CN110268419A - 一种人脸识别方法、人脸识别装置和计算机可读存储介质 - Google Patents

Abstract

本申请部分实施例提供了一种人脸识别方法、人脸识别装置和计算机可读存储介质。本申请提供的人脸识别方法，应用于人脸识别装置，包括：采集目标对象的人脸图片(101)，获取目标对象的人脸图片的特征数据(102)；比对目标对象人脸图片的特征数据和预存的特征数据库(103)；在特征数据库中包含与目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过；利用目标对象人脸图片的特征数据更新第一特征数据(105)。采用上述方案使得特征数据库可以随用户实际变化而更新，识别结果更为准确可靠。

Description

一种人脸识别方法、人脸识别装置和计算机可读存储介质

技术领域

本申请涉及人脸识别技术领域，特别涉及一种人脸识别方法、人脸识别装置和计算机可读存储介质。

背景技术

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。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

基于人脸识别技术的实际应用，需要先进行人脸注册，获取人脸图片数据，为增加人脸识别的准确性，现采用3D人脸识别技术，注册时对应地采用3D人脸注册。实际应用中，3D人脸识别通过实时采集人脸数据并处理，与通过注册在模块内部的私有数据库(即人脸特征数据库)进行比对，判定该数据是否与数据库内是同一人的数据，从而决定是否授权通过解锁等行为。

发明人发现现有技术至少存在以下问题：在现有人脸识别过程中，使用的数据库为注册时收集的数据，识别时仍会遇到虽然是本人，但无法识别的情况，如减肥或增肥后，又如随生长变化较多的小孩子。

发明内容

本申请部分实施例的目的在于提供一种人脸识别方法、人脸识别装置和计算机可读存储介质，使得特征数据库可以随用户实际变化而更新，识别结果更为准确可靠。

本申请实施例提供了一种人脸识别方法，应用于人脸识别装置，所述方法包括：采集目标对象的人脸图片，获取目标对象的人脸图片的特征数据；比对目标对象人脸图片的特征数据和预存的特征数据库；在特征数据库中包含与目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过；利用目标对象人脸图片的特征数据更新第一特征数据。

本申请实施例还提供了一种人脸识别装置，包括：采集模块，用于采集目标对象的人脸图片；获取模块，用于获取所述目标对象的人脸图片的特征数据；比对模块，用于比对所述目标对象人脸图片的特征数据和预存的特征数据库；比对结果确认模块，用于在所述特征数据库中包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过；自学习模块，用于在所述目标对象人脸图片的特征数据与所述第一特征数据的差异性属于第二预设范围内时，利用所述目标对象人脸图片的特征数据更新所述第一特征数据，其中，所述第二预设范围小于所述第一预设范围。

本申请实施例还提供了一种人脸识别装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的人脸识别方法。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述的人脸识别方法。

本申请实施例相对于现有技术而言，利用人脸识别过程中获得的特征数据，进行特征数据自学习，在符合条件时更新特征数据库，使得特征数据库中的人脸数据会随时间推移中人脸变化而更新，更符合用户当下的人脸情况，有利于提高识别准确性。同时，由于特征数据学习时利用现有识别过程中采集到的人脸数据，也就不会增加额外的采集步骤，仅增加特征学习的步骤，不会过于增加系统复杂度，延长时间几乎可以忽略，便于保持现有的识别速度。

例如，在判定所述特征数据库中包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据之后，还包括：判断所述目标对象人脸图片的特征数据与所述第一特征数据的差异性是否属于第二预设范围内；若属于，则执行所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据的步骤；其中，所述第二预设范围包含于所述第一预设范围。本实施例明确可以设立两个范围，分别用于确定识别是否通过和是否需要更新，且在更小范围内才进行更新，保证更新效果的同时，尽量减少更新次数。

例子，所述第一预设范围为小于或等于第一阈值，所述第二预设范围为大于或等于第二阈值且小于或等于第一阈值，其中，所述第二阈值小于所述第一阈值。本实施例可以明确两个预设范围的一种设立方式。

例如，所述特征数据库中的特征数据以模板的形式存储；所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据，具体包括：若所述第一特征数据所属用户对应的模板数小于第一预设阈值，则将所述目标对象人脸图片的特征数据存为所述第一特征数据所属用户的新模板；若所述第一特征数据所属用户对应的模板数大于或等于所述第一预设阈值，则利用所述特征数据替换所述第一用户的模板之一，或将所述特征数据融合入所述第一特征数据所属用户的模板之一。本实施例明确更新的几种方法。

例如，所述特征数据库中的一个模板来自一次采集到的人脸图片。

例如，所述采集的目标对象的人脸图片包括：泛光图像和/或结构光图像；所述获取所述目标对象的人脸图片的特征数据，包括：若采集的目标对象的人脸图片为泛光图像，则根据所述泛光图像获取所述目标对象人脸图片的所述特征数据；若采集的目标对象的人脸图片为结构光图像，则根据所述结构光图像获取所述目标对象人脸图片的所述特征数据；若采集的目标对象的人脸图片包括泛光图像和结构光图像，则根据所述泛光图像和所述结构光图像获取所述目标对象人脸图片的所述特征数据。本实施例明确获得特征数据的几种依据。

例如，在采集人脸图片的泛光图像时，采用红外光源。本实施例明确采集光源，减少环境干扰，解决夜晚照明不足的问题。

例如，若采集的目标对象的人脸图片包括结构光图像，则所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据之前，还包括：根据目标对象的结构光图像进行3D人脸防伪；在3D人脸防伪通过后，执行所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据的步骤。

例如，所述比对所述目标对象人脸图片的特征数据和预存的特征数据库之前，还包括：根据所述目标对象的结构光图像进行3D人脸防伪；在3D人脸防伪通过后，执行所述比对所获取到的特征数据和预存的特征数据库的步骤。本实施例明确还包括3D防伪，且限定了3D防伪步骤的几种不同位置。

例如，所述根据所述目标对象的结构光图像进行3D人脸防伪，具体包括：对结构光图进行3D重建，获得重建图；根据重建图确认是否来自真人；若确认来自真人，则确定所述3D人脸防伪通过。本实施例明确3D防伪的具体过程。

例如，所述采集目标对象的人脸图片，包括：采集图片；对所述图片进行人脸检测；在检测到人脸时，将所述图片作为所述目标对象的人脸图片。本实施例明确采集人脸图片的具体过程。

例如，所述比对所获取到的特征数据和预存的特征数据库之后，还包括：在所述特征数据库中未包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据，且总采集次数不超过第二预设阈值时，则重新执行所述采集目标对象的人脸图片的步骤。本实施例明确错误重试的次数有上限。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是根据本申请第一实施例中的人脸识别方法的流程图；

图2是根据本申请第二实施例中的人脸识别方法的流程图；

图3是根据本申请第二实施例中的人脸识别方法中的原理示意图；

图4是根据本申请第三实施例中的人脸识别方法的流程图；

图5是根据本申请第四实施例中的人脸识别装置的结构示意图；

图6是根据本申请第五实施例中的人脸识别装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请第一实施例涉及一种人脸识别方法。

本实施方式可以应用于一种人脸识别装置，以智能门锁为例，用户在开启智能门锁时，需要站立于智能门锁的摄像模组前，摄像模组采集人脸图片后，解析、处理图片，提取人脸的特征数据，并和数据库中的特征数据进行比对，如果比对通过，则开启门锁。

本实施例中人脸识别方法的具体流程如图1所示。

步骤101，采集目标对象的人脸图片。

具体的说，本步骤具体包括：采集图片，对图片进行人脸检测，在检测到人脸时，将图片作为采集到的目标对象的人脸图片。以智能门锁为例进行说明，本实施方式中通过智能门锁自带的摄像设备采集人脸图片，在一个例子中，摄像设备启动拍摄，采集到一张图片后，先进行人脸检测，具体可以为2D人脸检测，判断是否存在人脸，如果存在人脸，则进行后续步骤，如果不存在人脸，可能拍摄出错，拍摄到不完全的人脸或拍摄到不够清晰的人脸，则返回重新采集图片。

在一个例子中，可以采用深度学习法进行2D人脸检测，预先通过深度学习方法训练用于人脸检测的检测网络，在实际应用时，首先通过人脸检测网络检测2D图片中是否存在人脸，若存在人脸，则画出人脸框的位置，也就是提取出人脸图像，去除多余的背景等。在训练人脸检测网络时，可以采用人工标注的人脸数据库进行训练，标注的内容可以包含眼睛、鼻子、嘴巴等特征轮廓，从而使得经过训练的网络具备检测人脸的能力。

在一个例子中，在采集泛光图像时，可以采用红外光源，减少环境干扰，解决夜晚照明不足等问题，即使用户在夜晚使用智能门锁，也可以准确地被识别出人脸特征。

步骤102，获取目标对象的人脸图片的特征数据。

具体的说，以采集的目标对象的人脸图片为泛光图像为例进行说明，特征数据具体如眼睛的长宽比、两个眼睛的间距、眉毛的曲线长度和弧度、嘴巴的长宽比、下巴的弧度等，上述特征数据可以从泛光图像中识别出，并通过测量获得特征数据值。

在一个例子中，在步骤101确定出去除多余背景部分的人脸图像后，可以仅对这部分人脸图像进行特征数据的提取，无需对采集到的整个人脸图片进行特征数据提取，不仅减少图像数据的处理量，更能排除背景干扰，增加提取出的特征数据的准确性。

在一个例子中，可以利用深度学习法进行2D人脸识别，预先通过深度学习方法训练用于人脸识别的识别网络，将获取的去除多余背景部分的人脸图像送至识别网络进行人脸特征的提取，获得特征数据。

步骤103，比对目标对象人脸图片的特征数据和预存的特征数据库；若比对通过，则执行步骤104；若比对不通过，则返回执行步骤101。

具体的说，在特征数据库中包含与目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过，即比对通过。其中，第一预设范围可以是小于第一阈值，第一阈值的值可以由技术人员根据经验设置，如30％。

具体的说，特征数据库为通过注册时得到各用户的人脸特征，可以包括：各用户的面部照片、面部三维数据或根据照片/三维信息提取的特征。在一个例子中，特征数据库中的特征数据以模板的形式存储，每个模板的特征数据来自采集到的一帧图片，也就是说，注册时，每采集到一帧符合注册要求的图片，从中提取的特征数据就会存为一个模板。一个用户可以对应有多个模板，如可以设置一个用户对应有8个模板。

在比对时，将获取的特征数据和各个模板进行逐一对比，在与一帧模板比对时，确定获取的特征数据和各个模板的差异性，如果差异性较大，如差异性大于等于上限值A，则认为比对不成功，继续下一帧比对，如果任意一帧比对成功即认为属于同一人。

继续说明，在比对时，特征数据库中如果没有一帧可以比对成功，那么就认为采集到的特征数据不属于该特征数据库，即比对不通过。

在一个例子中，在比对过程中可以根据人脸识别检测的特征向量，通过计算特征向量之间的相似度进行比对，在此不再赘述。

步骤104，判断目标对象人脸图片的特征数据与第一特征数据的差异性是否属于第二预设范围内；若是，则执行步骤105；若否，则结束本实施方式中的人脸识别流程。

步骤105，利用目标对象人脸图片的特征数据进行特征数据库的自学习。

具体的说，在特征数据与特征数据库中第一用户的特征数据的差异性属于第二预设范围内时，利用目标对象人脸图片的特征数据更新上述第一特征数据，其中，第二预设范围包含于第一预设范围。

在一个例子中，第二预设范围可以为大于或等于第二阈值且小于或等于第一阈值，其中，所述第二阈值小于所述第一阈值，如第一阈值为30％，第二阈值为10％。由于差异值超过30％时，则认为比对不成功，所以在比对成功时，步骤102中获取的特征数据必然与数据库中某一模板的差异性小于30％，同时为了避免特征数据更新过于频繁，可以设置下限10％，也就是说，在差异性大于10％且小于30％时，才利用该特征数据进行更新，如果差异性小于10％，则认为特征数据过于相似，即不更新。

在一个例子中，可以仅设置第一预设范围，如小于或等于30％，在差异性满足小于或等于30％后，直接进行特征数据的更新。

在另一个例子中，第一预设范围也可以设置为小于或等于30％。大于或等于1％，在此不再一一列举。

在一个例子中，更新的具体方法可以是新增模板，也就是说，将比对通过的特征数据储存为新模板，模板越多，涵盖的特征数据必然更丰富，但比对耗时也将更大。进一步说，可以为用户设置模板数上限，如设置某个用户最多可以有25个模板，在该用户已有模板不足25个时，可以直接通过新增模板保存新收集到的特征数据，如果该用户已有模板大于或等于25时，可以采用特征数据融合的方式，将新收集到的特征数据融合入该用户的模板之一，也可以利用新收集到的特征数据生成的模板替换原有模板之一，替换模板时可以有多种机制，一种可以是替换生成时间最早的模板，一种可以是替换差异性最大的模板，实际应用中也可以设置其他替换机制，在此不再一一列举。

在本实施方式中，先判定是否比对通过，在比对通过后再进行更新。在一个例子中，比对通过可以反馈识别通过的信息，反馈信息的时机可以在比对通过后反馈，也可以在更新完成后反馈，在此不再一一列举。

本实施例相对于现有技术而言，利用人脸识别过程中获得的特征数据，进行特征数据自学习，在符合条件时更新特征数据库，使得特征数据库中的人脸数据会随时间推移中人脸变化而更新，更符合用户当下的人脸情况，有利于提高识别准确性。同时，由于特征数据学习时利用现有识别过程中采集到的人脸数据，也就不会增加额外的采集步骤，仅增加特征学习的步骤，不会过于增加系统复杂度，延长时间几乎可以忽略，便于保持现有的识别速度。另外，由于需要新特征数据和数据库中的特征数据的差异性在某一区间内才更新，所以更新频率得到有效控制，不会过于频繁。

本申请第二实施例涉及一种人脸识别方法。本实施方式与第一实施方式大致相同，主要区别在于：第一实施方式中特征数据来自泛光图像，而本实施方式中特征数据来自泛光图像和结构光图像的组合，由于结构光图像具有3D信息，所以可以获得更为丰富的3D信息，提高识别的准确度。

本实施方式中人脸识别方法的流程图如图2所示，具体如下：

步骤201，采集目标对象的泛光图像和结构光图像。

具体的说，本步骤中除了采集对应人脸的泛光图像，还可以采集结构光图像。在一个例子中，本实施方式中的摄像设备可以是3D模组，具体可以通过3D模组中内置的投射器，将结构光投射到人脸上，再通过3D模组中的摄像头进行采集，获得对应的结构光图像。其中，已知空间方向的投影光线的集合称为结构光，如散斑，通过投射结构光获得的图像称为结构光图像。在一个例子中，结构光图像还可以是编码条纹、正弦条纹等。

步骤202，获取目标对象的泛光图像和结构光图像的特征数据。

具体的说，本步骤中对人脸的泛光图像提取特征数据和第一实施方式相类似，在此不再赘述。

而本步骤中对人脸的结构光图像提取特征数据时，对结构光图像进行3D重建，从重建图中提取特征数据。具体的说，通过3D重建所获得的重建图的数据形式可以包括：深度图或三维点云，在一个例子中，也可以是两者的组合。之后对重建图进行特征数据的计算，从而获得人脸的特征数据。

步骤203，比对目标对象人脸图片的特征数据和预存的特征数据库；若比对通过，则执行步骤204；若比对不通过，则返回执行步骤201。

具体的说，在比对时，不仅利用来自泛光图像的2D特征数据比对，还可以利用来自结构光图像的3D特征数据比对。

在一个例子中，可以先进行2D特征数据的比对，在2D特征数据比对通过后再进行3D特征数据的比对。此外，综合上述步骤201至步骤203，可以先采集泛光图像，进行2D特征数据获取并比对，在比对通过后，再采集结构光图像，继而进行3D特征数据获取并比对3D特征数据，同时，在比对多种类型的特征数据时，比对先后顺序在此不做限定。

步骤204至步骤205与第一实施方式中的步骤104至步骤105相类似，在此不再赘述。

本实施方式的结构和工作原理可以如图3所示，其中的人4通过人机交互设备3(例如触摸屏)向控制器(或处理器)2发采集信息，其中的控制器可以是AP(ApplicationProcessor的简称)，控制器2向摄像模组1发送采集指令，摄像模组1接受命令后，投射结构光至人4的面部，经反射后由摄像模组1采集图片，送至控制器2进行处理，控制器2具体用于实现人脸检测、识别、3D重建和数据融合等功能。

可见，本实施方式中明确特征数据的依据可以是泛光图像和结构光图像的组合，通过泛光图像获取二维信息，通过结构光图像获取三维信息，所以两者结合，信息更为丰富，使得识别结果更为准确可信。

本实施方式中虽然以通过泛光图像和结构光图像共同获得特征数据为例，在实际应用中，特征数据可以仅通过结构光图像获取，在此不再赘述。

本申请第三实施例涉及一种人脸识别方法。本实施方式是在第二实施方式上做了进一步改进，主要改进之处在于：新增利用结构光图像进行3D防伪的过程，尽可能避免识别系统被图像、视频或3D头像等攻击，进一步保障人脸识别方法的安全可靠。

本实施方式中人脸识别方法的流程图如图4所示，具体如下：

步骤401和步骤402与第二实施方式中的步骤201和步骤202相类似，在此不再赘述。

步骤403，比对目标对象人脸图片的特征数据和预存的特征数据库；若比对通过，则执行步骤404；若比对不通过，则执行步骤405。

步骤404，检测3D防伪是否通过；若是，则继续执行步骤406；若否，则执行步骤405。

具体的说，3D防伪主要用于检测采集图片的来源是否为真人，如果来源为照片、影像或3D模型等，要尽量排除，否则将影响识别结果的可信度。更具体的说，3D防伪可以具体通过结构光图形进行，具体步骤包括：对结构光图进行3D重建，获得重建图；根据重建图确认是否来自真人；若确认来自真人，则确定3D人脸防伪通过。

其中，对结构光图像进行3D重建的过程可以具体如下：根据摄像设备的参数计算出结构光图像所对应物体的三维坐标，摄像设备的参数包括：内参(如相机焦距、主点位置等)和外参(摄像头和投射器间的旋转和平移关系)。更具体的说，系统预存了摄像设备的预存图(可以是散斑图)，将采集到的图片和预存图进行匹配，获得视差，根据视差、内参、外参共同计算出人脸的三维坐标。之后，根据计算出的三维坐标提取出人脸的特征数据。

在一个例子中，如果对结构光图已经进行了3D重建，本步骤就可以不重复执行。

更具体的说，通过摄像设备采集结构光图像时，可以根据转换生成的重建图(3D图像)来判断被采集的人脸是真人人脸还是照片，由于照片是二维物体，所以如果用照片作为采集对象，就无法获得有正常立体效果的3D图像，所以在一个例子中，可以根据转换生成的3D图像就可以确定采集对象是真人还是照片，如果确认来自真人，则确定上述3D人脸防伪通过。

此外，在实际应用中，还可以通过其他方式进行3D防伪，在此不再一一列举。

继续说明，本实施方式在比对通过之后，根据结构光图像进行3D人脸防伪，之后在防伪通过时，进入自学习。实际应用中，也可以先进行3D人脸防伪，在防伪通过后，对特征数据进行比对，在此不对3D防伪的执行位置进行限定。

步骤405，检测重试次数是否超限；若是，则结束本实施方式中的人脸识别方法，若否，则返回执行步骤401。

具体的说，可以为总采集次数设置第二预设阈值，本步骤具体比较总采集次数和第二预设阈值，如果总采集次数小于第二预设阈值，那么就认为没有超限，可以再次采集，继续重试，但如果总集次数大于或等于第二预设阈值，那么就认为已经超限，无需再试，认为识别失败，退出流程。

本实施方式中的步骤406至步骤407与第二实施方式中的步骤204至步骤205相类似，在此不再赘述。

可见，本实施方式中在识别过程中加入3D防伪，且限定了3D防伪步骤的几种不同位置，尽可能避免识别系统被图像、视频或3D头像等攻击，进一步保障人脸识别方法的安全可靠。另外，本步骤可以增设第二预设阈值，用于监控出错时的重试次数，在重试次数没有超限时，重新采集人脸图片，如果重试次数超限，那么就认为识别失败。

本申请第四实施例涉及一种人脸识别装置。

本实施方式中的装置示意图如图5所示，具体包括：

采集模块，用于采集目标对象的人脸图片；

获取模块，用于获取目标对象的人脸图片的特征数据；

比对模块，用于比对目标对象人脸图片的特征数据和预存的特征数据库；

比对结果确认模块，用于在特征数据库中包含与目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过；

自学习模块，用于利用目标对象人脸图片的特征数据更新第一特征数据。

在一个例子中，还包括：处理模块，用于在比对结果确认模块确认在特征数据库中包含与目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据之后，判断所述目标对象人脸图片的特征数据与所述第一特征数据的差异性是否属于第二预设范围内。

对应的，自学习模块具体用于在处理模块判定目标对象人脸图片的特征数据与所述第一特征数据的差异性属于第二预设范围内时，利用目标对象人脸图片的特征数据更新第一特征数据。其中，所述第二预设范围包含于所述第一预设范围。

在一个例子中，第一预设范围为小于或等于第一阈值，所述第二预设范围为大于或等于第二阈值且小于或等于第一阈值，其中，所述第二阈值小于所述第一阈值。

在一个例子中，特征数据库中的特征数据以模板的形式存储；自学习模块，具体包括：

第一更新子模块，用于在所述第一特征数据所属用户对应的模板数小于第一预设阈值时，将所述目标对象人脸图片的特征数据存为所述第一特征数据所属用户的新模板。

第二更新子模块，用于在所述第一特征数据所属用户对应的模板数大于或等于所述第一预设阈值时，利用所述特征数据替换所述第一用户的模板之一，或将所述特征数据融合入所述第一特征数据所属用户的模板之一。

在一个例子中，特征数据库中的一个模板来自一次采集到的人脸图片。

在一个例子中，所述采集的目标对象的人脸图片包括：泛光图像和/或结构光图像；对应的，所述获取模块具体包括：

第一获取子模块，用于在采集的所述目标对象的人脸图片为泛光图像时，根据所述泛光图像获取所述目标对象人脸图片的所述特征数据。

第二获取子模块，用于在采集的所述目标对象的人脸图片为结构光图像时，根据所述结构光图像获取所述目标对象人脸图片的所述特征数据。

第三获取子模块，用于在采集的所述目标对象的人脸图片包括泛光图像和结构光图像时，根据所述泛光图像和所述结构光图像获取所述目标对象人脸图片的所述特征数据。

在一个例子中，在采集所述目标对象的人脸图片的泛光图像时，采用红外光源。

在一个例子中，人脸识别装置还包括3D防伪模块，用于在采集的目标对象的人脸图片包括结构光图像，则所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据之前，根据所述目标对象的结构光图像进行3D人脸防伪。

对应的，自学习模块用于在3D防伪模块防伪通过后，利用所述目标对象人脸图片的特征数据更新所述第一特征数据。

在另一个例子中，人脸识别装置还包括3D防伪模块，用于在比对所述目标对象人脸图片的特征数据和预存的特征数据库之前，根据所述目标对象的结构光图像进行3D人脸防伪。

对应的，比对模块用于在3D防伪模块防伪通过后，比对所获取到的特征数据和预存的特征数据库。

在一个例子中，3D防伪模块，具体包括：

重建子模块，用于对所述结构光图像进行3D重建，获得重建图。

确认子模块，用于根据所述重建图确认是否来自真人。

防伪结果确认子模块，用于在确认来自真人时，确定所述3D人脸防伪通过。

在一个例子中，采集模块，包括：

采集子模块，用于采集图片；

检测子模块，用于对所述图片进行人脸检测；

处理子模块，用于在检测到人脸时，将所述图片作为所述目标对象的人脸图片。

在一个例子中，人脸识别装置还包括：采集次数判断模块，用于在特征数据库中未包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据，判断总采集次数是否超过第二预设阈值，并在总采集次数不超过第二预设阈值时，触发采集模块。

不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明第五实施方式涉及一种人脸识别装置，如图6所示，包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述第一实施方式至第三实施方式中任意一个人脸识别方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

其中，处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本发明第七实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (23)

1.一种人脸识别方法，其特征在于，应用于人脸识别装置，所述方法包括：

采集目标对象的人脸图片，获取所述目标对象的人脸图片的特征数据；

比对所述目标对象人脸图片的特征数据和预存的特征数据库；

在所述特征数据库中包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过；

利用所述目标对象人脸图片的特征数据更新所述第一特征数据。

2.如权利要求1所述的方法，其特征在于，在判定所述特征数据库中包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据之后，还包括：

判断所述目标对象人脸图片的特征数据与所述第一特征数据的差异性是否属于第二预设范围内；

若属于，则执行所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据的步骤；

其中，所述第二预设范围包含于所述第一预设范围。

3.如权利要求2所述的方法，其特征在于，所述第一预设范围为小于或等于第一阈值，所述第二预设范围为大于或等于第二阈值且小于或等于第一阈值，其中，所述第二阈值小于所述第一阈值。

4.如权利要求1所述的方法，其特征在于，所述特征数据库中的特征数据以模板的形式存储；

所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据包括：

若所述第一特征数据所属用户对应的模板数小于第一预设阈值，则将所述目标对象人脸图片的特征数据存为所述第一特征数据所属用户的新模板；

若所述第一特征数据所属用户对应的模板数大于或等于所述第一预设阈值，则利用所述特征数据替换所述第一用户的模板之一，或将所述特征数据融合入所述第一特征数据所属用户的模板之一。

5.如权利要求4所述的方法，其特征在于，所述特征数据库中的一个模板来自一次采集到的人脸图片。

6.如权利要求1所述的方法，其特征在于，所述采集的目标对象的人脸图片包括：泛光图像和/或结构光图像；

所述获取所述目标对象的人脸图片的特征数据，包括：

若采集的所述目标对象的人脸图片为泛光图像，则根据所述泛光图像获取所述目标对象人脸图片的所述特征数据；

若采集的所述目标对象的人脸图片为结构光图像，则根据所述结构光图像获取所述目标对象人脸图片的所述特征数据；

若采集的所述目标对象的人脸图片包括泛光图像和结构光图像，则根据所述泛光图像和所述结构光图像获取所述目标对象人脸图片的所述特征数据。

7.如权利要求6所述的方法，其特征在于，在采集所述目标对象的人脸图片的泛光图像时，采用红外光源。

8.如权利要求1所述的方法，其特征在于，若采集的目标对象的人脸图片包括结构光图像，则所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据之前，还包括：

根据所述目标对象的结构光图像进行3D人脸防伪；

在3D人脸防伪通过后，执行所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据的步骤。

9.如权利要求1所述的方法，其特征在于，所述比对所述目标对象人脸图片的特征数据和预存的特征数据库之前，还包括：

根据所述目标对象的结构光图像进行3D人脸防伪；

在3D人脸防伪通过后，执行所述比对所获取到的特征数据和预存的特征数据库的步骤。

10.如权利要求8或9所述的方法，其特征在于，所述根据所述目标对象的结构光图像进行3D人脸防伪包括：

对所述结构光图像进行3D重建，获得重建图；

根据所述重建图确认是否来自真人；

若确认来自真人，则确定所述3D人脸防伪通过。

11.如权利要求1所述的方法，其特征在于，所述采集目标对象的人脸图片，包括：

采集图片；

对所述图片进行人脸检测；

在检测到人脸时，将所述图片作为所述目标对象的人脸图片。

12.如权利要求1所述的方法，其特征在于，所述比对所获取到的特征数据和预存的特征数据库之后，还包括：

在所述特征数据库中未包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据，且总采集次数不超过第二预设阈值时，则重新执行所述目标对象的采集人脸图片的步骤。

13.一种人脸识别装置，其特征在于，包括：

采集模块，用于采集目标对象的人脸图片；

获取模块，用于获取所述目标对象的人脸图片的特征数据；

比对模块，用于比对所述目标对象人脸图片的特征数据和预存的特征数据库；

比对结果确认模块，用于在所述特征数据库中包含与所述目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据时，确定比对结果为识别通过；

自学习模块，用于利用所述目标对象人脸图片的特征数据更新所述第一特征数据。

14.如权利要求13所述的装置，其特征在于，还包括：

处理模块，用于在比对结果确认模块确认在特征数据库中包含与目标对象人脸图片的特征数据的差异性属于第一预设范围内的第一特征数据之后，判断所述目标对象人脸图片的特征数据与所述第一特征数据的差异性是否属于第二预设范围内；

所述自学习模块用于在处理模块判定目标对象人脸图片的特征数据与所述第一特征数据的差异性属于第二预设范围内时，利用目标对象人脸图片的特征数据更新第一特征数据，其中，所述第二预设范围包含于所述第一预设范围。

15.如权利要求14所述的装置，其特征在于，第一预设范围为小于或等于第一阈值，所述第二预设范围为大于或等于第二阈值且小于或等于第一阈值，其中，所述第二阈值小于所述第一阈值。

16.如权利要求13所述的装置，其特征在于，所述特征数据库中的特征数据以模板的形式存储；所述自学习模块包括：

第一更新子模块，用于在所述第一特征数据所属用户对应的模板数小于第一预设阈值时，将所述目标对象人脸图片的特征数据存为所述第一特征数据所属用户的新模板；

第二更新子模块，用于在所述第一特征数据所属用户对应的模板数大于或等于所述第一预设阈值时，利用所述特征数据替换所述第一用户的模板之一，或将所述特征数据融合入所述第一特征数据所属用户的模板之一。

17.如权利要求16所述的装置，其特征在于，所述特征数据库中的一个模板来自一次采集到的人脸图片。

18.如权利要求13所述的装置，其特征在于，所述采集的目标对象的人脸图片包括：泛光图像和/或结构光图像；所述获取模块包括：

第一获取子模块，用于在采集的所述目标对象的人脸图片为泛光图像时，根据所述泛光图像获取所述目标对象人脸图片的所述特征数据；

第二获取子模块，用于在采集的所述目标对象的人脸图片为结构光图像时，根据所述结构光图像获取所述目标对象人脸图片的所述特征数据；

第三获取子模块，用于在采集的所述目标对象的人脸图片包括泛光图像和结构光图像时，根据所述泛光图像和所述结构光图像获取所述目标对象人脸图片的所述特征数据。

19.如权利要求13所述的装置，其特征在于，还包括：3D防伪模块，用于在采集的目标对象的人脸图片包括结构光图像，则所述利用所述目标对象人脸图片的特征数据更新所述第一特征数据之前，根据所述目标对象的结构光图像进行3D人脸防伪；

所述自学习模块，用于在3D防伪模块防伪通过后，利用所述目标对象人脸图片的特征数据更新所述第一特征数据。

20.如权利要求13所述的装置，其特征在于，还包括：3D防伪模块，用于在比对所述目标对象人脸图片的特征数据和预存的特征数据库之前，根据所述目标对象的结构光图像进行3D人脸防伪；

所述比对模块，用于在3D防伪模块防伪通过后，比对所获取到的特征数据和预存的特征数据库。

21.如权利要求19或20所述的装置，其特征在于，所述3D防伪模块包括：

重建子模块，用于对所述结构光图像进行3D重建，获得重建图；

确认子模块，用于根据所述重建图确认是否来自真人；

防伪结果确认子模块，用于在确认来自真人时，确定所述3D人脸防伪通过。

22.一种人脸识别装置，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至12中任一项所述的人脸识别方法。

23.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的人脸识别方法。