一种基于大数据的识别方法与流程

1.本发明涉及大数据识别技术领域，具体为一种基于大数据的识别方法。


背景技术：

2.人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，近年来发展迅速，集中应用在考勤门禁、手机行业、安防以及金融中。
3.目前，人脸识别的解锁方法有rgb人脸解锁、红外人脸解锁以及3d人脸解锁，rgb人脸解锁成本低，仅需要摄像装置和相关识别算法即可识别，容易被照片或者与录入人脸相近的物体误解锁；红外人脸解锁在rgb人脸解锁的基础上加入红外补光元件，靠红外镜头捕捉人脸反射的红外光生成图像，无需施加可见光；3d人脸解锁需要的元件众多，包括tof距离感应器、红外镜头、点阵投影器，识别率与研发、维护成本较高，相比其他解锁方法更安全。
4.在手机行业中，绝大部分手机都内置人脸解锁功能，受限于手机屏幕设计、成本控制等因素，大多数手机基本全采用rgb人脸解锁方案，虽然同时伴有指纹解锁、密码解锁等传统解锁方式，但仍有被照片误解锁、夜晚解锁失效等缺点，影响用户的使用体验，因此，设计安全性高和实用性强的一种基于大数据的识别方法是很有必要的。


技术实现要素：

5.本发明的目的在于提供一种基于大数据的识别方法，以解决上述背景技术中提出的问题。
6.为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的识别方法，包括一种基于大数据的识别系统，该系统包括采集模块、cpu处理模块、指令判断模块，其特征在于：所述采集模块与cpu处理模块电连接，所述cpu处理模块与指令判断模块电连接，所述采集模块用于采集用户的人脸图像信息，所述cpu处理模块用于处理复杂的图像运算，所述指令判断模块用于匹配图像，做出相应的判断指令。
7.根据上述技术方案，所述采集模块包括单目摄像头单元、清晰度判断单元、曝光时间控制单元，所述单目摄像头单元与清晰度判断模块电连接，所述清晰度判断单元与曝光时间控制单元电连接，所述单目摄像头单元用于获取用户的脸部图像，所述清晰度判断单元用于判断所获人脸图像的清晰度，所述曝光时间控制单元用于根据人脸图像的清晰度动态调整曝光时间。
8.根据上述技术方案，所述cpu处理模块包括存储单元、图片优化模块、3d成型模块，所述存储单元与图片优化模块电连接，所述图片优化模块与3d成型模块电连接，所述存储单元用于存储图像信息，所述图片优化模块用于优化所获取的人脸图像，所述3d成型模块用于将识别到的多张图片合成3d图，所述图像优化模块包括边框检测子模块，图像堆栈处理子模块，矢量图生成子模块，所述边框检测子模块与图像堆栈子模块电连接，所述图像堆栈子模块与矢量图生成子模块电连接，所述边框检测子模块用于检测人脸图像的边框，所
述图像堆栈处理子模块用于对多张图像进行堆栈处理，所述矢量图生成子模块用于生成人脸图像的矢量图。
9.根据上述技术方案，所述指令判断模块包括大数据深度学习模块、对比模块、显示模块、防御模块，所述大数据深度学习模块与对比模块电连接，所述显示模块与防御模块电连接，所述大数据深度学习模块用于根据多张人脸图的大数据进行深度学习，所述对比模块用于将识别到的人脸实时图像与存储的原始图像进行对比，所述显示模块用于接收图像的数字信号并显示出来，所述防御模块用于在多次识别失败后关闭人脸解锁入口，并将该期间的人脸图像上传到云端，防止手机丢失遭到恶意解锁。
10.根据上述技术方案，所述一种基于大数据的识别方法的工作步骤为：
11.步骤s1：用户录入本人人脸图像作为密码图像；
12.步骤s2：用户打开手机时，点亮屏幕并触发单目摄像头单元对人脸进行多帧采集，若此时环境光过暗，清晰度判断单元识别出的人脸图像不清晰，则曝光时间控制单元动态调整曝光时间，以获取多帧更清晰的人脸图像；
13.步骤s3：采集到多帧清晰的人脸图像后，存储单元按帧存储所采集的人脸图像；
14.步骤s4：对多帧人脸图像进行优化，并将优化后的多帧人脸图像发送到3d成型模块；
15.步骤s5：3d成型模块将接收到的多帧人脸图像进行合成处理，并生成3d人脸图像；
16.步骤s6：将生成的3d人脸图像与录入的密码图像进行差值比对，根据匹配率决定是否开锁。
17.根据上述技术方案，所述步骤s4进一步包括以下步骤：
18.步骤s41：边框检测子模块通过边框检测算法，将多帧人脸图像进行灰度转换，并检测出图像中灰度值变化较大的点，将检测出的各点连线，识别出各帧人脸图像的人脸边框位置，并利用图像减法运算，剔除人脸边框外的其他图像，生成无边框的多帧人脸图像；
19.步骤s42：将无边框的多帧人脸灰度图像进行堆栈处理，将图像分为n点，其中，第i点的灰度值为xi，均值并计算方差v。
20.步骤s43：对多帧图像进行选点标记，通过对比不同特征点的特征向量分析其位置差异，并计算深度信息，结合原始图像生成矢量图。
21.根据上述技术方案，所述步骤s42中，方差v的计算公式为：
[0022][0023]
其中，方差v的大小表示图像的像素值变化程度，v越小，图像像素变化越平缓，v越大，图像像素变化越剧烈，识别成功率越高。
[0024]
根据上述技术方案，所述步骤s43中，矢量图的生成方法为：
[0025]
将矢量图置于空间直角坐标系中，并将矢量图分为n个像素点，每个像素点的坐标为(xi,yi,zi)，原始点的坐标为(x,y,z)，根据各点的特征向量确定人脸3d图的代数表达式。
[0026]
各点对应的特征向量人脸3d图的代数
表达式为：
[0027][0028]
其中，的集合表示多帧人脸图像合成的3d人脸图形。
[0029]
根据上述技术方案，所述步骤s6中，实时人脸3d图像与密码图像的匹配率的计算方法为：
[0030]
将各个实时人脸图像的矢量图坐标与密码人脸图的适量图坐标进行差值运算，并计算相同矢量坐标的数量，求出实时人脸3d图像与密码图像的匹配率。
[0031]
根据上述技术方案，所述步骤s6中，实时人脸3d图像与密码图像的匹配率η的计算公式为：
[0032][0033]
其中，q为相同矢量坐标的数量，n为总数量，当η≥95％时，表示实时人脸3d图像与密码图像的匹配程度极高，为本人的实时人脸图像，当η＜95％时，多次识别失败后判断为非本人解锁，此时将启动防御模块，锁定手机，需重新输入密码才可解锁，并且将解锁时间与解锁时人脸显示在屏幕上。
[0034]
与现有技术相比，本发明所达到的有益效果是：本发明，
[0035]
(1)通过设置有曝光控制单元，可以根据识别到的人脸图像清晰度动态调整曝光时间，以获得更清晰的人脸图像；
[0036]
(2)通过设置有存储单元，将录入的人脸密码图像与识别图像存储起来，便于保证数据的完整性；
[0037]
(3)通过设置有边框检测子模块，将获得的人脸图像中除人像外多余部分去除，减少图片的存储大小，凸出人像部分，提高了识别成功率；
[0038]
(4)通过设置有图像堆栈子模块，将多帧人脸图像进行堆栈，去除图片中的噪声，提高图片清晰度；
[0039]
(5)通过设置有大数据深度学习模块，可以随着解锁次数对人脸进行大数据深度学习，提高识别成功率；
[0040]
(6)通过设置有防御模块，当解锁失败次数多余设定次数时，将人脸图像上传到云端，便于及时找回丢失手机。
附图说明
[0041]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0042]
图1是本发明的系统模块组成示意图。
具体实施方式
[0043]
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做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。
[0044]
请参阅图1，本发明提供技术方案：一种基于大数据的识别方法，包括一种基于大数据的识别系统，该系统包括采集模块、cpu处理模块、指令判断模块，其特征在于：采集模块与cpu处理模块电连接，cpu处理模块与指令判断模块电连接，采集模块用于采集用户的人脸图像信息，cpu处理模块用于处理复杂的图像运算，指令判断模块用于匹配图像，做出相应的判断指令，在当前硬件条件不变的情况下提高解锁成功率与安全性，节省成本。
[0045]
采集模块包括单目摄像头单元、清晰度判断单元、曝光时间控制单元，单目摄像头单元与清晰度判断模块电连接，清晰度判断单元与曝光时间控制单元电连接，单目摄像头单元用于获取用户的脸部图像，清晰度判断单元用于判断所获人脸图像的清晰度，曝光时间控制单元用于根据人脸图像的清晰度动态调整曝光时间，便于获取更清晰的人脸图像，保证识别的成功率。
[0046]
cpu处理模块包括存储单元、图片优化模块、3d成型模块，存储单元与图片优化模块电连接，图片优化模块与3d成型模块电连接，存储单元用于存储图像信息，图片优化模块用于优化所获取的人脸图像，3d成型模块用于将识别到的多张图片合成3d图，图像优化模块包括边框检测子模块，图像堆栈处理子模块，矢量图生成子模块，边框检测子模块与图像堆栈子模块电连接，图像堆栈子模块与矢量图生成子模块电连接，边框检测子模块用于检测人脸图像的边框，图像堆栈处理子模块用于将多张图像进行堆栈处理，矢量图生成子模块用于生成人脸图像的矢量图，将平面图形转化为多维图形，解锁维度更多，更具有安全性。
[0047]
指令判断模块包括大数据深度学习模块、对比模块、显示模块、防御模块，大数据深度学习模块与对比模块电连接，显示模块与防御模块电连接，大数据深度学习模块用于根据多张人脸图的大数据进行深度学习，对比模块用于将识别到的人脸实时图像与存储的原始图像进行对比，显示模块用于接收图像的数字信号并显示出来，防御模块用于在多次识别失败后关闭人脸解锁入口，并将该期间的人脸图像上传到云端，防止手机丢失遭到恶意解锁，保证手机丢失后有更高的几率追回。
[0048]
一种基于大数据的识别方法的工作步骤为：
[0049]
步骤s1：用户录入本人人脸图像作为密码图像；
[0050]
步骤s2：用户打开手机时，点亮屏幕并触发单目摄像头单元对人脸进行多帧采集，若此时环境光过暗，清晰度判断单元识别出的人脸图像不清晰，则曝光时间控制单元动态调整曝光时间，以获取多帧更清晰的人脸图像；
[0051]
步骤s3：采集到多帧清晰的人脸图像后，存储单元按帧存储所采集的人脸图像；
[0052]
步骤s4：对多帧人脸图像进行优化，并将优化后的多帧人脸图像发送到3d成型模块；
[0053]
步骤s5：3d成型模块将接收到的多帧人脸图像进行合成处理，并生成3d人脸图像；
[0054]
步骤s6：将生成的3d人脸图像与录入的密码图像进行差值比对，根据匹配率决定是否开锁。
[0055]
步骤s4进一步包括以下步骤：
[0056]
步骤s41：边框检测子模块通过边框检测算法，将多帧人脸图像进行灰度转换，并检测出图像中灰度值变化较大的点，将检测出的各点连线，识别出各帧人脸图像的人脸边框位置，并利用图像减法运算，剔除人脸边框外的其他图像，生成无边框的多帧人脸图像，减少图片的像素数量，节省了cpu的算力和手机功耗；
[0057]
步骤s42：将无边框的多帧人脸灰度图像进行堆栈处理，将图像分为n点，其中，第i点的灰度值为xi，均值并计算方差v。
[0058]
步骤s43：对多帧图像进行选点标记，通过对比不同特征点的特征向量分析其位置差异，并计算深度信息，结合原始图像生成矢量图。
[0059]
步骤s42中，方差v的计算公式为：
[0060][0061]
其中，方差v的大小表示图像的像素值变化程度，v越小，图像像素变化越平缓，v越大，图像像素变化越剧烈，识别成功率越高。
[0062]
步骤s43中，矢量图的生成方法为：
[0063]
将矢量图置于空间直角坐标系中，并将矢量图分为n个像素点，每个像素点的坐标为(xi,yi,zi)，原始点的坐标为(x,y,z)，根据各点的特征向量确定人脸3d图的代数表达式。
[0064]
各点对应的特征向量人脸3d图的代数表达式为：
[0065][0066]
其中，的集合表示多帧人脸图像合成的3d人脸图形。
[0067]
步骤s6中，实时人脸3d图像与密码图像的匹配率的计算方法为：
[0068]
将各个实时人脸图像的矢量图坐标与密码人脸图的适量图坐标进行差值运算，并计算相同矢量坐标的数量，求出实时人脸3d图像与密码图像的匹配率；
[0069]
步骤s6中，实时人脸3d图像与密码图像的匹配率η的计算公式为：
[0070][0071]
其中，q为相同矢量坐标的数量，n为总数量，当η≥95％时，表示实时人脸3d图像与密码图像的匹配程度极高，为本人的实时人脸图像，当η＜95％时，多次识别失败后判断为非本人解锁，此时将启动防御模块，锁定手机，需重新输入密码才可解锁，并且将解锁时间与解锁时人脸显示在屏幕上。
[0072]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
[0073]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。