CN112699799A - 基于区块链的人脸识别方法、装置、设备和存储介质 - Google Patents
基于区块链的人脸识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112699799A CN112699799A CN202011614647.5A CN202011614647A CN112699799A CN 112699799 A CN112699799 A CN 112699799A CN 202011614647 A CN202011614647 A CN 202011614647A CN 112699799 A CN112699799 A CN 112699799A
- Authority
- CN
- China
- Prior art keywords
- face
- block chain
- correction model
- image
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012937 correction Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims description 112
- 230000006870 function Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及一种基于区块链的人脸识别方法、装置、计算机设备和存储介质。所述方法包括:通过区块链网络获取人脸矫正模型;获取侧脸图像;提取所述侧脸图像中的特征点;将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。基于上述方法根据人脸矫正模型,识别不同角度的侧脸图像对应的正脸图像,根据侧脸图像对应的正脸图像进行人脸识别,提高了人脸识别的准确度。
Description
技术领域
本申请涉及区块链技术领域,尤其涉及一种基于区块链的人脸识别方法、装置、计算机设备和存储介质。
背景技术
目前,与人脸识别相关的技术广泛应用在边缘计算设备上,常用于进行身份验证。然而,人脸识别系统的正确率容易受人脸姿态的影响,特别是在安防场景下,往往很难采集得到角度良好的正脸,但安保系统中往往只记录正脸,根据不同姿态的人脸与安保系统中的正脸进行匹配,很难做出较为准确的判断。
发明内容
为了解决上述技术问题,本申请提供了一种基于区块链的人脸识别方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种基于区块链的人脸识别方法,应用于边缘计算设备,所述方法包括:
通过区块链网络获取人脸矫正模型;
获取侧脸图像;
提取所述侧脸图像中的特征点;
将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
可选地,所述通过区块链网络获取人脸矫正模型之前,所述方法还包括:
采集训练图像,所述训练图像包括至少一个用户对应的正脸图片和侧脸图片;
上传所述训练图像和所述边缘计算设备的第一设备信息至区块链网络进行上链存储,使所述区块链网络根据所述训练图像和所述第一设备信息下发来自服务器的所述人脸矫正模型。
第二方面,本申请提供了一种基于区块链的人脸识别方法,应用于区块链网络,所述方法包括:
接收并存储来自边缘计算设备的训练图像和第一设备信息;
发送所述训练图像和所述第一设备信息至服务器,使所述服务器根据所述训练图像和所述第一设备信息训练生成人脸矫正模型;
接收并存储来自所述服务器的人脸矫正模型和第二设备信息;
当所述训练图像中的图片数量达到预设数量,且所述第一设备信息与所述第二设备信息相匹配时,下发所述人脸矫正模型至所述边缘计算设备。
第三方面,本申请提供了一种基于区块链的人脸识别方法,应用于服务器,所述方法包括:
通过区块链网络获取第一设备信息;
当所述第一设备信息与所述服务器的第二设备信息相匹配时,从所述区块链网络获取所述第一设备信息对应的训练图像;
提取所述训练图像中的关键点;
根据所述关键点训练生成人脸矫正模型;
发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储。
可选地,所述发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储之后,所述方法还包括:
按照预设时长定时获取与所述第一设备信息对应的采集图像;
根据所述采集图像更新所述人脸矫正模型。
可选地,所述根据所述训练图像训练生成人脸矫正模型,包括:
根据所述关键点和对抗生成网络模型的初始生成参数计算损失函数值;
根据所述损失函数值与预设损失值的差值,调节所述对抗生成网络模型的生成参数,得到训练生成参数,所述训练生成参数用于执行根据所述关键点计算损失函数值的步骤;
当所述损失函数值满足预设条件时,根据所述损失函数值对应的训练生成参数生成所述人脸矫正模型。
第四方面,本申请提供了一种基于区块链的人脸识别装置,应用于边缘计算设备,所述装置包括:
模型获取模块,用于通过区块链网络获取人脸矫正模型;
图像获取模块,用于获取侧脸图像;
特征点提取模块,用于提取所述侧脸图像中的特征点;
识别模块,用于将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
第五方面,本申请提供了一种基于区块链的人脸识别装置,应用于区块链网络,所述装置包括:
数据接收模块,用于接收并存储来自边缘计算设备的训练图像和第一设备信息;
图像发送模块,用于发送所述训练图像和所述第一设备信息至服务器,使所述服务器根据所述训练图像和所述第一设备信息训练生成人脸矫正模型;
模型接收模块,用于接收并存储来自所述服务器的人脸矫正模型和第二设备信息;
模型下发模块,用于当所述训练图像中的图片数量达到预设数量,且所述第一设备信息与所述第二设备信息相匹配时,下发所述人脸矫正模型至所述边缘计算设备。
第六方面,本申请提供了一种基于区块链的人脸识别装置,应用于服务器,所述装置包括:
设备信息获取模块,用于通过区块链网络获取第一设备信息;
训练图像获取模块,用于当所述第一设备信息与所述服务器的第二设备信息相匹配时,从所述区块链网络获取所述第一设备信息对应的训练图像;
关键点提取模块,用于提取所述训练图像中的关键点;
模型生成模块,用于根据所述关键点训练生成人脸矫正模型;
模型发送模块,用于发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储。
第七方面,本申请提供了一种电子设备,包括:处理器、通信组件、存储器和通信总线,其中,处理器、通信组件和存储器通过通信总线完成相互间的通信;所述存储器,用于存储计算机程序;所述处理器,用于执行所述存储器中所存储的程序,实现第一方面至第三方面任一项所述的基于区块链的人脸识别方法。
第八方面,本申请提供了一种计算机可读存储介质,存储有计算机程序,实现第一方面至第三方面任一项所述基于区块链的人脸识别方法。
上述基于区块链的人脸识别方法、装置、计算机设备和存储介质,所述方法包括:通过区块链网络获取人脸矫正模型;获取侧脸图像;提取所述侧脸图像中的特征点;将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。基于上述方法根据人脸矫正模型,识别不同角度的侧脸图像对应的正脸图像,根据侧脸图像对应的正脸图像进行人脸识别,提高了人脸识别的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中基于区块链的人脸识别系统结构示意图;
图2为本申请实施例中区块链结构示意图;
图3为本申请实施例中区块链网络功能结构示意图;
图4为本申请实施例中一种基于区块链的人脸识别方法流程示意图;
图5为本申请实施例中一种基于区块链的人脸识别方法流程示意图;
图6为本申请实施例中一种基于区块链的人脸识别方法流程示意图;
图7为本申请实施例中一种基于区块链的人脸识别装置结构示意图;
图8为本申请实施例中一种基于区块链的人脸识别装置结构示意图;
图9为本申请实施例中一种基于区块链的人脸识别装置结构示意图;
图10为本申请实施例中电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一个具体实施例”,其描述了所有可能实施例的子集,但是可以理解,“一个具体实施例”,其描述了所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术的科学技术与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
在对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
(1)交易(Transaction),等同于计算机术语“事务”,交易包括了需要提交到区块链网络执行的操作,并非单指商业语境中的交易,鉴于在区块链技术中约定俗称地使用了“交易”这一术语,本发明实施例遵循了这一习惯。
例如,部署(Deploy)交易用于向区块链网络中的结点安装指定的智能合约并准备好被调用;调用(Invoke)交易用于通过调用智能合约在区块链中追加交易的记录,并对区块链的状态数据库进行操作,包括更新操作(包括增加、删除和修改状态数据库中的键值对)和查询操作(即查询状态数据库中的键值对)。
(2)区块链(Blockchain),是由区块(Block)形成的加密的、链式的交易的存储结构。
(3)区块链网络(Blockchain Network),通过共识的方式将新区块纳入区块链的一系列的节点的集合。
(4)账本(Ledger),是区块链(也称为账本数据)和与区块链同步的状态数据库的统称。其中,区块链是以文件系统中的文件的形式来记录交易;状态数据库是以不同类型的键(Key)值(Value)对的形式来记录区块链中的交易,用于支持区块链中交易的快速查询。
(5)智能合约(Smart Contracts),也称为链码(Chaincode)或应用代码,部署在区块链网络的节点中的程序,节点执行接收的交易中所调用的智能合约,来对状态数据库的键值对数据进行更新或查询操作。
(6)共识(Consensus),是区块链网络中的一个过程,用于在涉及的多个节点之间对区块中的交易达成一致,达成一致的区块将被追加到区块链的尾部,实现共识的机制包括工作量证明(PoW,Proof of Work)、权益证明(PoS,Proof of Stake)、股权授权证明(DPoS,Delegatd Proof-of-Stake)、消逝时间量证明(PoET,Proof of Elapsed Time)等。
下面说明本发明实施例,提供的区块链网络的示例性应用,如图1 所示,图1是本发明实施例提供的基于区块链的人脸识别系统示意图,包括区块链网络101、共识节点102,认证中心103、业务主体104、客户端节点104-1,业务主体105和客户端节点105-1,下面分别进行说明:
区块链网络101的类型是灵活多样的,例如可以为公有链、私有链或联盟链中的任意一种。以公有链为例,任何业务主体的电子设备例如用户终端和服务器,都可以在不需要授权的情况下接入区块链网络101,在本实施例中业务主体104具体为服务器,业务主体105具体为边缘计算设备;以联盟链为例,业务主体在获得授权后其下辖的电子设备(例如终端/服务器)可以接入区块链网络101,此时,成为区块链网络101中的客户端节点。
在一些实施例中,客户端节点104可以只作为区块链网络101的观察者,即提供支持业务主体发起交易(例如,用于上链存储数据或查询链上数据)功能,对于区块链网络101的共识节点102的功能,例如排序功能、共识服务和账本功能等,客户端节点可以缺省或者有选择性(例如,取决于业务主体的具体业务需求)地实施。从而,可以将业务主体的数据和业务处理逻辑最大程度迁移到区块链网络101中,通过区块链网络101实现数据和业务处理过程的可信和可追溯。
区块链网络101中的共识节点接收来自不同业务主体,例如图1 中示出的业务主体104的客户端节点104-1提交的交易,执行交易以更新账本或者查询账本,执行交易的各种中间结果或最终结果可以返回业务主体104的客户端节点104-1中显示。
例如,客户端节点104-1可以订阅区块链网络101中感兴趣的事件,例如区块链网络101中特定的组织/通道中发生的交易,由共识节点102 推送相应的交易通知到客户端节点104-1,从而触发客户端节点104-1 中相应的业务逻辑。
作为区块链的示例,如图2所示,图2是本发明实施例提供的区块链网络101中区块链的结构示意图,每个区块的头部既可以包括区块中所有交易的哈希值,同时也包含前一个区块中所有交易的哈希值,新产生的交易的记录被填充到区块并经过区块链网络中节点的共识后,会被追加到区块链的尾部从而形成链式的增长,区块之间基于哈希值的链式结构保证了区块中交易的防篡改和防伪造。
下面说明本发明实施例提供的区块链网络的示例性的功能架构,如图3所示,图3是本发明实施例提供的区块链网络101的功能架构示意图,包括应用层301、共识层302、网络层303、数据层304和资源层305,下面分别进行说明:
应用层301封装了区块链网络能够实现的各种业务,包括交易的溯源、存证和验证等。
共识层302封装了区块链网络101中的节点102对区块达成一致性的机制(即共识机制)、交易管理和账本管理的功能。共识机制包括 POS、POW和DPOS等共识算法,支持共识算法的可插拔。交易管理用于验证节点101接收到的交易中携带的数字签名,验证业务主体104 的身份信息,并根据身份信息判断确认其是否具有权限进行交易(从业务主体身份管理读取相关信息);对于获得接入区块链网络101的授权的业务主体而言,均拥有认证中心颁发的数字证书,业务主体利用自己的数字证书中的私钥对提交的交易进行签名,从而声明自己的合法身份。账本管理用于维护区块链和状态数据库。对于取得共识的区块,追加到区块链的尾部;执行取得共识的区块中的交易,当交易包括更新操作时更新状态数据库中的键值对,当交易包括查询操作时查询状态数据库中的键值对并向业务主体的客户端节点返回查询结果。支持对状态数据库的多种维度的查询操作,包括:根据区块序列号(例如交易的哈希值)查询区块;根据区块哈希值查询区块;根据交易序列号查询区块;根据交易序列号查询交易;根据业务主体的账号(序列号)查询业务主体的账号数据;根据通道名称查询通道中的区块链。
网络层303封装了点对点(P2P,PointtoPoint)网络协议、数据传播机制和数据验证机制、接入认证机制和业务主体身份管理的功能。
其中,P2P网络协议实现区块链网络101中节点102之间的通信,数据传播机制保证了交易在区块链网络101中的传播,数据验证机制用于基于加密学方法(例如数字证书、数字签名、公/私钥对)实现节点 102之间传输数据的可靠性;接入认证机制用于根据实际的业务场景对加入区块链网络101的业务主体的身份进行认证,并在认证通过时赋予业务主体接入区块链网络101的权限;业务主体104身份管理用于存储允许接入区块链网络101的业务主体104的身份、以及权限(例如能够发起的交易的类型)。
数据层304封装了实现账本的各种数据结构,包括以文件系统中的文件实现的区块链,键值型的状态数据库和存在性证明(例如区块中交易的哈希树)。
资源层305封装了实现区块链网路101中的各个节点102的计算资源、存储资源和通信资源。
下面,为了更清楚的说明本申请,首先将智能合约的工作原理进行简单介绍:
构建智能合约:智能合约由区块链内的多个用户共同参与制定,可用于任何用户之间的任何交易。协议当中明确规定了交易双方的权利和义务,开发人员将这些权利和义务以电子化的方式进行编程,代码中包含会触发合约自动执行的条件。
存储智能合约:一旦编码完成,这份智能合约上传至区块链网络上,即全网的每个节点都可以收到这份智能合约。
执行智能合约:智能合约会定期检查是否存在相关事件和触发条件,以满足条件的事件推送到待验证的队列中,区块链上的验证节点先对事件进行签名验证,以确保其有效性,等大多数验证节点对该事件达成共识,智能合约将成功执行,并通知给用户。
基于上述架构,本发明实施例提出了以下的实现方式。
本申请实施例提供了一种基于区块链的人脸识别方法,参照图4,所述方法应用于边缘计算设备,所述方法包括如下具体步骤:
步骤S410,通过区块链网络获取人脸矫正模型。
具体地,通过区块链网络获取人脸矫正模型可知晓人脸矫正模型的来源,保证人脸矫正模型的来源可靠,且防止人脸矫正模型在传输过程中被肆意篡改。
步骤S420,获取侧脸图像。
具体地,侧脸图像包括人脸各个角度对应的图像,例如,侧脸图像包括左脸图像、右脸图像、俯视图像、右脸低头图像、右脸抬头图像、左脸低头图像、左脸抬头图像等。
步骤S430,提取所述侧脸图像中的特征点。
具体地,通过特征点提取算法提取侧脸图像中的特征点,特征点提取算法具体可以为HOG算法(histogram of Oriented Gradient,方向梯度直方图)、SIFT算法(Scale-invariant features transform,尺度不变特征变换)、SURF算法(Speeded Up RobustFeatures,加速稳健特征,对sift 的改进)、DOG算法(Difference of Gaussian,高斯函数差分)等中任意一种。
步骤S440,将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
具体地,特征点作为人脸矫正模型的输入参数,输出参数为与特征点对应的正脸图像,根据人脸矫正模型识别各个侧脸图像对应的正脸图像,再根据正脸图像进行人脸识别,从而提高了人脸识别的准确率和识别效率。
在一个实施例中,所述通过区块链网络获取人脸矫正模型之前,所述方法还包括:采集训练图像,所述训练图像包括至少一个用户对应的正脸图片和侧脸图片;上传所述训练图像和所述边缘计算设备的第一设备信息至区块链网络进行上链存储,使所述区块链网络根据所述训练图像和所述第一设备信息下发来自服务器的所述人脸矫正模型。
具体地,边缘计算设备采集训练图像,训练图像包括至少一个用户对应的正脸图片和侧脸图片,侧脸图片包括用户各个角度对应的脸部图片,将训练图像和边缘计算设备对应的第一设备信息上传至区块链网络中进行上链存储,第一设备信息包括边缘计算设备对应的设备标签,设备标签具体可以为设备序列号或设备标识码等,第一设备信息携带边缘计算设备中人脸矫正模型的第一版本信息,令区块链网络根据第一设备信息确定与边缘计算设备对应的服务器,从而便于区块链网络将第一设备信息对应的训练图像发送至对应的服务器,令服务器根据训练图像训练得到人脸矫正模型,区块链网络再将服务器发送的人脸矫正模型下发至第一设备信息对应的边缘计算设备,令边缘计算设备利用人脸矫正模型进行人脸图像矫正处理。
在一个实施例中,本实施例提供了一种基于区块链的人脸识别方法,参照图5,所述方法应用于区块链网络,所述方法包括如下具体步骤:
步骤S510,接收并存储来自边缘计算设备的训练图像和第一设备信息。
具体地,将来自边缘计算设备的训练图像和第一设备信息进行上链存储,生成与训练图像对应的第一哈希值,以及与第一设备信息对应的第二哈希值,第一哈希值和第二哈希值用于验证训练图像和第一设备信息是否发生篡改,防止训练图像和设备信息在传输过程中被恶意篡改。训练图像包括至少一个用户对应的正脸图片和侧脸图片,侧脸图片包括用户各个角度对应的脸部图片,第一设备信息包括边缘计算设备中人脸矫正模型的第一版本信息和边缘计算设备对应的设备标签。
步骤S520,发送所述训练图像和所述第一设备信息至服务器,使所述服务器根据所述训练图像和所述第一设备信息训练生成人脸矫正模型。
具体地,区块链网络中存储有边缘计算设备与服务器的关联关系,一个服务器可以对应多个边缘计算设备,根据第一设备信息中的设备标签确定对应的服务器,将训练图像发送至第一设备信息对应的服务器,令服务器根据训练图像训练生成人脸矫正模型。
步骤S530,接收并存储来自所述服务器的人脸矫正模型和第二设备信息。
具体地,对来自服务器的人脸矫正模型和第二设备信息进行上链存储,生成与人脸矫正模型对应的第三哈希值,以及与第二设备信息对应的第四哈希值,第三哈希值和第四哈希值用于验证人脸矫正模型和第二设备信息是否发生篡改,防止人脸矫正模型和第二设备信息在传输过程中被肆意篡改。第二设备信息包括在服务器中登记过的设备标签,第二设备信息携带服务器中人脸矫正模型对应的第二版本信息,上链存储后防止人脸矫正模型和设备信息被肆意篡改。
步骤S540,当所述训练图像中的图片数量达到预设数量,且所述第一设备信息与所述第二设备信息相匹配时,下发所述人脸矫正模型至所述边缘计算设备。
具体地,区块链网络对边缘计算设备上传的训练图像进行计数统计,当区块链网络监测到边缘计算设备上传的训练图像达到预设数量时,判断第一设备信息与第二设备信息是否匹配,即判断第一设备信息对应的边缘计算设备是否为在服务器中登记过的设备,当第一设备信息对应的边缘计算设备为在服务器中登记过的设备时,判断边缘计算设备中人脸矫正模型对应的第一版本信息和服务器中人脸矫正模型对应的第二版本信息是否匹配,即判断边缘计算设备中的人脸矫正模型是否为最新版本的人脸矫正模型,若第一版本信息与第二版本信息不一致,表示边缘计算设备中没有人脸矫正模型或不是最新版本的人脸矫正模型,则将第二版本信息对应的人脸矫正模型发送至边缘计算设备,令边缘计算设备根据最新版本的人脸矫正模型对侧脸图像进行人脸矫正处理。
在一个实施例中,本实施例提供了一种基于区块链的人脸识别方法,参照图6,所述方法应用于服务器,所述方法包括如下具体步骤:
步骤S610,通过区块链网络获取第一设备信息。
具体地,第一设备信息包括边缘计算设备中人脸矫正模型的第一版本信息和边缘计算设备对应的设备标签,通过区块链网络获取第一设备信息,第一设备信息携带对应的第二哈希值,根据第二哈希值可校验第一设备信息是否发生篡改。
步骤S620,当所述第一设备信息与所述服务器的第二设备信息相匹配时,从所述区块链网络获取所述第一设备信息对应的训练图像。
具体地,当第一设备信息与第二设备信息相匹配时,表示第一设备信息对应的边缘计算设备在第二设备信息对应的服务器登记过,第二设备信息对应的服务器可以接收第一设备信息对应的边缘计算设备上传的训练图像,服务器可根据训练图像携带的第一哈希值验证训练图像是否发生篡改。
步骤S630,提取所述训练图像中的关键点。
具体地,基于特征点提取算法提取训练图像中的关键点,特征点提取算法具体可以为HOG算法(histogram of Oriented Gradient,方向梯度直方图)、SIFT算法(Scale-invariant features transform,尺度不变特征变换)、SURF算法(Speeded Up RobustFeatures,加速稳健特征,对sift 的改进)、DOG算法(Difference of Gaussian,高斯函数差分)等中任意一种。
步骤S640,根据所述关键点训练生成人脸矫正模型。
具体地,基于对抗生成网络模型,服务器根据各个用户的各个角度对应的图片中的关键点进行训练,从而得到人脸矫正模型。
步骤S650,发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储。
具体地,服务器将训练生成的人脸矫正模型和第二设备信息发送至区块链网络进行上链存储,以供边缘计算设备从区块链网络中获取人脸矫正模型,且保证人脸矫正模型在传输过程中不会被肆意篡改。
在一个实施例中,所述发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储之后,所述方法还包括:按照预设时长定时获取与所述第一设备信息对应的采集图像;根据所述采集图像更新所述人脸矫正模型。
具体地,服务器可定时从区块链网络获取与第一设备信息对应的采集图像,此时第一设备信息为第二设备信息中任意一个设备对应的设备信息,即服务器可定时从区块链网络获取所有与该服务器具有登记关系的边缘计算设备采集的采集图像,采集图像为与训练图像不匹配的图像,即边缘计算设备采集到训练图像中不存在的新图像,则服务器根据新采集到的采集图像对人脸矫正模型进行训练,以此实现定期更新人脸矫正模型,从而提高人脸矫正模型的可矫正概率,进而提高人脸识别效率和准确率。
在一个实施例中,所述根据所述训练图像训练生成人脸矫正模型,包括:根据所述关键点和对抗生成网络模型的初始生成参数计算损失函数值;根据所述损失函数值与预设损失值的差值,调节所述对抗生成网络模型的生成参数,得到训练生成参数,所述训练生成参数用于执行根据所述关键点计算损失函数值的步骤;当所述损失函数值满足预设条件时,根据所述损失函数值对应的训练生成参数生成所述人脸矫正模型。
其中,是标准对抗损失,是循环一致性损失,X代表侧脸图像对应的关键点,Y代表正脸图像对应的关键点,G是将X转换至Y 的映射生成器,是将Y转换至X的反向生成器,D是对抗生成网络中的鉴别器,λ2为第二对抗参数,也可根据实际训练环境需求自定义,标准对抗损失的计算公式如下:
其中,循环一致性损失的计算公式如下:
其中,循环一致性损失的计算公式如下:
其中,pdata是数据的概率分布,因此,训练对抗生成网络训练的过程是获得最佳的G,将最佳的G对应的对抗生成网络模型作为人脸矫正模型。
训练初期通过初试生成参数和各个关键点计算损失函数值,即给定初试G计算根据初始生成参数计算得到的损失函数值并非最小损失值,则根据损失函数值调节生成参数,根据调节后的训练生成参数继续计算损失函数值,选择数值最小的损失函数值对应的训练生成参数作为最佳的G,此时最佳的训练生成参数对应的对抗生成网络模型记为人脸矫正模型,即从X到Y的最佳映射为:
以此根据训练好的人脸矫正模型可准确识别各个侧脸图像对应的正脸图像,根据正脸图像进行人脸识别,提高了的人脸识别的准确性。
本申请实施例还提供了一种基于区块链的人脸识别装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图7 所示,应用于边缘计算设备,该装置主要包括:
模型获取模块710,用于通过区块链网络获取人脸矫正模型;
图像获取模块720,用于获取侧脸图像;
特征点提取模块730,用于提取所述侧脸图像中的特征点;
识别模块740,用于将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
在一个实施例中,所述装置还包括:
图像采集模块,用于采集训练图像,所述训练图像包括至少一个用户对应的正脸图片和侧脸图片;
上传模块,用于上传所述训练图像和所述边缘计算设备的第一设备信息至区块链网络进行上链存储,使所述区块链网络根据所述训练图像和所述第一设备信息下发来自服务器的所述人脸矫正模型。
在一个实施例中,本实施例中提供了一种基于区块链的人脸识别装置,参照图8,应用于区块链网络,所述装置包括:
数据接收模块810,用于接收并存储来自边缘计算设备的训练图像和第一设备信息;
图像发送模块820,用于发送所述训练图像和所述第一设备信息至服务器,使所述服务器根据所述训练图像和所述第一设备信息训练生成人脸矫正模型;
模型接收模块830,用于接收并存储来自所述服务器的人脸矫正模型和第二设备信息;
模型下发模块840,用于当所述训练图像中的图片数量达到预设数量,且所述第一设备信息与所述第二设备信息相匹配时,下发所述人脸矫正模型至所述边缘计算设备。
在一个实施例中,本实施例提供了一种基于区块链的人脸识别装置,参照图9,应用于服务器,所述装置包括:
设备信息获取模块910,用于通过区块链网络获取第一设备信息;
训练图像获取模块920,用于当所述第一设备信息与所述服务器的第二设备信息相匹配时,从所述区块链网络获取所述第一设备信息对应的训练图像;
关键点提取模块930,用于提取所述训练图像中的关键点;
模型生成模块940,用于根据所述关键点训练生成人脸矫正模型;
模型发送模块950,用于发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储。
在一个实施例中,所述装置还包括:
定时获取模块,用于按照预设时长定时获取与所述第一设备信息对应的采集图像;
更新模块,用于根据所述采集图像更新所述人脸矫正模型。
在一个实施例中,所述模型生成模块940包括:
损失计算单元,用于根据所述关键点和对抗生成网络模型的初始生成参数计算损失函数值;
训练单元,用于根据所述损失函数值与预设损失值的差值,调节所述对抗生成网络模型的生成参数,得到训练生成参数,所述训练生成参数用于执行根据所述关键点计算损失函数值的步骤;
模型生成单元,用于当所述损失函数值满足预设条件时,根据所述损失函数值对应的训练生成参数生成所述人脸矫正模型。
基于同一构思,本申请实施例中还提供了一种电子设备,如图10 所示,该电子设备主要包括:处理器701、通信组件702、存储器703 和通信总线704,其中,处理器701、通信组件702和存储器703通过通信总线704完成相互间的通信。其中,存储器703中存储有可被至处理器701执行的程序,处理器701执行存储器703中存储的程序,实现如下步骤:通过区块链网络获取人脸矫正模型;获取侧脸图像;提取所述侧脸图像中的特征点;将所述特征点输入至所述人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
处理器701执行存储器703中存储的程序还可实现上述实施例中任意一项实施例所要实现的方法步骤。
上述电子设备中提到的通信总线704可以是外设部件互连标准 (PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线704可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信组件702用于上述电子设备与其他设备之间的通信。
存储器703可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器701的存储装置。
上述的处理器701可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称 NP)等,还可以是数字信号处理器(Digital Signal Processing,简称 DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述基于区块链的人脸识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)) 或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种基于区块链的人脸识别方法,其特征在于,应用于边缘计算设备,所述方法包括:
通过区块链网络获取人脸矫正模型;
获取侧脸图像;
提取所述侧脸图像中的特征点;
将所述特征点输入至所述人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
2.根据权利要求1所述的方法,其特征在于,所述通过区块链网络获取人脸矫正模型之前,所述方法还包括:
采集训练图像,所述训练图像包括至少一个用户对应的正脸图片和侧脸图片;
上传所述训练图像和所述边缘计算设备的第一设备信息至区块链网络进行上链存储,使所述区块链网络根据所述训练图像和所述第一设备信息下发来自服务器的所述人脸矫正模型。
3.一种基于区块链的人脸识别方法,其特征在于,应用于区块链网络,所述方法包括:
接收并存储来自边缘计算设备的训练图像和第一设备信息;
发送所述训练图像和所述第一设备信息至服务器,使所述服务器根据所述训练图像和所述第一设备信息训练生成人脸矫正模型;
接收并存储来自所述服务器的人脸矫正模型和第二设备信息;
当所述训练图像中的图片数量达到预设数量,且所述第一设备信息与所述第二设备信息相匹配时,下发所述人脸矫正模型至所述边缘计算设备。
4.一种基于区块链的人脸识别方法,其特征在于,应用于服务器,所述方法包括:
通过区块链网络获取第一设备信息;
当所述第一设备信息与所述服务器的第二设备信息相匹配时,从所述区块链网络获取所述第一设备信息对应的训练图像;
提取所述训练图像中的关键点;
根据所述关键点训练生成人脸矫正模型;
发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储。
5.根据权利要求4所述的方法,其特征在于,所述发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储之后,所述方法还包括:
按照预设时长定时获取与所述第一设备信息对应的采集图像;
根据所述采集图像更新所述人脸矫正模型。
6.根据权利要求4所述的方法,其特征在于,所述根据所述训练图像训练生成人脸矫正模型,包括:
根据所述关键点和对抗生成网络模型的初始生成参数计算损失函数值;
根据所述损失函数值与预设损失值的差值,调节所述对抗生成网络模型的生成参数,得到训练生成参数,所述训练生成参数用于执行根据所述关键点计算损失函数值的步骤;
当所述损失函数值满足预设条件时,根据所述损失函数值对应的训练生成参数生成所述人脸矫正模型。
7.一种基于区块链的人脸识别装置,其特征在于,应用于边缘计算设备,所述装置包括:
模型获取模块,用于通过区块链网络获取人脸矫正模型;
图像获取模块,用于获取侧脸图像;
特征点提取模块,用于提取所述侧脸图像中的特征点;
识别模块,用于将所述特征点输入至人脸矫正模型中,得到与所述侧脸图像对应的正脸图像,所述正脸图像用于进行人脸识别。
8.一种基于区块链的人脸识别装置,其特征在于,应用于区块链网络,所述装置包括:
数据接收模块,用于接收并存储来自边缘计算设备的训练图像和第一设备信息;
图像发送模块,用于发送所述训练图像和所述第一设备信息至服务器,使所述服务器根据所述训练图像和所述第一设备信息训练生成人脸矫正模型;
模型接收模块,用于接收并存储来自所述服务器的人脸矫正模型和第二设备信息;
模型下发模块,用于当所述训练图像中的图片数量达到预设数量,且所述第一设备信息与所述第二设备信息相匹配时,下发所述人脸矫正模型至所述边缘计算设备。
9.一种基于区块链的人脸识别装置,其特征在于,应用于服务器,所述装置包括:
设备信息获取模块,用于通过区块链网络获取第一设备信息;
训练图像获取模块,用于当所述第一设备信息与所述服务器的第二设备信息相匹配时,从所述区块链网络获取所述第一设备信息对应的训练图像;
关键点提取模块,用于提取所述训练图像中的关键点;
模型生成模块,用于根据所述关键点训练生成人脸矫正模型;
模型发送模块,用于发送所述人脸矫正模型和所述第二设备信息至所述区块链网络进行上链存储。
10.一种电子设备,其特征在于,包括:处理器、通信组件、存储器和通信总线,其中,处理器、通信组件和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1至6任一项所述方法的步骤。
11.一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权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614647.5A CN112699799A (zh) | 2020-12-30 | 2020-12-30 | 基于区块链的人脸识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614647.5A CN112699799A (zh) | 2020-12-30 | 2020-12-30 | 基于区块链的人脸识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699799A true CN112699799A (zh) | 2021-04-23 |
Family
ID=75512743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011614647.5A Pending CN112699799A (zh) | 2020-12-30 | 2020-12-30 | 基于区块链的人脸识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699799A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361489A (zh) * | 2021-07-09 | 2021-09-07 | 重庆理工大学 | 基于解耦表示的人脸正面化模型构建方法和训练方法 |
CN113610632A (zh) * | 2021-08-11 | 2021-11-05 | 中国银行股份有限公司 | 基于区块链的银行网点人脸识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017228918A (ja) * | 2016-06-22 | 2017-12-28 | キヤノン株式会社 | システム及び情報処理方法 |
CN110738161A (zh) * | 2019-10-12 | 2020-01-31 | 电子科技大学 | 一种基于改进生成式对抗网络的人脸图像矫正方法 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN111523497A (zh) * | 2020-04-27 | 2020-08-11 | 深圳市捷顺科技实业股份有限公司 | 一种人脸纠正方法、装置和电子设备 |
CN111652096A (zh) * | 2020-05-22 | 2020-09-11 | 中国工商银行股份有限公司 | 基于区块链的人脸识别方法、装置及系统 |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
-
2020
- 2020-12-30 CN CN202011614647.5A patent/CN112699799A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017228918A (ja) * | 2016-06-22 | 2017-12-28 | キヤノン株式会社 | システム及び情報処理方法 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN110738161A (zh) * | 2019-10-12 | 2020-01-31 | 电子科技大学 | 一种基于改进生成式对抗网络的人脸图像矫正方法 |
CN111523497A (zh) * | 2020-04-27 | 2020-08-11 | 深圳市捷顺科技实业股份有限公司 | 一种人脸纠正方法、装置和电子设备 |
CN111652096A (zh) * | 2020-05-22 | 2020-09-11 | 中国工商银行股份有限公司 | 基于区块链的人脸识别方法、装置及系统 |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
Non-Patent Citations (3)
Title |
---|
R. VAMSHIDHAR REDDY ET AL.: "Automatic Face Expressions and Gesture Detection System Using Blockchain Security", 《2020 INTERNATIONAL CONFERENCE ON INTELLIGENT ENGINEERING AND MANAGEMENT (ICIEM)》 * |
常思远;李有乘;孙培岩;朱永杰;谢党恩;: "一种基于MTCNN的视频人脸检测及识别方法", 许昌学院学报, no. 02, 30 March 2019 (2019-03-30) * |
张卫;马丽;黄金;: "基于生成式对抗网络的人脸识别开发", 电子世界, no. 20 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361489A (zh) * | 2021-07-09 | 2021-09-07 | 重庆理工大学 | 基于解耦表示的人脸正面化模型构建方法和训练方法 |
CN113610632A (zh) * | 2021-08-11 | 2021-11-05 | 中国银行股份有限公司 | 基于区块链的银行网点人脸识别方法及装置 |
CN113610632B (zh) * | 2021-08-11 | 2024-05-28 | 中国银行股份有限公司 | 基于区块链的银行网点人脸识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10826703B1 (en) | Distributed ledger system for identity data storage and access control | |
US11360963B2 (en) | Tracking and verification of physical assets | |
US20210091960A1 (en) | Tracking and verification of physical assets | |
US20130054433A1 (en) | Multi-Factor Identity Fingerprinting with User Behavior | |
CN110598434B (zh) | 基于区块链网络的房屋信息处理方法、装置、电子设备及存储介质 | |
CN112506987B (zh) | 基于区块链的查询方法、装置、设备及存储介质 | |
CN109948320B (zh) | 基于区块链的身份识别管理方法、装置、介质及电子设备 | |
US10659443B2 (en) | Methods and apparatus for obtaining a scoped token | |
CN112818014B (zh) | 区块链数据解析方法、装置和电子设备 | |
US20220269754A1 (en) | Decentralized system and method for asset registry and authentication | |
US20210406920A1 (en) | Digital Appraisal System Providing Computational Attestation Of Appraisal Integrity | |
CN111709860B (zh) | 遗嘱处理方法、装置、设备及存储介质 | |
CN110908786A (zh) | 一种智能合约调用方法、装置及介质 | |
CN112712452A (zh) | 基于区块链的审批信息处理方法和装置 | |
CN113360458B (zh) | 一种基于联盟链的分布式文件存储共享系统 | |
CN112800129A (zh) | 区块状态更新方法、装置、系统和电子设备 | |
CN112699799A (zh) | 基于区块链的人脸识别方法、装置、设备和存储介质 | |
CN112702419B (zh) | 基于区块链的数据处理方法、装置、设备和存储介质 | |
CN116541465A (zh) | 基于区块链的数据处理方法和装置 | |
GB2567715A (en) | Authentication system, method and program | |
CN112989338A (zh) | 异常应用数据检测方法、装置、电子设备及存储介质 | |
CN113114629A (zh) | 基于区块链的合同管理方法、装置、设备及存储介质 | |
CN112560005A (zh) | 身份可信服务系统、方法、电子设备和计算机可读介质 | |
CN112258092A (zh) | 一种基于区块链的数据资产可信度评估方法、装置 | |
Mtetwa et al. | Secure the internet of things software updates with ethereum blockchain |
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 |