具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的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申请的限制。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例1

请参阅图1，为本申请实施例提供的一种基于训练式的人脸识别智能保险柜应用方法，传统的人脸识别技术存在的不足之处在于，人的面部在不同的角度存在一定的差异性，由此使得保险柜上的人脸识别装置采集同一个人脸的不同角度时往往存在一定的差异性，为解决这一缺陷，本实施例利用深度哈希编码、支持向量机（SVM）、多组式 K均值算法（K-means）等模型实现高精度的面向智能保险柜应用的人脸识别，其具体实施方式如下：

S101:定义训练模型，训练模型包括支持向量机模型；

为使得对人脸识别的精度进行提高，本发明采用训练式人脸识别的方法，并采用支持向量机模型对采集的人脸图像信息进行处理，其中支持向量机作为是一种按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界14是对学习样本求解的最大边距超平面。且支持向量机使用铰链损失函数计算经验风险在求解系统中加入了正则化项以优化结构风险，使得支持向量机在运算时具有稀疏性和稳健性。且由于本发明时对生物信息进行识别与判断，故而利用支持向量机通过核方法进行非线性分类。

S201:利用保险柜上的人脸识别装置采集保险柜持有人的人脸图像信息，将该人脸图像信息定义为第一训练样本12；

S301:从互相网上采集非保险柜持有人的人脸图像信息，将该人脸图像信息定义为第二训练样本17；

采集保险柜持有人的人脸图像信息以及非保险柜持有人的人脸图像信息，其目的在于为支持向量机的运算提供分类样本，例如：利用保险柜上的人脸识别装置采集保险柜持有人60 张不同角度、不同姿态的人脸图像作为第一训练样本12，利用互联网等途径采集60 张非保险柜持有人的人脸图像，作为第二训练样本17。

S401:将第一训练样本12和第二训练样本17导入训练模型进行训练，获得决策模型；

如图2所示，在利用训练模型训练后，获得决策模型，在决策模型中可以获得决策边界14、第一训练样本间隔边界13，第二训练样本间隔边界15，第一训练样本支持向量11以及第二训练样本支持向量16，并将超过第一训练样本间隔边界13的数值定义为第一预设值，将低于第二训练样本间隔边界15的数值定义为第二预设值。

S501a:保险柜的人脸识别装置对使用者进行检测时，对其人脸图像进行采集并基于决策模型进行匹配，当基于决策模型匹配的结果值超过第一预设值时，发出打开智能保险柜的指令；当基于决策模型匹配的结果值低于第二预设值时，发出禁止打开智能保险柜的指令。

经过上述的训练步骤基于支持向量机的训练后，将待检测的图像信息导入决策模型进行匹配，当基于决策模型匹配的结果值超过第一预设值时，说明使用者为保险柜的持有者，发出打开智能保险柜的指令将保险柜打开；当基于决策模型匹配的结果值低于第二预设值时，说明使用者不是保险柜的持有者，发出禁止打开智能保险柜的指令继续关闭保险柜。

请参照图3，S501d：还包括当基于决策模型匹配的结果值在第一预设值与第二预设值之间，则重复S101至S501a的步骤。

在本发明的一些实施例中，对于人脸识别的精度，其误差主要存在于基于支持向量机模型分类后，处于分类边缘部分时，容易导致匹配错误，从而图2中可知待检测人脸信息位于决策模型中的第一训练样本间隔边界13和第二训练样本间隔边界15之间，且分别靠近对应的间隔边界时，即基于决策模型匹配的结果值在第一预设值与第二预设值之间。故而为了避免出现此类错误，重复上述步骤，继续进行数据采集，并重新更新决策模型，由此使得基于支持向量机模型的匹配更加精确。

实施例2

请参阅图4，本实施例基于实施例1提出，当基于决策模型匹配的结果值在第一预设值与第二预设值之间时，还包括采用深度哈希编码方法对第一训练样本12和第二训练样本17分别进行表征，对表征的样本采用欧式距离计算方法计算第一训练样本12和第二训练样的相似度，根据相似度大小从高到低，保存第一预设数量的第一训练样本12和第二训练样为对比样本；采用多组式K均值算法将待检测图像与对比样本进行匹配，若判断待检测图像为保险柜持有人的人脸图像，则发出打开保险柜的指令；若判断待检测图像不是保险柜持有人的人脸图像，则发出禁止打开保险柜的指令。

S501b：深度哈希编码方法包括采用损失函数将第一训练样本12和第二训练样本17中的符合预设相似度的样本的进行归类，将不符合预设相似度的样本排除；将符合预设相似度的样本生成二进制编码，使用正则化器使二进制编码逼近期望的离散值，量化输出的二进制编码表征。

在本发明的一些实施例中，本发明的深度哈希编码采用论文《Deep SupervisedHashing for Fast Image Retrieval》中的CNN架构，以第一训练样本12和第二训练样本17作为训练进行输入，使得每个图像的输出近似离散值(例如+1/-1)。并设置损失函数：

让Ω表示RGB空间，另外相似图像的编码应该尽可能的接近，不同图像的编码应该远离。基于这个原因，损失函数将相似图像的编码拉到一起，将不同图像的编码排除。具体地说，一副图像，对应的二进制网络输出为，如果他们是相似的，定义，否则。故而对两幅图像的损失定义为:

其中表示两个二进制向量之间的汉明距离，是一个边际阈值参数。第一项惩罚映射到不同的二进制编码的相似图像,第二项在映射到相近二进制编码的不相似图像的汉明距离低于边际阈值时进行惩罚。只有距离在一个半径内的不相似图像对有资格贡献自己的损失函数（其实就是差距过大的不相似图像对训练网络没什么用）。假设这里有对随机从训练图像中采样的训练图像对，其最小化总体的损失函数为：

通过上述方法对来自第一训练样本12和第二训练样本17的输入图像对的监督信息进行编码，同时对实值输出进行正则化，以逼近所需的离散值，从而最大限度地提高输出空间的可辨识性。另外在图像检索中，新出现的待检测图像还可通过输入网络进行编码，然后将网络输出量化成二进制编码表征，可以很容易地对其进行编码。

S502b：对比样本中的第一训练样本12内包括多个正样本，对比样本中的第二训练样本17内包括多个负样本，分别采用欧式距离计算两两正样本之间的相似度、两两负样本之间的相似度，保留多个相同数量的正样本和负样本。

在本发明的一些实施例中，对二进制编码表征后的第一训练样本12和第二训练样本17采用欧氏距离变换，其原理为将一张二值图像（在此我们假定白色为前景色，黑色为背景色），将前景中的像素的值转化为该点到达最近的背景点的距离。由此计算出两两正样本之间的相似度、两两负样本之间的相似度，并分别保留40个差异较大的正样本和负样本。

在本发明的一些实施例中，为了加强计算的精度，采用多组式K均值算法（k-means算法），其原理为将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。其具体实施方式如下：

多组式K均值算法包括：

S503b：将多个正样本和多个负样本放在一个数据集中，将多个正样本和多个负样本分成多个分类组，任一分类组含有同等数量的正样本负样本；

将上述获得的40个正样本和40个负样本放在一个数据集中，分成5组，每组含有8个正样本和8个负样本；

S504b：从每个分类组随机选取第二预设数量的初始聚类中心；

对于每个组，随机选取2个初始聚类中心。

S505b：计算任一分类组的样本数据到与其对应的初始聚类中心的距离，将每个样本归到其距离最近的聚类中心形成分类簇；

计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心。

S506b：将任一分类簇内所有样本的均值作为分类簇新的二级聚类中心；

对每个分类簇，以所有样本的均值作为分类簇新的聚类中心，即二级聚类中心；

S507b：重复上述步骤,直到二级聚类中心不再变化；

S508b：若待检测图像被聚类后与正样本相适配，判定为保险柜持有者的人脸图像；若待检测图像被聚类后与负样本相适配，判定为非保险柜持有者的人脸图像。

S508c：若多个分类组中，有超过一半数量的分类组将待检测图像判定为保险柜持有者的人脸图像，则将待检测图像最终判定为保险柜持有者的人脸图像；多个分类组中，有超过一半数量的分类组将待检测图像判定为非保险柜持有者的人脸图像，则将待检测图像最终判定为非保险柜持有者的人脸图像。

在本发明的一些实施例中，根据上述步骤进行计算后，所获得的多个分类组依旧存在差别，则依据正样本或负样本在总体数量上占进行判定，根据上述假设数据，其具体实施方式如下：若5组中，有3组及以上将待检测图像判定为保险柜持有者的人脸图像，则将待检测图像最终判定为保险柜持有者的人脸图像；若5组中，有3组及以上将待检测图像判定为非保险柜持有者的人脸图像，则将待检测图像最终判定为非保险柜持有者的人脸图像。

实施例3

请参阅图5，为本申请实施例提供的一种基于训练式的人脸识别智能保险柜应用系统，包括：

模型定义模块1，模型定义模块1定义训练模型，训练模型包括支持向量机模型；

第一采集模块2，第一采集模块2利用保险柜上的人脸识别装置采集保险柜持有人的人脸图像信息，将该人脸图像信息定义为第一训练样本12；

第二采集模块3，第二采集模块3从互相网上采集非保险柜持有人的人脸图像，将该人脸图像信息定义为第二训练样本17；

处理模块4，处理模块4将第一训练样本12和第二训练样本17导入训练模型进行训练，获得决策模型；

判断模块5，判断模块5用于对保险柜的人脸识别装置对使用者进行检测时，对其人脸图像进行采集并基于决策模型进行匹配，当基于决策模型匹配的结果值超过第一预设值时，发出打开智能保险柜的指令；当基于决策模型匹配的结果值低于第二预设值时，发出禁止打开智能保险柜的指令。

实施例4

请参阅图6，本申请实施例提供一种电子设备，其特征在于，包括至少一个处理器6、至少一个存储器7和数据总线8；其中：处理器6与存储器7通过数据总线8完成相互间的通信；存储器7存储有可被处理器6执行的程序指令，处理器6调用程序指令以执行上述一种基于训练式的人脸识别智能保险柜应用方法。例如实现：

S101:定义训练模型，训练模型包括支持向量机模型；S201:利用保险柜上的人脸识别装置采集保险柜持有人的人脸图像信息，将该人脸图像信息定义为第一训练样本12；S301:从互相网上采集非保险柜持有人的人脸图像信息，将该人脸图像信息定义为第二训练样本17；S401:将第一训练样本12和第二训练样本17导入训练模型进行训练，获得决策模型；S501a:保险柜的人脸识别装置对使用者进行检测时，对其人脸图像进行采集并基于决策模型进行匹配，当基于决策模型匹配的结果值超过第一预设值时，发出打开智能保险柜的指令；当基于决策模型匹配的结果值低于第二预设值时，发出禁止打开智能保险柜的指令。

实施例5

本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器6执行时实现上述一种基于训练式的人脸识别智能保险柜应用方法。例如实现：

S101:定义训练模型，训练模型包括支持向量机模型；S201:利用保险柜上的人脸识别装置采集保险柜持有人的人脸图像信息，将该人脸图像信息定义为第一训练样本12；S301:从互相网上采集非保险柜持有人的人脸图像信息，将该人脸图像信息定义为第二训练样本17；S401:将第一训练样本12和第二训练样本17导入训练模型进行训练，获得决策模型；S501a:保险柜的人脸识别装置对使用者进行检测时，对其人脸图像进行采集并基于决策模型进行匹配，当基于决策模型匹配的结果值超过第一预设值时，发出打开智能保险柜的指令；当基于决策模型匹配的结果值低于第二预设值时，发出禁止打开智能保险柜的指令。

其中，存储器7可以是但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。

处理器6可以是一种集成电路芯片，具有信号处理能力。该处理器6可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本申请所提供的实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。