CN109977919B - 基于人脸识别的数据处理方法、介质、设备及装置 - Google Patents

Abstract

本发明公开了一种基于人脸识别的数据处理方法、介质、设备及装置，包括：获取第一用户图像信息；判断当前第一用户图像信息中是否包含第一人脸信息；若所述当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在所述活体辩真检测通过之后，提取所述第一人脸信息对应的第一特征模板数据；获取用户明文数据，并根据加密算法对所述用户明文数据进行加密，以生成对应所述用户明文数据的用户密钥；将所述用户密钥和所述第一特征模板数据进行数据融合，以生成特征密钥矩阵。从而实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

Description

基于人脸识别的数据处理方法、介质、设备及装置

技术领域

本发明涉及人脸识别技术领域，特别涉及一种基于人脸识别的数据处理方法、介质、设备及装置。

背景技术

随着网络技术的发展，数据传输已成为信息处理过程当中所必不可少的环节，而信息安全也随之变得尤为重要。

在现有的数据加密方式中，多采用设置密码的方式对数据进行加密，即言，将密码进行各种复杂编码处理，以对数据进行加密，然而，这种加密方式的弊端明显，当设置的密码较为简单时，容易被他人破解而导致数据泄露，而当密码过于复杂时，容易导致因密码的遗忘而数据无法获得，因此，亟需一种兼顾加密安全性与操作简便性的数据处理方法以解决上述问题。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于人脸识别的数据处理方法，能够实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种基于人脸识别的数据处理装置。

为达到上述目的，本发明第一方面实施例提出了一种基于人脸识别的数据处理方法，包括以下步骤：获取第一用户图像信息；判断当前第一用户图像信息中是否包含第一人脸信息；若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据；获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵。

根据本发明实施例的基于人脸识别的数据处理方法，首先，获取第一用户图像信息；接着，判断当前第一用户图像信息中是否包含第一人脸信息；然后，若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据；接着，获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；然后，将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵；从而实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

另外，根据本发明上述实施例提出的基于人脸识别的数据处理方法还可以具有如下附加的技术特征：

可选地，判断当前第一用户图像信息中是否包含第一人脸信息，包括：将所述当前第一用户图像信息输入经过预训练的人工智能神经网络训练模型，以通过所述人工智能神经网络训练模型判断当前第一用户图像信息中是否包含第一人脸信息。

可选地，所述活体辩真检测的方式包括纹理静默检测方式、动作引导检测方式、双目红外检测方式、3D模型检测方式。

可选地，提取所述第一人脸信息对应的第一特征模板数据，包括：提取所述第一人脸信息对应的特征矩阵；根据最小二乘法对所述特征矩阵进行回归处理，以生成第一回归矩阵；计算所述第一回归矩阵与所述特征矩阵之间的差值以获得第一回归残差矩阵，并将所述第一回归残差矩阵作为所述第一特征模板数据。

可选地，将所述用户密钥和所述第一特征模板数据进行数据融合，以生成特征密钥矩阵，包括：通过所述用户密钥对所述特征矩阵进行加权小波变换以获得变换矩阵；根据最小二乘法对所述变换矩阵进行回归处理，以生成第二回归矩阵；计算所述第二回归矩阵与所述变换矩阵之间的差值以获得第二回归残差矩阵；根据所述第一回归残差矩阵和所述第二回归残差矩阵对所述变换矩阵进行编码纠错，以生成所述特征密钥矩阵。

可选地，在生成所述特征密钥矩阵之后，还包括：获取第二用户图像信息；判断所述第二用户图像信息中是否包含第二人脸信息；若所述第二用户图像信息中包含第二人脸信息，则对当前第二用户进行活体辩真检测，并在所述活体辩真检测通过之后，提取所述第二人脸信息对应的第二特征模板数据；将所述第二特征模板数据与所述特征密钥矩阵进行人脸识别比对；若所述人脸识别比对成功，则根据密钥分离算法对所述特征密钥矩阵进行密钥分离，以获得所述用户密钥；根据与所述加密算法对应的解密算法对所述用户密钥进行解密，以获得所述用户明文数据。

可选地，根据密钥分离算法对所述特征密钥矩阵进行密钥分离，以获得所述用户密钥，包括：根据最小二乘法对所述特征密钥矩阵进行回归处理，以生成第三回归矩阵；计算所述第三回归矩阵与所述特征密钥矩阵之间的差值以获得第三回归残差矩阵；根据所述第二特征模板数据，采用主成分分析法对所述特征密钥矩阵进行冗余信息分离，以获得对应所述特征密钥矩阵的核心主成分矩阵；通过所述核心主成分矩阵对所述特征密钥矩阵进行减权小波变换以获得用户密钥矩阵；根据所述第三回归残差矩阵对所述用户密钥矩阵进行编码纠错，以获得所述用户密钥。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于人脸识别的数据处理程序，该基于人脸识别的数据处理程序被处理器执行时实现如上述的基于人脸识别的数据处理方法。

为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于人脸识别的数据处理方法。

为达到上述目的，本发明第四方面实施例提出了一种基于人脸识别的数据处理装置，包括：第一获取模块，第一获取模块用于获取第一用户图像信息；判断模块，判断模块用于判断当前第一用户图像信息中是否包含第一人脸信息；活体辩真检测模块，活体辩真检测模块用于在当前第一用户图像信息中包含第一人脸信息时，对当前第一用户进行活体辩真检测；特征提取模块，特征提取模块用于在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据；第二获取模块，第二获取模块用于获取用户明文数据；加密模块，加密模块用于根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；融合模块，融合模块用于将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵。

根据本发明实施例的基于人脸识别的数据处理装置，设置第一获取模块获取第一用户图像信息；并通过判断模块判断当前第一用户图像信息中是否包含第一人脸信息；当前第一用户图像信息中包含第一人脸信息时，活体辩真检测模块对当前第一用户进行活体辩真检测；在活体辩真检测通过之后，特征提取模块提取第一人脸信息对应的第一特征模板数据；设置第二获取模块获取用户明文数据；并通过加密模块根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；在获取到用户密钥和第一特征模板数据之后，融合模块将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵；从而实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

附图说明

图1为根据本发明实施例的基于人脸识别的数据处理方法的流程示意图；

图2为根据本发明另一实施例的基于人脸识别的数据处理方法的流程示意图；

图3为根据本发明实施例的用户明文数据提取流程示意图；

图4为根据本发明实施例的基于人脸识别的数据处理装置的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

现有的数据加密方式中，无法兼顾数据加密安全性与操作简便性，根据本发明实施例的基于人脸识别的数据处理方法，首先，获取第一用户图像信息；接着，判断当前第一用户图像信息中是否包含第一人脸信息；然后，若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据；接着，获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；然后，将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵；从而实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为根据本发明实施例的基于人脸识别的数据处理方法的流程示意图，如图1所示，该基于人脸识别的数据处理方法包括以下步骤：

S101，获取第一用户图像信息。

即言，对第一用户图像信息进行获取。

作为一种示例，获取用户的图像信息，并对图像信息进行图像像素点数据采样，以及根据图像像素点数据对用户的图像进行去噪、宽动态、补光、清晰化等优化处理，以完成第一用户图像信息的获取过程。

作为另一种示例，获取用户的视频流数据，并对视频流数据进行视频帧的提取，以及按照预先配置对视频帧中的图像像素点数据进行采样，并根据采样获得的图像像素点对视频帧进行去噪、宽动态、补光、清晰化等优化处理，以完成第一用户图像信息的获取过程。

S102，判断当前第一用户图像信息中是否包含第一人脸信息。

也就是说，对获取到的第一用户图像信息进行检测，以判断当前第一用户图像信息中是否包含第一人脸信息。

作为一种示例，将当前第一用户图像信息输入经过预训练的人工智能神经网络训练模型，以通过人工智能神经网络训练模型判断当前第一用户图像信息中是否包含第一人脸信息。需要说明的是，通过搭建人工智能神经网络训练模型以对第一用户图像信息是否包含第一人脸信息进行判断在现有技术中已有详细记载，在此不对该判断方法进行赘述。

S103，若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据。

也就是说，如果当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，以判断当前用户是否为活体，排除使用现有照片进行输入人脸信息等状况，然后，在判断当前用户为活体之后，提取第一人脸信息对应的第一特征模板数据。

其中，活体辩真检测方式包括但不限于纹理静默检测方式、动作引导检测方式、双目红外检测方式、3D模型检测方式。

S104，获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥。

也就是说，获取用户输入的明文数据，例如，英文、数字、文字或者前述数据类型的组合等；并在获取到用户输入的明文数据之后，根据加密算法对该用户明文数据进行加密，以生成对应该用户明文数据的用户密钥。

其中，加密算法的选择方式可以有多种。

作为一种示例，在对用户明文数据进行加密之前，首先，判断该用户明文数据需要进行加密的强度（亦可通过获取用户的选择指令以确定加密强度），当加密强度为较低强度，加密速度较快时，可通过Blowfish、DES、RC2~RC6、AES等对称加密算法对用户明文数据进行加密，当加密强度要求较高时，可通过ECC、SHA1-RSA、SHA256-RSA等非对称加密算法对用户明文数据进行加密，以满足不同的加密需求。

S105，将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵。

即言，在对用户明文数据进行加密以获得用户密钥之后，对用户密钥和当前第一用户的第一特征模板数据进行数据融合，以生成特征密钥矩阵，从而完成通过用户的人脸信息对用户明文数据进行加密的过程。

综上所述，根据本发明实施例的基于人脸识别的数据处理方法，首先，获取第一用户图像信息；接着，判断当前第一用户图像信息中是否包含第一人脸信息；然后，若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据；接着，获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；然后，将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵；从而实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

图2为根据本发明另一实施例的基于人脸识别的数据处理方法的流程示意图，如图2所述，该基于人脸识别的数据处理方法包括以下步骤：

S201，获取第一用户图像信息；

S202，将当前第一用户图像信息输入经过预训练的人工智能神经网络训练模型，以通过人工智能神经网络训练模型判断当前第一用户图像信息中是否包含第一人脸信息。

S203，若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测。

需要说明的是，步骤S201-步骤S203在上述关于图1中基于人脸识别的数据处理方法已有相应描述，在此不做赘述。

S204，在活体辩真检测通过之后，提取第一人脸信息对应的特征矩阵。

S205，根据最小二乘法对特征矩阵进行回归处理，以生成第一回归矩阵。

S206，计算第一回归矩阵与特征矩阵之间的差值以获得第一回归残差矩阵，并将第一回归残差矩阵作为第一特征模板数据。

即言，在对当前第一用户进行活体辩真检测，判定当前第一用户为活体，而非现有照片或截图等非活体信息时，对第一人脸信息对应的特征矩阵进行获取，并根据最小二乘法对特征矩阵进行回归处理，以生成对应该特征矩阵的第一回归矩阵，以及计算第一回归矩阵与特征矩阵之间的差值以获得第一回归残差矩阵，并将第一回归残差矩阵作为第一特征模板数据。

作为一种示例，在获取到第一人脸信息之后，对第一人脸信息进行提取，以获取该第一人脸信息对应的特征矩阵，其中，该特征矩阵可视为多维度的浮点数据，然后，通过最小二乘法对特征矩阵进行回归处理，以获得第一回归矩阵，并将第一回归矩阵减去特征矩阵进行距离的计算，以得到第一回归残差矩阵，该第一回归残差矩阵作为第一特征模板数据。

S207，获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥。

S208，通过用户密钥对特征矩阵进行加权小波变换以获得变换矩阵。

其中，用户密钥可视为1维的矩阵数据，将该矩阵数据与特征矩阵进行加权小波变换，以获得变换矩阵，需要说明的是，由于小波变换在时间域和空间域的局部细微变换，如此可以不失原始数据的重要信息，且有效保持原始数据的唯一特征性。

S209，根据最小二乘法对变换矩阵进行回归处理，以生成第二回归矩阵。

S210，计算第二回归矩阵与变换矩阵之间的差值以获得第二回归残差矩阵。

即言，通过计算第二回归矩阵与变换矩阵之间的差值以获得第二回归残差矩阵，从而消除加权小波变换过程中所产生的噪点数据和冗余信息。

S211，根据第一回归残差矩阵和第二回归残差矩阵对变换矩阵进行编码纠错，以生成特征密钥矩阵。

综上所述，根据本发明实施例的基于人脸识别的数据处理方法，首先，获取第一用户图像信息；接着，将当前第一用户图像信息输入经过预训练的人工智能神经网络训练模型，以通过人工智能神经网络训练模型判断当前第一用户图像信息中是否包含第一人脸信息；然后，若当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测；接着，在活体辩真检测通过之后，提取第一人脸信息对应的特征矩阵；然后，根据最小二乘法对特征矩阵进行回归处理，以生成第一回归矩阵；接着，计算第一回归矩阵与特征矩阵之间的差值以获得第一回归残差矩阵，并将第一回归残差矩阵作为第一特征模板数据；然后，获取用户明文数据，并根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；接着，通过用户密钥对特征矩阵进行加权小波变换以获得变换矩阵；然后，根据最小二乘法对变换矩阵进行回归处理，以生成第二回归矩阵；接着，计算第二回归矩阵与变换矩阵之间的差值以获得第二回归残差矩阵；然后，根据第一回归残差矩阵和第二回归残差矩阵对变换矩阵进行编码纠错，以生成特征密钥矩阵；从而实现通过在对当前用户进行活体检测之后，获取第一人脸信息所对应的第一特征模板数据，并将第一特征模板数据与用户密钥进行融合，使得最终生成的特征密钥矩阵具有加密安全性高，且用户使用简便的优点。

在一些实施例中，在生成特征密钥矩阵之后，当用户需要获取用户明文数据时，如图3所示，本发明实施例提出的基于人脸识别的数据处理方法还包括以下步骤：

S301，获取第二用户图像信息。

S302，判断第二用户图像信息中是否包含第二人脸信息。

S303，若第二用户图像信息中包含第二人脸信息，则对当前第二用户进行活体辩真检测，并在活体辩真检测通过之后，提取第二人脸信息对应的第二特征模板数据。

需要说明的是，步骤S301-步骤S303与上述关于图2中基于人脸识别的数据处理方法相应步骤的描述一致，因此，在此不做赘述。

S304，将第二特征模板数据与特征密钥矩阵进行人脸识别比对。

作为一种示例，在获取到第二特征模板数据之后，将第二特征模板数据与生成的特征密钥矩阵进行人脸识别比对，如果人脸识别比对失败，则流程终止。

S305，若人脸识别比对成功，则根据密钥分离算法对特征密钥矩阵进行密钥分离，以获得用户密钥。

也就是说，如果第二特征模板数据与生成的特征密钥矩阵进行人脸识别比对的结果为成功，则根据密钥分离算法对特征密钥矩阵进行密钥分离，以获得其中的用户密钥。

其中，根据密钥分离算法对特征密钥矩阵进行密钥分离，以获得用户密钥的方式可以有多种。

作为一种示例，根据密钥分离算法对特征密钥矩阵进行密钥分离，以获得用户密钥具体可以包含以下步骤：根据最小二乘法对特征密钥矩阵进行回归处理，以生成第三回归矩阵；计算第三回归矩阵与特征密钥矩阵之间的差值以获得第三回归残差矩阵；根据第二特征模板数据，采用主成分分析法对特征密钥矩阵进行冗余信息分离，以获得对应特征密钥矩阵的核心主成分矩阵；通过核心主成分矩阵对特征密钥矩阵进行减权小波变换以获得含有冗余信息的用户密钥矩阵；根据第三回归残差矩阵对用户密钥矩阵进行编码纠错，以获得用户密钥。

即言，以图像回归算法、主成分分析法、傅里叶变换和小波变换为依据对特征密钥矩阵进行数据融合算法的反向操作，以获取用户密钥。

S306，根据与加密算法对应的解密算法对用户密钥进行解密，以获得用户明文数据。

即言，在获取到用户密钥之后，使用与之前对用户明文数据进行加密的加密算法所对应的解密算法对用户密钥进行解密，以获得用户明文数据。

综上所述，根据本发明实施例的基于人脸识别的数据处理方法，首先，获取第二用户图像信息，接着，判断第二用户图像信息中是否包含第二人脸信息；然后，若第二用户图像信息中包含第二人脸信息，则对当前第二用户进行活体辩真检测，并在活体辩真检测通过之后，提取第二人脸信息对应的第二特征模板数据；接着，将第二特征模板数据与特征密钥矩阵进行人脸识别比对；然后，若人脸识别比对成功，则根据密钥分离算法对特征密钥矩阵进行密钥分离，以获得用户密钥；接着，根据与加密算法对应的解密算法对用户密钥进行解密，以获得用户明文数据；从而，用户在需要获取用户明文数据时，无需对密码进行记忆，而只需要进行人脸识别以及活体检测即可获取到已经过加密的用户明文数据，进一步提高用户使用该数据处理方法的简便性。

为了实现上述实施例，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于人脸识别的数据处理程序，该基于人脸识别的数据处理程序被处理器执行时实现如上述的基于人脸识别的数据处理方法。

为了实现上述实施例，本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于人脸识别的数据处理方法。

为了实现上述实施例，如图4所示，本发明实施例还提出了一种基于人脸识别的数据处理装置，该基于人脸识别的数据处理装置包括：第一获取模块10、判断模块20、活体辩真检测模块30、特征提取模块40、第二获取模块50、加密模块60和融合模块70。

其中，第一获取模块10用于获取第一用户图像信息；

判断模块20用于判断当前第一用户图像信息中是否包含第一人脸信息；

活体辩真检测模块30用于在当前第一用户图像信息中包含第一人脸信息时，对当前第一用户进行活体辩真检测；

特征提取模块40用于在活体辩真检测通过之后，提取第一人脸信息对应的第一特征模板数据；

第二获取模块50用于获取用户明文数据；

加密模块60用于根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；

融合模块70用于将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵。

需要说明的是，上述关于图1中基于人脸识别的数据处理方法的描述同样适用于该基于人脸识别的数据处理装置，在此不做赘述。

综上所述，根据本发明实施例的基于人脸识别的数据处理装置，设置第一获取模块获取第一用户图像信息；并通过判断模块判断当前第一用户图像信息中是否包含第一人脸信息；当前第一用户图像信息中包含第一人脸信息时，活体辩真检测模块对当前第一用户进行活体辩真检测；在活体辩真检测通过之后，特征提取模块提取第一人脸信息对应的第一特征模板数据；设置第二获取模块获取用户明文数据；并通过加密模块根据加密算法对用户明文数据进行加密，以生成对应用户明文数据的用户密钥；在获取到用户密钥和第一特征模板数据之后，融合模块将用户密钥和第一特征模板数据进行数据融合，以生成特征密钥矩阵；从而实现通过人脸信息对用户数据进行高安全性的加密，无需用户对密钥进行记忆，保证数据加密安全性的同时，提高加密数据传输的便利性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征 “上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于人脸识别的数据处理方法，其特征在于，包括以下步骤：

获取第一用户图像信息；

判断当前第一用户图像信息中是否包含第一人脸信息；

若所述当前第一用户图像信息中包含第一人脸信息，则对当前第一用户进行活体辩真检测，并在所述活体辩真检测通过之后，提取所述第一人脸信息对应的第一特征模板数据；

获取用户明文数据，并根据加密算法对所述用户明文数据进行加密，以生成对应所述用户明文数据的用户密钥；

将所述用户密钥和所述第一特征模板数据进行数据融合，以生成特征密钥矩阵；

提取所述第一人脸信息对应的第一特征模板数据，包括：

提取所述第一人脸信息对应的特征矩阵；

根据最小二乘法对所述特征矩阵进行回归处理，以生成第一回归矩阵；

计算所述第一回归矩阵与所述特征矩阵之间的差值以获得第一回归残差矩阵，并将所述第一回归残差矩阵作为所述第一特征模板数据；

将所述用户密钥和所述第一特征模板数据进行数据融合，以生成特征密钥矩阵，包括：

通过所述用户密钥对所述特征矩阵进行加权小波变换以获得变换矩阵；

根据最小二乘法对所述变换矩阵进行回归处理，以生成第二回归矩阵；

计算所述第二回归矩阵与所述变换矩阵之间的差值以获得第二回归残差矩阵；

根据所述第一回归残差矩阵和所述第二回归残差矩阵对所述变换矩阵进行编码纠错，以生成所述特征密钥矩阵。

2.如权利要求1所述的基于人脸识别的数据处理方法，其特征在于，判断当前第一用户图像信息中是否包含第一人脸信息，包括：

将所述当前第一用户图像信息输入经过预训练的人工智能神经网络训练模型，以通过所述人工智能神经网络训练模型判断当前第一用户图像信息中是否包含第一人脸信息。

3.如权利要求1所述的基于人脸识别的数据处理方法，其特征在于，所述活体辩真检测的方式包括纹理静默检测方式、动作引导检测方式、双目红外检测方式、3D模型检测方式。

4.如权利要求1所述的基于人脸识别的数据处理方法，其特征在于，在生成所述特征密钥矩阵之后，还包括：

获取第二用户图像信息；

判断所述第二用户图像信息中是否包含第二人脸信息；

若所述第二用户图像信息中包含第二人脸信息，则对当前第二用户进行活体辩真检测，并在所述活体辩真检测通过之后，提取所述第二人脸信息对应的第二特征模板数据；

将所述第二特征模板数据与所述特征密钥矩阵进行人脸识别比对；

若所述人脸识别比对成功，则根据密钥分离算法对所述特征密钥矩阵进行密钥分离，以获得所述用户密钥；

根据与所述加密算法对应的解密算法对所述用户密钥进行解密，以获得所述用户明文数据。

5.如权利要求4所述的基于人脸识别的数据处理方法，其特征在于，根据密钥分离算法对所述特征密钥矩阵进行密钥分离，以获得所述用户密钥，包括：

根据最小二乘法对所述特征密钥矩阵进行回归处理，以生成第三回归矩阵；

计算所述第三回归矩阵与所述特征密钥矩阵之间的差值以获得第三回归残差矩阵；

根据所述第二特征模板数据，采用主成分分析法对所述特征密钥矩阵进行冗余信息分离，以获得对应所述特征密钥矩阵的核心主成分矩阵；

通过所述核心主成分矩阵对所述特征密钥矩阵进行减权小波变换以获得用户密钥矩阵；

根据所述第三回归残差矩阵对所述用户密钥矩阵进行编码纠错，以获得所述用户密钥。

6.一种计算机可读存储介质，其特征在于，其上存储有基于人脸识别的数据处理程序，该基于人脸识别的数据处理程序被处理器执行时实现如权利要求1-5中任一项所述的基于人脸识别的数据处理方法。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-5中任一项所述的基于人脸识别的数据处理方法。

8.一种基于人脸识别的数据处理装置，其特征在于，包括：

第一获取模块，所述第一获取模块用于获取第一用户图像信息；

判断模块，所述判断模块用于判断当前第一用户图像信息中是否包含第一人脸信息；

活体辩真检测模块，所述活体辩真检测模块用于在所述当前第一用户图像信息中包含第一人脸信息时，对当前第一用户进行活体辩真检测；

特征提取模块，所述特征提取模块用于在所述活体辩真检测通过之后，提取所述第一人脸信息对应的第一特征模板数据；其中，提取所述第一人脸信息对应的第一特征模板数据，包括：提取所述第一人脸信息对应的特征矩阵；根据最小二乘法对所述特征矩阵进行回归处理，以生成第一回归矩阵；计算所述第一回归矩阵与所述特征矩阵之间的差值以获得第一回归残差矩阵，并将所述第一回归残差矩阵作为所述第一特征模板数据；

第二获取模块，所述第二获取模块用于获取用户明文数据；

加密模块，所述加密模块用于根据加密算法对所述用户明文数据进行加密，以生成对应所述用户明文数据的用户密钥；

融合模块，所述融合模块用于将所述用户密钥和所述第一特征模板数据进行数据融合，以生成特征密钥矩阵；具体包括：通过所述用户密钥对所述特征矩阵进行加权小波变换以获得变换矩阵；根据最小二乘法对所述变换矩阵进行回归处理，以生成第二回归矩阵；计算所述第二回归矩阵与所述变换矩阵之间的差值以获得第二回归残差矩阵；根据所述第一回归残差矩阵和所述第二回归残差矩阵对所述变换矩阵进行编码纠错，以生成所述特征密钥矩阵。

Images