本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法及装置。
背景技术：
随着技术的不断发展，人脸识别技术得到了广泛的应用。例如，通过人脸识别来进行访客登记、考勤签到、注册信息录入，或进行门禁识别等等。人脸识别技术是基于人的脸部特征，首先对输入的人脸图像或者视频流判断其是否存在人脸,如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息；并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
传统的人脸识别技术采用单帧图像识别的方式进行识别，即通过采集单帧脸部图像特征进行特征储存作为对比源，再通过识别目标用户的单帧脸部特征进行对比，当确定一致时，识别成功。这种传统的单帧识别方式加密级别不够，当两人的脸部特征及其相似，或通过特殊手段进行脸部修正的时候，单帧图像识别由于对脸部特征进行静态对比，错误率高。
技术实现要素：
本发明提供了一种人脸识别方法，包括了人脸识别加密方法和人脸识别解密方法，通过连续采集用户的多帧图像进行脸部特征提取合并，重合得到目标重合脸部特征作为对比源；再对检测用户的多帧图像进行特征识别，当合并后的检测图像特征与对比源的误差值在阈值范围内时，再通过重合路线还原对比源的脸部特征进行特征的准确识别；以解决传统的单帧识别方式加密级别不够，当两人的脸部特征及其相似，或通过特殊手段进行脸部修正的时候，单帧图像识别由于对脸部特征进行静态对比，导致错误率高的技术问题，从而采用多帧合并加密对比的方式进行动态对比，进而实现提高人脸识别的准确度。
为了解决上述技术问题，本发明实施例提供了一种人脸识别加密方法，包括：
连续获取目标用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组目标脸部特征；
将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点，直到所有的特征点完成重合得到目标重合脸部特征；
对所述目标重合特征点的重合路线进行标记并提取，得到多条目标重合路线；
将所述多条目标重合路线与所述目标重合脸部特征进行关联，作为特征对比源，并储存在脸部特征数据库中。
作为优选方案，所述对各帧脸部图像进行脸部特征提取的具体步骤，包括：
对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
对所述多处骨架点进行连接，得到骨架网络图；
对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
将所述多处微表情特征点标记在所述骨架网络图中，构建目标脸部特征网络。
作为优选方案，所述将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点的具体步骤，包括：
构建空间坐标系，设置唯一基准点并将所述多组目标脸部特征设置在所述空间坐标系中；
对各组目标脸部特征中的特征点进行空间坐标识别，得到坐标参数；
对各组目标脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的目标重合特征点。
本发明实施例还提供了一种人脸识别加密装置，包括：
特征提取模块，用于连续获取目标用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组目标脸部特征；
特征重合模块，用于将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点，直到所有的特征点完成重合得到目标重合脸部特征；
路线提取模块，用于对所述目标重合特征点的重合路线进行标记并提取，得到多条目标重合路线；
关联储存模块，用于将所述多条目标重合路线与所述目标重合脸部特征进行关联，作为特征对比源，并储存在脸部特征数据库中。
作为优选方案，所述特征提取模块包括：
特征标记单元，用于对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
特征连接单元，用于对所述多处骨架点进行连接，得到骨架网络图；
表情标记单元，用于对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
特征网络单元，用于将所述多处微表情特征点标记在所述骨架网络图中，构建目标脸部特征网络。
作为优选方案，所述特征重合模块包括：
空间坐标单元，用于构建空间坐标系，设置唯一基准点并将所述多组目标脸部特征设置在所述空间坐标系中；
坐标参数单元，用于对各组目标脸部特征中的特征点进行空间坐标识别，得到坐标参数；
特征重合单元，用于对各组目标脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的目标重合特征点。
本发明实施例还提供了一种人脸识别解密方法，基于上述所述的人脸识别加密方法，包括：
连续获取检测用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组检测脸部特征；
将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点，直到所有的特征点完成重合得到检测重合脸部特征；
通过脸部特征数据库，将所述检测重合脸部特征与所述脸部特征数据库中的目标重合脸部特征进行对比识别，当对应的特征点的空间差值不大于预设阈值时，通过关联的多条目标重合路线对所述目标重合脸部特征进行还原，得到目标用户的多帧脸部图像；
将所述目标用户的多帧脸部图像与所述检测用户的多帧脸部图像进行脸部特征对比，当其中任意一帧脸部图像的特征一致时，确定人脸识别成功。
作为优选方案，所述对各帧脸部图像进行脸部特征提取的具体步骤，包括：
对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
对所述多处骨架点进行连接，得到骨架网络图；
对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
将所述多处微表情特征点标记在所述骨架网络图中，构建检测脸部特征网络。
作为优选方案，所述将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点的具体步骤，包括：
构建空间坐标系，设置唯一基准点并将所述多组检测脸部特征设置在所述空间坐标系中；
对各组检测脸部特征中的特征点进行空间坐标识别，得到坐标参数；
对各组检测脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的检测重合特征点。
本发明实施例还提供了一种人脸识别解密装置，包括：
特征提取模块，用于连续获取检测用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组检测脸部特征；
特征重合模块，用于将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点，直到所有的特征点完成重合得到检测重合脸部特征；
路线还原模块，用于通过脸部特征数据库，将所述检测重合脸部特征与所述脸部特征数据库中的目标重合脸部特征进行对比识别，当对应的特征点的空间差值不大于预设阈值时，通过关联的多条目标重合路线对所述目标重合脸部特征进行还原，得到目标用户的多帧脸部图像；
特征识别模块，用于将所述目标用户的多帧脸部图像与所述检测用户的多帧脸部图像进行脸部特征对比，当其中任意一帧脸部图像的特征一致时，确定人脸识别成功。
作为优选方案，所述特征提取模块包括：
特征标记单元，用于对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
特征连接单元，用于对所述多处骨架点进行连接，得到骨架网络图；
表情标记单元，用于对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
特征网络单元，用于将所述多处微表情特征点标记在所述骨架网络图中，构建检测脸部特征网络。
作为优选方案，所述特征重合模块包括：
空间坐标单元，用于构建空间坐标系，设置唯一基准点并将所述多组检测脸部特征设置在所述空间坐标系中；
坐标参数单元，用于对各组检测脸部特征中的特征点进行空间坐标识别，得到坐标参数；
特征重合单元，用于对各组检测脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的检测重合特征点。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的人脸识别加密方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的人脸识别加密方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明通过连续采集用户的多帧图像进行脸部特征提取合并，重合得到目标重合脸部特征作为对比源；再对检测用户的多帧图像进行特征识别，当合并后的检测图像特征与对比源的误差值在阈值范围内时，再通过重合路线还原对比源的脸部特征进行特征的准确识别；以解决传统的单帧识别方式加密级别不够，当两人的脸部特征及其相似，或通过特殊手段进行脸部修正的时候，单帧图像识别由于对脸部特征进行静态对比，导致错误率高的技术问题，从而采用多帧合并加密对比的方式进行动态对比，进而实现提高人脸识别的准确度。
附图说明
图1：为本发明实施例中的人脸识别加密方法的步骤流程图；
图2：为本发明实施例中的人脸识别解密方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参照图1，本发明优选实施例提供了一种人脸识别加密方法，包括：
s1，连续获取目标用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组目标脸部特征；在本实施例中，所述对各帧脸部图像进行脸部特征提取的具体步骤，包括：
s11，对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
s12，对所述多处骨架点进行连接，得到骨架网络图；
s13，对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
s14，将所述多处微表情特征点标记在所述骨架网络图中，构建目标脸部特征网络。
具体地，本发明的人脸识别加密、解密方法可以应用在人脸识别门禁机上；首先对用户的脸部特征图像进行采集，使用网络传输的方式保持与后台的连接，持续与后台实时同步用户数据，包括底图信息、用户名字、居住信息等。其中，关于多帧脸部图像可以是用户变换不同表情时的脸部特征图像，通过增加对用户脸部表情特征的识别作为影响参数，参与对比源的合并，可以进一步提高人脸识别的准确度。
s2，将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点，直到所有的特征点完成重合得到目标重合脸部特征；在本实施例中，本步骤具体包括：
s21，构建空间坐标系，设置唯一基准点并将所述多组目标脸部特征设置在所述空间坐标系中；
s22，对各组目标脸部特征中的特征点进行空间坐标识别，得到坐标参数；
s23，对各组目标脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的目标重合特征点。
具体地，通过建立空间坐标系对多组目标脸部特征进行合并，因为连续多帧的脸部图像中由于表情影响因素的引入会使得各帧之间的特征点坐标系数会有所不同，事先选择其中一个特征点作为基准点，或选择坐标系中的个坐标参数为基准点，将不重合的特征点进行计算其空间距离，取其平均值后得到了一个虚拟坐标，将这个虚拟坐标作为该区域的特征点。
s3，对所述目标重合特征点的重合路线进行标记并提取，得到多条目标重合路线。具体地，由于目标重合特征点的重合路线较多，后期需要对路线进行还原，以得到原始的脸部特征图像进行特征的精准对比，所以在本步骤中需要对重合路线进行标记并提取，以得到重合路线。
s4，将所述多条目标重合路线与所述目标重合脸部特征进行关联，作为特征对比源，并储存在脸部特征数据库中。在本步骤中，完成了整个人脸识别加密方案的执行过程，得到了对比源，以便于后续进行待检测用户的脸部特征识别。
请参照图2，本发明实施例还提供了一种人脸识别解密方法，基于上述所述的人脸识别加密方法，包括：
s1，连续获取检测用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组检测脸部特征；在本实施例中，所述对各帧脸部图像进行脸部特征提取的具体步骤，包括：
s11，对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
s12，对所述多处骨架点进行连接，得到骨架网络图；
s13，对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
s14，将所述多处微表情特征点标记在所述骨架网络图中，构建检测脸部特征网络。
同样，多帧脸部图像可以是用户变换不同表情时的脸部特征图像，通过增加对用户脸部表情特征的识别作为影响参数，参与对比源的合并，可以进一步提高人脸识别的准确度。
s2，将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点，直到所有的特征点完成重合得到检测重合脸部特征；在本实施例中，本步骤具体包括：
s21，构建空间坐标系，设置唯一基准点并将所述多组检测脸部特征设置在所述空间坐标系中；
s22，对各组检测脸部特征中的特征点进行空间坐标识别，得到坐标参数；
s23，对各组检测脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的检测重合特征点。
同样，通过建立空间坐标系对多组目标脸部特征进行合并，因为连续多帧的脸部图像中由于表情影响因素的引入会使得各帧之间的特征点坐标系数会有所不同，事先选择其中一个特征点作为基准点，或选择坐标系中的个坐标参数为基准点，将不重合的特征点进行计算其空间距离，取其平均值后得到了一个虚拟坐标，将这个虚拟坐标作为该区域的特征点。
s3，通过脸部特征数据库，将所述检测重合脸部特征与所述脸部特征数据库中的目标重合脸部特征进行对比识别，当对应的特征点的空间差值不大于预设阈值时，通过关联的多条目标重合路线对所述目标重合脸部特征进行还原，得到目标用户的多帧脸部图像。
具体地，预设的阈值可以根据实际需要进行调整修改。当两个合并后的图像特征对比的误差值在阈值范围内时，对之前关联的重合路线进行还原得到原始的图像特征，此时，分别将多帧图像进行一一识别，有任意一帧相同即可判断为识别成功。此步骤考虑到对比源的连续帧表情特征可能与待检测源的表情特征不完全一致，例如数据录入的时候用户是笑的，但是检测的时候用户没有笑；则此时只要对原始帧图像进行脸部特征识别即可成功对比。
s4，将所述目标用户的多帧脸部图像与所述检测用户的多帧脸部图像进行脸部特征对比，当其中任意一帧脸部图像的特征一致时，确定人脸识别成功。在本步骤中，完成了整个人脸识别解密方案的执行过程，确定人脸识别成功，完全整个方案。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的人脸识别加密方法。
本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的人脸识别加密方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡和闪存卡(flashcard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种人脸识别加密方法，其特征在于，包括：
连续获取目标用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组目标脸部特征；
将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点，直到所有的特征点完成重合得到目标重合脸部特征；
对所述目标重合特征点的重合路线进行标记并提取，得到多条目标重合路线；
将所述多条目标重合路线与所述目标重合脸部特征进行关联，作为特征对比源，并储存在脸部特征数据库中。
2.如权利要求1所述的人脸识别加密方法，其特征在于，所述对各帧脸部图像进行脸部特征提取的具体步骤，包括：
对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
对所述多处骨架点进行连接，得到骨架网络图；
对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
将所述多处微表情特征点标记在所述骨架网络图中，构建目标脸部特征网络。
3.如权利要求2所述的人脸识别加密方法，其特征在于，所述将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点的具体步骤，包括：
构建空间坐标系，设置唯一基准点并将所述多组目标脸部特征设置在所述空间坐标系中；
对各组目标脸部特征中的特征点进行空间坐标识别，得到坐标参数；
对各组目标脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的目标重合特征点。
4.一种人脸识别加密装置，其特征在于，包括：
特征提取模块，用于连续获取目标用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组目标脸部特征；
特征重合模块，用于将所述多组目标脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为目标重合特征点，直到所有的特征点完成重合得到目标重合脸部特征；
路线提取模块，用于对所述目标重合特征点的重合路线进行标记并提取，得到多条目标重合路线；
关联储存模块，用于将所述多条目标重合路线与所述目标重合脸部特征进行关联，作为特征对比源，并储存在脸部特征数据库中。
5.一种人脸识别解密方法，其特征在于，基于权利要求3中所述的人脸识别加密方法，包括：
连续获取检测用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组检测脸部特征；
将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点，直到所有的特征点完成重合得到检测重合脸部特征；
通过脸部特征数据库，将所述检测重合脸部特征与所述脸部特征数据库中的目标重合脸部特征进行对比识别，当对应的特征点的空间差值不大于预设阈值时，通过关联的多条目标重合路线对所述目标重合脸部特征进行还原，得到目标用户的多帧脸部图像；
将所述目标用户的多帧脸部图像与所述检测用户的多帧脸部图像进行脸部特征对比，当其中任意一帧脸部图像的特征一致时，确定人脸识别成功。
6.如权利要求5所述的人脸识别解密方法，其特征在于，所述对各帧脸部图像进行脸部特征提取的具体步骤，包括：
对各帧脸部图像进行骨骼特征识别，标记所述脸部图像中的多处骨架点；
对所述多处骨架点进行连接，得到骨架网络图；
对各帧脸部图像进行脸部表情特征识别，标记所述脸部图像中的多处微表情特征点；
将所述多处微表情特征点标记在所述骨架网络图中，构建检测脸部特征网络。
7.如权利要求6所述的人脸识别解密方法，其特征在于，所述将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点的具体步骤，包括：
构建空间坐标系，设置唯一基准点并将所述多组检测脸部特征设置在所述空间坐标系中；
对各组检测脸部特征中的特征点进行空间坐标识别，得到坐标参数；
对各组检测脸部特征进行区域划分，对同一区域内坐标参数不同的特征点进行计算其空间平均值，将所述空间平均值作为该区域的检测重合特征点。
8.一种人脸识别解密装置，其特征在于，包括：
特征提取模块，用于连续获取检测用户的多帧脸部图像，分别对各帧脸部图像进行脸部特征提取，得到多组检测脸部特征；
特征重合模块，用于将所述多组检测脸部特征进行合并，计算在同一区域内不重合的特征点的空间距离并取其平均值作为检测重合特征点，直到所有的特征点完成重合得到检测重合脸部特征；
路线还原模块，用于通过脸部特征数据库，将所述检测重合脸部特征与所述脸部特征数据库中的目标重合脸部特征进行对比识别，当对应的特征点的空间差值不大于预设阈值时，通过关联的多条目标重合路线对所述目标重合脸部特征进行还原，得到目标用户的多帧脸部图像；
特征识别模块，用于将所述目标用户的多帧脸部图像与所述检测用户的多帧脸部图像进行脸部特征对比，当其中任意一帧脸部图像的特征一致时，确定人脸识别成功。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～3任一项所述的人脸识别加密方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～3任一项所述的人脸识别加密方法。
技术总结