CN108776786A - 用于生成用户真伪识别模型的方法和装置 - Google Patents
用于生成用户真伪识别模型的方法和装置 Download PDFInfo
- Publication number
- CN108776786A CN108776786A CN201810564222.4A CN201810564222A CN108776786A CN 108776786 A CN108776786 A CN 108776786A CN 201810564222 A CN201810564222 A CN 201810564222A CN 108776786 A CN108776786 A CN 108776786A
- Authority
- CN
- China
- Prior art keywords
- image
- user
- characteristic
- image group
- identification model
- 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.)
- Pending
Links
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了生成用户真伪识别模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；将训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。该实施方式提高了识别用户真伪的准确率。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于生成用户真伪识别模型的方法和装置。
背景技术
生物特征识别系统可以对用户的生物特征进行识别，能够准确地识别用户的身份。常用的生物特征可以包括人脸、指纹、虹膜等。
然而，生物特征识别系统存在安全风险。比如，可以使用伪造的人脸、指纹和虹膜等生物特征进行身份认证。以人脸识别为例，伪造的人脸通常可以包括：二维平面中的伪造人脸(例如，照片人脸、人脸视频片断等)、三维平面中的伪造人脸(例如，面具、人脸模型等)等。
为了降低身份认证的安全风险，通常需对被检测用户进行活体检测。例如，通过眨眼等方式判断被检测用户是否为活体用户。
发明内容
本申请实施例提出了用于生成用户真伪识别模型的方法和装置。
第一方面，本申请实施例提供了一种用于生成用户真伪识别模型的方法，该方法包括：获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；将训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
在一些实施例中，训练样本集合通过如下步骤生成：获取图像组集合，其中，图像组包括对特征区域采集得到的可见光图像、红外光图像和深度图像；对于图像组集合中的图像组，对该图像组中的可见光图像进行图像识别，确定特征区域，基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割，将切割后的可见光图像、红外光图像和深度图像进行拼接，生成特征图像，基于生成的特征图像以及针对该图像组标注的标注信息，生成训练样本；基于所生成的训练样本，生成训练样本集合。
在一些实施例中，图像组集合包括第一图像组集合和第二图像组集合，第一图像组包括对真实用户的特征区域采集得到的可见光图像、红外光图像和深度图像，第二图像组包括对第一图像组中的可见光图像、红外光图像或深度图像采集得到的可见光图像、红外光图像和深度图像。
在一些实施例中，图像组集合还包括第三图像组集合，第三图像组包括对真实用户的三维模型的特征区域采集得到的可见光图像、红外光图像和深度图像。
在一些实施例中，特征区域包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。
第二方面，本申请实施例提供了一种用于识别用户真伪的方法，该方法包括：获取对目标对象的特征区域采集得到的至少一个图像组，图像组包括特征区域的可见光图像、红外光图像和深度图像；对于至少一个图像组中的图像组，确定特征区域的类型，以及生成目标对象的特征图像，从预先训练的至少一个用户真伪识别模型中选取与所确定的特征区域的类型匹配的用户真伪识别模型，其中至少一个用户真伪识别模型中的用户真伪识别模型是按照如第一方面中任一实现方式描述的方法生成的，将生成的特征图像输入到所选取的用户真伪识别模型中，得到目标对象为伪造用户的概率值；基于所得到的至少一个概率值，确定目标对象是否为伪造用户。
在一些实施例中，对于至少一个图像组中的图像组，确定特征区域的类型，以及生成目标对象的特征图像，包括：对该图像组中的可见光图像进行图像识别，确定特征区域和特征区域的类型；基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；将切割后的可见光图像、红外光图像和深度图像进行拼接，生成目标对象的特征图像。
在一些实施例中，特征区域的类型包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域，至少一个用户真伪识别模型包括人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型以及人体真伪识别模型。
在一些实施例中，确定目标对象是否为伪造用户，包括：对至少一个概率值进行均值处理，得到处理后的概率值；响应于处理后的概率值大于或等于预设阈值，确定目标对象为伪造用户。
在一些实施例中，确定目标对象是否为伪造用户，还包括：响应于处理后的概率值小于预设阈值，确定目标对象为真实用户。
第三方面，本申请实施例提供了一种用于生成用户真伪识别模型的装置，装置包括：样本获取单元，被配置成获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；模型训练单元，被配置成将训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
在一些实施例中，训练样本集合通过如下步骤生成：获取图像组集合，其中，图像组包括对特征区域采集得到的可见光图像、红外光图像和深度图像；对于图像组集合中的图像组，对该图像组中的可见光图像进行图像识别，确定特征区域，基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割，将切割后的可见光图像、红外光图像和深度图像进行拼接，生成特征图像，基于生成的特征图像以及针对该图像组标注的标注信息，生成训练样本；基于所生成的训练样本，生成训练样本集合。
在一些实施例中，图像组集合包括第一图像组集合和第二图像组集合，第一图像组包括对真实用户的特征区域采集得到的可见光图像、红外光图像和深度图像，第二图像组包括对第一图像组中的可见光图像、红外光图像或深度图像采集得到的可见光图像、红外光图像和深度图像。
在一些实施例中，图像组集合还包括第三图像组集合，第三图像组包括对真实用户的三维模型的特征区域采集得到的可见光图像、红外光图像和深度图像。
在一些实施例中，特征区域包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。
第四方面，本申请实施例提供了一种用于识别用户真伪的装置，装置包括：
在一些实施例中，图像获取单元，被配置成获取对目标对象的特征区域采集得到的至少一个图像组，图像组包括特征区域的可见光图像、红外光图像和深度图像；概率值确定单元，被配置成对于至少一个图像组中的图像组，确定特征区域的类型，以及生成目标对象的特征图像；从预先训练的至少一个用户真伪识别模型中选取与所确定的特征区域的类型匹配的用户真伪识别模型，其中至少一个用户真伪识别模型中的用户真伪识别模型是按照如第一方面中任一实现方式描述的方法生成的；将生成的特征图像输入到所选取的用户真伪识别模型中，得到目标对象为伪造用户的概率值；真伪识别单元，被配置成基于所得到的至少一个概率值，确定目标对象是否为伪造用户。
在一些实施例中，对于至少一个图像组中的图像组，确定特征区域的类型，以及生成目标对象的特征图像，包括：对该图像组中的可见光图像进行图像识别，确定特征区域和特征区域的类型；基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；将切割后的可见光图像、红外光图像和深度图像进行拼接，生成目标对象的特征图像。
在一些实施例中，特征区域的类型包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域，至少一个用户真伪识别模型包括人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型以及人体真伪识别模型。
在一些实施例中，真伪识别单元包括：均值处理模块，被配置成对至少一个概率值进行均值处理，得到处理后的概率值；用户确定模块，被配置成响应于处理后的概率值大于或等于预设阈值，确定目标对象为伪造用户。
在一些实施例中，用户确定模块还被配置成响应于处理后的概率值小于预设阈值，确定目标对象为真实用户。
第五方面，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，其上存储有一个或多个程序；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第一方面中任一实现方式描述的方法或实现如第二方面中任一实现方式描述的方法。
第六方面，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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法或实现如第二方面中任一实现方式描述的方法。
本申请实施例提供的用于生成用户真伪识别模型的方法和装置，通过获取包括特征图像和与特征图像对应的标注信息的训练样本的集合，然后将训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型，从而提高了识别用户真伪的准确率。
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是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成用户真伪识别模型的方法的一个实施例的流程图；
图3是根据本申请的用于识别用户真伪的方法的一个实施例的流程图；
图4是图3所示的实施例的一个实现方式的示意图；
图5是根据本申请的用于识别用户真伪的方法的一个应用场景的示意图；
图6是根据本申请的用于生成用户真伪识别模型的装置的一个实施例的结构示意图；
图7是根据本申请的用于识别用户真伪的装置的一个实施例的结构示意图；
图8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用于生成用户真伪识别模型的方法、用于识别用户真伪的方法、用于生成用户真伪识别模型的装置或用于识别用户真伪的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括拍摄设备101、网络102和服务器103。网络102用以在拍摄设备101和服务器103之间提供通信链路的介质。网络102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。
拍摄设备101可以通过网络102与服务器103交互，以将所采集的图像发送到服务器。拍摄设备101可以采集可见光图像、红外光图像和深度图像。例如，拍摄设备101可以安装有用于采集红外光图像的红外摄像头1011、用于采集可见光图像的可见光摄像头1012等。当拍摄设备采用结构光方式采集深度图像时，拍摄设备还包括用于发射结构光的光源。当拍摄设备101采用双目视觉方式采集深度图像时，拍摄设备101可以安装有两个红外摄像头1011或两个可见光摄像头1012。
服务器103可以是提供各种服务的服务器，例如对用户进行身份认证的后台服务器。后台服务器可以对拍摄设备101采集的可见光图像、红外光图像和深度图像等数据进行图像识别、拼接等处理，并根据处理结果(例如，将拼接图像输入到用户真伪识别模型中得到的概率值)确定用户是否为伪造用户。
需要说明的是，本申请实施例所提供的用于生成用户真伪识别模型的方法或用于识别用户真伪的方法一般由服务器103执行，相应地，用于生成用户真伪识别模型的装置或用于识别用户真伪的装置一般设置于服务器103中。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的拍摄设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意合适数目的拍摄设备、网络和服务器。
继续参考图2，示出了根据本申请的用于生成用户真伪识别模型的方法的一个实施例的流程200。该用于生成用户真伪识别模型的方法，包括以下步骤：
步骤201，获取训练样本集合。
在本实施例中，用于生成用户真伪识别模型的方法的执行主体(例如，图1所示的服务器103)可以通过有线连接方式或者无线连接方式本地或者远程地从与上述执行主体通信连接的其他电子设备获取训练样本集合。其中，每个训练样本可以包括样本特征图像和与样本特征图像对应的标注信息。
本实施例中，样本特征图像中可以包括可见光图像区域、红外光图像区域和深度图像区域。样本特征图像中的可见光图像区域、红外光图像区域和深度图像区域可以分别包含样本用户特征区域(例如，样本用户的人脸区域)的可见光图像、红外光图像和深度图像。
这里，可见光图像可以是通过感知物体表面反射的可见光而生成的图像，红外光图像可以是通过感知物体表面辐射的红外光而生成的图像，而深度图像可以是通过感知物体表面的视差(例如，两个摄像头成像坐标之间的差异)而生成的图像。也就是说，可见光图像、红外光图像和深度图像分别具有不同的灰度特征。
由于特征图像中包含了特征区域的可见光信息、红外光信息和深度信息，因此，通过特征图像可以识别各种生物特征的真伪。例如，真实人脸的特征图像具有深度图像区域灰度变化明显、可见光图像区域瞳孔不透明、红外光图像区域瞳孔透明等特点，而照片人脸的特征图像则具有深度图像区域灰度变化很小、可见光图像区域瞳孔透明、红外光图像区域瞳孔不透明等特点。再比如，真实掌纹能够被采集到红外光辐射信息，从而在特征图像的红外光图像区域存在成像，而用手机等屏幕显示的掌纹则由于不能吸收红外光而无法采集到红外光信息，从而在特征图像的红外光图像区域不存在成像。由此可见，通过获取包含可见光信息、红外光信息和深度信息的训练样本，能够使得训练出的模型(即，下面要描述的用户真伪识别模型)可以识别包括人脸、掌纹、虹膜、指纹、人体等各种生物特征的真伪，从而提高了生物特征识别的应用范围。
一般而言，可见光图像、红外光图像和深度图像可以通过包含可见光摄像头(也称为普通彩色摄像头)、红外光摄像头以及能够采集深度图像的摄像头的拍摄设备(例如，图1所述的拍摄设备101)对样本用户特征区域采集得到。
标注信息可用于指示样本特征图像表征的样本用户是否为伪造用户。这里，标注信息可以是各种形式的信息。作为示例，标注信息可以是数值，例如，用0表示样本用户为伪造用户，用1表示样本用户为真实用户。标注信息还可以是文字、字符或者符号的组合。例如，用字符串“真”表示样本用户为真实用户，用字符串“伪”表示样本用户为伪造用户。
需要说明的是，红外光可以包括近红外光、中红外光和远红外光等，本申请不作具体限定。
虽然本实施例中描述了通过感知被测物体表面的视差来生成深度图像，但是本申请并不限于此。本领域技术人员可以理解，也可以采用其他方式采集深度图像，例如，通过发射结构光来采集物体表面的结构光图案生成深度图像，或者通过计算光子的飞行时间确定物体表面的深度生成深度图像等。本领域的技术人员可根据实际应用场景的需要进行设置。
这里，特征区域可以包括能够用于识别用户真伪的区域。可选地，特征区域可以包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。这里，人体区域可以指代包含整个人体的区域。
在本实施例的一些可选的实现方式中，训练样本集合可以通过如下样本生成步骤生成：
第一步，获取图像组集合。
本实现方式中，样本生成步骤的执行主体(可以与用于生成用户真伪识别模型的方法的执行主体相同或不同)可以获取图像组集合。其中，图像组集合中包括至少一个图像组，每个图像组包括拍摄设备(例如，图1的拍摄设备101)对样本用户特征区域采集得到的可见光图像、红外光图像和深度图像。
这里，样本用户可以包括但不限于以下至少一种：真实用户、包含用户特征区域的图片、包含用户特征区域的视频片段、面具、三维模型。真实用户可以包括不同性别(例如，男性、女性)、不同年龄段(例如，儿童、少年、青年、中年、老年等)的真实用户。此外，为了避免年龄、性别的干扰，样本用户中可以包括性别比例均衡以及年龄段比例均衡的真实用户。
另外，对通过调整样本用户的姿态、表情、与拍摄设备的距离、环境光照等，拍摄设备可以采集更多的图像组，从而可以获取更多的训练样本，使得训练出的用户真伪识别模型更准确地识别用户真伪。
可选地，图像组集合可以包括第一图像组集合和第二图像组集合。其中，第一图像组集合可以包括对真实用户的特征区域采集得到的可见光图像、红外光图像和深度图像，即，第一图像组的标注信息可以是“1”或“真”等。第二图像组集合可以包括第一图像组中的可见光图像、红外光图像或深度图像中的特征区域采集(例如，通过翻拍或打印的方式采集)得到的可见光图像、红外光图像和深度图像，即，第二图像组的标注信息可以是“0”或“伪”等。
例如，样本生成步骤的执行主体可以首先获取第一图像组集合，然后将第一图像组中的每个图像(可见光图像、红外光图像或深度图像)作为样本用户，通过拍摄设备采集第一图像组中的每个图像中的特征区域的可见光图像、红外光图像和深度图像。例如，可以对第一图像组中的可见光图像的人脸区域进行翻拍得到可见光图像、红外光图像和深度图像，即，第二图像组。
利用上述第一图像组集合和第二图像组集合生成的训练样本集合，训练得到的用户真伪识别模型能够有效识别照片、视频片段等，从而提高识别用户真伪的准确率。
可选地，图像组集合还可以包括第三图像组集合。其中，第三图像组集合可以包括对真实用户的三维模型(例如，三维人脸模型)的特征区域进行采集得到的可见光图像、红外光图像和深度图像。
利用上述第一图像组集合、第二图像组集合和第三图像组集合生成的训练样本集合，训练得到的用户真伪识别模型能够有效识别照片、视频片段、面具、三维模型等，从而进一步提高识别用户真伪的准确率。
第二步，基于图像组集合中的图像组，生成训练样本。
本实现方式中，对于图像组集合中的每个图像组，样本生成步骤的执行主体可以：首先，对该图像组中的可见光图像进行图像识别，确定特征区域；之后，按照所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；然后，将切割后的可见光图像、红外光图像和深度图像进行拼接，生成特征图像；最后，将所生成的特征图像以及针对该图像组标注的标注信息确定为训练样本。
这里，将切割后的可见光图像、红外光图像和深度图像进行拼接可以包括：将切割后的可见光图像、红外光图像和深度图像按照预设排列方式进行排列，将排列后的可见光图像、红外光图像和深度图像拼接成特征图像。其中，预设排列方式可以包括但不限于以下至少一种：排成一行、排成一列、对角线排列、三角形排列。
第三步，基于所生成的训练样本，生成训练样本集合。
本实现方式中，样本生成步骤的执行主体可以生成训练样本集合。其中，训练样本集合中包括第二步生成的训练样本。
通过上述样本生成步骤生成训练样本集合，能够获得更有针对性的训练样本集合，从而使得训练出的用户真伪识别模型能更加准确地识别出伪造用户。
需要说明的是，尽管上述实现方式描述了通过上述样本生成步骤生成训练样本集合，但是本申请并不限于此。本领域的技术人员可以理解，还可以通过其他合适的方式获取训练样本集合。例如，使用相同参数的可见光相机、红外相机和深度相机同时采集同一特征区域的可见光图像、红外光图像和深度图像，将可见光图像、红外光图像和深度图像拼接成特征图像，以及标注特征图像的标注信息，将特征图像和与特征图像对应的标注信息确定为训练样本，从而得到训练样本集合。
步骤202，将训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
在本实施例中，用于生成用户真伪识别模型的方法的执行主体(例如，图1所示的服务器103)可以将训练样本集合中的训练样本中的样本特征图像输入第一初始模型中，得到该样本特征图像表征的用户为伪造用户的概率值，以该训练样本中的标注信息作为第一初始模型的期望输出，利用机器学习的方法训练第一初始模型，将训练得到的第一初始模型确定为用户真伪识别模型。其中，第一初始模型可以是各种类型的未经训练的或未训练完成的人工神经网络，也可以是对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型。例如，第一初始模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络和未经训练的循环神经网络进行组合而得到的模型。
在本实施例的一些可选实现方式中，利用机器学习的方法训练第一初始模型可以包括：利用预设的损失函数(例如，softmax损失函数、sigmoid损失函数等)计算所得到的概率值与该训练样本中的标注信息之间的差异；然后，可以根据计算得到的差异，调整第一初始模型的参数，并在满足预设的训练结束条件的情况下结束训练。
这里，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。
本实施例中，可以采用各种方式调整第一初始模型的参数。例如，可以采用BP(Back Propagation，反向传播)算法和/或SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整第一初始模型的参数。
在本实施例的一些可选的实现方式中，用于生成用户真伪识别模型的方法的执行主体可以在执行步骤202之前，执行以下初始化操作：
首先，可以确定第一初始模型的模型结构信息。可以理解的是，由于第一初始模型可以包括各种类型的模型，对于不同类型的模型，所需要确定的模型结构信息也不相同。以第一初始模型可以为卷积神经网络为例，由于卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，则这里需要确定卷积神经网络类型的第一初始模型包括哪些层(例如，卷积层，池化层，激励函数层等等)，层与层之间的连接顺序关系，以及每个层都包括哪些参数(例如，权重weight、偏置项bias、卷积的步长)等等。其中，卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长，是否需要填充，填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(Down Sample)，以压缩数据和参数的量，减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如，取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如，激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。实践中，卷积神经网络(Convolutional NeuralNetwork，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，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。
然后，可以初始化第一初始模型的模型参数。实践中，可以将第一初始模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。
在本实施例的一些可选的实现方式中，可以为每一种特征区域(例如，人脸区域、掌纹区域、虹膜区域、指纹区域、人体区域)训练对应的真伪识别模型，并将训练出的至少一种特征区域类型的真伪识别模型组合成用户真伪识别模型，从而使得用户真伪识别模型可以识别至少一种生物特征的真伪。
具体地，在训练某种特征区域对应的用户真伪识别模型时，所采用的训练样本集合中的训练样本可以都是该种特征区域的特征图像和对应的标注信息。例如，都是人脸区域的特征图像和对应的标注信息。
本申请的上述实施例提供的用于生成用户真伪识别模型的方法，通过获取包括特征图像和与特征图像对应的标注信息的训练样本的集合，然后将训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型，从而提高了识别用户真伪的准确率。
进一步参考图3，其示出了根据本申请的用于识别用户真伪的方法的一个实施例的流程300。该用于识别用户真伪的方法，包括以下步骤：
步骤301，获取对目标对象的特征区域采集得到的至少一个图像组，图像组包括特征区域的可见光图像、红外光图像和深度图像。
在本实施例中，用于识别用户真伪的方法的执行主体(例如，图1所示的服务器103)可以通过有线连接方式或者无线连接方式本地或者远程地从与上述执行主体通信连接的其他电子设备(例如，图1所示的拍摄设备101)获取对目标对象的特征区域采集得到的至少一个图像组。其中，每个图像组包括目标对象的特征区域的可见光图像、红外光图像和深度图像。
这里，特征区域可以包括能够用于识别用户真伪的区域。可选地，特征区域可以包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。这里，人体区域可以指代包含整个人体的区域。
这里，目标对象可以包括但不限于一下至少一种：真实用户、包含用户特征区域的照片、包含用户特征区域的视频片段、面具、三维模型。
在本实施例的一些可选的实现方式中，上述执行主体可以获取一个图像组。例如，上述执行主体可以获取拍摄设备对目标对象的人脸区域进行采集得到的图像组。该图像组中可以包括目标对象的人脸区域的可见光图像、红外光图像和深度图像。
在本实施例的一些可选的实现方式中，上述执行主体可以获取两个或更多个图像组。例如，上述执行主体可以获取拍摄设备分别对目标对象的人脸区域、指纹区域进行采集得到的图像组。对人脸区域进行采集得到的图像组中可以包括目标对象的人脸区域的可见光图像、红外光图像和深度图像，而对指纹区域进行采集得到的图像组中可以包括目标对象的指纹区域的可见光图像、红外光图像和深度图像。
实践中，为了提升用户真伪的识别效率，上述执行主体通常会获取目标对象的一个图像组。而在一些安全要求较高的场景中(例如，银行)，上述执行主体也可以获取目标对象的两个或更多个图像组。
步骤302，基于至少一个图像组，确定目标对象为伪造用户的至少一个概率值。
在本实施例中，对于至少一个图像组中的每个图像组，用于识别用户真伪的方法的执行主体(例如，图1所示的服务器103)可以：首先，确定该图像组中的图像中的特征区域的类型，以及对该图像组中的可见光图像、红外光图像和深度图像进行处理(例如，拼接等)生成目标对象的特征图像；然后，从至少一个预先训练的用户真伪识别模型中选取与确定的特征区域的类型匹配的用户真伪识别模型，将生成的特征图像输入到所选取的用户真伪识别模型中，得到目标用户为伪造用户的概率值。
上述至少一个预先训练的用户真伪识别模型中的每个用户真伪识别模型可以是采用图2所示的实施例所描述的方法而生成的。用户真伪识别模型的具体生成步骤可以参考图2的实施例的相关描述，在此不做赘述。
在本实施例的一些可选的实现方式中，上述至少一个预先训练的用户真伪识别模型可以包括但不限于：人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型、人体真伪识别模型以及它们的组合(例如，由人脸真伪识别模型、掌纹真伪识别模型等组成的用户真伪识别模型，由人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型、人体真伪识别模型组成的用户真伪识别模型等)。
当用户真伪识别模型包括两种或多种特征区域类型的真伪识别模型时，可以将由每个图像组生成的特征图像分别输入到对应的真伪识别模型中，从而得到每个真伪识别模型的输出概率值。
特征区域的类型可以通过多种方式确定。作为示例，特征区域的类型可以是在对目标对象进行用户真伪识别之前预先选择的(例如由目标对象或其他用户选择的)。这样，上述执行主体获取所选择信息，从而可以确定特征区域的类型。
下面将结合图4来描述确定特征区域类型以及生成特征图像的另一实现方式。图4是图3所示的实施例的一个实现方式的示意图。
如图4所示，特征区域的类型通过步骤401确定：对图像组中的可见光图像进行图像识别，得到图像识别结果(例如，手指轮廓)；从预设的特征区域类型与识别结果之间的对应关系表中，选取与得到的图像识别结果匹配的特征区域类型(例如，手指区域类型)。
从图4可知，生成目标对象的特征图像可以包括：
步骤401，对图像组中的可见光图像进行图像识别，确定可见光图像中的特征区域。
本实现方式中，上述执行主体可以将图像组中的可见光图像输入到预先训练的特征区域识别模型中，得到可见光图像中的特征区域。其中，特征区域识别模型用于表征图像与特征区域之间的对应关系。作为示例，特征区域识别模型可以是人工神经网络，例如卷积神经网络、循环神经网络等模型。
可选地，特征区域识别模型可以通过如下步骤训练得到：
首先，上述执行主体可以本地或远程地从其他电子设备获取训练样本集合。其中，每个训练样本可以包括可见光图像和对可见光图像标注的特征区域(这里，标注的特征区域可以图像轮廓，也可以是图像轮廓的坐标点的集合)。
然后，上述执行主体将训练样本集合中的训练样本中的可见光图像输入第二初始模型中，得到该可见光图像的特征区域，以该训练样本中的特征区域作为第二初始模型的期望输出，利用机器学习的方法训练第二初始模型，将训练得到的第二初始模型确定为特征区域识别模型。其中，第二初始模型可以是各种类型的未经训练的或未训练完成的人工神经网络，也可以是对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型。例如，第二初始模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络和未经训练的循环神经网络进行组合而得到的模型。
利用机器学习对第二初始模型进行训练的步骤可以参考图2所示的实施例中对第一初始模型进行训练的具体描述，在此不做赘述。
步骤402，基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割。
本实现方式中，上述执行主体可以按照所确定的特征区域，分别对图像组中的可见光图像、红外光图像和深度图像进行切割，得到切割后的可见光图像、红外光图像和深度图像。
步骤403，将切割后的可见光图像、红外光图像和深度图像进行拼接，生成目标对象的特征图像。
本实现方式中，上述执行主体可以将切割后的可见光图像、红外光图像和深度图像按照预设排列方式进行排列，将排列后的可见光图像、红外光图像和深度图像拼接成特征图像。其中，预设排列方式可以包括但不限于以下至少一种：排成一行、排成一列、对角线排列、三角形排列。
通过上述步骤401～步骤403，能够获得包含可见光图像信息、红外信息和深度信息的特征图像。由于特征图像同时包含可见光图像信息、红外信息和深度信息，从而可以识别包括人脸、掌纹、虹膜、指纹以及人体等各种生物特征的真伪。
下面返回图3，继续描述本实施例的用于识别用户真伪的方法。
步骤303，基于所得到的至少一个概率值，确定目标对象是否为伪造用户。
在本实施例中，用于识别用户真伪的方法的执行主体(例如，图1所示的服务器103)可以将步骤302得到的至少一个概率值与预设概率阈值进行比较，确定目标用户是否为伪造用户。
在本实施例的一些可选的实现方式中，该用于识别用户真伪的方法还包括：对至少一个概率值进行均值处理，得到处理后的概率值；响应于处理后的概率值大于或等于预设阈值，确定目标对象为伪造用户；响应于处理后的概率值小于预设阈值，确定目标对象为真实用户。
作为一个示例，上述至少一个概率值仅包括一个概率值(即，步骤301中仅获取一个图像组)，上述执行主体可以将该概率值直接与预设的概率阈值进行比较，从而确定目标对象是否为伪造用户。例如，当得到的概率值为0.9，而预设概率阈值为0.8时，可以确定目标对象为伪造用户(例如，目标对象为照片)。
在另一示例中，上述至少一个概率值包括两个或更多个概率值(即，步骤301中获取两个或更多个图像组)，上述执行主体可以对上述至少一个概率值进行均值处理(例如，算数平均或加权平均等)，得到均值处理后的概率值(例如，算数平均值或加权平均值等)，然后将均值处理后的概率值与预设的概率阈值进行比较，从而确定目标对象是否为伪造用户。例如，当得到的至少一个概率值包括0.3、0.4(算数平均后的概率值为0.35)，而预设概率阈值为0.8时，可以确定目标对象为真实用户。
继续参考图5，其示出了根据本申请的用于识别用户真伪的方法的一个应用场景500。在图5的应用场景500中，包含普通彩色摄像头和两个对称分布的红外摄像头的拍摄设备52首先对照片51的人脸区域进行图像采集，得到由照片51的人脸区域的可见光图像A1、红外光图像B1和深度图像C1组成的图像组54，然后将图像组54发送到服务器53。接收到图像组54之后，服务器54可以首先对可见光图像A1进行图像识别确定人脸区域，之后按照确定的人脸区域对可见光图像A1、红外光图像B1和深度图像C1进行切割，将切割后的可见光图像A1'、红外光图像B1'和深度图像C1'拼接成特征图像56，然后将特征图像56输入到所选取的人脸真伪识别模型中，得到照片51为伪造用户的概率值为0.95(大于预设概率阈值，例如0.8)，最终确定照片51为伪造用户。
本申请的上述实施例提供的用于识别用户真伪的方法通过首先获取对目标对象的特征区域采集的、包括可见光图像、红外光图像和深度图像的至少一个图像组，之后生成目标对象的特征图像，再将特征图像输入到与特征区域类型匹配的用户真伪识别模型中，得到目标用户为伪造用户的至少一个概率值，最终确定目标对象的真伪，从而提高了识别用户真伪的准确率。
进一步参考图6，作为对图2所示方法的实现，本申请提供了一种用于生成用户真伪识别模型的装置的一个实施例，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服务器中。
如图6所示，本实施例的用于生成用户真伪识别模型的装置600包括：样本获取单元601和模型训练单元602。其中，样本获取单元601被配置成被配置成获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；而模型训练单元602被配置成将训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
在本实施例中，用于生成用户真伪识别模型的装置600的上述样本获取单元601可以通过有线连接方式或者无线连接方式本地或者远程地从与上述执行主体通信连接的其他电子设备获取训练样本集合。其中，每个训练样本可以包括样本特征图像和与样本特征图像对应的标注信息。
样本特征图像中可以包括可见光图像区域、红外光图像区域和深度图像区域。样本特征图像中的可见光图像区域、红外光图像区域和深度图像区域可以分别包含样本用户特征区域(例如，样本用户的人脸区域)的可见光图像、红外光图像和深度图像。
标注信息可用于指示样本特征图像表征的样本用户是否为伪造用户。这里，标注信息可以是各种形式的信息。作为示例，标注信息可以是数值，例如，用0表示样本用户为伪造用户，用1表示样本用户为真实用户。标注信息还可以是文字、字符或者符号的组合。例如，用字符串“真”表示样本用户为真实用户，用字符串“伪”表示样本用户为伪造用户。
特征区域可以包括能够用于识别用户真伪的区域。可选地，特征区域可以包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。这里，人体区域可以指代包含整个人体的区域。
在本实施例的一些可选的实现方式中，训练样本集合可以通过如下步骤生成：获取图像组集合，其中，图像组包括对特征区域采集得到的可见光图像、红外光图像和深度图像；对于图像组集合中的图像组，对该图像组中的可见光图像进行图像识别，确定特征区域，基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割，将切割后的可见光图像、红外光图像和深度图像进行拼接，生成特征图像，基于生成的特征图像以及针对该图像组标注的标注信息，生成训练样本；基于所生成的训练样本，生成训练样本集合。
在本实施例的一些可选的实现方式中，图像组集合可以包括第一图像组集合和第二图像组集合。其中，第一图像组集合可以包括对真实用户特征区域采集得到的可见光图像、红外光图像和深度图像，即，第一图像组的标注信息可以是“1”或“真”等。第二图像组集合可以包括第一图像组中的可见光图像、红外光图像或深度图像采集得到的可见光图像、红外光图像和深度图像，即，第二图像组的标注信息可以是“0”或“伪”等。
在本实施例的一些可选的实现方式中，图像组集合还可以包括第三图像组集合。其中，第三图像组集合可以包括对真实用户的三维模型的特征区域进行采集得到的可见光图像、红外光图像和深度图像。
在本实施例中，上述模型训练单元602可以将训练样本集合中的训练样本中的样本特征图像输入第一初始模型中，得到该样本特征图像表征的用户为伪造用户的概率值，以该训练样本中的标注信息作为第一初始模型的期望输出，利用机器学习的方法训练第一初始模型，将训练得到的第一初始模型确定为用户真伪识别模型。其中，第一初始模型可以是各种类型的未经训练的或未训练完成的人工神经网络，也可以是对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型。例如，第一初始模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络和未经训练的循环神经网络进行组合而得到的模型。
本申请的上述实施例提供的用于生成用户真伪识别模型的装置，通过获取包括特征图像和与特征图像对应的标注信息的训练样本的集合，然后将训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型，从而提高了识别用户真伪的准确率。
进一步参考图7，作为对图3和图4所示方法的实现，本申请提供了一种用于识别用户真伪的装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于服务器中。
如图7所示，本实施例的用于识别用户真伪的装置700包括：图像获取单元701、概率值确定单元702和真伪识别单元703。其中，图像获取单元701被配置成获取对目标对象的特征区域采集得到的至少一个图像组，图像组包括特征区域的可见光图像、红外光图像和深度图像；概率值确定单元702被配置成对于至少一个图像组中的图像组，确定特征区域的类型，以及生成目标对象的特征图像；从预先训练的至少一个用户真伪识别模型中选取与所确定的特征区域的类型匹配的用户真伪识别模型，其中至少一个用户真伪识别模型中的用户真伪识别模型是按照如图2所示的方法生成的；将生成的特征图像输入到所选取的用户真伪识别模型中，得到目标对象为伪造用户的概率值；而真伪识别单元703被配置成基于所得到的至少一个概率值，确定目标对象是否为伪造用户。
在本实施例中，用于识别用户真伪的装置700的上述图像获取单元701可以通过有线连接方式或者无线连接方式本地或者远程地从与上述执行主体通信连接的其他电子设备(例如，图1所示的拍摄设备101)获取对目标对象的特征区域采集得到的至少一个图像组。其中，每个图像组包括目标对象的特征区域的可见光图像、红外光图像和深度图像。
这里，特征区域可以包括能够用于识别用户真伪的区域。可选地，特征区域可以包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。这里，人体区域可以指代包含整个人体的区域。
在本实施例的一些可选的实现方式中，上述图像获取单元701可以获取一个图像组。例如，上述图像获取单元701可以获取拍摄设备对目标对象的人脸区域采集得到的图像组。该图像组中可以包括目标对象的人脸区域的可见光图像、红外光图像和深度图像。
在本实施例的一些可选的实现方式中，上述图像获取单元701可以获取两个或更多个图像组。例如，上述图像获取单元701可以获取拍摄设备对目标对象的人脸区域、指纹区域分别采集得到的图像组。对人脸区域采集得到的图像组中可以包括目标对象的人脸区域的可见光图像、红外光图像和深度图像，而对指纹区域采集得到的图像组中可以包括目标对象的指纹区域的可见光图像、红外光图像和深度图像。
在本实施例中，对于至少一个图像组中的每个图像组，上述概率值确定单元702可以：首先，确定该图像组中的图像中的特征区域的类型，以及对该图像组中的可见光图像、红外光图像和深度图像进行处理(例如，拼接等)生成目标对象的特征图像；然后，从至少一个预先训练的用户真伪识别模型中选取与确定的特征区域的类型匹配的用户真伪识别模型，将生成的特征图像输入到所选取的用户真伪识别模型中，得到目标用户为伪造用户的概率值。
上述至少一个预先训练的用户真伪识别模型中的每个用户真伪识别模型可以是采用图2所示的实施例所描述的方法而生成的。用户真伪识别模型的具体生成步骤可以参考图2的实施例的相关描述，在此不做赘述。
在本实施例的一些可选的实现方式中，上述至少一个预先训练的用户真伪识别模型中的每个用户真伪识别模型可以包括但不限于：人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型、人体真伪识别模型以及它们的组合(例如，由人脸真伪识别模型、掌纹真伪识别模型等组成的用户真伪识别模型，由人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型、人体真伪识别模型组成的用户真伪识别模型等)。
本实施例中，上述真伪识别单元703可以将上述概率值确定单元702确定的至少一个概率值与预设概率阈值进行比较，确定目标用户是否为伪造用户。
在本实施例的一些可选的实现方式中，上述真伪识别单元703包括均值处理模块和用户确定模块。其中，均值处理模块被配置成对至少一个概率值进行均值处理，得到处理后的概率值；用户确定模块被配置成响应于处理后的概率值大于或等于预设阈值，确定目标对象为伪造用户。
在本实施例的一些可选的实现方式中，上述用户确定模块还被配置成响应于处理后的概率值小于预设阈值，确定目标对象为真实用户。
本申请的上述实施例提供的用于识别用户真伪的装置，通过首先获取对目标对象的特征区域采集的、包括可见光图像、红外光图像和深度图像的至少一个图像组，之后生成目标对象的特征图像，再将特征图像输入到与特征区域类型匹配的用户真伪识别模型中，得到目标用户为伪造用户的至少一个概率值，最终确定目标对象的真伪，从而提高了识别用户真伪的准确率。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统800的结构示意图。图8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8所示，计算机系统800包括一个或多个中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如有机发光二极管(OLED)显示器、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810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808。
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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
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：一种处理器包括样本获取单元和模型训练单元。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，样本获取单元还可以被描述为“获取训练样本集合的单元”。
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：获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；将训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
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 (22)
1.一种用于生成用户真伪识别模型的方法，包括：
获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；
将所述训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
2.根据权利要求1所述的方法，其中，所述训练样本集合通过如下步骤生成：
获取图像组集合，其中，图像组包括对特征区域采集得到的可见光图像、红外光图像和深度图像；
对于所述图像组集合中的图像组，对该图像组中的可见光图像进行图像识别，确定特征区域；基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；将切割后的可见光图像、红外光图像和深度图像进行拼接，生成特征图像；基于生成的特征图像以及针对该图像组标注的标注信息，生成训练样本；
基于所生成的训练样本，生成所述训练样本集合。
3.根据权利要求2所述的方法，其中，所述图像组集合包括第一图像组集合和第二图像组集合，第一图像组包括对真实用户的特征区域采集得到的可见光图像、红外光图像和深度图像，第二图像组包括对第一图像组中的可见光图像、红外光图像或深度图像采集得到的可见光图像、红外光图像和深度图像。
4.根据权利要求3所述的方法，其中，所述图像组集合还包括第三图像组集合，第三图像组包括对真实用户的三维模型的特征区域采集得到的可见光图像、红外光图像和深度图像。
5.根据权利要求1-4之一所述的方法，其中，特征区域包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。
6.一种用于识别用户真伪的方法，包括：
获取对目标对象的特征区域采集得到的至少一个图像组，图像组包括特征区域的可见光图像、红外光图像和深度图像；
对于所述至少一个图像组中的图像组，确定特征区域的类型，以及生成所述目标对象的特征图像；从预先训练的至少一个用户真伪识别模型中选取与所确定的特征区域的类型匹配的用户真伪识别模型，其中所述至少一个用户真伪识别模型中的用户真伪识别模型是按照如权利要求1-5之一所述的方法生成的；将生成的特征图像输入到所选取的用户真伪识别模型中，得到所述目标对象为伪造用户的概率值；
基于所得到的至少一个概率值，确定所述目标对象是否为伪造用户。
7.根据权利要求6所述的方法，其中，所述对于所述至少一个图像组中的图像组，确定特征区域的类型，以及生成所述目标对象的特征图像，包括：
对该图像组中的可见光图像进行图像识别，确定特征区域和特征区域的类型；
基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；
将切割后的可见光图像、红外光图像和深度图像进行拼接，生成所述目标对象的特征图像。
8.根据权利要求6所述的方法，其中，特征区域的类型包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域，所述至少一个用户真伪识别模型包括人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型以及人体真伪识别模型。
9.根据权利要求6所述的方法，其中，所述确定所述目标对象是否为伪造用户，包括：
对所述至少一个概率值进行均值处理，得到处理后的概率值；
响应于处理后的概率值大于或等于预设阈值，确定所述目标对象为伪造用户。
10.根据权利要求9所述的方法，其中，所述确定所述目标对象是否为伪造用户，还包括：
响应于处理后的概率值小于所述预设阈值，确定所述目标对象为真实用户。
11.一种用于生成用户真伪识别模型的装置，包括：
样本获取单元，被配置成获取训练样本集合，其中，训练样本包括特征图像和与特征图像对应的标注信息，特征图像包括特征区域的可见光图像、红外光图像和深度图像，标注信息用于指示特征图像表征的对象是否为伪造用户；
模型训练单元，被配置成将所述训练样本集合中的训练样本的特征图像作为输入，将输入的特征图像对应的标注信息作为期望输出，训练得到用户真伪识别模型。
12.根据权利要求11所述的装置，其中，所述训练样本集合通过如下步骤生成：
获取图像组集合，其中，图像组包括对特征区域采集得到的可见光图像、红外光图像和深度图像；
对于所述图像组集合中的图像组，对该图像组中的可见光图像进行图像识别，确定特征区域；基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；将切割后的可见光图像、红外光图像和深度图像进行拼接，生成特征图像；基于生成的特征图像以及针对该图像组标注的标注信息，生成训练样本；
基于所生成的训练样本，生成所述训练样本集合。
13.根据权利要求12所述的装置，其中，所述图像组集合包括第一图像组集合和第二图像组集合，第一图像组包括对真实用户的特征区域采集得到的可见光图像、红外光图像和深度图像，第二图像组包括对第一图像组中的可见光图像、红外光图像或深度图像采集得到的可见光图像、红外光图像和深度图像。
14.根据权利要求13所述的装置，其中，所述图像组集合还包括第三图像组集合，第三图像组包括对真实用户的三维模型的特征区域采集得到的可见光图像、红外光图像和深度图像。
15.根据权利要求11-14之一所述的装置，其中，特征区域包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域中的一种。
16.一种用于识别用户真伪的装置，包括：
图像获取单元，被配置成获取对目标对象的特征区域采集得到的至少一个图像组，图像组包括特征区域的可见光图像、红外光图像和深度图像；
概率值确定单元，被配置成对于所述至少一个图像组中的图像组，确定特征区域的类型，以及生成所述目标对象的特征图像；从预先训练的至少一个用户真伪识别模型中选取与所确定的特征区域的类型匹配的用户真伪识别模型，其中所述至少一个用户真伪识别模型中的用户真伪识别模型是按照如权利要求1-5之一所述的方法生成的；将生成的特征图像输入到所选取的用户真伪识别模型中，得到所述目标对象为伪造用户的概率值；
真伪识别单元，被配置成基于所得到的至少一个概率值，确定所述目标对象是否为伪造用户。
17.根据权利要求16所述的装置，其中，所述对于所述至少一个图像组中的图像组，确定特征区域的类型，以及生成所述目标对象的特征图像，包括：
对该图像组中的可见光图像进行图像识别，确定特征区域和特征区域的类型；
基于所确定的特征区域，分别对该图像组中的可见光图像、红外光图像和深度图像进行切割；
将切割后的可见光图像、红外光图像和深度图像进行拼接，生成所述目标对象的特征图像。
18.根据权利要求16所述的装置，其中，特征区域的类型包括人脸区域、掌纹区域、虹膜区域、指纹区域以及人体区域，所述至少一个用户真伪识别模型包括人脸真伪识别模型、掌纹真伪识别模型、虹膜真伪识别模型、指纹真伪识别模型以及人体真伪识别模型。
19.根据权利要求16所述的装置，其中，所述真伪识别单元包括：
均值处理模块，被配置成对所述至少一个概率值进行均值处理，得到处理后的概率值；
用户确定模块，被配置成响应于处理后的概率值大于或等于预设阈值，确定所述目标对象为伪造用户。
20.根据权利要求19所述的装置，其中，所述用户确定模块还被配置成响应于处理后的概率值小于所述预设阈值，确定所述目标对象为真实用户。
21.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-5中任一所述的方法或如权利要求6-10中任一所述的方法。
22.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法或如权利要求6-10中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810564222.4A CN108776786A (zh) | 2018-06-04 | 2018-06-04 | 用于生成用户真伪识别模型的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810564222.4A CN108776786A (zh) | 2018-06-04 | 2018-06-04 | 用于生成用户真伪识别模型的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108776786A true CN108776786A (zh) | 2018-11-09 |
Family
ID=64024583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810564222.4A Pending CN108776786A (zh) | 2018-06-04 | 2018-06-04 | 用于生成用户真伪识别模型的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108776786A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359634A (zh) * | 2018-12-11 | 2019-02-19 | 西安第六镜网络科技有限公司 | 一种基于双目摄像机的人脸活体检测方法 |
| CN109684924A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 人脸活体检测方法及设备 |
| CN109871829A (zh) * | 2019-03-15 | 2019-06-11 | 北京行易道科技有限公司 | 一种基于深度学习的检测模型训练方法和装置 |
| CN110443217A (zh) * | 2019-08-13 | 2019-11-12 | 深圳大学 | 一种基于多光谱的指纹防伪方法及系统 |
| CN110659617A (zh) * | 2019-09-26 | 2020-01-07 | 杭州艾芯智能科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
| CN110956080A (zh) * | 2019-10-14 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111507947A (zh) * | 2020-04-06 | 2020-08-07 | 新立讯科技股份有限公司 | 一种基于读取商标或图案去识别包装真伪的鉴别方法 |
| CN111582066A (zh) * | 2020-04-21 | 2020-08-25 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
| CN111783505A (zh) * | 2019-05-10 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 伪造人脸的识别方法、装置和计算机可读存储介质 |
| CN112017252A (zh) * | 2019-05-31 | 2020-12-01 | 华为技术有限公司 | 一种图像处理方法和相关设备 |
| CN112116592A (zh) * | 2020-11-19 | 2020-12-22 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
| CN113516486A (zh) * | 2021-04-07 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 图像识别方法、装置、设备和存储介质 |
| CN113554045A (zh) * | 2020-04-23 | 2021-10-26 | 国家广播电视总局广播电视科学研究院 | 数据集制作方法、装置、设备及存储介质 |
| CN114463792A (zh) * | 2022-02-10 | 2022-05-10 | 厦门熵基科技有限公司 | 一种多光谱识别方法、装置、设备及可读存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105335722A (zh) * | 2015-10-30 | 2016-02-17 | 商汤集团有限公司 | 一种基于深度图像信息的检测系统及方法 |
| CN105513221A (zh) * | 2015-12-30 | 2016-04-20 | 四川川大智胜软件股份有限公司 | 一种基于三维人脸识别的atm机防欺诈装置及系统 |
| CN106372601A (zh) * | 2016-08-31 | 2017-02-01 | 上海依图网络科技有限公司 | 一种基于红外可见双目图像的活体检测方法及装置 |
| CN106407914A (zh) * | 2016-08-31 | 2017-02-15 | 北京旷视科技有限公司 | 用于检测人脸的方法、装置和远程柜员机系统 |
| CN106599829A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于主动近红外光的人脸防伪算法 |
| CN107292285A (zh) * | 2017-07-14 | 2017-10-24 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
| CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术（北京）有限公司 | 活体检测方法、装置、设备及存储介质 |
| CN107798281A (zh) * | 2016-09-07 | 2018-03-13 | 北京眼神科技有限公司 | 一种基于lbp特征的人脸活体检测方法和装置 |
| CN107832677A (zh) * | 2017-10-19 | 2018-03-23 | 深圳奥比中光科技有限公司 | 基于活体检测的人脸识别方法及系统 |
| CN107944416A (zh) * | 2017-12-06 | 2018-04-20 | 成都睿码科技有限责任公司 | 一种通过视频进行真人验证的方法 |
| CN108062544A (zh) * | 2018-01-19 | 2018-05-22 | 百度在线网络技术（北京）有限公司 | 用于人脸活体检测的方法和装置 |
-
2018
- 2018-06-04 CN CN201810564222.4A patent/CN108776786A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105335722A (zh) * | 2015-10-30 | 2016-02-17 | 商汤集团有限公司 | 一种基于深度图像信息的检测系统及方法 |
| CN105513221A (zh) * | 2015-12-30 | 2016-04-20 | 四川川大智胜软件股份有限公司 | 一种基于三维人脸识别的atm机防欺诈装置及系统 |
| CN106372601A (zh) * | 2016-08-31 | 2017-02-01 | 上海依图网络科技有限公司 | 一种基于红外可见双目图像的活体检测方法及装置 |
| CN106407914A (zh) * | 2016-08-31 | 2017-02-15 | 北京旷视科技有限公司 | 用于检测人脸的方法、装置和远程柜员机系统 |
| CN107798281A (zh) * | 2016-09-07 | 2018-03-13 | 北京眼神科技有限公司 | 一种基于lbp特征的人脸活体检测方法和装置 |
| CN106599829A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于主动近红外光的人脸防伪算法 |
| CN107292285A (zh) * | 2017-07-14 | 2017-10-24 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
| CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术（北京）有限公司 | 活体检测方法、装置、设备及存储介质 |
| CN107832677A (zh) * | 2017-10-19 | 2018-03-23 | 深圳奥比中光科技有限公司 | 基于活体检测的人脸识别方法及系统 |
| CN107944416A (zh) * | 2017-12-06 | 2018-04-20 | 成都睿码科技有限责任公司 | 一种通过视频进行真人验证的方法 |
| CN108062544A (zh) * | 2018-01-19 | 2018-05-22 | 百度在线网络技术（北京）有限公司 | 用于人脸活体检测的方法和装置 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684924A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 人脸活体检测方法及设备 |
| CN109684924B (zh) * | 2018-11-21 | 2022-01-14 | 奥比中光科技集团股份有限公司 | 人脸活体检测方法及设备 |
| CN109359634A (zh) * | 2018-12-11 | 2019-02-19 | 西安第六镜网络科技有限公司 | 一种基于双目摄像机的人脸活体检测方法 |
| CN109359634B (zh) * | 2018-12-11 | 2021-11-16 | 西安第六镜网络科技有限公司 | 一种基于双目摄像机的人脸活体检测方法 |
| CN109871829B (zh) * | 2019-03-15 | 2021-06-04 | 北京行易道科技有限公司 | 一种基于深度学习的检测模型训练方法和装置 |
| CN109871829A (zh) * | 2019-03-15 | 2019-06-11 | 北京行易道科技有限公司 | 一种基于深度学习的检测模型训练方法和装置 |
| CN111783505A (zh) * | 2019-05-10 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 伪造人脸的识别方法、装置和计算机可读存储介质 |
| CN112017252A (zh) * | 2019-05-31 | 2020-12-01 | 华为技术有限公司 | 一种图像处理方法和相关设备 |
| CN110443217A (zh) * | 2019-08-13 | 2019-11-12 | 深圳大学 | 一种基于多光谱的指纹防伪方法及系统 |
| CN110443217B (zh) * | 2019-08-13 | 2022-09-02 | 深圳大学 | 一种基于多光谱的指纹防伪方法及系统 |
| CN110659617A (zh) * | 2019-09-26 | 2020-01-07 | 杭州艾芯智能科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
| CN110956080A (zh) * | 2019-10-14 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN110956080B (zh) * | 2019-10-14 | 2023-11-03 | 京东科技信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111507947A (zh) * | 2020-04-06 | 2020-08-07 | 新立讯科技股份有限公司 | 一种基于读取商标或图案去识别包装真伪的鉴别方法 |
| CN111507947B (zh) * | 2020-04-06 | 2023-06-27 | 新立讯科技股份有限公司 | 一种基于读取商标或图案去识别包装真伪的鉴别方法 |
| CN111582066A (zh) * | 2020-04-21 | 2020-08-25 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
| CN111582066B (zh) * | 2020-04-21 | 2023-10-03 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
| CN113554045A (zh) * | 2020-04-23 | 2021-10-26 | 国家广播电视总局广播电视科学研究院 | 数据集制作方法、装置、设备及存储介质 |
| CN113554045B (zh) * | 2020-04-23 | 2024-04-09 | 国家广播电视总局广播电视科学研究院 | 数据集制作方法、装置、设备及存储介质 |
| CN112116592B (zh) * | 2020-11-19 | 2021-04-02 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
| CN112116592A (zh) * | 2020-11-19 | 2020-12-22 | 北京瑞莱智慧科技有限公司 | 图像检测方法、图像检测模型的训练方法、装置和介质 |
| CN113516486A (zh) * | 2021-04-07 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 图像识别方法、装置、设备和存储介质 |
| CN114463792A (zh) * | 2022-02-10 | 2022-05-10 | 厦门熵基科技有限公司 | 一种多光谱识别方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776786A (zh) | 用于生成用户真伪识别模型的方法和装置 | |
| CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
| CN108537152A (zh) | 用于检测活体的方法和装置 | |
| CN108038469B (zh) | 用于检测人体的方法和装置 | |
| EP3885965B1 (en) | Image recognition method based on micro facial expressions, apparatus and related device | |
| CN108416324A (zh) | 用于检测活体的方法和装置 | |
| JP2022513272A (ja) | 訓練深層学習ネットワークの３ｄモデルから大量訓練データセットを自動的に生成する方法及びシステム | |
| CN108509915A (zh) | 人脸识别模型的生成方法和装置 | |
| US20240282149A1 (en) | Liveness detection method and apparatus, and training method and apparatus for liveness detection system | |
| CN108509892A (zh) | 用于生成近红外图像的方法和装置 | |
| CN108491809A (zh) | 用于生成近红外图像生成模型的方法和装置 | |
| CN108363995A (zh) | 用于生成数据的方法和装置 | |
| CN110298319B (zh) | 图像合成方法和装置 | |
| CN108197618A (zh) | 用于生成人脸检测模型的方法和装置 | |
| CN109685713B (zh) | 化妆模拟控制方法、装置、计算机设备及存储介质 | |
| CN108133201A (zh) | 人脸属性识别方法和装置 | |
| CN107507153A (zh) | 图像去噪方法和装置 | |
| CN108388889B (zh) | 用于分析人脸图像的方法和装置 | |
| CN109858444A (zh) | 人体关键点检测模型的训练方法和装置 | |
| CN114120432A (zh) | 基于视线估计的在线学习注意力跟踪方法及其应用 | |
| CN108985228A (zh) | 应用于终端设备的信息生成方法和装置 | |
| CN108511066A (zh) | 信息生成方法和装置 | |
| CN109241934A (zh) | 用于生成信息的方法和装置 | |
| CN108510466A (zh) | 用于验证人脸的方法和装置 | |
| CN112115900B (zh) | 图像处理方法、装置、设备及存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176 Applicant after: Jingdong Digital Technology Holding Co., Ltd. Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176 Applicant before: Beijing Jingdong Financial Technology Holding Co., Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181109 |
|
| RJ01 | Rejection of invention patent application after publication |