本發(fā)明涉及通信領(lǐng)域，尤其涉及一種人臉識別的方法及移動終端。

背景技術(shù)：

隨著移動通信技術(shù)的發(fā)展，移動終端已經(jīng)成為人們?nèi)粘Ｉ钪胁豢扇鄙俚耐ㄓ嵲O(shè)備，其保密性和安全性愈發(fā)受到重視。人臉識別技術(shù)因其具備操作方便和安全性高的優(yōu)點，被逐漸應(yīng)用于移動終端系統(tǒng)中，例如用于系統(tǒng)解鎖、安全支付以及應(yīng)用登錄等。

以將人臉識別技術(shù)應(yīng)用于移動終端的系統(tǒng)解鎖為例。目前的基于人臉識別的解鎖主要通過二維人臉識別或者三維人臉識別進行解鎖。通過二維人臉識別的識別速度快，但在外部環(huán)境不理想時存在識別準確度較低，例如光線較強、光線較弱和人臉表情姿態(tài)變化等；而通過三維人臉識別在外部環(huán)境不理想時識別準確度較高，但由于計算時采用人臉中全部的特征點的三維深度數(shù)據(jù)，計算量大，使識別速度較慢?？梢?，人臉識別中存在無法同時滿足識別準確度高和識別速度快的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種人臉識別的方法及移動終端，以解決人臉識別中存在無法同時滿足識別準確度高和識別速度快的問題。

第一方面，本發(fā)明實施例提供了一種人臉識別的方法，包括：

采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；

提取所述二維圖像數(shù)據(jù)的二維特征向量；

通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，其中，所述匹配特征點為人臉中的部分特征點；

計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成；

判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定通過人臉識別。

第二方面，本發(fā)明實施例還提供一種移動終端，包括：

數(shù)據(jù)采集模塊，用于采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；

二維特征向量提取模塊，用于提取所述二維圖像數(shù)據(jù)的二維特征向量；

三維特征向量提取模塊，用于通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，其中，所述匹配特征點為人臉中的部分特征點；

相似度計算模塊，用于計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成；

識別驗證模塊，用于判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定識別驗證通過。

這樣，本發(fā)明實施例中，采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；提取所述二維圖像數(shù)據(jù)的二維特征向量；通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量；計算組合特征向量與匹配特征向量的相似度；判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定識別驗證通過。從而使移動終端的人臉識別同時滿足識別準確度高和識別速度快。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例提供的一種人臉識別的方法的流程示意圖；

圖2是本發(fā)明實施例中利用三角測距原理計算深度值的示意圖；

圖3是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖；

圖4是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖；

圖5是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖；

圖6是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖；

圖7是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖；

圖8是本發(fā)明施例提供的一種移動終端的結(jié)構(gòu)示意圖；

圖9是本發(fā)明實施例提供的另一種移動終端的結(jié)構(gòu)示意圖；

圖10是本發(fā)明實施例提供的另一種移動終端中的三維特征向量提取模塊的結(jié)構(gòu)示意圖；

圖11是本發(fā)明實施例提供的另一種移動終端中的三維特征向量提取模塊的結(jié)構(gòu)示意圖；

圖12是本發(fā)明實施例提供的另一種移動終端中的三維特征向量提取模塊的結(jié)構(gòu)示意圖；

圖13是本發(fā)明實施例提供的另一種移動終端中的三維特征向量提取模塊的結(jié)構(gòu)示意圖；

圖14是本發(fā)明實施例提供的另一種移動終端的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參見圖1，圖1是本發(fā)明實施例提供的一種人臉識別的方法的流程示意圖，包括以下步驟：

步驟101、采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)。

本發(fā)明實施例中，上述采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)，可以通過移動終端的多個前置攝像頭采集用戶的人臉圖像，包括二維圖像和三維深度圖像，由人臉圖像獲取所述二維圖像數(shù)據(jù)和所述三維深度數(shù)據(jù)。其中，所述二維圖像數(shù)據(jù)可以為二維圖像中各像素點的灰度值，所述三維深度數(shù)據(jù)人臉中各位置的深度值，其可以通過人臉深度算法計算得到。例如：可以根據(jù)三角測距原理計算人臉的三維深度圖中各位置的深度值，如圖2中所示，假如所述三維深度圖像由移動終端的前置攝像頭M和前置攝像頭M’獲取，且前置攝像頭M和前置攝像頭M’之間的距離為2L，人臉的三維深度圖中待測位置為點N，移動終端的處理器可以檢測前置攝像頭M成像角度α，利用三角測距原理可以計算得到點N與前置攝像頭M和前置攝像頭M’之間連線的垂直距離d。由于鼻尖為人臉中與前置攝像頭M和前置攝像頭M’之間連線的垂直距離最小，可以以鼻尖作為參考點，設(shè)其與前置攝像頭M和前置攝像頭M’之間連線的垂直距離為d’。那么，人臉中待測位置的深度值為H＝d-d’。

步驟102、提取所述二維圖像數(shù)據(jù)的二維特征向量。

其中，可以通過特征提取算法提取所述二維圖像數(shù)據(jù)的二維特征向量，所述特征提取算法可以為主成分分析算法、局部紋理特征算法、支持向量機算法和Gabor濾波特征提取算法等中任意一種，利用所述特征提取算法將二維圖像中各像素點的灰度值轉(zhuǎn)換成特征值，從而形成所述二維特征向量。這樣可以濾除掉原有二維圖像數(shù)據(jù)中的冗余信息，降低計算量以加快識別速度。

步驟103、通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，其中，所述匹配特征點為人臉中的部分特征點。

本發(fā)明實施例中，所述匹配特征點為預(yù)先選取的人臉中的部分特征點，其能夠反映用戶的面部特征。例如：鼻子、眼睛、嘴巴、耳朵以及額頭等。由于人臉識別過程中會受光線等因素的影響，如光線較弱時，具有較大深度值的特征點在檢測深度值時可能存在偏差，從而會影響識別準確度。在人臉識別過程中可以根據(jù)人臉識別影響因素是否正常，選擇人臉中不同數(shù)量的特征點作為所述匹配特征點，例如：當光線正常時，通過鼻子和眼睛即可準確反映用戶面部特征，即能夠準確識別用戶人臉，此時選擇鼻子和眼睛作為所述匹配特征點即可；當光線較強或者較弱時，僅通過鼻子和眼睛無法準確識別用戶人臉，此時可增加除鼻子和眼睛之外的其他特征點作為所述匹配特征點。因此，所述匹配特征點可以為以上特征點中的任意一個或多個。

由于不同用戶面部特征不同，如面部輪廓和各部位的比例差異等，可以通過用戶人臉的所述二維圖像或者三維深度圖像檢測到用戶人臉中的所述匹配特征點，即通過所述二維圖像或者所述三維深度圖像定位所述匹配特征點在用戶人臉中的位置。

其中，可以通過上述步驟102中的特征提取算法提取所述匹配特征點的特征向量形成三維特征向量。例如：可以先利用所述特征提取算法將三維深度數(shù)據(jù)中用戶面部全部像素點的深度值轉(zhuǎn)換成特征值，形成三維深度圖像的特征向量；再從所述三維深度圖像的特征向量中選擇所述匹配特征點對應(yīng)的特征向量組合形成所述三維特征向量。

在本發(fā)明實施例中，上述步驟102在上述步驟103之前進行。但是，需要說明的是，上述步驟102也可以在上述步驟103之后進行，在此不再進行贅述。

步驟104、計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成。

其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，例如：假設(shè)所述二維特征向量為A，所述匹配特征點包括鼻子和眼睛，且鼻子對應(yīng)的特征向量為B，眼睛對應(yīng)的特征向量為C，則所述三維特征向量為D＝[B C]，而所述組合特征向量E＝[A D]＝[A B C]。

所述匹配特征向量可以為由預(yù)設(shè)二維特征向量和預(yù)設(shè)三維特征向量組合形成，其中，所述預(yù)設(shè)二維特征向量與所述二維特征向量對應(yīng)，所述預(yù)設(shè)三維特征向量與所述匹配特征點對應(yīng)。例如：當所述組合特征向量為上述E＝[A B C]時，所述匹配特征向量可以對應(yīng)的為E’＝[A’D’]，其中，A’為預(yù)設(shè)二維特征向量，D’為預(yù)設(shè)三維特征向量，則D’為與鼻子和眼睛對應(yīng)的特征向量，即D’＝[B’C’]，此時，E’＝[A’B’C’]。其中，所述預(yù)設(shè)二維特征向量和預(yù)設(shè)三維特征向量，可以是預(yù)先通過用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)提取獲得。

本發(fā)明實施例中，上述計算組合特征向量與匹配特征向量的相似度，可以通過計算兩向量之間相似度的算法計算得到，例如通過歐氏距離、馬氏距離以及明可夫斯基距離等中的任意一種算法計算所述組合特征向量和所述匹配特征向量的相似度。

步驟105、判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定通過人臉識別。

其中，所述相似度閾值可以是根據(jù)移動終端的性能設(shè)定的預(yù)設(shè)值。所述相似度大于或等于所述相似度閾值時，說明上述通過移動終端采集的用戶人臉圖像與預(yù)設(shè)的用戶人臉圖像相匹配，則確定通過人臉識別；所述相似度小于所述相似度閾值時，說明上述通過移動終端采集的用戶人臉圖像與預(yù)設(shè)的用戶人臉圖像不匹配，則確定識別驗證未通過。當然，當識別驗證未通過時，可以多次或者無限重復進行上述步驟。

上述人臉識別的方法中步驟101至步驟105可以應(yīng)用于移動終端的解鎖、支付以及應(yīng)用登錄等。

可選的，如圖3所示，在步驟105之后，該方法還可以包括：

步驟106、對移動終端進行解鎖。

其中，可以通過上述人臉識別的方法對移動終端進行解鎖。當識別驗證通過時，對移動終端進行解鎖，使用戶能夠正常使用移動終端，該解鎖過程簡單且安全性高。

本發(fā)明實施例中，上述移動終端可以任何具備人體特征采集組件和屏幕的移動終端，例如：手機、平板電腦(Tablet Personal Computer)、膝上型電腦(Laptop Computer)、個人數(shù)字助理(personal digital assistant，簡稱PDA)、移動上網(wǎng)裝置(Mobile Internet Device，MID)或可穿戴式設(shè)備(Wearable Device)等。

本發(fā)明實施例的人臉識別的方法，采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；提取所述二維圖像數(shù)據(jù)的二維特征向量；通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量；計算組合特征向量與匹配特征向量的相似度；判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定識別驗證通過。從而使移動終端的人臉識別同時滿足識別準確度高和識別速度快。

參見圖4，圖4是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖，包括以下步驟：

步驟401、采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)。

本發(fā)明實施例中，可以通過移動終端的多個前置攝像頭采集用戶人臉圖像，包括二維圖像和三維深度圖像。其中，所述二維圖像數(shù)據(jù)可以為二維圖像中各像素點的灰度值，所述三維深度數(shù)據(jù)可以通過三角測距原理計算人臉中各位置對應(yīng)的深度值獲得。

其中，可以對采集的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)進行預(yù)處理，如去噪和歸一化等，從而使用戶人臉圖像增強，提高所述二維圖像數(shù)據(jù)和所述三維圖像數(shù)據(jù)的準確性，進而提高識別準確度。

步驟402、提取所述二維圖像數(shù)據(jù)的二維特征向量。

本發(fā)明實施例中，可以通過Gabor濾波特征提取算法從所述二維圖像數(shù)據(jù)中提取所述二維特征向量。其中，Gabor濾波特征提取算法在空間域和頻率域都具有較好的分辨能力，且在空間域具有良好的方向選擇性，在頻率域也有良好的頻率選擇性，可以提取凸顯不同的頻率尺度和紋理方向的特征向量，從而提高識別準確度。

步驟403、檢測所述用戶人臉中關(guān)鍵特征點，其中，所述關(guān)鍵特征點為人臉中的部分特征點。

本發(fā)明實施例中，所述關(guān)鍵特征點為人臉中的部分特征點，可以是以人臉中指定的主要部位作為特征點，所述主要部位可以包括鼻子、眼睛、嘴巴、下巴、額頭以及耳朵等。其中，為了保證識別速度快和識別準確度高，可以根據(jù)移動終端的性能預(yù)先指定人臉中不同數(shù)量的主要部位作為所述關(guān)鍵特征點，例如：對于處理速度快的移動終端，可以指定五個或六個主要部位作為關(guān)鍵特征點；而對于處理速度慢的移動終端，可以僅指定三個或四個主要部位作為關(guān)鍵特征點。

其中，上述檢測所述用戶人臉中的關(guān)鍵特征點，可以通過所述二維圖像或者三維深度圖像定位所述關(guān)鍵特征點在用戶人臉中的位置。例如：當光線正常時，可以通過二維圖像準準確識別人臉中的各主要部位，從而對應(yīng)的將指定的主要部位的位置定位為所述關(guān)鍵特征點；而當光線不正常時，需要通過三維深度圖像中各位置深度值不同識別人臉中的各主要部位，從而將指定的主要部位的位置定位為所述關(guān)鍵特征點。

步驟404、通過所述三維深度數(shù)據(jù)提取所述關(guān)鍵特征點的特征向量。

其中，對于所述關(guān)鍵特征點的特征向量的提取，可以通過Gabor濾波特征提取算法將三維深度數(shù)據(jù)中與所述關(guān)鍵特征點對應(yīng)的深度值轉(zhuǎn)化為特征值，無需將三維深度數(shù)據(jù)中所有的深度值轉(zhuǎn)化為特征值，減小移動終端的計算量，從而加快識別速度。

步驟405、判斷人臉識別影響因素是否正常。

其中，由于當前的人臉識別影響因素與采集預(yù)設(shè)的人臉圖像時的人臉識別影響因素發(fā)生改變，能夠使當前采集的二維圖像數(shù)據(jù)和三維圖像數(shù)據(jù)與預(yù)設(shè)的二維圖像數(shù)據(jù)和預(yù)設(shè)的三維圖像數(shù)據(jù)產(chǎn)生較大的差異，從而影響識別準確度。

可選的，所述人臉識別影響因素包括光照強度、人臉姿態(tài)以及臉部表情。

對于判斷光照強度是否正常，可以通過比較采集的光照強度是否處于預(yù)設(shè)的光照強度范圍內(nèi)，若采集的光照強度處于預(yù)設(shè)的光照強度范圍內(nèi)，則確定光照強度正常；若采集的光照強度超出預(yù)設(shè)的光照強度范圍內(nèi)，則確定光照強度不正常，此時光線太強或太弱，均會對采集的三維深度數(shù)據(jù)產(chǎn)生影響。

人臉姿態(tài)可以是相對于人臉正面的人臉的偏轉(zhuǎn)角，對于判斷人臉姿態(tài)是否正常，可以通過比較采集的人臉的偏轉(zhuǎn)角與偏轉(zhuǎn)角閾值，若采集的人臉的偏轉(zhuǎn)角小于或等于偏轉(zhuǎn)角閾值，則確定人臉姿態(tài)正常；若采集的人臉的偏轉(zhuǎn)角大于偏轉(zhuǎn)角閾值，則確定人臉姿態(tài)不正常，此時人臉的偏轉(zhuǎn)角太大，會對采集的三維深度數(shù)據(jù)產(chǎn)生影響。

對于判斷臉部表情是否正常，需要通過面部識別方法比較采集的人臉圖像中臉部表情與預(yù)設(shè)的人臉圖像中的臉部表情是否發(fā)生變化，若未發(fā)生變化，則確定臉部表情正常；若發(fā)生變化，則確定臉部表情不正常。其中，所述面部識別方法可以為臉部運動單元分析法和基于獨立分量分析算法的面部識別方法等，在此不進行贅述。

其中，當所述光照強度、人臉姿態(tài)和所述面部表情均正常時，則確定所述人臉識別影響因素正常，此時采集的三維深度數(shù)據(jù)的未受到影響，其準確性高；當所述光照強度、人臉姿態(tài)和所述面部表情中的任意一個不正常時，則確定所述人臉識別影響因素不正常，此時采集的三維深度數(shù)據(jù)受到影響，其準確性降低。

步驟406、若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點中的部分特征點作為所述匹配特征點，并由所述匹配特征點的特征向量形成所述三維特征向量。

其中，當所述人臉識別影響因素正常時，采集的三維深度數(shù)據(jù)的準確性高，僅需要所述關(guān)鍵特征點中的部分特征點即可準確反映用戶的面部特征，因此，可以選擇所述關(guān)鍵特征點中的部分特征點作為匹配特征點，并從所述關(guān)鍵特征點的特征向量中提取所述匹配特征點的特征向量形成所述三維特征向量。其中，為了保證識別速度快和識別準確度高，可以根據(jù)移動終端的性能預(yù)先指定所述關(guān)鍵特征點中不同數(shù)量的特征點作為所述匹配特征點。

例如：假設(shè)指定人臉中的鼻子、眼睛、嘴巴和耳朵四個部位作為所述關(guān)鍵特征點，且指定所述匹配特征點的特征點為兩個。當所述光照強度、人臉姿態(tài)和所述面部表情均正常時，只需將所述關(guān)鍵特征點中的部分特征點即鼻子和眼睛或者其他任意兩個部位作為所述匹配特征點，并提取鼻子和眼睛對應(yīng)的特征向量組合形成三維特征向量。

可選的，如圖5所示，該方法還可以包括：

步驟407、若所述人臉識別影響因素不正常，選擇所述關(guān)鍵特征點的全部特征點作為所述匹配特征點，并由所述匹配特征點的特征向量形成所述三維特征向量。

其中，當所述人臉識別影響因素正常時，采集的三維深度數(shù)據(jù)的準確性降低，需要所述關(guān)鍵特征點中的全部特征點才能準確反映用戶的面部特征，因此，需要選擇所述關(guān)鍵特征點中的全部特征點作為匹配特征點，并由所述關(guān)鍵特征點的全部特征向量形成所述三維特征向量。

步驟408、計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成。

步驟409、判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定通過人臉識別。

本發(fā)明實施例的人臉識別的方法，通過檢測用戶人臉中的關(guān)鍵特征點，從所述三維深度數(shù)據(jù)中僅提取所述關(guān)鍵特征點的特征向量，并根據(jù)人臉識別影響因素是否正常，選擇提取所述關(guān)鍵特征點中的部分或者全部特征點的特征向量作為三維特征向量，在保證識別準確度高的情況下降低識別驗證過程中的計算量，加快識別速度。

參見圖6，圖6是本發(fā)明實施例提供的另一種人臉識別的方法的流程示意圖，如圖6所示，包括以下步驟：

步驟601、采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)。

步驟602、提取所述二維圖像數(shù)據(jù)的二維特征向量。

步驟603、檢測所述用戶人臉中關(guān)鍵特征點，其中，所述關(guān)鍵特征點為人臉中的部分特征點。

步驟604、判斷人臉識別影響因素是否正常。

步驟605、若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點的部分特征點作為所述匹配特征點，并從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量形成所述三維特征向量。

本發(fā)明實施例中，當所述人臉識別影響因素正常時，可以選擇所述關(guān)鍵特征點中的部分特征點作為匹配特征點，并直接從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量組合形成所述三維特征向量，無需提取所述關(guān)鍵特征點的全部特征點的三維向量，從而進一步降低人臉識別過程中的計算量，使識別速度更快。

可選的，如圖7所示，所述步驟604之后，該方法還可以包括：

步驟606、若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點的部分特征點作為所述匹配特征點，并從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量形成所述三維特征向量。

其中，當所述人臉識別影響因素正常時，采集的三維深度數(shù)據(jù)的準確性降低，需要所述關(guān)鍵特征點中的全部特征點才能準確反映用戶的面部特征，因此，需要選擇所述關(guān)鍵特征點中的全部特征點作為匹配特征點，并由所述關(guān)鍵特征點的全部特征向量形成所述三維特征向量。

步驟607、計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成。

可選的，所述計算組合特征向量與匹配特征向量的相似度，包括：

從預(yù)設(shè)的三維深度數(shù)據(jù)中提取與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量，并將預(yù)設(shè)三維特征向量與預(yù)設(shè)二維特征向量組合形成匹配特征向量，并計算所述組合特征向量與所述匹配特征向量的相似度。

在本實施方式中，可以在人臉識別影響因素正常情況下，先通過移動終端的多個前置攝像頭預(yù)先采集用戶的預(yù)設(shè)二維圖像數(shù)據(jù)和預(yù)設(shè)三維深度數(shù)據(jù)。當計算所述組合特征向量與所述匹配特征向量的相似度時，通過特征提取算法如Gabor濾波特征提取算法從所述預(yù)設(shè)二維圖像數(shù)據(jù)中提取與所述二維特征向量對應(yīng)的預(yù)設(shè)二維特征向量，以及從所述預(yù)設(shè)三維深度數(shù)據(jù)中提取與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量。

步驟608、判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定識別驗證通過。

在本實施方式中，通過檢測用戶人臉中的關(guān)鍵特征點，根據(jù)人臉識別影響因素是否正常，選擇提取所述關(guān)鍵特征點中的部分或者全部特征點作為匹配特征點，直接從三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量作為三維特征向量，在保證識別準確度高的情況下進一步降低識別驗證過程中的計算量，加快識別速度。

參見圖8，圖8是本發(fā)明施例提供的一種移動終端的結(jié)構(gòu)示意圖，如圖8所示，移動終端800包括數(shù)據(jù)采集模塊801、二維特征向量提取模塊802、三維特征向量提取模塊803、相似度計算模塊804和識別驗證模塊805：

數(shù)據(jù)采集模塊801，用于采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；

二維特征向量提取模塊802，用于提取所述二維圖像數(shù)據(jù)的二維特征向量；

三維特征向量提取模塊803，用于通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，其中，所述匹配特征點為人臉中的部分特征點；

相似度計算模塊804，用于計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成；

識別驗證模塊805，用于判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定通過人臉識別。

可選的，如圖9所示，所述移動終端800還包括：

解鎖模塊806，用于對移動終端進行解鎖。

可選的，如圖10所示，所述三維特征向量提取模塊803可以包括：

第一檢測單元8031，用于檢測所述用戶人臉中關(guān)鍵特征點，其中，所述關(guān)鍵特征點為人臉中的部分特征點；

征向量提取單元8032，用于通過所述三維深度數(shù)據(jù)提取所述關(guān)鍵特征點的特征向量；

第一判斷單元8033，用于判斷人臉識別影響因素是否正常；

第一選擇單元8034，用于若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點中的部分特征點作為所述匹配特征點，并由所述匹配特征點的特征向量形成所述三維特征向量。

可選的，如圖11所示，所述三維特征向量提取模塊803還可以包括：

第二選擇單元8035，用于若所述人臉識別影響因素不正常，選擇所述關(guān)鍵特征點的全部特征點作為所述匹配特征點，并由所述關(guān)鍵特征點的全部特征向量形成所述三維特征向量。

可選的，所述人臉識別影響因素包括光照強度、人臉姿態(tài)以及臉部表情。

可選的，如圖12所示，所述三維特征向量提取模塊803可以包括：

第二檢測單元8036，用于檢測所述用戶人臉中關(guān)鍵特征點，其中，所述關(guān)鍵特征點為人臉中的部分特征點；

第二判斷單元8037，用于判斷人臉識別影響因素是否正常；

第三選擇單元8038，用于若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點的部分特征點作為所述匹配特征點，并從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量形成所述三維特征向量。

可選的，如圖13所示，所述三維特征向量提取模塊803還可以包括：

第四選擇單元8039，用于若所述人臉識別影響因素不正常，選擇所述關(guān)鍵特征點的全部特征點作為所述匹配特征點，并從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量形成所述三維特征向量。

可選的，所述相似度計算模塊804還可以用于從預(yù)設(shè)的三維深度數(shù)據(jù)中提取與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量，并將預(yù)設(shè)三維特征向量與預(yù)設(shè)二維特征向量組合形成匹配特征向量，并計算所述組合特征向量與所述匹配特征向量的相似度。

移動終端800能夠?qū)崿F(xiàn)圖1至圖7的方法實施例中移動終端實現(xiàn)的各個過程，為避免重復，這里不再贅述。

本發(fā)明實施例的移動終端800，采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；提取所述二維圖像數(shù)據(jù)的二維特征向量；通過所述三維深度數(shù)據(jù)提取人臉中匹配特征點的特征向量形成三維特征向量；計算組合特征向量與匹配特征向量的相似度；判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定識別驗證通過。從而使移動終端的人臉識別同時滿足識別準確度高和識別速度快。

參見圖14，圖14是本發(fā)明實施例提供的另一種移動終端的結(jié)構(gòu)示意圖，如圖14所示，移動終端1400包括：至少一個處理器1401、存儲器1402、至少一個網(wǎng)絡(luò)接口1404和用戶接口1403。移動終端1400中的各個組件通過總線系統(tǒng)1405耦合在一起?？衫斫猓偩€系統(tǒng)1405用于實現(xiàn)這些組件之間的連接通信。總線系統(tǒng)1405除包括數(shù)據(jù)總線之外，還包括電源總線、控制總線和狀態(tài)信號總線。但是為了清楚說明起見，在圖14中將各種總線都標為總線系統(tǒng)1405。

其中，用戶接口1403可以包括顯示器、鍵盤或者點擊設(shè)備(例如，鼠標，軌跡球(trackball)、觸感板或者觸摸屏等。

可以理解，本發(fā)明實施例中的存儲器1402可以是易失性存儲器或非易失性存儲器，或可包括易失性和非易失性存儲器兩者。其中，非易失性存儲器可以是只讀存儲器(Read-Only Memory，ROM)、可編程只讀存儲器(Programmable ROM，PROM)、可擦除可編程只讀存儲器(Erasable PROM，EPROM)、電可擦除可編程只讀存儲器(Electrically EPROM，EEPROM)或閃存。易失性存儲器可以是隨機存取存儲器(Random Access Memory，RAM)，其用作外部高速緩存。通過示例性但不是限制性說明，許多形式的RAM可用，例如靜態(tài)隨機存取存儲器(Static RAM，SRAM)、動態(tài)隨機存取存儲器(Dynamic RAM，DRAM)、同步動態(tài)隨機存取存儲器(Synchronous DRAM，SDRAM)、雙倍數(shù)據(jù)速率同步動態(tài)隨機存取存儲器(Double Data Rate SDRAM，DDRSDRAM)、增強型同步動態(tài)隨機存取存儲器(Enhanced SDRAM，ESDRAM)、同步連接動態(tài)隨機存取存儲器(Synchlink DRAM，SLDRAM)和直接內(nèi)存總線隨機存取存儲器(Direct Rambus RAM，DRRAM)。本文描述的系統(tǒng)和方法的存儲器1402旨在包括但不限于這些和任意其它適合類型的存儲器。

在一些實施方式中，存儲器1402存儲了如下的元素，可執(zhí)行模塊或者數(shù)據(jù)結(jié)構(gòu)，或者他們的子集，或者他們的擴展集：操作系統(tǒng)14021和應(yīng)用程序14022。

其中，操作系統(tǒng)14021，包含各種系統(tǒng)程序，例如框架層、核心庫層、驅(qū)動層等，用于實現(xiàn)各種基礎(chǔ)業(yè)務(wù)以及處理基于硬件的任務(wù)。應(yīng)用程序14022，包含各種應(yīng)用程序，例如媒體播放器(Media Player)、瀏覽器(Browser)等，用于實現(xiàn)各種應(yīng)用業(yè)務(wù)。實現(xiàn)本發(fā)明實施例方法的程序可以包含在應(yīng)用程序14022中。

在本發(fā)明實施例中，通過調(diào)用存儲器1402存儲的程序或指令，具體的，可以是應(yīng)用程序14022中存儲的程序或指令，處理器1401用于：

采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；

提取所述二維圖像數(shù)據(jù)的二維特征向量；

通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，其中，所述匹配特征點為人臉中的部分特征點；

計算組合特征向量與匹配特征向量的相似度，其中，所述組合特征向量由所述二維特征向量和所述三維特征向量組合形成，所述匹配特征向量是由，預(yù)設(shè)二維特征向量，以及與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量組合形成；

判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定通過人臉識別。

上述本發(fā)明實施例揭示的方法可以應(yīng)用于處理器1401中，或者由處理器1401實現(xiàn)。處理器1401可能是一種集成電路芯片，具有信號的處理能力。在實現(xiàn)過程中，上述方法的各步驟可以通過處理器1401中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器1401可以是通用處理器、數(shù)字信號處理器(Digital Signal Processor，DSP)、專用集成電路(Application Specific Integrated Circuit，ASIC)、現(xiàn)成可編程門陣列(Field Programmable Gate Array，F(xiàn)PGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。結(jié)合本發(fā)明實施例所公開的方法的步驟可以直接體現(xiàn)為硬件譯碼處理器執(zhí)行完成，或者用譯碼處理器中的硬件及軟件模塊組合執(zhí)行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領(lǐng)域成熟的存儲介質(zhì)中。該存儲介質(zhì)位于存儲器1402，處理器1401讀取存儲器1402中的信息，結(jié)合其硬件完成上述方法的步驟。

可以理解的是，本文描述的這些實施例可以用硬件、軟件、固件、中間件、微碼或其組合來實現(xiàn)。對于硬件實現(xiàn)，處理單元可以實現(xiàn)在一個或多個專用集成電路(Application Specific Integrated Circuits，ASIC)、數(shù)字信號處理器(Digital Signal Processing，DSP)、數(shù)字信號處理設(shè)備(DSP Device，DSPD)、可編程邏輯設(shè)備(Programmable Logic Device，PLD)、現(xiàn)場可編程門陣列(Field-Programmable Gate Array，F(xiàn)PGA)、通用處理器、控制器、微控制器、微處理器、用于執(zhí)行本申請所述功能的其它電子單元或其組合中。

對于軟件實現(xiàn)，可通過執(zhí)行本文所述功能的模塊(例如過程、函數(shù)等)來實現(xiàn)本文所述的技術(shù)。軟件代碼可存儲在存儲器中并通過處理器執(zhí)行。存儲器可以在處理器中或在處理器外部實現(xiàn)。

可選的，處理器1401執(zhí)行所述通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，包括：

檢測所述用戶人臉中關(guān)鍵特征點；

通過所述三維深度數(shù)據(jù)提取所述關(guān)鍵特征點的特征向量；

判斷人臉識別影響因素是否正常；

若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點中的部分特征點作為所述匹配特征點，并由所述匹配特征點的特征向量形成所述三維特征向量。

可選的，處理器1401執(zhí)行所述通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，還包括：

若所述人臉識別影響因素不正常，選擇所述關(guān)鍵特征點的全部特征點作為所述匹配特征點，并由所述匹配特征點的特征向量形成所述三維特征向量。

可選的，處理器1401執(zhí)行所述通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，包括：

檢測所述用戶人臉中關(guān)鍵特征點，其中，所述關(guān)鍵特征點為人臉中的部分特征點；

判斷人臉識別影響因素是否正常；

若所述人臉識別影響因素正常，選擇所述關(guān)鍵特征點的部分特征點作為所述匹配特征點，并從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量形成所述三維特征向量。

可選的，處理器1401執(zhí)行所述通過所述三維深度數(shù)據(jù)，提取人臉中預(yù)設(shè)的匹配特征點的特征向量形成三維特征向量，還包括：

若所述人臉識別影響因素不正常，選擇所述關(guān)鍵特征點的全部特征點作為所述匹配特征點，并從所述三維深度數(shù)據(jù)中提取所述匹配特征點的特征向量形成所述三維特征向量。

可選的，處理器1401執(zhí)行所述計算組合特征向量與匹配特征向量的相似度，包括：

從預(yù)設(shè)的三維深度數(shù)據(jù)中提取與所述匹配特征點對應(yīng)的預(yù)設(shè)三維特征向量，并將預(yù)設(shè)三維特征向量與預(yù)設(shè)二維特征向量組合形成匹配特征向量，并計算所述組合特征向量與所述匹配特征向量的相似度。

可選的，處理器1401執(zhí)行所述確定識別驗證通過之后，還包括：

對移動終端進行解鎖。

移動終端1400能夠?qū)崿F(xiàn)前述實施例中移動終端實現(xiàn)的各個過程，為避免重復，這里不再贅述。

本發(fā)明實施例的移動終端1400，采集用戶人臉的二維圖像數(shù)據(jù)和三維深度數(shù)據(jù)；提取所述二維圖像數(shù)據(jù)的二維特征向量；通過所述三維深度數(shù)據(jù)提取人臉中匹配特征點的特征向量形成三維特征向量；計算組合特征向量與匹配特征向量的相似度；判斷所述相似度是否大于或等于相似度閾值，若所述相似度大于或等于所述相似度閾值，確定識別驗證通過。從而使移動終端的人臉識別同時滿足識別準確度高和識別速度快。

本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結(jié)合來實現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認為超出本發(fā)明的范圍。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)、裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的實施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本發(fā)明實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以權(quán)利要求的保護范圍為準。