【技术实现步骤摘要】
基于人脸识别大数据的登录系统及方法
[0001]本专利技术涉及人脸识别大数据
，具体为基于人脸识别大数据的登录系统及方法
。
技术介绍
[0002]人脸识别大数据技术是一种基于人脸图像和面部特征的大规模数据集的处理和分析方法，旨在实现高精度的人脸识别和生物特征识别
。
这项技术结合了人工智能
、
计算机视觉和机器学习等领域的知识，具有广泛的应用领域，包括身份验证
、
安全访问控制
、
监控系统
、
社交媒体分析等
。
[0003]传统的人脸识别系统可能受到照片或视频攻击的威胁，攻击者可以使用用户的照片或录制的视频来欺骗系统
。
人脸识别系统可能受到光线条件
、
角度
、
表情变化等因素的影响，导致误识别问题
。
存储大量用户的生物特征数据可能引发隐私担忧，如果不妥善管理和保护这些数据，可能会导致数据泄露和滥用问题
。
特征提取和比对过程可能需要大量计算资源和时间，尤其是在处理大规模数据时，效率问题成为一个挑战
。
此外，传统身份验证方法可能需要多个步骤，导致用户体验不佳
。
技术实现思路
[0004]本专利技术的目的在于提供基于人脸识别大数据的登录系统及方法，以解决上述
技术介绍
中提出的问题
。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：
[0006...
【技术保护点】
【技术特征摘要】
1.
基于人脸识别大数据的登录系统，其特征在于：系统包括用户注册模块
、
用户登录模块
、
人脸识别模块
、
用户管理模块
、
安全性和隐私模块；所述用户注册模块包括用户信息收集单元
、
人脸数据收集单元
、
数据预处理单元，负责用户注册账户；所述用户登录模块包括用户信息收集单元
、
人脸数据收集单元
、
数据预处理单元
、
认证和访问控制单元，负责将登录者的人脸数据与数据库中的特征匹配，经人脸识别模块匹配成功后该用户将获得访问权限；所述人脸识别模块包括人脸数据处理单元
、
人脸识别单元，负责接收用户提供的人脸数据的特征向量，与存储在数据库中的人脸特征向量进行比对，给用户登录模块返回比对结果；所述用户管理模块包括用户信息存储单元
、
人脸数据存储单元
、
用户账户管理单元，负责存储和管理用户的人脸数据和帐户信息，管理员使用该模块创建
、
删除
、
禁用或启用用户帐户；所述安全性和隐私模块包括数据加密单元
、
访问控制单元
、
合规性检查单元
、
日志记录和监控单元，负责确保系统的安全性和用户数据的隐私，确保用户数据在传输和存储过程中得到充分的保护
。2.
根据权利要求1所述的基于人脸识别大数据的登录系统，其特征在于：所述用户信息收集单元负责收集用户的用户名和密码；所述人脸数据收集单元负责接收用户上传的人脸视频数据；所述数据预处理单元负责对视频数据进行预处理操作，所述预处理操作包括帧提取
、
图像裁剪
、
去噪和对齐；在预处理操作结束后，提取用户的面部特征，所述面部特征包括眼睛位置和轮廓
、
嘴巴和唇部特征
、
鼻子形状
、
脸部轮廓
、
皮肤纹理
、
面部表情和肌肉运动
、
眼球的颜色和纹理；最后，数据预处理单元负责把面部特征转换为特征向量；所述用户登录模块包含的认证和访问控制单元决定是否允许用户登录
。3.
根据权利要求2所述的基于人脸识别大数据的登录系统，其特征在于：所述用户登录模块的认证和访问控制单元的认证步骤如下：
S3
‑
1、
从人脸数据收集单元中获取用户的用户名，从数据预处理单元中获取用户面部特征的特征向量；
S3
‑
2、
将用户的用户名和面部特征的特征向量打包成用户数据；
S3
‑
3、
将所述用户数据传递给人脸识别模块进行识别；
S3
‑
4、
获取人脸识别模块传递过来的人脸比对结果；
S3
‑
5、
如果人脸比对成功，则授予用户访问权限；如果人脸比对失败，用户将被拒绝访问，并需要尝试重新登录
。4.
根据权利要求1所述的基于人脸识别大数据的登录系统，其特征在于：所述人脸识别模块比对人脸特征向量的步骤如下：
S4
‑
1、
从用户登录模块接收打包的用户数据，包括用户名和面部特征的特征向量；
S4
‑
2、
查询用户数据库，获取已注册用户的面部特征的特征向量；
S4
‑
3、
将用户提供的面部特征的特征向量与已注册用户的特征向量进行比对，生成相似度分数；
S4
‑
4、
设定一个相似度阈值为
N
，用于判断两个特征向量是否足够相似以被认为是同一
个人的特征；
S4
‑
5、
根据比对的相似度分数和设定的相似度阈值，判定比对结果；如果相似度分数与阈值
N
的差值在
U
以内，则认为人脸比对成功；
S4
‑
6、
将比对结果返回给用户登录模块的认证和访问控制单元；所述比对结果包括对比成功和对比失败
。5.
根据权利要求4所述的基于人脸识别大数据的登录系统，其特征在于：在步骤
S4
‑3中，所述特征向量使用欧氏距离进行比对，假设有两个特征向量
A
和
B
，它们分别表示为：
A
＝
(a1,a2,a3,...,an)
，
B
＝
(b1,b2,b3,...,bn)
，这里的
n
表示特征向量的维度，
ai
和
bi
表示两个向量在第
i
个维度上的值；欧式距离的计算公式如下：欧式距离的距离值表示了两个特征向量之间的差异程度，将距离值代入到步骤
S4
‑5中进行比较；步骤
S4
‑5中所述相似度分数的计算公式如下：
V
＝
exp(
‑
k*d(A,B))
其中，
V
是相似度分数，
k
是一个常数，
d(A,B)
是欧式距离
。6.
根据权利要求1‑5任一项所述的基于人脸识别大数据的登录系统，其特征在于：所述面部特征转换为特征向量的步骤如下：
S6
‑
1、
使用人脸检测算法检测和定位输入视频中的人脸，在检测过程中只提取用户的面部特征；
S6
‑
2、
根据检测到的面部位置，裁剪出包含面部的图像区域，用于减小特征提取的计算量，并集中分析人脸；
S6
‑
3、
对裁剪后的面部图像进行预处理操作，以减少噪声和提高特征的可靠性；所述预处理步骤包括：灰度化，直方图均衡化，去噪；
S6
‑
4、
使用特征提取算法从预处理后的面部图像中提取所述面部特征；
S6
‑
5、
将提取的面部特征转换为特征向量，通过将每个特征的测量结果排列成一个一维向量，得到特征向量＝
(
特征
1,
特征
2,
特征
3,...,
特征
n)
，
n
表示该用户有
n
个不同的面部特征；
S6<...
【专利技术属性】
技术研发人员：李淑红，刘飞，
申请(专利权)人：黑龙江都越科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。