差异性大于不同人在相同环境下的差异性。此外，化妆、遮挡及年龄等因素也会增加人脸识别的困难。在无约束场景应用中，作为主要的影响因素，光照变化、姿态变化和表情变化在增加识别难度的同时，也会影响不同场景中识别的通过阈值的设定。注册图片和识别图片在同一光照环境以及不同光照环境下、同一姿态和不同姿态下、相同表情和不同表情下识别的通过阈值会有较大差异，因此在无约束场景应用下，面临的难题是：人脸识别的通过阈值在控制误识的情况下要尽可能地提升各种应用场景下的人脸识别通过率。

发明内容

本发明提供一种基于动态阈值的人脸识别方法和装置，能够在有效控制误识的情况下提升人脸的识别通过率。

本发明的人脸识别方法，包括：人脸识别步骤，用于将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；聚类特征获取步骤，用于分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；类别确定步骤，用于将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；判断步骤，用于选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断为人脸识别通过。

本发明的基于动态阈值的人脸识别装置，包括：人脸识别单元，用于将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；聚类特征获取单元，用于分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；类别确定单元，用于将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；判断单元，用于选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断为人脸识别通过。

本发明所述的人脸识别方法和装置中提出的光照特征，可以鲁棒地反映图片采集环境的光照条件，基于聚类的思想来确定动态阈值，在解决无约束场景下阈值确定问题的同时，提升了识别通过率，实现了在控制误识的同时，自适应地选择阈值进行通过判断，有效地提高了识别通过率。

附图说明

图1是示出本发明实施例的人脸识别方法的示意图。

图2是示出本发明实施例的训练过程和识别过程的示意图。

图3是示出本发明实施例的人脸识别装置的示意图。

具体实施方式

本发明的目的在于提供一种基于动态阈值的人脸识别方法及装置。该方法根据采集到的不同应用场景下的测试人脸图片集合和注册人脸图片集合，分别将每种场景条件下的测试人脸图片与注册人脸图片进行匹配识别，将注册人脸图片中与所述测试人脸图片相似度最高的图片与所述测试人脸图片组成注册-识别对；分别提取获得的注册-识别对中的注册人脸图片和测试人脸图片的场景特征，结合构造注册-识别对步骤获得的该注册-识别对对应的相似度得分，生成聚类特征；进行聚类，得到聚类类别模型；然后针对每种聚类类别分别计算指定误识下的通过阈值，进而设定多个阈值。

在识别时，首先将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；最后，选择与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断人脸识别通过。实现了在不同应用场景下的人脸识别阈值的动态选择从而实现识别通过率的提升。

本发明所述的场景包括：光照、姿态、表情等。根据不同的应用，选择对识别率影响较大的场景，能够使本发明的方法达到最佳效果。在选择不同的场景时，要相应地采集该场景的各种变化情况下的人脸图片，以构造测试图片集和注册图片集。

本发明提供一种人脸识别方法，如图1所示，包括：

人脸识别步骤(S101)，用于将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；

聚类特征获取步骤(S102)，用于分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；

类别确定步骤(S103)，用于将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；以及

判断步骤(S104)，用于选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断为人脸识别通过。

在本发明的人脸识别方法的一实施例中，以光照作为选择的场景，适用于人脸识别应用与光照变化比较大的情况下。对于待识别的人脸图片，本发明首先进行识别以获得待识别人脸图片的识别结果；提取所述待识别人脸图片和与所述待识别人脸图片相似度最高的模板人脸图片的光照特征，然后结合识别结果，构造出聚类特征；判断所述聚类特征在预先训练的光照类别模型中的所属类别，根据该所属类别对应的阈值判断是否识别通过。其中，所述识别结果包括相似度得分。

在进行人脸识别之前，首先要训练场景类别模型，本实施例以训练光照类别模型为例。为保证聚类学习的泛化性，本发明的实施例在训练光照类别模型的过程中，需要采集不同光照条件下的人脸图片，并构造出不同光照条件的测试人脸图片集合和注册人脸图片集合。如，基于配置相同的图像采集设备，在室内外不同光照条件下，分别采集人脸图片，标记整理，分成K种光照条件，对于测试人脸图片集合和注册人脸图片集合，分别建立K个光照类别样本。然后利用人脸识别算法进行不同组合的注册和识别实验，记录识别结果。

图2示出的是包括本发明图1所示的人脸识别方法的识别过程和与该识别过程相关的训练过程的整体技术流程图。下面将通过方法举例来详细介绍本发明的技术方案。

在本发明的实施例中，训练过程包括图2左侧所示的六个步骤，具体说明如下。

首先，如步骤S1(采集步骤)所示，采集多种光照条件下的人脸图片，以获得测试人脸图片集合和注册人脸图片集合。由于在不同光照条件下，人脸识别通过阈值的设定不同。为解决无约束光照条件下的动态阈值选择问题，训练样本集需要涵盖各种光照条件下的样本。在本发明的实施例中，利用测光计得到的光照值来衡量场景中光照环境的变化。根据实测，室内环境下，面部光照值范围在3000LUX以内。室外环境中，面部光照值范围可达到100000LUX。

根据室内外光照值范围以及采集到的图片效果，可以将光照值范围进行分段划分，保证每个光照值范围中都有相对应的人脸图片集，并且图片数目相一致。此外，为构造后述的注册-识别对，在采集不同光照条件的人脸图片时，需要保证每个光照范围段中包含同一批人的注册图片和测试图片。

当聚类方法采用有监督学习时，需要根据采集时的光照值范围对人脸图片进行类别标记，如光照值范围共分为K段，则测试人脸图片集合和注册人脸图片集合可分别标记为K类。若聚类方法采用无监督学习，则无需标记每张人脸图片采集时的光照类别。

若采集的测试人脸图片集合和注册人脸图片集合的光照条件不确定，则需要分别提取测试人脸图片集合和注册人脸图片集合中的图片的光照特征，根据提取到的光照特征分别将测试人脸图片集合和注册人脸图片集合分成K类，并将测试人脸图片集合和注册人脸图片集合中的图片进行类别标记。

接下来，如步骤S2(构造注册-识别对步骤)所示，分别将每种光照条件下的测试人脸图片与注册人脸图片进行匹配识别，将注册人脸图片中与所述测试人脸图片相似度最高的图片与所述测试人脸图片组成注册-识别对。

在步骤S2中，将同一批人不同光照类别(光照值范围)下的测试人脸图片和注册人脸图片分别进行匹配识别。假设采集到的测试人脸图片集和注册人脸图片集共有K个光照类别，K为大于1的自然数，则可得到K*K种识别组合。针对每一种注册-识别组合，分别对其中的注册人脸图片和测试人脸图片进行人脸定位、图片归一化、提取特征；然后通过计算每一张注册人脸图片的特征和测试人脸图片的特征的相似度，确定与测试人脸图片相似度最高的注册人脸图片，并将该测试人脸图片和与其相似度最高的注册人脸图片组成一个注册-识别对。保存每一个注册-识别对的测试人脸图片和注册人脸图片，以及相似度得分。分别对K*K种识别组合进行上述的识别操作，得到K*K种注册-识别对。在构造注册-识别对的过程中，根据后续聚类方法和聚类特征的不同，需要保存的识别结果不同。在本发明中，对于无监督学习，需要保存识别对应的注册人脸图片、识别相似度得分；而对于有监督学习，在记录识别对应的注册人脸图片的同时，需要记录注册人脸图片的光照标签。

然后，如步骤S3(构造场景类别训练集步骤)所示，分别提取获得的注册-识别对中的注册人脸图片和测试人脸图片的光照特征，结合构造注册-识别对步骤获得的该注册-识别对的相似度得分，生成聚类特征，所有注册-识别对的聚类特征构成场景类别训练集。

在无约束光照场景应用中，即光源多变的场景中，光照特征无法直接获取，只能通过分析采集到人脸图片特征来提取环境的光照特征。因此采集到各种光照条件下的人脸图片后，需要从人脸图片中提取出与采集环境相关的光照特征，进而得到图片的光照特征。

图片本身的统计信息如灰度均值、方差等在一定程度上可以反映图片的亮度信息，可以作为简单的光照特征，但由于图片本身受阴影和噪声等的影响，图片本身的统计信息不能准确的反映出环境光信息。而在人脸识别应用中，如何消除光照变化对识别的影响一直是主要研究课题之一。现有的光照处理研究中，有一类方法是通过提取图片的光照不变量来实现光照处理，即去光照方法(参见CN 102214292A2-人脸图片的光照处理方法)，在此类方法中，研究方向之一是提取光照特征，进而获取光照不变信息。在本实施例基于此类去光照处理方法，来获取图片的光照特征。

通过提取光照特征来实现光照处理的典型方法之一是Retinex(SSR、MSR、SQI等)方法，Retinex方法使用高斯滤波核，对图像进行平滑来估计光照特征。在本实施例中，以单尺度Retinex光照处理方法为例，对归一化后的人脸图片进行平滑计算，将得到的光照特征进行PCA降维处理后作为图片的光照特征，参与光照类别训练。本实施例采用的光照特征估计方法已为本领域的技术人员所熟知，本发明在此不再赘述。

在提取出所有图片的光照特征后，根据注册人脸图片和测试人脸图片的光照特征，结合构造注册-识别对步骤获得的该注册-识别对的相似度得分，生成聚类特征，构造聚类特征，进行聚类学习。构造聚类特征的方法有很多种，如将注册人脸图片的光照特征做为前m维，将测试人脸图片的光照特征做为第m+1至第2*m维，将相似度得分作为第2*m+1维，共同组成聚类特征；或者将注册人脸图片的光照特征和测试人脸图片的光照特征进行矢量计算，然后再结合相似度得分生成聚类特征。本发明对生成聚类特征的具体方法不作限定。所有注册-识别对的聚类特征构成光照类别训练集。

然后，如步骤S4(场景类别模型生成步骤)所示，利用聚类方法，包括有监督的聚类方法LVQ方法、SVM方法、BP神经网络方法等以及无监督聚类方法K-均值方法、ISODATA方法、竞争学习方法等，对光照类别训练集进行聚类学习，得到光照类别模型。针对每种光照类别，基于其对应的注册-识别对的识别相似度得分来分别确定特征误识下的阈值，与光照类别模型结合构成无约束光照条件下的人脸识别的多阈值方案。

本发明利用注册-识别对所对应的光照特征和识别相似度得分，来构造聚类特征。根据实际应用不同，可以构造出不同的包含注册信息和识别信息的聚类特征。以SSR光照特征为例，聚类特征可由三部分信息组成，测试图片光照特征、对应的注册图片光照特征以及识别相似度得分。在有监督聚类中，对于一个注册-识别对，还要进行类别标记。若有K种光照条件下的图片集，在聚类特征中，共有K*K种类别标签。

所有的注册-识别对的聚类特征放在一起，构成光照类别训练集。然后采用聚类方法，对训练集进行聚类学习，得到光照相关的光照类别模型，该模型同时反应了测试图片和其对应的注册图片的光照条件。在本发明中，聚类方法既可使用无监督聚类，如K-均值，SODATA、竞争学习等方法，也可使用有监督聚类，如LVQ、SVM、BP神经网络等方法。以LVQ方法为例，下面将简单介绍聚类过程。

假设有M种光照类别标签，每个实例的聚类特征有d维，共有N个训练实例(注册-识别对)，则LVQ方法对应的网络结构包含d个输入神经元，M个输出神经元。LVQ方法的目的是计算大小为d*M的网络权值矩阵W，从而正确预测提供给网络的测试例的分类，在本发明中对应于测试样本的光照类别。LVQ聚类过程如下：

1)针对每个输出神经元j，初始化权向量Wj，设置初始学习率α＝α(0)；

2)从训练集中任选一注册-识别对实例，输入其聚类特征X，找出与X具有最小距离的权向量W_k，其中k＝argmin_j‖X-W_j‖；

3)调整神经元k的权向量：

若k所代表的类别与输入实例类别一致，则 $W_k^{\mathrm{new}}=W_k^{\mathrm{old}}+\mathrm{\α}(X-W_k^{\mathrm{old}});$

若k所代表的类别与输入实例类别不一致，则 $W_k^{\mathrm{new}}=W_k^{\mathrm{old}}-\mathrm{\α}(X-W_k^{\mathrm{old}});$

4)从训练集中选择新的输入实例提供给LVQ网络，返回2)，直到所有实例都提供一遍；

5)减小学习率，判断聚类停止条件，若满足则停止训练，否则返回步骤2)。

LVQ聚类结束后，M个权向量W_j，构成M种注册-识别光照类别模型。对于新的注册-识别对特征X，找出与X具有最小距离的第k个权向量，其中k＝argmin_j‖X-W_j‖，则X的光照类别为k。

在聚类完成后，执行步骤S5(阈值确定步骤)，将所有注册-识别对按照光照类别模型重新分成M个样本集，根据每个样本集中的识别结果设定在人脸识别过程中的给定误识下的阈值。所述识别结果包括：相似度的分和制定误识率。例如，设定误识率为1％，若第M个样本机内有10000张样本(注册-识别对)，则将识别相似度较低的第100个样本的相似度得分作为给定误识下的阈值，从而得到与不同光照类别对应的M个阈值。

最后，执行步骤S6，保存注册-识别光照类别模型和对应的阈值。

以下将结合图1和图2说明本发明的人脸识别过程，如图2右侧所示。

首先，执行步骤S7，预先设置模板人脸图片集，通常，每张人脸要拍摄多张人脸图片，做为模板人脸图片。

接下来，执行步骤S8(人脸识别步骤)，将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分。本步骤计算两个人脸图片相似度的方法与步骤S2中计算相似度的方法相同。对待识别人脸图片同样要进行人脸定位、归一化、特征提取。值得说明的是，模板人脸图片通常在预先设置时就已经经过了人脸定位、归一化、特征提取处理，然后计算提取的待识别的人脸图片的人脸特征与模板人脸图片的特征的相似度。确定识别比对相似度最高的模板人脸图片为待识别人脸图片对应的注册图片，保存所述注册图片以及对应的相似度得分。模板库中保存的通常是模板人脸图片中提取的特征。本发明对从人脸图片中提取的特征的种类和提取特征的方法不作限定，只要现有技术中能够用与人脸识别的人脸特征提取方法都可以，只要在步骤S2和S7和本步骤采用相同的人脸特征提取方法，并提取相同的人脸特征即可。

然后，执行步骤S9(聚类特征获取步骤)，分别提取待识别人脸图片和与待识别人脸图片相似度最高的模板人脸图片的光照特征，并结合上述相似度得分，生成聚类特征。提取光照特征的方法与步骤S3中提取测试人脸图片和注册人脸图片的光照特征的方法相同，此处不再赘述。然后，将待识别人脸图片做为测试人脸图片，将模板人脸图片做为注册人脸图片，结合步骤S8获得的待识别人脸图片相似度最高的模板人脸图片的相似度得分，参照步骤S3中的方法，生成聚类特征。

再执行步骤S10(类别确定步骤)，将获得的聚类特征输入步骤S4得到的光照类别模型W中，计算出该组聚类特征所属的类别k。最后执行步骤S11(判断步骤)，选择与类别k对应的阈值，按照第k个类别所对应的阈值来判断该待识别人脸图片是否识别通过，若高于获得的阈值则判断为识别通过，否则判断为拒绝通过。

本实施例选择的变化场景为光照，同理，在姿态或者表情的变化对识别通过率影响较大的情况下，可以选择姿态或表情做为变化的场景。例如，选择姿态作为变化场景时，在步骤S1中采集不同姿态的人脸图片集；步骤S3和S9中提取姿态特征和识别相似度得分构造聚类特征；步骤S3中生成的模型可以成为姿态特征模型。其中，姿态特征可以为人脸图片中鼻尖和嘴角的坐标等任何能代表不同人脸姿态的特征。本发明不再赘述以姿态做为场景特征的场景类别模型确定步骤，和识别过程的各步骤。

本发明提供一种基于动态阈值的人脸识别方法，这种方法涵盖了不同场景条件下人脸识别的阈值设定。对于待识别人脸图片，通过判断其注册-识别对的场景类别来自适应地选择通过阈值。经过一次训练，本发明提出的阈值设定规则可应用于变化场景条件下的人脸识别的通过判断，相对单一阈值，在不提升误识情况的同时有效地提高识别通过率。

另外，本发明还提供一种基于动态阈值的人脸识别装置。图3是示出本发明实施例的人脸识别装置的示意图。图3中的人脸识别装置包括人脸识别单元301、聚类特征获取单元302、类别确定单元303及判断单元304。人脸识别单元301参考图1中的步骤S101，将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；聚类特征获取单元302参考图1中的步骤S102，分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；类别确定单元303参考图1中的步骤S103，将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；判断单元304参考图1中的步骤S104，选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断为人脸识别通过。当变化场景为光照时，人脸识别单元301、聚类特征获取单元302、类别确定单元303及判断单元304分别参考图2中的步骤S8、S9、S10及S11进行相应操作。

上述人脸识别装置还包括采集单元、构造注册-识别对单元、构造场景类别训练集单元、场景类别模型生成单元及阈值确定单元。所述采集单元用于参考步骤S1，采集多种场景条件下的人脸图片，以获得测试人脸图片集合和注册人脸图片集合；所述构造注册-识别对单元用于参考步骤S2，分别将每种场景条件下的测试人脸图片与注册人脸图片进行匹配识别，将注册人脸图片中与所述测试人脸图片相似度最高的图片与所述测试人脸图片组成注册-识别对；所述构造场景类别训练集单元用于参考步骤S3，分别提取获得的注册-识别对中的注册人脸图片和测试人脸图片的场景特征，结合构造注册-识别对步骤获得的该注册-识别对的相似度得分，生成聚类特征，所有注册-识别对的聚类特征构成场景类别训练集；所述场景类别模型生成单元用于参考步骤S4，采用聚类方法，对场景类别训练集进行聚类学习，得到场景类别模型；所述阈值确定单元用于参考步骤S5，根据所述场景类别模型将所述注册-识别对划分为多个样本集，并根据每个样本集中的识别结果设定在人脸识别过程中的给定误识下的阈值。所述识别结果包括：相似度的分和制定误识率。

上述人脸识别装置还包括存储单元及样本分类单元，所述存储单元用于参考步骤S6，保存所述场景类别模型和在所述阈值确定单元中设定的阈值，所述样本分类单元用于在所述采集单元采集的人脸图片没有场景类别标签的情况下，分别获得由采集单元采集的测试人脸图片集合和注册人脸图片集合中的人脸图片的场景特征，按照场景特征将测试人脸图片集合和注册人脸图片集合分成多个场景条件以提供给所述构造注册-识别对单元。

为实现动态地设定阈值，本发明利用采集到的各种光照条件下的注册测试集建立光照类别模型，该光照类别模型实现了对各种应用场景下光照特征的分类建模，然后针对每种光照应用环境，分别计算给定误识下的通过阈值，自适应的解决了不同光照条件下阈值不一致问题。

总的来说，本发明通过建立光照类别模型，提出了一种动态阈值方案。该方案充分考虑了各种光照应用场景，在光照变化的人脸识别应用中，可以动态地选择与光照环境相关的阈值进行通过判断，在降低误识的同时提高人脸识别的通过率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁盘、光盘、只读存储器或随机存取存储器等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种基于动态阈值的人脸识别方法，其特征在于，包括：

人脸识别步骤，用于将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；

聚类特征获取步骤，用于分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；

类别确定步骤，用于将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；以及

判断步骤，用于选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断为人脸识别通过。

2.根据权利要求1所述的人脸识别方法，其特征在于，在所述人脸识别步骤之前还包括场景类别模型确定步骤，其中所述场景类别模型确定步骤进一步包括：

采集步骤，用于采集多种场景条件下的人脸图片，以获得测试人脸图片集合和注册人脸图片集合；

构造注册-识别对步骤，用于分别将每种场景条件下的测试人脸图片与注册人脸图片进行匹配识别，将注册人脸图片中与所述测试人脸图片相似度最高的图片与所述测试人脸图片组成注册-识别对；

构造场景类别训练集步骤，用于分别提取获得的注册-识别对中的注册人脸图片和测试人脸图片的场景特征，结合构造注册-识别对步骤获得的该注册-识别对对应的相似度得分，生成聚类特征，所有注册-识别对的聚类特征构成场景类别训练集；

场景类别模型生成步骤，用于采用聚类方法，对场景类别训练集进行聚类学习，得到场景类别模型；

阈值确定步骤，用于根据所述场景类别模型将所述注册-识别对划分为多个样本集，并根据每个样本集中的识别结果设定在人脸识别过程中的给定误识下的阈值。

3.根据权利要求2所述的人脸识别方法，其特征在于，还包括：存储步骤，用于保存所述场景类别模型和在所述阈值确定步骤中设定的阈值。

4.根据权利要求2所述的人脸识别方法，其特征在于，若所述采集步骤采集的人脸图片没有场景类别标签，则在所述采集步骤和所述构造注册-识别对步骤之间还包括样本分类步骤，用于分别获得测试人脸图片集合和注册人脸图片集合中的人脸图片的场景特征，并按照场景特征将测试人脸图片集合和注册人脸图片集合中的人脸图片分成多个场景条件。

5.根据权利要求2所述的人脸识别方法，其特征在于，当所述聚类方法为有监督聚类方法时，所述聚类特征还包括场景类别标签。

6.根据权利要求1-5任一项所述的人脸识别方法，其特征在于，所述场景为光照或姿态或表情。

7.一种基于动态阈值的人脸识别装置，其特征在于，包括：

人脸识别单元，用于将待识别人脸图片与预先设置的模板人脸图片进行匹配，以确定与待识别人脸图片相似度最高的模板人脸图片和相似度得分；

聚类特征获取单元，用于分别提取待识别的人脸图片的场景特征和与待识别人脸图片相似度最高的模板人脸图片的场景特征，并结合上述相似度得分，生成聚类特征；

类别确定单元，用于将所述聚类特征输入预先确定的场景类别模型中，以确定所述聚类特征的场景类别；以及

判断单元，用于选择预先确定的与所述场景类别相对应的阈值，并在所述相似度得分高于所述阈值时判断为人脸识别通过。

8.根据权利要求7所述的人脸识别装置，其特征在于，还包括：

采集单元，用于采集多种场景条件下的人脸图片，以获得测试人脸图片集合和注册人脸图片集合；

构造注册-识别对单元，用于分别将每种场景条件下的测试人脸图片与注册人脸图片进行匹配识别，将注册人脸图片中与所述测试人脸图片相似度最高的图片与所述测试人脸图片组成注册-识别对；

构造场景类别训练集单元，用于分别提取获得的注册-识别对中的注册人脸图片和测试人脸图片的场景特征，结合构造注册-识别对步骤获得的该注册-识别对对应的相似度得分，生成聚类特征，所有注册-识别对的聚类特征构成场景类别训练集；

场景类别模型生成单元，用于采用聚类方法，对场景类别训练集进行聚类学习，得到场景类别模型；

阈值确定单元，用于根据所述场景类别模型将所述注册-识别对划分为多个样本集，并根据每个样本集中的识别结果设定在人脸识别过程中的给定误识下的阈值。

9.根据权利要求8所述的人脸识别装置，其特征在于，还包括：存储单元，用于保存所述场景类别模型和在所述阈值确定单元中设定的阈值。

10.根据权利要求8所述的人脸识别装置，其特征在于，还包括样本分类单元，用于在所述采集单元采集的人脸图片没有场景类别标签的情况下，分别获得由采集单元采集的测试人脸图片集合和注册人脸图片集合中的人脸图片的场景特征，按照场景特征将测试人脸图片集合和注册人脸图片集合中的人脸图片分成多个场景条件以提供给所述构造注册-识别对单元。

11.根据权利要求8所述的人脸识别装置，其特征在于，当所述聚类方法为有监督聚类方法时，所述聚类特征还包括场景类别标签。

12.根据权利要求7-11任一项所述的人脸识别装置，其特征在于，所述场景为光照或姿态或表情。

Images