CN108491805B - 身份认证方法和装置 - Google Patents
身份认证方法和装置 Download PDFInfo
- Publication number
- CN108491805B CN108491805B CN201810259996.6A CN201810259996A CN108491805B CN 108491805 B CN108491805 B CN 108491805B CN 201810259996 A CN201810259996 A CN 201810259996A CN 108491805 B CN108491805 B CN 108491805B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- training
- characteristic 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例公开了身份认证方法和装置。该方法的一具体实施方式包括:将待检测图像输入至预先训练的人脸识别模型,得到特征信息;将该特征信息与预存特征信息进行匹配;基于匹配结果生成身份认证结果;其中,该人脸识别模型通过如下步骤训练得到:提取训练样本;训练样本输入至预先建立的卷积神经网络,基于输入至该卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对该卷积神经网络进行训练,生成人脸识别模型。该实施方式实现了在待检测图像与注册时所使用的人脸图像的类型不同时,对待检测图像中的人脸对象的有效识别。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及身份认证方法和装置。
背景技术
随着计算机技术的发展,图像处理技术应用到了越来越多的领域。例如,可以对图像中的人脸进行识别,以进行用户身份认证。
现有的方式,通常是预先从用户注册时所提供的人脸图像中提取特征信息,并进行存储。在需要进行身份认证时,从待检测图像中提取特征信息,进而基于当前的特征信息和预存的特征信息的比对进行身份认证。这种方式需要以待检测图像与用户注册时所提供的人脸图像具有相同类型(例如同为可见光图像,或者同为近红外图像)为前提,仅适用于对与注册时所提供的人脸图像具有相同类型的待检测图像中的人脸对象进行识别。
发明内容
本申请实施例提出了身份认证方法和装置。
第一方面,本申请实施例提供了一种身份认证方法,该方法包括:将待检测图像输入至预先训练的人脸识别模型,得到特征信息;将特征信息与预存特征信息进行匹配;基于匹配结果生成身份认证结果;其中,人脸识别模型通过如下步骤训练得到:提取训练样本,其中,训练样本包括第一图像、第二图像和第三图像,第一图像与第二图像的类型不同且带有相同的用户身份标注,第一图像与第三图像带有不同的用户身份标注,类型包括可见光图像类型和近红外图像类型;将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络,基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对卷积神经网络进行训练,生成人脸识别模型。
在一些实施例中,预存特征信息是从用户注册时所使用的人脸图像中提取的,人脸图像与待检测图像的类型不同。
在一些实施例中,将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络,基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对卷积神经网络进行训练,生成人脸识别模型,包括:执行如下训练步骤:将训练样本中的第一图像、第二图像、第三图像输入至预先建立的卷积神经网络,得到分别与第一图像、第二图像、第三图像对应的第一特征信息、第二特征信息、第三特征信息;分别确定第一特征信息与第二特征信息的相似度、第一特征信息与第三特征信息的相似度;将所确定的各相似度输入至预设的损失函数,确定损失值;响应于确定损失值不大于预设数值,将当前的卷积神经网络确定为人脸识别模型。
在一些实施例中,训练样本通过如下步骤提取:从预置图像集合中随机选取一个图像作为第一图像,其中,预置图像中的每一个图像带有一个用户身份标注;从预置图像集合中随机选取一个与第一图像不同类型且带有相同用户身份标注的图像作为第二图像;从预置图像集合中随机选取一个与第一图像带有不同用户身份标注的图像作为第三图像;将第一图像、第二图像、第三图像汇总为训练样本。
在一些实施例中,将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络,基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对卷积神经网络进行训练,生成人脸识别模型,还包括:响应于确定损失值大于预设数值,基于损失函数,利用梯度下降算法,对卷积神经网络的参数进行更新,重新提取训练样本并使用更新后的卷积神经网络执行训练步骤。
在一些实施例中,该方法还包括:响应于确定身份认证未通过,显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。
第二方面,本申请实施例提供了一种身份认证装置,该装置包括:输入单元,配置用于将待检测图像输入至预先训练的人脸识别模型,得到特征信息;匹配单元,配置用于将特征信息与预存特征信息进行匹配;生成单元,配置用于基于匹配结果生成身份认证结果;其中,人脸识别模型通过如下步骤训练得到:提取训练样本,其中,训练样本包括第一图像、第二图像和第三图像,第一图像与第二图像的类型不同且带有相同的用户身份标注,第一图像与第三图像带有不同的用户身份标注,类型包括可见光图像类型和近红外图像类型;将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络,基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对卷积神经网络进行训练,生成人脸识别模型。
在一些实施例中,预存特征信息是从用户注册时所使用的人脸图像中提取的,人脸图像与待检测图像的类型不同。
在一些实施例中,将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络,基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对卷积神经网络进行训练,生成人脸识别模型,包括:执行如下训练步骤:将训练样本中的第一图像、第二图像、第三图像输入至预先建立的卷积神经网络,得到分别与第一图像、第二图像、第三图像对应的第一特征信息、第二特征信息、第三特征信息;分别确定第一特征信息与第二特征信息的相似度、第一特征信息与第三特征信息的相似度;将所确定的各相似度输入至预设的损失函数,确定损失值;响应于确定损失值不大于预设数值,将当前的卷积神经网络确定为人脸识别模型。
在一些实施例中,训练样本通过如下步骤提取:从预置图像集合中随机选取一个图像作为第一图像,其中,预置图像中的每一个图像带有一个用户身份标注;从预置图像集合中随机选取一个与第一图像不同类型且带有相同用户身份标注的图像作为第二图像;从预置图像集合中随机选取一个与第一图像带有不同用户身份标注的图像作为第三图像;将第一图像、第二图像、第三图像汇总为训练样本。
在一些实施例中,将第一图像、第二图像和第三图像输入至预先建立的卷积神经网络,基于输入至卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对卷积神经网络进行训练,生成人脸识别模型,还包括:响应于确定损失值大于预设数值,基于损失函数,利用梯度下降算法,对卷积神经网络的参数进行更新,重新提取训练样本并使用更新后的卷积神经网络执行训练步骤。
在一些实施例中,该装置还包括:显示单元,配置用于响应于确定身份认证未通过,显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如身份认证方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如身份认证方法中任一实施例的方法。
本申请实施例提供的身份认证方法和装置,通过对将待检测图像输入至预先训练的人脸识别模型,得到特征信息;而后将特征信息与预存特征信息进行匹配;最后基于匹配结果生成身份认证结果。由于训练该人脸识别模型所使用的训练样本既包含类型不同且带有相同的用户身份标注的第一图像和第二图像,也包含与第一图像带有不同的用户身份标注的第三图像,因此,该人脸识别模型可以实现在待检测图像与注册时所使用的人脸图像的类型不同时,对待检测图像中的人脸对象的有效识别。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的身份认证方法的一个实施例的流程图;
图3是根据本申请的身份认证方法的一个应用场景的示意图;
图4是根据本申请的身份认证方法的又一个实施例的流程图;
图5是根据本申请的身份认证装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的身份认证方法或身份认证装置的示例性系统架构100。
图1示出了可以应用本申请的人脸识别方法或人脸识别装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持图像拍摄的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
终端设备101、102、103中可以存储有人脸识别模型,在拍摄到待检测图像后,可以利用该人脸识别模型提取该待检测图像中的特征信息,进而利用该特征信息进行身份认证。
服务器105可以是提供各种服务的服务器,例如对用户的特征信息进行存储的存储服务器,存储服务器可以存储多个用户的特征信息,每个用户的特征信息可以是从用户在注册时所提供的人脸图像中提取的。需要说明的是,服务器105可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是,本申请实施例所提供的身份认证方法一般由终端设备101、102、103执行,相应地,身份认证装置一般设置于终端设备101、102、103中。需要说明的是,上述人脸识别模型也可以存储于服务器105中,终端设备101、102、103可以通过网络104将待检测图像发送至服务器105,服务器105利用该人脸识别模型提取上述待检测图像中的特征信息,并进行身份认证。此时,身份认证方法可以由服务器105执行,相应地,身份认证装置也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的身份认证方法的一个实施例的流程200。该身份认证方法,包括以下步骤:
步骤201,将待检测图像输入至预先训练的人脸识别模型,得到特征信息。
在本实施例中,身份认证方法的执行主体(例如图1所示的终端设备101、102、103)中可以存储有预先训练的人脸识别模型。上述人脸识别模型可以用于从图像中提取特征信息。上述特征信息可以是用于对人脸特征进行表征的信息,其中,人脸特征可以是与人脸相关的各种基本要素(例如人脸中的特征点间的欧氏距离、曲率、角度等,人脸的某一个局部和人脸的另一个局部之间的结构关系的几何描述等)。实践中,特征信息可以用向量或矩阵表示。在获取到待检测图像后,上述执行主体可以将该待检测图像输入至预先训练的人脸识别模型,得到特征信息。
此处,上述待检测图像可以为可见光图像(例如RGB(Red、Green、Blue,红绿蓝)模式的图像)或者近红外(Near Infrared,NIR)图像。其中,可见光图像也可以用RGB三通道的矩阵进行表达。近红外图像可以用内容相同的三通道的矩阵进行表达。
在一种实现方式中,上述执行主体中可以预先存储有待检测图像,上述执行主体可以直接将该待检测图像输入至上述人脸识别模型,得到特征信息。
在另一种实现方式中,上述执行主体可以安装有用于采集可见光图像的摄像头和/或用于采集近红外图像的摄像头。用户可以选择需开启的摄像头,进而利用所选择的摄像头进行拍摄(利用进行用户头部或者脸部的自拍),得到待检测图像。
需要说明的是,上述人脸识别模型可以通过如下步骤训练得到:
步骤202,提取训练样本。
此处,上述训练样本可以包括第一图像、第二图像和第三图像,上述第一图像与上述第二图像的类型不同且带有相同的用户身份标注,上述第一图像与上述第三图像带有不同的用户身份标注。其中,上述类型包括可见光图像类型和近红外图像类型。上述用户身份标注可以用于指示和确定用户身份,每一个用户身份标注可以与一个用户相对应,每一个用户身份标注可以用一个向量来表示。
作为示例,第一图像可以是用户A的可见光图像,第二图像可以是用户A的近红外图像,第三图像可以是用户B的可见光图像或者近红外图像。作为又一示例,第一图像可以是用户A的近红外图像,第二图像可以是用户A的可见光图像,第三图像可以是用户B的可见光图像或者近红外图像。
步骤203,将上述第一图像、上述第二图像和上述第三图像输入至预先建立的卷积神经网络,基于输入至上述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对上述卷积神经网络进行训练,生成人脸识别模型。
实践中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络进行图像特征的提取。卷积神经网络可以包括卷积层、池化层和全连接层(fully connected layers,FC)等。此处,预先建立的卷积神经网络可以使用现有的各种卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。
此处,可以将上述第一图像、上述第二图像和上述第三图像作为上述卷积神经网络的输入,将输入至上述卷积神经网络中的各图像所带有的用户身份标注作为上述卷积神经网络的输出,对上述卷积神经网络进行有监督训练,得到人脸识别模型。在对上述卷积神经网络的训练过程中,可以通过逐层求出上述损失函数对各神经元权值的偏导数,构成损失函数对权值向量的梯量以修改卷积神经网络的权值。人脸识别模型的学习在权值修改过程中完成。损失值达到所期望值(例如0)时,该人脸识别模型的训练完成。
需要说明的是,上述机器学习方法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤204,将特征信息与预存特征信息进行匹配。
在本实施例中,上述执行主体可以将所提取的特征信息与预存特征信息进行匹配。其中,上述预存特征信息可以从用户预先提供的人脸图像中所提取的特征信息。上述执行主体可以确定上述特征信息与预存特征信息的相似度(例如可以利用欧氏距离、余弦相似度等确定)。响应于确定上述相似度大于预设数值,可以确定上述特征信息与上述预存特征信息相匹配;响应于确定上述相似度不大于预设数值,可以确定上述特征信息与上述预存特征信息不匹配。
步骤205,基于匹配结果生成身份认证结果。
在本实施例中,上述执行主体可以基于匹配结果生成身份认证结果。具体地,若匹配结果为上述特征信息与上述预存特征信息相匹配,则身份认证结果可以指示身份认证通过;若匹配结果为上述特征信息与上述预存特征信息不匹配,则身份认证结果可以指示身份认证不通过。
继续参见图3,图3是根据本实施例的身份认证方法的应用场景的一个示意图。在图3的应用场景中,用户手持终端设备301,终端设备的摄像头对准面部进行人脸图像的拍摄。上述摄像头可以是用于拍摄可见光图像的摄像头,也可以是用于拍摄近红外图像的摄像头。上述终端设备在获取到人脸图像后,首先将该人脸图像输入至预先训练的人脸识别模型,得到特征信息。而后,上述终端设备将该特征信息与预存特征信息进行匹配,当确定该特征信息与上述预存特征信息相匹配后,则进行解锁。用户可以在上述终端设备解锁后,对该终端设备进行操作。
本申请的上述实施例提供的方法,通过对将待检测图像输入至预先训练的人脸识别模型,得到特征信息;而后将上述特征信息与预存特征信息进行匹配;最后基于匹配结果生成身份认证结果。由于训练该人脸识别模型所使用的训练样本既包含类型不同且带有相同的用户身份标注的第一图像和第二图像,也包含与第一图像带有不同的用户身份标注的第三图像,因此,该人脸识别模型可以实现在待检测图像与注册时所使用的人脸图像的类型不同时,对待检测图像中的人脸对象的有效识别。
进一步参考图4,其示出了身份认证方法的又一个实施例的流程400。该身份认证方法的流程400,包括以下步骤:
步骤401,将待检测图像输入至预先训练的人脸识别模型,得到特征信息。
在本实施例中,身份认证方法的执行主体(例如图1所示的终端设备101、102、103)中可以存储有预先训练的人脸识别模型。在获取到待检测图像后,上述执行主体可以将该待检测图像输入至预先训练的人脸识别模型,得到特征信息。此处,上述待检测图像可以为可见光图像或者近红外图像。
需要说明的是,上述人脸识别模型可以通过如下步骤训练得到:
第一步,提取训练样本。
此处,上述训练样本可以包括第一图像、第二图像和第三图像,上述第一图像与上述第二图像的类型不同且带有相同的用户身份标注,上述第一图像与上述第三图像带有不同的用户身份标注。其中,上述类型包括可见光图像类型和近红外图像类型。上述用户身份标注可以用于指示和确定用户身份,每一个用户身份标注可以与一个用户相对应,每一个用户身份标注可以用一个向量来表示。
第二步,执行如下训练步骤:将训练样本中的第一图像、第二图像、第三图像输入至预先建立的卷积神经网络,得到分别与第一图像、第二图像、第三图像对应的第一特征信息、第二特征信息、第三特征信息;分别确定第一特征信息与第二特征信息的相似度、第一特征信息与第三特征信息的相似度;将所确定的各相似度输入至预设的损失函数,确定损失值;响应于确定损失值不大于预设数值,将当前的卷积神经网络确定为人脸识别模型。
需要说明的是,训练上述卷积神经网络的目标是使之从类型不同且带有相同的用户身份标注的图像中提取的特征信息的差异尽可能小,同时,从带有不同用户身份标注的图像中提取的特征信息的差异尽可能大。此处,特征信息的差异可以利用特征信息的相似度(例如欧氏距离、余弦相似度等)进行表征。此处,可以将从类型不同且带有相同的用户身份标注的图像中提取的特征信息的差异称为第一差异,将从带有不同用户身份标注的图像中提取的特征信息的差异称为第二差异。上述损失函数可以是用于表征第二差异与第一差异的差异程度的函数,例如三元组损失函数(triplet loss)。
此处,在对上述卷积神经网络的训练过程中,可以首先将训练样本中的第一图像、第二图像、第三图像输入至上述卷积神经网络,得到分别与第一图像、第二图像、第三图像对应的第一特征信息、第二特征信息、第三特征信息。而后,分别确定第一特征信息与第二特征信息的相似度、第一特征信息与第三特征信息的相似度。之后,将所确定的各相似度输入至预设的损失函数,确定损失值。最后,响应于确定损失值不大于预设数值(例如0),可以将当前的卷积神经网络确定为人脸识别模型。
需要指出的是,响应于确定上述损失值大于上述预设数值,可以基于上述损失函数,利用梯度下降算法,对上述卷积神经网络的参数进行更新,重新提取训练样本并使用更新后的上述卷积神经网络执行上述训练步骤。实践中,梯度下降(Gradient Descent)算法是迭代法的一种,可以用于求解机器学习算法的模型参数。在求解损失函数的最小值时,可以通过梯度下降法来逐步的迭代求解,得到最小化的损失函数和模型参数值。
需要说明的是,上述机器学习方法和梯度下降算法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤402,将特征信息与预存特征信息进行匹配。
在本实施例中,上述执行主体可以将所提取的特征信息与预存特征信息进行匹配。其中,上述预存特征信息可以是从用户注册时所提供的人脸图像中提取的。上述执行主体可以确定上述特征信息与预存特征信息的相似度(例如欧氏距离、余弦相似度等)。响应于确定上述相似度大于预设数值,可以确定上述特征信息与上述预存特征信息相匹配;响应于确定上述相似度不大于预设数值,可以确定上述特征信息与上述预存特征信息不匹配。
需要说明的是,用户注册时所提供的人脸图像与上述待检测图像的类型可以不同。例如,用户注册时所提供的人脸图像可以是可见光图像,上述待检测图像既可以是近红外图像。或者,用户注册时所提供的人脸图像可以是近红外图像,上述待检测图像既可以是可见光图像。
需要说明的是,用户注册时所提供的人脸图像与上述待检测图像的类型也可以相同。例如,同为可见光图像,或者同为近红外图像。
步骤403,基于匹配结果生成身份认证结果。
在本实施例中,上述执行主体可以基于匹配结果生成身份认证结果。具体地,若匹配结果为上述特征信息与上述预存特征信息相匹配,则身份认证结果可以指示身份认证通过;若匹配结果为上述特征信息与上述预存特征信息不匹配,则身份认证结果可以指示身份认证不通过。
步骤404,响应于确定身份认证未通过,显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。
在本实施例中,上述执行主体响应于确定身份认证未通过,可以显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。例如,显示字符串“请重新获取图像或者使用密码按键解锁”。
从图4中可以看出,与图2对应的实施例相比,本实施例中的身份认证方法的流程400突出了训练人脸识别模型的步骤和在确定身份认证未通过后显示提示信息的步骤。由此,本实施例描述的方案可以本实施例描述的方案不仅可以实现在待检测图像与注册时所使用的人脸图像的类型不同时,对待检测图像中的人脸对象的有效识别,还可以提高人脸识别的灵活性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种身份认证装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例所述的身份认证装置500包括:输入单元501,配置用于将待检测图像输入至预先训练的人脸识别模型,得到特征信息;匹配单元502,配置用于将上述特征信息与预存特征信息进行匹配;生成单元503,配置用于基于匹配结果生成身份认证结果;其中,上述人脸识别模型通过如下步骤训练得到:提取训练样本,其中,上述训练样本包括第一图像、第二图像和第三图像,上述第一图像与上述第二图像的类型不同且带有相同的用户身份标注,上述第一图像与上述第三图像带有不同的用户身份标注,上述类型包括可见光图像类型和近红外图像类型;将上述第一图像、上述第二图像和上述第三图像输入至预先建立的卷积神经网络,基于输入至上述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对上述卷积神经网络进行训练,生成人脸识别模型。
在本实施例的一些可选的实现方式中,上述预存特征信息可以是从用户注册时所使用的人脸图像中提取的,上述人脸图像与上述待检测图像的类型不同。
在本实施例的一些可选的实现方式中,将上述第一图像、上述第二图像和上述第三图像输入至预先建立的卷积神经网络,基于输入至上述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对上述卷积神经网络进行训练,生成人脸识别模型,可以包括:执行如下训练步骤:将上述训练样本中的上述第一图像、上述第二图像、上述第三图像输入至预先建立的卷积神经网络,得到分别与上述第一图像、上述第二图像、上述第三图像对应的第一特征信息、第二特征信息、第三特征信息;分别确定上述第一特征信息与上述第二特征信息的相似度、上述第一特征信息与上述第三特征信息的相似度;将所确定的各相似度输入至预设的损失函数,确定损失值;响应于确定上述损失值不大于预设数值,将当前的卷积神经网络确定为人脸识别模型。
在本实施例的一些可选的实现方式中,上述训练样本可以通过如下步骤提取:从预置图像集合中随机选取一个图像作为第一图像,其中,上述预置图像中的每一个图像带有一个用户身份标注;从上述预置图像集合中随机选取一个与上述第一图像不同类型且带有相同用户身份标注的图像作为第二图像;从上述预置图像集合中随机选取一个与上述第一图像带有不同用户身份标注的图像作为第三图像;将上述第一图像、上述第二图像、上述第三图像汇总为训练样本。
在本实施例的一些可选的实现方式中,将上述第一图像、上述第二图像和上述第三图像输入至预先建立的卷积神经网络,基于输入至上述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对上述卷积神经网络进行训练,生成人脸识别模型,还可以包括:响应于确定上述损失值大于上述预设数值,基于上述损失函数,利用梯度下降算法,对上述卷积神经网络的参数进行更新,重新提取训练样本并使用更新后的上述卷积神经网络执行上述训练步骤。
在本实施例的一些可选的实现方式中,该装置还可以包括显示单元(图中未示出)。其中,上述显示单元可以配置用于响应于确定身份认证未通过,显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。
本申请的上述实施例提供的装置,通过输入单元501对将待检测图像输入至预先训练的人脸识别模型,得到特征信息;而后配单元502将上述特征信息与预存特征信息进行匹配;最后生成单元503基于匹配结果生成身份认证结果。由于训练该人脸识别模型所使用的训练样本既包含类型不同且带有相同的用户身份标注的第一图像和第二图像,也包含与第一图像带有不同的用户身份标注的第三图像,因此,该人脸识别模型可以实现在待检测图像与注册时所使用的人脸图像的类型不同时,对待检测图像中的人脸对象的有效识别。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括触摸屏、触摸板等的输入部分606;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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、或代码的一部分,该模块、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,两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括输入单元、匹配单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,输入单元还可以被描述为“将待检测图像输入至预先训练的人脸识别模型的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:将待检测图像输入至预先训练的人脸识别模型,得到特征信息;将该特征信息与预存特征信息进行匹配;基于匹配结果生成身份认证结果;其中,该人脸识别模型通过如下步骤训练得到:提取训练样本;训练样本输入至预先建立的卷积神经网络,基于输入至该卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对该卷积神经网络进行训练,生成人脸识别模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种身份认证方法,包括:
将待检测图像输入至预先训练的人脸识别模型,得到特征信息;
将所述特征信息与预存特征信息进行匹配;
基于匹配结果生成身份认证结果;
其中,所述人脸识别模型通过如下步骤训练得到:
提取训练样本,其中,所述训练样本包括第一图像、第二图像和第三图像,所述第一图像与所述第二图像的类型不同且带有相同的用户身份标注,所述第一图像与所述第三图像带有不同的用户身份标注,所述类型包括可见光图像类型和近红外图像类型;
将所述第一图像、所述第二图像和所述第三图像输入至预先建立的卷积神经网络,基于输入至所述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对所述卷积神经网络进行训练,生成人脸识别模型。
2.根据权利要求1所述的身份认证方法,其中,所述预存特征信息是从用户注册时所使用的人脸图像中提取的,所述人脸图像与所述待检测图像的类型不同。
3.根据权利要求1所述的身份认证方法,其中,所述将所述第一图像、所述第二图像和所述第三图像输入至预先建立的卷积神经网络,基于输入至所述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对所述卷积神经网络进行训练,生成人脸识别模型,包括:
执行如下训练步骤:将所述训练样本中的所述第一图像、所述第二图像、所述第三图像输入至预先建立的卷积神经网络,得到分别与所述第一图像、所述第二图像、所述第三图像对应的第一特征信息、第二特征信息、第三特征信息;分别确定所述第一特征信息与所述第二特征信息的相似度、所述第一特征信息与所述第三特征信息的相似度;将所确定的各相似度输入至预设的损失函数,确定损失值;响应于确定所述损失值不大于预设数值,将当前的卷积神经网络确定为人脸识别模型。
4.根据权利要求3所述的身份认证方法,其中,所述训练样本通过如下步骤提取:
从预置图像集合中随机选取一个图像作为第一图像,其中,所述预置图像中的每一个图像带有一个用户身份标注;
从所述预置图像集合中随机选取一个与所述第一图像不同类型且带有相同用户身份标注的图像作为第二图像;
从所述预置图像集合中随机选取一个与所述第一图像带有不同用户身份标注的图像作为第三图像;
将所述第一图像、所述第二图像、所述第三图像汇总为训练样本。
5.根据权利要求4所述的身份认证方法,其中,所述将所述第一图像、所述第二图像和所述第三图像输入至预先建立的卷积神经网络,基于输入至所述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对所述卷积神经网络进行训练,生成人脸识别模型,还包括:
响应于确定所述损失值大于所述预设数值,基于所述损失函数,利用梯度下降算法,对所述卷积神经网络的参数进行更新,重新提取训练样本并使用更新后的所述卷积神经网络执行所述训练步骤。
6.根据权利要求1所述的身份认证方法,其中,所述方法还包括:
响应于确定身份认证未通过,显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。
7.一种身份认证装置,包括:
输入单元,配置用于将待检测图像输入至预先训练的人脸识别模型,得到特征信息;
匹配单元,配置用于将所述特征信息与预存特征信息进行匹配;
生成单元,配置用于基于匹配结果生成身份认证结果;
其中,所述人脸识别模型通过如下步骤训练得到:
提取训练样本,其中,所述训练样本包括第一图像、第二图像和第三图像,所述第一图像与所述第二图像的类型不同且带有相同的用户身份标注,所述第一图像与所述第三图像带有不同的用户身份标注,所述类型包括可见光图像类型和近红外图像类型;
将所述第一图像、所述第二图像和所述第三图像输入至预先建立的卷积神经网络,基于输入至所述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对所述卷积神经网络进行训练,生成人脸识别模型。
8.根据权利要求7所述的身份认证装置,其中,所述预存特征信息是从用户注册时所使用的人脸图像中提取的,所述人脸图像与所述待检测图像的类型不同。
9.根据权利要求7所述的身份认证 装置,其中,所述将所述第一图像、所述第二图像和所述第三图像输入至预先建立的卷积神经网络,基于输入至所述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对所述卷积神经网络进行训练,生成人脸识别模型,包括:
执行如下训练步骤:将所述训练样本中的所述第一图像、所述第二图像、所述第三图像输入至预先建立的卷积神经网络,得到分别与所述第一图像、所述第二图像、所述第三图像对应的第一特征信息、第二特征信息、第三特征信息;分别确定所述第一特征信息与所述第二特征信息的相似度、所述第一特征信息与所述第三特征信息的相似度;将所确定的各相似度输入至预设的损失函数,确定损失值;响应于确定所述损失值不大于预设数值,将当前的卷积神经网络确定为人脸识别模型。
10.根据权利要求9所述的身份认证装置,其中,所述训练样本通过如下步骤提取:
从预置图像集合中随机选取一个图像作为第一图像,其中,所述预置图像中的每一个图像带有一个用户身份标注;
从所述预置图像集合中随机选取一个与所述第一图像不同类型且带有相同用户身份标注的图像作为第二图像;
从所述预置图像集合中随机选取一个与所述第一图像带有不同用户身份标注的图像作为第三图像;
将所述第一图像、所述第二图像、所述第三图像汇总为训练样本。
11.根据权利要求10所述的身份认证装置,其中,所述将所述第一图像、所述第二图像和所述第三图像输入至预先建立的卷积神经网络,基于输入至所述卷积神经网络中的各图像所带有的用户身份标注和预设的损失函数,利用机器学习方法对所述卷积神经网络进行训练,生成人脸识别模型,还包括:
响应于确定所述损失值大于所述预设数值,基于所述损失函数,利用梯度下降算法,对所述卷积神经网络的参数进行更新,重新提取训练样本并使用更新后的所述卷积神经网络执行所述训练步骤。
12.根据权利要求7所述的身份认证装置,其中,所述装置还包括:
显示单元,配置用于响应于确定身份认证未通过,显示用于提示用户重新获取待检测图像或者更换认证方式的提示信息。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259996.6A CN108491805B (zh) | 2018-03-27 | 2018-03-27 | 身份认证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259996.6A CN108491805B (zh) | 2018-03-27 | 2018-03-27 | 身份认证方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491805A CN108491805A (zh) | 2018-09-04 |
CN108491805B true CN108491805B (zh) | 2022-02-22 |
Family
ID=63316688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259996.6A Active CN108491805B (zh) | 2018-03-27 | 2018-03-27 | 身份认证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491805B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409058A (zh) * | 2018-09-25 | 2019-03-01 | 中国平安人寿保险股份有限公司 | 基于电子签名的身份认证方法、装置和计算机设备 |
CN111310528B (zh) * | 2018-12-12 | 2022-08-12 | 马上消费金融股份有限公司 | 一种图像检测方法、身份验证方法、支付方法及装置 |
WO2020123163A1 (en) | 2018-12-14 | 2020-06-18 | Apple Inc. | Machine learning assisted image prediction |
CN109840475A (zh) * | 2018-12-28 | 2019-06-04 | 深圳奥比中光科技有限公司 | 人脸识别方法及电子设备 |
CN111428536B (zh) * | 2019-01-09 | 2024-04-19 | 北京京东乾石科技有限公司 | 用于检测物品类别和位置的检测网络的训练方法和装置 |
CN109886222B (zh) * | 2019-02-26 | 2022-03-15 | 北京市商汤科技开发有限公司 | 人脸识别方法、神经网络训练方法、装置及电子设备 |
CN110163631A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 客户精准服务方法、装置、计算机设备及存储介质 |
CN109977929A (zh) * | 2019-04-28 | 2019-07-05 | 北京超维度计算科技有限公司 | 一种基于tof的人脸识别系统和方法 |
CN110070062A (zh) * | 2019-04-28 | 2019-07-30 | 北京超维度计算科技有限公司 | 一种基于双目主动红外的人脸识别的系统和方法 |
CN112298844B (zh) * | 2019-07-29 | 2023-09-22 | 杭州海康威视数字技术股份有限公司 | 一种垃圾分类监督方法及装置 |
CN110765866B (zh) * | 2019-09-18 | 2021-02-05 | 新疆爱华盈通信息技术有限公司 | 人脸识别方法和人脸识别设备 |
CN111401161A (zh) * | 2020-03-04 | 2020-07-10 | 青岛海信网络科技股份有限公司 | 基于智能视频分析算法实现行为识别的智慧建筑管控系统 |
CN111782550B (zh) * | 2020-07-31 | 2022-04-12 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护训练指标预测模型的方法及装置 |
CN112699355A (zh) * | 2020-12-22 | 2021-04-23 | 湖南麒麟信安科技股份有限公司 | 一种用户与主机解耦的动态人脸认证方法及系统 |
CN113657498B (zh) * | 2021-08-17 | 2023-02-10 | 展讯通信(上海)有限公司 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
CN116129227B (zh) * | 2023-04-12 | 2023-09-01 | 合肥的卢深视科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
CN116110159B (zh) * | 2023-04-13 | 2023-06-23 | 新兴际华集团财务有限公司 | 基于cfca认证标准的用户认证方法、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404060A (zh) * | 2008-11-10 | 2009-04-08 | 北京航空航天大学 | 一种基于可见光与近红外Gabor信息融合的人脸识别方法 |
CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
CN106250877A (zh) * | 2016-08-19 | 2016-12-21 | 深圳市赛为智能股份有限公司 | 近红外人脸识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100571826B1 (ko) * | 2003-12-02 | 2006-04-17 | 삼성전자주식회사 | 대용량 얼굴 인식 장치 및 방법 |
-
2018
- 2018-03-27 CN CN201810259996.6A patent/CN108491805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404060A (zh) * | 2008-11-10 | 2009-04-08 | 北京航空航天大学 | 一种基于可见光与近红外Gabor信息融合的人脸识别方法 |
CN101964056A (zh) * | 2010-10-26 | 2011-02-02 | 徐勇 | 一种具有活体检测功能的双模态人脸认证方法和系统 |
CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
CN106250877A (zh) * | 2016-08-19 | 2016-12-21 | 深圳市赛为智能股份有限公司 | 近红外人脸识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108491805A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491805B (zh) | 身份认证方法和装置 | |
CN108416326B (zh) | 人脸识别方法和装置 | |
CN110543815B (zh) | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 | |
US11487995B2 (en) | Method and apparatus for determining image quality | |
CN108427939B (zh) | 模型生成方法和装置 | |
WO2020006961A1 (zh) | 用于提取图像的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
US10719693B2 (en) | Method and apparatus for outputting information of object relationship | |
CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
CN108416323B (zh) | 用于识别人脸的方法和装置 | |
CN108460365B (zh) | 身份认证方法和装置 | |
CN109934198B (zh) | 人脸识别方法及装置 | |
CN108509892B (zh) | 用于生成近红外图像的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108388878A (zh) | 用于识别人脸的方法和装置 | |
CN109583389B (zh) | 绘本识别方法及装置 | |
CN111539903B (zh) | 训练人脸图像合成模型的方法和装置 | |
CN111931153B (zh) | 基于人工智能的身份验证方法、装置和计算机设备 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN114419363A (zh) | 基于无标注样本数据的目标分类模型训练方法及装置 | |
CN111382403A (zh) | 用户行为识别模型的训练方法、装置、设备及存储介质 | |
CN116935083B (zh) | 一种图像聚类方法和装置 | |
CN111914769A (zh) | 用户合法性判定方法、装置、计算机可读存储介质及设备 | |
CN111126229A (zh) | 数据处理方法和装置 | |
CN112115452A (zh) | 用于生成验证码图像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |