基于进化弱分类器的人脸信息识别方法、系统以及终端

摘要

本发明的基于进化弱分类器的人脸信息识别方法、系统以及终端，解决了现有技术中采用深度学习模型进行人脸识别在实际应用中的局限性，包括存储容量大、功耗多、计算延迟高以及对类别间数据的不平衡十分敏感等问题。本发明采用的基于进化弱分类器的人脸信息识别方法，不仅准确度高还具有轻量级属性，在大数据集和小数据集上都适用，可以在确保一定准确率的情况下，使模型更加灵活，使其可以在边缘端实现实时推理，并且兼容性和鲁棒性增加。

说明书

技术领域

本发明涉及人脸识别领域，特别是涉及一种基于进化弱分类器的人脸信息识别方法、系统以及终端。

背景技术

面部外观中包含很多有价值的个人信息，例如表情、风格、性别、年龄等。由于人类的面部信息相对稳定，因此有很多研究者投身于人脸智能识别技术的发展中。人脸识别作为模式识别的一个重要分支，是该领域中一个前景广阔但难度较高的课题之一。

这个任务的一个典型且有效的方法是先通过描述符和滤波器提取面部特征数值，然后采用合适的分类器完成剩余的部分。如今，深度学习模型在分类准确性上具有相当的竞争力，这些深度学习模型将特征提取和模式分类集成到端到端的学习系统中，从而可以通过训练过程优化潜在特征的检索和使用。从准确率的角度来看，采用深度学习模型可以解决面部信息识别中的大部分问题，但在实际应用中也带来了一些局限性。首先，在真实的商业项目中，拿到大量带有标签的数据通常是不可能的。在这种情况下，训练深度神经网络往往会出现过拟合的现象。其次，深度学习模型的重量级架构直接导致了存储容量大、功耗多、计算延迟高等问题，尤其是在像相机和手机这样的终端用户设备上。使用深度学习方法的最后一个问题是，它们对类别间数据的不平衡十分敏感。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于进化弱分类器的人脸信息识别方法、系统以及终端，用于解决现有技术中采用深度学习模型进行人脸识别在实际应用中的局限性，包括存储容量大、功耗多、计算延迟高以及对类别间数据的不平衡十分敏感等问题。

为实现上述目的及其他相关目的，本发明提供一种基于进化弱分类器的人脸信息识别方法，包括：利用通用滤波器对人脸图像数据提取至少两个面部特征；基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果；随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标；根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合；根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果。

于本发明的一实施例中，所述根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合的方式包括：当根据各个弱分类器集合的性能指标对所述弱分类器集合进行一代进化时，随机选择进化阈值数量的弱分类器集合并进行性能指标排序，以获得第一代的最优弱分类器集合；当根据各个弱分类器集合的性能指标对所述弱分类器集合进行多代进化时，根据上一代经过多次亲本选择获得的进化阈值数量的后代集合作为本代的待选择弱分类器集合进行亲本选择获得一或多个后代集合，将本代的后代集合中性能指标最高的集合作为本代的最优弱分类器集合。

于本发明的一实施例中，所述面部特征包括：表情特征、风格特征、性别特征、年龄特征以及五官特征中的一种或多种。

于本发明的一实施例中，所述基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果的方式包括：基于由任意两个面部特征分别训练得到的多个弱分类器；获得每个分类器包含其对应的各面部特征的统计概率的识别结果。

于本发明的一实施例中，所述随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标的方式：根据所述弱分类器随机获得包含相同数量的多个弱分类器集合；并根据各弱分类器集合中的各弱分类器的识别结果，推导获得用于判断各弱分类器集合分类准确率的性能指标。

于本发明的一实施例中，所述亲本选择的方式包括：随机选取多个待选择弱分类器集合作为父本候选集合，并在未被选择为父本候选集合的待选择弱分类器集合中随机选择与父本候选集合相同数量的母本候选集合；分别在所述父本候选集合以及母本候选集合中性能指标最大的集合为父本集合和母本集合；并根据所述父本集合和母本集合获得后代集合。

于本发明的一实施例中，所述并根据所述父本集合和母本集合获得后代集合的方式包括：将所述父本集合和母本集合经过交叉和/或变异操作获得后代集合；其中，所述交叉操作包括：是指从父本集合和母本集合中各随机选择一或多个弱分类器；所述变异操作包括随机选择非父本集合和非母本集合中的一或多个弱分类器。

于本发明的一实施例中，所述根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果的方式包括：基于将所述贝叶斯概率公式中的P(E＝e

其中，s

为实现上述目的及其他相关目的，本发明提供一种基于进化弱分类器的人脸信息识别系统，所述系统包括：特征提取模块，用于利用通用滤波器对人脸图像数据提取至少两个面部特征；弱分类器训练模块，连接所述特征提取模块，用于基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果；弱分类器集合模块，连接所述弱分类器训练模块，用于随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标；进化模块，连接所述弱分类器集合模块，用于根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合；推理分类模块，连接所述进化模块，用于根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果。

为实现上述目的及其他相关目的，本发明提供一种基于进化弱分类器的人脸信息识别终端，包括：存储器，用于存储计算机程序；处理器，用于执行所述的基于进化弱分类器的人脸信息识别方法。

如上所述，本发明的一种基于进化弱分类器的人脸信息识别方法、系统以及终端，具有以下有益效果：本发明采用的基于进化弱分类器的人脸信息识别方法，不仅准确度高还具有轻量级属性，在大数据集和小数据集上都适用，可以在确保一定准确率的情况下，使模型更加灵活，使其可以在边缘端实现实时推理，并且兼容性和鲁棒性增加。

附图说明

图1显示为本发明一实施例中的基于进化弱分类器的人脸信息识别方法的流程示意图。

图2显示为本发明一实施例中的弱分类器集合进行进化的流程示意图。

图3显示为本发明一实施例中的基于进化弱分类器的人脸信息识别系统的结构示意图。

图4显示为本发明一实施例中的基于进化弱分类器的人脸信息识别终端的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。

在通篇说明书中，当说某部分与另一部分“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。

其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此，以下叙述的第一部分、成分、区域、层或段在不超出本发明范围的范围内，可以言及到第二部分、成分、区域、层或段。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

本发明实施例中提供一种基于进化弱分类器的人脸信息识别方法，解决了现有技术中采用深度学习模型进行人脸识别在实际应用中的局限性，包括存储容量大、功耗多、计算延迟高以及对类别间数据的不平衡十分敏感等问题。本发明采用的基于进化弱分类器的人脸信息识别方法，不仅准确度高还具有轻量级属性，在大数据集和小数据集上都适用，可以在确保一定准确率的情况下，使模型更加灵活，使其可以在边缘端实现实时推理，并且兼容性和鲁棒性增加。

下面以附图为参考，针对本发明的实施例进行详细说明，以便本发明所述技术领域的技术人员能够容易地实施。本发明可以以多种不同形态体现，并不限于此处说明的实施例。

如图1所示，展示本发明实施例中的基于进化弱分类器的人脸信息识别方法的流程示意图。

所述方法包括：

步骤S11：利用通用滤波器对人脸图像数据提取至少两个面部特征。

可选的，所述通用滤波器为任一种通用滤波器，包括但不仅限于低通、高通、带通、带阻等滤波器。

可选的，利用梯度直方图滤波器对人脸图像数据提取至少两个面部特征。

可选的，所述面部特征包括：表情特征、风格特征、性别特征、年龄特征以及五官特征中的一种或多种。

具体的，所述表情特征包括但不仅限于难过/悲伤、痛苦、愤怒、害怕、惊讶、快乐以及厌恶等表情；所述风格特征包括但不仅限于温柔、高冷、甜美、时尚等风格；所述性别特征包括男和女；年龄特征包括但不仅限于：所处年龄阶段；所述五官特征包括但不仅限于：五官的当前状态特征。

可选的，每个人脸图像数据带有一个分类标签，对应一个面部特征。

步骤S12：基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果。

可选的，所述基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果的方式包括：基于由任意两个面部特征分别训练得到的多个弱分类器；获得每个分类器包含其对应的各面部特征的统计概率的识别结果。

具体的，将所述面部特征中任意选取两个面部特征训练得到一个弱分类器，一共获得多个弱分类器；并获得每个分类器包含其对应的各面部特征的统计概率的识别结果。

举例来说，若面部特征为愤怒、害怕、惊讶、快乐，则获得6个弱分类器。

可选的，所述弱分类器包括支持向量机(SVM)，SVM是一种简单的二值分类器，通过超平面来更好地分离两个样本组。由于SVM分类器将样本预测为一个组或另一个组，因此我们将输出称为左边和右边。对于每个SVM，我们设置两个统计表，一个表记录每个类被预测到左边样本组的统计频率，另一个表则记录每个类被预测到右边样本组的统计频率，我们利用这些统计表进行整体学习，而不是使用先验预期。

步骤S13：随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标。

可选的，所述随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标的方式：根据所述弱分类器随机获得包含相同数量的多个弱分类器集合；并根据各弱分类器集合中的各弱分类器的识别结果，推导获得用于判断各弱分类器集合分类准确率的性能指标。

可选的，将各弱分类器集合中的各弱分类器的识别结果分别与识别的人脸图像数据的实际结果进行对比，获得各弱分类器的分类准确率，以获得各弱分类器集合的准确率，并获得性能指标。其中，所述准确率越高，性能指标越高。

可选的，将各弱分类器集合中的各弱分类器的识别结果中各个面部特征的频率分别与识别的人脸图像数据的实际结果进行对比，则对应实际结果的面部特征的频率为该弱分类器的分类准确率，以获得各弱分类器集合的准确率，并获得性能指标。其中，所述准确率越高，性能指标越高。

步骤S14：根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合。

可选的，所述根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合的方式包括：当根据各个弱分类器集合的性能指标对所述弱分类器集合进行一代进化时，随机选择进化阈值数量的弱分类器集合并进行性能指标排序，以获得第一代的最优弱分类器集合；当根据各个弱分类器集合的性能指标对所述弱分类器集合进行多代进化时，根据上一代经过多次亲本选择获得的进化阈值数量的后代集合作为本代的待选择弱分类器集合进行亲本选择获得一或多个后代集合，将本代的后代集合中性能指标最高的集合作为本代的最优弱分类器集合。

可选的，所述亲本选择的方式包括：随机选取多个待选择弱分类器集合作为父本候选集合，并在未被选择为父本候选集合的待选择弱分类器集合中随机选择与父本候选集合相同数量的母本候选集合；分别在所述父本候选集合以及母本候选集合中性能指标最大的集合为父本集合和母本集合；并根据所述父本集合和母本集合获得后代集合。

举例来说，所述亲本选择的方式包括：将父本和母本的选择强度都设置为M，在选择父本时，基于M个候选集合的性能指标进行淘汰。即随机选取M个集合，选择性能指标最大的集合作为父本集合。在选择母本时，基于M个候选集合的性能指标进行淘汰。即随机选取M个集合，选择性能指标最大的集合作为母本集合。

可选的，在选择母本时，基于M个候选集合的性能指标进行淘汰。即随机选取M个集合，使用Niching方案来增加整体的多样性。我们根据调整后的性能指标进行比较，选择性能指标最大的集合作为母本集合。

可选的，所述并根据所述父本集合和母本集合获得后代集合的方式包括：将所述父本集合和母本集合经过交叉和/或变异操作获得后代集合；其中，所述交叉操作包括：是指从父本集合和母本集合中各随机选择一或多个弱分类器；所述变异操作包括随机选择非父本集合和非母本集合中的一或多个弱分类器。

可选的，在选择了父本集合和母本集合后，将它们的弱分类器分为两个序列，使用交叉和突变来产生一个后代集合。

在一实施例中，如图2所示是对弱分类器集合进化的流程图。其中，第一代的N个集合是从弱分类器库中随机选择弱分类器组合而成的，每个集合中有K个弱分类器。其他代的N个集合都是上一代产生的N个子代集合，将父本和母本的选择强度都设置为F，作为最优值。在选择父本时，基于F个候选集合的性能指标进行淘汰。即随机选取F个集合，选择性能指标最大的集合作为父集合。在选择母本时，使用Niching方案来增加整体的多样性。我们根据调整后的性能指标进行比较。使用交叉变异生成后代集合，交叉是指从父本集合和母本集合中各随机选择一个弱分类器，变异则是指有很小的概率会从弱分类器库中随机选择弱分类器。当进化到第i代时，结束进化流程，选择整个流程中性能指标最高的集合作为推理分类用的集合。

步骤S15：根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果。

可选的，根据所述最优弱分类器集合中的弱分类器分别对所述人脸图像数据进行推理分类获得人脸信息识别结果。

可选的，所述根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果的方式包括：

基于将所述贝叶斯概率公式中的P(E＝e

所述贝叶斯概率公式包括：

其中，s

具体的，对于每个弱分类器，统计表中都记录了条件概率P(s

其中，T是所述最优弱分类器集合，由K个弱分类器组成。在分类时，将概率最大的类作为最优弱分类器集合的人脸信息识别结果。

由于数据不平衡对该贝叶斯概率公式的推导结果影响很大，我们通过将P(E＝e

可选的，将获得的获得人脸信息识别结果录入到数据库中。

与上述实施例原理相似的是，本发明提供一种基于进化弱分类器的人脸信息识别系统。

以下结合附图提供具体实施例：

如图3展示本发明实施例中的一种基于进化弱分类器的人脸信息识别方法的系统的结构示意图。

所述系统包括：

特征提取模块31，用于利用通用滤波器对人脸图像数据提取至少两个面部特征；

弱分类器训练模块32，连接所述特征提取模块31，用于基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果；

弱分类器集合模块33，连接所述弱分类器训练模块32，用于随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标；

进化模块34，连接所述弱分类器集合模块33，用于根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合；

推理分类模块35，连接所述进化模块34，用于根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果。

可选的，所述特征提取模块31利用梯度直方图滤波器对人脸图像数据提取至少两个面部特征。

可选的，所述面部特征包括：表情特征、风格特征、性别特征、年龄特征以及五官特征中的一种或多种。

具体的，所述表情特征包括但不仅限于难过/悲伤、痛苦、愤怒、害怕、惊讶、快乐以及厌恶等表情；所述风格特征包括但不仅限于温柔、高冷、甜美、时尚等风格；所述性别特征包括男和女；年龄特征包括但不仅限于：所处年龄阶段；所述五官特征包括但不仅限于：五官的当前状态特征。

可选的，每个人脸图像数据带有一个分类标签，对应一个面部特征。

可选的，所述弱分类器训练模块32基于由任意两个面部特征分别训练得到的多个弱分类器；获得每个分类器包含其对应的各面部特征的统计概率的识别结果。

具体的，所述弱分类器训练模块32将所述面部特征中任意选取两个面部特征训练得到一个弱分类器，一共获得多个弱分类器；并获得每个分类器包含其对应的各面部特征的统计概率的识别结果。

可选的，所述弱分类器集合模块33根据所述弱分类器随机获得包含相同数量的多个弱分类器集合；并根据各弱分类器集合中的各弱分类器的识别结果，推导获得用于判断各弱分类器集合分类准确率的性能指标。

可选的，所述弱分类器集合模块33将各弱分类器集合中的各弱分类器的识别结果分别与识别的人脸图像数据的实际结果进行对比，获得各弱分类器的分类准确率，以获得各弱分类器集合的准确率，并获得性能指标。其中，所述准确率越高，性能指标越高。

可选的，所述弱分类器集合模块33将各弱分类器集合中的各弱分类器的识别结果中各个面部特征的频率分别与识别的人脸图像数据的实际结果进行对比，则对应实际结果的面部特征的频率为该弱分类器的分类准确率，以获得各弱分类器集合的准确率，并获得性能指标。其中，所述准确率越高，性能指标越高。

可选的，所述进化模块34在当根据各个弱分类器集合的性能指标对所述弱分类器集合进行一代进化时，随机选择进化阈值数量的弱分类器集合并进行性能指标排序，以获得第一代的最优弱分类器集合；当根据各个弱分类器集合的性能指标对所述弱分类器集合进行多代进化时，根据上一代经过多次亲本选择获得的进化阈值数量的后代集合作为本代的待选择弱分类器集合进行亲本选择获得一或多个后代集合，将本代的后代集合中性能指标最高的集合作为本代的最优弱分类器集合。

可选的，所述亲本选择的方式包括：随机选取多个待选择弱分类器集合作为父本候选集合，并在未被选择为父本候选集合的待选择弱分类器集合中随机选择与父本候选集合相同数量的母本候选集合；分别在所述父本候选集合以及母本候选集合中性能指标最大的集合为父本集合和母本集合；并根据所述父本集合和母本集合获得后代集合。

举例来说，所述亲本选择的方式包括：将父本和母本的选择强度都设置为M，在选择父本时，基于M个候选集合的性能指标进行淘汰。即随机选取M个集合，选择性能指标最大的集合作为父本集合。在选择母本时，基于M个候选集合的性能指标进行淘汰。即随机选取M个集合，选择性能指标最大的集合作为母本集合。

可选的，所述进化模块34在选择母本时，基于M个候选集合的性能指标进行淘汰。即随机选取M个集合，使用Niching方案来增加整体的多样性。我们根据调整后的性能指标进行比较，选择性能指标最大的集合作为母本集合。

可选的，所述进化模块34将所述父本集合和母本集合经过交叉和/或变异操作获得后代集合；其中，所述交叉操作包括：是指从父本集合和母本集合中各随机选择一或多个弱分类器；所述变异操作包括随机选择非父本集合和非母本集合中的一或多个弱分类器。

可选的，所述进化模块34在选择了父本集合和母本集合后，将它们的弱分类器分为两个序列，使用交叉和突变来产生一个后代集合。

可选的，所述推理分类模块35根据所述最优弱分类器集合中的弱分类器分别对所述人脸图像数据进行推理分类获得人脸信息识别结果。

可选的，所述推理分类模块35基于将所述贝叶斯概率公式中的P(E＝e

所述贝叶斯概率公式包括：

其中，s

具体的，所述推理分类模块35对于每个弱分类器，统计表中都记录了条件概率P(s

其中，T是所述最优弱分类器集合，由K个弱分类器组成。在分类时，将概率最大的类作为最优弱分类器集合的人脸信息识别结果。

由于数据不平衡对该贝叶斯概率公式的推导结果影响很大，我们通过将P(E＝e

可选的，所述推理分类模块35将获得的获得人脸信息识别结果录入到数据库中。

如图4展示本发明实施例中的基于进化弱分类器的人脸信息识别终端40的结构示意图。

所述基于进化弱分类器的人脸信息识别终端40包括：存储器41及处理器42所述存储器41用于存储计算机程序；所述处理器42运行计算机程序实现如图1所述的基于进化弱分类器的人脸信息识别方法。

可选的，所述存储器41的数量均可以是一或多个，所述处理器42的数量均可以是一或多个，而图4中均以一个为例。

可选的，所述基于进化弱分类器的人脸信息识别终端40中的处理器42会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器41中，并由处理器42来运行存储在第一存储器41中的应用程序，从而实现如图1所述基于进化弱分类器的人脸信息识别方法中的各种功能。

可选的，所述存储器41，可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备；所述处理器42，可能包括但不限于中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。

可选的，所述处理器42可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。

本发明还提供计算机可读存储介质，存储有计算机程序，所述计算机程序运行时实现如图1所示的基于进化弱分类器的人脸信息识别方法。所述计算机可读存储介质可包括，但不限于，软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。

综上所述，本发明基于进化弱分类器的人脸信息识别方法、系统以及终端，用于解决现有技术中采用深度学习模型进行人脸识别在实际应用中的局限性，包括存储容量大、功耗多、计算延迟高以及对类别间数据的不平衡十分敏感等问题。本发明采用的基于进化弱分类器的人脸信息识别方法，不仅准确度高还具有轻量级属性，在大数据集和小数据集上都适用，可以在确保一定准确率的情况下，使模型更加灵活，使其可以在边缘端实现实时推理，并且兼容性和鲁棒性增加。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。