一种面部识别方法、装置及设备与流程

专利检索2022-05-10  3



1.本说明书涉及计算机技术领域,尤其涉及一种面部识别方法、装置及设备。


背景技术:

2.目前,随着面部识别技术的不断发展,加强对用户面部隐私的保护成为社会公众日益关注的焦点。而相关面部隐私保护的法规也相继出台,用于规范面部识别技术开发方对用户面部数据的采集和留存方式。
3.基于二维面部图像的面部识别系统需要留存大量的用户二维面部图像做留底库,而二维面部图像蕴含了大量用户的隐私信息,针对二维面部数据的隐私保护一直是二维面部识别技术面临的严重挑战。此外,由于三维面部数据视觉上几乎不可辨认,因此基于三维面部数据的面部识别系统在留底库的隐私保护层面较二维面部识别有着极大的优势,而三维面部识别系统需要该系统内的图像采集设备为深度摄像组件,设备成本相对较高,且无法适配当前大量的单二维摄像组件的图像采集设备,面部识别机制的可扩展性不高。基于此,需要提供一种可扩展性更高的面部识别机制。


技术实现要素:

4.本说明书实施例的目的是提供一种可扩展性更高的面部识别机制。
5.为了实现上述技术方案,本说明书实施例是这样实现的:
6.本说明书实施例提供的一种面部识别方法,所述方法包括:在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像。对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
7.本说明书实施例提供的一种面部识别方法,应用于区块链系统,所述方法包括:接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像。基于预先部署的第一智能合约从所述区块链系统中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理。基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
8.本说明书实施例提供的一种面部识别装置,所述装置包括:图像获取模块,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别
请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像。第一特征提取模块,对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。面部识别模块,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
9.本说明书实施例提供的一种面部识别装置,所述装置包括:请求模块,接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像。图像获取模块,基于预先部署的第一智能合约从所述装置中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理。特征提取模块,基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。面部识别模块,通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
10.本说明书实施例提供的一种面部识别设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像。对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
11.本说明书实施例提供的一种面部识别设备,所述面部识别设备为区块链系统中的设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像。基于预先部署的第一智能合约从所述区块链系统中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理。基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
12.本说明书实施例还提供了一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像。对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得
到所述面部识别基准图像对应的图像特征。基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
13.本说明书实施例还提供了一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像。基于预先部署的第一智能合约从区块链系统中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理。基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征。通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
附图说明
14.为了更清楚地说明本说明书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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,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。
15.图1a为本说明书一种面部识别方法实施例;
16.图1b为本说明书一种面部识别的处理过程示意图;
17.图2为本说明书一种面部识别系统的结构示意图;
18.图3为本说明书另一种面部识别的处理过程示意图;
19.图4为本说明书一种模型训练过程的示意图;
20.图5a为本说明书另一种面部识别方法实施例;
21.图5b为本说明书又一种面部识别的处理过程示意图;
22.图6为本说明书又一种面部识别的处理过程示意图;
23.图7为本说明书一种面部识别装置实施例;
24.图8为本说明书另一种面部识别装置实施例;
25.图9为本说明书一种面部识别设备实施例。
具体实施方式
26.本说明书实施例提供一种面部识别方法、装置及设备。
27.为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
28.实施例一
29.如图1a和图1b所示,本说明书实施例提供一种面部识别方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如手机、平板电脑、个人计算机等。服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器,具体如,该服务器可以是支付业务的服务器,也可以是与金融或即时通讯等相关业务的服务器等,或者,也可以是针对某项业务进行面部识别的服务器。本说明书实施例中以执行主体为服务器为例进行详细说明,对于执行主体为终端设备的情况,可以参见下述相关内容,在此不再赘述。该方法具体可以包括以下步骤:
30.在步骤s102中,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像。
31.其中,目标用户可以为任意需要进行面部识别的用户。面部识别基准图像可以是用户注册面部识别机制的过程中提供的用户的准确的面部图像,面部识别基准图像可以包括一个面部图像,也可以包括多个不同的面部图像,面部识别基准图像可以为三维图像,即面部识别基准图像可以为深度图像等。二维图像可以是二维rgb图像等,二维rgb图像可以通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到多种不同的颜色的图像。
32.在实施中,目前随着面部识别技术的不断发展,加强对用户面部隐私的保护成为社会公众日益关注的焦点。而相关面部隐私保护的法规也相继出台,用于规范面部识别技术开发方对用户面部数据的采集和留存方式。基于二维面部图像的面部识别系统需要留存大量的用户二维面部图像做留底库,而二维面部图像蕴含了大量用户的隐私信息,针对二维面部数据的隐私保护一直是二维面部识别技术面临的严重挑战,一旦留底库出现泄漏或在监管合规方面如果禁止存储二维面部数据,则会对此类二维面部识别机制造成严重的打击。此外,由于三维面部数据视觉上几乎不可辨认,因此基于三维面部数据的面部识别系统在留底库的隐私保护层面较二维面部识别有着极大的优势,而三维面部识别系统需要该系统内的图像采集设备为深度摄像组件,设备成本相对较高,且无法适配当前大量的单二维摄像组件的图像采集设备,面部识别机制的可扩展性不高。基于此,需要提供一种可扩展性更高的面部识别机制。本说明书实施例提供一种可实现的方案,具体可以包括以下内容:
33.基于上述内容,可以在面部识别机制的留底库中设置三维图像,而不需要设置二维图像进行面部识别处理,由于三维图像在视觉上几乎无法被辨认,因此,可以大幅提高用户隐私数据的保护程度。可以预先设置深度摄像组件,不同用户可以通过该深度摄像组件采集包括用户面部的三维图像,然后,可以将采集的不同用户的包括其面部的三维图像发送给服务器,服务器可以接收不同的用户的三维图像,并可以将不同的三维图像与相应的用户标识进行对应存储,即可以将上述数据对应存储于留底库中。此外,为了保证对大部分面部采集组件的兼容性,可以沿用传统的二维的面部采集组件,以保证普通的终端设备、传统的二维面部采集组件可以无缝接入面部识别系统,保证了面部识别系统在面部采集端的高兼容性。
34.如图2所示,当需要对用户(即目标用户)进行面部识别时,为了保证采集的图像为真实用户当前的真实图像(而不是预先已拍摄的该用户的图像等),与服务器对应的图像采集组件(如安装在指定区域的二维摄像组件(如某办公室内的摄像头、超市中的结算机具的
摄像头等)或者目标用户使用的终端设备(如手机等)等)可以采集二维图像,并可以通过采集的图像对目标用户进行面部检测和指定动作检测(指定动作检测可以是在一些身份验证场景确定对象真实生理特征的方法,在面部识别应用中,指定动作检测能通过眨眼、张嘴、摇头、点头等组合动作,使用人脸关键点定位和人脸追踪等技术,验证用户是否为真实活体本人操作),在指定动作检测通过后,可以拍摄包括目标用户的面部的二维图像。图像采集组件可以将采集的二维图像发送给服务器,服务器可以接收该二维图像,并可以获取留底库中预先存储的面部识别基准图像(即三维图像)。
35.在步骤s104中,对上述二维图像进行特征提取,得到该二维图像对应的图像特征,并对上述面部识别基准图像进行特征提取,得到该面部识别基准图像对应的图像特征。
36.在实施中,可以预先设定对二维图像进行特征提取的特征提取算法(为了后续表述方便,此特征提取算法可记为第一特征提取方法),同时,也可以预先设定对三维图像进行特征提取的特征提取算法(为了后续表述方便,此特征提取算法可记为第二特征提取方法)。通过上述方式得到二维图像和三维图像后,可以使用第一特征提取算法对拍摄的二维图像进行特征提取,得到该二维图像对应的图像特征,并可以使用第二特征提取算法对预先存储的三维图像进行特征提取,得到该三维图像对应的图像特征,即该面部识别基准图像对应的图像特征。
37.在步骤s106中,基于上述二维图像对应的图像特征和上述面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果。
38.在实施中,通过上述方式得到二维图像对应的图像特征和上述面部识别基准图像对应的图像特征后,可以分别计算二维图像对应的图像特征和留底库中的每个面部识别基准图像对应的图像特征进行相似度计算,最终,可以得到二维图像对应的图像特征和留底库中的每个面部识别基准图像对应的图像特征之间的相似度,可以从中选择最大的相似度对应的面部识别基准图像,并可以获取选择的面部识别基准图像对应的用户信息,可以基于该用户信息确定目标用户的身份,从而实现对目标用户的面部识别处理,得到上述面部识别请求对应的识别结果。
39.需要说明的是,二维图像的图像特征与三维图像的图像特征之间的相似度计算方式可以多种多样,例如,可以针对二维图像与三维图像之间存在明显差异的部分或存在的相同之处设立相似度比对机制,或者,可以预先训练相应的模型,通过训练的模型,以及二维图像对应的图像特征和上述面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
40.本说明书实施例提供一种面部识别方法,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像,然后,对二维图像进行特征提取,得到二维图像对应的图像特征,并对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,最终,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到该面部识别请求对应的识别结果,这样,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图
像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征。
41.实施例二
42.如图3所示,本说明书实施例提供一种面部识别方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如手机、平板电脑、个人计算机等。服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器,具体如,该服务器可以是支付业务的服务器,也可以是与金融或即时通讯等相关业务的服务器等,或者,也可以是针对某项业务进行面部识别的服务器。本说明书实施例中以执行主体为服务器为例进行详细说明,对于执行主体为终端设备的情况,可以参见下述相关内容,在此不再赘述。该方法具体可以包括以下步骤:
43.在步骤s302中,基于预设的机器学习算法构建跨模态面部识别模型的模型架构。
44.其中,机器学习算法可以包括多种,例如深度学习算法等,具体如神经网络算法、多层感知机等,相应的模型可以是神经网络模型、多层感知机等,具体可以根据实际情况设定,本说明书实施例对此不做限定。跨模态面部识别模型的模型架构可以是包括一个或多个不同的待确定参数的模型,如果能够确定待确定参数的参数值,则最终的跨模态面部识别模型即为一个完整的模型。
45.在实施中,可以根据实际情况预先设定需要构建的跨模态面部识别模型的算法,本实施例中可以选用机器学习算法作为构建上述跨模态面部识别模型的算法,即可以通过该机器学习算法构建跨模态面部识别模型的模型架构。
46.在步骤s304中,获取针对第一用户的基于二维图像的第一三元组数据和针对第一用户的基于三维图像的第二三元组数据,第一三元组数据包括:第一用户的第一二维图像、与第一用户具有相同用户标识的用户的第二二维图像和与第一用户具有不同用户标识的用户的第三二维图像,第二三元组数据包括:第一用户的第一三维图像、与第一用户具有相同用户标识的用户的第二三维图像和与第一用户具有不同用户标识的用户的第三三维图像。
47.在实施中,首先在训练数据的组成上,可以选用三元组的方式,针对每个三元组数据,可以随机选取某用户的一对二维 三维面部图像作为锚点a,然后,可以选取与a具有相同id(即用户标识)的用户的一对二维 三维面部图像作为p,之后,再选取与a具有不同id(即用户标识)的用户的一对二维 三维面部图像作为n,上述三者即可以构成相应的三元组,即针对二维图像的三元组数据(a,p,n),针对三维图像的三元组数据(a,p,n)。
48.在步骤s306中,分别对第一三元组数据和第二三元组数据进行特征提取,得到第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集。
49.在实施中,可以预先设定特征提取算法,可以通过该特征提取算法对二维图像的三元组数据(a,p,n)中a、p和n分别进行特征提取,得到第一三元组数据对应的图像特征集,同时,可以通过该特征提取算法对三维图像的三元组数据(a,p,n)中a、p和n分别进行特征提取,得到第二三元组数据对应的图像特征集。
50.上述步骤s306的具体处理方式可以多种多样,以下再提供一种可选的处理方式,具体可以参见下述a2和步骤a4的处理。
51.在步骤a2中,通过第一特征提取模型对第一三元组数据进行特征提取,得到第一三元组数据对应的图像特征集。
52.在实施中,可以基于机器学习算法构建第一特征提取模型的模型架构,机器学习算法可以包括多种,例如感知机、神经网络算法等,具体可以根据实际情况设定,本说明书实施例对此不做限定。可以根据实际情况预先设定需要构建的第一特征提取模型的算法,本实施例中可以选用机器学习算法作为构建上述第一特征提取模型的算法,即可以通过该机器学习算法构建第一特征提取模型的模型架构。然后,可以基于第一三元组数据的构建方式构建多个不同的二维图像的三元组数据,并可以将多个不同的二维图像的三元组数据作为训练数据,可以使用该训练数据对第一特征提取模型进行模型训练,得到训练后的第一特征提取模型。通过上述方式得到第一三元组数据后,可以将第一三元组数据输入到第一特征提取模型中,得到第一三元组数据对应的图像特征集。
53.在步骤a4中,通过第二特征提取模型对第二三元组数据进行特征提取,得到第二三元组数据对应的图像特征集。
54.在实施中,可以基于机器学习算法构建第二特征提取模型的模型架构,机器学习算法可以包括多种,例如感知机、神经网络算法等,具体可以根据实际情况设定,本说明书实施例对此不做限定。可以根据实际情况预先设定需要构建的第二特征提取模型的算法,本实施例中可以选用机器学习算法作为构建上述第二特征提取模型的算法,即可以通过该机器学习算法构建第二特征提取模型的模型架构。然后,可以基于第二三元组数据的构建方式构建多个不同的三维图像的三元组数据,并可以将多个不同的三维图像的三元组数据作为训练数据,可以使用该训练数据对第二特征提取模型进行模型训练,得到训练后的第二特征提取模型。通过上述方式得到第二三元组数据后,可以将第二三元组数据输入到第二特征提取模型中,得到第二三元组数据对应的图像特征集。
55.在步骤s308中,基于第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集,以拉近相同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度,并拉开不同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度为训练目的,对跨模态面部识别模型进行监督训练,得到训练后的跨模态面部识别模型。
56.在实施中,如图4所示,通过上述方式得到第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集后,可以基于二维图像a、p、n构成的三元组数据与基于三维图像a、p、n构成的三元组数据之间的关系,二维图像a、p、n分别与三维图像a、p、n的相似度较高(或相似度大于第一预定阈值等),二维图像a、p分别与三维图像n的相似度较低(或相似度小于第二预定阈值等),相应的,二维图像n与三维图像a、p的相似度较低(或相似度小于第二预定阈值等),基于此目的,可以对跨模态面部识别模型进行监督训练,得到训练后的跨模态面部识别模型。
57.在步骤s310中,通过反向传播的方式分别对第一特征提取模型和第二特征提取模型进行监督训练,得到训练后的第一特征提取模型和训练后的第二特征提取模型。
58.其中,监督训练可以是通过携带有标签的样本数据对模型进行训练的过程。反向传播的方式可以是通过反向传播算法实现,反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代,直到对输入的响应达到预定的目标范围为止,具体可以根据实际情况
设定,本说明书实施例对此不做限定。
59.在步骤s312中,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像。
60.为了提高数据的处理效率,可以对拍摄的二维图像进行预处理,从而可以只保留所需要的图像,具体可以参见下述步骤s314和步骤s316的处理。
61.在步骤s314中,检测上述二维图像中目标用户的面部所在的区域。
62.在实施中,对图像中的面部区域的检测可以包括多种不同的方式,例如,可以预先训练相应的模型(如卷积神经网络模型等)或某算法(如分类算法等)或多种不同的算法组合等,通过上述模型或算法等对图像中的面部区域进行检测,从而可以得到上述二维图像中目标用户的面部所在的区域。
63.在步骤s316中,基于检测到的目标用户的面部在二维图像中所在的区域,对二维图像进行裁剪,得到裁剪后的二维图像。
64.在实施中,可以保留二维图像中检测到的目标用户的面部所在的区域,将二维图像中除上述保留的区域外的其它区域进行裁剪,最终可以得到裁剪后的二维图像。
65.在步骤s318中,将裁剪后的二维图像输入到预先训练的第一特征提取模型中,以对该二维图像进行特征提取,得到该二维图像对应的图像特征,第一特征提取模型是基于多个不同的历史二维图像进行模型训练得到。
66.在实施中,可以根据实际情况预先设定需要构建的第一特征提取模型的算法,本实施例中可以选用机器学习算法作为构建上述第一特征提取模型的算法,即可以通过该机器学习算法构建第一特征提取模型的模型架构,该模型架构中可以包括一个或多个不同的待确定的参数的参数值。其中的机器学习算法可以包括多种,例如深度学习算法等,具体如神经网络算法、多层感知机等,相应的模型可以是神经网络模型、多层感知机等,具体可以根据实际情况设定,本说明书实施例对此不做限定。然后,可以通过多种不同的方式获取多个不同的历史二维图像,通过多个不同的历史二维图像对第一特征提取模型进行模型训练,最终可以得到训练后的第一特征提取模型。
67.通过上述方式得到裁剪后的二维图像后,可以将该裁剪后的二维图像输入到上述训练后的第一特征提取模型中,通过第一特征提取模型对该裁剪后的二维图像进行特征提取,得到该二维图像对应的图像特征。
68.在步骤s320中,将上述面部识别基准图像输入到预先训练的第二特征提取模型中,以对该面部识别基准图像进行特征提取,得到该面部识别基准图像对应的图像特征,第二特征提取模型是基于多个不同的历史三维图像进行模型训练得到。
69.在实施中,可以根据实际情况预先设定需要构建的第二特征提取模型的算法,本实施例中可以选用机器学习算法作为构建上述第二特征提取模型的算法,即可以通过该机器学习算法构建第二特征提取模型的模型架构,该模型架构中可以包括一个或多个不同的待确定的参数的参数值。其中的机器学习算法可以包括多种,例如深度学习算法等,具体如神经网络算法、多层感知机等,相应的模型可以是神经网络模型、多层感知机等,具体可以根据实际情况设定,本说明书实施例对此不做限定。然后,可以通过多种不同的方式获取多个不同的历史三维图像,通过多个不同的历史三维图像对第二特征提取模型进行模型训
练,最终可以得到训练后的第二特征提取模型。
70.通过上述方式得到面部识别基准图像后,可以将该面部识别基准图像输入到上述训练后的第二特征提取模型中,通过第二特征提取模型对该面部识别基准图像进行特征提取,得到该面部识别基准图像对应的图像特征。
71.在步骤s322中,将上述二维图像对应的图像特征和上述面部识别基准图像对应的图像特征输入到预先训练的跨模态面部识别模型中,以对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果。
72.在实施中,可以将上述二维图像对应的图像特征和上述面部识别基准图像对应的图像特征输入到预先训练的跨模态面部识别模型中,这样,可以通过跨模态面部识别模型将上述二维图像对应的图像特征分别与上述面部识别基准图像对应的图像特征进行比对,通过比对结果,最终可以确定目标用户的身份,即得到上述面部识别请求对应的识别结果。这样,通过以上训练流程与监督机制,可以实现二维面部图像与三维面部图像之间的特征互比,从而实现从三维面部图像的留底库中定位上传的二维图像对应的用户身份,实现跨模态的面部识别。
73.本说明书实施例提供一种面部识别方法,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像,然后,对二维图像进行特征提取,得到二维图像对应的图像特征,并对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,最终,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到该面部识别请求对应的识别结果,这样,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征。
74.此外,通过训练流程与监督机制,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别。
75.实施例三
76.如图5a和图5b所示,本说明书实施例提供一种面部识别方法,该方法的执行主体可以为区块链系统,该区块链系统可以由终端设备或服务器等组成,其中,终端设备可以如手机、平板电脑等移动终端设备,还可以如个人计算机等设备。该服务器可以是一个独立的服务器,还可以是由多个服务器构成的服务器集群等。该方法具体可以包括以下步骤:
77.在步骤s502中,接收终端设备发送的目标用户的面部识别请求,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像。
78.其中,终端设备可以是目标用户使用的终端设备,该终端设备可以如手机、平板电脑或个人计算机等设备,还可以如进行面部识别的机具等。
79.在步骤s504中,基于预先部署的第一智能合约从区块链系统中获取预先存储的面部识别基准图像,面部识别基准图像为三维图像,第一智能合约用于触发对发起面部识别
请求的用户进行面部识别处理。
80.其中,第一智能合约中设置有用于对发起面部识别请求的用户进行面部识别处理的规则,该规则可以包括一个,也可以包括多个。
81.在实施中,可以预先基于面部识别的处理过程构建第一智能合约,并可以将构建的第一智能合约部署于区块链系统中,以使得通过第一智能合约触发对发起面部识别请求的用户进行面部识别处理。为了保护用户的面部图像等隐私数据,并防止用户的隐私数据被篡改,可以将不同用户的面部识别基准图像(三维图像)存储于区块链系统中。当区块链系统接收到目标用户的面部识别请求后,可以调用第一智能合约,通过第一智能合约中设定的相应规则触发对发起面部识别请求的用户进行面部识别处理。
82.在步骤s506中,基于第一智能合约对二维图像进行特征提取,得到二维图像对应的图像特征,并基于第一智能合约对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征。
83.在实施中,第一智能合约中可以设置有对图像进行特征提取的规则或算法,可以基于该规则或算法对二维图像进行特征提取,得到二维图像对应的图像特征,相应的,也可以基于该规则或算法对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征。
84.在步骤s508中,通过第一智能合约,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果。
85.在实施中,第一智能合约中可以设置有基于二维图像和三维图像对用户进行面部识别的规则或算法,可以通过该规则或算法,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果。
86.本说明书实施例提供一种面部识别方法,接收终端设备发送的目标用户的面部识别请求,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,基于预先部署的第一智能合约从区块链系统中获取预先存储的面部识别基准图像,面部识别基准图像为三维图像,第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理,基于第一智能合约对二维图像进行特征提取,得到二维图像对应的图像特征,并基于第一智能合约对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,通过第一智能合约,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果,这样,通过区块链系统可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征,从而进一步保护了用户的隐私数据。
87.实施例四
88.如图6所示,本说明书实施例提供一种面部识别方法,该方法的执行主体可以为区
块链系统,该区块链系统可以由终端设备或服务器等组成,其中,终端设备可以如手机、平板电脑等移动终端设备,还可以如个人计算机等设备。该服务器可以是一个独立的服务器,还可以是由多个服务器构成的服务器集群等。该方法具体可以包括以下步骤:
89.在步骤s602中,基于预先部署的第二智能合约获取预设的机器学习算法,并基于预设的机器学习算法构建跨模态面部识别模型的模型架构。
90.在步骤s604中,基于第二智能合约获取针对第一用户的基于二维图像的第一三元组数据和针对第一用户的基于三维图像的第二三元组数据,第一三元组数据包括:第一用户的第一二维图像、与第一用户具有相同用户标识的用户的第二二维图像和与第一用户具有不同用户标识的用户的第三二维图像,第二三元组数据包括:第一用户的第一三维图像、与第一用户具有相同用户标识的用户的第二三维图像和与第一用户具有不同用户标识的用户的第三三维图像。
91.在步骤s606中,基于第二智能合约分别对第一三元组数据和第二三元组数据进行特征提取,得到第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集。
92.上述步骤s606的具体处理方式可以多种多样,以下再提供一种可选的处理方式,具体可以参见下述a2和步骤a4的处理。
93.在步骤a2中,基于第二智能合约获取预先训练的第一特征提取模型,并通过第一特征提取模型对第一三元组数据进行特征提取,得到第一三元组数据对应的图像特征集。
94.在步骤a4中,基于第二智能合约获取预先训练的第二特征提取模型,并通过第二特征提取模型对第二三元组数据进行特征提取,得到第二三元组数据对应的图像特征集。
95.在步骤s608中,通过第二智能合约,基于第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集,以拉近相同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度,并拉开不同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度为训练目的,对跨模态面部识别模型进行监督训练,得到训练后的跨模态面部识别模型。
96.需要说明的是,上述跨模态面部识别模型的训练可以是在区块链系统中执行,在实际应用中,考虑到跨模态面部识别模型往往需要不定期进行更新,因此也可以是在其它设备中执行上述处理,对于此种情况,上述步骤s602~步骤s608的处理可以包括:基于预设的机器学习算法构建跨模态面部识别模型的模型架构;获取针对第一用户的基于二维图像的第一三元组数据和针对第一用户的基于三维图像的第二三元组数据,第一三元组数据包括:第一用户的第一二维图像、与第一用户具有相同用户标识的用户的第二二维图像和与第一用户具有不同用户标识的用户的第三二维图像,第二三元组数据包括:第一用户的第一三维图像、与第一用户具有相同用户标识的用户的第二三维图像和与第一用户具有不同用户标识的用户的第三三维图像;分别对第一三元组数据和第二三元组数据进行特征提取,得到第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集;基于第一三元组数据对应的图像特征集和第二三元组数据对应的图像特征集,以拉近相同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度,并拉开不同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度为训练目的,对跨模态面部识别模型进行监督训练,得到训练后的跨模态面部识别模型。其中,分别对第一三元组数据和第二三元组数据进行特征提取,得到第一三元组数据对应的图像特征集和第
二三元组数据对应的图像特征集的处理可以包括:获取预先训练的第一特征提取模型,并通过第一特征提取模型对第一三元组数据进行特征提取,得到第一三元组数据对应的图像特征集;获取预先训练的第二特征提取模型,并通过第二特征提取模型对第二三元组数据进行特征提取,得到第二三元组数据对应的图像特征集。上述训练后的跨模态面部识别模型可以存储于某设备中。
97.相应的,区块链系统中可以存储有训练后的跨模态面部识别模型的存储地址信息,当接收到面部识别请求后,可以从区块链系统中获取上述存储地址信息,并可以基于该存储地址信息获取跨模态面部识别模型,可以使用跨模态面部识别模型对用户进行面部识别处理。
98.在步骤s610中,基于第二智能合约,通过反向传播的方式分别对第一特征提取模型和第二特征提取模型进行监督训练,得到训练后的第一特征提取模型和训练后的第二特征提取模型。
99.在步骤s612中,接收终端设备发送的目标用户的面部识别请求,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像。
100.在步骤s614中,基于预先部署的第一智能合约从区块链系统中获取预先存储的面部识别基准图像,该面部识别基准图像为三维图像,第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理。
101.在步骤s616中,基于第一智能合约获取图像检测规则,并基于该图像检测规则检测上述二维图像中目标用户的面部所在的区域,基于检测到的目标用户的面部在二维图像中所在的区域,对二维图像进行裁剪,得到裁剪后的二维图像。
102.在步骤s618中,基于第一智能合约获取预先训练的第一特征提取模型,并将裁剪后的二维图像输入到第一特征提取模型中,以对该二维图像进行特征提取,得到该二维图像对应的图像特征,第一特征提取模型是基于多个不同的历史二维图像进行模型训练得到。
103.在实际应用中,面部识别请求中可以包括上述二维图像的可验证声明,则上述基于第一智能合约对二维图像进行特征提取的处理可以包括:对该可验证声明的有效性进行验证;如果验证结果为有效,则基于第一智能合约对二维图像进行特征提取,得到二维图像对应的图像特征。
104.其中,可验证声明可以是用于描述个人、组织等实体所具有的某些属性的一种规范性的信息,可验证声明可以实现基于证据的信任,可以通过可验证声明,向其他实体证明当前实体的某些属性的信息是可信的。可验证声明中可以包括多个不同的字段和相应的字段值,例如,字段为用户标识,相应的字段值可以为用户a,字段为二维图像的生成时间,相应的字段值可以为2020年1月1日等。
105.在实施中,区块链系统获取到面部识别请求后,可以先对可验证声明进行验证,以判断该可验证声明是否有效,在确定可验证声明有效的情况下,再基于可验证声明进行相应处理,从而进一步保证数据处理的安全性。具体地,对可验证声明进行验证可以包括多种方式,例如,可以获取对可验证声明中包含的字段值,通过预定的算法进行计算(例如可以通过哈希算法计算可验证声明中包含的字段值的哈希值等),得到相应的计算结果。可验证声明中还包括上述计算结果的基准值,可以将得到的计算结果与可验证声明中的基准值进
行比较,如果两者相同,则验证通过,即可验证声明有效,如果两者不相同,则验证失败,即可验证声明无效。
106.除了上述方式外,还可以包括多种方式,再例如,可验证声明中可以包括该可验证声明的校验值,区块链系统中包含可验证声明后,可以通过预定的校验算法确定该可验证声明的校验值,然后,可以将计算的校验值与可验证声明中的校验值进行比较,如果两者相同,则验证通过,即可验证声明有效,如果两者不相同,则验证失败,即可验证声明无效等。在实际应用中,对可验证声明的有效性进行验证的方式不仅仅只包含上述两种方式,还可以包括其它多种可实现方式,具体可以根据实际情况设定,本说明书实施例对此不做限定。
107.另外,在实际应用中,上述面部识别请求中可以包括目标用户的数字身份信息文件,该数字身份信息文件中记录有目标用户的数字身份信息,则上述基于第一智能合约对二维图像进行特征提取的处理还可以包括:在区块链系统中,查找区块链系统中预先存储的数字身份信息文件中是否存在记录有目标用户的数字身份信息的数字身份信息文件;如果存在,则基于第一智能合约对二维图像进行特征提取,得到二维图像对应的图像特征。
108.其中,数字身份信息可以是指通过数字化信息将用户可识别地进行刻画的信息,也即为将真实的身份信息浓缩为数字代码的形式表现,以便对用户的实时行为信息进行绑定、查询和验证。数字身份信息中不仅可以包含种用户的出生信息、个体描述、生物特征等身份编码信息,也涉及多种属性的个人行为信息(如交易信息或娱乐信息等)等。数字身份信息可以通过多种方式展现,如did(decentralized identity,去中心化身份)等。对于数字身份信息为did的情况,在实际应用中,目标用户的did可以包括did文件(如did document),目标用户可以在did文件中预先设置目标用户的数字身份信息。
109.在实施中,区块链系统获取到面部识别请求后,可以在区块链系统中获取目标用户的数字身份信息文件,并可以从该数字身份信息文件中提取目标用户的数字身份信息,例如,目标用户的数字身份信息为did,则数字身份信息文件可以为did document,区块链系统可以获取目标用户的did document,该did document中记录有目标用户的did,此时,区块链系统可以从did document中提取目标用户的did。可以从面部识别请求的did document中提取目标用户的did,如果上述两个did相同,则基于第一智能合约对二维图像进行特征提取,得到二维图像对应的图像特征,具体处理过程可以参见上述相关内容,在此不再赘述。
110.在步骤s620中,基于第一智能合约获取预先训练的第二特征提取模型,并将上述面部识别基准图像输入到第二特征提取模型中,以对该面部识别基准图像进行特征提取,得到该面部识别基准图像对应的图像特征,第二特征提取模型是基于多个不同的历史三维图像进行模型训练得到。
111.在步骤s622中,基于第一智能合约将上述二维图像对应的图像特征和上述面部识别基准图像对应的图像特征输入到预先训练的跨模态面部识别模型中,以对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果。
112.本说明书实施例提供一种面部识别方法,接收终端设备发送的目标用户的面部识别请求,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,基于预先部署的第一智能合约从区块链系统中获取预先存储的面部识别基准图像,面部识别基准图像为三维图像,第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理,基于第一
智能合约对二维图像进行特征提取,得到二维图像对应的图像特征,并基于第一智能合约对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,通过第一智能合约,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果,这样,通过区块链系统可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征,从而进一步保护了用户的隐私数据。
113.实施例五
114.以上为本说明书实施例提供的面部识别方法,基于同样的思路,本说明书实施例还提供一种面部识别装置,如图7所示。
115.该面部识别装置包括:图像获取模块701、第一特征提取模块702和面部识别模块603,其中:
116.图像获取模块701,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像;
117.第一特征提取模块702,对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征;
118.面部识别模块703,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
119.本说明书实施例中,所述装置还包括:
120.面部检测模块,检测所述二维图像中所述目标用户的面部所在的区域;
121.裁剪模块,基于检测到的所述目标用户的面部在所述二维图像中所在的区域,对所述二维图像进行裁剪,得到裁剪后的二维图像;
122.所述第一特征提取模块702,对所述裁剪后的二维图像进行特征提取,得到所述二维图像对应的图像特征。
123.本说明书实施例中,所述第一特征提取模块702,将所述二维图像输入到预先训练的第一特征提取模型中,以对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,所述第一特征提取模型是基于多个不同的历史二维图像进行模型训练得到。
124.本说明书实施例中,所述第一特征提取模块702,将所述面部识别基准图像输入到预先训练的第二特征提取模型中,以对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征,所述第二特征提取模型是基于多个不同的历史三维图像进行模型训练得到。
125.本说明书实施例中,所述面部识别模块703,将所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征输入到预先训练的跨模态面部识别模型中,以对所述
目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果,所述跨模态面部识别模型是基于多个不同用户的历史二维图像和历史三维图像通过监督训练得到。
126.本说明书实施例中,还包括:
127.模型架构构建模块,基于预设的机器学习算法构建所述跨模态面部识别模型的模型架构;
128.数据获取模块,获取针对第一用户的基于二维图像的第一三元组数据和针对所述第一用户的基于三维图像的第二三元组数据,所述第一三元组数据包括:所述第一用户的第一二维图像、与所述第一用户具有相同用户标识的用户的第二二维图像和与所述第一用户具有不同用户标识的用户的第三二维图像,所述第二三元组数据包括:所述第一用户的第一三维图像、与所述第一用户具有相同用户标识的用户的第二三维图像和与所述第一用户具有不同用户标识的用户的第三三维图像;
129.第二特征提取模块,分别对所述第一三元组数据和所述第二三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集;
130.模型训练模块,基于所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集,以拉近相同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度,并拉开不同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度为训练目的,对所述跨模态面部识别模型进行监督训练,得到训练后的所述跨模态面部识别模型。
131.本说明书实施例中,所述第二特征提取模块,包括:
132.第一特征提取单元,通过所述第一特征提取模型对所述第一三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集;
133.第二特征提取单元,通过所述第二特征提取模型对所述第二三元组数据进行特征提取,得到所述第二三元组数据对应的图像特征集。
134.本说明书实施例中,所述装置还包括:
135.监督训练模块,通过反向传播的方式分别对所述第一特征提取模型和所述第二特征提取模型进行监督训练,得到训练后的所述第一特征提取模型和训练后的所述第二特征提取模型。
136.本说明书实施例提供一种面部识别装置,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像,然后,对二维图像进行特征提取,得到二维图像对应的图像特征,并对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,最终,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到该面部识别请求对应的识别结果,这样,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征。
137.此外,通过训练流程与监督机制,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别。
138.实施例六
139.基于同样的思路,本说明书实施例还提供一种面部识别装置,如图8所示。
140.该面部识别装置包括:请求模块801、图像获取模块802、特征提取模块803和面部识别模块804,其中:
141.请求模块801,接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括所述拍摄的包括所述目标用户的面部的二维图像;
142.图像获取模块802,基于预先部署的第一智能合约从所述装置中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理;
143.特征提取模块803,基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征;
144.面部识别模块804,通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
145.本说明书实施例中,所述面部识别请求中包括所述二维图像的可验证声明,所述特征提取模块803,包括:
146.验证单元,对所述可验证声明的有效性进行验证;
147.特征提取单元,如果验证结果为有效,则基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征。
148.本说明书实施例中,所述面部识别请求中包括所述目标用户的数字身份信息文件,所述数字身份信息文件中记录有所述目标用户的数字身份信息,所述特征提取模块803,包括:
149.查找单元,在所述区块链系统中,查找所述区块链系统中预先存储的数字身份信息文件中是否存在记录有所述目标用户的数字身份信息的数字身份信息文件;
150.特征提取单元,如果存在,则基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征。
151.本说明书实施例提供一种面部识别装置,接收终端设备发送的目标用户的面部识别请求,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,基于预先部署的第一智能合约从区块链系统中获取预先存储的面部识别基准图像,面部识别基准图像为三维图像,第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理,基于第一智能合约对二维图像进行特征提取,得到二维图像对应的图像特征,并基于第一智能合约对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,通过第一智能合约,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到上述面部识别请求对应的识别结果,这样,通过区块链系统可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位
二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征,从而进一步保护了用户的隐私数据。
152.实施例七
153.以上为本说明书实施例提供的面部识别装置,基于同样的思路,本说明书实施例还提供一种面部识别设备,如图9所示。
154.所述面部识别设备可以为上述实施例提供的服务器、终端设备或区块链系统中的设备等。
155.面部识别设备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的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对面部识别设备中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在面部识别设备上执行存储器902中的一系列计算机可执行指令。面部识别设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906。
156.具体在本实施例中,面部识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对面部识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
157.在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像;
158.对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征;
159.基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
160.本说明书实施例中,还包括:
161.检测所述二维图像中所述目标用户的面部所在的区域;
162.基于检测到的所述目标用户的面部在所述二维图像中所在的区域,对所述二维图像进行裁剪,得到裁剪后的二维图像;
163.所述对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
164.对所述裁剪后的二维图像进行特征提取,得到所述二维图像对应的图像特征。
165.本说明书实施例中,所述对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
166.将所述二维图像输入到预先训练的第一特征提取模型中,以对所述二维图像进行
特征提取,得到所述二维图像对应的图像特征,所述第一特征提取模型是基于多个不同的历史二维图像进行模型训练得到。
167.本说明书实施例中,所述对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征,包括:
168.将所述面部识别基准图像输入到预先训练的第二特征提取模型中,以对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征,所述第二特征提取模型是基于多个不同的历史三维图像进行模型训练得到。
169.本说明书实施例中,所述基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果,包括:
170.将所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征输入到预先训练的跨模态面部识别模型中,以对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果,所述跨模态面部识别模型是基于多个不同用户的历史二维图像和历史三维图像通过监督训练得到。
171.本说明书实施例中,还包括:
172.基于预设的机器学习算法构建所述跨模态面部识别模型的模型架构;
173.获取针对第一用户的基于二维图像的第一三元组数据和针对所述第一用户的基于三维图像的第二三元组数据,所述第一三元组数据包括:所述第一用户的第一二维图像、与所述第一用户具有相同用户标识的用户的第二二维图像和与所述第一用户具有不同用户标识的用户的第三二维图像,所述第二三元组数据包括:所述第一用户的第一三维图像、与所述第一用户具有相同用户标识的用户的第二三维图像和与所述第一用户具有不同用户标识的用户的第三三维图像;
174.分别对所述第一三元组数据和所述第二三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集;
175.基于所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集,以拉近相同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度,并拉开不同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度为训练目的,对所述跨模态面部识别模型进行监督训练,得到训练后的所述跨模态面部识别模型。
176.本说明书实施例中,所述分别对所述第一三元组数据和所述第二三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集,包括:
177.通过所述第一特征提取模型对所述第一三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集;
178.通过所述第二特征提取模型对所述第二三元组数据进行特征提取,得到所述第二三元组数据对应的图像特征集。
179.本说明书实施例中,还包括:
180.通过反向传播的方式分别对所述第一特征提取模型和所述第二特征提取模型进行监督训练,得到训练后的所述第一特征提取模型和训练后的所述第二特征提取模型。
181.此外,具体在本实施例中,面部识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对面部识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
182.接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像;
183.基于预先部署的第一智能合约从所述区块链系统中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理;
184.基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征;
185.通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
186.本说明书实施例中,所述面部识别请求中包括所述二维图像的可验证声明,所述基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
187.对所述可验证声明的有效性进行验证;
188.如果验证结果为有效,则基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征。
189.本说明书实施例中,所述面部识别请求中包括所述目标用户的数字身份信息文件,所述数字身份信息文件中记录有所述目标用户的数字身份信息,所述基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
190.在所述区块链系统中,查找所述区块链系统中预先存储的数字身份信息文件中是否存在记录有所述目标用户的数字身份信息的数字身份信息文件;
191.如果存在,则基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征。
192.本说明书实施例提供一种面部识别设备,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像,然后,对二维图像进行特征提取,得到二维图像对应的图像特征,并对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,最终,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到该面部识别请求对应的识别结果,这样,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面
部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征。
193.此外,通过训练流程与监督机制,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别。
194.实施例八
195.进一步地,基于上述图1a和图6所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为u盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
196.在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像,所述面部识别基准图像为三维图像;
197.对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征;
198.基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
199.本说明书实施例中,还包括:
200.检测所述二维图像中所述目标用户的面部所在的区域;
201.基于检测到的所述目标用户的面部在所述二维图像中所在的区域,对所述二维图像进行裁剪,得到裁剪后的二维图像;
202.所述对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
203.对所述裁剪后的二维图像进行特征提取,得到所述二维图像对应的图像特征。
204.本说明书实施例中,所述对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
205.将所述二维图像输入到预先训练的第一特征提取模型中,以对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,所述第一特征提取模型是基于多个不同的历史二维图像进行模型训练得到。
206.本说明书实施例中,所述对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征,包括:
207.将所述面部识别基准图像输入到预先训练的第二特征提取模型中,以对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征,所述第二特征提取模型是基于多个不同的历史三维图像进行模型训练得到。
208.本说明书实施例中,所述基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果,包括:
209.将所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征输入到预先训练的跨模态面部识别模型中,以对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果,所述跨模态面部识别模型是基于多个不同用户的历史二维图像和历史三维图像通过监督训练得到。
210.本说明书实施例中,还包括:
211.基于预设的机器学习算法构建所述跨模态面部识别模型的模型架构;
212.获取针对第一用户的基于二维图像的第一三元组数据和针对所述第一用户的基于三维图像的第二三元组数据,所述第一三元组数据包括:所述第一用户的第一二维图像、与所述第一用户具有相同用户标识的用户的第二二维图像和与所述第一用户具有不同用户标识的用户的第三二维图像,所述第二三元组数据包括:所述第一用户的第一三维图像、与所述第一用户具有相同用户标识的用户的第二三维图像和与所述第一用户具有不同用户标识的用户的第三三维图像;
213.分别对所述第一三元组数据和所述第二三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集;
214.基于所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集,以拉近相同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度,并拉开不同用户标识的二维图像对应的图像特征与三维图像对应的图像特征之间的相似度为训练目的,对所述跨模态面部识别模型进行监督训练,得到训练后的所述跨模态面部识别模型。
215.本说明书实施例中,所述分别对所述第一三元组数据和所述第二三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集和所述第二三元组数据对应的图像特征集,包括:
216.通过所述第一特征提取模型对所述第一三元组数据进行特征提取,得到所述第一三元组数据对应的图像特征集;
217.通过所述第二特征提取模型对所述第二三元组数据进行特征提取,得到所述第二三元组数据对应的图像特征集。
218.本说明书实施例中,还包括:
219.通过反向传播的方式分别对所述第一特征提取模型和所述第二特征提取模型进行监督训练,得到训练后的所述第一特征提取模型和训练后的所述第二特征提取模型。
220.此外,在另一种具体的实施例中,该存储介质可以为u盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
221.接收终端设备发送的目标用户的面部识别请求,所述面部识别请求中包括拍摄的包括所述目标用户的面部的二维图像;
222.基于预先部署的第一智能合约从所述区块链系统中获取预先存储的面部识别基准图像,所述面部识别基准图像为三维图像,所述第一智能合约用于触发对发起面部识别请求的用户进行面部识别处理;
223.基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,并基于所述第一智能合约对所述面部识别基准图像进行特征提取,得到所述面部识别基准图像对应的图像特征;
224.通过所述第一智能合约,基于所述二维图像对应的图像特征和所述面部识别基准图像对应的图像特征对所述目标用户进行面部识别处理,得到所述面部识别请求对应的识别结果。
225.本说明书实施例中,所述面部识别请求中包括所述二维图像的可验证声明,所述
基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
226.对所述可验证声明的有效性进行验证;
227.如果验证结果为有效,则基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征。
228.本说明书实施例中,所述面部识别请求中包括所述目标用户的数字身份信息文件,所述数字身份信息文件中记录有所述目标用户的数字身份信息,所述基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征,包括:
229.在所述区块链系统中,查找所述区块链系统中预先存储的数字身份信息文件中是否存在记录有所述目标用户的数字身份信息的数字身份信息文件;
230.如果存在,则基于所述第一智能合约对所述二维图像进行特征提取,得到所述二维图像对应的图像特征。
231.本说明书实施例提供一种存储介质,在获取到目标用户的面部识别请求的情况下,获取预先存储的面部识别基准图像,该面部识别请求中包括拍摄的包括目标用户的面部的二维图像,该面部识别基准图像为三维图像,然后,对二维图像进行特征提取,得到二维图像对应的图像特征,并对面部识别基准图像进行特征提取,得到面部识别基准图像对应的图像特征,最终,基于二维图像对应的图像特征和面部识别基准图像对应的图像特征对目标用户进行面部识别处理,得到该面部识别请求对应的识别结果,这样,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别,而且,可以实现不留存用户的二维面部图像做留底的前提下,实现通过面部识别对用户身份的校验,极大地提高了系统的安全性和对用户隐私的保护,并保证了对采集端设备的高兼容性和扩展性,此外,存储用户的三维面部图像的留底信息的数据库,三维面部图像具有视觉辨认性低、隐私安全性高等特征。
232.此外,通过训练流程与监督机制,可以实现二维面部图像与三维面部图像之间的面部特征互比,从而实现从三维图像的留底库中定位二维图像对应的用户身份,实现跨模态的面部识别。
233.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
234.在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array,fpga))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上,而不需要请芯片制造厂商来设计和制作
专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(hardware description language,hdl),而hdl也并非仅有一种,而是有许多种,如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等,目前最普遍使用的是vhdl(very

high

speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
235.控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit,asic)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
236.上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
237.为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
238.本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
239.本说明书的实施例是参照根据本说明书实施例的方法、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欺诈案例的串并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欺诈案例的串并设备的处
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。
240.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欺诈案例的串并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。
241.这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上,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。
242.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。
243.内存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)。内存是计算机可读介质的示例。
244.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。
245.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,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
246.本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
247.本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
248.本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
249.以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
转载请注明原文地址:https://win.8miu.com/read-50273.html

最新回复(0)