CN111581620A - 一种用户识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种用户识别方法及装置，其中，所述方法包括：获取采集视频流中包含人脸的图像，并对所述图像进行预处理；将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析；若分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。根据本发明的技术方案，通过人脸识别进行用户识别以授权登录，并对结果进行分析和显示，操作简单方便。

Description

一种用户识别方法及装置

技术领域

本发明涉及数据处理领域，具体涉及一种用户识别方法及装置。

背景技术

设备安全一直是重中之重，近年来，国内发生了多起人员管理不当引起的误操作事件，造成了极大财产损失的恶劣影响，这使得网络安全与设备操作安全在当今时代变得越来越重要。伴随着现代科学技术的不断发展，图像识别技术逐渐的扩展到工业自动化、自然资源分析、生理病变研究和灾难气候发现等领域，人们开始尝试将图像识别技术运用于用户的管理的研究中。

目前对于用户的授权过程，现有的用户授权大都是通过用户自己输入用户密码，手工登陆设备进行进一步的操作，整个过程比较繁琐，用户体验不佳。

发明内容

本发明实施例提供一种用户识别方法及装置，通过人脸识别进行用户识别以授权登录，并对结果进行分析和显示，操作简单方便。

为达到上述目的，一方面，本发明实施例提供了一种用户识别方法，所述方法包括：

获取采集视频流中包含人脸的图像，并对所述图像进行预处理；

将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析；

若分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。

另一方面，本发明实施例提供了一种用户识别装置，所述装置包括：

信息获取单元，用于获取采集视频流中包含人脸的图像，并对所述图像进行预处理；

人脸识别单元，用于将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析；

授权登录单元，用于在分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。

上述技术方案具有如下有益效果：

本发明研究中实现的用户识别系统具备识别速度快和成本低的优点，具有很好的发展前景，既能单独地使用该系统进行识别，也能与传统的授权系统一同使用，从而进一步提高用户登陆的速度，减少登陆流程，提高用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明实施例一种用户识别方法的流程图；

图2是本发明实施例中一种用户识别装置的功能模块示意图；

图3是本发明实施例中训练神经网络模型部分的流程图；

图4是本发明实施例一种用户识别装置的结构示意图

图5是本发明又一实施例一种用户授权系统的总体结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，是本发明实施例一种用户识别方法的流程图，所述方法包括：

S101：获取采集视频流中包含人脸的图像，并对所述图像进行预处理。

优选地，所述获取采集视频流中包含人脸的图像，并对所述图像进行预处理，包括：使用OpenCV对采集视频流进行抽帧处理，获取包含人脸的图像；将所述包含人脸的图像进行缩放、归一化的预处理。

具体地，如图2所示，可利用客户端对监控视频流数据进行读取，对视频数据进行解析和抽帧处理后，使用TCP/IP协议将帧图像数据传输至服务器端；所述客户端，用于对监控视频进行抽帧处理，并将其发送至服务器端，此外还能进行一些基础的业务逻辑处理，如数据合法性检查等。服务器接收到传输的帧图像数据后，对每张图像进行缩放、归一化的预处理。所述服务器端，接收视频帧数据，并进行解码，生成对应的像素矩阵，并加载和恢复已训练的模型，对其进行人脸图像进行识别。最后对各帧图像的识别结果进行分析和判别，并将视频数据和判别结果实时地显示在UI界面上。

S102：将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析。

优选地，如图3所示，通过以下方法训练获得所述预先训练好的人脸识别模型：

基于openface深度学习框架，创建卷积神经网络模型；将已有用户的人脸图像分为用于训练集和测试集，并用所述训练集对模型进行训练，用所述测试集测试训练后的模型；选择测试准确率最高的模型作为训练好的人脸识别模型。

进一步地优选地，所述将已有用户的人脸图像分为用于训练集和测试集，并用所述训练集对模型进行训练，用所述测试集测试训练后的模型，包括：将已有用户的人脸图像分为用于训练集和测试集；从所述训练集中随机取设定数量的图像，依次输入至卷积神经网络模型，完成了一轮训练；重复上一步骤直至到达预定的训练轮数，每隔设定轮数以所述测试集测试一次训练中的卷积神经网络模型的交叉熵以得出所述模型的准确率，选取在测试集上准确率最高的模型进行保存。对选择的在测试集上表现最好的模型，对其训练过程进行监控，对该模型进行持久化操作；进一步地，为了便于进行测试和离线预测，需要加载和恢复表现最好的模型，向恢复的模型中输入图像的像素矩阵，经过计算图的运算后，模型输出识别结果，并将视频和识别结果实时显示在UI界面上。对模型输出的用户识别结果进行汇总，并存储在数据库中。

其中，在神经网络的前向传播过程中，卷积层输入特征图的尺寸in(length)×in

(width)与输出特征图的尺寸out(length)×out(width)的关系如下公式所示：

out(length)＝[in(length)-filter(length)+1]/stride(length)

out(width)＝[in(width)-filter(width)+1]/stride(width)

其中filter(length)和filter(width)代表卷积核的尺寸，stride(length)和stride(width)代表卷积核在特征图两个维度上移动的步长。

人脸图像识别属于二分类的图像分类问题，其交叉熵的计算公式如下所示：

L＝-[ylogy^+(1-y)log(1-y^)]

其中交叉熵L代表网络预测值与真实值的距离，即loss，y代表图像真实数据标签，y^代表图像预测数据标签。

S103：若分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。

本实施例中采用基于卷积神经网络的视频中用户识别方法，系统使用Python编程语言，采用了openface开源深度学习框架，在此基础上搭建了卷积神经网络用于人脸图像的识别，进而判别出是否识别出用户。

进一步地，所述方法还包括，获取并存储、管理用户在注册时提交的用户身份信息及用户登录密码，所述用户身份信息包括用户的人脸图像；将完成注册的用户标识为系统用户，并生成用户的授权信息；设置用户的授权登录权限包括人脸图像的识别确认。

对应于上述方法，如图4所示，是本发明实施例一种用户识别装置的结构示意图，所述装置包括：

信息获取单元21，用于获取采集视频流中包含人脸的图像，并对所述图像进行预处理；

人脸识别单元22，用于将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析；

授权登录单元23，用于在分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。

进一步地，所述装置还包括：

用户注册单元，用于根据接收用户提供的身份信息和用户登录密码进行用户注册，将完成注册的用户标识为系统用户，并生成用户的授权信息；

信息管理单元，用于存储并管理用户在注册时提交的用户身份信息及用户登录密码；

其中，所述用户身份信息包括用户的人脸图像，并设置用户的授权登录权限包括人脸图像的识别确认。

优选地，所述信息获取单元具体用于：

使用OpenCV对采集视频流进行抽帧处理，获取包含人脸的图像；

将所述包含人脸的图像进行缩放、归一化的预处理。

优选地，还包括模型训练单元，用于：

基于openface深度学习框架，创建卷积神经网络模型；

将已有用户的人脸图像分为用于训练集和测试集，并用所述训练集对模型进行训练，用所述测试集测试训练后的模型；

选择测试准确率最高的模型作为训练好的人脸识别模型。

进一步优选地，所述模型训练单元具体用于：

将已有用户的人脸图像分为用于训练集和测试集；

从所述训练集中随机取设定数量的图像，依次输入至卷积神经网络模型，完成了一轮训练；

重复上一步骤直至到达预定的训练轮数，每隔设定轮数以所述测试集测试一次训练中的卷积神经网络模型的交叉熵以得出所述模型的准确率，选取在测试集上准确率最高的模型进行保存。

如图5所示，是本发明又一实施例一种用户授权系统的结构示意图，所述装置包括：用户登录注册模块、用户信息管理模块、用户人脸识别模块和自动登陆模块；

所述用户登录注册模块提供用户注册账号，重置密码功能，同时根据识别的用户人脸信息判断其身份和权限实现用户登录功能；

对于管理员用户而言，该模块仅提供登录功能；对于普通用户而言，该模块提供登录功能、注册功能和重置密码功能；所述的用户登录功能需要检测出用户的人脸信息并提交给系统，向数据库的用户模型中查询相应的密码。如果返回结果为空，则说明对应用户不存在。只有当用户输入的人脸信息在数据库中查询到相匹配的人脸模型时，系统才会显示相应的跳转界面；

所述的用户注册功能是针对于普通用户而言的，用户可以输入账号、密码、电话、邮箱地址等信息进行注册，后台会对这些信息进合法性判断，如果信息全都合法则在数据库的用户信息表中新增一条数据，并采用户的人脸信息进行训练，生成新的人脸模型；所述的用户重置密码功能也是针对普通用户而言的，当用户忘记密码时，可以在找回密码页面输入账号和验证信息，当验证信息正确时，系统会允许用户进行密码重置，并修改用户信息表中相应的密码信息。

所述用户信息管理模块用于对用户的账号密码信息和个人基本信息进行维护，在用户信息发生改变时，用户对信息自助进行修改，此外为了保障账号安全，用户对密码进行修改操作；对于管理员用户而言，拥有对所有用户的信息进行管理的权限，具体包括用户信息的查询、修改和删除。而对于普通用户而言，只能对用户自己的信息进行修改，具体包括修改个人基本信息和修改密码；

所述的对所有用户进行管理，是指管理员用户可以根据用户信息对用户进行查询，后台的业务逻辑类会根据其输入的用户信息，调用相应的数据访问类中查询方法，从数据库中查询出对应的用户信息，并将其返回到业务逻辑层，最终显示在管理员界面上。随后，管理员用户可以对这条数据进行修改和删除，后台会调用相应的修改方法和删除方法，并给管理员用户处理结果的提示；

所述的用户对自己信息进行管理，是指普通用户可以对自己的个人基本信息进行修改，也可以对密码进行修改，其中个人基本信息的修改与管理员修改信息的流程基本一致。用户在修改密码时，需要提供当前密码与新密码，在后台程序验证当前密码无误后，会修改数据库用户信息表中的密码信息，并将修改成功的提示返回给用户。

所述用户人脸识别模块根据用户的身份对其权限内的可操控设备信息和人脸识别信息进行查看，系统后台会通过读取已持久化的卷积神经网络模型，对视频的各帧图像用户识别，并将相应信息存入数据库，最后对识别的结果进行分析和整合，实时判别视频中用户情况；

对于管理员用户而言，可以查看所有监控视频的用户识别信息，还可以对所有设备信息进行管理，包括设备信息的增加、删除、修改和查询。而对于普通用户而言，可以查看自己权限内的监控设备信息和监控视频用户识别信息；

所述自动登陆模块是用户识别系统根据视频实时对用户进行识别，当识别出用户时实时在系统界面上显示用户的授权信息，并自动登陆设备。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用户识别方法，其特征在于，包括：

获取采集视频流中包含人脸的图像，并对所述图像进行预处理；

将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析；

若分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。

2.如权利要求1所述的用户识别方法，其特征在于，还包括：

获取并存储、管理用户在注册时提交的用户身份信息及用户登录密码，所述用户身份信息包括用户的人脸图像；

将完成注册的用户标识为系统用户，并生成用户的授权信息；

设置用户的授权登录权限包括人脸图像的识别确认。

3.如权利要求2所述的用户识别方法，其特征在于，所述获取采集视频流中包含人脸的图像，并对所述图像进行预处理，包括：

使用OpenCV对采集视频流进行抽帧处理，获取包含人脸的图像；

将所述包含人脸的图像进行缩放、归一化的预处理。

4.如权利要求3所述的用户识别方法，其特征在于，通过以下方法训练获得所述预先训练好的人脸识别模型：

基于openface深度学习框架，创建卷积神经网络模型；

将已有用户的人脸图像分为用于训练集和测试集，并用所述训练集对模型进行训练，用所述测试集测试训练后的模型；

选择测试准确率最高的模型作为训练好的人脸识别模型。

5.如权利要求4所述的用户识别方法，其特征在于，所述将已有用户的人脸图像分为用于训练集和测试集，并用所述训练集对模型进行训练，用所述测试集测试训练后的模型，包括：

将已有用户的人脸图像分为用于训练集和测试集；

从所述训练集中随机取设定数量的图像，依次输入至卷积神经网络模型，完成了一轮训练；

重复上一步骤直至到达预定的训练轮数，每隔设定轮数以所述测试集测试一次卷积神经网络模型的交叉熵以得出所述模型的准确率，选取在测试集上准确率最高的模型进行保存。

6.一种用户识别装置，其特征在于，包括：

信息获取单元，用于获取采集视频流中包含人脸的图像，并对所述图像进行预处理；

人脸识别单元，用于将预处理后的图像通过预先训练好的人脸识别模型进行人脸识别，并将识别出的人脸信息进行存储与分析；

授权登录单元，用于在分析判断出图像中的人脸信息对应为系统用户时，将所述用户的授权信息进行显示并为所述用户授权登录。

7.如权利要求6所述的用户识别装置，其特征在于，还包括：

用户注册单元，用于根据接收用户提供的身份信息和用户登录密码进行用户注册，将完成注册的用户标识为系统用户，并生成用户的授权信息；

信息管理单元，用于存储并管理用户在注册时提交的用户身份信息及用户登录密码；

其中，所述用户身份信息包括用户的人脸图像，并设置用户的授权登录权限包括人脸图像的识别确认。

8.如权利要求7所述的用户识别装置，其特征在于，所述信息获取单元具体用于：

使用OpenCV对采集视频流进行抽帧处理，获取包含人脸的图像；

将所述包含人脸的图像进行缩放、归一化的预处理。

9.如权利要求8所述的用户识别装置，其特征在于，还包括模型训练单元，用于：

基于openface深度学习框架，创建卷积神经网络模型；

将已有用户的人脸图像分为用于训练集和测试集，并用所述训练集对模型进行训练，用所述测试集测试训练后的模型；

选择测试准确率最高的模型作为训练好的人脸识别模型。

10.如权利要求9所述的用户识别装置，其特征在于，所述模型训练单元具体用于：

将已有用户的人脸图像分为用于训练集和测试集；

从所述训练集中随机取设定数量的图像，依次输入至卷积神经网络模型，完成了一轮训练；

重复上一步骤直至到达预定的训练轮数，每隔设定轮数以所述测试集测试一次训练中的卷积神经网络模型的交叉熵以得出所述模型的准确率，选取在测试集上准确率最高的模型进行保存。

Images