CN110738226B - 身份识别方法及装置、存储介质及电子设备 - Google Patents
身份识别方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110738226B CN110738226B CN201810802896.3A CN201810802896A CN110738226B CN 110738226 B CN110738226 B CN 110738226B CN 201810802896 A CN201810802896 A CN 201810802896A CN 110738226 B CN110738226 B CN 110738226B
- Authority
- CN
- China
- Prior art keywords
- picture
- reticulate pattern
- target
- initial
- reticulate
- 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
Links
Images
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
- G06F18/21—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
- 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
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
本发明提供了一种身份识别方法,接收用户的待识别图片及用户标识信息;获取与所述用户标识信息对应的证件网纹图片;然后按预设的生成方式生成目标网纹,将所述目标网纹叠加在待识别图片上,获得叠加有网纹的待识别图片,将叠加有网纹的待识别图片与获取的证件网纹图片输入到预先建立的深度学习模型中,确定叠加有网纹的待识别图片与所述证件网纹图片中包含的图片对象是否为同一对象,当为同一对象时,通过对当前用户的身份验证。本发明提供的方法中,通过叠加网纹的方式,确定两个均带有网纹的图片中包含的图片对象是否为同一图片对象,抵消了由于图片上带有网纹对图片中对象识别带来的误差影响,提升了识别率,也提高了用户身份识别的准确度。
Description
技术领域
本发明涉及身份识别领域,特别涉及一种身份识别方法及装置、存储介质及电子设备。
背景技术
随着信息科技的发展,人们所能涉足的领域越来越多。无论在何种领域中,在涉及到用户身份识别的过程中,人脸识别是最直接且有效的方法。通常的做法是,先采集一张用户当前的人脸照片,然后将采集的人脸照片与从公安系统中拉取的用户二代身份证照片进行比对,当采集的人脸照片与用户二代身份证照片中的人脸为同一人脸时,完成对用户的身份识别。
发明人经过对现有用户身份识别的过程进行研究发现,在将当前获取的用户人脸照片与从公安系统中拉取的用户二代身份证照片进行比对时,由于二代身份证照片上叠加有网纹,影响了对用户二代身份证照片中人脸的识别,进而降低了用户身份识别的准确度。
发明内容
本发明所要解决的技术问题是提供一种身份识别方法,在用户待识别图片上叠加上网纹,将叠加有网纹的待识别图片与获取的证件网纹图片在深度学习模型中进行处理,以确定叠加有网纹的待识别图片与所述证件网纹图片中是否包含同一图片对象,以提高用户身份识别的准确度。
本发明还提供了一种身份识别装置,用以保证上述方法在实际中的实现及应用。
一种身份识别方法,包括:
接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
按预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;
将所述叠加有网纹的待识别图片与所述证件网纹图片,输入预先建立的深度学习模型中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果;
当所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
上述的方法,可选的,所述深度学习模型的建立过程,包括:
选取基础模型;
将多个已选取的训练三元组输入至所述基础模型中,对所述基础模型进行训练;
当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型;
所述训练三元组中包括:第一训练图片、第二训练图片和第三训练图片;其中,所述第一训练图片为叠加有网纹的目标图片,所述第二训练图片为与所述第一训练图片包含相同图片对象的叠加有网纹的图片或未叠加有网纹的图片;
所述第三训练图片为与所述第一训练图片包含不同图片对象的叠加有网纹的图片或未叠加有网纹的图片。
上述的方法,可选的,在所述深度学习模型的建立过程中,获取叠加有网纹的目标图片,包括:
选取未叠加有网纹的原始图片;
将所述目标网纹叠加在所述原始图片上,得到所述叠加有网纹的目标图片。
上述的方法,可选的,所述按预设的生成方式,生成目标网纹,包括:
依据预先建立的目标函数,生成初始网纹波形;
基于所述初始网纹波形,生成所述目标网纹。
上述的方法,可选的,所述目标函数的预先建立过程,包括:
选取基础函数,并解析已获取的样本网纹的网纹属性;
依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得所述目标函数。
上述的方法,可选的,所述基础函数为三角函数的线性组合函数;所述三角函数为正弦函数或余弦函数;
所述基础函数的函数参数包括所述基础函数中包含的每个三角函数的振幅、角频率及初相。
上述的方法,可选的,所述基于所述初始网纹波形生成目标网纹,包括:
依据所述初始网纹波形生成初始网纹单元;
在所述初始网纹单元中,截取多个网纹子单元,并将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹;每个所述网纹子单元的宽度值与所述原始图片的宽度值相同。
上述的方法,可选的,所述依据所述初始网纹波形生成初始网纹单元,包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形;将所述第一网纹波形,从所述初始网纹波形的当前位置,按预设的第一矢量方向移动第一位移,获得所述初始网纹波形与所述第一网纹波形组合形成的初始网纹单元;
或
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第二网纹波形;将所述第二网纹波形,从所述初始网纹波形的当前位置,按预设的第二矢量方向移动第二位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图形;将所述组合网纹图形,以其水平轴为旋转轴,旋转180度,获得所述初始网纹单元;
或
依据所述初始网纹波形,生成第三网纹波形;所述第三网纹波形与所述初始网纹波形的初相位差为kπ,k为奇数;获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
上述的方法,可选的,所述在所述初始网纹单元中,截取多个网纹子单元,包括:
获取所述原始图片的宽度值;
在所述初始网纹单元中,随机截取多个宽度值与所述原始图片的宽度值相同的网纹子单元。
上述的方法,可选的,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将所述多个网纹子单元,在已确定的第一目标区域中,由所述第一目标区域的顶部向底部,依次设置在所述第一目标区域中,以获得所述目标网纹;所述第一目标区域中,任意两个相邻网纹子单元之间的间距相等;所述第一目标区域与所述原始图片的大小相同。
上述的方法,可选的,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将每次从所述初始网纹单元中截取的网纹子单元,依次设置在已确定的第二目标区域中的各个目标位置上,直至所述第二目标区域中的各个目标位置上均设置有所述网纹子单元时,获得所述目标网纹;所述第二目标区域与所述原始图片的大小相同。
上述的方法,可选的,还包括:
选取随机数;
依据所述随机数,随机对叠加在所述原始图片上的目标网纹的网纹属性进行调整。
一种身份识别装置,包括:
接收单元,用于接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
生成单元,用于按预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;
处理单元,用于将所述叠加有网纹的待识别图片与所述证件网纹图片,输入预先建立的深度学习模型中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果;
识别单元,用于当所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的身份识别方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的身份识别方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种身份识别方法,在用户请求进行身份识别的过程中,接收用户的待识别图片及用户标识信息;获取与所述用户标识信息对应的证件网纹图片;然后按预设的生成方式,生成目标网纹,将所述目标网纹叠加在待识别图片上,获得叠加有网纹的待识别图片,将叠加有网纹的待识别图片与获取的证件网纹图片输入到预先建立的深度学习模型中,由所述深度学习模型处理后,确定叠加有网纹的待识别图片与所述证件网纹图片中包含的图片对象是否为同一对象,当为同一对象时,通过对当前用户的身份验证。本发明提供的方法中,通过叠加网纹的方式,确定两个均带有网纹的图片中包含的图片对象是否为同一图片对象,抵消了由于图片上带有网纹对图片中对象识别带来的误差影响,提升了识别率,也提高了用户身份识别的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种身份识别方法的方法流程图;
图2为本发明提供的一种身份识别方法的一示例图;
图3为本发明提供的一种身份识别方法的又一方法流程图;
图4为本发明提供的一种身份识别方法的又一方法流程图;
图5为本发明提供的一种身份识别方法的一示例图;
图6为本发明提供的一种身份识别方法的又一示例图;
图7为本发明提供的一种身份识别方法的又一示例图;
图8为本发明提供的一种身份识别方法的又一示例图;
图9为本发明提供的一种身份识别装置的结构示意图;
图10为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种身份识别方法,该方法可以应用在多种系统平台中,其执行主体可以为计算机终端或各种移动设备的处理器,所述方法的方法流程图如图1所示,具体包括:
S101:接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
本发明实施例提供的方法中,用户在申请进行身份识别时,通过客户端上传当前的待识别图片及用户标识信息给处理器,所述处理器根据所述用户标识信息,获取与其对应的证件网纹图片。所述用户标识信息优选的可以为用户的身份证号码。
S102:按预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;
本发明实施例提供的方法中,按预设的生成方式,生成目标网纹,所述目标网纹与用户的证件照中的网纹相近,将所述目标网纹叠加在待识别图片上,获得叠加有网纹的待识别图片。
S103:将所述叠加有网纹的待识别图片与所述证件网纹图片,输入预先建立的深度学习模型中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果;
本发明实施例提供的方法中,将叠加有网纹的待识别图片与所述证件网纹图片输入至预先建立的深度学习模型中,所述深度学习模型以叠加有网纹的生活照图片及网纹证件照图片的组合作为训练样本,以所述叠加有网纹的生活照图片及网纹证件照图片中包含的图片对象是否为同一对象为样本标签,训练获得。
S104:当所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
本发明实施例提供的方法中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果,当所述深度学习模型输出是同一对象的输出结果时,通过对当前用户的身份识别。
本发明实施例提供的身份识别方法,在用户请求进行身份识别的过程中,接收用户的待识别图片及用户标识信息;获取与所述用户标识信息对应的证件网纹图片;然后按预设的生成方式,生成目标网纹,将所述目标网纹叠加在待识别图片上,获得叠加有网纹的待识别图片,将叠加有网纹的待识别图片与获取的证件网纹图片输入到预先建立的深度学习模型中,由所述深度学习模型处理后,确定叠加有网纹的待识别图片与所述证件网纹图片中包含的图片对象是否为同一对象,当为同一对象时,通过对当前用户的身份验证。本发明提供的方法中,通过叠加网纹的方式,确定两个均带有网纹的图片中包含的图片对象是否为同一图片对象,抵消了由于图片上带有网纹对图片中对象识别带来的误差影响,提升了识别率,也提高了用户身份识别的准确度。
本发明实施例提供的方法中,所述深度学习模型的建立过程,包括:
选取基础模型;
将多个已选取的训练三元组输入至所述基础模型中,对所述基础模型进行训练;
当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型;
所述训练三元组中包括:第一训练图片、第二训练图片和第三训练图片;其中,所述第一训练图片为叠加有网纹的目标图片,所述第二训练图片为与所述第一训练图片包含相同图片对象的叠加有网纹的图片或未叠加有网纹的图片;
所述第三训练图片为与所述第一训练图片包含不同图片对象的叠加有网纹的图片或未叠加有网纹的图片。
本发明实施例提供的方法中,在需要对选取的基础模型进行训练时,预先选取多个用于训练的三元组,每一个训练三元组中包含三张图片,其中,第一训练图片为叠加有网纹的目标图片,所述目标图片可以为预先选定图片对象的图片,也可以为随机选定的图片,例如在人脸识别领域中,所述第一训练图片可以为选定的一张包含叠加有网纹的人脸图片,其中的人脸可以为预先选定的人脸,也可以为随机选取的人脸。在选定所述第一训练图片后,以所述第一训练图片为目标,选取另外两张训练图片。
所述第二训练图片为与所述第一训练图片对应的一张图片,其中,所述第二训练图片与所述第一训练图片包含相同的图片对象,在人脸识别领域中,所述第二训练图片与所述第一训练图片相对应的包含同一人脸,所述第二训练图片上可以叠加有网纹也可以不叠加有网纹。所述第二训练图片与所述第一训练图片中包含的人脸可以在人脸的视角、方位、光线明暗、表情等参数上存在不同。
所述第三训练图片可以为随机选取的一张图片,所述第三训练图片与所述第一训练图片包含不同的图片对象,在人脸识别领域中,所述第三训练图片与所述第一训练图片包含不同的人脸,所述第三训练图片上可以叠加有网纹也可以不叠加有网纹。
本发明实施例提供的方法中,由于每个训练三元组中第二训练图片与第三训练图片可以叠加网纹,也可以不叠加网纹,为了确保对基础模型进行训练时,训练数据的多样性及全面性,在对训练三元组中各个图片的实际选取过程中,对于所有的训练三元组,按预设的第一比例值,对第二训练图片进行选取,具体的,可以根据所述预设的第一比例值,一部分训练三元组中选取的第二训练图片中叠加有网纹,另外一部分训练三元组中选取的第二训练图片中不叠加网纹。同理,可以根据预设的第二比例值,为各个训练三元组选取第三训练图片。
本发明实施例提供的方法中,深度学习模型的建立过程中,首先选取用于训练的基础模型,本发明实施例提供的方法中,主要采用类似于FaceNet的模型框架,选用TripleLoss作为损失函数来训练模型。本发明实施例提供的方法中,在选取的模型框架的基础上,微调了网络结构、损失函数中的各项权重、微调训练方式。
本发明实施例中,在对选取的基础模型的训练过程中,基础模型的输入x可以为图片对象三元组,在人脸识别过程中,可以为人脸图片三元组。本发明实施例中,输入的三元组的构成为:从已获取的训练数据集中随机选取一个样本,该样本可以称为anchor,记为a,然后再随机选取一个与anchor属于同一类的样本positive,记为p,和与anchor属于不同类的样本negative,记为n,由此构成一个(anchor,positive,negative)三元组。其中,a可以为叠加有网纹的图片,p与n是否叠加有网纹均可。
本发明实施例提供的方法中,对于选取的基础模型的训练目标为,通过学习,使p与a的间距小于n与a的间距。相对应的,在使p与a的间距小于n与a的间距时,基础模型的损失函数输出的值满足预设的输出阈值,此时停止对所述基础模型的训练。具体如本发明实施例提供的图2所示。最终训练得到的模型公式表达如下:
其中,α为一个常数,x为输入的图片。
本发明实施例提供的方法中,基础模型的损失函数可以为:
本发明实施例提供的方法中,基础模型在测试阶段以及模型训练好后的使用阶段,模型的输入x为带有网纹的图片A及图片A对应的图片B。
模型的输出p为A与B的相似度。
其中,带有网纹的图片A为从公安部系统中获取的身份网纹照,可以作为anchor,图片B为对用户上传的拍照图片叠加网纹后获得的图片。
本发明实施例提供的方法中,根据模型输出p(A,B)的值和预设阈值的比较,即根据p(A,B)的相似度值和预设值进行比较,可以判定A与B所含对象是否为同一对象。
本发明实施例提供的身份识别方法中,在对基础模型不断的训练过程中,当损失函数达到预设的训练终止条件时,终止对基础模型的训练,将终止训练时获得的模型作为应用在身份识别方法中的深度学习模型。
具体的,在人脸识别领域中,用户在申请人脸识别的过程中,将当前的人脸图片及用户的身份证号码,通过客户端上传给处理器,处理器获得与用户的身份证号码对应的证件网纹图片;处理器将按预设的生成方式,生成的目标网纹叠加在用户当前的人脸图片上,获得叠加有网纹的人脸图片,将所述叠加有网纹的人脸图片及获取的证件网纹图片,输入到预先建立的深度学习模型中,经所述深度学习模型处理,以确定所述叠加有网纹的人脸图片中的人脸,与所述证件网纹图片中的人脸是否为同一人脸,当为同一人脸时,通过对当前用户的身份识别。
本发明实施例提供的方法中,在所述深度学习模型的建立过程中,获取叠加有网纹的目标图片,包括:
选取未叠加有网纹的原始图片;
将所述目标网纹叠加在所述原始图片上,得到所述叠加有网纹的目标图片。
本发明实施例提供的身份识别方法,在获取训练样本的过程中,可以选取多个原始图片,所述原始图片中未叠加有网纹,例如在人脸识别领域中,所述原始图片可以为多个不同用户的多个包含人脸的生活照。在选取足够数量的原始图片后,按预设的生成方式,生成目标网纹,所述目标网纹与用户对应的公安系统中证件照上叠加的网纹具有很高的拟合度。将生成的目标网纹叠加在选取的每个原始图片上,获得作为训练样本的网纹图片。本发明实施例提供的身份识别方法中,可以根据用户对应证件照上叠加的网纹类型,生成与每个网纹类型对应的多种目标网纹,将每种目标网纹均作为训练用的网纹叠加在选取的原始图片上,以丰富训练样本的种类。
在具体的训练过程中,发明人经过研究发现,现有证件照中,网纹类型可以包括四类,假设为网纹1、网纹2、网纹3、网纹4,在具体选取训练样本的过程中,可以选取用户的生活照片,在所述生活照片上叠加网纹1,获得用户叠加有网纹1的人脸图片1,将所述叠加有网纹1的人脸图片1与用户对应的带有网纹1的证件照,以正向数据集的形式,作为训练过程中所述基础模型的输入。
还可以,以叠加有网纹1的人脸图片1与用户对应的带有网纹2的证件照,作为训练过程中所述基础模型的输入,以此类推,叠加有网纹1的人脸图片还可以与带有网纹3、网纹4的证件照分别作为训练过程中所述基础模型的输入。
同时,所述人脸图片上,还可以叠加网纹2、网纹3或网纹4,通过结合带有不同网纹的证件照,作为训练过程中的基础模型的输入。
本发明实施例中,还可以将叠加有网纹1的人脸图片1与其他用户对应的带有网纹1、网纹2、网纹3或网纹4的证件照,以负向数据集的形式,分别作为基础模型的负例样本输入。用户的生活照也可以叠加网纹2、网纹3或网纹4。
本发明实施例中,将得到的各个正向数据集及负向数据集一同输入基础模型中,对基础模型进行训练,以最终获得深度学习模型。
本发明实施例提供的身份识别方法中,依据预设的生成方式,生成目标网纹的过程,如图3所示,具体包括:
S201:依据预先建立的目标函数,生成初始网纹波形;
S202:依据所述初始网纹波形,生成所述目标网纹。
本发明实施例提供的方法中,在选取用于训练的训练样本时,可以选取用户的生活照作为原始图片,在需要向选取的原始图片上叠加网纹时,向处理器发送网纹生成请求,处理器在接收到用户发送的网纹生成请求时,调用预先建立的目标函数,生成初始网纹波形。以所述初始网纹波形为基础波形,对所述初始网纹网纹波形进行基准变换,最终生成可以叠加在选取的原始图片上的目标网纹。
在人脸识别领域中,应用本发明实施例提供的方法前,预先选取多个人脸图像,选取完成后,用户可以向处理器发送网纹生成请求,处理器在接收到该网纹生成请求时,生成初始网纹波形,然后基于所述初始网纹波形生成可以叠加在人脸图像上的目标网纹,将生成的目标网纹分别叠加在每个人脸图像上,获得多个叠加有网纹的人脸图像,将这些叠加有网纹的人脸图像用于训练样本,对用于人脸识别的深度学习模型进行训练,丰富了训练样本,从而可以提升深度学习模型的识别精度。
本发明实施例提供的方法中,为了达到更好的识别效果,所生成的目标网纹,在网纹的形态、线条粗细、深浅/透明度、网纹的纹路角度等多个方面,应该非常接近样本网纹图片中的网纹,这些样本网纹图片可以是从公安系统中获取的人脸网纹图片。
本发明实施例提供的方法中,获取目标函数以后,应用所述目标函数生成初始网纹波形,所述初始网纹波形以数组的形式存储在内存中,当需要调用所述初始网纹波形时,从内存中读取所述初始网纹波形对应的数组中的数值。
为了使生成的目标网纹与以往的样本网纹图片中的网纹相近,本发明实施例预先建立有目标函数,应用所述目标函数生成的初始网纹波形的波形线条、粗细、频率、波长等波形要素,可以与从公安系统中获取的人脸网纹图片中的网纹的各个要素相近。
本发明实施例提供的方法中,在获取预先建立的目标函数后,应用所述目标函数生成初始网纹波形。本发明实施例提供的方法中,目标函数的预先建立过程,如图4所示,具体可以包括:
S301:选取基础函数,并解析已获取的样本网纹的网纹属性;
S302:依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得所述目标函数。
本发明实施例提供的方法中,为了使生成的网纹,在形态、线条粗细、深浅/透明度、网纹的纹路角度等多个方面,更接近从公安系统中获取的人脸网纹图片中的网纹,本发明实施例提供的方法中,可以预先从公安系统中获取多个人脸网纹图片,将获取的人脸网纹图片中的网纹作为样本网纹,根据人脸网纹图片中样本网纹波形,在函数库中选取基础函数,所述函数库中包含有正弦函数、余弦函数及其它基础函数形式。例如,获取的人脸网纹图片中的网纹波形为正弦波时,可以选取能够生成正弦波的基础函数。
本发明实施例提供的方法中,所述基础函数为三角函数的线性组合函数;所述三角函数为正弦函数或余弦函数;
所述基础函数的函数参数包括所述基础函数中包含的每个三角函数的振幅、角频率及初相。
本发明实施例提供的方法中,在生成网纹图片的过程中,可以以选取的样本网纹图片中的样本网纹为参照,选取对应的三角函数,具体的,假设样本网纹图片为从公安系统中选取的人脸网纹图片,所述人脸网纹图片中的网纹为正弦波或接近正弦波的波形时,可以对应选取正弦函数,所述正弦函数的形式可以为sinx或Asinx的形式。以选取的正弦函数为基础,参照所述人脸网纹波形中的波形形状,对所述正弦函数进行多次试验运算获得所述正弦函数对应的基础函数,所述基础函数的函数形式可以为:
三角函数Bsin(ωx+ψ)
或三角函数的线性组合B1sin(ω1x+ψ1)+B2sin(ω2x+ψ2)+…Bnsin(ωnx+ψn)的形式,其中n为正整数。
本发明实施例提供的方法中,选取的基础函数所生成的网纹线条,可以与目标网纹图片中的目标网纹相近似,为了更好的使生成的网纹与目标网纹接近,在所述基础函数的基础上,可以依据样本网纹的网纹属性,对所述基础函数中包含的每个三角函数的振幅、周期系数及初相进行调整。其中三角函数Bsin(ωx+ψ)中,B为三角函数的振幅,ω为三角函数的角频率,ψ为三角函数的初相。
在具体的对基础函数的各个参数进行调整时,可以同时对所述基础函数包含的每个三角函数中的振幅、周期系数及初相进行调整,例如在B1sin(ω1x+ψ1)+B2sin(ω2x+ψ2)+…Bnsin(ωnx+ψn)的形式中,可以同时对B1、ω1、ψ1、B2、…Bn、ωn及ψn进行调整,也可以保持其中某几个参数不变,对其它各个参数进行调整。在函数形式Bsin(ωx+ψ)中,也可以同时对B、ω、ψ进行调整,或者保持B不变,对ω、ψ进行调整。无论上述哪种函数形式,亦或哪种参数调整方式,最终确定的目标函数中的各个三角函数的参数值为一组固定的参数值,所述确定了各个参数值的目标函数生成的网纹图形与样本网纹图形最为接近。在生成网纹图片的过程中,直接依据所述目标函数生成初始网纹波形。
本发明实施例提供的方法中,所述人脸网纹图片中的网纹为余弦波或接近余弦波的波形时,可以对应选取余弦函数,所述余弦函数的形式可以为cosx或Acosx的形式。以选取的余弦函数为基础,参照所述人脸网纹波形中的波形形状,对所述余弦函数进行多次试验运算获得所述余弦函数对应的基础函数,所述基础函数的函数形式可以为:
三角函数Bcos(ωx+ψ)
或三角函数的线性函数B1cos(ω1x+ψ1)+B2cos(ω2x+ψ2)+…Bncos(ωnx+ψn)的形式,其中n为正整数。
本发明实施例提供的方法中,还可以对余弦函数或正弦函数进行试验运算获得Asinx+Bcosx形式的基础函数,具体的函数形式均为本发明实施例通过多次的试验运算获得。
本发明实施例提供的方法中,选取的网纹图片样本中的网纹可以有多种形式,例如,发明人经过研究发现,从公安系统中选取的证件照中的网纹可以分为4种形式,证件照中的4种形式的网纹,整体上可以对应同一基础函数,每一种形式的证件照网纹,在所述基础函数的基础上,对应一组函数参数。应用本发明实施例提供的网纹图片生成方法时,可以分别以证件照中的每一种形式的网纹作为训练样本,可以对应产生4组函数参数。本发明实施例提供的方法中,可以对产生的4组函数参数进行存储,在后续需要针对证件照中的网纹产生对应的目标网纹时,可以首先确定针对的是证件照中哪一种形式的证件照网纹,然后对应的调取函数参数,代入所述基础函数中获得目标函数,应用所述目标函数生成初始网纹波形,进而获得所要得到的网纹。
具体的,在训练深度学习模型时,为了丰富样本数量,在获取的原始图片上叠加网纹时,可以调用4组函数,生成四种类型的网纹,分别叠加在选取的原始图片上,以丰富训练样本。
本发明实施例提供的方法,可以生成与公安系统中证件照中的网纹很相近的网纹,与证件照的网纹的拟合度很高,以本发明实施例提供的方法生成的网纹,在叠加到原始图片上获得目标图片,作为深度学习模型的训练样本训练出的深度学习模型,可以很好的对证件照中的人脸图像中的网纹进行去除。
本发明实施例提供的方法中,经过对正弦函数进行多次试验运算后,获得基础函数的函数形式可以为
或者
本发明实施例提供的方法中,在获得基础函数后,进一步解析获得样本网纹的网纹属性,例如,样本网纹的线条粗细,波长、振幅等属性,然后依据获取的样本网纹的网纹属性,对已经选取的函数参数进行调整,进而完成对目标函数的建立过程。例如,对于上述确定的两个基础函数,对于第一个基础函数,可以根据样本网纹的网纹属性,同时调整基础函数中A1、ω1、ψ1、A2、ω2、ψ2的值,达到建立目标函数的目的。不同的A1、ω1、ψ1、A2、ω2、ψ2的值,最终导致应用目标函数绘制的初始网纹波形的线条形状不同,如图5、图6所示,线条的粗细存在不同。
本发明实施例提供的方法中,基于初始网纹波形生成目标网纹的过程,具体包括:
依据所述初始网纹波形生成初始网纹单元;
在所述初始网纹单元中,截取多个网纹子单元,并将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹;每个所述网纹子单元的宽度值与所述已选取的原始图片的宽度值相同。
本发明实施例提供的方法中,以所述初始网纹波形为基础,可以生成初始网纹单元,所述初始网纹单元可以为两个相同初始网纹波形的交错图形,具体如图7所示的图形。本发明实施例提供的方法中,生成的始网纹波形是无限延伸的,因此,由所述初始网纹波形为基础,生成的初始网纹单元也是无限延伸的,图7中示出的初始网纹单元为无限延伸的整个初始网纹单元中的一部分。
本发明实施例提供的方法中,在初始网纹单元中截取多个网纹子单元,由于初始网纹单元是无限延伸的,本发明实施例提供的方法中,如图7所示,可以在无限延伸的初始网纹单元的任意位置,随机截取网纹子单元,所截取的网纹子单元的宽度值,与已选取的图像的宽度值相同。例如,已选取的原始图片为宽度2cm的图片,则截取的网纹子单元的宽度均为2cm。本发明实施例提供的方法中,将截取的每个网纹子单元,按一定的组合方式进行组合,最终组合形成可以叠加在已选取的原始图片上的目标网纹。本发明实施例提供的方法中,优选的,截取的各个网纹子单元的形状是相同的,可以从无限延伸的初始网纹单元中的不同位置处进行截取。
本发明实施例提供的方法中,所述依据所述初始网纹波形生成初始网纹单元的具体过程,可以包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形;
将所述第一网纹波形,从所述初始网纹波形的当前位置,按预设的矢量方向移动第一位移,获得所述初始网纹波形与所述第一网纹波形组合形成的初始网纹单元。
本发明实施例提供的方法中,以初始网纹波形为基础,可以对初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形,所述第一网纹波形与所述初始网纹波形为相同的网纹波形。本发明实施例提供的方法中,将第一网纹波形,由初始网纹波形的当前位置,按一定的矢量方向移动一段位移,即可以获得处于移动后位置的第一网纹波形与初始网纹波形组合形成的初始网纹单元。本发明实施例中,按设定的矢量方向优选的可以理解为在坐标系中,向X轴的正方形及Y轴的负方向上移动一定距离。
本发明实施例提供的方法中,所述第一网纹波形在X轴方向上的移动距离,为沿着第一网纹波形的波形方向,平移kT/2,T为波形的最小周期,k为奇数。
本发明实施例提供的网纹图片的生成方法中,所述依据所述初始网纹波形生成初始网纹单元的具体过程,还可以包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第二网纹波形;
将所述第二网纹波形,从所述初始网纹波形的当前位置,按预设的第二矢量方向移动第二位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图形;
将所述组合网纹图形,以其水平轴为旋转轴,旋转180度,获得所述初始网纹单元。
本发明实施例提供的方法中,以所述初始网纹波形为基础,可以对初始网纹波形进行复制获得与所述初始网纹波形对应的第二网纹波形,所述第二网纹波形与所述初始网纹波形为相同的网纹波形。本发明实施例提供的方法中,将所述第二网纹波形,由初始网纹波形的当前位置,在垂直方向上,移动一段位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图像,然后,将获得的组合网纹图像,以其所在的水平轴为旋转轴,进行纵向翻转,翻转180度后,获得所述初始网纹单元。
本发明实施例提供的网纹图片生成方法中,所述依据所述初始网纹波形生成初始网纹单元的具体过程,还可以包括:
依据所述初始网纹波形,生成第三网纹波形;所述第三网纹波形与所述初始网纹波形的初相位差为kπ,k为奇数;
获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
本发明实施例提供的方法中,在调用目标函数生成初始网纹波形后,还可以在所述初始网纹波形的基础上,再次调用目标函数生成第三网纹波形,所述第三网纹波形与所述初始网纹波形为相同的网纹波形,所述第三网纹波形与所述初始网纹波形为反相波形,即所述第三网纹波形与所述初始网纹波形的初相位相差π的奇数倍。将所述初始网纹波形与所述第三网纹波形进行组合,获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
本发明实施例提供的方法中,所述在所述初始网纹单元中,截取多个网纹子单元的具体过程,包括:
获取所述已选取的原始图片的宽度值;
在所述初始网纹单元中,随机截取多个宽度值与所述已选取的原始图片的宽度值相同的网纹子单元。
本发明实施例提供的方法中,由于已选取的原始图片具有一定尺寸,具有宽度及高度。在生成网纹叠加到该已选取的原始图片上的过程中,为了使网纹与已选取原始图片更好的结合,本发明实施例中,在初始网纹单元中,截取多个宽度值与已选取原始图片的宽度值相同的网纹子单元,将截取的网纹子单元叠加在已选取原始图片上。
本发明实施例提供的方法中,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹的具体过程,可以为以下步骤:
将所述多个网纹子单元,在已确定的第一目标区域中,由所述第一目标区域的顶部向底部,依次设置在所述第一目标区域中,以获得所述目标网纹;所述第一目标区域中,任意两个相邻网纹子单元之间的间距相等;所述第一目标区域与所述已选取的原始图片的大小相同。
本发明实施例提供的方法中,在生成目标网纹的过程中,可以预先确定第一目标区域,所述第一目标区域与已选取的原始图片的尺寸大小相同,所述第一目标区域与已选取的原始图片可以完整重合。在初始网纹单元中可以截取多个网纹子单元,所述网纹子单元的数目,可以根据所述第一目标区域的高度值进行确定,在截取完成多个网纹子单元后,可以依次将选取好的各个网纹子单元设置在所述第一目标区域中,设置过程可以从所述第一目标区域的顶部向底部进行设置,设置过程中,任意相邻网纹子单元之间的间距相等,所述间距的具体数值也可以根据所述第一目标区域的高度值进行确定。在设置完成后,获得需要的目标网纹。所述第一目标区域可以为一透明图片。
本发明实施例提供的网纹图片生成方法中,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹的具体实现过程,还可以为:
将每次从所述初始网纹单元中截取的网纹子单元,依次设置在已确定的第二目标区域中的各个目标位置上,直至所述第二目标区域中的各个目标位置上均设置有所述网纹子单元时,获得所述目标网纹;所述第二目标区域与所述已选取的原始图片的大小相同。
本发明实施例提供的方法中,可以预先确定第二目标区域,所述第二目标区域与已选取的原始图片的尺寸大小相同,所述第二目标区域与已选取的原始图片可以完整重合。所述第二目标区域与上述的第一目标区域可以为同一区域,可以为透明的图片。本发明实施例提供的方法中,可以在第二目标区域中设定多个目标位置,将每次从初始网纹单元中截取的网纹子单元设置在所述第二目标区域的一个目标位置上,然后再从初始网纹单元中截取新的网纹子单元,直至所述第二目标区域中的所有目标位置上均设置有网纹子单元时,将设置有多个网纹子单元的第二目标区域作为目标网纹。同时停止从初始网纹单元中继续截取网纹子单元。
本发明实施例提供的方法中,从初始网纹单元中截取网纹子单元,可以理解为从初始网纹单元中取走了一部分,作为网纹子单元,可以为理解为复制走了一部分,作为网纹子单元。
本发明实施例提供的方法中,在将目标网纹叠加在选取的原始图片上后,为了符合更加复杂的网纹图片的训练标准,本发明实施例提供的方法,还包括按预设的处理方式对叠加在所述已选取的原始图片上的目标网纹进行处理,具体包括:
选取随机数;
依据所述随机数,随机对叠加在所述已选取的网纹图片上的目标网纹的网纹属性进行调整。
本发明实施例提供的方法中,目标网纹叠加在已选取的原始图片上后,可选取一定的随机数,随机对叠加在已选取原始图片上的目标网纹的网纹属性进行调整,包括对目标网纹的频率、振幅、所朝方向等属性进行调整。具体的可以对叠加后的目标网纹进行调频、调幅、旋转及仿射变换等处理。
本发明实施例提供的方法中,可以将网纹图片叠加在已选取原始图片上后,再进行相应的随机数调整,也可以在生成目标网纹后,对所述目标网纹进行随机数调整后,在叠加在已选取的原始图片上。上述各个具体的实现方式,及各个实现方式的衍生过程,均在本发明保护范围内。
与图1所述的方法相对应,本发明实施例还提供了一种身份识别装置,用以对图1中方法的具体实现,本发明实施例提供的身份识别装置可以应用在计算机终端或各种移动设备中,其结构示意图如图9所示,具体包括:
接收单元401,用于接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
生成单元402,用于按预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;
处理单元403,用于将所述叠加有网纹的待识别图片与所述证件网纹图片,输入预先建立的深度学习模型中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果;
识别单元404,用于当所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
本发明实施例提供的身份识别装置,在用户请求进行身份识别的过程中,接收用户的待识别图片及用户标识信息;获取与所述用户标识信息对应的证件网纹图片;然后按预设的生成方式,生成目标网纹,将所述目标网纹叠加在待识别图片上,获得叠加有网纹的待识别图片,将叠加有网纹的待识别图片与获取的证件网纹图片输入到预先建立的深度学习模型中,由所述深度学习模型处理后,确定叠加有网纹的待识别图片与所述证件网纹图片中包含的图片对象是否为同一对象,当为同一对象时,通过对当前用户的身份验证。本发明提供的方法中,通过叠加网纹的方式,确定两个均带有网纹的图片中包含的图片对象是否为同一图片对象,抵消了由于图片上带有网纹对图片中对象识别带来的误差影响,提升了识别率,也提高了用户身份识别的准确度。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上文所述的身份识别方法。
本发明实施例还提供了一种电子设备,其结构示意图如图10所示,具体包括存储器501,以及一个或者一个以上的指令502,其中一个或者一个以上指令502存储于存储器501中,且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502实现上述任一身份识别方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备中还存在另外的相同要素。
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,在实施本发明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。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种身份识别方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种身份识别方法,其特征在于,包括:
接收用户通过客户端上传的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
按预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;具体包括:选取基础函数,并解析已获取的样本网纹的网纹属性;依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得目标函数,应用所述目标函数生成初始网纹波形,基于所述初始网纹波形,生成所述目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;
将所述叠加有网纹的待识别图片与所述证件网纹图片,输入预先建立的深度学习模型中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果;
当所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
2.根据权利要求1所述的方法,其特征在于,所述深度学习模型的建立过程,包括:
选取基础模型;
将多个已选取的训练三元组输入至所述基础模型中,对所述基础模型进行训练;
当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型;
所述训练三元组中包括:第一训练图片、第二训练图片和第三训练图片;其中,所述第一训练图片为叠加有网纹的目标图片,所述第二训练图片为与所述第一训练图片包含相同图片对象的叠加有网纹的图片或未叠加有网纹的图片;
所述第三训练图片为与所述第一训练图片包含不同图片对象的叠加有网纹的图片或未叠加有网纹的图片。
3.根据权利要求2所述的方法,其特征在于,在所述深度学习模型的建立过程中,获取叠加有网纹的目标图片,包括:
选取未叠加有网纹的原始图片;
将所述目标网纹叠加在所述原始图片上,得到所述叠加有网纹的目标图片。
4.根据权利要求1所述的方法,其特征在于,所述基础函数为三角函数的线性组合函数;所述三角函数为正弦函数或余弦函数;
所述基础函数的函数参数包括所述基础函数中包含的每个三角函数的振幅、角频率及初相。
5.根据权利要求1所述的方法,其特征在于,所述基于所述初始网纹波形生成所述目标网纹,包括:
依据所述初始网纹波形生成初始网纹单元;
在所述初始网纹单元中,截取多个网纹子单元,并将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹;每个所述网纹子单元的宽度值与原始图片的宽度值相同。
6.根据权利要求5所述的方法,其特征在于,所述依据所述初始网纹波形生成初始网纹单元,包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形;将所述第一网纹波形,从所述初始网纹波形的当前位置,按预设的第一矢量方向移动第一位移,获得所述初始网纹波形与所述第一网纹波形组合形成的初始网纹单元;
或
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第二网纹波形;将所述第二网纹波形,从所述初始网纹波形的当前位置,按预设的第二矢量方向移动第二位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图形;将所述组合网纹图形,以其水平轴为旋转轴,旋转180度,获得所述初始网纹单元;
或
依据所述初始网纹波形,生成第三网纹波形;所述第三网纹波形与所述初始网纹波形的初相位差为kπ,k为奇数;获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
7.根据权利要求5所述的方法,其特征在于,所述在所述初始网纹单元中,截取多个网纹子单元,包括:
获取所述原始图片的宽度值;
在所述初始网纹单元中,随机截取多个宽度值与所述原始图片的宽度值相同的网纹子单元。
8.根据权利要求5或7所述的方法,其特征在于,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将所述多个网纹子单元,在已确定的第一目标区域中,由所述第一目标区域的顶部向底部,依次设置在所述第一目标区域中,以获得所述目标网纹;所述第一目标区域中,任意两个相邻网纹子单元之间的间距相等;所述第一目标区域与所述原始图片的大小相同。
9.根据权利要求5或7所述的方法,其特征在于,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将每次从所述初始网纹单元中截取的网纹子单元,依次设置在已确定的第二目标区域中的各个目标位置上,直至所述第二目标区域中的各个目标位置上均设置有所述网纹子单元时,获得所述目标网纹;所述第二目标区域与所述原始图片的大小相同。
10.根据权利要求1所述的方法,其特征在于,还包括:
选取随机数;
依据所述随机数,随机对叠加在原始图片上的目标网纹的网纹属性进行调整。
11.一种身份识别装置,其特征在于,包括:
接收单元,用于接收用户通过客户端上传的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
生成单元,用于按预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;具体包括:选取基础函数,并解析已获取的样本网纹的网纹属性;依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得目标函数,应用所述目标函数生成初始网纹波形,基于所述初始网纹波形,生成所述目标网纹,并将所述目标网纹叠加在所述待识别图片上,获得叠加有网纹的待识别图片;
处理单元,用于将所述叠加有网纹的待识别图片与所述证件网纹图片,输入预先建立的深度学习模型中,经过所述深度学习模型处理后,获得所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象是否为同一对象的输出结果;
识别单元,用于当所述叠加有网纹的待识别图片中包含的图片对象与所述证件网纹图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
12.一种存储介质,其特征在于,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~10任意一项所述的身份识别方法。
13.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~10任意一项所述的身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810802896.3A CN110738226B (zh) | 2018-07-20 | 2018-07-20 | 身份识别方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810802896.3A CN110738226B (zh) | 2018-07-20 | 2018-07-20 | 身份识别方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738226A CN110738226A (zh) | 2020-01-31 |
CN110738226B true CN110738226B (zh) | 2021-09-03 |
Family
ID=69235404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810802896.3A Active CN110738226B (zh) | 2018-07-20 | 2018-07-20 | 身份识别方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738226B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069738A (zh) * | 2015-07-24 | 2015-11-18 | 北京旷视科技有限公司 | 图像叠加水印方法和装置 |
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
JP2018055470A (ja) * | 2016-09-29 | 2018-04-05 | 国立大学法人神戸大学 | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
-
2018
- 2018-07-20 CN CN201810802896.3A patent/CN110738226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069738A (zh) * | 2015-07-24 | 2015-11-18 | 北京旷视科技有限公司 | 图像叠加水印方法和装置 |
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
JP2018055470A (ja) * | 2016-09-29 | 2018-04-05 | 国立大学法人神戸大学 | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム |
Also Published As
Publication number | Publication date |
---|---|
CN110738226A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10127680B2 (en) | Eye gaze tracking using neural networks | |
CN104898832A (zh) | 一种基于智能终端的3d实时眼镜试戴方法 | |
CN111275784A (zh) | 生成图像的方法和装置 | |
US20180082401A1 (en) | Warping panoramic images to fit a boundary | |
CN110738227B (zh) | 模型训练方法及装置、识别方法、存储介质及电子设备 | |
US20210248368A1 (en) | Document verification by combining multiple images | |
CN110738226B (zh) | 身份识别方法及装置、存储介质及电子设备 | |
CN112182648A (zh) | 一种隐私图像、人脸隐私的处理方法、装置及设备 | |
Rani et al. | Digital image forgery detection under complex lighting using Phong reflection model | |
CN108388840B (zh) | 一种人脸图像的配准方法、装置和人脸识别系统 | |
CN110084789A (zh) | 一种虹膜图像的质量评价方法及计算设备 | |
CN110738084B (zh) | 网纹图片生成方法及装置、存储介质及电子设备 | |
CN117015815A (zh) | 图像的选择性编校 | |
CN116917890A (zh) | 使用原始和修改的图像的用户认证 | |
CN110033420B (zh) | 一种图像融合的方法和装置 | |
Dong et al. | Multi‐scale point cloud registration based on topological structure | |
Wang et al. | Identifying people wearing masks in a 3D-scene | |
CN111192276B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115527079B (zh) | 掌纹样本的生成方法、装置、设备、介质及程序产品 | |
CN117408330B (zh) | 面向非独立同分布数据的联邦知识蒸馏方法及装置 | |
CN113538537B (zh) | 图像配准、模型训练方法、装置、设备、服务器及介质 | |
US20230118361A1 (en) | User input based distraction removal in media items | |
CN107093199A (zh) | 用于生成线索图的方法及装置 | |
ALBU et al. | Anti-Spoofing Techniques in Face Recognition, an Ensemble Based Approach | |
CN106210623A (zh) | 云端直方图分布检测平台 |
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 |