车门解锁方法及装置、系统、车、电子设备和存储介质与流程
本公开涉及车辆技术领域，尤其涉及一种车门解锁方法及装置、系统、车、电子设备和存储介质。
背景技术：
目前，用户需要携带车钥匙用于车门解锁。携带车钥匙存在不便捷的问题。另外，车钥匙存在损坏、失效或丢失的风险。
技术实现要素：
本公开提出了一种车门解锁技术方案。
根据本公开的一方面，提供了一种车门解锁方法，包括：
经设置于车的至少一距离传感器获取所述车外的目标对象和所述车之间的距离；
响应于所述距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像；
基于所述第一图像进行人脸识别；
响应于人脸识别成功，向所述车的至少一车门锁发送车门解锁指令。
在一种可能的实现方式中，所述预定条件包括以下至少之一：
所述距离小于预定的距离阈值；
所述距离小于预定的距离阈值的持续时间达到预定的时间阈值；
持续时间获得的所述距离表示所述目标对象接近所述车。
在一种可能的实现方式中，所述至少一距离传感器包括：蓝牙距离传感器；
所述经设置于车的至少一距离传感器获取所述车外的目标对象和所述车之间的距离，包括：
建立外部设备和所述蓝牙距离传感器的蓝牙配对连接；
响应于所述蓝牙配对连接成功，经所述蓝牙距离传感器获取带有所述外部设备的目标对象和所述车之间的第一距离。
在一种可能的实现方式中，所述至少一距离传感器包括：超声波距离传感器；
所述经设置于车的至少一距离传感器获取所述车外的目标对象和所述车之间的距离，包括：
经设置于所述车的室外部的所述超声波距离传感器获取所述目标对象和所述车之间的第二距离。
在一种可能的实现方式中，所述至少一距离传感器包括：蓝牙距离传感器和超声波距离传感器；
所述经设置于车的至少一距离传感器获取所述车外的目标对象和所述车之间的距离，包括：建立外部设备和所述蓝牙距离传感器的蓝牙配对连接；响应于所述蓝牙配对连接成功，经所述蓝牙距离传感器获取带有所述外部设备的目标对象和所述车之间的第一距离；经所述超声波距离传感器获取所述目标对象和所述车之间的第二距离；
所述响应于所述距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像，包括：响应于所述第一距离和所述第二距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像。
在一种可能的实现方式中，所述预定条件包括第一预定条件和第二预定条件；
所述第一预定条件包括以下至少之一：所述第一距离小于预定的第一距离阈值；所述第一距离小于预定的第一距离阈值的持续时间达到预定的时间阈值；持续时间获得的所述第一距离表示所述目标对象接近所述车；
所述第二预定条件包括：所述第二距离小于预定的第二距离阈值，所述第二距离小于预定的第二距离阈值的持续时间达到预定的时间阈值；所述第二距离阈值小于所述第一距离阈值。
在一种可能的实现方式中，所述响应于所述第一距离和所述第二距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像，包括：
响应于所述第一距离满足第一预定条件，唤醒设置于所述车的人脸识别系统；
响应于所述第二距离满足第二预定条件，经唤醒的所述人脸识别系统控制所述图像采集模组采集所述目标对象的第一图像。
在一种可能的实现方式中，所述距离传感器为超声波距离传感器，所述预定的距离阈值根据计算得到的距离阈值基准值和预定的距离阈值偏移值确定，所述距离阈值基准值表示所述车外的对象与所述车之间的距离阈值的基准值，所述距离阈值偏移值表示所述车外的对象与所述车之间的距离阈值的偏移值。
在一种可能的实现方式中，所述预定的距离阈值等于所述距离阈值基准值与所述预定的距离阈值偏移值的差值。
在一种可能的实现方式中，所述距离阈值基准值取车辆熄火后的距离平均值与车门解锁的最大距离中的最小值，其中，所述车辆熄火后的距离平均值表示车辆熄火后的指定时间段内所述车外的对象与所述车之间的距离的平均值。
在一种可能的实现方式中，所述距离阈值基准值周期性更新。
在一种可能的实现方式中，所述距离传感器为超声波距离传感器，所述预定的时间阈值根据计算得到的时间阈值基准值和时间阈值偏移值确定，其中，所述时间阈值基准值表示所述车外的对象与所述车之间的距离小于所述预定的距离阈值的时间阈值的基准值，所述时间阈值偏移值表示所述车外的对象与所述车之间的距离小于所述预定的距离阈值的时间阈值的偏移值。
在一种可能的实现方式中，所述预定的时间阈值等于所述时间阈值基准值与所述时间阈值偏移值之和。
在一种可能的实现方式中，所述时间阈值基准值根据所述超声波距离传感器的水平方向探测角、所述超声波距离传感器的探测半径、对象尺寸和对象速度中的一项或多项确定。
在一种可能的实现方式中，所述方法还包括：
根据不同类别的对象尺寸、不同类别的对象速度、所述超声波距离传感器的水平方向探测角和所述超声波距离传感器的探测半径，确定不同类别的对象对应的备选基准值；
从所述不同类别的对象对应的备选基准值中确定所述时间阈值基准值。
在一种可能的实现方式中，所述从所述不同类别的对象对应的备选基准值中确定所述时间阈值基准值，包括：
将不同类别的对象对应的备选基准值中的最大值确定为所述时间阈值基准值。
在一种可能的实现方式中，所述人脸识别包括：活体检测和人脸认证；
所述基于所述第一图像进行人脸识别，包括：
经所述图像采集模组中的图像传感器采集所述第一图像，并基于所述第一图像和预注册的人脸特征进行人脸认证；
经所述图像采集模组中的深度传感器采集所述第一图像对应的第一深度图，并基于所述第一图像和所述第一深度图进行活体检测。
在一种可能的实现方式中，所述基于所述第一图像和所述第一深度图进行活体检测，包括：
基于所述第一图像，更新所述第一深度图，得到第二深度图；
基于所述第一图像和所述第二深度图，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述图像传感器包括rgb图像传感器或者红外传感器；
所述深度传感器包括双目红外传感器或者飞行时间tof传感器。
在一种可能的实现方式中，所述tof传感器采用基于红外波段的tof模组。
在一种可能的实现方式中，所述基于所述第一图像，更新所述第一深度图，得到第二深度图，包括：
基于所述第一图像，对所述第一深度图中的深度失效像素的深度值进行更新，得到所述第二深度图。
在一种可能的实现方式中，所述基于所述第一图像，更新所述第一深度图，得到第二深度图，包括：
基于所述第一图像，确定所述第一图像中多个像素的深度预测值和关联信息，其中，所述多个像素的关联信息指示所述多个像素之间的关联度；
基于所述多个像素的深度预测值和关联信息，更新所述第一深度图，得到第二深度图。
在一种可能的实现方式中，所述基于所述多个像素的深度预测值和关联信息，更新所述第一深度图，得到第二深度图，包括：
确定所述第一深度图中的深度失效像素；
从所述多个像素的深度预测值中获取所述深度失效像素的深度预测值以及所述深度失效像素的多个周围像素的深度预测值；
从所述多个像素的关联信息中获取所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度；
基于所述深度失效像素的深度预测值、所述深度失效像素的多个周围像素的深度预测值、以及所述深度失效像素与所述深度失效像素的周围像素之间的关联度，确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中，所述基于所述深度失效像素的深度预测值、所述深度失效像素的多个周围像素的深度预测值、以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度，确定所述深度失效像素的更新后的深度值，包括：
基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度，确定所述深度失效像素的深度关联值；
基于所述深度失效像素的深度预测值以及所述深度关联值，确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中，所述基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度，确定所述深度失效像素的深度关联值，包括：
将所述深度失效像素与每个周围像素之间的关联度作为所述每个周围像素的权重，对所述深度失效像素的多个周围像素的深度预测值进行加权求和处理，得到所述深度失效像素的深度关联值。
在一种可能的实现方式中，所述基于所述第一图像，确定所述第一图像中多个像素的深度预测值，包括：
基于所述第一图像和所述第一深度图，确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中，所述基于所述第一图像和所述第一深度图，确定所述第一图像中多个像素的深度预测值，包括：
将所述第一图像和所述第一深度图输入到深度预测神经网络进行处理，得到所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中，所述基于所述第一图像和所述第一深度图，确定所述第一图像中多个像素的深度预测值，包括：
对所述第一图像和所述第一深度图进行融合处理，得到融合结果；
基于所述融合结果，确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中，所述基于所述第一图像，确定所述第一图像中多个像素的关联信息，包括：
将所述第一图像输入到关联度检测神经网络进行处理，得到所述第一图像中多个像素的关联信息。
在一种可能的实现方式中，所述基于所述第一图像，更新所述第一深度图，包括：
从所述第一图像中获取所述目标对象的图像；
基于所述目标对象的图像，更新所述第一深度图。
在一种可能的实现方式中，所述从所述第一图像中获取所述目标对象的图像，包括：
获取所述第一图像中所述目标对象的关键点信息；
基于所述目标对象的关键点信息，从所述第一图像中获取所述目标对象的图像。
在一种可能的实现方式中，所述获取所述第一图像中所述目标对象的关键点信息，包括：
对所述第一图像进行目标检测，得到所述目标对象所在区域；
对所述目标对象所在区域的图像进行关键点检测，得到所述第一图像中所述目标对象的关键点信息。
在一种可能的实现方式中，所述基于所述第一图像，更新所述第一深度图，得到第二深度图，包括：
从所述第一深度图中获取所述目标对象的深度图；
基于所述第一图像，更新所述目标对象的深度图，得到所述第二深度图。
在一种可能的实现方式中，所述基于所述第一图像和所述第二深度图，确定所述目标对象的活体检测结果，包括：
将所述第一图像和所述第二深度图输入到活体检测神经网络进行处理，得到所述目标对象的活体检测结果。
在一种可能的实现方式中，所述基于所述第一图像和所述第二深度图，确定所述目标对象的活体检测结果，包括：
对所述第一图像进行特征提取处理，得到第一特征信息；
对所述第二深度图进行特征提取处理，得到第二特征信息；
基于所述第一特征信息和所述第二特征信息，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述基于所述第一特征信息和所述第二特征信息，确定所述目标对象的活体检测结果，包括：
对所述第一特征信息和所述第二特征信息进行融合处理，得到第三特征信息；
基于所述第三特征信息，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述基于所述第三特征信息，确定所述目标对象的活体检测结果，包括：
基于所述第三特征信息，得到所述目标对象为活体的概率；
根据所述目标对象为活体的概率，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，在所述基于所述第一图像进行人脸识别之后，所述方法还包括：
响应于人脸识别失败，激活设置于所述车的密码解锁模块以启动密码解锁流程。
在一种可能的实现方式中，所述方法还包括以下一项或两项：
根据所述图像采集模组采集的车主的人脸图像进行车主注册；
根据所述车主的终端设备采集的所述车主的人脸图像进行远程注册，并将注册信息发送到所述车上，其中，所述注册信息包括所述车主的人脸图像。
根据本公开的另一方面，提供了一种车门解锁装置，包括：
获取模块，用于经设置于车的至少一距离传感器获取所述车外的目标对象和所述车之间的距离；
唤醒与控制模块，用于响应于所述距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像；
人脸识别模块，用于基于所述第一图像进行人脸识别；
发送模块，用于响应于人脸识别成功，向所述车的至少一车门锁发送车门解锁指令。
在一种可能的实现方式中，所述预定条件包括以下至少之一：
所述距离小于预定的距离阈值；
所述距离小于预定的距离阈值的持续时间达到预定的时间阈值；
持续时间获得的所述距离表示所述目标对象接近所述车。
在一种可能的实现方式中，所述至少一距离传感器包括：蓝牙距离传感器；
所述获取模块用于：
建立外部设备和所述蓝牙距离传感器的蓝牙配对连接；
响应于所述蓝牙配对连接成功，经所述蓝牙距离传感器获取带有所述外部设备的目标对象和所述车之间的第一距离。
在一种可能的实现方式中，所述至少一距离传感器包括：超声波距离传感器；
所述获取模块用于：
经设置于所述车的室外部的所述超声波距离传感器获取所述目标对象和所述车之间的第二距离。
在一种可能的实现方式中，所述至少一距离传感器包括：蓝牙距离传感器和超声波距离传感器；
所述获取模块用于：建立外部设备和所述蓝牙距离传感器的蓝牙配对连接；响应于所述蓝牙配对连接成功，经所述蓝牙距离传感器获取带有所述外部设备的目标对象和所述车之间的第一距离；经所述超声波距离传感器获取所述目标对象和所述车之间的第二距离；
所述唤醒与控制模块用于：响应于所述第一距离和所述第二距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像。
在一种可能的实现方式中，所述预定条件包括第一预定条件和第二预定条件；
所述第一预定条件包括以下至少之一：所述第一距离小于预定的第一距离阈值；所述第一距离小于预定的第一距离阈值的持续时间达到预定的时间阈值；持续时间获得的所述第一距离表示所述目标对象接近所述车；
所述第二预定条件包括：所述第二距离小于预定的第二距离阈值，所述第二距离小于预定的第二距离阈值的持续时间达到预定的时间阈值；所述第二距离阈值小于所述第一距离阈值。
在一种可能的实现方式中，所述唤醒与控制模块包括：
唤醒子模块，用于响应于所述第一距离满足第一预定条件，唤醒设置于所述车的人脸识别系统；
控制子模块，用于响应于所述第二距离满足第二预定条件，经唤醒的所述人脸识别系统控制所述图像采集模组采集所述目标对象的第一图像。
在一种可能的实现方式中，所述距离传感器为超声波距离传感器，所述预定的距离阈值根据计算得到的距离阈值基准值和预定的距离阈值偏移值确定，所述距离阈值基准值表示所述车外的对象与所述车之间的距离阈值的基准值，所述距离阈值偏移值表示所述车外的对象与所述车之间的距离阈值的偏移值。
在一种可能的实现方式中，所述预定的距离阈值等于所述距离阈值基准值与所述预定的距离阈值偏移值的差值。
在一种可能的实现方式中，所述距离阈值基准值取车辆熄火后的距离平均值与车门解锁的最大距离中的最小值，其中，所述车辆熄火后的距离平均值表示车辆熄火后的指定时间段内所述车外的对象与所述车之间的距离的平均值。
在一种可能的实现方式中，所述距离阈值基准值周期性更新。
在一种可能的实现方式中，所述距离传感器为超声波距离传感器，所述预定的时间阈值根据计算得到的时间阈值基准值和时间阈值偏移值确定，其中，所述时间阈值基准值表示所述车外的对象与所述车之间的距离小于所述预定的距离阈值的时间阈值的基准值，所述时间阈值偏移值表示所述车外的对象与所述车之间的距离小于所述预定的距离阈值的时间阈值的偏移值。
在一种可能的实现方式中，所述预定的时间阈值等于所述时间阈值基准值与所述时间阈值偏移值之和。
在一种可能的实现方式中，所述时间阈值基准值根据所述超声波距离传感器的水平方向探测角、所述超声波距离传感器的探测半径、对象尺寸和对象速度中的一项或多项确定。
在一种可能的实现方式中，所述装置还包括：
第一确定模块，用于根据不同类别的对象尺寸、不同类别的对象速度、所述超声波距离传感器的水平方向探测角和所述超声波距离传感器的探测半径，确定不同类别的对象对应的备选基准值；
第二确定模块，用于从所述不同类别的对象对应的备选基准值中确定所述时间阈值基准值。
在一种可能的实现方式中，所述第二确定模块用于：
将不同类别的对象对应的备选基准值中的最大值确定为所述时间阈值基准值。
在一种可能的实现方式中，所述人脸识别包括：活体检测和人脸认证；
所述人脸识别模块包括：
人脸认证模块，用于经所述图像采集模组中的图像传感器采集所述第一图像，并基于所述第一图像和预注册的人脸特征进行人脸认证；
活体检测模块，用于经所述图像采集模组中的深度传感器采集所述第一图像对应的第一深度图，并基于所述第一图像和所述第一深度图进行活体检测。
在一种可能的实现方式中，所述活体检测模块包括：
更新子模块，用于基于所述第一图像，更新所述第一深度图，得到第二深度图；
确定子模块，用于基于所述第一图像和所述第二深度图，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述图像传感器包括rgb图像传感器或者红外传感器；
所述深度传感器包括双目红外传感器或者飞行时间tof传感器。
在一种可能的实现方式中，所述tof传感器采用基于红外波段的tof模组。
在一种可能的实现方式中，所述更新子模块用于：
基于所述第一图像，对所述第一深度图中的深度失效像素的深度值进行更新，得到所述第二深度图。
在一种可能的实现方式中，所述更新子模块用于：
基于所述第一图像，确定所述第一图像中多个像素的深度预测值和关联信息，其中，所述多个像素的关联信息指示所述多个像素之间的关联度；
基于所述多个像素的深度预测值和关联信息，更新所述第一深度图，得到第二深度图。
在一种可能的实现方式中，所述更新子模块用于：
确定所述第一深度图中的深度失效像素；
从所述多个像素的深度预测值中获取所述深度失效像素的深度预测值以及所述深度失效像素的多个周围像素的深度预测值；
从所述多个像素的关联信息中获取所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度；
基于所述深度失效像素的深度预测值、所述深度失效像素的多个周围像素的深度预测值、以及所述深度失效像素与所述深度失效像素的周围像素之间的关联度，确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中，所述更新子模块用于：
基于所述深度失效像素的周围像素的深度预测值以及所述深度失效像素与所述深度失效像素的多个周围像素之间的关联度，确定所述深度失效像素的深度关联值；
基于所述深度失效像素的深度预测值以及所述深度关联值，确定所述深度失效像素的更新后的深度值。
在一种可能的实现方式中，所述更新子模块用于：
将所述深度失效像素与每个周围像素之间的关联度作为所述每个周围像素的权重，对所述深度失效像素的多个周围像素的深度预测值进行加权求和处理，得到所述深度失效像素的深度关联值。
在一种可能的实现方式中，所述更新子模块用于：
基于所述第一图像和所述第一深度图，确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中，所述更新子模块用于：
将所述第一图像和所述第一深度图输入到深度预测神经网络进行处理，得到所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中，所述更新子模块用于：
对所述第一图像和所述第一深度图进行融合处理，得到融合结果；
基于所述融合结果，确定所述第一图像中多个像素的深度预测值。
在一种可能的实现方式中，所述更新子模块用于：
将所述第一图像输入到关联度检测神经网络进行处理，得到所述第一图像中多个像素的关联信息。
在一种可能的实现方式中，所述更新子模块用于：
从所述第一图像中获取所述目标对象的图像；
基于所述目标对象的图像，更新所述第一深度图。
在一种可能的实现方式中，所述更新子模块用于：
获取所述第一图像中所述目标对象的关键点信息；
基于所述目标对象的关键点信息，从所述第一图像中获取所述目标对象的图像。
在一种可能的实现方式中，所述更新子模块用于：
对所述第一图像进行目标检测，得到所述目标对象所在区域；
对所述目标对象所在区域的图像进行关键点检测，得到所述第一图像中所述目标对象的关键点信息。
在一种可能的实现方式中，所述更新子模块用于：
从所述第一深度图中获取所述目标对象的深度图；
基于所述第一图像，更新所述目标对象的深度图，得到所述第二深度图。
在一种可能的实现方式中，所述确定子模块用于：
将所述第一图像和所述第二深度图输入到活体检测神经网络进行处理，得到所述目标对象的活体检测结果。
在一种可能的实现方式中，所述确定子模块用于：
对所述第一图像进行特征提取处理，得到第一特征信息；
对所述第二深度图进行特征提取处理，得到第二特征信息；
基于所述第一特征信息和所述第二特征信息，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述确定子模块用于：
对所述第一特征信息和所述第二特征信息进行融合处理，得到第三特征信息；
基于所述第三特征信息，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述确定子模块用于：
基于所述第三特征信息，得到所述目标对象为活体的概率；
根据所述目标对象为活体的概率，确定所述目标对象的活体检测结果。
在一种可能的实现方式中，所述装置还包括：
激活与启动模块，用于响应于人脸识别失败，激活设置于所述车的密码解锁模块以启动密码解锁流程。
在一种可能的实现方式中，所述装置还包括注册模块，所述注册模块用于以下一项或两项：
根据所述图像采集模组采集的车主的人脸图像进行车主注册；
根据所述车主的终端设备采集的所述车主的人脸图像进行远程注册，并将注册信息发送到所述车上，其中，所述注册信息包括所述车主的人脸图像。
根据本公开的另一方面，提供了一种车载人脸解锁系统，包括：存储器、人脸识别系统、图像采集模组和人体接近监测系统；所述人脸识别系统分别与所述存储器、所述图像采集模组和所述人体接近监测系统连接；所述人体接近监测系统包括若距离满足预定条件时唤醒所述人脸识别系统的微处理器和与所述微处理器连接的至少一距离传感器；所述人脸识别系统还设置有用于与车门域控制器连接的通信接口，若人脸识别成功则基于所述通信接口向所述车门域控制器发送用于解锁车门的控制信息。
在一种可能的实现方式中，所述至少一距离传感器包括以下至少之一：蓝牙距离传感器、超声波距离传感器。
在一种可能的实现方式中，所述图像采集模组包括图像传感器和深度传感器。
在一种可能的实现方式中，所述深度传感器包括双目红外传感器，所述双目红外传感器的两个红外摄像头设置在所述图像传感器的摄像头的两侧。
在一种可能的实现方式中，所述图像采集模组还包括至少一个补光灯，所述至少一个补光灯设置在所述双目红外传感器的红外摄像头和所述图像传感器的摄像头之间，所述至少一个补光灯包括用于所述图像传感器的补光灯和用于所述深度传感器的补光灯中的至少一种。
在一种可能的实现方式中，所述图像采集模组还包括激光器，所述激光器设置在所述深度传感器的摄像头和所述图像传感器的摄像头之间。
在一种可能的实现方式中，所述车载人脸解锁系统还包括：用于解锁车门的密码解锁模块，所述密码解锁模块与所述人脸识别系统连接。
在一种可能的实现方式中，所述密码解锁模块包括触控屏和键盘中的一项或两项。
在一种可能的实现方式中，所述车载人脸解锁系统还包括：电池模组，所述电池模组分别与所述微处理器和所述人脸识别系统连接。
根据本公开的另一方面，提供了一种车，所述车包括上述车载人脸解锁系统，所述车载人脸解锁系统与所述车的车门域控制器连接。
在一种可能的实现方式中，所述图像采集模组设置在所述车的室外部。
在一种可能的实现方式中，所述图像采集模组设置在以下至少一个位置上：所述车的b柱、至少一个车门、至少一个后视镜。
在一种可能的实现方式中，所述人脸识别系统设置在所述车内，所述人脸识别系统经can总线与所述车门域控制器连接。
在一种可能的实现方式中，所述至少一距离传感器包括蓝牙距离传感器，所述蓝牙距离传感器设置在所述车内。
在一种可能的实现方式中，所述至少一距离传感器包括超声波距离传感器，所述超声波距离传感器设置在所述车的室外部。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述车门解锁方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述车门解锁方法。
在本公开实施例中，经设置于车的至少一距离传感器获取所述车外的目标对象和所述车之间的距离，响应于所述距离满足预定条件，唤醒并控制设置于所述车的图像采集模组采集所述目标对象的第一图像，基于所述第一图像进行人脸识别，并响应于人脸识别成功，向所述车的至少一车门锁发送车门解锁指令，由此能够在保障车门解锁的安全性的前提下提高车门解锁的便捷性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的车门解锁方法的流程图。
图2示出车的b柱的示意图。
图3示出根据本公开实施例的车门解锁方法中车门解锁装置的安装高度与可识别的身高范围的示意图。
图4示出根据本公开实施例的车门解锁方法中超声波距离传感器的水平方向探测角和超声波距离传感器的探测半径的示意图。
图5a示出根据本公开实施例的车门解锁方法中图像传感器和深度传感器的示意图。
图5b示出根据本公开实施例的车门解锁方法中图像传感器和深度传感器的另一示意图。
图6示出根据本公开实施例的活体检测方法的一个示例的示意图。
图7示出根据本公开实施例的活体检测方法中基于第一图像和第二深度图，确定第一图像中的目标对象的活体检测结果的一个示例的示意图。
图8示出根据本公开实施例的车门解锁方法中的深度预测神经网络的示意图。
图9示出根据本公开实施例的车门解锁方法中的关联度检测神经网络的示意图。
图10示出根据本公开实施例的车门解锁方法中深度图更新的一示例性的示意图。
图11示出根据本公开实施例的车门解锁方法中周围像素的示意图。
图12示出根据本公开实施例的车门解锁方法中周围像素的另一示意图。
图13示出根据本公开实施例的车门解锁装置的框图。
图14示出根据本公开实施例的车载人脸解锁系统的框图。
图15示出根据本公开实施例的车载人脸解锁系统的示意图。
图16示出根据本公开实施例的车的示意图。
图17是根据一示例性实施例示出的一种电子设备800的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的车门解锁方法的流程图。该车门解锁方法的执行主体可以是车门解锁装置。例如，该车门解锁装置可以安装在以下至少一个位置上：在车的b柱、至少一个车门、至少一个后视镜。图2示出车的b柱的示意图。例如，车门解锁装置可以安装在b柱上离地130cm至160cm处，车门解锁装置的水平识别距离可以为30cm至100cm，在此不作限定。图3示出根据本公开实施例的车门解锁方法中车门解锁装置的安装高度与可识别的身高范围的示意图。在图3所示的示例中，车门解锁装置的安装高度为160cm，可识别的身高范围为140cm至190cm。
在一种可能的实现方式中，该车门解锁方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示，该车门解锁方法包括步骤s11至步骤s14。
在步骤s11中，经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离。
在一种可能的实现方式中，至少一距离传感器包括：蓝牙距离传感器；经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离，包括：建立外部设备和蓝牙距离传感器的蓝牙配对连接；响应于蓝牙配对连接成功，经蓝牙距离传感器获取带有外部设备的目标对象和车之间的第一距离。
在该实现方式中，外部设备可以是任何具有蓝牙功能的移动设备，例如，外部设备可以是手机、可穿戴设备或者电子钥匙等。其中，可穿戴设备可以为智能手环或者智能眼镜等。
在一个示例中，在至少一距离传感器包括蓝牙距离传感器的情况下，可以采用rssi(receivedsignalstrengthindication，接收的信号强度指示)来测算带有外部设备的目标对象和车之间的第一距离，其中，蓝牙测距的距离范围为1至100m。例如，可以采用式1确定带有外部设备的目标对象和车之间的第一距离，
p＝a-10n·lgr式1，
其中，p表示当前rssi，a表示主从机(蓝牙距离传感器与外部设备)距离为1m时的rssi，n表示传播因子，传播因子与温度、湿度等环境相关，r表示带有外部设备的目标对象与蓝牙距离传感器之间的第一距离。
在一个示例中，n随着环境的变化而变化。在不同的环境中进行测距之前，需要根据环境因素(例如温度和湿度)调整n。通过根据环境因素调整n，能够提高不同环境中蓝牙测距的准确性。
在一个示例中，a需要根据不同的外部设备进行校准。通过根据不同的外部设备校准a，能够提高针对不同的外部设备进行蓝牙测距的准确性。
在一个示例中，可以多次获取蓝牙距离传感器感测到的第一距离，并根据多次获取的第一距离的平均值判断是否满足预定条件，从而能够减小单次测距的误差。
在该实现方式中，通过建立外部设备和蓝牙距离传感器的蓝牙配对连接，由此能够通过蓝牙增加一层认证，从而能够提高车门解锁的安全性。
在另一种可能的实现方式中，至少一距离传感器包括：超声波距离传感器；经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离，包括：经设置于车的室外部的超声波距离传感器获取目标对象和车之间的第二距离。
在一个示例中，超声波测距的测量范围可以为0.1至10m，测量精度可以为1cm。超声波测距的公式可以表示为l＝c×tu，其中，l表示第二距离，c表示超声波在空气中的传播速度，tu等于超声波的发射时间与接收时间的时间差的1/2。
在步骤s12中，响应于距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像。
在一种可能的实现方式中，预定条件包括以下至少之一：距离小于预定的距离阈值；距离小于预定的距离阈值的持续时间达到预定的时间阈值；持续时间获得的距离表示目标对象接近车。
在一个示例中，预定条件为距离小于预定的距离阈值。例如，若蓝牙距离传感器多次感测到的第一距离的平均值小于距离阈值，则判定满足预定条件。例如，距离阈值为5m。
在另一个示例中，预定条件为距离小于预定的距离阈值的持续时间达到预定的时间阈值。例如，在获取超声波距离传感器感测到的第二距离的情况下，若第二距离小于距离阈值的持续时间达到时间阈值，则判定满足预定条件。
在一种可能的实现方式中，至少一距离传感器包括：蓝牙距离传感器和超声波距离传感器；经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离，包括：建立外部设备和蓝牙距离传感器的蓝牙配对连接；响应于蓝牙配对连接成功，经蓝牙距离传感器获取带有外部设备的目标对象和车之间的第一距离；经超声波距离传感器获取目标对象和车之间的第二距离；响应于距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像，包括：响应于第一距离和第二距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像。
在该实现方式中，能够通过蓝牙距离传感器与超声波距离传感器配合来提高车门解锁的安全性。
在一种可能的实现方式中，预定条件包括第一预定条件和第二预定条件；第一预定条件包括以下至少之一：第一距离小于预定的第一距离阈值；第一距离小于预定的第一距离阈值的持续时间达到预定的时间阈值；持续时间获得的第一距离表示目标对象接近车；第二预定条件包括：第二距离小于预定的第二距离阈值，第二距离小于预定的第二距离阈值的持续时间达到预定的时间阈值；第二距离阈值小于第一距离阈值。
在一种可能的实现方式中，响应于第一距离和第二距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像，包括：响应于第一距离满足第一预定条件，唤醒设置于车的人脸识别系统；响应于第二距离满足第二预定条件，经唤醒的人脸识别系统控制图像采集模组采集目标对象的第一图像。
人脸识别系统的唤醒过程通常需要一些时间，例如需要4至5秒，这会使人脸识别触发和处理较慢，影响用户体验。在上述实现方式中，通过结合蓝牙距离传感器和超声波距离传感器，在蓝牙距离传感器获取的第一距离满足第一预定条件时，唤醒人脸识别系统，使人脸识别系统提前处于可工作状态，由此在超声波距离传感器获取的第二距离满足第二预定条件时能够通过人脸识别系统快速进行人脸图像处理，由此能够提高人脸识别效率，改善用户体验。
在一种可能的实现方式中，距离传感器为超声波距离传感器，预定的距离阈值根据计算得到的距离阈值基准值和预定的距离阈值偏移值确定，距离阈值基准值表示车外的对象与车之间的距离阈值的基准值，距离阈值偏移值表示车外的对象与车之间的距离阈值的偏移值。
在一个示例中，距离偏移值可以根据人站立时所占用的距离确定。例如，距离偏移值在初始化时设置为默认值。例如，默认值为10cm。
在一种可能的实现方式中，预定的距离阈值等于距离阈值基准值与预定的距离阈值偏移值的差值。例如，距离阈值基准值为d′，距离阈值偏移值为dw，则预定的距离阈值d＝d′-dw。
需要说明的是，尽管以预定的距离阈值等于距离阈值基准值与距离阈值偏移值的差值作为示例介绍了预定的距离阈值根据距离阈值基准值和距离阈值偏移值确定的方式如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活设置预定的距离阈值根据距离阈值基准值和距离阈值偏移值确定的具体实现方式。例如，预定的距离阈值可以等于距离阈值基准值与距离阈值偏移值之和。又如，可以确定距离阈值偏移值与第五预设系数的乘积，并可以将距离阈值基准值与该乘积的差值确定为预定的距离阈值。
在一个示例中，距离阈值基准值取车辆熄火后的距离平均值与车门解锁的最大距离中的最小值，其中，车辆熄火后的距离平均值表示车辆熄火后的指定时间段内车外的对象与车之间的距离的平均值。例如，车辆熄火后的指定时间段为车辆熄火后的n秒，则车辆熄火后的指定时间段内距离传感器感测到的距离的平均值为
在另一示例中，距离阈值基准值等于车辆熄火后的距离平均值。在该示例中，可以不考虑车门解锁的最大距离，仅由车辆熄火后的距离平均值确定距离阈值基准值。
在另一个示例中，距离阈值基准值等于车门解锁的最大距离。在该示例中，可以不考虑车辆熄火后的距离平均值，仅由车门解锁的最大距离确定距离阈值基准值。
在一种可能的实现方式中，距离阈值基准值周期性更新。例如，距离阈值基准值的更新周期可以为5分钟，即，可以每5分钟更新一次距离阈值基准值。通过周期性更新距离阈值基准值，能够适应不同的环境。
在另一种可能的实现方式中，在确定了距离阈值基准值之后，可以不对距离阈值基准值进行更新。
在另一种可能的实现方式中，预定的距离阈值可以设置为默认值。
在一种可能的实现方式中，距离传感器为超声波距离传感器，预定的时间阈值根据计算得到的时间阈值基准值和时间阈值偏移值确定，其中，时间阈值基准值表示车外的对象与车之间的距离小于预定的距离阈值的时间阈值的基准值，时间阈值偏移值表示车外的对象与车之间的距离小于预定的距离阈值的时间阈值的偏移值。
在一些实施例中，时间阈值偏移值可以通过实验确定。在一个示例中，时间阈值偏移值可以默认为时间阈值基准值的1/2。需要说明的是，本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活设置时间阈值偏移值，在此不作限定。
在另一种可能是实现方式中，预定的时间阈值可以设置为默认值。
在一种可能的实现方式中，预定的时间阈值等于时间阈值基准值与时间阈值偏移值之和。例如，时间阈值基准值为ts，时间阈值偏移值为tw，则预定的时间阈值t＝ts+tw。
需要说明的是，尽管以预定的时间阈值等于时间阈值基准值与时间阈值偏移值之和作为示例介绍了预定的时间阈值根据时间阈值基准值和时间阈值偏移值确定的方式如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活设置预定的时间阈值根据时间阈值基准值和时间阈值偏移值确定的具体实现方式。例如，预定的时间阈值可以等于时间阈值基准值与时间阈值偏移值的差值。又如，可以确定时间阈值偏移值与第六预设系数的乘积，并可以将时间阈值基准值与该乘积之和确定为预定的时间阈值。
在一种可能的实现方式中，时间阈值基准值根据超声波距离传感器的水平方向探测角、超声波距离传感器的探测半径、对象尺寸和对象速度中的一项或多项确定。
图4示出根据本公开实施例的车门解锁方法中超声波距离传感器的水平方向探测角和超声波距离传感器的探测半径的示意图。例如，时间阈值基准值根据超声波距离传感器的水平方向探测角、超声波距离传感器的探测半径、至少一种类别的对象尺寸和至少一种类别的对象速度确定。超声波距离传感器的探测半径可以为超声波距离传感器的水平方向探测半径。超声波距离传感器的探测半径可以等于车门解锁的最大距离，例如，可以等于1m。
在其他示例中，时间阈值基准值可以设置为默认值，或者，时间阈值基准值可以根据其他参数确定，在此不作限定。
在一种可能的实现方式中，该方法还包括：根据不同类别的对象尺寸、不同类别的对象速度、超声波距离传感器的水平方向探测角和超声波距离传感器的探测半径，确定不同类别的对象对应的备选基准值；从不同类别的对象对应的备选基准值中确定时间阈值基准值。
例如，类别可以包括行人类别、自行车类别和摩托车类别等。对象尺寸可以为对象的宽度，例如，行人类别的对象尺寸可以为行人的宽度的经验值，自行车类别的对象尺寸可以为自行车的宽度的经验值等。对象速度可以为对象的速度的经验值，例如，行人类别的对象速度可以为行人的步行速度的经验值。
在一个示例中，根据不同类别的对象尺寸、不同类别的对象速度、超声波距离传感器的水平方向探测角和超声波距离传感器的探测半径，确定不同类别的对象对应的备选基准值，包括：采用式2确定类别i的对象对应的备选基准值ti，
其中，α表示距离传感器的水平方向探测角，r表示距离传感器的探测半径，di表示类别i的对象尺寸，vi表示类别i的对象速度。
需要说明的是，尽管以式2为例介绍了根据不同类别的对象尺寸、不同类别的对象速度、超声波距离传感器的水平方向探测角和超声波距离传感器的探测半径，确定不同类别的对象对应的备选基准值的方式如上，但本领域技术人员能够理解，本公开应不限于此。例如，本领域技术人员可以调整式2以满足实际应用场景需求。
在一种可能的实现方式中，从不同类别的对象对应的备选基准值中确定时间阈值基准值，包括：将不同类别的对象对应的备选基准值中的最大值确定为时间阈值基准值。
在其他示例中，可以将不同类别的对象对应的备选基准值的平均值确定为时间阈值基准值，或者，可以从不同类别的对象对应的备选基准值随机选取一个作为时间阈值基准值，在此不作限定。
在一些实施例中，为了不影响体验，预定的时间阈值设置为小于1秒。在一个示例，可以通过减小超声波距离传感器的水平方向探测角来减小行人、自行车等通过带来的干扰。
在本公开实施例中，预定的时间阈值可以不需要根据环境动态更新。
在本公开实施例中，距离传感器可以长时间保持低功耗(<5ma)运行。
在步骤s13中，基于第一图像进行人脸识别。
在一种可能的实现方式中，人脸识别包括：活体检测和人脸认证；基于第一图像进行人脸识别，包括：经图像采集模组中的图像传感器采集第一图像，并基于第一图像和预注册的人脸特征进行人脸认证；经图像采集模组中的深度传感器采集第一图像对应的第一深度图，并基于第一图像和第一深度图进行活体检测。
在本公开实施例中，第一图像包含目标对象。其中，目标对象可以为人脸或者人体的至少一部分，本公开实施例对此不做限定。
其中，第一图像可以为静态图像或者为视频帧图像。例如，第一图像可以为从视频序列中选取的图像，其中，可以通过多种方式从视频序列中选取图像。在一个具体例子中，第一图像为从视频序列中选取的满足预设质量条件的图像，该预设质量条件可以包括下列中的一种或任意组合：是否包含目标对象、目标对象是否位于图像的中心区域、目标对象是否完整地包含在图像中、目标对象在图像中所占比例、目标对象的状态(例如人脸角度)、图像清晰度、图像曝光度，等等，本公开实施例对此不做限定。
在一个示例中，可以先进行活体检测再进行人脸认证。例如，若目标对象的活体检测结果为目标对象为活体，则触发人脸认证流程；若目标对象的活体检测结果为目标对象为假体，则不触发人脸认证流程。
在另一个示例中，可以先进行人脸认证再进行活体检测。例如，若人脸认证通过，则触发活体检测流程；若人脸认证不通过，则不触发活体检测流程。
在另一个示例中，可以同时进行活体检测和人脸认证。
在该实现方式中，活体检测用于验证目标对象是否是活体，例如可以用于验证目标对象是否是人体。人脸认证用于提取采集的图像中的人脸特征，将采集的图像中的人脸特征与预注册的人脸特征进行比对，判断是否属于同一个人的人脸特征，例如可以判断采集的图像中的人脸特征是否属于车主的人脸特征。
在本公开实施例中，深度传感器表示用于采集深度信息的传感器。本公开实施例不对深度传感器的工作原理和工作波段进行限定。
在本公开实施例中，图像采集模组的图像传感器和深度传感器可以分开设置，也可以一起设置。例如，图像采集模组的图像传感器和深度传感器分开设置可以为，图像传感器采用rgbred，红；green，绿；blue，蓝)传感器或红外传感器，深度传感器采用双目红外传感器或者tof(timeofflight，飞行时间)传感器；图像采集模组的图像传感器和深度传感器一起设置可以为，图像采集模组采用rgbd(red，红；green，绿；blue，蓝；deep，深度)传感器实现图像传感器和深度传感器的功能。
作为一个示例，图像传感器为rgb(传感器。若图像传感器为rgb传感器，则图像传感器采集到的图像为rgb图像。
作为另一个示例，图像传感器为红外传感器。若图像传感器为红外传感器，则图像传感器采集到的图像为红外图像。其中，红外图像可以为带光斑的红外图像，也可以为不带光斑的红外图像。
在其他示例中，图像传感器可以为其他类型的传感器，本公开实施例对此不做限定。
可选地，车门解锁装置可以通过多种方式获取第一图像。例如，在一些实施例中，车门解锁装置上设置有摄像头，车门解锁装置通过摄像头进行静态图像或视频流采集，得到第一图像，本公开实施例对此不做限定。
作为一个示例，深度传感器为三维传感器。例如，深度传感器为双目红外传感器、飞行时间tof传感器或者结构光传感器，其中，双目红外传感器包括两个红外摄像头。结构光传感器可以为编码结构光传感器或者散斑结构光传感器。通过深度传感器获取目标对象的深度图，可以获得高精度的深度图。本公开实施例利用包含目标对象的深度图进行活体检测，能够充分挖掘目标对象的深度信息，从而能够提高活体检测的准确性。例如，当目标对象为人脸时，本公开实施例利用包含人脸的深度图进行活体检测，能够充分挖掘人脸数据的深度信息，从而能够提高活体人脸检测的准确性。
在一个示例中，tof传感器采用基于红外波段的tof模组。在该示例中，通过采用基于红外波段的tof模组，能够降低外界光线对深度图拍摄造成的影响。
在本公开实施例中，第一深度图和第一图像相对应。例如，第一深度图和第一图像分别为深度传感器和图像传感器针对同一场景采集到的，或者，第一深度图和第一图像为深度传感器和图像传感器在同一时刻针对同一目标区域采集到的，但本公开实施例对此不做限定。
图5a示出根据本公开实施例的车门解锁方法中图像传感器和深度传感器的示意图。在图5a所示的示例中，图像传感器为rgb传感器，图像传感器的摄像头为rgb摄像头，深度传感器为双目红外传感器，深度传感器包括两个红外(ir)摄像头，双目红外传感器的两个红外摄像头设置在图像传感器的rgb摄像头的两侧。其中，两个红外摄像头基于双目视差原理采集深度信息。
在一个示例中，图像采集模组还包括至少一个补光灯，该至少一个补光灯设置在双目红外传感器的红外摄像头和图像传感器的摄像头之间，该至少一个补光灯包括用于图像传感器的补光灯和用于深度传感器的补光灯中的至少一种。例如，若图像传感器为rgb传感器，则用于图像传感器的补光灯可以为白光灯；若图像传感器为红外传感器，则用于图像传感器的补光灯可以为红外灯；若深度传感器为双目红外传感器，则用于深度传感器的补光灯可以为红外灯。在图5a所示的示例中，在双目红外传感器的红外摄像头和图像传感器的摄像头之间设置红外灯。例如，红外灯可以采用940nm的红外线。
在一个示例中，补光灯可以处于常开模式。在该示例中，在图像采集模组的摄像头处于工作状态时，补光灯处于开启状态。
在另一个示例中，可以在光线不足时开启补光灯。例如，可以通过环境光传感器获取环境光强度，并在环境光强度低于光强阈值时判定光线不足，并开启补光灯。
图5b示出根据本公开实施例的车门解锁方法中图像传感器和深度传感器的另一示意图。在图5b所示的示例中，图像传感器为rgb传感器，图像传感器的摄像头为rgb摄像头，深度传感器为tof传感器。
在一个示例中，图像采集模组还包括激光器，激光器设置在深度传感器的摄像头和图像传感器的摄像头之间。例如，激光器设置在tof传感器的摄像头和rgb传感器的摄像头之间。例如，激光器可以为vcsel(verticalcavitysurfaceemittinglaser，垂直腔面发射激光器)，tof传感器可以基于vcsel发出的激光采集深度图。
在本公开实施例中，深度传感器用于采集深度图，图像传感器用于采集二维图像。需要说明的是，尽管以rgb传感器和红外传感器为例对图像传感器进行了说明，并以双目红外传感器、tof传感器和结构光传感器为例对深度传感器进行了说明，但本领域技术人员能够理解，本公开实施例应不限于此。本领域技术人员可以根据实际应用需求选择图像传感器和深度传感器的类型，只要分别能够实现对二维图像和深度图的采集即可。
在步骤s14中，响应于人脸识别成功，向车的至少一车门锁发送车门解锁指令。
在一个示例中，车门解锁装置的soc可以向车门域控制器发送车门解锁指令，以控制车门进行解锁。
在一种可能的实现方式中，基于第一图像和第一深度图进行活体检测，包括：基于第一图像，更新第一深度图，得到第二深度图；基于第一图像和第二深度图，确定目标对象的活体检测结果。
具体地，基于第一图像，更新第一深度图中一个或多个像素的深度值，得到第二深度图。
在一些实施例中，基于第一图像，对第一深度图中的深度失效像素的深度值进行更新，得到第二深度图。
其中，深度图中的深度失效像素可以指深度图中包括的深度值无效的像素，即深度值不准确或与实际情况明显不符的像素。深度失效像素的个数可以为一个或多个。通过更新深度图中的至少一个深度失效像素的深度值，使得深度失效像素的深度值更为准确，有助于提高活体检测的准确率。
在一些实施例中，第一深度图为带缺失值的深度图，通过基于第一图像修复第一深度图，得到第二深度图，其中，可选地，对第一深度图的修复包括对缺失值的像素的深度值的确定或补充，但本公开实施例不限于此。
在本公开实施例中，可以通过多种方式更新或修复第一深度图。在一些实施例中，直接利用第一图像进行活体检测，例如直接利用第一图像更新第一深度图。在另一些实施例中，对第一图像进行预处理，并基于预处理后的第一图像进行活体检测。例如，从第一图像中获取目标对象的图像，并基于目标对象的图像，更新第一深度图。
可以通过多种方式从第一图像中截取目标对象的图像。作为一个示例，对第一图像进行目标检测，得到目标对象的位置信息，例如目标对象的限定框(boundingbox)的位置信息，并基于目标对象的位置信息从第一图像中截取目标对象的图像。例如，从第一图像中截取目标对象的限定框所在区域的图像作为目标对象的图像，再例如，将目标对象的限定框放大一定倍数并从第一图像中截取放大后的限定框所在区域的图像作为目标对象的图像。作为另一个示例，获取第一图像中目标对象的关键点信息，并基于目标对象的关键点信息，从第一图像中获取目标对象的图像。
可选地，对第一图像进行目标检测，得到目标对象所在区域的位置信息；对目标对象所在区域的图像进行关键点检测，得到第一图像中目标对象的关键点信息。
可选地，目标对象的关键点信息可以包括目标对象的多个关键点的位置信息。若目标对象为人脸，则目标对象的关键点可以包括眼睛关键点、眉毛关键点、鼻子关键点、嘴巴关键点和人脸轮廓关键点等中的一项或多项。其中，眼睛关键点可以包括眼睛轮廓关键点、眼角关键点和瞳孔关键点等中的一项或多项。
在一个示例中，基于目标对象的关键点信息，确定目标对象的轮廓，并根据目标对象的轮廓，从第一图像中截取目标对象的图像。与通过目标检测得到的目标对象的位置信息相比，通过关键点信息得到的目标对象的位置更为准确，从而有利于提高后续活体检测的准确率。
可选地，可以基于第一图像中目标对象的关键点，确定第一图像中目标对象的轮廓，并将第一图像中目标对象的轮廓所在区域的图像或放大一定倍数后得到的区域的图像确定为目标对象的图像。例如，可以将第一图像中基于目标对象的关键点确定的椭圆形区域确定为目标对象的图像，或者可以将第一图像中基于目标对象的关键点确定的椭圆形区域的最小外接矩形区域确定为目标对象的图像，但本公开实施例对此不作限定。
这样，通过从第一图像中获取目标对象的图像，基于目标对象的图像进行活体检测，能够降低第一图像中的背景信息对活体检测产生的干扰。
在本公开实施例中，可以对获取到的原始深度图进行更新处理，或者，在一些实施例中，从第一深度图中获取目标对象的深度图，并基于第一图像，更新目标对象的深度图，得到第二深度图。
作为一个示例，获取第一图像中目标对象的位置信息，并基于目标对象的位置信息，从第一深度图中获取目标对象的深度图。其中，可选地，可以预先对第一深度图和第一图像进行配准或对齐处理，但本公开实施例对此不做限定。
这样，通过从第一深度图中获取目标对象的深度图，并基于第一图像，更新目标对象的深度图，得到第二深度图，由此能够降低第一深度图中的背景信息对活体检测产生的干扰。
在一些实施例中，在获取第一图像和第一图像对应的第一深度图之后，根据图像传感器的参数以及深度传感器的参数，对齐第一图像和第一深度图。
作为一个示例，可以对第一深度图进行转换处理，以使得转换处理后的第一深度图和第一图像对齐。例如，可以根据深度传感器的参数和图像传感器的参数，确定第一转换矩阵，并根据第一转换矩阵，对第一深度图进行转换处理。相应地，可以基于第一图像的至少一部分，对转换处理后的第一深度图的至少一部分进行更新，得到第二深度图。例如，基于第一图像，对转换处理后的第一深度图进行更新，得到第二深度图。再例如，基于从第一图像中截取的目标对象的图像，对从第一深度图中截取的目标对象的深度图进行更新，得到第二深度图，等等。
作为另一个示例，可以对第一图像进行转换处理，以使得转换处理后的第一图像与第一深度图对齐。例如，可以根据深度传感器的参数和图像传感器的参数，确定第二转换矩阵，并根据第二转换矩阵，对第一图像进行转换处理。相应地，可以基于转换处理后的第一图像的至少一部分，对第一深度图的至少一部分进行更新，得到第二深度图。
可选地，深度传感器的参数可以包括深度传感器的内参数和/或外参数，图像传感器的参数可以包括图像传感器的内参数和/或外参数。通过对齐第一深度图和第一图像，能够使第一深度图和第一图像中相应的部分在两个图像中的位置相同。
在上文的例子中，第一图像为原始图像(例如rgb或红外图像)，而在另一些实施例中，第一图像也可以指从原始图像中截取的目标对象的图像，类似地，第一深度图也可以指从原始深度图中截取的目标对象的深度图，本公开实施例对此不做限定。
图6示出根据本公开实施例的活体检测方法的一个示例的示意图。在图6示出的例子中，第一图像为rgb图像且目标对象为人脸，将rgb图像和第一深度图进行对齐校正处理，并将处理后的图像输入到人脸关键点模型中进行处理，得到rgb人脸图(目标对象的图像)和深度人脸图(目标对象的深度图)，并基于rgb人脸图对深度人脸图进行更新或修复。这样，能够降低后续的数据处理量，提高活体检测效率和准确率。
在本公开实施例中，目标对象的活体检测结果可以为目标对象为活体或者目标对象为假体。
在一些实施例中，将第一图像和第二深度图输入到活体检测神经网络进行处理，得到第一图像中的目标对象的活体检测结果。或者，通过其他活体检测算法对第一图像和第二深度图进行处理，得到活体检测结果。
在一些实施例中，对第一图像进行特征提取处理，得到第一特征信息；对第二深度图进行特征提取处理，得到第二特征信息；基于第一特征信息和第二特征信息，确定第一图像中的目标对象的活体检测结果。
其中，可选地，特征提取处理可以通过神经网络或其他机器学习算法实现，提取到的特征信息的类型可选地可以通过对样本的学习得到，本公开实施例对此不做限定。
在某些特定场景(如室外强光场景)下，获取到的深度图(例如深度传感器采集到的深度图)可能会出现部分面积失效的情况。此外，正常光照下，由于眼镜反光、黑色头发或者黑色眼镜边框等因素也会随机引起深度图局部失效。而某些特殊的纸质能够使得打印出的人脸照片产生类似的深度图大面积失效或者局部失效的效果。另外，通过遮挡深度传感器的主动光源也可以使得深度图部分失效，同时假体在图像传感器的成像正常。因此，在一些深度图的部分或全部失效的情况下，利用深度图区分活体和假体会造成误差。因此，在本公开实施例中，通过对第一深度图进行修复或更新，并利用修复或更新后的深度图进行活体检测，有利于提高活体检测的准确率。
图7示出根据本公开实施例的活体检测方法中基于第一图像和第二深度图，确定第一图像中的目标对象的活体检测结果的一个示例的示意图。
在该示例中，将第一图像和第二深度图输入到活体检测网络中进行活体检测处理，得到活体检测结果。
如图7所示，该活体检测网络包括两个分支，即第一子网络和第二子网络，其中，第一子网络用于对第一图像进行特征提取处理，得到第一特征信息，第二子网络用于对第二深度图进行特征提取处理，得到第二特征信息。
在一个可选示例中，第一子网络可以包括卷积层、下采样层和全连接层。
例如，第一子网络可以包括一级卷积层、一级下采样层和一级全连接层。其中，该级卷积层可以包括一个或多个卷积层，该级下采样层可以包括一个或多个下采样层，该级全连接层可以包括一个或多个全连接层。
又如，第一子网络可以包括多级卷积层、多级下采样层和一级全连接层。其中，每级卷积层可以包括一个或多个卷积层，每级下采样层可以包括一个或多个下采样层，该级全连接层可以包括一个或多个全连接层。其中，第i级卷积层后级联第i级下采样层，第i级下采样层后级联第i+1级卷积层，第n级下采样层后级联全连接层，其中，i和n均为正整数，1≤i≤n，n表示深度预测神经网络中卷积层和下采样层的级数。
或者，第一子网络可以包括卷积层、下采样层、归一化层和全连接层。
例如，第一子网络可以包括一级卷积层、一个归一化层、一级下采样层和一级全连接层。其中，该级卷积层可以包括一个或多个卷积层，该级下采样层可以包括一个或多个下采样层，该级全连接层可以包括一个或多个全连接层。
又如，第一子网络可以包括多级卷积层、多个归一化层和多级下采样层和一级全连接层。其中，每级卷积层可以包括一个或多个卷积层，每级下采样层可以包括一个或多个下采样层，该级全连接层可以包括一个或多个全连接层。其中，第i级卷积层后级联第i个归一化层，第i个归一化层后级联第i级下采样层，第i级下采样层后级联第i+1级卷积层，第n级下采样层后级联全连接层，其中，i和n均为正整数，1≤i≤n，n表示第一子网络中卷积层、下采样层的级数和归一化层的个数。
作为一个示例，对第一图像进行卷积处理，得到第一卷积结果；对第一卷积结果进行下采样处理，得到第一下采样结果；基于第一下采样结果，得到第一特征信息。
例如，可以通过一级卷积层和一级下采样层对第一图像进行卷积处理和下采样处理。其中，其中，该级卷积层可以包括一个或多个卷积层，该级下采样层可以包括一个或多个下采样层。
又如，可以通过多级卷积层和多级下采样层对第一图像进行卷积处理和下采样处理。其中，每级卷积层可以包括一个或多个卷积层，每级下采样层可以包括一个或多个下采样层。
例如，对第一卷积结果进行下采样处理，得到第一下采样结果，可以包括：对第一卷积结果进行归一化处理，得到第一归一化结果；对第一归一化结果进行下采样处理，得到第一下采样结果。
例如，可以将第一下采样结果输入全连接层，通过全连接层对第一下采样结果进行融合处理，得到第一特征信息。
可选地，第二子网络和第一子网络具有相同的网络结构，但具有不同的参数。或者，第二子网络具有与第一子网络不同的网络结构，本公开实施例对此不做限定。
如图7所示，活体检测网络还包括第三子网络，用于对第一子网络得到的第一特征信息和第二子网络得到的第二特征信息进行处理，得到第一图像中的目标对象的活体检测结果。可选地，第三子网络可以包括全连接层和输出层。例如，输出层采用softmax函数，若输出层的输出为1，则表示目标对象为活体，若输出层的输出为0，则表示目标对象为假体，但本公开实施例对第三子网络的具体实现不做限定。
作为一个示例，对第一特征信息和第二特征信息进行融合处理，得到第三特征信息；基于第三特征信息，确定第一图像中的目标对象的活体检测结果。
例如，通过全连接层对第一特征信息和第二特征信息进行融合处理，得到第三特征信息。
在一些实施例中，基于第三特征信息，得到第一图像中的目标对象为活体的概率，并根据目标对象为活体的概率，确定目标对象的活体检测结果。
例如，若目标对象为活体的概率大于第二阈值，则确定目标对象的活体检测结果为目标对象为活体。再例如，若目标对象为活体的概率小于或等于第二阈值，则确定目标对象的活体检测结果为假体。
在另一些实施例中，基于第三特征信息，得到目标对象为假体的概率，并根据目标对象为假体的概率，确定目标对象的活体检测结果。例如，若目标对象为假体的概率大于第三阈值，则确定目标对象的活体检测结果为目标对象为假体。再例如，若目标对象为假体的概率小于或等于第三阈值，则确定目标对象的活体检测结果为活体。
在一个例子中，可以将第三特征信息输入softmax层中，通过softmax层得到目标对象为活体或假体的概率。例如，softmax层的输出包括两个神经元，其中，一个神经元代表目标对象为活体的概率，另一个神经元代表目标对象为假体的概率，但本公开实施例不限于此。
在本公开实施例中，通过获取第一图像和第一图像对应的第一深度图，基于第一图像，更新第一深度图，得到第二深度图，基于第一图像和第二深度图，确定第一图像中的目标对象的活体检测结果，由此能够完善深度图，从而提高活体检测的准确性。
在一种可能的实现方式中，基于第一图像，更新第一深度图，得到第二深度图，包括：基于第一图像，确定第一图像中多个像素的深度预测值和关联信息，其中，该多个像素的关联信息指示该多个像素之间的关联度；基于该多个像素的深度预测值和关联信息，更新第一深度图，得到第二深度图。
具体地，基于第一图像确定第一图像中多个像素的深度预测值，并基于多个像素的深度预测值对第一深度图进行修复完善。
具体地，通过对第一图像进行处理，得到第一图像中多个像素的深度预测值。例如，将第一图像输入到深度预测深度网络中进行处理，得到多个像素的深度预测结果，例如，得到第一图像对应的深度预测图，但本公开实施例对此不做限定。
在一些实施例中，基于第一图像和第一深度图，确定第一图像中多个像素的深度预测值。
作为一个示例，将第一图像和第一深度图输入到深度预测神经网络进行处理，得到第一图像中多个像素的深度预测值。或者，通过其他方式对第一图像和第一深度图进行处理，得到多个像素的深度预测值，本公开实施例对此不做限定。
图8示出根据本公开实施例的车门解锁方法中的深度预测神经网络的示意图。如图8所示，可以将第一图像和第一深度图输入到深度预测神经网络进行处理，得到初始深度估计图。基于初始深度估计图，可以确定第一图像中多个像素的深度预测值。例如，初始深度估计图的像素值为第一图像中的相应像素的深度预测值。
深度预测神经网络可以通过多种网络结构实现。在一个示例中，深度预测神经网络包括编码部分和解码部分。其中，可选地，编码部分可以包括卷积层和下采样层，解码部分包括反卷积层和/或上采样层。此外，编码部分和/或解码部分还可以包括归一化层，本公开实施例对编码部分和解码部分的具体实现不做限定。在编码部分，随着网络层数的增加，特征图的分辨率逐渐降低，特征图的数量逐渐增多，从而能够获取丰富的语义特征和图像空间特征；在解码部分，特征图的分辨率逐渐增大，解码部分最终输出的特征图的分辨率与第一深度图的分辨率相同。
在一些实施例中，对第一图像和第一深度图进行融合处理，得到融合结果，并基于融合结果，确定第一图像中多个像素的深度预测值。
在一个示例中，可以对第一图像和第一深度图进行连接(concat)，得到融合结果。
在一个示例中，对融合结果进行卷积处理，得到第二卷积结果；基于第二卷积结果进行下采样处理，得到第一编码结果；基于第一编码结果，确定第一图像中多个像素的深度预测值。
例如，可以通过卷积层对融合结果进行卷积处理，得到第二卷积结果。
例如，对第二卷积结果进行归一化处理，得到第二归一化结果；对第二归一化结果进行下采样处理，得到第一编码结果。在这里，可以通过归一化层对第二卷积结果进行归一化处理，得到第二归一化结果；通过下采样层对第二归一化结果进行下采样处理，得到第一编码结果。或者，可以通过下采样层对第二卷积结果进行下采样处理，得到第一编码结果。
例如，对第一编码结果进行反卷积处理，得到第一反卷积结果；对第一反卷积结果进行归一化处理，得到深度预测值。在这里，可以通过反卷积层对第一编码结果进行反卷积处理，得到第一反卷积结果；通过归一化层对第一反卷积结果进行归一化处理，得到深度预测值。或者，可以通过反卷积层对第一编码结果进行反卷积处理，得到深度预测值。
例如，对第一编码结果进行上采样处理，得到第一上采样结果；对第一上采样结果进行归一化处理，得到深度预测值。在这里，可以通过上采样层对第一编码结果进行上采样处理，得到第一上采样结果；通过归一化层对第一上采样结果进行归一化处理，得到深度预测值。或者，可以通过上采样层对第一编码结果进行上采样处理，得到深度预测值。
此外，通过对第一图像进行处理，得到第一图像中多个像素的关联信息。其中，第一图像中多个像素的关联信息可以包括第一图像的多个像素中每个像素与其周围像素之间的关联度。其中，像素的周围像素可以包括像素的至少一个相邻像素，或者包括与该像素间隔不超过一定数值的多个像素。例如，如图11所示，像素5的周围像素包括与其相邻的像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9，相应地，第一图像中多个像素的关联信息包括像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9与像素5之间的关联度。作为一个示例，第一像素与第二像素之间的关联度可以利用第一像素与第二像素的相关性来度量，其中，本公开实施例可以采用相关技术确定像素之间的相关性，在此不再赘述。
在本公开实施例中，可以通过多种方式确定多个像素的关联信息。在一些实施例中，将第一图像输入到关联度检测神经网络进行处理，得到第一图像中多个像素的关联信息。例如，得到第一图像对应的关联特征图。或者，也可以通过其他算法得到多个像素的关联信息，本公开实施例对此不做限定。
图9示出根据本公开实施例的车门解锁方法中的关联度检测神经网络的示意图。如图9所示，将第一图像输入到关联度检测神经网络进行处理，得到多张关联特征图。基于多张关联特征图，可以确定第一图像中多个像素的关联信息。例如，某一像素的周围像素指的是与该像素的距离等于0的像素，即，该像素的周围像素指的是与该像素相邻的像素，则关联度检测神经网络可以输出8张关联特征图。例如，在第一张关联特征图中，像素pi,j的像素值＝第一图像中像素pi-1,j-1与像素pi,j之间的关联度，其中，pi,j表示第i行第j列的像素；在第二张关联特征图中，像素pi,j的像素值＝第一图像中像素pi-1,j与像素pi,j之间的关联度；在第三张关联特征图中，像素pi,j的像素值＝第一图像中像素pi-1,j+1与像素pi,j之间的关联度；在第四张关联特征图中，像素pi,j的像素值＝第一图像中像素pi,j-1与像素pi,j之间的关联度；在第五张关联特征图中，像素pi,j的像素值＝第一图像中像素pi,j+1与像素pi,j之间的关联度；在第六张关联特征图中，像素pi,j的像素值＝第一图像中像素pi+1,j-1与像素pi,j之间的关联度；在第七张关联特征图中，像素pi,j的像素值＝第一图像中像素pi+1,j与像素pi,j之间的关联度；在第八张关联特征图中，像素pi,j的像素值＝第一图像中像素pi+1,j+1与像素pi,j之间的关联度。
关联度检测神经网络可以通过多种网络结构实现。作为一个示例，关联度检测神经网络可以包括编码部分和解码部分。其中，编码部分可以包括卷积层和下采样层，解码部分可以包括反卷积层和/或上采样层。编码部分还可以包括归一化层，解码部分也可以包括归一化层。在编码部分，特征图的分辨率逐渐降低，特征图的数量逐渐增多，从而获取丰富的语义特征和图像空间特征；在解码部分，特征图的分辨率逐渐增大，解码部分最终输出的特征图的分辨率与第一图像的分辨率相同。在本公开实施例中，关联信息可以为图像，也可以为其他数据形式，例如矩阵等。
作为一个示例，将第一图像输入到关联度检测神经网络进行处理，得到第一图像中多个像素的关联信息，可以包括：对第一图像进行卷积处理，得到第三卷积结果；基于第三卷积结果进行下采样处理，得到第二编码结果；基于第二编码结果，得到第一图像中多个像素的关联信息。
在一个示例中，可以通过卷积层对第一图像进行卷积处理，得到第三卷积结果。
在一个示例中，基于第三卷积结果进行下采样处理，得到第二编码结果，可以包括：对第三卷积结果进行归一化处理，得到第三归一化结果；对第三归一化结果进行下采样处理，得到第二编码结果。在该示例中，可以通过归一化层对第三卷积结果进行归一化处理，得到第三归一化结果；通过下采样层对第三归一化结果进行下采样处理，得到第二编码结果。或者，可以通过下采样层对第三卷积结果进行下采样处理，得到第二编码结果。
在一个示例中，基于第二编码结果，确定关联信息，可以包括：对第二编码结果进行反卷积处理，得到第二反卷积结果；对第二反卷积结果进行归一化处理，得到关联信息。在该示例中，可以通过反卷积层对第二编码结果进行反卷积处理，得到第二反卷积结果；通过归一化层对第二反卷积结果进行归一化处理，得到关联信息。或者，可以通过反卷积层对第二编码结果进行反卷积处理，得到关联信息。
在一个示例中，基于第二编码结果，确定关联信息，可以包括：对第二编码结果进行上采样处理，得到第二上采样结果；对第二上采样结果进行归一化处理，得到关联信息。在示例中，可以通过上采样层对第二编码结果进行上采样处理，得到第二上采样结果；通过归一化层对第二上采样结果进行归一化处理，得到关联信息。或者，可以通过上采样层对第二编码结果进行上采样处理，得到关联信息。
当前的tof、结构光等3d传感器，在室外容易受到阳光的影响，导致深度图有大面积的空洞缺失，从而影响3d活体检测算法的性能。本公开实施例提出的基于深度图自完善的3d活体检测算法，通过对3d传感器检测到的深度图的完善修复，提高了3d活体检测算法的性能。
在一些实施例中，在得到多个像素的深度预测值和关联信息之后，基于多个像素的深度预测值和关联信息，对第一深度图进行更新处理，得到第二深度图。图10示出根据本公开实施例的车门解锁方法中深度图更新的一示例性的示意图。在图10所示的例子中，第一深度图为带缺失值的深度图，得到的多个像素的深度预测值和关联信息分别为初始深度估计图和关联特征图，此时，将带缺失值的深度图、初始深度估计图和关联特征图输入到深度图更新模块(例如深度更新神经网络)中进行处理，得到最终深度图，即第二深度图。
在一些实施例中，从该多个像素的深度预测值中获取深度失效像素的深度预测值以及深度失效像素的多个周围像素的深度预测值；从该多个像素的关联信息中获取深度失效像素与深度失效像素的多个周围像素之间的关联度；基于深度失效像素的深度预测值、深度失效像素的多个周围像素的深度预测值、以及深度失效像素与深度失效像素的周围像素之间的关联度，确定深度失效像素的更新后的深度值。
在本公开实施例中，可以通过多种方式确定深度图中的深度失效像素。作为一个示例，将第一深度图中深度值等于0的像素确定为深度失效像素，或将第一深度图中不具有深度值的像素确定为深度失效像素。
在该示例中，对于带缺失值的第一深度图中有值的部分(即深度值不为0)，我们认为其深度值是正确可信的，对这部分不进行更新，保留原始的深度值。而对第一深度图中深度值为0的像素的深度值进行更新。
作为另一个示例，深度传感器可以将深度失效像素的深度值设置为一个或多个预设数值或预设范围。在示例中，可以将第一深度图中深度值等于预设数值或者属于预设范围的像素确定为深度失效像素。
本公开实施例也可以基于其他统计方式确定第一深度图中的深度失效像素，本公开实施例对此不做限定。
在该实现方式中，可以将第一图像中与深度失效像素位置相同的像素的深度值确定为深度失效像素的深度预测值，类似地，可以将第一图像中与深度失效像素的周围像素位置相同的像素的深度值确定为深度失效像素的周围像素的深度预测值。
作为一个示例，深度失效像素的周围像素与深度失效像素之间的距离小于或等于第一阈值。
图11示出根据本公开实施例的车门解锁方法中周围像素的示意图。例如，第一阈值为0，则只将邻居像素作为周围像素。例如，像素5的邻居像素包括像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9，则只将像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9作为像素5的周围像素。
图12示出根据本公开实施例的车门解锁方法中周围像素的另一示意图。例如，第一阈值为1，则除了将邻居像素作为周围像素，还将邻居像素的邻居像素作为周围像素。即，除了将像素1、像素2、像素3、像素4、像素6、像素7、像素8和像素9作为像素5的周围像素，还将像素10至像素25作为像素5的周围像素。
作为一个示例，基于深度失效像素的周围像素的深度预测值以及深度失效像素与深度失效像素的多个周围像素之间的关联度，确定深度失效像素的深度关联值；基于深度失效像素的深度预测值以及深度关联值，确定深度失效像素的更新后的深度值。
作为另一个示例，基于深度失效像素的周围像素的深度预测值以及深度失效像素与该周围像素之间的关联度，确定该周围像素对于深度失效像素的有效深度值；基于深度失效像素的各个周围像素对于深度失效像素的有效深度值，以及深度失效像素的深度预测值，确定深度失效像素的更新后的深度值。例如，可以将深度失效像素的某一周围像素的深度预测值与该周围像素对应的关联度的乘积，确定为该周围像素对于深度失效像素的有效深度值，其中，该周围像素对应的关联度指的是该周围像素与深度失效像素之间的关联度。例如，可以确定深度失效像素的各个周围像素对于深度失效像素的有效深度值之和与第一预设系数的乘积，得到第一乘积；确定深度失效像素的深度预测值与第二预设系数的乘积，得到第二乘积；将第一乘积与第二乘积之和确定为深度失效像素的更新后的深度值。在一些实施例中，第一预设系数与第二预设系数之和为1。
在一个示例中，将深度失效像素与每个周围像素之间的关联度作为每个周围像素的权重，对深度失效像素的多个周围像素的深度预测值进行加权求和处理，得到深度失效像素的深度关联值。例如，像素5为深度失效像素，则深度失效像素5的深度关联值为
在另一个示例中，确定深度失效像素的多个周围像素中每个周围像素与深度失效像素之间的关联度和每个周围像素的深度预测值的乘积；将乘积的最大值确定为深度失效像素的深度关联值。
在一个示例中，将深度失效像素的深度预测值与深度关联值之和确定为深度失效像素的更新后的深度值。
在另一个示例中，确定深度失效像素的深度预测值与第三预设系数的乘积，得到第三乘积；确定深度关联值与第四预设系数的乘积，得到第四乘积；将第三乘积与第四乘积之和确定为深度失效像素的更新后的深度值。在一些实施例中，第三预设系数与第四预设系数之和为1。
在一些实施例中，非深度失效像素在第二深度图中的深度值等于该非深度失效像素在第一深度图中的深度值。
在另一些实施例中，也可以对非深度失效像素的深度值进行更新，以得到更准确的第二深度图，从而能够进一步提高活体检测的准确性。
在本公开实施例中，经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离，响应于距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像，基于第一图像进行人脸识别，并响应于人脸识别成功，向车的至少一车门锁发送车门解锁指令，由此能够在保障车门解锁的安全性的前提下提高车门解锁的便捷性。采用本公开实施例，在车主接近车辆时，无需刻意做动作(如触摸按钮或做手势)，就能够自动触发活体检测与人脸认证流程，并在车主活体检测和人脸认证通过后自动打开车门。
在一种可能的实现方式中，在基于第一图像进行人脸识别之后，该方法还包括：响应于人脸识别失败，激活设置于车的密码解锁模块以启动密码解锁流程。
在该实现方式中，密码解锁是人脸识别解锁的备选方案。人脸识别失败的原因可以包括活体检测结果为目标对象为假体、人脸认证失败、图像采集失败(例如摄像头故障)和识别次数超过预定次数等中的至少一项。当目标对象不通过人脸识别时，期待密码解锁流程。例如，可以通过b柱上的触摸屏获取用户输入的密码。在一个示例中，在连续输入m次错误的密码后，密码解锁将失效，例如，m等于5。
在一种可能的实现方式中，该方法还包括以下一项或两项：根据图像采集模组采集的车主的人脸图像进行车主注册；根据车主的终端设备采集的车主的人脸图像进行远程注册，并将注册信息发送到车上，其中，注册信息包括车主的人脸图像。
在一个示例中，根据图像采集模组采集的车主的人脸图像进行车主注册，包括：在检测到触摸屏上的注册按钮被点击时，请求用户输入密码，在密码验证通过后，启动图像采集模组中的rgb摄像头获取用户的人脸图像，并根据获取的人脸图像进行注册，提取该人脸图像中的人脸特征作为预注册的人脸特征，以在后续人脸认证时基于该预注册的人脸特征进行人脸比对。
在一个示例中，根据车主的终端设备采集的车主的人脸图像进行远程注册，并将注册信息发送到车上，其中，注册信息包括车主的人脸图像。在该示例中，车主可以通过手机app(application，应用)向tsp(telematicsserviceprovider，汽车远程服务提供商)云端发送注册请求，其中，注册请求可以携带车主的人脸图像；tsp云端将注册请求发送给车门解锁装置的车载t-box(telematicsbox，远程信息处理器)，车载t-box根据注册请求激活人脸识别功能，并将注册请求中携带的人脸图像中的人脸特征作为预注册的人脸特征，以在后续人脸认证时基于该预注册的人脸特征进行人脸比对。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了车门解锁装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种车门解锁方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图13示出根据本公开实施例的车门解锁装置的框图。该装置包括：获取模块21，用于经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离；唤醒与控制模块22，用于响应于距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像；人脸识别模块23，用于基于第一图像进行人脸识别；发送模块24，用于响应于人脸识别成功，向车的至少一车门锁发送车门解锁指令。
在一种可能的实现方式中，预定条件包括以下至少之一：距离小于预定的距离阈值；距离小于预定的距离阈值的持续时间达到预定的时间阈值；持续时间获得的距离表示目标对象接近车。
在一种可能的实现方式中，至少一距离传感器包括：蓝牙距离传感器；获取模块21用于：建立外部设备和蓝牙距离传感器的蓝牙配对连接；响应于蓝牙配对连接成功，经蓝牙距离传感器获取带有外部设备的目标对象和车之间的第一距离。
在一种可能的实现方式中，至少一距离传感器包括：超声波距离传感器；获取模块21用于：经设置于车的室外部的超声波距离传感器获取目标对象和车之间的第二距离。
在一种可能的实现方式中，至少一距离传感器包括：蓝牙距离传感器和超声波距离传感器；获取模块21用于：建立外部设备和蓝牙距离传感器的蓝牙配对连接；响应于蓝牙配对连接成功，经蓝牙距离传感器获取带有外部设备的目标对象和车之间的第一距离；经超声波距离传感器获取目标对象和车之间的第二距离；唤醒与控制模块22用于：响应于第一距离和第二距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像。
在一种可能的实现方式中，预定条件包括第一预定条件和第二预定条件；第一预定条件包括以下至少之一：第一距离小于预定的第一距离阈值；第一距离小于预定的第一距离阈值的持续时间达到预定的时间阈值；持续时间获得的第一距离表示目标对象接近车；第二预定条件包括：第二距离小于预定的第二距离阈值，第二距离小于预定的第二距离阈值的持续时间达到预定的时间阈值；第二距离阈值小于第一距离阈值。
在一种可能的实现方式中，唤醒与控制模块22包括：唤醒子模块，用于响应于第一距离满足第一预定条件，唤醒设置于车的人脸识别系统；控制子模块，用于响应于第二距离满足第二预定条件，经唤醒的人脸识别系统控制图像采集模组采集目标对象的第一图像。
在一种可能的实现方式中，距离传感器为超声波距离传感器，预定的距离阈值根据计算得到的距离阈值基准值和预定的距离阈值偏移值确定，距离阈值基准值表示车外的对象与车之间的距离阈值的基准值，距离阈值偏移值表示车外的对象与车之间的距离阈值的偏移值。
在一种可能的实现方式中，预定的距离阈值等于距离阈值基准值与预定的距离阈值偏移值的差值。
在一种可能的实现方式中，距离阈值基准值取车辆熄火后的距离平均值与车门解锁的最大距离中的最小值，其中，车辆熄火后的距离平均值表示车辆熄火后的指定时间段内车外的对象与车之间的距离的平均值。
在一种可能的实现方式中，距离阈值基准值周期性更新。
在一种可能的实现方式中，距离传感器为超声波距离传感器，预定的时间阈值根据计算得到的时间阈值基准值和时间阈值偏移值确定，其中，时间阈值基准值表示车外的对象与车之间的距离小于预定的距离阈值的时间阈值的基准值，时间阈值偏移值表示车外的对象与车之间的距离小于预定的距离阈值的时间阈值的偏移值。
在一种可能的实现方式中，预定的时间阈值等于时间阈值基准值与时间阈值偏移值之和。
在一种可能的实现方式中，时间阈值基准值根据超声波距离传感器的水平方向探测角、超声波距离传感器的探测半径、对象尺寸和对象速度中的一项或多项确定。
在一种可能的实现方式中，装置还包括：第一确定模块，用于根据不同类别的对象尺寸、不同类别的对象速度、超声波距离传感器的水平方向探测角和超声波距离传感器的探测半径，确定不同类别的对象对应的备选基准值；第二确定模块，用于从不同类别的对象对应的备选基准值中确定时间阈值基准值。
在一种可能的实现方式中，第二确定模块用于：将不同类别的对象对应的备选基准值中的最大值确定为时间阈值基准值。
在一种可能的实现方式中，人脸识别包括：活体检测和人脸认证；人脸识别模块23包括：人脸认证模块，用于经图像采集模组中的图像传感器采集第一图像，并基于第一图像和预注册的人脸特征进行人脸认证；活体检测模块，用于经图像采集模组中的深度传感器采集第一图像对应的第一深度图，并基于第一图像和第一深度图进行活体检测。
在一种可能的实现方式中，活体检测模块包括：更新子模块，用于基于第一图像，更新第一深度图，得到第二深度图；确定子模块，用于基于第一图像和第二深度图，确定目标对象的活体检测结果。
在一种可能的实现方式中，图像传感器包括rgb图像传感器或者红外传感器；深度传感器包括双目红外传感器或者飞行时间tof传感器。
在一种可能的实现方式中，tof传感器采用基于红外波段的tof模组。
在一种可能的实现方式中，更新子模块用于：基于第一图像，对第一深度图中的深度失效像素的深度值进行更新，得到第二深度图。
在一种可能的实现方式中，更新子模块用于：基于第一图像，确定第一图像中多个像素的深度预测值和关联信息，其中，多个像素的关联信息指示多个像素之间的关联度；基于多个像素的深度预测值和关联信息，更新第一深度图，得到第二深度图。
在一种可能的实现方式中，更新子模块用于：确定第一深度图中的深度失效像素；从多个像素的深度预测值中获取深度失效像素的深度预测值以及深度失效像素的多个周围像素的深度预测值；从多个像素的关联信息中获取深度失效像素与深度失效像素的多个周围像素之间的关联度；基于深度失效像素的深度预测值、深度失效像素的多个周围像素的深度预测值、以及深度失效像素与深度失效像素的周围像素之间的关联度，确定深度失效像素的更新后的深度值。
在一种可能的实现方式中，更新子模块用于：基于深度失效像素的周围像素的深度预测值以及深度失效像素与深度失效像素的多个周围像素之间的关联度，确定深度失效像素的深度关联值；基于深度失效像素的深度预测值以及深度关联值，确定深度失效像素的更新后的深度值。
在一种可能的实现方式中，更新子模块用于：将深度失效像素与每个周围像素之间的关联度作为每个周围像素的权重，对深度失效像素的多个周围像素的深度预测值进行加权求和处理，得到深度失效像素的深度关联值。
在一种可能的实现方式中，更新子模块用于：基于第一图像和第一深度图，确定第一图像中多个像素的深度预测值。
在一种可能的实现方式中，更新子模块用于：将第一图像和第一深度图输入到深度预测神经网络进行处理，得到第一图像中多个像素的深度预测值。
在一种可能的实现方式中，更新子模块用于：对第一图像和第一深度图进行融合处理，得到融合结果；基于融合结果，确定第一图像中多个像素的深度预测值。
在一种可能的实现方式中，更新子模块用于：将第一图像输入到关联度检测神经网络进行处理，得到第一图像中多个像素的关联信息。
在一种可能的实现方式中，更新子模块用于：从第一图像中获取目标对象的图像；基于目标对象的图像，更新第一深度图。
在一种可能的实现方式中，更新子模块用于：获取第一图像中目标对象的关键点信息；基于目标对象的关键点信息，从第一图像中获取目标对象的图像。
在一种可能的实现方式中，更新子模块用于：对第一图像进行目标检测，得到目标对象所在区域；对目标对象所在区域的图像进行关键点检测，得到第一图像中目标对象的关键点信息。
在一种可能的实现方式中，更新子模块用于：从第一深度图中获取目标对象的深度图；基于第一图像，更新目标对象的深度图，得到第二深度图。
在一种可能的实现方式中，确定子模块用于：将第一图像和第二深度图输入到活体检测神经网络进行处理，得到目标对象的活体检测结果。
在一种可能的实现方式中，确定子模块用于：对第一图像进行特征提取处理，得到第一特征信息；对第二深度图进行特征提取处理，得到第二特征信息；基于第一特征信息和第二特征信息，确定目标对象的活体检测结果。
在一种可能的实现方式中，确定子模块用于：对第一特征信息和第二特征信息进行融合处理，得到第三特征信息；基于第三特征信息，确定目标对象的活体检测结果。
在一种可能的实现方式中，确定子模块用于：基于第三特征信息，得到目标对象为活体的概率；根据目标对象为活体的概率，确定目标对象的活体检测结果。
在一种可能的实现方式中，装置还包括：激活与启动模块，用于响应于人脸识别失败，激活设置于车的密码解锁模块以启动密码解锁流程。
在一种可能的实现方式中，装置还包括注册模块，注册模块用于以下一项或两项：根据图像采集模组采集的车主的人脸图像进行车主注册；根据车主的终端设备采集的车主的人脸图像进行远程注册，并将注册信息发送到车上，其中，注册信息包括车主的人脸图像。
在本公开实施例中，经设置于车的至少一距离传感器获取车外的目标对象和车之间的距离，响应于距离满足预定条件，唤醒并控制设置于车的图像采集模组采集目标对象的第一图像，基于第一图像进行人脸识别，并响应于人脸识别成功，向车的至少一车门锁发送车门解锁指令，由此能够在保障车门解锁的安全性的前提下提高车门解锁的便捷性。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
图14示出根据本公开实施例的车载人脸解锁系统的框图。如图14所示，该车载人脸解锁系统包括：存储器31、人脸识别系统32、图像采集模组33和人体接近监测系统34；人脸识别系统32分别与存储器31、图像采集模组33和人体接近监测系统34连接；人体接近监测系统34包括若距离满足预定条件时唤醒人脸识别系统的微处理器341和与微处理器341连接的至少一距离传感器342；人脸识别系统32还设置有用于与车门域控制器连接的通信接口，若人脸识别成功则基于通信接口向车门域控制器发送用于解锁车门的控制信息。
在一个示例中，存储器31可以包括闪存(flash)和ddr3(doubledaterate3，第三代双倍数据率)内存中的至少一项。
在一个示例中，人脸识别系统32可以采用soc(systemonchip，系统级芯片)实现。
在一个示例中，人脸识别系统32通过can(controllerareanetwork，控制器局域网络)总线与车门域控制器连接。
在一种可能的实现方式中，至少一距离传感器342包括以下至少之一：蓝牙距离传感器、超声波距离传感器。
在一个示例中，超声波距离传感器通过串行(serial)总线与微处理器341连接。
在一种可能的实现方式中，图像采集模组33包括图像传感器和深度传感器。
在一个示例中，图像传感器包括rgb传感器和红外传感器中的至少一项。
在一个示例中，深度传感器包括双目红外传感器和飞行时间tof传感器中的至少一项。
在一种可能的实现方式中，深度传感器包括双目红外传感器，双目红外传感器的两个红外摄像头设置在图像传感器的摄像头的两侧。例如，在图5a所示的示例中，图像传感器为rgb传感器，图像传感器的摄像头为rgb摄像头，深度传感器为双目红外传感器，深度传感器包括两个ir(红外)摄像头，双目红外传感器的两个红外摄像头设置在图像传感器的rgb摄像头的两侧。
在一个示例中，图像采集模组33还包括至少一个补光灯，该至少一个补光灯设置在双目红外传感器的红外摄像头和图像传感器的摄像头之间，该至少一个补光灯包括用于图像传感器的补光灯和用于深度传感器的补光灯中的至少一种。例如，若图像传感器为rgb传感器，则用于图像传感器的补光灯可以为白光灯；若图像传感器为红外传感器，则用于图像传感器的补光灯可以为红外灯；若深度传感器为双目红外传感器，则用于深度传感器的补光灯可以为红外灯。在图5a所示的示例中，在双目红外传感器的红外摄像头和图像传感器的摄像头之间设置红外灯。例如，红外灯可以采用940nm的红外线。
在一个示例中，补光灯可以处于常开模式。在该示例中，在图像采集模组的摄像头处于工作状态时，补光灯处于开启状态。
在另一个示例中，可以在光线不足时开启补光灯。例如，可以通过环境光传感器获取环境光强度，并在环境光强度低于光强阈值时判定光线不足，并开启补光灯。
在一种可能的实现方式中，图像采集模组33还包括激光器，激光器设置在深度传感器的摄像头和图像传感器的摄像头之间。例如，在图5b所示的示例中，图像传感器为rgb传感器，图像传感器的摄像头为rgb摄像头，深度传感器为tof传感器，激光器设置在tof传感器的摄像头和rgb传感器的摄像头之间。例如，激光器可以为vcsel，tof传感器可以基于vcsel发出的激光采集深度图。
在一个示例中，深度传感器通过lvds(low-voltagedifferentialsignaling，低电压差分信号)接口与人脸识别系统32连接。
在一种可能的实现方式中，车载人脸解锁系统还包括：用于解锁车门的密码解锁模块35，密码解锁模块35与人脸识别系统32连接。
在一种可能的实现方式中，密码解锁模块35包括触控屏和键盘中的一项或两项。
在一个示例中，触摸屏通过fpd-link(flatpaneldisplaylink，平板显示器链路)与人脸识别系统32连接。
在一种可能的实现方式中，车载人脸解锁系统还包括：电池模组36，电池模组36分别与微处理器341和人脸识别系统32连接。
在一种可能的实现方式中，存储器31、人脸识别系统32、人体接近监测系统34和电池模组36可以搭建在ecu(electroniccontrolunit，电子控制单元)上。
图15示出根据本公开实施例的车载人脸解锁系统的示意图。在图15所示的示例中，存储器31、人脸识别系统32、人体接近监测系统34和电池模组(powermanagement)36搭建在ecu上，人脸识别系统32采用soc实现，存储器31包括闪存(flash)和ddr3内存，至少一距离传感器342包括蓝牙(bluetooth)距离传感器和超声波(ultrasonic)距离传感器，图像采集模组33包括深度传感器(3dcamera)，深度传感器通过lvds接口与人脸识别系统32连接，密码解锁模块35包括触控屏(touchscreen)，触摸屏通过fpd-link与人脸识别系统32连接，人脸识别系统32通过can总线与车门域控制器连接。
图16示出根据本公开实施例的车的示意图。如图16所示，车包括车载人脸解锁系统41，车载人脸解锁系统41与车的车门域控制器42连接。
在一种可能的实现方式中，图像采集模组设置在车的室外部。
在一种可能的实现方式中，图像采集模组设置在以下至少一个位置上：车的b柱、至少一个车门、至少一个后视镜。
在一种可能的实现方式中，人脸识别系统设置在车内，人脸识别系统经can总线与车门域控制器连接。
在一种可能的实现方式中，至少一距离传感器包括蓝牙距离传感器，蓝牙距离传感器设置在车内。
在一种可能的实现方式中，至少一距离传感器包括超声波距离传感器，超声波距离传感器设置在车的室外部。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图17是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是车门解锁装置等终端。
参照图17，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g、3g、4g或5g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
- 还没有人留言评论。精彩留言会获得点赞！