CN108415653A - 用于终端设备的锁屏方法和装置 - Google Patents

Abstract

本申请实施例公开了用于终端设备的锁屏方法和装置。该方法的一具体实施方式包括：采集人脸视频；确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作；响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。该实施方式实现了通过识别用户的眨眼动作控制终端设备执行锁屏操作，提高了控制终端设备的效率。

Description

用于终端设备的锁屏方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于终端设备的锁屏方法和装置。

背景技术

现阶段，终端设备(例如，智能手机、平板电脑等等)的普及和广泛应用给用户的生活带来了极大的便利。然而，在某些特殊应用场景下，终端设备的使用仍然不够便利，例如，用户的双手被占用，无法操作终端设备的情况下，如果用户想要对终端设备进行控制，比如，想要对终端设备进行锁屏。

发明内容

本申请实施例提出了用于终端设备的锁屏方法和装置。

第一方面，本申请实施例提供了一种用于终端设备的锁屏方法，该方法包括：采集人脸视频；确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作；响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

在一些实施例中，上述确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作，包括：确定上述人脸视频的视频帧中的人眼所处的状态，其中，上述状态包括闭眼状态和睁眼状态；根据上述人脸视频的视频帧中的人眼所处的状态，确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

在一些实施例中，上述确定上述人脸视频的视频帧中的人眼所处的状态，包括：对于上述人脸视频中的每一视频帧执行以下操作：对该视频帧进行人脸定位，得到人脸框；根据得到的人脸框对该视频帧中的人脸对象进行人脸关键点检测，得到人脸关键点位置；根据得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像；判断上述人眼图像是否模糊或被遮挡；响应于确定上述人眼图像不模糊以及未被遮挡，将上述人眼图像导入预先建立的人眼状态识别模型，从而确定上述人眼图像所指示的人眼所处的状态，其中，上述人眼状态识别模型用于表征人眼图像和人眼所处的状态的对应关系。

在一些实施例中，上述人眼状态识别模型是通过以下方式训练得到：获取样本集，其中，样本包括带有标注信息的样本人眼图像，标注信息用于表征样本人眼图像所指示的人眼所处的状态；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本人眼图像分别输入至初始卷积神经网络，得到上述至少一个样本中的每个样本对应的状态；将上述至少一个样本中的每个样本对应的状态与对应的标注信息进行比较；根据比较结果确定上述初始卷积神经网络是否达到预设的优化目标；响应于确定上述初始卷积神经网络达到上述优化目标，将上述初始卷积神经网络作为训练完成的人眼状态识别模型。

在一些实施例中，训练上述人眼状态识别模型的方式还包括：响应于确定上述初始卷积神经网络未达到上述优化目标，调整上述初始卷积神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。

在一些实施例中，上述根据上述人脸视频的视频帧中的人眼所处的状态，确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作，包括：根据上述人脸视频的视频帧中的人眼所处的状态，统计设定时间段内上述人脸视频中人脸对象的人眼从睁眼状态到闭眼状态的变化次数；响应于确定上述变化次数不小于预先设定的次数，确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作。

在一些实施例中，上述响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作，包括：响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，确定上述人脸视频所指示的人脸对象与预先存储的认证用人脸图像所指示的人脸对象是否相匹配；响应于相匹配，执行锁屏操作。

第二方面，本申请实施例提供了一种用于终端设备的锁屏装置，上述装置包括：采集单元，用于采集人脸视频；确定单元，用于确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作；执行单元，用于响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

在一些实施例中，上述确定单元包括：第一确定子单元，用于确定上述人脸视频的视频帧中的人眼所处的状态，其中，上述状态包括闭眼状态和睁眼状态；第二确定子单元，用于根据上述人脸视频的视频帧中的人眼所处的状态，确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

在一些实施例中，上述第一确定子单元进一步用于：对于上述人脸视频中的每一视频帧执行以下操作：对该视频帧进行人脸定位，得到人脸框；根据得到的人脸框对该视频帧中的人脸对象进行人脸关键点检测，得到人脸关键点位置；根据得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像；判断上述人眼图像是否模糊或被遮挡；响应于确定上述人眼图像不模糊以及未被遮挡，将上述人眼图像导入预先建立的人眼状态识别模型，从而确定上述人眼图像所指示的人眼所处的状态，其中，上述人眼状态识别模型用于表征人眼图像和人眼所处的状态的对应关系。

在一些实施例中，上述装置还包括模型训练单元，上述训练单元包括：获取子单元，用于获取样本集，其中，样本包括带有标注信息的样本人眼图像，标注信息用于表征样本人眼图像所指示的人眼所处的状态；训练子单元，用于基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本人眼图像分别输入至初始卷积神经网络，得到上述至少一个样本中的每个样本对应的状态；将上述至少一个样本中的每个样本对应的状态与对应的标注信息进行比较；根据比较结果确定上述初始卷积神经网络是否达到预设的优化目标；响应于确定上述初始卷积神经网络达到上述优化目标，将上述初始卷积神经网络作为训练完成的人眼状态识别模型。

在一些实施例中，上述模型训练单元还包括：调整子单元，用于响应于确定上述初始卷积神经网络未达到上述优化目标，调整上述初始卷积神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。

在一些实施例中，上述第二确定子单元进一步用于：根据上述人脸视频的视频帧中的人眼所处的状态，统计设定时间段内上述人脸视频中人脸对象的人眼从睁眼状态到闭眼状态的变化次数；响应于确定上述变化次数不小于预先设定的次数，确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作。

在一些实施例中，上述执行单元进一步用于：响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，确定上述人脸视频所指示的人脸对象与预先存储的认证用人脸图像所指示的人脸对象是否相匹配；响应于相匹配，执行锁屏操作。

第三方面，本申请实施例提供了一种终端，该终端设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；摄像头，用于采集人脸视频；当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于终端设备的锁屏方法和装置，首先采集人脸视频，而后确定该人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作，最后，响应于确定该人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作，从而实现了通过识别用户的眨眼动作控制终端设备执行锁屏操作，提高了控制终端设备的效率，同时，为终端设备执行锁屏操作提供了更多方式。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于终端设备的锁屏方法的一个实施例的流程图；

图3是根据本申请的用于终端设备的锁屏方法的一个应用场景的示意图；

图4是根据本申请的用于终端设备的锁屏方法的又一个实施例的流程图；

图5是根据本申请的用于终端设备的锁屏装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于终端设备的锁屏方法或用于终端设备的锁屏装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101和用户102。终端设备101上可以设置有用于采集用户102的人脸视频的摄像头，该摄像头可以是前置摄像头，也可以是后置摄像头，在此不做限定。终端设备101可以对采集的人脸视频进行分析处理，并根据分析处理结果执行相应的操作。终端设备101上可以安装有各种通讯客户端应用，例如摄像类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101可以是具有摄像头和显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MovingPicture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

继续参考图2，示出了根据本申请的用于终端设备的锁屏方法的一个实施例的流程200。该用于终端设备的锁屏方法，包括以下步骤：

步骤201，采集人脸视频。

在本实施例中，用于终端设备的锁屏方法运行于其上的终端设备可以利用其上设置的摄像头采集用户的人脸视频。

步骤202，确定人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

在本实施例中，上述终端设备可以根据步骤201采集的人脸视频确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。作为示例，上述终端设备可以首先标定上述人脸视频的各视频帧中的人脸对象的上眼睑和下眼睑的特征点。然后，分析上述人脸视频中的人脸对象的上眼睑特征点与下眼睑特征点的距离值的变化情况。最后，根据分析结果确定人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。在这里，上述预设时间段的时长以及上述预设次数可以是根据实际需要设定的，例如，可以设定上述预设时间段的时长为2秒，上述预设次数为3次。

在本实施例的一些可选的实现方式中，上述步骤202可以具体包括：

步骤2021，上述终端设备可以确定上述人脸视频的视频帧中的人眼所处的状态，其中，上述状态可以包括闭眼状态和睁眼状态。

步骤2022，上述终端设备可以根据上述人脸视频的视频帧中的人眼所处的状态，确定上述人脸视频所指示的人脸对象在预设时间段内是否完成预设次数的眨眼动作。

在一些可选的实现方式中，上述步骤2021可以具体包括：对于上述人脸视频中的每一视频帧，执行以下操作步骤：

步骤S1，对该视频帧进行人脸定位，得到人脸框。

在这里，上述终端设备可以将该视频帧导入预先建立的人脸定位网络，得到人脸框。上述人脸定位网络可以用于表征人脸图像与人脸框的对应关系。上述人脸定位网络可以是基于机器学习方法得到的。

作为示例，上述人脸定位网络可以是是通过以下方式训练得到的：

首先，获取第一样本集，其中，第一样本可以包括第一样本人脸图像，以及第一样本人脸图像所指示的人脸对象所对应的标注人脸框。

然后，基于第一样本集可以执行以下第一训练步骤：首先，将第一样本集中的至少一个第一样本的第一样本人脸图像分别输入至第一初始卷积神经网络，得到上述至少一个第一样本中的每个第一样本对应的人脸框。其次，将上述至少一个第一样本中的每个第一样本对应的人脸框与对应的标注人脸框进行比较。然后，根据比较结果确定上述第一初始卷积神经网络是否达到预设的第一优化目标。最后，响应于确定上述第一初始卷积神经网络达到上述第一优化目标，将上述第一初始卷积神经网络作为训练完成的人脸定位网络。作为一个示例，上述第一优化目标可以是得到的人脸框与标注人脸框之间的差异小于预设差异阈值。作为另一个示例，当得到的人脸框与标注人脸框之间的差异小于预设差异阈值时，认为得到的人脸框准确，此时，上述第一优化目标可以是上述第一初始卷积神经网络得到人脸框的准确率大于预设的准确率阈值。

最后，响应于确定上述第一初始卷积神经网络未达到上述第一优化目标，调整上述第一初始卷积神经网络的网络参数，以及使用未用过的第一样本组成第一样本集，继续执行上述第一训练步骤。作为示例，可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如随机梯度下降算法)对上述第一初始卷积神经网络的网络参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤S2，根据得到的人脸框对该视频帧中的人脸对象进行人脸关键点检测，得到人脸关键点位置。

在这里，上述终端设备可以将步骤S1得到的人脸框导入预先建立的人脸关键点检测网络，得到人脸框对应的人脸关键点位置。在这里，人脸框可以包括矩形框以及该矩形框所框定的人脸图像。其中，上述人脸关键点检测网络可以用于表征人脸框与人脸关键点位置之间的对应关系。上述人脸关键点检测网络可以是基于机器学习方法得到的。

作为示例，上述人脸关键点检测网络可以是通过以下方式训练得到的：

首先，获取第二样本集，其中，第二样本可以包括人脸框，以及与人脸框对应的标注人脸关键点位置。

然后，基于第二样本集可以执行以下第二训练步骤：首先，将第二样本集中的至少一个第二样本的人脸框分别输入至第二初始卷积神经网络，得到上述至少一个第二样本中的每个第二样本对应的人脸关键点位置。其次，将上述至少一个第二样本中的每个第二样本对应的人脸关键点位置与对应的标注人脸关键点位置进行比较。然后，根据比较结果确定上述第二初始卷积神经网络是否达到预设的第二优化目标。最后，响应于确定上述第二初始卷积神经网络达到上述第二优化目标，将上述第二初始卷积神经网络作为训练完成的人脸关键点检测网络。

最后，响应于确定上述第二初始卷积神经网络未达到上述第二优化目标，调整上述第二初始卷积神经网络的网络参数，以及使用未用过的第二样本组成第二样本集，继续执行上述第二训练步骤。

步骤S3，根据得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像。

在这里，上述终端设备可以根据步骤S2得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像。作为示例，上述终端设备可以根据人脸关键点中的与人眼相关的关键点的位置，确定人眼区域，而后对人眼区域进行区域裁剪，从而得到人眼图像。

步骤S4，判断上述人眼图像是否模糊或被遮挡。

在这里，上述终端设备可以通过各种方式判断上述人眼图像是否模糊或被遮挡。作为示例，上述终端设备可以使用预先训练的模糊判断模型判断上述人眼图像是否模糊，其中，上述模糊判断模型可以是基于机器学习方法训练得到的，用于表征人眼图像和该人眼图像是否模糊的对应关系。上述终端设备可以使用预先训练的遮挡判断模型判断上述人眼图像是否被遮挡，其中，上述遮挡判断模型可以是基于机器学习方法训练得到的，用于表征人眼图像和该人眼图像是否被遮挡的对应关系。

步骤S5，响应于确定上述人眼图像不模糊以及未被遮挡，将上述人眼图像导入预先建立的人眼状态识别模型，从而确定上述人眼图像所指示的人眼所处的状态，其中，上述人眼状态识别模型可以用于表征人眼图像和人眼所处的状态的对应关系。

作为示例，上述人眼状态识别模型可以是技术人员基于对大量的人眼图像和该人眼图像中人眼所处的状态的统计而预先制定的、存储有多个人眼图像与人眼所处的状态的对应关系的对应关系表。这样，上述终端设备可以将上述人眼图像与该对应关系表中的多个人眼图像依次进行比较，若该对应关系表中的一张人眼图像与上述人眼图像相同或相似，则将该对应关系表中的该人眼图像所对应的人眼所处的状态作为上述人脸图像的人眼所处的状态。

可选的，上述人眼状态识别模型可以是通过以下方式训练得到：

首先，获取样本集，其中，样本可以包括带有标注信息的样本人眼图像，标注信息可以用于表征样本人眼图像所指示的人眼所处的状态。

然后，基于样本集可以执行以下训练步骤：首先，将样本集中的至少一个样本的样本人眼图像分别输入至初始卷积神经网络，得到上述至少一个样本中的每个样本对应的状态，即上述至少一个样本中的每一个样本对应的样本人眼图像所指示的人眼所处的状态。其次，将上述至少一个样本中的每个样本对应的状态与对应的标注信息进行比较。然后，根据比较结果确定上述初始卷积神经网络是否达到预设的优化目标。作为一种示例，上述优化目标可以是样本对应的状态与对应的标注信息相同。作为另一种示例，上述优化目标可以是指上述初始卷积神经网络的预测准确率大于预设的准确率阈值。最后，响应于确定上述初始卷积神经网络达到上述优化目标，将上述初始卷积神经网络作为训练完成的人眼状态识别模型。

可选的，训练上述人眼状态识别模型的方式还可以包括：响应于确定上述初始卷积神经网络未达到上述优化目标，调整上述初始卷积神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。作为示例，可以采用反向传播算法(BackPropgationAlgorithm，BP算法)和梯度下降法(例如随机梯度下降算法)对上述初始卷积神经网络的网络参数进行调整。

在一些可选的实现方式中，上述步骤2022可以具体包括：

首先，上述终端设备可以根据上述人脸视频的视频帧中的人眼所处的状态，统计设定时间段内上述人脸视频中人脸对象的人眼从睁眼状态到闭眼状态的变化次数。

然后，响应于确定上述变化次数不小于预先设定的次数，确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作。

步骤203，响应于确定人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

在本实施例中，响应于确定人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，上述终端设备可以执行锁屏操作。

继续参见图3，图3是根据本实施例的用于终端设备的锁屏方法的应用场景的一个示意图。在图3的应用场景中，终端设备301通过摄像头采集用户302的人脸视频。之后，终端设备301确定上述人脸视频所指示的人脸对象是否在2秒内完成3次眨眼动作。最后，响应于确定上述人脸视频所指示的人脸对象在2秒内完成3次眨眼动作，终端设备301执行锁屏操作，锁屏操作执行完之后，终端设备301的屏幕显示界面可以显示锁屏状态。

本申请的上述实施例提供的方法首先采集人脸视频，而后响应于确定采集的人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作，从而实现了通过识别用户的眨眼动作控制终端设备执行锁屏操作，提高了控制终端设备的效率，同时，为终端设备执行锁屏操作提供了更多方式。

进一步参考图4，其示出了用于终端设备的锁屏方法的又一个实施例的流程400。该用于终端设备的锁屏方法的流程400，包括以下步骤：

步骤401，采集人脸视频。

在本实施例中，用于终端设备的锁屏方法运行于其上的终端设备可以利用其上设置的摄像头采集用户的人脸视频。

步骤402，确定人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

在本实施例中，在本实施例中，上述终端设备可以根据步骤401采集的人脸视频确定上述人脸视频所指示的人脸对象在预设时间段内是否完成预设次数的眨眼动作。在这里，上述预设时间段的时长以及上述预设次数可以是根据实际需要设定的，例如，可以设定上述预设时间段的时长为2秒，上述预设次数为3次。

步骤403，响应于确定人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，确定人脸视频所指示的人脸对象与预先存储的认证用人脸图像所指示的人脸对象是否相匹配。

在本实施例中，上述终端设备中可以预先存储有认证用人脸图像，其中，上述认证用人脸图像可以是使用上述终端设备的用户预先存储到上述终端设备的。响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，上述终端设备可以进一步确定上述人脸视频所指示的人脸对象与上述认证用人脸图像所指示的人脸对象是否相匹配。作为示例，上述终端设备可以选取上述人脸视频中的某一视频帧，而后计算该视频帧中的人脸对象与认证用人脸图像中的人脸对象之间的相似度，并根据相似度计算结果确定上述人脸视频所指示的人脸对象与认证用人脸图像所指示的人脸对象是否相匹配。

步骤404，响应于相匹配，执行锁屏操作。

在本实施例中，响应于确定上述人脸视频所指示的人脸对象与上述认证用人脸图像所指示的人脸对象是否相匹配，上述终端设备可以执行锁屏操作。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于终端设备的锁屏方法的流程400突出了对人脸视频中人脸对象的验证，保障了只有认证用人脸图像所指示的用户可以通过眨眼的方式控制终端设备锁屏，从而有效减少了终端设备锁屏的误操作次数，提高了终端设备控制的安全性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于终端设备的锁屏装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于终端设备的锁屏装置500包括：采集单元501、确定单元502和执行单元503。其中，采集单元501用于采集人脸视频。确定单元502用于确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。执行单元503用于响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

在本实施例中，用于终端设备的锁屏装置500的采集单元501、确定单元502和执行单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述确定单元502可以包括：第一确定子单元(图中未示出)，用于确定上述人脸视频的视频帧中的人眼所处的状态，其中，上述状态包括闭眼状态和睁眼状态；第二确定子单元(图中未示出)，用于根据上述人脸视频的视频帧中的人眼所处的状态，确定上述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

在本实施例的一些可选的实现方式中，上述第一确定子单元可以进一步用于：对于上述人脸视频中的每一视频帧执行以下操作：对该视频帧进行人脸定位，得到人脸框；根据得到的人脸框对该视频帧中的人脸对象进行人脸关键点检测，得到人脸关键点位置；根据得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像；判断上述人眼图像是否模糊或被遮挡；响应于确定上述人眼图像不模糊以及未被遮挡，将上述人眼图像导入预先建立的人眼状态识别模型，从而确定上述人眼图像所指示的人眼所处的状态，其中，上述人眼状态识别模型用于表征人眼图像和人眼所处的状态的对应关系。

在本实施例的一些可选的实现方式中，上述装置500还可以包括模型训练单元(图中未示出)，上述训练单元可以包括：获取子单元(图中未示出)，用于获取样本集，其中，样本包括带有标注信息的样本人眼图像，标注信息用于表征样本人眼图像所指示的人眼所处的状态；训练子单元(图中未示出)，用于基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本人眼图像分别输入至初始卷积神经网络，得到上述至少一个样本中的每个样本对应的状态；将上述至少一个样本中的每个样本对应的状态与对应的标注信息进行比较；根据比较结果确定上述初始卷积神经网络是否达到预设的优化目标；响应于确定上述初始卷积神经网络达到上述优化目标，将上述初始卷积神经网络作为训练完成的人眼状态识别模型。

在本实施例的一些可选的实现方式中，上述模型训练单元还可以包括：调整子单元(图中未示出)，用于响应于确定上述初始卷积神经网络未达到上述优化目标，调整上述初始卷积神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述第二确定子单元可以进一步用于：根据上述人脸视频的视频帧中的人眼所处的状态，统计设定时间段内上述人脸视频中人脸对象的人眼从睁眼状态到闭眼状态的变化次数；响应于确定上述变化次数不小于预先设定的次数，确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作。

在本实施例的一些可选的实现方式中，上述执行单元503可以进一步用于：响应于确定上述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，确定上述人脸视频所指示的人脸对象与预先存储的认证用人脸图像所指示的人脸对象是否相匹配；响应于相匹配，执行锁屏操作。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标、摄像头等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、确定单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，采集单元还可以被描述为“采集人脸视频的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：采集人脸视频；确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作；响应于确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于终端设备的锁屏方法，包括：

采集人脸视频；

确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作；

响应于确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

2.根据权利要求1所述的方法，其中，所述确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作，包括：

确定所述人脸视频的视频帧中的人眼所处的状态，其中，所述状态包括闭眼状态和睁眼状态；

根据所述人脸视频的视频帧中的人眼所处的状态，确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

3.根据权利要求2所述的方法，其中，所述确定所述人脸视频的视频帧中的人眼所处的状态，包括：

对于所述人脸视频中的每一视频帧执行以下操作：对该视频帧进行人脸定位，得到人脸框；根据得到的人脸框对该视频帧中的人脸对象进行人脸关键点检测，得到人脸关键点位置；根据得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像；判断所述人眼图像是否模糊或被遮挡；响应于确定所述人眼图像不模糊以及未被遮挡，将所述人眼图像导入预先建立的人眼状态识别模型，从而确定所述人眼图像所指示的人眼所处的状态，其中，所述人眼状态识别模型用于表征人眼图像和人眼所处的状态的对应关系。

4.根据权利要求3所述的方法，其中，所述人眼状态识别模型是通过以下方式训练得到：

获取样本集，其中，样本包括带有标注信息的样本人眼图像，标注信息用于表征样本人眼图像所指示的人眼所处的状态；

基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本人眼图像分别输入至初始卷积神经网络，得到所述至少一个样本中的每个样本对应的状态；将所述至少一个样本中的每个样本对应的状态与对应的标注信息进行比较；根据比较结果确定所述初始卷积神经网络是否达到预设的优化目标；响应于确定所述初始卷积神经网络达到所述优化目标，将所述初始卷积神经网络作为训练完成的人眼状态识别模型。

5.根据权利要求4所述的方法，其中，训练所述人眼状态识别模型的方式还包括：

响应于确定所述初始卷积神经网络未达到所述优化目标，调整所述初始卷积神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。

6.根据权利要求2所述的方法，其中，所述根据所述人脸视频的视频帧中的人眼所处的状态，确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作，包括：

根据所述人脸视频的视频帧中的人眼所处的状态，统计设定时间段内所述人脸视频中人脸对象的人眼从睁眼状态到闭眼状态的变化次数；

响应于确定所述变化次数不小于预先设定的次数，确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作。

7.根据权利要求1所述的方法，其中，所述响应于确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作，包括：

响应于确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，确定所述人脸视频所指示的人脸对象与预先存储的认证用人脸图像所指示的人脸对象是否相匹配；

响应于相匹配，执行锁屏操作。

8.一种用于终端设备的锁屏装置，包括：

采集单元，用于采集人脸视频；

确定单元，用于确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作；

执行单元，用于响应于确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，执行锁屏操作。

9.根据权利要求8所述的装置，其中，所述确定单元包括：

第一确定子单元，用于确定所述人脸视频的视频帧中的人眼所处的状态，其中，所述状态包括闭眼状态和睁眼状态；

第二确定子单元，用于根据所述人脸视频的视频帧中的人眼所处的状态，确定所述人脸视频所指示的人脸对象是否在预设时间段内完成预设次数的眨眼动作。

10.根据权利要求9所述的装置，其中，所述第一确定子单元进一步用于：

对于所述人脸视频中的每一视频帧执行以下操作：对该视频帧进行人脸定位，得到人脸框；根据得到的人脸框对该视频帧中的人脸对象进行人脸关键点检测，得到人脸关键点位置；根据得到的人脸关键点位置对该视频帧中的人眼区域进行区域裁剪，得到人眼图像；判断所述人眼图像是否模糊或被遮挡；响应于确定所述人眼图像不模糊以及未被遮挡，将所述人眼图像导入预先建立的人眼状态识别模型，从而确定所述人眼图像所指示的人眼所处的状态，其中，所述人眼状态识别模型用于表征人眼图像和人眼所处的状态的对应关系。

11.根据权利要求10所述的装置，其中，所述装置还包括模型训练单元，所述训练单元包括：

获取子单元，用于获取样本集，其中，样本包括带有标注信息的样本人眼图像，标注信息用于表征样本人眼图像所指示的人眼所处的状态；

训练子单元，用于基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本人眼图像分别输入至初始卷积神经网络，得到所述至少一个样本中的每个样本对应的状态；将所述至少一个样本中的每个样本对应的状态与对应的标注信息进行比较；根据比较结果确定所述初始卷积神经网络是否达到预设的优化目标；响应于确定所述初始卷积神经网络达到所述优化目标，将所述初始卷积神经网络作为训练完成的人眼状态识别模型。

12.根据权利要求11所述的装置，其中，所述模型训练单元还包括：

调整子单元，用于响应于确定所述初始卷积神经网络未达到所述优化目标，调整所述初始卷积神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。

13.根据权利要求9所述的装置，其中，所述第二确定子单元进一步用于：

根据所述人脸视频的视频帧中的人眼所处的状态，统计设定时间段内所述人脸视频中人脸对象的人眼从睁眼状态到闭眼状态的变化次数；

响应于确定所述变化次数不小于预先设定的次数，确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作。

14.根据权利要求8所述的装置，其中，所述执行单元进一步用于：

响应于确定所述人脸视频所指示的人脸对象在预设时间段内完成预设次数的眨眼动作，确定所述人脸视频所指示的人脸对象与预先存储的认证用人脸图像所指示的人脸对象是否相匹配；

响应于相匹配，执行锁屏操作。

15.一种终端设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

摄像头，用于采集人脸视频；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。