基于大数据和人工智能的人脸识别方法和人脸识别平台

摘要

本申请提供的基于大数据和人工智能的人脸识别方法和人脸识别平台，涉及人脸识别技术领域。在本申请中，首先，对待识别的目标图像进行背景分割处理，得到目标背景图像和目标人脸图像；其次，将目标背景图像与第一目标数据库中的每一帧参考图像进行匹配度计算处理，得到目标匹配结果；然后，基于目标匹配结果在预先形成的多个识别规则中确定出目标识别规则；最后，基于目标识别规则对目标人脸图像进行识别。基于上述方法，可以改善现有的人脸识别中存在可靠度较低的问题。

说明书

技术领域

本申请涉及人脸识别技术领域，具体而言，涉及一种基于大数据和人工智能的人脸识别方法和人脸识别平台。

背景技术

为了满足对安全性需求提升的需求，现有技术中，采用了人脸识别技术进行验证，即通过对人脸图像进行采集以确定用户是否为合法用户(如将当前采集的人脸图像与预先进行账号注册时保存的人脸图像进行对比)。但是，经发明人研究发现，现有的人脸识别中存在可靠度较低的问题。

发明内容

有鉴于此，本申请的目的在于提供一种基于大数据和人工智能的人脸识别方法和人脸识别平台，以改善现有人脸识别中存在可靠度较低的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种基于大数据和人工智能的人脸识别方法，应用于人脸识别平台，所述人脸识别方法包括：

对待识别的目标图像进行背景分割处理，得到目标背景图像和目标人脸图像，其中，该目标图像基于对目标对象进行拍摄形成；

将所述目标背景图像与第一目标数据库中的每一帧参考图像进行匹配度计算处理，得到目标匹配结果，其中，每一帧所述参考图像基于历史上进行人脸识别未成功时具有的背景图像形成；

基于所述目标匹配结果在预先形成的多个识别规则中确定出目标识别规则，其中，每一个所述识别规则具有不同的识别精度；

基于所述目标识别规则对所述目标人脸图像进行识别。

在上述基础上，本申请实施例还提供了一种人脸识别平台，包括：

存储器，用于存储计算机程序；

与所述存储器连接的处理器，用于执行所述计算机程序，以实现上述的基于大数据和人工智能的人脸识别方法。

本申请提供的基于大数据和人工智能的人脸识别方法和人脸识别平台，通过将待识别的目标图像进行分割，得到目标背景图像和目标人脸图像，然后，基于通过目标背景图像确定的目标识别规则对目标人脸图像进行识别。如此，由于目标识别规则是基于目标背景图像确定的，相较于现有技术中直接基于固定的识别规则进行识别，可以提高识别的可靠度，从而改善现有人脸识别中存在可靠度较低的问题。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本申请实施例提供的人脸识别平台的结构框图。

图2为本申请实施例提供的基于大数据和人工智能的人脸识别方法包括的各步骤的流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本申请实施例提供了一种人脸识别平台。其中，所述人脸识别平台可以包括存储器和处理器。

详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，如所述软件功能模块，从而实现本申请实施例（如后文所述）提供的基于大数据和人工智能的人脸识别方法。

可选地，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。

并且，所述处理器可以是一种通用处理器，包括中央处理器（Central ProcessingUnit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（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。

可以理解，所述人脸识别平台可以是一种具有数据处理能力的服务器。

并且，图1所示的结构仅为示意，所述人脸识别平台还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置，例如，还可以包括用于与其它设备进行信息交互的通信单元。

结合图2，本申请实施例还提供一种基于大数据和人工智能的人脸识别方法，可应用于上述人脸识别平台。其中，该基于大数据和人工智能的人脸识别方法有关的流程所定义的方法步骤，可以由所述人脸识别平台实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤S110，对待识别的目标图像进行背景分割处理，得到目标背景图像和目标人脸图像。

在本实施例中，在获取到待识别的目标图像时，所述人脸识别平台可以对该目标图像进行背景分割处理，如此，可以得到目标背景图像和目标人脸图像，即将该目标图像分割为目标背景图像和目标人脸图像。

其中，所述目标图像可以基于对目标对象进行拍摄形成，例如，终端设备在基于用户的操作需要登录目标账号时，需要先采集用户的人脸图像，然后，发送给所述人脸识别平台进行验证。

步骤S120，将所述目标背景图像与第一目标数据库中的每一帧参考图像进行匹配度计算处理，得到目标匹配结果。

在本实施例中，在基于步骤S110得到所述目标背景图像之后，所述人人脸识别平台可以将该目标背景图像与第一目标数据库(既可以是所述人脸识别平台的本地数据库，也可以是远端数据库)中的每一帧参考图像进行匹配度计算处理，如此，可以得到目标匹配结果。

其中，每一帧所述参考图像基于历史上进行人脸识别未成功时具有的背景图像形成。也就是说，所述目标匹配结果中的匹配度越高表明所述目标背景图像的真实性越低，说明所述目标人脸图像的真实性也越低。

步骤S130，基于所述目标匹配结果在预先形成的多个识别规则中确定出目标识别规则。

在本实施例中，在基于步骤S120得到所述目标匹配结果之后，所述人脸识别平台可以在预先形成的多个识别规则中，基于该目标匹配结果确定出目标识别规则。

其中，每一个所述识别规则具有不同的识别精度。也就是说，所述目标匹配结果中的匹配度越高，对应的目标识别规则的识别精度可以越高。

步骤S140，基于所述目标识别规则对所述目标人脸图像进行识别。

在本实施例中，在基于步骤S130确定所述目标识别规则之后，所述人脸识别平台可以基于该目标识别规则，对所述目标人脸图像进行识别(如与预先存储的多张人脸图像进行匹配识别)。

基于上述方法，由于目标识别规则是基于目标背景图像确定的，相较于现有技术中直接基于固定的识别规则进行识别，可以提高识别的可靠度，从而改善现有人脸识别中存在可靠度较低的问题。并且，通过在不同的情况下，采用不同精度的识别规则进行识别，还可以兼顾识别结果的可靠性和识别的效率(如都采用识别精度低的识别规则，可能会存在可靠性低的问题；都采用识别精度高的识别规则，可能存在识别效率低的问题)。

第一方面，对于步骤S120需要说明的是，进行匹配度计算的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，为了提高得到的目标匹配结果的可靠性，步骤S120可以包括子步骤10-子步骤21，具体内容如下所述。

子步骤10，将所述目标背景图像按照与所述目标人脸图像中的各个人脸部位的关联关系分割为多个目标背景子图像（例如，在一种可以替代的示例中，可以分割为三个目标背景子图像，第一个目标背景子图像包括头部上方的背景图像，第二个目标背景子图像包括头部左侧的背景图像，第三个目标背景图像包括头部右侧的背景图像）。

子步骤11，将每一个所述目标背景子图像转换为目标背景二值化子图像（即将目标背景子图像中大于目标像素阈值的像素值，设置为255，将不大于目标像素阈值的像素值，设置为0），得到多个目标背景二值化子图像。

子步骤12，针对每一个所述目标背景二值化子图像，对该目标背景二值化子图像进行轮廓提取处理，得到该目标背景二值化子图像对应的轮廓特征（如此，可以得到多个轮廓特征）。

子步骤13，针对每一个所述目标背景二值化子图像，对该目标背景二值化子图像对应的轮廓特征所包围的二值化区域（其中，若该轮廓特征为非封闭的形状，可以将两个端点通过最短的直线段连接，从而形成封闭的形状），按照预先确定的目标路径（如从左至右，逐行扫描）进行像素值排序处理，得到该目标背景二值化子图像对应的像素值序列（如255、255、255、0、0、255、0、255、255、255、255、0、0、0）。

子步骤14，针对每一个所述目标背景二值化子图像，基于该目标背景二值化子图像与所述目标人脸图像中的各个人脸部位的关联关系在预设的多个匹配模型（每一个匹配模型可以分别基于不同的样本图像训练得到，如头部上方的目标背景二值化子图像对应的目标匹配模型，可以基于获取的样本图像中头部上方的背景图像训练得到；头部左侧的目标背景二值化子图像对应的目标匹配模型，可以基于获取的样本图像中头部左侧的背景图像训练得到）中，确定该目标背景二值化子图像的目标匹配模型。

子步骤15，针对每一个所述目标背景二值化子图像，基于该目标背景二值化子图像对应的目标匹配模型，将该目标背景二值化子图像对应的像素值序列与第一目标数据库中的每一帧参考图像进行序列匹配处理（其中，针对一帧参考图像，可以按照前述的目标路径进行扫描，形成一个参考像素序列，然后，将该参考像素序列与像素值序列进行相似度或匹配度计算），得到该目标背景二值化子图像对应的多个匹配结果。

子步骤16，针对每一个所述目标背景二值化子图像，将该目标背景二值化子图像对应的多个匹配结果作为一个匹配结果集合，得到多个匹配结果集合（即每一个目标背景二值化子图像都对应有一个匹配结果集合）。

子步骤17，针对每一个所述匹配结果集合，将该匹配结果集合中的多个匹配结果按照匹配度由高到低的顺序进行排序。

子步骤18，针对排序的每一个序号，将该序号在多个匹配结果集合中对应的匹配结果进行均值计算，得到该序号对应的匹配均值（例如，匹配结果集合为3个，每个匹配结果集合中包括3个匹配结果，如此，可以计算第一个匹配结果集合中的第一个匹配结果、第二个匹配结果集合中的第一个匹配结果、第三个匹配结果集合中的第一个匹配结果的第一个匹配均值；计算第一个匹配结果集合中的第二个匹配结果、第二个匹配结果集合中的第二个匹配结果、第三个匹配结果集合中的第二个匹配结果的第二个匹配均值；计算第一个匹配结果集合中的第三个匹配结果、第二个匹配结果集合中的第三个匹配结果、第三个匹配结果集合中的第三个匹配结果的第三个匹配均值）。

子步骤19，在多个序号对应的多个匹配均值中确定最大匹配均值，并确定该最大匹配均值对应的目标序号（例如，在上述的第一个匹配均值、第二个匹配均值和第三个匹配均值中确定最大的匹配均值，如第二个匹配均值最大，则目标序号为2）。

子步骤20，获取所述目标序号和在该目标序号之前的所有序号对应的匹配均值（结合前述的示例，目标序号为2，则获取上述的第二个匹配均值和第一个匹配均值），并基于获取的匹配均值进行加权计算，得到加权均值，其中，序号在前的匹配均值的权重系数大于序号在后的匹配均值的权重系数（如上述的第一个匹配均值的权重系数，大于上述的第二个匹配均值的权重系数）。

子步骤21，将所述加权均值作为目标匹配结果（在一些示例中，可以将该加权均值进行归一化处理之后，作为目标匹配结果）。

又例如，在另一种可以替代的示例中，为了提高得到的目标匹配结果的可靠性，步骤S120可以包括子步骤20-子步骤28，具体内容如下所述。

子步骤22，将所述目标背景图像转换为目标背景二值化图像。

子步骤23，对所述目标背景二值化图像进行轮廓提取处理，得到该目标背景图像对应的轮廓特征。

子步骤24，将所述轮廓特征中的一个端点像素点作为起点、另一个端点像素点作为终点，按照预设像素点数量进行滑窗处理，得到多个像素点轨迹，其中，每一个所述像素点轨迹包括的像素点的数量为所述预设像素点数量，每两个相邻的所述像素点轨迹之间对应的排序的像素点相邻（例如，针对第一个像素点轨迹和第二个像素点轨迹，第一个像素点轨迹的第一个像素点与第二个像素点轨迹的第一个像素点相邻，第一个像素点轨迹的最后一个像素点与第二个像素点轨迹的最后一个像素点相邻，第一个像素点轨迹的第二个像素点与第二个像素点轨迹的第一个像素点重合，第一个像素点轨迹的最后一个像素点与第二个像素点轨迹的倒数第二个像素点重合），且若所述轮廓特征为闭合的轨迹，则以任意相邻的两个像素点作为两个端点像素点（并且，在此情形下，滑窗处理得到的像素点轨迹中，只有第一个像素点轨迹包括作为起点的端点像素点，只有最后一个像素点轨迹包括作为终点的端点像素点）。

子步骤25，针对每一个所述像素点轨迹，将该像素点轨迹与第一目标数据库中的每一帧参考图像进行轨迹匹配处理（针对一帧参考图像，对该参考图像进行轮廓提取处理，得到参考轮廓，然后，将该参考轮廓与像素点轨迹进行相似度或匹配度计算），得到该像素点轨迹对应的多个匹配结果，其中，所述参考图像为多帧。

子步骤26，针对每一个所述像素点轨迹，将该像素点轨迹对应的多个匹配结果作为一个匹配结果集合，得到多个匹配结果集合。

子步骤27，针对每一个所述匹配结果集合，将该匹配结果集合中的多个匹配结果按照匹配度由高到低的顺序进行排序。

子步骤28，针对排序的每一个序号，将该序号在多个匹配结果集合中对应的匹配结果进行均值计算，得到该序号对应的匹配均值。

子步骤29，在多个序号对应的多个匹配均值中确定最大匹配均值，并确定该最大匹配均值对应的目标序号。

子步骤30，获取所述目标序号和在该目标序号之前的所有序号对应的匹配均值，并基于获取的匹配均值进行加权计算，得到加权均值，其中，序号在前的匹配均值的权重系数大于序号在后的匹配均值的权重系数。

子步骤31，将所述加权均值作为目标匹配结果。

第二方面，对于步骤S130需要说明的是，确定所述目标识别规则的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，步骤130可以包括以下子步骤：

第一步，基于所述目标匹配结果在第二目标数据库中进行查找，得到目标安全等级信息，其中，该第二目标数据库中存在多个不同匹配结果与多个不同安全等级信息之间的对应关系，且该目标匹配结果的匹配度越高，对应的目标安全等级信息的安全等级越低；

第二步，基于所述目标安全等级信息在预先形成的多个识别规则中确定出一个识别规则，作为目标识别规则，其中，该目标安全等级信息的安全等级越低，对应的目标识别规则的识别精度越低。

可选地，对于上述示例中，步骤S130包括的第一步，其具体实现方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，为了提高确定的目标安全等级的可靠性，可以基于以下步骤得到目标安全等级：

首先，对获取的目标用户的历史行为数据进行解析处理，得到目标解析结果；其次，基于所述目标解析结果和所述目标匹配结果在第二目标数据库中进行查找，得到目标安全等级信息（例如，可以将所述目标解析结果和所述目标匹配结果归一化的值进行求和处理，得到一个和值，然后，基于所述第二目标数据库中预先形成的对应关系，查找到该和值对应的目标安全等级信息，如一级、二级、三级等）。

可以理解的是，在上述示例中，对所述历史行为数据进行解析处理的具体方式不受限制，可以根据实际应用需求进行选择，在本实施例中，提供以下三种示例，以进行解析处理。

在第一种示例中，为了提高解析结果的可靠性，从而使得确定的目标识别规则具有较高的可靠性，可以基于以下子步骤进行解析处理。

子步骤40，获取目标用户的第一类型历史行为数据和第二类型历史行为数据，其中，该第一类型历史行为数据包括目标用户在所述人脸识别平台预先注册的目标账号每一次通过该人类识别平台进行人脸识别的时间信息（例如，可以包括设备A基于该目标账号进行人脸识别的时间信息、设备B基于该目标账号进行人脸识别的时间信息、设备C基于该目标账号进行人脸识别的时间信息），该第二类型历史行为数据包括拍摄形成所述目标图像的目标设备至少基于一个账号通过该人类识别平台进行人脸识别的时间信息（例如，可以包括该目标设备基于该目标账号进行人脸识别的时间信息、该目标设备基于其它账号进行人脸识别的时间信息）。

子步骤41，针对所述第一类型历史行为数据包括的多个时间信息，以该多个时间信息中最早的一个时间信息为起点、以该多个时间信息中最晚的一个时间信息为终点，按照第一预设数量进行滑窗处理，得到多个第一时间序列，其中，每一个所述第一时间序列包括的时间信息的数量为所述第一预设数量，每两个相邻的所述第一时间序列之间对应排序的时间信息相邻（例如，多个时间信息为2020年1月11日、2020年1月13日、2020年1月15日、2020年1月17日、2020年1月19日、2020年1月25日、2020年2月1日，如此，若所述第一预设数量为5，得到的第一时间序列可以为3个，分别为，“2020年1月11日、2020年1月13日、2020年1月15日、2020年1月17日、2020年1月19日”，“2020年1月13日、2020年1月15日、2020年1月17日、2020年1月19日、2020年1月25日”，“2020年1月15日、2020年1月17日、2020年1月19日、2020年1月25日、2020年2月1日”）。

子步骤42，针对每一个所述第一时间序列，基于该第一时间序列的时间变化趋势确定该第一时间序列中的最晚的一个时间信息之后的一个预测时间信息，得到每一个所述第一时间序列对应的预测时间信息（例如，针对上述的“2020年1月11日、2020年1月13日、2020年1月15日、2020年1月17日、2020年1月19日”，由于时间变化的趋势比较稳定，可以得到一个预测时间信息为2020年1月21日，可以理解的是，在实际应用中，为了保证预测的精度，所述第一预设数量可以较大，如至少为数十）。

子步骤43，针对每一个所述第一时间序列，计算该第一时间序列对应的预测时间信息与对应的目标时间信息之间的第一预测误差值，其中，每一个所述第一时间序列对应的目标时间信息为下一个所述第一时间序列中最晚的一个时间信息，且最后一个所述第一时间序列对应的目标时间信息为获取到所述目标图像的时间信息（例如，针对上述示例中的预测时间信息为2020年1月21日，目标时间信息为2020年1月25日，如此，可以得到对应的第一预测误差值为4日）。

子步骤44，针对每一个所述第一预测误差值，基于预设的加权系数确定规则对该第一预测误差值进行加权系数确定处理，得到该第一预测误差值的第一加权系数，其中，得到的多个第一加权系数中，从第一个第一加权系数到中间第一加权系数按照第一预设递增系数依次递增，从中间第一加权系数到最后一个第一加权系数按照第一预设递减系数依次递减，且该第一预设递减系数小于该第一预设递增系数，全部的第一加权系数的和为1（其中，所述中间第一加权系数为，第一个第一预测误差值和最后一个第一预测误差值以外的最大第一预测误差值，或者第一次进行人脸识别未成功的时间信息作为目标时间信息时对应的第一预测误差值的加权系数）。

子步骤45，基于每一个所述第一预测误差值和对应的每一个所述第一加权系数，进行加权计算处理得到第一目标误差值。

子步骤46，针对所述第二类型历史行为数据包括的多个时间信息，以该多个时间信息中最早的一个时间信息为起点、以该多个时间信息中最晚的一个时间信息为终点，按照第二预设数量进行滑窗处理，得到多个第二时间序列，其中，每一个所述第二时间序列包括的时间信息的数量为所述第二预设数量，每两个相邻的所述第二时间序列之间对应排序的时间信息相邻，且该第二预设数量大于所述第一预设数量。

子步骤47，针对每一个所述第二时间序列，基于该第二时间序列的时间变化趋势确定该第二时间序列中的最晚的一个时间信息之后的一个预测时间信息，得到每一个所述第二时间序列对应的预测时间信息。

子步骤48，针对每一个所述第二时间序列，计算该第二时间序列对应的预测时间信息与对应的目标时间信息之间的第二预测误差值，其中，每一个所述第二时间序列对应的目标时间信息为下一个所述第二时间序列中最晚的一个时间信息，且最后一个所述第二时间序列对应的目标时间信息为获取到所述目标图像的时间信息。

子步骤49，针对每一个所述第二预测误差值，基于预设的加权系数确定规则对该第二预测误差值进行加权系数确定处理，得到该第二预测误差值的第二加权系数，其中，得到的多个第二加权系数中，从第一个第二加权系数到最后一个第二加权系数按照第二预设递增系数依次递增，且全部的第二加权系数的和为1。

子步骤50，基于每一个所述第二预测误差值和对应的每一个所述第二加权系数，进行加权计算处理得到第二目标误差值。

子步骤51，计算所述第一目标误差值和所述第二目标误差值之间的加权和值，其中，该第二目标误差值的权重系数基于所述第二类型历史行为数据中通过所述人类识别平台进行人脸识别的账号的数量的增加而减小，且该第二目标误差值的权重系数与该第一目标误差值的权重系数的和为1。

子步骤52，将所述加权和值与最后一个所述第一预测误差值之间的差值作为目标解析结果，其中，该差值越大，确定的目标安全等级信息的安全等级越低（例如，在一种可以替代的示例中，可以先计算所述加权和值与最后一个所述第一预测误差值之间的差值；然后，基于所述差值在预设的多个范围值中确定一个目标范围值，并将该目标范围值作为目标解析结果，其中，基于同一个范围值的不同差值确定的目标安全等级信息相同）。

在第二种示例中，为了在保证确定的目标解析结果具有一定可靠性的基础上，提高解析的效率，可以基于以下子步骤进行解析处理。

子步骤60，获取目标用户的第一类型历史行为数据，其中，该第一类型历史行为数据包括目标用户在所述人脸识别平台预先注册的目标账号每一次通过该人类识别平台进行人脸识别的时间信息。

子步骤61，针对所述第一类型历史行为数据包括的多个时间信息，以该多个时间信息中最早的一个时间信息为起点、以该多个时间信息中最晚的一个时间信息为终点，按照第一预设数量进行滑窗处理，得到多个第一时间序列，其中，每一个所述第一时间序列包括的时间信息的数量为所述第一预设数量，每两个相邻的所述第一时间序列之间对应排序的时间信息相邻。

子步骤62，针对每一个所述第一时间序列，基于该第一时间序列的时间变化趋势确定该第一时间序列中的最晚的一个时间信息之后的一个预测时间信息，得到每一个所述第一时间序列对应的预测时间信息。

子步骤63，针对每一个所述第一时间序列，计算该第一时间序列对应的预测时间信息与对应的目标时间信息之间的第一预测误差值，其中，每一个所述第一时间序列对应的目标时间信息为下一个所述第一时间序列中最晚的一个时间信息，且最后一个所述第一时间序列对应的目标时间信息为获取到所述目标图像的时间信息。

子步骤64，针对每一个所述第一预测误差值，基于预设的加权系数确定规则对该第一预测误差值进行加权系数确定处理，得到该第一预测误差值的第一加权系数，其中，得到的多个第一加权系数中，从第一个第一加权系数到中间第一加权系数按照第一预设递增系数依次递增，从中间第一加权系数到最后一个第一加权系数按照第一预设递减系数依次递减，该第一预设递减系数小于该第一预设递增系数，全部的第一加权系数的和为1。

子步骤65，基于每一个所述第一预测误差值和对应的每一个所述第一加权系数，进行加权计算处理得到第一目标误差值。

子步骤66，将所述第一目标误差值与最后一个所述第一预测误差值之间的差值作为目标解析结果，其中，该差值越大，确定的目标安全等级信息的安全等级越低。

在第三种示例中，为了充分提高进行解析处理的效率，可以基于以下子步骤进行解析处理。

子步骤70，获取目标用户的第二类型历史行为数据，其中，该第二类型历史行为数据包括拍摄形成所述目标图像的目标设备至少基于一个账号通过该人类识别平台进行人脸识别的时间信息。

子步骤71，针对所述第二类型历史行为数据包括的多个时间信息，以该多个时间信息中最早的一个时间信息为起点、以该多个时间信息中最晚的一个时间信息为终点，按照第二预设数量进行滑窗处理，得到多个第二时间序列，其中，每一个所述第二时间序列包括的时间信息的数量为所述第二预设数量，每两个相邻的所述第二时间序列之间对应排序的时间信息相邻。

子步骤72，针对每一个所述第二时间序列，基于该第二时间序列的时间变化趋势确定该第二时间序列中的最晚的一个时间信息之后的一个预测时间信息，得到每一个所述第二时间序列对应的预测时间信息。

子步骤73，针对每一个所述第二时间序列，计算该第二时间序列对应的预测时间信息与对应的目标时间信息之间的第二预测误差值，其中，每一个所述第二时间序列对应的目标时间信息为下一个所述第二时间序列中最晚的一个时间信息，且最后一个所述第二时间序列对应的目标时间信息为获取到所述目标图像的时间信息。

子步骤74，针对每一个所述第二预测误差值，基于预设的加权系数确定规则对该第二预测误差值进行加权系数确定处理，得到该第二预测误差值的第二加权系数，其中，得到的多个第二加权系数中，从第一个第二加权系数到最后一个第二加权系数按照第二预设递增系数依次递增，且全部的第二加权系数的和为1。

子步骤75，基于每一个所述第二预测误差值和对应的每一个所述第二加权系数，进行加权计算处理得到第二目标误差值。

子步骤76，将所述第二目标误差值与最后一个所述第二预测误差值之间的差值作为目标解析结果，其中，该差值越大，确定的目标安全等级信息的安全等级越低。

可选地，对于上述示例中，步骤S130包括的第二步，其具体实现方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，可以基于以下步骤确定出一个识别规则，作为目标识别规则：

首先，基于所述目标安全等级信息在预先形成的多个识别模型中确定出目标识别模型，其中，不同识别模型基于不同数量的样本数据和损失阈值训练形成（其中，基于越多的样本数据训练得到的识别模型，对应的识别精度越高；基于越小的损失阈值训练得到的识别模型，对应的识别精度越高）；其次，将所述目标识别模型作为目标识别规则。

也就是说，可以基于训练得到的识别模型对目标人脸图像进行识别。

综上所述，本申请提供的基于大数据和人工智能的人脸识别方法和人脸识别平台，通过将待识别的目标图像进行分割，得到目标背景图像和目标人脸图像，然后，基于通过目标背景图像确定的目标识别规则对目标人脸图像进行识别。如此，由于目标识别规则是基于目标背景图像确定的，相较于现有技术中直接基于固定的识别规则进行识别，可以提高识别的可靠度，从而改善现有人脸识别中存在可靠度较低的问题。并且，通过在不同的情况下，采用不同精度的识别规则进行识别，还可以兼顾识别结果的可靠性和识别的效率(如都采用识别精度低的识别规则，可能会存在可靠性低的问题；都采用识别精度高的识别规则，可能存在识别效率低的问题)。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。