CN112132074A - 人脸图像验证方法、装置、计算机设备及存储介质 - Google Patents

人脸图像验证方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112132074A
CN112132074A CN202011041188.6A CN202011041188A CN112132074A CN 112132074 A CN112132074 A CN 112132074A CN 202011041188 A CN202011041188 A CN 202011041188A CN 112132074 A CN112132074 A CN 112132074A
Authority
CN
China
Prior art keywords
face
face image
verified
image
preset
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.)
Pending
Application number
CN202011041188.6A
Other languages
English (en)
Inventor
蒋波
罗佳
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.)
Ping An Pension Insurance Corp
Original Assignee
Ping An Pension Insurance Corp
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 Ping An Pension Insurance Corp filed Critical Ping An Pension Insurance Corp
Priority to CN202011041188.6A priority Critical patent/CN112132074A/zh
Publication of CN112132074A publication Critical patent/CN112132074A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸图像验证方法、装置、计算机设备及存储介质，涉及人工智能领域，该方法包括：若接收到人脸识别验证请求，开启摄像头，并采集初始人脸图像；从人脸图像中裁剪人脸区域得到待验证人脸图像，根据待验证人脸图像的完整度以及清晰度获取所述人脸图像的评分值；判断待验证人脸图像的评分值是否大于预设的评分阈值；若是，将其发送给预设的人脸识别服务器，以由人脸识别服务器对其进行验证，从而避免终端将不合格的人脸图像发送给人脸识别服务器，减少二者之间的交互次数，降低了服务器的负载。该方法可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧医疗/智慧教育/智慧交通场景中，从而推动智慧城市的建设。

Description

人脸图像验证方法、装置、计算机设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人脸图像验证方法、装置、计算机设备及存储介质。
背景技术
目前，基于人脸识别的应用程序非常丰富，使用场景包括身份认证、移动端安全应用、交通违法管理、旅游景区人流统计以及人工智能等。
上述人脸识别的方法通常为，由终端采集待验证人脸图像，并将待验证人脸图像发送给服务器。服务器判断该待验证人脸图像是否满足要求。若不满足要求，则向终端返回识别错误提示信息，以由终端重新采集待验证人脸图像。对于一些摄像头硬件配置较差的终端，其难以采集到合格的人脸照片，通过现有技术的方法会使得终端频繁与服务器交互，加重了服务器的负载。
发明内容
本发明实施例提供了一种人脸图像验证方法、装置、计算机设备及存储介质，旨在解决现有人脸识别方法中服务器负载重的问题。
第一方面，本发明实施例提供了一种人脸图像验证方法，其包括：
若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
第二方面，本发明实施例还提供了一种人脸图像验证装置，其包括：
开启单元，用于若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
采集单元，用于接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
剪裁单元，用于通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
评价单元，用于根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
第一判断单元，用于判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
第一发送单元，用于若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
第二发送单元，用于接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种人脸图像验证方法、装置、计算机设备及存储介质。其中，方法包括，若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；判断所述待验证人脸图像的评分值是否大于预设的评分阈值；若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。由于发送给人脸识别服务器的评分值大于预设的评分阈值，使得该待验证人脸图像能够满足人脸识别需求，从而避免终端将不合格的待验证人脸图像发送给人脸识别服务器，减少终端与人脸识别服务器之间的交互次数，降低了服务器的负载。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的一种人脸图像验证方法的应用场景示意图；
图2为本发明实施例提供的一种人脸图像验证方法的流程示意图；
图3为本发明实施例提供的一种人脸图像验证方法的子流程示意图；
图4为本发明实施例提供的一种人脸图像验证方法的子流程示意图；
图5为本发明实施例提供的一种人脸图像验证方法的子流程示意图；
图6为本发明实施例提供的一种人脸图像验证方法的子流程示意图；
图7为本发明实施例提供的一种人脸图像验证方法的子流程示意图；
图8为本发明实施例提供的一种人脸图像验证装置的示意性框图；
图9为本发明实施例提供的一种人脸图像验证装置的采集单元的示意性框图；
图10为本发明实施例提供的一种人脸图像验证装置的评价单元的示意性框图；
图11为本发明实施例提供的一种人脸图像验证装置的评价单元的第一获取单元的示意性框图；
图12为本发明实施例提供的一种人脸图像验证装置的第一判断单元的示意性框图；
图13为本发明实施例提供的一种人脸图像验证装置的剪裁单元的示意性框图；
图14为本发明实施例提供的一种计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1和图2，图1为本发明实施例提供的人脸图像验证方法的应用场景示意图。图2为本发明实施例提供的人脸图像验证方法的示意性流程图。该人脸图像验证方法应用于终端1中。若接收到应用程序发送的人脸识别验证请求，终端1开启摄像头；终端1接收摄像头发送的视频流，并从所述视频流中采集初始人脸图像；终端1通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；终端1根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；终端1判断所述待验证人脸图像的评分值是否大于预设的评分阈值；若所述待验证人脸图像的评分值大于预设的评分阈值，终端1将所述待验证人脸图像发送给预设的人脸识别服务器2，以由所述人脸识别服务器2对所述待验证人脸图像进行验证；终端1接收人脸识别服务器2返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
图2是本发明实施例提供的人脸图像验证方法的流程示意图。如图所示，该方法包括以下步骤S1-S7。
S1，若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头。
具体实施中，如果接收到应用程序发送的人脸识别验证请求，开启终端的摄像头。即启动终端的摄像头，由摄像头拍摄用户的待验证人脸图像。
人脸识别验证请求可由终端内安装的应用程序发起。例如，应用程序在登录时，可向终端发起人脸识别验证请求，以验证用户的身份。应用程序在校验用户的身份时，可向终端发起人脸识别验证请求。
S2，接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像。
具体实施中，接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像。初始人脸图像是指由摄像头采集，且未经过剪裁的人脸图像。初始人脸图像中除了人脸以外，还包括与人脸无关的背景。背景将会对人脸识别造成影响。
具体实施中，视频流包含多帧图像，逐一检测各帧图像中是否存在人脸，若存在，则截取该帧图像，得到初始人脸图像。若不存在，则继续检测，直到检测到初始人脸图像为止。
参见图3，在一实施例中，通过人脸检测插件来识别并采集初始人脸图像。人脸检测插件可例如为tracking.js或face-api.js。具体地，步骤S2包括如下步骤：
S21，将摄像头发送的视频流输入到预设的人脸检测插件中。
具体实施中，将摄像头发送的视频流输入到预设的人脸检测插件中。人脸检测插件可例如为tracking.js或face-api.js。
需要说明的是，tracking.js在识别精准度上弱于以经过万张以上人脸训练的face-api.js。但tracking.js较为轻巧，仅需十几kb，face-api.js包含三种不同体量的神经模块，最大可达十几mb，因此可根据终端的硬件条件选择合适的人脸检测插件。
tracking.js以及face-api.js均可从互联网中下载获取。
S22，接收人脸检测插件返回的检测应答消息，所述检测应答消息包含初始人脸图像。
具体实施中，人脸检测插件逐帧检测视频流中是否存在初始人脸图像，若存在人脸检测插件截取初始人脸图像，并向终端返回检测应答消息，所述检测应答消息包含检测到的初始人脸图像。
若不存在，则继续检测，直到检测到初始人脸图像为止。
S3，通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到。
具体实施中，通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，以避免无关背景对人脸识别的干扰，提高识别的准确性。
第一目标检测模型可例如为YOLO。YOLO(You Only Look Once)是一种基于深度神经网络的目标检测模型。YOLO的版本目前总共有三种，分别为YOLO V1、YOLO V2以及YOLOV3。
需要说明的是，YOLO仅仅是第一目标检测模型的一个示例，本领域技术人员还可以采用其他第一目标检测模型，这并不会超出本发明的保护范围。
所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到。
具体地，首先，预先通过大量经过标注人脸区域的人脸样本图像来对第一目标检测模型进行训练，使得第一目标检测模型具有识别人脸要素的能力。
之后，将所述初始人脸图像输入到训练后的第一目标检测模型中，以通过训练后的第一目标检测模型来检测识别初始人脸图像中的人脸区域。
参见图4，在一实施例中，以上步骤S3具体包括如下步骤：S31-S32。
S31，将所述初始人脸图像输入到预训练的第一目标检测模型中。
具体实施中，将所述初始人脸图像输入到预训练的第一目标检测模型中。第一目标检测模型将识别并标注所述初始人脸图像中的人脸区域。
S32，接收所述第一目标检测模型返回的第一检测结果，所述第一检测结果包含所述第一目标检测模型在所述待验证人脸图像中检测到的人脸区域。
具体实施中，接收所述第一目标检测模型返回的第一检测结果，所述第一检测结果包含所述第一目标检测模型在所述待验证人脸图像中检测到的人脸区域。
S4，根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值。
具体实施中，根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值。
清晰度是指图像的清晰程度，清晰度可通过预设的清晰度评价函数来计算。
完整度是指检测到的待验证人脸图像的完整程度。本方案中，待验证人脸图像的完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值。
人脸要素是指人脸中的关键要素，例如，眉毛、眼睛、鼻子、嘴巴以及耳朵。人脸要素总数是指人脸中人脸要素的数量和。通常在人脸中，包括2眉毛、2眼睛、1鼻子、1嘴巴以及2耳朵。因此，人脸要素总数设定为8。
例如，在一实施例中，待验证人脸图像中人脸要素的数量为6，则该待验证人脸图像的完整度为75％。
具体地，构造评分函数，评分函数的变量为待验证人脸图像的完整度以及清晰度。并通过评分函数计算所述待验证人脸图像的评分值。
评分值越高说明待验证人脸图像的质量越高。评分值越低说明待验证人脸图像的质量越低。
参见图5，在一实施例中，以上步骤S4具体包括如下步骤：S41-S43。
S41，获取所述待验证人脸图像的完整度。
待验证人脸图像的完整度为待验证人脸图像的人脸要素的数量与预设的人脸要素总数的比值。
人脸要素是指人脸中的关键要素，例如，眉毛、眼睛、鼻子、嘴巴以及耳朵。人脸要素总数是指人脸中人脸要素的数量和。通常在人脸中，包括2眉毛、2眼睛、1鼻子、1嘴巴以及2耳朵。因此，人脸要素总数设定为8。
例如，在一实施例中，待验证人脸图像中人脸要素的数量为6，则该待验证人脸图像的完整度为75％。
参见图6，在一实施例中，以上步骤S41包括如下步骤：S411-S413。
S411，将所述待验证人脸图像输入到预训练的第二目标检测模型中，所述第二目标检测模型由标注了人脸要素的人脸样本图像训练得到。
具体实施中，将所述待验证人脸图像输入到预训练的第二目标检测模型中。
第二目标检测模型可例如为YOLO。YOLO(You Only Look Once)是一种基于深度神经网络的目标检测模型。YOLO的版本目前总共有三种，分别为YOLO V1、YOLO V2以及YOLOV3。
需要说明的是，YOLO仅仅是第二目标检测模型的一个示例，本领域技术人员还可以采用其他第二目标检测模型，这并不会超出本发明的保护范围。
所述第二目标检测模型由标注了人脸要素的人脸样本图像训练得到。
具体地，首先，预先通过大量经过标注人脸要素的人脸样本图像来对第二目标检测模型进行训练，使得第二目标检测模型具有识别人脸要素的能力。
之后，将所述待验证人脸图像输入到训练后的第二目标检测模型中，以通过训练后的第二目标检测模型来检测识别待验证人脸图像中的人脸要素。
S412，接收所述第二目标检测模型返回的第二检测结果，所述第二检测结果包含所述第二目标检测模型在所述待验证人脸图像中检测到的人脸要素。
具体实施中，接收所述第二目标检测模型返回的检测结果。具体地，所述第二检测结果包含所述第二目标检测模型在所述待验证人脸图像中检测到的人脸要素。
S413，根据所述第二检测结果包含的人脸要素的数量以及预设的人脸要素总数确定所述待验证人脸图像的完整度。
具体实施中，所述第二检测结果包含的人脸要素的数量，然后根据所述第二检测结果包含的人脸要素的数量以及预设的人脸要素总数确定所述待验证人脸图像的完整度。
例如，在一实施例中，预设的人脸要素总数为8，待验证人脸图像中人脸要素的数量为6，则该待验证人脸图像的完整度为75％。
S,42，获取所述待验证人脸图像的清晰度。
具体实施中，待验证人脸图像的清晰度可通过预设的清晰度评价函数来计算。
清晰度评价函数可例如为Tenengrad评价函数、Laplacian梯度函数或SMD(Sum ofModulus of gray Difference，灰度差分绝对值之和)函数。
需要说明的是，Tenengrad评价函数、Laplacian梯度函数或SMD函数仅仅是清晰度评价函数的一个示例，本领域技术人员还可以采用其他清晰度评价函数，则并不会超出本发明的保护范围。
可以理解地，步骤S41与步骤S42无特定执行顺序，或者步骤S41与步骤S42可并行执行。
S43，根据公式S＝K1A+K2B计算所述待验证人脸图像的评分值，其中S为评分值、K1为预设的第一权重值、A为完整度、K2为预设的第二权重值以及B为清晰度。
具体实施中，根据公式S＝K1A+K2B计算所述待验证人脸图像的评分值，其中S为评分值、K1为预设的第一权重值、A为完整度、K2为预设的第二权重值以及B为清晰度
K1以及K2分别为完整度以及清晰度的权重值，K1以及K2由本领域技术人员预先设定，本发明不做具体限定。
S5，判断所述待验证人脸图像的评分值是否大于预设的评分阈值。
具体实施中，判断所述待验证人脸图像的评分值是否大于预设的评分阈值。
需要说明的是，评分阈值，可由本领域技术人员预先设定。对于不同的应用场景可设定不同的评分阈值。例如，对于金融、证券等交易场景下，可设定相应较高的阈值。
在一实施例中，若所述待验证人脸图像的评分值不大于预设的评分阈值，返回所述接收终端的摄像头发送的视频流，并从所述视频流中采集待验证人脸图像的步骤。
具体实施中，如果所述待验证人脸图像的评分值不大于预设的评分阈值，则说明该待验证人脸图像不满足要求。因此返回所述接收终端的摄像头发送的视频流，并从所述视频流中采集待验证人脸图像的步骤，以重新采集待验证人脸图像，并重新执行步骤S2-S5，直到采集到的待验证人脸图像的评分值大于预设的评分阈值为止。
参见图7，在一实施例中，所述人脸识别验证请求所包含的请求类型，请求类型可具体包括登录请求、交易请求以及转账请求等。以上步骤S4具体包括如下步骤：
S51，获取所述人脸识别验证请求所包含的请求类型作为目标请求类型。
具体实施中，获取所述人脸识别验证请求所包含的请求类型作为目标请求类型。
请求类型可具体包括登录请求、交易请求以及转账请求等。
S52，从预设的请求类型-阈值对应表中获取所述目标请求类型对应的评分阈值作为目标评分阈值。
具体实施中，请求类型-阈值对应表记录了各请求类型所对应的评分阈值。在确定了人脸识别验证请求的请求类型(目标请求类型)后，从预设的请求类型-阈值对应表中获取所述目标请求类型对应的评分阈值作为目标评分阈值。
S53，判断所述待验证人脸图像的评分值是否大于所述目标评分阈值。
具体实施中，判断所述待验证人脸图像的评分值是否大于所述目标评分阈值。
若是，则说明该待验证人脸图像满足要求，转到步骤S5。否则，说明该待验证人脸图像不满足要求，需要重新采集待验证人脸图像。
S6，若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器。
具体实施中，若所述待验证人脸图像的评分值大于预设的评分阈值，则说明该待验证人脸图像是满足要求的，因此将所述待验证人脸图像发送给预设的人脸识别服务器。
在一实施例中，以上步骤S5具体包括：将所述待验证人脸图像转换为Base64格式的图片文件，并将所述图片文件发送给人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证。
具体地，可通过预设的Base64编码转换工具来转换。将待验证人脸图像转换为Base64格式，一方面可提高数据传输的安全性，避免用户的人脸数据泄露，另一方面可提高数据传输的效率。
相应地，人脸识别服务器首先根据前端已记录的用户账号检索用户信息数据库中的待验证人脸图像数据。
人脸识别服务器把终端发送的待验证人脸图像和数据库检索已记录的待验证人脸图像打包发送到开放的人脸比对服务器，以由人脸比对服务器来对待验证人脸图像进行校验。
之后，人脸识别服务器将待验证人脸图像的验证结果返回给终端。
S7，接收所述人脸识别服务器返回的人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
具体实施中，所述人脸识别验证请求由应用程序发起，例如，应用程序在登录时，可向终端发起人脸识别验证请求，以验证用户的身份。
终端接收人脸识别服务器返回的人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
应用程序根据所述人脸识别验证结果判断用户的身份是否合法。如果用户的身份合法，则响应用户的请求(例如，允许用户登录)；否则拒绝用户的请求。
本发明提出的人脸图像验证方法可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通场景中，从而推动智慧城市的建设。
例如，在办理政务、交通违法管理以及旅游景区人流统计等需要身份验证的实际应用场景中。
本发明的技术方案，若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；判断所述待验证人脸图像的评分值是否大于预设的评分阈值；若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。由于发送给人脸识别服务器的评分值大于预设的评分阈值，使得该待验证人脸图像能够满足人脸识别需求，从而避免终端将不合格的待验证人脸图像发送给人脸识别服务器，减少终端与人脸识别服务器之间的交互次数，降低了服务器的负载。
图8是本发明实施例提供的一种人脸图像验证装置70的示意性框图。如图8所示，对应于以上人脸图像验证方法，本发明还提供一种人脸图像验证装置70。该人脸图像验证装置70包括用于执行上述人脸图像验证方法的单元，该人脸图像验证装置70可以被配置于台式电脑、平板电脑、手提电脑以及自助业务办理机等终端中。具体地，请参阅图8，该人脸图像验证装置70包括开启单元71、采集单元72、剪裁单元73、评价单元74、第一判断单元75、第一发送单元76以及第二发送单元77。
71开启单元，用于若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
72采集单元，用于接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
73剪裁单元，用于通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
74评价单元，用于根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
75第一判断单元，用于判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
76第一发送单元，用于若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
77第二发送单元，用于接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
在一实施例中，如图9所示，所述采集单元72包括第一输入单元721以及第一接收单元722。
第一输入单元721，用于将摄像头发送的视频流输入到预设的人脸检测插件中；
第一接收单元722，用于接收人脸检测插件返回的检测应答消息，所述检测应答消息包含待验证人脸图像。
在一实施例中，如图10所示，所述评价单元74包括第一获取单元741、第二获取单元742以及计算单元743。
第一获取单元741，用于获取所述待验证人脸图像的完整度；
第二获取单元742，用于获取所述待验证人脸图像的清晰度；
计算单元743，用于根据公式S＝K1A+K2B计算所述待验证人脸图像的评分值，其中S为评分值、K1为预设的第一权重值、A为完整度、K2为预设的第二权重值以及B为清晰度。
在一实施例中，如图11所示，所述第一获取单元741包括第二输入单元7411、第二接收单元7412以及确定单元。
第二输入单元7411，用于将所述待验证人脸图像输入到预训练的第二目标检测模型中，所述第二目标检测模型由标注了人脸要素的人脸样本图像训练得到；
第二接收单元7412，接收所述第二目标检测模型返回的第二检测结果，所述第二检测结果包含所述第二目标检测模型在所述待验证人脸图像中检测到的人脸要素。
确定单元7413，用于根据所述第二检测结果包含的人脸要素的数量以及预设的人脸要素总数确定所述待验证人脸图像的完整度。
在一实施例中，如图12所示，所述第一判断单元75包括第三获取单元751、第四获取单元752以及第二判断单元753。
第三获取单元751，用于获取所述人脸识别验证请求所包含的请求类型作为目标请求类型；
第四获取单元752，用于从预设的请求类型-阈值对应表中获取所述目标请求类型对应的评分阈值作为目标评分阈值；
第二判断单元753，用于判断所述待验证人脸图像的评分值是否大于所述目标评分阈值。
在一实施例中，如图13所示，所述剪裁单元73包括第三输入单元731以及第三接收单元732。
第三输入单元731，用于将所述初始人脸图像输入到预训练的第一目标检测模型中；
第三接收单元732，用于接收所述第一目标检测模型返回的第一检测结果，所述第一检测结果包含所述第一目标检测模型在所述待验证人脸图像中检测到的人脸区域。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述人脸图像验证装置70和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述人脸图像验证装置70可以实现为一种计算机程序的形式，该计算机程序可以在如图14所示的计算机设备上运行。
请参阅图14，图14是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。
参阅图14，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种人脸图像验证方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种人脸图像验证方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
在一实施例中，处理器502在实现所述从所述视频流中采集待验证人脸图像步骤时，具体实现如下步骤：
将摄像头发送的视频流输入到预设的人脸检测插件中；
接收人脸检测插件返回的检测应答消息，所述检测应答消息包含待验证人脸图像。
在一实施例中，处理器502在实现所述通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域步骤时，具体实现如下步骤：
将所述初始人脸图像输入到预训练的第一目标检测模型中；
接收所述第一目标检测模型返回的第一检测结果，所述第一检测结果包含所述第一目标检测模型在所述待验证人脸图像中检测到的人脸区域。
在一实施例中，处理器502在实现所述根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值步骤时，具体实现如下步骤：
获取所述待验证人脸图像的完整度；
获取所述待验证人脸图像的清晰度；
根据公式S＝K1A+K2B计算所述待验证人脸图像的评分值，其中S为评分值、K1为预设的第一权重值、A为完整度、K2为预设的第二权重值以及B为清晰度。
在一实施例中，处理器502在实现所述获取所述待验证人脸图像的完整度步骤时，具体实现如下步骤：
将所述待验证人脸图像输入到预训练的第二目标检测模型中，所述第二目标检测模型由标注了人脸要素的人脸样本图像训练得到；
接收所述第二目标检测模型返回的第二检测结果，所述第二检测结果包含所述第二目标检测模型在所述待验证人脸图像中检测到的人脸要素；
根据所述第二检测结果包含的人脸要素的数量以及预设的人脸要素总数确定所述待验证人脸图像的完整度。
在一实施例中，处理器502在实现所述判断所述待验证人脸图像的评分值是否大于预设的评分阈值步骤时，具体实现如下步骤：
获取所述人脸识别验证请求所包含的请求类型作为目标请求类型；
从预设的请求类型-阈值对应表中获取所述目标请求类型对应的评分阈值作为目标评分阈值；
判断所述待验证人脸图像的评分值是否大于所述目标评分阈值。
在一实施例中，处理器502还实现如下步骤：
若所述待验证人脸图像的评分值不大于预设的评分阈值，返回所述接收终端的摄像头发送的视频流，并从所述视频流中采集待验证人脸图像的步骤。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤：
若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
在一实施例中，所述处理器在执行所述计算机程序而实现所述从所述视频流中采集待验证人脸图像步骤时，具体实现如下步骤：
将摄像头发送的视频流输入到预设的人脸检测插件中；
接收人脸检测插件返回的检测应答消息，所述检测应答消息包含待验证人脸图像。
在一实施例中，所述处理器在执行所述计算机程序而实现所述通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域步骤时，具体实现如下步骤：
将所述初始人脸图像输入到预训练的第一目标检测模型中；
接收所述第一目标检测模型返回的第一检测结果，所述第一检测结果包含所述第一目标检测模型在所述待验证人脸图像中检测到的人脸区域。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值步骤时，具体实现如下步骤：
获取所述待验证人脸图像的完整度；
获取所述待验证人脸图像的清晰度；
根据公式S＝K1A+K2B计算所述待验证人脸图像的评分值，其中S为评分值、K1为预设的第一权重值、A为完整度、K2为预设的第二权重值以及B为清晰度。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取所述待验证人脸图像的完整度步骤时，具体实现如下步骤：
将所述待验证人脸图像输入到预训练的第二目标检测模型中，所述第二目标检测模型由标注了人脸要素的人脸样本图像训练得到；
接收所述第二目标检测模型返回的第二检测结果，所述第二检测结果包含所述第二目标检测模型在所述待验证人脸图像中检测到的人脸要素；
根据所述第二检测结果包含的人脸要素的数量以及预设的人脸要素总数确定所述待验证人脸图像的完整度。
在一实施例中，所述处理器在执行所述计算机程序而实现所述判断所述待验证人脸图像的评分值是否大于预设的评分阈值步骤时，具体实现如下步骤：
获取所述人脸识别验证请求所包含的请求类型作为目标请求类型；
从预设的请求类型-阈值对应表中获取所述目标请求类型对应的评分阈值作为目标评分阈值；
判断所述待验证人脸图像的评分值是否大于所述目标评分阈值。
在一实施例中，所述处理器在执行所述计算机程序还实现如下步骤：
若所述待验证人脸图像的评分值不大于预设的评分阈值，返回所述接收终端的摄像头发送的视频流，并从所述视频流中采集待验证人脸图像的步骤。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
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，尚且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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种人脸图像验证方法，其特征在于，包括：
若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
2.根据权利要求1所述的人脸图像验证方法，其特征在于，所述从所述视频流中采集待验证人脸图像，包括：
将摄像头发送的视频流输入到预设的人脸检测插件中；
接收人脸检测插件返回的检测应答消息，所述检测应答消息包含初始人脸图像。
3.根据权利要求1所述的人脸图像验证方法，其特征在于，所述通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，包括:
将所述初始人脸图像输入到预训练的第一目标检测模型中；
接收所述第一目标检测模型返回的第一检测结果，所述第一检测结果包含所述第一目标检测模型在所述待验证人脸图像中检测到的人脸区域。
4.根据权利要求1所述的人脸图像验证方法，其特征在于，所述根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，包括：
获取所述待验证人脸图像的完整度；
获取所述待验证人脸图像的清晰度；
根据公式S＝K1A+K2B计算所述待验证人脸图像的评分值，其中S为评分值、K1为预设的第一权重值、A为完整度、K2为预设的第二权重值以及B为清晰度。
5.根据权利要求4所述的人脸图像验证方法，其特征在于，所述获取所述待验证人脸图像的完整度，包括：
将所述待验证人脸图像输入到预训练的第二目标检测模型中，所述第二目标检测模型由标注了人脸要素的人脸样本图像训练得到；
接收所述第二目标检测模型返回的第二检测结果，所述第二检测结果包含所述第二目标检测模型在所述待验证人脸图像中检测到的人脸要素；
根据所述第二检测结果包含的人脸要素的数量以及预设的人脸要素总数确定所述待验证人脸图像的完整度。
6.根据权利要求1所述的人脸图像验证方法，其特征在于，所述人脸识别验证请求所包含的请求类型，所述判断所述待验证人脸图像的评分值是否大于预设的评分阈值，包括：
获取所述人脸识别验证请求所包含的请求类型作为目标请求类型；
从预设的请求类型-阈值对应表中获取所述目标请求类型对应的评分阈值作为目标评分阈值；
判断所述待验证人脸图像的评分值是否大于所述目标评分阈值。
7.根据权利要求1所述的人脸图像验证方法，其特征在于，所述方法还包括：
若所述待验证人脸图像的评分值不大于预设的评分阈值，返回所述接收终端的摄像头发送的视频流，并从所述视频流中采集待验证人脸图像的步骤。
8.一种人脸图像验证装置，其特征在于，包括：
开启单元，用于若接收到应用程序发送的人脸识别验证请求，开启终端的摄像头；
采集单元，用于接收终端的摄像头发送的视频流，并从所述视频流中采集初始人脸图像；
剪裁单元，用于通过预训练的第一目标检测模型获取所述初始人脸图像中的人脸区域，并将所述人脸区域从所述初始人脸图像中剪裁出来作为待验证人脸图像，所述第一目标检测模型由标注了人脸区域的人脸样本图像训练得到；
评价单元，用于根据所述待验证人脸图像的完整度以及清晰度获取所述待验证人脸图像的评分值，所述完整度为待验证人脸图像包含的人脸要素的数量与预设的人脸要素总数的比值；
第一判断单元，用于判断所述待验证人脸图像的评分值是否大于预设的评分阈值；
第一发送单元，用于若所述待验证人脸图像的评分值大于预设的评分阈值，将所述待验证人脸图像发送给预设的人脸识别服务器，以由所述人脸识别服务器对所述待验证人脸图像进行验证；
第二发送单元，用于接收人脸识别服务器返回到人脸识别验证结果，并将所述人脸识别验证结果发送给应用程序。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
CN202011041188.6A 2020-09-28 2020-09-28 人脸图像验证方法、装置、计算机设备及存储介质 Pending CN112132074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011041188.6A CN112132074A (zh) 2020-09-28 2020-09-28 人脸图像验证方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011041188.6A CN112132074A (zh) 2020-09-28 2020-09-28 人脸图像验证方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112132074A true CN112132074A (zh) 2020-12-25

Family

ID=73843312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011041188.6A Pending CN112132074A (zh) 2020-09-28 2020-09-28 人脸图像验证方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112132074A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679546A (zh) * 2017-08-17 2018-02-09 平安科技（深圳）有限公司 人脸图像数据采集方法、装置、终端设备及存储介质
CN110751025A (zh) * 2019-09-06 2020-02-04 平安普惠企业管理有限公司 基于人脸识别的业务办理方法、装置、设备及介质
CN110826519A (zh) * 2019-11-14 2020-02-21 深圳市华付信息技术有限公司 人脸遮挡检测方法、装置、计算机设备及存储介质
CN110825765A (zh) * 2019-10-23 2020-02-21 中国建设银行股份有限公司 一种人脸识别的方法和装置
CN111199186A (zh) * 2019-12-03 2020-05-26 恒大智慧科技有限公司 图像质量评分模型训练方法、装置、设备及存储介质
CN111210402A (zh) * 2019-12-03 2020-05-29 恒大智慧科技有限公司 人脸图像质量评分方法、装置、计算机设备及存储介质
CN111325051A (zh) * 2018-12-13 2020-06-23 普天信息技术有限公司 一种基于人脸图像roi选取的人脸识别方法及装置
CN111369521A (zh) * 2020-03-02 2020-07-03 名创优品（横琴）企业管理有限公司 一种基于图像质量的图像过滤方法和相关装置
CN111523414A (zh) * 2020-04-13 2020-08-11 绍兴埃瓦科技有限公司 人脸识别方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679546A (zh) * 2017-08-17 2018-02-09 平安科技（深圳）有限公司 人脸图像数据采集方法、装置、终端设备及存储介质
CN111325051A (zh) * 2018-12-13 2020-06-23 普天信息技术有限公司 一种基于人脸图像roi选取的人脸识别方法及装置
CN110751025A (zh) * 2019-09-06 2020-02-04 平安普惠企业管理有限公司 基于人脸识别的业务办理方法、装置、设备及介质
CN110825765A (zh) * 2019-10-23 2020-02-21 中国建设银行股份有限公司 一种人脸识别的方法和装置
CN110826519A (zh) * 2019-11-14 2020-02-21 深圳市华付信息技术有限公司 人脸遮挡检测方法、装置、计算机设备及存储介质
CN111199186A (zh) * 2019-12-03 2020-05-26 恒大智慧科技有限公司 图像质量评分模型训练方法、装置、设备及存储介质
CN111210402A (zh) * 2019-12-03 2020-05-29 恒大智慧科技有限公司 人脸图像质量评分方法、装置、计算机设备及存储介质
CN111369521A (zh) * 2020-03-02 2020-07-03 名创优品（横琴）企业管理有限公司 一种基于图像质量的图像过滤方法和相关装置
CN111523414A (zh) * 2020-04-13 2020-08-11 绍兴埃瓦科技有限公司 人脸识别方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN108804884B (zh) 身份认证的方法、装置及计算机存储介质
AU2017201463B2 (en) Methods and systems for authenticating users
CN108197557A (zh) 人证一致性检验方法、终端设备及计算机可读存储介质
CN113366487A (zh) 基于表情组别的操作确定方法、装置及电子设备
CN111861240A (zh) 可疑用户识别方法、装置、设备及可读存储介质
WO2018082011A1 (zh) 活体指纹识别方法及装置
CN110853646A (zh) 会议发言角色的区分方法、装置、设备及可读存储介质
US10282627B2 (en) Method and apparatus for processing handwriting data
CN109600336A (zh) 存储设备、验证码应用方法和装置
US20220046012A1 (en) Method and System for Verifying the Identity of a User
CN110991231B (zh) 活体检测方法、装置、服务器和人脸识别设备
CN109816543B (zh) 一种图像查找方法及装置
CN109635625B (zh) 智能身份核验方法、设备、存储介质及装置
US20230410221A1 (en) Information processing apparatus, control method, and program
CN110929244A (zh) 数字化身份识别方法、装置、设备及存储介质
CN111881740A (zh) 人脸识别方法、装置、电子设备及介质
CN109614780B (zh) 生物信息认证方法及装置、存储介质、电子设备
CN112200804A (zh) 图像检测方法、装置、计算机可读存储介质及电子设备
CN110688878B (zh) 活体识别检测方法、装置、介质及电子设备
CN115223022B (zh) 一种图像处理方法、装置、存储介质及设备
CN115906028A (zh) 用户身份验证方法、装置和自助服务终端
CN112132074A (zh) 人脸图像验证方法、装置、计算机设备及存储介质
CN109858219A (zh) 用户注册方法、装置、电子设备及计算机可读存储介质
US20230005301A1 (en) Control apparatus, control method, and non-transitory computer readable medium
CN112418189B (zh) 戴口罩人脸识别方法、装置、设备以及存储介质

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