基于人臉識別的任務執行的制作方法

本發明屬于計算機技術領域，更具體地說，是涉及一種基于人臉識別的任務執行方法。

背景技術：

人體有諸多唯一的特征，比如人臉、指紋、虹膜、人耳等，這些特征被統稱為生物特征。生物特征識別被廣泛用于安防、家居、智能硬件等眾多領域，目前較為成熟的生物特征識別比如指紋識別、虹膜識別等已被普遍應用于手機、電腦等終端。而對于人臉等特征，盡管相關的研究已經非常深入，而對于人臉等特征的識別則仍未普及，這主要是因為已有的識別方法存在局限導致識別率及識別的穩定性較低。這些局限主要包括受環境光光強以及光照方向影響、人臉表情影響識別率、以及容易被人造特征欺騙等。

已有的人臉等特征的識別，主要基于人臉二維彩色圖像，當環境光強較弱時，會嚴重影響識別效果。另外，當光照的方向不同時，人臉圖像上會存在陰影，同樣也會影響識別效果。當被參照的人臉圖像是在沒有表情的情形下采集的，而當前是在微笑表情下采集的人臉圖像，人臉識別的效果也會下降。另外，若被識別對象不是真實人臉，而是二維的人臉圖片時，往往也能通過識別。

對于以上的問題，目前普遍采用基于近紅外或熱紅外圖像的生物特征識別，近紅外圖像不會受到環境光的干擾可以提高識別穩定性，然而卻難以解決人造特征欺騙的問題；熱紅外圖像僅對真實人臉成像，因此可以解決人造特征欺騙的問題，然而熱紅外圖像分辨率低，嚴重影響識別效果。

基于以上說明，目前仍缺乏一種較為全面的生物特征解決方案以用來執行像解鎖、支付等任務。

技術實現要素：

本發明為了解決現有技術中缺乏一種全面的人臉識別方案的問題，提供一種基于人臉識別的任務執行方法。

為了解決上述問題，本發明采用的技術方案如下所述：

本發明提供一種基于人臉識別的任務執行方法，其特征在于，包括：激活，激活當前任務；圖像采集，獲取包含人臉的結構光圖像；識別，利用所述結構光圖像進行人臉檢測與識別；執行，根據所述人臉檢測與識別結果執行任務。

在一些實施方案中，所述結構光圖像包括紅外散斑圖像。在一些實施方案中，所述紅外散斑圖像的散斑顆粒密度被設置為不遮擋所述人臉的主要紋理特征。

在一些實施方案中，所述人臉檢測與識別是利用基于機器學習的檢測與識別算法，所述算法中用于模型學習的樣本庫由彩色圖像和/或灰度圖像組成。

在一些實施方案中，所述圖像采集還包括獲取包含人臉的可見光圖像；所述識別包括利用所述結構光圖像以及所述可見光圖像進行人臉檢測及識別。

在一些實施方案中，所述識別包括以下步驟：利用所述結構光圖像計算出深度圖像；利用所述結構光圖像以及所述深度圖像進行人臉檢測及識別。

在一些實施方案中，所述裝置還包括：所述圖像采集還包括獲取包含人臉的熱紅外圖像；所述識別包括利用所述結構光圖像以及所述熱紅外圖像進行人臉檢測及識別。

在一些實施方案中，所述人臉檢測與識別包括對所述人臉位置的識別。

在一些實施方案中，所述人臉檢測與識別包括對所述人臉距離的識別。

本發明還提供一種處理電路，用于執行以上各權利要求所述的基于人臉識別的任務執行方法。

本發明的有益效果為：提供一種基于人臉識別的任務執行方法，通過利用紅外散斑圖像對人臉直接進行檢測與識別，由于紅外散斑圖像即保留了人臉二維紋理信息特征又與三維深度特征直接相關，另外紅外光不受外界環境干擾，因此本發明的方法可以全天候地實現對人臉進行識別，無需進行活體檢測就能實現精確識別。

附圖說明

圖1所示的根據本發明一種實施例的人臉識別場景示意圖。

圖2是根據本發明一個實施例的人臉識別裝置的結構示意圖。

圖3是根據本發明一個實施例的利用結構光圖像進行人臉識別步驟圖。

圖4是根據本發明一個實施例的利用結構光圖像與可見光圖像進行人臉識別步驟圖。

圖5是根據本發明一個實施例的利用結構光圖像與深度圖像進行人臉識別步驟圖。

圖6是根據本發明一個實施例的利用結構光圖像與熱紅外圖像進行人臉識別步驟圖。

圖7是根據本發明實施例的基于人臉識別的任務執行方法步驟圖。

具體實施方式

為了使本發明實施例所要解決的技術問題、技術方案及有益效果更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

需要說明的是，當元件被稱為“固定于”或“設置于”另一個元件，它可以直接在另一個元件上或者間接在該另一個元件上。當一個元件被稱為是“連接于”另一個元件，它可以是直接連接到另一個元件或間接連接至該另一個元件上。另外，連接即可以是用于固定作用也可以是用于電路連通作用。

需要理解的是，術語“長度”、“寬度”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內”、“外”等指示的方位或位置關系為基于附圖所示的方位或位置關系，僅是為了便于描述本發明實施例和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本發明的限制。

此外，術語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特征的數量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括一個或者更多該特征。在本發明實施例的描述中，“多個”的含義是兩個或兩個以上，除非另有明確具體的限定。

本發明提供了一種利用結構光圖像進行生物特征識別的裝置及其方法。在以下的闡述中將以人臉特征識別為例。

人臉識別技術可以被用于安檢、監控，目前隨著智能終端比如手機、平板的普及，人臉識別技術也會被應用于解鎖、支付，甚至娛樂游戲等多個方面。智能終端設備，比如手機、平板、電腦、電視等大都配備了彩色相機，利用彩色相機采集包含人臉的圖像后，利用該圖像進行人臉檢測及識別，從而進一步利用識別的結果執行其他相關的應用。然而，對于像手機、平板等移動終端設備而言，其應用環境常常變化，環境變化會影響彩色相機的成像，比如光線較弱時則無法對人臉進行很好的成像。另一方面，彩色相機無法識別被識別對象是否為真實人臉。

本發明將提供一種即可以分辨真假人臉也不受環境光干擾的人臉識別方法及裝置。

圖1所示的根據本發明一種實施例的人臉識別場景示意圖。用戶10手持人臉識別裝置11（移動終端，如手機、平板等），移動終端11內部前置了一個投影模組111以及成像模組112，當移動終端11面向用戶頭部且激活了人臉識別任務后，投影模組111向用戶臉部投射結構光圖像（如散斑圖像12），成像模組112用于采集包含人臉的圖像，圖像中還包含有散斑圖像12。終端11內部還配置有處理電路(未在圖中標出)，用來實現對含有散斑圖像12的人臉圖像的處理。對于人臉識別系統，處理電路一般需要執行以下任務：圖像預處理、人臉檢測、人臉分割、特征提取、人臉識別以及根據識別結果執行相關的任務，比如解鎖、支付等。該處理電路可以是單個專用的處理器，也可以是多個處理器組成，所需要執行的任務以軟件算法的形式被寫入到處理電路中執行。處理電路也可以根據當前的應用執行相應的任務，比如針對需要深度圖像的應用，則可以執行深度計算的任務。

在一些實施例中，人臉識別裝置11也可以是固定的終端設備，比如電腦、電視、機頂盒、游戲機、安檢閘機等。

在一些實施例中，人臉識別裝置11也可以是分開的多個裝置組成，比如由攝像頭（包含投影模組111以及成像模組112）以及計算設備組成，攝像頭與計算設備之間連接以傳輸數據，連接方式包括有線及無線連接。一般地，攝像頭用來獲取人臉的結構光圖像，圖像通過網絡連接傳輸到計算設備后進一步由計算設備中的處理電路來執行相應的任務。可以理解的是，攝像頭上也可以設置一些處理電路來執行部分任務。

圖2是根據本發明一個實施例的人臉識別裝置的結構示意圖。投影模組111包含光源、透鏡以及結構光生成器（如衍射光學元件doe），光源發射光束后被透鏡準直或聚焦，再經過doe分束后向外發射出散斑圖像12。一般地，光源為近紅外激光，比如邊發射激光器或vcsel激光器，采用近紅外激光可以向外發射出不可見的散斑圖像12，因此不會對人造成視覺干擾，另一方面，近紅外激光容易被紅外成像模組112采集。可以理解的是，光源可以采用任何合適的波長，在此不受局限。

投影模組111與成像模組112與人臉識別裝置11中的主板115連接，另外用于執行計算任務的處理器113也通過主板與投影模組及成像模組112連接。

在一個實施例中，人臉識別裝置11中也配置了用于獲取紋理圖像的可見光相機114，比如rgb相機、灰度相機等。可見光相機114與成像模組112也可以合二為一，即在成像模組112內部的圖像傳感器(如cmos、ccd)各像素表面分別配置用于不同波長通過的濾光片，以分別采集結構光圖像以及可見光圖像。

在一個實施例中，人臉識別裝置11中也配置了用于獲取目標熱紅外圖像的熱紅外相機114。

圖3是根據本發明一個實施例的利用結構光圖像進行人臉識別步驟圖。包括以下步驟。

步驟301中，通過投影模組111向包含人臉的空間區域中投射結構光，例如散斑12。

步驟302中，利用成像模組112采集包含人臉的散斑圖像。

步驟303中，根據采集到的散斑圖像，檢測出散斑圖像中的人臉區域圖像。

步驟304中，基于所檢測到的人臉區域圖像進行人臉識別。

在步驟303中，人臉檢測的步驟是直接基于散斑圖像的，這是由于散斑圖像與其他結構光圖像（如相位條紋、二值編碼等）相比，人臉的絕大部分信息都得以保留，換個角度說，散斑圖像等同于可見光灰度圖像加上一些噪聲，因此在進行人臉檢測時，一個實施例中可以先對散斑圖像進行預處理，比如利用形態學圖像處理方法進行噪聲去除等。對于條紋、二值編碼等結構光圖像，當被投影到人臉時，超過一半的人臉信息將被結構光圖像遮擋，且被遮擋部分由于面積較大且連續導致無法通過圖像算法恢復，而散斑圖像盡管覆蓋在人臉上，但由于散斑顆粒較小，且不連續，不會對人臉紋理造成較大的失真。

人臉識別任務一般有人臉認證與人臉鑒定，人臉認證指已知當前人臉存在于人臉數據庫中，人臉認證的任務是識別出該人臉是誰；人臉鑒定指不知道當前人臉是否存在于人臉數據庫中，人臉鑒定的任務是做出判斷，輸出存在與不存在的結果。但無論是哪一種方式，人臉識別本質上都包含以下步驟：特征提取以及特征匹配。步驟304中將基于檢測到的人臉區域圖像進行人臉識別，主要包括對人臉區域散斑圖像進行特征提取，進一步利用的特征進行人臉識別。

圖4是根據本發明一個實施例的利用結構光圖像與可見光圖像進行人臉識別步驟圖。包括以下步驟。

步驟401中，通過投影模組111向包含人臉的空間區域中投射結構光，例如散斑12。

步驟402中，利用成像模組112采集包含人臉的散斑圖像。

步驟403中，利用可見光相機114采集包含人臉的可見光圖像。

步驟404中，根據采集到的散斑圖像與可見光圖像，檢測出散斑圖像與可見光圖像中的人臉區域圖像。

步驟405中，基于所檢測到的人臉區域圖像進行人臉識別。

其中，步驟402與步驟403可以同步進行，比如由控制器控制成像模組112與可見光相機114進行同步采集。可見光圖像可以是彩色圖像，比如rgb圖像，也可以是灰度圖像，這里的可見光圖像指的是反映人臉紋理特征且不包括結構光信息的圖像。當投影模組投射的也是可見光時，為了防止結構光對可見光圖像采集時產生影響，步驟402與步驟403應錯開進行，其先后順序可以任意設置。

在步驟404中進行人臉區域檢測時，可以分別對散斑圖像以及可見光圖像進行人臉檢測，也可以僅對其中一幅圖像進行檢測，結合兩個相機的相對位置關系從而直接得到另一幅圖像上的人臉區域，相對位置關系需要通過預先進行標定。一般地，可見光圖像的人臉檢測技術較為成熟可靠，因此在一個實施例中，通過對可見光圖像進行人臉區域檢測，其次根據檢測結果以及兩個相機的相對位置關系得到散斑圖像上的人臉區域。

在步驟405中，可以僅利用散斑圖像中的人臉區域圖像進行人臉識別，也可以結合可見光圖像中的人臉區域圖像，以提高識別的正確率。

圖5是根據本發明一個實施例的利用結構光圖像與深度圖像進行人臉識別步驟圖。包括以下步驟。

步驟501中，通過投影模組111向包含人臉的空間區域中投射結構光，例如散斑12。

步驟502中，利用成像模組112采集包含人臉的散斑圖像。

步驟503中，利用散斑圖像計算出相應的深度圖像。

步驟504中，根據得到的散斑圖像與深度圖像，檢測出散斑圖像與深度圖像中的人臉區域圖像。

步驟505中，基于所檢測到的人臉區域圖像進行人臉識別。

在步驟503中，基于結構光三角法可以計算出散斑圖像對應的深度圖像，具體地，將散斑圖像與參考散斑圖像進行匹配計算獲取各個像素的偏離值，由于偏離值與深度直接相關，因此根據偏離值能計算出深度值。

在步驟504中進行人臉區域檢測時，由于散斑圖像與深度圖像是一一對應的，因此僅需要對其中一幅圖像進行檢測，一般地，在深度圖像中進行圖像分割以提取人臉區域更為方便，因此在一個實施例中，通過對深度圖像進行人臉區域檢測，其次根據檢測結果直接得到散斑圖像上的人臉區域。

在步驟505中，可以僅利用散斑圖像中的人臉區域圖像進行人臉識別，也可以結合深度圖像中的人臉區域圖像，以提高識別的正確率。利用深度圖像的另一好處在于，可以判斷人臉是否為立體人臉，以防止利用平面照片也可以進行識別的可能，提高人臉識別的安全性。需要說明的是，若利用深度圖像進行立體檢測時，步驟504中則不能利用對深度圖像的圖像分割來實現人臉區域提取。

圖6是根據本發明一個實施例的利用結構光圖像與熱紅外圖像進行人臉識別步驟圖。包括以下步驟。

步驟601中，通過投影模組111向包含人臉的空間區域中投射結構光，例如散斑12。

步驟602中，利用成像模組112采集包含人臉的散斑圖像。

步驟603中，利用熱紅外相機114采集包含人臉的熱紅外圖像。

步驟604中，根據得到的散斑圖像與熱紅外圖像，檢測出散斑圖像與深度圖像中的人臉區域圖像。

步驟605中，基于所檢測到的人臉區域圖像進行人臉識別。

在步驟604中進行人臉區域檢測時，可以先對熱紅外圖像進行檢測，由于熱紅外圖像獨特的成像特性，可以根據熱紅外圖像輕易的識別出是否存在人臉，或是否為真實人臉。當檢測到真實人臉時，則進入步驟605，若沒檢測到人臉，或檢測到是虛假人臉時，則無需進入對人臉的識別步驟。因此，熱紅外圖像在這里承擔了活體檢測的任務。

在步驟605中，可以僅利用散斑圖像中的人臉區域圖像進行人臉識別，也可以結合熱紅外圖像中的人臉區域圖像，以提高識別的正確率。

以上幾種人臉識別實施例中，僅介紹了大致的過程，可以理解的是，通過對以上過程中的一個或多個步驟的等同替換、調整也將落入到本發明的保護范圍內。接下來對其中涉及到的人臉檢測、人臉識別進行介紹。

人臉檢測。人臉檢測的主要目的是檢測出圖像中是否存在人臉以及人臉所在的位置，人臉檢測算法主要包括基于知識規則、不變特征、模板匹配以及統計模型共四類方法。在以上各實施例的步驟中，涉及到散斑圖像、可見光圖像、熱紅外圖像以及深度圖像，對于不同圖像進行人臉檢測所時應選擇合適的算法。比如對于可見光圖像，可以采用基于不變特征(如膚色等特征）的人臉檢測算法；而對于深度圖像，由于反映的是人臉的三維信息，因此，利用基于三維模板匹配的方法較為適用；對于熱紅外圖像，一般圖像中能輕易地通過閾值區分出人臉，因此可以根據知識規則(閾值)來進行人臉檢測；對于散斑圖像，實際上可以看成是普通灰度圖像上增加了一些噪聲，在進行人臉檢測時，一種方法是通過圖像處理將散斑盡可能去除后進行人臉檢測，另一種方案是直接利用散斑圖像進行人臉檢測。

由于人臉圖像往往會受到不同程度的外界因素影響導致圖像質量較低，此時基于統計模型的人臉檢測算法可以提供更加準確的檢測結果。從統計意義上說，人臉檢測問題即是一個分類器問題，即圖像上的像素只可能是兩種情況，一種是人臉，一種不是人臉。比如adaboost算法在人臉檢測方面已被證明具有很高的檢測率。

人臉檢測算法多種多樣，以上的方法僅為舉例說明，任何合適的算法都可以被用來進行人臉檢測。

人臉識別。檢測到人臉圖像后，需要對該人臉圖像進行識別，人臉識別算法主要有利用總體紋理特征的基于外觀的方法、子空間法、神經網絡法以及基于形狀和紋理的基于模型的方法等。針對不同的圖像可以選擇不同的方法，比如對于深度圖像優選地采用基于模型的人臉識別方法。對于可見光圖像，最早的人臉識別方法是基于幾何特征的算法，該算法通過提取待識別圖像與模板圖像中的特征子，然后計算出兩種特征子之間的相似度，比如利用最小距離量度來衡量相似度以實現人臉識別。任何合適的算法都可以被用來進行人臉識別。

在進行人臉檢測與人臉識別時時，熱紅外圖像盡管具備活體識別的功能，然而熱紅外相機成本較高，另外熱紅外圖像會隨著被識別者情緒等多種因素影響，導致僅利用熱紅外圖像進行人臉識別的效果不理想。而利用可見光圖像進行人臉檢測與識別時，一方面受光照等影響嚴重，另一方面可見光圖像由于僅能反映被識別者人臉的二維信息，因此容易導致當用被識別者的二維圖像作為被識別對象時也會被識別的隱患。利用深度圖像進行人臉檢測與識別時，可以方便地進行活體識別，然而由于深度圖像的特征較少，在進行人臉識別特征比對時難度較大。

散斑圖像上包含了絕大部分人臉的二維紋理信息，另外圖像上的散斑則直接與人臉的三維信息相關，因此利用人臉的散斑圖像不僅可以很好的進行人臉檢測與識別，還可以判斷是否為活體。需要說明的是，這里所說的活體判斷并非單獨的進行一次活體檢測任務，而是說利用散斑圖像可以有非常有效地降低當被測對象為非三維真實人體時的識別相似度。舉例來說，假設當前的人臉識別任務是判斷當前被識別人臉是否與系統中存儲的人臉是否為同一人臉，首先將被測試者真實人臉的標準散斑圖像保存到存儲器中，然后對被測試者人臉采集當前散斑圖像，最后對當前散斑圖像與標準散斑圖像進行相似度識別，從而判斷是否為同一人臉。顯然地，若在采集當前散斑圖像時，被采集對象是真實人臉，相似度識別的結果將顯示為同一人臉；若被采集對象是虛假的包含被測試者人臉二維相片時，采集到的散斑圖像中雖然有被測試者人臉相同的二維紋理信息，然而散斑圖像上的散斑卻反映的是平面信息而非立體信息，因此導致最終的相似度識別結果為非同一人臉。

利用散斑圖像進行人臉檢測與識別可以基于任何用于彩色圖像、灰度圖像、深度圖像的檢測與識別算法，在一些基于機器學習的算法中，用于學習的樣本庫最好是由多個人臉的散斑圖像組成，在一些實施例中也可以是由彩色圖像、灰度圖像或者深度圖像組成。事實證明，當由彩色圖像組成的樣本庫學習出的模型對散斑圖像進行識別時，能夠很好的避免由虛假二維照片引起的錯識別。

散斑圖像中散斑顆粒的密度會影響到人臉識別的性能，散斑圖像若過密將會遮擋更多的人臉紋理信息，散斑圖像若過于稀疏又會使得其所反映的三維特征信息太少。因此散斑圖像的密度應被控制在合理的范圍內，即不會過多地遮擋人臉主要紋理信息（比如眼睛、鼻子、嘴巴等）又可以較精確地反映出人臉的三維特征。在一些實施例中，投影模組被設置為可以投影多種密度的散斑圖像，當進行人臉檢測與識別時，則投影低密度散斑圖像，當需要進行三維掃描任務時，則投影出高密度散斑圖像。在一些實施例中，投影模組可以投影出多種密度且均能滿足不遮擋人臉主要紋理信息的散斑圖像，密度較低的散斑圖像用于人臉識別時，識別速度快，但識別精度低，而密度較高的散斑圖像則識別速度慢，但識別精度高。

在圖4~圖6所對應的人臉識別方法或者利用不同密度的散斑圖像進行的人臉識別方法中，均是基于兩種或以上不同的圖像進行識別的，這樣的好處在于可以適用于更多的場景且提高識別率。在將兩種或以上的圖像進行識別時，一般有兩種識別整合方法，一種是基于決策的融合，即分別對各種圖像進行識別，然后將識別結果進行融合以得到最終的識別結果；另一種是數據融合，即將兩種或以上的圖像直接作為人臉識別系統的輸入，在人臉識別算法過程中，各種圖像上的特征都作為最終結果的依據。

人臉檢測與識別可以被用于多種任務中，比如智能設備的解鎖、支付等。一般地，任務的執行包括三個步驟：任務激活、人臉識別以及任務執行。

在一些實施例中，由于不同的任務的安全等級不同，若對于不同安全等級的任務采用同一種人臉識別方案顯然是不合理的，對于安全等級較低的任務，比如解鎖，可以采用較為簡單、快速的人臉識別方案；而對于安全等級較高的任務，比如支付，則適宜采用較為復雜、準確的人臉識別方案。

圖7是根據本發明實施例的基于人臉識別的任務執行方法步驟圖。包括以下步驟：

步驟701中，激活當前任務。激活可以由多種方式進行，比如按鍵、慣性測量設備(imu)等。在一個實施例中，任務是移動設備由休眠狀態解鎖至設備打開，激活該任務可以由一些按鍵來執行，比如home鍵、開關鍵、音量鍵等，也可以通過內部的imu設備，比如用戶拿起移動設備迅速移動產生相應的加速度被imu設備獲取（例如用戶從某一地方拿起移動設備引起的加速度），當加速度達到某一閾值時激活當前任務。在一個實施例中，任務是支付任務，激活該任務可以直接通過相關軟件上的虛擬按鈕來執行，可以理解的是激活任務的方法可以由其他任何合適的方式。

步驟702中，判斷當前識別任務的安全等級。即激活任務之后需要對當前任務的安全等級予以判斷。一個實施例中，對各種可能的任務預先設置相應的安全等級，比如解鎖任務為安全等級1、軟件打開任務為安全等級2、支付任務為安全等級3，安全等級越高意味著當前任務的私密性越高，對人臉識別的準確度要求越高。當激活之后，對當前的任務進行安全等級的判斷。

步驟703中，執行與安全等級對應的人臉識別方法。在圖3~圖6中共介紹了4種人臉識別方法，不同識別方法需要的硬件及軟件算法不同，在一個實施例中，若當前人臉識別裝置均可以執行以上方法，并且按照算法的準確性對以上方法進行分類，并按準確性對不同方法進行分類并與安全等級進行匹配。這一步驟中，根據上一步中獲得的安全等級執行相應的人臉識別方法，比如對于安全級別最低的解鎖任務，執行如圖3所示的人臉識別方法。在一些實施例中，通過投影不同密度的散斑圖像來針對不同安全級別的任務，散斑圖像密度越高對應的安全級別也越高。可以理解的是，任何兩種以上且不同效果的人臉識別方法均可以被用于本發明中以對應不同的安全等級。

步驟704中，根據人臉識別結果執行相應的任務。比如對于解鎖任務，當人臉識別結果表明被識別對象與系統內保存的對象為同一人時，執行相應的指令予以解鎖。可以理解的是，識別結果一般包含正面及負面結果，不同的結果應執行不同的任務，或者不執行任何任務。在一些實施例中，人臉識別的結果除了判斷是否為同一人或者屬于標準人物庫中的一員等情形外，還應包括識別到的人臉的位置和/或距離，僅當人臉的位置和/或距離達到預設值時才會執行相應的任務。

不同的人臉識別裝置由于硬件配置的不同，導致其能實現的人臉識別方法也不同，因此在以上的說明中，不同安全等級所執行的人臉識別方法也會有所差異。安全等級的數量與人臉識別方法的數量也未必相同，可以理解的是，以上的說明所要保護的范圍不會受到此局限。另外，即使相同的硬件配置，也可以設置不同的識別算法以對應不同的安全等級。

本實施例中以系統應用的安全來進行分級，可以理解的是，其他任何分級都被包含在本發明的范圍內。

以上對人臉進行識別的裝置與方案也可以被用在其他人體生物特征的識別中，在一些實施例中，可以利用結構光圖像對人耳進行識別并進一步執行相應的任務。下面將介紹一種利用人耳識別來執行移動終端的通話任務。

人耳也是可以辨別身份的生物特征，在一些應用中，特別是對于移動通信終端的通話任務而言，最終是要將終端靠近耳朵來執行通話任務，已有的方法中，當終端來電時，通話需要通過按鍵或按鈕來接聽，然而將終端靠近耳邊來進行通話。在本發明中將提供一種更加便捷的接聽方法，即當來電時，無需進行按鍵或按鈕來接聽，而是直接將終端靠近人耳，并通過對人耳的識別來判斷是否接聽。

當移動通信終端有來電時，即執行了激活通話任務，并彈出指令指示是否接聽。在一個實施例中，將通話任務的安全等級設置為較高，即僅終端的所有人或指定的個別人可以接聽；在一些實施例中，也可以將通話任務的安全等級設置為低，即所有人都可以接聽。

接下來，即執行與安全等級對應的人耳識別方法。對于僅個別人可以接聽的安全等級，終端在靠近人耳的過程中，不斷執行對當前人耳的檢測與識別并判斷是否屬于已保存的人別個體的耳朵中的一個，若是即執行接聽任務，若否則執行拒接任務。對于所有人都可以接聽的安全等級，終端在靠近人耳的過程中，執行對人耳的檢測與識別，并判斷是否為人耳，若是即執行接聽任務。

在一個實施例中，對人臉或人耳的檢測與識別還包括人臉或人耳相對于識別終端的位置或距離等的識別，即不僅要識別出人臉或人耳，還需要判斷人臉或人耳是否處在合適的位置后，再執行下一步的任務。在一個實施例中，當人耳足夠靠近終端時才開啟接聽任務，比如，這一距離可以設置為5cm以內。

利用對人耳的識別除了可以執行通話任務，還可以執行其他對終端狀態的改變，比如當前狀態是利用揚聲器進行聲音外放的狀態，當終端靠近人耳且被識別之后將終端狀態變成由聽筒發出聲音僅靠近時才能聽見的狀態。

以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定本發明的具體實施只局限于這些說明。對于本發明所屬技術領域的技術人員來說，在不脫離本發明構思的前提下，還可以做出若干等同替代或明顯變型，而且性能或用途相同，都應當視為屬于本發明的保護范圍。