一种基于胸针设备的移动终端身份鉴别与记忆方法与流程

本发明涉及电子设备技术领域，尤其涉及一种基于胸针设备的移动终端身份鉴别与记忆方法。

背景技术：

大数据时代，数据爆炸性增长。人们需要处理的数据日益增多。商务人士业务繁多，交际面非常广。这导致他们难以准确记住在业务交际中每一个人的姓名及其相关信息。商务人士在交际中时常会认错人或叫错名字，引起不必要的尴尬和误会，也给对方留下不好的印象。这会直接影响后续的沟通交流、人际关系的建立和维护。因此，如何辅助商务人士在交际过程中快速对交际对象的身份进行精准识别成为了现今商务人士越来越迫切的一个需求。

随着年龄的增长，人们的记忆力会逐渐退化。对于中老年人而言，准确记住身边的亲朋好友也是一件颇有难度的事情。因此，中老年人也需要一个工具来辅助他们精准识别亲朋好友的身份。

技术实现要素：

本发明的目的在于，提供一种基于胸针设备的移动终端身份鉴别与记忆方法，使用胸针设备采集人脸图像并通过蓝牙发送到移动终端再用神经网络分类识别人脸，在移动终端显示身份鉴别与记忆结果并自动提示用户，方便用户实时知晓对方身份信息，从而大大降低认错人或叫错名字的概率。

为实现上述发明目的，本发明提出一种基于胸针设备的移动终端身份鉴别与记忆方法，该方法包括以下步骤：

s1)用户在移动终端下载并安装智能伴侣记忆客户端。

s2)用户启动智能伴侣记忆客户端：若用户首次启动该客户端，需首先在客户端进行用户注册并预先导入若干组人脸图像及这些人脸图像对应的相关联系人信息，并将该预先导入的若干组人脸图像及这些人脸图像对应的相关联系人信息保存至服务器端数据库，并作为训练集在服务器端训练预设神经网络，预设神经网络训练完成后客户端启动胸针设备，并接收该胸针设备采集的人脸图像，最后打开移动终端的蓝牙，使移动终端与胸针设备进行配对，将胸针设备采集的人脸图像通过移动终端的蓝牙传输到移动终端；若用户并非首次启动该客户端，用户需首先登陆客户端，然后客户端启动胸针设备，并接收该胸针设备采集的人脸图像，最后打开移动终端的蓝牙，使移动终端与胸针设备进行配对，将胸针设备采集的人脸图像通过移动终端的蓝牙传输到移动终端。

其中，所述胸针设备采集人脸图像是通过使用胸针设备上的拍照按钮拍照实现。

s3)移动终端将接收到的胸针设备采集的人脸图像传送至服务器端，并在服务器端利用步骤s2)训练完成的预设神经网络分类识别胸针设备采集的人脸图像，最后和服务器端数据库中的预先导入的人脸图像对应的相关联系人信息进行匹配，若匹配成功，在移动终端界面上显示匹配成功信息；若匹配失败，在移动终端界面上显示匹配失败信息并保存匹配失败的胸针设备采集的人脸图像及该人脸图像对应的联系人信息至服务器端数据库中的未匹配库，保存后可将该人脸图像对应的联系人信息添加至服务器端的联系人信息库。

此外，所述智能伴侣记忆客户端还包括对联系人信息库中的联系人信息进行增删改查、查看已匹配成功的联系人的历史记录页面、已保存人脸图像及该人脸图像对应的联系人信息的显示页面和客户端设置页面等。

所述移动终端为智能手机、平板电脑等。

本发明提供了一种基于胸针设备的移动终端身份鉴别与记忆方法，通过使用简单的胸针设备和移动终端可以快速识别对方身份信息，移动终端中的智能伴侣记忆客户端可在移动终端实时显示对方身份鉴别与记忆结果，自动提示用户对方的姓名以及相关信息，方便用户实时知晓对方身份信息，以便展开更加深入、积极的沟通交流，维系良好的人际关系，从而大大降低认错人或叫错名字的概率。

附图说明

图1为本发明移动终端身份鉴别与记忆方法流程图。

图2为本发明移动终端匹配人脸图像详细操作流程图。

图3为本发明移动终端服务器端用神经网络算法训练人脸图像详细操作流程图。

图4为本发明智能伴侣记忆客户端用户注册和登陆界面。

图5为本发明智能伴侣记忆客户端匹配成功显示页面。

图6为本发明智能伴侣记忆客户端匹配失败显示页面。

图7为本发明智能伴侣记忆客户端未匹配库页面。

图8为本发明智能伴侣记忆客户端用户添加新联系人页面。

图9为本发明智能伴侣记忆客户端查看已匹配成功的联系人的历史记录页面。

图10为本发明智能伴侣记忆客户端已保存联系人人脸图像的相关信息显示页面。

图11为本发明智能伴侣记忆客户端设置页面。

图12为本发明所采用的神经网络示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下将参照附图和具体实施方式对本发明的技术方案进行进一步详细说明。

本发明提出了一种基于胸针设备的移动终端身份鉴别与记忆方法，其流程图如图1所示，该方法包括以下步骤：

s1)用户在移动终端下载并安装智能伴侣记忆客户端。

s2)用户启动智能伴侣记忆客户端：注册和登陆界面如图4所示，若用户首次启动该客户端，点击【注册】按钮进行用户注册并预先导入若干组人脸图像及这些人脸图像对应的相关联系人信息，将所述预先导入的若干组人脸图像及这些人脸图像对应的相关联系人信息保存至服务器端数据库，并作为训练集在服务器端训练反向传播(backpropagation，bp)神经网络，bp神经网络训练完成后客户端启动胸针设备，并接收该胸针设备采集的人脸图像，最后打开移动终端的蓝牙，使移动终端与胸针设备进行配对，将胸针设备采集的人脸图像通过移动终端的蓝牙传输到移动终端；若用户并非首次启动该客户端，用户需首先输入账号密码点击【登陆】按钮登陆客户端，然后客户端启动胸针设备，并接收该胸针设备采集的人脸图像，最后打开移动终端的蓝牙，使移动终端与胸针设备进行配对，将胸针设备采集的人脸图像通过移动终端的蓝牙传输到移动终端。其中，所述胸针设备采集人脸图像是通过使用胸针设备上的拍照按钮拍照实现。

所述训练集包含若干组样本，其中，每组样本包含若干个属性，其中一部分属性与人脸图像相关，剩余部分属性与该人脸图像对应的相关联系人信息有关。

s3)移动终端将接收到的胸针设备采集的人脸图像传送至服务器端，并在服务器端利用步骤s2)训练完成的bp神经网络分类识别胸针设备采集的人脸图像，最后和服务器端数据库中预先导入的人脸图像对应的相关联系人信息进行匹配，移动终端智能伴侣记忆客户端匹配人脸图像的详细操作步骤如图2所示：

若匹配成功，在移动终端界面上显示匹配成功信息，如图5所示，显示图像为胸针设备采集的当前人脸图像，显示信息为用户对当前人脸图像对应的相关联系人信息的描述，如“某某、某地点”等，用户还可以点击客户端中的【替换】图标选择是否用胸针设备采集的当前人脸图像替换服务器端数据库中预先导入的具有与当前人脸图像相同的相关联系人信息的人脸图像，若用户选择替换，则保存胸针设备采集的当前人脸图像到服务器端数据库，同时删除被替换掉的预先导入的人脸图像，服务器端将替换的胸针设备采集的当前人脸图像及被替换掉的预先导入的人脸图像对应的联系人信息作为训练集中的一组新的样本供bp神经网络后续训练使用，若用户选择不替换，则保存胸针设备采集的当前人脸图像至客户端中的历史记录页面；

若匹配失败，在移动终端界面上显示匹配失败信息并保存匹配失败的胸针设备采集的当前人脸图像及胸针设备采集的当前人脸图像对应的联系人信息至服务器端数据库中的未匹配库，如图6所示，用户可以进入未匹配库中查看匹配失败的人脸图像，并对匹配失败的人脸图像进行联系人信息的添加和删除操作，如图7所示，具体为：用户点击【添加】图标添加未匹配库中人脸图像的联系人信息，例如姓名、职位等，如图8所示；用户点击【保存】图标保存胸针设备采集的当前人脸图像及对应的联系人信息至服务器端数据库，作为训练集中的一组新的样本供bp神经网络后续训练使用；用户点击【删除】图标，未匹配库中的人脸图像将被删除；若用户想查看已删除的人脸图像，可进入客户端中的历史记录页面进行查看，如图9所示。

进一步地，将预先导入的若干组人脸图像及这些人脸图像对应的相关联系人信息作为训练集之前，需要对预先导入的若干组人脸图像进行预处理，该预处理方法包括如下步骤：

a1)首先对预先导入的一幅人脸图像作去噪处理；

a2)对步骤a1)中经过去噪处理的人脸图像作几何校正处理，这是为实现位置校准并消除人脸尺度变化和旋转所造成的影响；

a3)由于人脸识别率受照明条件的影响较大且各个人脸图像的平均灰度值均不相同，还要对步骤a2)中经过几何校正处理的人脸图像作灰度幅值归一化操作；

a4)判断经过步骤a3)灰度幅值归一化操作后的人脸图像中是否存在人脸：若存在则进入步骤a41)；若不存在则进入步骤a42)；

a41)对经过步骤a3)灰度幅值归一化操作后的人脸图像进行关键点检测、对齐校准操作，并利用主成分分析(pca)算法转换为1×20维的特征列向量，将其与该人脸图像对应的相关联系人信息一起送至bp神经网络中作为一组样本输入，训练bp神经网络，并进入步骤a5)；

a42)在移动终端界面上提醒用户该人脸图像为无效图像，需要重新导入一幅新的预先导入的人脸图像，然后进入步骤a1)；

a5)导入下一幅预先导入的人脸图像并进入步骤a1)，直至完成对所有预先导入的人脸图像的预处理。

进一步地，使用所述训练集训练bp神经网络的方法如图3所示，具体包括如下步骤：

b1)初始化bp神经网络：给bp神经网络中每个权值和偏置值随机指定一个非零值，然后进入步骤b2)；

b2)输入一组样本用于bp神经网络学习，前向计算bp神经网络每层神经元的输入值和输出值；

b3)判断经过步骤b2)处理的bp神经网络最终输出层的实际输出与期望输出是否一致：若一致则进入步骤b31)，若不一致则进入b32)；

b31)输入下一组样本bp神经网络学习，然后进入步骤b4)；

b32)根据反向传播算法计算bp神经网络每层的局部梯度值，然后进入步骤b33)；

b33)根据计算得到的bp神经网络每层的局部梯度值修正bp神经网络中每个权值和偏置值，然后进入步骤b2)。

b4)判断bp神经网络是否学习完所有样本：若是则进入步骤b5)；若不是则进入步骤b2)；

b5)结束训练；

这里使用3层bp神经网络是因为它可以实现任意的非曲线映射，不使用更多层结构的神经网络是因为与3层结构神经网络相比，利用反向传播算法更新时，更多层结构的神经网络容易陷入权值和偏置值的局部极小值，如图12所示。该反向传播神经网络(bp)网络输入层有20个神经元，隐含层神经元个数的计算如式1.7所示，输出层神经元的数目依赖于服务器端数据库中的相关联系人信息的类别数，即相关联系人信息的属性数目。

为降低误差率，我们使用改进的sigmoid函数作为bp神经网络的激活函数，如式1.1所示。该bp神经网络使用的激活函数如式(1.1)所示，

其中χ＝w1x2+w2x2+w3x3+...+wdxd+b，b为偏置值，将第m组样本表示为(xm,ym)，其中，m＝1,2,3,...,q,q为样本总数，xm＝(x1,x2,...,xd)表示第m组样本中与人脸图像相关的属性，ym表示与第m组样本中人脸图像对应的相关联系人信息有关的属性，xp(p＝1,2,3,...,d)是第m组样本在xm中的第p个属性上的取值，d为样本在xm中的属性个数，即bp神经网络输入层神经元的个数，d＝20，wp(p＝1,2,3,...,d)为xp对应的权重值。

bp神经网络在样本为(xm,ym)处的误差函数如式(1.2)所示：

其中，n为样本在ym中的属性个数，即bp神经网络输出神经元的个数，n＝1024，为第m个样本在第i个输出神经元的实际输出，表示第m个样本在第i个输出神经元的期望输出。

对于每一组样本，所述bp神经网络中每个权值和偏置值修正规则如式(1.3)-(1.4)、(1.5)和(1.6)所示：

其中，对于每一组样本，均表示从bp神经网络第l-1层中的第j个神经元指向第l层的第i个神经元的权重值，均表示从bp神经网络第l-1层中的第j个神经元指向第l层的第i个神经元权重调整值的计算，e为误差函数，对于每m组样本，采用式(1.2)所示的方法计算误差函数，为计算e对偏导数，同理，对于每一组样本，为第l层的第i个神经元的偏置值，第l层的第i个神经元偏置调整值的计算，为计算e对偏导数，ρ为学习率，取值为0～1，n为隐含层神经元的个数，表示向上取整，d为bp神经网络输入层神经元的个数，n为bp神经网络输出层神经元的个数，常数a的取值范围是1～10，由于输入特征较多，此处a＝10，bp神经网络的层数为3层，包括位于第1层的输入层、位于第2层的隐含层和位于第3层的输出层，即l＝2,3。

如图10所示，在本发明的实施方式中，点击【联系】图标可查看已保存人脸图像对应的联系人信息和已保存人脸图像对应的联系人信息的分组显示，例如，本实施方式中根据拍摄地点将已保存人脸图像对应的联系人信息进行分组，如上海、成都、武汉等，此外，用户还可根据自身需求进行其他方式分组。

如图11所示，本发明实例中，点击【设置】图标可查看客户端设置信息，例如人脸图像分类识别时所在位置信息、人脸图像分类识别时的具体时间、人脸图像的具体身份信息说明等。

点击【蓝牙】图标可查看蓝牙匹配信息。

点击【退出登陆】图标即退出当前账号，下次进入需重新登陆。

此外，所述智能伴侣记忆客户端还包括查看已匹配成功的联系人的历史记录页面。

上述移动终端为智能手机、平板电脑等。

本发明提供了一种基于胸针设备的移动终端身份鉴别与记忆方法，通过使用简单的胸针设备采集人脸图像并通过蓝牙发送到移动终端再用神经网络分类识别人脸，在移动终端实时显示对方身份鉴别与记忆结果，自动提示用户对方的姓名以及相关信息，方便用户实时知晓对方身份信息，以便展开更加深入、积极的沟通交流，维系良好的人际关系，从而大大降低认错人或叫错名字的概率。

以上描述了本发明的具体实施方式，但仅仅是举例说明，相关界面图均为示意图。在不背离本发明的原理和实质的前提下，在实际应用中可对这些实施方式做出多种修改。凡采用等同替换或等效替换，这些变化是显而易见，一切利用本发明构思的发明创造均在保护之列。