CN105740683B - 基于多因素、多引擎、人机相结合的身份验证方法与系统 - Google Patents

基于多因素、多引擎、人机相结合的身份验证方法与系统 Download PDF

Info

Publication number
CN105740683B
CN105740683B CN201610039148.5A CN201610039148A CN105740683B CN 105740683 B CN105740683 B CN 105740683B CN 201610039148 A CN201610039148 A CN 201610039148A CN 105740683 B CN105740683 B CN 105740683B
Authority
CN
China
Prior art keywords
decision
identification
information
result
biological information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610039148.5A
Other languages
English (en)
Other versions
CN105740683A (zh
Inventor
胡勇
蔡佳琪
曹学光
敖翔
罗忠奎
伍振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Information Security Alliance Technology Co Ltd
Original Assignee
Beijing Information Security Alliance Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Information Security Alliance Technology Co Ltd filed Critical Beijing Information Security Alliance Technology Co Ltd
Priority to CN201610039148.5A priority Critical patent/CN105740683B/zh
Publication of CN105740683A publication Critical patent/CN105740683A/zh
Application granted granted Critical
Publication of CN105740683B publication Critical patent/CN105740683B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供一种基于多因素、多引擎、人机相结合的身份验证方法，包括：获取到当前用户提供的至少两个类别的生物特征信息；采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个识别结果；将得出的所有识别结果进行融合，以得出融合结果，对融合结果进行决策，并根据决策结果以得出当前用户的身份验证结果；若决策结果为属于怀疑区间，则采用人工验证方式对生物特征信息进行验证，并以人工验证结果作为验证结果。实施上述方法的身份验证系统，包括生物特征信息采集装置、生物特征信息识别装置与生物特征信息数据库。本发明具有识别准确率高的特点，可满足银行、社保等金融机构对身份识别精度要求高的需求。

Description

基于多因素、多引擎、人机相结合的身份验证方法与系统
技术领域
本发明涉及一种身份验证方法，尤其是一种基于多因素、多引擎、人机相结合的身份验证方法与系统。
背景技术
在现有基于生物特征的识别方法或识别系统具有各自的优点，但是，由于以下几个原因，使其在使用过程中受到限制：
1、在某些应用场合达不到所要求的准确率，例如银行金融系统，对身份识别的精确度要求就比公司基于生物特征的考勤机的识别精度要求高很多；
2、由于传感器的噪声以及特征提取和匹配的缺陷，往往不能保证得出正确的识别结果。
发明内容
针对上述问题中存在的不足之处，本发明提供一种识别准确率高，可满足银行、社保等金融机构对用户身份识别精度要求高的需求的基于多因素、多引擎、人机相结合的身份验证方法与系统。
为实现上述目的，本发明提供一种基于多因素、多引擎、人机相结合的身份验证方法，包括以下步骤：
步骤1、获取到当前用户提供的至少两个类别的生物特征信息；
步骤2、采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个识别结果；
步骤3、将得出的所有识别结果进行融合，以得出融合结果，对融合结果进行决策，并根据决策结果以得出当前用户的身份验证结果。
步骤4、若决策结果被判定为属于怀疑区间，则采用人工验证方法对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
上述的基于多因素、多引擎、人机相结合的身份验证方法，其中，在步骤2中，包括以下决策层与匹配层两种情况：
针对决策层的情况如下：
采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配与初次决策后，分别得出多个识别结论，该识别结论为Yes或No；
针对匹配层的情况如下：
采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个匹配分值。
上述的基于多因素、多引擎、人机相结合的身份验证方法，其中，在步骤3中，包括以下决策层与匹配层两种情况：
针对决策层的情况包括以下子步骤：
步骤31、将得出的所有Yes或No的识别结论进行融合，以得出有包含Yes的数量与No的数量的融合结论；
步骤32、对融合结论进行决策，并根据决策结果以得出当前用户的身份验证结果；
针对匹配层的情况包括以下子步骤：
步骤31`、将所有的匹配分值分别进行归一化处理，以得出所有的匹配分值`；
步骤32`、所有的匹配分值`进行融合处理，以得出基于所有的匹配分值`的匹配得分之和；
步骤33`、对匹配得分之和进行决策，并根据决策结果以得出当前用户的身份验证结果。
上述的基于多因素、多引擎、人机相结合的身份验证方法，其中，在步骤31`中，采用下式对所有的匹配分值分别进行归一化处理：
n＝(s-min)/(max-min)
其中，s表示匹配得分，n表示归一化后的匹配得分`，max，min分别表示最大、最小的匹配值。
上述的基于多因素、多引擎、人机相结合的身份验证方法，其中，在步骤32`中，采用下式对所有的匹配分值`进行融合处理：
其中，nm表示第m个匹配得分`，M表示匹配得分`的数量，f表示匹配得分之和。
上述的基于多因素、多引擎、人机相结合的身份验证方法，其中，在步骤4中，在基于融合结论或匹配得分之和得出决策结果后，若决策结果被判定为属于怀疑区间，则采用人工验证方式对可以通过目测的生物特征信息进行验证，并以人工验证结果作为当前用户的身份验证结果。
上述的基于多因素、多引擎、人机相结合的身份验证方法，其中，在步骤1实施前，还包括采集用户的生物特征信息，以建立用户的生物特征信息数据库的步骤，其中，所采集的用户生物特征信息包括用户的脸部特征、指纹特征、虹膜特征与声音特征。
本发明还提供一种基于多因素、多引擎、人机相结合的身份验证系统，包括生物特征信息采集装置、生物特征信息识别装置与生物特征信息数据库；
所述生物特征信息采集装置用于采集用户的生物特征信息；
所述生物特征信息识别装置用于对所采集到的用户生物特征信息进行识别，以根据识别结果得出当前用户的身份验证结果；
所述生物特征信息数据库用于存储所采集的用户生物特征信息包括用户的脸部特征信息、指纹特征信息、虹膜特征信息与声音特征信息；
还存储有采用现有的多种脸部特征识别方法、多种指纹特征识别方法、多种虹膜特征识别方法与多种声音特征识别方法分别对用户的脸部特征、指纹特征、虹膜特征与声音特征进行识别后，以得出的多个脸部特征识别信息、指纹特征识别信息、虹膜特征识别信息与声音特征识别信息。
上述的基于多因素、多引擎、人机相结合的身份验证系统，其中，所述生物特征信息识别装置中包括决策层识别部分或匹配层识别部分；
所述决策层识别部分包括多个决策层识别装置、融合模块与最终次决策模块，所述决策层识别装置包括提取模块、识别模块、匹配模块与初次决策模块；
所述提取模块用于提取采集到的用户的生物特征信息；
所述识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息；
所述匹配模块用于将识别信息与所述生物特征信息数据库中预存的该生物特征的识别信息以进行比较，以得出匹配数值；
所述初次决策模块用于对匹配数值进行决策，以得出识别结论，该识别结论为Yes或No；
所述融合模块用于将所有Yes或No的识别结论进行融合，以得出有包含Yes的数量与No的数量的融合结论；
所述最终次决策模块用于对融合结论进行决策，并根据决策结果以得出当前用户的身份验证结果；
所述匹配层识别部分包括多个匹配层识别装置、归一化处理模块、融合模块与决策模块，所述匹配层识别装置包括提取模块、识别模块与匹配模块；
所述提取模块用于提取采集到的用户的生物特征信息；
所述识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息；
所述匹配模块用于将识别信息与所述生物特征信息数据库中预存的该生物特征的识别信息以进行比较，以得出匹配分值；
所述归一化处理模块用于所有的匹配分值分别进行归一化处理，以得出所有的匹配分值`；
所述融合模块用于对所有的匹配分值`进行融合处理，以得出基于所有的匹配分值`的匹配得分之和；
所述决策模块用于对匹配得分之和进行决策，并根据决策结果以得出当前用户的身份验证结果。
上述的基于多因素、多引擎、人机相结合的身份验证系统，其中，还包括人工验证部分，若决策结果被判定为属于怀疑区间，则采用人工验证部分对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
与现有技术相比，本发明具有以下优点：
本发明具有识别准确率高的特点，可满足银行、社保等金融机构对身份识别精度要求高的需求。
附图说明
图1为本发明中方法部分的流程图；
图2为本发明中系统部分的第一实施例的结构框图；
图3为本发明中系统部分的第二实施例的结构框图。
具体实施方式
如图1所示，本实施例提供一种基于多因素、多引擎、人机相结合的身份验证方法，包括以下步骤：
步骤1、获取到当前用户提供的至少两个类别的生物特征信息；
步骤2、采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个识别结果；
步骤3、将得出的所有识别结果进行融合，以得出融合结果，对融合结果进行决策，并根据决策结果以得出当前用户的身份验证结果。
步骤4、若决策结果被判定为属于怀疑区间，则采用人工验证方法对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
基于图1中所述的身份验证方法，其第一实施例包括以下步骤：
步骤1、获取到当前用户提供的两个类别的生物特征信息。
其中，两个类别的生物特征信息分别为当前用户的脸部特征信息与指纹特征信息。
另外，在步骤1实施前，还包括采集用户的生物特征信息，以建立用户的生物特征信息数据库的步骤，其中，所采集的用户生物特征信息包括用户的脸部特征、指纹特征、虹膜特征与声音特征。
生物特征信息数据库中不但存储有基于该用户的脸部特征、指纹特征、虹膜特征与声音特征，还存储有采用现有的多种脸部特征识别方法、多种指纹特征识别方法、多种虹膜特征识别方法与多种声音特征识别方法分别对用户的脸部特征、指纹特征、虹膜特征与声音特征进行识别后，以得出的多个脸部特征识别信息、指纹特征识别信息、虹膜特征识别信息与声音特征识别信息。
步骤2、采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个识别结果。
在步骤2中，采用现有多种不同的脸部特征识别方法对脸部特征信息进行识别，以得出多个脸部特征识别信息。
采用现有的多种指纹特征识别方法对指纹特征信息进行识别，以得出多个指纹特征识别信息。
将多个脸部特征识别信息和多个指纹特征识别信息分别与生物特征信息数据库中基于该用户的多个脸部特征识别信息和多个指纹特征识别信息进行匹配，以得出多个匹配分值。
通过对多个匹配分值进行初次决策，从而得出基于该匹配分值的识别结论，该识别结论为Yes或No。
在进行初次决策时，初次决策提供接受区间与怀疑区间，若得出多个匹配分值属于接受区间中，则给出Yes的识别结论；若得出多个匹配分值属于拒绝区间中，则给出No的识别结论。
步骤3、将得出的所有识别结果进行融合，以得出融合结果，对融合结果进行决策，并根据决策结果以得出当前用户的身份验证结果。
在步骤3中，包括以下子步骤：
步骤31、将得出的所有Yes或No的识别结论进行融合，以得出有包含Yes的数量与No的数量的融合结论；
步骤32、对融合结论进行最终次决策，并根据最终次决策结果以得出当前用户的身份验证结果。
在进行最终次决策时，若融合结论中Yes的数量多于No的数量时，则最终次决策结果判定当前用户的身份符合预存的用户身份。
若融合结论中Yes的数量少于No的数量时，则最终次决策结果判定当前用户的身份不符合预存的用户身份。
若融合结论中Yes的数量与No的数量相同时，则最终次决策结果判定当前用户的身份属于怀疑范围。
步骤4、若决策结果被判定为属于怀疑区间，则采用人工验证部分对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
另外，在将本实施例中的身份验证方法应用于银行系统时，当最终次决策结果判定当前用户的身份符合预存的用户身份时，当前用户需要在银行办理的业务为特殊业务、或者金额较大的业务时，则需要转入人工验证方式再次进行身份验证，并以人工验证结果为最终身份验证结果。
基于图1中所述的身份验证方法，其第二实施例包括以下步骤：
步骤1、获取到当前用户提供的两个类别的生物特征信息。
其中，两个类别的生物特征信息分别为当前用户的脸部特征信息与指纹特征信息。
另外，在步骤1实施前，还包括采集用户的生物特征信息，以建立用户的生物特征信息数据库的步骤，其中，所采集的用户生物特征信息包括用户的脸部特征、指纹特征、虹膜特征与声音特征。
生物特征信息数据库中不但存储有基于该用户的脸部特征、指纹特征、虹膜特征与声音特征，还存储有采用现有的多种脸部特征识别方法、多种指纹特征识别方法、多种虹膜特征识别方法与多种声音特征识别方法分别对用户的脸部特征、指纹特征、虹膜特征与声音特征进行识别后，以得出的多个脸部特征识别信息、指纹特征识别信息、虹膜特征识别信息与声音特征识别信息。
步骤2、采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个识别结果；
在步骤2中，针对匹配层的情况如下：
采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个匹配分值。
在步骤2中，采用现有多种不同的脸部特征识别方法对脸部特征信息进行识别，以得出多个脸部特征识别信息。
采用现有的多种指纹特征识别方法对指纹特征信息进行识别，以得出多个指纹特征识别信息。
将多个脸部特征识别信息和多个指纹特征识别信息分别与生物特征信息数据库中基于该用户的多个脸部特征识别信息和多个指纹特征识别信息进行匹配，以得出多个匹配分值。
步骤3、将得出的所有识别结果进行融合，以得出融合结果，对融合结果进行决策，并根据决策结果以得出当前用户的身份验证结果。
在步骤3中，包括以下子步骤：
步骤31`、将所有的匹配分值分别进行归一化处理，以得出所有的匹配分值`。
其中，采用下式对所有的匹配分值分别进行归一化处理：
n＝(s-min)/(max-min)
其中，s表示匹配得分，n表示归一化后的匹配得分`，max，min分别表示最大、最小的匹配值。
步骤32`、所有的匹配分值`进行融合处理，以得出基于所有的匹配分值`的匹配得分之和。
其中，采用下式对所有的匹配分值`进行融合处理：
其中，nm表示第m个匹配得分`，M表示匹配得分`的数量，f表示匹配得分之和。
步骤33`、对匹配得分之和进行决策，并根据决策结果以得出当前用户的身份验证结果。
在基于匹配得分之和进行决策时，在匹配得分之和的数值归一到[0，100]范围内。若匹配得分之和的数值小于阈值T1，则判定为拒绝区间，直接得到NO的结论，则决策结果判定当前用户的身份不符合预存的用户身份；
若匹配得分之和的数值大于阈值T2，则判定为接受区间，直接得到Yes的结论，则决策结果判定当前用户的身份符合预存的用户身份；
若匹配得分之和的数值在阈值T1与阈值T2之间，则判定为怀疑区间，则转入人工验证方式。
步骤4、若决策结果被判定为属于怀疑区间，则采用人工验证方法对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
另外，在将本实施例中的身份验证方法应用于银行系统时，当最终次决策结果判定当前用户的身份符合预存的用户身份时，当前用户需要在银行办理的业务为特殊业务、或者金额较大的业务时，则需要转入人工验证方式再次进行身份验证，并以人工验证结果为最终身份验证结果。
如图2所示，本实施例提供一种基于多因素、多引擎、人机相结合的身份验证系统，包括生物特征信息采集装置、生物特征信息识别装置与生物特征信息数据库。
生物特征信息采集装置用于采集用户的生物特征信息。
生物特征信息识别装置用于对所采集到的用户生物特征信息进行识别，以根据识别结果得出当前用户的身份验证结果。
生物特征信息数据库用于存储所采集的用户生物特征信息包括用户的脸部特征信息、指纹特征信息、虹膜特征信息与声音特征信息；
还存储有采用现有的多种脸部特征识别方法、多种指纹特征识别方法、多种虹膜特征识别方法与多种声音特征识别方法分别对用户的脸部特征、指纹特征、虹膜特征与声音特征进行识别后，以得出的多个脸部特征识别信息、指纹特征识别信息、虹膜特征识别信息与声音特征识别信息。
其中，生物特征信息识别装置中包括多个决策层识别装置、融合模块与最终次决策模块。
决策层识别装置包括提取模块、识别模块、匹配模块与初次决策模块。
其中，提取模块用于提取采集到的用户的生物特征信息。
在本实施例中，提取模块所提取的生物特征信息分别为当前用户的脸部特征信息与指纹特征信息。
识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息。
其中，识别模块采用现有多种不同的脸部特征识别方法对脸部特征信息进行识别，以得出多个脸部特征识别信息。
采用现有的多种指纹特征识别方法对指纹特征信息进行识别，以得出多个指纹特征识别信息。
匹配模块用于将识别信息与生物特征信息数据库中基于该当前用户预存的该生物特征的识别信息以进行比较，以得出匹配数值。
将多个脸部特征识别信息和多个指纹特征识别信息分别与生物特征信息数据库中基于该用户的多个脸部特征识别信息和多个指纹特征识别信息进行匹配，以得出多个匹配分值。
初次决策模块用于对匹配数值进行决策，以得出识别结论，该识别结论为Yes或No。
初次决策模块对多个匹配分值进行初次决策，从而得出基于该匹配分值的识别结论，该识别结论为Yes或No。
在进行初次决策时，初次决策提供接受区间与怀疑区间，若得出多个匹配分值属于接受区间中，则给出Yes的识别结论；若得出多个匹配分值属于拒绝区间中，则给出No的识别结论。
融合模块用于将所有Yes或No的识别结论进行融合，以得出有包含Yes的数量与No的数量的融合结论。
最终次决策模块用于对融合结论进行决策，并根据决策结果以得出当前用户的身份验证结果。
最终次决策模块在进行最终次决策时，若融合结论中Yes的数量多于No的数量时，则最终次决策结果判定当前用户的身份符合预存的用户身份。
若融合结论中Yes的数量少于No的数量时，则最终次决策结果判定当前用户的身份不符合预存的用户身份。
若融合结论中Yes的数量与No的数量相同时，则最终次决策结果判定当前用户的身份属于怀疑范围。
当最终次决策结果判定当前用户的身份属于怀疑范围时，为了进一步提高验证精确度，在最终次决策给出当前用户的身份验证结果前，采用人工验证部分对可以通过目测的生物特征信息进行验证，在得出人工验证结果后，则将人工验证结果作为当前用户的身份验证结果。
另外，在将本实施例中的身份验证系统应用于银行系统时，当最终次决策结果判定当前用户的身份符合预存的用户身份时，当前用户需要在银行办理的业务为特殊业务、或者金额较大的业务时，则需要转入人工验证方式再次进行身份验证，并以人工验证结果为最终身份验证结果。
如图3所示，本实施例提供一种基于生物特征识别的身份验证系统，包括生物特征信息采集装置、生物特征信息识别装置与生物特征信息数据库。
生物特征信息采集装置用于采集用户的生物特征信息。
生物特征信息识别装置用于对所采集到的用户生物特征信息进行识别，以根据识别结果得出当前用户的身份验证结果。
生物特征信息数据库用于存储所采集的用户生物特征信息包括用户的脸部特征信息、指纹特征信息、虹膜特征信息与声音特征信息；
还存储有采用现有的多种脸部特征识别方法、多种指纹特征识别方法、多种虹膜特征识别方法与多种声音特征识别方法分别对用户的脸部特征、指纹特征、虹膜特征与声音特征进行识别后，以得出的多个脸部特征识别信息、指纹特征识别信息、虹膜特征识别信息与声音特征识别信息。
其中，生物特征信息识别装置中包括多个匹配层识别装置、融合模块与决策模块，匹配层识别装置包括提取模块、识别模块与匹配模块。
提取模块用于提取采集到的用户的生物特征信息。
在本实施例中，提取模块所提取的生物特征信息分别为当前用户的脸部特征信息与指纹特征信息。
识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息。
识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息。
其中，识别模块采用现有多种不同的脸部特征识别方法对脸部特征信息进行识别，以得出多个脸部特征识别信息。
采用现有的多种指纹特征识别方法对指纹特征信息进行识别，以得出多个指纹特征识别信息。
匹配模块用于将识别信息与生物特征信息数据库中基于该当前用户预存的该生物特征的识别信息以进行比较，以得出匹配数值。
将多个脸部特征识别信息和多个指纹特征识别信息分别与生物特征信息数据库中基于该用户的多个脸部特征识别信息和多个指纹特征识别信息进行匹配，以得出多个匹配分值。
归一化处理模块用于所有的匹配分值分别进行归一化处理，以得出所有的匹配分值`。
其中，采用下式对所有的匹配分值分别进行归一化处理：
n＝(s-min)/(max-min)
其中，s表示匹配得分，n表示归一化后的匹配得分`，max，min分别表示最大、最小的匹配值。
融合模块用于对所有的匹配分值`进行融合处理，以得出基于所有的匹配分值`的匹配得分之和。
其中，采用下式对所有的匹配分值`进行融合处理：
其中，nm表示第m个匹配得分`，M表示匹配得分`的数量，f表示匹配得分之和。
决策模块用于对匹配得分之和进行决策，并根据决策结果以得出当前用户的身份验证结果。
决策模块在基于匹配得分之和进行决策时，在匹配得分之和的数值归一到[0，100]范围内。若匹配得分之和的数值小于阈值T1，则判定为拒绝区间，直接得到No的结论，则决策结果判定当前用户的身份不符合预存的用户身份；
若匹配得分之和的数值大于阈值T2，则判定为接受区间，直接得到Yes的结论，则决策结果判定当前用户的身份符合预存的用户身份；
若匹配得分之和的数值在阈值T1与阈值T2之间，则判定为怀疑区间，则转入人工验证方式。
当决策结果判定当前用户的身份属于怀疑范围时，为了进一步提高验证精确度，在最终次决策给出当前用户的身份验证结果前，采用人工验证方式对可以通过目测的生物特征信息进行验证，在得出人工验证结果后，则将人工验证结果作为当前用户的身份验证结果。
另外，在将本实施例中的身份验证系统应用于银行系统时，当最终次决策结果判定当前用户的身份符合预存的用户身份时，当前用户需要在银行办理的业务为特殊业务、或者金额较大的业务时，则需要转入人工验证方式再次进行身份验证，并以人工验证结果为最终身份验证结果。
本发明针对人机验证的AFST策略，我们设定了6种验证模式，分别是：
AUTOONLY：只进行机器验证并返回结果(不进行人工验证)；
MANUONLY：只进行人工验证并返回结果(不进行机器自动验证，无中间结果)；
AUTOMANU_1：无论机器自动验证结果如何，都进行人工验证(会产生自动验证中间结果，并入库保存)；
AUTOMANU_2：如果机器自动验证为PASS，则直接返回PASS(不进行人工验证)，否则进行人工验证并以人工验证结论为最终返回结果；
AUTOMANU_3：如果机器自动验证为NOPASS，则直接返回NOPASS(不进行人工验证)，否则进行人工验证并以人工验证结论为最终返回结果；
AUTOMANU_4：只有机器自动验证结果为UNCERTAIN的情况下，进行人工验证，并以人工验证结果为准，否则直接返回机器自动验证结果。
以上所述仅为本发明的较佳实施例，对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (8)

1.一种基于多因素、多引擎、人机相结合的身份验证方法，包括以下步骤：
步骤1、获取到当前用户提供的至少两个类别的生物特征信息；
步骤2、采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个识别结果；
其中，在步骤2中，包括以下决策层与匹配层两种情况：
针对决策层的情况如下：
采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配与初次决策后，分别得出多个识别结论，该识别结论为Yes或No；
针对匹配层的情况如下：
采用多种不同的识别方法对每个类别的生物特征信息进行识别，在经过匹配后，分别得出多个匹配分值；
步骤3、将得出的所有识别结果进行融合，以得出融合结果，对融合结果进行决策，并根据决策结果以得出当前用户的身份验证结果；
步骤4、若决策结果被判定为属于怀疑区间，则采用人工验证方法对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
2.根据权利要求1所述的基于多因素、多引擎、人机相结合的身份验证方法，其特征在于，在步骤3中，包括以下决策层与匹配层两种情况：
针对决策层的情况包括以下子步骤：
步骤31、将得出的所有Yes或No的识别结论进行融合，以得出有包含Yes的数量与No的数量的融合结论；
步骤32、对融合结论进行决策，并根据决策结果以得出当前用户的身份验证结果；
针对匹配层的情况包括以下子步骤：
步骤31`、将所有的匹配分值分别进行归一化处理，以得出所有的匹配分值`；
步骤32`、所有的匹配分值`进行融合处理，以得出基于所有的匹配分值`的匹配得分之和；
步骤33`、对匹配得分之和进行决策，并根据决策结果以得出当前用户的身份验证结果。
3.根据权利要求2所述的基于多因素、多引擎、人机相结合的身份验证方法，其特征在于，在步骤31`中，采用下式对所有的匹配分值分别进行归一化处理：
n＝(s–min)/(max–min)
其中，s表示匹配得分，n表示归一化后的匹配得分`，max，min分别表示最大、最小的匹配值。
4.根据权利要求2所述的基于多因素、多引擎、人机相结合的身份验证方法，其特征在于，在步骤32`中，采用下式对所有的匹配分值`进行融合处理：
其中，nm表示第m个匹配得分`，M表示匹配得分`的数量，f表示匹配得分之和。
5.根据权利要求1所述的基于多因素、多引擎、人机相结合的身份验证方法，其特征在于，在步骤4中，在基于融合结论或匹配得分之和得出决策结果后，若决策结果被判定为属于怀疑区间，则采用人工验证方法对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
6.根据权利要求1所述的基于多因素、多引擎、人机相结合的身份验证方法，其特征在于，在步骤1实施前，还包括采集用户的生物特征信息，以建立用户的生物特征信息数据库的步骤，其中，所采集的用户生物特征信息包括用户的脸部特征、指纹特征、虹膜特征与声音特征。
7.一种实施权利要求1所述的基于多因素、多引擎、人机相结合的身份验证方法的系统，其特征在于，包括生物特征信息采集装置、生物特征信息识别装置与生物特征信息数据库；
所述生物特征信息采集装置用于采集用户的生物特征信息；
所述生物特征信息识别装置用于对所采集到的用户生物特征信息进行识别，以根据识别结果得出当前用户的身份验证结果；
其中，所述生物特征信息识别装置中包括决策层识别部分或匹配层识别部分；
所述决策层识别部分包括多个决策层识别装置、融合模块与最终次决策模块，所述决策层识别装置包括提取模块、识别模块、匹配模块与初次决策模块；
所述提取模块用于提取采集到的用户的生物特征信息；
所述识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息；
所述匹配模块用于将识别信息与所述生物特征信息数据库中预存的该生物特征的识别信息以进行比较，以得出匹配数值；
所述初次决策模块用于对匹配数值进行决策，以得出识别结论，该识别结论为Yes或No；
所述融合模块用于将所有Yes或No的识别结论进行融合，以得出有包含Yes的数量与No的数量的融合结论；
所述最终次决策模块用于对融合结论进行决策，并根据决策结果以得出当前用户的身份验证结果；
所述匹配层识别部分包括多个匹配层识别装置、归一化处理模块、融合模块与决策模块，所述匹配层识别装置包括提取模块、识别模块与匹配模块；
所述提取模块用于提取采集到的用户的生物特征信息；
所述识别模块用于采用与生物特征信息相对应的多种生物特征识别方法以对当前的生物特征信息进行识别，以得出识别信息；
所述匹配模块用于将识别信息与所述生物特征信息数据库中预存的该生物特征的识别信息以进行比较，以得出匹配分值；
所述归一化处理模块用于所有的匹配分值分别进行归一化处理，以得出所有的匹配分值`；
所述融合模块用于对所有的匹配分值`进行融合处理，以得出基于所有的匹配分值`的匹配得分之和；
所述决策模块用于对匹配得分之和进行决策，并根据决策结果以得出当前用户的身份验证结果；
所述生物特征信息数据库用于存储所采集的用户生物特征信息包括用户的脸部特征信息、指纹特征信息、虹膜特征信息与声音特征信息；
还存储有采用现有的多种脸部特征识别方法、多种指纹特征识别方法、多种虹膜特征识别方法与多种声音特征识别方法分别对用户的脸部特征、指纹特征、虹膜特征与声音特征进行识别后，以得出的多个脸部特征识别信息、指纹特征识别信息、虹膜特征识别信息与声音特征识别信息。
8.根据权利要求7所述的系统，其特征在于，还包括人工验证部分，若决策结果被判定为属于怀疑区间，则采用人工验证部分对可以通过目测的生物特征信息进行验证，并以人工验证结果为当前用户的身份验证结果。
CN201610039148.5A 2016-01-20 2016-01-20 基于多因素、多引擎、人机相结合的身份验证方法与系统 Expired - Fee Related CN105740683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610039148.5A CN105740683B (zh) 2016-01-20 2016-01-20 基于多因素、多引擎、人机相结合的身份验证方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610039148.5A CN105740683B (zh) 2016-01-20 2016-01-20 基于多因素、多引擎、人机相结合的身份验证方法与系统

Publications (2)

Publication Number Publication Date
CN105740683A CN105740683A (zh) 2016-07-06
CN105740683B true CN105740683B (zh) 2018-10-12

Family

ID=56246371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610039148.5A Expired - Fee Related CN105740683B (zh) 2016-01-20 2016-01-20 基于多因素、多引擎、人机相结合的身份验证方法与系统

Country Status (1)

Country Link
CN (1) CN105740683B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067486A (zh) * 2017-03-13 2017-08-18 山东科技大学 一种基于多因素交叉验证的用户签到身份识别方法
TWI604332B (zh) * 2017-03-24 2017-11-01 緯創資通股份有限公司 遠距離的身份辨識方法及其系統與電腦可讀取記錄媒體
CN107295192B (zh) * 2017-07-13 2020-03-24 Oppo广东移动通信有限公司 解锁控制方法及相关产品
CN107463819B (zh) * 2017-07-14 2020-03-03 Oppo广东移动通信有限公司 解锁处理方法及相关产品
CN107517298B (zh) * 2017-07-21 2020-08-14 Oppo广东移动通信有限公司 解锁方法及相关产品
CN107463822B (zh) * 2017-07-21 2021-04-02 Oppo广东移动通信有限公司 生物识别模式控制方法及相关产品
CN107545166B (zh) * 2017-08-24 2021-04-16 Oppo广东移动通信有限公司 生物识别方法及相关产品
CN108768654B (zh) * 2018-04-09 2020-04-21 平安科技（深圳）有限公司 基于声纹识别的身份验证方法、服务器及存储介质
CN110647955A (zh) * 2018-06-26 2020-01-03 义隆电子股份有限公司 身份验证方法
CN109858453B (zh) * 2019-02-15 2023-06-23 浪潮通用软件有限公司 一种通用的多引擎票据识别系统及方法
CN113822308B (zh) * 2020-06-20 2024-04-05 北京眼神智能科技有限公司 多模态生物识别的比对分数融合方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794266A (zh) * 2005-12-31 2006-06-28 清华大学 生物特征融合的身份识别和认证方法
CN101075868A (zh) * 2006-05-19 2007-11-21 华为技术有限公司 一种远程身份认证的系统、终端、服务器和方法
CN101246543A (zh) * 2008-03-18 2008-08-20 苏州纳米技术与纳米仿生研究所 基于仿生与生物特征识别的考试者身份鉴定系统
CN101251889A (zh) * 2007-12-25 2008-08-27 哈尔滨工业大学 基于手掌静脉与掌纹的近红外成像设备与身份识别方法
CN103634118A (zh) * 2013-12-12 2014-03-12 山东神思电子技术股份有限公司 基于证卡和复合生物特征识别的生存认证方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794266A (zh) * 2005-12-31 2006-06-28 清华大学 生物特征融合的身份识别和认证方法
CN101075868A (zh) * 2006-05-19 2007-11-21 华为技术有限公司 一种远程身份认证的系统、终端、服务器和方法
CN101251889A (zh) * 2007-12-25 2008-08-27 哈尔滨工业大学 基于手掌静脉与掌纹的近红外成像设备与身份识别方法
CN101246543A (zh) * 2008-03-18 2008-08-20 苏州纳米技术与纳米仿生研究所 基于仿生与生物特征识别的考试者身份鉴定系统
CN103634118A (zh) * 2013-12-12 2014-03-12 山东神思电子技术股份有限公司 基于证卡和复合生物特征识别的生存认证方法

Also Published As

Publication number Publication date
CN105740683A (zh) 2016-07-06

Similar Documents

Publication Publication Date Title
CN105740683B (zh) 基于多因素、多引擎、人机相结合的身份验证方法与系统
CN111709004B (zh) 一种身份认证方法、装置、电子设备及可读存储介质
CN101661557B (zh) 一种基于智能卡的人脸识别系统及其方法
Jain et al. Biometric identification
CN101030244B (zh) 基于人体生理图像中排序测度特征的自动身份识别方法
CN111861240A (zh) 可疑用户识别方法、装置、设备及可读存储介质
CN101256700A (zh) 一种混合型用户身份认证的自动取款机
CN104036254A (zh) 一种人脸识别方法
CN108376215A (zh) 一种身份认证方法
CN109635625B (zh) 智能身份核验方法、设备、存储介质及装置
Gale et al. Evolution of performance analysis of iris recognition system by using hybrid methods of feature extraction and matching by hybrid classifier for iris recognition system
CN105184571A (zh) 一种手背静脉与多指纹结合的支付认证系统
JP2014518579A (ja) マルチモーダル情報に基づく人口学的分析方法及びシステム
CN111723595A (zh) 人员身份识别方法和系统
JP2003099780A (ja) アクセスコントロールシステム
CN113158958B (zh) 通行方法及相关装置
CN110135229A (zh) 一种利用神经网络的驾驶员身份识别系统
Li et al. The evolution of biometrics
Sharma et al. Role of biometric technology over advanced security and protection in auto teller machine transaction
Manjunath et al. Analysis of unimodal and multimodal biometric system using iris and fingerprint
Patil A study of biometric, multimodal biometric systems: Fusion techniques, applications and challenges
CN112951247A (zh) 一种基于应用场景进行声纹快速验证的方法及其应用
Garg et al. Performance Analysis of Uni-modal and Multimodal Biometric System
Verma et al. Performance analysis of biometric systems: A security perspective
CN105701411A (zh) 一种信息安全传输方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181012

Termination date: 20190120