一种基于人脸识别的身份验证方法及装置

技术领域

本申请属于人工智能技术领域，具体涉及一种基于人脸识别的身份验证方法及装置。

背景技术

随着互联网技术的飞速发展，特别是随着5G通讯技术和多媒体技术的发展，移动终端的功能越来越丰富，并且具有日渐强大的数据处理功能和传输能力，随着而来的是，基于网络的金融业务也因为其便利性越来越普遍。在这种场景下，用户身份验证就成为金融交易安全保障的重要一环。

在现有技术中，人脸识别技术已趋于成熟，但当多个用户的面部相似度较高时，则存在身份识别准确度较低的问题，目前部分移动终端已经具有三维通讯功能，使得利用数字全息技术提升身份识别准确率成为可能。综上所述，如何综合利用二维和三维数据提升用户的身份识别准确度是一个亟待解决的问题。

发明内容

本发明可用于人工智能技术在金融方面应用的技术领域，也可用于除金融领域之外的任意领域，本发明综合利用金融交易过程中采集的用户的二维图像和三维视频数据，并利用人工智能算法进行双重验证，以提升身份核验的精准度。

为解决本申请背景技术中的技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种基于人脸识别的身份验证方法包括：

提取预获取的用户人脸图像的特征值；其中，所述人脸图像包括二维图像以及三维模型；

根据所述特征值的信息熵确定所述特征值的信息增益；

根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度；

根据所述相似度验证用户的身份。

一实施例中，获取所述三维模型的步骤包括：

通过红外摄像头获取用户的激光图案；

根据光线对于用户的发射时刻、接收时刻以及所述激光图案确定用户的深度像素值；

合并多个深度像素值，以确定用户的深度图像；

根据所述深度图像获取所述三维模型。

一实施例中，所述根据所述深度图像获取所述三维模型包括：

根据所述红外摄像头的内参公式将所述深度图像转化为3D点云数据；

去除所述3D点云数据的离群点，以生成降采样3D点云数据；

对所述3D点云数据进行表面重建，以生成所述三维模型。

一实施例中，提取所述用户人脸图像的特征值包括：

利用卷积神经网络的卷积层，根据所述用户人脸图像的长、宽、颜色生成所述用户人脸图像的不同区域的特征图；

利用所述卷积神经网络的池化层对所述特征图进行降维；

利用所述卷积神经网络的全连接层以及降维后的特征图生成所述特征值。

一实施例中，所述根据所述特征值的信息熵确定所述特征值的信息增益包括：

确定所有的特征值所生成的原始数据集合对应的总信息熵；

确定所述特征值对应数据集合的子信息熵；

根据所述总信息熵以及子信息熵确定所述信息增益。

一实施例中，基于人脸识别的身份验证方法还包括：生成所述特征值的信息熵，包括：

确定所述特征值所出现的次数；

根据所述次数计算所述特征值的概率质量函数；

根据所述概率质量函数生成所述特征值的信息熵。

一实施例中，所述根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度，包括：

根据所述特征值以及其对应的信息增益生成对比向量；

根据所述真实人脸图像生成标准向量；

计算所述对比向量与所述标准向量之间的欧氏距离，以确定所述相似度。

第二方面，本发明提供一种基于人脸识别的身份验证装置，该装置包括：

特征值提取模块，用于提取预获取的用户人脸图像的特征值；其中，所述人脸图像包括二维图像以及三维模型；

信息增益确定模块，用于根据所述特征值的信息熵确定所述特征值的信息增益；

相似度确定模块，用于根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度；

身份验证模块，用于根据所述相似度验证用户的身份。

一实施例中，基于人脸识别的身份验证装置还包括：三维模型获取模块，用于获取所述三维模型，所述三维模型获取模块包括：

激光图案获取单元，用于通过红外摄像头获取用户的激光图案；

深度像素值确定单元，用于根据光线对于用户的发射时刻、接收时刻以及所述激光图案确定用户的深度像素值；

深度图像确定单元，用于合并多个深度像素值，以确定用户的深度图像；

三维模型获取单元，用于根据所述深度图像获取所述三维模型。

一实施例中，所述三维模型获取单元包括：

云数据生成单元，用于根据所述红外摄像头的内参公式将所述深度图像转化为3D点云数据；

离群点去除单元，用于去除所述3D点云数据的离群点，以生成降采样3D点云数据；

表面重建单元，用于对所述3D点云数据进行表面重建，以生成所述三维模型。

一实施例中，所述特征值提取模块包括：

特征图生成单元，用于利用卷积神经网络的卷积层，根据所述用户人脸图像的长、宽、颜色生成所述用户人脸图像的不同区域的特征图；

特征图降维单元，用于利用所述卷积神经网络的池化层对所述特征图进行降维；

特征值生成单元，用于利用所述卷积神经网络的全连接层以及降维后的特征图生成所述特征值。

一实施例中，所述信息增益确定模块包括：

总信息熵生成单元，用于确定所有的特征值所生成的原始数据集合对应的总信息熵；

子信息熵确定单元，用于确定所述特征值对应数据集合的子信息熵；

信息增益确定单元，用于根据所述总信息熵以及子信息熵确定所述信息增益。

一实施例中，基于人脸识别的身份验证装置还包括：信息熵生成模块，用于生成所述特征值的信息熵，所述信息熵生成模块包括：

次数确定单元，用于确定所述特征值所出现的次数；

函数计算单元，用于根据所述次数计算所述特征值的概率质量函数；

信息熵生成单元，用于根据所述概率质量函数生成所述特征值的信息熵。

一实施例中，所述相似度确定模块包括：

对比向量生成单元，用于根据所述特征值以及其对应的信息增益生成对比向量；

标准向量生成单元，用于根据所述真实人脸图像生成标准向量；

相似度确定单元，用于计算所述对比向量与所述标准向量之间的欧氏距离，以确定所述相似度。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现基于人脸识别的身份验证方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于人脸识别的身份验证方法的步骤。

从上述描述可知，本发明实施例提供一种基于人脸识别的身份验证方法及装置，包括：首先提取预获取的用户人脸图像的特征值；其中，人脸图像包括二维图像以及三维模型；接着，根据特征值的信息熵确定特征值的信息增益；根据特征值以及信息增益确定用户人脸图像与用户真实人脸图像之间的相似度；最后根据相似度验证用户的身份。本发明将全息投影能够采集人的形体外貌数据信息，作为身份认证的辅助标准。本发明利用全息投影可获取全身数据的特点，将身份验证的数据收集范围从人体局部扩大到整体，进一步完善数据的全面性，佐以其他补充认证方式，最终增加身份验证技术的真实性、可靠性。

附图说明

为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的实施例中基于人脸识别的身份验证方法的流程示意图一；

图2为本发明的实施例中基于人脸识别的身份验证方法的流程示意图二；

图3为本发明的实施例中基于人脸识别的身份验证方法的步骤500的流程示意图；

图4为本发明的实施例中基于人脸识别的身份验证方法的步骤504的流程示意图；

图5为本发明的实施例中基于人脸识别的身份验证方法的步骤100的流程示意图；

图6为本发明的实施例中基于人脸识别的身份验证方法的步骤200的流程示意图；

图7为本发明的实施例中基于人脸识别的身份验证方法的流程示意图三；

图8为本发明的实施例中基于人脸识别的身份验证方法的步骤600的流程示意图；

图9为本发明的具体实施方式中基于人脸识别的身份验证方法的流程示意图；

图10为本发明的实施例中基于人脸识别的身份验证装置的方块图一；

图11为本发明的实施例中基于人脸识别的身份验证装置的方块图二；

图12为本发明的实施例中三维模型获取模块50的方块图；

图13为本发明的实施例中三维模型获取单元504的方块图；

图14为本发明的实施例中特征值提取模块10的方块图；

图15为本发明的实施例中信息增益确定模块20的方块图；

图16为本发明的实施例中基于人脸识别的身份验证装置的方块图三；

图17为本发明的实施例中相似度确定模块30的方块图；

图18为本发明的实施例中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

基于上述的现有技术中的技术痛点，本发明的实施例提供一种基于人脸识别的身份验证方法的具体实施方式，参见图1，该方法具体包括如下内容：

步骤100：提取预获取的用户人脸图像的特征值；其中，所述人脸图像包括二维图像以及三维模型；

具体地，首先利用全息采集设备采集客户现场全息数据。所述全息采集设备是指包含红外摄像头、可见光摄像头或景深摄像头的电子终端设备，可以为手机、平板电脑、笔记本电脑、智能穿戴设备如智能手环、智能手表或营业网点使用的录音录像设备等，其中可见光摄像头用于获取目标空间的二维图像，红外摄像头采集被目标物体调制后的激光图案。

优选地，步骤100的特征值包括年龄(特征值：80后、90后、70后)、身高(特征值：高、矮)、性别(特征值：男、女)、眼睛(特征值：大眼睛、小眼睛、单眼皮、双眼皮)、鼻梁(特征值：高鼻梁、低鼻梁)、头发(特征值：长发、中长发、中发、中短发、短发)、五官比例(特征值：1:1、1:1.54)等等。优选地，每个特征值采用一个特征分类模型进行特征识别。例如，年龄的分类模型：训练样本为不同年龄人物图片，利用训练样本图片对卷积神经网络进行训练，得到年龄特征分类模型。依次训练不同特征模型到最终各个特征的特征值。

步骤200：根据所述特征值的信息熵确定所述特征值的信息增益；

可以理解的是，不同特征值在计算用户图像与其真实用户图像之间的相似度的过程中的权重是不一样的，为此，需要确定每个特征值各自的权重，即信息增益。

步骤300：根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度。

可以理解的是，用户真实人脸图像可以为该用户身份证上的人脸照片，也可以为预先经过用户同意，并在现场所采集到的该用户的人脸照片。

步骤400：根据所述相似度验证用户的身份。

根据专家经验设定一预设阈值，接着，将步骤300所确定的相似度与该阈值进行比较，根据两者的大小关系确定该用户身份是否为真实身份。

从上述描述可知，本发明实施例提供的基于人脸识别的身份验证方法，综合利用金融交易过程中采集的二维图像和三维视频数据，利用卷积神经网络算法提取特征、利用决策树算法计算特征权重，采用余弦相似度、欧式距离等算法计算相似度，最后利用逻辑回归算法计算总相似度。

一实施例中，参见图2，基于人脸识别的身份验证方法还包括：

步骤500：获取所述三维模型，

首先，利用红外摄像头采集激光图案，接着，利用图像匹配算法计算出该激光图案的深度图像。

参见图3，步骤500进一步包括：

步骤501：通过红外摄像头获取用户的激光图案；

步骤502：根据光线对于用户的发射时刻、接收时刻以及所述激光图案确定用户的深度像素值；

步骤503：合并多个深度像素值，以确定用户的深度图像；

在步骤501至步骤503中，具体地，激光投射器向目标空间投射均匀光线，红外摄像头接收反射回的光线并记录发射光线的时间和接收光线的时间点，根据两个时间之差和光速计算目标空间中物体对应的深度像素值，合并多个深度像素值得到深度图像。

步骤504：根据所述深度图像获取所述三维模型。

一实施例中，参见图4，步骤504包括：

步骤5041：根据所述红外摄像头的内参公式将所述深度图像转化为3D点云数据；

步骤5042：去除所述3D点云数据的离群点，以生成降采样3D点云数据；

步骤5043：对所述3D点云数据进行表面重建，以生成所述三维模型。

具体地，在步骤5041至步骤5043中，首先根据红外摄像头的内参公式将深度图像转化为3D点云，接着对3D点云进行降采样，去除离群点，进行表面重建，构建出该客户的三维模型，优选地，三维模型根据用户拍摄照片的不同可分为人脸模型、半身模型和全身模型。

一实施例中，参见图5，步骤100具体包括：

步骤101：利用卷积神经网络的卷积层，根据所述用户人脸图像的长、宽、颜色生成所述用户人脸图像的不同区域的特征图；

步骤100本质上是利用卷积神经网络CNN对用户人脸图像进行特征提取，卷积神经网络包括卷积层、池化层和全连接层。每一张二维图片都是由像素组成例如100×100，像素又是由不同颜色组成，因此可以将像素作为图片的长和宽，颜色作为不同通道，成为卷积神经网络的输入。每一张图片都使用过滤器(卷积核)来过滤图片各个小区域，并通过滑动的方式，对图片中每一个区域进行特征提取，得到不同部位特征的特征图。

步骤102：利用所述卷积神经网络的池化层对所述特征图进行降维；

步骤103：利用所述卷积神经网络的全连接层以及降维后的特征图生成所述特征值。

在步骤102以及步骤103中，卷积层的输出的特征图作为池化层输入，对特征图进行降维，保留更加重要的特征。最后通过全连接层对卷积后抽样的特征进行整合，归一化得到一维特征，对各个分类得到一个概率，可以将概率作为特征值，对不同特征进行划分。

一实施例中，参见图6，步骤200具体包括：

步骤201：确定所有的特征值所生成的原始数据集合对应的总信息熵；

步骤202：确定所述特征值对应数据集合的子信息熵；

步骤201以及步骤202中的信息熵是指不确定性，信息熵越大，其所对应的特征值的不确定性越大，若特征值有n种取值：U

上式中对数一般取2为底，单位为比特。

步骤203：根据所述总信息熵以及子信息熵确定所述信息增益。

具体地，将总信息熵减去子信息熵，得到的结果即为对应特征值的信息增益。

一实施例中，参见图7，基于人脸识别的身份验证方法还包括：

步骤600：生成所述特征值的信息熵，进一步地，参见图8，步骤600包括：

步骤601：根据所述特征值所出现的次数；

步骤602：根据所述次数计算所述特征值的概率质量函数；

根据特征值出现的次数，计算特征值的概率，即概率质量函数概率P(x)。具体可以根据下式确定，假设X是一个定义在可数样本空间S上的离散随机变量

步骤603：根据所述概率质量函数生成所述特征值的信息熵。

可以理解的是，本申请中所涉及的特征值属于离散的随机变量，故这里采用概率质量函数生成信息熵。

一实施例中，步骤300具体包括：

步骤301：根据所述特征值以及其对应的信息增益生成对比向量；

步骤302：根据所述真实人脸图像生成标准向量；

步骤303：计算所述对比向量与所述标准向量之间的欧氏距离，以确定所述相似度。

在步骤301至步骤303中，对于二维图像来说，相似度计算可采用余弦相似度、欧式距离等算法。具体地，首先利用word2vec算法，将提取的各二维特征和对应的特征权重转化为对应的向量的形式，根据指定的相似度算法计算各向量之间相似性。

由于三维特征包含空间特征，因此相似度计算可采用欧式距离进行计算。首先利用word2vec算法，将提取的各三维特征和对应的特征权重转化为对应的向量的形式，根据欧式距离计算向量之间的距离，距离越小，表明两个向量之间越相似。

参见图9，本发明还提供一种基于人脸识别的身份验证方法的具体实施方式，具体包括以下内容。

S1：数据获取。

获取来自客户终端的金融产品下单请求，下单请求中可包括但不限于客户信息如客户编号、产品代码、购买金额、交易账号等信息。根据下单请求中的客户编号获取客户基本信息，可包括但不限于：基本信息：姓名、性别、证件类型、证件号、年龄、行业、职业、联络信息、婚姻情况、资产负债信息、持有产品、风险偏好、身高、体重、健康状况、穿着风格、形象气质、投资比例、投资经验、投资心态、家庭收入、社保情况、偏好信息(旅游娱乐、学习成长、餐饮信息、交通通讯、医疗美容、人际交往、其他信息)。关系信息：关系人、具体关系、关系人的主要信息(包括：姓名、性别、年龄、证件类型、证件号、行业、职业、联络信息)。全息图片：获取数据库存储的该客户的历史交易所存储的二维图像和深度图像。身份证照：利用获取的身份证号向公安系统发起申请，获取该客户的身份证照片。

S2：特征提取。

对于二维图像来说，采用卷积神经网络CNN对数据采集模块获取的二维图片进行特征提取，卷积神经网络包括卷积层、池化层和全连接层。将像素作为图片的长和宽，颜色作为不同通道，成为卷积神经网络的输入。每一张图片都使用过滤器(卷积核)来过滤图片各个小区域，并通过滑动的方式，对图片中每一个区域进行特征提取，得到不同部位特征的特征图。卷积层的输出的特征图作为池化层输入，对特征图进行降维，保留更加重要的特征。最后通过全连接层对卷积后抽样的特征进行整合，归一化得到一维特征，对各个分类得到一个概率，可以将概率作为特征值，对不同特征进行划分。

对于三维模型来说，通过基于voxel的方法将不规则的3D点云转化为规则分布的栅格化表示，利用3D卷积神经网络(3D-CNN)进行特征提取。3D卷积神经网络能够更好的捕获时间和空间的特征，相比于2D-CNN，3D-CNN每一个输入通道的图像都会和3D卷积核进行卷积操作，降维操作采用3D池化层进行处理，卷积输出不会被压缩为二维图像，保留了图像的空间特征。通过3D-CNN进行特征提取后会得到更加精确的特征包括：眼睛(瞳间距、神态)、鼻子(鼻型、鼻中柱、鼻梁、鼻孔)、耳朵(轮廓、耳垂)、肩部(肩宽)、手掌(手指、掌宽)等。利用3D图像对卷积神经网络进行训练，得到不同部位特征的特征值。

S3：特征权重计算

对于二维图像来说，采用机器学习决策树ID3算法，ID3算法通过计算各个特征的信息增益选择划分的属性，即增益值较大的属性为最优的划分属性。由于图片每个特征的相似程度都会影响最后图片相似度的划分(相似、不相似)，且每个特征影响程度不同，因此可基于以上原理采用ID3算法计算不同特征的信息增益，作为特征的权重。具体步骤如下：

计算特征值的信息熵：每一个特征都有对应的特征值，同特征组成的样本集合为D。例如年龄特征的特征值包括：90后、80后、70后，利用公式则可以表示为a＝{a1,a2,a3}，此集合记为d。分别计算特征中不同特征值的信息熵：Ent(d

对应地，对于三维模型来说，权重的计算采用机器学习决策树C4.5算法，由于提取的三维特征，每个部位特征种类个数差异较大，对于连续特征ID3算法无法处理，因此在基于ID3算法的基础上采用C4.5算法计算三维特征的权重。具体步骤如下：参考ID3算法处理过程，得到每个特征的信息增益Gain(G,a)。并计算每个特征的特征类别占所有特征的比值

S4：相似度计算。

对于二维图像来说，相似度计算可采用余弦相似度、欧式距离等算法。首先利用word2vec算法，将提取的各二维特征和对应的特征权重转化为对应的向量的形式，根据指定的相似度算法计算各向量之间相似性。例如余弦相似度算法，计算余弦值范围是[0,1],余弦值越接近于1，夹角趋于0，表明两个向量之间越相似。计算所得余弦值即为特征之间的相似性。

由于三维特征包含空间特征，因此相似度计算可采用欧式距离进行计算。首先利用word2vec算法，将提取的各三维特征和对应的特征权重转化为对应的向量的形式，根据欧式距离计算向量之间的距离，距离越小，表明两个向量之间越相似。欧式距离计算结果需通过归一化函数

S5：身份核验。

具体地，获取来自客户终端的金融产品下单请求，计算取客户的面部二维图像与该身份证照片之间的相似度x1。接着，计算用户面部的二维图像与该用户历史面部数据之间相似度x2，然后计算该用户的三维模型与用户真实头像数据之间的相似度x3。

计算总相似度。若客户为存量客户，则将客户预先留存的或历史成功交易过程中的二维图像和深度图像作为训练集构建逻辑回归模型，其中模型训练模块计算出该次识别中的三个相似度，分别为x1、x2和x3，实际是否为本人作为Y，取值为0和1，训练出三个相似度的权重，并将本次交易过程中计算所获得的相似度和该客户的权重系数，计算出本次交易身份核验的总相似度Y，将总相似度与预先设置的阀值相比，如果高于或等于阀值则身份核验通过，如果低于则验证不通过。

基于同一发明构思，本申请实施例还提供了一种基于人脸识别的身份验证装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于基于人脸识别的身份验证装置解决问题的原理与基于人脸识别的身份验证方法相似，因此基于人脸识别的身份验证装置的实施可以参见基于人脸识别的身份验证方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本发明的实施例提供一种能够实现基于人脸识别的身份验证方法的基于人脸识别的身份验证装置的具体实施方式，参见图10，基于人脸识别的身份验证装置具体包括如下内容：

特征值提取模块10，用于提取预获取的用户人脸图像的特征值；其中，所述人脸图像包括二维图像以及三维模型；

信息增益确定模块20，用于根据所述特征值的信息熵确定所述特征值的信息增益；

相似度确定模块30，用于根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度；

身份验证模块40，用于根据所述相似度验证用户的身份。

一实施例中，参见图11，基于人脸识别的身份验证装置还包括：三维模型获取模块50，用于获取所述三维模型，参见图12，所述三维模型获取模块50包括：

激光图案获取单元501，用于通过红外摄像头获取用户的激光图案；

深度像素值确定单元502，用于根据光线对于用户的发射时刻、接收时刻以及所述激光图案确定用户的深度像素值；

深度图像确定单元503，用于合并多个深度像素值，以确定用户的深度图像；

三维模型获取单元504，用于根据所述深度图像获取所述三维模型。

一实施例中，参见图13，所述三维模型获取单元504包括：

云数据生成单元5041，用于根据所述红外摄像头的内参公式将所述深度图像转化为3D点云数据；

离群点去除单元5042，用于去除所述3D点云数据的离群点，以生成降采样3D点云数据；

表面重建单元5043，用于对所述3D点云数据进行表面重建，以生成所述三维模型。

一实施例中，参见图14，所述特征值提取模块10包括：

特征图生成单元101，用于利用卷积神经网络的卷积层，根据所述用户人脸图像的长、宽、颜色生成所述用户人脸图像的不同区域的特征图；

特征图降维单元102，用于利用所述卷积神经网络的池化层对所述特征图进行降维；

特征值生成单元103，用于利用所述卷积神经网络的全连接层以及降维后的特征图生成所述特征值。

一实施例中，参见图15，所述信息增益确定模块20包括：

总信息熵生成单元201，用于确定所有的特征值所生成的原始数据集合对应的总信息熵；

子信息熵确定单元202，用于确定所述特征值对应数据集合的子信息熵；

信息增益确定单元203，用于根据所述总信息熵以及子信息熵确定所述信息增益。

一实施例中，参见图16，基于人脸识别的身份验证装置还包括：信息熵生成模块60，用于生成所述特征值的信息熵，所述信息熵生成模块60包括：

次数确定单元601，用于确定所述特征值所出现的次数；

函数计算单元602，用于根据所述次数计算所述特征值的概率质量函数；

信息熵生成单元603，用于根据所述概率质量函数生成所述特征值的信息熵。

一实施例中，参见图17，所述相似度确定模块30包括：

对比向量生成单元301，用于根据所述特征值以及其对应的信息增益生成对比向量；

标准向量生成单元302，用于根据所述真实人脸图像生成标准向量；

相似度确定单元303，用于计算所述对比向量与所述标准向量之间的欧氏距离，以确定所述相似度。

从上述描述可知，本发明实施例提供一种基于人脸识别的身份验证装置，包括：首先提取预获取的用户人脸图像的特征值；其中，人脸图像包括二维图像以及三维模型；接着，根据特征值的信息熵确定特征值的信息增益；根据特征值以及信息增益确定用户人脸图像与用户真实人脸图像之间的相似度；最后根据相似度验证用户的身份。本发明将全息投影能够采集人的形体外貌数据信息，作为身份认证的辅助标准。本发明利用全息投影可获取全身数据的特点，将身份验证的数据收集范围从人体局部扩大到整体，进一步完善数据的全面性，佐以其他补充认证方式，最终增加身份验证技术的真实性、可靠性。

本申请的实施例还提供能够实现上述实施例中的基于人脸识别的身份验证方法中全部步骤的一种电子设备的具体实施方式，参见图18，电子设备具体包括如下内容：

处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；

其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备以及客户端设备等相关设备之间的信息传输；

处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基于人脸识别的身份验证方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

步骤100：提取预获取的用户人脸图像的特征值；其中，所述人脸图像包括二维图像以及三维模型；

步骤200：根据所述特征值的信息熵确定所述特征值的信息增益；

步骤300：根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度；

步骤400：根据所述相似度验证用户的身份。

本申请的实施例还提供能够实现上述实施例中的基于人脸识别的身份验证方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于人脸识别的身份验证方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

步骤100：提取预获取的用户人脸图像的特征值；其中，所述人脸图像包括二维图像以及三维模型；

步骤200：根据所述特征值的信息熵确定所述特征值的信息增益；

步骤300：根据所述特征值以及所述信息增益确定所述用户人脸图像与用户真实人脸图像之间的相似度；

步骤400：根据所述相似度验证用户的身份。

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，对于硬件+程序类实施例而言，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。

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。

虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

本说明书实施例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实施例，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。

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，对于系统实施例而言，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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书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实施例的权利要求范围之内。