一种人脸注册留底方法、装置以及设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种人脸注册留底方法、装置以及设备。


背景技术：

2.随着计算机和互联网技术的发展，很多业务采用人脸识别的方式对用户进行身份验证，比如，刷脸支付、刷脸门禁等。
3.而在人脸识别之前，用户需要预先进行人脸注册留底，以得到用户注册留底的人脸数据，进而通过将待识别用户的人脸数据与该用户注册留底的人脸数据进行对比，实现对该用户进行人脸识别。
4.由于用户人脸数据是动态变化的，因此在人脸识别过程中，为了有效避免由于注册留底的人脸数据的老旧所产生的影响，导致人脸识别的准确率降低的情况，通常根据时间新旧对用户注册留底的人脸数据进行更新。但是，仅仅依据时间新旧的因素，较为死板，从而无法使得人脸识别的准确率达到最优。
5.基于此，需要一种更可靠的人脸注册留底方案。


技术实现要素：

6.本说明书一个或多个实施例提供一种人脸注册留底方法、装置、设备以及存储介质，用以解决如下技术问题：需要一种更可靠的人脸注册留底方案。
7.为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
8.本说明书一个或多个实施例提供的一种人脸注册留底方法，包括：
9.获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云；
10.根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测；
11.根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义；
12.若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳；
13.根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
14.本说明书一个或多个实施例提供的一种人脸注册留底装置，包括：
15.获取模块，获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云；
16.拟合参数预测模块，根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测；
17.参数化模块，根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义；
18.确定模块，若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳；
19.生成模块，根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
20.本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
21.获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云；
22.根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测；
23.根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义；
24.若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳；
25.根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
26.本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：
27.通过将3d参数化人脸数据作为用户注册留底的人脸数据，能够实现只需要留存用户的一份3d参数化人脸数据，存储开销降低很多，在对注册留底的3d参数化人脸数据进行更新时，通过生成第三参数化数据，充分保留了用户新旧3d参数化人脸数据所携带的身份信息，更有助于人脸识别与比对，能够使得3d人脸识别系统的性能达到最优。
附图说明
28.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
29.图1为本说明书一个或多个实施例提供的一种人脸注册留底方法的流程示意图；
30.图2为本说明书一个或多个实施例提供的，一种应用场景下2d人脸图的示意图；
31.图3为本说明书一个或多个实施例提供的，一种应用场景下3d人脸图的示意图；
32.图4为本说明书一个或多个实施例提供的，一种应用场景下3d人脸点云的示意图；
33.图5为本说明书一个或多个实施例提供的，一种应用场景下2d人脸注册留底的示意图；
34.图6为本说明书一个或多个实施例提供的，一种应用场景下3d人脸注册留底的示意图；
35.图7为本说明书一个或多个实施例提供的，一种应用场景下的3d参数化人脸数据的实现过程示意图；
36.图8为本说明书一个或多个实施例提供的，一种应用场景下的3d参数化人脸数据的示意图；
37.图9为本说明书一个或多个实施例提供的，一种应用场景下3d参数化人脸注册留底示意图；
38.图10为本说明书一个或多个实施例提供的，一种应用场景下的人脸注册留底方法的流程示意图；
39.图11为本说明书一个或多个实施例提供的，一种应用场景下的人脸识别方法的流程示意图；
40.图12为本说明书一个或多个实施例提供的一种人脸注册留底装置的结构示意图；
41.图13为本说明书一个或多个实施例提供的一种人脸注册留底设备的结构示意图。
具体实施方式
42.本说明书实施例提供一种人脸注册留底方法、装置、设备以及存储介质。
43.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
44.图1为本说明书一个或多个实施例提供的一种人脸注册留底方法的流程示意图。该方法可以应用于不同的业务领域，比如，线下自动支付领域、互联网金融业务领域、电商业务领域、即时通讯业务领域、游戏业务领域、公务业务领域等。该流程可以由相应领域的计算设备(比如，线下支付时刷脸支付机具等)执行，流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。
45.为了能够对图1所示的方案进行解释说明，在此先对传统方案中人脸识别进行介绍。
46.图2、图3和图4分别为本说明书一个或多个实施例提供的，一种应用场景下2d人脸图、3d人脸图和3d人脸点云的示意图，由图可知，相对2d人脸图，3d人脸图与3d人脸点云肉眼可辨认性更低，3d人脸识别相对2d人脸识别在隐私保护性上有着明显的优势。需要说明的是，2d人脸图实际为rgb图片，并不是图2所呈现的人脸线条图片。
47.针对于3d人脸识别系统，一般通过3d人脸图以及3d人脸点云对用户进行人脸识别，因此，在3d人脸识别系统中，通常存储用户的3d人脸数据，相比于存储用户2d人脸图的2d人脸识别系统，3d人脸识别系统的隐私保护性相对较高。
48.进一步地，在此先对传统方案中人脸注册留底进行介绍。
49.图5、图6分别为本说明书一个或多个实施例提供的，一种应用场景下2d人脸注册留底示意图、3d人脸注册留底示意图，由图可知，图5中包括用户不同时间段采集的2d人脸，
第二张(最右边的2d人脸图)相比与第一张(最左边的2d人脸图)，戴上了眼镜，第三张(最下面的2d人脸)相比于第一张，则处于光线相对黑暗的环境中拍摄得到，从而基于存储多张该用户的2d人脸图，能够增加人脸识别的准确性。而3d人脸识别系统与2d人脸识别系统采用的方案类似，主要存储多份用户3d人脸图(或3d人脸点云)，此类传统方案存在的缺陷在于，用户进行人脸注册留底时，通常需要预先采集用户的3d人脸图(3d人脸图通常可能为多张)，将该3d人脸图作为用户注册留底的人脸数据，或者基于该3d人脸图生成3d人脸点云，将该3d人脸点云作为用户注册留底的人脸数据。此时，若3d人脸图为多张的情况下，则会产生多份用户注册留底的人脸数据，从而导致占用的存储开销比较大，降低服务器的分析性能。
50.并且，由于用户人脸数据处于动态变化过程中，比如，如果用户注册留底的人脸数据的留底时间较早，而由于一些客观原因，导致用户的脸型产生了较大的变化。因此在人脸识别过程中，为了有效避免由于注册留底的人脸数据的老旧所产生的影响，导致人脸识别的准确率降低的情况，通常根据时间新旧对用户注册留底的人脸数据进行更新。但是，仅仅依据时间新旧的因素，较为死板，从而无法使得人脸识别的准确率达到最优。
51.基于此，图1中的流程可以包括以下步骤：
52.s102：获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云。
53.用户在执行业务(比如，刷脸支付、刷脸门禁)的过程中，触发了人脸识别过程，需要采集用户的人脸图。用户可以在智能手机、个人pc等通用设备，或在专用的刷脸设备(比如，刷脸售货机、自助刷脸点餐机、刷脸门禁设备)上触发人脸识别。
54.由于3d人脸图是基于深度信息采集的，故而需要将3d人脸图转换为3d人脸点云，以便于后续对该3d人脸图进行处理。
55.而在3d人脸图的采集过程中，由于用户站位的原因，使得采集到的3d人脸图可能包含有用户的其他部位，比如，在3d人脸图中，还包括用户的上半身。此时，转换得到的3d点云中，也包含有用户上半身对应的点云。基于此，通过预先训练的3d目标检测模型在3d点云中进行目标检测，提取出用户对应的3d人脸点云。3d目标检测模型可以是基于深度学习训练得到的，比如，卷积神经网络。
56.s104：根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测。
57.传统方案中，可以通过其他方式进行3d人脸重建。比如，预先采集一定数量的3d人脸，求得人脸平均形状和平均纹理部分，进而求得按照特征值降序排列的协方差阵的特征向量，来代表人脸形状和纹理信息，从而能够预先生成3d模型。在获取了用户的2d人脸图后，根据其求得渲染参数，将该渲染参数与预先生成的3d模型一起优化，使得最终产生的3d图尽可能接近用户的2d人脸图，实现从2d人脸图中大致恢复3d人脸信息的目的。然而该方案非常依赖于2d人脸图本身的质量，当2d人脸图的质量较差时，恢复的2d人脸信息自然也较差。
58.图7为本说明书一个或多个实施例提供的，一种应用场景下的3d参数化人脸数据的实现过程示意图，在本方案中不再通过2d人脸图进行参数预测，而是将3d人脸点云作为输入，通过预先训练的拟合参数预测模型，预测出3d人脸重建时所需的拟合参数。相比于2d
人脸图，在3d人脸点云中所包含的数据更加全面的同时也更加准确，从而能够增加预测到的拟合参数的准确性。其中，拟合参数预测可以利用深度学习训练神经网络模型得到。
59.s106：根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义。
60.图7为本说明书一个或多个实施例提供的，一种应用场景下的3d参数化人脸数据的实现过程示意图，预先构建了3d参考人脸网格，该3d参考人脸网格区别于传统方案中的3d模型，其中包含有多个顶点，多个顶点之间具有连接关系，且各顶点分别设置有人脸语义，此时，可以认为该3d参考人脸网络已经对其内包含的各顶点进行了参数化，故而在得到拟合参数后，能够基于该拟合参数进行拟合处理，从而得到3d参数化人脸数据。比如，拟合参数可以为图7中所示的α1,α2...αn，得到拟合参数后，通过进行拟合处理。其中，s
new
表示参数化3d人脸数据，表示用户原始的3d人脸点云，si为人脸形状在不同维度的表示，αi为si对应的系数。
61.参数化在本方案中可以理解为，在3d参考人脸网格中针对各顶点设置有相应的参数化规则(比如，顶点的数量、顶点之间的连接关系、顶点的人脸语义、关键点的位置坐标、边缘点与其他点之间的距离等)，将拟合参数作为输入参数，对3d参考人脸网格的拟合，并没有改变已设置的参数化规则，故而输出得到的3d参数化人脸数据仍符合该参数化规则，这是传统方案所难以实现的。
62.具体地，以参数化的规则中的部分规则来举例进行解释说明。在3d参考人脸网格中，设置有预设数量的顶点(比如，包含有15000个顶点)，并且为每个顶点赋予明确的人脸语义(比如，第5000号顶点代表人脸中的鼻尖点)，且各顶点之间具有固定的第一连接拓扑关系，顶点之间的连接关系保持不变。
63.在得到拟合参数后，根据其中的基向量权重，在保持连接第一拓扑关系的基础上，对至少部分顶点在3d参考人脸网格中的位置坐标进行调整。如此，得到的3d参数化人脸数据中，顶点的总数量、各顶点之间的第一连接拓扑关系、各顶点代表的人脸语义没有发生变化，通过拟合参数和3d参考人脸网格实现了对3d人脸图的参数化。图8为本说明书一个或多个实施例提供的，一种应用场景下的3d参数化人脸数据的示意图，由图中可以清晰的观察到，其在3d人脸的细节清晰度上要优于原始3d的人脸点云，进而增加人脸识别的准确度。
64.s108：若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳。
65.用户预先通过相应的终端进行注册留底，在注册留底时，通过用户在终端输入用户身份标识，并通过3d摄像头拍摄自身的人脸照片，将身份标识以及人脸照片上传至计算设备。
66.通常来说，根据人脸照片，获取到用户人脸的3d人脸图，通过上文中的方式，对其进行参数化处理，得到第一参数化数据，直接将第一参数化数据与身份标识进行绑定，并将第一参数化数据进行注册留底。
67.但是，由于一些特殊原因，(比如，用户忘记是否已经注册过相关账号)存在用户多次注册的情况，而通常仅允许用户注册一次。
68.因此，在得到第一参数化数据与身份标识后，将根据身份标识，在3d人脸数据库中查找是否具有已注册留底的该用户的3d参数化人脸数据，判断之前是否已有该用户的3d参数化人脸数据注册留底。
69.若没有，则说明该用户为新注册用户，则根据用户的身份标识与第一参数化数据，将第一参数化数据进行注册留底。比如，将此用户的身份标识(比如，用户id)与步骤106中生成的3d参数化数据作为一条记录存入3d人脸数据库中。
70.如果具有已注册留底的该用户的3d参数化人脸数据，说明该用户为老注册用户，则还会向用户返回通知信息，以告知用户之前已经完成注册。其中，第二参数化数据的时间戳可以根据生成第二参数化时所对应的时间得到，也可以根据第二参数化数据存入3d人脸数据库所对应的时间得到。
71.基于此，图9为本说明书一个或多个实施例提供的，一种应用场景下3d参数化人脸注册留底示意图，由图6、图9可知，相比于传统方案中，将3d人脸图或者3d人脸点云作为用户注册留底的人脸数据，通过将3d参数化人脸数据作为用户注册留底的人脸数据，能够实现只需要留存用户的一份3d参数化人脸数据，存储开销降低很多。
72.接下来，在用户触发人脸识别过程时，服务器根据第一参数化数据，对用户进行人脸识别，若识别成功，则执行步骤s110。若识别失败，则不会继续执行步骤s110。
73.s110：根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
74.传统的方案中，在对注册留底的用户人脸数据进行更新时，通常在预设周期内，将新3d人脸图替换3d人脸库中的旧3d人脸图，仅仅依据时间新旧的因素，较为死板。
75.基于此，通过上文中的描述，将3d参数化人脸数据作为用户注册留底的人脸数据，而不是将3d人脸图或者3d人脸点云作为用户注册留底的人脸数据，在此基础上，提出一种针对注册留底的3d参数化人脸数据所对应的更新方案，即，并不是将第一参数化数据替换第二参数化数据，而是直接生成第三参数化数据，并将第三参数化数据作为用户注册留底的人脸数据，然后，根据用户的身份标识，从3d人脸数据库中将第二参数化数据进行删除。
76.综上所述，充分保留了用户新旧3d参数化人脸数据所携带的身份信息，更有助于人脸识别与比对，能够使得3d人脸识别系统的性能达到最优。
77.基于图1的方法，本说明书还提供了该方法的一些具体实施方案和扩展方案，下面继续进行说明。
78.在本说明书一个或多个实施例中，上文已经描述过，确定出用户的3d人脸点云，并基于该3d人脸点云进行拟合参数的预测。在此为了增加拟合参数的预测准确度，以及后续对3d参考人脸网格进行拟合处理时的平滑度，可以在获取到用户的3d人脸点云之后，通过预先训练的人脸关键点检测模型(比如，其可以与3d目标检测模型类似，通过卷积神经网络训练生成)，对3d人脸点云进行关键点检测，以在其中提取出用户人脸的关键点信息。比如，关键点信息可以包括鼻尖、嘴角、瞳孔等。
79.提取得到关键点信息后，通过该关键点信息与3d人脸点云，对拟合参数进行预测，以此提高拟合参数的预测准确度。而如图7所示的，对3d参考人脸网格进行拟合处理时，可以先将关键点信息进行拟合，在其他顶点的拟合过程中，以关键点信息为基础，做适应性的平滑处理，从而增加3d参数化人脸数据的平滑度。
80.基于此，将得到第一参数化数据、第二参数化数据中对应的关键点信息。且由上文描述可知，在用户触发人脸识别过程时，服务器根据第一参数化数据，对用户进行人脸识别，若识别成功，才通过第一参数化数据对第二参数化数据进行更新。
81.需要说明的是，3d人脸数据库中包含有各用户分别对应的注册留底的人脸数据，在用户人脸识别的过程中，服务器得到第一参数化数据之后，将3d参数化人脸数据与各注册留底的人脸数据进行对比，选择相似度最高的注册留底的人脸数据，根据该注册留底的人脸数据对应的用户信息，对用户进行识别，从而验证用户的身份信息。而针对该用户来讲，相似度最高的注册留底的人脸数据可以认为是第二参数化数据，因此，下面以如何确定第一参数化数据与第二参数化数据的相似度为例，进行详细描述。
82.具体地，首先根据各关键点的位置坐标生成各自对应的第二连接拓扑关系，在第二连接拓扑关系中只包含有关键点根据各关键点的位置坐标生成第二连接拓扑关系，在第二连接拓扑关系中只包含有关键点信息，不再包含其他顶点的信息。关键点信息为人脸中核心部位的顶点，其能够反映出人脸的基本信息，通过第二连接拓扑关系来确定第一参数化数据与第二参数化数据之间的相似度(比如，通过两者之间的欧式距离、两者进行贴合比较时的计算速度、计算资源耗费等确定相似度)时，在消耗较少计算资源的前提下，就能够实现较为准确的识别效果，从而在相似度超过预设阈值时，以确定用户的3d人脸识别为识别成功。
83.在本说明书一个或多个实施例中，由于用户的新3d参数化人脸数据更加符合用户目前实际的人脸特征，因此，用户的新3d参数化人脸数据相对于旧3d参数化人脸数据的参考价值更大，也就是说，第一参数化数据相对于第二参数化数据的参考价值更大，因此，需要结合第一参数化数据的权重与第二参数化数据的权重，生成第三参数化数据。
84.具体地，首先根据第二参数化数据的时间戳，确定第一参数化数据的权重与第二参数化数据的权重。然后，根据第一参数化数据的权重与第二参数化数据的权重，对第一参数化数据与第二参数化数据进行加权融合，生成第三参数化数据。
85.进一步地，在确定第一参数化数据的权重与第二参数化数据的权重时，第二参数化数据的时间戳距离第一参数化数据的时间戳越远时，也相当于第二参数化数据的时间戳距离当前时间越远，则第二参数化数据的参考价值更小，因此，需要衡量第一参数化数据的时间戳与第二参数化数据的时间戳，来确定第一参数化数据的权重与第二参数化数据的权重。
86.具体地，首先确定第一参数化数据的时间戳，然后，确定第一参数化数据的时间戳与第二参数化数据的时间戳之间的时间差。其中，如果时间差越大，则说明第二参数化数据的时间戳距离当前时间越远。
87.为了有效保证第三参数化数据更符合用户人脸数据，使得第二参数化数据的时间戳距离当前时间越远，第二参数化数据的权重越低。因此，按照为时间差与第二参数化数据的权重之间设定的负相关关系，确定第二参数化数据的权重与第一参数化数据的权重。其中，负相关关系是指时间差越大，第二参数化权重的越低。
88.更进一步地，如果第二参数化数据的时间戳距离当前时间非常远，那么时间差将非常大，则带来较大的计算压力，因此，在按照为时间差与第二参数化数据的权重之间设定的负相关关系，确定第二参数化数据的权重与第一参数化数据的权重时，可以将时间差缩
放到一定范围内，从而减少计算量。
89.基于此，根据时间差进行时间尺度收缩处理，得到与时间差呈设定的正相关关系的分母项。其中，正相关关系是指时间差越大，分母项越大。
90.然后，根据分母项，确定与时间差呈设定的负相关关系的第二参数化数据的权重。比如，分子项不变，若分母项越大，比值越小，即，时间差越大，第二参数化数据的权重越低。
91.最后，根据第二参数化数据的权重，确定第一参数化数据的权重。也就是说，由于第二参数化数据的时间戳距离当前时间越远，第二参数化数据的权重越低，因此，预先根据时间差确定第二参数化数据的权重，然后结合第二参数化数据的权重，得到第一参数化数据的权重。
92.更直观地，下面通过一个示例性的方案，对上述生成第三参数化数据的方法进行描述。
93.例如，假设第二参数化数据为s1，s1由n个(x,y,z)三维顶点组成，其中，s1＝{v1,v2,...vn}，vi＝{xi,yi,...zi}，xi为第二参数化数据第i个x轴坐标，yi为第二参数化数据第i个y轴坐标，zi为第二参数化数据第i个z轴坐标。
94.假设第一参数化数据为s2，s2由n个(x,y,z)三维顶点组成，其中，s2＝{u1,u2,...un}，ui＝{xi,yi,...zi}，xi为第一参数化数据第i个x轴坐标，yi为第一参数化数据第i个y轴坐标，zi为第二参数化数据第i个z轴坐标。
95.在对第一参数化数据与第二参数化数据进行加权融合时，表达式如下：
96.s
new
＝{w1,w2,...wn}，wi＝λ
×
vi (1-λ)
×
ui其中，s
new
为第三参数化数据，wi为第三参数化数据的第i个三维顶点坐标，λ为第二参数化数据的权重，(1-λ)为第一参数化数据的权重。
97.其中，t1为第二参数化数据的时间戳，t2为第一参数化数据的时间戳，需要说明的是，在上述公式中，均认为t1与t2为秒级时间戳。
98.此外，表示将时间差缩放到以小时为标准，用于表示将时间差尺度缩放到一定范围内，以方便计算，降低数据的离散程度。需要说明的是，由于可能为1，此时，则为0，由于分母项不得为0，为了避免出现这个情况，通过使得分母项为1，此时，λ为0.5。
99.可以理解的是，如果取值到1，那么说明t1与t2相差相对较短(1小时)，即，第二参数化数据的时间戳距离第一参数化数据的时间戳较近，此时，第二参数化数据的权重占一半，即，第二参数化数据的权重与第一参数化数据的权重各占一半。显然，若t1与t2相差越长，则表示第二参数化数据(老数据)可能更不可靠，因此，计算出的第二参数化数据的
权重λ也越小。
100.更直观地，图10为本说明书一个或多个实施例提供的，一种应用场景下的人脸注册留底方法的流程示意图。
101.如图10所示，用户1、用户2及用户3为老注册用户，用户4为新注册用户，因此，对用户4执行新用户注册流程，对用户1、用户2及用户3执行人脸注册留底更新流程。
102.具体地，针对用户4，将用户4的用户id(即，用户身份标识)以及3d参数化人脸数据，生成一条记录，并将该记录存入3d人脸数据库中，即，3d人脸数据库为图中所示出的留底数据库。
103.针对用户1、用户2及用户3，以用户1为例，从3d人脸数据库中，取出用户1的第一参数化数据，根据第一参数化数据的权重与第二参数化数据的权重，对第一参数化数据与第二参数化数据进行加权融合，生成第三参数化数据，将第三参数化数据作为用户注册留底的人脸数据，替换3d人脸数据库中的第一参数化数据，即，存回3d人脸数据库中。
104.在本说明书一个或多个实施例中，由上文描述可知，用户人脸数据处于动态变化的过程中，如果第二参数化数据的留底时间较早，从而导致第二参数化数据与第一参数化数据之间产生较大差异，但是，由于通常在预设周期内，对第二参数化数据进行更新。而对于第二参数化数据的留底时间较早的情况，可能是由于用户在一个或多个预设周期内，并没有进行人脸识别，从而导致无法得到第一参数化数据。那么，同时存在在预设周期内频繁进行人脸识别的用户。
105.基于此，将第一参数化数据(当然也包含有第二参数化数据)预先划分成多个人脸区域，每个区域内设置有固定的顶点，比如，0-999为眉头区域、1000-1999为左眉毛区域
……
14000-15000为边缘区域等，一般来讲，在自然生理因素(不包括手术、受伤等人为因素)的影响下，人脸区域的变化比较缓慢。
106.但是，考虑到用户的某些人脸区域由于特定人为因素的影响，导致该人脸区域具有周期变化时间，将具有周期变化时间的人脸区域，作为指定人脸区域。比如，用户的理发时间具有周期性(比如，一月理一次)，而用户的发型一般短时间内不会发生变化，因此用户人脸区域中的头发遮盖区域(比如，在眉头区域中，头发遮盖眉头所占有的区域)，也是具有周期变化时间的，以及用户在工作日通常化妆，在周末不化妆，那么用户人脸区域中的外物遮盖区域，(比如，左眉毛区域中，化妆前后左眉毛的粗细与长短)也是具有周期化变化时间的。此时，可以针对上文描述的第二参数化权重进行适应性地上调，使得第三参数化数据更加符合目前用户的人脸数据。
107.具体地，确定第二参数化数据中，一个或者多个指定人脸区域，以及指定人脸区域对应的周期变化时间。其中，周期变化时间可以根据经验进行设置，也可以采集用户特定的行为数据，并根据用户特定的行为数据，预测周期化变化时间。
108.然后，将时间差与周期变化时间进行匹配，以判定第一参数化数据与第二参数化数据对应的周期内位置是否符合设定的一致性条件。
109.需要说明的是，在将时间差与周期变化时间进行匹配时，是为了将第一参数化数据与第二参数化数据之间的周期内位置进行匹配。而一致性条件是为了保证第一参数化数据中的指定人脸区域与第二参数化数据中的指定人脸区域基本上是一致的，也就是说，在对应周期内位置在满足设定的一致性条件时，能够证明该用户的新旧人脸数据基本是一致
的。
110.例如，用户通常在每月的月初3号剪头发，那么用户的头发覆盖区域的周期化变化时间为一个月，即，在第一个月初到第二个月初的期间，用户的头发覆盖区域的变化为少到多，再由多到少的过程。那么，如果第一参数化数据的时间戳为当时月内的第3天，而第二参数化数据的时间戳为当时月内的第6天，那么第一参数化数据中的头发覆盖区域与第二参数化数据中的头发覆盖区域大致是一致的，可以认为符合设定的一致性条件。
111.基于此，即使第一参数化数据的周期变化时间与第二参数化数据的周期变化时间是不一致的，但是周期内位置基本是一致的，则说明该第二参数化数据的参考价值仍然较大，仍然给予第二参数化数据较高的权重。
112.最后，若否，则确定第二参数化数据的权重低于第一参数化数据的权重，若是，则相对地上调所述第二参数化数据的权重，则相对于上述若否的情况，第二参数化数据的权重相对高一些。
113.进一步地，为了更加准确地对留底时间较长的用户进行人脸识别，同时考虑到在自然生理因素的影响，基于此，为除了指定脸区域中的其他人脸区域设置人脸变化等级。人脸变化等级指的是，在自然生理因素(不包括手术、受伤等人为因素)的影响下，随着时间变化，各区域的变化程度。人脸变化等级越高，表示变化程度越快。通常来说，边缘区域由于没有骨骼的支撑，其对应人脸变化等级是最高的。
114.然后，根据人脸变化等级，对第二参数化数据的权重进行补偿。其中，人脸变化等级越低，脸型可能产生的变化程度越小，则补偿的程度也就越高，人脸变化等级与补偿程度呈负相关。
115.最后，若补偿程度大于预设阈值，相对地上调第二参数化数据的权重。其中，补偿的程度越高，第二参数化数据的权重上调的程度也就越高，则相对于上述若否的情况，第二参数化数据的权重相对高一些。反之，若补偿程度小于或者等于预设阈值，则相对地下调第二参数化数据的权重。如此能够结合时间对脸型带来的影响，使得第三参数化数据更加符合目前用户的人脸数据，更加准确地对用户进行人脸识别。
116.图11为本说明书一个或多个实施例提供的，一种应用场景下的人脸识别方法的流程示意图。当本方案应用在线下刷脸支付时，首先在3d人脸数据采集与预处理模块中，通过结构光3d摄像头采集用户的3d人脸深度图，对其进行预处理(比如，降噪处理)，通过人脸目标识别得到3d人脸信息(包括3d人脸点云和关键点信息)。接下来在3d人脸参数化模块中，通过预设的3d参考人脸网格进行3d人脸参数化，得到3d参数化人脸数据。在3d人脸注册留底模块中，根据用户id判断用户是否已经注册留底，若没有注册留底，则生成记录存入3d人脸数据库，若已经注册留底，则取出第二参数化数据，对第一参数化数据与第二参数化数据进行加权融合，生成新的记录，将新记录存放回3d人脸数据库中。
117.基于同样的思路，本说明书一个或多个实施例还提供了上述方法对应的装置和设备，如图12、图13所示。
118.图12为本说明书一个或多个实施例提供的一种人脸注册留底装置的结构示意图，包括：
119.获取模块1202，获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云；
120.拟合参数预测模块1204，根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测；
121.参数化模块1206，根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义；
122.确定模块1208，若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳；
123.生成模块1210，根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
124.可选地，所述生成模块1210，根据所述第二参数化数据的时间戳，确定所述第一参数化数据的权重与所述第二参数化数据的权重；
125.根据所述第一参数化数据的权重与所述第二参数化数据的权重，对所述第一参数化数据与所述第二参数化数据进行加权融合，生成第三参数化数据。
126.可选地，所述生成模块1210，确定所述第一参数化数据的时间戳；
127.确定所述第一参数化数据的时间戳与所述第二参数化数据的时间戳之间的时间差；
128.按照为所述时间差与所述第二参数化数据的权重之间设定的负相关关系，确定所述第二参数化数据的权重与所述第一参数化数据的权重。
129.可选地，所述生成模块1210，根据所述时间差进行时间尺度收缩处理，得到与所述时间差呈设定的正相关关系的分母项；
130.根据所述分母项，确定与所述时间差呈设定的负相关关系的所述第二参数化数据的权重，其中，所述第二参数化数据的权重；
131.根据所述第二参数化数据的权重，确定所述第一参数化数据的权重。
132.可选地，还包括：
133.判断模块，根据所述用户的身份标识，判断之前是否已有所述用户的3d参数化人脸数据注册留底；
134.若否，则根据所述用户的身份标识与所述第一参数化数据，将所述第一参数化数据进行注册留底。
135.可选地，所述3d参考人脸网格中的顶点为固定数量，所述多个顶点之间的连接关系为固定的第一连接拓扑关系；
136.所述参数化模块1206，根据所述拟合参数中的基向量权重，在保持所述第一连接拓扑关系的基础上，将所述3d参考人脸网格中的至少部分顶点的位置坐标进行调整，得到3d参数化人脸数据。
137.可选地，所述拟合参数预测模块1204，通过预先训练的人脸关键点检测模型，对所述3d人脸点云进行关键点检测，以在其中确定所述用户人脸的关键点信息；
138.根据所述3d人脸点云以及所述关键点信息，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测。
139.可选地，还包括：
140.识别模块，确定所述第一参数化数据与所述第二参数化数据，分别对应的关键点信息；
141.根据所述关键点信息，生成各自对应的第二连接拓扑关系；
142.通过所述第二连接拓扑关系，确定所述所述第一参数化数据与所述第二参数化数据之间的相似度；
143.确定所述相似度超过预设阈值，以确定所述用户的3d人脸识别为识别成功。
144.可选地，所述生成模块1210，确定所述第一参数化数据的时间戳；
145.确定所述第一参数化数据的时间戳与所述第二参数化数据的时间戳之间的时间差；
146.确定所述第二参数化数据中，一个或者多个指定人脸区域，以及所述指定人脸区域对应的周期变化时间；
147.将所述时间差与所述周期变化时间进行匹配，以判定所述第一参数化数据与所述第二参数化数据对应的周期内位置是否符合设定的一致性条件；
148.若否，则确定所述第二参数化数据的权重低于所述第一参数化数据的权重；
149.若是，则相对地上调所述第二参数化数据的权重。
150.可选地，所述生成模块1210，确定确定所述第二参数化数据中，除了所述指定人脸区域的其他人脸区域对应的人脸变化等级；
151.根据所述人脸变化等级，对所述第二参数化数据的权重进行补偿；
152.若所述补偿程度大于预设阈值，则相对地上调所述第二参数化数据的权重，所述人脸变化等级与所述补偿程度呈负相关。
153.可选地，所述指定人脸区域包括以下至少一种区域：头发遮盖区域、外物遮盖区域。
154.图13为本说明书一个或多个实施例提供的一种人脸注册留底设备的结构示意图，包括：
155.至少一个处理器；以及，
156.与所述至少一个处理器通信连接的存储器；其中，
157.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
158.获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云；
159.根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测；
160.根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义；
161.若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳；
162.根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
163.基于同样的思路，本说明书一个或多个实施例提供还提供了对应于上述方法的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
164.获取用户人脸的3d人脸图，并根据所述3d人脸图，确定所述用户人脸的3d人脸点云；
165.根据所述3d人脸点云，通过预先训练的拟合参数预测模型，对进行3d人脸重建时所需的拟合参数进行预测；
166.根据所述拟合参数，对预设的3d参考人脸网格进行拟合处理，得到对应用户的3d参数化人脸数据，作为第一参数化数据，所述3d参考人脸网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有人脸语义；
167.若之前已有所述用户的3d参数化人脸数据注册留底，则将已注册留底的所述用户的3d参数化人脸数据作为第二参数化数据，并确定所述第二参数化数据的时间戳；
168.根据所述第一参数化数据、所述第二参数化数据，以及所述第二参数化数据的时间戳，生成第三参数化数据，作为所述用户注册留底的人脸数据。
169.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
170.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
171.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
172.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
173.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
174.以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。