一种基于生物特征的认证方法、装置及系统
技术领域
本发明涉及计算机领域,特别涉及一种基于生物特征的认证方法、装置及系统。
背景技术
生物特征识别技术是利用人的生理特征或行为特征,来进行个人身份的鉴定。在当今信息化时代,如何准确鉴定一个人的身份、保护信息安全,已成为一个必须解决的关键社会问题。传统的身份认证由于极易伪造和丢失,越来越难以满足社会的需求,目前最为便捷与安全的解决方案无疑就是生物识别技术。它不但简洁快速,而且利用它进行身份的认定,安全、可靠、准确。
目前,主要包括的生物特征识别技术包括:人脸识别、指纹识别、虹膜识别等。其中,以人脸识别为例进行说明,在现阶段包括多种基于人脸识别的认证服务。例如:基于考勤机等硬件的考勤服务,在本地进行人脸采集与匹配,实现人脸考勤与门禁的功能,例如某些公司的人脸考勤机;还包含基于计算机与移动终端的登录服务,比如某些型号笔记本的人脸验证开机,以及某些型号智能手机的人脸验证解锁。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
现有的生物特征识别技术都是基于本地进行的,应用具有局限性,不能够支持多客户端的扩展,缺乏多样化的功能,而且认证是在客户端进行的,会导致客户端的逻辑相对复杂。
发明内容
为了解决现有技术中存在的问题,本发明实施例提供了一种基于生物特征的认证方法、装置及系统。所述技术方案如下:
一种基于生物特征的认证方法,所述方法包括:
接收客户端发送的待认证生物特征图像,所述待认证生物特征图像是所述客户端在采集到用户图像后,当检测到所述用户图像中包括人脸时,标定人脸的位置;在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正得到的;
对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与本地预存的生物特征模板进行匹配认证,返回匹配认证结果,所述本地预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
所述接收客户端发送的待认证生物特征图像时,所述方法还包括:
接收所述客户端发送的客户端标识;
相应地,所述与本地预存的生物特征模板进行匹配认证,返回匹配认证结果,包括:
根据所述客户端标识查找与所述客户端标识对应的本地预存的生物特征模板的集合;
将所述待认证生物特征模板与所述集合中的每个生物特征模板进行相似度计算,当所述生物特征模板与所述待认证生物特征模板的相似度大于预设的识别阈值时,则将所述生物特征模板对应的用户标识加入到识别结果集中;
根据相似度由大到小的顺序将所述识别结果集中的用户标识进行排序,并将所述识别结果集返回给所述客户端。
进一步地,所述对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,包括:
对所述待认证生物特征图像进行光照归一化处理;
对所述光照归一化处理后的待认证生物特征图像进行特征抽取,并对抽取得到的特征进行降维度计算,将降维度计算结果依次串连得到所述待认证生物特征模板。
进一步地,所述接收客户端发送的待认证生物特征图像之前,所述方法还包括:
接收所述客户端发送的生物特征图像、客户端标识和用户标识;
对所述生物特征图像进行特征抽取得到生物特征模板,保存所述生物特征模板、所述客户端标识和所述用户标识的对应关系,完成用户的注册,并返回注册结果。
一种基于生物特征的认证方法,所述方法包括:
接收客户端发送的待认证生物特征图像,所述待认证生物特征图像是所述客户端在采集到用户图像后,当检测到所述用户图像中包括人脸时,标定人脸的位置;在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正得到的;
对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与本地预存的生物特征模板进行匹配认证,返回匹配认证结果,所述本地预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
所述接收客户端发送的待认证生物特征图像时,所述方法还包括:
接收所述客户端发送的客户端标识和用户标识;
相应地,所述与本地预存的生物特征模板进行匹配认证,返回匹配认证结果,包括:
根据所述客户端标识和用户标识查找得到与所述客户端标识和用户标识对应的生物特征模板;
将所述待认证生物特征模板与所述客户端标识和用户标识对应的生物特征模板进行相似度计算,当计算得出的相似度大于预设的验证阈值时,则用户验证通过,将验证结果返回给所述客户端。
进一步地,所述对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,包括:
对所述待认证生物特征图像进行光照归一化处理;
对所述光照归一化处理后的待认证生物特征图像进行特征抽取,并对抽取得到的特征进行降维度计算,将降维度计算结果依次串连得到所述待认证生物特征模板。
进一步地,所述接收客户端发送的待认证生物特征图像之前,所述方法还包括:
接收所述客户端发送的生物特征图像、客户端标识和用户标识;
对所述生物特征图像进行特征抽取得到生物特征模板,保存所述生物特征模板、所述客户端标识和所述用户标识的对应关系,完成用户的注册,并返回注册结果。
一种基于生物特征的认证方法,所述方法包括:
采集用户图像,并进行生物特征定位处理得到待认证生物特征图像;
向云服务器发送所述待认证生物特征图像以及客户端标识,以便于所述云服务器对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与预存的生物特征模板进行匹配认证,所述预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
接收所述云服务器返回的匹配认证结果,所述匹配认证结果为所述云服务器根据所述客户端标识查找与所述客户端标识对应的本地预存的生物特征模板的集合;将所述待认证生物特征模板与所述集合中的每个生物特征模板进行相似度计算,当所述生物特征模板与所述待认证生物特征模板的相似度大于预设的识别阈值时,则将所述生物特征模板对应的用户标识加入到识别结果集中;根据相似度由大到小的顺序将所述识别结果集中的用户标识进行排序,并将所述识别结果集返回给所述客户端时得到的;
所述进行生物特征定位处理得到待认证生物特征图像,包括:
当检测到所述用户图像中包括人脸图像时,标定人脸的位置;
在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;
根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正,得到待认证生物特征图像。
一种基于生物特征的认证方法,其特征在于,所述方法包括:
采集用户图像,并进行生物特征定位处理得到待认证生物特征图像;
向云服务器发送所述待认证生物特征图像以及客户端标识和用户标识,以便于所述云服务器对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与预存的生物特征模板进行匹配认证,所述预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
接收所述云服务器返回的匹配认证结果,所述匹配认证结果为所述云服务器根据所述客户端标识和用户标识查找得到与所述客户端标识和用户标识对应的生物特征模板;将所述待认证生物特征模板与所述客户端标识和用户标识对应的生物特征模板进行相似度计算,当计算得出的相似度大于预设的验证阈值时,则用户验证通过,将验证结果返回给所述客户端时得到的;
所述进行生物特征定位处理得到待认证生物特征图像,包括:
当检测到所述用户图像中包括人脸图像时,标定人脸的位置;
在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;
根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正,得到待认证生物特征图像。
一种云服务器,所述云服务器包括:
接入模块,用于接收客户端发送的待认证生物特征图像,所述待认证生物特征图像是所述客户端在采集到用户图像后,当检测到所述用户图像中包括人脸时,标定人脸的位置;在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正得到的;
认证模块,用于对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与数据模块中预存的生物特征模板进行匹配认证,返回匹配认证结果;
所述数据模块,用于保存生物特征模板,所述本地预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
所述接入模块还用于在接收所述客户端发送的待认证生物特征图像时,接收所述客户端发送的客户端标识;
相应地,所述认证模块,包括:
第一模板获取单元,用于对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板;
集合获取单元,用于根据所述客户端标识查找与所述客户端标识对应的生物特征模板的集合;
识别单元,用于将所述待认证生物特征模板与所述集合中的每个生物特征模板进行相似度计算,当所述生物特征模板与所述待认证生物特征模板的相似度大于预设的识别阈值时,则将所述生物特征模板对应的用户标识加入到识别结果集中;
识别结果发送单元,用于根据相似度由大到小的顺序将所述识别结果集中的用户标识进行排序,并将所述识别结果集通过所述接入模块返回给所述客户端。
进一步地,所述认证模块包括:
光照处理单元,用于对所述待认证生物特征图像进行光照归一化处理;
特征抽取单元,用于对所述光照归一化处理后的待认证生物特征图像进行特征抽取,并对抽取得到的特征进行降维度计算,将降维度计算结果依次串连得到所述待认证生物特征模板;
认证单元,用于将所述待认证生物特征模板与数据模块中预存的生物特征模板进行匹配认证,返回匹配认证结果。
进一步地,所述接入模块还用于在接收所述客户端发送的待认证生物特征图像之前,接收所述客户端发送的生物特征图像、客户端标识和用户标识;
相应地,所述云服务器还包括:
会话模块,用于对所述生物特征图像进行特征抽取得到生物特征模板,并将所述生物特征模板、所述客户端标识和所述用户标识的对应关系发送给所述数据模块,完成用户的注册,并返回注册结果;
所述数据模块,还用于保存所述生物特征模板、所述客户端标识和所述用户标识的对应关系。
一种云服务器,所述云服务器包括:
接入模块,用于接收客户端发送的待认证生物特征图像,所述待认证生物特征图像是所述客户端在采集到用户图像后,当检测到所述用户图像中包括人脸时,标定人脸的位置;在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正得到的;
认证模块,用于对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与数据模块中预存的生物特征模板进行匹配认证,返回匹配认证结果;
所述数据模块,用于保存生物特征模板,所述本地预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;所述接入模块还用于在接收所述客户端发送的待认证生物特征图像时,接收所述客户端发送的客户端标识和用户标识;
相应地,所述认证模块,包括:
第二模板获取单元,用于对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板;
查找单元,用于根据所述客户端标识和用户标识查找得到与所述客户端标识和用户标识对应的生物特征模板;
验证单元,用于将所述待认证生物特征模板与所述客户端标识和用户标识对应的生物特征模板进行相似度计算,当计算得出的相似度大于预设的验证阈值时,判定用户验证通过;
验证结果发送单元,用于将验证结果通过所述接入模块返回给所述客户端。
进一步地,所述认证模块包括:
光照处理单元,用于对所述待认证生物特征图像进行光照归一化处理;
特征抽取单元,用于对所述光照归一化处理后的待认证生物特征图像进行特征抽取,并对抽取得到的特征进行降维度计算,将降维度计算结果依次串连得到所述待认证生物特征模板;
认证单元,用于将所述待认证生物特征模板与数据模块中预存的生物特征模板进行匹配认证,返回匹配认证结果。
进一步地,所述接入模块还用于在接收所述客户端发送的待认证生物特征图像之前,接收所述客户端发送的生物特征图像、客户端标识和用户标识;
相应地,所述云服务器还包括:
会话模块,用于对所述生物特征图像进行特征抽取得到生物特征模板,并将所述生物特征模板、所述客户端标识和所述用户标识的对应关系发送给所述数据模块,完成用户的注册,并返回注册结果;
所述数据模块,还用于保存所述生物特征模板、所述客户端标识和所述用户标识的对应关系。
一种客户端,所述客户端包括:
采集模块,用于采集用户图像,并进行生物特征定位处理得到待认证生物特征图像;
发送模块,用于向云服务器发送所述待认证生物特征图像以及客户端标识,以便于所述云服务器对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与预存的生物特征模板进行匹配认证,所述预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
接收模块,用于接收所述云服务器返回的匹配认证结果,所述匹配认证结果为所述云服务器根据所述客户端标识查找与所述客户端标识对应的本地预存的生物特征模板的集合;将所述待认证生物特征模板与所述集合中的每个生物特征模板进行相似度计算,当所述生物特征模板与所述待认证生物特征模板的相似度大于预设的识别阈值时,则将所述生物特征模板对应的用户标识加入到识别结果集中;根据相似度由大到小的顺序将所述识别结果集中的用户标识进行排序,并将所述识别结果集返回给所述客户端时得到的;
所述采集模块包括:
采集单元,用于采集用户图像;
检测单元,用于当检测到所述用户图像中包括人脸图像时,标定人脸的位置;
关键点定位单元,用于在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;
位姿归一化单元,用于根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正,得到待认证生物特征图像。
一种客户端,所述客户端包括:
采集模块,用于采集用户图像,并进行生物特征定位处理得到待认证生物特征图像;
发送模块,用于向云服务器发送所述待认证生物特征图像以及客户端标识和用户标识,以便于所述云服务器对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与预存的生物特征模板进行匹配认证,所述预存的生物特征模板与注册时客户端发送的客户端标识和用户标识具有对应关系;
接收模块,用于接收所述云服务器返回的匹配认证结果,所述匹配认证结果为所述云服务器根据所述客户端标识和用户标识查找得到与所述客户端标识和用户标识对应的生物特征模板;将所述待认证生物特征模板与所述客户端标识和用户标识对应的生物特征模板进行相似度计算,当计算得出的相似度大于预设的验证阈值时,则用户验证通过,将验证结果返回给所述客户端时得到的;
所述采集模块包括:
采集单元,用于采集用户图像;
检测单元,用于当检测到所述用户图像中包括人脸图像时,标定人脸的位置;
关键点定位单元,用于在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标;
位姿归一化单元,用于根据获得的眼睛与嘴巴的位置,经过裁剪、缩放、姿态矫正,得到待认证生物特征图像。
一种基于生物特征的认证系统,所述系统包括如上所述的云服务器和如上所述的客户端。
本发明实施例提供的技术方案带来的有益效果是:客户端获取生物特征图像后,只要将生物特征图像发送给云服务器,云服务器即可进行特征抽取得到生物特征模板,对用户或客户端进行基于生物特征的认证,特征抽取的过程在云服务器端完成,能够降低客户端的复杂度,增加客户端的可扩展性,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是本发明实施例1中提供的一种基于生物特征的认证方法的流程示意图;
图2是本发明实施例2中提供的改进得到的用于基于生物特征的注册和认证服务的网络架构示意图;
图3是本发明实施例2中提供的改进得到的用于基于生物特征的注册的网络架构示意图;
图4是本发明实施例2中提供的一种基于生物特征的注册方法的流程示意图;
图5是本发明实施例3中提供的基于生物特征识别的验证方法的流程概述示意图;
图6是本发明实施例3中提供的改进得到的用于基于生物特征的验证的网络架构示意图;
图7是本发明实施例3中提供的一种基于生物特征识别的验证方法的流程示意图;
图8是本发明实施例4中提供的基于生物特征识别的识别方法的流程概述示意图;
图9是本发明实施例4中提供的改进得到的用于基于生物特征的识别的网络架构示意图;
图10是本发明实施例4中提供的一种基于生物特征识别的识别方法的流程示意图;
图11是本发明实施例5中提供的一种云服务器的结构示意图;
图12是本发明实施例5中提供的一种云服务器中的认证模块的结构示意图;
图13是本发明实施例5中提供的一种云服务器的第二种结构示意图;
图14是本发明实施例5中提供的一种云服务器中的认证模块的第二种结构示意图;
图15是本发明实施例5中提供的一种云服务器中的认证模块的第三种结构示意图;
图16是本发明实施例6中提供的一种客户端的结构示意图;
图17是本发明实施例6中提供的一种客户端中的采集模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例1
如图1所示,本实施例提供了一种基于生物特征的认证方法,该方法包括如下步骤:
101、客户端采集用户图像,并进行生物特征定位处理得到待认证生物特征图像;
102、客户端向云服务器发送待认证生物特征图像;
103、云服务器对所述待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与本地预存的生物特征模板进行匹配认证;
104、云服务器向客户端返回匹配认证结果。
本实施例提供了一种基于生物特征的认证方法,客户端获取生物特征图像后,只要将生物特征图像发送给云服务器,云服务器即可进行特征抽取得到生物特征模板,对用户或客户端进行基于生物特征的认证,特征抽取的过程在云服务器端完成,能够降低客户端的复杂度,增加客户端的可扩展性,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
实施例2
本发明所提供的方法,能够完成用户基于生物特征的注册和认证服务,其中,认证服务包括:验证服务和识别服务。并且,本发明提供了如图2所示的架构,用于完成上述功能。
其中,接入服务器(Access Server)、会话服务器(Session Server)、认证服务器(Verification Server)、识别服务器(Recognition Server)和数据服务器(Data Server)共同组成云服务器;
接入服务器用于与客户端与云服务器之间可通过http协议、TCP协议等基于互联网的任一协议进行数据交换;
会话服务器用于完成用户基于生物特征的注册服务;
认证服务器用于完成用户基于生物特征的验证服务;
识别服务器用于完成用户基于生物特征的识别服务;
数据服务器用于存在用户ID、客户端ID、合法的生物特征模板及三者的对应关系。
为了便于说明,本实施例2提供了一种基于生物特征的注册方法,需要说明的是,在用户通过客户端进行基于生物特征的认证之前,需要进行基于生物特征的注册,即在云服务器端将客户端ID(Identity,标识)、用户ID、合法的生物特征模板绑定才可以。
为了能够完成注册,本实施例2在进行实施时具体的基于如图3所示的架构,且在本实施例2及以下的实施例3和4中均以人脸识别作为生物特征识别技术进行具体说明,但是并不限于人脸识别,还可以为虹膜识别、指纹识别等其他基于生物特征识别的技术。
如图4所示,一种基于生物特征的注册方法,包括如下步骤:
201、客户端采集用户图像;
其中,客户端在本发明中具体的包括但并不限于手机、平板电脑、笔记本电脑、个人电脑、车载电子系统、掌上电脑,PDA(Personal Digital Assistant,掌上电脑)等,可以是任何以接入互联网的外设。
客户端采集用户图像,具体的可以在图片或视频中进行采集,例如,通过手机摄像头进行采集。
202、客户端在用户图像中检测人脸,并标定人脸的位置;
具体地,当用户图像中存在人脸时,标定人脸的位置。
本步骤采用Haar特征+adaboost人脸检测算法进行实现,adaboost人脸检测算法包括Haar特征选取和特征计算,特征计算可采用积分图的方法:
其中,Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中,当要计算某个区域的像素和时可以直接索引数组的元素,不用重新计算这个区域的像素和,从而加快了计算。积分图能够在多种尺度下,使用相同的时间来计算不同的特征,因此能够大大提高了检测速度。
Adaboost算法为人脸检测的现有技术手段,这里不再赘述。
进一步地,需要说明的是,当用户的人脸位置左右倾斜度在-30~30度的小姿态下,能够获得较准确的定位。
203、客户端选取人脸的关键点位置,并获取关键点位置的坐标;
在本实施例中,将人脸的眼睛和嘴作为关键点位置,因此,选取人脸的关键点位置,并获取关键点位置的坐标,具体可以为:
在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标。
其中,gabor特征的抽取为人脸识别的现有技术手段,这里不再赘述。
204、客户端对关键点位置进行位姿归一化处理得到脸像图像;
其中,对关键点位置进行位姿归一化处理得到脸像图像,具体可以为:
根据获得的眼睛与嘴的位置,经过裁剪、缩放、姿态矫正等归一化操作将原始图像转换为标准人脸模版,确保眼睛与嘴巴处于标准位置,得到标准的脸像图像。
205、客户端对脸像图像进行压缩,并将压缩后的脸像图像通过无线网络发送给云服务器;
其中,在将压缩后的脸像图像发送给云服务器时,还包括:
发送用户ID和客户端ID给云服务器。
206、云服务器进行图像解压缩;
207、对解压缩后的脸像图像进行光照归一化处理;
其中,由于光照强度和方向的不同,会导致在人脸识别时的准确率下降,因此,通过光照归一化处理,使得获取的脸像图像均处于同一光照情况下。
208、进行特征抽取,得到人脸特征模板;
在本实施例中,进行特征抽取,得到人脸特征模板,具体可以为:
在进行光照归一化处理后的脸像图像上,进行包含Gabor局部特征、LBP(LocalBinary Patterns,局部二值模式)和HOG(Histograms of Oriented Gradients,方向梯度直方图)的全局分块特征,并对抽取得到的特征使用LDA(Linear Discriminant Analysis,线性鉴别分析)模型进行降维度计算,将降维度计算结果依次串连得到人脸特征模板。
其中,LDA是一个集合概率模型,主要用于处理离散的数据集合,降低维度。
209、完成基于人脸特征的注册。
其中,本步骤具体的可以为:
云服务器建立并保存用户ID、客户端ID和合法的人脸特征模板的对应关系,完成用户的注册。
210、向客户端返回注册结果。
本实施例提供了一种基于生物特征的注册方法,使得用户或客户端可以将生物特征图像传送的云服务器进行注册,并将用户ID、客户端ID与生物特征的对应关系保存在云服务器,使得在进行生物特征认证时,可以基于互联网进行,能够降低客户端的复杂度,增加客户端的可扩展性,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
实施例3
本实施例3提供了一种基于生物特征识别的验证方法,如图5所示,可以通过特征抽取获取用户的待验证人脸特征模板,并通过用户ID和客户端ID在云服务器的模板数据库中进行对应模板的选择,并与待验证人脸特征模板进行比对,以完成对用户及客户端进行基于生物特征的验证,确定用户对客户端的使用权限。
在本实施例3中,提供了如图6所示的架构,用于完成基于生物特征识别的验证,且在本实施例中,仍以人脸识别作为生物特征识别进行说明。
如图7所示,一种基于生物特征识别的验证方法,包括如下步骤:
301、客户端采集用户图像;
其中,客户端在本发明中具体的包括但并不限于手机、平板电脑、笔记本电脑、个人电脑、车载电子系统、掌上电脑,PDA等,可以是任何以接入互联网的外设。
客户端采集用户图像,具体的可以在图片或视频中进行采集,例如,通过手机摄像头进行采集。
302、客户端在用户图像中检测人脸,并标定人脸的位置;
具体地,当用户图像中存在人脸时,标定人脸的位置。
本步骤采用Haar特征+adaboost人脸检测算法进行实现,adaboost人脸检测算法包括Haar特征选取和特征计算,特征计算可采用积分图的方法:
其中,Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中,当要计算某个区域的像素和时可以直接索引数组的元素,不用重新计算这个区域的像素和,从而加快了计算。积分图能够在多种尺度下,使用相同的时间来计算不同的特征,因此能够大大提高了检测速度。
进一步地,需要说明的是,当用户的人脸位置左右倾斜度在-30~30度的小姿态下,能够获得较准确的定位。
303、客户端选取人脸的关键点位置,并获取关键点位置的坐标;
在本实施例中,将人脸的眼睛和嘴作为关键点位置,因此,选取人脸的关键点位置,并获取关键点位置的坐标,具体可以为:
在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标。
其中,gabor特征的抽取为人脸识别的现有技术手段,这里不再赘述。
304、客户端对关键点位置进行位姿归一化处理得到待验证脸像图像;
其中,对关键点位置进行位姿归一化处理得到脸像图像,具体可以为:
根据获得的眼睛与嘴的位置,经过裁剪、缩放、姿态矫正等归一化操作将原始图像转换为标准人脸模版,确保眼睛与嘴巴处于标准位置,得到标准的脸像图像。
305、客户端对待验证脸像图像进行压缩,并将压缩后的待验证脸像图像通过无线网络发送给云服务器;
其中,在将压缩后的待验证脸像图像发送给云服务器时,还包括:
发送用户ID和客户端ID给云服务器。
306、云服务器进行图像解压缩;
307、对解压缩后的待验证脸像图像进行光照归一化处理;
其中,由于光照强度和方向的不同,会导致在人脸识别时的准确率下降,因此,通过光照归一化处理,使得获取的脸像图像均处于同一光照情况下。
308、云服务器进行特征抽取,得到待验证人脸特征模板;
在本实施例中,进行特征抽取,得到待验证人脸特征模板,具体可以为:
在进行光照归一化处理后的脸像图像上,进行包含Gabor局部特征、LBP和HOG的全局分块特征,并对抽取得到的特征使用LDA模型进行降维度计算,将降维度计算结果依次串连得到人脸特征模板。
其中,LDA是一个集合概率模型,主要用于处理离散的数据集合,降低维度。
309、将上述待验证人脸特征模板与本地保存的目标人脸特征模板进行匹配;
进一步地,将上述待验证人脸特征模板与本地保存的目标人脸特征模板进行匹配,并返回验证结果,具体可以包括:
309-1、根据用户ID和客户端ID在模板数据库中获取对应的人脸特征模板;
309-2、计算上述用户ID和客户端ID对应的人脸特征模板与待验证人脸特征模板的相似度;
在本实施例中,进行相似度计算使用余弦距离与KNN(k-Nearest Neighbor,K最邻近分类)算法,这里不再赘述。
309-3、判断相似度是否大于预设的验证阈值,如果是,则执行步骤309-4,如果不是,则验证未通过;
309-4、验证通过。
310、向客户端返回验证结果。
本实施例提供了一种基于生物特征的验证方法,客户端获取生物特征图像后,只要将生物特征图像发送给云服务器,云服务器即可进行特征抽取得到生物特征模板,对用户或客户端进行基于生物特征的验证,特征抽取的过程在云服务器端完成,能够降低客户端的复杂度,增加客户端的可扩展性,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
实施例4
本实施例4提供了一种基于生物特征识别的识别方法,如图8所示,可以通过特征抽取获取用户的待识别人脸特征模板,并通过客户端ID在云服务器的模板数据库中进行对应模板的选择,并与待验证人脸特征模板进行比对,以完成对用户及客户端进行基于生物特征的识别,得到与待识别人脸特征模板对应的用户ID。
在本实施例4中,提供了如图9所示的架构,用于完成基于生物特征识别的识别,且在本实施例中,仍以人脸识别作为生物特征识别进行说明。
如图10所示,一种基于生物特征识别的识别方法,包括如下步骤:
401、客户端采集用户图像;
其中,客户端在本发明中具体的包括但并不限于手机、平板电脑、笔记本电脑、个人电脑、车载电子系统、掌上电脑,PDA等,可以是任何以接入互联网的外设。
客户端采集用户图像,具体的可以在图片或视频中进行采集,例如,通过手机摄像头进行采集。
402、客户端在用户图像中检测人脸,并标定人脸的位置;
具体地,当用户图像中存在人脸时,标定人脸的位置。
本步骤采用Haar特征+adaboost人脸检测算法进行实现,adaboost人脸检测算法包括Haar特征选取和特征计算,特征计算可采用积分图的方法:
其中,Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中,当要计算某个区域的像素和时可以直接索引数组的元素,不用重新计算这个区域的像素和,从而加快了计算。积分图能够在多种尺度下,使用相同的时间来计算不同的特征,因此能够大大提高了检测速度。
进一步地,需要说明的是,当用户的人脸位置左右倾斜度在-30~30度的小姿态下,能够获得较准确的定位。
403、客户端选取人脸的关键点位置,并获取关键点位置的坐标;
在本实施例中,将人脸的眼睛和嘴作为关键点位置,因此,选取人脸的关键点位置,并获取关键点位置的坐标,具体可以为:
在获取的人脸区域上,标定出人脸的眼睛、嘴巴的位置,采用图像投影获得候选眼睛与嘴巴区域,并分别在眼睛区域利用Haar特征+adaboost算法获得准确眼睛中心坐标,在嘴巴区域利用gabor特征和adaboost算法获得准确嘴角坐标。
其中,gabor特征的抽取为人脸识别的现有技术手段,这里不再赘述。
404、客户端对关键点位置进行位姿归一化处理得到待识别脸像图像;
其中,对关键点位置进行位姿归一化处理得到脸像图像,具体可以为:
根据获得的眼睛与嘴的位置,经过裁剪、缩放、姿态矫正等归一化操作将原始图像转换为标准人脸模版,确保眼睛与嘴巴处于标准位置,得到标准的脸像图像。
405、客户端对待识别脸像图像进行压缩,并将压缩后的待识别脸像图像通过无线网络发送给云服务器;
其中,在将压缩后的待识别脸像图像发送给云服务器时,还包括:
发送用户ID和客户端ID给云服务器。
406、云服务器进行图像解压缩;
407、对解压缩后的待识别脸像图像进行光照归一化处理;
其中,由于光照强度和方向的不同,会导致在人脸识别时的准确率下降,因此,通过光照归一化处理,使得获取的脸像图像均处于同一光照情况下。
408、云服务器进行特征抽取,得到待识别人脸特征模板;
在本实施例中,进行特征抽取,得到待识别人脸特征模板,具体可以为:
在进行光照归一化处理后的脸像图像上,进行包含Gabor局部特征、LBP和HOG的全局分块特征,并对抽取得到的特征使用LDA模型进行降维度计算,将降维度计算结果依次串连得到人脸特征模板。
其中,LDA是一个集合概率模型,主要用于处理离散的数据集合,降低维度。
409、将上述待识别人脸特征模板与本地保存的目标人脸特征模板进行匹配;
进一步地,将上述待识别人脸特征模板与本地保存的目标人脸特征模板进行匹配,并返回识别结果,具体可以包括:
409-1、根据用户ID和客户端ID在模板数据库中获取对应的人脸特征模板的集合;
其中,所述集合中可能包括一个或多个与客户端ID对应的人脸特征模板。
409-2、依次计算上述集合中的人脸特征模板与待识别人脸特征模板的相似度;
在本实施例中,进行相似度计算使用余弦距离与KNN算法,这里不再赘述。
409-3、依次判断相似度是否大于预设的识别阈值,如果是,则执行步骤409-4,如果不是,则识别未通过;
409-4、将相似度大于预设的识别阈值的人脸特征模板对应的用户ID加入到识别结果集中;
409-5、根据相似度由大到小的顺序将识别结果集中的用户ID进行排序。
410、并返回识别结果。
在本实施例中,识别结果具体的为排序后的识别结果集。
本实施例提供了一种基于生物特征的识别方法,客户端获取生物特征图像后,只要将生物特征图像发送给云服务器,云服务器即可进行特征抽取得到生物特征模板,对用户或客户端进行基于生物特征的识别,并返回对应的用户ID,特征抽取的过程在云服务器端完成,能够降低客户端的复杂度,增加客户端的可扩展性,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
实施例5
如图11所示,本实施例提供了一种云服务器5,该云服务器5包括:
接入模块51,用于接收客户端发送的待认证生物特征图像;
认证模块52,用于对待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与数据模块53中预存的生物特征模板进行匹配认证,返回匹配认证结果;
数据模块53,用于保存生物特征模板。
其中,在上述云服务器5中,接入模块可具体通过实施例2-4中提供的接入服务器进行实现,认证模块可具体通过实施例2-4中提供的认证服务器或识别服务器进行实现,数据模块可通过实施例2-4中提供的数据服务器进行实现。
进一步地,如图12所示,认证模块52包括:
光照处理单元521,用于对待认证生物特征图像进行光照归一化处理;
特征抽取单元522,用于对光照归一化处理后的待认证生物特征图像进行特征抽取,并对抽取得到的特征进行降维度计算,将降维度计算结果依次串连得到待认证生物特征模板;
认证单元523,用于将待认证生物特征模板与数据模块中预存的生物特征模板进行匹配认证,返回匹配认证结果。
进一步地,接入模块51还用于在接收客户端发送的待认证生物特征图像之前,接收客户端发送的生物特征图像、客户端标识和用户标识;
相应地,如图13所示,云服务器5还包括:
会话模块54,用于对生物特征图像进行特征抽取得到生物特征模板,并将生物特征模板、客户端标识和用户标识的对应关系发送给数据模块,完成用户的注册,并返回注册结果;
数据模块53,还用于保存生物特征模板、客户端标识和用户标识的对应关系。
进一步地,接入模块51还用于在接收客户端发送的待认证生物特征图像时,接收客户端发送的客户端标识;
相应地,如图14所示,认证模块52,包括:
第一模板获取单元524,用于对待认证生物特征图像进行特征抽取得到待认证生物特征模板;
集合获取单元525,用于根据客户端标识查找与客户端标识对应的生物特征模板的集合;
识别单元526,用于将待认证生物特征模板与集合中的每个生物特征模板进行相似度计算,当生物特征模板与待认证生物特征模板的相似度大于预设的识别阈值时,则将生物特征模板对应的用户标识加入到识别结果集中;
识别结果发送单元527,用于根据相似度由大到小的顺序将识别结果集中的用户标识进行排序,并将识别结果集通过接入模块51返回给客户端。
其中,如图14所示的认证模块52可具体通过实施例2-4中提供的识别服务器进行实现。
进一步地,接入模块51还用于在接收客户端发送的待认证生物特征图像时,接收客户端发送的客户端标识和用户标识;
相应地,如图15所示,认证模块52,包括:
第二模板获取单元528,用于对待认证生物特征图像进行特征抽取得到待认证生物特征模板;
查找单元529,用于根据客户端标识和用户标识查找得到与客户端标识和用户标识对应的生物特征模板;
验证单元5210,用于将待认证生物特征模板与客户端标识和用户标识对应的生物特征模板进行相似度计算,当计算得出的相似度大于预设的验证阈值时,判定用户验证通过;
验证结果发送单元5211,用于将验证结果通过接入模块51返回给客户端。
其中,如图15所示的认证模块52可通过实施例2-4中提供的验证服务器进行实现。
本实施例提供了一种云服务器,该云服务器获取客户端发送的生物特征图像后,即可进行特征抽取得到生物特征模板,对用户或客户端进行基于生物特征的认证,特征抽取的过程在云服务器端完成,能够降低客户端的复杂度,增加客户端的可扩展性,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
实施例6
如图16所示,本实施例提供了一种客户端6,该客户端6包括:
采集模块61,用于采集用户图像,并进行生物特征定位处理得到待认证生物特征图像;
发送模块62,用于向云服务器发送待认证生物特征图像,以便于云服务器对待认证生物特征图像进行特征抽取得到待认证生物特征模板,并与预存的生物特征模板进行匹配认证;
接收模块63,用于接收云服务器返回的匹配认证结果。
进一步地,如图17所示,采集模块61包括:
采集单元611,用于采集用户图像;
检测单元612,用于当检测到用户图像中包括预设的生物特征时,标定生物特征的位置;
关键点定位单元613,用于选取生物特征的关键点位置,并获取关键点位置的坐标;
位姿归一化单元614,用于对关键点位置进行姿态矫正得到待认证生物特征图像。
本实施例提供了一种客户端,该客户端可获取用户的生物特征图像,并将该生物特征图像发送给云服务器,使得云服务器进行特征抽取得到生物特征模板,对用户或客户端进行基于生物特征的认证,特征抽取的过程在云服务器端完成,客户端的复杂度低,客户端的可扩展性强,消除了只能在本地完成生物特征识别的局限性,可支持多样化的应用。
本发明还提供了一种基于生物特征的认证系统,该系统包括如实施例5所述的云服务器5和如实施例6所述的客户端6。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。