CN110457877B - 用户认证方法和装置、电子设备、计算机可读存储介质 - Google Patents

用户认证方法和装置、电子设备、计算机可读存储介质 Download PDF

Info

Publication number
CN110457877B
CN110457877B CN201910706818.8A CN201910706818A CN110457877B CN 110457877 B CN110457877 B CN 110457877B CN 201910706818 A CN201910706818 A CN 201910706818A CN 110457877 B CN110457877 B CN 110457877B
Authority
CN
China
Prior art keywords
user
authenticated
input
content information
operation image
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
Application number
CN201910706818.8A
Other languages
English (en)
Other versions
CN110457877A (zh
Inventor
孙文慧
安思宇
林璞雍
陈梦霄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN201910706818.8A priority Critical patent/CN110457877B/zh
Publication of CN110457877A publication Critical patent/CN110457877A/zh
Application granted granted Critical
Publication of CN110457877B publication Critical patent/CN110457877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Social Psychology (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开提供了一种用户认证方法，包括：获得待认证用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息；将所述操作图像和所述内容信息输入预先创建的特征获取模型，得到所述待识别用户的特征；以及基于所述待认证用户的特征和预先得到的多个已认证用户的特征，对所述待认证用户进行认证。本公开还提供了一种用户认证装置、一种电子设备和一种计算机可读存储介质。

Description

用户认证方法和装置、电子设备、计算机可读存储介质
技术领域
本公开涉及计算机技术领域，更具体地，涉及一种用户认证方法、一种用户认证装置、一种电子设备和一种计算机可读存储介质。
背景技术
随着科学技术的发展，电子设备日新月异，但是电子设备在给用户带来工作和生活便利的同时，也存在很多泄露重要信息的隐患，因此，为了保障信息安全，在用户登录各种系统或网站时需要进行身份认证。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题。
传统的认证方式是“账号+密码”的方式，这种静态密码方式保证的是账号和密码的匹配度，但无法识别“人”的唯一性，因此存在密码被破解的问题。为了提高安全性，很多账号密码必须符合特殊规则，比如包含大小写字母、特殊字符、数字等，这样增加了记忆难度，导致用户体验差。相关技术中还存在生物识别认证的方式，如指纹、人脸、声纹等，但是这些生物特征收集成本较高，并且已经出现伪造和复制手段，所以生物识别的方法同样存在安全隐患。
发明内容
有鉴于此，本公开提供了一种用户认证方法、一种用户认证装置、一种电子设备和一种计算机可读存储介质。
本公开的一个方面提供了一种用户认证方法，包括：获得待认证用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息；将所述操作图像和所述内容信息输入预先创建的特征获取模型，得到所述待识别用户的特征；以及基于所述待认证用户的特征和预先得到的多个已认证用户的特征，对所述待认证用户进行认证。
根据本公开的实施例，通过以下操作预先创建所述特征获取模型：获得多个用户在经由输入装置执行输入操作过程中各自的操作图像和输入的内容信息、以及所述多个用户各自的标识信息；将每个用户的操作图像和内容信息输入神经网络模型，并将神经网络模型的输出结果输入分类模型；利用所述分类模型的输出结果和相应用户的标识信息修正所述神经网络模型和所述分类模型；以及将修正得到的神经网络模型作为所述特征获取模型。
根据本公开的实施例，通过以下操作预先得到所述多个已认证用户的特征：将所述多个已认证用户中的每个已认证用户的操作图像和输入的内容信息输入所述特征获取模型，得到每个已认证用户的特征。
根据本公开的实施例，所述获得多个用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息包括：获得所述多个用户中的每个用户在执行输入操作过程中的多帧操作图像；以及获得与所述多帧操作图像中的每帧操作图像对应的内容信息；其中，所述操作图像包括用户手部操作输入装置的图像，所述内容信息包括用户经由输入装置输入的字符。
根据本公开的实施例，获得所述特征获取模型的操作还包括：对所述每个用户的每帧操作图像进行特征提取，得到每帧操作图像的图像特征；对每帧操作图像对应的内容信息进行特征提取，得到每帧操作图像对应的内容特征；以及依次将每帧操作图像的图像特征和对应的内容特征、以及每帧操作图像对应的用户的标识信息输入所述神经网络模型和所述分类模型，以便对所述神经网络模型和所述分类模型进行训练。
根据本公开的实施例，所述基于所述待认证用户的特征和预先得到的多个已认证用户的特征对所述待认证用户进行认证包括：计算所述待认证用户的特征与每个已认证用户的特征之间的相似度；以及基于所述相似度对所述待认证用户进行认证。
本公开的另一个方面提供了一种用户认证装置，包括：第一获取模块，用于获得待认证用户在经由键盘执行输入操作过程中的操作图像和输入的内容信息；输入模块，用于将所述操作图像和所述内容信息输入预先获得的特征获取模型，得到所述待识别用户的特征；以及认证模块，用于基于所述待认证用户的特征和预先得到的多个已认证用户的特征对所述待认证用户进行认证。
根据本公开的实施例，所述装置还包括：第二获取模块，获得多个用户在经由键盘执行输入操作过程中各自的操作图像和输入的内容信息、以及所述多个用户各自的标识信息；以及训练模块，用于将每个用户的操作图像和内容信息输入神经网络模型，并将神经网络模型的输出结果输入分类模型，利用所述分类模型的输出结果和每个用户的标识信息修正所述神经网络模型和所述分类模型，并将修正得到的神经网络模型作为所述特征获取模型。
本公开的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，因为采用了将待认证用户在执行输入操作过程中的操作图像和输入的内容信息输入预先创建的特征获取模型中，得到待认证用户的特征，并基于待认证用户的特征和多个已认证用户的特征对待认证用户进行认证的技术手段，所以至少部分地克服了相关技术中认证特征易于被破解伪造等高风险问题以及用户体验差的技术问题，进而达到了有效提升认证的可靠性，且可以在用户无感知的情况下进行身份认证，从而提升用户体验的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用用户认证方法的示例性应用场景；
图2示意性示出了根据本公开实施例的用户认证方法的流程图；
图3示意性示出了根据本公开实施例的创建特征获取模型的方法流程图；
图4示意性示出了根据本公开实施例的某一用户的操作图像、内容信息和用户标识的示意图；
图5示意性示出了根据本公开实施例的训练过程的示意图；
图6示意性示出了根据本公开的实施例的用户认证装置的框图；
图7示意性示出了根据本公开的另一实施例的用户认证装置的框图；以及
图8示意性示出了根据本公开实施例的适于实现用户认证方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种用户认证方法，包括：获得待认证用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息。将操作图像和内容信息输入预先创建的特征获取模型，得到待识别用户的特征。然后，基于待认证用户的特征和预先得到的多个已认证用户的特征，对待认证用户进行认证。
图1示意性示出了根据本公开实施例的可以应用用户认证方法的示例性应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，本公开实施例的用户认证方法例如可以在待认证用户经由键盘110进行输入操作时执行。在键盘的上方区域可以设置有摄像装置120，摄像装置120可以采集待认证用户手部敲击键盘110的图像，作为待认证用户的操作图像。同时，与键盘110连接的计算机可以获取待认证用户经由键盘输入的字符，作为待认证用户输入的内容信息。在进行用户认证之前，预先训练一个特征获取模型，以及预先获得多个已认证用户的特征。将待认证用户的操作图像和输入的内容信息输入特征获取模型，得到待认证用户的特征，再将待认证用户的特征与多个已认证用户的特征进行比对，确定待认证用户是否为多个已认证用户中的一员。
本公开实施例的用户认证方法例如可以由计算机执行。计算机与键盘110和摄像装置120连接，计算机能够获取摄像装置120拍摄的图像以及用户经由键盘110输入的字符。
图2示意性示出了根据本公开实施例的用户认证方法的流程图。
如图2所示，该方法包括操作S210～S230。
在操作S210，获得待认证用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息。
在操作S220，将操作图像和内容信息输入预先创建的特征获取模型，得到待识别用户的特征。
在操作S230，基于待认证用户的特征和预先得到的多个已认证用户的特征，对待认证用户进行认证。
图3示意性示出了根据本公开实施例的创建特征获取模型的方法流程图。
如图3所示，根据本公开的实施例，可以通过操作S310～操作S340预先创建特征获取模型。
在操作S310，获得多个用户在经由输入装置执行输入操作过程中各自的操作图像和输入的内容信息、以及多个用户各自的标识信息。
根据本公开的实施例，可以获得多个用户中的每个用户在执行输入操作过程中的多帧操作图像。其中，操作图像包括用户手部操作输入装置的图像。同时，在用户执行输入过程中，获得与多帧操作图像中的每帧操作图像对应的内容信息。其中，内容信息包括用户经由输入装置输入的字符。
例如，输入装置可以是键盘，操作图像可以是摄像装置采集的用户手部敲击键盘的图像。键盘和摄像装置与计算机连接，在用户执行输入操作的过程中，计算机可以获得各个时刻摄像装置采集的操作图像以及用户经由键盘输入的字符，然后可以将每帧操作图像与相同时间下输入的字符对应起来。
用户的标识信息例如可以是用户编号(也可称为用户ID)，将同一用户的多帧操作图像和输入的字符与相应用户的用户编号相对应。
例如，可以让多个用户中的每个用户输入随机抽选的一段文字，在各个用户输入文字的过程中，利用摄像装置录制用户手部敲击键盘的视频，视频包括多帧图像。同时，在用户输入文字的过程中同步记录键盘向计算机输入的字符信息。将每帧操作图像与相同时间输入的字符相对应，并且将用户编号与操作图像相对应，以明确每帧操作图像对应的是哪个用户的手部图像，以及明确每帧图像对应输入的是哪个字符。如果某帧操作图像无对应的字符输入，则内容信息可以记录为Null。
图4示意性示出了根据本公开实施例的某一用户的操作图像、内容信息和用户标识的示意图。
如图4所示，某一用户的用户ID为001，采集了用户001在t时刻、(t+1)时刻、(t+2)时刻等多个时刻的手部敲击键盘的图像，同时获取了相应时刻下用户输入的字符。例如，用户在t时刻经由键盘输入了字符“d”，在(t+1)时刻经由键盘输入了字符“a”，在(t+2)时刻经由键盘输入了字符“k”等等。基于以上方式，整理得到用户001的多帧操作图像以及每帧操作图像对应的字符。
对于每个用户，可以将上述的图像和字符采集过程重复N次，得到每个用户的N组数据。每组数据包含经过同步的多帧操作图像和内容信息，以及对应的用户标识信息。
得到每个用户的N组数据后，可以将N组数据中包含的全部数据放入训练集，也可以从每组数据中截取部分数据放入训练集。例如，可以随机从每组数据中截取一段长度为M的序列，记为{(Ii，Si，ID)|i＝1，2，…，M}，其中Ii为第i帧的操作图像，Si为第i帧操作图像对应的字符，如无字符输入，则Si为Null。
在操作S320，将训练集中的每个用户的操作图像和内容信息输入第一神经网络模型，并将第一神经网络模型的输出结果输入分类模型。
在操作S330，利用分类模型的输出结果和相应用户的标识信息修正第一神经网络模型和分类模型。
在操作S340，将修正得到的第一神经网络模型作为特征获取模型。
根据本公开的实施例，在进行模型训练之前可以先对操作图像和内容信息进行特征提取。对每个用户的每帧操作图像进行特征提取，得到每帧操作图像的图像特征，对每帧操作图像对应的内容信息进行特征提取，得到每帧操作图像对应的内容特征。然后，依次将每帧操作图像的图像特征和对应的内容特征、以及每帧操作图像对应的用户的标识信息输入神经网络模型和分类模型，以便对神经网络模型和分类模型进行训练。
图5示意性示出了根据本公开实施例的训练过程的示意图。
如图5所示，例如可以利用卷积神经网络(ConvNet，Convolutional NeuralNetwork)对操作图像进行特征提取，以及可以采用深度神经网络(DNN，Deep NeuralNetwork)对字符进行特征提取，将操作图像和字符提取为矩阵形式的特征。
然后将操作图像提取得到的特征和字符提取得到的特征进行拼接，拼接后输入第一神经网络模型，第一神经网络模型例如可以是长短期记忆人工神经网络模型(LSTM，LongShort-Term Memory)。LSTM模型的输出层可以连接一个分类模型，分类模型例如可以是Softmax分类器，将LSTM模型的计算结果输出至Softmax分类器，并计算Softmax分类器的输出结果与对应的用户ID之间的差值，然后，利用差值反向更新LSTM模型和Softmax分类器中的参数，例如可以采用随机梯度下降(SGD)的方式对LSTM模型和Softmax分类器中的参数进行迭代更新。
基于以上方式，利用训练集中的数据对LSTM模型和Softmax分类器训练完成后，得到训练好的LSTM模型和Softmax分类器，可以将训练好的LSTM模型作为特征获取模型。
得到特征获取模型后，可以利用特征获取模型得到多个已认证用户的特征。
根据本公开的实施例，通过以下操作得到多个已认证用户的特征：将多个已认证用户中的每个已认证用户的操作图像和输入的内容信息输入特征获取模型，得到每个已认证用户的特征。
例如，将其中一个已认证用户的多帧键盘操作图像信息和每帧操作图像对应的字符进行特征提取，然后可以将两部分特征拼接后按照时间顺序依次输入上述的特征获取模型，然后，可以将特征获取模型的输出结果整理为一个N维数组，作为该已认证用户的特征。依照上述方式，可以得到每个已认证用户的特征。
基于以上方式，得到了特征获取模型以及多个已认证用户的特征。然后，可以基于特征获取模型以及多个已认证用户的特征对待认证用户进行认证。
在用户认证阶段，获取待认证用户经由输入装置执行输入操作过程中的操作图像和输入的内容信息。例如，在待认证用户输入账号密码或者输入其他信息的过程中，采集待认证用户的手部敲击键盘的多帧操作图像，以及获取每帧操作图像对应输入的字符。
将待认证用户的操作图像和内容信息输入预先创建的特征获取模型，得到待识别用户的特征。例如，可以先对待认证用户的操作图像和字符进行特征提取，例如可以采用卷积神经网络(ConvNet)对操作图像进行特征提取，采用深度神经网络(DNN)对字符进行特征提取。然后，将两部分提取得到的特征输入特征获取模型，然后将特征获取模型的输出结果整理为一个N维数组，作为该待认证用户的特征。
得到待认证用户的特征后，可以基于待认证用户的特征和预先得到的多个已认证用户的特征，对待认证用户进行认证。
根据本公开的实施例，基于待认证用户的特征和预先得到的多个已认证用户的特征对待认证用户进行认证包括：计算待认证用户的特征与每个已认证用户的特征之间的相似度，以及基于相似度对待认证用户进行认证。
例如，计算待认证用户的特征与多个已认证用户的特征之间的距离，将距离作为待认证用户与已认证用户之间的相似度。其中，距离例如可以是待认证用户的N维数组与每个已认证用户的N维数组之间的欧式距离。
在待认证用户的特征与多个已认证用户的特征之间的距离均大于预设的距离阈值的情况下，认为待认证用户认证失败。在待认证用户的特征与其中某一个已认证用户的特征之间的距离小于预设的距离阈值的情况下，认为待认证用户与该已认证用户相匹配，待认证用户认证通过。在待认证用户的特征与多个已认证用户的特征之间的距离小于预设的距离阈值的情况下，取其中距离最小的一个已认证用户作为与待认证用户相匹配的用户，待认证用户认证通过。
基于以上方式，本公开实施例提供的用户认证方法可以至少部分地克服了相关技术中认证特征易于被破解伪造等高风险的问题以及用户体验差的技术问题，进而达到了有效提升认证的可靠性，且可以在用户无感知的情况下进行身份认证，提升用户体验的技术效果。
本公开实施例的另一个方面提供了一种用户认证装置。
图6示意性示出了根据本公开的实施例的用户认证装置的框图。
如图6所示，装置600包括第一获取模块610、输入模块620和认证模块630。
第一获取模块610用于获得待认证用户在经由键盘执行输入操作过程中的操作图像和输入的内容信息。
输入模块620用于将操作图像和内容信息输入预先获得的特征获取模型，得到待识别用户的特征。
认证模块630用于基于待认证用户的特征和预先得到的多个已认证用户的特征对待认证用户进行认证。
图7示意性示出了根据本公开的另一实施例的用户认证装置的框图。
根据本公开的实施例，装置600还可以包括第二获取模块640和训练模块650。
第二获取模块640用于获得多个用户在经由键盘执行输入操作过程中各自的操作图像和输入的内容信息、以及多个用户各自的标识信息；以及
训练模块650用于将每个用户的操作图像和内容信息输入神经网络模型，并将神经网络模型的输出结果输入分类模型，利用分类模型的输出结果和每个用户的标识信息修正神经网络模型和分类模型，并将修正得到的神经网络模型作为特征获取模型。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，第一获取模块610、输入模块620、认证模块630、第二获取模块640、以及训练模块650中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块610、输入模块620、认证模块630、第二获取模块640、以及训练模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块610、输入模块620、认证模块630、第二获取模块640、以及训练模块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中用户认证装置部分与本公开的实施例中用户认证方法部分是相对应的，用户认证装置部分的描述具体参考用户认证方法部分，在此不再赘述。
图8示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，根据本公开实施例的电子设备800包括处理器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。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM802和RAM803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、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。
根据本公开的实施例，根据本公开实施例的方法流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存储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。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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)、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。在本公开中，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。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种用户认证方法，包括：
获得待认证用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息，其中，所述操作图像包括多帧用户手部操作输入装置的图像，所述内容信息包括用户经由输入装置输入的与每帧所述图像对应的字符；
将所述操作图像和所述内容信息输入预先创建的特征获取模型，得到所述待认证用户的特征；以及
基于所述待认证用户的特征和预先得到的多个已认证用户的特征，对所述待认证用户进行认证。
2.根据权利要求1所述的方法，其中，通过以下操作预先创建所述特征获取模型：
获得多个用户在经由输入装置执行输入操作过程中各自的操作图像和输入的内容信息、以及所述多个用户各自的标识信息；
将每个用户的操作图像和内容信息输入神经网络模型，并将神经网络模型的输出结果输入分类模型；
利用所述分类模型的输出结果和相应用户的标识信息修正所述神经网络模型和所述分类模型；以及
将修正得到的神经网络模型作为所述特征获取模型。
3.根据权利要求2所述的方法，其中，通过以下操作预先得到所述多个已认证用户的特征：
将所述多个已认证用户中的每个已认证用户的操作图像和输入的内容信息输入所述特征获取模型，得到每个已认证用户的特征。
4.根据权利要求2所述的方法，其中，所述获得多个用户在经由输入装置执行输入操作过程中的操作图像和输入的内容信息包括：
获得所述多个用户中的每个用户在执行输入操作过程中的多帧操作图像；以及
获得与所述多帧操作图像中的每帧操作图像对应的内容信息；
其中，所述操作图像包括用户手部操作输入装置的图像，所述内容信息包括用户经由输入装置输入的字符。
5.根据权利要求4所述的方法，其中，获得所述特征获取模型的操作还包括：
对所述每个用户的每帧操作图像进行特征提取，得到每帧操作图像的图像特征；
对每帧操作图像对应的内容信息进行特征提取，得到每帧操作图像对应的内容特征；以及
依次将每帧操作图像的图像特征和对应的内容特征、以及每帧操作图像对应的用户的标识信息输入所述神经网络模型和所述分类模型，以便对所述神经网络模型和所述分类模型进行训练。
6.根据权利要求1所述的方法，其中，所述基于所述待认证用户的特征和预先得到的多个已认证用户的特征对所述待认证用户进行认证包括：
计算所述待认证用户的特征与每个已认证用户的特征之间的相似度；以及
基于所述相似度对所述待认证用户进行认证。
7.一种用户认证装置，包括：
第一获取模块，用于获得待认证用户在经由键盘执行输入操作过程中的操作图像和输入的内容信息，其中，所述操作图像包括多帧用户手部操作输入装置的图像，所述内容信息包括用户经由输入装置输入的与每帧所述图像对应的字符；
输入模块，用于将所述操作图像和所述内容信息输入预先获得的特征获取模型，得到所述待认证用户的特征；以及
认证模块，用于基于所述待认证用户的特征和预先得到的多个已认证用户的特征对所述待认证用户进行认证。
8.根据权利要求7所述的装置，还包括：
第二获取模块，获得多个用户在经由键盘执行输入操作过程中各自的操作图像和输入的内容信息、以及所述多个用户各自的标识信息；以及
训练模块，用于将每个用户的操作图像和内容信息输入神经网络模型，并将神经网络模型的输出结果输入分类模型，利用所述分类模型的输出结果和每个用户的标识信息修正所述神经网络模型和所述分类模型，并将修正得到的神经网络模型作为所述特征获取模型。
9.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至6中任一项所述的方法。
CN201910706818.8A 2019-07-31 2019-07-31 用户认证方法和装置、电子设备、计算机可读存储介质 Active CN110457877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910706818.8A CN110457877B (zh) 2019-07-31 2019-07-31 用户认证方法和装置、电子设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910706818.8A CN110457877B (zh) 2019-07-31 2019-07-31 用户认证方法和装置、电子设备、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110457877A CN110457877A (zh) 2019-11-15
CN110457877B true CN110457877B (zh) 2021-09-14

Family

ID=68484488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910706818.8A Active CN110457877B (zh) 2019-07-31 2019-07-31 用户认证方法和装置、电子设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110457877B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016673A (zh) * 2020-07-24 2020-12-01 浙江工业大学 一种基于优化lstm的移动设备用户认证方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9372940B2 (en) * 2005-10-26 2016-06-21 Cortica, Ltd. Apparatus and method for determining user attention using a deep-content-classification (DCC) system
CN102270289A (zh) * 2010-06-04 2011-12-07 爱国者电子科技有限公司 点击方式实现身份认证的电子装置、系统及方法
CN102810023B (zh) * 2011-06-03 2015-09-23 联想(北京)有限公司 识别手势动作的方法及终端设备
US9304599B2 (en) * 2014-03-21 2016-04-05 Dell Products L.P. Gesture controlled adaptive projected information handling system input and output devices
CN105787339B (zh) * 2016-02-25 2019-04-02 东莞盛世科技电子实业有限公司 基于目标识别技术的密码输入的方法及装置
CN106778141B (zh) * 2017-01-13 2019-09-20 北京元心科技有限公司 基于手势识别的解锁方法、装置及移动终端
CN106778144A (zh) * 2017-02-26 2017-05-31 王田 带有识别功能的电子设备及方法
CN107679860A (zh) * 2017-08-09 2018-02-09 百度在线网络技术（北京）有限公司 一种用户认证的方法、装置、设备和计算机存储介质
CN109872160A (zh) * 2019-02-01 2019-06-11 广州逗号智能科技有限公司 电子支付方法及装置
CN110008670A (zh) * 2019-04-10 2019-07-12 深圳市能信安技术有限公司 基于手写密码的身份认证方法及装置
CN110034930B (zh) * 2019-04-11 2022-03-04 国网山东省电力公司 一种电力终端设备信息安全防护系统及防护方法

Also Published As

Publication number Publication date
CN110457877A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
US11444774B2 (en) Method and system for biometric verification
US10635893B2 (en) Identity authentication method, terminal device, and computer-readable storage medium
CN106599772B (zh) 活体验证方法和装置及身份认证方法和装置
WO2019179036A1 (zh) 深度神经网络模型、电子装置、身份验证方法和存储介质
US10395065B2 (en) Password protection under close input observation based on dynamic multi-value keyboard mapping
CN108429619A (zh) 身份认证方法和系统
US10275684B2 (en) Authentication method and apparatus, and method and apparatus for training a recognizer
TWI607386B (zh) 指紋辨識方法及其裝置
WO2019179029A1 (zh) 电子装置、身份验证方法和计算机可读存储介质
CN105117622B (zh) 使用视频签名的认证的方法及系统
US9830445B1 (en) Personal identification number (PIN) replacement in a one-time passcode based two factor authentication system
CN111542824A (zh) 用于自动化在线公证会议恢复的系统及方法
US10878071B2 (en) Biometric authentication anomaly detection
US10671831B2 (en) High speed reference point independent database filtering for fingerprint identification
US11698956B2 (en) Open data biometric identity validation
KR102261833B1 (ko) 인증 방법 및 장치, 및 인식기 학습 방법 및 장치
EP3594850A1 (fr) Procédé de reconnaissance biométrique
WO2021051602A1 (zh) 基于唇语密码的人脸识别方法、系统、装置及存储介质
CN110457877B (zh) 用户认证方法和装置、电子设备、计算机可读存储介质
US20230334136A1 (en) Adhoc enrollment process
US11556896B2 (en) Employment recruitment method based on face recognition and terminal device using same
US20210049358A1 (en) Document verification by combining multiple images
JP2018169776A (ja) 認証装置、認証方法、及びプログラム
CN111626244B (zh) 图像识别方法、装置、电子设备和介质
US11783440B2 (en) System and method for generating a photographic police lineup

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