用户认证方法及装置、电子设备和计算机可读存储介质与流程

1.本公开涉及人脸识别技术领域和金融领域，更具体地，涉及一种用户认证方法及装置、电子设备、计算机可读存储介质和一种计算机程序产品。


背景技术：

2.随着人脸识别的硬件设备的升级和技术的发展，用户认证方式不再局限于传统的指纹验证、密码验证，逐渐转变为人脸识别认证。
3.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：在进行人脸识别的过程中，存在着深度数据的丢失，导致无法完整表达真实人脸。


技术实现要素：

4.有鉴于此，本公开提供了一种用户认证方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
5.根据本公开的一个方面，提供了一种用户认证方法，包括：
6.响应于接收到来自目标用户的认证请求，获取与上述目标用户对应的历史图像数据，其中，上述认证请求包括与上述目标用户对应的目标图像数据，上述目标图像数据包括彩色图像数据和深度图像数据，上述历史图像数据包括历史彩色图像数据和历史深度图像数据；
7.对上述目标图像数据和上述历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量；以及
8.在上述目标图像特征向量和上述历史图像特征向量匹配成功的情况下，确定上述目标用户通过认证。
9.根据本公开的实施例，其中，上述上述对上述目标图像数据和上述历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量包括：
10.对上述目标图像数据和上述历史图像数据分别进行预处理，得到经预处理后的目标图像数据和经预处理后的历史图像数据，其中，上述预处理包括滤波处理和筛选处理。
11.根据本公开的实施例，用户认证方法还包括：
12.对上述目标图像数据和上述历史图像数据分别进行点云数据转换处理，得到待配准的目标图像点云数据和待配准的历史图像点云数据；
13.对上述待配准的目标图像点云数据和上述待配准的历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据；以及
14.对上述目标图像点云数据和上述历史图像点云数据分别进行特征提取，得到上述目标图像特征向量和上述历史图像特征向量。
15.根据本公开的实施例，其中，上述对上述待配准的目标图像点云数据和上述待配准的历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据包括：
16.利用最近点迭代算法对上述目标图像点云数据和上述历史图像点云数据分别进行点云配准处理，得到上述目标图像点云数据和上述历史图像点云数据；
17.上述对上述目标图像点云数据和上述历史图像点云数据分别进行特征提取，得到上述目标图像特征向量和上述历史图像特征向量包括：
18.利用深度学习模型对上述目标图像点云数据和上述历史图像点云数据分别进行特征提取，得到上述目标图像特征向量和上述历史图像特征向量。
19.根据本公开的实施例，用户认证方法还包括，在上述在上述目标图像特征向量和上述历史图像特征向量匹配成功的情况下，确定上述目标用户通过认证之前：
20.利用关键点检测算法，检测上述目标图像数据和上述历史图像数据中的特征点；
21.利用图像特征描述符，对上述特征点进行特征描述处理，得到目标图像特征向量和上述历史图像特征向量；
22.计算上述目标图像特征向量和上述历史图像特征向量之间的相似度；以及
23.在上述相似度满足预设条件的情况下，确定上述目标图像特征向量和上述历史图像特征向量匹配成功。
24.根据本公开的实施例，用户认证方法还包括：
25.在上述相似度不满足预设条件的情况下，确定上述目标图像特征向量和上述历史图像特征向量匹配失败；以及
26.在上述目标图像特征向量和上述历史图像特征向量匹配失败的情况下，确定上述目标用户未通过认证。
27.根据本公开的另一个方面，提供了一种用户认证装置，包括：
28.获取模块，用于响应于接收到来自目标用户的认证请求，获取与上述目标用户对应的历史图像数据，其中，上述认证请求包括与上述目标用户对应的目标图像数据，上述目标图像数据包括彩色图像数据和深度图像数据，上述历史图像数据包括历史彩色图像数据和历史深度图像数据；
29.第一处理模块，用于对上述目标图像数据和上述历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量；以及
30.第一确定模块，用于在上述目标图像特征向量和上述历史图像特征向量匹配成功的情况下，确定上述目标用户通过认证。
31.根据本公开的另一个方面，提供了一种电子设备，包括：
32.一个或多个处理器；
33.存储器，用于存储一个或多个指令，
34.其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。
35.根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，上述可执行指令被处理器执行时使处理器实现如上所述的方法。
36.根据本公开的另一个方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述计算机可执行指令在被执行时用于实现如上所述的方法。
37.根据本公开的实施例，通过在接收到来自目标用户的认证请求的情况下，可以对目标图像数据和获取到的历史图像数据分别进行处理，并在经处理得到的目标图像特征向
量和历史图像特征向量匹配成功的情况下，可以确定目标用户通过认证。通过上述技术手段，由于目标图像数据包括深度图像数据，历史图像数据包括历史深度图像数据，因而至少部分部分地克服了相关技术中，存在着深度数据的丢失，导致无法完整表达真实人脸的技术问题，从而实现了提高用户认证的准确率的技术效果。
附图说明
38.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
39.图1示意性示出了根据本公开实施例的可以应用用户认证方法的系统架构；
40.图2示意性示出了根据本公开实施例的用户认证方法的流程图；
41.图3示意性示出了根据本公开实施例的得到目标图像特征向量和历史图像特征向量的方法流程图；
42.图4a示意性示出了根据本公开实施例的世界坐标系和相机坐标系转换关系的示例示意图；
43.图4b示意性示出了根据本公开实施例的相机坐标系和图像坐标系转换关系的示例示意图；
44.图4c示意性示出了根据本公开实施例的图像坐标系和像素坐标系转换关系的示例示意图；
45.图5示意性示出了根据本公开实施例的确定目标图像特征向量和历史图像特征向量匹配成功的方法流程图；
46.图6示意性示出了根据本公开的实施例的用户认证装置的框图；以及
47.图7示意性示出了根据本公开实施例的适于实现用户认证方法的电子设备的框图。
具体实施方式
48.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
49.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
50.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
51.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或
具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
52.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
53.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
54.随着人脸识别的硬件设备的升级和技术的发展，用户认证方式不再局限于传统的指纹验证、密码验证，逐渐转变为人脸识别认证。
55.现有人脸识别技术包括传统人脸识别方法和基于神经网络的人脸识别方法。传统人脸识别方法包括采用数学方法，从图像矩阵中提取对应的特征，例如surf(speeded up robust features，加速稳健特征)算法、sift(scale-invariant feature transform，尺度不变特征转换)算法、harris角点算法等。基于神经网络的人脸识别方法包括bp(back propagation)神经网络、rbf(radial basis function，径向基函数)神经网络等。
56.但是，上述人脸识别技术均为2d人脸识别技术，存在深度数据的丢失，无法完整的表达真实人脸，在实际应用中有较多局限性。
57.为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种用户认证方法及装置、电子设备和计算机可读存储介质，可以应用于人脸识别技术领域和金融领域。该用户认证方法包括：响应于接收到来自目标用户的认证请求，获取与目标用户对应的历史图像数据，其中，认证请求包括与目标用户对应的目标图像数据，目标图像数据包括彩色图像数据和深度图像数据，历史图像数据包括历史彩色图像数据和历史深度图像数据；对目标图像数据和历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量；在目标图像特征向量和历史图像特征向量匹配成功的情况下，确定目标用户通过认证。
58.需要说明的是，本公开实施例提供的用户认证方法和装置可用于人脸识别技术领域和金融领域，例如应用于用户办理金融业务时的用户认证。本公开实施例提供的用户认证方法和装置也可用于除人脸识别技术领域和金融领域之外的任意领域，例如应用于企业统计员工考勤。本公开实施例提供的用户认证方法和装置的应用领域不做限定。
59.图1示意性示出了根据本公开实施例的可以应用用户认证方法的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
60.如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
61.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
62.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包
括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
63.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
64.需要说明的是，本公开实施例所提供的用户认证方法一般可以由服务器105执行。相应地，本公开实施例所提供的用户认证装置一般可以设置于服务器105中。本公开实施例所提供的用户认证方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的用户认证装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的用户认证方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的用户认证装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。
65.例如，历史图像数据可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的用户认证方法，或者将历史图像数据发送到其他终端设备、服务器、或服务器集群，并由接收该历史图像数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的用户认证方法。
66.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
67.图2示意性示出了根据本公开实施例的用户认证方法的流程图。
68.如图2所示，该用户认证方法包括操作s210～s230。
69.在操作s210，响应于接收到来自目标用户的认证请求，获取与目标用户对应的历史图像数据。认证请求包括与目标用户对应的目标图像数据，目标图像数据包括彩色图像数据和深度图像数据，历史图像数据包括历史彩色图像数据和历史深度图像数据。
70.在操作s220，对目标图像数据和历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量。
71.在操作s230，在目标图像特征向量和历史图像特征向量匹配成功的情况下，确定目标用户通过认证。
72.根据本公开的实施例，目标图像数据可以通过摄像头等设备实时获取。目标图像数据可以用于表征发起认证请求的目标用户的待认证的面部信息。
73.根据本公开的实施例，历史图像数据可以预先录入并存储在缓存或数据库中。历史图像数据可以用于表征目标用户的预先存储的真实面部信息。
74.根据本公开的实施例，彩色图像数据和历史彩色图像数据可以包括通过对红、绿、蓝三个颜色通道的变化以及相互之间的叠加来得到各式各样的颜色图像数据。
75.根据本公开的实施例，深度图像数据和历史深度图像数据可以包括包含与视点的场景对象的表面距离有关的信息的图像或图像通道数据。
76.根据本公开的实施例，可以基于二维的方法或基于三维的方法，对目标图像数据
和历史图像数据进行处理。基于二维的方法可以首先获取彩色图像数据和历史彩色图像数据中表征人脸的边界框，再根据边界框获取对应的深度图像数据和历史深度图像数据。
77.根据本公开的实施例，可以通过对比发起认证请求的目标用户的待认证的面部信息和目标用户的预先存储的真实面部信息，完成针对目标用户的认证。
78.根据本公开的实施例，通过在接收到来自目标用户的认证请求的情况下，可以对目标图像数据和获取到的历史图像数据分别进行处理，并在经处理得到的目标图像特征向量和历史图像特征向量匹配成功的情况下，可以确定目标用户通过认证。通过上述技术手段，由于目标图像数据包括深度图像数据，历史图像数据包括历史深度图像数据，因而至少部分部分地克服了相关技术中，存在着深度数据的丢失，导致无法完整表达真实人脸的技术问题，从而实现了提高用户认证的准确率的技术效果。
79.下面参考图3～图5，结合具体实施例对图2所示的方法做进一步说明。
80.根据本公开的实施例，对目标图像数据和历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量，可以包括如下操作。
81.对目标图像数据和历史图像数据分别进行预处理，得到经预处理后的目标图像数据和经预处理后的历史图像数据。预处理包括滤波处理和筛选处理。
82.根据本公开的实施例，可以通过摄像头模组获取目标图像数据的彩色图像数据和深度图像数据，以及历史图像数据的历史彩色图像数据和历史深度图像数据。
83.根据本公开的实施例，摄像头模组可以包括红外光发射模组、红外接收模组和镜头模组。红外光发射模组可以用于发射经过特殊调制的不可见红外光至目标用户。红外接收模组可以接收由目标用户反射回的不可见红外光，追踪每一个光斑偏移，对比收发两端的不同追踪光点的偏移位置，从而获取目标用户人脸表面的深度图像数据和历史深度图像数据。镜头模组可以采用普通镜头模组，用于彩色图像数据和历史彩色图像数据的获取。
84.根据本公开的实施例，在获取到历史图像数据和目标图像数据之后，可以通过双边滤波、直通滤波、中值滤波、基于横切分层剔除噪音等方法对图像数据进行噪声滤波，以去除图像数据中的散列点和孤立点等。
85.根据本公开的实施例，可以通过时间配准和空间配准将目标图像数据包括的彩色图像数据和深度图像数据进行对应，以及将历史图像数据包括的历史彩色图像数据和历史深度图像数据进行对应。时间配准可以包括保证各个摄像头模组采集的图像数据在时间上同步。空间配准可以包括保证图像数据的点坐标一一对应，以避免各个摄像头模组的安装位置可能存在的偏移。
86.根据本公开的实施例，通过对目标图像数据和历史图像数据进行滤波处理和筛选处理，可以去除图像数据中的孤立点，从而提高了用户认证的准确率。
87.图3示意性示出了根据本公开实施例的得到目标图像特征向量和历史图像特征向量的方法流程图。
88.如图3所示，操作s220可以包括操作s321～s323。
89.在操作s321，对目标图像数据和历史图像数据分别进行点云数据转换处理，得到待配准的目标图像点云数据和待配准的历史图像点云数据。
90.在操作s322，对待配准的目标图像点云数据和待配准的历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据。
91.在操作s323，对目标图像点云数据和历史图像点云数据分别进行特征提取，得到目标图像特征向量和历史图像特征向量。
92.根据本公开的实施例，点云数据转换处理可以将彩色图像数据和深度图像数据转换成点云数据结构的待配准的目标图像点云数据，还可以将历史彩色图像数据和历史深度图像数据转换成点云数据结构的待配准的历史图像点云数据。
93.根据本公开的实施例，点云配准处理方法可以包括粗配准方法和精配准方法。粗配准方法例如可以包括4pcs(4-points congruent sets，4点法)。精配准方法例如可以包括do(discriminative optimization，判别优化)、icp(iterative closest point，最近点迭代)算法等。
94.根据本公开的实施例，可以通过基于全局特征的方法或基于局部特征的方法进行特征提取。基于全局特征的方法可以利用点云上所有点的信息构建特征描述子。基于局部特征的方法可以包括关键点检测和局部特征描述。
95.图4a示意性示出了根据本公开实施例的世界坐标系和相机坐标系转换关系的示例示意图。
96.图4b示意性示出了根据本公开实施例的相机坐标系和图像坐标系转换关系的示例示意图。
97.图4c示意性示出了根据本公开实施例的图像坐标系和像素坐标系转换关系的示例示意图。
98.根据本公开的实施例，在图像处理过程中，通常涉及到世界坐标系、相机坐标系、图像坐标系和像素坐标系之间的转换。
99.如图4a所示，可以通过世界坐标系确定摄像机模组的位置。从世界坐标系到相机坐标系之间的转换属于刚体变换，即物体不会发生形变，仅需要进行物体的旋转和平移。
100.可以围绕不同坐标轴旋转不同的角度，得到相应的旋转矩阵，则p点在相机坐标系中的坐标可以如下式(1)所示：
[0101][0102]
其中，o
w-x
wywzw
表示世界坐标系，用于描述摄像机模组的位置，单位为米；o
c-xcyczc表示相机坐标系，单位为米；p(x0，y0，z0)表示世界坐标系中的一点，可以表示生活中真实的一点；x、y和z表示p点在相机坐标系中的坐标；r表示旋转矩阵；t表示偏移矩阵。
[0103]
如图4b所示，从相机坐标系到图像坐标系之间的转换属于三维到二维的转换，即透视投影关系。根据相似三角形的原理存在如下式(2)～(4)所示的关系：
[0104][0105]
[0106][0107]
其中，o-xy表示图像坐标系，光心为图像中点，单位为毫米；p(x，y)表示图像中的成像点；f表示相机焦距，f＝||o-oc||；z表示深度信息。
[0108]
p点在图像坐标系中的坐标可以如下式(5)所示：
[0109][0110]
如图4c所示，图像坐标系和像素坐标系的均处于成像平面上，两者的原点与度量单位不同，从图像坐标系到像素坐标系之间的转换为1pixel＝dx mm，则p点在像素坐标系中的坐标可以如下式(6)所示：
[0111][0112]
其中，o
uv-uv表示像素坐标系，x轴与u轴平行，y轴与v轴平行，单位为pixel；p表示图像中的成像点。
[0113]
根据本公开的实施例，通过世界坐标系、相机坐标系、图像坐标系和像素坐标系两两之间的转换，可以如下式(7)所示将某个点从世界坐标系转换到像素坐标系：
[0114][0115]
其中，f
x
表示x轴方向上的相机焦距；fy，表示y轴方向上的相机焦距。
[0116]
根据本公开的实施例，在坐标系转换后可以按照pcl(point cloud library，点云库)中定义类型《pointxyz》pointcloud、《pointxyzrgb》pointcloud将图像数据转换成点云数据。
[0117]
根据本公开的实施例，对待配准的目标图像点云数据和待配准的历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据，可以包括如下操作。
[0118]
利用最近点迭代算法对目标图像点云数据和历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据。
[0119]
根据本公开的实施例，对目标图像点云数据和历史图像点云数据分别进行特征提取，得到目标图像特征向量和历史图像特征向量，可以包括如下操作。
[0120]
利用深度学习模型对目标图像点云数据和历史图像点云数据分别进行特征提取，
得到目标图像特征向量和历史图像特征向量。
[0121]
根据本公开的实施例，可以将摄像机模组在不同角度、不同时间获取的多帧三维图像叠加到同一个坐标系中，利用icp算法形成一组完整的点云数据。icp算法属于基于最小二乘法的最优配准方法，可以通过选择对应两个点云的关系点，重复计算最优变换，直到满足配准条件。
[0122]
根据本公开的实施例，深度学习模型可以包括bp(back propagation)神经网络、cnn(convolutional neural networks，卷积神经网络)等。
[0123]
根据本公开的实施例，在确定深度学习模型后可以进行损失函数的设计，得到待训练的深度学习模型。可以将预先标注好的训练数据输入至待训练的深度学习模型，根据损失函数计算的结果调整神经网络模型的权重参数，使得损失函数计算的结果最小或者不再变化，即可停止迭代，得到经训练的深度学习模型。可以利用将目标图像点云数据和历史图像点云数据分别输入至经训练的深度学习模型以进行特征提取。
[0124]
根据本公开的实施例，通过对目标图像数据和历史图像数据进行点云数据转换处理和点云配准处理，可以将彩色图像数据和深度图像数据转换为目标图像点云数据和历史图像点云数据，因而提高了活体检测的准确率。此外，通过对点云数据进行特征提取，可以得到目标图像特征向量和历史图像特征向量，以供在用户认证的过程中进行人脸识别，从而提高了用户认证的准确率。
[0125]
图5示意性示出了根据本公开实施例的确定目标图像特征向量和历史图像特征向量匹配成功的方法流程图。
[0126]
如图5所示，该确定目标图像特征向量和历史图像特征向量匹配成功方法包括操作s510～s540。
[0127]
在操作s510，利用关键点检测算法，检测目标图像数据和历史图像数据中的特征点。
[0128]
在操作s520，利用图像特征描述符，对特征点进行特征描述处理，得到目标图像特征向量和历史图像特征向量。
[0129]
在操作s530，计算目标图像特征向量和历史图像特征向量之间的相似度。
[0130]
在操作s540，在相似度满足预设条件的情况下，确定目标图像特征向量和历史图像特征向量匹配成功。
[0131]
根据本公开的实施例，用户认证方法还可以包括如下操作。
[0132]
在相似度不满足预设条件的情况下，确定目标图像特征向量和历史图像特征向量匹配失败。在目标图像特征向量和历史图像特征向量匹配失败的情况下，确定目标用户未通过认证。
[0133]
根据本公开的实施例，关键点可以用于描述图像数据中每个特征点周围的局部外观，这种描述在光照、平移、尺度和平面内保持旋转不变性。
[0134]
根据本公开的实施例，关键点检测算法可以包括二维关键点检测算法和三维关键点检测算法。二维关键点检测算法可以包括先进行目标检测，再对每个检测到目标进行单独的关键点检测的top-down方法，以及先检测所有目标的关键点，再对关键点进行分组关联的bottm-up方法。三维关键点检测算法可以包括videopose3d方法、posedrl方法和movnect方法等。
[0135]
根据本公开的实施例，可以通过比较图像数据中的图像特征描述符来识别相似的特征。图像特征描述符可以包括hog(histogram of oriented gradient，方向梯度直方图)特征、lbp(local binary pattern，局部二值模式)特征和haar-like特征等。
[0136]
根据本公开的实施例，可以采用蛮力匹配方法对所有图像特征向量和所述历史图像特征向量进行相互比较，以确定两者之间的相似度。相似度的计算方法可以包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、余弦距离、汉明距离、杰卡德系数、相关系数以及信息熵等。
[0137]
根据本公开的实施例，预设条件可以包括目标图像特征向量和历史图像特征向量之间的相似度大于阈值。阈值可以由本领域技术人员根据实际应用情况而灵活设置，本公开实施例不对阈值大小进行限定。
[0138]
根据本公开的实施例，在目标图像特征向量和历史图像特征向量匹配成功的情况下，两个人脸特征属于同一用户，可以确定目标用户通过认证。在目标图像特征向量和历史图像特征向量匹配失败的情况下，两个人脸特征不属于同一用户，可以确定目标用户未通过认证。
[0139]
根据本公开的实施例，通过计算目标图像特征向量和历史图像特征向量之间的相似度，确定目标图像特征向量和历史图像特征向量是否匹配，来确定目标用户是否通过认证，由此提高了用户认证的识别效率。
[0140]
图6示意性示出了根据本公开的实施例的用户认证装置的框图。
[0141]
如图6所示，用户认证装置600包括获取模块601、第一处理模块602和第一确定模块603。
[0142]
获取模块601，用于响应于接收到来自目标用户的认证请求，获取与目标用户对应的历史图像数据。认证请求包括与目标用户对应的目标图像数据，目标图像数据包括彩色图像数据和深度图像数据，历史图像数据包括历史彩色图像数据和历史深度图像数据。
[0143]
第一处理模块602，用于对目标图像数据和历史图像数据分别进行处理，得到目标图像特征向量和历史图像特征向量。
[0144]
第一确定模块603，用于在目标图像特征向量和历史图像特征向量匹配成功的情况下，确定目标用户通过认证。
[0145]
根据本公开的实施例，第一处理模块602包括预处理单元。
[0146]
预处理单元，用于对目标图像数据和历史图像数据分别进行预处理，得到经预处理后的目标图像数据和经预处理后的历史图像数据。预处理包括滤波处理和筛选处理。
[0147]
根据本公开的实施例，第一处理模块602还包括第一处理单元、第二处理单元和特征提取单元。
[0148]
第一处理单元，用于对目标图像数据和历史图像数据分别进行点云数据转换处理，得到待配准的目标图像点云数据和待配准的历史图像点云数据。
[0149]
第二处理单元，用于对待配准的目标图像点云数据和待配准的历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据。
[0150]
特征提取单元，用于对目标图像点云数据和历史图像点云数据分别进行特征提取，得到目标图像特征向量和历史图像特征向量。
[0151]
根据本公开的实施例，第二处理单元包括处理子单元。
[0152]
处理子单元，用于利用最近点迭代算法对目标图像点云数据和历史图像点云数据分别进行点云配准处理，得到目标图像点云数据和历史图像点云数据。
[0153]
根据本公开的实施例，特征提取单元包括特征提取子单元。
[0154]
特征提取子单元，用于利用深度学习模型对目标图像点云数据和历史图像点云数据分别进行特征提取，得到目标图像特征向量和历史图像特征向量。
[0155]
根据本公开的实施例，用户认证装置600还包括检测模块、第二处理模块、计算模块和第二确定模块。
[0156]
检测模块，用于利用关键点检测算法，检测目标图像数据和历史图像数据中的特征点。
[0157]
第二处理模块，用于利用图像特征描述符，对特征点进行特征描述处理，得到目标图像特征向量和历史图像特征向量。
[0158]
计算模块，用于计算目标图像特征向量和历史图像特征向量之间的相似度。
[0159]
第二确定模块，用于在相似度满足预设条件的情况下，确定目标图像特征向量和历史图像特征向量匹配成功。
[0160]
根据本公开的实施例，用户认证装置600还包括第三确定模块和第四确定模块。
[0161]
第三确定模块，用于在相似度不满足预设条件的情况下，确定目标图像特征向量和历史图像特征向量匹配失败。
[0162]
第四确定模块，用于在目标图像特征向量和历史图像特征向量匹配失败的情况下，确定目标用户未通过认证。
[0163]
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0164]
例如，获取模块601、第一处理模块602和第一确定模块603中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块601、第一处理模块602和第一确定模块603中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块601、第一处理模块602和第一确定模块603中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0165]
需要说明的是，本公开的实施例中用户认证装置部分与本公开的实施例中用户认证方法部分是相对应的，用户认证装置部分的描述具体参考用户认证方法部分，在此不再赘述。
[0166]
图7示意性示出了根据本公开实施例的适于实现用户认证方法的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0167]
如图7所示，根据本公开实施例的计算机电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分707加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0168]
在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器701通过执行rom 702和/或ram 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0169]
根据本公开的实施例，电子设备700还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700还可以包括连接至i/o接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0170]
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0171]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0172]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光
存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0173]
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
[0174]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的用户认证方法。
[0175]
在该计算机程序被处理器701执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0176]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0177]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0178]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0179]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱
离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。