CN109145653B - 数据处理方法和装置、电子设备、计算机可读存储介质 - Google Patents
数据处理方法和装置、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN109145653B CN109145653B CN201810866150.9A CN201810866150A CN109145653B CN 109145653 B CN109145653 B CN 109145653B CN 201810866150 A CN201810866150 A CN 201810866150A CN 109145653 B CN109145653 B CN 109145653B
- Authority
- CN
- China
- Prior art keywords
- face recognition
- recognition model
- module
- memory
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
- G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
- G06F21/74—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information operating in dual or compartmented mode, i.e. at least one secure mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种数据处理方法和装置、电子设备、计算机可读存储介质。所述方法包括:在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中;对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;根据所述内存中的第一目标人脸识别模型进行人脸识别处理。上述数据处理方法和装置、电子设备、计算机可读存储介质,可以提高数据处理的安全性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种数据处理方法和装置、电子设备、计算机可读存储介质。
背景技术
人脸识别技术的应用逐渐被应用到人们的工作和生活中,比如可以采集人脸图像进行支付认证、解锁认证,还可以对拍摄的人脸图像进行美颜处理。通过人脸识别技术中可以对图像中的人脸进行检测,还可以识别图像中的人脸是属于哪一个人的人脸,从而识别用户的身份。由于人脸识别的算法本身比较复杂,所以用于人脸识别处理的算法模型占用的存储空间也比较大。
发明内容
本申请实施例提供一种数据处理方法和装置、电子设备、计算机可读存储介质,可以提高数据处理的安全性。
一种数据处理方法,包括:
在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中;
对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;
根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
一种数据处理装置,包括:
第一模型获取模块,用于在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中;
第一模型加载模块,用于对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;
人脸识别模块,用于根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中;
对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;
根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中;
对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;
根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
上述数据处理方法和装置、电子设备、计算机可读存储介质,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中,然后根据内存中的第一目标人脸识别模型进行人脸识别处理。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中电子设备的内部结构示意图;
图2为一个实施例中数据处理方法的流程图;
图3为另一个实施例中数据处理方法的流程图;
图4为一个实施例中计算深度信息的原理图;
图5为又一个实施例中数据处理方法的流程图;
图6为一个实施例中传输第二人脸识别模型的示意图;
图7为又一个实施例中数据处理方法的流程图;
图8为一个实施例中加载第一人脸识别模型和第二人脸识别模型的示意图;
图9为一个实施例中实现数据处理方法的硬件结构图;
图10为一个实施例中数据处理装置的结构示意图;
图11为另一个实施例中数据处理装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一客户端称为第二客户端,且类似地,可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端,但其不是同一客户端。
图1为一个实施例中电子设备的内部结构示意图。如图1所示,该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器用于存储数据、程序等,存储器上存储至少一个计算机程序,该计算机程序可被处理器执行,以实现本申请实施例中提供的适用于电子设备的数据处理方法。存储器可包括磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random-Access-Memory,RAM)等。例如,在一个实施例中,存储器包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种数据处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等,用于与外部的电子设备进行通信。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
图2为一个实施例中数据处理方法的流程图。如图2所示,该数据处理方法包括步骤202至步骤206。其中:
步骤202,在安全运行环境中获取第一人脸识别模型,并将第一人脸识别模型编译到安全运行环境的可信应用中。
具体的,电子设备可包括处理器,处理器可以对数据进行存储、计算、传输等处理。电子设备中的处理器可以在不同的环境中运行。例如,电子设备的CPU(CentralProcessing Unit,中央处理器)可以在TEE(Trusted Execution Environment,可信执行环境)中运行,也可以在REE(Rich Execution Environment,自然运行环境)中运行。TEE就是一种安全运行环境,CPU在TEE中运行时,数据处理的安全性更高;在REE中运行时,数据处理的安全性更低。
电子设备可以对处理器的资源进行分配,对不同的运行环境划分不同的资源。例如,一般情况下电子设备中对安全性要求较高的进程会比较少,普通进程会比较多,那么电子设备就可以将处理器的小部分资源划分到安全性较高的运行环境中,将大部分资源划分到安全性没那么高的运行环境中。
人脸识别模型是用于对图像中的人脸进行识别处理的算法模型。当在安全运行环境中获取到第一人脸识别模型之后,可以将第一人脸识别模型编译到可信应用(TrustedApplication,TA)。这里的可信应用是一种安全性比较高的可执行文件,将第一人脸识别模型编译到可信应用之后,第一人脸识别模型会占用安全运行环境中的固定存储地址。电子设备在关机或重启的过程中,第一人脸识别模型会一直存储在该固定存储地址中,而不会被清掉。
步骤204,对可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将第一目标人脸识别模型加载到安全运行环境的内存中。
需要说明的是,在通过第一人脸识别模型进行人脸识别处理之前,需要将第一人脸识别模型进行初始化。初始化过程中,可将第一人脸识别模型中的参数、模块等设置为默认状态。第一人脸识别模型初始化之后,就可以根据初始化之后的第一人脸识别模型进行人脸识别模型。
具体的,可以将可信应用进行初始化,从而使得编译到可信应用中的第一人脸识别模型也被初始化。将初始化之后的第一人脸识别模型作为第一目标人脸识别模型,并将第一目标人脸识别模型加载到安全运行环境的内存中。第一目标人脸识别模型加载到安全运行环境中的内存之后,可以在内存中进行人脸识别处理,既可以保证人脸识别的安全性,也可以保证人脸识别的处理速度。
在一个实施例中,由于电子设备在关闭的时候,可能会清除内存中的数据。因此在将第一人脸识别模型编译到可信应用之后,可以在每次检测到电子设备启动的时候,将可信应用进行初始化,将初始化后的第一人脸识别模型重新加载到内存中。例如,在对第一人脸识别模型进行更新的时候,将第一人脸识别模型编译到可信应用中之后,可控制电子设备重启,在电子设备重启之后,将可信应用进行初始化,并将初始化后得到的第一目标人脸识别模型加载到内存中。
步骤206,根据内存中的第一目标人脸识别模型进行人脸识别处理。
在本申请提供的实施例中,上层应用在需要进行人脸识别处理的时候,可以调用安全运行环境中的可信应用,通过可信应用来调用内存中的第一目标人脸识别模型,并通过第一目标人脸识别模型来进行人脸识别处理。
具体的,人脸识别模型中可以包括多个处理模块,每个处理模块进行不同的处理,通过各个处理模块的处理共同实现人脸识别处理。例如,人脸识别模型中可以包括人脸检测模型、人脸匹配模型和活体检测模型等。通过人脸检测模型可以进行人脸检测处理,通过人脸匹配模型可以进行人脸匹配处理,通过活体检测模型可以进行活体检测处理。
人脸识别处理可以包括:人脸检测阶段、人脸匹配阶段和活体检测阶段中的一种或多种。在人脸检测阶段,可以检测图像中是否包含人脸,并定位人脸在图像中的具体位置;在人脸匹配阶段,可以将图像中检测到的人脸与预设人脸进行比对,判断检测到的人脸是否与预设人脸匹配;在活体检测阶段,可以对检测到的人脸进行活体检测,判断检测到的人脸是否为活体人脸。
可理解的是,在上述人脸识别处理的过程中,人脸检测阶段、人脸匹配阶段和活体检测阶段的执行顺序不限。例如,可以先进行人脸匹配,再进行活体检测。也可以先进行活体检测,再进行人脸匹配。
上述实施例提供的数据处理方法,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中,然后根据内存中的第一目标人脸识别模型进行人脸识别处理。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。
图3为另一个实施例中数据处理方法的流程图。如图3所示,该数据处理方法包括步骤302至步骤312。其中:
步骤302,若检测到电子设备的第一存储路径中存在第一人脸识别模型,则将第一人脸识别模型从第一存储路径移到安全运行环境中。
可以在电子设备中设置一个固定的存储路径,当该存储路径中存在第一人脸识别模型的时候,就可以将该第一人脸识别模型发送到安全运行环境中,并在安全运行环境中将第一人脸识别模型编译可信应用中。具体的,在电子设备出厂之前,可以直接将第一人脸识别模型烧录到电子设备的第一存储路径中。在电子设备出厂之后,电子设备可以将更新的第一人脸识别模型存放在第一存储路径中。例如,第一人脸识别模型更新的时候,电子设备可以作为终端,接收服务器发送的第一人脸识别模型。终端在接收到服务器发送的第一人脸识别模型之后,将第一人脸识别模型放在第一存储路径中。
在通过服务器发送第一人脸识别模型时,服务器可以将第一人脸识别模型进行加密,并将加密后的第一人脸识别模型发送到终端的第一存储路径中。终端在检测到第一存储路径中存在加密后的第一人脸识别模型之后,会检测该加密后的第一人脸识别模型是否完整,若该加密后的第一人脸识别模型是完整的,则将该加密后的第一人脸识别模型移到安全运行环境中,在安全运行环境中对加密后的人脸识别模型进行解密处理。
检测第一人脸识别模型是否完整,是指检测第一人脸识别模型在传输过程中是否有缺失。具体的,可以在服务器发送第一人脸识别模型之前,计算第一人脸识别模型的第一MD5(Message-Digest Algorithm 5,信息-摘要算法5),终端接收到第一人脸识别模型后,计算接收到的第一人脸识别模型的第二MD5,若第一MD5和第二MD5,则说明终端接收的第一人脸识别模型是完整的。
需要说明的是,可以对第一人脸识别模型定义对应的模型标识,该模型标识可以标示第一人脸识别模型的版本。当电子设备在接收到第一人脸识别模型之后,会将第一人脸识别模型存放在第一存储路径中。电子设备在检测到第一存储路径中存在第一人脸识别模型之后,会将该第一人脸识别模型的模型标识与本地记录的模型标识进行比较,若相同,则直接将第一存储路径中的第一人脸识别模型删除;若不同,则将该第一人脸识别模型从第一存储路径移到安全运行环境中,并执行步骤304。可以理解的是,上述本地记录的模型标识,是指已经编译到可信应用中的第一人脸识别模型的模型标识。
步骤304,在安全运行环境中获取第一人脸识别模型,并将第一人脸识别模型编译到安全运行环境的可信应用中。
在一个实施例中,在安全运行环境中将第一人脸识别模型编译到可信应用时,该第一人脸识别模型可能是首次被编译到可信应用中,也可能是用于更新可信应用中已有的第一人脸识别模型。若可信应用中不存在第一人脸识别模型,说明安全运行环境中获取到的第一人脸识模型是用于首次编译到可信应用中的,那么可以直接将获取的第一人脸识别模型编译到可信应用中。若可信应用中存在第一人脸识别模型,说明安全运行环境中获取的第一人脸识别模型是用于更新可信应用中的第一人脸识别模型的,则可以直接将获取的第一人脸识别模型编译到可信应用中替换已存在的第一人脸识别模型。
需要说明的是,电子设备在检测到第一存储路径中存在第一人脸识别模型之后,可以根据第一人脸识别模型的大小来配置可信应用。例如,第一人脸识别模型为20M,那么就可以对可信应用配置20M的固定存储地址,这样才能保证有足够的存储空间来存储第一人脸识别模型。则步骤304具体可以包括:在安全运行环境中获取第一人脸识别模型;获取第一人脸识别模型的模型大小,并根据模型大小配置安全运行环境中的可信应用;将该第一人脸识别模型编译到可信应用中。
步骤306,对可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将第一目标人脸识别模型加载到安全运行环境的内存中。
步骤308,当可信应用检测到人脸识别指令时,控制摄像头模组采集红外图像和散斑图像;其中,散斑图像是指激光散斑照射到物体上所形成的图像。
具体的,可信应用在编译好第一人脸识别模型后,可以对应用程序提供接口,应用程序通过调用该接口可以调用可信应用进行人脸识别处理。具体的,摄像头模组中可包括光发射器和摄像头。光发射器可以发射光线,当光发射器生成的光线照射到物体上时,通过摄像头采集光线照射到物体上所生成的图像。光发射器可分为不同类型,不同类型的光发射器,所发射的光线的类型也不同。例如,光发射器可以包括闪光灯、泛光灯、镭射灯等不同的类型,闪光灯可以生成可见光,泛光灯可以生成激光,镭射灯可以生成激光散斑。其中,激光散斑是激光透过衍射元件衍射所形成的。
需要说明的是,摄像头可以根据获取的图像的不同分为激光摄像头、可见光摄像头等类型,激光摄像头可以获取激光照射到物体上所形成的图像,可见光图像可以获取可见光照射到物体上所形成的图像。电子设备上可以安装若干个摄像头,且安装的位置不做限定。
例如,可以在电子设备的正面面板上安装一个摄像头,在背面面板上安装两个摄像头,摄像头还可以以内嵌的方式安装于电子设备的内部,然后通过旋转或滑动的方式打开摄像头。具体地,电子设备上可安装前置摄像头和后置摄像头,前置摄像头和后置摄像头可以从不同的视角获取图像,一般前置摄像头可以从电子设备的正面视角获取图像,后置摄像头可以从电子设备的背面视角获取图像。
应用程序在需要进行人脸识别处理的时候,可以发起人脸识别指令,并将人脸识别指令发送到摄像头驱动。摄像头驱动可以根据人脸采集指令打开摄像头,并将人脸识别指令发送给可信应用。可信应用再根据人脸识别指令控制光发射器打开,然后通过摄像头采集红外图像和散斑图像。例如,摄像头可以是激光摄像头,光发射器可以包括泛光灯和镭射灯,泛光灯可以生成激光,通过激光摄像头可以采集激光照射到物体上所形成的红外图像。镭射灯可以生成激光散斑,通过激光摄像头可以采集激光散斑照射到物体上所形成的散斑图像。
具体的,应用程序发起的人脸识别指令中可以包含发起时刻、类型标识、应用标识等内容,发起时刻是指应用程序发起人脸识别指令的时刻,类型标识表示应用程序所需采集的图像的类型,应用标识用于标示发起该人脸识别指令的应用程序。摄像头驱动在接收到人脸识别指令时,可根据人脸识别指令中的类型标识打开对应的摄像头,可信应用也可以根据人脸识别指令中的类型标识打开对应的光发射器。
步骤310,通过摄像头模组将采集的红外图像和散斑图像发送到安全运行环境中。
电子设备可以打开泛光灯、镭射灯和激光摄像头,泛光灯形成的激光可以照射到物体上,然后通过激光摄像头来采集的激光照射到物体上所形成的红外图像。镭射灯形成的激光散斑可以照射到物体上,然后通过激光摄像头来采集的激光散斑照射到物体上所形成的散斑图像。具体的,当激光照射在平均起伏大于波长数量级的光学粗糙表面上时,这些表面上分布的面元散射的子波相互叠加使反射光场具有随机的空间光强分布,呈现出颗粒状的结构,这就是激光散斑。形成的激光散斑中包含若干个激光散斑点,因此通过激光摄像头采集的散斑图中也包含若干个散斑点。例如,散斑图像中可包括30000个散斑点。
形成的激光散斑具有高度随机性,因此不同的镭射灯发射出来的激光所生成的激光散斑不同。当形成的激光散斑照射到不同深度和形状的物体上时,生成的散斑图像是不一样的。通过不同的镭射灯形成的激光散斑具有唯一性,从而得到的散斑图像也具有唯一性。
摄像头采集的红外图像和散斑图像可以发送到安全运行环境中。安全运行环境在接收到红外图像和散斑图像时,可以获取接收红外图像和散斑图像的接收时刻,并将该接收时刻与应用程序发起人脸识别指令的发起时刻进行比较,若接收时刻与发起时刻之间的时间间隔大于间隔阈值,则将红外图像和散斑图像丢弃;若接收时刻与发起时刻之间的时间间隔小于间隔阈值,则执行步骤312。
具体的,电子设备会通过一个周期性的脉冲信号控制摄像头模组不断地采集图像。例如,每间隔0.3ms(毫秒)控制摄像头模组采集一张红外图像和散斑图像,并根据采集的红外图像和散斑图像进行人脸识别处理。可以理解的是,如果采集红外图像和散斑图像的频率过高,会造成电子设备的负载过重。
为减轻电子设备的负担,可以获取内存的剩余容量;所述剩余容量调节摄像头模组的工作频率,并根据工作频率控制摄像头模组采集红外图像和散斑图像。例如,在内存的剩余容量较多的时候,说明内存有足够的能力可以进行人脸识别处理,这时就可以将摄像头模组设置为一个较高的工作频率。在内存的剩余容量较少的时候,说明内存的负载较重,就可以摄像头模组设置为一个较低的工作频率,以减轻内存的负担。
步骤312,通过安全运行环境中的可信应用调用内存中的第一目标人脸识别模型,对红外图像和散斑图像进行人脸识别处理。
将红外图像和散斑图像发送到安全运行环境中之后,可信应用可以调用内存中的第一目标人脸识别模型对红外图像和散斑图像进行人脸识别处理。具体的,在安全运行环境中根据散斑图像计算深度图像;通过安全运行环境中的可信应用调用内存中的第一目标人脸识别模型,对红外图像和深度图像进行人脸识别处理。
深度图像是用于表示物体的深度信息的图像。电子设备的安全运行环境中会存储一张参考图像是在对摄像头进行标定的时候,采集镭射灯照射参考平面时所形成的图像。参考图像中带有参考深度信息,根据参考图像和散斑图像进行计算就可以得到深度图像。
计算深度图像的步骤具体包括:获取安全运行环境中存储的参考图像;将参考图像与散斑图像进行比较得到偏移信息,偏移信息用于表示散斑图像中散斑点相对于参考图像中对应散斑点的水平偏移量;根据偏移信息和参考深度信息计算得到深度图像。
图4为一个实施例中计算深度信息的原理图。如图4所示,镭射灯402可以生成激光散斑,激光散斑经过物体进行反射后,通过激光摄像头404获取形成的图像。在摄像头的标定过程中,镭射灯402发射的激光散斑会经过参考平面408进行反射,然后通过激光摄像头404采集反射光线,通过成像平面410成像得到参考图像。参考平面408到镭射灯402的参考深度为L,该参考深度为已知的。在实际计算深度信息的过程中,镭射灯402发射的激光散斑会经过物体406进行反射,再由激光摄像头404采集反射光线,通过成像平面410成像得到实际的散斑图像。则可以得到实际的深度信息的计算公式为:
其中,L是镭射灯402到与参考平面408之间的距离,f为激光摄像头404中透镜的焦距,CD为镭射灯402到激光摄像头404之间的距离,AB为物体406的成像与参考平面408的成像之间的偏移距离。AB可为像素偏移量n与像素点的实际距离p的乘积。当物体404到镭射灯402之间的距离Dis大于参考平面406到镭射灯402之间的距离L时,AB为负值;当物体404到镭射灯402之间的距离Dis小于参考平面406到镭射灯402之间的距离L时,AB为正值。
在获取到红外图像和深度图像之后,通过安全运行环境中的可信应用调用内存中的第一目标人脸识别模型,并对红外图像和深度图像进行人脸识别处理。可以根据红外图像进行人脸检测和人脸匹配处理,根据深度图像进行活体检测处理。具体的,可以首先检测红外图像中是否包含人脸,若红外图像中包含人脸,则将红外图像中包含的人脸与预设人脸进行匹配。若匹配成功,则根据深度图像获取人脸对应的深度信息,根据检测该人脸对应的深度信息是否符合人脸立体规则。若该人脸对应的深度信息符合人脸立体规则,则认为该人脸为活体人脸,活体检测成功。若人脸匹配和活体检测都成功,则人脸识别成功;若人脸匹配失败或活体检测失败,则人脸识别失败。
人脸识别处理之后,可以得到人脸识别结果。可信应用会将人脸识别结果返回给应用程序,应用程序再根据人脸识别结果进行后续的处理。例如,可以根据人脸识别结果进行支付、解锁等操作。若人脸识别失败,则上层应用程序就支付失败;若人脸识别成功,则上层应用程序就支付成功。
上述实施例提供的数据处理方法,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中,然后根据内存中的第一目标人脸识别模型进行人脸识别处理。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。
图5为又一个实施例中数据处理方法的流程图。如图5所示,该数据处理方法包括步骤502至步骤510。其中:
步骤502,在安全运行环境中获取第一人脸识别模型,并将第一人脸识别模型编译到安全运行环境的可信应用中。
步骤504,对可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将第一目标人脸识别模型加载到安全运行环境的内存中。
步骤506,若检测到电子设备的第二存储路径中存在第二人脸识别模型,则将第二人脸识别模型从第二存储路径中移到闪存中。
在一个实施例中,在对人脸识别模型进行更新的时候,可以直接更新编译到可信应用中的第一人脸识别模型,也可以保持可信应用中的第一人脸识别模型,将更新的第二人脸识别模型加载到内存中,然后根据第一人脸识别模型和第二人脸识别模型共同来完成人脸识别处理。
可以理解的是,由于第一人脸识别模型已经编译到可信应用中,如果要更新可信应用中的第一人脸识别模型,那么就需要更新电子设备的固件,将可信应用重新进行编译,这样会增加电子设备的负担。所以,在人脸识别模型更新较小或者在更新的处理模块与其他模块独立的时候,就可以采用轻量级地更新模式,直接将要更新的人脸识别模型加载到内存中即可。
具体的,电子设备在更新人脸识别模型的时候,可以将人脸识别模型放在不同的存储路径中。当第一存储路径中存在第一人脸识别模型的时候,则说明需要电子设备将第一人脸识别模型重新编译到可信应用中进行更新,这样可能需要重启电子设备。当第二存储路径中存在第二人脸识别模型的时候,则说明只需电子设备将第二人脸识别模型加载到安全运行环境的内存中即可,无需重启电子设备。
步骤508,将闪存中的第二人脸识别模型进行初始化,将初始化后的第二人脸识别模型作为第二目标人脸识别模型,并将第二目标人脸识别模型发送到安全运行环境的内存中。
若检测到第二存储路径中存在第二人脸识别模型,则可以将第二人脸识别模型移动到电子设备的闪存中。闪存是一种非易失性存储器,例如可以是SD(Secure DigitalMemory Card,安全数码卡)卡、U盘、移动硬盘等。将第二人脸识别模型在闪存中进行初始化,并将初始化后的第二人脸识别模型即第二目标人脸识别模型加载到安全运行环境的内存中。
闪存可以看作是非安全运行环境中的,可以通过共享缓冲区(Share Buffer)将闪存中的第二人脸识别模型发送到安全运行环境中,然后再加载到安全运行环境的内存中。由于安全运行环境中的资源有限,因此将第二人脸识别模型存储在闪存中,可以减少安全运行环境中的资源占用率。具体的,将第二目标人脸识别模型传入到共享缓冲区,并通过共享缓存区将第二目标人脸识别模型发送到安全运行环境的内存中。
需要说明的是,电子设备可以对共享缓冲区进行配置,可根据需求设置共享缓冲区的空间大小。例如,电子设备可以将共享缓冲区的存储空间可以设置为5M,也可以设置为10M。若第二人脸识别模型的模型大小大于共享缓冲区的空间大小,那么就需要将第二人脸识别模型进行分段传输。
第二目标人脸识别模型发送到安全运行环境的内存之后,第二人脸识别模型仍然保存在闪存中。当电子设备关机时,安全运行环境中的第二目标人脸识别模型将会被清除。在检测到电子设备开机的时候,可以重新将第二人脸识别模型进行初始化得到第二目标人脸识别模型,并将第二目标人脸识别模型加载到安全运行环境的内存中。
步骤510,根据内存中的第一目标人脸识别模型和第二目标人脸识别模型进行人脸识别处理。
在本申请提供的实施例中,人脸识别模型中一般可以包含多个处理模块,例如可以包括用于检测人脸的人脸检测模块、用于匹配人脸的人脸匹配模块和用于检测人脸是否为活体检测模块等。这些处理模块可以是相互独立的,也可以是相互关联的。所以在对人脸识别模型进行更新的时候,可以选择将人脸识别模型中的所有处理模块进行更新,也可以只更新其中的一部分处理模块。
图6为一个实施例中传输第二人脸识别模型的示意图。如图6所示,电子设备的运行环境可包含非安全运行环境和安全运行环境,闪存602是在非安全运行环境下的,内存606是在安全运行环境下的,共享缓冲区604可以被非安全运行环境和安全运行环境访问。第二人脸识别模型被存储在闪存602中,在闪存602中对第二人脸识别模型进行初始化后,通过共享缓冲区604传输到安全运行环境的内存606中,在内存606中根据初始化后的第二人脸识别模型进行人脸识别处理。
可以理解的是,在对人脸识别模型进行更新的时候,可以是对人脸识别模型中原有的处理模块进行功能的优化,也可以是在原有的处理模块的基础上增加其他的处理模块。所以在进行人脸识别处理的时候,可以结合第一目标人脸识别模型和第二目标人脸识别模型共同来完成人脸识别处理。如图6所示,人脸识别处理具体可以包括:
步骤702,将内存中的第一目标人脸识别模型和第二目标人脸识别模型进行比较,其中第一目标人脸识别模型中包含至少一个第一人脸识别模块,第二目标人脸识别模型中包含至少一个第二人脸识别模块。
在一个实施例中,第一人脸识别模块是指第一目标人脸识别模型中包含的处理模块,第二人脸识别模块是指第二目标人脸识别模型中包含的处理模块。可以理解的是,第一目标人脸识别模型中包含至少一个第一人脸识别模块,不同的第一人脸识别模块之间可以是相互独立的,也可以是相互关联的。第二目标人脸识别模型中包含至少一个第二人脸识别模块,不同的第二目标人脸识别模块之间可以是相互独立的,也可以是相互关联的。
根据第一目标人脸识别模型和第二目标人脸识别模型进行人脸识别处理,具体可以是将第一目标人脸识别模型和第二目标人脸识别模型进行比较,若处理模块在第二目标人脸识别模型中被更新,那么就按照第二目标人脸识别模型中的处理模块进行处理,若处理模块在第二目标人脸识别模型中没有被更新,那么就按照第一目标人脸识别模型中的处理模块进行处理。
步骤704,若第一目标人脸识别模型中的第一人脸识别模块在第二目标人脸识别模型中存在对应的第二人脸识别模块,则根据第二人脸识别模块进行人脸识别处理。
电子设备可以遍历第一目标人脸识别模型中的第一人脸识别模块,然后查找第二目标人脸识别模型中是否存在第一人脸识别模块对应的第二人脸识别模块。具体的,若第一人脸识别模块和第二人脸识别模块是进行相同的处理,那么就认为第一人脸识别模块和第二人脸识别模块是对应的。例如,第一人脸识别模块和第二人脸识别模块都是为了提取人脸的特征,那么就人脸该第一人脸识别模块和第二人脸识别模块是对应的。
具体的,可以对第一人脸识别模块和第二人脸识别模型分别定义对应的模块标识,这样就可以查找第一模块标识是否存在对应的第二模块标识,若存在,则说明第一人脸识别模块存在对应的第二人脸识别模型。例如,第一目标人脸识别模型中包含人脸检测模块、人脸匹配模块和活体检测模块等三个第一人脸识别模块,定义对应的模块标识分别为“FaceDete_01”、“FaceMate_01”、“FaceLive_01”。第二目标人脸识别模型中只包含第二人脸匹配模块,对应的模块标识为“FaceMate_02”。则第一人脸识别模块“FaceMate_01”就与第二人脸识别模块“FaceMate_02”对应。
若第一目标人脸识别模型中的第一人脸识别模块在第二目标人脸识别模型中存在对应的第二人脸识别模块,则说明第二人脸识别模块是对第一人脸识别模块的更新,在人脸识别处理的时候可以忽略第一人脸识别模块,直接根据第二人脸识别模块进行人脸识别处理。
步骤706,若第一目标人脸识别模型中的第一人脸识别模块在第二目标人脸识别模型中不存在对应的第二人脸识别模块,则根据第一人脸识别模块进行人脸识别处理。
若第一目标人脸识别模型中的第一人脸识别模块在第二目标人脸识别模型中不存在对应的第二人脸识别模块,则说明该第一人脸识别模块没有被更新,就可以直接根据该第一人脸识别模块进行人脸识别处理。
步骤708,若第二目标人脸识别模型中的第二人脸识别模块在第一目标人脸识别模型中不存在对应的第一人脸识别模块,则根据第二人脸识别模块进行人脸识别处理。
若第二目标人脸识别模型中的第二人脸识别模块在第一目标人脸识别模型中不存在对应的第一人脸识别模块,则说明第二人脸识别模块在第一目标人脸识别模型的基础上新增加的处理模块,那么就可以直接根据新增加的第二人脸识别模块进行人脸识别处理。
上述实施例提供的数据处理方法,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中。在检测到第二人脸识别模型的时候,根据第二人脸识别模型进行更新。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。还可以不断地对人脸识别模型进行更新,提高数据处理的准确性。
在本申请提供的实施例中,数据处理方法具体还可以包括:
(1)若检测到电子设备的第一存储路径中存在第一人脸识别模型,则将第一人脸识别模型从第一存储路径移到安全运行环境中;
(2)在安全运行环境中获取第一人脸识别模型,并将第一人脸识别模型编译到安全运行环境的可信应用中;
(3)对可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将第一目标人脸识别模型加载到安全运行环境的内存中;
(4)若检测到电子设备的第二存储路径中存在第二人脸识别模型,则将第二目标人脸识别模型传入到共享缓冲区,并通过共享缓存区将第二目标人脸识别模型发送到安全运行环境的内存中;
(5)将闪存中的第二人脸识别模型进行初始化,将初始化后的第二人脸识别模型作为第二目标人脸识别模型,并将第二目标人脸识别模型发送到安全运行环境的内存中;
(6)当可信应用检测到人脸识别指令时,控制摄像头模组采集红外图像和散斑图像;其中,散斑图像是指激光散斑照射到物体上所形成的图像;
(7)通过摄像头模组将采集的红外图像和散斑图像发送到安全运行环境中;
(8)通过安全运行环境中的可信应用调用内存中的第一目标人脸识别模型和第二目标人脸识别模型,并将内存中的第一目标人脸识别模型和第二目标人脸识别模型进行比较;
(9)若第一目标人脸识别模型中的第一人脸识别模块在第二目标人脸识别模型中存在对应的第二人脸识别模块,则根据第二人脸识别模块对红外图像和散斑图像进行人脸识别处理;
(10)若第一目标人脸识别模型中的第一人脸识别模块在第二目标人脸识别模型中不存在对应的第二人脸识别模块,则根据第一人脸识别模块对红外图像和散斑图像进行人脸识别处理;
(11)若第二目标人脸识别模型中的第二人脸识别模块在第一目标人脸识别模型中不存在对应的第一人脸识别模块,则根据第二人脸识别模块对红外图像和散斑图像进行人脸识别处理。
上述实施例提供的数据处理方法,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中。在检测到第二人脸识别模型的时候,根据第二人脸识别模型进行更新。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。还可以不断地对人脸识别模型进行更新,提高数据处理的准确性。
图8为一个实施例中加载第一人脸识别模型和第二人脸识别模型的示意图。如图8所示,第一人脸识别模型802在安全运行环境中被编译到可信应用804中,可信应用804初始化之后,会将初始化后得到的第一目标人脸识别模型加载到安全运行环境的内存806中。第二人脸识别模型808存储在非安全运行环境中,可以在闪存中进行初始化,并将初始化后得到的第二目标人脸识别模型加载到安全运行环境的内存中。
图9为一个实施例中实现数据处理方法的硬件结构图。如图9所示,该电子设备中可包括摄像头模组910、中央处理器(Central Processing Unit,CPU)920和微控制单元(Microcontroller Unit,MCU)930,上述摄像头模组910中包括激光摄像头912、泛光灯914、RGB摄像头916和镭射灯918。微控制单元930包括PWM(Pulse Width Modulation,脉冲宽度调制)模块932、SPI/I2C(Serial Peripheral Interface/Inter-Integrated Circuit,串行外设接口/双向二线制同步串行接口)模块934、RAM(Random Access Memory,随机存取存储器)模块936、Depth Engine模块938。其中,中央处理器920可以为多核运行模式,中央处理器920中的CPU内核可以在TEE或REE下运行。TEE和REE均为ARM模块(Advanced RISCMachines,高级精简指令集处理器)的运行模式。中央处理器920中的自然运行环境为中非安全运行环境,安全性较低。中央处理器920中的可信运行环境为一种安全运行环境,安全性较高。可理解的是,由于微控制单元930是独立于中央处理器920的处理模块,且其输入和输出都是由可信运行环境下的中央处理器920来控制的,所以微控制单元930也是安全性较高的处理模块,可认为微控制单元930也是处于安全运行环境中的。
通常情况下,安全性要求较高的操作行为需要在安全运行环境中执行,其他操作行为则可在非安全运行环境下执行。本申请实施例中,可信应用可以是在可信运行环境中编译的,当可信运行环境下的CPU获取到第一人脸识别模型后,可以将第一人脸识别模型编译到可信应用中。然后将可信应用进行初始化,并将初始化后得到的第一目标人脸识别模型加载到可信运行环境的内存中。
当中央处理器920在检测到人脸识别指令时,可以通过可信运行环境下的CPU内核可通过可信运行环境控制SECURE SPI/I2C向微控制单元930中的SPI/I2C模块934发送人脸识别指令。微控制单元930在接收到人脸识别指令后,通过PWM模块932发射脉冲波控制摄像头模组910中泛光灯914开启来采集红外图像、控制摄像头模组910中镭射灯918开启来采集散斑图像。摄像头模组910可将采集到的红外图像和散斑图像传送给微控制单元930中Depth Engine模块938,Depth Engine模块938可根据散斑图像计算深度图像,并将红外图像和深度图像发送给可信运行环境下的CPU内核。然后可信应用会调用内存中的第一目标人脸识别模型会,对接收到的红外图像和深度图像进行人脸识别处理。
图10为一个实施例中数据处理装置的结构示意图。如图10所示,该数据处理装置1000包括第一模型获取模块1002、第一模型加载模块1004和人脸识别模块1006。其中:
第一模型获取模块1002,用于在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中。
第一模型加载模块1004,用于对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中。
人脸识别模块1006,用于根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
上述实施例提供的数据处理装置,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中,然后根据内存中的第一目标人脸识别模型进行人脸识别处理。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。
在一个实施例中,人脸识别模块1006用于当所述可信应用检测到人脸识别指令时,控制摄像头模组采集红外图像和散斑图像;其中,所述散斑图像是指激光散斑照射到物体上所形成的图像;通过所述摄像头模组将采集的所述红外图像和散斑图像发送到所述安全运行环境中;通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型,对所述红外图像和散斑图像进行人脸识别处理。
在一个实施例中,人脸识别模块1006用于获取所述内存的剩余容量;所述剩余容量调节摄像头模组的工作频率,并根据所述工作频率控制摄像头模组采集红外图像和散斑图像。
在一个实施例中,人脸识别模块1006用于在所述安全运行环境中根据散斑图像计算深度图像;通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型,对所述红外图像和深度图像进行人脸识别处理。
图11为另一个实施例中数据处理装置的结构示意图。如图11所示,该数据处理装置1100包括第一模型获取模块1102、第一模型加载模块1104、第二模型加载模块1106和人脸识别模块1108。其中:
第一模型获取模块1102,用于在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中。
第一模型加载模块1104,用于对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中。
第二模型加载模块1106,用于若检测到电子设备的第二存储路径中存在第二人脸识别模型,则将所述第二人脸识别模型从所述第二存储路径中移到闪存中;将所述闪存中的第二人脸识别模型进行初始化,将初始化后的第二人脸识别模型作为第二目标人脸识别模型,并将所述第二目标人脸识别模型发送到安全运行环境的内存中。
人脸识别模块1108,用于根据所述内存中的第一目标人脸识别模型和第二目标人脸识别模型进行人脸识别处理。
上述实施例提供的数据处理装置,可在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到可信应用中。在所述可信应用中将第一人脸识别模型进行初始化,并将初始化之后的第一目标人脸识别模型加载到安全运行环境的内存中。在检测到第二人脸识别模型的时候,根据第二人脸识别模型进行更新。这样就可以在安全运行环境中的加载人脸识别模型,并在安全运行环境中进行人脸识别处理,提高了数据处理的安全性。还可以不断地对人脸识别模型进行更新,提高数据处理的准确性。
在一个实施例中,第一模型获取模块1102还用于若检测到电子设备的第一存储路径中存在第一人脸识别模型,则将所述第一人脸识别模型从第一存储路径移到安全运行环境中。
在一个实施例中,第二模型加载模块1106还用于将所述第二目标人脸识别模型传入到共享缓冲区,并通过所述共享缓存区将所述第二目标人脸识别模型发送到所述安全运行环境的内存中。
在一个实施例中,人脸识别模块1108用于当所述可信应用检测到人脸识别指令时,控制摄像头模组采集红外图像和散斑图像;其中,所述散斑图像是指激光散斑照射到物体上所形成的图像;通过所述摄像头模组将采集的所述红外图像和散斑图像发送到所述安全运行环境中;通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型和第二目标人脸识别模型,对所述红外图像和散斑图像进行人脸识别处理。
在一个实施例中,人脸识别模块1108用于获取所述内存的剩余容量;所述剩余容量调节摄像头模组的工作频率,并根据所述工作频率控制摄像头模组采集红外图像和散斑图像。
在一个实施例中,人脸识别模块1108用于在所述安全运行环境中根据散斑图像计算深度图像;通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型和第二目标人脸识别模型,对所述红外图像和深度图像进行人脸识别处理。
在一个实施例中,人脸识别模块1108还用于将所述内存中的第一目标人脸识别模型和第二目标人脸识别模型进行比较,其中所述第一目标人脸识别模型中包含至少一个第一人脸识别模块,所述第二目标人脸识别模型中包含至少一个第二人脸识别模块;若所述第一目标人脸识别模型中的第一人脸识别模块在所述第二目标人脸识别模型中存在对应的第二人脸识别模块,则根据所述第二人脸识别模块进行人脸识别处理;若所述第一目标人脸识别模型中的第一人脸识别模块在所述第二目标人脸识别模型中不存在对应的第二人脸识别模块,则根据所述第一人脸识别模块进行人脸识别处理;若所述第二目标人脸识别模型中的第二人脸识别模块在所述第一目标人脸识别模型中不存在对应的第一人脸识别模块,则根据所述第二人脸识别模块进行人脸识别处理。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
若检测到电子设备的第一存储路径中存在第一人脸识别模型,则将所述第一人脸识别模型从第一存储路径移到安全运行环境中;
在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中,所述第一人脸识别模型包括人脸检测模块、人脸匹配模块和活体检测模块;
对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;
根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
2.根据权利要求1所述的方法,其特征在于,所述根据所述内存中的第一目标人脸识别模型进行人脸识别处理,包括:
当所述可信应用检测到人脸识别指令时,控制摄像头模组采集红外图像和散斑图像;其中,所述散斑图像是指激光散斑照射到物体上所形成的图像;
通过所述摄像头模组将采集的所述红外图像和散斑图像发送到所述安全运行环境中;
通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型,对所述红外图像和散斑图像进行人脸识别处理。
3.根据权利要求2所述的方法,其特征在于,所述控制摄像头模组采集红外图像和散斑图像,包括:
获取所述内存的剩余容量;
所述剩余容量调节摄像头模组的工作频率,并根据所述工作频率控制摄像头模组采集红外图像和散斑图像。
4.根据权利要求2所述的方法,其特征在于,所述通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型,对所述红外图像和散斑图像进行人脸识别处理,包括:
在所述安全运行环境中根据散斑图像计算深度图像;
通过所述安全运行环境中的所述可信应用调用所述内存中的第一目标人脸识别模型,对所述红外图像和深度图像进行人脸识别处理。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
若检测到电子设备的第二存储路径中存在第二人脸识别模型,则将所述第二人脸识别模型从所述第二存储路径中移到闪存中;
将所述闪存中的第二人脸识别模型进行初始化,将初始化后的第二人脸识别模型作为第二目标人脸识别模型,并将所述第二目标人脸识别模型发送到安全运行环境的内存中;
所述根据所述内存中的第一目标人脸识别模型进行人脸识别处理,包括:
根据所述内存中的第一目标人脸识别模型和第二目标人脸识别模型进行人脸识别处理。
6.根据权利要求5所述的方法,其特征在于,所述将所述第二目标人脸识别模型发送到所述安全运行环境的内存中,包括:
将所述第二目标人脸识别模型传入到共享缓冲区,并通过所述共享缓存区将所述第二目标人脸识别模型发送到所述安全运行环境的内存中。
7.根据权利要求5所述的方法,其特征在于,所述根据所述内存中的第一目标人脸识别模型和第二目标人脸识别模型进行人脸识别处理,包括:
将所述内存中的第一目标人脸识别模型和第二目标人脸识别模型进行比较,其中所述第一目标人脸识别模型中包含至少一个第一人脸识别模块,所述第二目标人脸识别模型中包含至少一个第二人脸识别模块;
若所述第一目标人脸识别模型中的第一人脸识别模块在所述第二目标人脸识别模型中存在对应的第二人脸识别模块,则根据所述第二人脸识别模块进行人脸识别处理;
若所述第一目标人脸识别模型中的第一人脸识别模块在所述第二目标人脸识别模型中不存在对应的第二人脸识别模块,则根据所述第一人脸识别模块进行人脸识别处理;
若所述第二目标人脸识别模型中的第二人脸识别模块在所述第一目标人脸识别模型中不存在对应的第一人脸识别模块,则根据所述第二人脸识别模块进行人脸识别处理。
8.一种数据处理装置,其特征在于,包括:
第一模型获取模块,用于若检测到电子设备的第一存储路径中存在第一人脸识别模型,则将所述第一人脸识别模型从第一存储路径移到安全运行环境中,在安全运行环境中获取第一人脸识别模型,并将所述第一人脸识别模型编译到所述安全运行环境的可信应用中,所述第一人脸识别模型包括人脸检测模块、人脸匹配模块和活体检测模块;
第一模型加载模块,用于对所述可信应用进行初始化,将初始化后的可信应用中的第一人脸识别模型作为第一目标人脸识别模型,并将所述第一目标人脸识别模型加载到所述安全运行环境的内存中;
人脸识别模块,用于根据所述内存中的第一目标人脸识别模型进行人脸识别处理。
9.一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866150.9A CN109145653B (zh) | 2018-08-01 | 2018-08-01 | 数据处理方法和装置、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866150.9A CN109145653B (zh) | 2018-08-01 | 2018-08-01 | 数据处理方法和装置、电子设备、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145653A CN109145653A (zh) | 2019-01-04 |
CN109145653B true CN109145653B (zh) | 2021-06-25 |
Family
ID=64798693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810866150.9A Active CN109145653B (zh) | 2018-08-01 | 2018-08-01 | 数据处理方法和装置、电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145653B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961062A (zh) * | 2019-04-16 | 2019-07-02 | 北京迈格威科技有限公司 | 图像识别方法、装置、终端和可读存储介质 |
CN110276185A (zh) * | 2019-06-19 | 2019-09-24 | 郑雨鑫 | 基于计算机深度学习技术的图像拼接防篡改方法 |
WO2021050042A1 (en) * | 2019-09-09 | 2021-03-18 | Google Llc | Face authentication embedding migration and drift-compensation |
CN113545028B (zh) | 2019-09-25 | 2023-05-09 | 谷歌有限责任公司 | 用于面部认证的增益控制 |
CN112912931A (zh) | 2019-10-04 | 2021-06-04 | 谷歌有限责任公司 | 对使用近红外照明器的多个相机的自动校准 |
CN111258669B (zh) * | 2020-03-25 | 2024-04-16 | 上海商汤临港智能科技有限公司 | 人脸识别方法及装置、存储介质 |
CN111783643B (zh) * | 2020-06-30 | 2023-09-01 | 北京百度网讯科技有限公司 | 人脸识别的方法、装置、电子设备及存储介质 |
CN112633181B (zh) * | 2020-12-25 | 2022-08-12 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、系统、装置、设备和介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106102054A (zh) * | 2016-05-27 | 2016-11-09 | 深圳市雪球科技有限公司 | 一种对安全单元进行安全管理的方法以及通信系统 |
CN107480613B (zh) * | 2017-07-31 | 2021-03-02 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、移动终端和计算机可读存储介质 |
CN107766713B (zh) * | 2017-10-18 | 2020-02-18 | Oppo广东移动通信有限公司 | 人脸模板数据录入控制方法及相关产品 |
CN107862266A (zh) * | 2017-10-30 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法及相关产品 |
CN108009426A (zh) * | 2017-11-07 | 2018-05-08 | 深圳天珑无线科技有限公司 | 可信区域日志信息的获取方法、装置、介质及电子设备 |
-
2018
- 2018-08-01 CN CN201810866150.9A patent/CN109145653B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109145653A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145653B (zh) | 数据处理方法和装置、电子设备、计算机可读存储介质 | |
CN108764052B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108804895B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108549867B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108805024B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
JP6756037B2 (ja) | ユーザ本人確認の方法、装置及びシステム | |
CN109213610B (zh) | 数据处理方法、装置、计算机可读存储介质和电子设备 | |
WO2016197297A1 (zh) | 活体检测方法、活体检测系统以及计算机程序产品 | |
CN108985255B (zh) | 数据处理方法、装置、计算机可读存储介质和电子设备 | |
CN110191266B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
KR102522415B1 (ko) | 전자 장치의 객체 인증 장치 및 방법 | |
US11256903B2 (en) | Image processing method, image processing device, computer readable storage medium and electronic device | |
WO2019206020A1 (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108921903B (zh) | 摄像头标定方法、装置、计算机可读存储介质和电子设备 | |
CN108711054B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
US11410458B2 (en) | Face identification method and apparatus, mobile terminal and storage medium | |
CN106127172A (zh) | 一种非接触3d指纹采集的装置及方法 | |
CN108833887B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN108830141A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN110929255A (zh) | 应用程序的安全控制方法、装置及移动终端、存储介质 | |
US11373445B2 (en) | Method and apparatus for processing data, and computer readable storage medium | |
WO2020015403A1 (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
US11170204B2 (en) | Data processing method, electronic device and computer-readable storage medium | |
US20200151891A1 (en) | Image Processing Method and Apparatus, and Computer Readable Storage Medium | |
CN108881712B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |