一种基于人脸识别技术的人工智能系统的制作方法

1.本发明涉及人脸识别技术领域，尤其涉及一种基于人脸识别技术的人工智能系统。


背景技术：

2.人脸识别是将输入的人脸图像与已知库中的模板进行比较并确定身份的一种技术，由于人脸是人们区分不同人的重要途径，是最主要的信息来源之一，因此人脸识别是一种较指纹、视网膜和虹膜等识别更自然、更直接的一种识别方式，在多个领域如视频监控、签到系统、人机交互、系统开机等有着非常大的应用潜力。
3.在人脸识别领域中，主要有两类方法，一类是基于二维亮度图像的人脸识别方法，另一类是基于三维人脸的人脸识别方法。其中，前者需要采集人脸的亮度图像，从采集的亮度图像中抽取人脸特征并进行识别，此类方法抗光照干扰的能力较差。后者采用获取人脸面部各点的三维特征，利用人脸面部各个器官的三维几何特征进行识别，此类识别方法主要利用各点的坐标，因此基于三维人脸的人脸识别方法不受光照、姿态的干扰。中国专利cn108549873b公开了一种三维人脸识别方法和三维人脸识别系统，该发明包括：采集待识别目标人脸的图像数据，并对其中的人脸关键点进行标定，进行三维人脸重建，得到三维人脸重建模型，计算三维人脸重建模型中的预设数量的各关键点之间的表面距离，生成表面距离矩阵，将所述表面距离矩阵转化为人脸标准型，从所述人脸标准型中提取出待识别特征向量，将所述待识别特征向量与预设的人脸特征数据库中已有的特征向量进行对比，实现三维人脸识别，该发明提供的三维人脸识别方法，识别速度快，但其基于人脸特征数据库中已有的特征向量进行人脸识别，识别准确度较低。


技术实现要素：

4.为此，本发明提供一种基于人脸识别技术的人工智能系统，通过对人脸识别算法进行预先训练和使用过程中的修正，实现提高人工智能系统的人脸识别的准确度的有益效果，可以解决现有技术中人脸识别的准确度低的问题。
5.为实现上述目的，本发明提供一种基于人脸识别技术的人工智能系统，包括：训练模块，用于使用识别样本对人脸识别算法进行训练，训练项目包括活体检测训练、物种检测训练和三维建模训练，所述识别样本包括真样本和假样本，其中，训练模块使用识别样本对人脸识别算法进行活体检测训练并根据活体检测训练结果准确性调整标准温差区间，当活体检测训练结果准确性符合预设标准时，训练模块使用识别样本对人脸识别算法进行物种检测训练并根据物种检测训练结果准确性调整标准重合度，当物种检测训练结果准确性符合预设标准时，训练模块使用真样本对人脸识别算法进行三维建模训练并根据三维建模训练结果准确性调整面部信息采集区域的区域标准相似度，至三维建模训练结果符合预设标准时，所述训练模块结束对人脸识别算法的训练；建档模块，用于构建用户档案，所述用户档案包括用户数据信息、用户身份信息、
用户秘钥和用户人脸识别信息，其中，用户身份信息、用户秘钥和用户人脸识别信息一一对应；识别模块，用于采集所述用户人脸识别信息，接收来自用户的人脸识别请求，使用所述人脸识别算法对人脸识别请求中的人脸信息进行捕捉并构建捕捉结果，对捕捉获得的人脸信息进行人脸信息采集，获得采集数据并根据采集数据与用户人脸识别信息进行匹配并构建匹配结果；所述中控模块，用于接收所述捕捉结果，在捕捉结果不符合预设标准时根据捕捉结果调整标准温差区间和标准重合度，接收所述匹配结果，在匹配结果不符合预设标准时根据匹配结果调整区域标准相似度和采集关键点数量。
6.进一步地，所述训练模块使用识别样本对人脸识别算法进行训练，包括，使用识别样本对人脸识别算法进行活体检测训练，随机选择识别样本，人脸识别算法对识别样本进行活体检测并输出活体检测结果，将活体检测结果与识别样本的生命状态标签进行对比并根据生命状态对比结果调整人脸识别算法或者对人脸识别算法进行物种检测训练；使用识别样本对人脸识别算法进行物种检测训练，随机选择识别样本，人脸识别算法对识别样本进行物种检测并输出物种检测结果，将物种检测结果与识别样本的物种标签进行对比并根据物种对比结果调整人脸识别算法或者对人脸识别算法进行三维建模训练；使用真样本对人脸识别算法进行三维建模训练，随机选择真样本，对所述真样本进行三维扫描获得扫描数据，人脸识别算法根据扫描数据构建三维样本模型，使用真样本的衍生样本和混淆样本对三维样本模型的准确度进行检验。
7.进一步地，所述训练模块使用识别样本对人脸识别算法进行活体检测训练时，训练模块内设置红外扫描单元，所述红外扫描单元内设置扫描区域和标准温差区间[m0,n0]，其中，m0《n0,红外扫描单元对识别样本进行红外扫描，检测扫描区域内温度t1与扫描区域外温度t2并计算温差
△
t，
△
t=t1-t2，红外扫描单元检验
△
t是否符合标准温差区间[m0,n0]，当
△
t
⊂
[m0,n0]时，红外扫描单元判定所述识别样本为活体，并将活体判断结果与识别样本的生命状态标签进行比较，当活体判断结果与生命状态标签一致时，不对标准温差区间进行调整，当活体判断结果与生命状态标签不一致时，对标准温差区间进行一级温差调整；当
△
t《m0时，所述红外扫描单元判定所述识别样本为非活体，并将非活体判断结果与识别样本的生命状态标签进行比较，当非活体判断结果与生命状态标签一致时，不对标准温差区间进行调整，当非活体判断结果与生命状态标签不一致时，对标准温差区间进行二级温差调整;当
△
t》n0时，所述红外扫描单元判定所述识别样本为非活体，并将非活体判断结果与识别样本的生命状态标签进行比较，当非活体判断结果与生命状态标签一致时，不对标准温差区间进行调整，当非活体判断结果与生命状态标签不一致时，对标准温差区间进行三级温差调整。
[0008]
进一步地，所述红外扫描单元对标准温差区间进行一级温差调整时，设置第一调整参数k1，用于将标准温差区间[m0,n0]调整为[m1，n0]，m1=
△
t k1m0，其中，k1=（
△
t-m0）/
（n0-m0），m1《n0；所述红外扫描单元对标准温差区间进行二级温差调整时，设置第二调整参数k2，用于将标准温差区间[m0,n0]调整为[m2，n]，m2=
△
t-k2m0，其中，k2=（m0
‑△
t）/（n0
‑△
t）；所述红外扫描单元对标准温差区间进行三级温差调整时，设置第三调整参数k3，用于将标准温差区间[m0,n0]调整为[m0，n3]，n3=
△
t k3n0，其中，k3=（
△
t-n0）/（
△
t-m0）。
[0009]
进一步地，所述训练模块使用识别样本对人脸识别算法进行物种检测时，训练模块内设置图像识别单元，所述图像识别单元内设置标准面部区域和标准重合度p0，图像识别单元检测处于标准面部区域内的识别样本的面部区域的重合面积，根据重合面积占标准面部区域面积的第一比重p1和重合面积占面部区域面积的第二比重p2，根据p1和p2的差值
△
p计算重合度p，p=（1
‑△
p）
×
100%，其中，
△
p=|p1-p2|，当重合度≧标准重合度时，图像识别单元判定所述识别样本为人类，并将人类判断结果与识别样本的物种标签进行比较，当人类判断结果与物种标签一致时，图像识别单元不对标准面部区域进行调整，当人类判断结果与物种标签不一致时，图像识别单元对标准面部区域进行一级面部调整；当重合度《标准重合度时，所述图像识别单元判定所述识别样本为非人类，并将非人类判断结果与识别样本的物种标签进行比较，当非人类判断结果与物种标签一致时，图像识别单元不对标准面部区域进行调整，当非人类判断结果与物种标签不一致时，图像识别单元对标准面部区域进行二级面部调整。
[0010]
进一步地，所述图像识别单元对标准面部区域进行一级面部调整时，设置第四调整参数k4，用于将标准重合度p0调整为p1，p1=p （1 k4）
×
p0，其中，k4=（p-p0）/p；所述图像识别单元对标准面部区域进行二级面部调整时，设置第五调整参数k5，用于将标准重合度p0调整为p2，p2=p-（1 k5）
×
p0，其中，k5=（p0-p）/p0。
[0011]
进一步地，所述训练模块使用真样本对人脸识别算法进行三维建模训练时，训练模块内设置建模单元，所述建模单元设置五个面部信息采集区域，所述面部信息采集区域包括第1采集区域、第2采集区域、第3采集区域、第4采集区域和第5采集区域，各所述面部数据采集区域确定一定数量的采集关键点，建模单元根据各所述面部数据采集区域的采集关键点对所述真样本进行三维扫描，获得各面部数据采集区域的区域扫描数据，人脸识别算法根据各区域扫描数据构建三维样本模型，根据三维样本模型对真样本的衍生样本和混淆样本进行三维扫描，获得衍生样本或混淆样本的各面部数据采集区域的区域核验数据，人脸识别算法根据各所述区域核验数据构建三维核验模型，人脸识别算法将三维样本模型和三维核验模型进行重合核验，构建核验结果，根据衍生样本或混淆样本的类型和核验结果是否一致，判定是否对面部信息采集区域进行调整，若以衍生样本为核验对象的核验结果为识别成功，则建模单元不对面部信息采集区域进行调整，若以衍生样本为核验对象的核验结果为识别失败，建模单元对面部信息采集区域进行一级区域调整；若以混淆样本为核验对象的核验结果为识别失败，则所述建模单元不对面部信息采集区域进行调整，若以混淆样本为核验对象的核验结果为识别成功，建模单元对面部信息采集区域进行二级区域调整。
[0012]
进一步地，所述建模单元对面部信息采集区域进行调整时，建模单元内还分别设
置各面部信息采集区域的区域标准相似度，建模单元将各区域核验数据与相应的各区域扫描数据进行对比，并根据各区域核验数据与相应的区域扫描数据的重合数据占区域扫描数据的比重计算各面部信息采集区域的区域相似度，当建模单元对面部信息采集区域进行一级区域调整时，建模单元对比各区域相似度与区域标准相似度的关系，若某面部信息采集区域的区域相似度》区域标准相似度，认为所述面部信息采集区域的核验数据合格，若某面部信息采集区域的区域相似度≦区域标准相似度，认为所述面部信息采集区域的核验数据不合格，则建模单元降低所述面部信息采集区域的区域标准相似度，建模单元降低所述面部信息采集区域的区域标准相似度l0时，建模单元设置第六调整参数k6，用于将l0调整为l0’，l0’=l-k6l0，其中，k6=（l0-l）/l，l为所述面部信息采集区域的区域相似度；当所述建模单元对面部信息采集区域进行二级区域调整时，建模单元选择对应区域相似度最低的面部信息采集区域的区域标准相似度l0l进行调整，建模单元内设置第七调整系数k7，用于将l0l调整为l0l’，l0l’=ll k7l0l，其中，k7=（ll-l0l）/l0l，ll为最低区域相似度。
[0013]
进一步地，所述中控模块根据所述识别结果对所述人脸识别算法模型进行调整时，当人脸捕捉结果为未捕捉到人脸，若未检测到活体，中控模块对标准温差区间进行一级温差调整，若未检测到人脸，中控模块对标准面部区域进行二级面部调整，当人脸捕捉结果为捕捉到人脸时，中控模块不对人脸识别算法模型进行调整；当人脸匹配结果为无匹配记录时，所述中控模块确认用户是否未建档，若用户未建档且无匹配记录，中控模块不对人脸识别算法模型进行调整，并构建建档指令传输至建档模块，建档模块根据所述建档指令和人脸识别请求建立用户档案，若用户已建档且无匹配记录，中控单元构建再识别指令，进行再次识别，若再次识别后可以正确匹配，中控模块不对人脸识别算法模型进行调整，若再次识别后无法正确匹配，中控模块构建核验身份请求，通过用户秘钥对用户身份进行核验，在用户身份正确时，中控模块根据人脸识别请求对面部信息采集区域进行一级区域调整，在用户身份错误时，输出识别对象错误信号；当人脸匹配结果为有匹配记录时，所述中控模块确认用户是否未建档，若用户未建档且有匹配记录，中控模块对面部信息采集区域进行二级区域调整，若用户已建档且有匹配记录，中控模块不对人脸识别算法模型进行调整。
[0014]
进一步地，所述中控模块对面部信息采集区域进行一级区域调整时，中控模块设置最小相似度ll，当某面部信息采集区域的区域标准相似度l0l’小于ll时，对所述面部信息采集区域的采集关键点的数量进行一级采集调整，对所述面部信息采集区域的采集关键点的数量进行一级采集调整时，中控单元内设置初始点数量n0和第八调整参数k8，用于将n0调整为n，n=（[1 k8]）
×
n0，其中，k8=（ll-l0l’）/l0l’；所述中控模块对面部信息采集区域进行二级区域调整时，中控模块设置最大相似度lh，当某面部信息采集区域的区域标准相似度l0l’大于lh时，对所述面部信息采集区域
的采集关键点的数量进行二级采集调整；所述中控模块对所述面部信息采集区域的采集关键点的数量进行二级采集调整时，中控单元内设置初始点数量n0和第九调整参数k9，用于将n0调整为n，n=（[1 k9]）
×
n0，其中，k8=（l0l
’‑
lh）/lh。
[0015]
与现有技术相比，本发明的有益效果在于，通过设置训练模块利用各种识别样本对人脸识别算法进行活体检测训练、物种检测训练和三维建模训练，由建档模块将用户身份信息与用户人脸识别信息建立一一对应关系，由识别模块对人脸识别请求中的人脸识别信息进行识别，设置中控模块根据识别结果对人脸识别算法进行调整，不仅提高了人工智能系统的伪造人脸甄别能力和人脸捕捉能力，而且使人工智能系统在使用过程中根据识别效果对人脸识别算法进行调整和优化，进而实现使用过程中的自我学习，从而提高了人工智能系统的人脸识别准确度。
[0016]
尤其，通过利用识别样本对人脸识别算法进行活体检测训练和物种检测训练，利用真样本对人脸识别算法进行三维建模训练并使用衍生样本对人脸识别算法的建模能力进行检验和调整，不仅提高了人工智能系统的伪造人脸甄别能力和人脸捕捉能力，而且保证人工智能系统在各种检测环境下具有良好的人脸识别能力，从而提高了人工智能系统的人脸识别准确度。
[0017]
尤其，通过使用红外扫描单元对识别样本进行红外扫描，且在红外扫描单元内设置扫描区域和标准温差区间，以扫描区域内外温度的温差是否处于标准温差区间内为判断依据，对识别样本的生命状态进行判定，并根据判断结果的正确性对标准温差区间进行调整，提高了人工智能系统的伪造人脸甄别能力，从而提高了人工智能系统的人脸识别准确度。
[0018]
尤其，通过在活体判断结果不准确时，设置第一调整参数、第二调整参数和第三调整参数对标准温差区间进行调整，使标准温差区间的设置符合实际情况，避免标准温差区间范围过大导致将非活体识别为活体，使伪造人脸得以被捕捉进而进行识别，或标准温差区间范围过小导致现实人脸无法被捕捉从而无法进行识别，提高了人工智能系统的伪造人脸甄别能力和人脸捕捉能力，从而提高了人工智能系统的人脸识别准确度。
[0019]
尤其，通过在训练模块内设置图像识别单元对识别样本的面部区域与标准面部区域的重合度进行检测，依据重合度与标准重合度的大小关系对识别样本的物种进行判定，并根据判断结果的正确性对标准重合度进行调整，进而避免人工智能系统在使用过程中对现实的非人类活体生物的面部进行捕捉并识别，提高了人工智能系统的人脸捕捉能力，从而提高了人工智能系统的人脸识别准确度。
[0020]
尤其，通过在由于标准重合度设置过低或者过高导致物种判断结果不准确时，设置第四调整参数和第五调整参数对标准重合度进行调整时，进而避免人工智能系统在使用过程中对现实的非人类活体生物的面部进行捕捉并识别，提高了人工智能系统的人脸捕捉能力，从而提高了人工智能系统的人脸识别准确度。
[0021]
尤其，通过由建模单元将扫描区域划分为五个面部信息采集区域进行面部信息数据进行采集，建立三维样本模型，并利用与识别样本来源相同的衍生样本和以识别样本的来源为基础进行部分改动的相似的混淆样本对所建立的三维样本模型进行核验，并在核验效果不符合预设标准时调整标准相似度，使标准相似度的设置既满足相同来源的人脸在一
定检测环境下发生变化时的识别要求，又避免对相似而不相同的人脸进行识别匹配，提高了人工智能系统的人脸甄别能力，从而提高了人工智能系统的人脸识别准确度。
[0022]
尤其，通过在核验结果应为识别成功而未识别成功时，对面部信息采集区域进行一级区域调整，对设置数值过高的区域标准相似度进行降低处理，在核验结果应为识别失败而识别成功时，对面部信息采集区域进行二级区域调整，对区域相似度最低的面部信息采集区域的区域标准相似度进行调整使其增加，使人脸识别过程中的数据采集区域符合人脸特征的分布状态，提高了人工智能系统的人脸甄别能力，从而提高了人工智能系统的人脸识别准确度。
[0023]
尤其，通过由中控模块根据人脸识别的识别结果对人脸识别算法进行调整，使人脸识别算法在实际应用过程出现识别问题时，根据当前人脸识别请求对自身进行修正和调整，从而人脸识别算法的自我学习功能，使人脸识别算法的人脸甄别能力随投入使用的时长的延长而提高，进而提高了人脸识别算法的人脸甄别能力，从而提高了人工智能系统的人脸识别能力。
[0024]
尤其，通过由中控模块根据人脸识别的识别结果对人脸识别算法进行调整，使人脸识别算法在实际应用过程出现应识别而识别失败或不应识别而识别成功的识别问题时，对采集关键点的数量进行一级采集调整或二级采集调整，以增加面部信息采集区域的采集关键点的数量，增加用于与用户人脸识别信息进行对比的数据数量，从而使得识别效果准确，进而提高了人脸识别算法的人脸甄别能力，从而提高了人工智能系统的人脸识别能力。
附图说明
[0025]
图1为本发明实施例提供的基于人脸识别技术的人工智能系统的结构示意图；图2为本发明实施例提供的基于人脸识别技术的人工智能系统的面部信息采集区域划分布局图。
具体实施方式
[0026]
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0027]
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
[0028]
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0029]
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
[0030]
请参阅图1所示，本发明实施例提供的基于人脸识别技术的人工智能系统，包括：
训练模块1，用于使用识别样本对人脸识别算法进行训练，训练项目包括活体检测训练、物种检测训练和三维建模训练，所述识别样本包括真样本和假样本，其中，训练模块使用识别样本对人脸识别算法进行活体检测训练并根据活体检测训练结果准确性调整标准温差区间，当活体检测训练结果准确性符合预设标准时，训练模块使用识别样本对人脸识别算法进行物种检测训练并根据物种检测训练结果准确性调整标准重合度，当物种检测训练结果准确性符合预设标准时，训练模块使用真样本对人脸识别算法进行三维建模训练并根据三维建模训练结果准确性调整面部信息采集区域的区域标准相似度，至三维建模训练结果符合预设标准；建档模块2，用于构建用户档案，所述用户档案包括用户数据信息、用户身份信息、用户秘钥和用户人脸识别信息，其中，用户身份信息、用户秘钥和用户人脸识别信息一一对应；识别模块3，用于采集所述用户人脸识别信息，接收来自用户的人脸识别请求，使用所述人脸识别算法对人脸识别请求中的人脸信息进行捕捉并构建捕捉结果，对捕捉获得的人脸信息进行人脸信息采集，获得采集数据并根据采集数据与用户人脸识别信息进行匹配并构建匹配结果；所述中控模块4，用于接收所述捕捉结果，在捕捉结果不符合预设标准时根据捕捉结果调整标准温差区间和标准重合度，接收所述匹配结果，在匹配结果不符合预设标准时根据匹配结果调整区域标准相似度和采集关键点数量。
[0031]
识别样本数量众多，通过各种途径进行收集，识别样本分为真样本和假样本，其中，真样本为来源于现实人脸的识别样本，假样本为非来源于现实人脸的识别样本，如人脸图像、人脸视频、模拟人脸和现实非人类物种面部，识别样本具有样本标签，样本标签包括生命状态标签和物种标签，样本标签根据其真假分类和假样本的种类进行设置，如真样本的生命状态标签为活体，物种标签为人类，来源于人脸图像、人脸视频和模拟人脸的假样本的生命状态标签为非活体，物种标签为人类，来源于现实非人类物种面部的假样本的生命状态标签为活体，物种标签为非人类。用户档案包括用户数据信息、用户身份信息、用户秘钥和用户人脸识别信息，其中用户数据信息为用户在此系统中进行数据传输所产生的信息，用户身份信息包括用户账户，用户人脸识别信息为用户在建立用户档案时通过进行三维扫描建模构建的数据信息，是对人脸识别请求中的人脸识别信息进行匹配的依据，其中用户身份信息与人脸识别信息一一对应。
[0032]
通过设置训练模块利用各种识别样本对人脸识别算法进行活体检测训练、物种检测训练和三维建模训练，由建档模块将用户身份信息与用户人脸识别信息建立一一对应关系，由识别模块对人脸识别请求中的人脸识别信息进行识别，设置中控模块根据识别结果对人脸识别算法进行调整，不仅提高了人工智能系统的伪造人脸甄别能力和人脸捕捉能力，而且使人工智能系统在使用过程中根据识别效果对人脸识别算法进行调整和优化，进而实现使用过程中的自我学习，从而提高了人工智能系统的人脸识别准确度。
[0033]
具体而言，所述训练模块使用识别样本对人脸识别算法进行训练，包括，使用识别样本对人脸识别算法进行活体检测训练，随机选择识别样本，人脸识别算法对识别样本进行活体检测并输出活体检测结果，将活体检测结果与识别样本的生命状态标签进行对比并根据生命状态对比结果调整人脸识别算法或者对人脸识别算法进行物
种检测训练；使用识别样本对人脸识别算法进行物种检测训练，随机选择识别样本，人脸识别算法对识别样本进行物种检测并输出物种检测结果，将物种检测结果与识别样本的物种标签进行对比并根据物种对比结果调整人脸识别算法或者对人脸识别算法进行三维建模训练；使用真样本对人脸识别算法进行三维建模训练，随机选择真样本，对所述真样本进行三维扫描获得扫描数据，人脸识别算法根据扫描数据构建三维样本模型，使用真样本的衍生样本和混淆样本对三维样本模型的准确度进行检验。
[0034]
通过利用识别样本对人脸识别算法进行活体检测训练和物种检测训练，利用真样本对人脸识别算法进行三维建模训练并使用衍生样本对人脸识别算法的建模能力进行检验和调整，不仅提高了人工智能系统的伪造人脸甄别能力和人脸捕捉能力，而且保证人工智能系统在各种检测环境下具有良好的人脸识别能力，从而提高了人工智能系统的人脸识别准确度。
[0035]
具体而言，人脸识别算法对识别样本进行活体检测时，训练模块内设置红外扫描单元11，红外扫描单元内设置扫描区域和标准温差区间[m0,n0]，其中，m0《n0,红外扫描单元对识别样本进行红外扫描，检测扫描区域内温度t1与扫描区域外温度t2并计算温差
△
t，
△
t=t1-t2，红外扫描单元检验
△
t是否符合标准温差区间[m0,n0]，当
△
t
⊂
[m0,n0]时，红外扫描单元判定所述识别样本为活体，并将活体判断结果与识别样本的生命状态标签进行比较，当活体判断结果与生命状态标签一致时，不对标准温差区间进行调整，当活体判断结果与生命状态标签不一致时，对标准温差区间进行一级温差调整；当
△
t《m0时，红外扫描单元判定所述识别样本为非活体，并将非活体判断结果与识别样本的生命状态标签进行比较，当非活体判断结果与生命状态标签一致时，不对标准温差区间进行调整，当非活体判断结果与生命状态标签不一致时，对标准温差区间进行二级温差调整;当
△
t》n0时，红外扫描单元判定所述识别样本为非活体，并将非活体判断结果与识别样本的生命状态标签进行比较，当非活体判断结果与生命状态标签一致时，不对标准温差区间进行调整，当非活体判断结果与生命状态标签不一致时，对标准温差区间进行三级温差调整。
[0036]
红外扫描单元对识别样本进行扫描时，检测扫描区域内外的温度，取扫描区域外的温度值的众数作为扫描区域外温度，取扫描区域内的温度值的众数作为扫描区域内温度，当识别样本为活体时，扫描区域内外的温度具有一定的差值，即室温与体温的差值，当识别样本为非活体时，如为人脸照片时，扫描区域内外无温差或温差较小。
[0037]
通过使用红外扫描单元对识别样本进行红外扫描，且在红外扫描单元内设置扫描区域和标准温差区间，以扫描区域内外温度的温差是否处于标准温差区间内为判断依据，对识别样本的生命状态进行判定，并根据判断结果的正确性对标准温差区间进行调整，提高了人工智能系统的伪造人脸甄别能力，从而提高了人工智能系统的人脸识别准确度。
[0038]
具体而言，对标准温差区间进行一级温差调整时，设置第一调整参数k1，用于将标准温差区间[m0,n0]调整为[m1，n0]，m1=
△
t k1m0，其中，k1=（
△
t-m0）/（n0-m0），m1《n0；
对标准温差区间进行二级温差调整时，设置第二调整参数k2，用于将标准温差区间[m0,n0]调整为[m2，n]，m2=
△
t-k2m0，其中，k2=（m0
‑△
t）/（n0
‑△
t）；对标准温差区间进行三级温差调整时，设置第三调整参数k3，用于将标准温差区间[m0,n0]调整为[m0，n3]，n3=
△
t k3n0，其中，k3=（
△
t-n0）/（
△
t-m0）。
[0039]
通过在活体判断结果不准确时，设置第一调整参数、第二调整参数和第三调整参数对标准温差区间进行调整，使标准温差区间的设置符合实际情况，避免标准温差区间范围过大导致将非活体识别为活体，使伪造人脸得以被捕捉进而进行识别，或标准温差区间范围过小导致现实人脸无法被捕捉从而无法进行识别，提高了人工智能系统的伪造人脸甄别能力和人脸捕捉能力，从而提高了人工智能系统的人脸识别准确度。
[0040]
具体而言，人脸识别算法对识别样本进行物种检测时，训练模块内设置图像识别单元12，所述图像识别单元内设置标准面部区域和标准重合度p0，图像识别单元检测处于标准面部区域内的识别样本的面部区域的重合面积，根据重合面积占标准面部区域面积的第一比重p1和重合面积占面部区域面积的第二比重p2，根据p1和p2的差值
△
p计算重合度p，p=（1
‑△
p）
×
100%，其中，
△
p=|p1-p2|，当重合度≧标准重合度时，图像识别单元判定所述识别样本为人类，并将人类判断结果与识别样本的物种标签进行比较，当人类判断结果与物种标签一致时，不对标准面部区域进行调整，当人类判断结果与物种标签不一致时，对标准面部区域进行一级面部调整；当重合度《标准重合度时，图像识别单元判定所述识别样本为非人类，并将非人类判断结果与识别样本的物种标签进行比较，当非人类判断结果与物种标签一致时，不对标准面部区域进行调整，当非人类判断结果与物种标签不一致时，对标准面部区域进行二级面部调整。
[0041]
标准面部区域根据人脸的基本轮廓和构造进行划分，必要时可以将颈部和肩部等纳入标准面部区域中以增加人脸识别算法的物种识别能力。
[0042]
通过在训练模块内设置图像识别单元对识别样本的面部区域与标准面部区域的重合度进行检测，依据重合度与标准重合度的大小关系对识别样本的物种进行判定，并根据判断结果的正确性对标准重合度进行调整，进而避免人工智能系统在使用过程中对现实的非人类活体生物的面部进行捕捉并识别，提高了人工智能系统的人脸捕捉能力，从而提高了人工智能系统的人脸识别准确度。
[0043]
具体而言，对标准面部区域进行一级面部调整时，设置第四调整参数k4，用于将标准重合度p0调整为p1，p1=p （1 k4）
×
p0，其中，k4=（p-p0）/p；对标准面部区域进行二级面部调整时，设置第五调整参数k5，用于将标准重合度p0调整为p2，p2=p-（1 k5）
×
p0，其中，k5=（p0-p）/p0。
[0044]
通过在由于标准重合度设置过低或者过高导致物种判断结果不准确时，设置第四调整参数和第五调整参数对标准重合度进行调整时，进而避免人工智能系统在使用过程中对现实的非人类活体生物的面部进行捕捉并识别，提高了人工智能系统的人脸捕捉能力，从而提高了人工智能系统的人脸识别准确度。
[0045]
请参阅图2所示，本发明实施例提供的基于人脸识别技术的人工智能系统的面部信息采集区域划分布局图。
[0046]
具体而言，人脸识别算法根据真样本进行三维建模训练时，训练模块内设置建模单元13，所述建模单元设置五个面部信息采集区域，所述面部信息采集区域包括第1采集区域、第2采集区域、第3采集区域、第4采集区域和第5采集区域，各所述面部数据采集区域确定一定数量的采集关键点，建模单元根据各所述面部数据采集区域的采集关键点对所述真样本进行三维扫描，获得各面部数据采集区域的区域扫描数据，人脸识别算法根据各区域扫描数据构建三维样本模型，根据三维样本模型对真样本的衍生样本和混淆样本进行三维扫描，获得衍生样本或混淆样本的各面部数据采集区域的区域核验数据，人脸识别算法根据各所述区域核验数据构建三维核验模型，人脸识别算法将三维样本模型和三维核验模型进行重合核验，构建核验结果，根据衍生样本或混淆样本的类型和核验结果是否一致，判定是否对面部信息采集区域进行调整，若以衍生样本为核验对象的核验结果为识别成功，则不对面部信息采集区域进行调整，若以衍生样本为核验对象的核验结果为识别失败，对面部信息采集区域进行一级区域调整；若以混淆样本为核验对象的核验结果为识别失败，则不对面部信息采集区域进行调整，若以混淆样本为核验对象的核验结果为识别成功，对面部信息采集区域进行二级区域调整。
[0047]
真样本的衍生样本是指来源为与真样本的来源完全一致的现实人脸的识别样本，但该识别样本与真样本进行三维扫描的环境和角度不同，真样本的识别区域与扫描区域重合，且检测环境为室温下的光照充足的检测环境，而衍生样本的识别区域与扫描区域不完全重合，或者检测环境为温度过高或过低、光照不足或曝光过度的检测环境。真样本的混淆样本是指以衍生样本为基础进行特征改动，如改变颧骨的高度、改变鼻梁的高度，改变眼睛左右端的相对高度，第1采集区域、第2采集区域、第3采集区域、第4采集区域和第5采集区域，分别对应人脸的额头区域、眉眼区域、面鼻区域、嘴部区域和下颌区域。
[0048]
通过由建模单元将扫描区域划分为五个面部信息采集区域进行面部信息数据进行采集，建立三维样本模型，并利用与识别样本来源相同的衍生样本和以识别样本的来源为基础进行部分改动的相似的混淆样本对所建立的三维样本模型进行核验，并在核验效果不符合预设标准时调整标准相似度，使标准相似度的设置既满足相同来源的人脸在一定检测环境下发生变化时的识别要求，又避免对相似而不相同的人脸进行识别匹配，提高了人工智能系统的人脸甄别能力，从而提高了人工智能系统的人脸识别准确度。
[0049]
具体而言，对面部信息采集区域进行调整时，建模单元内还分别设置各面部信息采集区域的区域标准相似度，建模单元将各区域核验数据与相应的各区域扫描数据进行对比，并根据各区域核验数据与相应的区域扫描数据的重合数据占区域扫描数据的比重计算各面部信息采集区域的区域相似度，当对面部信息采集区域进行一级区域调整时，对比各区域相似度与区域标准相似度的关系，若某面部信息采集区域的区域相似度》区域标准相似度，认为所述面部信息采集区域的核验数据合格，若某面部信息采集区域的区域相似度≦区域标准相似度，认为所述面部信息采集区域的核验数据不合格，则降低所述面部信息采集区域的区域标准相似度，降低所述面部信息采集区域的区域标准相似度l0时，建模单元设置第六调整参数k6，用于将l0调整为l0’，l0’=l-k6l0，其中，k6=（l0-l）/l，l为所述面部信息采集区域的区
域相似度；当对面部信息采集区域进行二级区域调整时，建模单元选择对应区域相似度最低的面部信息采集区域的区域标准相似度l0l进行调整，建模单元内设置第七调整系数k7，用于将l0l调整为l0l’，l0l’=ll k7l0l，其中，k7=（ll-l0l）/l0l，ll为最低区域相似度。
[0050]
通过在核验结果应为识别成功而未识别成功时，对面部信息采集区域进行一级区域调整，对设置数值过高的区域标准相似度进行降低处理，在核验结果应为识别失败而识别成功时，对面部信息采集区域进行二级区域调整，对区域相似度最低的面部信息采集区域的区域标准相似度进行调整使其增加，使人脸识别过程中的数据采集区域符合人脸特征的分布状态，提高了人工智能系统的人脸甄别能力，从而提高了人工智能系统的人脸识别准确度。
[0051]
具体而言，所述中控模块根据所述识别结果对所述人脸识别算法模型进行调整时，当人脸捕捉结果为未捕捉到人脸，若未检测到活体，中控模块对标准温差区间进行一级温差调整，若未检测到人脸，中控模块对标准面部区域进行二级面部调整，当人脸捕捉结果为捕捉到人脸时，中控模块不对人脸识别算法模型进行调整；当人脸匹配结果为无匹配记录时，中控模块确认用户是否未建档，若用户未建档且无匹配记录，中控模块不对人脸识别算法模型进行调整，并构建建档指令传输至建档模块，建档模块根据所述建档指令和人脸识别请求建立用户档案，若用户已建档且无匹配记录，中控单元构建再识别指令，进行再次识别，若再次识别后可以正确匹配，中控模块不对人脸识别算法模型进行调整，若再次识别后无法正确匹配，中控模块构建核验身份请求，通过用户秘钥对用户身份进行核验，在用户身份正确时，中控模块根据人脸识别请求对面部信息采集区域进行一级区域调整，在用户身份错误时，输出识别对象错误信号；当人脸匹配结果为有匹配记录时，中控模块确认用户是否未建档，若用户未建档且有匹配记录，中控模块对面部信息采集区域进行二级区域调整，若用户已建档且有匹配记录，中控模块不对人脸识别算法模型进行调整。
[0052]
通过由中控模块根据人脸识别的识别结果对人脸识别算法进行调整，使人脸识别算法在实际应用过程出现识别问题时，根据当前人脸识别请求对自身进行修正和调整，从而人脸识别算法的自我学习功能，使人脸识别算法的人脸甄别能力随投入使用的时长的延长而提高，进而提高了人脸识别算法的人脸甄别能力，从而提高了人工智能系统的人脸识别能力。
[0053]
具体而言，所述中控模块对面部信息采集区域进行一级区域调整时，中控模块设置最小相似度ll，当某面部信息采集区域的区域标准相似度l0l’小于ll时，对所述面部信息采集区域的采集关键点的数量进行一级采集调整，对所述面部信息采集区域的采集关键点的数量进行一级采集调整时，中控单元内设置初始点数量n0和第八调整参数k8，用于将n0调整为n，n=（[1 k8]）
×
n0，其中，k8=（ll-l0l’）/l0l’；所述中控模块对面部信息采集区域进行二级区域调整时，中控模块设置最大相似度lh，当某面部信息采集区域的区域标准相似度l0l’大于lh时，对所述面部信息采集区域
的采集关键点的数量进行二级采集调整；对所述面部信息采集区域的采集关键点的数量进行二级采集调整时，中控单元内设置初始点数量n0和第九调整参数k9，用于将n0调整为n，n=（[1 k9]）
×
n0，其中，k8=（l0l
’‑
lh）/lh。
[0054]
通过由中控模块根据人脸识别的识别结果对人脸识别算法进行调整，使人脸识别算法在实际应用过程出现应识别而识别失败或不应识别而识别成功的识别问题时，对采集关键点的数量进行一级采集调整或二级采集调整，以增加面部信息采集区域的采集关键点的数量，增加用于与用户人脸识别信息进行对比的数据数量，从而使得识别效果准确，进而提高了人脸识别算法的人脸甄别能力，从而提高了人工智能系统的人脸识别能力。
[0055]
在实际使用过程中，本发明实施例提供的基于人脸识别技术的人工智能系统的工作流程如下：训练模块使用识别样本对人脸识别算法逐步进行活体检测训练、物种检测训练和三维建模训练，进行每一项训练时，若训练结果不合格，则对训练项目的检验参数进行调整和修正，若训练结果合格，即进行下一项训练，当活体检测训练、物种检测训练和三维建模训练的训练结果均已合格时，将人脸识别算法投入使用。
[0056]
用户在使用人工智能系统时，首先建立用户档案，用户档案包括用户数据信息、用户身份信息、用户人脸识别信息以及用户密钥，其中，用户身份信息、用户人脸识别信息以及用户密钥一一对应，用户人脸识别信息是在建立用户档案时，由识别模块对用户的面部进行三维扫描构建的人脸信息。
[0057]
当某用户使用人工智能系统并构架人脸识别请求时，识别模块首先进行人脸捕捉，当识别模块捕捉到人脸时，对其进行人脸信息采集，获得采集数据并根据采集数据进行匹配，若匹配结果准确，则说明人脸识别算法对当前识别环境适用，若匹配结果不准确，则说明人脸识别算法不足以对当前识别环境进行有效识别，此时由中控模块对面部扫描区域的标准相似度和采集关键点的数量进行调整，以提高人脸识别算法的人脸甄别能力，进而提高人工智能系统的人脸识别的准确度。
[0058]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。