CN114973351B - 人脸识别方法、装置、设备及存储介质 - Google Patents
人脸识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114973351B CN114973351B CN202210346847.XA CN202210346847A CN114973351B CN 114973351 B CN114973351 B CN 114973351B CN 202210346847 A CN202210346847 A CN 202210346847A CN 114973351 B CN114973351 B CN 114973351B
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- vector
- historical
- polynomial
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例涉及人脸识别领域,并提供一种人脸识别方法、装置、设备及存储介质,该方法包括获取第一特征,所述第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式;根据所述第一特征和目标特征集合得到内积集合,其中,所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到;所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到;根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征;输出所述目标人脸特征。本方案能够提高人脸识别效率。
Description
技术领域
本申请实施例涉及人脸识别技术领域,尤其涉及一种人脸识别方法、装置、设备及存储介质。
背景技术
在人脸识别场景下,大多数厂商会利用各自的算法从人脸图像中提取出向量形式的人脸特征,并通过计算内积判断两张人脸的相似度,以实现对人脸图像的识别。
但是,算法厂商所采集的人脸特征等数据为用户隐私数据,由于国家政策对公民隐私安全的保护力度不断提升,这些人脸特征数据不便于直接向算法厂商公开,因此,继续利用纯明文的比对方式已经难以推进,因此,需要采用加密数据进行人脸识别。
在对现有技术的研究和实践过程中,本申请实施例的发明人发现,通用的加密方式需要先经过多次的移位相加,再解密和解码才能得到最后的结果。可见,在运算过程中,多次移位操作将导致计算的耗时过长,严重影响人脸识别的效率。
发明内容
本申请实施例提供了一种人脸识别方法、装置、设备及存储介质,能够提高人脸识别的效率。
第一方面中,从计算机设备角度介绍本申请实施例提供的一种人脸识别方法,所述计算机设备具体为人脸识别装置,该方法包括:
获取第一特征,所述第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式;
根据所述第一特征和目标特征集合得到内积集合,其中,所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到;所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到;
根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征;
输出所述目标人脸特征。
一种可能的设计中,在根据所述第一特征和目标特征集合得到内积集合前,所述方法还包括:
获取人脸特征集合,根据所述人脸特征集合构建所述人脸特征库。
一种可能的设计中,在根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征后,所述方法还包括:
保存所述人脸特征库及所述目标人脸特征至区块链节点上。
第二方面中,本申请实施例提供一种人脸识别装置,具有实现对应于上述第一方面提供的操作提示方法的功能。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块,所述模块可以是软件和/或硬件。
一种可能的设计中,所述人脸识别装置包括:
处理模块,用于获取第一特征,所述第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式;
所述处理模块,还用于根据所述第一特征和目标特征集合得到内积集合,其中,所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到;所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到;
所述处理模块,还用于根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征;
收发模块,用于输出所述目标人脸特征。
本申请实施例又一方面提供了一种计算机设备,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如上述第一方面、第一方面中的各种可能的设计中提供的方法。
本申请实施例又一方面提供了一种计算机可读存储介质,其包括指令,当其在计算机上运行时,使得计算机执行上述第一方面、第一方面中的各种可能的设计中提供的方法。
本申请实施例又一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面以及第一方面中的各种可能的设计中提供的方法。
相较于现有技术,本申请实施例提供的方案中,由于第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式,以及所述目标特征集合中的历史密文特征为预设人脸特征库中历史人脸特征同态加密得到,所以,根据所述第一特征和目标特征集合得到的内积集合中的内积是利用编码得到的特征多项式进行密文间的同态乘法运算,即只需要执行一次乘法运算即可得到最终结果,有效降低了运算量,提升了运算效率,进一步根据内积集合确定目标人脸特征,即最终的人脸识别结果是利用上面同态乘法运算结果得到,由于同态乘法运算的效率有所提升,因此,人脸识别的效率也有所提升。
附图说明
图1为本申请实施例提供的人脸识别场景示意图;
图2为本申请实施例所提供的一种人脸识别方法的流程图;
图3为本申请实施例所提供的目标特征集合与预设人脸特征库的数据转换示意图;
图4为本申请实施例提供的一种人脸识别装置的结构示意图;
图5为本申请实施例中手机的一种结构示意图;
图6为本申请实施例中服务器的一种结构示意图。
具体实施方式
本申请实施例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(例如本申请实施例中的第一向量、第二向量分别表示人脸特征向量中各个分量的位置进行不同切换后得到的不同向量),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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,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模块,本申请实施例中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请实施例中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例提供一种人脸识别方法、装置、设备及存储介质,所述人脸识别方法可用于人脸识别装置,所述人脸识别装置用于寻找失踪人员、寻找犯罪嫌疑人、门禁等人脸识别场景,能够提高人脸识别效率。该人脸识别装置可为服务器或服务终端,或者为部署于服务器或服务终端内的应用,本申请实施例不对此作限定。本申请实施例以该人脸识别装置为服务器为例,其他实施例的人脸识别方法可参考针对该人脸识别装置为服务器的实施例,不作赘述。
本申请实施例的方案可基于人工智能技术实现,具体来说涉及人工智能技术中的计算机视觉技术技术领域,下面将分别进行介绍。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(ComputerVision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例的方案可基于云技术实现,具体来说涉及云技术中的云计算、云存储和数据库等技术领域,下面将分别进行介绍。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术(Cloudtechnology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。本申请实施例可通过云技术对终端下发提示信息,发送目标会话的页面等,以及从终端获取会话记录。
云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中,可将网络配置、配置实例、配置模型、转换模板、划分的网络区域等信息均保存在该数据库中,便于服务器调取。
目前,存储系统的存储方法为:创建逻辑卷,在创建逻辑卷时,就为每个逻辑卷分配物理存储空间,该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。例如:所述存储系统可用于存储本申请实施例中的人脸特征库。客户端在某一逻辑卷上存储数据,也就是将数据存储在文件系统上,文件系统将数据分成许多部分,每一部分是一个对象,对象不仅包含数据而且还包含数据标识(ID,ID entity)等额外的信息,文件系统将每个对象分别写入该逻辑卷的物理存储空间,且文件系统会记录每个对象的存储位置信息,从而当客户端请求访问数据时,文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程,具体为:按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID,RedundantArray ofIndependent Disk)的组别,预先将物理存储空间划分成分条,一个逻辑卷可以理解为一个分条,从而为逻辑卷分配了物理存储空间。
数据库(Database),简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。
数据库管理系统(英语:Database Management System,简称DBMS)是为管理数据库而设计的电脑软件系统,一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类,例如关系式、XML(Extensible MarkupLanguage,即可扩展标记语言);或依据所支持的计算机类型来作分类,例如服务器群集、移动电话;或依据所用查询语言来作分类,例如SQL(结构化查询语言(Structured QueryLanguage)、XQuery;或依据性能冲量重点来作分类,例如最大规模、最高运行速度;亦或其他的分类方式。不论使用哪种分类方式,一些DBMS能够跨类别,例如,同时支持多种查询语言。在本申请实施例中,可将人脸特征库存储在该数据库中,便于人脸识别装置调取。
在服务器(即人脸识别装置)中为了避免人脸识别运算的过程中需多次移位操作而导致计算耗时过长及影响人脸识别效率,本申请的服务器中可先对图像采集装置所上传待识别人脸图像编码后得到第一特征,然后将第一特征与目标特征集合进行同态乘法运算得到内积集合,最后根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征并输出。其中,所述目标特征集合中的历史密文特征为预设人脸特征库中历史人脸特征同态加密得到。
通过以上技术方案,根据第一特征和目标特征集合得到内积集合,所述内积集合中的内积是由编码得到的特征多项式进行密文间的同态乘法运算得到,只需要执行一次乘法运算即可得到最终结果,有效降低了运算量,提升了运算效率。在得到了内积集合后可进一步根据内积集合确定目标人脸特征,即最终的人脸识别结果是利用上面同态乘法运算结果得到,因同态乘法运算的效率有所提升,故人脸识别的效率也有所提升。
下面,为了说明本申请实施例中人脸识别方法的具体应用场景,请参照图1,为本申请实施例提供的人脸识别场景示意图。
所述人脸识别方法可以应用于一个或者多个人脸识别装置,每个人脸识别装置可与一个或者多个图像采集装置相通信,其中,每个图像采集装置可以采集不同地理位置或者环境下的图像,如:门禁场景、交通场景、火车站场景等。每个图像采集装置采集待识别人脸图像后,上传至对应的人脸识别装置进行人脸识别。人脸识别装置与图像采集装置可集中部署或分离式部署,本申请实施例不对此作限定,仅以分离式部署为例。
图像采集装置采集待识别人脸图像后,发送至对应的人脸识别装置进行人脸识别。接收到该待识别人脸图像的人脸识别装置对待识别人脸图像进行特征提取及编码后得到第一特征。根据第一特征所对应的目标多项式与目标特征集合进行同态乘法运算得到内积集合。根据内积集合中内积的大小从人脸特征库中匹配目标人脸特征并输出。
下面,将结合几个实施例对本申请技术方案进行详细的介绍说明。
参照图2,以下介绍本申请实施例所提供的一种人脸识别方法,应用于人脸识别装置,本申请实施例包括:
S10、获取第一特征。
其中,所述第一特征是由人脸识别装置接收到图像采集装置采集到的待识别人脸图像后,对该待识别人脸图像进行特征提取及编码后得到。例如:人脸识别装置可以通过本地预先存储的特征提取模型对该待识别人脸图像进行特征提取,特征提取后得到的特征再进行编码得到所述第一特征。
本申请实施例中,考虑到不同的识别场景对特征的编码方式有不同的需求,那么为了进一步适应个性化的编码需求,还可采用下述方式1-方式4来得到所述第一特征,使得所述第一特征的获取方式更加多维。下面分别说明:
方式1:对所述待识别人脸图像的人脸特征向量进行转置。
一些实施方式中,所述获取第一特征,包括:
对所述待识别人脸图像的人脸特征向量进行转置,得到第一向量;
获取所述第一向量的维数;
将所述第一向量的维数确定为多项式的项数,并根据所述项数构建第一初始多项式,其中,所述第一初始多项式中每项的系数为1,所述第一初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第一向量的维数与1的差值;
利用所述第一向量中的每个分量依次替换所述第一初始多项式中每项的系数,得到所述第一特征。
例如:当所述人脸特征向量为(1,1,1,1,1,1,1,1)时,转置后,得到的所述第一向量为(1,1,1,1,1,1,1,1),维数为8;
则构建的所述第一初始多项式的项数为8,所述第一初始多项式可以表示为:x0+x+x2+x3+x4+x5+x6+x7;
进一步地,利用所述第一向量(1,1,1,1,1,1,1,1)的每个分量依次替换所述第一初始多项式中每项的系数,得到所述第一特征:
1*x0+1*x+1*x2+1*x3+1*x4+1*x5+1*x6+1*x7=1+x+x2+x3+x4+x5+x6+x7。
可见,由于待识别人脸图像的人脸特征向量是采用直接转置的方式进行编码得到第一特征,所以计算逻辑简单,计算量低,提高了编码效率。由于人脸图像的编码是整个人脸识别过程的一部分操作,在编码效率提高的前提下,人脸识别效率也相应提高。
方式2:随机编码。
可选的,在本申请实施例的一些实施例中,所述获取第一特征,包括:
对所述待识别人脸图像的人脸特征向量中各个分量的位置进行随机切换,得到第二向量;
获取所述第二向量的维数;
将所述第二向量的维数确定为多项式的项数,并根据所述项数构建第二初始多项式,其中,所述第二初始多项式中每项的系数为1,所述第二初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第二向量的维数与1的差值;
利用所述第二向量中的每个分量依次替换所述第二初始多项式中每项的系数,得到所述第一特征。
例如:当所述人脸特征向量为(a1,a2,a3,a4)时,各个分量的位置进行随机切换后,得到的所述第二向量为(a4,a2,a3,a1),维数为4;
则构建的所述第二初始多项式的项数为4,所述第二初始多项式可以表示为:x0+x+x2+x3;
进一步地,利用所述第二向量(a4,a2,a3,a1)的每个分量依次替换所述第二初始多项式中每项的系数,得到所述第一特征:
a4*x0+a2*x+a3*x2+a1*x3。
可见,以分量位置随机切换的方式对待识别人脸图像的人脸特征向量进行编码,使得到的第一特征具有随机性,由于用于执行人脸识别的第一特征的随机性,所以使人脸识别过程中的数据更加难以破解,从而提高数据安全性。
方式3:根据编码规则进行编码。
可选的,在本申请实施例的一些实施例中,所述获取第一特征,包括:
获取所述历史密文特征的编码规则;
根据所述历史密文特征的编码规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第三向量;
获取所述第三向量的维数;
将所述第三向量的维数确定为多项式的项数,并根据所述项数构建第三初始多项式,其中,所述第三初始多项式中每项的系数为1,所述第三初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第三向量的维数与1的差值;
利用所述第三向量中的每个分量依次替换所述第三初始多项式中每项的系数,得到所述第一特征。
例如:当所述人脸特征向量为(a1,a2,a3,a4)时,获取所述历史密文特征的编码规则,可知,在编码时,首末位置的分量需要切换位置,因此,切换后,得到的所述第三向量为(a4,a2,a3,a1),维数为4;
则构建的所述第三初始多项式的项数为4,所述第三初始多项式可以表示为:x0+x+x2+x3;
进一步地,利用所述第三向量(a4,a2,a3,a1)的每个分量依次替换所述第三初始多项式中每项的系数,得到所述第一特征:
a4*x0+a2*x+a3*x2+a1*x3。
可见,由于待识别人脸图像的人脸特征向量是基于历史密文特征的编码规则进行编码,所以在编码时只需要根据历史密文特征的编码规则进行一次变换,计算量低,提高了编码效率。因为人脸图像的编码是整个人脸识别过程的一部分操作,所以在编码效率提高的前提下,人脸识别效率也相应提高。
方式4:根据实际任务场景进行编码。
可选的,在本申请实施例的一些实施例中,所述获取第一特征,包括:
获取人脸识别任务所属的地理位置场景对应的分量位置切换规则;
根据所述分量位置切换规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第四向量;
获取所述第四向量的维数;
将所述第四向量的维数确定为多项式的项数,并根据所述项数构建第四初始多项式,其中,所述第四初始多项式中每项的系数为1,所述第四初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第四向量的维数与1的差值;
利用所述第四向量中的每个分量依次替换所述第四初始多项式中每项的系数,得到所述第一特征。
其中,所述人脸识别任务所属的地理位置场景是指当前的具体人脸识别任务场景,如用于门禁的人脸识别场景,用于上班打卡的人脸识别场景,用于追踪罪犯或者失踪人员的人脸识别场景,火车站或者机场等人脸识别场景等,每个场景的分量位置切换规则可以进行不同配置。
例如:当所述人脸特征向量为(a1,a2,a3,a4)时,获取人脸识别任务所属的地理位置场景对应的分量位置切换规则,可知,在编码时,首末位置的分量需要切换位置,因此,切换后,得到的所述第四向量为(a4,a2,a3,a1),维数为4;
则构建的所述第四初始多项式的项数为4,所述第四初始多项式可以表示为:x0+x+x2+x3;
进一步地,利用所述第四向量(a4,a2,a3,a1)的每个分量依次替换所述第四初始多项式中每项的系数,得到所述第一特征:
a4*x0+a2*x+a3*x2+a1*x3。
可见,由于编码时待识别人脸图像的人脸特征向量中各个分量位置的切换方式是与实际任务场景相匹配的,因此编码方式更具有针对性。
当然,编码时的位置切换策略并不限于上述实施例中所阐述的切换方法,根据不同的场景需求,可以进行其他切换,本申请不限制。
通过上述实施方式,基于不同的维度及任务需求,实现了对人脸特征向量不同方式的多项式编码,为后续密文间的同态乘法运算提供数据基础。
S11、根据所述第一特征和目标特征集合得到内积集合。
其中,所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到。
例如,第一特征为(1+x+x2+x3+x4+x5+x6+x7)与历史密文特征(1+2x+3x2+4x3+5x4+6x5+7x6+8x7)进行同态乘法运算,得到的内积为36。
本申请实施例中,如图3所示,是本申请中目标特征集合与预设人脸特征库的数据转换示意图。所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到。
可选的,在本申请实施例的一些实施例中,在根据所述第一特征和目标特征集合得到内积集合前,还需要构建所述人脸特征库,以提供人脸识别的比对基础。具体地,先获取人脸特征集合,再根据所述人脸特征集合构建所述人脸特征库,其中,所述人脸特征集合中包括多个历史人脸特征。
一些实施方式中,为了提高人脸特征库中数据的安全性,还可以分别对人脸特征库中的每个历史人脸特征进行编码得到历史人脸编码特征,并对历史人脸编码特征进行同态加密,得到历史密文特征,以供人脸识别时进行人脸比对。由于采用密文进行比对,所以能够避免在识别过程中泄露用户信息,提高了人脸识别过程中数据的安全性。
一些实施方式中,在构建所述人脸特征库后,为了使用于进行人脸识别的第一特征及每个人脸特征的维度统一,还可以对所述第一特征及所述人脸特征库中的每个人脸特征进行归一化处理。可见,一方面,在进行人脸识别的相似度计算前,首先对第一特征及每个人脸特征进行归一化,能够使第一特征及每个人脸特征的维度统一;另一方面,维度统一后的第一特征及每个人脸特征便于计算,同时也提高计算的准确性。
一些实施例中,所述根据所述第一特征和目标特征集合得到内积集合,包括:
获取所述目标特征集合中的每个历史密文特征,其中,每个历史密文特征为根据预先标记的分量对应关系对各历史人脸特征进行编码而得到的特征多项式;所述分量对应关系为所述第一特征中每个分量与各历史人脸特征中每个分量的位置对应关系;
对所述第一特征与每个历史密文特征进行同态乘法运算,得到每个内积;其中,每个内积为所述第一特征与各历史人脸特征中具有相同位置关系的各个分量的乘积的累加和;
根据每个内积构建集合,得到所述内积集合。
上述内积集合中的内积可以表示为:∑ai*bi,其中,ai表示所述第一特征中的第i个分量,bi表示所述历史人脸特征中的第i个分量。
举例来说,以待识别人脸图像为(1,1,1,1,1,1,1,1),人脸特征库中的历史人脸特征为(1,2,3,4,5,6,7,8)为例。下面分别介绍现有同态加密处理方式和本申请同态加密处理方式:
(1)现有同态加密处理方式
首先对(1,1,1,1,1,1,1,1)及(1,2,3,4,5,6,7,8)进行对位相乘,得到(1,2,3,4,5,6,7,8);
再对(1,2,3,4,5,6,7,8)左移四位并相加得到(6,8,10,12,6,8,10,12);
再对(6,8,10,12,6,8,10,12)左移两位并相加得到(16,20,16,20,16,20,16,20);
再对(16,20,16,20,16,20,16,20)左移一位并相加得到(36,36,36,36,36,36,36,36),所构成的多项式中最高项系数为15;
得到的结果向量(36,36,36,36,36,36,36,36)中的每一位均为内积结果,即取36作为最终结果。
可见,现有内积计算方式下,计算过程中需要进行多次移位,并且,每次移位的耗时较高,计算效率低。此外,现有内积计算方式下最终得到的多项式中最高项系数为15,说明对数据的容纳量也较低。
(2)本申请同态加密处理方式
当所述第一特征为1+x+x2+x3+x4+x5+x6+x7,任意的历史人脸特征为(1,2,3,4,5,6,7,8)时,对应的历史密文特征可以表示为:1+2x+3x2+4x3+5x4+6x5+7x6+8x7。
将第一特征与历史密文特征进行下述同态乘法运算:
(1+x+x2+x3+x4+x5+x6+x7)*(1+2x+3x2+4x3+5x4+6x5+7x6+8x7)=(-34)+(-30x)+(-24x2)+(-16x3)+(-6x4)+6x5+20x6+36x7mod(x8+1)
经过上述同态乘法运算得到:内积为36。
在上述实施例中,利用编码后的向量只需要进行一次同态乘法运算就可以得到最终的内积计算结果,无需进行多次移位运算,降低了计算,进而提升了计算效率。
一方面中,虽然现有同态加密处理方式得到的处理结果与本申请实施例的处理结果都是36,但是,由于移位操作在同态运算中是最耗时的操作,相当于其他操作的数十倍,需要大量的时间成本。所以,采用现有同态加密处理方式进行内积的计算耗时较高。而本申请实施例采用的同态加密处理方式与现有同态加密处理方式相比,仅需要一次同态乘法,不需要进行大量耗时的移位操作,在计算得到相同内积时,效率更高。
另一方面中,在现有同态加密处理方式中,最终得到的多项式中最高项系数为15,而本实施例中最终得到的多项式中最高项系数为7,而最高项系数与数据容纳量及计算量都有较大关联性,最高项系数越高,数据容纳量越小,计算量也越高。
具体地,在现有同态加密处理方式中,执行了一次同态乘法、三次移位、三次同态加法,本实施例只需要执行一次同态乘法。其中,加法的耗时约等于乘法的1.5倍,移位约等于乘法的30多倍,一旦向量长度大了,计算量差距会非常大。
可见,相比较而言,本实施例只需要一次同态乘法,不仅提升了人脸识别的效率,并且,由于计算过程中多项式的最高项系数几乎降低了一半,使得一个多项式中能够容纳原有两倍数量的数据,且计算量也远小于原有计算方式的1/2。
可选的,在本申请实施例的一些实施例中,在根据所述第一特征和目标特征集合得到内积集合前,所述方法还包括:对所述第一特征进行同态加密。
在上述实施例中,人脸识别时所采用的待识别的人脸特征,及用于比对的人脸特征都采用密文形式,有效避免了识别过程中数据的泄露问题,进而能够充分保护用户的隐私,提高了人脸识别中数据的安全性。
S12、根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征。
其中,该目标人脸特征是所述人脸特征库中与所述待识别人脸图像相似度较高的人脸特征,即相似度高于预设相似度的人脸特征,例如预设相似度为0.91时,所述目标人脸特征是所述人脸特征库中与所述待识别人脸图像相似度高于0.91的人脸特征。
可选的,在本申请实施例的一些实施例中,所述根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征包括:
从所述内积集合中获取大于或者等于预设阈值的内积所对应的历史人脸特征作为所述目标人脸特征。其中,所述预设阈值可以进行自定义配置。所述内积的大小即表征了特征间相似度的取值,因此,可以直接用内积来衡量特征间的相似度。
在根据所述预设阈值获取到所述目标人脸特征后,还可以进一步根据所述内积的大小对所述目标人脸特征进行排序,并获取内积较大的若干目标人脸特征作为最后的识别结果。
S13、输出所述目标人脸特征。
可选的,在本申请实施例的一些实施例中,所述输出所述目标人脸特征包括:将所述目标人脸特征输出至指定终端设备。其中,所述指定终端设备可以为具体人脸识别任务场景下相关人员的终端设备,如在失踪人口比对的场景下,可以将所述目标人脸特征发送至相关警务人员及寻亲者的终端设备上,以供确认是否为失踪人口。在搜寻犯罪人员的场景下也可以进行类似处理,在此不赘述。
当然,在其他实施例中,如在门禁、打卡等场景下,可以在确定所述目标人脸特征后,直接开启门禁或者执行打卡,根据不同的使用场景可以灵活处理。
需要说明的是,为了进一步提高数据的安全性,保存所述人脸特征库及所述目标人脸特征至区块链节点上。
本申请实施例中,由于第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式,以及所述目标特征集合中的历史密文特征为预设人脸特征库中历史人脸特征同态加密得到,所以,根据所述第一特征和目标特征集合得到的内积集合中的内积是利用编码得到的特征多项式进行密文间的同态乘法运算,即只需要执行一次乘法运算即可得到最终结果,有效降低了运算量,提升了运算效率,进一步根据内积集合确定目标人脸特征,即最终的人脸识别结果是利用上面同态乘法运算结果得到,由于同态乘法运算的效率有所提升,因此,人脸识别的效率也有所提升。
参阅图4,如图4所示的一种人脸识别装置的结构示意图。本申请实施例中的人脸识别装置11能够实现对应于上述图2所对应的实施例中所执行的人脸识别方法的步骤。所述人脸识别装置11实现的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块,所述模块可以是软件和/或硬件。所述人脸识别装置可包括处理模块111、收发模块112,所述处理模块111、所述收发模块112的功能实现可参考图1所对应的实施例中所执行的操作,此处不作赘述。例如,所述处理模块111可用于处理获取第一特征,根据所述第一特征和目标特征集合得到内积集合,根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征等操作,所述处理模块111还可用于控制所述收发模块112输出所述目标人脸特征等输入输出操作。
一些实施例中,所述处理模块111,用于获取第一特征,所述第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式;
所述处理模块111,还用于根据所述第一特征和目标特征集合得到内积集合,其中,所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到;所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到;
所述处理模块111,还用于根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征;
所述收发模块112,用于输出所述处理模块111确定的所述目标人脸特征。
一些实施例中,所述处理模块111具体用于:
对所述待识别人脸图像的人脸特征向量进行转置,得到第一向量;
获取所述第一向量的维数;
将所述第一向量的维数确定为多项式的项数,并根据所述项数构建第一初始多项式,其中,所述第一初始多项式中每项的系数为1,所述第一初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第一向量的维数与1的差值;
利用所述第一向量中的每个分量依次替换所述第一初始多项式中每项的系数,得到所述第一特征。
一些实施例中,所述处理模块111具体用于:
对所述待识别人脸图像的人脸特征向量中各个分量的位置进行随机切换,得到第二向量;
获取所述第二向量的维数;
将所述第二向量的维数确定为多项式的项数,并根据所述项数构建第二初始多项式,其中,所述第二初始多项式中每项的系数为1,所述第二初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第二向量的维数与1的差值;
利用所述第二向量中的每个分量依次替换所述第二初始多项式中每项的系数,得到所述第一特征。
一些实施例中,所述处理模块111具体用于:
获取所述历史密文特征的编码规则;
根据所述历史密文特征的编码规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第三向量;
获取所述第三向量的维数;
将所述第三向量的维数确定为多项式的项数,并根据所述项数构建第三初始多项式,其中,所述第三初始多项式中每项的系数为1,所述第三初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第三向量的维数与1的差值;
利用所述第三向量中的每个分量依次替换所述第三初始多项式中每项的系数,得到所述第一特征。
一些实施例中,所述处理模块111具体用于:
获取人脸识别任务所属的地理位置场景对应的分量位置切换规则;
根据所述分量位置切换规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第四向量;
获取所述第四向量的维数;
将所述第四向量的维数确定为多项式的项数,并根据所述项数构建第四初始多项式,其中,所述第四初始多项式中每项的系数为1,所述第四初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第四向量的维数与1的差值;
利用所述第四向量中的每个分量依次替换所述第四初始多项式中每项的系数,得到所述第一特征。
一些实施例中,所述处理模块111具体还用于:
获取所述目标特征集合中的每个历史密文特征,其中,每个历史密文特征为根据预先标记的分量对应关系对各历史人脸特征进行编码而得到的特征多项式;所述分量对应关系为所述第一特征中每个分量与各历史人脸特征中每个分量的位置对应关系;
对所述第一特征与每个历史密文特征进行同态乘法运算,得到每个内积;其中,每个内积为所述第一特征与各历史人脸特征中具有相同位置关系的各个分量的乘积的累加和;
根据每个内积构建集合,得到所述内积集合。
一些实施例中,所述处理模块111具体还用于:
对所述第一特征进行同态加密。
本申请实施例中,由于第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式,以及所述目标特征集合中的历史密文特征为预设人脸特征库中历史人脸特征同态加密得到,所以,根据所述第一特征和目标特征集合得到的内积集合中的内积是利用编码得到的特征多项式进行密文间的同态乘法运算,即只需要执行一次乘法运算即可得到最终结果,有效降低了运算量,提升了运算效率,进一步根据内积集合确定目标人脸特征,即最终的人脸识别结果是利用上面同态乘法运算结果得到,由于同态乘法运算的效率有所提升,因此,人脸识别的效率也有所提升。
本申请实施例还提供了另一种终端设备,如图5所示,,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(英文全称:Personal DigitalAssistant,英文简称:PDA)、销售终端(英文全称:Point ofSales,英文简称:POS)、车载电脑等任意终端设备,以终端为手机为例:
图5示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图5,手机包括:射频(英文全称:Radio Frequency,英文简称:RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(英文全称:wirelessfidelity,英文简称:WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解,图5中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图5对手机的各个构成部件进行具体的介绍:
RF电路1010可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1080处理;另外,将设计上行的数据发送给基站。通常,RF电路1010包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(英文全称:LowNoiseAmplifier,英文简称:LNA)、双工器等。此外,RF电路1010还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(英文全称:Global System ofMobile communication,英文简称:GSM)、通用分组无线服务(英文全称:General Packet Radio Service,英文简称:GPRS)、码分多址(英文全称:Code DivisionMultipleAccess,英文简称:CDMA)、宽带码分多址(英文全称:Wideband Code Division Multiple Access,英文简称:WCDMA)、长期演进(英文全称:LongTerm Evolution,英文简称:LTE)、电子邮件、短消息服务(英文全称:Short MessagingService,英文简称:SMS)等。
存储器1020可用于存储软件程序以及模块,处理器1080通过运行存储在存储器1020的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1020可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1030可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1030可包括触控面板1031以及其他输入设备1032。触控面板1031,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1031上或在触控面板1031附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板1031可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1080,并能接收处理器1080发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1031。除了触控面板1031,输入单元1030还可以包括其他输入设备1032。具体地,其他输入设备1032可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1040可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1040可包括显示面板1041,可选的,可以采用液晶显示器(英文全称:Liquid Crystal Display,英文简称:LCD)、有机发光二极管(英文全称:Organic Light-Emitting Diode,英文简称:OLED)等形式来配置显示面板1041。进一步的,触控面板1031可覆盖显示面板1041,当触控面板1031检测到在其上或附近的触摸操作后,传送给处理器1080以确定触摸事件的类型,随后处理器1080根据触摸事件的类型在显示面板1041上提供相应的视觉输出。虽然在图5中,触控面板1031与显示面板1041是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板1031与显示面板1041集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1050,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1041的亮度,接近传感器可在手机移动到耳边时,关闭显示面板1041和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1060、扬声器1061,传声器1062可提供用户与手机之间的音频接口。音频电路1060可将接收到的音频数据转换后的电信号,传输到扬声器1061,由扬声器1061转换为声音信号输出;另一方面,传声器1062将收集的声音信号转换为电信号,由音频电路1060接收后转换为音频数据,再将音频数据输出处理器1080处理后,经RF电路1010以发送给比如另一手机,或者将音频数据输出至存储器1020以便进一步处理。
Wi-Fi属于短距离无线传输技术,手机通过Wi-Fi模块1070可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图5示出了Wi-Fi模块1070,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变申请的本质的范围内而省略。
处理器1080是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1020内的软件程序和/或模块,以及调用存储在存储器1020内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器1080可包括一个或多个处理单元;优选的,处理器1080可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1080中。
手机还包括给各个部件供电的电源1090(比如电池),电源可以通过电源管理系统与处理器1080逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本申请实施例中,该手机所包括的处理器1080还具有控制执行以上由图4所示的人脸识别装置11执行的方法流程。
图6是本申请实施例提供的一种服务器的结构示意图,该服务器110可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(英文全称:centralprocessing units,英文简称:CPU)1122(例如,一个或一个以上处理器)和存储器1132,一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中,存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1122可以设置为与存储介质1130通信,在服务器110上执行存储介质1130中的一系列指令操作。
服务器110还可以包括一个或一个以上电源1126,一个或一个以上有线或无线网络接口1150,一个或一个以上输入输出接口1158,和/或,一个或一个以上操作系统1141,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。
上述实施例中由服务器所执行的步骤可以基于该图6所示的服务器110的结构。例如上述实施例中由图4所示的装置11所执行的步骤可以基于该图6所示的服务器结构。例如,所述中央处理器1122通过调用存储器1132中的指令,执行以下操作:获取第一特征;根据所述第一特征和目标特征集合得到内积集合;根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征。
通过输入输出接口1158输出所述目标人脸特征。
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述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的系统,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,所述模块的划分,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,例如多个模块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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
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。
所述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所述计算机计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述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计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储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。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍,本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请实施例的限制。
Claims (27)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取第一特征,所述第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式;
根据所述第一特征和目标特征集合得到内积集合,其中,所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到;所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到;
根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征;
输出所述目标人脸特征;
所述获取第一特征,包括:
对所述待识别人脸图像的人脸特征向量进行转置,得到第一向量;
获取所述第一向量的维数;
将所述第一向量的维数确定为多项式的项数,并根据所述项数构建第一初始多项式,其中,所述第一初始多项式中每项的系数为1,所述第一初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第一向量的维数与1的差值;
利用所述第一向量中的每个分量依次替换所述第一初始多项式中每项的系数,得到所述第一特征。
2.如权利要求1所述的人脸识别方法,其特征在于,所述获取第一特征,包括:
对所述待识别人脸图像的人脸特征向量中各个分量的位置进行随机切换,得到第二向量;
获取所述第二向量的维数;
将所述第二向量的维数确定为多项式的项数,并根据所述项数构建第二初始多项式,其中,所述第二初始多项式中每项的系数为1,所述第二初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第二向量的维数与1的差值;
利用所述第二向量中的每个分量依次替换所述第二初始多项式中每项的系数,得到所述第一特征。
3.如权利要求1所述的人脸识别方法,其特征在于,所述获取第一特征,包括:
获取所述历史密文特征的编码规则;
根据所述历史密文特征的编码规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第三向量;
获取所述第三向量的维数;
将所述第三向量的维数确定为多项式的项数,并根据所述项数构建第三初始多项式,其中,所述第三初始多项式中每项的系数为1,所述第三初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第三向量的维数与1的差值;
利用所述第三向量中的每个分量依次替换所述第三初始多项式中每项的系数,得到所述第一特征。
4.如权利要求1所述的人脸识别方法,其特征在于,所述获取第一特征,包括:
获取人脸识别任务所属的地理位置场景对应的分量位置切换规则;
根据所述分量位置切换规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第四向量;
获取所述第四向量的维数;
将所述第四向量的维数确定为多项式的项数,并根据所述项数构建第四初始多项式,其中,所述第四初始多项式中每项的系数为1,所述第四初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第四向量的维数与1的差值;
利用所述第四向量中的每个分量依次替换所述第四初始多项式中每项的系数,得到所述第一特征。
5.如权利要求1-4中任一项所述的人脸识别方法,其特征在于,所述根据所述第一特征和目标特征集合得到内积集合,包括:
获取所述目标特征集合中的每个历史密文特征,其中,每个历史密文特征为根据预先标记的分量对应关系对各历史人脸特征进行编码而得到的特征多项式;所述分量对应关系为所述第一特征中每个分量与各历史人脸特征中每个分量的位置对应关系;
对所述第一特征与每个历史密文特征进行同态乘法运算,得到每个内积;其中,每个内积为所述第一特征与各历史人脸特征中具有相同位置关系的各个分量的乘积的累加和;
根据每个内积构建集合,得到所述内积集合。
6.如权利要求5所述的人脸识别方法,其特征在于,在根据所述第一特征和目标特征集合得到内积集合前,所述方法还包括:
对所述第一特征进行同态加密。
7.如权利要求6所述的人脸识别方法,其特征在于,在根据所述第一特征和目标特征集合得到内积集合前,所述方法还包括:
对所述人脸特征库中的每个历史人脸特征进行编码,得到历史人脸编码特征;
对所述历史人脸编码特征进行同态加密,得到所述历史密文特征。
8.如权利要求7所述的人脸识别方法,其特征在于,在根据所述第一特征和目标特征集合得到内积集合前,所述方法还包括:
获取人脸特征集合,根据所述人脸特征集合构建所述人脸特征库。
9.如权利要求8所述的人脸识别方法,其特征在于,在根据所述人脸特征集合构建所述人脸特征库后,所述方法还包括:
对所述第一特征及所述人脸特征库中的每个历史人脸特征进行归一化处理。
10.如权利要求1所述的人脸识别方法,其特征在于,所述根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征包括:
从所述内积集合中获取大于或者等于预设阈值的内积所对应的历史人脸特征作为所述目标人脸特征。
11.如权利要求1所述的人脸识别方法,其特征在于,所述输出所述目标人脸特征包括:
将所述目标人脸特征输出至指定终端设备。
12.如权利要求9-11中任一项所述的人脸识别方法,其特征在于,在根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征后,所述方法还包括:
保存所述人脸特征库及所述目标人脸特征至区块链节点上。
13.一种人脸识别装置,其特征在于,所述装置包括:
处理模块,用于获取第一特征,所述第一特征为对待识别人脸图像的人脸特征向量进行编码得到的目标多项式;
所述处理模块,还用于根据所述第一特征和目标特征集合得到内积集合,其中,所述目标特征集合包括多个历史密文特征,所述历史密文特征为预设人脸特征库中历史人脸特征同态加密得到;所述内积集合包括多个内积,所述内积为所述第一特征与所述目标特征集合中的历史密文特征进行同态乘法运算得到;
所述处理模块,还用于根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征;
收发模块,用于输出所述处理模块确定的所述目标人脸特征;
所述获取第一特征,包括:
对所述待识别人脸图像的人脸特征向量进行转置,得到第一向量;
获取所述第一向量的维数;
将所述第一向量的维数确定为多项式的项数,并根据所述项数构建第一初始多项式,其中,所述第一初始多项式中每项的系数为1,所述第一初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第一向量的维数与1的差值;
利用所述第一向量中的每个分量依次替换所述第一初始多项式中每项的系数,得到所述第一特征。
14.如权利要求13所述的人脸识别装置,其特征在于,所述处理模块具体用于:
对所述待识别人脸图像的人脸特征向量进行转置,得到第一向量;
获取所述第一向量的维数;
将所述第一向量的维数确定为多项式的项数,并根据所述项数构建第一初始多项式,其中,所述第一初始多项式中每项的系数为1,所述第一初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第一向量的维数与1的差值;
利用所述第一向量中的每个分量依次替换所述第一初始多项式中每项的系数,得到所述第一特征。
15.如权利要求13所述的人脸识别装置,其特征在于,所述处理模块具体用于:
对所述待识别人脸图像的人脸特征向量中各个分量的位置进行随机切换,得到第二向量;
获取所述第二向量的维数;
将所述第二向量的维数确定为多项式的项数,并根据所述项数构建第二初始多项式,其中,所述第二初始多项式中每项的系数为1,所述第二初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第二向量的维数与1的差值;
利用所述第二向量中的每个分量依次替换所述第二初始多项式中每项的系数,得到所述第一特征。
16.如权利要求13所述的人脸识别装置,其特征在于,所述处理模块具体用于:
获取所述历史密文特征的编码规则;
根据所述历史密文特征的编码规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第三向量;
获取所述第三向量的维数;
将所述第三向量的维数确定为多项式的项数,并根据所述项数构建第三初始多项式,其中,所述第三初始多项式中每项的系数为1,所述第三初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第三向量的维数与1的差值;
利用所述第三向量中的每个分量依次替换所述第三初始多项式中每项的系数,得到所述第一特征。
17.如权利要求13所述的人脸识别装置,其特征在于,所述处理模块具体用于:
获取人脸识别任务所属的地理位置场景对应的分量位置切换规则;
根据所述分量位置切换规则对所述待识别人脸图像的人脸特征向量中各个分量的位置进行切换,得到第四向量;
获取所述第四向量的维数;
将所述第四向量的维数确定为多项式的项数,并根据所述项数构建第四初始多项式,其中,所述第四初始多项式中每项的系数为1,所述第四初始多项式中每项的幂指数由0开始,以1为步长依次递进至N,N为所述第四向量的维数与1的差值;
利用所述第四向量中的每个分量依次替换所述第四初始多项式中每项的系数,得到所述第一特征。
18.如权利要求13-17中任一项所述的人脸识别装置,其特征在于,所述处理模块具体用于:
获取所述目标特征集合中的每个历史密文特征,其中,每个历史密文特征为根据预先标记的分量对应关系对各历史人脸特征进行编码而得到的特征多项式;所述分量对应关系为所述第一特征中每个分量与各历史人脸特征中每个分量的位置对应关系;
对所述第一特征与每个历史密文特征进行同态乘法运算,得到每个内积;其中,每个内积为所述第一特征与各历史人脸特征中具有相同位置关系的各个分量的乘积的累加和;
根据每个内积构建集合,得到所述内积集合。
19.如权利要求18所述的人脸识别装置,其特征在于,所述处理模块还用于:
在根据所述第一特征和目标特征集合得到内积集合前,对所述第一特征进行同态加密。
20.如权利要求19所述的人脸识别装置,其特征在于,所述处理模块还用于:
在根据所述第一特征和目标特征集合得到内积集合前,对所述人脸特征库中的每个历史人脸特征进行编码,得到历史人脸编码特征;
对所述历史人脸编码特征进行同态加密,得到所述历史密文特征。
21.如权利要求20所述的人脸识别装置,其特征在于,所述处理模块还用于:
在根据所述第一特征和目标特征集合得到内积集合前,获取人脸特征集合,根据所述人脸特征集合构建所述人脸特征库。
22.如权利要求21所述的人脸识别装置,其特征在于,所述处理模块还用于:
在根据所述人脸特征集合构建所述人脸特征库后,对所述第一特征及所述人脸特征库中的每个历史人脸特征进行归一化处理。
23.如权利要求13所述的人脸识别装置,其特征在于,所述处理模块具体用于:
从所述内积集合中获取大于或者等于预设阈值的内积所对应的历史人脸特征作为所述目标人脸特征。
24.如权利要求13所述的人脸识别装置,其特征在于,所述收发模块具体用于:
将所述目标人脸特征输出至指定终端设备。
25.如权利要求22-24中任一项所述的人脸识别装置,其特征在于,所述处理模块还用于:
在根据所述内积集合从所述人脸特征库中确定与所述待识别人脸图像匹配的目标人脸特征后,保存所述人脸特征库及所述目标人脸特征至区块链节点上。
26.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至12中任意一项所述的人脸识别方法。
27.一种计算机可读存储介质,其特征在于,其包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-12中任一项由计算机设备执行的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346847.XA CN114973351B (zh) | 2022-03-31 | 2022-03-31 | 人脸识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346847.XA CN114973351B (zh) | 2022-03-31 | 2022-03-31 | 人脸识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973351A CN114973351A (zh) | 2022-08-30 |
CN114973351B true CN114973351B (zh) | 2023-07-25 |
Family
ID=82976390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346847.XA Active CN114973351B (zh) | 2022-03-31 | 2022-03-31 | 人脸识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973351B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376192B (zh) * | 2022-09-01 | 2024-01-30 | 北京瑞莱智慧科技有限公司 | 用户异常行为确定方法、装置、计算机设备及存储介质 |
CN115270163B (zh) * | 2022-09-26 | 2023-01-24 | 北京瑞莱智慧科技有限公司 | 数据处理方法、相关装置及存储介质 |
CN117221018B (zh) * | 2023-11-09 | 2024-01-30 | 北京睿航至臻科技有限公司 | 一种基于数据编码的数据安全传输方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447361A (zh) * | 2014-08-27 | 2016-03-30 | 华为技术有限公司 | 加密和相似性度量的方法、终端及服务器 |
CN111738238A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657646B (zh) * | 2017-09-22 | 2021-05-07 | 武汉中观自动化科技有限公司 | 一种半伪随机编码图案及其生成方法和系统 |
US10938852B1 (en) * | 2020-08-14 | 2021-03-02 | Private Identity Llc | Systems and methods for private authentication with helper networks |
CN112200133B (zh) * | 2020-10-28 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 保护隐私的人脸识别方法及装置 |
CN114241560A (zh) * | 2021-12-16 | 2022-03-25 | 中国农业银行股份有限公司 | 人脸识别隐私保护系统及方法 |
-
2022
- 2022-03-31 CN CN202210346847.XA patent/CN114973351B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447361A (zh) * | 2014-08-27 | 2016-03-30 | 华为技术有限公司 | 加密和相似性度量的方法、终端及服务器 |
CN111738238A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114973351A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114973351B (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN114694226B (zh) | 一种人脸识别方法、系统及存储介质 | |
CN110674112A (zh) | 一种数据查询的方法、装置及电子设备 | |
WO2023045879A1 (zh) | 内存分配方法、内存分配装置、电子设备和可读存储介质 | |
CN110825863A (zh) | 一种文本对融合方法及装置 | |
CN114722937A (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
CN114758388A (zh) | 一种人脸识别方法、相关装置及存储介质 | |
CN114661527A (zh) | 数据备份方法、装置、电子设备及存储介质 | |
CN112995757B (zh) | 视频剪裁方法及装置 | |
CN116778306A (zh) | 伪造对象检测方法、相关装置及存储介质 | |
CN115376192B (zh) | 用户异常行为确定方法、装置、计算机设备及存储介质 | |
CN114821751B (zh) | 图像识别方法、装置、系统及存储介质 | |
CN115640567B (zh) | Tee完整性认证方法、装置、系统及存储介质 | |
CN114973352A (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN115984643A (zh) | 模型训练方法、相关设备及存储介质 | |
CN115546516A (zh) | 人员聚档方法、装置、计算机设备及存储介质 | |
CN115565215B (zh) | 一种人脸识别算法切换方法、装置及存储介质 | |
CN115909186B (zh) | 图像信息识别方法、装置、计算机设备及存储介质 | |
CN115050079B (zh) | 人脸识别方法、装置及存储介质 | |
CN116386647B (zh) | 音频验证方法、相关装置、存储介质及程序产品 | |
CN116363490A (zh) | 伪造对象检测方法、相关装置及存储介质 | |
CN114399058B (zh) | 一种模型更新的方法、相关装置、设备以及存储介质 | |
CN114722970B (zh) | 一种多媒体检测方法、装置及存储介质 | |
CN115525554B (zh) | 模型的自动化测试方法、系统及存储介质 | |
CN118296025A (zh) | 一种匿踪查询方法、相关装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |