CN109214361A - 一种人脸识别方法和装置及车票验证方法和装置 - Google Patents

一种人脸识别方法和装置及车票验证方法和装置 Download PDF

Info

Publication number
CN109214361A
CN109214361A CN201811214341.3A CN201811214341A CN109214361A CN 109214361 A CN109214361 A CN 109214361A CN 201811214341 A CN201811214341 A CN 201811214341A CN 109214361 A CN109214361 A CN 109214361A
Authority
CN
China
Prior art keywords
face
image
certificate
real
facial image
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.)
Withdrawn
Application number
CN201811214341.3A
Other languages
English (en)
Inventor
闫博
孙庆柱
宗国营
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kang Mingfei (beijing) Science And Technology Co Ltd
Original Assignee
Kang Mingfei (beijing) Science And Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kang Mingfei (beijing) Science And Technology Co Ltd filed Critical Kang Mingfei (beijing) Science And Technology Co Ltd
Priority to CN201811214341.3A priority Critical patent/CN109214361A/zh
Publication of CN109214361A publication Critical patent/CN109214361A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/20—Individual registration on entry or exit involving the use of a pass
    • G07C9/22—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder
    • G07C9/25—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder using biometric data, e.g. fingerprints, iris scans or voice recognition
    • G07C9/257—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder using biometric data, e.g. fingerprints, iris scans or voice recognition electronically

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请提供了一种人脸识别方法和装置及车票验证方法和装置，其中，该方法包括：获取人脸所处环境的光线强度，以及身份证中的证件人脸图像；根据所述光线强度大小，控制补光灯对所述人脸进行补光；在补光条件下获取实时人脸图像；将所述证件人脸图像和所述实时人脸图像，输入至经过预先训练的人脸识别模型，检测所述证件人脸图像与所述实时人脸图像是否属于同一人脸。本申请能够基于当前环境的亮度的检测对人脸进行补光，减少由图像处理算法进行补光条件的判断带来的整个图像预处理过程的时间，提高闸机的通行效率。

Description

一种人脸识别方法和装置及车票验证方法和装置
技术领域
本申请涉及人脸识别技术领域，尤其是涉及一种人脸识别方法和装置 及车票验证方法和装置。
背景技术
闸机是一种通道管理设备，被广泛应用于车站、海关、机场等公共场 所。人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技 术。目前，人脸识别技术已应用于闸机，通过人脸识别的方式来核验身份， 广泛应用于门禁、自动检票设备等需要核验身份的公共场所。
人脸识别闸机在进行人脸识别的时候，需要通过摄像装置采集人脸图 像，并读取身份证信息，将采集到的人脸图像与身份证信息中的照片进行 对比。为了能够采集到清晰的人脸图像，通常采用图像处理算法，来判断 是否通过补光灯进行补光的条件。而通过图像处理算法进行补光条件的判 断，会增加整个图像预处理的过程。
发明内容
有鉴于此，本申请的目的在于提供人脸识别方法和装置及车票验证方 法和装置，基于当前环境的亮度的检测对人脸进行补光，减少由图像处理 算法进行补光条件的判断带来的整个图像预处理过程的时间，提高闸机的 通行效率。
第一方面，本申请实施例提供了一种人脸识别方法，包括：
获取人脸所处环境的光线强度，以及身份证中的证件人脸图像；
根据所述光线强度大小，控制补光灯对所述人脸进行补光；
在补光条件下获取实时人脸图像；
将所述证件人脸图像和所述实时人脸图像，输入至经过预先训练的人 脸识别模型，检测所述证件人脸图像与所述实时人脸图像是否属于同一人 脸。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方 式，其中，所述根据所述光线强度大小，控制补光灯对所述人脸进行补光， 具体包括：周期性执行下述检测操作，直至当前光线强度达到预设的光线 强度阈值；
所述检测操作包括：
检测所述光线强度是否达到预设的光线强度阈值；
如果所述光线强度并未达到所述光线强度阈值，则增强所述补光灯的 亮度和/或增加开启的补光灯的数量；
在增强所述补光灯的亮度和/或增加开启的补光灯的数量之后，重新获 取所述光线强度，并再次执行所述检测操作。
结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方 式，其中，
所述人脸识别模型包括：特征提取网络以及多层感知神经网络；
所述检测所述证件人脸图像与所述实时人脸图像是否属于同一人脸， 具体包括：
使用所述特征提取网络为所述证件人脸图像提取第一特征向量，并使 用所述特征提取网络为所述实时人脸图像提取第二特征向量；
将所述第一特征向量和所述第二特征向量输入至所述多层感知神经网 络，获取所述实时人脸图像和所述证件人脸图像之间的相似度；
基于所述相似度以及预设相似度阈值，确定所述证件人脸图像与所述 实时人脸图像是否属于同一人脸。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方 面的第三种可能的实施方式，其中，所述多层感知神经网络包括：感知层；
所述将所述第一特征向量和所述第二特征向量输入至所述多层感知神 经网络，获取所述实时人脸图像和所述证件人脸图像之间的相似度，包括：
将所述第一特征向量输入至所述感知层，获取所述第一特征向量中的 各个元素在多组参数下，分别与每组参数对应的第一感知元素；并基于所 有参数对应的第一感知元素，构成与所述第一特征向量对应的第一感知向 量；以及，
将述第二特征向量输入至所述感知层，获取所述第二特征向量中的各 个元素在多组参数下，分别与每组参数对应的第二感知元素；并基于所有 参数对应的第二感知元素，构成与所述第二特征向量对应的第二感知向量；
根据所述第一感知向量和所述第二感知向量确定实时人脸图像和所述 证件人脸图像之间的相似度。
结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方 式，其中，所述人脸识别模型通过下述方式进行训练：
获取多组训练数据；每组所述训练数据包括证件人脸样本图像以及实 时人脸样本图像，以及所述证件人脸样本图像和所述实时人脸样本图像是 否属于同一人脸的标注信息；
将同一组训练数据中的证件人脸样本图像和实时人脸样本图像输入预 先构建的人脸识别模型，确定所述证件人脸样本图像和所述实时人脸样本 图像之间的相似度；
根据所述证件人脸样本图像和所述实时人脸样本图像是否属于同一人 脸的标注信息，以及确定的所述证件人脸样本图像和所述实时人脸样本图 像之间的相似度，对所述人脸识别模型进行本轮训练；
经过对所述预先构建的人脸识别模型的多轮训练，获取训练好的人脸 识别模型。
第二方面，本申请实施例还提供一种车票验证方法，包括：
获取持票人的车票信息以及身份证信息；其中，所述车票信息包括： 乘车人身份证号；所述身份证信息包括：持证人身份证号；
基于第一方面，以及第一方面任意一种可能的实施方式中所述的人脸 识别方法验证持证人与持证人的证件是否相符；
以及，验证所述车票信息中的乘车人身份证号与所述身份证信息中的 持证人身份证号是否一致；
并在验证所述车票信息中的乘车人身份证号与所述身份证信息中的持 证人身份证号一致，且所述持证人与所述持证人的证件相符后，车票验证 通过。
第三方面，本申请实施例还提供一种人脸识别装置，包括：
第一获取装置，用于获取人脸所处环境的光线强度，以及身份证中的 证件人脸图像；
控制装置，用于根据所述光线强度大小，控制补光灯对所述人脸进行 补光；
第二获取装置，用于在补光条件下获取实时人脸图像；
检测装置，用于将所述证件人脸图像和所述实时人脸图像，输入至经 过预先训练的人脸识别模型，检测所述证件人脸图像与所述实时人脸图像 是否属于同一人脸。
结合第三方面，本申请实施例提供了第三方面的第一种可能的实施方 式，其中，所述控制装置具体用于通过下述方式控制补光灯对所述人脸进 行补光：
周期性执行下述检测操作，直至当前光线强度达到预设的光线强度阈 值；
所述检测操作包括：
检测所述光线强度是否达到预设的光线强度阈值；
如果所述光线强度并未达到所述光线强度阈值，则增强所述补光灯的 亮度,和/或增加开启的补光灯的数量；
在增强所述补光灯的亮度和/或增加开启的补光灯的数量之后，重新获 取所述光线强度，并再次执行所述检测操作。
结合第三方面，本申请实施例提供了第三方面的第二种可能的实施方 式，其中，所述人脸识别模型包括：特征提取网络以及多层感知神经网络；
所述检测模块，具体用于通过下述方式检测所述证件人脸图像与所述 实时人脸图像是否属于同一人脸：
使用所述特征提取网络为所述证件人脸图像提取第一特征向量，并使 用所述特征提取网络为所述实时人脸图像提取第二特征向量；
将所述第一特征向量和所述第二特征向量输入至所述多层感知神经网 络，获取所述实时人脸图像和所述证件人脸图像之间的相似度；
基于所述相似度以及预设相似度阈值，确定所述证件人脸图像与所述 实时人脸图像是否属于同一人脸。
结合第三方面的第二种可能的实施方式，本申请实施例提供了第二方 面的第三种可能的实施方式，其中，所述多层感知神经网络包括：感知层；
所述检测模块，获取所述实时人脸图像和所述证件人脸图像之间的相 似度：
将所述第一特征向量输入至所述感知层，获取所述第一特征向量中的 各个元素在多组参数下，分别与每组参数对应的第一感知元素；并基于所 有参数对应的第一感知元素，构成与所述第一特征向量对应的第一感知向 量；以及，
将述第二特征向量输入至所述感知层，获取所述第二特征向量中的各 个元素在多组参数下，分别与每组参数对应的第二感知元素；并基于所有 参数对应的第二感知元素，构成与所述第二特征向量对应的第二感知向量；
根据所述第一感知向量和所述第二感知向量确定实时人脸图像和所述 证件人脸图像之间的相似度。
结合第三方面，本申请实施例提供了第三方面的第四种可能的实施方 式，其中，还包括：训练装置；
所述训练装置具体用于通过下述方式对所述人脸识别模型进行训练：
获取不同人的图像组中包含的人脸图像的表示向量；其中，每个图像 组包括证件人脸图像、非证件人脸图像，以及所述证件人脸图像以及所述 非证件人脸图像是否相似的标注信息；
将同一图像组中的证件人脸图像的表示向量以及非证件人脸图像的表 示向量输入预先构建的人脸识别模型，确定同一图像组中的证件人脸图像 与非证件人脸图像之间的相似度；
根据证件人脸图像与非证件人脸图像之间的相似度与所述标注信息的 比对结果，对所述人脸识别模型进行本轮训练；
经过对所述预先构建的人脸识别模型的多轮训练，获取所述人脸识别 模型。
第四方面，本申请实施例还提供一种车票验证装置，包括：
获取模块，用于获取持票人的车票信息以及身份证信息；其中，所述 车票信息包括：乘车人身份证号；所述身份证信息包括：持证人身份证号；
人脸识别模块，用于基于权利要求1-5任意一项所述的方法验证持证人 与持证人的证件是否相符；
以及，
车票验证模块，用于验证所述车票信息中的乘车人身份证号与所述身 份证信息中的持证人身份证号是否一致；并在验证所述车票信息中的乘车 人身份证号与所述身份证信息中的持证人身份证号一致，且所述持证人与 所述持证人的证件相符后，车票验证通过。
第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储 器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子 设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读 指令被所述处理器执行时执行上述第一方面以及第二方面，或第一方面以 及第二方面中任一种可能的实施方式中的步骤。
第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机 可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上 述第一方面以及第二方面，或第一方面以及第二方面中任一种可能的实施 方式中的步骤。
本申请实施例提供的人脸识别方法和装置及车票验证方法和装置，采 用实时获取环境的光线强度，根据光线强度的大小，来控制补光灯对人脸 进行补光，进而获取补光后的实时人脸图像，获取身份证信息中的证件人 脸图像，基于人脸识别模型，检测证件人脸图像以及实时人脸图像是否属 于同一人脸，与现有技术中采用图像处理算法，来判断是否通过补光灯进 行补光的条件相比，其能够基于当前环境的亮度的检测对人脸进行补光，减少由图像处理算法进行补光条件的判断带来的整个图像预处理过程的时 间，提高闸机的通行效率。
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
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需 要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些 实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种人脸识别方法的流程图；
图2示出了本申请实施例所提供的人脸识别闸机的实体结构图；
图3示出了本申请实施例所提供的人脸识别闸机的实体结构图；
图4示出了本申请实施例所提供的人脸识别闸机的实体结构图；
图5示出了本申请实施例所提供的光通量检测装置的实体结构图；
图6示出了本申请实施例所提供的补光灯与芯片的连接关系结构图；
图7示出了本申请实施例所提供的补光灯与芯片的连接关系结构图；
图8示出了本申请实施例所提供的补光灯控制板的实体结构图；
图9示出了本申请实施例所提供的人脸识别过程中补光灯对人脸进行 补光的示意图；
图10示出了本申请实施例所提供的一种检测所述证件人脸图像与所述 实时人脸图像是否属于同一人脸的具体方法的流程图；
图11示出了本申请实施例所提供的人脸识别模型的训练方法的流程 图；
图12示出了本申请实施例所提供的一种车票验证方法的流程图；
图13示出了本申请实施例所提供的人脸识别装置的结构图；
图14示出了本申请实施例所提供的车票验证装置的结构图；
图15示出了本申请实施例所提供的计算机设备结构图。
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，所描述的实施例仅仅是本申请一部分实施例，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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前 提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，人脸识别闸机在进行人脸识别的时候，需要通过摄像装置采集 人脸图像，并读取身份证信息，将采集到的人脸图像与身份证信息中的照 片，当人脸处于光线强度较弱的时候，采集到的人脸图像是不清楚的，此 时，通常通过图像处理算法对图片进行处理，来判断当前环境下，对人脸 进行补光的强度，而通过图像处理算法进行补光条件的判断，会增加整个 图像预处理的过程。
基于此，本申请实施例提供了一种人脸识别方法和装置及车票验证方 法和装置，下面通过实施例进行描述。
本申请提供的人脸识别方法应用于人脸识别闸机，当用户通过人脸识 别闸机的时候，人脸识别闸机会采集实时人脸图像，并基于用户的证件人 脸图像来检验证件人脸图像与实时人脸图像是否属于同一人脸。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种人脸 识别方法进行详细介绍。
参见图1所示，本申请实施例提供的一种人脸识别方法，包括：
S101：获取人脸所处环境的光线强度，以及身份证中的证件人脸图像。
在具体实现的时候，环境的光线强度是指用户在通过闸机的时候，闸 机实时捕捉人脸图像的时候，人脸所处环境的光线强度，由于闸机设置的 空间位置不同，所以每一个闸机所在的空间位置的光线强度也是不同的， 此外，用户在通过闸机进行实时人脸图像识别的时候，所站的角度不同， 那么人脸所处环境的光线强度也会受到影响。
S102：根据所述光线强度大小，控制补光灯对所述人脸进行补光。
在具体实现的时候，将获取到的光线强度进行检测，检测当前人脸所 述环境的光线强度是否达到预设的光线强度阈值，进而控制补光灯为人脸 进行补光。
具体的，本申请实施例还提供一种根据所述光线强度大小，控制补光 灯对所述人脸进行补光的具体方法，包括：
周期性执行下述检测操作，直至当前光线强度达到预设的光线强度阈 值；
所述检测操作包括：
检测所述光线强度是否达到预设的光线强度阈值；
如果所述光线强度并未达到所述光线强度阈值，则增强所述补光灯的 亮度和/或增加开启的补光灯的数量；
在增强所述补光灯的亮度和/或增加开启的补光灯的数量之后，重新获 取所述光线强度，并再次执行所述检测操作。
在具体实现的时候，补光灯可以设置有一个以及多个，当补光灯设置 有一个的时候，将光线强度与预设的光线强度阈值进行对比，周期性检测 光线强度是否达到预设的光线强度阈值，如果检测到光线强度并未达到预 设的光线强度阈值，增强补光灯的亮度，直至人脸所处环境的当前光线强 度达到预设的光线强度阈值。
例如，可以将获取得到的光线强度转化为电信号，根据电信号检测当 前获取的光线强度大小。
当补光灯设置有多个时，将光线强度与预设的光线强度阈值进行对比， 周期性检测光线强度是否达到预设的光线强度阈值，如果检测到光线强度 并未达到预设的光线强度阈值，增加开启补光灯的数量，直至人脸所处环 境的当前光线强度达到预设的光线强度阈值。
此处，参见图2至图4所示，人脸识别闸机的实体结构，包括：第一 闸机箱体101、补光灯102、摄像头103以及补光灯控制板104。
第一闸机箱体101外边面安装有补光灯102与摄像头103，第一闸机箱 体101内部安装有补光灯控制板104，补光灯102通过电源线路与补光灯控 制板104连接。补光灯102对人脸进行补光时，是根据摄像头103在获取 人脸图像时，人脸所处环境的光线强度来进行补光的；摄像头103可以是 设置在第一闸机箱体101的内部，并且摄像头能够旋转。在获取人脸图像 的时候，可以根据拍摄到的人脸图像自动调节摄像头103自身的角度，使 得拍摄到的人脸图像能够将人脸完全呈现在图片内。
在这里，补光灯102可以是发光二极管。补光灯102可以设置有一个， 也可以设置有多个。
当补光灯只有一个的时候，补光灯102照射人脸的角度可以是向靠近 摄像头103的方向设置。
当补光灯102存在多个的时候，每一个补光灯102发出的光束交汇后， 对人脸进行补光。当补光灯102有多个的时候，每一个补光灯均匀得设置 在摄像头的周围。
例如：补光灯102有4个的时候，4个补光灯可以是分别设置在摄像头 103上部、下部、左面、右面4个位置上，均匀分布。
补光灯102连接的补光灯控制板104不仅可以控制补光灯102的补光 灯102的光线亮度，还会实时感应人脸所处环境的光线强度。
补光灯控制板上还安装有光通量检测装置105，光通量检测装置105通 过第一闸机箱体101上设置的通光口感应光线强度。补光灯102能够实时 感应人脸所处环境的光线强度，并将环境的光线强度转化为电信号，补光 灯控制板104根据电信号的强弱来控制补光灯102的对人脸补光的光线亮 度。
例如：当行人通过闸机进行人脸识别来验证身份时，而人脸处于逆光 源的环境，则通过补光灯控制板104上设置的光通量检测装置105感应光 线亮度，根据感应到的光线亮度，通过补光灯102对人脸进行补光，来提 高人脸的曝光强度。
具体的，参见图5所示，本申请实施例还提供了光通量检测装置105 的实体结构，包括：光敏二极管T1，晶体管T2，晶体管T3，晶体管T4， 电阻R1，电阻R2，电阻R3，电阻R4，电阻R5，电阻R6，电阻R7。
具体连接关系如下：光敏二极管T1的正极分别连接电阻R1的一端以 及晶体管T2的基极；晶体管T2的发射极分别连接电阻R2的一端以及电阻 R3的一端；电阻R3远离晶体管T2的一端连接晶体管T3的基极；晶体管 T3的发射极分别连接电阻R6的一端以及电阻R5的一端，晶体管T3的集 电极分别连接电阻R4的一端以及电阻R5远离晶体管T3的另一端；晶体管T4的基极连接晶体管T3的集电极，晶体管T4的集电极连接电阻R7的 一端，作为光通量检测装置的电压输出端UO；电阻R1远离光敏二极管T1 的另一端、电阻R2远离晶体管T2的另一端、电阻R6远离晶体管T3的另 一端以及晶体管T4的发射极分别接地；光敏二极管T1的负极、晶体管T2 的集电极、电阻R4远离晶体管T3的另一端以及电阻R7远离晶体管T4的 另一端分别与电源E连接。
光敏二极管T1用于感应人脸所处环境的光线强度，并接收到的光信号 转化为电信号。当光照射在光敏二极管T1时，产生感应电流使电阻R1上 的压降增大，从而导通晶体管T2。晶体管T3的发射极和晶体管T4的发射 极组合成耦合触发器(电阻R2-电阻R7在本电路中主要起适配作用)。晶体 管T4的基极连接晶体管T3的集电极，晶体管T4的集电极连接电阻R7的 一端，作为光通量检测装置的电压输出端UO。
此外，第一闸机箱体101的内部还设置有智能芯片，智能芯片用于接 收光通量检测装置的电压输出端UO电信号后，通过智能芯片的内部逻辑对 电信号进行处理后，进而控制补光灯102的光度。
具体的，智能芯片的电压输入引脚与光通量检测装置的电压输出端UO连接；智能芯片的开关引脚连接电感L1的一端；电感L1远离所述智能芯 片开关引脚的另一端连接补光灯。
智能芯片可以是LM3404、LM3404HV等型号中的任意一种。智能芯 片的电压输入引脚VIN与光通量检测装置105的电压输出端UO连接，智 能芯片的开关引脚SW与补光灯102连接。当智能芯片接收到光通量检测 装置105通过电压输出端UO发出的电信号后，通过智能芯片本身的内部逻 辑对电信号进行处理，进而控制补光灯102的光度。
在这里，以型号为LM3404的智能芯片为例，对智能芯片与补光灯102 的连接关系进行介绍：
智能芯片采用LM3404芯片，LM3404芯片为BUCK调整器，具有宽 电压输入范围，低的电压参考，快速的输出使能/除能功能，使得LM3404 芯片能够连续输出能够驱动LED的电流源，并可输出正向电流高达1.2A。LM3404芯片开启时间控制(controlled on-time，COT)结构由迟滞控制模式 和与输入电压变化相反的一次开启时间构成，不再需要迟滞控制使得小信 号控制回路补偿，具有快速的瞬态响应，通过脉冲宽度调制(Pulse WidthModulation，PWM)的方式对LED进行调光的功能。
在这里值得注意的是，补光灯与智能芯片的连接关系具有下述两种方 式：
其一：参见图6所示，当补光灯102设置有一个时，可以选择发光二 极管作为补光灯102，则，LM3404芯片与补光灯102具有以下连接关系：
LM3404芯片的电压输入引脚VIN用于接收光通量检测装置105输出 的电信号，同时，电压输入引脚VIN还连接有电容CIN的一端，电容CIN远离LM3404芯片电压输入引脚VIN的另一端接地，并且，电压输入引脚 VIN还连接有电阻RON的一端，电阻RON远离LM3404芯片电压输入引脚 的另一端与LM3404芯片的实时控制引脚RON连接，LM3404芯片的实时控 制引脚RON与金属—氧化物—半导体(metal oxide semiconductor，MOS)场 效应晶体管的漏极连接，MOS管的源极接地，MOS管的漏极与LM3404 芯片的实时控制引脚RON连接，LM3404芯片的MOSFET驱动自启动引脚 BOOT与电容CB的一端连接，电容CB远离LM3404芯片MOSFET驱动自启动引脚BOOT的另一端与LM3404芯片的开关引脚SW连接,LM3404芯 片的开关引脚SW与电感L1的一端连接，电感L1远离LM3404芯片开关 引脚SW的另一端与补光灯102的正极连接；另外，LM3404芯片的开关引 脚SW还连接齐纳二极管D1的负极，齐纳二极管D1的正极与电源地连接。 补光灯102的负极连接LM3404芯片的电流反馈引脚CS，另外，LM3404 芯片的电流反馈引脚CS还与检流电阻RSNS的一端连接，检流电阻RSNS远离LM3404芯片电流反馈引脚CS的另一端接地；LM3404芯片的电源电 压引脚VCC与电容CF的一端连接，电容CF远离LM3404芯片电源电压引 脚VCC的另一端接地。
其二：参见图7所示，当补光灯102设置为多个时，可以选择发光二 极管作为补光灯102，则，LM3404芯片与补光灯102具有以下连接关系：
下面以设置两个补光灯为例，对LM3404芯片与补光灯102之间的连 接关系进行介绍，其中，将两个补光灯分别称为第一补光灯106以及第二 补光灯107：
LM3404芯片的电压输入引脚VIN用于接收光通量检测装置105输出 的电信号，同时，电压输入引脚VIN还连接有电容CIN的一端，电容CIN远离LM3404芯片电压输入引脚VIN的另一端接地，并且，电压输入引脚 VIN还连接有电阻RON的一端，电阻RON远离LM3404芯片电压输入引脚 的另一端与LM3404芯片的实时控制引脚RON连接，LM3404芯片的实时控 制引脚RON与金属—氧化物—半导体(metal oxide semiconductor，MOS)场效 应晶体管的漏极连接，MOS管的源极接地，MOS管的漏极与LM3404芯 片的实时控制引脚RON连接，LM3404芯片的MOSFET驱动自启动引脚 BOOT与电容CB的一端连接，电容CB远离LM3404芯片MOSFET驱动自启动引脚BOOT的另一端与LM3404芯片的开关引脚SW连接,LM3404芯 片的开关引脚SW与电感L1的一端连接，电感L1远离LM3404芯片开关 引脚SW的另一端与第一补光灯106的正极连接；另外，LM3404芯片的开 关引脚SW还连接齐纳二极管D1的负极，齐纳二极管D1的正极与电源地 连接。第一补光灯106的负极与第二补光灯107的正极连接，第二补光灯 107的负极连接LM3404芯片的电流反馈引脚CS，另外，LM3404芯片的 电流反馈引脚CS还与检流电阻RSNS的一端连接，检流电阻RSNS远离 LM3404芯片电流反馈引脚CS的另一端接地；LM3404芯片的电源电压引 脚VCC与电容CF的一端连接，电容CF远离LM3404芯片电源电压引脚 VCC的另一端接地。
参见表1所示，表1列举了LM3404芯片的管脚定义，以及使用LM3404 芯片时一些必要的辅助元器件的作用。
表1
参见图8及图9所示，当补光灯102设置有两个的时候，第一补光灯 106与第二补光灯107的时候，第一补光灯106与第二补光灯107可以分别 放置在摄像头的两边，并在对人脸补光灯的时候，第一补光灯106与第二 补光灯107的光线会在A出交汇，叠加光线强度，对人脸进行补光。
S103：在补光条件下获取实时人脸图像。
S104：将所述证件人脸图像和所述实时人脸图像，输入至经过预先训 练的人脸识别模型，检测所述证件人脸图像与所述实时人脸图像是否属于 同一人脸。
在具体实现的时候，在补光灯对人脸进行补光后，获取实时人脸图像， 并将实时人脸图像以及证件人脸图像输入至预先训练的人脸识别模型中， 检测证件人脸图像与实时人脸图像是否属于同一人脸。其中，人脸识别模 型包括特征提取网络以及多层感知网络，通过特征提取网络提取实时人脸 图像与证件人脸图像的特征，并基于多层感知网络，根据实时人脸图像与 证件人脸图像的特征，获得实时人脸图像和证件人脸图像之间的相似度
具体的，参见图10所示，本申请实施例还提供一种检测所述证件人脸 图像与所述实时人脸图像是否属于同一人脸的具体方法，包括：
S1001：使用所述特征提取网络为所述证件人脸图像提取第一特征向 量，并使用所述特征提取网络为所述实时人脸图像提取第二特征向量；
S1002：将所述第一特征向量和所述第二特征向量输入至所述多层感知 神经网络，获取所述实时人脸图像和所述证件人脸图像之间的相似度。
在具体实现的时候，通过特征提取网络提取证件人脸图像的特征，其 中，证件人脸图像的特征有多个，根据多个证件人脸图像的特征，构建证 件人脸图像的第一特征向量；通过特征提取网络提取实时人脸图像的特征， 其中，实时人脸图像的特征有多个，根据多个实时人脸图像的特征，构建 实时人脸图像的第二特征向量。基于多层感知网络，根据第一特征向量以 及第二特征向量，确定实时人脸图像和证件人脸图像之间的相似度。
具体的，本申请实施例还提供一种获取所述实时人脸图像和所述证件 人脸图像之间的相似度具体方法，其中，多层感知神经网络包括感知层。
将所述第一特征向量输入至所述感知层，获取所述第一特征向量中的 各个元素在多组参数下，分别与每组参数对应的第一感知元素；并基于所 有参数对应的第一感知元素，构成与所述第一特征向量对应的第一感知向 量；以及，
将述第二特征向量输入至所述感知层，获取所述第二特征向量中的各 个元素在多组参数下，分别与每组参数对应的第二感知元素；并基于所有 参数对应的第二感知元素，构成与所述第二特征向量对应的第二感知向量；
根据所述第一感知向量和所述第二感知向量确定实时人脸图像和所述 证件人脸图像之间的相似度。
在具体实现的时候，感知层包括多个神经元，每一个神经元包含一组 参数，其中，每一组的参数是不一致的，根据每一组的参数，建立第一特 征向量中的每一个元素之间的关系，进而获取与每组参数对应的第一感知 元素，基于每一组参数对应的第一感知元素，构成与第一特征向量对应的 第一感知向量，基于同样的原理，获取第二特征向量对应的第二感知向量。
获取第一感知向量以及第二感知向量后，计算第一感知向量以及第二 感知向量在一种距离特征下的距离特征值。此处，距离特征是指欧氏距离、 曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距 离、夹角余弦、汉明距离、杰卡德距离、相关距离、信息熵中一项或者多 项。
由于神经元有多个，每个神经元采用的参数不一致，因此，距离特征 值有多个，根据多个距离特征值，建立距离特征值之间的关系，得到每组 参数对应的混合距离，并基于每组参数对应的混合距离，计算证件人脸图 像以及实时人脸图像之间的相似度。
此处，人脸检测模型还包括输出层，输出层中包括一个输出神经元， 输出神经元首先对各组参数对应的混合距离进行加权求和；其次对加权求 和的结果添加偏置量；然后使用激活函数对添加偏置量的加权求和结果进 行激活。激活函数的输出即为该输出神经元的输出，也即，证件人脸图像 以及实时人脸图像之间的相似度。其中，激活函数可以是sigmod函数。
在这里，多层感知网络还包括特征提取层，在获取第一特征向量与第 二特征向量之前，还会对特征向量进行预处理，使第一特征向量以及第二 特征向量固定在同一的维度，以便于感知层对第一特征向量以及第二特征 向量的处理。
S1003：基于所述相似度以及预设相似度阈值，确定所述证件人脸图像 与所述实时人脸图像是否属于同一人脸。
在具体实现的时候，将相似度与预设的相似度阈值进行对比，其中相 似度阈值可以是一个数值，当相似度达到这个数值，则证件人脸图像与实 时人脸图像属于同一人脸，若相似度未达到这个数值，则证件人脸图像与 实时人脸图像不属于同一人脸。
相似度阈值也可以是一个取值范围，如：激活函数采用sigmod函数， 那么，得到的相似度一定在(0,1)这个开区间内，此时，若相似度越接近1 则认为实时人脸图像与证件人脸图像属于同一人脸的概率越大，若相似度 越接近0，则认为实时人脸图像与证件人脸图像属于同一人脸的概率越小。
具体的，参见图11所示，本申请实施例还提供人脸识别模型的训练方 法，具体包括：
S1101：获取多组训练数据；每组所述训练数据包括证件人脸样本图像 以及实时人脸样本图像，以及所述证件人脸样本图像和所述实时人脸样本 图像是否属于同一人脸的标注信息。
在具体实现的时候，在进行人脸识别模型进行训练之前，首先要从数 据库获取样本数据，也即多组训练数据，多组训练数据中包括了证件人脸 样本图像以及实时人脸样本图像，证件人脸样本图像与实时人脸样本图像 可以属于同一个人，也可以不属于同一个人，当证件人脸图像与实时人脸 图像属于同一个时，那么，对应的证件人脸样本图像和实时人脸样本图像 是否属于同一人脸的标注信息为“是”；当证件人脸样本图像与实时人脸样 本图像不属于同一个时，那么，对应的证件人脸样本图像和实时人脸样本 图像是否属于同一人脸的标注信息为“否”。
S1102：将同一组训练数据中的证件人脸样本图像和实时人脸样本图像 输入预先构建的人脸识别模型，确定所述证件人脸样本图像和所述实时人 脸样本图像之间的相似度。
S1103：根据所述证件人脸样本图像和所述实时人脸样本图像是否属于 同一人脸的标注信息，以及确定的所述证件人脸样本图像和所述实时人脸 样本图像之间的相似度，对所述人脸识别模型进行本轮训练；
S1104：经过对所述预先构建的人脸识别模型的多轮训练，获取训练好 的人脸识别模型。
在具体实现的时候，将证件人脸样本图像以及实时人脸样本图像输入 至预先构建的基础人脸检测模型，分别提取证件人脸样本图像以及实时人 脸图样本图像对应的特征，根据证件人脸样本图像以及实时人脸图样本图 像对应的特征，构建证件人脸样本图像的特征向量以及实时人脸图样本图 像特征向量，根据证件人脸样本图像的特征向量以及实时人脸图样本图像 特征向量，确定证件人脸样本图像和实时人脸样本图像之间的相似度。根 据相似度预计预设的相似度阈值，判断证件人脸样本图像和实时人脸样本 图像是否属于同一人脸，将根据证件人脸样本图像和实时人脸样本图像是 否属于同一人脸的标注信息以及判断结果进行对比，对基础人脸检测模型 进行多轮训练，调整基础人脸检测模型的参数，获取训练好的人脸识别模 型。
本申请实施例提供的人脸识别方法，采用实时获取环境的光线强度， 根据光线强度的大小，来控制补光灯对人脸进行补光，进而获取补光后的 实时人脸图像，获取身份证信息中的证件人脸图像，基于人脸识别模型， 检测证件人脸图像以及实时人脸图像是否属于同一人脸，与现有技术中采 用图像处理算法，来判断是否通过补光灯进行补光的条件相比，其能够基 于当前环境的亮度的检测对人脸进行补光，减少由图像处理算法进行补光条件的判断带来的整个图像预处理过程的时间，提高闸机的通行效率。
参见图12所示，本申请实施例提供的一种车票验证方法包括：
S1201：获取持票人的车票信息以及身份证信息；其中，所述车票信息 包括：乘车人身份证号；所述身份证信息包括：持证人身份证号；
S1202：基于上述实施例中所述的人脸识别方法验证持证人与持证人的 证件是否相符；
以及，验证所述车票信息中的乘车人身份证号与所述身份证信息中的 持证人身份证号是否一致；
S1203：并在验证所述车票信息中的乘车人身份证号与所述身份证信息 中的持证人身份证号一致，且所述持证人与所述持证人的证件相符后，车 票验证通过。
在具体实现的时候，要通过上述实施例中的人脸识别方法验证持证人 与持证人的证件是否相符，也即，对持证人进行人脸识别，同时，将获取 到的车票信息中包括的身份证号以及持证人身份证信息中的身份证号进行 验证，当两者验证过程同时通过的时候，证明持证人身份与车票是相符的。
基于同一发明构思，本申请实施例中还提供了与人脸识别方法对应的 人脸识别装置，由于本申请实施例中的装置解决问题的原理与本申请实施 例上述人脸识别方法相似，因此装置的实施可以参见方法的实施，重复之 处不再赘述。
参见图13所示，本申请实施例提供的一种人脸识别装置包括：
第一获取装置1301，用于获取人脸所处环境的光线强度，以及身份证 中的证件人脸图像；
控制装置1302，用于根据所述光线强度大小，控制补光灯对所述人脸 进行补光；
第二获取装置1303，用于在补光条件下获取实时人脸图像；
检测装置1304，用于将所述证件人脸图像和所述实时人脸图像，输入 至经过预先训练的人脸识别模型，检测所述证件人脸图像与所述实时人脸 图像是否属于同一人脸。
可选的，所述控制装置1302具体用于通过下述方式控制补光灯对所述 人脸进行补光：
周期性执行下述检测操作，直至当前光线强度达到预设的光线强度阈 值；
所述检测操作包括：
检测所述光线强度是否达到预设的光线强度阈值；
如果所述光线强度并未达到所述光线强度阈值，则增强所述补光灯的 亮度,和/或增加开启的补光灯的数量；
在增强所述补光灯的亮度和/或增加开启的补光灯的数量之后，重新获 取所述光线强度，并再次执行所述检测操作。
可选的，所述人脸识别模型包括：特征提取网络以及多层感知神经网 络；
所述检测模块1304，具体用于通过下述方式检测所述证件人脸图像与 所述实时人脸图像是否属于同一人脸：
使用所述特征提取网络为所述证件人脸图像提取第一特征向量，并使 用所述特征提取网络为所述实时人脸图像提取第二特征向量；
将所述第一特征向量和所述第二特征向量输入至所述多层感知神经网 络，获取所述实时人脸图像和所述证件人脸图像之间的相似度；
基于所述相似度以及预设相似度阈值，确定所述证件人脸图像与所述 实时人脸图像是否属于同一人脸。
可选的，所述多层感知神经网络包括：感知层；
所述检测模块1304，获取所述实时人脸图像和所述证件人脸图像之间 的相似度：
将所述第一特征向量输入至所述感知层，获取所述第一特征向量中的 各个元素在多组参数下，分别与每组参数对应的第一感知元素；并基于所 有参数对应的第一感知元素，构成与所述第一特征向量对应的第一感知向 量；以及，
将述第二特征向量输入至所述感知层，获取所述第二特征向量中的各 个元素在多组参数下，分别与每组参数对应的第二感知元素；并基于所有 参数对应的第二感知元素，构成与所述第二特征向量对应的第二感知向量；
根据所述第一感知向量和所述第二感知向量确定实时人脸图像和所述 证件人脸图像之间的相似度。
可选的，人脸检测装置还包括：训练装置1305；
所述训练装置1305具体用于通过下述方式对所述人脸识别模型进行训 练：
获取不同人的图像组中包含的人脸图像的表示向量；其中，每个图像 组包括证件人脸图像、非证件人脸图像，以及所述证件人脸图像以及所述 非证件人脸图像是否相似的标注信息；
将同一图像组中的证件人脸图像的表示向量以及非证件人脸图像的表 示向量输入预先构建的人脸识别模型，确定同一图像组中的证件人脸图像 与非证件人脸图像之间的相似度；
根据证件人脸图像与非证件人脸图像之间的相似度与所述标注信息的 比对结果，对所述人脸识别模型进行本轮训练；
经过对所述预先构建的人脸识别模型的多轮训练，获取所述人脸识别 模型。
基于同一发明构思，本申请实施例中还提供了与车票验证方法对应的 车票验证装置，由于本申请实施例中的装置解决问题的原理与本申请实施 例上述车票验证方法相似，因此装置的实施可以参见方法的实施，重复之 处不再赘述。
参见图14所示，本申请实施例提供的车票验证装置包括：
获取模块1401，用于获取持票人的车票信息以及身份证信息；其中， 所述车票信息包括：乘车人身份证号；所述身份证信息包括：持证人身份 证号；
人脸识别模块1402，用于基于上述实施例所述的人脸识别方法验证持 证人与持证人的证件是否相符；
以及，
车票验证模块1403，用于验证所述车票信息中的乘车人身份证号与所 述身份证信息中的持证人身份证号是否一致；并在验证所述车票信息中的 乘车人身份证号与所述身份证信息中的持证人身份证号一致，且所述持证 人与所述持证人的证件相符后，车票验证通过。
参见图2至图4所示，本申请实施例提供的人脸识别闸机，还包括工 业控制计算机108；工业控制计算机108设置在第一闸机箱体101的内部； 补光灯控制板104以及摄像头均通过串口与工业控制计算机108连接。
具体的，工业控制计算机108设置在第一闸机箱体101的内部，并通 过工业控制计算机108上的串口与外部硬件结构连接，工业控制计算机108 通过串口与补光灯控制板104连接，将补光灯控制板104接收到的电信号 转化为数字信号，进而协助补光灯控制板104控制补光灯进行补光时的光 线亮度。其中，串口可以是通用串行总线(Universal SerialBus，USB)、串 行高级技术附件(Serial Advanced Technology Attachment，SATA)、串行通讯端口(cluster communication port，COM口)、视频图形阵列接口(Video GraphicsArray、VGA)、低电压差分信号接口(LVDS，Low-Voltage Differential Signaling)、高清晰度多媒体接口(High Definition Multimedia Interface、HDMI)以及数字视频接口(Digital Visual Interface，DVI)中的 任意一种，具体使用串口的种类可以根据外部硬件具体选择。如：对于需 要将电信号转化为数字信号的外部硬件可以通过COM口与工业计算机连 接。
除此之外人脸识别闸机，还包括第二闸机箱体109；其中，第一闸机箱 体101与第二闸机箱体109物理分离而形成通道，供行人通行。为了能够 规范行人出入，还需要阻拦装置，在这里，阻拦体的设置有以下几种方式：
其一：在第一闸机箱体101靠近第二闸机箱体109的一侧只设置有第 一门单元110。
其二：门单元有两个：在第一闸机箱体109靠近第二闸机箱体109的 一侧只设置有第一门单元110，以及在第二闸机箱体110靠近第一闸机箱体 101的一侧设置有第二门单元111
第三：在第二闸机箱体110靠近第一闸机箱体101的一侧设置有第二 门单元111。
第一门单元和/或第二门单元构成通道内的阻拦体。
其中，第一门单元110与第二门单元111可以是摆闸，翼闸，平移闸中 其中一种。
下面以第一门单元110为例，对两个门单元的结构加以说明：
第一门单元110包括门扇以及门扇控制机构。
(1)假若第一门单元是翼闸，门扇控制机构用于控制门扇在人进行通 行验证通过后，控制门扇回收至箱体内；并在人通过通道后，控制门扇回 位至箱体外。
(2)假若第一门单元是平移闸，门扇控制机构用于控制门扇在人通行 前，对门扇解除锁定，使得人能够将门扇推开；并在人通过通道后，控制 被推开的门扇回位，并锁定。
(3)假若第一门单元是摆闸，门扇控制子机构用于控制门扇在人通行 前，对门扇解除锁定，使得人能够将门扇推送，并在门扇推动过程中，形 成人通过的通道；并在人通过通道后，控制门扇锁定。此处，较为特殊的， 门扇由多根阻拦棍组成，且多根组阻拦棍的一端相互靠近，另一端相互远 离。
具体的，以门单元有两个为例，对闸机的工作过程加以说明：
第一门单元110与第二门单元111分别通过串口与工业控制计算机108 连接，通过工业控制计算第一门单元110与第二门单元111的开关。在这里， 当闸机在待机状态下，第一门单元110与第二门单元111处于关闭状态，可 以阻拦行人通过闸机；当行人的身份认证通过后，闸机被触发，工业控制 计算机108控制第一门单元110与第二门单元111打开，使行人通过。当行 人通过后，工业控制计算机108控制第一门单元110与第二门单元111关闭 并锁定，直到下一个行人身份验证通过后在打开。
此处，参见图2至图4所示，在本申请可选实施例中：还包括人脸图 像识别装置112；
人脸图像识别装置112设置在第一闸机箱体101的外部，并通过串口 与工业控制计算机108连接。
此处，工业控制计算机108还连接有人脸图像识别装置112以及身份 证读卡器113，其中，身份证读卡器113用于读取身份证信息，并获取身份 证保存的图像信息，并将身份证保存的图像信息发送给人脸图像识别装置 112，另外，人脸识别装置还要接收由摄像头103获取的人脸图像。人脸图 像识别装置112通过摄像头103获取的人脸图像与身份证保存的比对，比 对一致后，身份验证通过。此处，第一闸机箱体101上还可以设置显示屏 115，显示屏115通过串口与工业控制计算机108连接，可以再摄像头获取 人脸图像的时候，对人脸进行展示。
在本申请可选实施例中：闸机还包括身份证读卡器113；
身份证读卡器113设置在第一闸机箱体101上；并通过串口与工业控 制计算机108连接。
此处，在身份认证的时候，不仅需要进行人脸识别，还要进行信息核 对，身份证读卡器113还将身份证包含的行人姓名，身份证编号等信息传 送给工业控制计算机108，并通过第一闸机箱体101上设置的二维码扫描器 114读取行人的车票信息，例如：行人的姓名。行人的身份证号，行人的乘 车时间以及乘坐的列车编号等。
在本申请可选实施例中：闸机还包括二维码扫描器114；
二维码扫描器114设置在第一闸机箱体101上，并通过串口与工业控 制计算机108连接。
此处，车票上的二维码或者条形码中的信息会包含车票的识别标识， 或者还会包括行人的相关信息；如果二维码或者条形码中只包括车票的识 别标识，那么工业控制计算机108在接收到车票的识别标识后，从车站的 票务管理系统中，获取与车票的识别标识相关的其他信息，例如行人的姓 名、行人的身份证号、行人乘车时间以及乘坐的列车编号等。如果二维码 或者条形码中，除了车票的识别标识，还包括上述的其他信息，则工业控 制计算机108直接将行人的姓名、行人的身份证号与从身份证读卡器113 所获取的行人的姓名以及行人的身份证号进行比对，如果一致，则认为持 票人的身份证与车票具有对应关系。如果不一致，则认为持票人的身份证 与车票之间不具有对应关系。
在本申请可选实施例中：闸机还包括显示屏115；
显示屏115设置在第一闸机箱体101上，并通过串口与工业控制计算 机108连接。
此处，第一闸机箱体101上还设置有扬声器116，扬声器116通过串口 与工业控制计算机108连接，用于将提示信息传达给行人。如：在进行身 份验证的时候，行人需要将身份证放置在身份证读卡器113上；当身份证 放在身份证读卡器113上时，不要放一下身份证就将身份证法拿走；摄像 头获取人脸图像时，提示行人要正面面对摄像头等信息都可以通过扬声器 116来提醒行人。
在本申请可选实施例中：闸机还包括扬声器116；
扬声器116设置在第一闸机箱体101上，并通过串口与工业控制计算 机108连接。
第一闸机箱体101上还设置有扬声器116，扬声器116通过串口与工业 控制计算机108连接，用于将提示信息传达给行人。如：在进行身份验证 的时候，行人需要将身份证放置在身份证读卡器113上；当身份证放在身 份证读卡器113上时，不要放一下身份证就将身份证拿走；摄像头获取人 脸图像时，提示行人要正面面对摄像头等信息都可以通过扬声器116来提 醒行人。
在本申请可选实施例中：闸机还包括通行状态指示器117；
通行状态指示器117设置在第一闸机箱体101上，并通过串口与工业 控制计算机108连接。
在身份验证通过后，行人需要通过闸机通道，因此，在第一闸机箱体 101上还安装有通行状态指示器117，与工业控制计算机108连接，用于提 示乘客，当前通道的通行状态。例如：通行状态指示器117是一个指示灯， 在通道状态是通行状态时，指示灯为绿色；当通道状态是未通行状态时， 指示灯为红色，而且，在没有行人身份验证通过的情况下，指示灯会一直 保持红色。在行人身份验证通过后，工业控制计算机108会控制指示灯的 颜色切换为绿色，指示行人通过，当行人通过通道后，工业控制计算机108 会控制指示灯的颜色切换为红色，并会保持红色到下一个行人身份验证通 过。
参见图2及图4所示，当闸机出现故障时，还通过第一闸机箱体101 上安装的警戒带119，阻止行人进行闸机通道进行人脸识别。警戒带119可 以伸缩，当未使用警戒带119的时候，警戒带119会被收纳与第一闸机箱 体101上设置的警戒带收纳部中。当闸机出现故障后，警戒带119会伸出 警戒带收纳部118，并且，另一端固定于第二闸机箱体109上的固定部上(图 中并未示出固定部)，拦截第一闸机箱体101与第二闸机箱体109形成的通 道。
对应于图1中的人脸识别方法及图12中的车票验证方法，本申请实施 例还提供了一种计算机设备1500，如图15所示，该设备包括存储器1000、 处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算 机程序，其中，上述处理器2000执行上述计算机程序时实现上述人脸识别 方法及车票验证方法的步骤。
具体地，上述存储器1000和处理器2000能够为通用的存储器和处理 器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程 序时，能够执行上述计算机程序时实现上述人脸识别方法及车票验证方法 的步骤，能够基于当前环境的亮度的检测对人脸进行补光，减少由图像处 理算法进行补光条件的判断带来的整个图像预处理过程的时间，提高闸机 的通行效率。
对应于图1中的人脸识别方法及图12中的车票验证方法，本申请实施 例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计 算机程序，该计算机程序被处理器运行时执行上述人脸识别方法及车票验 证方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等， 该存储介质上的计算机程序被运行时，能够执行上述人脸识别方法及车票 验证方法的步骤，基于当前环境的亮度的检测对人脸进行补光，减少由图 像处理算法进行补光条件的判断带来的整个图像预处理过程的时间，提高 闸机的通行效率。
本申请实施例所提供的人脸识别方法和装置以及车票验证方法和装置 的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代 码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法 实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述 描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的 对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置 和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意 性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到 另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的 相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或 单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的， 作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地 方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的 部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元 中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在 一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使 用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。 基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的 部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软 件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可 以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述 方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读 存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用 以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于 此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术 人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围 内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变 化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都 应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利 要求的保护范围为准。

Claims (12)

1.一种人脸识别方法，其特征在于，包括：
获取人脸所处环境的光线强度，以及身份证中的证件人脸图像；
根据所述光线强度大小，控制补光灯对所述人脸进行补光；
在补光条件下获取实时人脸图像；
将所述证件人脸图像和所述实时人脸图像，输入至经过预先训练的人脸识别模型，检测所述证件人脸图像与所述实时人脸图像是否属于同一人脸。
2.根据权利要求1所述的方法，其特征在于，所述根据所述光线强度大小，控制补光灯对所述人脸进行补光，具体包括：周期性执行下述检测操作，直至当前光线强度达到预设的光线强度阈值；
所述检测操作包括：
检测所述光线强度是否达到预设的光线强度阈值；
如果所述光线强度并未达到所述光线强度阈值，则增强所述补光灯的亮度和/或增加开启的补光灯的数量；
在增强所述补光灯的亮度和/或增加开启的补光灯的数量之后，重新获取所述光线强度，并再次执行所述检测操作。
3.根据权利要求1所述的方法，其特征在于，所述人脸识别模型包括：特征提取网络以及多层感知神经网络；
所述检测所述证件人脸图像与所述实时人脸图像是否属于同一人脸，具体包括：
使用所述特征提取网络为所述证件人脸图像提取第一特征向量，并使用所述特征提取网络为所述实时人脸图像提取第二特征向量；
将所述第一特征向量和所述第二特征向量输入至所述多层感知神经网络，获取所述实时人脸图像和所述证件人脸图像之间的相似度；
基于所述相似度以及预设相似度阈值，确定所述证件人脸图像与所述实时人脸图像是否属于同一人脸。
4.根据权利要求3所述的方法，其特征在于，所述多层感知神经网络包括：感知层；
所述将所述第一特征向量和所述第二特征向量输入至所述多层感知神经网络，获取所述实时人脸图像和所述证件人脸图像之间的相似度，包括：
将所述第一特征向量输入至所述感知层，获取所述第一特征向量中的各个元素在多组参数下，分别与每组参数对应的第一感知元素；并基于所有参数对应的第一感知元素，构成与所述第一特征向量对应的第一感知向量；以及，
将述第二特征向量输入至所述感知层，获取所述第二特征向量中的各个元素在多组参数下，分别与每组参数对应的第二感知元素；并基于所有参数对应的第二感知元素，构成与所述第二特征向量对应的第二感知向量；
根据所述第一感知向量和所述第二感知向量确定实时人脸图像和所述证件人脸图像之间的相似度。
5.根据权利要求1所述的方法，其特征在于，所述人脸识别模型通过下述方式进行训练：
获取多组训练数据；每组所述训练数据包括证件人脸样本图像以及实时人脸样本图像，以及所述证件人脸样本图像和所述实时人脸样本图像是否属于同一人脸的标注信息；
将同一组训练数据中的证件人脸样本图像和实时人脸样本图像输入预先构建的人脸识别模型，确定所述证件人脸样本图像和所述实时人脸样本图像之间的相似度；
根据所述证件人脸样本图像和所述实时人脸样本图像是否属于同一人脸的标注信息，以及确定的所述证件人脸样本图像和所述实时人脸样本图像之间的相似度，对所述人脸识别模型进行本轮训练；
经过对所述预先构建的人脸识别模型的多轮训练，获取训练好的人脸识别模型。
6.一种车票验证方法，其特征在于，包括：
获取持票人的车票信息以及身份证信息；其中，所述车票信息包括：乘车人身份证号；所述身份证信息包括：持证人身份证号；
基于权利要求1-5任意一项所述的人脸识别方法验证持证人与持证人的证件是否相符；
以及，验证所述车票信息中的乘车人身份证号与所述身份证信息中的持证人身份证号是否一致；
并在验证所述车票信息中的乘车人身份证号与所述身份证信息中的持证人身份证号一致，且所述持证人与所述持证人的证件相符后，车票验证通过。
7.一种人脸识别装置，其特征在于，包括：
第一获取装置，用于获取人脸所处环境的光线强度，以及身份证中的证件人脸图像；
控制装置，用于根据所述光线强度大小，控制补光灯对所述人脸进行补光；
第二获取装置，用于在补光条件下获取实时人脸图像；
检测装置，用于将所述证件人脸图像和所述实时人脸图像，输入至经过预先训练的人脸识别模型，检测所述证件人脸图像与所述实时人脸图像是否属于同一人脸。
8.根据权利要求7所述装置，其特征在于，所述控制装置具体用于通过下述方式控制补光灯对所述人脸进行补光：
周期性执行下述检测操作，直至当前光线强度达到预设的光线强度阈值；
所述检测操作包括：
检测所述光线强度是否达到预设的光线强度阈值；
如果所述光线强度并未达到所述光线强度阈值，则增强所述补光灯的亮度,和/或增加开启的补光灯的数量；
在增强所述补光灯的亮度和/或增加开启的补光灯的数量之后，重新获取所述光线强度，并再次执行所述检测操作。
9.根据权利要求7所述的装置，其特征在于，所述人脸识别模型包括：特征提取网络以及多层感知神经网络；
所述检测模块，具体用于通过下述方式检测所述证件人脸图像与所述实时人脸图像是否属于同一人脸：
使用所述特征提取网络为所述证件人脸图像提取第一特征向量，并使用所述特征提取网络为所述实时人脸图像提取第二特征向量；
将所述第一特征向量和所述第二特征向量输入至所述多层感知神经网络，获取所述实时人脸图像和所述证件人脸图像之间的相似度；
基于所述相似度以及预设相似度阈值，确定所述证件人脸图像与所述实时人脸图像是否属于同一人脸。
10.根据权利要求9所述的装置，其特征在于，所述多层感知神经网络包括：感知层；
所述检测模块，获取所述实时人脸图像和所述证件人脸图像之间的相似度：
将所述第一特征向量输入至所述感知层，获取所述第一特征向量中的各个元素在多组参数下，分别与每组参数对应的第一感知元素；并基于所有参数对应的第一感知元素，构成与所述第一特征向量对应的第一感知向量；以及，
将述第二特征向量输入至所述感知层，获取所述第二特征向量中的各个元素在多组参数下，分别与每组参数对应的第二感知元素；并基于所有参数对应的第二感知元素，构成与所述第二特征向量对应的第二感知向量；
根据所述第一感知向量和所述第二感知向量确定实时人脸图像和所述证件人脸图像之间的相似度。
11.根据权利要求7所述的装置，其特征在于，还包括：训练装置；
所述训练装置具体用于通过下述方式对所述人脸识别模型进行训练：
获取不同人的图像组中包含的人脸图像的表示向量；其中，每个图像组包括证件人脸图像、非证件人脸图像，以及所述证件人脸图像以及所述非证件人脸图像是否相似的标注信息；
将同一图像组中的证件人脸图像的表示向量以及非证件人脸图像的表示向量输入预先构建的人脸识别模型，确定同一图像组中的证件人脸图像与非证件人脸图像之间的相似度；
根据证件人脸图像与非证件人脸图像之间的相似度与所述标注信息的比对结果，对所述人脸识别模型进行本轮训练；
经过对所述预先构建的人脸识别模型的多轮训练，获取所述人脸识别模型。
12.一种车票验证装置，其特征在于，包括：
获取模块，用于获取持票人的车票信息以及身份证信息；其中，所述车票信息包括：乘车人身份证号；所述身份证信息包括：持证人身份证号；
人脸识别模块，用于基于权利要求1-5任意一项所述的方法验证持证人与持证人的证件是否相符；
以及，
车票验证模块，用于验证所述车票信息中的乘车人身份证号与所述身份证信息中的持证人身份证号是否一致；并在验证所述车票信息中的乘车人身份证号与所述身份证信息中的持证人身份证号一致，且所述持证人与所述持证人的证件相符后，车票验证通过。
CN201811214341.3A 2018-10-18 2018-10-18 一种人脸识别方法和装置及车票验证方法和装置 Withdrawn CN109214361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811214341.3A CN109214361A (zh) 2018-10-18 2018-10-18 一种人脸识别方法和装置及车票验证方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811214341.3A CN109214361A (zh) 2018-10-18 2018-10-18 一种人脸识别方法和装置及车票验证方法和装置

Publications (1)

Publication Number Publication Date
CN109214361A true CN109214361A (zh) 2019-01-15

Family

ID=64980827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811214341.3A Withdrawn CN109214361A (zh) 2018-10-18 2018-10-18 一种人脸识别方法和装置及车票验证方法和装置

Country Status (1)

Country Link
CN (1) CN109214361A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919091A (zh) * 2019-03-06 2019-06-21 广州佳都数据服务有限公司 基于动态白名单的人脸安检方法、装置及电子设备
CN110009758A (zh) * 2019-03-06 2019-07-12 深圳市中科智诚科技有限公司 一种用于考勤的具有调节功能的人脸识别设备
CN110349310A (zh) * 2019-07-03 2019-10-18 源创客控股集团有限公司 一种用于园区企业的定制提醒云平台服务系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024145A (zh) * 2010-12-01 2011-04-20 五邑大学 一种伪装人脸分层识别方法及系统
CN102800131A (zh) * 2012-07-24 2012-11-28 中国铁道科学研究院电子计算技术研究所 火车票实名制验票系统
CN102902959A (zh) * 2012-04-28 2013-01-30 王浩 基于二代身份证存储证件照的人脸识别方法及系统
CN106710007A (zh) * 2016-12-05 2017-05-24 北京万相融通科技股份有限公司 一种基于实名验票制的快速检票验票方法及其系统
CN106709470A (zh) * 2017-01-04 2017-05-24 西南交通大学 基于人脸识别的列车在途检票方法
CN107679482A (zh) * 2017-09-27 2018-02-09 广东欧珀移动通信有限公司 解锁控制方法及相关产品
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108280431A (zh) * 2018-01-25 2018-07-13 广东欧珀移动通信有限公司 人脸识别处理方法、人脸识别处理装置及智能终端
CN108510466A (zh) * 2018-03-27 2018-09-07 百度在线网络技术（北京）有限公司 用于验证人脸的方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024145A (zh) * 2010-12-01 2011-04-20 五邑大学 一种伪装人脸分层识别方法及系统
CN102902959A (zh) * 2012-04-28 2013-01-30 王浩 基于二代身份证存储证件照的人脸识别方法及系统
CN102800131A (zh) * 2012-07-24 2012-11-28 中国铁道科学研究院电子计算技术研究所 火车票实名制验票系统
CN106710007A (zh) * 2016-12-05 2017-05-24 北京万相融通科技股份有限公司 一种基于实名验票制的快速检票验票方法及其系统
CN106709470A (zh) * 2017-01-04 2017-05-24 西南交通大学 基于人脸识别的列车在途检票方法
CN107679482A (zh) * 2017-09-27 2018-02-09 广东欧珀移动通信有限公司 解锁控制方法及相关产品
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108280431A (zh) * 2018-01-25 2018-07-13 广东欧珀移动通信有限公司 人脸识别处理方法、人脸识别处理装置及智能终端
CN108510466A (zh) * 2018-03-27 2018-09-07 百度在线网络技术（北京）有限公司 用于验证人脸的方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919091A (zh) * 2019-03-06 2019-06-21 广州佳都数据服务有限公司 基于动态白名单的人脸安检方法、装置及电子设备
CN110009758A (zh) * 2019-03-06 2019-07-12 深圳市中科智诚科技有限公司 一种用于考勤的具有调节功能的人脸识别设备
CN110349310A (zh) * 2019-07-03 2019-10-18 源创客控股集团有限公司 一种用于园区企业的定制提醒云平台服务系统

Similar Documents

Publication Publication Date Title
CN105518744B (zh) 行人再识别方法及设备
CN109214361A (zh) 一种人脸识别方法和装置及车票验证方法和装置
CN109416740B (zh) 指纹检测装置、方法和电子设备
KR101286454B1 (ko) 눈 영상의 특성을 이용한 모조얼굴 식별장치 및 방법
KR101247497B1 (ko) 환경 적응형 얼굴 인식장치 및 그 방법
CN106529512B (zh) 活体人脸验证方法及装置
CN107832735A (zh) 用于识别人脸的方法和装置
CN107832677A (zh) 基于活体检测的人脸识别方法及系统
US20110274314A1 (en) Real-time clothing recognition in surveillance videos
CN109472911A (zh) 一种无纸化通关系统、方法、计算机可读存储介质及设备
US20100164731A1 (en) Method and apparatus for media viewer health care
EP3255591A1 (en) Information processing device, information processing method, program, and information processing system
CN207491128U (zh) 一种rgb+ir图像采集设备
CN208172794U (zh) 电子设备
CN109325393A (zh) 使用单一网络的面部检测、姿态估计和距相机距离的估计
CN106127865A (zh) 检票方法和通道管理设备
CN108647671A (zh) 一种光学标识视觉识别方法及基于该方法的无人售货柜
CN108881730A (zh) 图像融合方法、装置、电子设备及计算机可读存储介质
CN108388858B (zh) 虹膜防伪方法与装置
CN109155825A (zh) 通过背景光源的红外照明
CN110246240A (zh) 一种闸机控制方法及装置
CN108496173A (zh) 电子设备及其面部识别方法
CN109949453A (zh) 一种犬类识别闸机及用于犬类识别闸机的犬类准入判断方法
CN107800962A (zh) 图像处理方法、装置和电子装置
CN106022283A (zh) 生物识别方法、装置及识别设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190115

WW01 Invention patent application withdrawn after publication