一种基于区块链和人工智能的人脉精准匹配方法、存储介质及系统

技术领域

本发明涉及计算机信息技术领域，特别涉及一种基于区块链和人工智能的人脉精准匹配方法、存储介质及系统。

背景技术

六度分隔(Six Degrees of Separation)现象，又称为小世界现象(small worldphenomenon)，可通俗地阐述为：“你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过六个人你就能够认识任何一个陌生人。”基于六度分隔现象，可以构建出一个人与人之间的人脉关系网络，从该人脉关系网络中就可获知任意两个人之间的人脉关系。在人脸识别系统识别出照片中的人脸之后，可利用人脉关系网络对照片中的人脉关系进行匹配，但目前尚未建立有照片中的人脸与人脉关系网络之间的联系，导致无法精准地匹配照片中的人脉关系。

发明内容

本发明要解决的技术问题是如何精准地匹配照片中的人脉关系。

为解决上述技术问题，本发明提供一种基于区块链和人工智能的人脉精准匹配方法，包括如下步骤：

A.获取用户上传的多张样本照片，其中每张样本照片中存在至少两张人脸；

B.获取用户输入的各张样本照片中两两人脸之间所对应的人脉关系；

C.将各张样本照片和其中两两人脸之间所对应的人脉关系保存在区块链上；

D.获取用户上传的存在至少两张人脸的待匹配照片；

E.将所述待匹配照片和区块链上的多张样本照片输入到基于卷积神经网络的判断模型，由该判断模型判断在多张样本照片中是否存在至少两张人脸分别与待匹配照片中的至少两张人脸一一对应匹配，若存在则根据多张样本照片中两两人脸之间所对应的人脉关系分析出待匹配照片中的至少两张人脸之间所对应的人脉关系。

优选地，在所述步骤A中，还获取各张样本照片中各张人脸的面部特征；在所述步骤D中，还获取所述待匹配照片中各张人脸的面部特征；在所述步骤E中，判断在多张样本照片中是否存在至少两张人脸分别与待匹配照片中的至少两张人脸一一对应匹配，具体是基于样本照片中的人脸和待匹配照片中的人脸之间的面部特征重合度来判断。

优选地，若某样本照片中的人脸和待匹配照片中的人脸之间的面部特征重合度达到预设值，则该样本照片中的人脸和待匹配照片中的人脸对应匹配。

优选地，所述预设值为90％。

优选地，所述面部特征包括脸型、眼睛形态、鼻子形态、嘴巴形态、耳朵形态和眉毛形态。

优选地，在所述步骤E中，若在多张样本照片中不存在人脸与待匹配照片中的至少一张人脸对应匹配，则不根据所述样本照片分析待匹配照片中的至少两张人脸之间所对应的人脉关系。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法中的步骤。

本发明还提供一种基于区块链和人工智能的人脉精准匹配系统，包括相互连接的计算机可读存储介质和处理器，计算机可读存储介质如上所述。

本发明具有以下有益效果：在多张样本照片中存在至少两张人脸分别与待匹配照片中的至少两张人脸一一对应匹配，则意味着待匹配照片中的至少两张人脸与其他人脸之间的人脉关系已在样本照片上存在，因此，根据多张样本照片中两两人脸之间所对应的人脉关系就能分析出待匹配照片中的至少两张人脸之间所对应的人脉关系，从而能精准地匹配待匹配照片中的人脉关系。

具体实施方式

下文将详细地描述本申请的示例性实施例。虽然下文描述了本申请的示例性实施例，然而应当理解，能够以各种形式实现本申请而不应被这里阐述的实施例所限制。相反地，提供这些实施例是为了令本领域的技术人员能够更透彻地理解本申请，并且能够将本申请的范围完整地传达给本领域的技术人员。

本实施例提供一种基于区块链和人工智能的人脉精准匹配系统，该系统包括相互连接的计算机可读存储介质和处理器，该计算机可读存储介质中存储有计算机程序。该基于区块链和人工智能的人脉精准匹配系统可对照片中的人脉关系进行匹配，在此过程中，计算机可读存储介质中的计算机程序被处理器执行，实现下述的基于区块链和人工智能的人脉精准匹配方法：

首先，获取用户上传的多张样本照片，并获取各张样本照片中各张人脸的脸型、眼睛形态、鼻子形态、嘴巴形态、耳朵形态和眉毛形态等面部特征，其中每张样本照片中存在至少两张人脸，以上传有两张样本照片，每张样本照片中存在两张人脸为例，其中第一张样本照片中存在人脸甲和人脸乙，第二张样本照片中存在人脸乙和人脸丙。再获取用户输入的各张样本照片中两两人脸之间所对应的人脉关系，其中第一张样本照片中的人脸甲和人脸乙之间的人脉关系是父子，第二张样本照片中的人脸乙和人脸丙之间的人脉关系是兄妹，然后将各张样本照片和其中两张人脸之间所对应的人脉关系保存在区块链上形成人脉关系网络，从而避免被篡改。在需要匹配存在至少两张人脸的待匹配照片中的人脉关系时，以该待匹配照片中存在两张人脸为例，先获取用户上传的存在至少两张人脸的待匹配照片，并获取该待匹配照片中各张人脸的脸型、眼睛形态、鼻子形态、嘴巴形态、耳朵形态和眉毛形态等面部特征，从中得知该待匹配照片中存在人脸丁和人脸戊，然后将该待匹配照片和区块链上的两张样本照片输入到基于卷积神经网络的判断模型，该判断模型基于样本照片中的人脸和待匹配照片中的人脸之间的面部特征重合度，来判断在两张样本照片中是否存在两张人脸分别与待匹配照片中的两张人脸一一对应匹配。其中，卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习的代表算法之一，在将多组人脸图像和两两人脸图像之间的面部特征重合度输入至卷积神经网络中进行多次样本训练，就可得到该基于卷积神经网络的判断模型，在此不赘述其训练过程。本实施例中，第一张样本照片中的人脸甲和待匹配照片中的人脸丁之间的面部特征重合度达到预设值90％，则基于卷积神经网络的判断模型会认为第一张样本照片中的人脸甲和待匹配照片中的人脸丁是同一张人脸，从而判断出第一张样本照片中的人脸甲和待匹配照片中的人脸丁对应匹配；第二张样本照片中的人脸丙和待匹配照片中的人脸戊之间的面部特征重合度达到预设值90％，则基于卷积神经网络的判断模型会认为第二张样本照片中的人脸丙和待匹配照片中的人脸戊是同一张人脸，从而判断出第二张样本照片中的人脸丙和待匹配照片中的人脸戊对应匹配。可选地，该预设值90％可以是80％、85％、95％或其他可以设定的数值。然后，系统根据第一张样本照片中人脸甲和人脸乙之间所对应的人脉关系父子，以及第二张样本照片中人脸乙和人脸丙之间所对应的人脉关系兄妹，分析出待匹配照片中的人脸丁(相当于第一张样本照片中的人脸甲)和人脸戊(相当于第二张样本照片中的人脸丙)之间所对应的人脉关系为父女。

需要说明的是，若在两张样本照片中不存在人脸与待匹配照片中的两张或其中一张人脸对应匹配，则意味着待匹配照片中的人脸与基于两张样本照片所建立的人脉关系网络之间不存在联系，故不再根据样本照片分析待匹配照片中的两张人脸之间所对应的人脉关系。

最后应当说明的是，以上实施例仅用以说明本申请的技术方案，而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细地说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。