CN110222486A - 用户身份验证方法、装置、设备及计算机可读存储介质 - Google Patents
用户身份验证方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110222486A CN110222486A CN201910415727.9A CN201910415727A CN110222486A CN 110222486 A CN110222486 A CN 110222486A CN 201910415727 A CN201910415727 A CN 201910415727A CN 110222486 A CN110222486 A CN 110222486A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- identity information
- password
- vivo detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 238000001727 in vivo Methods 0.000 claims abstract description 51
- 230000001815 facial effect Effects 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002087 whitening 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- 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
Abstract
本申请涉及互联网技术领域,公开了一种用户身份验证方法、装置、设备及计算机可读存储介质。用户身份验证方法包括:当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;若人脸比对通过,则输出密码校验提示;接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。通过本申请,提高了用户身份验证方式的多样性及验证的安全性。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及用户身份验证方法、装置、设备及计算机可读存储介质。
背景技术
联网计算机系统向授权用户提供大量的服务已是司空见惯,事实上,社会正在转向电子的生活方式,很多日常任务都在网络上执行。这种转型所带来的不期望的后果是刑事犯罪活动也在电子领域进行,例如身份盗窃的网络犯罪,其结果是导致每年几十亿美元的损失。现有的身份验证方法仅仅通过密码方式进行验证,方式单一,安全性低;同时,如果发生非法验证时不能及时通知用户,会造成用户系统被非法入侵。
发明内容
本申请的主要目的在于提供一种用户身份验证方法、装置、设备及计算机可读存储介质,旨在解决现有的身份验证方法方式单一、安全性低的技术问题。
为实现上述目的,本申请提供一种用户身份验证方法,所述用户身份验证方法包括以下步骤:
当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;
若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;
若人脸比对通过,则输出密码校验提示;
接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。
可选地,所述当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测的步骤之前,还包括:
获取用户输入的第一身份信息、第一验证密码以及摄像头拍摄的第一人脸图像;
将所述第一身份信息、第一验证密码以及第一人脸图像关联存储。
可选地,所述实时获取摄像头采集的用户头部图像,并进行活体检测的步骤包括:
实时获取双目摄像头采集的用户头部图像,获得双目用户头部图像;
基于所述双目用户头部图像,进行活体检测。
可选地,所述基于所述双目用户头部图像,进行活体检测的步骤包括:
基于预置双目立体匹配算法,计算所述双目用户头部图像对应的视差图像;
将所述视差图像转换为深度图像,并计算所述深度图像的灰度共生矩阵;
从所述灰度共生矩阵中提取所述深度图像的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量;
将所述灰度共生矩阵特征向量输入预置活体分类模型进行分类,得到分类结果;
基于所述分类结果,判定所述双目用户头部图像对应的检测对象是否为活体。
可选地,所述基于所述双目用户头部图像,进行活体检测的步骤之前,还包括:
采集样本并设置样本的图片标签值;
基于所述样本对预置活体分类模型进行训练,并保存训练好的所述预置活体分类模型。
可选地,所述样本包括多个活体人脸图像和多个非活体人脸图像,活体人脸图像对应的图片标签值均为1,非活体人脸图像对应的图片标签值均为0。
可选地,所述当接收到用户输入的身份信息,且检测到所述身份信息为预设的第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测的步骤之后,还包括:
若活体检测未通过,则判定所述用户身份验证失败。
此外,为实现上述目的,本申请还提供一种用户身份验证装置,所述用户身份验证装置包括:
检测模块,用于当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;
比对模块,用于若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;
提示模块,用于若人脸比对通过,则输出密码校验提示;
确认模块,用于接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。
可选地,所述用户身份验证装置还包括:
获取模块,用于获取用户输入的第一身份信息、第一验证密码以及摄像头拍摄的第一人脸图像;
存储模块,用于将所述第一身份信息、第一验证密码以及第一人脸图像关联存储。
可选地,所述检测模块包括:
采集单元,用于实时获取双目摄像头采集的用户头部图像,获得双目用户头部图像;
检测单元,用于基于所述双目用户头部图像,进行活体检测。
可选地,所述检测单元具体用于:
基于预置双目立体匹配算法,计算所述双目用户头部图像对应的视差图像;
将所述视差图像转换为深度图像,并计算所述深度图像的灰度共生矩阵;
从所述灰度共生矩阵中提取所述深度图像的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量;
将所述灰度共生矩阵特征向量输入预置活体分类模型进行分类,得到分类结果;
基于所述分类结果,判定所述双目用户头部图像对应的检测对象是否为活体。
可选地,所述用户身份验证装置还包括:
样本采集模块,用于采集样本并设置样本的图片标签值;
训练模块,用于基于所述样本对预置活体分类模型进行训练,并保存训练好的所述预置活体分类模型。
可选地,所述用户身份验证装置还包括:
验证失败模块,用于若活体检测未通过,则判定所述用户身份验证失败。
此外,为实现上述目的,本申请还提供一种用户身份验证设备,所述用户身份验证设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户身份验证程序,所述用户身份验证程序被处理器执行时实现如上所述的用户身份验证方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有用户身份验证程序,所述用户身份验证程序被处理器执行时实现如上所述的用户身份验证方法的步骤。
本申请提出的用户身份验证方法,当接收到用户输入的身份信息,且检测到该身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;若活体检测通过,则通过摄像头获取用户头部图像,并与第一人脸图像进行人脸比对;若人脸比对通过,则输出密码校验提示,以便用户进行密码输入;最后,若检测到用户输入的密码与第一验证密码一致,则确认当前用户通过身份验证。通过本申请提出的用户身份验证方法,提高了用户身份验证方式的多样性及验证的安全性。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的用户身份验证设备结构示意图;
图2为本申请用户身份验证方法一实施例的流程示意图;
图3为本申请用户身份验证装置一实施例的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1为本申请实施例方案涉及的硬件运行环境的用户身份验证设备结构示意图。
本申请实施例中的用户身份验证设备可以是便携计算机、服务器等具有数据处理能力的终端设备。
如图1所示,该用户身份验证设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选地还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的用户身份验证设备结构并不构成对用户身份验证设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及用户身份验证程序。
在图1所示的用户身份验证设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的用户身份验证程序,并执行以下用户身份验证方法的各实施例的操作。
参照图2,图2为本申请用户身份验证方法一实施例的流程示意图,在该实施例中,用户身份验证方法包括:
步骤S10,当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;
在本实施例中,用户可以通过预置的键盘(实体键盘或计算机屏幕上的虚拟键盘)输入身份信息,其中,身份信息可以是身份证号码或电话号码等。可以理解的是,在本实施例中,用户事先通过预置的键盘及摄像头录入了第一身份信息、第一验证密码以及第一人脸图像。当比对到用户当前输入的身份信息为预先录入的第一身份信息时,启用摄像头,并获取摄像头采集用户头部图像,然后根据用户头部图像,进行活体检测。
在本实施例中对于活体检测的具体实现方式不限,通过活体检测技术可以避免用户使用面具、照片等手段实施欺诈。
可以理解的是,在本实施例中,对当前摄像头采集的用户头部图像进行活体检测是通过预置活体分类模型来实现的。具体地,首先采集样本并设置样本的图片标签值,样本包括多个活体人脸图像和多个非活体人脸图像,且活体人脸图像对应的图片标签值均为1,非活体人脸图像对应的图片标签值均为0。通过活体人脸图像、非活体人脸图像及其所带的图片标签值对预置活体分类模型进行训练,并保存训练好的预置活体分类模型,以便后续实时获取用户头部图像时,对当前用户进行在线活体检测。
具体地,对预置活体分类模型进行训练的过程如下:
获取待训练的样本,并对所述样本进行预处理;
将预处理后的所述样本输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述样本的特征图;
基于预设算法对所述特征图进行检测,当确定当前检测达到收敛条件时,确认所述预置活体分类模型训练完成。
首先,对样本图片进行预处理,预处理的过程包括去均值、归一化及白化处理等,去均值的目的是把输入的样本中各个维度都中心化为0,即把样本中的中心拉回到坐标系原点上;归一化的目的是将样本的幅度归一化到同样的范围,减少各维度数据取值范围的差异而带来的干扰;白化是对样本各个特征轴上的幅度归一化。通过上述步骤,对待训练的样本图片进行了特征加强。
进一步地,将预处理后的样本输入至预设的卷积神经网络中,进行特征图的提取。具体地,在本实施例中,预设的卷积神经网络包括13个卷积层、13个激励层和4个池化层,对于卷积层的卷积核kernel为3*3,填充值为1,填充值的作用是为了使卷积层不改变输入和输出矩阵大小;池化层的卷积核为2*2,步幅为2*2。通过对样本进行卷积、激励、池化等操作,可得到一个特征向量,该特征向量即表征了该样本对应的特征图的向量信息。
进一步地,基于提取出的特征图以及样本对应的图片标签值,在预置活体分类模型中进行训练,在训练过程中,当检测到当前训练达到了收敛条件时,即可判定当前训练完成。具体地,收敛条件可以包括但不限于:训练次数、训练时间、训练的损失函数,可根据实际情况进行设置。
步骤S20,若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;
进一步地,在本实施例中,若活体检测通过,则可对采集的用户头部图像进行身份验证,具体与之前获得的该用户的第一人脸图像进行人脸比对。本实施例中对于人脸比对具体实现方式不限,比如,可以先分别提取用户头部图像与第一人脸图像的人脸特征,然后进行人脸特征比对,若人脸特征匹配率超过预设阈值,比如90%,则可确定人脸比对通过。
步骤S30,若人脸比对通过,则输出密码校验提示;
在本实施例中,若人脸对比通过,则进一步发出提示,可以是通过语音或图像显示的方式进行提示,提示用户输入验证密码。
步骤S40,接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。
在本实施例中,若用户当前输入的验证密码与之前设置的第一验证密码一致,则确认当前用户通过身份验证。
在本实施例中,当接收到用户输入的身份信息,且检测到该身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;若活体检测通过,则通过摄像头获取用户头部图像,并与第一人脸图像进行人脸比对;若人脸比对通过,则输出密码校验提示,以便用户进行密码输入;最后,若检测到用户输入的密码与第一验证密码一致,则确认当前用户通过身份验证。通过本申请提出的用户身份验证方法,提高了用户身份验证方式的多样性及验证的安全性。
进一步地,在步骤S40之前,还包括:
步骤S50,获取用户输入的第一身份信息、第一验证密码以及摄像头拍摄的第一人脸图像;
步骤S60,将所述第一身份信息、第一验证密码以及第一人脸图像关联存储。
在本实施例中,用户可以事先通过预置的键盘(实体键盘或计算机屏幕上的虚拟键盘)输入第一身份信息以及第一验证密码。其中,第一身份信息可以是身份证号码或电话号码等,第一验证密码可以是6位数的数字密码或其他数字、字母、特殊符号组合形式的密码。用户在输入第一身份信息后,点击确认键,然后再输入第一验证密码,并点击确认键,则认定第一身份信息、第一验证密码输入完成。再启用摄像头对用户进行拍摄,得到第一人脸图像。
进一步地,将获取的第一身份信息、第一验证密码以及第一人脸图像信息关联存储,以形成用户的个人信息数据,例如,存储在服务器或其他安全的数据库中,后续用户进行登录时根据关联存储的个人信息进行身份验证,提高身份验证的安全性。
进一步地,所述实时获取摄像头采集的用户头部图像,并进行活体检测的步骤包括:
步骤a,实时获取双目摄像头采集的用户头部图像,获得双目用户头部图像;
在本实施例中,为提升用户身份核验的准确性,因此采用双目摄像头采集用户头部图像。其中,双目摄像头是指具有两个摄像头的摄像装置,相对于单目摄像头采集的图像而言,双目摄像头能分别从两个不同角度采集图像,也即可以同时采集到不同角度对应的两份用户头部图像(也即双目用户头像)。
步骤b,基于所述双目用户头部图像,进行活体检测。
本实施例中,由于双目用户头部图像携带有更多的信息,进而更利于进行活体检测并且检测结果具有较高的可信度。比如不同角度下用户脸部的光线特征不一样,则使用双目摄像头拍摄得到的图像也具有不一样的纹理特征,而该纹理特征是难以通过照片、面具等方式伪造出来的,因此具有较高的防伪能力。
进一步地,所述基于所述双目用户头部图像,进行活体检测的步骤包括:
基于预置双目立体匹配算法,计算所述双目用户头部图像对应的视差图像;
将所述视差图像转换为深度图像,并计算所述深度图像的灰度共生矩阵;
从所述灰度共生矩阵中提取所述深度图像的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量;
将所述灰度共生矩阵特征向量输入预置活体分类模型进行分类,得到分类结果;
基于所述分类结果,判定所述双目用户头部图像对应的检测对象是否为活体。
在本实施例中,通过双目摄像头采集的用户头部图像包括左视图用户头部图像与右视图用户头部图像,通过双目立体匹配算法可获得左右视图对应的视差图像。
本实施例对于预置的双目立体匹配算法不限,例如SAD(Sum of AbsoluteDifferences)算法、SSD(Sum of Square Differences)算法等。
本实施例中,通过双目立体匹配算法计算双目用户头部图像对应的视差图像的处理流程如下:
(1)进行匹配代价计算
匹配代价计算的目的是衡量待匹配像素与候选像素之间的相关性。两个像素无论是否为同名点,都可以通过匹配代价函数计算匹配代价,代价越小则说明相关性越大,是同名点的概率也越大。
每个像素在搜索同名点之前,往往会指定一个视差搜索范围D,视差搜索时将范围限定在D内,用一个大小为W×H×D(W为图像宽度,H为图像高度)的三维矩阵C来存储每个像素在视差范围内每个视差下的匹配代价值。矩阵C通常称为DSI(Disparity Space Image)。
匹配代价计算的方法有很多,例如利用灰度绝对值差、灰度绝对值差之和、归一化相关系数等方法来计算两个像素的匹配代价。
(2)对匹配代价进行聚合
代价聚合的根本目的是让代价值能够准确的反映像素之间的相关性。上一步匹配代价的计算往往只会考虑局部信息,通过两个像素邻域内一定大小的窗口内的像素信息来计算代价值,这很容易受到图像噪声的影响,而且当图像处于弱纹理或重复纹理区域,这个代价值极有可能无法准确的反映像素之间的相关性。
因此,通过代价聚合建立邻接像素之间的联系,以一定的准则(如相邻像素应该具有连续的视差值)来对代价矩阵进行优化。每个像素在某个视差下的新代价值都会根据其相邻像素在同一视差值或者附近视差值下的代价值来重新计算,得到新的DSI。常用的代价聚合方法有扫描线法、动态规划法、SGM算法中的路径聚合法等。
(3)计算视差图像
视差图像计算是通过代价聚合之后的代价矩阵S来确定每个像素的最优视差值,通常使用赢家通吃算法(WTA,Winner-Takes-All)来计算,即某个像素的所有视差下的代价值中,选择最小代价值所对应的视差作为最优视差。
(4)对视差图像进行优化
视差图像优化的目的是对上一步得到的视差图像进一步优化,改善视差图像的质量,包括剔除错误视差、适当平滑以及子像素精度优化等处理,一般采用左右一致性检查(Left-Right Check)算法剔除因为遮挡和噪声而导致的错误视差;采用剔除小连通区域算法来剔除孤立异常点;采用中值滤波(Median Filter)、双边滤波(Bilateral Filter)等平滑算法对视差图像进行平滑。
本实施例中,在获得双目用户头部图像对应的视差图像后,通过以下视差与深度的转换公式,可将视差图像转换为深度图像:
depth=(f*baseline)/disp;
上式中,depth表示深度图的深度值,f表示归一化的焦距,baseline表示两个相机光心之间的距离,称作基线距离;disp表示视差值。视差的单位用像素表示,深度值的单位往往用毫米表示。
在获得深度图像后,需进一步计算深度图像的灰度共生矩阵。灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。假设取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个图像上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个图像,统计出每一种(g1,g2)值出现的次数,然后排列成一个矩阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),则得到的矩阵称为灰度共生矩阵。图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度等综合信息。
由于灰度共生矩阵的数据量较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为区分纹理的特征,包括:能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。
本实施例中具体以上述基于灰度共生矩阵所生成的统计量作为深度图像的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量。
本实施例中,在获得人脸深度图的灰度共生矩阵后,提取人脸深度图的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量,以便于采用支持向量机的活体分类模型,对灰度共生矩阵特征向量进行分类,最后根据分类结果,确定当前检测对象是否为活体。
其中,在进行活体检测之前,预先从大量活体以及非活体用户的人脸图像中提取灰度共生矩阵特征向量,并进行活体与非活体的样本标记,然后再以灰度共生矩阵特征向量为训练样本进行机器学习,得到能够识别活体与非活体的活体分类模型,使得该活体分类模型能够基于灰度共生矩阵特征向量进行活体检测。
现有活体检测方式通常采用的是基于用户动作的活体检测,用户需要按照系统给出的动作指令作出相应动作,也即现有活体检测方式需要用户予以配合。本实施例基于双目摄像头进行活体检测,用户无需动作上的配合即可完成检测,并且活体检测结果更为可信与准确。
参照图3,图3为本申请用户身份验证装置一实施例的功能模块示意图。
在本实施例中,用户身份验证装置装置包括:
检测模块10,用于当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;
比对模块20,用于若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;
提示模块30,用于若人脸比对通过,则输出密码校验提示;
确认模块40,用于接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。
进一步地,所述用户身份验证装置还包括:
获取模块,用于获取用户输入的第一身份信息、第一验证密码以及摄像头拍摄的第一人脸图像;
存储模块,用于将所述第一身份信息、第一验证密码以及第一人脸图像关联存储。
进一步地,所述检测模块包括:
采集单元,用于实时获取双目摄像头采集的用户头部图像,获得双目用户头部图像;
检测单元,用于基于所述双目用户头部图像,进行活体检测。
进一步地,检测单元具体用于:
基于预置双目立体匹配算法,计算所述双目用户头部图像对应的视差图像;
将所述视差图像转换为深度图像,并计算所述深度图像的灰度共生矩阵;
从所述灰度共生矩阵中提取所述深度图像的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量;
将所述灰度共生矩阵特征向量输入预置活体分类模型进行分类,得到分类结果;
基于所述分类结果,判定所述双目用户头部图像对应的检测对象是否为活体。
进一步地,用户身份验证装置还包括:
样本采集模块,用于采集样本并设置样本的图片标签值;
训练模块,用于基于所述样本对预置活体分类模型进行训练,并保存训练好的所述预置活体分类模型。
进一步地,用户身份验证装置还包括:
验证失败模块,用于若活体检测未通过,则判定所述用户身份验证失败。
本申请用户身份验证装置的具体实施例与上述用户身份验证方法的各个实施例基本相同,在此不做赘述。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储用户身份验证程序,所述用户身份验证程序被处理器执行时实现如上述的用户身份验证方法的步骤。
本申请计算机可读存储介质的具体实施例与上述用户身份验证方法的各个实施例基本相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种用户身份验证方法,其特征在于,所述用户身份验证方法包括以下步骤:
当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;
若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;
若人脸比对通过,则输出密码校验提示;
接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。
2.如权利要求1所述的用户身份验证方法,其特征在于,所述当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测的步骤之前,还包括:
获取用户输入的第一身份信息、第一验证密码以及摄像头拍摄的第一人脸图像;
将所述第一身份信息、第一验证密码以及第一人脸图像关联存储。
3.如权利要求1所述的用户身份验证方法,其特征在于,所述实时获取摄像头采集的用户头部图像,并进行活体检测的步骤包括:
实时获取双目摄像头采集的用户头部图像,获得双目用户头部图像;
基于所述双目用户头部图像,进行活体检测。
4.如权利要求3所述的用户身份验证方法,其特征在于,所述基于所述双目用户头部图像,进行活体检测的步骤包括:
基于预置双目立体匹配算法,计算所述双目用户头部图像对应的视差图像;
将所述视差图像转换为深度图像,并计算所述深度图像的灰度共生矩阵;
从所述灰度共生矩阵中提取所述深度图像的纹理特征,并将各纹理特征级联成灰度共生矩阵特征向量;
将所述灰度共生矩阵特征向量输入预置活体分类模型进行分类,得到分类结果;
基于所述分类结果,判定所述双目用户头部图像对应的检测对象是否为活体。
5.如权利要求4所述的用户身份验证方法,其特征在于,所述基于所述双目用户头部图像,进行活体检测的步骤之前,还包括:
采集样本并设置样本的图片标签值;
基于所述样本对预置活体分类模型进行训练,并保存训练好的所述预置活体分类模型。
6.如权利要求5所述的用户身份验证方法,其特征在于,所述样本包括多个活体人脸图像和多个非活体人脸图像,活体人脸图像对应的图片标签值均为1,非活体人脸图像对应的图片标签值均为0。
7.如权利要求1中所述的用户身份验证方法,其特征在于,所述当接收到用户输入的身份信息,且检测到所述身份信息为预设的第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测的步骤之后,还包括:
若活体检测未通过,则判定所述用户身份验证失败。
8.一种用户身份验证装置,其特征在于,所述用户身份验证装置包括:
检测模块,用于当接收到用户输入的身份信息,且检测到所述身份信息为第一身份信息时,实时获取摄像头采集的用户头部图像,并进行活体检测;
比对模块,用于若活体检测通过,则将所述用户头部图像与第一人脸图像进行人脸比对;
提示模块,用于若人脸比对通过,则输出密码校验提示;
确认模块,用于接收用户输入的密码,若检测到所述密码与第一验证密码一致,则确认所述用户通过身份验证。
9.一种用户身份验证设备,其特征在于,所述用户身份验证设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户身份验证程序,所述用户身份验证程序被处理器执行时实现如权利要求1至7中任一项所述的用户身份验证方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有用户身份验证程序,所述用户身份验证程序被处理器执行时实现如权利要求1至7中任一项所述的用户身份验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910415727.9A CN110222486A (zh) | 2019-05-18 | 2019-05-18 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910415727.9A CN110222486A (zh) | 2019-05-18 | 2019-05-18 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222486A true CN110222486A (zh) | 2019-09-10 |
Family
ID=67821461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910415727.9A Pending CN110222486A (zh) | 2019-05-18 | 2019-05-18 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222486A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582197A (zh) * | 2020-05-07 | 2020-08-25 | 贵州省邮电规划设计院有限公司 | 一种基于近红外和3d摄像技术的活体以及人脸识别系统 |
CN111597524A (zh) * | 2020-05-22 | 2020-08-28 | 江苏濠汉信息技术有限公司 | 一种用于封样抽检人员的验证方法及系统 |
CN112580459A (zh) * | 2020-12-07 | 2021-03-30 | 平安普惠企业管理有限公司 | 基于生物识别的业务处理方法、装置、计算机设备及介质 |
CN112699811A (zh) * | 2020-12-31 | 2021-04-23 | 中国联合网络通信集团有限公司 | 活体检测方法、装置、设备、储存介质及程序产品 |
CN114863506A (zh) * | 2022-03-18 | 2022-08-05 | 珠海优特电力科技股份有限公司 | 准入权限的验证方法、装置、系统和身份认证终端 |
CN116778562A (zh) * | 2023-08-22 | 2023-09-19 | 中移(苏州)软件技术有限公司 | 面部验证方法、装置、电子设备及可读储存介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150113632A1 (en) * | 2013-10-22 | 2015-04-23 | Kabushiki Kaisha Toshiba | Identity authentication system |
CN106302330A (zh) * | 2015-05-21 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 身份验证方法、装置和系统 |
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 |
CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN108446690A (zh) * | 2018-05-31 | 2018-08-24 | 北京工业大学 | 一种基于多视角动态特征的人脸活体检测方法 |
CN108764058A (zh) * | 2018-05-04 | 2018-11-06 | 吉林大学 | 一种基于热成像效应的双摄像头人脸活体检测方法 |
CN108804884A (zh) * | 2017-05-02 | 2018-11-13 | 北京旷视科技有限公司 | 身份认证的方法、装置及计算机存储介质 |
CN108898724A (zh) * | 2018-07-19 | 2018-11-27 | 重庆凯泽科技股份有限公司 | 智能人脸识别锁 |
-
2019
- 2019-05-18 CN CN201910415727.9A patent/CN110222486A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150113632A1 (en) * | 2013-10-22 | 2015-04-23 | Kabushiki Kaisha Toshiba | Identity authentication system |
CN106302330A (zh) * | 2015-05-21 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 身份验证方法、装置和系统 |
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 |
CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
CN108804884A (zh) * | 2017-05-02 | 2018-11-13 | 北京旷视科技有限公司 | 身份认证的方法、装置及计算机存储介质 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN108764058A (zh) * | 2018-05-04 | 2018-11-06 | 吉林大学 | 一种基于热成像效应的双摄像头人脸活体检测方法 |
CN108446690A (zh) * | 2018-05-31 | 2018-08-24 | 北京工业大学 | 一种基于多视角动态特征的人脸活体检测方法 |
CN108898724A (zh) * | 2018-07-19 | 2018-11-27 | 重庆凯泽科技股份有限公司 | 智能人脸识别锁 |
Non-Patent Citations (1)
Title |
---|
邱晨鹏: "基于双目摄像机的人脸活体检测的研究", 《现代计算机》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582197A (zh) * | 2020-05-07 | 2020-08-25 | 贵州省邮电规划设计院有限公司 | 一种基于近红外和3d摄像技术的活体以及人脸识别系统 |
CN111597524A (zh) * | 2020-05-22 | 2020-08-28 | 江苏濠汉信息技术有限公司 | 一种用于封样抽检人员的验证方法及系统 |
CN112580459A (zh) * | 2020-12-07 | 2021-03-30 | 平安普惠企业管理有限公司 | 基于生物识别的业务处理方法、装置、计算机设备及介质 |
CN112699811A (zh) * | 2020-12-31 | 2021-04-23 | 中国联合网络通信集团有限公司 | 活体检测方法、装置、设备、储存介质及程序产品 |
CN112699811B (zh) * | 2020-12-31 | 2023-11-03 | 中国联合网络通信集团有限公司 | 活体检测方法、装置、设备、储存介质及程序产品 |
CN114863506A (zh) * | 2022-03-18 | 2022-08-05 | 珠海优特电力科技股份有限公司 | 准入权限的验证方法、装置、系统和身份认证终端 |
CN116778562A (zh) * | 2023-08-22 | 2023-09-19 | 中移(苏州)软件技术有限公司 | 面部验证方法、装置、电子设备及可读储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222486A (zh) | 用户身份验证方法、装置、设备及计算机可读存储介质 | |
US10095927B2 (en) | Quality metrics for biometric authentication | |
WO2020151489A1 (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
US20170262472A1 (en) | Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces | |
CN103383723B (zh) | 用于生物特征验证的电子欺骗检测的方法和系统 | |
CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
TW202026984A (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
CN101558431A (zh) | 脸认证设备 | |
CN110321792A (zh) | 无卡取现方法、装置、设备及计算机可读存储介质 | |
Rehman et al. | SLNet: Stereo face liveness detection via dynamic disparity-maps and convolutional neural network | |
WO2020088029A1 (zh) | 活体检验方法、存储介质和电子设备 | |
CN111095246B (zh) | 用于认证用户的方法和电子设备 | |
CN111898413A (zh) | 人脸识别方法、装置、电子设备和介质 | |
CN111222433B (zh) | 自动人脸稽核方法、系统、设备及可读存储介质 | |
CN105224903B (zh) | 一种二维码的防伪方法和二维码的读取装置 | |
CN113614731A (zh) | 使用软生物特征的认证验证 | |
Oh et al. | Deep visual discomfort predictor for stereoscopic 3d images | |
WO2002009024A1 (en) | Identity systems | |
CN114387548A (zh) | 视频及活体检测方法、系统、设备、存储介质及程序产品 | |
Solomon et al. | HDLHC: Hybrid Face Anti-Spoofing Method Concatenating Deep Learning and Hand-Crafted Features | |
CN111311550B (zh) | 伪造证件的识别方法、装置及电子设备 | |
Panetta et al. | LQM: Localized quality measure for fingerprint image enhancement | |
JP2021536601A (ja) | アンチリプレイ認証システム及び方法 | |
CN110321793A (zh) | 支票取现方法、装置、设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |