人脸图片加密方法、装置、计算机设备及存储介质与流程

1.本技术实施例涉及人工智能技术领域，特别涉及一种人脸图片加密方法、装置、计算机设备及存储介质。


背景技术：

2.如今，随着人工智能的日益发展，人工智能技术在生活中的应用越来越广泛，其中包括在人脸识别技术上的应用。人脸识别可以运用在支付场景中，实现“刷脸”支付。
3.在相关技术中，为了保证刷脸采集到的刷脸数据的安全性，通常需要对刷脸数据进行加密处理，常用的加密方法是将刷脸数据按照一定的加密格式采用非对称算法进行加密，其中，加密格式通常是引入刷脸数据的时间戳或者计数器。
4.然而，采用上述方案加密刷脸数据，会出现刷脸数据的加密格式容易被破解的情况，从而导致刷脸数据的安全性较差。


技术实现要素：

5.本技术实施例提供了一种人脸图片加密方法、装置、计算机设备及存储介质，可以提高人脸图片的安全性。该技术方案如下：
6.一方面，提供了一种人脸图片加密方法，所述方法包括：
7.获取具有时间顺序的n张人脸图片；n为大于等于2的整数；
8.对所述n张人脸图片进行特征提取，获取所述n张人脸图片分别对应的图片特征；
9.将所述n张人脸图片分别对应的图片特征按照所述时间顺序依次输入图像预测模型中的递归网络，获得所述递归网络输出的，所述n张人脸图片各自的预测信息；所述预测信息用于指示对应的人脸图片的预测结果；所述递归网络是通过状态信息对输入的图片特征进行预测的网络，且所述状态信息是基于已输入的人脸图片的图片特征进行更新的信息；
10.基于所述n张人脸图片各自的预测信息，对所述n张人脸图片进行加密。
11.一方面，提供了一种人脸图片加密装置，所述装置包括：
12.图片获取模块，用于获取具有时间顺序的n张人脸图片；n为大于等于2的整数；
13.特征提取模块，用于对所述n张人脸图片进行特征提取，获取所述n张人脸图片分别对应的图片特征；
14.信息输出模块，用于将所述n张人脸图片分别对应的图片特征按照所述时间顺序依次输入图像预测模型中的递归网络，获得所述递归网络输出的，所述n张人脸图片各自的预测信息；所述预测信息用于指示对应的人脸图片的预测结果；所述递归网络是通过状态信息对输入的图片特征进行预测的网络，且所述状态信息是基于已输入的人脸图片的图片特征进行更新的信息；
15.图片加密模块，用于基于所述n张人脸图片各自的预测信息，对所述n张人脸图片进行加密。
16.在一种可能的实现方式中，所述装置还包括：
17.图块获取模块，用于对所述n张人脸图片进行特征提取，获取所述n张人脸图片分别对应的图片特征之前，通过所述图像预测模型中的分块网络，按照目标窗口大小对所述n张人脸图片进行分块处理，获取所述n张人脸图片各自对应的m张人脸图块；m为大于等于1的整数；所述目标窗口大小是所述分块网络的网络参数；
18.所述特征提取模块，包括：
19.特征提取子模块，用于基于所述m张人脸图块分别对应的注意力权重，对所述n张人脸图片各自对应的所述m张人脸图块进行特征提取，获取所述n张人脸图片分别对应的图片特征。
20.在一种可能的实现方式中，所述预测信息包括对应的人脸图片的所述m张人脸图块各自的预测子信息，所述预测子信息用于指示对应的人脸图块的预测结果。
21.在一种可能的实现方式中，所述特征提取子模块，包括：
22.预处理特征单元，用于对目标人脸图片对应的所述m张人脸图块进行预处理，获得所述目标人脸图片对应的所述m张人脸图块各自的预处理特征；所述目标人脸图片是所述n张人脸图片中的任意一张；
23.目标特征获取单元，用于将所述目标人脸图片对应的所述m张人脸图块各自的预处理特征输入所述图像预测模型中的图像特征提取网络，获取所述图像特征提取网络输出的所述目标人脸图片的图片特征；
24.其中，所述图像特征提取网络中包含注意力机制层；所述注意力机制层用于以所述m张人脸图块的注意力权重为参数，对所述m张人脸图块各自的预处理特征进行处理。
25.在一种可能的实现方式中，所述预处理特征单元，用于，
26.获取目标人脸图块的灰度值；所述目标人脸图块是所述目标人脸图片对应的所述m张人脸图块中的任意一个；
27.基于指定数量级的快速傅里叶变换，获取所述目标人脸图块的指定类型特征信息；
28.将所述目标人脸图块的灰度值，与所述目标人脸图块的指定类型特征信息进行组合，获得所述目标人脸图块的预处理特征。
29.在一种可能的实现方式中，所述指定类型特征信息包括：
30.图像频谱图的能量分布特征信息、高低频率分布特征信息、平面度特征信息以及频谱质心特征信息中的至少一种。
31.在一种可能的实现方式中，所述装置还包括：
32.训练数据获取模块，用于获取具有时间顺序的n张人脸图片之前，获取训练数据，所述训练数据包括具有时间顺序的k张人脸图片样本，以及所述k张人脸图片样本各自的标注信息；
33.样本特征提取模块，用于对所述k张人脸图片样本进行特征提取，获取所述k张人脸图片样本分别对应的图片特征；
34.样本预测信息获取模块，用于将所述k张人脸图片样本分别对应的图片特征按照所述时间顺序依次输入所述图像预测模型中的递归网络，获得所述递归网络输出的，所述k张人脸图片样本各自的预测信息；
35.样本预测结果获取模块，用于基于所述k张人脸图片样本各自的预测信息，获取所述k张人脸图片样本各自的预测结果；
36.损失函数值获取模块，用于基于所述k张人脸图片样本各自的预测结果，以及k张人脸图片样本各自的标注信息获取损失函数值；
37.模型更新模块，用于基于所述损失函数值，对所述图像预测模型进行更新。
38.在一种可能的实现方式中，所述模型更新模块，包括：
39.参数更新子模块，用于基于所述损失函数值，对所述分块网络以及所述图像特征提取网络进行参数更新。
40.在一种可能的实现方式中，所述递归网络包括：
41.双向门控循环单元bgru、门控循环单元gru以及长短期记忆网络lstm中的至少一种。
42.在一种可能的实现方式中，所述图片加密模块，包括：
43.图片加密子模块，用于将所述n张人脸图片与各自对应的所述预测信息进行拼接，生成所述n张人脸图片的加密图片数据。
44.在一种可能的实现方式中，所述预测信息用于指示对应的所述人脸图片中是否包含人脸。
45.在一种可能的实现方式中，所述n张人脸图片是在单次人脸识别过程中，按照时间顺序依次采集得到的人脸图片。
46.另一方面，提供了一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的人脸图片加密方法。
47.另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的人脸图片加密方法。
48.根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的人脸图片加密方法。
49.本技术提供的技术方案可以包括以下有益效果：
50.在本技术实施例所示的方案中，将具有时间顺序的各个人脸图片经过特征提取后，通过递归网络输出各个人脸图片对应的预测信息，基于各个人脸图片对应的预测信息对各个人脸图片进行加密。其中，通过已输入的人脸图片的图片特征更新的状态信息可以输出当前输入的人脸图片的图片特征的预测信息。通过上述方案，可以通过考虑人脸图片的图片特征在时间维度上的关联，从而影响输出的人脸图片的预测信息，避免了人脸图像的加密格式容易被破解的情况，进而提高了加密后的人脸图像的安全性。
51.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
52.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
53.图1是根据一示例性实施例示出的一种人脸图片加密系统的示意图；
54.图2是根据一示例性实施例示出的一种人脸采集终端示意图；
55.图3是根据一示例性实施例示出的一种人脸图片加密方法的流程图；
56.图4是根据一示例性实施例示出的一种人脸图片加密方法的流程示意图；
57.图5是图4所示实施例涉及的一种bgru结构示意图；
58.图6是图4所示实施例涉及的一种连续时间人脸图像采集示意图；
59.图7是图4所示实施例涉及的一种图像预测模型结构示意图；
60.图8是根据一示例性实施例示出的一种人脸图片加密系统的结构示意图；
61.图9是根据一示例性实施例示出的一种人脸图片加密装置的框图；
62.图10是根据一示例性实施例示出的一种计算机设备的结构示意图；
63.图11是根据一示例性实施例示出的计算机设备的结构框图。
具体实施方式
64.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
65.应当理解的是，在本文中提及的“若干个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
66.本技术后续各个实施例所示的方案，可以借助于人工智能(artificial intelligence，ai)实现在刷脸支付的过程中，通过获取到用户具有时间顺序的各个人脸图片后，经过特征提取通过递归网络输出各个人脸图片对应的预测信息，基于各个人脸图片对应的预测信息对各个人脸图片进行加密，从而提高了加密后的人脸图像的安全性。为了方便理解，下面对本公开实施例中涉及的名词进行说明。
67.1)人工智能ai
68.ai是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
69.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
70.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、智能视频服务等，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
71.2)计算机视觉技术(computer vision，cv)
72.计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d(3dimensions)技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
73.3)人脸识别(face recognition)
74.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。
75.人脸识别利用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸图像进行一系列的相关应用操作。技术上包括图像采集、特征定位、身份的确认和查找等。
76.4)机器学习(machine learning，ml)
77.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
78.本技术实施例提供的方案涉及人工智能的人脸识别、机器学习等技术，具体通过如下实施例进行说明：
79.本技术实施例的方案包括模型训练阶段和图像处理阶段。图1是根据一示例性实施例示出的一种人脸图片加密系统的示意图。如图1所示，在模型训练阶段，模型训练设备110通过输入的各组样本人脸图片训练出机器学习模型，在图像处理阶段，图像处理设备120根据训练好的机器学习模型以及输入的需要加密的各组人脸图片可以输出该组人脸图片对应的预测结果，将该预测结果以及该组人脸图片进行一定数据格式的数据打包，完成对该组人脸图像的加密。
80.其中，上述模型训练设备110和图像处理设备120可以是具有机器学习能力的计算机设备，比如，该计算机设备可以是个人电脑、服务器以及固定式科研设备等固定式计算机设备，或者，该计算机设备也可以是平板电脑、电子书阅读器等移动式计算机设备。
81.在一种可能的实现方式中，上述模型训练设备110和图像处理设备120是同一个设备，或者，模型训练设备110和图像处理设备120是不同的设备。并且，当模型训练设备110和图像处理设备120是不同的设备时，模型训练设备110和图像处理设备120可以是同一类型的设备，比如模型训练设备110和图像处理设备120可以都是个人电脑；或者，模型训练设备110和图像处理设备120也可以是不同类型的设备，比如模型训练设备110可以是服务器，而
图像处理设备120可以是固定式科研实验设备等。本技术实施例对于模型训练设备110和图像处理设备120的具体类型不做限定。
82.其中，人脸采集终端130可以是具有人脸识别功能的智能手机、平板电脑、笔记本电脑、台式计算机、收银设备等，但并不局限于此。
83.图像处理设备120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
84.在一种可能的实现方式中，该人脸图片加密系统应用于智能支付平台，其中，人脸采集终端130可以是大屏自助收银设备，当用户使用大屏自助收银设备时，在大屏自助收银设备一侧可以采集一段时间内用户的人脸图像，该人脸图像中包含若干数量具有时间顺序的人脸图片，通过传输网络上传给图像处理设备120，图像处理设备120通过机器学习模型对具有时间顺序的各个人脸图片进行特征提取与运算，最后输出各个人脸图片对应的预测结果，将各个人脸图片与对应的预测结果进行指定数据格式的加密，生成加密后的人脸图像。
85.人脸采集终端130以及图像处理设备120通过通信网络相连。可选的，通信网络是有线网络或无线网络。
86.可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(hyper text mark-up language，html)、可扩展标记语言(extensible markup language，xml)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(secure socket layer，ssl)、传输层安全(transport layer security，tls)、虚拟专用网络(virtual private network，vpn)、网际协议安全(internet protocol security，ipsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。本技术在此不做限制。
87.在人脸识别技术应用在智能支付时，通过人脸采集终端实现对人脸图像的采集。图2是根据一示例性实施例示出的一种人脸采集终端示意图。如图2所示，该人脸采集终端20包括摄像头组件21、显示屏22、凭证打印区23以及商品扫描区域24。
88.通过摄像头组件21可以采集用户的人脸图像，并且可以在显示屏22上展示采集的人脸图像、采集结果。
89.在支付过程中，用户可以通过将待支付商品在商品扫描区域24进行商品信息录入，然后启动人脸识别支付的流程。
90.其中，显示屏22可以支持显示界面信息以及由用户进行触控操作。
91.图3是根据一示例性实施例示出的一种人脸图片加密方法的流程图。该人脸图片加密方法可以由计算机设备执行。其中，上述计算机设备可以是服务器。比如，上述计算机设备可以是图1所示的图像处理设备120。如图3所示，该人脸图片加密方法包括的步骤如下：
92.步骤301中，获取具有时间顺序的n张人脸图片；n为大于等于2的整数。
93.在本技术实施例中，计算机设备获取由人脸采集终端上传的指定时间段内的图像视频，基于该段图像视频从中获取按照时间顺序排列的n张人脸图片。其中，n为大于等于2的整数。
94.在一种可能的实现方式中，具有时间顺序的n张人脸图片之间的时间间隔是相同的。
95.其中，计算机设备可以获取该图像视频中的每一帧人脸图片作为n张人脸图片。
96.步骤302中，对n张人脸图片进行特征提取，获取n张人脸图片分别对应的图片特征。
97.在本技术实施例中，计算机设备根据获取到的n张人脸图片通过训练完成的图像预测模型中的图像特征提取网络对n张人脸图片进行特征提取，获取n张人脸图片分别对应的图片特征。
98.在一种可能的实现方式中，图像预测模型是基于tensorflow机器学习库，以交叉熵作为损失函数，通过梯度下降算法训练得到的神经网络模型。
99.其中，对n张人脸图片进行特征提取可以通过图像预测模型中的图像特征提取网络进行，图像特征提取网络可以包括卷积层和池化层。
100.步骤303中，将n张人脸图片分别对应的图片特征按照时间顺序依次输入图像预测模型中的递归网络，获得递归网络输出的，n张人脸图片各自的预测信息；预测信息用于指示对应的人脸图片的预测结果；递归网络是通过状态信息对输入的图片特征进行预测的网络，且状态信息是基于已输入的人脸图片的图片特征进行更新的信息。
101.在本技术实施例中，计算机设备将经过特征提取得到的n张人脸图片分别对应的图片特征按照n张人脸图片具有的时间顺序依次输入到图像预测模型中的递归网络中，通过递归网络的计算输出n张人脸图片各自的预测信息。
102.其中，图像预测模型中在图像特征提取网络之后可以添加递归网络。递归网络可以根据已经输入的人脸图片的图片特征确定当前递归网络的状态信息，根据当前递归网络的状态信息可以对当前输入的图片特征进行预测，并且输出预测结果。
103.步骤304中，基于n张人脸图片各自的预测信息，对n张人脸图片进行加密。
104.在本技术实施例中，计算机设备基于n张人脸图片的图片特征输入到递归网络后输出的各自的预测信息，分别对n张人脸图片进行加密。
105.在一种可能的实现方式中，将n张人脸图片对应的预测结果与n张人脸图片的图片数据按照指定的数据结构进行组合，生成加密后的n张人脸图片。
106.综上所述，在本技术实施例所示的方案中，将具有时间顺序的各个人脸图片经过特征提取后，通过递归网络输出各个人脸图片对应的预测信息，基于各个人脸图片对应的预测信息对各个人脸图片进行加密。其中，通过已输入的人脸图片的图片特征更新的状态信息可以输出当前输入的人脸图片的图片特征的预测信息。通过上述方案，可以通过考虑人脸图片的图片特征在时间维度上的关联，从而影响输出的人脸图片的预测信息，避免了人脸图像的加密格式容易被破解的情况，进而提高了加密后的人脸图像的安全性。
107.图4是根据一示例性实施例示出的一种人脸图片加密方法的流程图。该人脸图片加密方法可以由计算机设备执行。其中，上述计算机设备可以是服务器。比如，上述计算机
设备可以是图1所示的图像处理设备120。如图4所示，该人脸图片加密方法包括的步骤如下：
108.步骤401中，获取训练数据。
109.在本技术实施例中，模型训练设备获取用于模型训练的训练数据。
110.其中，训练数据包括具有时间顺序的k张人脸图片样本，以及k张人脸图片样本各自的标注信息。
111.其中，标注信息可以用于指示人脸图片是否属于目标人脸，或者人脸图片的标签。
112.比如，收集多段人脸图像，多段人脸图像中包含一半的正样本人脸图像以及一半的负样本人脸图像。作为正样本人脸图像的人脸图像中包含的各帧人脸图片属于图像质量较好的人脸图片。作为负样本人脸视频数据的人脸图像中包含的各帧图片为非人脸图片或者质量较差的人脸图片。对收集到的训练数据进行预处理，即进行数据清洗，将各个训练数据中的无效的人脸图片进行筛除。
113.其中，无效的人脸图片可以是包括图片太暗或者太黑导致图片中的人脸数据无法提取的人脸图片。
114.步骤402中，对k张人脸图片样本进行特征提取，获取k张人脸图片样本分别对应的图片特征。
115.在本技术实施例中，用于模型训练的计算机设备对k张人脸图片样本进行分块处理，获取k张人脸图片样本各自对应的l张人脸图块样本，然后基于l张人脸图块样本分别对应的注意力权重，对k张人脸图片各自对应的l张人脸图块样本进行特征提取，获取k张人脸图片分别对应的图片特征。
116.其中，k为大于等于2的整数。l为大于等于1的整数。
117.示例性的，计算机设备将各个人脸图像样本中的各个人脸图片样通过多种窗口大小进行分块，并且由rgb三色人脸图块样本转换为灰色人脸图块样本，然后以不同的快速傅里叶变换数量级进行特征信息提取，获取各个人脸图块样本对应的图像频谱图的能量分布特征信息、高低频率的分布特征信息、平面度(flatness)特征信息以及频谱质心特征信息中的至少一种，将各个人脸图块样本的灰度值以及对应获取的指定类型特征信息进行拼接，输入到图像预测模型的输入层中，然后经过卷积层、池化层以及注意力机制层，对各个人脸图块样本进行特征提取，获取k张人脸图片分别对应的图片特征。
118.步骤403中，将k张人脸图片样本分别对应的图片特征按照时间顺序依次输入图像预测模型中的递归网络，获得递归网络输出的，k张人脸图片样本各自的预测信息。
119.在本技术实施例中，计算机设备将由图像特征提取网络输出的k张人脸图片样本分别对应的图片特征，按照时间顺序依次输入图像预测模型中的递归网络，获得递归网络输出的，k张人脸图片样本各自的预测信息。
120.其中，预测信息用于指示对应的人脸图片样本的预测结果；递归网络是通过状态信息对输入的图片特征进行预测的网络，且状态信息是基于已输入的人脸图片样本的图片特征进行更新的信息。
121.在一种可能的实现方式中，k张人脸图片样本各自对应的l张人脸图块样本按照时间顺序依次输入到递归网络中，输出k张人脸图片样本分别对应的预测信息，其中人脸图片样本对应的预测信息是包含l张人脸图块样本的预测结果的向量。
122.在一种可能的实现方式中，递归网络包含双向门控循环单元bgru、门控循环单元gru以及长短期记忆网络lstm中的至少一种。
123.比如，图5是本技术实施例涉及的一种bgru结构示意图，如图5所示，bgru是一种常用的双向门控循环神经网络，其输入为当前时刻输入的图片特征x[t]与上一时刻的隐藏状态h[t-1]，即输出预测结果y[t]会受到当前时刻t的图片特征和前t-1个时刻的隐藏状态的影响。
[0124]
步骤404中，基于k张人脸图片样本各自的预测信息，获取k张人脸图片样本各自的预测结果。
[0125]
在一种可能实现方式中，计算机设备根据k张人脸图片样本各自的预测信息，确定该组训练样本是否为目标人脸图片。
[0126]
步骤405中，基于k张人脸图片样本各自的预测结果，以及k张人脸图片样本各自的标注信息获取损失函数值。
[0127]
在一种可能的实现方式中，计算机设备统计k张人脸图片样本各自的预测结果，根据各自的预测结果是否预测为目标人脸以及该k张人脸图片样本预先标注信息是否为目标人脸，确定模型的损失函数值。
[0128]
步骤406中，基于损失函数值，对图像预测模型进行更新。
[0129]
在本技术实施例中，计算机设备基于计算得到的损失函数值对图像预测模型中的模型参数进行更新，直到模型训练完成。
[0130]
在一种可能的实现方式中，基于损失函数值，对分块网络以及图像特征提取网络进行参数更新。
[0131]
其中，更新的模型参数包括且不限于注意力权重以及目标窗口大小。
[0132]
在一种可能的实现方式中，对图像预测模型训练完成后，通过测试集对图像预测模型进行模型评估。
[0133]
其中，计算机设备可以通过获取测试集中的各组人脸图片，将各组人脸图片转换为各组灰色图片，然后对各组灰色图片进行分块，提取各组灰色图片的特征信息，将分块后的若干块人脸图块提取特征后经过递归网络进行预测，通过采取投票的方法统计各个人脸图块的预测结果，若该人脸图块预测为目标人脸，则投正样本一票，否则投负样本一票。
[0134]
步骤407中，获取具有时间顺序的n张人脸图片。
[0135]
在一种可能的实现方式中，人脸采集设备采集到指定时间段内的人脸图像，上传到服务器中，服务器根据从人脸图像中获取n张人脸图片，n为大于等于2的整数。
[0136]
其中，指定时间段可以是预先进行设定的时间长度或者也可以是人脸采集终端根据人脸识别情况进行确定的时间长度。
[0137]
示例性的，开发人员可以直接设定人脸采集终端获取人脸图像的时间长度为5s，当人脸采集终端开始采集人脸图像持续5s时，将获取到的5s的人脸图像上传到服务器中，或者，人脸采集终端根据当前采集到的人脸图像质量确定采集时间长度，人脸采集终端获取到的人脸图像质量与采集时间长度可以呈负相关。
[0138]
其中，从人脸图像中获取n张人脸图片可以是以帧为单位进行获取，即n张人脸图片包括获取人脸图像中的每一帧人脸图片。
[0139]
在一种可能的实现方式中，n张人脸图片是在单次人脸识别过程中，按照时间顺序
依次采集得到的人脸图片。
[0140]
比如，图6是本技术实施例涉及的一种连续时间人脸图像采集示意图，如图6所示，当用户面向人脸采集终端时，人脸采集终端展示第一状态画面61，用以提示用户进行调整，当开始进行人脸图像采集时，在人脸采集终端展示第二状态画面62，在该显示区域内存在倒计时指示，当倒计时完成时n张人脸图片采集完成。
[0141]
步骤408中，通过图像预测模型中的分块网络，按照目标窗口大小对n张人脸图片进行分块处理，获取n张人脸图片各自对应的m张人脸图块。
[0142]
在本技术实施例中，计算机设备通过将n张人脸图片输入到图像预测模块中的分块网络中，经过分块网络将n张人脸图片按照目标窗口进行分块处理，获得n张人脸图片各自对应的m张人脸图块。
[0143]
其中，m为大于等于1的整数；目标窗口大小是分块网络的网络参数。
[0144]
在一种可能的实现方式中，目标窗口大小是在图像预测模型训练阶段进行更新完成的模型参数。
[0145]
示例性的，当目标窗口大小为2
×
2时，若人脸图片是4
×
4大小的图片，则经过分块网络后可以将人脸图片分成4个人脸图块。
[0146]
步骤409中，基于m张人脸图块分别对应的注意力权重，对n张人脸图片各自对应的m张人脸图块进行特征提取，获取n张人脸图片分别对应的图片特征。
[0147]
在本技术实施例中，计算机设备基于m张人脸图块分别对应的注意力权重，对n张人脸图片各自对应的m张人脸图块进行特征提取，获取n张人脸图片分别对应的图片特征。
[0148]
在一种可能的实现方式中，计算机设备对目标人脸图片对应的m张人脸图块进行预处理，获得目标人脸图片对应的m张人脸图块各自的预处理特征，然后将目标人脸图片对应的m张人脸图块各自的预处理特征输入图像预测模型中的图像特征提取网络，获取图像特征提取网络输出的目标人脸图片的图片特征。
[0149]
其中，目标人脸图片是n张人脸图片中的任意一张，图像特征提取网络中包含注意力机制层；注意力机制层用于以m张人脸图块的注意力权重为参数，对m张人脸图块各自的预处理特征进行处理。
[0150]
在一种可能的实现方式中，计算机设备获取目标人脸图块的灰度值，然后基于指定数量级的快速傅里叶变换，获取目标人脸图块的指定类型特征信息，将目标人脸图块的灰度值，与目标人脸图块的指定类型特征信息进行组合，获得目标人脸图块的预处理特征。
[0151]
其中，目标人脸图块是目标人脸图片对应的m张人脸图块中的任意一个。
[0152]
示例性的，计算机设备将n张人脸图片各自对应的m张人脸图块输入到图像特征提取网络中，通过图像特征提取网络对各个m张人脸图块进行特征提取，获得各个m张人脸图块对应的图块特征，图像特征提取网络中包含注意力机制层；注意力机制层可以用于对各个人脸图块进行注意力权重的分配。基于各个图块特征，获取各个m张人脸图块对应的n张人脸图片的图片特征。
[0153]
其中，图像特征提取网络中可以包含卷积层以及池化层。
[0154]
示例性的，图像预测模型的第一层为输入层，然后可以使用64个卷积核，卷积核大小为3
×
3，步长(stride)为1，填充(padding)为1的卷积层作为第二层，将窗口(windows)为2
×
2，步长(stride)为2的池化层作为第三层，将使用128个卷积核，卷积核大小为3
×
3，步
长(stride)为1，填充(padding)为1的卷积层作为第四层，将窗口(windows)为2
×
2，步长(stride)为2的池化层作为第五层，将使用256个卷积核，卷积核大小为3
×
3，步长(stride)为1，填充(padding)为1的卷积层作为第六层，将窗口(windows)为2
×
2，步长(stride)为2的池化层作为第七层，第八层添加批标准化层(batchnormalizaiton)，第九层添加最大池化层(maxpooling)。其中，注意力机制层可以位于卷积层或者是池化层之前。
[0155]
在一种可能的实现方式中，指定类型特征信息包括图像频谱图的能量分布特征信息、高低频率分布特征信息、平面度特征信息以及频谱质心特征信息中的至少一种。
[0156]
比如，计算机设备可以提取快速傅里叶变换的数量级(fftsize)为4096的情况下的图像频谱图的能量分布特征，并且对图像频谱图的能量分布特征进行标准化。计算机设备可以提取快速傅里叶变换的数量级(fftsize)为2048的情况下的高低频率的分布特征，并且对高低频率的分布特征进行标准化。计算机设备可以提取快速傅里叶变换的数量级(fftsize)为1024的情况下的平面度(flatness)特征，并且对平面度(flatness)特征进行标准化。计算机设备可以提取快速傅里叶变换的数量级(fftsize)为1024的情况下的频谱质心特征，并且对频谱质心特征进行标准化。
[0157]
步骤410中，将n张人脸图片分别对应的图片特征按照时间顺序依次输入图像预测模型中的递归网络，获得递归网络输出的，n张人脸图片各自的预测信息。
[0158]
在本技术实施例中，计算机设备将由图像特征提取网络输出的n张人脸图片分别对应的图片特征，按照时间顺序依次输入图像预测模型中的递归网络，获得递归网络输出的，n张人脸图片各自的预测信息。
[0159]
在一种可能的实现方式中，各个m张人脸图块按照对应的n张人脸图片具有的时间顺序依次输入递归网络，获得递归网络输出的，各个人脸图块对应的预测结果。基于各个m张人脸图块各自的预测结果，获取n张人脸图片各自的预测信息。
[0160]
其中，预测信息用于指示对应的人脸图片的预测结果；递归网络是通过状态信息对输入的图片特征进行预测的网络，且状态信息是基于已输入的人脸图片的图片特征进行更新的信息。
[0161]
在一种可能的实现方式中，预测信息是指示对应的人脸图片中是否包含人脸的信息。
[0162]
在一种可能的实现方式中，递归网络包括双向门控循环单元bgru、门控循环单元gru以及长短期记忆网络lstm中的至少一种。
[0163]
比如，图像预测模型的第十层可以添加双向门控循环单元bgru，其中隐藏单元为256。当2张人脸图片各自对应2张人脸图块时，按照时间顺序依次输入到递归网络中，先输入第一张人脸图片样本对应的2张人脸图块，若人脸图块的预测结果为包含人脸信息，则该块对应的预测结果为1，否则为0。则当2张人脸图块均预测为具有人脸信息时，该第一张人脸图片对应的预测信息是(1，1)的向量。
[0164]
在一种可能的实现方式中，n张人脸图片中各个m张人脸图块各自的预测结果通过图像预测模型的最后一层采用的sigmoid函数进行输出。
[0165]
其中，预测信息可以是输出的一个m
×
y的logits值，其中m为模型输入图像分成的多少块，y为每一块的预测结果值为0或者1。
[0166]
比如，图7是本技术实施例涉及的图像预测模型的结构示意图。如图7所示，将人脸
图片对应的频谱图71输入到各个卷积层中，进行特征提取，然后通过递归网络72对提取的特征进行时间维度的输出计算，通过全连接层输出该频谱图71对应的预测标签73。
[0167]
在一种可能的实现方式中，预测信息包括对应的人脸图片的m张人脸图块各自的预测子信息，预测子信息用于指示对应的人脸图块的预测结果。
[0168]
步骤411中，将n张人脸图片与各自对应的预测信息进行拼接，生成n张人脸图片的加密图片数据。
[0169]
在本技术实施例中，计算机设备将n张人脸图片与各自对应的预测信息分别进行拼接，生成n张人脸图片的加密图片数据。
[0170]
在一种可能的实现方式中，基于目标数据结构，将n张人脸图片与各自的预测信息进行拼接，生成加密后的n张人脸图片。
[0171]
示例性的，目标数据结构可以是以{预测信息}{payload}的格式进行拼接生成的加密后的人脸图片，其中，payload是人脸图片对应的人脸数据。
[0172]
在另一种可能的实现方式中，基于目标数据结构，将n张人脸图片与各自的预测信息以及人脸数据属性信息进行拼接，生成加密后的n张人脸图片。
[0173]
在一种可能的实现方式中，人脸数据属性信息包括时间戳信息(timestamp)、计数器信息(counter)、魔术字信息(magic_num)、设备型号信息(device_info)、签名算法版本信息(sign_version)、随机数信息(random)中的至少一种。
[0174]
示例性的，目标数据结构可以是{magic_num}{device_info}{sign_version}{timestamp}{counter}{预测信息}{random}{payload}的格式进行拼接生成的加密后的人脸图片。
[0175]
综上所述，在本技术实施例所示的方案中，将具有时间顺序的各个人脸图片经过特征提取后，通过递归网络输出各个人脸图片对应的预测信息，基于各个人脸图片对应的预测信息对各个人脸图片进行加密。其中，通过已输入的人脸图片的图片特征更新的状态信息可以输出当前输入的人脸图片的图片特征的预测信息。通过上述方案，可以通过考虑人脸图片的图片特征在时间维度上的关联，从而影响输出的人脸图片的预测信息，避免了人脸图像的加密格式容易被破解的情况，进而提高了加密后的人脸图像的安全性。
[0176]
图8是根据一示例性实施例示出的一种人脸图片加密系统的结构示意图，如图8所示，通过人脸采集终端81采集到用户具有时间顺序的n张人脸图片，分别是t1时刻对应的人脸图片1，t2时刻对应的人脸图片2一直到tn时刻对应的人脸图片n。将n张人脸图片传输给服务器82，通过分块网络821对n张人脸图片进行分块处理，并且各个人脸图块对应有注意力权重，将具有注意力权重的各个人脸图块输入到图像特征提取网络822，图像特征提取网络822包括卷积层与池化层，提取到的n张人脸图片对应的提取特征按照时间顺序输入到递归网络823中，基于人脸图片1对应的提取特征以及当前bgru单元的隐藏状态输出下一时刻对应的隐藏状态以及人脸图片1对应的预测信息，然后基于人脸图片2对应的提取特征以及人脸图片1处理后的隐藏状态输出下一时刻对应的隐藏状态以及人脸图片2对应的预测信息，直到人脸图片n对应的预测信息输出完成，将n张人脸图片的图片数据与对应的预测信息进行拼接，生成加密后的各个人脸图片。
[0177]
综上所述，在本技术实施例所示的方案中，将具有时间顺序的各个人脸图片经过特征提取后，通过递归网络输出各个人脸图片对应的预测信息，基于各个人脸图片对应的
预测信息对各个人脸图片进行加密。其中，通过已输入的人脸图片的图片特征更新的状态信息可以输出当前输入的人脸图片的图片特征的预测信息。通过上述方案，可以通过考虑人脸图片的图片特征在时间维度上的关联，从而影响输出的人脸图片的预测信息，避免了人脸图像的加密格式容易被破解的情况，进而提高了加密后的人脸图像的安全性。
[0178]
图9是根据一示例性实施例示出的一种人脸图片加密装置的框图，如图9所示，该人脸图片加密装置可以通过硬件或者软硬结合的方式实现为计算机设备中的全部或者部分，以执行图3或图4对应实施例所示的方法的全部或部分步骤。该人脸图片加密装置可以包括：
[0179]
图片获取模块910，用于获取具有时间顺序的n张人脸图片；n为大于等于2的整数；
[0180]
特征提取模块920，用于对所述n张人脸图片进行特征提取，获取所述n张人脸图片分别对应的图片特征；
[0181]
信息输出模块930，用于将所述n张人脸图片分别对应的图片特征按照所述时间顺序依次输入图像预测模型中的递归网络，获得所述递归网络输出的，所述n张人脸图片各自的预测信息；所述预测信息用于指示对应的人脸图片的预测结果；所述递归网络是通过状态信息对输入的图片特征进行预测的网络，且所述状态信息是基于已输入的人脸图片的图片特征进行更新的信息；
[0182]
图片加密模块940，用于基于所述n张人脸图片各自的预测信息，对所述n张人脸图片进行加密。
[0183]
在一种可能的实现方式中，所述装置还包括：
[0184]
图块获取模块，用于对所述n张人脸图片进行特征提取，获取所述n张人脸图片分别对应的图片特征之前，通过所述图像预测模型中的分块网络，按照目标窗口大小对所述n张人脸图片进行分块处理，获取所述n张人脸图片各自对应的m张人脸图块；m为大于等于1的整数；所述目标窗口大小是所述分块网络的网络参数；
[0185]
所述特征提取模块920，包括：
[0186]
特征提取子模块，用于基于所述m张人脸图块分别对应的注意力权重，对所述n张人脸图片各自对应的所述m张人脸图块进行特征提取，获取所述n张人脸图片分别对应的图片特征。
[0187]
在一种可能的实现方式中，所述预测信息包括对应的人脸图片的所述m张人脸图块各自的预测子信息，所述预测子信息用于指示对应的人脸图块的预测结果。
[0188]
在一种可能的实现方式中，所述特征提取子模块，包括：
[0189]
预处理特征单元，用于对目标人脸图片对应的所述m张人脸图块进行预处理，获得所述目标人脸图片对应的所述m张人脸图块各自的预处理特征；所述目标人脸图片是所述n张人脸图片中的任意一张；
[0190]
目标特征获取单元，用于将所述目标人脸图片对应的所述m张人脸图块各自的预处理特征输入所述图像预测模型中的图像特征提取网络，获取所述图像特征提取网络输出的所述目标人脸图片的图片特征；
[0191]
其中，所述图像特征提取网络中包含注意力机制层；所述注意力机制层用于以所述m张人脸图块的注意力权重为参数，对所述m张人脸图块各自的预处理特征进行处理。
[0192]
在一种可能的实现方式中，所述预处理特征单元，用于，
[0193]
获取目标人脸图块的灰度值；所述目标人脸图块是所述目标人脸图片对应的所述m张人脸图块中的任意一个；
[0194]
基于指定数量级的快速傅里叶变换，获取所述目标人脸图块的指定类型特征信息；
[0195]
将所述目标人脸图块的灰度值，与所述目标人脸图块的指定类型特征信息进行组合，获得所述目标人脸图块的预处理特征。
[0196]
在一种可能的实现方式中，所述指定类型特征信息包括：
[0197]
图像频谱图的能量分布特征信息、高低频率分布特征信息、平面度特征信息以及频谱质心特征信息中的至少一种。
[0198]
在一种可能的实现方式中，所述装置还包括：
[0199]
训练数据获取模块，用于获取具有时间顺序的n张人脸图片之前，获取训练数据，所述训练数据包括具有时间顺序的k张人脸图片样本，以及所述k张人脸图片样本各自的标注信息；
[0200]
样本特征提取模块，用于对所述k张人脸图片样本进行特征提取，获取所述k张人脸图片样本分别对应的图片特征；
[0201]
样本预测信息获取模块，用于将所述k张人脸图片样本分别对应的图片特征按照所述时间顺序依次输入所述图像预测模型中的递归网络，获得所述递归网络输出的，所述k张人脸图片样本各自的预测信息；
[0202]
样本预测结果获取模块，用于基于所述k张人脸图片样本各自的预测信息，获取所述k张人脸图片样本各自的预测结果；
[0203]
损失函数值获取模块，用于基于所述k张人脸图片样本各自的预测结果，以及k张人脸图片样本各自的标注信息获取损失函数值；
[0204]
模型更新模块，用于基于所述损失函数值，对所述图像预测模型进行更新。
[0205]
在一种可能的实现方式中，所述模型更新模块，包括：
[0206]
参数更新子模块，用于基于所述损失函数值，对所述分块网络以及所述图像特征提取网络进行参数更新。
[0207]
在一种可能的实现方式中，所述递归网络包括：
[0208]
双向门控循环单元bgru、门控循环单元gru以及长短期记忆网络lstm中的至少一种。
[0209]
在一种可能的实现方式中，所述图片加密模块940，包括：
[0210]
图片加密子模块，用于将所述n张人脸图片与各自对应的所述预测信息进行拼接，生成所述n张人脸图片的加密图片数据。
[0211]
在一种可能的实现方式中，所述预测信息用于指示对应的所述人脸图片中是否包含人脸。
[0212]
在一种可能的实现方式中，所述n张人脸图片是在单次人脸识别过程中，按照时间顺序依次采集得到的人脸图片。
[0213]
综上所述，在本技术实施例所示的方案中，将具有时间顺序的各个人脸图片经过特征提取后，通过递归网络输出各个人脸图片对应的预测信息，基于各个人脸图片对应的预测信息对各个人脸图片进行加密。其中，通过已输入的人脸图片的图片特征更新的状态
信息可以输出当前输入的人脸图片的图片特征的预测信息。通过上述方案，可以通过考虑人脸图片的图片特征在时间维度上的关联，从而影响输出的人脸图片的预测信息，避免了人脸图像的加密格式容易被破解的情况，进而提高了加密后的人脸图像的安全性。
[0214]
图10是根据一示例性实施例示出的一种计算机设备的结构示意图。所述计算机设备1000包括中央处理单元(central processing unit，cpu)1001、包括随机存取存储器(random access memory，ram)1002和只读存储器(read-only memory，rom)1003的系统存储器1004，以及连接系统存储器1004和中央处理单元1001的系统总线1005。所述计算机设备1000还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(input/output，i/o系统)1006，和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
[0215]
所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
[0216]
所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机设备可读介质为计算机设备1000提供非易失性存储。也就是说，所述大容量存储设备1007可以包括诸如硬盘或者只读光盘(compact disc read-only memory，cd-rom)驱动器之类的计算机设备可读介质(未示出)。
[0217]
不失一般性，所述计算机设备可读介质可以包括计算机设备存储介质和通信介质。计算机设备存储介质包括以用于存储诸如计算机设备可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机设备存储介质包括ram、rom、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、带电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)，cd-rom、数字视频光盘(digital video disc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机设备存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
[0218]
根据本公开的各种实施例，所述计算机设备1000还可以通过诸如因特网等网络连接到网络上的远程计算机设备运行。也即计算机设备1000可以通过连接在所述系统总线1005上的网络接口单元1011连接到网络1012，或者说，也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机设备系统(未示出)。
[0219]
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器1001通过执行该一个或一个以上程序来实现图3或图4所示的方法的全部或者部分步骤。
[0220]
图11是根据一示例性实施例示出的计算机设备1100的结构框图。该计算机设备1100可以是图1所示的人脸识别系统中的终端。
[0221]
通常，计算机设备1100包括有：处理器1101和存储器1102。
[0222]
处理器1101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1101可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1101可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1101还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0223]
存储器1102可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1101所执行以实现本技术中方法实施例提供的方法。
[0224]
在一些实施例中，计算机设备1100还可选包括有：外围设备接口1103和至少一个外围设备。处理器1101、存储器1102和外围设备接口1103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1103相连。具体地，外围设备包括：射频电路1104、显示屏1105、摄像头组件1106、音频电路1107、定位组件1108和电源1109中的至少一种。
[0225]
外围设备接口1103可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器1101和存储器1102。在一些实施例中，处理器1101、存储器1102和外围设备接口1103被集成在同一芯片或电路板上；在一些其他实施例中，处理器1101、存储器1102和外围设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0226]
射频电路1104用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1104包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路1104还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0227]
显示屏1105用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时，显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时，显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘，也称软按
钮和/或软键盘。在一些实施例中，显示屏1105可以为一个，设置计算机设备1100的前面板；在另一些实施例中，显示屏1105可以为至少两个，分别设置在计算机设备1100的不同表面或呈折叠设计；在再一些实施例中，显示屏1105可以是柔性显示屏，设置在计算机设备1100的弯曲表面上或折叠面上。甚至，显示屏1105还可以设置成非矩形的不规则图形，也即异形屏。显示屏1105可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light-emitting diode，有机发光二极管)等材质制备。
[0228]
摄像头组件1106用于采集图像或视频。可选地，摄像头组件1106包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0229]
音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1101进行处理，或者输入至射频电路1104以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1107还可以包括耳机插孔。
[0230]
定位组件1108用于定位计算机设备1100的当前地理位置，以实现导航或lbs(location based service，基于位置的服务)。定位组件1108可以是基于美国的gps(global positioning system，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
[0231]
电源1109用于为计算机设备1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
[0232]
在一些实施例中，计算机设备1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于：加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。
[0233]
加速度传感器1111可以检测以计算机设备1100建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号，控制触摸显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。
[0234]
陀螺仪传感器1112可以检测计算机设备1100的机体方向及转动角度，陀螺仪传感
器1112可以与加速度传感器1111协同采集用户对计算机设备1100的3d动作。处理器1101根据陀螺仪传感器1112采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0235]
压力传感器1113可以设置在计算机设备1100的侧边框和/或触摸显示屏1105的下层。当压力传感器1113设置在计算机设备1100的侧边框时，可以检测用户对计算机设备1100的握持信号，由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在触摸显示屏1105的下层时，由处理器1101根据用户对触摸显示屏1105的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0236]
指纹传感器1114用于采集用户的指纹，由处理器1101根据指纹传感器1114采集到的指纹识别用户的身份，或者，由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1101授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置计算机设备1100的正面、背面或侧面。当计算机设备1100上设置有物理按键或厂商logo时，指纹传感器1114可以与物理按键或厂商logo集成在一起。
[0237]
光学传感器1115用于采集环境光强度。在一个实施例中，处理器1101可以根据光学传感器1115采集的环境光强度，控制触摸显示屏1105的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏1105的显示亮度；当环境光强度较低时，调低触摸显示屏1105的显示亮度。在另一个实施例中，处理器1101还可以根据光学传感器1115采集的环境光强度，动态调整摄像头组件1106的拍摄参数。
[0238]
接近传感器1116，也称距离传感器，通常设置在计算机设备1100的前面板。接近传感器1116用于采集用户与计算机设备1100的正面之间的距离。在一个实施例中，当接近传感器1116检测到用户与计算机设备1100的正面之间的距离逐渐变小时，由处理器1101控制触摸显示屏1105从亮屏状态切换为息屏状态；当接近传感器1116检测到用户与计算机设备1100的正面之间的距离逐渐变大时，由处理器1101控制触摸显示屏1105从息屏状态切换为亮屏状态。
[0239]
本领域技术人员可以理解，图11中示出的结构并不构成对计算机设备1100的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0240]
在一示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括至少一条指令、至少一段程序、代码集或指令集的存储器，上述至少一条指令、至少一段程序、代码集或指令集可由处理器执行以完成上述图3或图4任一实施例所示的方法的全部或者部分步骤。例如，非临时性计算机可读存储介质可以是rom、ram、cd-rom、磁带、软盘和光数据存储设备等。
[0241]
本领域技术人员应该可以意识到，在上述一个或多个示例中，本公开实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机设备可读介质中或者作为计算机设备可读介质上的一个或多个指令或代码进行传输。计算机设备可读介质包括计算机设备存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机设备程序的任何介质。存储介质可以是通用或专用计算机设备能够存取的任何可用介质。
[0242]
根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的人脸图片加密方法。
[0243]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0244]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。