1.一種融合關(guān)鍵特征點(diǎn)的訓(xùn)練方法，其特征在于，所述方法包括：
獲取訓(xùn)練集中人臉圖像的關(guān)鍵特征點(diǎn)位置；
根據(jù)所述關(guān)鍵特征點(diǎn)位置生成關(guān)鍵特征點(diǎn)的二值圖像；
將所述關(guān)鍵特征點(diǎn)的二值圖像、所述人臉圖像的R、G、B圖像輸入到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述關(guān)鍵特征點(diǎn)位置生成關(guān)鍵特征點(diǎn)的二值圖像，包括：
根據(jù)所述關(guān)鍵特征點(diǎn)位置擬合人臉區(qū)域的上邊框、下邊框、左邊框及右邊框；
根據(jù)所述上邊框、下邊框、左邊框及右邊框確定人臉矩形框；
對于所述人臉矩形框中的每個(gè)像素，若該像素為關(guān)鍵特征點(diǎn)區(qū)域，則取該像素的灰度值為1；若該像素為非關(guān)鍵特征點(diǎn)區(qū)域，則取該像素的灰度值為0，生成關(guān)鍵特征點(diǎn)的二值圖像。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)包括人臉分類識(shí)別任務(wù)、人臉角度分類任務(wù)、正面人臉重建任務(wù)；其中，所述人臉分類識(shí)別任務(wù)、所述人臉角度分類任務(wù)及所述正面人臉重建任務(wù)共享所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的卷積層及第一個(gè)全鏈接層，所述第一個(gè)全鏈接層連接每個(gè)任務(wù)特有的全鏈接層及每個(gè)任務(wù)的損失函數(shù)，且所述人臉分類識(shí)別任務(wù)、所述人臉角度分類任務(wù)及所述正面人臉重建任務(wù)的損失函數(shù)權(quán)重比例分配為6：2：2。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述人臉分類識(shí)別任務(wù)的損失函數(shù)為softmax函數(shù)、所述人臉角度分類任務(wù)的損失函數(shù)為softmax函數(shù)、所述正面人臉重建任務(wù)的損失函數(shù)為最小誤差平方函數(shù)。
5.根據(jù)權(quán)利要求1至4任一項(xiàng)所述的方法，其特征在于，所述將所述關(guān)鍵特征點(diǎn)的二值圖像、所述人臉圖像的R、G、B圖像輸入到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型，包括：
將所述關(guān)鍵特征點(diǎn)的二值圖像、所述人臉圖像的R、G、B圖像輸入到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的第一層卷積完成卷積運(yùn)算；將得到的運(yùn)算結(jié)果輸入到所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的第二層卷積完成卷積運(yùn)算，直到將得到的運(yùn)算結(jié)果輸入到所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的第N層卷積完成卷積運(yùn)算，再鏈接兩層全鏈接層得到最終的識(shí)別與重建的訓(xùn)練結(jié)果；
其中，所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)采用Alexnet結(jié)構(gòu)。
6.一種融合關(guān)鍵特征點(diǎn)的識(shí)別方法，其特征在于，所述方法包括：
獲取待識(shí)別人臉圖像的關(guān)鍵特征點(diǎn)位置；
根據(jù)所述關(guān)鍵特征點(diǎn)位置生成關(guān)鍵特征點(diǎn)的二值圖像；
將所述關(guān)鍵特征點(diǎn)的二值圖像、所述待識(shí)別人臉圖像的R、G、B圖像輸入到訓(xùn)練后的多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行特征提取，得到所述待識(shí)別人臉圖像的特征信息；
將所述待識(shí)別人臉圖像的特征信息分別與注冊集中每張人臉圖像對應(yīng)的特征信息進(jìn)行匹配，得到識(shí)別結(jié)果。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述將所述待識(shí)別人臉圖像的特征信息分別與注冊集中人臉圖像對應(yīng)的特征信息進(jìn)行匹配，得到識(shí)別結(jié)果，包括：
通過計(jì)算所述待識(shí)別人臉圖像的特征信息分別與所述注冊集中每張人臉圖像對應(yīng)的特征信息的歐式距離，確定所述待識(shí)別人臉圖像分別與所述注冊集中每張人臉圖像的相似度值；
根據(jù)所述待識(shí)別人臉圖像分別與所述注冊集中每張人臉圖像的相似度值及預(yù)設(shè)的相似度閾值確定識(shí)別結(jié)果。
8.一種融合關(guān)鍵特征點(diǎn)的訓(xùn)練系統(tǒng)，其特征在于，所述系統(tǒng)包括：獲取模塊、生成模塊、訓(xùn)練模塊；其中，
所述獲取模塊，用于獲取訓(xùn)練集中人臉圖像的關(guān)鍵特征點(diǎn)位置；
所述生成模塊，用于根據(jù)所述關(guān)鍵特征點(diǎn)位置生成關(guān)鍵特征點(diǎn)的二值圖像；
所述訓(xùn)練模塊，用于將所述關(guān)鍵特征點(diǎn)的二值圖像、所述人臉圖像的R、G、B圖像輸入到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型。
9.根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述生成模塊具體用于：
根據(jù)所述關(guān)鍵特征點(diǎn)位置擬合人臉區(qū)域的上邊框、下邊框、左邊框及右邊框；
根據(jù)所述上邊框、下邊框、左邊框及右邊框確定人臉矩形框；
對于所述人臉矩形框中的每個(gè)像素，若該像素為關(guān)鍵特征點(diǎn)區(qū)域，則取該像素的灰度值為1；若該像素為非關(guān)鍵特征點(diǎn)區(qū)域，則取該像素的灰度值為0，生成關(guān)鍵特征點(diǎn)的二值圖像。
10.根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)包括人臉分類識(shí)別任務(wù)、人臉角度分類任務(wù)、正面人臉重建任務(wù)；其中，所述人臉分類識(shí)別任務(wù)、所述人臉角度分類任務(wù)及所述正面人臉重建任務(wù)共享所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的卷積層及第一個(gè)全鏈接層，所述第一個(gè)全鏈接層連接每個(gè)任務(wù)特有的全鏈接層及每個(gè)任務(wù)的損失函數(shù)，且所述人臉分類識(shí)別任務(wù)、所述人臉角度分類任務(wù)及所述正面人臉重建任務(wù)的損失函數(shù)權(quán)重比例分配為6：2：2。
11.根據(jù)權(quán)利要求10所述的系統(tǒng)，其特征在于，所述人臉分類識(shí)別任務(wù)的損失函數(shù)為softmax函數(shù)、所述人臉角度分類任務(wù)的損失函數(shù)為softmax函數(shù)、所述正面人臉重建任務(wù)的損失函數(shù)為最小誤差平方函數(shù)。
12.根據(jù)權(quán)利要求8至11任一項(xiàng)所述的系統(tǒng)，其特征在于，所述所述訓(xùn)練模塊具體用于：
將所述關(guān)鍵特征點(diǎn)的二值圖像、所述人臉圖像的R、G、B圖像輸入到多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的第一層卷積完成卷積運(yùn)算；將得到的運(yùn)算結(jié)果輸入到所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的第二層卷積完成卷積運(yùn)算，直到將得到的運(yùn)算結(jié)果輸入到所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的第N層卷積完成卷積運(yùn)算，再鏈接兩層全鏈接層得到最終的識(shí)別與重建的訓(xùn)練結(jié)果；
其中，所述多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)采用Alexnet結(jié)構(gòu)。
13.一種融合關(guān)鍵特征點(diǎn)的識(shí)別系統(tǒng)，其特征在于，所述系統(tǒng)包括：獲取模塊、生成模塊、特征提取模塊、分類識(shí)別模塊；其中，
所述獲取模塊，用于獲取待識(shí)別人臉圖像的關(guān)鍵特征點(diǎn)位置；
所述生成模塊，用于根據(jù)所述關(guān)鍵特征點(diǎn)位置生成關(guān)鍵特征點(diǎn)的二值圖像；
所述特征提取模塊，用于將所述關(guān)鍵特征點(diǎn)的二值圖像、所述待識(shí)別人臉圖像的R、G、B圖像輸入到訓(xùn)練后的多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行特征提取，得到所述待識(shí)別人臉圖像的特征信息；
所述分類識(shí)別模塊，用于將所述待識(shí)別人臉圖像的特征信息分別與注冊集中每張人臉圖像對應(yīng)的特征信息進(jìn)行匹配，得到識(shí)別結(jié)果。
14.根據(jù)權(quán)利要求13所述的系統(tǒng)，其特征在于，所述分類識(shí)別模塊具體用于：
通過計(jì)算所述待識(shí)別人臉圖像的特征信息分別與所述注冊集中每張人臉圖像對應(yīng)的特征信息的歐式距離，確定所述待識(shí)別人臉圖像分別與所述注冊集中每張人臉圖像的相似度值；
根據(jù)所述待識(shí)別人臉圖像分別與所述注冊集中每張人臉圖像的相似度值及預(yù)設(shè)的相似度閾值確定識(shí)別結(jié)果。