数据自销毁的人脸识别装置和电子设备的数据销毁方法制造方法及图纸

数据自销毁的人脸识别装置和电子设备的数据销毁方法，包括如下步骤：S1、图像采集：采用人脸识别设备对用户进行面部数据采集得到人脸图像信息；S2、数据比对与通行判断：中心平台将获取的人脸图像信息与预设的数据库进行比对，并根据对比结果进行通行判断后获取通行数据；S3、数据储存：将人脸图像信息与通行数据加密储存到数据储存设备；S4、数据销毁：自数据储存设备与中心平台失去连接后数据储存设备对网络断开时间进行计时，网络断开时间达到或超过设定时间则对人脸图像信息与通行数据进行数据销毁。使得进出人员的人脸图像信息与通行数据不会在数据储存设备与中心平台失去连接后被恶意获取，对信息安全和保护有至关重要的作用。的作用。的作用。

【技术实现步骤摘要】
数据自销毁的人脸识别装置和电子设备的数据销毁方法


[0001]本专利技术涉及人脸识别领域，特别是数据自销毁的人脸识别装置和电子设备的数据销毁方法。

技术介绍

[0002]目前，人脸识别装置和电子设备往往不具备数据自销毁能力，人脸识别装置和电子设备的存储模块被恶意读取后，其中的人脸图像信息或者通行数据等会被恶意使用，造成信息泄露，危害信息安全。
[0003]数据信息作为一种资源，它的普遍性、共享性、增值性、可处理性和多效用性，使其对于人类具有特别重要的意义。数据信息安全的实质就是要保护信息系统或信息网络中的信息资源免受各种类型的威胁、干扰和破坏，即保证信息的安全性。
[0004]《中华人民共和国数据安全法》已由中华人民共和国第十三届全国人民代表大会常务委员会第二十九次会议于2021年6月10日通过，现予公布，自2021年9月1日起施行。
[0005]数据安全的重要性与日俱增，人脸识别装置与电子设备的数据安全同样尤为重要。如何保证人脸识别装置与电子设备中存储的人脸数据成为当前亟需解决的问题。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供数据自销毁的人脸识别装置和电子设备的数据销毁方法，使得进出人员的人脸图像信息与通行数据不会在数据储存设备与中心平台失去连接后被恶意获取，对信息安全和保护有至关重要的作用。
[0007]本专利技术的目的是通过以下技术方案来实现的：
[0008]数据自销毁的人脸识别装置和电子设备的数据销毁方法，包括如下步骤：r/>[0009]S1、图像采集：采用人脸识别设备对用户进行面部数据采集得到人脸图像信息；
[0010]S2、数据比对与通行判断：中心平台将获取的人脸图像信息与预设的数据库进行比对，并根据对比结果进行通行判断后获取通行数据；
[0011]S3、数据储存：将人脸图像信息与通行数据加密储存到数据储存设备；
[0012]S4、数据销毁：自数据储存设备与中心平台失去连接后数据储存设备对网络断开时间进行计时，网络断开时间达到或超过设定时间则对人脸图像信息与通行数据进行数据销毁。
[0013]进一步，所述数据储存设备通过机器学习模型对数据储存设备与中心平台失去连接是否为假故障进行判断，数据储存设备与中心平台失去连接为假故障则数据储存设备不对网络断开时间进行计时。
[0014]进一步，所述机器学习模型为BP神经网络模型。
[0015]进一步，所述BP神经网络模型的搭建和优化包括以下步骤：
[0016]1)获取训练样本数据集；
[0017]2)训练样本数据集预处理；
[0018]3)BP神经网络模型的训练；
[0019]4)BP神经网络模型的使用；
[0020]5)BP神经网络模型的进一步优化。
[0021]进一步，训练样本数据集包括一次父失连的总时长、一次父失连下子失连的次数、一次父失连下每个子失连的时长、一次父失连下每两个相邻的子失连的时间间隔以及父失连是否为假故障。
[0022]所述步骤2)包括以下情况：
[0023]①
将父失连是否为假故障以外的训练样本数据集用One
‑
hot方法处理转化为以矩阵形式表示的预处理结果X；
[0024]对于一次父失连的总时长与一次父失连下子失连的次数的预处理方法为：
[0025]设置不同的划分区间，每个划分区间对应预处理结果X的一列，一次父失连的总时长或一次父失连下子失连的次数的值所属的划分区间在预处理结果X中对应的位置为1，其他划分区间在预处理结果X中对应的位置为0；
[0026]对于一次父失连下每个子失连的时长与一次父失连下每两个相邻的子失连的时间间隔的预处理方法为：
[0027]计算统计值，并对每个统计值设置不同的划分区间，每个划分区间对应预处理结果X的一列，统计值的值所属的划分区间在预处理结果X中对应的位置为1，其他划分区间在预处理结果X中对应的位置为0；
[0028]②
将训练样本数据集中的父失连是否为假故障用One
‑
hot方法处理得到训练样本的期望输出。
[0029]进一步，所述统计值包括但不限于最大值、最小值、均值、标准差以及中位数。
[0030]进一步，所述步骤3)的训练过程中，BP神经网络模型的输入为训练样本数据集预处理得到的所述预处理结果X，输出为父失连是否为假故障的模型判断结果；
[0031]所述步骤3)包括以下子步骤：
[0032]①
设置各权值的初始值和
[0033]②
输入训练样本，对每个样本进行以下几步；
[0034]③
根据式(1)、(2)计算得到输出层的输出O
(r)
；
[0035][0036][0037]式中，X＝(x1，
…
，x
i
，
…
，x
n
)
T
为输入层向量；Y＝(y1，
…
，y
j
，
…
，y
m
)
T
为隐含层向量；O＝(o1，
…
，o
k
，
…
，x
l
)
T
为输出层向量；V＝(v1，
…
，v
j
，
…
，v
m
)表示输入层与隐含层之间的权值；W＝(w1，
…
，w
j
，
…
，w
l
)表示隐含层与输出层之间的权值；对于式(1)和式(2)，f(x)是神经元激活函数；
[0038]④
根据式(5)结合训练样本的期望输出计算得到输出误差E
(r)
；
[0039][0040]式中，D＝(d1，
…
，d
k
，
…
，d
l
)
T
表示期望输出向量；
[0041]⑤
根据式(6)计算得到各权值的改变值和
[0042][0043]式(6)中，Δv
ij
和Δw
jk
分别表示权重的改变值；和表示输出误差E
(r)
的误差函数对权重的偏导数；τ∈(0，1)表示学习速率；
[0044]⑥
根据式(7)修正权值；
[0045][0046]进一步，所述步骤4)包括每次数据储存设备与中心平台失去连接后，按照训练样本数据集预处理的方法进行处理，得到失连信息向量，并将失连信息向量输入到经训练的BP神经网络模型，得到的输出为父失连是否为假故障的模型判断结果；
[0047]所述步骤5)包括以下子步骤：
[0048]①
获取步骤4)后父失连是否为假故障的人工判断结果作为期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：包括如下步骤：S1、图像采集：采用人脸识别设备对用户进行面部数据采集得到人脸图像信息；S2、数据比对与通行判断：中心平台将获取的人脸图像信息与预设的数据库进行比对，并根据对比结果进行通行判断后获取通行数据；S3、数据储存：将人脸图像信息与通行数据加密储存到数据储存设备；S4、数据销毁：自数据储存设备与中心平台失去连接后数据储存设备对网络断开时间进行计时，网络断开时间达到或超过设定时间则对人脸图像信息与通行数据进行数据销毁。2.根据权利要求1所述的数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：所述数据储存设备通过机器学习模型对数据储存设备与中心平台失去连接是否为假故障进行判断，数据储存设备与中心平台失去连接为假故障则数据储存设备不对网络断开时间进行计时。3.根据权利要求2所述的数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：所述机器学习模型为BP神经网络模型。4.根据权利要求3所述的数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：所述BP神经网络模型的搭建和优化包括以下步骤：1)获取训练样本数据集；2)训练样本数据集预处理；3)BP神经网络模型的训练；4)BP神经网络模型的使用；5)BP神经网络模型的进一步优化。5.根据权利要求4所述的数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：所述训练样本数据集包括一次父失连的总时长、一次父失连下子失连的次数、一次父失连下每个子失连的时长、一次父失连下每两个相邻的子失连的时间间隔以及父失连是否为假故障；所述步骤2)包括以下情况：
①
将父失连是否为假故障以外的训练样本数据集用One
‑
hot方法处理转化为以矩阵形式表示的预处理结果X；对于一次父失连的总时长与一次父失连下子失连的次数的预处理方法为：设置不同的划分区间，每个划分区间对应预处理结果X的一列，一次父失连的总时长或一次父失连下子失连的次数的值所属的划分区间在预处理结果X中对应的位置为1，其他划分区间在预处理结果X中对应的位置为0；对于一次父失连下每个子失连的时长与一次父失连下每两个相邻的子失连的时间间隔的预处理方法为：计算统计值，并对每个统计值设置不同的划分区间，每个划分区间对应预处理结果X的一列，统计值的值所属的划分区间在预处理结果X中对应的位置为1，其他划分区间在预处理结果X中对应的位置为0；
②
将训练样本数据集中的父失连是否为假故障用One
‑
hot方法处理得到训练样本的期
望输出。6.根据权利要求5所述的数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：所述统计值包括但不限于最大值、最小值、均值、标准差以及中位数。7.根据权利要求5所述的数据自销毁的人脸识别装置和电子设备的数据销毁方法，其特征在于：所述步骤3)的训练过程中，BP神经网络模型的输入为训练样本数据集预处理得到的...

【专利技术属性】
技术研发人员：杨勇，高春建，谢彬，杜书，薛海江，
申请(专利权)人：成都合盛智联科技有限公司，
类型：发明
国别省市：