用户信息管理方法和系统与流程

本发明涉及智能化管理领域，特别是涉及一种用户信息管理方法和系统。

背景技术：

传统的用户管理，如服务行业中对消费者身份认证的管理是通过定期向用户发放实体VIP卡片，用户凭借相应的VIP卡，在指定的商场、餐馆、健身馆等商家处消费，可享受各种VIP权利，如折扣、积分累积、支付等，这种方式被众多的商家作为培养忠诚用户的一个主要手段，其应用范围不断扩大，很多用户都会根据自己喜好持有三到四张VIP卡。同样，VIP卡本身也存在多种类型，如普通会员卡、储值卡、代金券、积分卡等等，也可以是各种类型卡的组合，并随着应用的加深种类更加丰富。

但是，随着实体VIP卡的大量发行使用，其缺点也逐渐显现出来。

从用户角度来看，管理多张VIP卡是件非常麻烦的事。为了在消费时能够随时享受VIP权利，用户需随身携带各种VIP卡备用，其存放、取用都极为不便。同时，实体卡容易丢失、被盗或损毁，磁条卡形式的VIP卡因磁条信息易受破坏而可能导致作废，重新办理也将耗费用户的时间和金钱。

从发卡方角度来看，目前使用的VIP卡有磁条卡、IC卡、金属卡、硬纸质卡等等，但无论哪一种，VIP卡的大量发行将不可避免地会产生可观的制作与发送成本。同时，如果用户卡丢失，补卡将无形中加大发卡方的经营成本，而用户如果因不方便而无法随身携卡，或补卡周期较长，则影响用户的消费热情。

而随着社会的发展，移动电话、即时通讯软件等普及率已经非常高，因而逐渐出现利用移动电话和即时通讯软件账号绑定用户身份的方式来改善VIP卡的应用管理，实现虚拟电子VIP卡管理，然而这需要用户提供身份信息、移动电话号码、即时通讯软件账号等保密信息，用户内心可能并不愿意提供，而且商家对用户所提供信息管理稍有不慎都容易导致用户相关保密信息的泄露，从而引起用户的反感，并且，用户的电话号码等信息被他人知晓后加以恶意利用 的话，会给商家和用户带来损失。

技术实现要素：

基于此，有必要针对现有技术中用户信息管理方法的成本高、使用不方便和不安全的问题，提供一种成本低、使用方便且安全的用户信息管理方法和系统。

一种用户信息管理方法，包括：

接收终端发送的用户的人脸图像；

采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值；

查询用户信息数据库中是否存在与所述特征值对应的身份标识；

当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，查询所述用户信息数据库中与所述身份标识相互关联的用户信息记录；

将所述用户信息记录发送到所述终端进行显示。

一种用户信息管理系统，包括：

图像接收模块，用于接收终端发送的用户的人脸图像；

人脸识别模块，用于采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值；

身份识别模块，用于查询用户信息数据库中是否存在与所述特征值对应的身份标识；

查询模块，用于当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，查询所述用户信息数据库中与所述身份标识相互关联的用户信息记录；

发送模块，用于将所述用户信息记录发送到所述终端进行显示。

上述用户信息管理方法和系统，通过获取用户的人脸图像并基于深度学习的人脸识别，自动识别用户人脸图像的特征值，根据用户信息数据中用户的特征值与其身份唯一对应的身份标识，从而能够实现自动识别用户的身份而查询 和显示与所述身份标识相互关联的用户信息记录，通过了解用户信息记录实现对用户的管理，该种方法安全可靠，不涉及到用户的个人隐私，而且省去实体卡片的成本和携带不方便等困扰，也节省了卡片制作的成本；基于深度学习的人脸识别可高准确率的识别用户人脸特征，人脸特征不容易受环境影响，可靠性高，防伪性能好。

附图说明

图1为本发明一实施例中用户信息管理方法的系统架构图；

图2为本发明一个实施例中服务器的内部示意图；

图3为本发明一实施例所提供的用户信息管理方法的流程图；

图4为本发明第二实施例所提供的用户信息管理方法的流程图；

图5为本发明第三实施例所提供的用户信息管理方法的流程图；

图6为本发明第四实施例所提供的用户信息管理方法的流程图；

图7为本发明另一实施例所提供的用户信息管理系统的结构示意图；

图8为本发明第二实施例所提供的用户信息管理系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明实施例所提供的用户信息管理方法可应用于图1所示的系统中，如图1所示，终端100通过网络与服务器200进行通信，终端100包括图像获取模块和显示模块，所述图像获取模块用于拍摄用户的人脸图像，并发送给服务器，服务器200接收终端100发送的用户的人脸图像，采用基于深度学习的人 脸识别方法，识别所述人脸图像的特征值，查询用户信息数据库中是否存在与所述特征值对应的身份标识，当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，查询所述用户信息数据库中与所述身份标识相互关联的用户信息记录，将所述用户信息记录发送到所述终端100进行显示。

在一个实施例中，图1中的服务器200的内部结构如图2所示，该服务器200包括通过系统总线连接的处理器、存储介质、内存和网络接口。其中，该服务器200的存储介质存储有操作系统、数据库和一种客户信息管理系统，数据库用于存储数据，如存储用户信息数据库等。该服务器200的处理器用于提供计算和控制能力，支撑整个接入服务器的运行。该服务器200的内存为存储介质中的用户信息管理系统的运行提供环境。该服务器200的网络接口用于与外部的终端通过网络连接通信，比如接收终端200发送的用户的人脸图像和用户注册请求等。

如图3所示，在一个实施例中，提供一种用户信息管理方法，该方法可应用于如图1所示的服务器中，具体包括以下步骤：

步骤201，接收终端200发送的用户的人脸图像。

本实施例中，终端200包括拍摄人脸图像的图像获取模块，终端200可以通过软件应用界面发送用户的人脸图像，也可以是通过感应用户的人脸的位置自动拍摄用户的人脸图像后发送。其中，通过软件应用界面发送用户的人脸图像是指通过软件应用界面提供的用户识别按钮或者其它特定功能按钮启动图像获取模块拍摄用户的人脸图像并发送。通过感应用户的人脸的位置自动拍摄用户是指通过红外感测判断是否有用户的人脸对准图像获取模块，以启动图像获取模块拍摄用户的人脸图像并发送。

步骤203，采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值。

深度学习的基本思想是指通过神经网络来模拟人的大脑的学习过程，以能够借鉴人脑的多层抽象机制来实现对现实对象或数据(如图像、语音及文本等等)的抽象表达，整合特征抽取和分类器到一个学习框架下，特征的抽取过程中尽量减少人为干预。

深度学习模型通过多层的神经元组成，每层的神经元接收更低一层的神经 元的输入，通过输入与输出之间的非线性关系，将低层的特征组合成更高层的抽象标识，以发现观测数据的分布式特征。通过自下而上的学习形成多层的抽象标识，并多层次的特征学习是一个自动无人干预的过程。根据学习到的神经网络结构，系统将输入的样本数据映射到各种层次的特征，利用分类器或者匹配算法对顶层的输出单元进行分类识别。

根据深度学习的基本思想，本实施例中采用基于深度学习的人脸识别方法包括通过自动编码(AutoEncoder)建立神经网络系统模型，所建立的神经网络系统模型包括输入层，输出层以及若干隐层，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接。采用输入人脸图像对神经网络各层进行训练，在给定一组原始的输入人脸图像后，经过包括n层的神经网络系统时，通过调整神经网络系统模型中的参数，使得任何一层的输入和输出相等，并且最终系统输出与输入相等，即系统输出仍然是输入人脸图像，从而获取输入人脸图像的一系列的层次特征，即获取输入人脸图像的特征值。其中，对神经网络系统模型进行训练的过程包括前向训练和后向训练。前向训练过程为自下而上的非监督学习，即从底层开始，一层一层的往顶层训练，训练过程中，训练学习得到第n-1层参数后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；后向训练过程为自上而下的监督学习，即训练误差自顶向下传输，从而对神经网络系统模型各层的参数进行微调。

作为另外可选的实施例，采用基于深度学习的人脸识别方法还可以采用稀疏编码(Sparse Coding)或受限玻尔兹曼机(Restrict Boltzmann Machine,RBM)建立神经网络系统模型。其中稀疏编码是指在自动编码的基础上加上限制(Regularity)，把输出必须和输入相等的限制放松，同时利用线性代数中基的概念，即O＝W1*B1+W2*B2+…+Wn*Bn，其中，O是输出，I是输入，Bi是基，Wi是系数，通过求解Min|I-O|最优化式子，以求得基Bi和系数Wi，将这些基Bi和系数Wi作为输入的另外一种近似表达，再加上L1的限制，其中L1主要是约束每一层中的节点中大部分为0，只有少数不为0，得到Min|I-O|+u*(|W1|+|W2|+…+|Wn|)。在采用稀疏编码建立的神经网络系统模型中，将人脸图像作为输入，从而可以自动地学习到隐藏在人脸图像数据中潜在的基函数作为 特征值。

采用受限玻尔兹曼机建立的神经网络系统模型可视为包括可视层，即输入数据层(v)和隐藏层(h)的二部图，每一层的节点之间没有连接，假设所有的节点都是二值变量节点，且假设全概率分布p(v,h)满足玻尔兹曼分布，当输入v之后，通过p(h|v)可以得到隐藏层h，而得到隐藏层h之后，通过p(v|h)又能重构输入数据层，通过调整参数，使得从隐藏层得到的输入层与原输入层如果一样，那么得到的隐藏层就是输入数据层的另外一种表达，从而得到隐藏层可作为输入层数据的特征值。因此将人脸图像作为输入数据层的输入可识别人脸图像的特征值。将受限玻尔兹曼机的隐藏层的层数增加，可以得到深度玻尔兹曼机，从而人脸图像的特征值识别精度更高。

本实施例中，采用基于深度学习的人脸识别方法，通过深度学习建立神经网络系统模型，能够自动地学习出人脸图像数据的另外表示方法，以能够对接收到的终端发送的用户的人脸图像进行识别，以提取相应的特征值。其中，深度学习也可以采用现有技术中其它深度学习方法实现。

步骤205，查询用户信息数据库中是否存在与所述特征值对应的身份标识。

本实施例中，身份标识为能够唯一对应的标识出用户身份的编号。用户信息数据库中存储有用户的人脸图像的特征值与身份标识的映射关系。通过识别出人脸图像的特征值后，将特征值与用户数据信息库中的人脸图像的特征值一一对比，通过在用户信息数据库中查询到有与用户的人脸图像的特征值相匹配的人脸图像而确定用户的身份标识。作为另一可选的实施例，身份标识也可以是其它能够唯一对应的标识出用户身份的信息，如姓名、性别与年龄等信息的组合等。

步骤207，当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，查询所述用户信息数据库中与所述身份标识相互关联的用户信息记录。

其中，用户信息记录由用户管理的目的决定，如服务行业商家的用户管理的最终目的是获取更多忠诚用户，因此需要更多的了解老用户和识别与吸引新用户，相应的用户信息记录包括消费相关记录和用户基本信息。用户的基本信息包括用户的个人信息，如用户姓名、性别、住址、年龄以及用户的类别，如 不同商家根据自己管理需要将用户进行的贵宾用户、普通用户或其它特殊用户等分类等。消费相关记录包括用户不同时间段内的历史消费记录、累计消费数额、申领赠送商品的记录、购买促销商品的记录等信息。

用户信息记录与身份标识对应，存储于用户信息数据库中，所述用户信息记录的内容可以由对用户的不同管理需求而设置。

步骤209，将所述用户信息记录发送到所述终端进行显示。

用户信息记录在终端100进行显示，便于从终端100了解和判断用户的身份及/或行为习惯等等，实现对用户的管理。以服务行业商家的用户信息管理为例，在服务行业的商业活动中，通过发布促销商品或赠送特定商品以赢取更多的用户是经常会用到的手段，在这样的商业活动中，对于商家而言，希望同一用户不会重复领取促销商品或赠送商品，而又希望确保更多的用户可以通过领取到促销商品或者赠送商品达到广告宣传作用，而对于用户而言，则可能想尽可能多的领取促销商品或赠送商品。在一优选的实施例中，所述用户信息记录包括领取促销品或赠送商品的记录，通过用户的人脸图像进行身份识别查询到用户信息记录，从而可以得知用户是否领取过促销品或者赠送商品，有效防止用户的重复申领，又能保证如果确实是未申领过的用户便能够申领到。

本实施例中，用户信息的管理方法通过实时获取用户的人脸图像并基于深度学习的人脸识别，自动识别用户的身份标识，从而能够在需要了解用户的信息记录时能够查询，如服务行业的商家查询消费用户的历史消费相关记录或者是否为VIP用户或者新用户等信息记录，实现对用户信息的高效管理，该种方法安全可靠，不涉及到用户的个人隐私，而且省去用于表示用户身份的实体卡片的成本和携带不方便等困扰；基于深度学习的人脸识别可实现高准确率的识别用户的人脸特征，防止使用照片进行识别的漏洞，人脸特征不容易受环境影响，可靠性高，防伪性能好。

在一个实施例中，步骤203，采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值包括：调用人脸识别开放平台的API，通过所述人脸识别开放平台进行人脸识别并提取所述人脸图像的特征值。其中，开放平台是指软件系 统通过公开其应用程序编程接口(API)或函数(function)来使外部的程序可以增加该软件系统的功能或使用该软件系统的资源，而不需要更改该软件系统的源代码。人脸识别开放平台是指能够基于人脸图像实现人脸识别并提取人脸图像的特征值的开放平台。通过调用人脸识别开放平台的方式实现人脸图像的识别，可以省去自身的深度学习模块，极大地降低了成本，而且充分发挥开放平台功能完善的相对独立性，使得其识别的精度可随着开放平台的逐步完善而提升。

在另一实施例中，请参阅图4，在步骤205，查询用户信息数据库中是否存在与所述特征值对应的身份标识之后，包括：

步骤2061，当查询到所述用户信息数据库中不存在与所述特征值对应的身份标识时，建立与所述特征值对应的身份标识；

步骤2062，将所述特征值与所述对应的身份标识对应存储至所述用户信息数据库。

当查询到用户信息数据库中不存在与所述特征值对应的身份标识时，可视为该用户为新用户，通过建立与所述特征值对应的身份标识，将所述特征值与所述对应的身份标识对应存储至所述用户信息数据库，以实时完善用户信息数据库。对于原本已存储于用户信息数据库中长期未更新而导致不能识别的情况也可以重新建立并存储对应的特征值和身份标识，以自动的更新用户信息数据库。

进一步的，请参阅图4，在步骤201，接收终端100发送的用户的人脸图像之前，还包括以下步骤：

步骤102，接收所述终端100发送的用户注册请求。

终端100通过软件应用界面发起用户注册请求，具体而言，可以是通过软件应用界面提供的注册新用户按钮或者其它按钮发起用户注册请求。终端100向服务器200发送用户注册请求，以进入到用户注册流程。用户注册流程包括以下三个步骤。

步骤104，接收所述终端100发送的用户的人脸图像。

步骤106，采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值。

步骤108，建立与所述特征值对应的身份标识，将所述特征值与所述对应的身份标识对应存储至所述用户信息数据库。

本实施例中，步骤104、106分别与步骤201、203相同。其中，步骤104中，终端100发送用户的人脸图像还可以是通过软件应用界面提供的发起用户注册请求而启动图像获取模块拍摄用户的人脸图像并发送给服务器200。当有新用户时，通过终端100发送用户注册请求，服务器200接收到终端100发送的用户注册请求时，再接收所述终端100发送的用户的人脸图像以及采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值之后，自动建立与所述特征值对应的身份标识以形成新用户的注册信息，并将注册信息进行存储以完成新用户的注册，形成初始的用户信息数据库，方便后续对该用户的识别和跟踪管理。

作为另一可选的实施例，初始的用户信息数据库中一部分用户的人脸图像的特征值与对应的身份标识可以从现有的人脸识别开放平台的开放的人脸数据库中导入，因而对于这一部分用户便可以实现不用注册也能够通过该用户管理系统进行识别和跟踪管理。

在一个实施例中，请参阅图4，在步骤205，查询用户信息数据库中是否存在与所述特征值对应的身份标识之后，还包括：

步骤206，当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，存储所述用户本次的信息记录至所述用户信息数据库。

当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，存储所述用户本次的信息记录至用户信息数据库，以便于在需要的时候查询，实现对老用户的持续跟踪管理。

如图5所示，在一个实施例中，提供了一种用户信息管理系统，该系统包括图像接收模,10、人脸识别模块20、身份识别模块30、查询模块40和发送模 块50，

其中，图像接收模块10用于接收终端发送的用户的人脸图像。

人脸识别模块20用于采用基于深度学习的人脸识别方法，识别所述人脸图像的特征值。

身份识别模块30用于查询用户信息数据库中是否存在与所述特征值对应的身份标识。

查询模块40用于当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时查询所述用户信息数据库中与所述身份标识相互关联的用户信息记录。

发送模块50用于将所述用户信息记录发送到所述终端进行显示。

在一个实施例中，如图6所示，该用户信息管理系统还包括标识建立模块60和存储模块70，

其中，标识建立模块60用于当查询到所述用户信息数据库中不存在与所述特征值对应的身份标识时，建立与所述特征值对应的身份标识。

存储模块70用于将所述特征值与所述对应的身份标识对应存储至所述用户信息数据库。

进一步的，如图7所示，在一个实施例中，该用户信息管理系统包括用户注册装置和用户识别装置。该用户识别装置包括图5所示实施例中的图像接收模块10、人脸识别模块20、身份识别模块30、查询模块40和发送模块50或者图6所示实施例中的图像接收模块10、人脸识别模块20、身份识别模块30、查询模块40、发送模块50、标识建立模块60和存储模块70。该用户注册装置包括请求接收模块801、标识建立模块802和存储模块803。

其中，请求接收模块801用于接收所述终端100发送的用户注册请求。

标识建立模块802用于在所述人脸识别模块20识别所述人脸图像的特征值后，建立与所述特征值对应的身份标识。

存储模块803用于将所述特征值与所述对应的身份标识对应存储至所述用 户信息数据库。

该用户注册装置中的标识建立模块802与存储模块803可以分别与图6所示用户识别装置中的标识建立模块60和存储模块70为相同模块，也可以是分别独立。本实施例中用户识别装置的功能为终端100的常规工作状态下实现的功能，而用户注册装置的功能通过终端100的软件应用界面提供的新用户注册按钮发起的用户注册请求而启动；作为另一种可选的实施例，所述用户识别装置还可以包括请求接收模块用于接收终端100发送的用户识别请求，相应的该用户识别装置的功能通过终端100的软件应用界面提供的用户识别按钮发起的用户识别请求而启动。

在另一实施例中，请参阅图6，人脸识别模块20包括API调用单元22，API调用单元22用于调用人脸识别开放平台的API，通过所述人脸识别开放平台进行人脸识别并提取所述人脸图像的特征值。人脸识别开放平台是指能够基于人脸图像实现人脸识别并提取人脸图像的特征值的开放平台。通过调用人脸识别开放平台的方式实现人脸图像的识别，可以省去自身的深度学习模块，极大地降低了成本，而且充分发挥开放平台功能完善的相对独立性，使得其识别的精度可随着开放平台的逐步完善而提升。

在一实施例中，如图8所示，该用户信息管理系统还包括存储模块90，用于当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，存储所述用户本次的信息记录至所述用户信息数据库。当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，存储所述用户本次的信息记录至用户信息数据库，以便于在需要的时候查询，实现对老用户的跟踪管理。作为一可选的实施例中，该存储模块90与图6所示实施例中的存储模块70为相同模块，用于当查询到所述用户信息数据库中存在与所述特征值对应的身份标识时，分别将用于将所述特征值与所述对应的身份标识对应存储至用户信息数据库和用户本次的信息记录存储至用户信息数据库。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。