一種信息處理方法及終端的制作方法
【專利摘要】本發明實施例公開了一種信息處理方法及終端。所述方法包括：獲得第一圖像和第二圖像，以及獲得第二特征信息；其中，所述第一圖像和所述第二圖像均包含人臉特征；所述第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別信息；分別提取所述第一圖像的第一特征和所述第二圖像的第二特征；按預設驗證方法計算所述第一特征和所述第二特征的相似度參數；基于所述第一特征按預設方法計算第一特征信息；所述第一特征信息為所述第一圖像包含的人臉表征的屬性類別信息；比較所述第一特征信息與所述第二特征信息；當所述相似度參數大于預設閾值、且所述第一特征信息與所述第二特征信息一致時，確定所述第一圖像和所述第二圖像一致。
【專利說明】
一種信息處理方法及終端
技術領域
[0001] 本發明涉及信息處理技術，具體涉及一種信息處理方法及終端。
【背景技術】
[0002] 本申請發明人在實現本申請實施例技術方案的過程中，至少發現相關技術中存在 如下技術問題：
[0003] 在現有生活中，有很多需要對兩張人臉圖像進行匹配認證的場景，例如對用戶身 份核實時，通過對用戶人臉進行圖像采集，再將采集的圖像在數據庫中進行比對，比對一致 表明用戶身份通過認證。在這種人臉圖像匹配過程中，通常通過人臉驗證算法計算兩張人 臉圖像之間的相似度，從而確定兩張人臉圖像中的人臉是否是同一人。
[0004] 但這種方式在五官長相比較相似的兩張圖像進行比對時，很容易會誤判為同一 人，導致身份認證失誤的情況發生。然而，現有技術中，相關問題目前尚無有效解決方案。

【發明內容】

[0005] 為解決現有存在的技術問題，本發明實施例提供一種信息處理方法及終端，能夠 解決現有技術中五官長相比較相似的兩張圖像比對誤判的問題。
[0006]為達到上述目的，本發明實施例的技術方案是這樣實現的：
[0007] 本發明實施例提供了一種信息處理方法，所述方法包括：
[0008] 獲得第一圖像和第二圖像，以及獲得第二特征信息;其中，所述第一圖像和所述第 二圖像均包含人臉特征;所述第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別 信息；
[0009] 分別提取所述第一圖像的第一特征和所述第二圖像的第二特征;按預設驗證方法 計算所述第一特征和所述第二特征的相似度參數；
[0010] 基于所述第一特征按預設方法計算第一特征信息;所述第一特征信息為所述第一 圖像包含的人臉表征的屬性類別信息；
[0011]比較所述第一特征信息與所述第二特征信息；
[0012]當所述相似度參數大于預設閾值、且所述第一特征信息與所述第二特征信息一致 時，確定所述第一圖像和所述第二圖像一致。
[0013]上述方案中，所述基于所述第一特征按預設方法計算第一特征信息，包括:基于所 述第一特征按預設方法計算至少兩類第一特征信息；
[0014] 相應的，所述第二特征信息包括至少兩類第二特征信息；
[0015] 其中，所述至少兩類第一特征信息和所述至少兩類第一特征信息包括以下信息的 至少之二:年齡信息、性別信息、人種信息。
[0016] 上述方案中，所述第一特征信息與所述第二特征信息一致，包括：
[0017] 所述至少兩類第一特征信息中，每類第一特征信息與所述至少兩類第二特征信息 中屬于同類的第二特征信息一致。
[0018] 上述方案中，所述基于所述第一特征按預設方法計算第一特征信息之前，所述方 法包括：
[0019] 按照第一預設學習模型將采集到的樣本特征進行特征分類，獲得表征男性的第一 特征分類和表征女性的第二特征分類；
[0020] 所述基于所述第一特征按預設方法計算第一特征信息，包括：
[0021] 將所述第一特征按照所述第一預設學習模型進行計算，獲得所述第一特征對應的 特征分類，將所述特征分類對應的性別屬性信息作為所述第一特征信息。
[0022] 上述方案中，所述基于所述第一特征按預設方法計算第一特征信息之前，所述方 法包括：
[0023]按照第二預設學習模型將采集到的樣本特征進行特征分類，獲得表征預設年齡分 段的多個特征分類；
[0024]則所述基于所述第一特征按預設方法計算第一特征信息，包括：
[0025]將所述第一特征按照所述第二預設學習模型進行計算，獲得所述第一特征對應的 特征分類，將所述特征分類對應的年齡分段作為所述第一特征信息。
[0026]上述方案中，所述基于所述第一特征按預設方法計算第一特征信息之前，所述方 法包括：
[0027]按照第三預設學習模型將采集到的樣本特征進行回歸訓練，獲得表征年齡屬性的 函數；
[0028] 則所述基于所述第一特征按預設方法計算第一特征信息，包括：
[0029] 基于所述第一特征按照所述函數進行計算，獲得年齡值，將所述年齡值作為所述 第一特征信息。
[0030] 本發明實施例還提供了一種終端，所述終端包括:第一獲取單元、第二獲取單元、 數據分析單元和匹配單元;其中，
[0031] 所述第一獲取單元，用于獲得第一圖像;所述第一圖像包含人臉特征；
[0032] 所述第二獲取單元，用于獲得第二圖像，以及獲得第二特征信息;所述第二圖像包 含人臉特征;所述第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別信息；
[0033]所述數據分析單元，用于分別提取所述第一獲取單元獲得的第一圖像的第一特征 和所述第二獲取單元獲得的第二圖像的第二特征;按預設驗證方法計算所述第一特征和所 述第二特征的相似度參數;基于所述第一特征按預設方法計算第一特征信息;所述第一特 征信息為所述第一圖像包含的人臉表征的屬性類別信息；
[0034] 所述匹配單元，用于比較所述數據分析單元獲得的第一特征信息與所述第二獲取 單元獲得的第二特征信息；當所述數據分析單元計算的相似度參數大于預設閾值、且所述 第一特征信息與所述第二特征信息一致時，確定所述第一圖像和所述第二圖像一致。
[0035] 上述方案中，所述數據分析單元，用于基于所述第一特征按預設方法計算至少兩 類第一特征信息；
[0036] 相應的，所述第二特征信息包括至少兩類第二特征信息；
[0037] 其中，所述至少兩類第一特征信息和所述至少兩類第一特征信息包括以下信息的 至少之二:年齡信息、性別信息、人種信息。
[0038] 上述方案中，所述匹配單元，用于比較所述數據分析單元獲得的第一特征信息與 所述第二獲取單元獲得的第二特征信息；當所述數據分析單元計算的相似度參數大于預設 閾值、且所述至少兩類第一特征信息中，每類第一特征信息與所述至少兩類第二特征信息 中屬于同類的第二特征信息一致時，確定所述第一圖像和所述第二圖像一致。
[0039] 上述方案中，所述數據分析單元，還用于基于所述第一特征按預設方法計算第一 特征信息之前，按照第一預設學習模型將采集到的樣本特征進行特征分類，獲得表征男性 的第一特征分類和表征女性的第二特征分類；
[0040] 相應的，所述數據分析單元，用于將所述第一特征按照所述第一預設學習模型進 行計算，獲得所述第一特征對應的特征分類，將所述特征分類對應的性別屬性信息作為所 述第一特征信息。
[0041] 上述方案中，所述數據分析單元，還用于基于所述第一特征按預設方法計算第一 特征信息之前，按照第二預設學習模型將采集到的樣本特征進行特征分類，獲得表征預設 年齡分段的多個特征分類；
[0042]相應的，所述數據分析單元，用于將所述第一特征按照所述第二預設學習模型進 行計算，獲得所述第一特征對應的特征分類，將所述特征分類對應的年齡分段作為所述第 一特征信息。
[0043] 上述方案中，所述數據分析單元，還用于基于所述第一特征按預設方法計算第一 特征信息之前，按照第三預設學習模型將采集到的樣本特征進行回歸訓練，獲得表征年齡 屬性的函數；
[0044] 相應的，所述數據分析單元，用于基于所述第一特征按照所述函數進行計算，獲得 年齡值，將所述年齡值作為所述第一特征信息。
[0045] 本發明實施例提供的信息處理方法及終端，所述方法包括:獲得第一圖像和第二 圖像，以及獲得第二特征信息；其中，所述第一圖像和所述第二圖像均包含人臉特征;所述 第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別信息;分別提取所述第一圖像 的第一特征和所述第二圖像的第二特征;按預設驗證方法計算所述第一特征和所述第二特 征的相似度參數;基于所述第一特征按預設方法計算第一特征信息;所述第一特征信息為 所述第一圖像包含的人臉表征的屬性類別信息；比較所述第一特征信息與所述第二特征信 息；當所述相似度參數大于預設閾值、且所述第一特征信息與所述第二特征信息一致時，確 定所述第一圖像和所述第二圖像一致。如此，采用本發明實施例的技術方案，通過對第一圖 像中的人臉表征的屬性類別（例如性別、年齡等屬性類別）進行識別以及匹配，避免了由于 五官長相比較相似的兩幅圖像誤判的情況發生，大大提升了圖像中人臉比對的準確率。
【附圖說明】
[0046] 圖1為本發明實施例一的信息處理方法的流程示意圖；
[0047]圖2為本發明實施例二的信息處理方法的流程示意圖；
[0048]圖3為本發明實施例中進行信息交互的各方硬件實體的示意圖；
[0049] 圖4為本發明實施例的終端的組成結構示意圖；
[0050] 圖5為本發明實施例的終端的一個硬件組成結構示意圖。
【具體實施方式】
[0051] 下面結合附圖及具體實施例對本發明作進一步詳細的說明。
[0052] 實施例一
[0053]本發明實施例提供了一種信息處理方法，所述信息處理方法應用于終端中。圖1為 本發明實施例的信息處理方法的流程示意圖；如圖1所示，所述信息處理方法包括：
[0054] 步驟101:獲得第一圖像和第二圖像，以及獲得第二特征信息;其中，所述第一圖像 和所述第二圖像均包含人臉特征;所述第二特征信息為所述第二圖像相關聯的人臉表征的 屬性類別信息。
[0055] 步驟102:分別提取所述第一圖像的第一特征和所述第二圖像的第二特征;按預設 驗證方法計算所述第一特征和所述第二特征的相似度參數。
[0056] 步驟103:基于所述第一特征按預設方法計算第一特征信息;所述第一特征信息為 所述第一圖像包含的人臉表征的屬性類別信息。
[0057]步驟104:比較所述第一特征信息與所述第二特征信息。
[0058]步驟105:當所述相似度參數大于預設閾值、且所述第一特征信息與所述第二特征 信息一致時，確定所述第一圖像和所述第二圖像一致。
[0059] 本實施例步驟101中，獲得的第一圖像可以為輸入的圖像，所述輸入的圖像可以是 通過攝像頭采集的圖像，也可以是通過有線或無線網絡傳輸的圖像，例如通過數據線從一 電腦中傳輸到終端的圖像，或者通過無線保真(WiFi)技術或藍牙技術傳輸至終端的圖像。
[0060] 本實施例步驟101中，獲得的第二圖像可以是預先存儲在數據庫中的圖像，相應 的，所述第二特征信息伴隨所述第二圖像存儲在所述數據庫中。其中，所述數據庫具體可以 為官方的資料數據庫，例如身份證資料數據庫、社會保險資料數據庫或者護照資料數據庫 等等;所述數據庫中通常存儲有在用戶辦理身份證、社會保險或者護照時，采集的用于證明 用戶身份的個人信息以及圖像信息等等。基于此，在本步驟中，所述獲得第二圖像具體可以 為:與數據庫建立連接;通過輸入的用戶標識查詢所述數據庫，獲得與所述用戶標識對應的 第二圖像以及第二特征信息；其中，輸入的用戶標識具體可以是身份證號碼、護照號碼、軍 官證號碼等表征用戶身份的號碼。
[0061] 本實施例中，所述第一圖像和所述第二圖像均為包含有人臉特征的圖像;其中，所 包含的人臉特征至少能夠識別出人臉的五官特征。更進一步地，所述第一圖像和所述第二 圖像中的人臉部分所占據的比例大于預設閾值，例如，人臉部分占據的比例需大于50%，這 樣，在后續的圖像識別過程中，更便于人臉特征的提取。
[0062] 本實施例步驟102是基于人臉特征提取從而計算相似度參數的過程。其中，可通過 對所述第一圖像和所述第二圖像進行圖像分塊，通過尺度不變特征(SIFT)算法尋找出匹配 特征點；統計每個圖像分塊中的匹配特征點的數量，獲得匹配向量;判斷兩幅圖像中的匹配 特征點的數量是否達到閾值;若達到預設閾值則計算兩幅圖像的匹配向量相似度;若相似 度達到標準則可確定本實施例中所述的相似度參數大于預設閾值。當然，除上述實現方式 以外，本實施例步驟102中所述分別提取所述第一圖像的第一特征和所述第二圖像的第二 特征、按預設驗證方法計算所述第一特征和所述第二特征的相似度參數還可采用高位特征 人臉驗證方法或者深度卷積神經網絡(CNN,Convolutional NeuralNetwork)方法進行相似 度參數的計算。
[0063] 本實施例步驟103中，所述第一特征信息為所述第一圖像包含的人臉表征的屬性 類別信息，具體例如年齡信息、性別信息、人種信息等等。基于不同屬性的特征信息可采用 不同的處理方式進行計算。本實施例中，所計算的第一特征信息可以為至少兩類，例如分別 計算表征年齡屬性類別的第一特征信息和表征性別屬性類別的第一特征信息，后續在步驟 104中分別針對表征年齡屬性類別的第一特征信息和表征性別屬性類別的第一特征信息進 行比對，以確保兩張圖像的判定的準確率。則所述基于所述第一特征按預設方法計算第一 特征信息，包括:基于所述第一特征按預設方法計算至少兩類第一特征信息；相應的，所述 第二特征信息包括至少兩類第二特征信息；其中，所述至少兩類第一特征信息和所述至少 兩類第一特征信息包括以下信息的至少之二:年齡信息、性別信息、人種信息。所述第一特 征信息與所述第二特征信息一致，包括:所述至少兩類第一特征信息中，每類第一特征信息 與所述至少兩類第二特征信息中屬于同類的第二特征信息一致。
[0064]當所述第一特征信息為人臉表征的性別屬性類別的特征信息時，則針對性別屬 性，在執行步驟103以前，即所述基于所述第一特征按預設方法計算第一特征信息之前，所 述方法包括：
[0065]按照第一預設學習模型將采集到的樣本特征進行特征分類，獲得表征男性的第一 特征分類和表征女性的第二特征分類；
[0066]所述基于所述第一特征按預設方法計算第一特征信息，包括：
[0067]將所述第一特征按照所述第一預設學習模型進行計算，獲得所述第一特征對應的 特征分類，將所述特征分類對應的性別屬性信息作為所述第一特征信息。
[0068]具體的，對應于本步驟中的第一預設學習模型，在提取所述第一圖像的第一特征 時，可采用方向梯度直方圖（H0G，Histogram of Oriented Gradient)方式提取所述第一圖 像中的第一特征用于所述第一特征信息的計算。相應的，在進行學習訓練過程中，也可采用 HOG方式提取樣本圖像的特征;其中，所述樣本圖像為多個已確定性別屬性類別的圖像。具 體的，采用HOG方式提取圖像中的特征包括以下步驟：
[0069] 1:將圖像灰度化。
[0070] 2:采用Gamma校正法對圖像進行顏色空間的標準化（即歸一化），目的是調節圖像 的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時還可以抑制噪音的干擾。
[0071] 3:計算圖像每個像素的梯度，包括大小和方向，主要是為了捕獲輪廓信息，同時進 一步弱化光照的干擾。
[0072] 具體的，像素梯度的計算方式可按照以下表達式(1)和(2)所示：
[0073] Gx(x,y)=H(x+l ,y)-H(x-l ,y) (I)
[0074] Gy(x,y)=H(x,y+l)-H(x,y-l) (2)
[0075]其中，6\&，7)、67(1，7)和!1(1，7)分別表示像素點（1，7)處的水平方向梯度、垂直方 向梯度和像素值。
[0076] 則像素點(x，y)處的梯度幅值和梯度方向分別為表達式(3)和(4):
[0077] (3)
[0078]
(4)
[0079] 4:將圖像劃分為小單元，例如6*6像素/單元。
[0080] 5:統計每個單元的梯度直方圖，即可形成每個單元的描述符號(descriptor)。
[0081 ] 6 :將每幾個單元組成一個塊，例如3*3個單元/塊，一個塊內所有單元的特征 descriptor串聯起來便可以得到該塊的HOG特征descriptor。
[0082] 7:將圖像內的所有塊的HOG特征descriptor串聯起來可以得到所述圖像的HOG特 征descriptor。
[0083] 樣本圖像的特征提取完成后，可使用支持向量機(SVM，Support Vector Machine) 對提取的樣本特征進行訓練學習，或者采用CNN方式對提取的樣本特征進行訓練學習，獲得 樣本特征的特征分類，即獲得表征男性的第一特征分類和表征女性的第二特征分類。在針 對所述第一圖像按照HOG方式進行第一特征提取后，也可按照相同的訓練學習方式（例如 SVM或CNN)進行計算，獲得所述第一特征對應的特征分類，從而將所述特征分類對應的性別 屬性信息作為計算獲得的第一特征信息，也即計算獲得所述第一圖像中的人臉表征的性別 屬性是男性或是女性。
[0084] 當所述第一特征信息為人臉表征的年齡屬性類別的特征信息時，則針對年齡屬 性，作為一種實施方式，在執行步驟103以前，即所述基于所述第一特征按預設方法計算第 一特征信息之前，所述方法包括：
[0085]按照第二預設學習模型將采集到的樣本特征進行特征分類，獲得表征預設年齡分 段的多個特征分類；
[0086] 所述基于所述第一特征按預設方法計算第一特征信息，包括：
[0087] 將所述第一特征按照所述第二預設學習模型進行計算，獲得所述第一特征對應的 特征分類，將所述特征分類對應的年齡分段作為所述第一特征信息。
[0088] 作為另一種實施方式，在執行步驟103以前，即所述基于所述第一特征按預設方法 計算第一特征信息之前，所述方法包括:按照第三預設學習模型將采集到的樣本特征進行 回歸訓練，獲得表征年齡屬性的函數；
[0089] 則所述基于所述第一特征按預設方法計算第一特征信息，包括：
[0090] 基于所述第一特征按照所述函數進行計算，獲得年齡值，將所述年齡值作為所述 第一特征信息。
[0091] 上述兩種實施方式的區別在于，第一種實施方式是將樣本特征進行分類，計算表 征年齡屬性類別的第一特征信息處于哪個分類中。例如將年齡1-100歲共設置100個分類， 或者按照預設的年齡分段進行分類，例如每隔10歲設置為一類，如1-10歲為第一分類，11至 20為第二分類，以此類推。第二種實施方式是利用樣本特征進行回歸訓練，獲得表征年齡屬 性的函數，再通過表征年齡屬性類別的第一特征信息以及回歸獲得的函數進行計算，獲得 所述第一特征信息對應的函數值，也即年齡值。
[0092] 具體的，第一種實施方式中，在提取第一圖像的第一特征，以及樣本圖像的特征 時，可采用HOG的方式進行提取，具體的提取過程可參照上述描述，這里不再贅述。樣本圖像 的特征提取完成后，可利用SVM對提取出的特征進行訓練學習，或者采用CNN方式對提取的 樣本特征進行訓練學習，獲得樣本特征的年齡分類，例如將年齡1至100歲按照每10歲的年 齡間隔進行分類。在針對所述第一圖像按照HOG方式進行第一特征提取后，也可按照相同的 訓練學習方式(例如SVM或CNN)進行計算，獲得所述第一特征對應的年齡分類，從而將所述 特征分類對應的年齡屬性信息作為計算獲得的第一特征信息，也即計算獲得所述第一圖像 中的人臉表征的年齡。
[0093]在第二種實施方式中，對于樣本圖像以及第一圖像，采用HOG的方式進行特征的提 取，具體可參照上述描述，這里不再贅述。樣本圖像的特征提取完成后，可利用支持向量回 歸（SVR，Support Vector Regressor)對提取出的特征進行回歸訓練擬合，獲得表征年齡屬 性的函數。在針對所述第一圖像按照HOG方式進行第一特征提取后，按照所述SVR以及獲得 的函數對所述第一特征進行回歸擬合，獲得所述第一特征對應的函數值，也即獲得年齡值， 將所述年齡值作為計算獲得的第一特征信息，也即計算獲得所述第一圖像中的人臉表征的 年齡。當然，本發明實施例中不限于采用SVR回歸方式進行年齡值的計算，也可以使用歐式 距離的計算方法進行年齡值的計算。
[0094]本實施例中，所述第一特征信息計算完成后，比較計算獲得的第一特征信息以及 從數據庫中獲得的第二特征信息。具體例如，比較計算獲得的第一圖像中人臉表征的性別 屬性類別和/或年齡屬性類別與所述數據庫中記載的性別屬性類別和/或年齡屬性類別是 否一致。并且，比較步驟102中計算獲得的相似度參數與預設閾值的大小。
[0095] 當所述相似度參數大于預設閾值時，表明所述第一圖像和所述第二圖像中的人臉 圖像非常相似。進一步比較所述第一特征信息與所述第二特征信息是否一致；當所述第一 特征信息與所述第二特征信息一致時，例如年齡屬性類別相同和/或性別屬性類別相同時， 可最終確定所述第一圖像和所述第二圖像一致，也即所述第一圖像中的人臉和所述第二圖 像中的人臉表征同一個人臉。
[0096] 采用本發明實施例的技術方案，通過對第一圖像中的人臉表征的屬性類別（例如 性別、年齡等屬性類別)進行識別以及匹配，避免了由于遺傳等原因導致五官長相比較相似 的兩幅圖像誤判的情況發生，例如"爸爸和兒子"、"媽媽和兒子"、"媽媽和女兒"、"爸爸和女 兒"等由于遺傳等原因五官長相具有較高的相似度從而誤判為同一人的情況，大大提升了 圖像中人臉比對的準確率。
[0097]基于上述描述，本發明實施例的信息處理方法可應用于對比兩幅圖像中的人臉是 否是同一人臉的應用場景，以對用戶的身份進行核實。例如:采集圖像或者上傳照片，比對 采集的圖像或上傳的照片與身份證上的照片是否是同一人。本發明實施例的用于對用戶的 身份進行核實的信息處理方法可應用于互聯網、金融、考試等多個場景下。
[0098] 實施例二
[0099]基于具體的應用場景，本發明實施例還提供了一種信息處理方法。圖2為本發明實 施例二的信息處理方法的流程示意圖；如圖2所示，所述信息處理方法包括：
[0100] 步驟201:通過掃描身份證或者手動輸入身份證號碼的方式獲得身份證號碼。
[0101] 步驟202:根據獲得的身份證號碼從證件中心數據庫獲取身份證人臉照片、以及年 齡、性別數據。
[0102] 步驟203:通過攝像頭采集用戶人臉照片。
[0103] 步驟204:基于采集的用戶人臉照片進行特征提取，以及性別和年齡的識別；以及 對獲得的身份證人臉照片進行特征提取。
[0104] 步驟205:對采集的用戶人臉照片和身份證人臉照片進行匹配；匹配一致后，執行 步驟208;匹配不一致時，執行步驟209。
[0105] 步驟206:基于采集的用戶人臉照片識別出的性別與證件中心獲取到的性別數據 進行匹配;匹配一致后，執行步驟208;匹配不一致時，執行步驟209。
[0106] 步驟207:基于采集的用戶人臉照片識別出的年齡與證件中心獲取到的年齡數據 進行匹配;匹配一致后，執行步驟208;匹配不一致時，執行步驟209。
[0107] 本實施例步驟204至步驟205中進行特征提取、以及性別和年齡的識別過程、以及 采集的用戶人臉照片和身份證人臉照片進行匹配的過程具體可參照實施例一中所述，這里 不再贅述。
[0108] 步驟208:如果人臉特征驗證匹配一致、且性別匹配一致、且年齡匹配一致時，則表 明采集的用戶人臉照片與身份證照片中的人臉為同一人，用戶身份認證通過，進一步允許 用戶進行后續相關操作。
[0109] 步驟209:如果人臉特征驗證匹配不一致、或者性別匹配不一致、或者年齡匹配不 一致時，則表明采集的用戶人臉照片與身份證照片中的人臉為不同人，用戶身份認證不通 過。
[0110] 圖3為本發明實施例中進行信息交互的各方硬件實體的示意圖；如圖3所示，包括 終端24和服務器11;所述終端24和所述服務器11可通過有線網絡或無線網絡建立網絡連 接。所述終端24具體可以為各種個人計算機(PC )，例如臺式電腦、筆記本電腦、一體機電腦 等等，所述終端24也可以為智能手機、平板電腦等便攜終端。所述服務器11具體可以為證件 (例如身份證、護照、港澳通行證、社會保險、軍官證等）中心的服務器;所述服務器11與證件 中心數據庫12相連接。則所述終端在查詢用戶身份識別號碼(例如身份證號碼)時，通過查 詢證件中心數據庫12,獲得所述用戶身份識別號碼對應的圖像以及個人信息。
[0111] 上述圖3的例子只是實現本發明實施例的一個系統架構實例，本發明實施例并不 限于上述圖3所述的系統結構，基于該系統架構，提出本發明各個實施例。
[0112]實施例三
[0113] 基于實施例一和實施例二的描述，本發明實施例還提供了一種終端。圖4為本發明 實施例的終端的組成結構示意圖；如圖4所示，所述終端包括:第一獲取單元41、第二獲取單 元42、數據分析單元43和匹配單元44;其中，
[0114] 所述第一獲取單元41，用于獲得第一圖像;所述第一圖像包含人臉特征；
[0115]所述第二獲取單元42,用于獲得第二圖像，以及獲得第二特征信息;所述第二圖像 包含人臉特征;所述第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別信息； [0116]所述數據分析單元43,用于分別提取所述第一獲取單元41獲得的第一圖像的第一 特征和所述第二獲取單元42獲得的第二圖像的第二特征;按預設驗證方法計算所述第一特 征和所述第二特征的相似度參數;基于所述第一特征按預設方法計算第一特征信息;所述 第一特征信息為所述第一圖像包含的人臉表征的屬性類別信息；
[0117]所述匹配單元44,用于比較所述數據分析單元43獲得的第一特征信息與所述第二 獲取單元42獲得的第二特征信息；當所述數據分析單元43計算的相似度參數大于預設閾 值、且所述第一特征信息與所述第二特征信息一致時，確定所述第一圖像和所述第二圖像 一致。
[0118] 本實施例中，所述第一獲取單元41獲得的第一圖像可以為輸入的圖像，所述輸入 的圖像可以是通過攝像頭采集的圖像，也可以是通過有線或無線網絡傳輸的圖像，例如通 過數據線從一電腦中傳輸到終端的圖像，或者通過無線保真(WiFi)技術或藍牙技術傳輸至 終端的圖像。
[0119] 本實施例中，所述第二獲取單元42獲得的第二圖像可以是預先存儲在數據庫中的 圖像，相應的，所述第二特征信息伴隨所述第二圖像存儲在所述數據庫中。其中，所述數據 庫具體可以為官方的資料數據庫，例如身份證資料數據庫、社會保險資料數據庫或者護照 資料數據庫等等;所述數據庫中通常存儲有在用戶辦理身份證、社會保險或者護照時，采集 的用于證明用戶身份的個人信息以及圖像信息等等。基于此，在本步驟中，所述獲得第二圖 像具體可以為:所述第二獲取單元42與數據庫建立連接;通過輸入的用戶標識查詢所述數 據庫，獲得與所述用戶標識對應的第二圖像以及第二特征信息;其中，輸入的用戶標識具體 可以是身份證號碼、護照號碼、軍官證號碼等表征用戶身份的號碼。
[0120] 本實施例中，所述第一圖像和所述第二圖像均為包含有人臉特征的圖像;其中，所 包含的人臉特征至少能夠識別出人臉的五官特征。更進一步地，所述第一圖像和所述第二 圖像中的人臉部分所占據的比例大于預設閾值，例如，人臉部分占據的比例需大于50%，這 樣，在后續的圖像識別過程中，更便于人臉特征的提取。
[0121]本實施例中，所述數據分析單元43分別提取所述第一獲取單元41獲得的第一圖像 的第一特征和所述第二獲取單元42獲得的第二圖像的第二特征、按預設驗證方法計算所述 第一特征和所述第二特征的相似度參數是基于人臉特征提取從而計算相似度參數的過程。 其中，所述數據分析單元43可通過對所述第一圖像和所述第二圖像進行圖像分塊，通過尺 度不變特征(SIFT)算法尋找出匹配特征點；統計每個圖像分塊中的匹配特征點的數量，獲 得匹配向量;判斷兩幅圖像中的匹配特征點的數量是否達到閾值;若達到預設閾值則計算 兩幅圖像的匹配向量相似度;若相似度達到標準則可確定本實施例中所述的相似度參數大 于預設閾值。當然，除上述實現方式以外，本實施例中所述數據分析單元43分別提取所述第 一圖像的第一特征和所述第二圖像的第二特征、按預設驗證方法計算所述第一特征和所述 第二特征的相似度參數還可采用高位特征人臉驗證方法或者深度CNN方法進行相似度參數 的計算。
[0122]本實施例中，所述第一特征信息為所述第一圖像包含的人臉表征的屬性類別信 息，具體例如年齡信息、性別信息、人種信息等等。基于不同屬性的特征信息可采用不同的 處理方式進行計算。本實施例中，所述數據分析單元43計算的第一特征信息可以為至少兩 類，例如分別計算表征年齡屬性類別的第一特征信息和表征性別屬性類別的第一特征信 息，后續分別針對表征年齡屬性類別的第一特征信息和表征性別屬性類別的第一特征信息 進行比對，以確保兩張圖像的判定的準確率。則所述數據分析單元43,用于基于所述第一特 征按預設方法計算至少兩類第一特征信息；相應的，所述第二特征信息包括至少兩類第二 特征信息；其中，所述至少兩類第一特征信息和所述至少兩類第一特征信息包括以下信息 的至少之二:年齡信息、性別信息、人種信息。其中，所述匹配單元44比較所述數據分析單元 43獲得的第一特征信息與所述第二獲取單元42獲得的第二特征信息；當所述數據分析單元 43計算的相似度參數大于預設閾值、且所述至少兩類第一特征信息中，每類第一特征信息 與所述至少兩類第二特征信息中屬于同類的第二特征信息一致時，確定所述第一圖像和所 述第二圖像一致。
[0123] 當所述第一特征信息為人臉表征的性別屬性類別的特征信息時，則針對性別屬 性，所述數據分析單元43，還用于基于所述第一特征按預設方法計算第一特征信息之前，按 照第一預設學習模型將采集到的樣本特征進行特征分類，獲得表征男性的第一特征分類和 表征女性的第二特征分類；
[0124] 相應的，所述數據分析單元43,用于將所述第一特征按照所述第一預設學習模型 進行計算，獲得所述第一特征對應的特征分類，將所述特征分類對應的性別屬性信息作為 所述第一特征信息。
[0125] 具體的，對應于第一預設學習模型，所述數據分析單元43在提取所述第一圖像的 第一特征時，可采用方向梯度直方圖（HOG)方式提取所述第一圖像中的第一特征用于所述 第一特征信息的計算。相應的，在進行學習訓練過程中，所述數據分析單元43也可采用HOG 方式提取樣本圖像的特征；其中，所述樣本圖像為多個已確定性別屬性類別的圖像。具體 的，采用HOG方式提取圖像中的特征包括以下步驟:1:將圖像灰度化。2:采用Gamma校正法對 圖像進行顏色空間的標準化（即歸一化），目的是調節圖像的對比度，降低圖像局部的陰影 和光照變化所造成的影響，同時還可以抑制噪音的干擾。3:計算圖像每個像素的梯度，包括 大小和方向，主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。4:將圖像劃分為小單 元，例如6*6像素/單元。5:統計每個單元的梯度直方圖，即可形成每個單元的描述符號 (descriptor)。6:將每幾個單元組成一個塊，例如3*3個單元/塊，一個塊內所有單元的特征 descriptor串聯起來便可以得到該塊的HOG特征descriptor。？:將圖像內的所有塊的HOG特 征descriptor串聯起來可以得到所述圖像的HOG特征descriptor。
[0126] 樣本圖像的特征提取完成后，可使用SVM對提取的樣本特征進行訓練學習，或者采 用CNN方式對提取的樣本特征進行訓練學習，獲得樣本特征的特征分類，即獲得表征男性的 第一特征分類和表征女性的第二特征分類。在針對所述第一圖像按照HOG方式進行第一特 征提取后，也可按照相同的訓練學習方式(例如SVM或CNN)進行計算，獲得所述第一特征對 應的特征分類，從而將所述特征分類對應的性別屬性信息作為計算獲得的第一特征信息， 也即計算獲得所述第一圖像中的人臉表征的性別屬性是男性或是女性。
[0127] 當所述第一特征信息為人臉表征的年齡屬性類別的特征信息時，則針對年齡屬 性，作為一種實施方式，所述數據分析單元43，還用于基于所述第一特征按預設方法計算第 一特征信息之前，按照第二預設學習模型將采集到的樣本特征進行特征分類，獲得表征預 設年齡分段的多個特征分類；
[0128] 相應的，所述數據分析單元43,用于將所述第一特征按照所述第二預設學習模型 進行計算，獲得所述第一特征對應的特征分類，將所述特征分類對應的年齡分段作為所述 第一特征信息。
[0129] 作為另一種實施方式，所述數據分析單元43,還用于基于所述第一特征按預設方 法計算第一特征信息之前，按照第三預設學習模型將采集到的樣本特征進行回歸訓練，獲 得表征年齡屬性的函數；
[0130] 相應的，所述數據分析單元43,用于基于所述第一特征按照所述函數進行計算，獲 得年齡值，將所述年齡值作為所述第一特征信息。
[0131 ]上述兩種實施方式的區別在于，第一種實施方式是將樣本特征進行分類，計算表 征年齡屬性類別的第一特征信息處于哪個分類中。例如將年齡1-100歲共設置100個分類， 或者按照預設的年齡分段進行分類，例如每隔10歲設置為一類，如1-10歲為第一分類，11至 20為第二分類，以此類推。第二種實施方式是利用樣本特征進行回歸訓練，獲得表征年齡屬 性的函數，再通過表征年齡屬性類別的第一特征信息以及回歸獲得的函數進行計算，獲得 所述第一特征信息對應的函數值，也即年齡值。
[0132] 具體的，第一種實施方式中，所述數據分析單元43在提取第一圖像的第一特征，以 及樣本圖像的特征時，可采用HOG的方式進行提取，具體的提取過程可參照上述描述，這里 不再贅述。樣本圖像的特征提取完成后，可利用SVM對提取出的特征進行訓練學習，或者采 用CNN方式對提取的樣本特征進行訓練學習，獲得樣本特征的年齡分類，例如將年齡1至100 歲按照每10歲的年齡間隔進行分類。在針對所述第一圖像按照HOG方式進行第一特征提取 后，也可按照相同的訓練學習方式(例如SVM或CNN)進行計算，獲得所述第一特征對應的年 齡分類，從而將所述特征分類對應的年齡屬性信息作為計算獲得的第一特征信息，也即計 算獲得所述第一圖像中的人臉表征的年齡。
[0133] 在第二種實施方式中，對于樣本圖像以及第一圖像，所述數據分析單元43可采用 HOG的方式進行特征的提取，具體可參照上述描述，這里不再贅述。樣本圖像的特征提取完 成后，所述數據分析單元43可利用支持向量回歸（SVR，Support Vector Regressor)對提取 出的特征進行回歸訓練擬合，獲得表征年齡屬性的函數。在針對所述第一圖像按照HOG方式 進行第一特征提取后，按照所述SVR以及獲得的函數對所述第一特征進行回歸擬合，獲得所 述第一特征對應的函數值，也即獲得年齡值，將所述年齡值作為計算獲得的第一特征信息， 也即計算獲得所述第一圖像中的人臉表征的年齡。當然，本發明實施例中不限于采用SVR回 歸方式進行年齡值的計算，也可以使用歐式距離的計算方法進行年齡值的計算。
[0134] 本實施例中，所述第一特征信息計算完成后，所述匹配單元44比較計算獲得的第 一特征信息以及從數據庫中獲得的第二特征信息。具體例如，比較計算獲得的第一圖像中 人臉表征的性別屬性類別和/或年齡屬性類別與所述數據庫中記載的性別屬性類別和/或 年齡屬性類別是否一致。并且，比較所述數據分析單元43計算獲得的相似度參數與預設閾 值的大小。
[0135] 當所述相似度參數大于預設閾值時，表明所述第一圖像和所述第二圖像中的人臉 圖像非常相似。進一步比較所述第一特征信息與所述第二特征信息是否一致；當所述第一 特征信息與所述第二特征信息一致時，例如年齡屬性類別相同和/或性別屬性類別相同時， 可最終確定所述第一圖像和所述第二圖像一致，也即所述第一圖像中的人臉和所述第二圖 像中的人臉表征同一個人臉。
[0136] 本發明實施例中，所述終端中的數據分析單元43和匹配單元44,在實際應用中均 可由所述終端中的中央處理器(CPU，Central Processing Unit)、數字信號處理器(DSP， Digital Signal Processor)、微控制單元(MCU，Microcontroller Unit)或可編程門陣列 (FPGA，FieId - ProgrammabIe Gate Array)實現;所述終端中的第一獲取單元41，在實際應 用中均可由所述終端中的攝像頭實現;所述終端中的第二獲取單元42,在實際應用中可通 過通信模組(包含:基礎通信套件、操作系統、通信模塊、標準化接口和協議等)及收發天線 實現。
[0137] 采用本發明實施例的技術方案，通過對第一圖像中的人臉表征的屬性類別（例如 性別、年齡等屬性類別)進行識別以及匹配，避免了由于遺傳等原因導致五官長相比較相似 的兩幅圖像誤判的情況發生，例如"爸爸和兒子"、"媽媽和兒子"、"媽媽和女兒"、"爸爸和女 兒"等由于遺傳等原因五官長相具有較高的相似度從而誤判為同一人的情況，大大提升了 圖像中人臉比對的準確率。
[0138] 本實施例中，所述終端作為硬件實體的一個示例如圖5所示。所述裝置包括處理器 61、存儲介質62以及至少一個外部通信接口 63;所述處理器61、存儲介質62以及外部通信接 口 63均通過總線64連接。當然，作為另一種實施方式，即所述第一圖像需要通過圖像采集方 式獲得時，所述終端中還包括攝像頭，所述攝像頭也通過所述總線64與所述處理器61、存儲 介質62連接。
[0139] 這里需要指出的是：以上涉及終端的描述，與上述方法描述是類似的，同方法的有 益效果描述，不做贅述。對于本發明終端實施例中未披露的技術細節，請參照本發明方法實 施例的描述。
[0140]在本申請所提供的幾個實施例中，應該理解到，所揭露的設備和方法，可以通過其 它的方式實現。以上所描述的設備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，實際實現時可以有另外的劃分方式，如：多個單元或組件可以結合，或 可以集成到另一個系統，或一些特征可以忽略，或不執行。另外，所顯示或討論的各組成部 分相互之間的耦合、或直接耦合、或通信連接可以是通過一些接口，設備或單元的間接耦合 或通信連接，可以是電性的、機械的或其它形式的。
[0141]上述作為分離部件說明的單元可以是、或也可以不是物理上分開的，作為單元顯 示的部件可以是、或也可以不是物理單元，即可以位于一個地方，也可以分布到多個網絡單 元上;可以根據實際的需要選擇其中的部分或全部單元來實現本實施例方案的目的。
[0142] 另外，在本發明各實施例中的各功能單元可以全部集成在一個處理單元中，也可 以是各單元分別單獨作為一個單元，也可以兩個或兩個以上單元集成在一個單元中；上述 集成的單元既可以采用硬件的形式實現，也可以采用硬件加軟件功能單元的形式實現。
[0143] 本領域普通技術人員可以理解:實現上述方法實施例的全部或部分步驟可以通過 程序指令相關的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質中，該程序 在執行時，執行包括上述方法實施例的步驟;而前述的存儲介質包括:移動存儲設備、只讀 存儲器（R0M，Read_0nly Memory)、隨機存取存儲器（RAM，Random Access Memory)、磁碟或 者光盤等各種可以存儲程序代碼的介質。
[0144] 或者，本發明上述集成的單元如果以軟件功能模塊的形式實現并作為獨立的產品 銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明實施 例的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來， 該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以 是個人計算機、服務器、或者網絡設備等)執行本發明各個實施例所述方法的全部或部分。 而前述的存儲介質包括:移動存儲設備、R〇M、RAM、磁碟或者光盤等各種可以存儲程序代碼 的介質。
[0145] 以上所述，僅為本發明的【具體實施方式】，但本發明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵
【主權項】
1. 一種信息處理方法，其特征在于，所述方法包括： 獲得第一圖像和第二圖像，以及獲得第二特征信息;其中，所述第一圖像和所述第二圖 像均包含人臉特征；所述第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別信 息； 分別提取所述第一圖像的第一特征和所述第二圖像的第二特征;按預設驗證方法計算 所述第一特征和所述第二特征的相似度參數； 基于所述第一特征按預設方法計算第一特征信息;所述第一特征信息為所述第一圖像 包含的人臉表征的屬性類別信息； 比較所述第一特征信息與所述第二特征信息； 當所述相似度參數大于預設閾值、且所述第一特征信息與所述第二特征信息一致時， 確定所述第一圖像和所述第二圖像一致。2. 根據權利要求1所述的方法，其特征在于，所述基于所述第一特征按預設方法計算第 一特征信息，包括:基于所述第一特征按預設方法計算至少兩類第一特征信息； 相應的，所述第二特征信息包括至少兩類第二特征信息； 其中，所述至少兩類第一特征信息和所述至少兩類第一特征信息包括以下信息的至少 之二:年齡信息、性別信息、人種信息。3. 根據權利要求2所述的方法，其特征在于，所述第一特征信息與所述第二特征信息一 致，包括： 所述至少兩類第一特征信息中，每類第一特征信息與所述至少兩類第二特征信息中屬 于同類的第二特征信息一致。4. 根據權利要求1所述的方法，其特征在于，所述基于所述第一特征按預設方法計算第 一特征信息之前，所述方法包括： 按照第一預設學習模型將采集到的樣本特征進行特征分類，獲得表征男性的第一特征 分類和表征女性的第二特征分類； 所述基于所述第一特征按預設方法計算第一特征信息，包括： 將所述第一特征按照所述第一預設學習模型進行計算，獲得所述第一特征對應的特征 分類，將所述特征分類對應的性別屬性信息作為所述第一特征信息。5. 根據權利要求1所述的方法，其特征在于，所述基于所述第一特征按預設方法計算第 一特征信息之前，所述方法包括： 按照第二預設學習模型將采集到的樣本特征進行特征分類，獲得表征預設年齡分段的 多個特征分類； 則所述基于所述第一特征按預設方法計算第一特征信息，包括： 將所述第一特征按照所述第二預設學習模型進行計算，獲得所述第一特征對應的特征 分類，將所述特征分類對應的年齡分段作為所述第一特征信息。6. 根據權利要求1所述的方法，其特征在于，所述基于所述第一特征按預設方法計算第 一特征信息之前，所述方法包括： 按照第三預設學習模型將采集到的樣本特征進行回歸訓練，獲得表征年齡屬性的函 數； 則所述基于所述第一特征按預設方法計算第一特征信息，包括： 基于所述第一特征按照所述函數進行計算，獲得年齡值，將所述年齡值作為所述第一 特征信息。7. -種終端，其特征在于，所述終端包括:第一獲取單元、第二獲取單元、數據分析單元 和匹配單元;其中， 所述第一獲取單元，用于獲得第一圖像;所述第一圖像包含人臉特征； 所述第二獲取單元，用于獲得第二圖像，以及獲得第二特征信息;所述第二圖像包含人 臉特征;所述第二特征信息為所述第二圖像相關聯的人臉表征的屬性類別信息； 所述數據分析單元，用于分別提取所述第一獲取單元獲得的第一圖像的第一特征和所 述第二獲取單元獲得的第二圖像的第二特征;按預設驗證方法計算所述第一特征和所述第 二特征的相似度參數;基于所述第一特征按預設方法計算第一特征信息;所述第一特征信 息為所述第一圖像包含的人臉表征的屬性類別信息； 所述匹配單元，用于比較所述數據分析單元獲得的第一特征信息與所述第二獲取單元 獲得的第二特征信息；當所述數據分析單元計算的相似度參數大于預設閾值、且所述第一 特征信息與所述第二特征信息一致時，確定所述第一圖像和所述第二圖像一致。8. 根據權利要求7所述的終端，其特征在于，所述數據分析單元，用于基于所述第一特 征按預設方法計算至少兩類第一特征信息； 相應的，所述第二特征信息包括至少兩類第二特征信息； 其中，所述至少兩類第一特征信息和所述至少兩類第一特征信息包括以下信息的至少 之二:年齡信息、性別信息、人種信息。9. 根據權利要求8所述的終端，其特征在于，所述匹配單元，用于比較所述數據分析單 元獲得的第一特征信息與所述第二獲取單元獲得的第二特征信息；當所述數據分析單元計 算的相似度參數大于預設閾值、且所述至少兩類第一特征信息中，每類第一特征信息與所 述至少兩類第二特征信息中屬于同類的第二特征信息一致時，確定所述第一圖像和所述第 二圖像一致。10. 根據權利要求7所述的終端，其特征在于，所述數據分析單元，還用于基于所述第一 特征按預設方法計算第一特征信息之前，按照第一預設學習模型將采集到的樣本特征進行 特征分類，獲得表征男性的第一特征分類和表征女性的第二特征分類； 相應的，所述數據分析單元，用于將所述第一特征按照所述第一預設學習模型進行計 算，獲得所述第一特征對應的特征分類，將所述特征分類對應的性別屬性信息作為所述第 一特征信息。11. 根據權利要求7所述的終端，其特征在于，所述數據分析單元，還用于基于所述第一 特征按預設方法計算第一特征信息之前，按照第二預設學習模型將采集到的樣本特征進行 特征分類，獲得表征預設年齡分段的多個特征分類； 相應的，所述數據分析單元，用于將所述第一特征按照所述第二預設學習模型進行計 算，獲得所述第一特征對應的特征分類，將所述特征分類對應的年齡分段作為所述第一特 征信息。12. 根據權利要求7所述的終端，其特征在于，所述數據分析單元，還用于基于所述第一 特征按預設方法計算第一特征信息之前，按照第三預設學習模型將采集到的樣本特征進行 回歸訓練，獲得表征年齡屬性的函數； 相應的，所述數據分析單元，用于基于所述第一特征按照所述函數進行計算，獲得年齡 值，將所述年齡值作為所述第一特征信息。
【文檔編號】G06K9/62GK106056083SQ201610380397
【公開日】2016年10月26日
【申請日】2016年5月31日
【發明人】汪鋮杰, 李季檁
【申請人】騰訊科技（深圳）有限公司