本公开的实施例涉及一种人脸认证以及录入人脸的方法、认证设备和系统与非易失性存储介质。
背景技术
随着社会的发展，技术的进步，生活节奏的加速，消费水平的提高，人脸认证技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。例如，在应用中存在这样的场景，一位储户走进了银行，他既没带银行卡，也没有回忆密码就可以径直提款。例如，当他在提款机上提款时，一台摄像机对该用户的人脸扫描，然后迅速而准确地完成了用户身份鉴定，之后他可以继续操作办理完业务。
人脸认证技术已经得到业界广泛的认同，但人脸认证也被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。现有的人脸认证技术在用户配合、采集条件比较理想的情况下可以取得令人满意的结果。但是，在用户不配合、或采集条件不理想的情况下，例如，采集的人脸图像严重缺失的情况下，现有的人脸认证技术识别率将陡然下降，极大降低了用户的使用体验。
公开内容
本公开实施例提供了一种人脸认证以及录入人脸的方法、认证设备和系统与非易失性存储介质，该人脸认证方法能够在采集的人脸图像缺失、或严重缺失的情况下，也可以有效对采集的人脸图像进行识别认证，通过率显著提升，极大提高了用户的使用体验。
根据本公开的一方面，至少一个实施例提供了一种人脸认证方法，包括：获取待验证对象的待验证人脸图像；提取所述待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果；在所述比较结果表明所述待验证人脸图像的人脸特征与其所对应的预存区域的人脸特征相匹配的情况下，生成控制指令以通过认证。
根据本公开的另一方面，至少一个实施例还提供了一种录入人脸的方法，包括：采集待验证对象的完整人脸图像；获取所述完整人脸图像的公有特征和分区特征；存储所述公有特征和所述分区特征。
根据本公开的另一方面，至少一个实施例还提供了一种认证设备，包括：处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：获取待验证对象的待验证人脸图像；提取所述待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果；在所述比较结果表明所述待验证人脸图像的人脸特征与其所对应的预存区域的人脸特征相匹配的情况下，生成控制指令以通过认证。
根据本公开的另一方面，至少一个实施例还提供了一种认证设备，包括：处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：采集待验证对象的完整人脸图像；获取所述完整人脸图像的公有特征和分区特征；存储所述公有特征和所述分区特征。
根据本公开的另一方面，至少一个实施例还提供了一种人脸认证系统，包括：上述认证设备；以及数据库，存储用于人脸认证的数据。
根据本公开的另一方面，至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储有计算机程序指令，当计算机执行所述计算机程序指令时，执行以下步骤：获取待验证对象的待验证人脸图像；提取所述待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果；在所述比较结果表明所述待验证人脸图像的人脸特征与其所对应的预存区域的人脸特征相匹配的情况下，生成控制指令以通过认证。
根据本公开的另一方面，至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储有计算机程序指令，当计算机执行所述计算机程序指令时，执行以下步骤：采集待验证对象的完整人脸图像；获取所述完整人脸图像的公有特征和分区特征；存储所述公有特征和所述分区特征。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在附图中：
图1是根据本公开实施例的一种认证设备的认证方法的流程图；
图2是根据本公开实施例的一种人脸认证方法的流程图；
图3a是根据本公开实施例的一半脸存在缺失的部分人脸图像的示意图；
图3b是根据本公开实施例的四分之一脸存在缺失的部分人脸图像的示意图；
图3c是根据本公开实施例的四周脸存在缺失的部分人脸图像的示意图；
图4是根据本公开实施例的一种多个人脸图像区域的划分示意图；
图5是根据本公开实施例的一种多个人脸预存区域的划分示意图；
图6a是根据本公开实施例的一种卷积神经网络的处理过程示意图；
图6b是根据本公开实施例的一种卷积神经网络的一个神经元的输入与输出示意图；
图7是根据本公开实施例的一种录入人脸的方法的流程图；
图8是根据本公开实施例的一种认证设备的示意图；以及
图9是根据本公开实施例的一种人脸认证系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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单元。
本公开的至少一个实施例提供了一种用于认证设备的认证方法，如图1所示为该认证设备的认证方法的流程图。该认证设备可以包括至少一种认证方式，如第一认证为“人脸认证”，第二认证为“包括指纹认证、密码认证、虹膜认证、视网膜认证、声纹认证和手势认证中的至少一种”。该认证设备将多种认证方式进行综合应用，使得在一种认证方式不通过的情况下，还可以采用其他认证方式来进行认证，用户体验感更高。该认证设备的认证方法可以包括如下步骤，如图1所示：
步骤s101，进行第一认证，判断第一认证是否成功；若是，则进入步骤s102；若否，则进入步骤s103；
步骤s102，生成控制指令以通过认证；
步骤s103，进行第二认证，判断第二认证是否成功；若是，则进入步骤s104；若否，则进入步骤s105；
步骤s104，生成控制指令以通过认证；
步骤s105，认证失败。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
对应的，该认证设备可以包括图像采集装置，如摄像头，用于采集图像数据，如人脸图像和/或手势图像；还可以包括指纹采集装置，用于采集用户指纹；或可以包括声波采集装置，用于采集用户声波；或可以包括输入装置(例如键盘、触摸屏等)，用于获取密码；或可以包括虹膜采集装置，例如摄像头(如红外摄像头)，用于采集用户虹膜数据；或可以包括视网膜采集装置，例如摄像头，用于采集用户视网膜数据。
该认证设备可以是各种固定终端或移动终端，固定终端如固定在atm机、门禁、自助支付机等上的终端；移动终端例如移动电话机、平板计算机和笔记本计算机，还可以是便携式、袖珍式、手持式或者车载的移动装置等。该认证设备在通过认证之后，可以解除对认证设备的锁定，也可以进行其他授权操作。
在认证设备进行第一认证“人脸认证”的过程中，本公开的至少一个实施例提供了一种人脸认证方法的流程图，该方法可以应用于认证设备，例如用于在待验证人脸图像存在缺失的情况下，也可以有效进行人脸认证。如图2所示，该实施例的方法可以包括如下步骤：
步骤s201，获取待验证对象的待验证人脸图像；
步骤s202，提取待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果；
步骤s203，在比较结果表明待验证人脸图像的人脸特征与其所对应的预存区域的人脸特征相匹配的情况下，生成控制指令以通过认证。
需要说明的是，本公开实施例中的人脸认证技术可以基于人脸特征点的识别算法(feature-basedrecognitionalgorithms)、基于整幅人脸图像的识别算法(appearance-basedrecognitionalgorithms)、基于模板的识别算法(template-basedrecognitionalgorithms)、利用神经网络进行识别的算法(recognitionalgorithmsusingneuralnetwork)、基于光照估计模型理论、优化的形变统计校正理论、独创的实时特征识别理论中的一种或多种来对人脸图像进行识别。
这里，基于光照估计模型理论，主要是基于gamma灰度矫正的光照预处理方法，并且在光照估计模型的基础上，进行相应的光照补偿和光照平衡策略。优化的形变统计校正理论，主要是基于统计形变的校正理论，优化人脸姿态，强化迭代理论，该强化迭代理论是对dlfa(dynamiclocalfeatureanalysis，动态局部特征分析技术)人脸检测算法的有效扩展。实时特征识别理论，主要是侧重于人脸实时数据的中间值处理，从而可以在识别速率和识别效能之间，达到最佳的匹配效果。
在步骤s201中，获取待验证对象的待验证人脸图像。不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像，或者不同的角度，或不同表情等都可以得到很好的采集。当待验证对象在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄待验证对象的人脸图像。
可选的，采集设备可以基于人脸图像中包含的模式特征，如直方图特征、颜色特征、模板特征、结构特征及haar特征(haar-likefeatures，用于反映图像的灰度变化，基于像素分模块求差值的一种特征)等，采用adaboost(一种迭代算法)学习算法，挑选出一些最能代表待验证对象人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，快速的自动搜索到待验证对象的人脸，并拍摄该搜索到的人脸的图像。
由此，本公开的实施例可以获取采集设备所拍摄的待验证人脸图像，该待验证人脸图像可以是完整的人脸图像，也可以是存在缺失的部分人脸图像。
在获取到待验证对象的待验证人脸图像的情况下，在步骤s202中，可以提取该待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果。
人脸认证技术可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取(也称人脸表征)就是针对人脸的某些特征进行的。本公开实施例中的人脸特征提取可以基于知识的表征方法。这里，基于知识的表征方法主要是根据人脸器官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征。
在本公开的实施例中，由于待验证人脸图像可以是完整的人脸图像，也可以是存在缺失的部分人脸图像，因此，提取的待验证人脸图像的人脸特征，对应的为完整的全脸特征，或存在缺失的部分特征。无论提取的是全脸特征还是部分特征，本公开的实施例都可以将其与之对应的人脸预存区域的人脸特征作比较，得到比较结果，具有更宽的应用范围。
一般而言，若采集的待验证人脸图像为完整的人脸图像，其直接可以将提取的该完整人脸图像的全脸特征与数据库中存储的全脸特征模板进行搜索匹配，根据相似程度对待验证对象的身份信息进行判断。
在本公开的实施例中，在数据库中还存储了除全脸特征模板之外的多个部分脸特征模板，若采集的待验证人脸图像为存在缺失的部分人脸图像，因此可以将提取的该部分人脸图像的部分脸特征与数据库中存储的部分脸特征模板进行搜索匹配。
根据手机、平板等设备在进行人脸认证时，所采集的存在缺失的部分人脸图像进行统计分析可知，该存在缺失的部分人脸图像，一般为一半脸存在缺失，例如，上半脸存在缺失、下半脸存在缺失、左半脸存在缺失、右半脸存在缺失等，如附图3a所示；四分之一脸存在缺失，例如，上半脸的左半部分存在缺失、下半脸的右半部分存在缺失、左半脸的上半部分存在缺失、右半脸的上半部分存在缺失等，在此不再进行一一列举，如附图3b所示；四周脸存在缺失，如附图3c所示。
本公开的实施例可以预先存储与上述几种类型的存在缺失的部分人脸图像所对应的人脸预存区域的人脸特征，并将提取的该待验证对象的部分人脸图像的部分脸特征与数据库中存储的部分脸特征模板进行搜索匹配，根据相似程度对待验证对象的身份信息进行判断。
在比较结果表明待验证人脸图像的人脸特征与其所对应的预存区域的人脸特征相匹配的情况下，在步骤s203中，生成控制指令以解除对于系统或设备的锁定。
通过本公开上述实施例，无论采集的待验证人脸图像是完整的、还是存在缺失的，都可以有效地进行人脸认证，较好地解决了对于手机、平板等电子设备在进行人脸认证时，由于采集的人脸图像存在缺失(例如半张脸都在摄像头视角外)导致认证通过率极低的技术问题。
此外，根据本公开的一个实施例，提取待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果可以包括：确定待验证人脸图像所属的人脸图像区域；根据人脸图像区域，获取其对应的人脸预存区域的人脸特征；将待验证人脸图像的人脸特征与人脸预存区域的人脸特征作比较以得到比较结果。
预先划分多个人脸图像区域，例如，全脸图像区域4a、上半脸图像区域4b、下半脸图像区域4c、左半脸图像区域4d、右半脸图像区域4e和中间脸图像区域4f等，如图4所示。
在获取到待验证人脸图像的情况下，在步骤s202中，可以先确定待验证人脸图像所属的人脸图像区域，并确定该所属的人脸图像区域所对应的人脸预存区域。例如，该人脸预存区域可以为：全脸预存图像区域5a’、上半脸图像区域5b’、下半脸图像区域5c’、左半脸图像区域5d’、右半脸图像区域5e’和中间脸图像区域5f’等，如图5所示。根据上述划分人脸图像区域的划分方式可以看出，上述多个人脸图像区域可以很好地涵盖待验证人脸图像一半脸存在缺失和四周脸存在缺失的情况。
而且，需要说明的是，对于待验证人脸图像四分之一脸存在缺失的情况，本公开实施例例如可以提供两种实施方式：
方式一，划分多个四分之三脸图像区域，确定待验证人脸图像所属的多个四分之三脸图像区域；根据这些四分之三脸图像区域，获取其对应的预存的四分之三脸图像区域的人脸特征；将待验证人脸图像的四分之三脸图像区域中的人脸特征，与其对应的预存的四分之三脸图像区域的人脸特征作比较以得到比较结果。
方式二，利用两个一半脸的图像区域交叉来表示该四分之一脸存在缺失，例如，利用上半脸图像区域4b和左半脸图像区域4d来表示右半脸的下半部分存在缺失。由于可以利用两个人脸图像区域来表示待验证人脸图像四分之一脸存在缺失的情况，此时，若确定出待验证人脸图像属于两个以上的人脸图像区域，根据两个以上的人脸图像区域，获取其对应的两个以上的人脸预存区域的人脸特征；将两个以上的人脸图像区域的人脸特征与两个以上的人脸预存区域的人脸特征分别作比较，得到两个以上的比较结果；之后，基于两个以上的比较结果，确定待验证人脸图像的人脸特征与其所对应的预存区域的人脸特征是否匹配。在该方式中，例如待验证人脸图像由多个非重叠的部分区域(不限于一半脸图像区域)组合得到，对这些部分区域分别进行验证并综合验证结果来确定是否验证通过。例如，可以对不同的部分区域给予不同的权重，然后通过对不同部分区域得到的比较结果进行加权平均得到最后总的比较结果。
此外，根据本公开的一个实施例，确定待验证人脸图像所属的人脸图像区域可以包括：依据待验证人脸图像包括的人脸关键点，确定待验证人脸图像所属的人脸图像区域。例如，该人脸关键点可以包括左瞳孔、右瞳孔(或左侧眼角、右侧眼角)、鼻尖、左嘴角或右嘴角等。
在一个可选的实施例中，依据待验证人脸图像包括的人脸关键点，确定待验证人脸图像所属的图像区域包括以下至少一种或多种：在待验证人脸图像中检测到左嘴角关键点、右嘴角关键点、左瞳孔关键点和右瞳孔关键点的情况下，确定待验证人脸图像所属的图像区域为全脸图像区域；在待验证人脸图像中未检测到左嘴角关键点和右嘴角关键点的情况下，确定待验证人脸图像所属的图像区域为上半脸图像区域；在待验证人脸图像中未检测到左瞳孔关键点和右瞳孔关键点的情况下，确定待验证人脸图像所属的图像区域为下半脸图像区域；在待验证人脸图像中未检测到右瞳孔关键点或右嘴角关键点的情况下，确定待验证人脸图像所属的图像区域为左半脸图像区域；在待验证人脸图像中未检测到左瞳孔关键点或左嘴角关键点的情况下，确定待验证人脸图像所属的图像区域为右半脸图像区域；在待验证人脸图像中未检测到左瞳孔关键点和右嘴角关键点、和/或右瞳孔关键点和左嘴角关键点的情况下，确定待验证人脸图像所属的图像区域为中间脸图像区域。
相应的，根据待验证人脸图像所属的人脸图像区域获取其对应的人脸预存区域的人脸特征，并将提取的待验证人脸图像在其所属的人脸图像区域中的人脸特征，与其所对应的人脸预存区域的人脸特征作比较以得到比较结果。
此外，根据本公开的一个实施例，将提取的待验证人脸图像在其所属的人脸图像区域中的人脸特征与其所对应的人脸预存区域的人脸特征作比较以得到比较结果还可以包括：判断待验证人脸图像在其所属的人脸图像区域中的大小占比是否超过阈值；在判断结果表明待验证人脸图像在其所属的人脸图像区域中的大小占比超过阈值的情况下，将人脸图像区域的人脸特征与其对应的人脸预存区域的人脸特征作比较，以得到比较结果。该阈值大小可以根据在相应的人脸图像区域中可提取的用于人脸认证的特征多少来确定，例如确定为50％、60％、70％等。
例如，本申请虽然确定出了待验证人脸图像属于上半脸图像区域4b，但提取该待验证人脸图像在其所属的上半脸图像区域4b中的人脸特征发现，该上半脸图像区域4b中可提取的人脸特征占该上半脸图像区域4b应提取的人脸特征的比例低于阈值如60％，则放弃对该待验证人脸图像在其所属的人脸图像区域的验证。
通过本公开上述方式，可以仅在部分人脸图像在其所属的人脸图像区域中所占比例超过阈值的情况下，才对该部分人脸图像在其所属的人脸图像区域进行验证，而在部分人脸图像在其所属的人脸图像区域中所占比例小于阈值的情况下，放弃对该部分人脸图像在其所属的人脸图像区域进行验证，杜绝了由于采集的部分人脸图像极度不完整，所造成的认证设备的处理资源的浪费。
此外，根据本公开的一个实施例，在步骤s202中，提取待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果还可以包括：判断待验证人脸图像是否存在缺失；在判断结果表明待验证人脸图像存在缺失的情况下，启动基于部分人脸图像的部分脸特征来进行人脸认证，并提取待验证对象的人脸图像在非缺失区域中的人脸特征；将待验证人脸图像在非缺失区域中的人脸特征与其对应的人脸预存区域的人脸特征作比较，以得到比较结果。
上述非缺失区域如附图4所示，例如，全脸图像区域4a、上半脸图像区域4b、下半脸图像区域4c、左半脸图像区域4d、右半脸图像区域4e和中间脸图像区域4f。
在一个可选的实施例中，判断待验证人脸图像是否存在缺失可以包括：获取待验证人脸图像中包括的人脸关键点；基于待验证人脸图像中所包括的人脸关键点，判断待验证人脸图像是否存在缺失。
此外，根据本公开的一个实施例，在步骤s202中，可以经由神经网络提取待验证人脸图像的人脸特征，并将其与对应的人脸预存区域的人脸特征作比较，得到比较结果。
该神经网络可以为各种适合类型的神经网络，并且在用于进行验证之前，可以采用大量数据进行事先训练、调整参数。
下面，该神经网络以卷积神经网络为例进行说明。卷积神经网络(cnn)是局部连接网络，相对于全连接网络，其最大的特点是：局部连接性和权值共享性。对于一副待验证图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大(局部连接性)；另外，根据自然图像的统计特性，某个区域的权值也可以用于另一个区域(权值共享性)，这里的权值可以是卷积核共享。
卷积神经网络在获取到待验证人脸图像后，依次经过若干个处理过程(如图6a中的每个层级)后输出识别结果。每个层级的处理过程可包括：卷积(convolution)以及下采样(down-sampling)。对于一个卷积核将其与给定的图像执行卷积就可以提取该图像的特征，不同的卷积核可以提取不同的特征。概况地讲，卷积层的计算方法可以根据如下公式进行：
conv＝σ(imgmatw+b)
其中，σ表示激活函数；imgmat表示灰度图像矩阵；w表示卷积核；“”表示卷积操作；b表示偏置值。每个层级的处理过程根据需要还可以包括归一化处理(例如，lcn，即localconstantnormalization)等。
图6b抽象地示出了的一种卷积神经网络中一个神经元的输入与输出，如图6b所示，c1、c2到cn指代不同的信号通道，针对某一个局部感受域(该局部感受域包含多个通道)，使用不同的滤波器对该局部感受域的c1到cn信号通道上的数据进行卷积，卷积结果被输入刺激节点，该刺激节点根据相应的函数进行计算以得到特征信息。所适用的卷积神经网络不限于图中示出的情形，还可以包括更多卷积核以提取更多的特征，或者包括更多的卷积层或池化层以提取更多层次的特征。例如，可以使用局部卷积神经网络(region-basedcnn，r-cnn)或快速局部卷积神经网络(fastr-cnn)等模型进行人脸认证。
本公开的实施例可经由例如卷积神经网络对待验证人脸图像执行卷积操作，以生成待验证人脸图像的人脸特征。
通过本公开上述实施例，在待验证人脸图像脸部缺失的情况下，通过率有显著提高。
本公开的至少一个实施例还提供了如图7所示的录入人脸的方法的流程图，该方法可以应用于认证设备，例如用于录入全脸特征和分区特征。如图7所示，该实施例的方法可以包括如下步骤：
步骤s701，采集待验证对象的完整人脸图像；
步骤s702，获取完整人脸图像的公有特征和分区特征；
步骤s703，存储公有特征和分区特征。
需要说明的是，上述公有特征为待验证对象的全脸图像区域的特征，分区特征为待验证对象的区域特征。例如，该区域特征包括：上半脸图像区域特征、下半脸图像区域特征、左半脸图像区域特征、右半脸图像区域特征和中间脸图像区域特征。
在一个可选的实施例中，可以经由神经网络从完整人脸图像中获取公有特征和分区特征。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本公开实施例的方法。
本公开的至少一个实施例还提供了一种认证设备，如图8所示，该认证设备包括处理器801以及存储器802，该存储器802配置为存储计算机程序指令，计算机程序指令适于由处理器加载并执行上述人脸认证方法、和/或上述录入人脸的方法。
该处理器801可以为各种适用的处理器，例如实现为中央处理器、微处理器、嵌入处理器等形式，可以采用x86、arm等架构；存储器802可以为各种适用的存储装置，包括但不限于磁存储装置、半导体存储装置、光存储装置等，并且可以布置为单个存储装置、存储装置阵列或分布式存储装置，本公开的实施例对这些不作限制。
本公开的至少一个实施例还提供了一种人脸认证系统，如图9所示，包括：认证设备901以及采集设备902。上述采集设备例如为摄像头等。该人脸认证系统可以有多种实现方式，例如可以通过单个计算机实现，也可以通过多个计算机实现，还可以部署在云端等来实现，或者这些方式的组合。
该人脸认证系统可以包括所需的应用环境，该环境可以包括硬件环境和网络环境。上述硬件环境包括认证设备901、采集设备902和服务器903。例如，该服务器903上运行数据库，该数据库存储用于人脸认证的数据，该数据库可以设置为任何可用的形式，例如关系型数据库或非关系型数据库等。该认证设备901可以通过相应的指令操作该数据库，从而可以读取、改变、更新、添加数据等。本公开的另一个实施例不包括服务器，例如数据库设置在认证设备901内，即设置在本机之中。应当注意，图9所示的硬件环境和结构只是示例性的，而非限制性的；根据需要，硬件环境也可以具有其他组件和结构，并且例如可以包括网关等。
该认证设备901中可以包括多个处理节点，用于处理从采集设备902获取的数据，该多个处理节点对外可以作为一个整体。可选的，该认证设备901也可将数据发送至服务器903，以使服务器903处理认证设备901所发送的数据。可选的，采集设备902可以内置或外置于认证设备901。认证设备901可以通过网络与服务器902连接。
上述网络包括有线网络和无线网络。该无线网络包括但不限于：广域网、城域网、局域网或移动数据网络。典型地，该移动数据网络包括但不局限于：全球移动通信(gsm)网络、码分多址(cdma)网络、宽带码分多址(wcdma)网络、长期演进(lte)通信网络、wifi网络、zigbee网络、基于蓝牙技术的网络、5g网络等。不同类型的通信网络可能由不同的运营商运营。通信网络的类型不构成对本公开实施例的限制。
本公开的至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储计算机程序指令，当计算机执行程序指令时，执行上述人脸认证方法、和/或上述录入人脸的方法。
需要说明的是，对于上述的系统、方法、认证设备和存储介质的实施例，为了简单描述，故将其都表述为一系列的动作或模块组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序或模块连接的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行，某些模块可以采用其他连接方式。
本领域技术人员也应该知悉，说明书中所描述的实施例均属于一种实施例，上述实施例序号仅仅为了描述，所涉及的动作和模块并不一定是本公开所必须的。
在本公开的上述实施例中，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。
在本公开所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，例如多个单元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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、服务器或者网络设备等)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易失性存储介质或非易失性存储介质，例如u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。