CN110619253A - 身份识别的方法和装置 - Google Patents
身份识别的方法和装置 Download PDFInfo
- Publication number
- CN110619253A CN110619253A CN201810630986.9A CN201810630986A CN110619253A CN 110619253 A CN110619253 A CN 110619253A CN 201810630986 A CN201810630986 A CN 201810630986A CN 110619253 A CN110619253 A CN 110619253A
- Authority
- CN
- China
- Prior art keywords
- features
- candidate
- feature
- degree
- candidate feature
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了身份识别的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取当前用户的被动特征;确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的正整数;以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征之间的相似程度识别当前用户的身份;其中,被动特征是不需要用户进行主动交互即可获取的用户的特征。该实施方式能够避免传统方法中由于只将数据库中匹配分值最高的身份信息作为身份识别的结果而导致的不足,大大提高身份识别的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种身份识别的方法和装置。
背景技术
传统的人脸识别技术是基于人的脸部特征对输入的用户数据进行识别。识别过程中,首先判断输入的用户数据中是否存在人脸图像,如果存在人脸图像,则提取每个人脸图像中所蕴涵的身份特征,并将其与数据库中的若干已知身份信息的人脸图象进行对比,将数据库中匹配分值最高的人脸图像对应的身份信息作为身份识别的结果。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
由于光照、人员相似度高等因素的影响,匹配分值最高的不一定为用户的正确身份,从而造成误识别或者识别速度偏慢的现象。
发明内容
有鉴于此,本发明实施例提供一种身份识别的方法和装置,能够避免传统方法中由于只将数据库中匹配分值最高的身份信息作为身份识别的结果而导致的不足,大大提高身份识别的准确性。
根据本发明实施例的一个方面,提供了一种身份识别的方法。
根据本发明实施例的身份识别的方法,包括:
获取当前用户的被动特征;
确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数;
以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别当前用户的身份;
其中,被动特征是不需要用户进行主动交互即可获取的用户的特征。
可选地,根据各个候选特征识别当前用户的身份,包括:若候选特征的数量大于一个,则根据各个候选特征之间的相似程度识别当前用户的身份;若候选特征的数量为一个,则直接以候选特征对应的身份信息作为当前用户的身份识别结果。
可选地,根据各个候选特征之间的相似程度识别当前用户的身份,包括:
以具有最大匹配度的候选特征为基准,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度;若各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值,则以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果;否则,根据主动特征识别当前用户的身份;
其中,主动特征是需要用户进行主动交互而获取的用户的特征。
可选地,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度,包括:对于每个其他候选特征,根据该其他候选特征与具有最大匹配度的候选特征的相似度确定该其他候选特征与具有最大匹配度的候选特征的相似程度,或者,根据该其他候选特征的匹配度与最大匹配度的接近程度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
可选地,对于每个其他候选特征,以该其他候选特征的匹配度与最大匹配度的比值作为评价相似程度的指标。
根据本发明实施例的再一个方面,提供了一种身份识别的装置。
根据本发明实施例的身份识别的装置,包括:
获取模块,获取当前用户的被动特征;
筛选模块,确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数;
识别模块,以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别当前用户的身份;
其中,被动特征是不需要用户进行主动交互即可获取的用户的特征。
可选地,识别模块根据各个候选特征识别当前用户的身份,包括:若候选特征的数量大于一个,则根据各个候选特征之间的相似程度识别当前用户的身份;若候选特征的数量为一个,则直接以候选特征对应的身份信息作为当前用户的身份识别结果。
可选地,识别模块根据各个候选特征之间的相似程度识别当前用户的身份,包括:
以具有最大匹配度的候选特征为基准,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度;若各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值,则以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果;否则,根据主动特征识别当前用户的身份;
其中,主动特征是需要用户进行主动交互而获取的用户的特征。
可选地,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度,包括:对于每个其他候选特征,根据该其他候选特征与具有最大匹配度的候选特征的相似度确定该其他候选特征与具有最大匹配度的候选特征的相似程度,或者,根据该其他候选特征的匹配度与最大匹配度的接近程度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
可选地,对于每个其他候选特征,以该其他候选特征的匹配度与最大匹配度的比值作为评价相似程度的指标。
根据本发明实施例的另一个方面,提供了一种身份识别的电子设备。
根据本发明实施例的身份识别的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现本发明实施例第一方面提供的身份识别的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质。
根据本发明实施例的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例第一方面提供的身份识别的方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明采用序优化的思想筛选具有较高匹配度的N个预设被动特征得到可能的识别结果,规避了传统方法中由于直接将匹配分值最高的身份信息作为身份识别的结果而导致的不足。以N个预设被动特征中不小于第一阈值的预设被动特征作为候选特征,能够避免将匹配度较小的预设被动特征对应的身份信息作为当前用户的身份识别结果,提高身份识别的准确性。当各个其他候选特征与具有最大匹配度的候选特征的相似程度较低时,以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果,能够提高身份识别的速度。当各个候选特征的相似程度较高时根据主动特征识别当前用户的身份,采用主被特征融合的方法能够避免将相似程度较高的候选特征对应的身份信息误判为当前用户的身份识别结果,提高身份识别的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的身份识别的方法的主要流程的示意图;
图2是根据本发明实施例的身份识别的方法的主要步骤的示意图;
图3是根据本发明实施例的身份识别的装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
传统的身份识别方法直接将匹配分值最高的身份信息作为身份识别的结果,但是由于光照、遮挡、人员相似度高等因素的影响,会造成误识别等不良现象,识别的准确率较低、识别速度慢。有鉴于此,本发明首先采用序优化的思想进行身份粗匹配,筛选具有较高匹配度的N个预设被动特征得到可能的识别结果,以避免传统的身份识别方法存在的不良现象;再在此基础上利用阈值或者主动特征进行身份精细匹配,大大提高身份识别的准确性和识别速度。
根据本发明实施例的第一方面,提供一种身份识别的方法。
图1是根据本发明实施例的身份识别的方法的主要流程的示意图,如图1所示,身份识别的方法,包括:步骤S101、S102和S103。
步骤S101、获取当前用户的被动特征。
被动特征是不需要用户进行主动交互即可获取的用户的特征。实际应用过程中,可以以用户的生理特征或者行为特征等生物特征作为被动特征,比如,面部轮廓、眼角膜、指纹、声音、温度、体型等。本发明实施例对被动特征的具体内容不做限定。基于被动特征进行身份识别,无需用户进行主动交互,可以迅速识别用户,简单快捷,不会产生拥塞现象,用户体验比较好。
步骤S102、确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数。
特征库中每个预设被动特征对应的身份信息都是已知的。当前用户的被动特征与某个预设被动特征的匹配度越高,表明该预设被动特征对应的身份信息为当前用户的身份识别结果的可能性越大。例如,特征库中的预设被动特征a1对应用户A1、预设被动特征a2对应用户A2。预设被动特征a1与当前用户的被动特征的匹配度为90%,表明当前用户为用户A1的可能性为90%;预设被动特征a2与当前用户的被动特征的匹配度为80%,表明当前用户为用户A2的可能性为80%。
与被动特征具有较高匹配度的N个预设被动特征是指,将各个预设被动特征按照匹配度从高到低的顺序排序后的前N个预设被动特征。传统的身份识别方法直接将匹配分值最高的身份信息作为身份识别的结果,但是由于光照、遮挡、人员相似度高等因素的影响,会造成误识别等不良现象,识别的准确率较低、识别速度慢。本发明实施例采用序优化的思想,筛选具有较高匹配度的N个预设被动特征得到可能的识别结果,规避了传统方法中由于直接将匹配分值最高的身份信息作为身份识别的结果而导致的不足。
实际应用过程中,本领域技术人员可以根据应用场景选择匹配算法,以确定当前被动特征与特征库中预设被动特征的匹配度。例如,采用基于距离的相似度匹配算法,或者采用基于内容的相似度匹配算法。可选地,按照如下公式确定当前被动特征与预设被动特征的匹配度:
式中,ωi代表特征库中的第i个预设被动特征;c代表特征库中预设被动特征的个数;x代表当前被动特征;P(ωi|x)代表当前被动特征判定属于ωi的概率;P(ωi)为先验概率,代表ωi在特征库的所有预设被动特征中所占的概率。
步骤S103、以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别当前用户的身份。
与被动特征具有较高匹配度的N个预设被动特征不一定与当前用户的被动特征匹配。例如,筛选出的N个预设被动特征与当前用户的被动特征的匹配度均较低,比如筛选出的匹配度较高的前5个预设被动特征与当前用户的被动特征的匹配度分别:0.39、0.37、0.33、0.3、0.1。若当前被动特征的匹配度过低时,一方面,表明当前被动特征与特征库中预设被动特征的相似性非常小,当前用户属于特征库中该预设被动特征对应的用户的可能性非常小;另一方面,基于匹配度较低的预设被动特征进行身份识别,识别结果的准确性和安全性低。
基于此,本发明实施例不直接根据步骤S102中筛选出的N个预设被动特征识别当前用户的身份,而是先采用第一阈值对筛选出的N个预设被动特征进行进一步的判断比较,然后以N个预设被动特征中不小于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别当前用户的身份。如此,能够避免将匹配度较小的预设被动特征对应的身份信息作为当前用户的身份识别结果,提高身份识别的准确性。
若步骤S102中筛选出的N个预设被动特征与当前用户的被动特征的匹配度均小于或等于第一阈值,可以不再进行进一步的身份识别而是直接确定身份识别失败,从而能够减少对系统计算资源的消耗。
第一阈值的度量方式和取值可以根据实际情况进行设置,较佳地,第一阈值的度量方式和取值范围与匹配度的度量方式和取值范围相同,如此无需进行转换即可直接将匹配度与第一阈值进行比较。若以大于等于0小于等于1范围内的数值代表匹配度,数值越大代表匹配度越高,代表被动特征与对应预设被动特征越相似,则第一阈值的取值范围为[0,1],例如0.9、0.8、0.7等。需要说明的是,第一阈值也可以采用百分比表示,例如95%、85%等,预设被动特征a1与当前用户的被动特征的匹配度为90%,表明当前用户为用户A1的可能性为90%;预设被动特征a2与当前用户的被动特征的匹配度为80%,表明当前用户为用户A2的可能性为80%。本发明实施例对第一阈值的度量方式和取值范围不做具体限定。示例性地,假设第一阈值T1=0.8、筛选出的前三个预设被动特征对应的匹配度分别为P1、P2和P3,P1≥P2≥P3,若T1≥P1≥P2≥P3,则不再进行进一步的身份识别而是直接确定身份识别失败;若P1≥T1≥P2≥P3,则以P1对应的预设被动特征作为候选特征进行后续步骤;若P1≥P2≥T1≥P3,则以P1和P2对应的预设被动特征作为候选特征进行后续步骤;若P1≥P2≥P3≥T1,则以P1、P2和P3对应的预设被动特征作为候选特征进行后续步骤。
根据各个候选特征识别当前用户的身份,可以包括:若候选特征的数量大于一个,则根据各个候选特征之间的相似程度识别当前用户的身份;若候选特征的数量为一个,则直接以候选特征对应的身份信息作为当前用户的身份识别结果。示例性地,假设第一阈值T1=0.8、筛选出的前三个预设被动特征对应的匹配度分别为P1、P2和P3,若P1≥T1≥P2≥P3,候选特征只有一个,即P1对应的预设被动特征,则直接以P1对应的预设被动特征的身份信息作为当前用户的身份识别结果;若P1≥P2≥T1≥P3,候选特征有两个,即P1和P2对应的预设被动特征,则以这两个候选特征进行后续步骤;若P1≥P2≥P3≥T1,候选特征有三个,即P1、P2和P3对应的预设被动特征,则以这三个候选特征进行后续步骤。
根据各个候选特征之间的相似程度识别当前用户的身份,可以包括:以具有最大匹配度的候选特征为基准,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度;若各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值,则以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果;否则,根据主动特征识别当前用户的身份。
示例性地,若有四个候选特征,分别为b1、b2、b3和b4,对应的匹配度分别为P4、P5、P6和P7,P4≥P5≥P6≥P7。则以候选特征b1为基准,确定其他候选特征b2、b3和b4与候选特征b1的相似程度;若候选特征b2、b3和b4与候选特征b1的相似程度均小于等于第二阈值T2,则以候选特征b1对应的身份信息作为当前用户的身份识别结果;否则,根据主动特征识别当前用户的身份。当各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值时,各个其他候选特征与具有最大匹配度的候选特征的相似程度较低时,此时以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果,能够提高身份识别的速度。当各个候选特征的相似程度较高时根据主动特征识别当前用户的身份,采用主被特征融合的方法能够避免将相似程度较高的候选特征对应的身份信息误判为当前用户的身份识别结果,提高身份识别的准确性。
在一些可选的实施例中,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度,包括:对于每个其他候选特征,可以根据该其他候选特征与具有最大匹配度的候选特征的相似度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
示例性地,若有四个候选特征,分别为b1、b2、b3和b4,对应的匹配度分别为P4、P5、P6和P7,P4≥P5≥P6≥P7。则以候选特征b1为基准,分别计算候选特征b2、b3和b4与候选特征b1的相似度,以该相似度作为对应的其他候选特征与候选特征b1的相似程度。实际应用过程中,本领域技术人员可以根据应用场景选择相似度匹配算法,例如,采用基于距离的相似度匹配算法,或者采用基于内容的相似度匹配算法。可选地,可以采用本发明实施例的公式1确定每个其他候选特征与具有最大匹配度的候选特征的相似度。
在另一些可选的实施例中,对于每个其他候选特征,可以根据该其他候选特征的匹配度与最大匹配度的接近程度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
示例性地,若有四个候选特征,分别为b1、b2、b3和b4,对应的匹配度分别为P4、P5、P6和P7,P4≥P5≥P6≥P7。则以P4为基准,分别计算P5、P6和P7与P4的接近程度,以该接近程度作为对应的其他候选特征与候选特征b1的相似程度。
可选地,对于每个其他候选特征,可以以该其他候选特征的匹配度与最大匹配度的比值作为评价相似程度的指标,此时第二阈值的取值范围为0~1,第二阈值的具体取值可以根据实际情况进行选择性设定,例如第二阈值为0.95、0.9、0.85、0.8、0.75、0.7等。
示例性地,假设第一阈值T1=0.8、筛选出的前三个预设被动特征对应的匹配度分别为P1、P2和P3且P1≥P2≥T1≥P3,若P2≤0.9P1,则以候选特征b1对应的身份信息作为当前用户的身份识别结果;若P2>0.9P1,则候选特征b2与候选特征b1的相似程度较高,此时根据主动特征识别当前用户的身份。
主动特征是需要用户进行主动交互而获取的用户的特征。实际应用过程中,可以以用户主动输入的身份信息作为主动特征,例如手机号、身份证号、验证码、银行卡信息以及其他各种类型的会员卡信息等。根据主动特征识别当前用户的身份,可以包括:获取当前用户的主动特征;将主动特征与特征库中的预设主动特征进行匹配,确定主动特征的匹配度;依据主动特征的匹配度确定当前用户的身份。例如,特征库中存在与主动特征相同的预设主动特征时,认为主动特征的匹配度为100%,判定匹配成功,当前用户为该预设主动特征对应的预设用户;当特征库中不存在与当前主动特征相同的预设主动特征时,认为当前主动特征的匹配度为0,判定匹配不成功,确定识别当前用户身份失败。只要能够确定特征库中是否存在与当前主动特征相同的预设主动特征即可,本发明对其确定方法不做具体限定,本领域技术人员可以根据实际情况进行适应性选择。
图2是根据本发明实施例的身份识别的方法的主要步骤的示意图。如图2所示,身份识别的方法的主要步骤包括:
步骤S201、获取当前用户的人脸特征;
步骤S202、将人脸特征与全局云端数据库中的预设人脸特征进行匹配;
步骤S203、筛选匹配度较高的三个预设人脸特征,按照匹配度从高到低的顺序,对应的匹配度分别记为P1、P2和P3,P1≥P2≥P3;
步骤S204、判断P1是否大于等于第一阈值T1;若是,则跳转至步骤S205;否则,判定身份识别失败;
步骤S205、判断P2或P3是否大于等于第一阈值T1;若是,则跳转至步骤S206;否则,以P1对应的身份信息作为当前用户的身份识别结果;
步骤S206、判断P2或P3是否大于0.9P1;若是,则跳转至步骤S207;否则,以P1对应的身份信息作为当前用户的身份识别结果;
步骤S207、获取用户的主动特征;
步骤S208、判断主动特征与预设主动特征是否匹配成功;若匹配成功,则以与主动特征匹配成功的预设主动特征对应的身份信息作为当前用户的身份识别结果;否则,判定身份识别失败。
根据本发明实施例的再一个方面,提供了一种身份识别的装置。
图3是根据本发明实施例的身份识别的装置的主要模块的示意图。如图3所示,身份识别的装置300,包括:
获取模块301,获取当前用户的被动特征;
筛选模块302,确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数;
识别模块303,以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别当前用户的身份;
其中,被动特征是不需要用户进行主动交互即可获取的用户的特征。
可选地,识别模块根据各个候选特征识别当前用户的身份,包括:若候选特征的数量大于一个,则根据各个候选特征之间的相似程度识别当前用户的身份;若候选特征的数量为一个,则直接以候选特征对应的身份信息作为当前用户的身份识别结果。
可选地,识别模块根据各个候选特征之间的相似程度识别当前用户的身份,包括:
以具有最大匹配度的候选特征为基准,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度;若各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值,则以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果;否则,根据主动特征识别当前用户的身份;
其中,主动特征是需要用户进行主动交互而获取的用户的特征。
可选地,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度,包括:对于每个其他候选特征,根据该其他候选特征与具有最大匹配度的候选特征的相似度确定该其他候选特征与具有最大匹配度的候选特征的相似程度,或者,根据该其他候选特征的匹配度与最大匹配度的接近程度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
可选地,对于每个其他候选特征,以该其他候选特征的匹配度与最大匹配度的比值作为评价相似程度的指标。
根据本发明实施例的另一个方面,提供了一种身份识别的电子设备。
根据本发明实施例的身份识别的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现本发明实施例第一方面提供的身份识别的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质。
根据本发明实施例的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例第一方面提供的身份识别的方法。
图4示出了可以应用本发明实施例的身份识别的方法或身份识别的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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。
用户可以使用终端设备X01、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的身份识别的方法一般由服务器405执行,相应地,身份识别的装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
特别地,根据本发明公开的实施例,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,本发明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509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括:获取模块,获取当前用户的被动特征;筛选模块,确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;识别模块,以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征之间的相似程度识别当前用户的身份。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“确定被动特征与特征库中每个预设被动特征的匹配度、筛选与被动特征具有较高匹配度的N个预设被动特征的模块”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:
获取当前用户的被动特征;
确定被动特征与特征库中每个预设被动特征的匹配度,筛选与被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数;
以N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征之间的相似程度识别当前用户的身份;
其中,被动特征是不需要用户进行主动交互即可获取的用户的特征。
根据本发明实施例的技术方案,采用序优化的思想筛选具有较高匹配度的N个预设被动特征得到可能的识别结果,规避了传统方法中由于直接将匹配分值最高的身份信息作为身份识别的结果而导致的不足。以N个预设被动特征中不小于第一阈值的预设被动特征作为候选特征,能够避免将匹配度较小的预设被动特征对应的身份信息作为当前用户的身份识别结果,提高身份识别的准确性。当各个其他候选特征与具有最大匹配度的候选特征的相似程度较低时,以具有最大匹配度的候选特征对应的身份信息作为当前用户的身份识别结果,能够提高身份识别的速度。当各个候选特征的相似程度较高时根据主动特征识别当前用户的身份,采用主被特征融合的方法能够避免将相似程度较高的候选特征对应的身份信息误判为当前用户的身份识别结果,提高身份识别的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种身份识别的方法,其特征在于,包括:
获取当前用户的被动特征;
确定所述被动特征与特征库中每个预设被动特征的匹配度,筛选与所述被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数;
以所述N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别所述当前用户的身份;
其中,所述被动特征是不需要用户进行主动交互即可获取的用户的特征。
2.如权利要求1所述的方法,其特征在于,根据各个候选特征识别所述当前用户的身份,包括:
若所述候选特征的数量大于一个,则根据各个候选特征之间的相似程度识别所述当前用户的身份;若所述候选特征的数量为一个,则直接以所述候选特征对应的身份信息作为所述当前用户的身份识别结果。
3.如权利要求2所述的方法,其特征在于,根据各个候选特征之间的相似程度识别所述当前用户的身份,包括:
以具有最大匹配度的候选特征为基准,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度;若各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值,则以具有最大匹配度的候选特征对应的身份信息作为所述当前用户的身份识别结果;否则,根据主动特征识别所述当前用户的身份;
其中,所述主动特征是需要用户进行主动交互而获取的用户的特征。
4.如权利要求3所述的方法,其特征在于,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度,包括:
对于每个所述其他候选特征,根据该其他候选特征与具有最大匹配度的候选特征的相似度确定该其他候选特征与具有最大匹配度的候选特征的相似程度,或者,根据该其他候选特征的匹配度与最大匹配度的接近程度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
5.如权利要求4所述的方法,其特征在于,对于每个所述其他特征候选特征,以该其他候选特征的匹配度与最大匹配度的比值作为评价相似程度的指标。
6.一种身份识别的装置,其特征在于,包括:
获取模块,获取当前用户的被动特征;
筛选模块,确定所述被动特征与特征库中每个预设被动特征的匹配度,筛选与所述被动特征具有较高匹配度的N个预设被动特征;N为大于等于1的整数;
识别模块,以所述N个预设被动特征中大于等于第一阈值的预设被动特征作为候选特征,根据各个候选特征识别所述当前用户的身份;
其中,所述被动特征是不需要用户进行主动交互即可获取的用户的特征。
7.如权利要求6所述的装置,其特征在于,所述识别模块根据各个候选特征识别所述当前用户的身份包括:若所述候选特征的数量大于一个,则根据各个候选特征之间的相似程度识别所述当前用户的身份;若所述候选特征的数量为一个,则直接以所述候选特征对应的身份信息作为所述当前用户的身份识别结果。
8.如权利要求7所述的装置,其特征在于,所述识别模块根据各个候选特征之间的相似程度识别所述当前用户的身份,包括:
以具有最大匹配度的候选特征为基准,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度;若各个其他候选特征与具有最大匹配度的候选特征的相似程度均小于等于第二阈值,则以具有最大匹配度的候选特征对应的身份信息作为所述当前用户的身份识别结果;否则,根据主动特征识别所述当前用户的身份;
其中,所述主动特征是需要用户进行主动交互而获取的用户的特征。
9.如权利要求8所述的装置,其特征在于,确定各个其他候选特征与具有最大匹配度的候选特征的相似程度,包括:对于每个所述其他候选特征,根据该其他候选特征与具有最大匹配度的候选特征的相似度确定该其他候选特征与具有最大匹配度的候选特征的相似程度,或者,根据该其他候选特征的匹配度与最大匹配度的接近程度确定该其他候选特征与具有最大匹配度的候选特征的相似程度。
10.如权利要求9所述的装置,其特征在于,对于每个所述其他特征候选特征,以该其他候选特征的匹配度与最大匹配度的比值作为评价相似程度的指标。
11.一种身份识别的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630986.9A CN110619253B (zh) | 2018-06-19 | 2018-06-19 | 身份识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630986.9A CN110619253B (zh) | 2018-06-19 | 2018-06-19 | 身份识别的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619253A true CN110619253A (zh) | 2019-12-27 |
CN110619253B CN110619253B (zh) | 2022-06-07 |
Family
ID=68920053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630986.9A Active CN110619253B (zh) | 2018-06-19 | 2018-06-19 | 身份识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619253B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232443A (zh) * | 2020-11-20 | 2021-01-15 | 中国联合网络通信集团有限公司 | 身份认证方法、装置、设备及存储介质 |
CN112330322A (zh) * | 2020-01-06 | 2021-02-05 | 支付宝实验室(新加坡)有限公司 | 用于用户身份验证的设备、方法和系统 |
CN116628577A (zh) * | 2023-07-26 | 2023-08-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914559A (zh) * | 2014-04-14 | 2014-07-09 | 小米科技有限责任公司 | 筛选网络用户的方法及装置 |
CN104732396A (zh) * | 2015-03-24 | 2015-06-24 | 广东欧珀移动通信有限公司 | 一种支付控制方法及装置 |
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN106055946A (zh) * | 2016-05-18 | 2016-10-26 | 成都芯软科技发展有限公司 | 一种身份识别系统及方法 |
CN107122704A (zh) * | 2017-03-16 | 2017-09-01 | 华南理工大学 | 一种基于运动传感器的步态识别方法 |
US20180060546A1 (en) * | 2016-08-24 | 2018-03-01 | Experian Information Solutions, Inc. | Disambiguation and authentication of device users |
-
2018
- 2018-06-19 CN CN201810630986.9A patent/CN110619253B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914559A (zh) * | 2014-04-14 | 2014-07-09 | 小米科技有限责任公司 | 筛选网络用户的方法及装置 |
CN104732396A (zh) * | 2015-03-24 | 2015-06-24 | 广东欧珀移动通信有限公司 | 一种支付控制方法及装置 |
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN106055946A (zh) * | 2016-05-18 | 2016-10-26 | 成都芯软科技发展有限公司 | 一种身份识别系统及方法 |
US20180060546A1 (en) * | 2016-08-24 | 2018-03-01 | Experian Information Solutions, Inc. | Disambiguation and authentication of device users |
CN107122704A (zh) * | 2017-03-16 | 2017-09-01 | 华南理工大学 | 一种基于运动传感器的步态识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330322A (zh) * | 2020-01-06 | 2021-02-05 | 支付宝实验室(新加坡)有限公司 | 用于用户身份验证的设备、方法和系统 |
CN112232443A (zh) * | 2020-11-20 | 2021-01-15 | 中国联合网络通信集团有限公司 | 身份认证方法、装置、设备及存储介质 |
CN112232443B (zh) * | 2020-11-20 | 2023-11-24 | 中国联合网络通信集团有限公司 | 身份认证方法、装置、设备及存储介质 |
CN116628577A (zh) * | 2023-07-26 | 2023-08-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
CN116628577B (zh) * | 2023-07-26 | 2023-10-31 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110619253B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11061945B2 (en) | Method for dynamically assigning question priority based on question extraction and domain dictionary | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
US20180248879A1 (en) | Method and apparatus for setting access privilege, server and storage medium | |
CN112949710A (zh) | 一种图像的聚类方法和装置 | |
CN110619253B (zh) | 身份识别的方法和装置 | |
CN113222942A (zh) | 多标签分类模型的训练方法和预测标签的方法 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN112860993A (zh) | 兴趣点的分类方法、装置、设备、存储介质及程序产品 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN111368697A (zh) | 一种信息识别方法和装置 | |
CN113947701B (zh) | 训练方法、对象识别方法、装置、电子设备以及存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113902899A (zh) | 训练方法、目标检测方法、装置、电子设备以及存储介质 | |
CN113590756A (zh) | 信息序列生成方法、装置、终端设备和计算机可读介质 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN113779346A (zh) | 用于识别一人多账号的方法及装置 | |
CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN114329164A (zh) | 用于处理数据的方法、装置、设备、介质和产品 | |
CN111783572A (zh) | 一种文本检测方法和装置 | |
CN113128601B (zh) | 分类模型的训练方法和对图像进行分类的方法 |
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 |