CN110084019A - 采用多生物特征信息相似度比对的身份核验算法及装置 - Google Patents
采用多生物特征信息相似度比对的身份核验算法及装置 Download PDFInfo
- Publication number
- CN110084019A CN110084019A CN201910389568.XA CN201910389568A CN110084019A CN 110084019 A CN110084019 A CN 110084019A CN 201910389568 A CN201910389568 A CN 201910389568A CN 110084019 A CN110084019 A CN 110084019A
- Authority
- CN
- China
- Prior art keywords
- similarity
- identity
- class
- value
- biological characteristic
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 26
- 241001269238 Data Species 0.000 abstract description 20
- 238000005457 optimization Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 16
- 210000003813 thumb Anatomy 0.000 description 13
- 230000001186 cumulative effect Effects 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 10
- 239000013589 supplement Substances 0.000 description 8
- 210000003811 finger Anatomy 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 210000003462 vein Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 208000012880 Finger injury Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Abstract
本申请中提出了采用多生物特征信息相似度比对的身份核验算法及装置,属于身份验证领域,包括预存用户生物特征模版;采集第一类生物特征数据,计算其与相应模版间第一相似度判断值,如果高于预设阈值,身份核验成功,否则采集第二类生物特征数据并结合前一判断值计算第二相似度判断值,如果高于预设阈值,则身份核验成功,否则采集第二个第二类生物特征数据,结合前两判断值计算第三相似度判断值,如果高于预设阈值,则身份核验成功,否则身份核验失败。通过采用至少两类三个生物特征数据并对各生物特征相似度贡献值按算法进行累加来综合计算相似度判断值的方法进行身份核验,有效避免凭借单一生物特征进行身份核验容易导致核验失败的结果。
Description
技术领域
本发明属于身份验证领域,尤其涉及采用多生物特征信息相似度比对的身份核验算法及装置。
背景技术
在自助证件发放设备(如居民身份证自助取证机)的应用中,涉及到取证人人证合一的身份核验,只有在身份核验通过的前提下,系统方才允许进行证件发放。当前,在身份核验的过程中,能够用于身份核验的信息,主要有持证人的头像信息和最多两枚指纹信息(两个指位),今后,可能还会增加虹膜、掌纹、静脉纹等更多更可靠的生物特征信息用于身份核验。
由于在持证人申请证件时,办证部门均已对持证人的这些信息进行采集并将信息数据(或将信息数据转换成特征数据)登记在新制作的证件之中,因此当持证人进行自助取证时,设备现场要么通过摄像头采集持证人的头像数据,要么通过指纹采集器采集某一指位的指纹数据,系统将此数据(转换成特征数据)和证件中登记的信息数据模版(或特征数据模版)进行比对和相似度计算,进而通过和预设的相似度阈值对比的方式来判定身份核验是否通过。
在现有实现方式中,对于少数持证人,会因各种原因导致刷脸或单个指纹的比对相似度值较低,比如化了浓妆导致脸部识别效果较差、帽子头发等遮挡脸部导致脸部识别效果较差、手指粗糙或受伤导致指纹比对相似度值较低等,这样,如果仅凭现有实现方式采用的单一的脸部识别或指纹识别来和相应设定的相似度阈值进行比对,就会通不过身份核验,从而影响了身份核验的准确性和效率。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了采用多生物特征信息相似度比对的身份核验算法及装置,能够分步骤将用户的多重生物特征进行采集和累加式的相似度判断值综合运算,从而弥补现有的采用单一生物特征识别的不足,提升生物识别技术在身份核验中的可靠性以及身份核验的准确性。
一方面,在本申请实施例中提出了采用多生物特征信息相似度比对的身份核验算法,所述算法包括:
构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据以及两个第二类生物特征模版数据;
采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功;
如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度;
结合已得到的第一相似度判断值,基于第二相似度值计算对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功;
如果身份核验失败,则追加采集用户的另一个第二类生物特征数据,计算其与相应生物特征模版数据之间比对的第三相似度;
结合第一相似度判断值、第二相似度判断值,基于第三相似度值进一步计算对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。
可选的,所述算法还包括:
确定分别对应第一类生物特征、第二类生物特征的第一类非本体相似度基数、第二类非本体相似度基数。
可选的,所述采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模板数据之间比对的第一相似度,包括:
基于采集设备获取用户的第一类生物特征数据;
根据相似度计算公式确定第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
根据多次采集特征数据和多次计算得到第一相似度数值集合,从第一相似度数值集合中选取代表最优值的最大值,基于第一类非本体相似度基数对第一相似度数值进行优化,得出对应第一类生物特征数据的第一相似度。
可选的,所述计算第一相似度对应的第一相似度判断值,包括:
确定对应第一类生物特征的第一类可信性系数;
基于第一类可信性系数和第一相似度构建如公式一所示的计算公式
式中,S_oa为第一相似度判断值,a1为第一类可信性系数,S_face为第一相似度。
可选的,所述如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度,包括:
基于采集设备获取用户的第二类生物特征数据;
根据相似度计算公式确定第二类生物特征数据与第二类生物特征模版数据之间比对的第二相似度;
根据多次采集特征数据和多次计算得到第二相似度数值集合,从第二相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第二相似度数值进行优化,得出对应的第二类生物特征数据的第二相似度。
可选的,所述结合已得到的第一相似度判断值,基于第二相似度值计算对应的第二相似度判断值,包括:
确定对应第二类生物特征的第二类可信性系数;
基于第二类可信性系数和第二相似度构建如公式二所示的计算公式
式中,S_ob为第二相似度判断值,a2为第二类可信性系数,S_fp1为第二相似度。
可选的,所述如果身份核验失败,则追加采集用户的第二个第二类生物特征数据,并计算其与相应生物特征模版数据之间比对的第三相似度,包括:
当身份核验失败后,追加采集用户的第二个第二类生物特征数据;
根据相似度计算公式计算确定第二个第二类生物特征数据和第二个第二类生物特征模版数据之间比对的第三相似度。
根据多次采集特征数据和多次计算得到第三相似度数值集合,从第三相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第三相似度数值进行优化,得出第二个第二类生物特征数据对应的第三相似度。
可选的,所述结合已得到的第一相似度判断值、第二相似度判断值,基于第三相似度值计算对应第三相似度判断值,包括:
基于第二类可信性系数和第三相似度构建如公式三所示的计算公式
S_oc为第三相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度,S_fp2为第三相似度。
另一方面,在本申请实施例中还提出了采用多生物特征信息相似度比对的身份核验装置,所述装置包括:
模板数据构建单元,构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据以及两个第二类生物特征模版数据;
相似度第一计算单元,用于采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
核验第一判断单元,用于计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功;
相似度第二计算单元,用于如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度;
核验第二判断单元,用于结合已得到的第一相似度判断值,基于第二相似度值计算出对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功;
相似度第三计算单元,用于如果身份核验失败,则追加采集用户的另一个第二类生物特征数据,计算其与相应生物特征模版数据的第三相似度;
核验第三判断单元,用于结合第一相似度判断值、第二相似度判断值,基于第三相似度值进一步计算出对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。
可选的,所述装置还包括:
基数确定单元,用于确定分别对应第一类生物特征、第二类生物特征的第一类非本体相似度基数、第二类非本体相似度基数。
可选的,所述相似度第一计算单元,用于:
基于采集设备获取用户的第一类生物特征数据;
根据相似度计算公式确定第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
根据多次采集特征数据和多次计算得到第一相似度数值集合,从第一相似度数值集合中选取代表最优值的最大值,基于第一类非本体相似度基数对第一相似度数值进行优化,得出对应第一类生物特征数据的第一相似度。
可选的,所述核验第一判断单元,用于:
确定对应第一类生物特征的第一类可信性系数;
基于第一类可信性系数和第一相似度构建如公式一所示的计算公式
式中,S_oa为第一相似度判断值,a1为第一类可信性系数,S_face为第一相似度。
可选的,所述相似度第二计算单元,用于:
当身份核验失败后,追加采集用户的第二类生物特征数据;
基于采集设备获取用户的第二类生物特征数据;
根据相似度计算公式确定第二类生物特征数据与第二类生物特征模版数据之间比对的第二相似度;
根据多次采集特征数据和多次计算得到第二相似度数值集合,从第二相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第二相似度数值进行优化,得出对应的第二类生物特征数据的第二相似度。
可选的,所述核验第二判断单元,用于:
确定对应第二类生物特征的第二类可信性系数;
基于第二类可信性系数和第二相似度构建如公式二所示的计算公式
式中,S_ob为第二相似度判断值,a2为第二类可信性系数,S_fp1为第二相似度。
可选的,所述相似度第三计算单元,用于:
当身份核验失败后,追加采集用户的第二个第二类生物特征数据;
基于采集设备获取用户的第二个第二类生物特征数据;
根据相似度计算公式计算确定第二个第二类生物特征数据和第二个第二类生物特征模版数据之间比对的第三相似度;
根据多次采集特征数据和多次计算得到第三相似度数值集合,从第三相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第三相似度数值进行优化,得出第二个第二类生物特征数据对应的第三相似度。
可选的,所述核验第三判断单元,用于:
基于第二类可信性系数和第三相似度构建如公式三所示的计算公式
S_oc为第二相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度,S_fp2为第三相似度。
本发明提供的技术方案带来的有益效果是:
通过借助至少(但不限于)两类三个生物特征数据进行身份核验,在第一个生物特征数据进行身份核验失败的前提下,引入第二个生物特征数据进行二次身份核验,在结合第一、第二个生物特征数据进行身份核验失败的前提下,引入第三个生物特征数据并结合第一、第二和第三生物特征数据进行第三次身份核验,从而有效避免凭借单一生物特征进行身份核验可能导致核验失败这一情况的发生。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例提出的采用多生物特征信息相似度比对的身份核验算法的流程示意图;
图2为本实施例提出的采用多生物特征信息相似度比对的身份核验算法的详细流程示意图;
图3为本实施例提出的采用多生物特征信息相似度比对的身份核验装置的结构示意图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
在本申请实施例中提出了采用多生物特征信息相似度比对的身份核验算法,如图1所示,所述算法包括:
11、构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据以及两个第二类生物特征模版数据;
12、采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
13、计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功;
14、如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度;
15、结合已得到的第一相似度判断值,基于第二相似度值计算对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功;
16、如果身份核验失败,则追加采集用户的另一个第二类生物特征数据,计算其与相应生物特征模版数据之间比对的第三相似度;
17、结合第一相似度判断值、第二相似度判断值,基于第三相似度值进一步计算对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。
在实施中,目前在身份核验领域采用的都是基于某一种生物特征数据与特征模版数据之间比对的相似度数值与设定的相似度阈值比较来判定核验是否通过,但是在某些特定情况下,用户由于自身脸部化妆或衣物遮盖、手指受伤等原因,导致该单一生物特征数据变化使得身份核验失败,针对该应用场景,本实施例提出一种身份核验方法,借助至少(但不限于)两类三个生物特征数据进行渐进的累加式身份核验,从而有效避免凭借单一生物特征进行身份核验可能导致核验失败这一情况的发生。
上述核验流程包括基于第一类生物特征的相似度进行识别、失败后再追加基于第二类生物特征的相似度进行识别两个部分,后者作为前者身份核验失败后的补充步骤,并不代表仅在失败后实施一次,在实际实施过程中,如果第二类生物特征具有多个特征数据模版,也可在首个第二类生物特征进行身份核验失败后,追加其他第二类生物特征继续进行身份核验,作为累加式身份核验的补充步骤,可以防止部分生物特征因化妆、遮挡实体、实体损失或现场采集录入操作不当等导致身份核验失败的发生。
为了完成上述两部分内容,在已有步骤11-17的基础上,还需要构建非本体相似度基数,该构建步骤包括:
确定分别对应第一类生物特征、第二类生物特征的第一类非本体相似度基数、第二类非本体相似度基数。
现场采集的生物特征数据和该生物特征模版数据之间比对的相似度值的有效范围均为0-1之间;理论上,当用于比对的两对特征信息对应的所有(组)的特征点数据均不一致时,计算得出的相似度值为0;当用于比对的两对特征信息对应的所有(组)的特征点数据均一致时,计算得出的相似度值为1。注:每种特征数据都包含有若干组的特征点数据;两个特征数据进行相似度比对,就是将两个特征数据包含的若干组特征点数据,按对应组逐对进行比对,由比对结果得出最终的比对相似度值。
这里之所以需要构建针对各种生物特征的非本体相似度基数,是因为不同待核验个体的同一生物特征(例如不同个体的面部生物特征)之间进行对比时,也会存在一定数量(组数)的相同的特征点数据,即不同个体之间的同一生物特征比对的相似度值不会是0,当然,该相似度值较为微小,按统计数的平均值计算,本实施例中将该统计的平均微小数值定义为某生物特征的非本体相似度基数,为了计算的科学准确,身份核验算法需要对此进行考虑,即将比对得出的相似度值先减去这个平均值即非本体相似度基数后再用于计算。
基于已定义的非本体相似度基数,步骤12包括:
121、基于采集设备获取用户的第一类生物特征数据;
122、根据相似度计算公式确定第一类生物特征数据与第一类生物特征模板数据之间比对的第一相似度;
123、根据多次采集特征数据和多次计算得到第一相似度数值集合,从第一相似度数值集合中选取代表最优值的最大值,基于第一类非本体相似度基数对第一相似度数值进行优化,得出对应第一类生物特征数据的第一相似度。
在计算第一相似度的过程中,首先需要借助生物特征采集设备多次采集获取用户的多组的第一类生物特征数据,为了便于理解,本实施例中的第一类生物特征数据用面部数据代替。
多次采集获取到的面部数据为多组的面部特征数据构成的集合,基于相似度计算公式将该集合中的每个数值与步骤11中已构建的第一类生物特征模板数据进行相似度计算,在得到由多组第一相似度构成的第一相似度值集合后,选取集合中的最大值,将该数值减去对应的面部特征(即第一类生物特征)的第一类非本体相似度基数,在减去非本体相似度基数后,用得到的数值和0进行Max函数运算,得到优化后的第一相似度值。
这里的Max函数运算为Max(第一相似度,0),即从括号中的两个数值中选取较大的一个值,目的是当比对计算得出的相似度值小于平均非本体相似度基数时,参与计算的数值作取0处理,也就是说,某个特征数据相似度值对身份核验的贡献值不能为负值。
上述步骤即为步骤123中所谓的优化过程,通过该优化过程,能够降低面部特征数据具有的不同个体间的普遍相似度带来的验证误差,使得优化后的数据能够更为准确地表征相似度这一概念。
基于第一相似度判断值进行身份核验,步骤13包括:
在获取到优化后的第一相似度后,还需要进行求取第一相似度判断值的步骤,以便采用第一相似度判断值作为身份核验是否通过的标准。即步骤13中的确定第一相似度判断值的步骤包括:
131、确定对应第一相似度的第一类可信性系数;
132、基于第一类可信性系数和第一相似度构建如公式一所示的计算公式。
式中,S_oa为第一相似度判断值,a1为第一类可信性系数,S_face为第一相似度。
这里,对不同的生物特征数据,包括人体的脸部、(十指)指纹、虹膜、掌纹、静脉纹等等特征数据),引入不同的可信性系数,是考虑到:采用不同的生物特征数据来进行身份核验,其准确性和可信性方面会存在一定的差异,例如,采用脸部识别的要稍微低一些,采用指纹或虹膜识别的要高一些(因为不同个体的指纹或虹膜,差异较大),所以,算法中就需要给不同的生物特征相似度值乘上不同的可信性系数,例如,脸部识别的可信性系数可以取一个低一些(例如0.8)的数据,指纹或虹膜识别的可信性系数可以取得高一些(例如1.0)。
由于在初次进行身份核验时,尚未进行到计算第二相似度的步骤,因此当前公式一中并未包含与第二类生物特征数据相关的参数。
将第一相似度判断值与预设的相似度阈值进行比较,如果第一相似度判断值大于预设的相似度阈值,则为身份核验通过,否则为身份核验失败。
如果步骤13中基于第一相似度判断值的身份核验过程失败,则需要进行第二类生物特征数据采集和计算获取第二相似度的步骤14,具体包括:
141、基于采集设备获取用户的第二类生物特征数据;
142、根据相似度计算公式确定第二类生物特征数据与第二类生物特征模版数据之间比对的第二相似度;
143、根据多次采集特征数据和多次计算得到第二相似度数值集合,从第二相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第二相似度数值进行优化,得出对应的第二类生物特征数据的第二相似度。
与步骤121-123类似的是,在计算第二相似度的过程中,首先需要借助生物特征采集设备多次采集获取用户的多组第二类生物特征数据,为了便于理解,本实施例中的第二类生物特征数据用一个指位的指纹(例如右手拇指)数据代替。
多次采集获取到的右手拇指指纹数据为多组特征数据构成的集合,基于相似度计算公式将该集合中的每组特征数据与步骤11中已构建的对应的第一类生物特征模板数据进行相似度计算,在得到由多组第二相似度值构成的第二相似度集合后,选取集合中的最大值,将该数值减去对应的指纹特征(即第二类生物特征)的第二类非本体相似度基数,在减去非本体相似度基数后,用得到的数值和0进行Max函数运算,得到优化后的第二相似度值。
这里的Max函数运算为Max(第二相似度,0),即从括号中的两个数值中选取较大的一个值,目的是当比对计算得出的相似度值小于平均非本体相似度基数时,参与计算的数值作取0处理,也就是说,某个特征数据相似度值对身份核验的贡献值不能为负值。
该步骤即为步骤143中所谓的优化过程,通过该优化过程,能够降低指纹特征数据具有的不同个体间的普遍相似度带来的验证误差,使得优化后的数据能够更为准确地表征相似度这一概念。
在获取到优化后的第二相似度后,还需要进行求取第二相似度判断值的步骤,以便基于求得的数值(即第二相似度判断值)作为身份核验是否通过的标准。即步骤15包括:
151、确定对应第二相似度的第二类可信性系数;
152、基于第二类可信性系数和第二相似度构建如公式二所示的计算公式。
式中,S_ob为第二相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度。
在计算第二相似度判断值时,需要依据公式二进行。与前述内容不同的是,由于在获取第二相似度判断值时,相对于公式一中增加了第二相似度的内容。之所以在计算第二相似度判断值的同时继续保留第一相似度作为计算因子,是为了表明虽然仅凭第一相似度值不足以通过身份核验,但是第一相似度值在身份核验中还是有贡献值的,所以,计算第二相似度判断值的前提是在基于第一相似度进行身份核验基础上,追加第二相似度作为补充措施,用于在首次核验失败的基础上作为偶发核验失败后的追加验证。
具体流程图如图2所示。
如果基于步骤15所提出的第二相似度判断值的身份核验再次失败,作为补充核验步骤,还可追加用户的其它生物特征数据例如第二个第二类生物特征数据(例如左手拇指指纹),再次采集用户的第二个第二类生物特征数据,计算第二个第二类生物特征数据与第二个第二类生物特征模板数据之间比对的第三相似度,即步骤16包括:
161、当身份核验失败后,追加采集用户的第二个第二类生物特征数据;
162、根据相似度计算公式计算确定第二个第二类生物特征数据和第二个第二类生物特征模版数据之间比对的第三相似度;
163、根据多次采集特征数据和多次计算得到第三相似度数值集合,从第三相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第三相似度数值进行优化,得出第二个第二类生物特征数据对应的第三相似度。
但需要注意的是,根据前述步骤16可知,如果基于第二类生物特征数据进行身份验证后失败,还可以追加采集第二个第二类生物特征数据的采集样本进行核验,例如在采用用户脸部和右手拇指获取到的脸部和指纹数据进行身份核验仍旧失败后,还可以追加采集用户左手拇指继续获取第二类生物特征数据的指纹数据进行核验,这样,可以防止第二类生物特征数据采集过程中由于偶发因素导致生物特征数据不全引起的身份核验失败。
例如,在基于面部数据的第一相似度判断值、以及基于面部数据和首个指位(例如右手拇指)指纹数据的第二相似度判断值进行身份核验均失败后,并不意味着身份核验的完全失败。而且,前两次身份核验虽然失败了,但所使用的第一相似度、第二相似度也提供了一定的相似度的贡献值。譬如预设相似度阈值是0.60(说明:相似度值介于0-1之间),基于面部数据+首次指纹数据计算得到的第二相似度判断值,已经达到0.50了(未通过身份核验),只要追加了第二个第二类生物特征数据(例如左手拇指指纹)最后计算得到的第三相似度判断值大于预设相似度阈值0.60,就可以通过身份核验了。
基于上述理论,具体得到第三相似度判断值的步骤17如下:
基于第一、第二和第三相似度构建如公式三所示的计算公式
式中,S_oc为第三相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度,S_fp2为第三相似度。(a1×S_face)2为计算第一类生物特征相似度判断值的计算因子,体现了第一类生物特征相似度的贡献值;(a1×S_face)2+(a2×S_fp1)2为计算(两个)第二类生物特征相似度判断值的计算因子,体现了(两个)第二类生物特征相似度的贡献值。
采集第二个第二特征数据后,要结合前面两个计算结果,即采用面部数据+首个指纹数据+第二个指纹数据的累加式身份核验方式,三者累计进行计算,如果结果大于预设的相似度阈值则为身份核验成功,否则为核验失败。如果面部数据即可使得身份核验通过,则不需采集指纹;如果面部数据识别失败,则进行追加采集(首个)指纹数据并综合面部和指纹数据进行身份核验,如果身份核验通过,则不需再采集第二个指纹,如果核验失败,则追加采集第二枚指纹数据,并综合面部、指纹1和指纹2数据进行身份核验,如果结果大于预设的相似度阈值,则为身份核验通过,否则,为身份核验失败。当核验失败时,如果仍具备构建其它生物特征的模版数据和采集现场数据的,还可以继续追加其它生物特征数据的采集并综合这些生物特征相似度数据计算最后的相似度判断值来进行身份核验;否则,结束身份核验流程。
值得注意的是,为了给出能够覆盖前述公式一至公式三共三种覆盖不同情况下相似度判断值的计算方式,本实施例给出了如公式四所示的采用多种生物特征(每种生物特征可以存有多个生物特征数据)用以进行身份核验的累加式相似度判断值计算表达式
式中,m表示包括面部、指纹、虹膜、掌纹、静脉纹在内生物特征的数量,取值范围为正整数;ai表示第i种生物特征对应的身份核验可信性系数;Bi表示第i种生物特征对应的非本体相似度基数;ni表示第i种生物特征具有的生物特征数据的数量,取值范围为正整数;Si,j表示第i种生物特征的第j个生物特征数据与其对应的特征模板数据之间的最优选的(原始)相似度值;Max()函数的运算规则为取数据集合中的最大值;S_om表示采用m种生物特征(每种生物特征可以有多个生物特征数据)用于完成身份核验的累加式相似度判断值。
前述公式一、公式二、公式三均是对公式四中若干参数进行赋值得到的具体表达式,如果在进行身份核验过程中基于三种及三种以上生物特征数据的情况,可对公式四中参数进行赋值得到符合具体情况的相似度判断值表达式。
在本申请实施例中提出了采用多生物特征信息相似度比对的身份核验算法,包括构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据以及两个第二类生物特征模版数据;采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据的第一相似度;计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功,否则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据的第二相似度;结合已得到的第一相似度判断值计算对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功。如果身份核验失败,则追加采集用户的第二个第二类生物特征数据,计算其与相应生物特征模版数据的第三相似度;结合第一相似度判断值、第二相似度判断值进一步计算得到对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。通过采用至少(但不限于)两类三个生物特征数据并对各生物特征相似度贡献值按算法进行累加来综合计算相似度判断值的方法进行身份核验,从而有效避免了凭借单一生物特征进行身份核验容易导致身份核验失败的结果。
实施例二
另一方面,在本申请实施例中还提出了采用多生物特征信息相似度比对的身份核验装置,如图3所示,所述装置包括:
模版数据构建单元21,用于构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括第一类生物特征模板数据和第二类生物特征模板数据;
相似度第一计算单元22,用于采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模板数据之间比对的第一相似度;
第一身份核验单元23,用于计算对应第一相似度的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功;
相似度第二计算单元24,用于如果身份核验失败,则追加用户的第二类生物特征数据的采集,计算第二类生物特征数据与第二类生物特征模板数据之间比对的第二相似度;
第二身份核验单元25,用于结合已得到的第一相似度判断值,基于第二相似度值计算对应第二相似度的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功;
相似度第三计算单元26,用于如果身份核验失败,则追加用户第二个第二类生物特征数据的采集,再次采集用户的第二类生物特征数据,计算第二个第二类生物特征数据与第二个第二类生物特征模板数据之间比对的第三相似度;
第三身份核验单元27,用于结合已得到的第一、第二相似度判断值,基于第三相似度值计算对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。
在实施中,目前在身份核验领域采用的都是基于单一的某一种生物特征数据与特征模版数据之间比对的相似度数值与设定的相似度阈值比较来判定身份核验是否通过,但是在某些特定情况下,用户由于自身脸部化妆或衣物遮盖、手指受伤等原因,导致生物特征数据变化使得身份核验失败,针对该应用场景,本实施例提出一种身份核验方法,借助至少(但不限于)两类三个生物特征数据进行累加式身份核验,从而有效避免凭借单一生物特征进行身份核验可能导致核验失败这一情况的发生。
上述核验流程包括基于第一类生物特征的相似度进行识别、失败后再追加基于第二类生物特征的相似度进行识别两个部分,后者作为前者身份核验失败后的补充步骤,并不代表仅在失败后实施一次,在实际实施过程中,如果第二类生物特征具有多个特征数据模版,也可在首个第二类生物特征进行身份核验失败后,追加其他第二类生物特征继续进行身份核验,作为累加式身份核验的补充步骤,可以防止部分生物特征因化妆、遮挡实体、实体损失或现场采集录入操作不当等导致身份核验失败的发生。
为了完成上述两部分内容,已有前述执行单元21-27的基础上,还需要基数确定单元执行构建非本体相似度基数的步骤,该构建步骤包括:
确定分别对应第一类生物特征、第二类生物特征的第一类非本体相似度基数以及第二类非本体相似度基数。
这里之所以需要构建针对各种生物特征的非本体相似度基数,是因为不同待核验个体的同一生物特征(例如不同个体的面部生物特征)之间进行对比时,也会存在一定数量(组数)的相同的特征点数据,即不同个体之间的同一生物特征比对的相似度值不会是0,当然,该相似度值较为微小,按统计数的平均值计算,本实施例中将该微小数值定义为某生物特征的非本体相似度基数,为了计算的科学准确,身份核验算法需要对此进行考虑,即将比对得出的相似度值先减去这个平均值即非本体相似度基数后再用于计算。
基于已定义的非本体相似度基数,相似度第一计算单元22,用于执行如下步骤:
221、基于采集设备获取用户的第一类生物特征数据;
222、根据相似度计算公式确定第一类生物特征数据与第一类生物特征模板数据之间比对的第一相似度;
223、根据多次采集特征数据和多次计算得到第一相似度数值集合,从第一相似度数值集合中选取代表最优值的最大值,基于第一类非本体相似度基数对第一相似度数值进行优化,得出对应第一类生物特征数据的第一相似度。
在计算第一相似度的过程中,首先需要借助生物特征采集设备多次采集获取用户的多组的第一类生物特征数据,为了便于理解,本实施例中的第一类生物特征数据用面部数据代替。
多次采集获取到的面部数据为多组的面部特征数据构成的集合,基于相似度计算公式将该集合中的每个数值与步骤11中已构建的第一类生物特征模板数据进行相似度计算,在得到由多组第一相似度值构成的第一相似度集合后,选取集合中的最大值,将该数值减去对应的面部特征(即第一类生物特征)的第一类非本体相似度基数,在减去非本体相似度基数后,用得到的数值和0进行Max函数运算,得到优化后的第一相似度值。
这里的Max函数运算为Max(第一相似度,0),即从括号中的两个数值中选取较大的一个值,目的是当比对计算得出的相似度值小于平均非本体相似度基数时,参与计算的数值作取0处理,也就是说,某个特征数据相似度值对身份核验的贡献值不能为负值。
上述步骤即为步骤223中所谓的优化过程,通过该优化过程,能够降低面部特征数据具有的不同个体间的普遍相似度带来的验证误差,使得优化后的数据能够更为准确地表征相似度这一概念。
基于第一相似度判断值进行身份核验,步骤23包括:
在获取到优化后的第一相似度后,还需要进行求取第一相似度判断值的步骤,以便采用第一相似度判断值作为身份核验是否通过的标准。即相似度第二计算单元23用于执行如下步骤:
231、确定对应第一相似度的第一类可信性系数;
232、基于第一类可信性系数和第一相似度构建如公式一所示的计算公式。
式中,S_oa为第一相似度判断值,a1为第一类可信性系数,S_face为第一相似度。
这里,对不同的生物特征数据,包括人体的脸部、(十指)指纹、虹膜、掌纹、静脉纹等等特征数据),引入不同的可信性系数,是考虑到:采用不同的生物特征数据来进行身份核验,其准确性和可信性方面会存在一定的差异,例如,采用脸部识别的要稍微低一些,采用指纹或虹膜识别的要高一些(因为不同个体的指纹或虹膜,差异较大),所以,算法中就需要给不同的生物特征相似度值乘上不同的可信性系数,例如,脸部识别的可信性系数可以取一个低一些(例如0.8)的数据,指纹或虹膜识别的可信性系数可以取得高一些(例如1.0)。
由于在初次进行身份核验时,尚未进行到计算第二相似度的步骤,因此当前公式一中并未包含与第二类生物特征数据相关的参数。
将第一相似度判断值与预设的相似度阈值进行比较,如果第一相似度判断值大于预设的相似度阈值,则为身份核验通过,否则为身份核验失败。
如果相似度第二计算单元23执行的步骤中基于第一相似度判断值的身份核验过程失败,则需要进行第二类生物特征数据的采集和计算获取第二相似度的步骤24,具体包括:
241、基于采集设备获取用户的第二类生物特征数据;
242、根据相似度计算公式确定第二类生物特征数据与第二类生物特征模版数据间的第二相似度;
243、根据多次采集特征数据和多次计算得到第二相似度数值集合,从第二相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第二相似度数值进行优化,得出对应的第二类生物特征数据的第二相似度。
与步骤221-223类似的是,在计算第二相似度的过程中,首先需要借助生物特征采集设备多次采集获取用户的多组第二类生物特征数据,为了便于理解,本实施例中的第二类生物特征数据用一个指位的指纹(例如右手拇指)数据代替。
多次采集获取到的右手拇指指纹数据为多组特征数据构成的集合,基于相似度计算公式将该集合中的每组特征数据与步骤21中已构建的对应的第一类生物特征模板数据进行相似度计算,在得到由多组第二相似度值构成的第二相似度集合后,选取集合中的最大值,将该数值减去对应的指纹特征(即第二类生物特征)的第二类非本体相似度基数,在减去非本体相似度基数后,用得到的数值和0进行Max函数运算,得到优化后的第二相似度值。
这里的Max函数运算为Max(第二相似度,0),即从括号中的两个数值中选取较大的一个值,目的是当比对计算得出的相似度值小于平均非本体相似度基数时,参与计算的数值作取0处理,也就是说,某个特征数据相似度值对身份核验的贡献值不能为负值。
该步骤即为步骤243中所谓的优化过程,通过该优化过程,能够降低指纹特征数据具有的不同个体间的普遍相似度带来的验证误差,使得优化后的数据能够更为准确地表征相似度这一概念。
在获取到优化后的第二相似度后,还需要进行求取第二相似度判断值的步骤,以便基于求得的数值(即第二相似度判断值)作为身份核验是否通过的标准。即第一身份核验单元25用于执行的步骤包括:
251、确定对应第二相似度的第二类可信性系数;
252、基于第二类可信性系数和第二相似度构建如公式二所示的计算公式。
式中,S_ob为第二相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度。
在计算第二相似度判断值时,需要依据公式二进行。与前述内容不同的是,由于在获取第二相似度判断值时,相对于公式一中增加了第二相似度的内容。之所以在计算第二相似度判断值的同时继续保留第一相似度作为计算因子,是为了表明虽然仅凭第一相似度值不足以通过身份核验,但是第一相似度值在身份核验中还是有贡献值的,所以,计算第二相似度判断值的前提是在基于第一相似度进行身份核验基础上,追加第二相似度作为补充措施,用于在首次核验失败的基础上作为偶发核验失败后的追加验证。
具体流程图如图2所示。
如果基于步骤25所提出的第二相似度判断值的身份核验再次失败,作为补充核验步骤,还可追加用户的其它生物特征数据例如第二个第二类生物特征数据(例如左手拇指指纹),再次采集用户的第二个第二类生物特征数据,计算第二个第二类生物特征数据与第二个第二类生物特征模板数据之间比对的第三相似度,即相似度第三计算单元26用于执行的步骤包括:
261、当身份核验失败后,追加采集用户的第二个第二类生物特征数据;
262、根据相似度计算公式计算确定第二个第二类生物特征数据和第二个第二类生物特征模版数据之间比对的第三相似度;
263、根据多次采集特征数据和多次计算得到第三相似度数值集合,从第三相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第三相似度数值进行优化,得出第二个第二类生物特征数据对应的第三相似度。
但需要注意的是,根据前述步骤26可知,如果基于第二类生物特征数据进行身份验证后失败,还可以追加采集第二个第二类生物特征数据的采集样本进行核验,例如在采用用户脸部和右手拇指获取到的脸部和指纹数据进行身份核验仍旧失败后,还可以追加采集用户左手拇指继续获取第二类生物特征数据的指纹数据进行核验,这样,可以防止第二类生物特征数据采集过程中由于偶发因素导致生物特征数据不全引起的身份核验失败。
例如,在基于面部数据的第一相似度判断值、以及基于面部数据和首个指位(例如右手拇指)指纹数据的第二相似度判断值进行身份核验均失败后,并不意味着身份核验的完全失败。而且,前两次身份核验虽然失败了,但所使用的第一相似度、第二相似度也提供了一定的相似度的贡献值。譬如预设相似度阈值是0.60(说明:相似度值介于0-1之间),基于面部数据+首次指纹数据计算得到的第二相似度判断值,已经达到0.50了(未通过身份核验),只要追加了第二个第二类生物特征数据(例如左手拇指指纹)最后计算得到的第三相似度判断值大于预设相似度阈值0.60,就可以通过身份核验了。
基于上述理论,具体得到第三相似度判断值的步骤27如下:
基于第一、第二和第三相似度构建如公式三所示的计算公式
式中,S_oc为第三相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度,S_fp2为第三相似度。(a1×S_face)2为计算第一类生物特征(本例为面部)相似度判断值的计算因子,体现了第一类生物特征相似度的贡献值;(a1×S_face)2+(a2×S_fp1)2为计算(两个)第二类生物特征(本例为右手拇指和左手拇指指纹)相似度判断值的计算因子,体现了(两个)第二类生物特征相似度的贡献值。
采集第二个第二特征数据后,要结合前面两个计算结果,即采用面部数据+首个指纹数据+第二个指纹数据的累加式身份核验方式,三者累计进行计算,如果结果大于预设的相似度阈值则为身份核验成功,否则为核验失败。如果面部数据即可使得身份核验通过,则不需采集指纹;如果面部数据识别失败,则进行追加采集(首个)指纹数据并综合面部和指纹数据进行身份核验,如果身份核验通过,则不需再采集第二个指纹,如果核验失败,则追加采集第二枚指纹数据,并综合面部、指纹1和指纹2数据进行身份核验,如果结果大于预设的相似度阈值,则为身份核验通过,否则,为身份核验失败。当核验失败时,如果仍具备构建其它生物特征的模版数据和采集现场数据的,还可以继续追加其它生物特征数据的采集并综合这些生物特征相似度数据计算最后的相似度判断值来进行身份核验;否则,结束身份核验流程。
值得注意的是,为了给出能够覆盖前述公式一至公式三共三种覆盖不同情况下相似度判断值的计算方式,本实施例给出了如公式四所示的采用多种生物特征(每种生物特征可以存有多个生物特征数据)用以进行身份核验的累加式相似度判断值计算表达式
式中,m表示包括面部、指纹、虹膜、掌纹、静脉纹在内生物特征的数量,取值范围为正整数;ai表示第i种生物特征对应的身份核验可信性系数;Bi表示第i种生物特征对应的非本体相似度基数;ni表示第i种生物特征具有的生物特征数据的数量,取值范围为正整数;Si,j表示第i种生物特征的第j个生物特征数据与其对应的特征模板数据之间的最优选的(原始)相似度值;Max()函数的运算规则为取数据集合中的最大值;S_om表示采用m种生物特征(每种生物特征可以有多个生物特征数据)用于完成身份核验的累加式相似度判断值。
前述公式一、公式二、公式三均是对公式四中若干参数进行赋值得到的具体表达式,如果在进行身份核验过程中基于三种及三种以上生物特征数据的情况,可对公式四中参数进行赋值得到符合具体情况的相似度判断值表达式。
上述每个单元对应的执行内容与实施例一中的内容相同,本实施例中不再赘述。
在本申请实施例中提出了采用多生物特征信息相似度比对的身份核验装置,包括构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据和两个第二类生物特征模版数据;采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据间的第一相似度;计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设的相似度阈值,则身份核验成功,否则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据的第二相似度;结合已得到的第一相似度判断值计算对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功。如果身份核验失败,则追加采集用户的另一个第二类生物特征数据,计算其与相应生物特征模版数据的第三相似度;结合第一相似度判断值、第二相似度判断值进一步计算对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。通过采用至少(但不限于)两类三个生物特征数据并对各生物特征相似度贡献值按算法进行累加来综合计算相似度判断值的方法进行身份核验,从而有效避免了凭借单一生物特征进行身份核验容易导致身份核验失败的结果。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述算法包括:
构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据以及两个第二类生物特征模版数据;
采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功;
如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度;
结合已得到的第一相似度判断值,基于第二相似度值计算对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功;
如果身份核验失败,则追加采集用户的另一个第二类生物特征数据,计算其与相应生物特征模版数据之间比对的第三相似度;
结合第一相似度判断值、第二相似度判断值,基于第三相似度值进一步计算对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。
2.根据权利要求1所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述算法还包括:
确定分别对应第一类生物特征、第二类生物特征的第一类非本体相似度基数、第二类非本体相似度基数。
3.根据权利要求2所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度,包括:
基于采集设备获取用户的第一类生物特征数据;
根据相似度计算公式确定第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
根据多次采集特征数据和多次计算得到第一相似度数值集合,从第一相似度数值集合中选取代表最优值的最大值,基于第一类非本体相似度基数对第一相似度数值进行优化,得出对应第一类生物特征数据的第一相似度。
4.根据权利要求1所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述计算第一相似度对应的第一相似度判断值,包括:
确定对应第一类生物特征的第一类可信性系数;
基于第一类可信性系数和第一相似度构建如公式一所示的计算公式
式中,S_oa为第一相似度判断值,a1为第一类可信性系数,S_face为第一相似度。
5.根据权利要求2所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度,包括:
基于采集设备获取用户的第二类生物特征数据;
根据相似度计算公式确定第二类生物特征数据与第二类生物特征模版数据之间比对的第二相似度;
根据多次采集特征数据和多次计算得到第二相似度数值集合,从第二相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第二相似度数值进行优化,得出对应的第二类生物特征数据的第二相似度。
6.根据权利要求1所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述结合已得到的第一相似度,基于第二相似度值判断值计算对应的第二相似度判断值,包括:
确定对应第二类生物特征的第二类可信性系数;
基于第二类可信性系数和第二相似度构建如公式二所示的计算公式
式中,S_ob为第二相似度判断值,a2为第二类可信性系数,S_fp1为第二相似度。
7.根据权利要求1所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述如果身份核验失败,则追加采集用户的第二个第二类生物特征数据,并计算其与相应生物特征模版数据之间比对的第三相似度,包括:
当身份核验失败后,追加采集用户的第二个第二类生物特征数据;
根据相似度计算公式计算确定第二个第二类生物特征数据和第二个第二类生物特征模版数据之间比对的第三相似度;
根据多次采集特征数据和多次计算得到第三相似度数值集合,从第三相似度数值集合中选取代表最优值的最大值,基于第二类非本体相似度基数对第三相似度数值进行优化,得出第二个第二类生物特征数据对应的第三相似度。
8.根据权利要求1所述的采用多生物特征信息相似度比对的身份核验算法,其特征在于,所述结合已得到的第一相似度判断值、第二相似度判断值,基于第二相似度值计算对应第三相似度判断值,包括:
基于第二类可信性系数和第三相似度构建如公式三所示的计算公式
S_oc为第二相似度判断值,a1为第一类可信性系数,S_face为第一相似度,a2为第二类可信性系数,S_fp1为第二相似度,S_fp2为第三相似度。
9.采用多生物特征信息相似度比对的身份核验装置,其特征在于,所述装置包括:
模板数据构建单元,构建对应第一类生物特征、第二类生物特征的预存模版数据,在预存模版数据中包括一个第一类生物特征模版数据以及两个第二类生物特征模版数据;
相似度第一计算单元,用于采集用户的第一类生物特征数据,计算第一类生物特征数据与第一类生物特征模版数据之间比对的第一相似度;
核验第一判断单元,用于计算第一相似度对应的第一相似度判断值,如果第一相似度判断值高于预设相似度阈值,则身份核验成功;
相似度第二计算单元,用于如果身份核验失败,则追加采集用户的第二类生物特征数据,计算其与第二类生物特征模版数据之间比对的第二相似度;
核验第二判断单元,用于结合已得到的第一相似度判断值,基于第二相似度值计算对应的第二相似度判断值,如果第二相似度判断值高于预设相似度阈值,则身份核验成功;
相似度第三计算单元,用于如果身份核验失败,则追加采集用户的另一个第二类生物特征数据,计算其与相应生物特征模版数据之间比对的第三相似度;
核验第三判断单元,用于结合第一相似度判断值、第二相似度判断值,基于第三相似度值进一步计算对应的第三相似度判断值,如果第三相似度判断值高于预设相似度阈值,则身份核验成功,否则身份核验失败。
10.根据权利要求9所述的采用多生物特征信息相似度比对的身份核验装置,其特征在于,所述装置还包括:
基数确定单元,用于确定分别对应第一类生物特征、第二类生物特征的第一类非本体相似度基数、第二类非本体相似度基数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389568.XA CN110084019B (zh) | 2019-05-10 | 2019-05-10 | 采用多生物特征信息相似度比对的身份核验方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389568.XA CN110084019B (zh) | 2019-05-10 | 2019-05-10 | 采用多生物特征信息相似度比对的身份核验方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084019A true CN110084019A (zh) | 2019-08-02 |
CN110084019B CN110084019B (zh) | 2021-04-20 |
Family
ID=67419684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910389568.XA Expired - Fee Related CN110084019B (zh) | 2019-05-10 | 2019-05-10 | 采用多生物特征信息相似度比对的身份核验方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084019B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726210A (zh) * | 2019-10-17 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调控制方法、装置、空调及空调系统 |
CN111581625A (zh) * | 2020-06-12 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 一种用户身份识别方法、装置及电子设备 |
WO2022166198A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国银联股份有限公司 | 基于生物特征id链的验证方法及其验证系统、用户终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184511A1 (en) * | 2005-02-16 | 2006-08-17 | Koo Sing C | Semantic network document container for use in attestation of management reports |
CN101098232A (zh) * | 2007-07-12 | 2008-01-02 | 兰州大学 | 一种动态口令与多生物特征结合的身份认证方法 |
CN104346552A (zh) * | 2013-08-08 | 2015-02-11 | 联想(北京)有限公司 | 一种信息处理的方法及一种电子设备 |
CN104639546A (zh) * | 2014-12-31 | 2015-05-20 | 北京天诚盛业科技有限公司 | 多生物特征综合认证的方法、装置和系统 |
CN105868611A (zh) * | 2016-05-04 | 2016-08-17 | 广东欧珀移动通信有限公司 | 生物信息认证方法、装置和移动终端 |
-
2019
- 2019-05-10 CN CN201910389568.XA patent/CN110084019B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184511A1 (en) * | 2005-02-16 | 2006-08-17 | Koo Sing C | Semantic network document container for use in attestation of management reports |
CN101098232A (zh) * | 2007-07-12 | 2008-01-02 | 兰州大学 | 一种动态口令与多生物特征结合的身份认证方法 |
CN104346552A (zh) * | 2013-08-08 | 2015-02-11 | 联想(北京)有限公司 | 一种信息处理的方法及一种电子设备 |
CN104639546A (zh) * | 2014-12-31 | 2015-05-20 | 北京天诚盛业科技有限公司 | 多生物特征综合认证的方法、装置和系统 |
CN105868611A (zh) * | 2016-05-04 | 2016-08-17 | 广东欧珀移动通信有限公司 | 生物信息认证方法、装置和移动终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726210A (zh) * | 2019-10-17 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调控制方法、装置、空调及空调系统 |
CN111581625A (zh) * | 2020-06-12 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 一种用户身份识别方法、装置及电子设备 |
WO2022166198A1 (zh) * | 2021-02-05 | 2022-08-11 | 中国银联股份有限公司 | 基于生物特征id链的验证方法及其验证系统、用户终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110084019B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084019A (zh) | 采用多生物特征信息相似度比对的身份核验算法及装置 | |
US9355236B1 (en) | System and method for biometric user authentication using 3D in-air hand gestures | |
CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
EP1183638B1 (en) | Method and apparatus for creating a composite fingerprint image | |
US8433922B2 (en) | System and method of biometric authentication using multiple kinds of templates | |
Kataria et al. | A survey of automated biometric authentication techniques | |
JP6197345B2 (ja) | 生体認証装置、生体認証システム、および生体認証方法 | |
Azzini et al. | A fuzzy approach to multimodal biometric continuous authentication | |
JP2008009753A (ja) | 生体認証方法及び生体認証システム | |
KR20150056460A (ko) | 화상 인식장치 및 화상 인식장치에 대한 데이터 등록방법 | |
JP2007213126A (ja) | 個人照合装置及び個人照合方法 | |
US11062120B2 (en) | High speed reference point independent database filtering for fingerprint identification | |
JPWO2010146675A1 (ja) | 生体認証装置、生体認証方法及び生体認証用コンピュータプログラム | |
WO2013051019A1 (en) | Evolved biometric system with enhanced feature and method for the same | |
WO2013084617A1 (ja) | 生体認証システム | |
KR102558741B1 (ko) | 사용자 등록 장치 및 방법 | |
CN109934114A (zh) | 一种手指静脉模板生成与更新算法及系统 | |
JPWO2020050413A1 (ja) | 認証用顔画像候補判定装置、認証用顔画像候補判定方法、プログラム、および記録媒体 | |
JP2010049357A (ja) | 認証装置、認証システム及び認証方法 | |
CN116389114B (zh) | 一种静态与动态身份一致性验证方法及系统 | |
JP2012238256A (ja) | 生体認証装置、生体認証方法および生体認証プログラム | |
JP5812505B2 (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 | |
JP2018128736A (ja) | 顔認証システム、顔認証方法、及び顔認証プログラム | |
CN109302532B (zh) | 一种基于智能手机加速度传感器的身份认证方法 | |
Neha et al. | Biometric re-authentication: An approach towards achieving transparency in user authentication |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210420 |