CN115471902A - 基于智慧校园的人脸识别防护方法及系统 - Google Patents

Abstract

本申请提供的基于智慧校园的人脸识别防护方法及系统，相比通过人脸比对规则进行园区人脸检测数据信息的防护识别，本申请的设计思路无需耗费大量资源构建人脸比对规则，仅需确定出人脸安防识别数据集，使得对拟分析园区人脸检测数据进行的人脸安防分析可以直接基于人脸安防识别数据集中的各组园区人脸检测数据进行数据相关性计算，可以克服通过人脸比对规则进行确定时只有满足人脸比对规则的检测数据才能被定位出来，而剩余检测数据不容易被定位而导致的非授权人脸漏检，还可以克服由于人脸比对规则的不适配问题而造成的非授权人脸误检，这样可以提升非授权人脸检测数据定位捕捉的效率和精度，为智慧园区的人脸安防检测提供保障。

Description

基于智慧校园的人脸识别防护方法及系统

技术领域

本公开涉及人脸识别技术领域，特别涉及一种基于智慧校园的人脸识别防护方法及系统。

背景技术

智慧校园是集AI、大数据、云计算、物联网等新一代技术互相融合和协作所形成的新一代校园管理体系。智慧校园设计数字课堂、智能化学生评估和视频安防等分支。就视频安防而言，主流技术仍然是基于人脸检测实现，但是传统方案在实施时存在效率和精度低下的缺陷，难以应对越来越庞大的智慧校园体系。

发明内容

为改善相关技术中存在的技术问题，本公开提供了一种基于智慧校园的人脸识别防护方法及系统。

第一方面，本公开实施例提供了一种基于智慧校园的人脸识别防护方法，应用于智慧校园防护系统，所述方法至少包括：

获得多组第一园区人脸检测数据以及多组第二园区人脸检测数据；其中，所述第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，所述第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据；

利用每组第一园区人脸检测数据添配的防护参考依据，提炼所述每组第一园区人脸检测数据对应的生物活体描述特征，并经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

借助所确定的非授权人脸检测数据和所述多组第二园区人脸检测数据，生成人脸安防识别数据集，并确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

在一些可能的实施例中，经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：

将所述每组第一园区人脸检测数据对应的防护分析描述值传入至已经过配置的人脸数据处理网络，得到所述人脸数据处理网络生成的所述每组第一园区人脸检测数据对应的非授权人脸命中率，所述非授权人脸命中率为所述第一园区人脸检测数据为非授权人脸检测数据的几率，所述人脸数据处理网络是基于多组已添配防护参考依据的园区人脸检测数据范本和各组园区人脸检测数据范本对应的人脸身份类别调试得到的，所述人脸身份类别包括非授权人脸检测数据和已授权人脸检测数据；

经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据。

在一些可能的实施例中，经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述多组第一园区人脸检测数据中非授权人脸命中率超过第一指定限值的第一园区人脸检测数据，作为所述多组第一园区人脸检测数据中的非授权人脸检测数据。

在一些可能的实施例中，确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果，包括：经由所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量以及所述拟分析园区人脸检测数据对应的第二人脸细节量化向量，确定所述人脸安防识别数据集中的各组园区人脸检测数据与所述拟分析园区人脸检测数据之间的量化向量比较结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据，包括：倘若通过多组量化向量比较结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的量化向量比较结果不超过第二指定限值的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

在一些可能的实施例中，所述方法还包括：

对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集；

对所述第一人脸区域数据集中的每个人脸区域数据进行量化处理，得到所述每个人脸区域数据的人脸描述值；

经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

在一些可能的实施例中，经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量，包括：

经由所述每个人脸区域数据对应的偏心因子对相应的人脸描述值进行优化处理，得到所述每个人脸区域数据对应的完成优化处理的描述值；

将所述每个人脸区域数据对应的完成优化处理的描述值进行加权，得到加权结果，并对所述加权结果进行更新处理，得到所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

在一些可能的实施例中，所述方法还包括：

对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集；

对所述第一人脸区域数据集中的目标人脸区域数据进行量化处理，得到所述目标人脸区域数据的人脸描述值；

经由所述目标人脸区域数据的人脸描述值以及所述目标人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

在一些可能的实施例中，所述方法还包括：

确定所述第一人脸区域数据集中的每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分；

按照所述人脸数据热力评分由大至小的顺序，从所述第一人脸区域数据集中抽样选定数量个人脸区域数据作为所述目标人脸区域数据。

在一些可能的实施例中，确定所述第一人脸区域数据集中的每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分，包括：

确定所述每个人脸区域数据在所述人脸安防识别数据集中匹配的关注度，以及确定所述每个人脸区域数据在所述人脸安防识别数据集中对应的重要性权值；

基于所述关注度与所述重要性权值，确定所述每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分。

第二方面，本公开还提供了一种智慧校园防护系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本公开还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

第四方面，本公开还提供了一种智慧校园防护系统，所述智慧校园防护系统与校园视频监控系统通信，智慧校园防护系统用于：

通过所述校园视频监控系统获得多组第一园区人脸检测数据以及多组第二园区人脸检测数据；其中，所述第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，所述第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据；

利用每组第一园区人脸检测数据添配的防护参考依据，提炼所述每组第一园区人脸检测数据对应的生物活体描述特征，并经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

借助所确定的非授权人脸检测数据和所述多组第二园区人脸检测数据，生成人脸安防识别数据集，并确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

在一些可能的实施例中，所述智慧校园防护系统经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述每组第一园区人脸检测数据对应的防护分析描述值传入至已经过配置的人脸数据处理网络，得到所述人脸数据处理网络生成的所述每组第一园区人脸检测数据对应的非授权人脸命中率，所述非授权人脸命中率为所述第一园区人脸检测数据为非授权人脸检测数据的几率，所述人脸数据处理网络是基于多组已添配防护参考依据的园区人脸检测数据范本和各组园区人脸检测数据范本对应的人脸身份类别调试得到的，所述人脸身份类别包括非授权人脸检测数据和已授权人脸检测数据；经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

其中，经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述多组第一园区人脸检测数据中非授权人脸命中率超过第一指定限值的第一园区人脸检测数据，作为所述多组第一园区人脸检测数据中的非授权人脸检测数据。

在一些可能的实施例中，所述智慧校园防护系统确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果，包括：经由所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量以及所述拟分析园区人脸检测数据对应的第二人脸细节量化向量，确定所述人脸安防识别数据集中的各组园区人脸检测数据与所述拟分析园区人脸检测数据之间的量化向量比较结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据，包括：倘若通过多组量化向量比较结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的量化向量比较结果不超过第二指定限值的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据；

其中，所述智慧校园防护系统还用于：对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集；对所述第一人脸区域数据集中的每个人脸区域数据进行量化处理，得到所述每个人脸区域数据的人脸描述值；经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量；

其中，经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量，包括：经由所述每个人脸区域数据对应的偏心因子对相应的人脸描述值进行优化处理，得到所述每个人脸区域数据对应的完成优化处理的描述值；将所述每个人脸区域数据对应的完成优化处理的描述值进行加权，得到加权结果，并对所述加权结果进行更新处理，得到所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

对于本公开实施例而言，通过获得多组第一园区人脸检测数据和多组第二园区人脸检测数据，第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据，然后通过提炼到的每组第一园区人脸检测数据对应的生物活体描述特征，确定出多组第一园区人脸检测数据中的非授权人脸检测数据，进而借助所确定的非授权人脸检测数据和多组第二园区人脸检测数据生成人脸安防识别数据集，对拟分析园区人脸检测数据与人脸安防识别数据集中的各组园区人脸检测数据之间的数据相关性进行确定，如果根据多组相关性运算结果判断得到人脸安防识别数据集中具有与拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，继而可以确定拟分析园区人脸检测数据为非授权人脸检测数据。相比通过人脸比对规则进行园区人脸检测数据信息的防护识别，本公开实施例的设计思路无需耗费大量资源构建人脸比对规则，仅需确定出人脸安防识别数据集，使得对拟分析园区人脸检测数据进行的人脸安防分析可以直接基于人脸安防识别数据集中的各组园区人脸检测数据进行数据相关性计算，可以克服通过人脸比对规则进行确定时只有满足人脸比对规则的检测数据才能被定位出来，而剩余检测数据不容易被定位而导致的非授权人脸漏检，还可以克服由于人脸比对规则的不适配问题而造成的非授权人脸误检，这样可以提升非授权人脸检测数据定位捕捉的效率和精度，为智慧园区的人脸安防检测提供保障。

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，示出了符合本公开的实施例，并于说明书一起用于解释本公开的原理。

图1是本公开实施例提供的一种基于智慧校园的人脸识别防护方法的流程示意图。

图2是本公开实施例提供的一种基于智慧校园的人脸识别防护方法的应用环境的通信架构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

需要说明的是，本公开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。

本公开实施例所提供的方法实施例可以在智慧校园防护系统、计算机设备或者类似的运算装置中执行。以运行在智慧校园防护系统上为例，智慧校园防护系统10可以包括一个或多个处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述智慧校园防护系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述智慧校园防护系统的结构造成限定。例如，智慧校园防护系统10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本公开实施例中的一种基于智慧校园的人脸识别防护方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至智慧校园防护系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括智慧校园防护系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本公开实施例所提供的一种基于智慧校园的人脸识别防护方法的流程示意图，该方法应用于智慧校园防护系统，进一步可以包括NODE210-NODE240描述的技术方案。

NODE210、获得多组第一园区人脸检测数据以及多组第二园区人脸检测数据。

其中，所述第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，所述第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据。

NODE220、利用每组第一园区人脸检测数据添配的防护参考依据，提炼所述每组第一园区人脸检测数据对应的生物活体描述特征，并经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据。

NODE230、借助所确定的非授权人脸检测数据和所述多组第二园区人脸检测数据，生成人脸安防识别数据集，并确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果。

NODE240、倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

对于NODE210而言，就采集的多组第一园区人脸检测数据以及多组第二园区人脸检测数据而言，所述第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据（比如存在标注信息的园区人脸检测数据），所述第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据（比如不存在标注信息的园区人脸检测数据）。

进一步地，第一园区人脸检测数据为事先已添配防护参考依据的园区人脸检测数据，添配的防护参考依据可以是关于第一园区人脸检测数据的身份认证状况进行标注的防护参考依据，比如，标注第一园区人脸检测数据的防护参考依据可以是眼部和嘴部的身份认证状况标注信息1、嘴部和鼻部的身份认证状况标注信息2、眼鼻部的身份认证状况标注信息3等，第二园区人脸检测数据是没有绑定防护参考依据的非授权人脸检测数据，非授权人脸检测数据可以理解为包含了处于身份认证状况的各人脸部位的园区人脸检测数据，比如，如果眼部、嘴部、鼻部、等中的至少一类处于非授权状况，则对应的园区人脸检测数据可以理解为非授权人脸检测数据。

在本公开实施例中，园区人脸检测数据可以为图像视频检测数据，也可以为其他种类的检测数据。

对于NODE220而言，利用每组第一园区人脸检测数据添配的防护参考依据，提炼所述每组第一园区人脸检测数据对应的生物活体描述特征（该生物活体描述特征是基于防护参考依据提炼得到的人脸检测数据特征向量或者人脸检测数据描述数组），并经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据。

本公开实施例中，如果需确定多组第一园区人脸检测数据中的非授权人脸检测数据，则需利用每组第一园区人脸检测数据添配的防护参考依据，提炼得到每组第一园区人脸检测数据对应的生物活体描述特征，举例而言，生物活体描述特征是由不少于一个事先确定的人脸授权特征形成的描述数组/字符串。该事先确定的人脸授权特征包括：防护参考依据（人脸授权标签）种类，防护参考依据在园区人脸检测数据中对应的人脸部位，防护参考依据在局部检测数据中对应的人脸部位，园区人脸检测数据类型，园区人脸检测数据尺寸等。如此，通过多关注面的描述信息构成描述数组/数组的步骤进行第一园区人脸检测数据中的非授权人脸检测数据的确定，相较于使用单关注面的描述信息进行第一园区人脸检测数据中的非授权人脸检测数据的确定，能够尽可能精准地确定第一园区人脸检测数据中的非授权人脸检测数据，尽量减少误分析的几率。

进一步地，防护参考依据种类可以包括第一种防护参考依据、第二种防护参考依据和第三种防护参考依据。第一种防护参考依据可以是基于安全级别区分的防护参考依据，可以有眼部和嘴部的身份认证状况标注信息1、嘴部和鼻部的身份认证状况标注信息2、眼鼻部的身份认证状况标注信息3三个等级；第二种防护参考依据可以是带有外部图像环境的防护参考依据。第三种防护参考依据可以是其他不限定的并能够反映园区人脸检测数据身份认证状况的防护参考依据。防护参考依据在园区人脸检测数据中对应的人脸部位可以包括防护参考依据存在于园区人脸检测数据的上检测数据区域、中检测数据区域或者下检测数据区域。防护参考依据在局部检测数据中对应的人脸部位可以包括防护参考依据存在于局部检测数据的不同人脸部位。

可以理解，生物活体描述特征的提炼（可以理解为特征提取、特征提炼或者细节挖掘）是为了能够基于生物活体描述特征实现第一园区人脸检测数据的多元回归分析（自动分类）。鉴于此，在提炼得到每组第一园区人脸检测数据对应的生物活体描述特征后，进一步，可以根据生物活体描述特征，对多组第一园区人脸检测数据进行区分处理，以确定出多组第一园区人脸检测数据中的非授权人脸检测数据和已授权人脸检测数据。

就NODE230而言，借助所确定的非授权人脸检测数据和所述多组第二园区人脸检测数据，生成人脸安防识别数据集（用于进行异常路径分析的参考检测数据集），并确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性（比如特征相似值），得到多组相关性运算结果（比如特征相似值计算结果）。

可以理解的是，在确定出多组第一园区人脸检测数据中的非授权人脸检测数据之后，可基于所确定的非授权人脸检测数据和多组第二园区人脸检测数据生成人脸安防识别数据集，以计算人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果。举例而言，比如确定出的非授权人脸检测数据为园区人脸检测数据face data1和园区人脸检测数据face data2，多组第二园区人脸检测数据分别为园区人脸检测数据face data3、园区人脸检测数据face data4和园区人脸检测数据face data5，则人脸安防识别数据集可以包括园区人脸检测数据face data1、园区人脸检测数据face data2、园区人脸检测数据face data3、园区人脸检测数据facedata4和园区人脸检测数据face data5，且园区人脸检测数据face data1、园区人脸检测数据face data2、园区人脸检测数据face data3、园区人脸检测数据face data4和园区人脸检测数据face data5都是非授权人脸检测数据。

进一步地，拟分析园区人脸检测数据可以是人脸采集摄像头上传的拟分析园区人脸检测数据，该拟分析园区人脸检测数据可以是人脸采集摄像头的安防工作者输入的园区人脸检测数据，比如人脸采集摄像头的安防工作者通过不同的方式输入的园区人脸检测数据，还可以通过其他技术获得对应的园区人脸检测数据。

进一步地，所述园区人脸检测数据的数据相关性计算的步骤可以是基于特征相似值计算思路实现，比如确定两个园区人脸检测数据之间的检测数据特征相似值，比如，可以在特征向量层面进行余弦/欧式距离的确定以得到对应的特征相似值。

对于NODE240而言，倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

在本公开实施例中，园区人脸安防检测指标（可以理解为特征相似值判定条件）是事先配置的将拟分析园区人脸检测数据归为非授权人脸检测数据的要求，比如，倘若人脸安防识别数据集中具有与拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，继而可以将拟分析园区人脸检测数据判定为非授权人脸检测数据。

进一步地，在采用特征相似值表示相关性运算结果时，园区人脸安防检测指标可以是特征相似判定值，特征相似判定值是事先配置将园区人脸检测数据定位成相关种类的最小相似值，比如如果人脸安防识别数据集中具有与拟分析园区人脸检测数据之间的特征相似值/相似值大于特征相似判定值的园区人脸检测数据，继而可以确定拟分析园区人脸检测数据为非授权人脸检测数据。

应用于上述技术方案，相比通过人脸比对规则进行园区人脸检测数据信息的防护识别，无需耗费大量资源构建人脸比对规则，仅需确定出人脸安防识别数据集，使得对拟分析园区人脸检测数据进行的人脸安防分析可以直接基于人脸安防识别数据集中的各组园区人脸检测数据进行数据相关性计算，可以克服通过人脸比对规则进行确定时只有满足人脸比对规则的检测数据才能被定位出来，而剩余检测数据不容易被定位而导致的非授权人脸漏检，还可以克服由于人脸比对规则的不适配问题而造成的非授权人脸误检，这样可以提升非授权人脸检测数据定位捕捉的效率和精度，为智慧园区的人脸安防检测提供保障。

在一些可独立的实施例中，可基于完成调试的人脸数据处理网络的步骤确定多组第一园区人脸检测数据中的非授权人脸检测数据，比如可以包括NODE310和NODE320所描述的内容。

NODE310、将所述每组第一园区人脸检测数据对应的防护分析描述值传入至已经过配置的人脸数据处理网络，得到所述人脸数据处理网络生成的所述每组第一园区人脸检测数据对应的非授权人脸命中率。

其中，所述非授权人脸命中率（风险人脸几率）为所述第一园区人脸检测数据为非授权人脸检测数据的几率，所述人脸数据处理网络是基于多组已添配防护参考依据的园区人脸检测数据范本和各组园区人脸检测数据范本对应的人脸身份类别（比如检测数据类别）调试得到的，所述人脸身份类别包括非授权人脸检测数据和已授权人脸检测数据。

在本公开实施例中，需要使用完成调试的人脸数据处理网络，该人脸数据处理网络是基于多组已添配防护参考依据的园区人脸检测数据范本和各组园区人脸检测数据范本对应的人脸身份类别对未训练的类别挖掘模型进行调试得到的。其中，未训练的类别挖掘模型可以根据实际情况选择现有的模型，在此不作限制。各组园区人脸检测数据范本对应的人脸身份类别是事先配置的，人脸身份类别可以包括非授权人脸检测数据和已授权人脸检测数据，比如事先配置哪一部分园区人脸检测数据范本是非授权人脸检测数据，哪一部分园区人脸检测数据范本是已授权人脸检测数据。在使用园区人脸检测数据范本进行未训练的类别挖掘模型的调试时，也需要提炼各组园区人脸检测数据范本对应的防护分析描述值（比如风险描述值，也可以理解为标注信息的特征值），其中，调试时使用的防护分析描述值包含的描述信息的种类与对第一园区人脸检测数据进行非授权人脸检测数据确定时使用的防护分析描述值包含的描述信息的种类是一致的。

进一步地，在调试得到人脸数据处理网络之后，将每组第一园区人脸检测数据对应的防护分析描述值传入至已经过配置的人脸数据处理网络中，可以得到人脸数据处理网络生成的每组第一园区人脸检测数据对应的非授权人脸命中率，其中，非授权人脸命中率为第一园区人脸检测数据为非授权人脸检测数据的几率，非授权人脸命中率是一种条件几率，在已完成部署人脸数据处理网络中的传入节点、隐含节点及生成节点、及事先配置非授权人脸检测数据和已授权人脸检测数据的基础上，将防护分析描述值输入人脸数据处理网络之后，生成的园区人脸检测数据为非授权人脸检测数据的几率。

NODE320、经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据。

举例而言，在获得每组第一园区人脸检测数据对应的非授权人脸命中率之后，继而可以根据非授权人脸命中率确定出多组第一园区人脸检测数据中的非授权人脸检测数据。

在一些可独立的实施例中，经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据的方法可以包括如下内容：将所述多组第一园区人脸检测数据中非授权人脸命中率超过第一指定限值的第一园区人脸检测数据，作为所述多组第一园区人脸检测数据中的非授权人脸检测数据。

在本公开实施例中，第一指定限值可以灵活设置，比如，将第一指定限值设定为0.9，那么如果多组第一园区人脸检测数据中具有非授权人脸命中率大于0.9的第一园区人脸检测数据时，继而可以将该非授权人脸命中率大于0.9的第一园区人脸检测数据作为多组第一园区人脸检测数据中的非授权人脸检测数据。

在一些可独立的实施例中，确定人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性的方法可以是根据人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量（比如可以但不限于是hashvalue）以及拟分析园区人脸检测数据对应的第二人脸细节量化向量的比较计算得到，举例而言可以包括NODE410和NODE420所描述的内容。

NODE410、经由所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量以及所述拟分析园区人脸检测数据对应的第二人脸细节量化向量，确定所述人脸安防识别数据集中的各组园区人脸检测数据与所述拟分析园区人脸检测数据之间的量化向量比较结果。

例如，确定人脸细节量化向量是一种基于设定映射规则（hash算法）得到园区人脸检测数据的数值变量的方法，其映射结果是确定出该园区人脸检测数据的一个不重复的人脸描述值。在本公开实施例中，人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量可反映各组园区人脸检测数据的细节信息，第二人脸细节量化向量可反映拟分析园区人脸检测数据的细节信息，鉴于此，可以通过第一人脸细节量化向量和第二人脸细节量化向量进行人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性分析。

由于园区人脸检测数据的人脸细节量化向量可以理解为数组向量，在本公开实施例中，可以通过第一数组人脸描述值和第二数组人脸描述值计算量化向量比较结果，来判断拟分析园区人脸检测数据与人脸安防识别数据集中的各组园区人脸检测数据是否相似。比如，如果人脸安防识别数据集中某个园区人脸检测数据对应的第一人脸细节量化向量为【ynyyyny】，拟分析园区人脸检测数据对应的第二人脸细节量化向量为【ynnynny】，继而可以确定人脸安防识别数据集中的该园区人脸检测数据与拟分析园区人脸检测数据之间的量化向量比较结果为2。

NODE420、倘若通过多组量化向量比较结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的量化向量比较结果不超过第二指定限值的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

进一步地，第二指定限值可以灵活设置，当两个园区人脸检测数据之间的量化向量比较结果不超过第二指定限值时，则判定两个园区人脸检测数据信息类似，否则，两个园区人脸检测数据信息不类似，进一步地，根据量化向量比较结果的确定规则以及特征相似值分析方式，可以将第二指定限值设为3。

在本公开实施例中，在确定出人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的量化向量比较结果，得到多组量化向量比较结果之后，如果根据多组量化向量比较结果判断得到人脸安防识别数据集中具有与拟分析园区人脸检测数据之间的量化向量比较结果不超过第二指定限值的园区人脸检测数据，换言之，人脸安防识别数据集中具有与拟分析园区人脸检测数据类似/接近的园区人脸检测数据，继而可以确定拟分析园区人脸检测数据为非授权人脸检测数据。

在一些可独立的实施例中，人脸安防识别数据集中各组园区人脸检测数据对应的第一人脸细节量化向量的确定思路可以包括NODE510-NODE530所描述的内容。

NODE510、对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集。

举例而言，首先对人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到多个检测数据块，多组检测数据块构成了各组园区人脸检测数据对应的第一人脸区域数据集。在本公开实施例中，对检测数据进行拆分的过程可以通过现有技术实现，在此不作限定。

NODE520、对所述第一人脸区域数据集中的每个人脸区域数据进行量化处理，得到所述每个人脸区域数据的人脸描述值。

进一步地，在对人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割得到各组园区人脸检测数据对应的第一人脸区域数据集之后，可以对第一人脸区域数据集中的每个人脸区域数据进行量化处理，得到每个人脸区域数据的人脸描述值（通过字符和/或数字组合得到的向量），这样可以实现将人脸区域数据由园区人脸检测数据转换为特征向量。

NODE530、经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

举例而言，每个人脸区域数据对应的偏心因子（权重系数）可以理解为每个人脸区域数据在对应园区人脸检测数据中的重要值（也可以理解为存在的次数），当确定各组园区人脸检测数据对应的第一人脸细节量化向量的第u个编号时，则获取到该园区人脸检测数据中的每个人脸区域数据的人脸描述值在其第u个编号上的值，然后根据每个人脸区域数据的人脸描述值在其第u个编号上的值以及每个人脸区域数据对应的偏心因子进行运算（加权加权），得到第一人脸细节量化向量第u个编号的数值，从而得到该园区人脸检测数据对应的第一人脸细节量化向量。

可选的，NODE530可以通过NODE610和NODE620实现。

NODE610、经由所述每个人脸区域数据对应的偏心因子对相应的人脸描述值进行优化处理，得到所述每个人脸区域数据对应的完成优化处理的描述值。

以人脸安防识别数据集中的园区人脸检测数据face data1为例，比如园区人脸检测数据face data1的人脸区域数据有Q个，每个人脸区域数据对应的偏心因子分别为：第1个人脸区域数据对应的偏心因子为index1；第2个人脸区域数据对应的偏心因子为index2，等等，第Q个人脸区域数据对应的偏心因子为indexQ；且每个人脸区域数据的人脸描述值分别为：第1个人脸区域数据的人脸描述值为ynnnyy；第2个人脸区域数据的人脸描述值为nyynyy，等等，第Q个人脸区域数据的人脸描述值为nyynyy。则根据每个人脸区域数据对应的偏心因子对相应的人脸描述值进行优化处理，可以得到每个人脸区域数据对应的完成优化处理的描述值分别为：

第1个人脸区域数据的对应的完成优化处理的描述值为index1-index1-index1-index1index1index1；

第2个人脸区域数据的对应的完成优化处理的描述值为-index2index2index2-index2index2index2；

...

第Q个人脸区域数据的对应的完成优化处理的描述值为：-indexQindexQindexQ-indexQindexQindexQ。

NODE620、将所述每个人脸区域数据对应的完成优化处理的描述值进行加权，得到加权结果，并对所述加权结果进行更新处理，得到所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

可以理解的是，在通过NODE610确定得到每个人脸区域数据对应的完成优化处理的描述值后，可以将每个完成优化处理的描述值进行加权，得到加权结果，也就是将多组加权结果汇总为一个结果，然后对加权结果进行更新处理（比如特征压缩），其中，更新处理可以是当加权结果中为负时标注0，为正时取标注1，最后得到各组园区人脸检测数据对应的第一人脸细节量化向量。

在本公开的另一个实施例中，人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量的确定思路还可以包括如下相关内容。

NODE710、对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集。

NODE720、对所述第一人脸区域数据集中的目标人脸区域数据进行量化处理，得到所述目标人脸区域数据的人脸描述值。

NODE730、经由所述目标人脸区域数据的人脸描述值以及所述目标人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

可以理解的是，NODE710及NODE730分别与NODE510及NODE530的设计思路类似，从另外的角度来看，本公开实施例是对第一人脸区域数据集中的目标人脸区域数据进行量化处理，然后根据目标人脸区域数据的人脸描述值以及目标人脸区域数据对应的偏心因子，生成人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量，这样可以减少量化处理的处理负荷，提高检测数据分析时效性。

在一些可独立的实施例中，目标人脸区域数据可以是根据每个人脸区域数据的人脸数据热力评分抽样出的，可以包括NODE810-NODE820。

NODE810、确定所述第一人脸区域数据集中的每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分。

人脸数据热力评分可以理解为关注度，用于表征人脸区域数据在整体检测数据中的重要程度或者价值度。

其中，通过确定第一人脸区域数据集中的每个人脸区域数据在人脸安防识别数据集中的人脸数据热力评分，比如确定每个人脸区域数据对于人脸安防识别数据集的影响力，可以进一步根据影响力抽样出目标人脸区域数据。

NODE820、按照所述人脸数据热力评分由大至小的顺序，从所述第一人脸区域数据集中抽样选定数量个人脸区域数据作为所述目标人脸区域数据。

可以理解的是，在确定出每个人脸区域数据在人脸安防识别数据集中的人脸数据热力评分之后，可以按照人脸数据热力评分由大至小的顺序，从第一人脸区域数据集中抽样选定数量个人脸区域数据作为目标人脸区域数据。

举例而言，抽样的步骤可以是抽样编号靠前的选定数量个人脸区域数据作为目标人脸区域数据，编号靠前的人脸区域数据的人脸数据热力评分越高，说明人脸区域数据在人脸安防识别数据集中的影响力越高，由于第一人脸细节量化向量能够代表人脸安防识别数据集中的各组园区人脸检测数据的细节信息，基于此，将影响力高的人脸区域数据作为目标人脸区域数据，然后对目标人脸区域数据进行量化处理，生成人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量，可以使得第一人脸细节量化向量能够更加反映各组园区人脸检测数据的细节信息。

举例而言，NODE810可以包括NODE910和NODE920。

NODE910、确定所述每个人脸区域数据在所述人脸安防识别数据集中匹配的关注度，以及确定所述每个人脸区域数据在所述人脸安防识别数据集中对应的重要性权值。

为了确定每个人脸区域数据在人脸安防识别数据集中的人脸数据热力评分，可以首先确定每个人脸区域数据在人脸安防识别数据集中匹配的关注度（通过人脸区域数据的出现次数确定）。之后，进一步确定每个人脸区域数据在人脸安防识别数据集中对应的重要性权值，确定得到的重要性权值为每个人脸区域数据的重要值除以人脸区域数据的总数目。

比如人脸安防识别数据集有1000组园区人脸检测数据，对人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到各组园区人脸检测数据对应的第一人脸区域数据集，根据各组园区人脸检测数据对应的第一人脸区域数据集可以确定得到人脸区域数据的总数目为1万个，进一步假设人脸区域数据“set1”在人脸安防识别数据集中的出现次数为18，人脸区域数据“set1”在人脸安防识别数据集中10组园区人脸检测数据中存在过，继而可以确定得到人脸区域数据“set1”对应的重要性权值为T1=0.0018，人脸区域数据“set1”匹配的关注度为V=2。

NODE920、基于所述关注度与所述重要性权值，确定所述每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分。

进一步地，可以将确定出的关注度与重要性权值的设定运算结果作为每个人脸区域数据在人脸安防识别数据集中的人脸数据热力评分。就NODE910而言，确定得到的重要性权值T1＝0.0018，关注度V＝2，继而可以计算得到人脸区域数据“set1”的人脸数据热力评分T1-V＝0.0036。

在一些可独立的实施例中，拟分析园区人脸检测数据对应的第二人脸细节量化向量的确定思路可以包括：对所述拟分析园区人脸检测数据进行人脸数据分割，得到第二人脸区域数据集；对所述第二人脸区域数据集中的每个人脸区域数据进行量化处理，得到所述每个人脸区域数据的人脸描述值；经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述拟分析园区人脸检测数据对应的第二人脸细节量化向量。

本公开实施例中生成拟分析园区人脸检测数据对应的第二人脸细节量化向量的步骤与上述确定人脸授权分析检测数据对应的第一人脸细节量化向量的步骤接近。

在本公开的另一个实施例中，生成拟分析园区人脸检测数据对应的第二人脸细节量化向量的方法还可以包括：对所述拟分析园区人脸检测数据进行人脸数据分割，得到第二人脸区域数据集；对所述第二人脸区域数据集中的目标人脸区域数据进行量化处理，得到所述目标人脸区域数据的人脸描述值；经由所述目标人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述拟分析园区人脸检测数据对应的第二人脸细节量化向量。

本公开实施例中确定拟分析园区人脸检测数据对应的第二人脸细节量化向量的步骤与上述确定人脸授权分析检测数据对应的第一人脸细节量化向量的步骤接近。

对于另一些实施例而言，基于智慧校园的人脸识别防护方法可以包括以下内容：获得多组第一园区人脸检测数据和多组第二园区人脸检测数据，其中，第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据；提炼每组第一园区人脸检测数据对应的生物活体描述特征；根据生物活体描述特征，确定出非授权人脸检测数据和已授权人脸检测数据；借助所确定的非授权人脸检测数据和多组第二园区人脸检测数据，生成人脸安防识别数据集；计算人脸安防识别数据集中的各组园区人脸检测数据和拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果；倘若通过多组相关性运算结果判断得到人脸安防识别数据集中具有与拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定拟分析园区人脸检测数据为非授权人脸检测数据。

除此之外，在另外的一些实施例下，在步骤“倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据”之后，该方法还可以包括如下内容：获取所述拟分析园区人脸检测数据对应的园区路径统计信息；基于所述园区路径统计信息进行异常路径分析，得到针对疑似风险路径的行进路径预测结果；经由所述行进路径预测结果进行安防预警。

在本公开实施例中，可以通过控制/调度中心获取拟分析园区人脸检测数据对应的园区路径统计信息，园区路径统计信息可以是对应人员的行走路径。基于此，可以异常路径分析，得到针对疑似风险路径的行进路径预测结果，从而通过行进路径预测结果进行安防预警，确保智慧校园的安全。

除此之外，在另外的一些实施例下，基于所述园区路径统计信息进行异常路径分析，得到针对疑似风险路径的行进路径预测结果，可以通过如下技术方案实现：获取针对所述园区路径统计信息的路径轨迹信息记录，所述路径轨迹信息记录包括至少两个路径轨迹信息（不同角度和关注面的人物行进路径信息）；获得所述路径轨迹信息记录中的各个路径轨迹信息与所述园区路径统计信息之间的重要性权值（相关性系数）；根据所述各个路径轨迹信息对应的重要性权值，以及所述各个路径轨迹信息的园区区域主题，对所述各个路径轨迹信息进行整理，得到相应的路径轨迹信息组；基于所述路径轨迹信息组确定针对所述园区路径统计信息的疑似风险路径预测队列，所述疑似风险路径预测队列包括至少两个路径预测特征；经由所述疑似风险路径预测队列确定行进路径预测结果。

如此，基于各个路径轨迹信息对应的重要性权值，以及所述各个路径轨迹信息的园区区域主题能够实现路径轨迹信息组的有序整理，从而实现对疑似风险路径预测队列的完整准确提炼分析，避免疑似风险路径预测队列出现丢失，且疑似风险路径预测队列包括至少两个路径预测特征，因而可以根据不同的路径预测特征的紧急程度准确、合理地生成行进路径预测结果。

除此之外，在另外的一些实施例下，所述根据所述各个路径轨迹信息对应的重要性权值，以及所述各个路径轨迹信息的园区区域主题，对所述各个路径轨迹信息进行整理，得到相应的路径轨迹信息组，包括：根据所述各个路径轨迹信息对应的重要性权值，以及所述各个路径轨迹信息的园区区域主题，对所述各个路径轨迹信息进行拆解，得到至少两个路径轨迹信息局部报告；对各个路径轨迹信息局部报告进行整理，并分别对所述各个路径轨迹信息局部报告中的各个路径轨迹信息进行整理，得到所述路径轨迹信息组。如此，可以保障路径轨迹信息组的完整性。

除此之外，在另外的一些实施例下，所述根据所述各个路径轨迹信息对应的重要性权值，以及所述各个路径轨迹信息的园区区域主题，对所述各个路径轨迹信息进行拆解，得到至少两个路径轨迹信息局部报告，包括：分别根据所述各个路径轨迹信息对应的重要性权值，对所述各个路径轨迹信息的园区区域主题进行加权，得到所述各个路径轨迹信息的项目园区区域主题；根据所述各个路径轨迹信息的项目园区区域主题对所述各个路径轨迹信息进行分组，得到至少两个路径轨迹信息局部报告。

除此之外，在另外的一些实施例下，所述对各个路径轨迹信息局部报告之间进行整理，并分别对所述各个路径轨迹信息局部报告中的各个路径轨迹信息进行整理，得到所述路径轨迹信息组，包括：根据各个路径轨迹信息局部报告所包含的路径轨迹信息的数目，对所述各个路径轨迹信息局部报告进行整理；以及，针对所述各个路径轨迹信息局部报告，根据所述路径轨迹信息局部报告中各个路径轨迹信息的园区区域主题与所述路径轨迹信息局部报告的关联度，对所述路径轨迹信息局部报告中的各个路径轨迹信息进行整理；基于所述各个路径轨迹信息局部报告之间的组合结果，以及所述各个路径轨迹信息局部报告中各个路径轨迹信息的组合结果，生成所述路径轨迹信息组。如此，可以保障路径轨迹信息组的完整性。

应当理解，本方案中进行人脸采集和路径分析跟踪是经过相关人员知晓和授权的。换言之，每一进入智慧校园的人员会被告知存在人脸监控要求和路径跟踪要求，如果人员不同意上述要求，则可以拒绝进入智慧校园。

基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种基于智慧校园的人脸识别防护方法的应用环境30的架构示意图，包括互相之间通信的智慧校园防护系统10和校园视频监控系统20，智慧校园防护系统10和校园视频监控系统20在运行时实现或者部分实现上述方法实施例所描述的技术方案。

进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本公开实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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。基于这样的理解，本公开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、或者网络设备等）执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于智慧校园的人脸识别防护方法，其特征在于，应用于智慧校园防护系统，所述方法至少包括：

获得多组第一园区人脸检测数据以及多组第二园区人脸检测数据；其中，所述第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，所述第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据；

利用每组第一园区人脸检测数据添配的防护参考依据，提炼所述每组第一园区人脸检测数据对应的生物活体描述特征，并经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

借助所确定的非授权人脸检测数据和所述多组第二园区人脸检测数据，生成人脸安防识别数据集，并确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

2.根据权利要求1所述的方法，其特征在于，经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述每组第一园区人脸检测数据对应的防护分析描述值传入至已经过配置的人脸数据处理网络，得到所述人脸数据处理网络生成的所述每组第一园区人脸检测数据对应的非授权人脸命中率，所述非授权人脸命中率为所述第一园区人脸检测数据为非授权人脸检测数据的几率，所述人脸数据处理网络是基于多组已添配防护参考依据的园区人脸检测数据范本和各组园区人脸检测数据范本对应的人脸身份类别调试得到的，所述人脸身份类别包括非授权人脸检测数据和已授权人脸检测数据；经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

其中，经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述多组第一园区人脸检测数据中非授权人脸命中率超过第一指定限值的第一园区人脸检测数据，作为所述多组第一园区人脸检测数据中的非授权人脸检测数据。

3.根据权利要求1所述的方法，其特征在于，确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果，包括：经由所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量以及所述拟分析园区人脸检测数据对应的第二人脸细节量化向量，确定所述人脸安防识别数据集中的各组园区人脸检测数据与所述拟分析园区人脸检测数据之间的量化向量比较结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据，包括：倘若通过多组量化向量比较结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的量化向量比较结果不超过第二指定限值的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据；

其中，所述方法还包括：对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集；对所述第一人脸区域数据集中的每个人脸区域数据进行量化处理，得到所述每个人脸区域数据的人脸描述值；经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量；

其中，经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量，包括：经由所述每个人脸区域数据对应的偏心因子对相应的人脸描述值进行优化处理，得到所述每个人脸区域数据对应的完成优化处理的描述值；将所述每个人脸区域数据对应的完成优化处理的描述值进行加权，得到加权结果，并对所述加权结果进行更新处理，得到所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集；对所述第一人脸区域数据集中的目标人脸区域数据进行量化处理，得到所述目标人脸区域数据的人脸描述值；经由所述目标人脸区域数据的人脸描述值以及所述目标人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量；

其中，所述方法还包括：确定所述第一人脸区域数据集中的每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分；按照所述人脸数据热力评分由大至小的顺序，从所述第一人脸区域数据集中抽样选定数量个人脸区域数据作为所述目标人脸区域数据。

5.根据权利要求4所述的方法，其特征在于，确定所述第一人脸区域数据集中的每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分，包括：

确定所述每个人脸区域数据在所述人脸安防识别数据集中匹配的关注度，以及确定所述每个人脸区域数据在所述人脸安防识别数据集中对应的重要性权值；

基于所述关注度与所述重要性权值，确定所述每个人脸区域数据在所述人脸安防识别数据集中的人脸数据热力评分。

6.一种智慧校园防护系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-5任一项所述的方法。

7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-5任一项所述的方法。

8.一种智慧校园防护系统，其特征在于，所述智慧校园防护系统与校园视频监控系统通信，智慧校园防护系统用于：

通过所述校园视频监控系统获得多组第一园区人脸检测数据以及多组第二园区人脸检测数据；其中，所述第一园区人脸检测数据为已添配防护参考依据的园区人脸检测数据，所述第二园区人脸检测数据为没有绑定防护参考依据的非授权人脸检测数据；

利用每组第一园区人脸检测数据添配的防护参考依据，提炼所述每组第一园区人脸检测数据对应的生物活体描述特征，并经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

借助所确定的非授权人脸检测数据和所述多组第二园区人脸检测数据，生成人脸安防识别数据集，并确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据。

9.根据权利要求8所述的系统，其特征在于，所述智慧校园防护系统经由所述生物活体描述特征确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述每组第一园区人脸检测数据对应的防护分析描述值传入至已经过配置的人脸数据处理网络，得到所述人脸数据处理网络生成的所述每组第一园区人脸检测数据对应的非授权人脸命中率，所述非授权人脸命中率为所述第一园区人脸检测数据为非授权人脸检测数据的几率，所述人脸数据处理网络是基于多组已添配防护参考依据的园区人脸检测数据范本和各组园区人脸检测数据范本对应的人脸身份类别调试得到的，所述人脸身份类别包括非授权人脸检测数据和已授权人脸检测数据；经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据；

其中，经由所述每组第一园区人脸检测数据对应的非授权人脸命中率，确定所述多组第一园区人脸检测数据中的非授权人脸检测数据，包括：将所述多组第一园区人脸检测数据中非授权人脸命中率超过第一指定限值的第一园区人脸检测数据，作为所述多组第一园区人脸检测数据中的非授权人脸检测数据。

10.根据权利要求8所述的系统，其特征在于，所述智慧校园防护系统确定所述人脸安防识别数据集中的各组园区人脸检测数据与拟分析园区人脸检测数据之间的数据相关性，得到多组相关性运算结果，包括：经由所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量以及所述拟分析园区人脸检测数据对应的第二人脸细节量化向量，确定所述人脸安防识别数据集中的各组园区人脸检测数据与所述拟分析园区人脸检测数据之间的量化向量比较结果；

倘若通过所述多组相关性运算结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的数据相关性符合园区人脸安防检测指标的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据，包括：倘若通过多组量化向量比较结果判断得到所述人脸安防识别数据集中具有与所述拟分析园区人脸检测数据之间的量化向量比较结果不超过第二指定限值的园区人脸检测数据，则确定所述拟分析园区人脸检测数据为非授权人脸检测数据；

其中，所述智慧校园防护系统还用于：对所述人脸安防识别数据集中的各组园区人脸检测数据进行人脸数据分割，得到所述各组园区人脸检测数据对应的第一人脸区域数据集；对所述第一人脸区域数据集中的每个人脸区域数据进行量化处理，得到所述每个人脸区域数据的人脸描述值；经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量；

其中，经由所述每个人脸区域数据的人脸描述值以及所述每个人脸区域数据对应的偏心因子，生成所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量，包括：经由所述每个人脸区域数据对应的偏心因子对相应的人脸描述值进行优化处理，得到所述每个人脸区域数据对应的完成优化处理的描述值；将所述每个人脸区域数据对应的完成优化处理的描述值进行加权，得到加权结果，并对所述加权结果进行更新处理，得到所述人脸安防识别数据集中的各组园区人脸检测数据对应的第一人脸细节量化向量。

Images