WO2020215229A1 - 一种人脸注册方法、人脸注册装置、服务器和可存储介质 - Google Patents

Abstract

一种人脸注册方法、人脸注册装置、服务器和存储设备，涉及人脸识别技术领域。其中，人脸注册方法包括：采集人脸图片；检测多次采集到的人脸图片是否来自同一人；若确定多次采集到的人脸图片来自同一人，则根据多次采集到的人脸图片获得注册数据。该方法可尽量避免不同的人脸均可验证通过的风险。

Description

一种人脸注册方法、人脸注册装置、服务器和可存储介质 技术领域

本申请涉及人脸识别技术领域，特别涉及一种人脸注册方法、服务器和可存储介质。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

基于人脸识别技术的实际应用，需要先进行人脸注册，获取人脸图片数据，为增加人脸识别的准确性，现采用3D人脸识别技术，注册时对应地采用3D人脸注册。实际应用中，3D人脸注册是使用3D人脸识别进行手机/门锁解锁的基础，主要是在模块内部建立私有数据库(面部照片、面部三维数据或根据照片\三维信息提取的特征)，在使用类似解锁功能时，实时采集数据与所建立的私有数据库进行比对，判定该数据是否与数据库内是同一人的数据，从而决定是否授权通过。

本申请发明人发现，即使采用3D人脸识别技术，仍存在不少安全隐患，如同一账号采用不同的人脸均可通过验证，甚至采用人头模型也可以验证通过。

发明内容

本申请部分实施例的目的在于提供一种人脸注册方法、服务器和可存储介质，使得尽量避免不同的人脸均可验证通过的风险。

本申请实施例提供了一种人脸注册方法，包括：采集人脸图片；检测多次采集到的人脸图片是否来自同一人；若确定多次采集到的人脸图片来自同一人，则根据多次采集到的人脸图片获得注册数据。

本申请实施例还提供了一种人脸注册装置，包括：采集模块，用于采集人脸图片；检测模块，用于检测多次采集到的人脸图片是否来自同一人；融合模块，用于在确定多次采集到的人脸图片来自同一人时，根据多次采集到的人脸图片获得注册数据。

本申请实施例还提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的人脸注册方法。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述的人脸注册方法。

本申请实施例现对于现有技术而言，在注册过程中增加前后图像是否为同一人的检测，在确定后再获取注册数据，使得得到的注册数据中的人脸数据来自同一人，可以避免注册过程的换人注册，从而避免识别过程中对不同人都可验证通过的问题，大大减少识别过程的安全隐患。

例如，所述检测多次采集到的人脸图片是否来自同一人，具体包括：获 得每次采集的人脸图片的特征数据；比对从各次采集的人脸图片中获得的特征数据；根据比对结果确定所述多次采集到的人脸图片是否来自同一人。本实施例明确对多次采集到的人脸图片是否来自同一人的检测方法。

例如，每次采集到的所述人脸图片具体包括：泛光图像和/或结构光图像；所述获得所述人脸图片的特征数据，具体为：根据所述泛光图像和/或所述结构光图像获得所述人脸图片的特征数据。本实施例明确特征数据的来源。

例如，若采集到的所述人脸图片包括结构光图像，则在获得所述人脸图片的特征数据时，对所述结构光图像进行3D重建，从重建图中提取所述特征数据。本实施例明确从结构光图中提取特征数据的方法。

例如，所述重建图的数据形式，包括：深度图和/或三维点云。本实施例可用不同数据形式的重建图，增加重建过程的灵活性。

例如，每次采集到的所述人脸图片具体包括：一张泛光图像和一张结构光图像。本实施例明确每次采集的图像数量。

例如，所述检测多次采集到的人脸图片是否来自同一人，具体为：检测相邻两次采集到的人脸图片是否来自同一人。本实施例明确是否为同一人的判断可以具体通过相邻两次采集的图片来判断，增加判定结果的可信度。

例如，所述根据多次采集到的人脸图片获得注册数据，具体包括：融合所述多次采集到的人脸图片以获得所述注册数据。本实施例明确在获得注册数据的具体方法。

例如，所述获得每次采集的所述人脸图片的特征数据之后，还包括：将所述特征数据存为模板；所述融合各人脸图片数据，具体为：融合由各人脸图片获得的模板。本实施例明确融合数据的具体方法。

例如，所述融合各人脸图片数据之后，包括：判断融合后的数据是否包含完整的人脸特征；若人脸特征不完整，则继续执行所述采集人脸图片的步骤。本实施例根据特征完整性判断，可以在保证采集到准确完整的数据的同时，减少采集次数

例如，所述采集人脸图片之后，以及根据多次采集到的人脸图片获得注册数据之前，还包括：检测所述人脸图片中的人脸是否为活体；所述若确定多次采集到的人脸图片来自同一人，则根据多次采集到的人脸图片获得注册数据，具体为：若确定多次采集到的人脸图片来自同一人，且确定所述人脸图片中的人脸为活体，则根据多次采集到的人脸图片获得注册数据。本实施例新增对人脸图片的活体检测，避免注册过程中使用模型等非活体，从而进一步保证人脸识别的安全性。

例如，若采集到的人脸图片包括泛光图像，则根据以下步骤检测所述人脸图片中的人脸是否为活体：利用频谱分析或局部二值法处理所述人脸的所述泛光图像；根据处理结果确定人脸是否为活体。本实施例明确活体检测的具体方法。

例如，若采集到的人脸图片包括结构光图像，则根据以下步骤检测所述人脸图片中的人脸是否为活体：对所述结构光图像进行3D重建，获得重建图；根据所述重建图检测所述人脸图片中的人脸是否为活体。本实施例明确活体检测的另一种具体方法。

附图说明

一个或多张实施例通过与之对应的附图中的图片进行示例性说明，这些 示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是根据本申请第一实施例中的人脸注册方法的流程图；

图2是根据本申请第一实施例中的人脸注册方法中的检测采集到的多张人脸图片是否来自同一人的具体流程图；

图3是根据本申请第一实施例中的人脸注册方法的工作原理示意图；

图4是根据本申请第三实施例中的人脸注册方法的流程图；

图5和图6分别为第三实施例中采集真人所获得的人脸图片及对应的DFT处理后的频谱图；

图7和图8分别为第三实施例中采集伪造人所获得的人脸图片及对应的DFT处理后的频谱图；

图9为第三实施例中人脸注册方法中使用的对图片进行LBP变换的原理示意图；

图10和图11分别为第三实施例中采集真人所获得的人脸图片及对应的LBP变换后的图谱；

图12是根据本申请第四实施例中的人脸注册方法的流程图；

图13是根据本申请第四实施例中的另一人脸注册方法的流程图；

图14是根据本申请第五实施例中的人脸注册装置的示意图；

图15是根据本申请第六实施例中的服务器的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及 实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请第一实施例涉及一种人脸注册方法。

本实施方式可以应用于一种人脸识别装置，以智能门锁为例，智能门锁在新增用户(即新用户注册)时，需要录入新用户信息，具体为将新增用户的人脸数据收集、处理、存储入用户数据库，从而在该新用户需要开启或关闭智能门锁时，站立于智能门锁前方，由智能门锁的摄像设备采集人脸信息并识别。

本实施例中人脸注册方法的具体流程如图1所示。

步骤101，采集人脸图片。

具体的说，本实施方式中通过智能门锁自带的摄像设备采集人脸图片，在一个例子中，摄像设备启动拍摄，采集到一张图片后，先进行2D人脸检测，判断是否存在人脸，如果存在人脸，则进行后续步骤，如果不存在人脸，可能拍摄出错，拍摄到不完全的人脸或拍摄到不够清晰的人脸，则返回重新采集图片。

在一个例子中，可以采用深度学习法进行2D人脸检测，通过深度学习法获得一个完整的2D人脸所需包含的人脸特征，在检测时利用深度学习法得到的人脸特征进行比对检测，如果采集到的图片中符合这些人脸特征，就认为采集到的图片中存在人脸，否则，就认为不存在人脸。其中，人脸特征可以是是否有眼睛、眼睛的数量是否为两个、是否有鼻子、鼻子的数量是否为一个，轮廓形状可以是眼睛可能的形状，鼻子可能的形状，还可以包含眼睛和鼻子的相对位置等，在此不再一一列举。

步骤102，检测多次采集到的人脸图片是否来自同一人；若确定多次采 集到的人脸图片来自同一人，则执行步骤103；若否，则返回执行步骤101。

以采集到的人脸图片为泛光图像为例，检测多次采集到的人脸图片是否来自同一人的步骤可以如图2所示，具体如下：

步骤201，获得多次采集到的人脸图片的特征数据。

步骤202，比对从各人脸图片中获得的特征数据。

步骤203，根据比对结果确定多次采集到的人脸图片是否来自同一人。

具体的说，上述步骤可以通过泛光图像中人脸的特征数据的比对确定多张人脸图片是否来自同一人，特征数据如眼睛的长宽比、两个眼睛的间距、眉毛的曲线长度和弧度、嘴巴的长宽比、下巴的弧度等，上述特征数据中的眼睛、眉毛、嘴巴等特征可以从泛光图像中识别出，并通过测量获得特征数据值。由于一般同一人的这些轮廓尺寸基本保持不变，所以根据这些特征数据的比对结果确定是否为同一人准确可行。

继续说明，在一个新用户的注册过程中，可能多次采集人脸，第三次、第四次等各次采集到人脸图片时，均可以和已经存储的人脸图片进行比对，从而尽可能保证对于一次注册中获取的人脸数据均来自同一人。

以3D人脸识别为例，融合多张人脸图片，形成3D人脸，那么当第一次采集到人脸图片时，可以直接存储，第二次采集到人脸图片时，需要和已经存储的人脸图片进行比对，确定两个人脸图片是否为同一人，确定为同一人时，才继续后续步骤，如果不是同一人，则可以认为采集到无效数据从而丢弃。

在一个例子中，本实施方式在检测多次采集到的人脸图片是否来自同一人具体为：检测相邻两次采集到的人脸图片是否来自同一人。实际应用中，也可以检测相邻或者连续两次以上采集到的人脸图片是否来自同一人，也可以检 测非相邻两次采集到的人脸图片是否来自同一人，各种检测规则可以根据实际需要设置，在此不再一一列举。

步骤103，获得注册数据。

具体的说，将多次采集到的人脸图片融合，其中包括将人脸特征数据叠加、组合、去重，形成融合后的人脸模型，根据融合后的数据获得注册数据中的人脸数据。此外，注册数据可以包含账户名、密码等信息，在此不再赘述。

在一个例子中，融合后可以判断采集次数是否达到，在3D人脸的注册过程中，可以预设一定量的采集次数，以保证采集到足够的数据量。如果在一次融合后判定出采集数未达到预定值，则返回步骤101继续采集，直到采集次数达到，获得的最后一次融合后的数据即为注册数据中的人脸数据。

上述步骤102至103即为若确定多次采集到的人脸图片来自同一人，则根据多次采集到的人脸图片获得注册数据。

需要继续说明的是，本实施方式中步骤101至步骤103为注册过程中一次采集的流程，而实际注册过程中可以多次采集，从而获得多张人脸图片。其中，可以设置采集次数阈值，在采集次数达到阈值时，结束整个注册流程。

上述步骤101至103的结构和工作原理可以如图3所示，其中的人4通过人机交互设备3(例如触摸屏)向控制器(或处理器)2发采集信息，其中的控制器可以是AP(Application Processor的简称)，控制器2向摄像模组1发送采集指令，摄像模组1接受命令后，投射结构光至人4的面部，经反射后由摄像模组1采集图片，送至控制器2进行处理，控制器2具体用于实现人脸检测、识别、3D重建和数据融合等功能。

本实施例相对于现有技术而言，在注册过程中增加前后图像是否为同一 人的检测，在确定后再进行人脸数据的融合，使得得到的注册数据中的人脸数据来自同一人，可以避免注册过程的换人注册，从而避免识别过程中对不同人都可验证通过的问题，大大减少识别过程的安全隐患。其中，根据人脸的泛光图像获得特征数据，再比对各特征数据，从而根据比对结果确定多次采集的人脸图片是否来自同一人，明确清楚，可实现性佳。

本实施例中以人脸注册方法应用于人脸识别装置为例，在另一个例子中，本实施例中的人脸注册方法还可以应用于服务器，具体过程可以包括：服务器通过人脸识别装置采集人脸图片，获得采集到的单个图片后进行人脸识别，对一次注册中多次采集到的包含人脸的图片进行是否为同一人的判断，将判定为同一人的多张人脸图片进行数据融合，最终获得注册数据。

本申请第二实施例涉及一种人脸注册方法。本实施方式和第一实施方式大致相同，主要区别在于：第一实施方式中在是否为同一人的检测时，通过采集到的泛光图像进行检测，而本实施方式中不仅采集泛光图像，还采集结构光图像，根据泛光图像和结构光图像的结合进行检测，提供另一种检测方法，且可以获得3D数据，进一步增加检测结果的准确性。

本实施方式中人脸注册方法如图1所示，具体如下：

步骤101，采集人脸图片。

具体的说，本步骤中除了采集对应人脸的泛光图像，还可以采集结构光图像。具体可以通过摄像设备中内置的投射器，将结构光投射到人脸上，再通过摄像设备中的摄像头进行采集，获得对应的结构光图像。其中，已知空间方向的投影光线的集合称为结构光，如散斑。

步骤102，检测多次采集到的人脸图片是否来自同一人；若确定多次采集到的人脸图片来自同一人，则执行步骤103；若否，则返回执行步骤101。

具体的说，本步骤在检测时可以采用如图2所示的检测流程，具体如下：

步骤201，获得多次采集到的人脸图片的特征数据。

具体的说，本步骤中对人脸的泛光图像提取特征数据和第一实施方式相类似，在此不再赘述。

而本步骤中对人脸的结构光图像提取特征数据时，对结构光图像进行3D重建，从重建图中提取特征数据。具体的说，通过3D重建所获得的重建图的数据形式可以包括：深度图或三维点云，在一个例子中，也可以是两者的组合。之后对重建图进行特征数据的计算，从而获得人脸的特征数据。

继续说明，对结构光图像进行3D重建的过程可以具体如下：根据摄像设备的参数计算出结构光图像所对应物体的三维坐标，摄像设备的参数包括：内参(如相机焦距、主点位置等)和外参(摄像头和投射器间的旋转和平移关系)。更具体的说，系统预存了摄像设备的预存图(可以是散斑图)，将采集到的图片和预存图进行匹配，获得视差，根据视差、内参、外参共同计算出人脸的三维坐标。之后，根据计算出的三维坐标提取出人脸的特征数据。

继续说明，本步骤获得的特征数据可以即包括从泛光图像中提取出的特征数据，又包括从结构光图像获得的点云或深度图中提取出的特征数据。

步骤202，比对从各人脸图片中获得的特征数据。

具体的说，比对时可以具体将后采集到的特征数据与先采集到的特征数据进行比对，其中，先采集到的人脸图片可以根据采集时间选定，如选定其中采集时间最为接近的进行比对。

步骤203，根据比对结果确定多次采集到的人脸图片是否来自同一人。

具体的说，比对的结果可以为特征数据的相似度，预先设定相似度阈值，如果比对结果中相似度高于该阈值时，则确定各人脸图片来自同一人。

在一个例子中，可以设定比对一次，根据这一次的比对结果确定是否为同一人，如果比对结果符合预设条件，则确定为同一人，如果不符合预设条件，则确定为不是同一人。在另一个例子中，也可以设定需比对多次，根据多次比对结果共同确定是否为同一人。

总之，上述步骤201至步骤203具体根据由各结构光图像生成的模板，检测采集到的多张人脸图片是否来自同一人。在确定为同一人后继续执行后续步骤。步骤103，融合各人脸图片数据，获得注册数据。

具体的说，在融合人脸图片数据前，可以将上述特征数据存为模板，之后在融合时，可以融合各模板。具体的说，多张人脸图片对应一个人脸的不同角度，在融合时，根据人脸角度变化，将各模板深度融合，获得的最后一次融合后的数据即为注册数据中的人脸数据。由于模板数据中数据量精简，也有利于减少处理过程中的数据量。

可见，本实施例中不仅通过泛光图像，还通过结构光图像共同获得特征数据，再比对特征数据确定各人脸图片是否为同一人，结构光图像中包含了三维信息，泛光图像中包含了二维信息，所以两者结合后，信息更为丰富，也就使得检测结果更为准确，可信度更高。

在一个例子中，特征数据可以仅通过结构光图像获取，在此不再赘述。

本申请第三实施例涉及一种人脸注册方法。本实施方式是在第一实施方 式的基础上做了进一步改进，主要改进之处在于：本实施方式除了检测多张人脸图片是否来自同一人之外，还增加检测每次检测到的人脸图片是否为真人，避免采用人像模型等进行数据采集，影响后续识别过程的安全性。

本实施方式中人脸注册方法的流程图如图4所示，具体如下：

步骤401，采集人脸图片。

具体的说，本实施例可以包括采集泛光图像。

步骤402，检测人脸图片中的人脸是否为活体；若是，则继续执行步骤403；若否，则返回执行步骤401。

具体的说，人脸的活体可以称为真人人脸，现有技术中，利用人像模型注册也具有可行性，造成存储的数据来源于拍摄到的人像模型，所以并未存储到注册用户本人的真实数据，也就使得存储的注册数据本身不具有可信性，之后识别阶段，任何人只要手持这个人像模型都可以识别通过。那么，为了提高注册数据的可信度，从而增加识别结果的可信度，本实施方式中增加人脸是否为活体的检测，避免注册阶段采用人像模型注册。

在一个例子中，本步骤利用频谱分析或局部二值法处理人脸的泛光图像；根据处理结果确定人脸是否为活体。由于真假人脸的反色率或吸收率不同，同一光源照射下采集的图像呈现不同的细节，可以采用频谱分析或LBP特征或上述两种的组合进行细节分析，其中，频谱分析(如离散傅里叶变换，Discrete Fourier Transform，简称DFT)、LBP(局部二值模式，Local Binary Pattern)可以结合深度学习等方式对图片进行活体检测，区分真伪。

以图5至图8为例，图5和图6分别为采集真人所获得的人脸图片及对应的DFT处理后的频谱图，图7和图8分别为采集伪造人所获得的人脸图片及 对应的DFT处理后的频谱图。从上述各图中可以看出，根据真人获得的人脸图片在处理后有明显的灰度渐变，色块边界模糊，而根据伪造人获得的人脸图片在经过DFT处理后，色块分界明显，所以通过DFT处理获得的频谱图可以区分采集到的人脸图片来自真人或伪造人。

在另一个例子里，可以对人脸图片进行LBP后区分真伪。图9为对图片进行LBP变换的原理示意，图10和图11分别为采集真人所获得的人脸图片及对应的LBP变换后的图谱，从而根据LBP图谱确定灰度特征，可以看出对人脸图片进行LBP处理后，灰度渐变具有一定的特征，可以利用这种特征区分采集到的人脸图片来自真人或伪造人。

步骤403至步骤404和第一实施方式中的步骤102至103相类似，在此不再赘述。

本实施方式中通过泛光图像进行活体检测，在一个例子中，还可以通过结构光图像进行活体检测，具体包括：对结构光图像进行3D重建，获得重建图；根据重建图检测人脸图片中的人脸是否为活体。更具体的说，通过摄像设备采集结构光图像时，可以根据转换生成的3D图像来判断被采集的人脸是真人人脸还是照片，由于照片是二维物体，所以如果用照片作为采集对象，就无法获得有正常立体效果的3D图像，所以在一个例子中，可以根据转换生成的3D图像就可以确定采集对象是真人还是照片。当然，将结构光图像替换成TOF图像也是可以的。一种例子中，可以在采集用于活体检测的结构光图像之前采集多张2D图像(红外泛光图像或者RGB图像)，判断多张2D图像是否来自于同一个人，以防止注册的时候利用某甲的照片或视频先获得2D人脸检测通过，再快速更换为某乙来获得活体检测通过，从而实现伪造某甲完成注册。当 然也可以在获得结构光图像，或者在依据此完成三维重建通过活体检测步骤之后再补拍一张2D图像来判断前后是否为同一人，也就是本案对注册流程中以首次拍摄到的人脸图片为参照，在注册过程中进行是否同一人的验证，从而防止注册过程中换人注册成功的情况出现。

此外，实际应用中可以利用上述活体检测的各种方法的组合，在此不再赘述。

可见，本实施例新增对人脸图片的活体检测，避免注册过程中使用模型、照片等非活体，从而进一步保证人脸识别的安全性，同时本实施例给出多种活体检测的方法，使得实际应用中可以根据需要选择不同的检测方法，十分灵活。

本申请第四实施例涉及一种人脸注册方法。本实施方式是在第一实施方式的基础上做了进一步改进，主要改进之处在于：本实施方式中新增对融合后的数据进行完整性判断的步骤，在保证采集到完整的数据的同时，尽量减少采集次数。

本实施方式中人脸注册方法的流程图如图12所示，具体如下：

本实施方式中步骤1201至步骤1202与第一实施方式中步骤101至步骤102相类似，在此不再赘述。

步骤1203，融合各人脸图片数据。

具体的说，将确定来自同一人的人脸图片进行深度融合。

步骤1204，判断融合后的数据是否包含完整的人脸特征；若是，则执行步骤1205；若否，则返回执行步骤1201。

具体的说，在完整性判断时，可以根据人脸的特征是否完整来确定，如 轮廓线是否完整，整个人脸是否均被覆盖等来确定。在完整性判定中通过，即确定已经有完整人脸时，可以认定为注册成功，从而结束本实施方式中的人脸注册方法的流程，反正，如果人脸不够完整，那么就认为是注册失败，从而可以返回步骤1201，指示摄像设备继续采集人脸图片，直至人脸数据完整。

在一个例子中，完整性判断可以利用预先设置的一组特征点，随后在融合后的数据中确定，这组特征点的数据是否存在，如果各个特征点均有数据，那么就可以认为融合后的数据完整。其中，特征点可以包括：左眼眼角、右眼眼角等。

在一个例子中，融合后的人脸数据不完整也可能是设备错误造成的，那么为了避免设备进入死循环，可以设定在尝试重新采集一定次数后，结束本实施方式中的人脸注册方法的流程，同时，相应地给出错误提示。

在一个例子中即使采集次数较少，仍可能已经采集到完整数据，那么如果已经判定人脸数据完整后，即使采集次数没有达到预设次数，也可以不再继续采集，相应地结束采集，以简化本实施方式中的人脸注册流程。在另一个例子中，也可以先行判断采集次数是否达到预设次数，如果达到了，再进行完整性判断，如未完整，再返回继续采集图片，或者结束注册流程。

步骤1205，获得注册数据。

具体的说，在步骤1204判定完整的人脸特征后，说明获得了完整的人脸数据，之后结合其他注册信息，可以获得注册数据。

可见，本实施方式中根据特征完整性判断，可以在保证采集到准确完整的数据的同时，减少采集次数，更符合实际应用场景。

还需说明的是，上述第二实施方式至第四实施方式中的技术方案可以根 据需要组合使用，下面描述一个组合使用的例子，其人脸注册方法的流程图如图13所示。在这个例子中，采集人脸图片包括采集人脸的泛光图像和结构光图像，对结构光图像进行人脸3D重建，判断是否已有模板，如果没有，则进行活体检测，检测采集到的人脸图片中的人脸是否为真人，活体检测通过的话，则将当次采集到的人脸图片的特征数据存为模板，这一系列步骤描述了在正常的第一次采集到真人人脸的处理过程，之后继续描述可能出现的其他情况。其中，如果不存在已有模板，在活体检测不通过时，直接返回重新采集。

另一种情况，如果存在已有模板，说明并非第一次采集到人脸图片，那么就对当次采集到的人脸图片进行处理，获取特征数据，并将获取到的特征数据和已有模板中的特征数据进行比对，确定是否和之前采集到的人脸为同一人，之后若判定比对通过，则继续活体检测，活体检测通过，则进行模板融合，这系列步骤描述了在一次注册中第二次及以后采集到人脸图片的一般处理过程。之后，继续判断模板数是否已满，如果已满，则判断是否获得完整人脸，若获得完整人脸，则认定注册成功，若获得的人脸不完整，则认定注册失败。另一方面，若模板数未满，则将当次采集到的人脸图片存为模板，之后返回继续采集人脸图片。其中，在比对特征数据后，若比对不通过，则判断总采集次数是否小于阈值(可以是预设的阈值)，若总采集次数大于或等于阈值，就认为已经采集到一定次数，无需继续尝试，可以结束本实施方式中的注册流程，如果总采集次数小于阈值，则认为还可以继续尝试，则返回重新采集人脸图片。

上述描述的流程为一次注册过程的总流程。

本申请第五实施例涉及一种人脸注册装置。

本实施方式中的装置示意图如图14所示，具体包括：

采集模块，用于采集人脸图片。

检测模块，用于检测多次采集到的人脸图片是否来自同一人。

融合模块，用于在确定多次采集到的人脸图片来自同一人时，根据多次采集到的人脸图片获得注册数据。

不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明第六实施方式涉及一种服务器，如图15所示，包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述第一实施方式至第四实施方式中任意一个人脸注册方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总 线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

其中，处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本发明第七实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例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。

本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (18)

1. 一种人脸注册方法，其特征在于，包括：

   采集人脸图片；

   检测多次采集到的人脸图片是否来自同一人；

   若确定多次采集到的人脸图片来自同一人，则根据多次采集到的人脸图片获得注册数据。
2. 根据权利要求1所述的人脸注册方法，其特征在于，所述检测多次采集到的人脸图片是否来自同一人，具体包括：

   获得每次采集的人脸图片的特征数据；

   比对从各次采集的人脸图片中获得的特征数据；

   根据比对结果确定所述多次采集到的人脸图片是否来自同一人。
3. 根据权利要求2所述的人脸注册方法，其特征在于，每次采集到的所述人脸图片具体包括：泛光图像和/或结构光图像；

   所述获得所述人脸图片的特征数据，包括：

   若采集的人脸图片为泛光图像，则根据所述泛光图像获取所述人脸图片的所述特征数据；

   若采集的人脸图片为结构光图像，则根据所述结构光图像获取所述人脸图片的所述特征数据；

   若采集的人脸图片包括泛光图像和结构光图像，则根据所述泛光图像和所述结构光图像获取所述人脸图片的所述特征数据。
4. 根据权利要求3所述的人脸注册方法，其特征在于，若采集到的所述人脸图片包括结构光图像，则在获得所述人脸图片的特征数据时，对所述结构光图像进行3D重建，从重建图中提取所述特征数据。
5. 根据权利要求4所述的人脸注册方法，其特征在于，所述重建图的数据形式，包括：深度图和/或三维点云。
6. 根据权利要求3所述的人脸注册方法，其特征在于，每次采集到的所述人脸图片具体包括：一张泛光图像和一张结构光图像。
7. 根据权利要求1所述的人脸注册方法，其特征在于，所述检测多次采集到的人脸图片是否来自同一人，具体为：检测相邻两次采集到的人脸图片是否来自同一人。
8. 根据权利要求2所述的人脸注册方法，其特征在于，所述根据多次采集到的人脸图片获得注册数据，具体包括：融合所述多次采集到的人脸图片以获得所述注册数据。
9. 根据权利要求8所述的人脸注册方法，其特征在于，所述获得每次采集的人脸图片的特征数据之后，还包括：

   将所述特征数据存为模板；

   所述融合各人脸图片数据，具体为：融合由各人脸图片获得的模板。
10. 根据权利要求8所述的人脸注册方法，其特征在于，所述融合各人脸图片数据之后，包括：

    判断融合后的数据是否包含完整的人脸特征；

    若人脸特征不完整，则继续执行所述采集人脸图片的步骤。
11. 根据权利要求1所述的人脸注册方法，其特征在于，所述采集人脸图片之后，以及所述根据多次采集到的人脸图片获得注册数据之前，还包括：

    检测所述人脸图片中的人脸是否为活体；

    所述若确定多次采集到的人脸图片来自同一人，则根据多次采集到的人脸图片获得注册数据，具体为：

    若确定多次采集到的人脸图片来自同一人，且确定所述人脸图片中的人脸为活体，则根据多次采集到的人脸图片获得注册数据。
12. 根据权利要求11所述的人脸注册方法，其特征在于，所述检测所述人脸图片中的人脸是否为活体，具体为：

    在确定多次采集到的人脸图片来自同一人时，检测所述人脸图片中的人脸是否为活体。
13. 根据权利要求11所述的人脸注册方法，其特征在于，所述检测多次采集到的人脸图片是否来自同一人，具体为：

    在确定检测到所述人脸图片中的人脸为活体时，检测多次采集到的人脸图片是否来自同一人。
14. 根据权利要求11所述的人脸注册方法，其特征在于，若采集到的人脸图片包括泛光图像，则根据以下步骤检测所述人脸图片中的人脸是否为活体：

    利用频谱分析或局部二值法处理所述人脸的所述泛光图像；

    根据处理结果确定人脸是否为活体。
15. 根据权利要求11所述的人脸注册方法，其特征在于，若采集到的人脸图片包括结构光图像，则根据以下步骤检测所述人脸图片中的人脸是否为活体：

    对所述结构光图像进行3D重建，获得重建图；

    根据所述重建图检测所述人脸图片中的人脸是否为活体。
16. 一种人脸注册装置，其特征在于，包括：

    采集模块，用于采集人脸图片；

    检测模块，用于检测多次采集到的人脸图片是否来自同一人；

    融合模块，用于在确定多次采集到的人脸图片来自同一人时，根据多次采集到的人脸图片获得注册数据。
17. 一种服务器，其特征在于，包括：

    至少一个处理器；以及，

    与所述至少一个处理器通信连接的存储器；其中，

    所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至15中任一项所述的人脸注册方法。
18. 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如权利要求1至15中任一项所述的人脸注册方法。

Images