一种基于双目视觉测量技术的快速人脸识别方法

摘要

本发明公开了一种基于双目视觉测量技术的快速人脸识别方法，包括以下步骤：先从双目图像中提取人脸的有效特征，划分出人脸的有效区域；再利用双目视觉测量技术，对提取到的人脸区域进行大小测量；根据计算出的人脸区域大小，将人脸数据库拆分成多个人脸子数据库；最后，在识别阶段，将实际计算出的人脸区域与人脸子数据库进行对比识别。本发明将实际计算出的人脸区域与人脸子数据库进行对比识别，从而减少了识别比对的次数，大大提升了人脸识别的速度；此外本发明中利用人脸的实际大小与人脸子数据库进行对比识别，识别的误差也较小，从而有效提高了人脸识别的准确率；此外本发明的人脸识别方法还具有较好的通用性。

说明书

技术领域

本发明涉及一种基于双目视觉测量技术的快速人脸识别方法，属于人脸识别技术领域。

背景技术

近几十年来生物特征识别得到了快速发展。生物特征作为人的一种内在属性，具有很强 的自身稳定性和个体差异性，现有的生物识别技术包括：指纹识别、虹膜识别、视网膜识 别、步态识别、静脉识别和人脸识别等；其中，人脸识别由于其具有直接、友好、方便的特 点，易于被用户接受，因而得到了广泛的应用，尤其是在刑侦、安全验证系统和人机交互等 方面，涉及了计算机视觉、模式识别、人工智能、数字图像处理、神经网络、心理学、生理 学、数学等诸多研究领域。

现有技术中，专利号为201210250450.7的专利公开了一种基于双目摄像头的智能电视 人脸识别方法，主要包括以下步骤：左摄像头和右摄像头同时获取图像，分别检测人脸和人 眼，比较计算出的两个图像的差异，如果大于阈值，则判定为照片欺骗，结束识别，否则， 完成识别。该方法主要利用双目技术解决了照片欺骗的问题，但是其识别速度慢，识别准确 率也较低；专利号为201210250450.7的专利公开了“一种基于双目被动立体视觉的快速三维 人脸识别方法”，其运用搭建好的双目摄像机，进行人脸检测和采集，定位眼睛和鼻尖，构 建基准三角形，进而进行三维人脸重建，在完成三维人脸表情归一化后，运用三维人脸识别 算法进行识别，但是由于三维人脸重建和三维人脸识别的计算量较大，因而该方法的识别速 度也较慢；申请号为201410281328.5的专利申请公开了“一种基于双目立体视觉的人脸图像 识别方法”，其利用双目视觉在人脸图像中标出人脸区域，是一种人脸检测方法，但是其并 未涉及人脸识别；申请号为201310024137.6的专利申请公开了一种“基于双目立体视觉的四 目摄像机正面人脸重建方法”，其利用两个双目摄像机从正面拍摄人脸图像，将两个摄像机 拍摄的人脸图像进行融合，增强了人脸识别对姿态的鲁棒性，该方法也仅是一种人脸重建的 方法，并未涉及人脸识别；另外，张顺岚《莫建文.基于双目视觉的三维人脸识别算法》[J]. 电视技术,2014,38(9).基于双目视觉对三维人脸识别算法进行了改进，利用主动形状模型 (ASM)定位人脸图像中的特征点，结合摄像机模型参数得到其三维坐标，构建特征点距 离矩阵，最后用BP神经网络进行识别；该方法利用人脸特征点的三维坐标训练神经网络进 行识别，但是其识别速度慢，识别准确率也较低；周佳立、张树有、杨国平.《基于双目被 动立体视觉的三维人脸重构与识别》[J].自动化学报,2009,35(2).利用上下两平行光轴摄像机 建立的双目视觉系统采集人脸图像，通过人脸检测和初步视差估计，重建人脸三维点云信 息，再利用神经网络进行多层次人脸曲面重建，再进行人脸归一化和识别。该方法中由于三 维人脸重建和三维人脸识别的计算量较大，因而识别速度也较慢。

发明内容

本发明的目的在于，提供一种基于双目视觉测量技术的快速人脸识别方法，它可以有效 解决现有技术中存在的问题，尤其是人脸识别速度慢、准确率低的问题。

为解决上述技术问题，本发明采用如下的技术方案：一种基于双目视觉测量技术的快速 人脸识别方法，包括以下步骤：先从双目图像中提取人脸的有效特征，划分出人脸的有效区 域；再利用双目视觉测量技术，对提取到的人脸区域进行大小测量；根据计算出的人脸区域 大小，将人脸数据库拆分成多个人脸子数据库；最后，在识别阶段，将实际计算出的人脸区 域与人脸子数据库进行对比识别。

上述的基于双目视觉测量技术的快速人脸识别方法，具体包括以下步骤：

(1)采集双目人脸图像，划分出人脸区域；

(2)对人脸区域进行人眼定位，获得左右眼睛瞳孔的中心坐标；

(3)根据左右眼睛瞳孔的中心坐标，对倾斜人脸图像进行旋转校正，获得旋转校正后左 右眼睛的纵坐标y′₁；

(4)对校正后的人脸图像进行垂直投影，定位人脸的左右边界；

(5)对校正后的人脸图像进行水平投影，定位嘴巴的位置，获得嘴巴的纵坐标y′₂；

(6)根据人脸图像旋转校正后左右眼睛的纵坐标y′₁、嘴巴的纵坐标y′₂和人脸的左右边 界，提取人脸矩形区域；

(7)对提取出的人脸矩形区域进行肤色检测和形态学处理，统计肤色像素的数目，并根 据肤色像素的数目和每个像素的面积，计算肤色像素在焦平面所占的面积s；

(8)计算视差d；

(9)利用小孔成像模型和三角测量原理，计算实际的人脸面积s′；

(10)在建库阶段，根据人脸面积s′的大小，将人脸数据库拆分成多个不同的人脸子数据 库；

(11)在识别阶段，根据实际计算出的人脸面积，利用相应的人脸子数据库进行人脸识 别。

采用上述方法步骤，从而可以准确、快速的识别出人脸。

优选的，步骤(1)具体包括：采用双目摄像机采集人脸图像，并用基于haar-like特征的 Adaboost机器学习算法进行人脸检测，从而可以准确而快速的划分出人脸区域。

优选的，步骤(2)具体包括：将人脸区域变换到灰度空间，采用基于haar-like特征的 Adaboost机器学习算法进行人眼区域检测；再将检测出的人眼区域分别向X轴和Y轴投 影，则在左目图像中定位出左右眼睛瞳孔的中心坐标(x₁₁,y₁₁)、(x₁₂,y₁₂)，在右目图像中定位 出左右眼睛瞳孔的中心坐标(x₂₁,y₂₁)、(x₂₂,y₂₂)；该方法中先利用Adaboost机器学习算法进行 粗定位，再利用投影实现更精确的定位，因为瞳孔的像素值最低，所以分别取投影最小值处 的坐标即为眼睛的坐标。

更优选的，本发明中采用以下公式将人眼区域向X轴和Y轴投影以定位出人眼坐标：

将人眼区域向X轴投影时：

${\mathrm{IPF}}_v\left(x\right)=\frac{1}{y_2-y_1}{\int }_{y_1}^{y_2}I(x,y)dy$

${\mathrm{VPF}}_v\left(x\right)=\frac{1}{y_2-y_1}\underset{y_i=y_1}{\overset{y_2}{\Sigma }}[I(x,y_i)-{\mathrm{IPF}}_v\left(x\right)]$

HPF_v(x)＝(1-α)·IPF_v(y)+αVPF_v(x)

其中，IPF_v为垂直积分投影函数，VPF_v为垂直方差投影函数，HPF_v为垂直混合投影函 数，y₁为投影起点纵坐标，y₂为投影终点纵坐标，I(x,y)为(x,y)处的像素值，x为投影横 坐标；

将人眼区域向Y轴投影时：

${\mathrm{IPF}}_h\left(y\right)=\frac{1}{x_2-x_1}{\int }_{x_1}^{x_2}I(x,y)dx$

${\mathrm{VPF}}_h\left(y\right)=\frac{1}{x_2-x_1}\underset{x_i=x_1}{\overset{x_2}{\Sigma }}[I(x_i,y)-{\mathrm{IPF}}_h\left(y\right)]$

HPF_h(y)＝(1-α)·IPF_h(y)-α·VPF_h(y)

其中，α＝0.6，IPF_h为水平积分投影函数，VPF_h为水平方差投影函数，HPF_h为水平混 合投影函数，x₁为投影起点横坐标，x₂为投影终点横坐标，I(x,y)为(x,y)处的像素值，y 为投影纵坐标，定位出眼睛区域后再用以上算法即可得到准确的眼睛位置。

前述的基于双目视觉测量技术的快速人脸识别方法中，步骤(3)中，假设倾斜人脸图 像中瞳孔间连线与水平方向的夹角为θ，则旋转校正后的眼睛瞳孔的中心坐标(x′,y′)为：

x′＝xcosθ+ysinθ-acosθ-bsinθ+a

y′＝-xsinθ+ycosθ+asinθ-bcosθ+b

其中，$\theta =arctan\left(\frac{y_2-y_1}{x_2-x_1}\right),$a、b为倾斜人脸图像的中心坐标，$a=\frac{x_1+x_2}{2},b=\frac{y_1+y_2}{2},$将两只眼睛校正到同一水平线上，从而保证两只眼睛具有相同的纵坐标。

上述方法中，步骤(4)中，对校正后的人脸图像进行垂直投影，并通过投影值定位出 人脸图像的左右边界x₁和x₂，公式如下：

${\mathrm{IPF}}_v\left(x\right)=\frac{1}{y_2-y_1}{\int }_{y_1}^{y_2}I(x,y)dy$

${\mathrm{VPF}}_v\left(x\right)=\frac{1}{y_2-y_1}\underset{y_i=y_1}{\overset{y_2}{\Sigma }}[I(x,y_i)-{\mathrm{IPF}}_v\left(x\right)]$

HPF_v(x)＝(1-α)·IPF_v(y)+αVPF_v(x)

其中，IPF_v为垂直积分投影函数，VPF_v为垂直方差投影函数，HPF_v为垂直混合投影函 数，y₁为投影起点纵坐标，y₂为投影终点纵坐标，I(x,y)为(x,y)处的像素值，x为投影横 坐标，从而可以简单而快速的定位出人脸图像的左右边界。

优选的，步骤(5)具体包括：取人脸图像左眼横坐标和右眼横坐标之间的区域，对该 区域部分的图像进行肤色检测；对肤色检测后的图像取反，并进行水平投影；投影最高点的 位置即为嘴巴纵坐标y′₂，公式如下：

${\mathrm{IPF}}_h\left(y\right)=\frac{1}{x_2-x_1}{\int }_{x_1}^{x_2}I(x,y)dx$

${\mathrm{VPF}}_h\left(y\right)=\frac{1}{x_2-x_1}\underset{x_i=x_1}{\overset{x_2}{\Sigma }}[I(x_i,y)-{\mathrm{IPF}}_h\left(y\right)]$

HPF_h(y)＝(1-α)·IPF_h(y)-α·VPF_h(y)

其中，IPF_h为水平积分投影函数，VPF_h为水平方差投影函数，HPF_h为水平混合投影函 数，x₁为投影起点横坐标，x₂为投影终点横坐标，I(x,y)为(x,y)处的像素值，y为投影纵 坐标，从而可以准确而快速的获得嘴巴的纵坐标。

进一步优选的，步骤(7)中，对提取出的人脸矩形区域进行肤色检测的公式如下：

$\left(\begin{array}{c}Y\\ Cb\\ Cr\end{array}\right)=\left(\begin{array}{ccc}0.2989& 0.5886& 0.1145\\ -0.1688& -0.3312& 0.5000\\ 0.5000& -0.4184& -0.0817\end{array}\right)\left(\begin{array}{c}R\\ G\\ B\end{array}\right)$

$\theta =\left(\begin{array}{cccc}\arctan \left|\frac{Cr}{Cb}\right|& Cr>0& and& Cb>0\\ 180-\arctan \left|\frac{Cr}{Cb}\right|& Cr>0& and& Cb<0\\ 180+\arctan \left|\frac{Cr}{Cb}\right|& Cr<0& and& Cb<0\\ 0& & else& \end{array}\right)$

其中，θ取值(105，150)为肤色像素值；R、G、B为RGB图像色彩空间的三个分 量；Y、Cb、Cr是YCbCr图像色彩空间的三个分量；肤色像素在焦平面所占的面积s为 s＝n*p(μm)*p(μm)，其中，n为肤色像素的数目，p(μm)*p(μm)为像素大小。肤色分割 将得到的人脸矩形区域中人脸部分和非人脸部分区分开，得到人脸部分的像素多少，从而可 以将人脸矩形区域中的人脸部分和非人脸部分有效的区分开来，便于进一步进行识别处理。

前述的基于双目视觉测量技术的快速人脸识别方法中，步骤(8)中，通过以下公式计 算视差d：

$d=\frac{(x_{21}-x_{11})+(x_{22}-x_{12})}{2}$

其中，x₁₁为左目图像中的左眼横坐标，x₁₂为左目图像中的右眼横坐标，x₂₁为右目图像 中的左眼横坐标，x₂₂为右目图像中的右眼横坐标，从而无需立体匹配，用简单的方法就能 得到视差，减少了大量的计算步骤。

本发明的步骤(9)中所述的利用小孔成像模型和三角测量原理，计算实际的人脸面积 s′具体包括：根据摄像机的线性模型则在双目视觉中有：假设统计出 的人脸像素可以再组合成矩形s，则根据计算出实际的人脸面积s′；其中，B 为双目摄像机基线距离，cm；d为平均视差，f为焦距，mm；s为人脸像素组合成的矩形 的面积。

与现有技术相比，本发明通过先从双目图像中划分出人脸的有效区域，提取人脸的有效 特征；再利用双目视觉测量技术，对提取到的人脸区域进行大小测量；根据计算出的人脸区 域大小，将人脸数据库拆分成多个人脸子数据库；最后，在识别阶段，将实际计算出的人脸 区域与人脸子数据库进行对比识别，从而减少了识别比对的次数，大大提升了人脸识别的速 度；此外本发明中利用人脸的实际大小与人脸子数据库进行对比识别，必然也会减小识别的 误差，从而有效提高了人脸识别的准确率；此外本发明的人脸识别方法还具有较好的通用 性。

实验例：

将本发明的人脸识别方法进行应用试验，采用加拿大PointGrey公司生产的Bumblebee2 双目摄像机，基线距离12cm，像素尺寸4.65μm*4.65μm，应用摄像机对91个人采集了双目 人脸图像。通过对比双目人脸数据库中志愿者人脸的实际测量值和计算值，得出此双目摄像 机的测量误差库e＝0.98cm²，最小子库分类距离范围大于2倍的误差大小。因为当测量的值在 分类边界的误差范围内时，要进入相邻的两个库进行查找，比如，当分库距离(即以多大的 粒度来拆分人脸数据库)为3cm²时，60-63cm²和63-66cm²库相邻两个库，当测量值(人脸 区域)在(63-e，63+e)范围内时，要进入这两个库进行人脸识别。下表为不同距离的分类 结果对识别率和识别速度的影响：

表1不同的分库距离对识别率和识别速度的影响

由表1可知：采用本发明的人脸识别技术，其识别率和识别速度相对于现有技术(不将 人脸数据库拆分成多个人脸子数据库的人脸识别方法)均有提高，尤其是当分库距离为 4cm²时，识别率提高最多，同时识别速度的提高值也较客观；当分库距离为2cm²时，识别 速度提高最多，同时识别率的提高值也较客观。

本发明的难度在于人脸矩形区域的提取，通过采用本发明的提取方法后，从而可以提取 得到准确而有效的人脸区域，既而提高了人脸测量的准确性和人脸数据库分类的准确性，最 终提高了人脸识别的准确性。

附图说明

图1是本发明的一种实施例的工作流程图；

图2是将人脸数据库拆分成多个人脸子数据库的示意图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例1：一种基于双目视觉测量技术的快速人脸识别方法，如图1、图2所 示，具体包括以下步骤：

(1)采用双目摄像机采集人脸图像，并用基于haar-like特征的Adaboost机器学习算法进行 人脸检测，划分出人脸区域；

(2)对人脸区域进行人眼定位，获得左右眼睛瞳孔的中心坐标；具体包括：将人脸区域 变换到灰度空间，采用基于haar-like特征的Adaboost机器学习算法进行人眼区域检测；再将 检测出的人眼区域分别向X轴和Y轴投影，则在左目图像中定位出左右眼睛瞳孔的中心坐标 (x₁₁,y₁₁)、(x₁₂,y₁₂)，在右目图像中定位出左右眼睛瞳孔的中心坐标(x₂₁,y₂₁)、(x₂₂,y₂₂)；

其中，采用以下公式将人眼区域向X轴和Y轴投影以定位出人眼坐标：

将人眼区域向X轴投影时：

${\mathrm{IPF}}_v\left(x\right)=\frac{1}{y_2-y_1}{\int }_{y_1}^{y_2}I(x,y)dy$

${\mathrm{VPF}}_v\left(x\right)=\frac{1}{y_2-y_1}\underset{y_i=y_1}{\overset{y_2}{\Sigma }}[I(x,y_i)-{\mathrm{IPF}}_v\left(x\right)]$

HPF_v(x)＝(1-α)·IPF_v(y)+αVPF_v(x)

其中，IPF_v为垂直积分投影函数，VPF_v为垂直方差投影函数，HPF_v为垂直混合投影函 数，y₁为投影起点纵坐标，y₂为投影终点纵坐标，I(x,y)为(x,y)处的像素值，x为投影横 坐标；

将人眼区域向Y轴投影时：

${\mathrm{IPF}}_h\left(y\right)=\frac{1}{x_2-x_1}{\int }_{x_1}^{x_2}I(x,y)dx$

${\mathrm{VPF}}_h\left(y\right)=\frac{1}{x_2-x_1}\underset{x_i=x_1}{\overset{x_2}{\Sigma }}[I(x_i,y)-{\mathrm{IPF}}_h\left(y\right)]$

HPF_h(y)＝(1-α)·IPF_h(y)-α·VPF_h(y)

其中，α＝0.6，IPF_h为水平积分投影函数，VPF_h为水平方差投影函数，HPF_h为水平混 合投影函数，x₁为投影起点横坐标，x₂为投影终点横坐标，I(x,y)为(x,y)处的像素值，y 为投影纵坐标；

(3)根据左右眼睛瞳孔的中心坐标，对倾斜人脸图像进行旋转校正，获得旋转校正后左 右眼睛的纵坐标y′₁；其中，假设倾斜人脸图像中瞳孔间连线与水平方向的夹角为θ，则旋转 校正后的眼睛瞳孔的中心坐标(x′,y′)为：

x′＝xcosθ+ysinθ-acosθ-bsinθ+a

y′＝-xsinθ+ycosθ+asinθ-bcosθ+b

其中，$\theta =arctan\left(\frac{y_2-y_1}{x_2-x_1}\right),$a、b为倾斜人脸图像的中心坐标，$a=\frac{x_1+x_2}{2},b=\frac{y_1+y_2}{2};$

(4)对校正后的人脸图像进行垂直投影，并通过投影值定位出人脸图像的左右边界x₁和 x₂，公式如下：

${\mathrm{IPF}}_v\left(x\right)=\frac{1}{y_2-y_1}{\int }_{y_1}^{y_2}I(x,y)dy$

${\mathrm{VPF}}_v\left(x\right)=\frac{1}{y_2-y_1}\underset{y_i=y_1}{\overset{y_2}{\Sigma }}[I(x,y_i)-{\mathrm{IPF}}_v\left(x\right)]$

HPF_v(x)＝(1-α)·IPF_v(y)+αVPF_v(x)

其中，IPF_v为垂直积分投影函数，VPF_v为垂直方差投影函数，HPF_v为垂直混合投影函 数，y₁为投影起点纵坐标，y₂为投影终点纵坐标，I(x,y)为(x,y)处的像素值，x为投影横 坐标。

(5)取人脸图像左眼横坐标和右眼横坐标之间的区域，对该区域部分的图像进行肤色检 测；对肤色检测后的图像取反，并进行水平投影；投影最高点的位置即为嘴巴纵坐标y′₂， 公式如下：

${\mathrm{IPF}}_h\left(y\right)=\frac{1}{x_2-x_1}{\int }_{x_1}^{x_2}I(x,y)dx$

${\mathrm{VPF}}_h\left(y\right)=\frac{1}{x_2-x_1}\underset{x_i=x_1}{\overset{x_2}{\Sigma }}[I(x_i,y)-{\mathrm{IPF}}_h\left(y\right)]$

HPF_h(y)＝(1-α)·IPF_h(y)-α·VPF_h(y)

其中，IPF_h为水平积分投影函数，VPF_h为水平方差投影函数，HPF_h为水平混合投影函 数，x₁为投影起点横坐标，x₂为投影终点横坐标，I(x,y)为(x,y)处的像素值，y为投影纵 坐标。

(6)根据人脸图像旋转校正后左右眼睛的纵坐标y′₁、嘴巴的纵坐标y′₂和人脸的左右边 界，提取人脸矩形区域；

(7)对提取出的人脸矩形区域进行肤色检测和形态学处理，统计肤色像素的数目，并根 据肤色像素的数目和每个像素的面积，计算肤色像素在焦平面所占的面积s；其中，通过以 下公式进行肤色检测：

$\left(\begin{array}{c}Y\\ Cb\\ Cr\end{array}\right)=\left(\begin{array}{ccc}0.2989& 0.5886& 0.1145\\ -0.1688& -0.3312& 0.5000\\ 0.5000& -0.4184& -0.0817\end{array}\right)\left(\begin{array}{c}R\\ G\\ B\end{array}\right)$

$\theta =\left(\begin{array}{cccc}arctan\left|\frac{Cr}{Cb}\right|& Cr>0& and& Cb>0\\ 180-\arctan \left|\frac{Cr}{Cb}\right|& Cr>0& and& Cb<0\\ 180+\arctan \left|\frac{Cr}{Cb}\right|& Cr<0& and& Cb<0\\ 0& & else& \end{array}\right)$

其中，θ取值(105，150)为肤色像素值；R、G、B为RGB图像色彩空间的三个分 量；Y、Cb、Cr是YCbCr图像色彩空间的三个分量；肤色像素在焦平面所占的面积s为 s＝n*p(μm)*p(μm)，其中，n为肤色像素的数目，p(μm)*p(μm)为像素大小。

(8)通过以下公式计算视差d：

$d=\frac{(x_{21}-x_{11})+(x_{22}-x_{12})}{2}$

其中，x₁₁为左目图像中的左眼横坐标，x₁₂为左目图像中的右眼横坐标，x₂₁为右目图像 中的左眼横坐标，x₂₂为右目图像中的右眼横坐标。

(9)利用小孔成像模型和三角测量原理，计算实际的人脸面积s′；具体包括：根据摄像 机的线性模型则在双目视觉中有：假设统计出的人脸像素可以再组合 成矩形s，则根据计算出实际的人脸面积s′；其中，B为双目摄像机基线距 离，cm；d为平均视差，f为焦距，mm；s为人脸像素组合成的矩形的面积。

(10)在建库阶段，根据人脸面积s′的大小，将人脸数据库拆分成多个不同的人脸子数据 库；

(11)在识别阶段，根据实际计算出的人脸面积，利用相应的人脸子数据库进行人脸识 别。

实施例2：一种基于双目视觉测量技术的快速人脸识别方法，如图1、图2所示，包括 以下步骤：

(1)采集双目人脸图像，划分出人脸区域；

(2)对人脸区域进行人眼定位，获得左右眼睛瞳孔的中心坐标；

(3)根据左右眼睛瞳孔的中心坐标，对倾斜人脸图像进行旋转校正，获得旋转校正后左 右眼睛的纵坐标y′₁；

(4)对校正后的人脸图像进行垂直投影，定位人脸的左右边界；

(5)对校正后的人脸图像进行水平投影，定位嘴巴的位置，获得嘴巴的纵坐标y′₂；

(6)根据人脸图像旋转校正后左右眼睛的纵坐标y′₁、嘴巴的纵坐标y′₂和人脸的左右边 界，提取人脸矩形区域(将纵坐标y′₁到y′₂处提取出来)；

(7)对提取出的人脸矩形区域进行肤色检测和形态学处理，统计肤色像素的数目，并根 据肤色像素的数目和每个像素的面积，计算肤色像素在焦平面所占的面积s；

(8)计算视差d；

(9)利用小孔成像模型和三角测量原理，计算实际的人脸面积s′；

(10)在建库阶段，根据人脸面积s′的大小，将人脸数据库拆分成多个不同的人脸子数据 库；

(11)在识别阶段，根据实际计算出的人脸面积，利用相应的人脸子数据库进行人脸识 别。