[发明专利]一种基于刷脸终端的信息安全管理方法以及设备在审

专利信息
申请号: 201910854125.3 申请日: 2019-09-10
公开(公告)号: CN112560543A 公开(公告)日: 2021-03-26
发明(设计)人: 陈颖;黄佑君;施冠杰;洪笑梅;钟亚平 申请(专利权)人: 厦门身份宝网络科技有限公司
主分类号: G06K9/00 分类号: G06K9/00;G07C9/37
代理公司: 厦门原创专利事务所(普通合伙) 35101 代理人: 徐东峰
地址: 361008 福建省厦门市软*** 国省代码: 福建;35
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 终端 信息 安全管理 方法 以及 设备
【说明书】:

发明公开了一种基于刷脸终端的信息安全管理方法以及设备。其中,所述方法包括:该刷脸终端包括后台人脸管理平台和前端人脸终端,该后端人脸管理平台导入人脸图片,和提取该导入的人脸图片的人脸特征值,和存储该提取的人脸特征值,和下发该存储的人脸特征值到该前端人脸终端,该前端人脸终端接收该下发的人脸特征值,对该接收的人脸特征值进行检验和入库人脸特征值库,该刷脸终端在确保刷脸功能正常使用的前提下,通过该后端人脸管理平台下发该存储的人脸特征值到该前端人脸终端,因通过人脸特征值无法还原出人脸图片,能够实现有效确保人脸信息的安全,避免出现人脸信息泄漏的情况。

技术领域

本发明涉及刷脸技术领域,尤其涉及一种基于刷脸终端的信息安全管理方法以及设备。

背景技术

目前市场上的刷脸终端即人脸识别终端应用越来越多,比如刷脸门禁控制小区或单元楼的开门,刷脸闸机可实现刷脸过闸机通行。刷脸终端可分为在线识别或离线识别,在线识别由刷脸终端采集人脸后进行人脸对比,受网络影响较大,影响客户体验,如网络故障也造成刷脸终端无法使用。另一种主流的刷脸终端产品就是在前端人脸终端上运行本地人脸对比算法实现刷脸,即由后台人脸管理平台把人脸信息下发到前端人脸终端,由前端人脸终端自行采集对比开门。但是人脸信息由后台人脸管理平台下发到前端人脸终端的问题就在于信息安全,可能存在人脸信息泄漏的问题,例如前端人脸终端被破解出登录用户和登录密码,即通过该破解出的登录用户和登录密码登录前端人脸终端就可能造成所有人员的人脸信息的泄漏。

但是,发明人发现现有技术中至少存在如下问题:

现有的刷脸终端一般是在前端人脸终端上运行本地人脸对比算法实现刷脸,即由后台人脸管理平台把人脸信息下发到前端人脸终端,由前端人脸终端自行采集对比开门,但是人脸信息由后台人脸管理平台下发到前端人脸终端的问题就在于信息安全,可能存在人脸信息泄漏的问题。

发明内容

有鉴于此,本发明的目的在于提出一种基于刷脸终端的信息安全管理方法以及设备,能够实现有效确保人脸信息的安全,避免出现人脸信息泄漏的情况。

根据本发明的一个方面,提供一种基于刷脸终端的信息安全管理方法,所述刷脸终端包括后端人脸管理平台和前端人脸终端,所述基于刷脸终端的信息安全管理方法,包括:

所述后端人脸管理平台导入人脸图片;

所述后端人脸管理平台提取所述导入的人脸图片的人脸特征值;

所述后端人脸管理平台存储所述提取的人脸特征值;

所述后端人脸管理平台下发所述存储的人脸特征值到所述前端人脸终端;

所述前端人脸终端接收所述下发的人脸特征值,对所述接收的人脸特征值进行检验和入库人脸特征值库。

其中,所述后端人脸管理平台提取所述导入的人脸图片的人脸特征值,包括:

所述后端人脸管理平台采用基于卷积神经网络的深度学习人脸算法,提取所述导入的人脸图片的人脸特征值。

其中,所述后端人脸管理平台采用基于卷积神经网络的深度学习人脸算法,提取所述导入的人脸图片的人脸特征值,包括:

所述后端人脸管理平台采用整合端到端卷积神经网络浅层特征与深层特征的基于卷积神经网络的深度学习人脸算法,提取所述导入的人脸图片的人脸特征值。

其中,在所述前端人脸终端接收所述下发的人脸特征值,对所述接收的人脸特征值进行检验和入库之后,还包括:

所述刷脸终端还包括人脸门禁设备,所述人脸门禁设备在采集到人脸图片时,通过所述后端人脸管理平台提取所述采集到的人脸图片的人脸特征值,并将所述通过所述后端人脸管理平台提取的人脸特征值与所述人脸特征值库中的人脸特征值进行实时对比校验,对比校验通过则开门。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于厦门身份宝网络科技有限公司,未经厦门身份宝网络科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910854125.3/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top