CN114722372A - 基于人脸识别的登录验证方法及装置、处理器和电子设备 - Google Patents

Abstract

本申请公开了一种基于人脸识别的登录验证方法及装置、处理器和电子设备，涉及人工智能领域。该方法包括：获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，第一特征值为存储在数据库中的目标对象的人脸数据的特征值；采用目标人脸识别模型对目标人脸数据进行特征值提取，得到目标特征值，其中，目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证。通过本申请，解决了相关技术中难以识别佩戴口罩的人脸，导致佩戴口罩的用户难以使用人脸验证方式登录应用程序的问题。

Description

基于人脸识别的登录验证方法及装置、处理器和电子设备

技术领域

本申请涉及人工智能领域，具体而言，涉及一种基于人脸识别的登录验证方法及装置、处理器和电子设备。

背景技术

在当前的一些应用程序(application，APP)中，主要的登录验证方式有指纹验证、密码验证、人脸识别验证等。其中，人脸识别验证需要用户在镜头前露出面部并配合完成一些动作，如张嘴、左右转头等操作，系统此时会采集人脸上的特征值并与系统存储的人脸数据比对进行身份验证。

但是，目前相关技术中，密码验证的安全性不是很高，而指纹验证虽然安全性高，但是在当前时代，是一种接触式的验证方式，会存在疫情感染的风险。另外，目前相关技术中的人脸识别验证的识别的前提是用户的面部完整的暴漏在镜头下，且需要配合做一些例如张嘴的操作，这样的识别准确率很高，但是在大背景下，在公共场合摘下口罩是有疫情感染的风险的。

针对相关技术中难以识别佩戴口罩的人脸，导致佩戴口罩的用户难以使用人脸验证方式登录应用程序的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种基于人脸识别的登录验证方法及装置、处理器和电子设备，以解决相关技术中难以识别佩戴口罩的人脸，导致佩戴口罩的用户难以使用人脸验证方式登录应用程序的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于人脸识别的登录验证方法。该方法包括：获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，所述目标人脸数据为所述目标对象依照目标提示信息进行目标动作时采集到的人脸数据，所述第一特征值为存储在数据库中的所述目标对象的人脸数据的特征值；采用目标人脸识别模型对所述目标人脸数据进行特征值提取，得到目标特征值，其中，所述目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证。

进一步地，依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证包括：依据所述目标特征值和所述第一特征值，得到比对值；在所述比对值不小于预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证成功；在所述比对值小于所述预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证失败。

进一步地，在采用目标人脸识别模型对所述目标人脸数据进行特征值提取之前，所述方法还包括：获取目标数据集，其中，所述目标数据集为带有口罩的人脸数据的集合；对所述目标数据集中的数据进行处理，得到多个处理后的数据；采用SSD算法从所述多个处理后的数据中抽样，得到多个第一数据；分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成所述目标人脸识别模型。

进一步地，对所述目标数据集中的数据进行处理，得到多个处理后的数据包括：对所述目标数据集中的数据进行特征缩放处理，得到多个第二数据；对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；对每个第三数据进行白化处理，得到多个处理后的数据，其中，所述白化处理为以下之一：PCA白化处理和ZCA白化处理。

进一步地，在采用SSD算法从所述多个处理后的数据中抽样之前，所述方法还包括：对所述多层卷积神经网络中的每个卷积层设置先验框；对所述先验框进行回归调整，得到目标预测框；基于所述目标预测框，采用所述SSD算法从所述多个处理后的数据中抽样。

进一步地，在对所述先验框进行回归调整，得到目标预测框之后，所述方法还包括：确定所述目标预测框的位置和得分；依据所述位置和所述得分，对所述目标预测框进行筛选，得到第一预测框；将所述第一预测框的数据存储在报文信息中，以在展示所述第一预测框时使用。

进一步地，在所述比对值小于所述预设阈值的情况下，表示在目标应用程序上对所述目标对象登录验证失败之后，所述方法还包括：触发提示信息，其中，所述提示信息用于提示所述目标对象再次验证或者选择其他方式在所述目标应用程序上进行登陆验证。

为了实现上述目的，根据本申请的另一方面，提供了一种基于人脸识别的登录验证装置。该装置包括：第一获取单元，用于获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，所述目标人脸数据为所述目标对象依照目标提示信息进行目标动作时采集到的人脸数据，所述第一特征值为存储在数据库中的所述目标对象的人脸数据的特征值；第一提取单元，用于采用目标人脸识别模型对所述目标人脸数据进行特征值提取，得到目标特征值，其中，所述目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；第一登录验证单元，用于依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证。

进一步地，所述第一登录验证单元包括：第一计算模块，用于依据所述目标特征值和所述第一特征值，得到比对值；第一确定模块，用于在所述比对值不小于预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证成功；第二确定模块，用于在所述比对值小于所述预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证失败。

进一步地，所述装置还包括：第二获取单元，用于在采用目标人脸识别模型对所述目标人脸数据进行特征值提取之前，获取目标数据集，其中，所述目标数据集为带有口罩的人脸数据的集合；第一处理单元，用于对所述目标数据集中的数据进行处理，得到多个处理后的数据；第一抽样单元，用于采用SSD算法从所述多个处理后的数据中抽样，得到多个第一数据；第一生成单元，用于分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成所述目标人脸识别模型。

进一步地，所述第一处理单元包括：第一处理模块，用于对所述目标数据集中的数据进行特征缩放处理，得到多个第二数据；第二处理模块，用于对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；第三处理模块，用于对每个第三数据进行白化处理，得到多个处理后的数据，其中，所述白化处理为以下之一：PCA 白化处理和ZCA白化处理。

进一步地，所述装置还包括：第一设置单元，用于在采用SSD算法从所述多个处理后的数据中抽样之前，对所述多层卷积神经网络中的每个卷积层设置先验框；第一调整单元，用于对所述先验框进行回归调整，得到目标预测框；第二抽样单元，用于基于所述目标预测框，采用所述SSD算法从所述多个处理后的数据中抽样。

进一步地，所述装置还包括：第一确定单元，用于在对所述先验框进行回归调整，得到目标预测框之后，确定所述目标预测框的位置和得分；第一筛选单元，用于依据所述位置和所述得分，对所述目标预测框进行筛选，得到第一预测框；第一存储单元，用于将所述第一预测框的数据存储在报文信息中，以在展示所述第一预测框时使用。

进一步地，所述装置还包括：第一触发单元，用于在所述比对值小于所述预设阈值的情况下，表示在目标应用程序上对所述目标对象登录验证失败之后，触发提示信息，其中，所述提示信息用于提示所述目标对象再次验证或者选择其他方式在所述目标应用程序上进行登陆验证。

为了实现上述目的，根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的任意一项所述的基于人脸识别的登录验证方法。

为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的任意一项所述的基于人脸识别的登录验证方法。

通过本申请，采用以下步骤：获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，目标人脸数据为目标对象依照目标提示信息进行目标动作时采集到的人脸数据，第一特征值为存储在数据库中的目标对象的人脸数据的特征值；采用目标人脸识别模型对目标人脸数据进行特征值提取，得到目标特征值，其中，目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证，解决了相关技术中难以识别佩戴口罩的人脸，导致佩戴口罩的用户难以使用人脸验证方式登录应用程序的问题。通过采用基于注意力机制和带有口罩的人脸数据进行学习训练生成的人脸识别模型对佩戴口罩的目标对象的目标人脸数据进行特征值提取，得到目标特征值，并依据目标特征值和存储在数据库中的目标对象的人脸数据的特征值，在目标应用程序上对目标对象进行登录验证，从而可以识别佩戴口罩的人脸，进而达到了佩戴口罩的用户可以使用人脸验证方式登录应用程序的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的基于人脸识别的登录验证方法的流程图；

图2是根据本申请实施例提供的基于人脸识别的登录验证系统的示意图；

图3是本申请实施例中的用户人脸识别验证模块的示意图；

图4是根据本申请实施例提供的可选的基于人脸识别的登录验证方法的流程图；

图5是根据本申请实施例提供的基于人脸识别的登录验证装置的示意图；

图6是根据本申请实施例提供的电子设备的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。

下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的基于人脸识别的登录验证方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，目标人脸数据为目标对象依照目标提示信息进行目标动作时采集到的人脸数据，第一特征值为存储在数据库中的目标对象的人脸数据的特征值。

例如，上述的目标人脸数据可以为用户依照设备(手机)的提示信息进行左右转头、皱眉、眨眼等动作时的人脸数据。即在采集用户人脸的时候，会提示用户进行一些提高检测准确性的动作，特别是针对口罩以外区域的面部，例如，左右转头、皱眉、眨眼等操作，然后再采集用户依照提示信息进行左右转头、皱眉、眨眼等动作时的人脸数据。另外，上述的第一特征值可以为事先存储在APP中的该用户的人脸数据的特征值。比如，佩戴口罩的用户想通过人脸识别的方式登录银行支付的APP，则在当该用户注册该APP时，会在该APP中存储该用户的人脸数据。

步骤S102，采用目标人脸识别模型对目标人脸数据进行特征值提取，得到目标特征值，其中，目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型。

例如，使用基于注意力机制和带有口罩的人脸数据进行学习训练生成的人脸识别模型，对采集到的人脸数据进行特征值提取。而且，由于该模型训练时采用了注意力机制，且在采集时提示用户所做的动作也有帮助采集到各个角度和动作下的口罩以外的用户的面部的特征。所以，在使用训练后的人脸识别模型提取特征值时，特征值会集中在口罩以外的用户的面部区域，从而减少了口罩的影响。

步骤S103，依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证。

例如，获取到用户的人脸特征值数据后，将该数据与数据库中的人脸数据进行比对，以对用户进行身份确认，并在身份确认之后，可以得到是否可以使该用户登录该 APP的结果。

通过上述的步骤S101至S103，通过采用基于注意力机制和带有口罩的人脸数据进行学习训练生成的人脸识别模型对佩戴口罩的目标对象的目标人脸数据进行特征值提取，得到目标特征值，并依据目标特征值和存储在数据库中的目标对象的人脸数据的特征值，在目标应用程序上对目标对象进行登录验证，从而可以识别佩戴口罩的人脸，进而达到了佩戴口罩的用户可以使用人脸验证方式登录应用程序的效果。

可选地，在本申请实施例提供的基于人脸识别的登录验证方法中，依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证包括：依据目标特征值和第一特征值，得到比对值；在比对值不小于预设阈值的情况下，表示在目标应用程序上对目标对象登录验证成功；在比对值小于预设阈值的情况下，表示在目标应用程序上对目标对象登录验证失败。

例如，在获取到用户的人脸特征值数据后，会与数据库中的人脸数据比对，同时会有一个设定的阈值。在两组数据比对之后，会得到两组人脸的相似度值。当该相似度值超过或达到这个阈值时，就会视为匹配到了用户身份，即在该APP上对该用户验证成功，并使该用户登录该APP成功；当该相似度值达不到这个阈值时，就会视为没有匹配到用户身份，即在该APP上对该用户验证失败，并使该用户登录该APP失败。

综上所述，通过两组数据之间的比对值和设定的阈值，可以准确快速的在应用程序上验证用户的身份，从而可以使佩戴口罩的用户使用人脸验证方式登录应用程序。

可选地，在本申请实施例提供的基于人脸识别的登录验证方法中，在采用目标人脸识别模型对目标人脸数据进行特征值提取之前，该方法还包括：获取目标数据集，其中，目标数据集为带有口罩的人脸数据的集合；对目标数据集中的数据进行处理，得到多个处理后的数据；采用SSD算法从多个处理后的数据中抽样，得到多个第一数据；分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成目标人脸识别模型。

例如，上述目标数据集中的数据可以为从网上获取的佩戴口罩的人脸图片，由于目前疫情已经持续两年多，所以在这两年内网络上的佩戴口罩的人脸图片的数量已经越来越多，因此，网上的佩戴口罩的人脸图片基本可以满足模型的训练。同时上述目标数据集中的数据也可以为采用给未佩戴口罩的人脸图片上“贴”口罩的方式得到的人脸图片。在获取到这些人脸图片后，按照规范摆放至数据集对应的各个文件夹中，然后对各个文件夹中的数据进行预处理。然后运用卷积神经网络建立人脸识别模型，并将数据预处理后的数据作为神经网络的输入。具体为，选用基于卷积神经网络的 one-stage目标检测算法SSD算法，在预处理好的图片的不同位置进行密集抽样，同时采用基于空间位置的注意力机制进行特征学习，最后生成可以识别佩戴口罩的人脸的人脸识别模型。其中，SSD算法英文全名是Single Shot MultiBox Detector，Single shot 指明了SSD算法属于one-stage方法，MultiBox指明了SSD是多框预测。对于Faster R-CNN，先通过CNN得到候选框，然后进行分类和回归，而YOLO和SSD可以一步完成检测，并且相比YOLO，SSD采用CNN来直接进行检测，而不是像YOLO那样采用全连接层后做检测。且相对比于YOLO而言，SSD算法还有其他两个特点的改变：第一，SSD提取了不同尺度的特征图来做检测，大尺度特征图可以用来检测小物体，而小特征图用来检测大物体；第二，SSD采用了不同尺度和长宽比的先验框，在faster r-cnn中称为Anchors。YOLO算法缺点是难以检测小物体，而且定位不准，但是对于这几点，SSD算法在一定程度上克服了这些缺点。

综上所述，通过使用最终生成的人脸识别模型，解决了目前疫情大背景下人脸识别登陆验证操作仍需要摘下口罩进行验证的痛点问题，让用户在验证时不需要摘下口罩，且配合做的动作也是针对口罩以外的面部区域，从而降低了疫情感染的风险。同时，通过利用注意力学习机制，让人脸识别模型在提取特征值时可以更注重口罩以外的面部区域，从而提高了戴口罩情况下人脸识别的准确率。另外，构建人脸识别模型时，通过采用基于卷积神经网络的one-stage目标检测算法SSD算法，可以提升APP 在登陆验证时所使用的人脸识别模型的时效性。而且，通过按照规范将获取到的人脸图片摆放至数据集对应的各个文件夹中，可以更加方便的对数据集进行下一步的数据处理。

可选地，在本申请实施例提供的基于人脸识别的登录验证方法中，对目标数据集中的数据进行处理，得到多个处理后的数据包括：对目标数据集中的数据进行特征缩放处理，得到多个第二数据；对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；对每个第三数据进行白化处理，得到多个处理后的数据，其中，白化处理为以下之一：PCA白化处理和ZCA白化处理。

例如，对数据进行预处理可以包括简单缩放、分量均值归零化、PCA白化或者ZCA白化等处理方式。目前，从网络上获取的佩戴口罩的人脸数据大多为彩色图像，由于色彩通道间并不存在平稳特性，因此需要首先对数据进行特征简单缩放处理，使得像素值位于[0，1]之间，然后对特征进行分量均值归零化。最后使用足够大的变量来做 PCA白化处理或者ZCA白化处理。其中，白化处理分为PCA(Principal Component Analysis)白化和ZCA(Zero-phase Component Analysis)白化，PCA白化保证数据各维度的方差为1，而ZCA白化保证数据各维度的方差相同。PCA白化可以用于降维也可以去相关性，而ZCA白化主要用于去相关性，且尽量使白化后的数据接近原始输入数据。

另外，简单缩放的目的是通过对数据的每个维度的值进行重新调节，使得最终的数据向量落在[0，1]的区间内。这对后续的PCA白化处理或者ZCA白化处理很重要。例如，某张人脸数据的像素值是在[0，255]区间内，简单缩放的操作就是将这些像素值除以255，使它们缩放到[0，1]中。

在PCA白化处理或者ZCA白化处理前需要使特征零均值化，这保证了：

接下来选取PCA白化处理或者ZCA白化处理所用的变量值，且这是规则化项，对数据有低通滤波的作用。另外，对于缩放后的彩色通讯，应当在[0.01，0.1]范围内尽量大的调节变量。

通过上述的方案，对数据进行预处理，可以提升数据自身的质量。并采用处理后的数据对模型进行训练，可以提高模型的预测结果的准确性。

可选地，在本申请实施例提供的基于人脸识别的登录验证方法中，在采用SSD算法从多个处理后的数据中抽样之前，该方法还包括：对多层卷积神经网络中的每个卷积层设置先验框；对先验框进行回归调整，得到目标预测框；基于目标预测框，采用 SSD算法从多个处理后的数据中抽样。

例如，采用SSD算法在预处理好的图片的不同位置进行密集抽样的同时，可以采用不同尺度和长宽比设置不同大小的先验框，并同时进行目标分类和预测回归。具体为，由于最后训练生成的人脸识别模型会使用多层卷积，故对于每个卷积层可以设置先验框，并不断的回归调整，最终获得预测框。再根据预测框，采用SSD算法在预处理好的图片的不同位置进行密集抽样。

通过上述的方案，设置先验框，并得到预测框的过程只需要一步，速度快，可以满足人脸识别模型对时效性的要求。另外，采用多个卷积层，并对每个卷积层设置先验框，可以优化摄像头视角下，用户人脸距离不同而导致的人脸大小不均匀，进而导致较小人脸无法识别的问题。

可选地，在本申请实施例提供的基于人脸识别的登录验证方法中，在对先验框进行回归调整，得到目标预测框之后，该方法还包括：确定目标预测框的位置和得分；依据位置和得分，对目标预测框进行筛选，得到第一预测框；将第一预测框的数据存储在报文信息中，以在展示第一预测框时使用。

例如，根据获得的预测框的位置和得分，对获得的预测框可以进行非极大抑制筛选，并可以将筛选后的这些框的数据记录到报文信息中，供后续展示筛选后的这些预测框时使用。

通过上述的方案，可以存储筛选后的预测框的数据，并可以通过存储的数据展示预测框。

可选地，在本申请实施例提供的基于人脸识别的登录验证方法中，在比对值小于预设阈值的情况下，表示在目标应用程序上对目标对象登录验证失败之后，该方法还包括：触发提示信息，其中，提示信息用于提示目标对象再次验证或者选择其他方式在目标应用程序上进行登陆验证。

例如，若在APP上对用户登录验证失败，则会提示用户再次验证或选择其他方式在该APP上进行登录验证。

通过上述的方案，可以返回给用户登录验证结果，从而可以使用户采取相应的措施来解决登录验证失败的问题。

图2是根据本申请实施例提供的基于人脸识别的登录验证系统的示意图，如图2所示，基于人脸识别的登录验证系统包含手机摄像头调起模块1和用户人脸识别验证模块2。其中，手机摄像头调起模块1用于调起手机摄像头，采集用户人脸；用户人脸识别验证模块2为该系统的核心模块，主要用于客户人脸识别。且人脸识别模型的训练数据集为网络上现有的口罩人脸数据。而且，对人脸识别模型进行初步训练后，可以继续利用用户人脸数据不断训练，以提高模型的准确度，从而可以降低因口罩样式、人脸角度等噪声因素造成的干扰。

图3是本申请实施例中的用户人脸识别验证模块的示意图，如图3所示，用户人脸识别验证模块包括数据集模块2-1，数据处理模块2-2，人脸识别模型模块2-3，登陆验证模块2-4，和数据库模块2-5。其中，数据集模块2-1用于采集带有口罩的人脸数据；数据处理模块2-2用于对采集到的人脸数据进行预处理，比如，简单缩放处理、分量均值归零化处理、PCA白化处理和ZCA白化处理等；人脸识别模型模块2-3用于对带有口罩的人脸数据进行识别；登陆验证模块2-4用于采集用户人脸，在采集用户人脸的时候，会提示用户进行一些提高检测率的动作，特别是针对口罩以外区域的面部，例如左右转头、皱眉、眨眼等操作，然后调用训练后的人脸识别模型，并对采集到的人脸数据进行特征值提取，最后将提取到的特征值数据与数据库中的人脸数据进行比对，以进行身份确认；数据库模块2-5用于存储注册到app的人脸数据，且该数据为一组空间向量。

图4是根据本申请实施例提供的可选的基于人脸识别的登录验证方法的流程图，如图4所示，可选的基于人脸识别的登录验证方法包括如下步骤：

步骤3-1：调起手机摄像头：在用户需要进行登陆验证时，该系统可以自动调起手机摄像头，采集获取用户人脸；

步骤3-2：对客户进行人脸识别验证：该系统会对用户进行人脸识别，同时会提示用户配合做一些提高检测率的动作；

步骤3-3：返回登录验证结果：该系统对用户进行人脸识别，并在比对已有数据后，返回验证结果，若验证成功则用户登陆成功，若验证失败则会提示用户再次验证或选择其他方式进行登录验证。

综上，本申请实施例提供的基于人脸识别的登录验证方法，通过获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，目标人脸数据为目标对象依照目标提示信息进行目标动作时采集到的人脸数据，第一特征值为存储在数据库中的目标对象的人脸数据的特征值；采用目标人脸识别模型对目标人脸数据进行特征值提取，得到目标特征值，其中，目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证，解决了相关技术中难以识别佩戴口罩的人脸，导致佩戴口罩的用户难以使用人脸验证方式登录应用程序的问题。通过采用基于注意力机制和带有口罩的人脸数据进行学习训练生成的人脸识别模型对佩戴口罩的目标对象的目标人脸数据进行特征值提取，得到目标特征值，并依据目标特征值和存储在数据库中的目标对象的人脸数据的特征值，在目标应用程序上对目标对象进行登录验证，从而可以识别佩戴口罩的人脸，进而达到了佩戴口罩的用户可以使用人脸验证方式登录应用程序的效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种基于人脸识别的登录验证装置，需要说明的是，本申请实施例的基于人脸识别的登录验证装置可以用于执行本申请实施例所提供的用于基于人脸识别的登录验证方法。以下对本申请实施例提供的基于人脸识别的登录验证装置进行介绍。

图5是根据本申请实施例的基于人脸识别的登录验证装置的示意图。如图5所示，该装置包括：第一获取单元501、第一提取单元502和第一登录验证单元503。

具体地，第一获取单元501，用于获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，目标人脸数据为目标对象依照目标提示信息进行目标动作时采集到的人脸数据，第一特征值为存储在数据库中的目标对象的人脸数据的特征值；

第一提取单元502，用于采用目标人脸识别模型对目标人脸数据进行特征值提取，得到目标特征值，其中，目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；

第一登录验证单元503，用于依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证。

综上，本申请实施例提供的基于人脸识别的登录验证装置，通过第一获取单元501获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，目标人脸数据为目标对象依照目标提示信息进行目标动作时采集到的人脸数据，第一特征值为存储在数据库中的目标对象的人脸数据的特征值；第一提取单元502采用目标人脸识别模型对目标人脸数据进行特征值提取，得到目标特征值，其中，目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；第一登录验证单元503依据目标特征值和第一特征值，在目标应用程序上对目标对象进行登录验证，解决了相关技术中难以识别佩戴口罩的人脸，导致佩戴口罩的用户难以使用人脸验证方式登录应用程序的问题，通过采用基于注意力机制和带有口罩的人脸数据进行学习训练生成的人脸识别模型对佩戴口罩的目标对象的目标人脸数据进行特征值提取，得到目标特征值，并依据目标特征值和存储在数据库中的目标对象的人脸数据的特征值，在目标应用程序上对目标对象进行登录验证，从而可以识别佩戴口罩的人脸，进而达到了佩戴口罩的用户可以使用人脸验证方式登录应用程序的效果。

可选地，在本申请实施例提供的基于人脸识别的登录验证装置中，第一登录验证单元包括：第一计算模块，用于依据目标特征值和第一特征值，得到比对值；第一确定模块，用于在比对值不小于预设阈值的情况下，表示在目标应用程序上对目标对象登录验证成功；第二确定模块，用于在比对值小于预设阈值的情况下，表示在目标应用程序上对目标对象登录验证失败。

可选地，在本申请实施例提供的基于人脸识别的登录验证装置中，该装置还包括：第二获取单元，用于在采用目标人脸识别模型对目标人脸数据进行特征值提取之前，获取目标数据集，其中，目标数据集为带有口罩的人脸数据的集合；第一处理单元，用于对目标数据集中的数据进行处理，得到多个处理后的数据；第一抽样单元，用于采用SSD算法从多个处理后的数据中抽样，得到多个第一数据；第一生成单元，用于分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成目标人脸识别模型。

可选地，在本申请实施例提供的基于人脸识别的登录验证装置中，第一处理单元包括：第一处理模块，用于对目标数据集中的数据进行特征缩放处理，得到多个第二数据；第二处理模块，用于对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；第三处理模块，用于对每个第三数据进行白化处理，得到多个处理后的数据，其中，白化处理为以下之一：PCA白化处理和ZCA白化处理。

可选地，在本申请实施例提供的基于人脸识别的登录验证装置中，该装置还包括：第一设置单元，用于在采用SSD算法从多个处理后的数据中抽样之前，对多层卷积神经网络中的每个卷积层设置先验框；第一调整单元，用于对先验框进行回归调整，得到目标预测框；第二抽样单元，用于基于目标预测框，采用SSD算法从多个处理后的数据中抽样。

可选地，在本申请实施例提供的基于人脸识别的登录验证装置中，该装置还包括：第一确定单元，用于在对先验框进行回归调整，得到目标预测框之后，确定目标预测框的位置和得分；第一筛选单元，用于依据位置和得分，对目标预测框进行筛选，得到第一预测框；第一存储单元，用于将第一预测框的数据存储在报文信息中，以在展示第一预测框时使用。

可选地，在本申请实施例提供的基于人脸识别的登录验证装置中，该装置还包括：第一触发单元，用于在比对值小于预设阈值的情况下，表示在目标应用程序上对目标对象登录验证失败之后，触发提示信息，其中，提示信息用于提示目标对象再次验证或者选择其他方式在目标应用程序上进行登陆验证。

所述基于人脸识别的登录验证装置包括处理器和存储器，上述第一获取单元501、第一提取单元502和第一登录验证单元503等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来使佩戴口罩的用户可以使用人脸验证方式登录应用程序。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于人脸识别的登录验证方法。

如图6所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，所述目标人脸数据为所述目标对象依照目标提示信息进行目标动作时采集到的人脸数据，所述第一特征值为存储在数据库中的所述目标对象的人脸数据的特征值；采用目标人脸识别模型对所述目标人脸数据进行特征值提取，得到目标特征值，其中，所述目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证。

处理器执行程序时还实现以下步骤：依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证包括：依据所述目标特征值和所述第一特征值，得到比对值；在所述比对值不小于预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证成功；在所述比对值小于所述预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证失败。

处理器执行程序时还实现以下步骤：在采用目标人脸识别模型对所述目标人脸数据进行特征值提取之前，所述方法还包括：获取目标数据集，其中，所述目标数据集为带有口罩的人脸数据的集合；对所述目标数据集中的数据进行处理，得到多个处理后的数据；采用SSD算法从所述多个处理后的数据中抽样，得到多个第一数据；分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成所述目标人脸识别模型。

处理器执行程序时还实现以下步骤：对所述目标数据集中的数据进行处理，得到多个处理后的数据包括：对所述目标数据集中的数据进行特征缩放处理，得到多个第二数据；对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；对每个第三数据进行白化处理，得到多个处理后的数据，其中，所述白化处理为以下之一： PCA白化处理和ZCA白化处理。

处理器执行程序时还实现以下步骤：在采用SSD算法从所述多个处理后的数据中抽样之前，所述方法还包括：对所述多层卷积神经网络中的每个卷积层设置先验框；对所述先验框进行回归调整，得到目标预测框；基于所述目标预测框，采用所述SSD 算法从所述多个处理后的数据中抽样。

处理器执行程序时还实现以下步骤：在对所述先验框进行回归调整，得到目标预测框之后，所述方法还包括：确定所述目标预测框的位置和得分；依据所述位置和所述得分，对所述目标预测框进行筛选，得到第一预测框；将所述第一预测框的数据存储在报文信息中，以在展示所述第一预测框时使用。

处理器执行程序时还实现以下步骤：在所述比对值小于所述预设阈值的情况下，表示在目标应用程序上对所述目标对象登录验证失败之后，所述方法还包括：触发提示信息，其中，所述提示信息用于提示所述目标对象再次验证或者选择其他方式在所述目标应用程序上进行登陆验证。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，所述目标人脸数据为所述目标对象依照目标提示信息进行目标动作时采集到的人脸数据，所述第一特征值为存储在数据库中的所述目标对象的人脸数据的特征值；采用目标人脸识别模型对所述目标人脸数据进行特征值提取，得到目标特征值，其中，所述目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证包括：依据所述目标特征值和所述第一特征值，得到比对值；在所述比对值不小于预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证成功；在所述比对值小于所述预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证失败。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在采用目标人脸识别模型对所述目标人脸数据进行特征值提取之前，所述方法还包括：获取目标数据集，其中，所述目标数据集为带有口罩的人脸数据的集合；对所述目标数据集中的数据进行处理，得到多个处理后的数据；采用SSD算法从所述多个处理后的数据中抽样，得到多个第一数据；分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成所述目标人脸识别模型。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：对所述目标数据集中的数据进行处理，得到多个处理后的数据包括：对所述目标数据集中的数据进行特征缩放处理，得到多个第二数据；对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；对每个第三数据进行白化处理，得到多个处理后的数据，其中，所述白化处理为以下之一：PCA白化处理和ZCA白化处理。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在采用SSD算法从所述多个处理后的数据中抽样之前，所述方法还包括：对所述多层卷积神经网络中的每个卷积层设置先验框；对所述先验框进行回归调整，得到目标预测框；基于所述目标预测框，采用所述SSD算法从所述多个处理后的数据中抽样。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在对所述先验框进行回归调整，得到目标预测框之后，所述方法还包括：确定所述目标预测框的位置和得分；依据所述位置和所述得分，对所述目标预测框进行筛选，得到第一预测框；将所述第一预测框的数据存储在报文信息中，以在展示所述第一预测框时使用。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在所述比对值小于所述预设阈值的情况下，表示在目标应用程序上对所述目标对象登录验证失败之后，所述方法还包括：触发提示信息，其中，所述提示信息用于提示所述目标对象再次验证或者选择其他方式在所述目标应用程序上进行登陆验证。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于人脸识别的登录验证方法，其特征在于，包括：

获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，所述目标人脸数据为所述目标对象依照目标提示信息进行目标动作时采集到的人脸数据，所述第一特征值为存储在数据库中的所述目标对象的人脸数据的特征值；

采用目标人脸识别模型对所述目标人脸数据进行特征值提取，得到目标特征值，其中，所述目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；

依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证。

2.根据权利要求1所述的方法，其特征在于，依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证包括：

依据所述目标特征值和所述第一特征值，得到比对值；

在所述比对值不小于预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证成功；

在所述比对值小于所述预设阈值的情况下，表示在所述目标应用程序上对所述目标对象登录验证失败。

3.根据权利要求1所述的方法，其特征在于，在采用目标人脸识别模型对所述目标人脸数据进行特征值提取之前，所述方法还包括：

获取目标数据集，其中，所述目标数据集为带有口罩的人脸数据的集合；

对所述目标数据集中的数据进行处理，得到多个处理后的数据；

采用SSD算法从所述多个处理后的数据中抽样，得到多个第一数据；

分别采用每个第一数据，并采用基于空间位置的注意力机制，对多层卷积神经网络进行学习训练，生成所述目标人脸识别模型。

4.根据权利要求3所述的方法，其特征在于，对所述目标数据集中的数据进行处理，得到多个处理后的数据包括：

对所述目标数据集中的数据进行特征缩放处理，得到多个第二数据；

对每个第二数据的特征进行分量均值归零化处理，得到多个第三数据；

对每个第三数据进行白化处理，得到多个处理后的数据，其中，所述白化处理为以下之一：PCA白化处理和ZCA白化处理。

5.根据权利要求3所述的方法，其特征在于，在采用SSD算法从所述多个处理后的数据中抽样之前，所述方法还包括：

对所述多层卷积神经网络中的每个卷积层设置先验框；

对所述先验框进行回归调整，得到目标预测框；

基于所述目标预测框，采用所述SSD算法从所述多个处理后的数据中抽样。

6.根据权利要求5所述的方法，其特征在于，在对所述先验框进行回归调整，得到目标预测框之后，所述方法还包括：

确定所述目标预测框的位置和得分；

依据所述位置和所述得分，对所述目标预测框进行筛选，得到第一预测框；

将所述第一预测框的数据存储在报文信息中，以在展示所述第一预测框时使用。

7.根据权利要求2所述的方法，其特征在于，在所述比对值小于所述预设阈值的情况下，表示在目标应用程序上对所述目标对象登录验证失败之后，所述方法还包括：

触发提示信息，其中，所述提示信息用于提示所述目标对象再次验证或者选择其他方式在所述目标应用程序上进行登陆验证。

8.一种基于人脸识别的登录验证装置，其特征在于，包括：

第一获取单元，用于获取佩戴口罩的目标对象的目标人脸数据和第一特征值，其中，所述目标人脸数据为所述目标对象依照目标提示信息进行目标动作时采集到的人脸数据，所述第一特征值为存储在数据库中的所述目标对象的人脸数据的特征值；

第一提取单元，用于采用目标人脸识别模型对所述目标人脸数据进行特征值提取，得到目标特征值，其中，所述目标人脸识别模型是基于注意力机制和带有口罩的人脸数据进行学习训练生成的模型；

第一登录验证单元，用于依据所述目标特征值和所述第一特征值，在目标应用程序上对所述目标对象进行登录验证。

9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的基于人脸识别的登录验证方法。

10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于人脸识别的登录验证方法。

Images