数据处理方法、装置、计算机设备和存储介质与流程

本申请涉及数据处理技术领域，特别是涉及一种数据处理方法、装置、计算机设备和存储介质。

背景技术

随着科技发展，电子产品逐渐智能化，智能化电子产品主要包括智能手机、手表、ipad等。智能手表中内置了各式各样的应用软件，通过内置的应用软件，用户可以进行阅读、听音乐、打电话等。随着智能手表的普及，智能手表中存储的个人信息越来越多，为了保护用户个人信息的安全，智能手表通常设置有解锁装置，通过解锁装置对智能手表进行解锁，传统的手表解锁方式主要为密码解锁，通过密码解锁的手表、输入密码时容易泄漏密码，密码泄漏容易造成个人信息的泄漏。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够通过指纹识别和人脸识别双重接收方式对手表进行手表解锁的数据处理方法、装置、计算机设备和存储介质。

一种数据处理方法，所述方法包括：

获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果；

当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能；

通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果；

当人脸识别结果为识别成功时，手表成功解锁。

一种数据处理装置，所述装置包括：

指纹识别模块，用于获取手表中指纹采集装置采集的指纹数据，对所述指纹数据进行识别，得到对应的指纹识别结果；

摄像功能开启模块，用于当所述指纹识别结果为识别成功时，开启所述手表的摄像头的摄像功能；

人脸识别模块，用于通过所述摄像头采集图像数据，将所述图像数据输入已训练的人脸识别模型，并对所述图像数据进行人脸识别，得到对应的人脸识别结果；

解锁模块，用于当所述人脸识别结果为识别成功时，所述手表成功解锁。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果；

当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能；

通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果；

当人脸识别结果为识别成功时，手表成功解锁。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果；

当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能；

通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果；

当人脸识别结果为识别成功时，手表成功解锁。

上述数据处理方法、装置、计算机设备和存储介质，获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果，当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能，通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果当人脸识别结果为识别成功时，手表成功解锁。通过指纹解锁摄像头的摄像功能，在通过摄像头解锁手机，可以有效的避免密码泄漏的问题，有效的防止手表中的个人信息的泄漏。

附图说明

图1为一个实施例中数据处理方法的应用环境图；

图2为一个实施例中数据处理方法的流程示意图；

图3为另一个实施例中数据处理方法的流程示意图；

图4为一个实施例中人脸识别步骤的流程示意图；

图5为另一个实施例中人脸识别步骤的流程示意图；

图6为一个实施例中数据处理装置的结构框图；

图7为另一个实施例中数据处理装置的结构框图；

图8为一个实施例中人脸识别模块的结构框图；

图9为又一个实施例中数据处理装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

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，对本申请进行进一步详细说明。应当理解，此处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。

本申请提供的数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果，当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能，通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果，当人脸识别结果为识别成功时，手表成功解锁。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种数据处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤s202，获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果。

步骤s204，当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能。

步骤s206，通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果。

步骤s208，当人脸识别结果为识别成功时，手表成功解锁。

具体地，指纹采集装置是指用于采集指纹数据的装置，当手指放置在手表的表盘上的任意处时，指纹采集装置开始采集指纹数据，将采集到的指纹数据发送至终端或服务器，通过终端或服务器中存储的指纹识别模型对采集到的指纹数据进行特征提取，得到对应的指纹特征，根据指纹特征确定用户信息，当采集到的指纹数据对应的指纹特征与目标指纹特征匹配时，判断该用户为目标用户，开启手表上的摄像头的摄像功能，通过摄像头采集包含用户人脸的图像数据，将采集到的图像数据输入已训练的人脸识别模型，其中已训练的人脸识别模型是指通过对包含目标用户的人脸的图像进行训练得到的人脸识别模型，通过该人脸识别模型可以对采集到的图像数据进行人脸特征提取，根据提取到的特征与目标用户的人脸对应的特征进行匹配，当匹配成功时，表示识别成功，当匹配不成功时表示识别失败。若识别成功则对手表进行解锁，用户可在解锁后的手机上进行娱乐、设置和通话等操作。

在一个实施例中，已训练的人脸识别模型可以是深度学习神经网络模型、卷积神经网络模型等。已训练的人脸识别模型可以直接存储在手表中也可以存储在终端或服务器中。

上述数据处理方法，包括：获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果，当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能，通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果，当人脸识别结果为识别成功时，手表成功解锁。通过指纹识别进行摄像头功能解锁，在通过解锁摄像功能的摄像头进行数据采集，根据采集到的数据进行人脸识别。在只有指纹解锁的情况下，仅仅能够解锁手表的摄像头功能，如无指纹解锁，则摄像头不开启摄像功能，无法进行下一步的人脸识别，通过双重解锁增加解锁难度，通过增加解锁难度保护用户个人信息。

在一个实施例中，如图3所示，生成已训练的人脸识别模型的步骤，包括：

步骤s402，获取训练图像集合，训练图像集合中的各个训练图像携带标签。

步骤s404，将各个训练图像输入人脸识别模型，通过人脸识别模型提取各个训练图像的图像特征，得到各个图像对应的图像特征。

步骤s406，根据各个图像的图像特征确定各个图像的识别结果。

步骤s408，当识别结果满足预设识别结果时，调整人脸识别模型的模型参数，直至人脸识别模型收敛，得到已训练的人脸识别模型。

具体地，训练图像集合是指包含用户人脸的图像，各个训练图像都携带了标签，标签用于标识用户，如可以采用字符对图像进行编码，以字符编码为例，字符a代表用户a，字符b代表用户b等。将携带标签的图像输入人脸识别模型，根据人脸识别模型对各个训练图像进行特征提取，得到对应的图像特征，其中图像特征包括但不限于人的五官、五官之间的位置关系等，根据各个训练图像的图像特征，确定各个图像对应的识别结果，通过识别结果与对应的标签之间是否匹配，确定各个训练图像是否被成功识别，统计识别率，根据识别率确定人脸识别模型是否收敛，当识别率不满足预先设置的识别率时，调整模型的参数，对训练图像继续进行学习，直至模型识别率满足预先设置的识别率时，人脸识别模型满足收敛条件，得到已训练的人脸识别模型。已训练的人脸识别模型包括但不限于深度学习神经网络模型或卷积神经网络模型等。深度学习神经网络模型和卷积神经网络模型学习速度快，能够快速处理数据，降低解锁时间，解锁时间短，用户体验好。

在一个实施例中，如图4所示，已训练的人脸识别模型包括卷积层、池化层和全连接层，步骤s206，包括：

步骤s2062，将图像数据输入卷积层，通过卷积层对图像数据进行卷积运算，得到对应的卷积特征图。

步骤s2064，将卷积特征图像数据输入池化层，通过池化层对卷积特征图进行池化运算，得到对应的池化特征图。

步骤s2066，将池化特征图输入全连接层，通过全连接层对池化特征图进行分类识别，得到各个图像对应的人脸识别结果。

具体地，已训练的人脸识别模型包括卷积层、池化层和全连接层，其中卷积层用于对输入的图像进行卷积运算，卷积层设置有多个卷积核，根据卷积核对图像数据进行卷积运算，不同的卷积核对图像卷积后得到的图像特征不一致，通过设置多个卷积核可以得到图像的多个类型的图像特征。以模型的输入层为底层，输出层为顶层，在模型的靠近底部的网络层主要用于提取较为简单的图像特征，靠近顶部的网络层主要提取较为复杂的特征，如人脸的五官特征等。池化层用于根据池化算法对卷积层输出的卷积特征图进行池化运算，池化运算用于根据池化算法对卷积特征图的数据进行筛选或融合。其中池化算法包括最大池化算法、平均池化算法等。全连接层是用于根据池化层输出的池化特征图进行组合，根据组合后的特征进行分类识别，得到对应的人脸识别结果。通过卷积层和池化层对图像数据进行降维，采用降维后的特征描述图像，能够有效较少存储图像数据的存储空间。

在一个实施例中，如图5所示，得到对应的人脸识别结果步骤之后，还包括：

步骤s212，获取当前人脸识别次数。

步骤s214，当人脸识别结果为识别失败，且当前人脸识别次数小于或等于预设次数时，进入通过摄像头采集图像数据的步骤。

步骤s216，当人脸识别结果为识别失败，且当前人脸识别次数大于预设次数时，关闭摄像头的摄像功能。

具体地，人脸识别次数是指指纹识别成功后，摄像头采集到包含人脸的图像之后，对采集到的图像进行人脸识别，人脸识别失败的次数。人脸识别失败表示摄像头采集的图像中包含的人脸与目标用户的人脸不匹配，不匹配之后，若人脸识别次数为达到预设识别次数时，继续采集图像，并对图像进行人脸识别，若识别成功则，手表进行解锁，若识别失败，且人脸识别次数已经达到目标识别次数，则关闭摄像头的摄像功能。

在一个实施例中，在关闭摄像头功能之后，进入获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，根据指纹识别结果确定是否开启摄像头的摄像功能。

在一个具体的实施例中，上述数据处理方法包括：手表获取指纹采集装置采集的用户指纹数据，对用户的指纹数据进行注册。获取摄像头采集的包含用户人脸的图像，通过已训练的人脸识别模型中提取用户的人脸特征，将人脸特征保存在人脸库中。当用户触压手表的盘面，在手表上的指纹采集装置采集用户的指纹信息，并将该指纹信息与注册指纹信息进行匹配，若匹配成功则开启手表上的摄像头的摄像功能，通过摄像头拍摄包含用户人脸的图像，将该图像通过无线通信的方式发送至终端或服务器中，通过服务器对图像进行人脸识别，当拍摄的图像的特征与预先保存在人脸库中的人脸特征匹配时，手表解锁成功，用户可对手表进行打电话、玩游戏和听音乐等操作。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种数据处理装置200，包括：指纹识别模块、摄像功能开启模块204、人脸识别模块206和解锁模块208，其中：

指纹识别模块202，用于获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果。

摄像功能开启模块204，用于当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能。

人脸识别模块206，用于通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果；

解锁模块208，用于当人脸识别结果为识别成功时，手表成功解锁。

在一个实施例中，如图7所示，图像数据处理装置200还包括：模型训练模块210，用于生成已训练的人脸识别模型，模型训练模块210包括：

训练数据获取单元2102，用于获取训练图像集合，训练图像集合中的各个训练图像携带标签。

特征提取单元2104，用于将各个训练图像输入人脸识别模型，通过人脸识别模型提取各个训练图像的图像特征，得到各个图像对应的图像特征。

人脸识别单元2106，用于根据各个图像的图像特征确定各个图像的识别结果。

模型训练单元2108，用于当识别结果为满足预设识别结果时，调整人脸识别模型的模型参数，直至人脸识别模型收敛，得到已训练的人脸识别模型。

在一个实施例中，如图8所示，人脸识别模块206包括：

卷积单元2062，用于将图像数据输入卷积层，通过卷积层对图像数据进行卷积运算，得到对应的卷积特征图。

池化单元2064，用于将卷积特征图像数据输入池化层，通过池化层对卷积特征图进行池化运算，得到对应的池化特征图。

分类识别单元2066，用于将池化特征图输入全连接层，通过全连接层对池化特征图进行分类识别，得到各个图像对应的人脸识别结果。

在一个实施例中，如图9所示，数据处理装置200还包括：

数据获取模块212，用于获取当前人脸识别次数。

识别结果确定模块214，用于当人脸识别结果为识别失败，且当前人脸识别次数小于或等于预设次数时，进入人脸识别模块。

摄像功能关闭模块216，用于当人脸识别结果为识别失败，且当前人脸识别次数大于预设次数时，关闭摄像头的摄像功能。

关于数据处理装置的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果，当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能，通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果，当人脸识别结果为识别成功时，手表成功解锁。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练图像集合，训练图像集合中的各个训练图像携带标签，将各个训练图像输入人脸识别模型，通过人脸识别模型提取各个训练图像的图像特征，得到各个图像对应的图像特征，根据各个图像的图像特征确定各个图像的识别结果，当识别结果为满足预设识别结果时，调整人脸识别模型的模型参数，直至人脸识别模型收敛，得到已训练的人脸识别模型。

在一个实施例中，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果包括：

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将图像数据输入卷积层，通过卷积层对图像数据进行卷积运算，得到对应的卷积特征图，将卷积特征图像数据输入池化层，通过池化层对卷积特征图进行池化运算，得到对应的池化特征图，将池化特征图输入全连接层，通过全连接层对池化特征图进行分类识别，得到各个图像对应的人脸识别结果。

在一个实施例中，得到对应的人脸识别结果之后，计算机程序被处理器执行时还实现以下步骤：获取当前人脸识别次数，当人脸识别结果为识别失败，且当前人脸识别次数小于或等于预设次数时，进入通过摄像头采集图像数据的步骤，当人脸识别结果为识别失败，且当前人脸识别次数大于预设次数时，关闭摄像头的摄像功能

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取手表中指纹采集装置采集的指纹数据，对指纹数据进行识别，得到对应的指纹识别结果，当指纹识别结果为识别成功时，开启手表的摄像头的摄像功能，通过摄像头采集图像数据，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果，当人脸识别结果为识别成功时，手表成功解锁。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练图像集合，训练图像集合中的各个训练图像携带标签，将各个训练图像输入人脸识别模型，通过人脸识别模型提取各个训练图像的图像特征，得到各个图像对应的图像特征，根据各个图像的图像特征确定各个图像的识别结果，当识别结果为满足预设识别结果时，调整人脸识别模型的模型参数，直至人脸识别模型收敛，得到已训练的人脸识别模型。

在一个实施例中，将图像数据输入已训练的人脸识别模型，并对图像数据进行人脸识别，得到对应的人脸识别结果包括：

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将图像数据输入卷积层，通过卷积层对图像数据进行卷积运算，得到对应的卷积特征图，将卷积特征图像数据输入池化层，通过池化层对卷积特征图进行池化运算，得到对应的池化特征图，将池化特征图输入全连接层，通过全连接层对池化特征图进行分类识别，得到各个图像对应的人脸识别结果。

在一个实施例中，得到对应的人脸识别结果之后，计算机程序被处理器执行时还实现以下步骤：获取当前人脸识别次数，当人脸识别结果为识别失败，且当前人脸识别次数小于或等于预设次数时，进入通过摄像头采集图像数据的步骤，当人脸识别结果为识别失败，且当前人脸识别次数大于预设次数时，关闭摄像头的摄像功能

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。