CN110705439A - 一种信息的处理方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种信息的处理方法、装置及设备，所述方法包括：采集目标用户的面部图像，然后，从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据，基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

Description

一种信息的处理方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种信息的处理方法、装置及设备。

背景技术

人脸识别技术因为其识别率的越来越高和应用的便利性而得到了越来越广泛的应用，例如，视频监控、访问控制、智能身份证等。目前，随着摄像头的普及，越来越多的场景如线下支付场景、无人值守的自助类商业场景、安防场景都需要对出现在摄像头中的用户的身份进行识别。

通过人脸识别进行线下支付时，用户在人脸采集环节后，可能会出现多种身份验证模式，即输入完整手机号码进行身份确认、输入手机号码中预定位数的数字(如手机号码的后4位数字)进行身份确认和不需要输入任何信息而直接进行身份确认等。通常，可以通过判断规则机制确定用户的身份验证策略，即通过判断该用户是否符合某身份验证策略对应的判断规则中的判断条件的方式实现。然而，基于上述方式，对于首次在该线下店铺进行面部识别的用户来说，该用户往往只能通过输入完整的手机号码来完成身份验证，而几乎无法通过剩余的其它两种方式进行身份验证，从而使得用户需要花费很多时间输入手机号码等，造成身份验证处理的效率低下，为此，需要提供一种身份验证效率更高、处理过程更简化的技术方案。

发明内容

本说明书实施例的目的是提供一种信息的处理方法、装置及设备，以提供一种身份验证效率更高、处理过程更简化的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种信息的处理方法，所述方法包括：

采集目标用户的面部图像；

从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

可选地，所述基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略，包括：

将所述面部图像、所述第一图像与所述面部图像的匹配度、所述第二图像与所述面部图像的匹配度、所述第一图像对应的用户的属性信息和历史行为数据，以及所述第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果；

基于所述输出结果确定所述目标用户的身份验证策略。

可选地，所述从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，包括：

从第三数据库中获取与所述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，所述第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建；

如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像。

可选地，所述身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括所述第一身份验证策略对应的第一判断规则，以及所述第二身份验证策略对应的第二判断规则，

所述如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，包括：

如果根据所述第一判断规则和至少一个候选面部图像判定所述目标用户不符合所述第一身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像；

所述基于所述输出结果确定所述目标用户的身份验证策略，包括：

如果所述输出结果指示所述目标用户不符合所述第一身份验证策略，则根据所述第二判断规则和至少一个候选面部图像判断所述目标用户是否符合所述第二身份验证策略；

如果根据所述第二判断规则和至少一个候选面部图像判定所述目标用户不符合所述第二身份验证策略，则根据所述输出结果确定所述目标用户是否符合所述第二身份验证策略；

如果所述输出结果指示所述目标用户符合所述第二身份验证策略，则对所述目标用户执行所述第二身份验证策略；

如果所述输出结果指示所述目标用户不符合所述第二身份验证策略，则对所述目标用户执行所述第三身份验证策略。

可选地，所述基于所述输出结果确定所述目标用户的身份验证策略，包括：

根据所述输出结果和每个所述身份验证策略对应的预定阈值，确定所述目标用户的身份验证策略。

可选地，所述方法还包括：

获取在预定业务提供者处进行面部图像采集的历史用户的面部图像、通过预定的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户的面部图像中的一种或多种图像，所述预定业务提供者为采集所述目标用户的面部图像的业务提供者；

基于获取的面部图像构建所述第三数据库。

可选地，所述预定的预测模型包括基于位置的服务LBS的预测模型、基于光学检测AOI的预测模型和基于无线访问接入点或信标的预测模型。

可选地，所述方法还包括：

从所述第一数据库和/或所述第二数据库中提取预定数量的用户的面部图像；

基于提取的面部图像、所述第一数据库中与所述提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、所述第二数据库中与所述提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、所述第三图像对应的用户的属性信息和用户的行为数据，以及所述第四图像对应的用户的属性信息和用户的行为数据，构建并训练所述决策模型。

可选地，所述决策模型为二分类模型。

可选地，所述输出结果包括：未在预定的误识率的条件下的结果和在预定的误识率的条件下的结果。

本说明书实施例提供的一种信息的处理装置，所述装置包括：

图像采集模块，采集目标用户的面部图像；

第一图像获取模块，从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

策略确定模块，基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

可选地，所述策略确定模块，包括：

结果输出单元，将所述面部图像、所述第一图像与所述面部图像的匹配度、所述第二图像与所述面部图像的匹配度、所述第一图像对应的用户的属性信息和历史行为数据，以及所述第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果；

策略确定单元，基于所述输出结果确定所述目标用户的身份验证策略。

可选地，所述第一图像获取模块，包括：

候选图像获取单元，从第三数据库中获取与所述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，所述第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建；

图像获取单元，如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像。

可选地，所述身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括所述第一身份验证策略对应的第一判断规则，以及所述第二身份验证策略对应的第二判断规则，

所述图像获取单元，如果根据所述第一判断规则和至少一个候选面部图像判定所述目标用户不符合所述第一身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像；

所述策略确定单元，如果所述输出结果指示所述目标用户不符合所述第一身份验证策略，则根据所述第二判断规则和至少一个候选面部图像判断所述目标用户是否符合所述第二身份验证策略；如果根据所述第二判断规则和至少一个候选面部图像判定所述目标用户不符合所述第二身份验证策略，则根据所述输出结果确定所述目标用户是否符合所述第二身份验证策略；如果所述输出结果指示所述目标用户符合所述第二身份验证策略，则对所述目标用户执行所述第二身份验证策略；如果所述输出结果指示所述目标用户不符合所述第二身份验证策略，则对所述目标用户执行所述第三身份验证策略。

可选地，所述装置还包括：

第三图像获取模块，从所述第一数据库和/或所述第二数据库中提取预定数量的用户的面部图像；

训练模块，基于提取的面部图像、所述第一数据库中与所述提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、所述第二数据库中与所述提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、所述第三图像对应的用户的属性信息和用户的行为数据，以及所述第四图像对应的用户的属性信息和用户的行为数据，构建并训练所述决策模型。

本说明书实施例提供的一种信息的处理设备，所述信息的处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

采集目标用户的面部图像；

从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

由以上本说明书实施例提供的技术方案可见，本说明书实施例通过采集目标用户的面部图像，然后，根据该面部图像，从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据，基于第一图像与目标用户的面部图像的匹配度和第二图像与目标用户的面部图像的匹配度，确定目标用户的身份验证策略，这样，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例基于互补相同的两个数据库中的面部图像分别与目标用户的面部图像进行匹配，进而确定目标用户的身份验证策略，以简化为目标用户确定身份验证策略的处理过程，可以提高身份验证的效率，此外，还通过对第一数据库和第二数据库的设定，使用户可以进行更加简化的身份验证策略，可以进一步提高身份验证的效率。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一种信息的处理方法实施例；

图2为本说明书另一种信息的处理方法实施例；

图3为本说明书又一种信息的处理方法实施例；

图4为本说明书一种用于人脸识别的机具或进行资源转移的机具的结构示意图；

图5为本说明书一种信息的处理装置实施例；

图6为本说明书一种信息的处理设备实施例。

具体实施方式

本说明书实施例提供一种信息的处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件保护的范围。

实施例一

如图1所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为用于人脸识别的机具或进行资源转移(如进行支付或信息的传输等)的机具，其中，该机具可以是一个独立终端设备，并可以与相应的服务器相连接，该服务器可以是某项业务(如进行交易的业务等)的后台服务器，也可以是某应用(如金融类应用层)的后台服务器等，该机具具体如自助收银机具、自助售卖机具或自动柜员机等。该方法具体可以包括以下步骤：

在步骤S102中，采集目标用户的面部图像。

其中，目标用户可以是任意用户，例如可以是在某线下商铺购买某商品的用户，也可以是登录或修改某应用程序的注册信息的用户等。面部图像可以包括面部中特定部位的图像和/或面部整体的图像等，其中的面部中特定部位可以包括如眼睛、眉毛和嘴部等，面部整体的图像可以是包括面部整体的特征的图像，面部整体的特征可以包括如面部结构特征、形态特征和性别特征等，面部结构特征可以包括面部的各个部位之间的空间关系特征和布局特征等。

在实施中，人脸识别技术因为其识别率的越来越高和应用的便利性而得到了越来越广泛的应用，例如，视频监控、访问控制、智能身份证等。目前，随着摄像头的普及，越来越多的场景如线下支付场景、无人值守的自助类商业场景、安防场景都需要对出现在摄像头中的用户的身份进行识别。

通过人脸识别进行线下支付是当前线下支付方式中探索的新赛道，目前推进发展迅速。通过人脸识别进行线下支付时，用户在人脸采集环节后，可能会出现多种身份验证模式，即输入完整手机号码进行身份确认、输入手机号码中预定位数的数字(如手机号码的后4位数字)进行身份确认和不需要输入任何信息而直接进行身份确认(即不需要输入手机号码中的数字而直接确认)等中的至少两种身份验证模式。对于输入手机号码中预定位数的数字进行身份确认和不需要输入任何信息而直接进行身份确认的情况，可以对可能使用该线下支付的机具进行人脸识别的用户圈定一个范围，这样，当某用户通过该机具进行人脸识别时，可以从圈定的范围中对该用户的身份进行验证，具体如，可以通过面部图像比对的方式，比对圈定的范围中每个用户的面部图像中的特征与该用户的面部图像的特征之间的相似程度，之后可以根据输入手机号码中预定位数的数字进行身份确认方式对应的阈值和不需要输入任何信息而直接进行身份确认方式对应的阈值，确定该用户需要输入手机号码中预定位数的数字还是该用户不需要输入任何信息等。最终确定使用哪种输入方式(或用户的身份验证策略)取决于圈定的范围内包含的用户数量，以及相应输入方式对应的阈值，因此，为了保证用户进行面部识别的通过率，可以对圈定范围的规模进行限制，同时圈定的范围中需要尽可能多的覆盖可能进行面部识别的用户，通常，由于线下店铺的熟客(即在该线下店铺进行面部识别的次数超过预定次数阈值(如3次或5次等)的用户)比较多，因此，通常将在该线下店铺进行面部识别的用户设定为圈定的用户。

然而，上述方式下，对于首次在该线下店铺进行面部识别的用户来说，该用户只能通过输入完整的手机号码来完成身份验证，从而使得用户需要花费很多时间输入手机号码等，造成身份验证处理的效率低下，用户体验不佳。此外，为了保证面部识别的高通过率，上述圈定的范围的规模无法弹性扩大，对于线下的热点店铺的熟客，以及时间跨度较大的熟客的应用有限。而且，由于上述设置的阈值的限制，有可能会使得即使处于上述圈定的范围中的用户可能也无法通过输入手机号码中预定位数的数字或不需要输入任何信息的方式进行身份验证。为此，需要提供一种身份验证效率更高、处理过程更简化的技术方案，本说明书实施例针对上述问题提出一种可行的技术方案，具体可以包括以下内容：

用户(即目标用户)在某线下店铺购买某商品后，可以到人脸自助结算机具或收银台进行结算，人脸自助结算机具或收银台的结算机具中可以安装有进行面部识别并以此进行结算的应用程序，在目标用户选择使用该应用程序中的方式进行结算或支付时，上述结算机具可以启动摄像头，通过摄像头可以采集目标用户的面部图像，具体处理方式可以多种多样，例如，上述结算机具可以通过摄像头拍摄目标用户的面部图像，该面部图像可以是二维图像，也可以是三维图像，然后，结算机具可以通过拍摄的面部图像获取目标用户的面部图像，或者，可以通过摄像头直接对目标用户的面部进行分析，获取目标用户的面部图像及其特征等。

在步骤S104中，从第一数据库中获取与上述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与上述面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据。

其中，第一数据库中可以尽可能多的覆盖可能到人脸自助结算机具或收银台的结算机具处进行面部识别的用户的面部图像，例如，第一数据库可以是由在该线下店铺进行面部识别的次数超过预定次数阈值的用户的面部图像和通过预定的预测算法预测出的用户的面部图像等构成。第二数据库中的面部图像与第一数据库中的面部图像不同，第一数据库中的面部图像和第二数据库中的面部图像可以组成一个数据量相对较大的数据库，可以包括所有可能在该线下店铺进行面部识别的用户的面部图像，此时，该数据库可以称为全量库，此外，上述组成的数据库中包含的面部图像的数量可以稍小于全量库(可以是组成的数据库与全量库的面部图像的数量差值处于预定阈值范围内等)，此时，组成的数据库可以称为准全量库。第一预定阈值和第二预定阈值可以根据实际情况设定，本说明书实施例对此不做限定。第一图像可以是一个面部图像，也可以是多个面部图像，第二图像可以是一个面部图像，也可以是多个面部图像等。

在实施中，为了提高身份验证效率，可以构建准全量库，目标用户的面部图像实际所在的数据库可能为准全量库或全量库，然后，可以从准全量库中分离出第一数据库，第一数据库可以是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建，剩余的面部图像可以构成成为第二数据库，这样，第一数据库中的面部图像与第一数据库中的面部图像不同。可以预先设定面部图像的匹配算法，以计算两个面部图像之间的匹配度，该匹配算法可以包括多种，具体可以根据实际情况设定，本说明书实施例对此不做限定。可以基于设定的匹配算法计算采集的目标用户的面部图像与第一数据库中每一个面部图像之间的匹配度，具体可以通过计算面部图像中的相应面部图像之间的匹配度或相似度等方式实现，并可以将计算的匹配度分别与第一预设阈值进行比较，如果计算的匹配度小于第一预设阈值，则可以将计算的匹配度对应的第一数据库中的面部图像舍弃，如果计算的匹配度大于第一预设阈值，则表明该面部图像与目标用户的面部图像相匹配或相似，此时，可以将计算的匹配度对应的第一数据库中的面部图像确定为第一图像。通过上述方式可以得到一个或多个第一图像。

可以基于设定的匹配算法计算采集的目标用户的面部图像与第二数据库中每一个面部图像之间的匹配度，具体可以通过计算面部图像中的相应面部图像之间的匹配度或相似度等方式实现，并可以将计算的匹配度分别与第二预设阈值进行比较，如果计算的匹配度小于第二预设阈值，则可以将计算的匹配度对应的第二数据库中的面部图像舍弃，如果计算的匹配度大于第二预设阈值，则表明该面部图像与目标用户的面部图像相匹配或相似，此时，可以将计算的匹配度对应的第二数据库中的面部图像确定为第二图像。通过上述方式可以得到一个或多个第二图像。

说要说明的是，在实际应用中，为了简化处理过程，可以从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值，且与目标用户的面部图像匹配度最大的面部图像，并将获取的面部图像作为第一图像，相应的，还可以从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值，且与目标用户的面部图像匹配度最大的面部图像，并将获取的面部图像作为第二图像等。

在步骤S106中，基于第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度，确定目标用户的身份验证策略。

其中，身份验证策略可以是用于验证身份的策略等，身份验证策略可以包括多种，例如输入完整手机号码的身份验证策略、输入手机号码中预定位数的数字(如手机号码的后4位数字)的身份验证策略等。

在实施中，可以预先设定不同身份验证策略所需要满足的条件，具体可以根据实际情况设定，例如输入完整手机号码的身份验证策略对应的条件可以包括第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度相近(即可以为第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度之间的差值在预定阈值范围内)、第二图像与该面部图像的匹配度大于或远大于第一图像与上述面部图像的匹配度等，输入手机号码中预定位数的数字的身份验证策略对应的条件可以包括第一图像与上述面部图像的匹配度大于或远大于第二图像与该面部图像的匹配度等。

可以通过第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度，分别与不同身份验证策略所需要满足的条件进行比对，确定第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度对应的条件，可以将确定的条件对应的身份验证策略作为目标用户的身份验证策略。例如，基于上述示例中设定的条件，可以计算第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度之间的差值，以及第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度之间的大小关系，如果计算得到的结果指示第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度相近，则无法判断目标用户的面部图像最可能来自于哪一个数据库中，此时，可以为目标用户确定的身份验证策略为输入完整手机号码。如果计算得到的结果指示第一图像与上述面部图像的匹配度大于或远大于第二图像与该面部图像的匹配度(具体可以通过设定两个匹配度之间的差值大于阈值的方式实现)，则可以确定目标用户的面部图像最可能来自于第一数据库中，由于第一数据库是由在该线下店铺进行面部识别的次数超过预定次数阈值的用户的面部图像和通过预定的预测算法预测出的用户的面部图像等构成，因此，可以为目标用户确定的身份验证策略为输入手机号码中预定位数的数字。如果计算得到的结果指示第二图像与上述面部图像的匹配度大于或远大于第一图像与该面部图像的匹配度(具体可以通过设定两个匹配度之间的差值大于阈值的方式实现)，则可以确定目标用户的面部图像最可能来自于第二数据库中，由于第二数据库中的数据为第一数据库中的数据之外的数据，即第二数据库中的面部图像并不是经常在该线下店铺进行面部识别的用户的面部图像，因此，可以为目标用户确定的身份验证策略为输入完整手机号码。

需要说明的是，上述步骤S106的处理方式除了上述方式外，还可以包括多种方式，例如可以获取预定面部图像、预定面部图像对应的用户的相关信息(如用户的操作行为信息、用户的个人信息等)作为样本数据，并可以基于该样本数据构建相应的模型，可以通过构建的模型，并基于第一图像与上述面部图像的匹配度和第二图像与该面部图像的匹配度，确定目标用户的身份验证策略等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

本说明书实施例提供一种信息的处理方法，通过采集目标用户的面部图像，然后，根据该面部图像，从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据，基于第一图像与目标用户的面部图像的匹配度和第二图像与目标用户的面部图像的匹配度，确定目标用户的身份验证策略，这样，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例基于互补相同的两个数据库中的面部图像分别与目标用户的面部图像进行匹配，进而确定目标用户的身份验证策略，以简化为目标用户确定身份验证策略的处理过程，可以提高身份验证的效率，此外，还通过对第一数据库和第二数据库的设定，使用户可以进行更加简化的身份验证策略，可以进一步提高身份验证的效率。

实施例二

如图2所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为用于人脸识别的机具或进行资源转移(如进行支付或信息的传输等)的机具，其中，该机具可以是一个独立终端设备，并可以与相应的服务器相连接，该服务器可以是某项业务(如进行交易的业务等)的后台服务器，也可以是某应用(如金融类应用层)的后台服务器等，该机具具体如自助收银机具、自助售卖机具或自动柜员机等。该方法具体可以包括以下步骤：

在步骤S202中，采集目标用户的面部图像。

上述步骤S202的处理过程可以参见上述实施例一中步骤S102的相关内容，在此不再赘述。

在步骤S204中，从第三数据库中获取与上述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建。

其中，第三数据库可以是由多个不同用户的面部图像构成的数据库，第三数据库中的面部图像可以通过多种方式获取，例如，可以包括曾在该线下店铺进行面部识别的用户的面部图像(即进行面部图像采集的历史用户的面部图像)、通过预定的预测模型预测的可能到该线下店铺进行面部识别的用户的面部图像、基于位置的服务(Location BasedServices，LBS)而预测到的可能到该线下店铺进行面部识别的用户的面部图像、基于光学检测(Automatic Optic Inspection，AOI)而确定的可能到该线下店铺进行面部识别的用户的面部图像、基于无线访问接入点或信标等确定的可能到该线下店铺进行面部识别的用户的面部图像等，第三数据库可以与上述实施例一中的第一数据库相同，也可以与第一数据库不同，具体可以根据实际情况设定，本说明书实施例对此不做限定。预定阈值可以根据实际情况设定，具体如80％或90％等。

在实施中，通过上述步骤S202的处理得到目标用户的面部图像后，可以通过该面部图像确定相应的目标用户的身份，具体地，可以将采集的目标用户的面部图像与预定的第三数据库中的每个面部图像进行比对，其中，如果第三数据库中包括二维的面部图像和三维的面部图像，则可以将二维的面部图像和三维的面部图像分别与采集的面部图像进行比对，从中确定与采集的面部图像相近的面部图像，为了量化面部图像之间的比对结果，可以计算二维的面部图像的特征和三维的面部图像的特征分别与采集的面部图像的特征之间的匹配度(或相似度)，然后，可以设定相应的阈值，并从预定的第三数据库中获取与该面部图像的匹配度大于预定阈值的至少一个候选面部图像。

其中，两个面部图像之间的匹配度可以通过预先设定的算法确定，该算法可以包括多种，例如余弦相似度算法、欧氏距离算法、皮尔逊相似度算法等。因此，可以通过相应的相似度算法计算第三数据库中包含的面部图像与采集的面部图像之间的匹配度(或相似度)，然后，可以将得到的匹配度的数值分别与预定阈值进行比较，从中可以获取匹配度数值大于预定阈值的面部图像，并可以将获取的面部图像确定为候选面部图像，其中，候选面部图像可以包括一个面部图像，也可以包含多个不同的面部图像。

在步骤S206中，如果根据预定的判断规则和至少一个候选面部图像判定目标用户不符合预定的判断规则对应的身份验证策略，则从第一数据库中获取与上述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与该面部图像的匹配度大于第二预定阈值的第二图像。

其中，预定的判断规则可以是预先设定的用于判断某用户是否符合某一种或多种身份验证策略的规则。

在实施中，通过上述步骤S204的处理得到与该面部图像的匹配度大于预定阈值的至少一个候选面部图像后，可以基于至少一个候选面部图像进一步对目标用户的身份进行验证。在实际应用中，可以设置多种不同的身份验证策略，身份验证策略可以如请求目标用户输入某信息的完整内容进行身份验证和请求用户输入某信息中的部分内容进行身份验证的策略等，具体如，用户通过输入手机号码的方式触发服务器获取相对应的支付账户的信息，因此，可以请求用户输入完整的11位手机号码进行身份验证，并在身份验证通过后，获取该11位手机号码对应的支付账户的信息，或者，可以请求用户输入手机号码的最后4位以进行身份验证，并在身份验证通过后，获取该手机号码对应的支付账户的信息。

针对目标用户使用哪种身份验证策略，可以通过预定的判断规则进行判定，即预定的判断规则中可以设定有符合某一个身份验证策略的条件，该条件可以根据实际情况设定，具体如设定相应的策略阈值，当采集的面部图像与某候选面部图像之间的匹配度(或面部图像的比对分值)大于该策略阈值，则可以确定目标用户符合该身份验证策略，否则，目标用户不符合该身份验证策略(即判定目标用户不符合预定的判断规则对应的身份验证策略)等。如果目标用户不符合上述身份验证策略，为了尽可能的召回上述判断规则漏过的用户，可以再设定决策模型，并基于该决策模型进一步判断目标用户使用哪种身份验证策略。其中，在使用该决策模型之前还需要确定输入到该决策模型的输入数据，即可以从第一数据库中获取与上述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与该面部图像的匹配度大于第二预定阈值的第二图像，具体处理可以参见上述相关内容，在此不再赘述。

在步骤S208中，将第一图像与上述面部图像的匹配度、第二图像与该面部图像的匹配度、第一图像对应的用户的属性信息和历史行为数据，以及第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果。

其中，用户的属性信息可以包括如年龄、性别和用户标识(如用户ID等)。历史行为数据可以包括如线下或线上进行面部识别的次数、线下或线上进行面部识别的最大质量分值、线下或线上进行面部识别的平均质量分值等。预定的决策模型可以是用于辅助上述预定的判断规则进一步判断目标用户是否符合某一种或多种身份验证策略的模型，该模型可以基于多种不同的算法构建，例如，该模型可以基于二分叉算法构建或者也可以基于其它预定算法(如分类算法等)构建等。

在实施中，基于上述步骤S206的处理如果目标用户不符合上述身份验证策略，为了尽可能的召回上述判断规则漏过的用户，可以再设定决策模型。该决策模型可以由用户的面部图像的特征，以及用户的属性信息和历史行为数据等训练得到，具体地，可以通过多种方式获取用户的面部图像，例如可以通过购买的方式从不同用户处购买用户的面部图像，或者，也可以以奖励的方式邀请多个不同的用户参加应用程序或该决策模型的训练，并以此收集用户的面部图像等，同时，也可以通过上述多种方式中的任一种方式获取用户的属性信息和历史行为数据等。然后，可以使用用户的面部图像的特征、第一数据库中与该面部图像的匹配度大于某预定阈值的至少一个面部图像、第二数据库中与该面部图像的匹配度大于某预定阈值的至少一个面部图像，以及用户的属性信息和历史行为数据训练决策模型。

可以将目标用户的面部图像、第一图像与上述面部图像的匹配度、第二图像与该面部图像的匹配度、第一图像对应的用户的属性信息和历史行为数据，以及第二图像对应的用户的属性信息和历史行为数据输入到上述训练后的决策模型中，通过该决策模型的计算，得到相应的输出结果。该输出结果可以是一个数值，也可以是确定出的某一种身份验证策略。

其中，决策模型对输入的数据的具体计算过程可以参见上述实施例一中步骤S106中的相关内容，在此不再赘述。

在步骤S210中，基于上述输出结果确定目标用户的身份验证策略。

其中，身份验证策略可以是用于验证身份的策略等，身份验证策略可以包括多种，例如输入完整手机号码的身份验证策略、输入手机号码中预定位数的数字(如手机号码的后4位数字)的身份验证策略等。

在实施中，基于上述获取的输出结果确定目标用户的身份验证策略，具体如上述输出结果为一个数值，此时，可以将输出结果分别与每一种身份验证策略对应的阈值进行比较，从中可以确定与该输出结果相匹配的身份验证策略，即可以作为目标用户的身份验证策略。或者，该输出结果也可以是确定出的某一种身份验证策略的信息，此时，可以基于上述输出结果确定目标用户的身份验证策略。

本说明书实施例提供一种信息的处理方法，通过采集目标用户的面部图像，然后，根据该面部图像，从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据，基于第一图像与目标用户的面部图像的匹配度和第二图像与目标用户的面部图像的匹配度，确定目标用户的身份验证策略，这样，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例基于互补相同的两个数据库中的面部图像分别与目标用户的面部图像进行匹配，进而确定目标用户的身份验证策略，以简化为目标用户确定身份验证策略的处理过程，可以提高身份验证的效率，此外，还通过对第一数据库和第二数据库的设定，使用户可以进行更加简化的身份验证策略，可以进一步提高身份验证的效率。

另外，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例在判断规则机制的基础上，增加了决策模型对目标用户的身份验证策略进行融合判断，从而可以对判断规则机制漏过的用户，基于决策模型进行召回，以保证在误识率满足要求的情况下尽可能让更多用户使用更加简化的身份验证策略，并可以提高身份验证的效率。

实施例三

如图3所示，本说明书实施例提供一种信息的处理方法，该方法的执行主体可以为用于人脸识别的机具或进行资源转移(如进行支付或信息的传输等)的机具，其中，该机具可以是一个独立终端设备，并可以与相应的服务器相连接，该服务器可以是某项业务(如进行交易的业务等)的后台服务器，也可以是某应用(如金融类应用层)的后台服务器等，该机具具体如自助收银机具、自助售卖机具或自动柜员机等。该方法具体可以包括以下步骤：

基于前述内容，为了对用户的身份进行验证，需要为该用户确定相应的身份验证策略，为此，可以将采集的目标用户的面部图像与多个不同的面部图像进行比对，以便对用户的身份进行验证。而多个不同的面部图像可以通过多种方式获取，以下提供一种可选的获取方式，具体可以参见下述步骤S302和步骤S304的处理。

在步骤S302中，获取在预定业务提供者处进行面部图像采集的历史用户的面部图像、通过预定的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户的面部图像中的一种或多种图像，预定业务提供者为采集目标用户的面部图像的业务提供者。

其中，预定业务提供者可以是商户或该商户设立的用于身份验证的机具或该商户设立的线下店铺等。预定的预测模型包括基于位置的服务LBS的预测模型、基于光学检测AOI的预测模型和基于无线访问接入点或信标的预测模型。基于LBS的预测模型可以是根据与某用户的位置之间的距离小于预定距离阈值的用户作为预测的用户的模型等。基于无线访问接入点的预测模型可以是链接同一个无线访问接入点的用户作为预测的用户的模型等。

在实施中，用户在进行身份验证(尤其是基于面部识别的身份验证)时，基于面部识别的结果往往可能会出现多种可能的用户验证界面，如输入指定信息的完整内容的用户验证界面或输入指定信息的部分内容的用户验证界面等。而在进行身份验证的过程中，需要与预先圈定的用户范围中的用户进行面部图像(或面部特征)的比对，从而就需要预先圈定用户的范围，具体地，对于某商户、某商户设立的用于身份验证的机具或某商户设立的线下店铺，圈定用户范围的方式可以包括多种，例如在预定业务提供者处进行面部图像采集的历史用户(可以包括该线下店铺的熟客或常客等)、通过基于位置的服务LBS的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户、通过基于预定的到店预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户、通过基于光学检测AOI的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户和通过基于无线访问接入点或信标的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户等，上述用户可以构成圈定的用户范围。

在步骤S304中，基于获取的面部图像构建第三数据库。

其中，构建的第三数据库可以是一个相对小型的数据库，第三数据库可以是全量库中的一个子数据库，全量库中包含的面部图像是所有能够到预定业务提供者处进行面部图像采集的用户的面部图像。

此外，还可以构建第一数据库和第二数据库，第一数据库可以是与全量数据库相比较小的数据库，第一数据库可以与第三数据库相同，也可以与第三数据库不同，第二数据库中的数据为第一数据库中的数据之外的数据，第二数据库中数据与第一数据库中的数据的组合可以构成上述全量库，或者也可以构成上述准全量库等。本说明书实施例中，第一数据库可以通过在预定业务提供者处进行面部图像采集的历史用户的面部图像和/或通过预定的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户的面部图像等构建，第二数据库可以如通过预定的用户检索平台检索到的能够到预定业务提供者处进行面部图像采集的用户的面部图像和/或基于用户预先设定的位置信息确定的用户的面部图像(如基于用户进行注册时填写的或确定的用户的位置与预定业务提供者之间的距离小于预定距离阈值的用户的图像等)等构建。

另外，为了提高用户体验和身份验证效率，使得大部分用户使用通过输入少量信息即可完成身份验证，可以在基于判断规则的身份验证机制的基础上构建决策模型，进而可以通过决策模型来对基于判断规则的身份验证机制的用户进行召回，其中构建决策模型的处理可以参见下述步骤S306和步骤S308。

在步骤S306中，从上述第一数据库和/或第二数据库中提取预定数量的用户的面部图像。

其中，预定数量可以根据实际情况设定，具体如100个或50个等，本说明书实施例对此不做限定。

在实施中，为了能够得到输出结果更加准确的决策模型，可以从数据库中获取面部图像来训练决策模型，在实际应用中，可以从第一数据库中获取一定数量的用户的面部图像，其中面部图像的数量可以根据实际情况设定，在实际应用中，可以获取尽可能多的目标图像等。此外，考虑到第一数据库中的面部图像的数量可能较少，可以从第一数据库中获取一定数量的用户的面部图像，或者，也可以分别从第一数据库和第二数据库中获取面部图像，每个数据库中获取的面部图像的数量可以根据实际情况设定。

在步骤S308中，基于提取的面部图像、第一数据库中与提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、第二数据库中与提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、第三图像对应的用户的属性信息和用户的行为数据，以及第四图像对应的用户的属性信息和用户的行为数据，构建并训练决策模型。

其中，第四预定阈值和第五预定阈值可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，针对任一面部图像，可以从第一数据库中获取与该面部图像的匹配度大于第四预定阈值的至少一个第三图像，同时，还可以从第二数据库中获取与该面部图像的匹配度大于第五预定阈值的至少一个第四图像，然后，可以获取第三图像对应的用户的属性信息和行为数据，获取第四图像对应的用户的属性信息和行为数据，上述数据可以作为一则训练数据。在实际应用中，还可以针对任一面部图像，从第一数据库中获取与该面部图像的匹配度大于第四预定阈值，且与该面部图像的匹配度最大的第三图像，同时，可以从第二数据库中获取与该面部图像的匹配度大于第五预定阈值，且与该面部图像的匹配度最大的第四图像，然后，可以获取第三图像对应的用户的属性信息和行为数据，获取第四图像对应的用户的属性信息和行为数据，上述数据可以作为一则训练数据。以同样的方式获取多则训练数据，可以使用上述训练数据对决策模型进行训练，得到训练后的决策模型。

需要说明的是，决策模型可以通过多种算法构建，例如基于二叉树算法构建或基于预定的分类算法构建等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

基于上述构建的第一数据库、第二数据库、第三数据库和决策模型，可以对用户进行实时的身份验证，具体可以参见下述步骤S310～步骤S324的处理。

在步骤S310中，采集目标用户的面部图像。

在步骤S312中，从第三数据库中获取与该面部图像的匹配度大于第三预定阈值的至少一个候选面部图像。第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建。

上述步骤S310和步骤S312的具体处理过程可以参见上述实施例一和实施例二中的相关内容，在此不再赘述。

为了详细说明上述实施例二中步骤S206和步骤S210的具体实施过程，以下以身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括第一身份验证策略对应的第一判断规则，以及第二身份验证策略对应的第二判断规则为例进行说明，参见下述步骤S314～步骤S324。

在步骤S314中，如果根据第一判断规则和至少一个候选面部图像判定目标用户不符合第一身份验证策略，则从第一数据库中获取与该面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与该面部图像的匹配度大于第二预定阈值的第二图像。

在实施中，在对用户进行身份验证的过程，通常会预先设定判断规则，不同的判断规则可以对应有不同的身份验证策略，而且，不同的判断规则可以设定有不同的判定条件，例如，不同的判断规则可以设置有不同的阈值条件等。为了尽可能的召回通过判断规则漏掉的数据，可以进一步通过决策模型判断是否符合相应的身份验证策略等。具体地，可以先通过常用的判断规则判断目标用户是否符合第一身份验证策略，其中，可以以第一判断规则对应的判定条件为阈值条件(可以通过第三数据库中数据的数量、预设的误识率等确定相应的阈值条件)为例进行说明，即可以将每个候选面部图像与目标用户的面部图像之间的匹配度数值与第一判断规则对应的阈值进行比较，如果其中存在某一个或多个候选面部图像与目标用户的面部图像之间的匹配度数值大于该阈值，则可以对目标用户执行第一身份验证策略。如果其中不存在与目标用户的面部图像之间的匹配度数值大于该阈值的候选面部图像，则可以判定目标用户不符合第一身份验证策略，此时，可以对目标用户的面部图像进行召回，并通过决策模型对目标用户是否符合第一身份验证策略进行进一步判断，即可以先从第一数据库中获取与该面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与该面部图像的匹配度大于第二预定阈值的第二图像。

在步骤S316中，将第一图像与该面部图像的匹配度、第二图像与该面部图像的匹配度、第一图像对应的用户的属性信息和历史行为数据，以及第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果。

其中，决策模型为二分类模型。输出结果可以包括未在预定的误识率的条件下的结果和在预定的误识率的条件下的结果。

上述步骤S316的具体处理过程可以参见上述实施例二中的相关内容，在此不再赘述。

在步骤S318中，如果上述输出结果指示目标用户符合第一身份验证策略，则对目标用户执行第一身份验证策略。

在实施中，针对决策模型，不同的身份验证策略可以设置有相应的阈值，基于此，可以根据上述输出结果和每个身份验证策略对应的预定阈值，确定目标用户的身份验证策略，具体地，通过上述步骤S316的处理得到输出结果后，可以将输出结果与第一身份验证策略对应的预定阈值进行比较，如果输出结果大于第一身份验证策略对应的预定阈值，则确定目标用户符合第一身份验证策略，此时，可以对目标用户执行第一身份验证策略。

在步骤S320中，如果上述输出结果指示目标用户不符合第一身份验证策略，则根据第二判断规则和至少一个候选面部图像判断目标用户是否符合第二身份验证策略。

在实施中，通过上述步骤S316的处理得到输出结果后，可以将输出结果与第一身份验证策略对应的预定阈值进行比较，如果输出结果不大于第一身份验证策略对应的预定阈值，则可以确定目标用户不符合第一身份验证策略，此时，可以继续判断目标用户是否符合第二身份验证策略，具体地，可以仍然现通过常用的判断规则判断目标用户是否符合第二身份验证策略，即可以将每个候选面部图像与目标用户的面部图像之间的匹配度数值与第二判断规则对应的阈值进行比较，如果其中存在某一个或多个候选面部图像与目标用户的面部图像之间的匹配度数值大于该阈值，则可以对目标用户执行第二身份验证策略。如果其中不存在与目标用户的面部图像之间的匹配度数值大于该阈值的候选面部图像，则可以判定目标用户不符合第二身份验证策略，此时，可以对目标用户的面部图像进行召回，并通过决策模型对目标用户是否符合第二身份验证策略进行进一步判断。

在步骤S322中，如果根据第二判断规则和至少一个候选面部图像判定目标用户不符合第二身份验证策略，则根据上述输出结果确定目标用户是否符合第二身份验证策略。

在实施中，如果根据第二判断规则和至少一个候选面部图像判定目标用户不符合第二身份验证策略，则可以将输出结果与第二身份验证策略对应的预定阈值进行比较，以确定目标用户是否符合第二身份验证策略，其中，如果输出结果大于第二身份验证策略对应的预定阈值，则确定目标用户符合第二身份验证策略，如果输出结果不大于第二身份验证策略对应的预定阈值，则确定目标用户不符合第二身份验证策略。

在步骤S324中，如果上述输出结果指示目标用户符合第二身份验证策略，则对目标用户执行第二身份验证策略。

在步骤S326中，如果上述输出结果指示目标用户不符合第二身份验证策略，则对目标用户执行第三身份验证策略。

基于上述内容，可以从事实出发对决策模型的处理过程进行说明和假设验证，假设目标用户的面部图像处于第一数据库(如第三数据库)中，第一数据库中的数据和第二数据库中的数据可以构成准全量库，此时，将第一数据库中与目标用户的面部图像匹配度(或相似度)最高的面部图像a，以及第二数据库中与目标用户的面部图像匹配度最高的面部图像b和相应的用户的属性特征和历史行为数据输入到决策模型中，在决策模型计算的过程中，如果面部图像a与目标用户的面部图像匹配度数值小于指定阈值(如78或80等)，则认为该匹配度数值不足以判断目标用户为面部图像a对应的用户，此时，可以直接给出输入完整信息的界面；如果匹配度数值远大于面部图像b与目标用户的面部图像匹配度数值，由于准全量库的覆盖率较高(如98％等)，则可以认为在所有可能到该线下店铺进行面部识别的用户中，面部图像a对应的用户最有可能是目标用户，则直接对目标用户下发无需输入信息或输入部分信息的界面，此情况对目前基于判断规则判断方法漏过的数据可以召回85％；如果两个匹配度数值相差不大，则无法判断目标用户是面部图像a对应的用户，还是面部图像b对应的用户，此时，可以直接给出输入完整信息的界面。

如果目标用户处于准全量库中，但未在第一数据库(即小型数据库)中，同样，从第一数据库中获取与目标用户的面部图像匹配度最高的面部图像a，从第二数据库中获取与目标用户的面部图像匹配度最高的面部图像b，其中a≠b。同样的，如果面部图像a与目标用户的面部图像匹配度数值小于指定阈值(如78或80等)，则认为该匹配度数值不足以判断目标用户为面部图像a对应的用户，此时，可以直接给出输入完整信息的界面；如果匹配度数值远大于面部图像b与目标用户的面部图像匹配度数值，则对目标用户下发无需输入信息或输入部分信息的界面，此情况下，由于实际上目标用户的面部图像不在第一数据库中，就会导致误识的发生，但前提是面部图像b与目标用户的面部图像匹配度数值远低于面部图像a与目标用户的面部图像匹配度数值，此情况下发生的概率很小，经过离线评估，大约为2400万分之一；如果两个匹配度数值相差不大，则直接给出输入完整信息的界面，此情况下，可以设置额外增益以防止误识的发生。

假设目标用户处于全量数据库中，但不在第一数据库和第二数据库中。同样，如果面部图像a与目标用户的面部图像匹配度数值小于指定阈值(如78或80等)，则认为该匹配度数值不足以判断目标用户为面部图像a对应的用户，此时，可以直接给出输入完整信息的界面；如果匹配度数值远大于面部图像b与目标用户的面部图像匹配度数值，则对目标用户下发无需输入信息或输入部分信息的界面，此情况下，由于事实上目标用户不在第一数据库中，因此也会出现误识，经过离线评估，该情况误识率约为三百万分之一；如果两个匹配度数值相差不大，则直接给出输入完整信息的界面。

基于上述内容，身份验证策略可以包括第一身份验证策略、第二身份验证策略和第三身份验证策略，在实际应用中，第一身份验证策略可以是不需要输入任何信息而直接进行身份验证的策略，第二身份验证策略可以是输入手机号码中预定位数的数字(如手机号码的后4位数字)进行身份验证的策略，第三身份验证策略可以是输入完整手机号码进行身份验证的策略等，相应的，如图4所示，当采集到目标用户的面部图像后，可以根据上述面部图像，从第三数据库中获取与该面部图像的匹配度大于预定阈值的至少一个候选面部图像。如果根据第一判断规则和至少一个候选面部图像判定目标用户不符合不需要输入任何信息而直接进行身份验证的策略，则从第一数据库中获取与该面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与该面部图像的匹配度大于第二预定阈值的第二图像，将目标用户的面部图像、第一图像与该面部图像的匹配度、第二图像与该面部图像的匹配度、第一图像对应的用户的属性信息和历史行为数据，以及第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果。如果上述输出结果指示目标用户符合不需要输入任何信息而直接进行身份验证的策略，则对目标用户完成身份验证。如果上述输出结果指示目标用户不符合不需要输入任何信息而直接进行身份验证的策略，则根据第二判断规则和至少一个候选面部图像判断目标用户是否符合输入手机号码中预定位数的数字(如手机号码的后4位数字)进行身份验证的策略。如果根据第二判断规则和至少一个候选面部图像判定目标用户不符合输入手机号码中预定位数的数字进行身份验证的策略，则根据上述输出结果确定目标用户是否符合输入手机号码中预定位数的数字进行身份验证的策略。如果上述输出结果指示目标用户符合输入手机号码中预定位数的数字进行身份验证的策略，则对目标用户显示输入手机号码中预定位数的数字的界面。如果上述输出结果指示目标用户不符合输入手机号码中预定位数的数字进行身份验证的策略，则对目标用户显示输入完整手机号码的界面。

在实际应用中，还可以基于目标用户的面部图像，分别从第一数据库(或第三数据库)、准全量库和全量库中获取与该面部图像的匹配度大于相应的预定阈值的面部图像，如果获取的面部图像较多，还可以从中选取与该面部图像的匹配度数值排在前列的预定数量的面部图像，然后，可以针对每个数据库中获取的面部图像执行上述基于判断规则和决策模型的处理，即基于第一数据库中获取的面部图像与该面部图像的匹配度数值和第一判断规则对应的阈值，判断是否符合第一判断规则，如果是，则执行第一判断规则对应的第一身份验证策略，如果否，则通过决策模型进行召回计算，以此类推，最终确定目标用户的身份验证策略。

本说明书实施例提供一种信息的处理方法，通过采集目标用户的面部图像，然后，根据该面部图像，从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据，基于第一图像与目标用户的面部图像的匹配度和第二图像与目标用户的面部图像的匹配度，确定目标用户的身份验证策略，这样，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例基于互补相同的两个数据库中的面部图像分别与目标用户的面部图像进行匹配，进而确定目标用户的身份验证策略，以简化为目标用户确定身份验证策略的处理过程，可以提高身份验证的效率，此外，还通过对第一数据库和第二数据库的设定，使用户可以进行更加简化的身份验证策略，可以进一步提高身份验证的效率。

另外，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例在判断规则机制的基础上，增加了决策模型对目标用户的身份验证策略进行融合判断，从而可以对判断规则机制漏过的用户，基于决策模型进行召回，以保证在误识率满足要求的情况下尽可能让更多用户使用更加简化的身份验证策略，并可以提高身份验证的效率。

实施例四

以上为本说明书实施例提供的信息的处理方法，基于同样的思路，本说明书实施例还提供一种信息的处理装置，如图5所示。

该信息的处理装置包括：图像采集模块501、第一图像获取模块502和策略确定模块503，其中：

图像采集模块501，采集目标用户的面部图像；

第一图像获取模块502，从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

策略确定模块503，基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

本说明书实施例中，所述策略确定模块503，包括：

结果输出单元，将所述面部图像、所述第一图像与所述面部图像的匹配度、所述第二图像与所述面部图像的匹配度、所述第一图像对应的用户的属性信息和历史行为数据，以及所述第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果；

策略确定单元，基于所述输出结果确定所述目标用户的身份验证策略。

本说明书实施例中，所述第一图像获取模块502，包括：

候选图像获取单元，从第三数据库中获取与所述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，所述第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建；

图像获取单元，如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像。

本说明书实施例中，所述身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括所述第一身份验证策略对应的第一判断规则，以及所述第二身份验证策略对应的第二判断规则，

所述图像获取单元，如果根据所述第一判断规则和至少一个候选面部图像判定所述目标用户不符合所述第一身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像；

所述策略确定单元，如果所述输出结果指示所述目标用户不符合所述第一身份验证策略，则根据所述第二判断规则和至少一个候选面部图像判断所述目标用户是否符合所述第二身份验证策略；如果根据所述第二判断规则和至少一个候选面部图像判定所述目标用户不符合所述第二身份验证策略，则根据所述输出结果确定所述目标用户是否符合所述第二身份验证策略；如果所述输出结果指示所述目标用户符合所述第二身份验证策略，则对所述目标用户执行所述第二身份验证策略；如果所述输出结果指示所述目标用户不符合所述第二身份验证策略，则对所述目标用户执行所述第三身份验证策略。

本说明书实施例中，所述策略确定单元，根据所述输出结果和每个所述身份验证策略对应的预定阈值，确定所述目标用户的身份验证策略。

本说明书实施例中，所述装置还包括：

第二图像获取模块，获取在预定业务提供者处进行面部图像采集的历史用户的面部图像、通过预定的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户的面部图像中的一种或多种图像，所述预定业务提供者为采集所述目标用户的面部图像的业务提供者；

数据库构建模块，基于获取的面部图像构建所述第三数据库。

本说明书实施例中，所述预定的预测模型包括基于位置的服务LBS的预测模型、基于光学检测AOI的预测模型和基于无线访问接入点或信标的预测模型。

本说明书实施例中，所述装置还包括：

第三图像获取模块，从所述第一数据库和/或所述第二数据库中提取预定数量的用户的面部图像；

训练模块，基于提取的面部图像、所述第一数据库中与所述提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、所述第二数据库中与所述提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、所述第三图像对应的用户的属性信息和用户的行为数据，以及所述第四图像对应的用户的属性信息和用户的行为数据，构建并训练所述决策模型。

本说明书实施例中，所述决策模型为二分类模型。

本说明书实施例中，所述输出结果包括：未在预定的误识率的条件下的结果和在预定的误识率的条件下的结果。

本说明书实施例提供一种信息的处理装置，通过采集目标用户的面部图像，然后，根据该面部图像，从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据，基于第一图像与目标用户的面部图像的匹配度和第二图像与目标用户的面部图像的匹配度，确定目标用户的身份验证策略，这样，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例基于互补相同的两个数据库中的面部图像分别与目标用户的面部图像进行匹配，进而确定目标用户的身份验证策略，以简化为目标用户确定身份验证策略的处理过程，可以提高身份验证的效率，此外，还通过对第一数据库和第二数据库的设定，使用户可以进行更加简化的身份验证策略，可以进一步提高身份验证的效率。

另外，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例在判断规则机制的基础上，增加了决策模型对目标用户的身份验证策略进行融合判断，从而可以对判断规则机制漏过的用户，基于决策模型进行召回，以保证在误识率满足要求的情况下尽可能让更多用户使用更加简化的身份验证策略，并可以提高身份验证的效率。

实施例五

以上为本说明书实施例提供的信息的处理装置，基于同样的思路，本说明书实施例还提供一种信息的处理设备，如图6所示。

所述信息的处理设备可以为上述实施例提供的机具。

信息的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对信息的处理设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在信息的处理设备上执行存储器602中的一系列计算机可执行指令。信息的处理设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。

具体在本实施例中，信息的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对信息的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

采集目标用户的面部图像；

从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

本说明书实施例中，所述基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略，包括：

将所述面部图像、所述第一图像与所述面部图像的匹配度、所述第二图像与所述面部图像的匹配度、所述第一图像对应的用户的属性信息和历史行为数据，以及所述第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果；

基于所述输出结果确定所述目标用户的身份验证策略。

本说明书实施例中，所述从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，包括：

从第三数据库中获取与所述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，所述第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建；

如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像。

本说明书实施例中，所述身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括所述第一身份验证策略对应的第一判断规则，以及所述第二身份验证策略对应的第二判断规则，

所述如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，包括：

如果根据所述第一判断规则和至少一个候选面部图像判定所述目标用户不符合所述第一身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像；

所述基于所述输出结果确定所述目标用户的身份验证策略，包括：

如果所述输出结果指示所述目标用户不符合所述第一身份验证策略，则根据所述第二判断规则和至少一个候选面部图像判断所述目标用户是否符合所述第二身份验证策略；

如果根据所述第二判断规则和至少一个候选面部图像判定所述目标用户不符合所述第二身份验证策略，则根据所述输出结果确定所述目标用户是否符合所述第二身份验证策略；

如果所述输出结果指示所述目标用户符合所述第二身份验证策略，则对所述目标用户执行所述第二身份验证策略；

如果所述输出结果指示所述目标用户不符合所述第二身份验证策略，则对所述目标用户执行所述第三身份验证策略。

本说明书实施例中，所述基于所述输出结果确定所述目标用户的身份验证策略，包括：

根据所述输出结果和每个所述身份验证策略对应的预定阈值，确定所述目标用户的身份验证策略。

本说明书实施例中，还包括：

获取在预定业务提供者处进行面部图像采集的历史用户的面部图像、通过预定的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户的面部图像中的一种或多种图像，所述预定业务提供者为采集所述目标用户的面部图像的业务提供者；

基于获取的面部图像构建所述第三数据库。

本说明书实施例中，所述预定的预测模型包括基于位置的服务LBS的预测模型、基于光学检测AOI的预测模型和基于无线访问接入点或信标的预测模型。

本说明书实施例中，还包括：

从所述第一数据库和/或所述第二数据库中提取预定数量的用户的面部图像；

基于提取的面部图像、所述第一数据库中与所述提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、所述第二数据库中与所述提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、所述第三图像对应的用户的属性信息和用户的行为数据，以及所述第四图像对应的用户的属性信息和用户的行为数据，构建并训练所述决策模型。

本说明书实施例中，所述决策模型为二分类模型。

本说明书实施例中，所述输出结果包括：未在预定的误识率的条件下的结果和在预定的误识率的条件下的结果。

本说明书实施例提供一种信息的处理设备，通过采集目标用户的面部图像，然后，根据该面部图像，从第一数据库中获取与目标用户的面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与目标用户的面部图像的匹配度大于第二预定阈值的第二图像，第二数据库中的数据为第一数据库中的数据之外的数据，基于第一图像与目标用户的面部图像的匹配度和第二图像与目标用户的面部图像的匹配度，确定目标用户的身份验证策略，这样，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例基于互补相同的两个数据库中的面部图像分别与目标用户的面部图像进行匹配，进而确定目标用户的身份验证策略，以简化为目标用户确定身份验证策略的处理过程，可以提高身份验证的效率，此外，还通过对第一数据库和第二数据库的设定，使用户可以进行更加简化的身份验证策略，可以进一步提高身份验证的效率。

另外，由于单纯基于判断规则确定用户的身份验证策略的方式，对于首次进行身份验证的用户覆盖率较低，因此，本实施例在判断规则机制的基础上，增加了决策模型对目标用户的身份验证策略进行融合判断，从而可以对判断规则机制漏过的用户，基于决策模型进行召回，以保证在误识率满足要求的情况下尽可能让更多用户使用更加简化的身份验证策略，并可以提高身份验证的效率。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信息的处理设备的处理器以产生一个机器，使得通过计算机或其他可编程信息的处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程信息的处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程信息的处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (16)

1.一种信息的处理方法，所述方法包括：

采集目标用户的面部图像；

从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

2.根据权利要求1所述的方法，所述基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略，包括：

将所述面部图像、所述第一图像与所述面部图像的匹配度、所述第二图像与所述面部图像的匹配度、所述第一图像对应的用户的属性信息和历史行为数据，以及所述第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果；

基于所述输出结果确定所述目标用户的身份验证策略。

3.根据权利要求2所述的方法，所述从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，包括：

从第三数据库中获取与所述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，所述第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建；

如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像。

4.根据权利要求3所述的方法，所述身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括所述第一身份验证策略对应的第一判断规则，以及所述第二身份验证策略对应的第二判断规则，

所述如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，包括：

如果根据所述第一判断规则和至少一个候选面部图像判定所述目标用户不符合所述第一身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像；

所述基于所述输出结果确定所述目标用户的身份验证策略，包括：

如果所述输出结果指示所述目标用户不符合所述第一身份验证策略，则根据所述第二判断规则和至少一个候选面部图像判断所述目标用户是否符合所述第二身份验证策略；

如果根据所述第二判断规则和至少一个候选面部图像判定所述目标用户不符合所述第二身份验证策略，则根据所述输出结果确定所述目标用户是否符合所述第二身份验证策略；

如果所述输出结果指示所述目标用户符合所述第二身份验证策略，则对所述目标用户执行所述第二身份验证策略；

如果所述输出结果指示所述目标用户不符合所述第二身份验证策略，则对所述目标用户执行所述第三身份验证策略。

5.根据权利要求4所述的方法，所述基于所述输出结果确定所述目标用户的身份验证策略，包括：

根据所述输出结果和每个所述身份验证策略对应的预定阈值，确定所述目标用户的身份验证策略。

6.根据权利要求3所述的方法，所述方法还包括：

获取在预定业务提供者处进行面部图像采集的历史用户的面部图像、通过预定的预测模型预测到的能够到预定业务提供者处进行面部图像采集的用户的面部图像中的一种或多种图像，所述预定业务提供者为采集所述目标用户的面部图像的业务提供者；

基于获取的面部图像构建所述第三数据库。

7.根据权利要求6所述的方法，所述预定的预测模型包括基于位置的服务LBS的预测模型、基于光学检测AOI的预测模型和基于无线访问接入点或信标的预测模型。

8.根据权利要求2所述的方法，所述方法还包括：

从所述第一数据库和/或所述第二数据库中提取预定数量的用户的面部图像；

基于提取的面部图像、所述第一数据库中与所述提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、所述第二数据库中与所述提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、所述第三图像对应的用户的属性信息和用户的行为数据，以及所述第四图像对应的用户的属性信息和用户的行为数据，构建并训练所述决策模型。

9.根据权利要求2-8中任一项所述的方法，所述决策模型为二分类模型。

10.根据权利要求9所述的方法，所述输出结果包括：未在预定的误识率的条件下的结果和在预定的误识率的条件下的结果。

11.一种信息的处理装置，所述装置包括：

图像采集模块，采集目标用户的面部图像；

第一图像获取模块，从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

策略确定模块，基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

12.根据权利要求11所述的装置，所述策略确定模块，包括：

结果输出单元，将所述面部图像、所述第一图像与所述面部图像的匹配度、所述第二图像与所述面部图像的匹配度、所述第一图像对应的用户的属性信息和历史行为数据，以及所述第二图像对应的用户的属性信息和历史行为数据输入到预定的决策模型中进行计算，得到输出结果；

策略确定单元，基于所述输出结果确定所述目标用户的身份验证策略。

13.根据权利要求12所述的装置，所述第一图像获取模块，包括：

候选图像获取单元，从第三数据库中获取与所述面部图像的匹配度大于第三预定阈值的至少一个候选面部图像，所述第三数据库是基于进行面部图像采集的历史用户的面部图像和以预测的方式预测到的用户的面部图像构建；

图像获取单元，如果根据预定的判断规则和至少一个候选面部图像判定所述目标用户不符合所述预定的判断规则对应的身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像。

14.根据权利要求13所述的装置，所述身份验证策略包括第一身份验证策略、第二身份验证策略和第三身份验证策略，相应的，预定的判断规则包括所述第一身份验证策略对应的第一判断规则，以及所述第二身份验证策略对应的第二判断规则，

所述图像获取单元，如果根据所述第一判断规则和至少一个候选面部图像判定所述目标用户不符合所述第一身份验证策略，则从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像；

所述策略确定单元，如果所述输出结果指示所述目标用户不符合所述第一身份验证策略，则根据所述第二判断规则和至少一个候选面部图像判断所述目标用户是否符合所述第二身份验证策略；如果根据所述第二判断规则和至少一个候选面部图像判定所述目标用户不符合所述第二身份验证策略，则根据所述输出结果确定所述目标用户是否符合所述第二身份验证策略；如果所述输出结果指示所述目标用户符合所述第二身份验证策略，则对所述目标用户执行所述第二身份验证策略；如果所述输出结果指示所述目标用户不符合所述第二身份验证策略，则对所述目标用户执行所述第三身份验证策略。

15.根据权利要求12所述的装置，所述装置还包括：

第三图像获取模块，从所述第一数据库和/或所述第二数据库中提取预定数量的用户的面部图像；

训练模块，基于提取的面部图像、所述第一数据库中与所述提取的面部图像的匹配度大于第四预定阈值的至少一个第三图像、所述第二数据库中与所述提取的面部图像的匹配度大于第五预定阈值的至少一个第四图像、所述第三图像对应的用户的属性信息和用户的行为数据，以及所述第四图像对应的用户的属性信息和用户的行为数据，构建并训练所述决策模型。

16.一种信息的处理设备，所述信息的处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

采集目标用户的面部图像；

从第一数据库中获取与所述面部图像的匹配度大于第一预定阈值的第一图像，并从第二数据库中获取与所述面部图像的匹配度大于第二预定阈值的第二图像，所述第二数据库中的数据为所述第一数据库中的数据之外的数据；

基于所述第一图像与所述面部图像的匹配度和所述第二图像与所述面部图像的匹配度，确定所述目标用户的身份验证策略。

Images