CN110008821A - 一种预测人像底图更新的方法和设备 - Google Patents

Abstract

本申请涉及在人脸服务系统中预测人像底图更新的方法，包括基于用户提供的身份信息发起人脸服务并确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准；若否，则使用预测可更新概率模型基于所述用户的相关特征来估计能从外部源更新到与所述身份信息对应的可用人像底图的概率；仅当所述概率高于或等于预定阈值时，向所述外部源请求更新与所述身份信息对应的可用人像底图以作为比对基准；基于所述用户的活体人像与所述比对基准的比对，确定所述用户是否与所述身份信息匹配；以及若所述用户与所述身份信息匹配，则允许进行所述人脸服务。本申请还涉及相应的人脸服务系统、装置和计算机可读存储介质。

Description

一种预测人像底图更新的方法和设备

技术领域

本申请涉及人脸识别，尤其涉及人脸识别中的底图更新。

背景技术

随着人脸识别技术的日益成熟，人脸作为本人身份的重要生物特征，在金融、出行、安防等领域都有着广泛的应用。人脸登录、人脸支付、人脸认证、人脸授权等互联网产品也日益普及。系统中的人脸底图作为本人的第一张脸尤为关键，它作为用于与例如现场采集的现时人像图片进行比对的基准，是人脸识别应用的必要条件。更重要的是，在系统中，底图关联了背后的自然人身份。而为这个人脸和身份绑定关系的背书必须由公认的权威人像管理权威机构提供，比如国内负责户口管理的公安机关等。

居民身份证的有效期根据颁发时的年龄，包括十年、二十年等。在登记时录入的人像信息，可能随着自然人的成长，和当前活体人像的比对相差很大。也有可能因为登记条件的限制，导致录入的人像质量低，甚至没有录入等。这些因素都导致了有一小部分人群无法享受到人脸识别服务。现有技术中，当发生此类情况，则排查比对不通过的原因。假如是系统中的底图问题导致的，则需要向外部源(例如人像管理权威机构)更新人像信息，更新后重试。万一重试再失败，则进入新一轮的排查。这些环节都偏离了人脸服务便捷、安全的目的，严重打击用户使用人脸服务的信心和积极性。

另一方面，假使为了尽可能少打扰用户，而由系统频繁地向外部源(例如，人像管理权威机构)查询人像底图信息虽然可以最及时更新到最近的人脸底图，但每一次查询都需要一定成本。对于一个数亿用户的平台，成本问题会非常严重。不仅如此，由于人像管理权威机构更新人像信息有一定周期，过于频繁地向人像管理权威机构查询人像底图信息有可能会导致大量浪费而无效的查询，给时间、系统资源等造成压力。

因此，本领域中需要改善底图更新的方法和设备。

发明内容

本公开的一示例性方面涉及一种在人脸服务系统中预测人像底图更新的方法，包括基于用户提供的身份信息发起人脸服务；基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准；若否，则使用预测可更新概率模型基于所述用户的相关特征来估计能从外部源更新到与所述身份信息对应的可用人像底图的概率，所述用户的相关特征至少包括所述用户的自然特征；仅当所述概率高于或等于预定阈值时，向所述外部源请求更新与所述身份信息对应的可用人像底图以作为比对基准；基于所述用户的活体人像与所述比对基准的比对，确定所述用户是否与所述身份信息匹配；以及若所述用户与所述身份信息匹配，则允许进行所述人脸服务。

根据一示例性而非限定性实施例，基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准进一步包括若所述人脸服务系统中没有与所述身份信息对应的人像底图，或若所述人脸服务系统中有与所述身份信息对应的不可用人像底图，则确定所述人脸服务系统中没有与所述身份信息对应的可用人像底图能够用作比对基准。

根据另一示例性而非限定性实施例，若所述人脸服务系统中有与所述身份信息对应的不可用人像底图，则所述用户的相关特征进一步包括从所述不可用人像底图提取的特征。

根据又一示例性而非限定性实施例，该方法进一步包括若从所述外部源更新到可用人像底图，则将所述用户相关特征作为正样本反馈给所述可更新预测模型；或者若未能从所述外部源更新到可用人像底图，则将所述用户相关特征作为负样本反馈给所述可更新预测模型；以及基于所述正样本或所述负样本或其组合来优化所述可更新预测模型。

根据再一示例性而非限定性实施例，用户的自然特征包括所述用户的年龄、籍贯、职业中的一项或多项的组合。

根据进一步的示例性而非限定性实施例，从所述不可用人像底图提取的特征包括所述不可用人像底图的图像质量、图像尺寸、获取时间、获取状况中的一项或多项的组合。

根据进一步的示例性而非限定性实施例，用户的相关特征进一步包括用户的行为。

根据另一示例性而非限定性实施例，基于正样本或负样本或其组合来优化所述可更新预测模型包括使用所述正样本或所述负样本或其组合对所述可更新预测模型进行：实时训练、离线训练、或周期性训练。

根据又一示例性而非限定性实施例，该方法进一步包括当所述概率低于所述预定阈值时不向所述外部源请求更新与所述身份信息对应的可用人像底图；并且取决于所述人脸服务及其安全要求，进行报警、中止所述人脸服务、或提供替换服务方式中的一项或多项的组合。

附图说明

图1示出了根据一示例的人脸识别系统的使用场景。

图2示出了根据一示例的人脸支付系统的使用场景。

图3示出了根据一示例的人像底图更新方法。

图4示出了根据本公开一示例性方面的从用户的自然属性提取的特征的列表。

图5示出了根据本公开一示例性方面的从系统中已有的原底图提取的特征的列表。

图6示出了根据一示例性方面的预测模型的示意图。

图7示出了根据本公开的一示例性实施例的与图6的预测模型相对应的目标人群开放比例相对于预测可更新概率的标绘图。

图8示出了根据本公开的示例性方面的人像底图更新方法。

图9示出了根据本公开的示例性方面的人脸识别系统的使用场景。

图10示出了根据本公开的示例性方面的人脸支付系统的使用场景。

图11示出了根据本公开的预测底图更新的设备。

图12示出了训练可更新预测模块的方法。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图对本申请的实施例进行详细描述。

应当明确，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例的罗列。基于本公开中描述的实施例，本领域普通技术人员在没有付出创造习惯劳动的情况下所获得的所有其他变化例都属于本申请的保护范围。

图1示出了根据一示例的人脸识别系统100的使用场景。该场景可以为例如机场、火车站或其它类似场景。用户来到闸机108前提供身份信息并主动地或被动地发起人脸识别。摄像头104拍摄用户的图像(尤其是人脸图像)并将其显示在显示屏106上。识别器102例如基于用户提供的身份信息(例如，身份证号码、护照号码等)获取系统中已有的与该身份信息相对应的人像底图。若不能获取与该身份信息相对应的人像底图，则例如可向外部源(例如，人像管理权威机构)查询人像底图。

系统100通过对本地拍摄的用户图像与所获得的人像底图进行例如特征比对来确定本地拍摄的用户图像是否与基于用户提供的身份信息/身份证件所获得的人像底图相匹配。如果匹配，则认为用户符合所提供的身份信息，并相应地予以放行。如果不匹配且未超时，则可再次执行上述拍摄和比对，或者如果不匹配并且已超时，则可直接报警以便由工作人员进行人工核查。

图2示出了根据一示例的人脸支付系统200的使用场景。该场景可以为例如家中购物、无人超市或其它类似场景。用户选购货架208(其也可为电子货架)上的商品后通过例如用户接口202发起支付并选择了人脸支付方式。摄像头204拍摄用户的图像(尤其是人脸图像)并将其显示在显示屏206上。系统200基于用户的账户信息获取系统中已有的与该账户信息相对应的人像底图。若不能获取与该身份信息相对应的人像底图，则例如可向外部源(例如，人像管理权威机构)查询人像底图。

系统200将所获得的人像底图与本地拍摄的用户图像进行特征比对来确定本地拍摄的用户图像是否与基于用户的账户信息所获得的人像底图相匹配。如果匹配，则认为用户符合该账户信息，并相应地进行后续扣款等流程。如果不匹配且未超时，则可再次执行上述拍摄、查询和比对，或者如果不匹配并且已超时，则可中止交易并向系统报警。

图3示出了根据一示例的人像底图更新方法300。为了尽可能少打扰用户，系统向外部源(例如，人像管理权威机构)查询人像底图信息。相应地，在框300，用户进入人脸识别服务。人脸服务可包括例如人脸登录、人脸支付、人脸认证、人脸授权等。在框302，系统发起对应身份的人像底图的获取作为人脸识别比对基准。例如，发起人像底图的获取可以例如基于用户提供的身份信息等。在框304，判断系统中是否已有相应的可用人像底图存在。若有，则去往框312。例如，如果系统中已有相应的可用人像底图，则认为存在相应的可用人像底图。若否，则去往框306。例如，若系统中没有相应的可用人像底图，或若系统中已有的人像底图不可用，则认为不存在相应的可用人像底图。在框306，判断是否需要更新人像底图。若在框306判断不需要更新人像底图，则在框320，因无对比基准，人脸识别失败。另一方面，若在框306判断需要更新人像底图，则在框322，调用人像管理权威机构接口以请求更新人像底图，并且方法300转到框302。在框312，获取人像底图。例如，在系统中已有相应的可用人像底图的情况下，系统可将已有的可用人像底图用作比对基准。又如，在从人像管理权威机构获取到人像底图的情况下，可将从人像管理权威机构获取到人像底图用作比对基准。

在框314，获取当前用户的活体人像。例如，获取用户的活体人像可使用例如摄像机等来拍摄用户的活体人像(尤其是人脸图像)。在框316，将所获取的活体人像与在步骤312获取的人像底图进行比对。例如，比对可包括对用户的活体人像和作为比对基准的人像底图进行特征比对。在框318，返回比对结果。例如，如果比对成功，则返回成功结果(例如，人脸登录、人脸支付、人脸认证、人脸授权等成功并且相应地进行后续操作)。另一方面，如果比对失败，则返回失败结果(例如，人脸登录、人脸支付、人脸认证、人脸授权等失败并可任选地向系统报警等)。

考虑框306，即在框304确定系统中没有相应的可用人像底图存在时，判断是否需要更新人像底图的情况。在此，现有技术一般有两种常用处理方式。第一种方式是始终更新。以此方式，只要确定系统中没有相应的可用人像底图存在，该方式始终会去调用人像管理权威机构接口以请求获取人像底图。然而，在实际应用中，会发现大量的调用是无效的。要么因为人像管理权威机构本身缺乏相应的人像底图而仍旧获取不到人像底图，要么获取的人像底图与系统中的已有无效底图一致，因此未得到有效更新。此时，用户仍然无法使用人脸识别服务因此体验很差，而且还浪费了大量成本。第二种方式是规则更新。在此方式中，可指定一系列经验规则(例如，是否持续未更新时间已超过阈值时间，例如一年，等等)。当满足规则(例如，已有超过一年未更新底图)时，调用人像管理权威机构接口以请求获取人像底图。而当不满足规则(例如，距上次更新底图时间不超过一年)时，不进行更新。这种方式与第一种方式相比，能够过滤掉一些无效调用。然而，经验规则所考虑的因素较为简单，因此判断结果通常不够准确，仍会存在大量的误判与漏判。每一次向人像管理权威机构请求更新人像底图都需要一定的成本，例如会占用一定的带宽，带来一定的延迟等等以及消耗其它系统资源。对于有大量(例如，几百万乃至数亿)用户的平台而言，如果频繁地向人像管理权威机构请求更新人像底图，则其成本问题会非常严重。如所可知，以上仅为本公开示例性实施例的描述，其目的仅为了解说本公开。本公开并不受上述步骤描述的次序所限定。例如，可先拍摄用户的活体人像再获取人像底图，也可先获取人像底图再拍摄用户的活体人像，或者这两者可以并发地进行。

本公开提供了一种基于大数据来预测用户的人像底图在外部源(例如，人像管理权威机构)是否存在更新的方案。根据一示例性而非限定性的实施例，该预测依赖于例如包括但不限于从用户的自然属性提取的特征，包括但不限于例如年龄、籍贯、职业等。图4示出了根据本公开一示例性方面的从用户的自然属性提取的特征的列表400。例如，列表400的各列代表了不同的用户，而列表400的各行则代表了从相应用户的自然属性提取的特征等。

根据另一示例性而非限定性的实施例，在系统中已有原底图(例如，不可用的原底图)的情况下，该预测还可基于原底图的图像质量、图像尺寸、获取时间、获取状况等因素。图5示出了根据本公开一示例性方面的从系统中已有的原底图提取的特征的列表500。例如，列表500的各列代表了不同的用户，而列表500的各行则代表了从相应用户的已有原底图提取的特征等。

根据又一示例性而非限定性的实施例，该预测还可依赖于用户行为，例如失败了的人脸识别等、过往人脸识别结果等。该预测还可以依赖于其它因素。上述各种用户特征中的任何一项或多项或其各种组合可被应用于本公开的人像底图更新预测。

根据一示例性而非限定性实施例，用于基于大数据进行预测包括使用大数据挖掘模型基于样本用户来进行预测。例如，样本集中可包括向人像管理权威机构查询到了可用人像底图的情形、向人像管理权威机构查询但未查询到可用人像底图的情形以及向人像管理权威机构查询到了人像底图但与系统中的原底图相同或基本相同因而不可用的情形等等。

图6示出了根据一示例性方面的预测模型600的示意图。如所可知，这仅是可能的预测模型的示例性而非限定性示例。该预测模型的x轴、y轴和z轴可代表例如上述各种预测因素的各种组合等，本公开在此方面不受限定。此三维预测模型仅仅是预测模型的示例，其唯一目的是以直观的方式示出预测模型的示例。如所可知，本公开可包括各种维度的复杂预测模型。

如所可见，在图6的示例性预测模型600中，点的颜色深浅可代表预测可更新概率高低。例如，点的颜色越深代表预测可更新概率越高，而点的颜色越浅可代表预测可更新概率越低。

图7示出了根据本公开的一示例性实施例的与图6的预测模型600相对应的目标人群开放比例相对于预测可更新概率的标绘图700。标绘图700的横轴例如表示目标人群开放比例，而纵轴则例如表示预测可更新概率。

如从图7所可见，使用此类模型(例如，示例性预测模型600)，便可以通过阈值控制来选取所需的预测可更新概率和/或相应的覆盖人群。例如，可以只对20％的目标人群开放人脸更新，以相应地达到例如85％的概率，即只有15％的成本浪费。又如，可以控制预测可更新概率为90％，从而实际上只对例如5％的目标人群开放人脸更新。如所可知，以上仅为示例。本发明在此方面并不受限定。

当对相应的目标人群开放人脸更新后，系统将获得新的结果。这些新的结果可包括更新成功和更新失败。系统可将这些新的结果通过反馈路径反馈给模型并对模型进行更新，从而优化下次更新决策。

图8示出了根据本公开的示例性方面的人像底图更新方法800。方法800始于在框801决策要更新用户人像底图。例如，根据一示例性而非限定性实施例，当对于特定用户，系统中没有可用底图时，可发起人像底图更新预测。系统中没有可用底图的情形可包括例如系统中完全没有底图、系统中有底图但过于陈旧而不可用、或者系统中有底图但出于其他任何原因而不可用，等等。

在框802，获取用户相关特征。根据一示例，用户相关特征可包括但不限于例如用户的自然属性，例如用户的年龄、用户的籍贯、用户的职业等等。根据另一示例，用户相关特征可包括但不限于例如用户的原底图属性。例如，在系统中已有原底图(例如，不可用的原底图)的情况下，用户相关特征可包括该原底图的图像质量、图像尺寸、获取时间、获取状况等。根据再一示例，用户相关特征可包括但不限于例如用户行为，诸如失败了的人脸识别等、过往人脸识别结果等。上述各种用户特征中的任何一项或多项或其各种组合可被应用于本公开的人像底图更新预测。

当完成数据收集，可将所收集到的数据提供给可更新预测模型。根据一示例性而非限定性的实施例，在将所收集到的数据提供给可更新预测模型之前，可对所收集到的数据进行预处理。例如，数据预处理可包括数据准备、数据增强、数据标准化、数据归一化等中的一个或多个或其任何组合。可在进行或不进行数据预处理的情况下，将所收集到的数据提供给可更新预测模型。可更新预测模型可以是任何现有或将来的大数据挖掘模型。例如，可更新预测模型可以利用任何现有的基于机器学习的大数据挖掘模型。大数据挖掘模型可基于各种技术，诸如决策树、贝叶斯分类、K近邻、支持向量机、基于关联规则的分类、集成学习、神经网络等等。根据一示例，可使用诸如基于决策树的随机森林等作为大数据挖掘模型。大数据挖掘模型也可基于各种专有技术。本公开在此方面不受限定。

在框804，基于所获取的用户相关特征，通过可更新预测模型进行预测来确定可更新概率。利用大数据挖掘模型的可更新预测模型可在收到数据后根据模型进行预测以得到可更新概率。例如，可使用图6的示例性预测模型600或其它预测模型，并且获得类似于图7的目标人群开放比例相对于预测可更新概率的关系。

在框806，将所确定的可更新概率与预定阈值进行比较，以确定该可更新概率是否例如大于或等于预定阈值。此后，系统可根据可更新预测模型返回的可更新概率来决定是否要调用人像管理权威机构接口以请求获取人像底图。例如，根据一示例，当所返回的可更新概率大于等于阈值时，系统可决定要进行更新。而当所返回的可更新概率小于阈值时，系统可决定不进行更新。根据一示例，该阈值可以是固定阈值。根据另一示例，该阈值可以是可变阈值。例如，在诸如图6的示例性预测模型600的情况下，可将预定阈值设为85％。即只需对20％的目标人群开放人脸更新，并且只有15％的成本浪费。如所可知，这仅是示例性而非限定性的示例，本公开在此方面并不受限定。

如果该可更新概率小于阈值，例如如果该用户的可更新概率低于预定阈值(例如，<85％)，则在框807，决定不更新人像底图(例如，该用户不属于20％的目标人群)。例如，取决于具体应用和安全要求，系统可以报警，或中止人脸服务，或提供替换服务方式。

如果该可更新概率大于或等于阈值(例如，>＝85％)，则在框808，调用外部源接口以请求人像底图(例如，该用户属于20％的目标人群)。当系统决定要更新人像底图时，系统调用外部源接口(例如，人像管理权威机构接口)以请求获取人像底图。若成功地从外部源(例如，人像管理权威机构等)获取到可用人像底图，则使用所获得的可用人像底图来提供人脸识别服务，例如人脸登录、人脸支付、人脸认证、人脸授权等等，并且系统还将本次调用所涉及的数据(例如，用户特征)作为正样本反馈给可更新预测模型。然而，若未能成功地从人像管理权威机构获取到可用人像底图，则可将其作为负样本反馈给可更新预测模型。可更新预测模型在接收到反馈后进行训练。该训练可以是例如实时的，也可以是例如离线的或周期性的。通过训练，可更新预测模型的模型参数受到动态调整，以便后续提供更准确的预测。

在框810，确定是否成功地从人像管理权威机构获得可用的人像底图。例如，可确定是否从人像管理权威机构获得了人像底图，并确定所获得的人像底图是否有效。例如，若未能从人像管理权威机构获得人像底图，则可确定未能成功获得可用人像底图。若从人像管理权威机构获得的人像底图与系统中的原人像地图相同或基本相同，则亦可确定未能成功获得可用人像底图。而当获得了可用的人像底图时，则可确定成功获得了可用人像底图。

在框812，使用所获得的可用的人像底图来提供人脸识别服务(例如，人脸登录、人脸支付、人脸认证、人脸授权等)。在框814，可将与本次调用相关联的用户相关特征作为正样本反馈给可更新预测模型。

另一方面，当未能成功获得可用的人像底图时，在框816，通知系统人像底图更新失败。在框818，将与本次调用相关联的用户相关特征作为负样本反馈给可更新预测模型。

在框820，基于所获得的正样本和/或负样本来更新该可更新预测模型。根据一示例，可在每次获得正样本和/或负样本时立即更新该可更新预测模型。根据另一示例，可周期性地更新该可更新预测模型。根据又一示例，可在累积到阈值数量的样本之后更新该可更新预测模型。如此，通过基于反馈的正样本和负样本对模型进行训练来动态调整模型参数，以优化瑕疵更新决策(例如，以提供改善的后续人脸识别服务等)。

通过调整上述步骤806中的预定阈值，本公开的方案可以调整预测可更新概率和覆盖人群。例如，在一示例中，通过阈值控制，可以将人脸更新率控制在例如20％，即，可以只对20％的目标人群开放人脸更新，就能达到例如85％的概率。在这样的情况下，只有15％的成本浪费。所获得的新的结果(例如，包括更新成功即正样本和更新失败即负样本)可以作为反馈提供给可更新预测模型以更新模型来优化更新决策。如果希望覆盖更多人群，则可降低阈值，其代价是成本浪费会相应上升。另一方面，如果希望降低成本浪费，则可提高阈值，其代价是覆盖人群减小。

图9示出了根据本公开的示例性方面的人脸识别系统900的使用场景。该场景可以为例如机场、火车站或其它类似场景。用户来到闸机908前提供身份信息并主动地或被动地发起人脸识别。摄像头904拍摄用户的图像(尤其是人脸图像)并将其显示在显示屏906上。识别器902例如基于用户提供的身份信息(例如，身份证原件、护照原件、身份证号码、护照号码等)获取系统中已有的与该身份信息相对应的人像底图。

若不能获取与该身份信息相对应的人像底图，则可通过例如结合图8描述的人像底图更新方法使用例如结合图6描述的预测模型600来预测能从外部源(例如，人像管理权威机构等)为该用户成功获得人像底图更新的概率。当所预测的概率高于预定阈值(例如85％)时，表明从外部源(例如，人像管理权威机构)为该用户成功获得人像底图更新的可能性很大，由此系统调用外部源接口来请求人像底图更新。若更新成功，则系统900通过对本地拍摄的用户图像与经更新的人像底图进行例如特征比对来确定本地拍摄的用户图像是否与基于用户提供的身份信息/身份证件所获得的人像底图相匹配。如果匹配，则认为用户符合所提供的身份信息，并相应地予以放行。如果不匹配且未超时，则可再次执行上述拍摄和比对，或者如果不匹配并且已超时，则可直接报警以便由工作人员进行人工核查。

另一方面，若人像底图更新失败，则因无对比基准，人脸识别失败。系统可直接报警以便由工作人员进行人工核查。

通过将预测可更新概率阈值预设为例如85％，即，只有在模型估计该用户的人像底图在外部源(例如，人像管理权威机构)处可得到更新的概率高于或等于85％时才调用外部源接口以请求更新人像底图，便可以在仅对例如20％的目标人群开放人脸更新的情况下达到良好的人脸更新成功率，并且只有约15％的成本浪费。

图10示出了根据本公开的示例性方面的人脸支付系统1000的使用场景。该场景可以为例如家中购物、无人超市或其它类似场景。用户选购商品后通过例如用户接口1002发起支付并选择了人脸支付方式。摄像头1004拍摄用户的图像(尤其是人脸图像)并将其显示在显示屏1006上。系统1000基于用户的账户信息获取系统中已有的与该账户信息相对应的人像底图。

若不能获取与该身份信息相对应的人像底图，则可通过例如结合图8描述的人像底图更新方法使用例如结合图6描述的预测模型600来预测能从外部源(例如，人像管理权威机构等)为该用户成功获得人像底图更新的概率。当所预测的概率高于预定阈值(例如85％)时，表明从外部源(例如，人像管理权威机构)为该用户成功获得人像底图更新的可能性很大，由此系统调用外部源接口来请求人像底图更新。若更新成功，则系统1000通过对本地拍摄的用户图像与经更新的人像底图进行例如特征比对来确定本地拍摄的用户图像是否与基于用户提供的账户信息所获得的人像底图相匹配。如果匹配，则认为用户符合该账户信息，并相应地进行后续扣款等流程。如果不匹配且未超时，则可再次执行上述拍摄和比对，或者如果不匹配并且已超时，则可中止交易并向系统报警。

图11示出了根据本公开的预测底图更新的设备1100。设备1100可包括处理器1102、显示器1103、存储器1104、摄像头1105、用户输入/输出接口1106、通信接口1107以及数据库1120。上述组件可通过例如总线1122耦合在一起并相互通信。

根据一示例性而非限定性的实施例，设备1100还可包括用户特征提取模块1108、可更新预测模型1110、阈值比较模块1112、外部源接口(例如，人像管理权威机构接口)模块1114、反馈模块1116、预测模型训练模块1118等。这些模块可驻留在例如存储器1104中，并且在由处理器1102执行时使得处理器1102执行相应的功能。

用户接口1106可以用于例如接收用户使用人脸识别服务的请求。处理器1102可被配置成确定例如数据库1120中是否找到匹配的有效人脸底图。如果找到了匹配的有效人脸底图，则处理器可以被配置成使用所找到的匹配的有效人脸底图来为该用户提供人脸识别服务。如果找不到匹配的有效人脸底图(例如，数据库1120中没有对应的人脸底图，或者数据库1120中的人脸底图过于陈旧而不可用)，则处理器可被配置成进入底图更新决策逻辑。

在底图更新决策逻辑中，处理器1102可被配置成指令用户特征提取模块1108提取用户特征。在用户特征提取模块1108获取了用户特征之后，处理器1102可被配置成将所获取的用户特征提供给可更新预测模型1110。可更新预测模型1110基于所提供的用户特征输出预测可更新概率。

阈值比较模块1112接收所输出的预测可更新概率并将其与预定阈值进行比较。当例如预测可更新概率大于或等于预定阈值时，处理器1102调用人像管理权威机构接口模块1114来向人像管理权威机构请求更新人像底图。而当例如预测更新概率小于预定阈值时，处理器1102可被配置成例如通知系统人像底图更新失败。例如，处理器1102还可进一步询问用户是否接受使用替换方案进行的服务。又如，处理器1102可直接通知用户本次人脸识别服务失败。处理器1102可进一步配置成通过人像管理权威机构接口模块1114接收新的人像底图。处理器1102可被配置成确定所接收到的新的人像底图是否有效。例如，处理器1102可被配置成确定是否接收到新的人像底图。处理器1102还可被进一步配置成确定所接收到的新的人像底图是否有效。例如，假如所接收到的新的人像底图与数据库1120中的原人像底图相同或基本相同，则处理器1102可确定该新的人像底图无效。当处理器1102确定所接收到的新的人像底图有效时，处理器1102可被配置成将此有效的新的人像底图用于为用户提供人脸识别服务。处理器1102可被进一步配置成将与本次人像管理权威机构接口调用相关联的用户相关特征作为正样本提供给反馈模块1116。另一方面，当处理器1102确定所接收到的新的人像底图无效时，处理器1102可被配置成将与本次人像管理权威机构接口调用相关联的用户相关特征作为负样本提供给反馈模块1116。

反馈模块1116将所获得的正样本和/或负样本提供给预测模型更新模块1118。预测模型训练模块1118使用所获得的正样本和/或负样本来对可更新预测模型1110进行更新。该训练可以是例如实时的，也可以是例如离线的或周期性的。根据一示例，可在每次获得正样本和/或负样本时立即更新该可更新预测模型。根据另一示例，可周期性地更新该可更新预测模型。根据又一示例，可在累积到阈值数量的样本之后更新该可更新预测模型。如此，通过基于反馈对模型进行实时训练来动态调整模型参数，可以提供改善的后续人脸识别服务。通过训练，可更新预测模型的模型参数受到动态调整，以便后续提供更准确的预测。

用户特征提取模块1108、可更新预测模块1110、人像管理权威机构接口模块1112、反馈机构1114、预测模型训练模块1116等中的一个或多个除了作为软件模块实现在存储器1104内并由处理器1102执行以外，也可被实现为独立的硬件模块，或者可以是两者的各种组合。例如，上述模块中的任何一个或多个模块可通过ASIC、现场可编程门阵列(FPGA)等来实现，可以通过分立的硬件组件来实现、和/或可通过软件与硬件和固件的各种组合来实现。上述模块可通过总线(未示出)耦合在一起并通过总线来相互通信。

图12示出训练可更新预测模块的方法1200。方法1200包括在框1202，使用大数据挖掘模型来对可更新预测模块进行建模。在框1204，方法1200包括向该可更新预测模块提供初始训练数据集。该初始训练数据集可包括例如多个正样本和/或多个负样本。在框1206，方法1200包括将经训练的可更新预测模块交付使用。图12的方法1200可例如由图11的设备1100来执行。例如，图11的设备1100中的处理器1102可被配置成执行图12的方法1200。但本公开并不被限定于此。例如，经训练的可更新预测模块也可从其他来源直接获得并投入使用。根据一示例性而非限定性实施例，系统可对大数据挖掘模型进行训练。训练可包括初始训练和后续更新。训练可包括例如有监督训练和/或无监督训练、或两者的组合。例如，初始训练可通过使用包括足够的正样本和负样本的样本集来训练可更新预测模型。后续更新可包括在使用可更新预测模型进行预测后，将反馈结果提供给该可更新预测模型以形成闭环来对该可更新预测模型不断进行调整优化。

本公开的方案对人群的自然属性和历史底图特征做大数据分析，预测人像管理权威机构是否有更新的人像信息，并通过阈值控制更新服务的覆盖人群和/或返回更新人像的比率，平衡用户体验和成本。本公开的方案还使用更新结果对预测模型实时进行反馈，动态调整参数，使得模型能够自动适应变化。本公开的基于大数据来预测用户的人像底图在人像管理权威机构是否有更新的方法避免了频繁更新的成本问题，也避免了人为制定更新规则的不全面和偏差。通过利用大数据挖掘技术，能更好地对海量数据中的信息进行抓取、管理和处理，显著提高了准确性、效率并降低了资源浪费。这对于例如有数亿用户的平台而言意义尤其重大。

本领域普通技术人员应理解，本发明的有益效果并非由任何单个实施例来全部实现。各种组合、修改和替换均为本领域普通技术人员在本发明的基础上所明了。

此外，术语“或”旨在表示包含性“或”而非排他性“或”。即，除非另外指明或从上下文能清楚地看出，否则短语“X”采用“A”或“B”旨在表示任何自然的可兼排列。即，短语“X”采用“A”或“B”藉由以下实例中任何实例得到满足：X采用A；X采用B；或X采用A和B两者。属于“连接”与“耦合”可表示相同含义，表示两器件的电气连接。另外，本申请和所附权利要求书中所用的冠词“一”和“某”一般应当被理解成表示“一个或多个”，除非另外声明或者可从上下文中清楚看出是指单数形式。

各个方面或特征将以可包括数个设备、组件、模块、及类似物的系统的形式来呈现。应理解和领会，各种系统可包括附加设备、组件、模块等，和/或可以并不包括结合附图所讨论的全部设备、组件、模块等。也可以使用这些办法的组合。

结合本文所发明的实施例描述的各种说明性逻辑、逻辑块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其它此类配置。此外，至少一个处理器可包括可作用于执行以上描述的一个或多个步骤和/或动作的一个或多个模块。例如，以上结合各个方法描述的实施例可以通过处理器和耦合到处理器的存储器来实现，其中该处理器可被配置成执行前述任何方法的任何步骤或其任何组合。

此外，结合本文中所发明的方面描述的方法或算法的步骤和/或动作可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。例如，以上结合各个方法描述的实施例可以通过存储有计算机程序代码的计算机可读介质来实现，其中该计算机程序代码在由处理器/计算机执行时执行前述任何方法的任何步骤或其任何组合。

本发明中通篇描述的各种方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且意在被权利要求书所涵盖。此外，本文所发明的任何内容都并非旨在贡献给公众——无论这样的发明是否在权利要求书中被显式地叙述。

Claims (20)

1.一种在人脸服务系统中预测人像底图更新的方法，其特征在于，包括：

基于用户提供的身份信息发起人脸服务；

基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准；

若否，则使用预测可更新概率模型基于所述用户的相关特征来估计能从外部源更新到与所述身份信息对应的可用人像底图的概率，所述用户的相关特征至少包括所述用户的自然特征；

仅当所述概率高于或等于预定阈值时，向所述外部源请求更新与所述身份信息对应的可用人像底图以作为比对基准；

基于所述用户的活体人像与所述比对基准的比对，确定所述用户是否与所述身份信息匹配；以及

若所述用户与所述身份信息匹配，则允许进行所述人脸服务。

2.如权利要求1所述的方法，其特征在于，基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准进一步包括：

若所述人脸服务系统中没有与所述身份信息对应的人像底图，或若所述人脸服务系统中有与所述身份信息对应的不可用人像底图，则确定所述人脸服务系统中没有与所述身份信息对应的可用人像底图能够用作比对基准。

3.如权利要求2所述的方法，其特征在于，若所述人脸服务系统中有与所述身份信息对应的不可用人像底图，则所述用户的相关特征进一步包括从所述不可用人像底图提取的特征。

4.如权利要求1所述的方法，其特征在于，进一步包括：

若从所述外部源更新到可用人像底图，则将所述用户相关特征作为正样本反馈给所述可更新预测模型；或者

若未能从所述外部源更新到可用人像底图，则将所述用户相关特征作为负样本反馈给所述可更新预测模型；以及

基于所述正样本或所述负样本或其组合来优化所述可更新预测模型。

5.如权利要求1所述的方法，其特征在于，所述用户的自然特征包括所述用户的年龄、籍贯、职业中的一项或多项的组合。

6.如权利要求3所述的方法，其特征在于，从所述不可用人像底图提取的特征包括所述不可用人像底图的图像质量、图像尺寸、获取时间、获取状况中的一项或多项的组合。

7.如权利要求1所述的方法，其特征在于，所述用户的相关特征进一步包括所述用户的行为。

8.如权利要求4所述的方法，其特征在于，基于所述正样本或所述负样本或其组合来优化所述可更新预测模型包括使用所述正样本或所述负样本或其组合对所述可更新预测模型进行：实时训练、离线训练、或周期性训练。

9.如权利要求1所述的方法，其特征在于，进一步包括，当所述概率低于所述预定阈值时：

不向所述外部源请求更新与所述身份信息对应的可用人像底图；并且

取决于所述人脸服务及其安全要求，进行报警、中止所述人脸服务、或提供替换服务方式中的一项或多项的组合。

10.一种人脸服务系统，其特征在于，包括：

用户接口，用于接收用户提供的身份信息；

摄像头，用于拍摄所述用户的活体人像；

存储器；以及

耦合到所述存储器的处理器，所述处理器被配置成：

基于所述用户提供的身份信息发起人脸服务；

基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准；

若否，则使用预测可更新概率模型基于所述用户的相关特征来估计能从外部源更新到与所述身份信息对应的可用人像底图的概率，所述用户的相关特征至少包括所述用户的自然特征；

仅当所述概率高于或等于预定阈值时，向所述外部源请求更新与所述身份信息对应的可用人像底图以作为比对基准；

基于所述用户的活体人像与所述比对基准的比对，确定是否允许进行所述人脸服务。

11.如权利要求10所述的人脸服务系统，其特征在于，所述处理器被配置成基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准进一步包括所述处理器被配置成：

若所述人脸服务系统中没有与所述身份信息对应的人像底图，或若所述人脸服务系统中有与所述身份信息对应的不可用人像底图，则确定所述人脸服务系统中没有与所述身份信息对应的可用人像底图能够用作比对基准。

12.如权利要求11所述的人脸服务系统，其特征在于，若所述人脸服务系统中有与所述身份信息对应的不可用人像底图，则所述用户的相关特征进一步包括从所述不可用人像底图提取的特征。

13.如权利要求10所述的人脸服务系统，其特征在于，所述处理器被进一步配置成：

若从所述外部源更新到可用人像底图，则将所述用户相关特征作为正样本反馈给所述可更新预测模型；或者

若未能从所述外部源更新到可用人像底图，则将所述用户相关特征作为负样本反馈给所述可更新预测模型；以及

基于所述正样本或所述负样本或其组合来优化所述可更新预测模型。

14.如权利要求10所述的人脸服务系统，其特征在于，所述用户的自然特征包括所述用户的年龄、籍贯、职业中的一项或多项的组合。

15.如权利要求12所述的人脸服务系统，其特征在于，从所述不可用人像底图提取的特征包括所述不可用人像底图的图像质量、图像尺寸、获取时间、获取状况中的一项或多项的组合。

16.如权利要求10所述的人脸服务系统，其特征在于，所述用户的相关特征进一步包括所述用户的行为。

17.如权利要求13所述的人脸服务系统，其特征在于，所述处理器被配置成基于所述正样本或所述负样本或其组合来优化所述可更新预测模型包括所述处理器被配置成使用所述正样本或所述负样本或其组合对所述可更新预测模型进行：实时训练、离线训练、或周期性训练。

18.如权利要求10所述的人脸服务系统，其特征在于，所述处理器被进一步配置成，当所述概率低于所述预定阈值时：

不向所述外部源请求更新与所述身份信息对应的可用人像底图；并且

取决于所述人脸服务及其安全要求，进行报警、中止所述人脸服务、或提供替换服务方式中的一项或多项的组合。

19.一种用于在人脸服务系统中预测人像底图更新的装置，其特征在于，包括：

用于基于用户提供的身份信息发起人脸服务的模块；

用于基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准的模块；

用于若否，则使用预测可更新概率模型基于所述用户的相关特征来估计能从外部源更新到与所述身份信息对应的可用人像底图的概率，所述用户的相关特征至少包括所述用户的自然特征的模块；

用于仅当所述概率高于或等于预定阈值时，向所述外部源请求更新与所述身份信息对应的可用人像底图以作为比对基准的模块；

用于基于所述用户的活体人像与所述比对基准的比对，确定所述用户是否与所述身份信息匹配的模块；以及

用于若所述用户与所述身份信息匹配，则允许进行所述人脸服务的模块。

20.一种存储有处理器可执行指令的计算机可读存储介质，所述处理器可读执行指令在由处理器执行时用于使所述处理器在人脸服务系统中预测人像底图更新，包括：

基于用户提供的身份信息发起人脸服务；

基于所述身份信息确定所述人脸服务系统中是否已有与所述身份信息对应的可用人像底图能够用作比对基准；

若否，则使用预测可更新概率模型基于所述用户的相关特征来估计能从外部源更新到与所述身份信息对应的可用人像底图的概率，所述用户的相关特征至少包括所述用户的自然特征；

仅当所述概率高于或等于预定阈值时，向所述外部源请求更新与所述身份信息对应的可用人像底图以作为比对基准；

基于所述用户的活体人像与所述比对基准的比对，确定所述用户是否与所述身份信息匹配；以及

若所述用户与所述身份信息匹配，则允许进行所述人脸服务。