CN110991390A - 身份信息检索方法、装置、业务系统及电子设备 - Google Patents
身份信息检索方法、装置、业务系统及电子设备 Download PDFInfo
- Publication number
- CN110991390A CN110991390A CN201911293906.6A CN201911293906A CN110991390A CN 110991390 A CN110991390 A CN 110991390A CN 201911293906 A CN201911293906 A CN 201911293906A CN 110991390 A CN110991390 A CN 110991390A
- Authority
- CN
- China
- Prior art keywords
- biological
- identity information
- target
- target area
- library
- 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
Images
Classifications
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请公开了一种身份信息检索方法、装置、业务系统及电子设备,可提高针对身份信息的检索效率,该方法包括:获取第一业务请求,第一业务请求包括第一设备在待识别对象进入第一设备所属目标区域时采集的待识别对象的生物特征;在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与待识别对象的生物特征匹配的目标生物特征,其中每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,其他各级第一生物特征库由至少两个低一级的第一生物特征库聚合得到;获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第一业务请求对应的第一业务逻辑。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种身份信息检索方法、装置、业务系统及电子设备。
背景技术
随着生物特征识别技术的发展,以用户的生物特征(如指纹、人脸、虹膜等)作为身份认证的应用越来越多,如考勤、安防、电子支付等。在上述应用领域中,常用的做法是:预先采集大量用户的生物特征和身份信息,并关联存储到特征库中;使用时,获取到某一用户的生物特征后,从特征库中检索到与该用户的生物特征匹配的生物特征,从而获取到该用户的身份信息,基于身份信息执行相应的业务逻辑。
目前主要采用1:N的检索方式在特征库中检索匹配的生物特征,即提取到待检索的生物特征后,与特征库中所有的生物特征逐一比较,取相似度最高且超过阈值的若干项为检索结果。但是,当特征库中存储的数据量非常大时,特征库中包含的相似生物特征的数量越多,这无疑增加了检索到正确的生物特征的难度,同时超大规模的数据检索量也会消耗巨大的计算性能,降低了检索效率,现有检索方法的实用性和实时性较差。
发明内容
本申请实施例提供一种身份信息检索方法、装置、业务系统、电子设备及存储介质,以在面对海量身份信息时提高检索身份信息的效率和准确率。
一方面,本申请一实施例提供了一种身份信息检索方法,包括:
获取第一设备发送的第一业务请求,所述第一业务请求包括待识别对象的生物特征,所述生物特征是所述第一设备在所述待识别对象进入所述第一设备所属目标区域时采集的,所述目标区域包括多个,每个目标区域设置有至少一个第一设备;
在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与所述待识别对象的生物特征匹配的目标生物特征,其中,每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,除最低级别以外的其他各级中的任一个第一生物特征库,由级别比所述任一个第一生物特征库的级别低一级的至少两个关联的第一生物特征库聚合得到,且所述至少两个关联的第一生物特征库对应的目标区域具有业务关联关系;
获取所述目标生物特征对应的目标身份信息,以基于所述目标身份信息执行所述第一业务请求对应的第一业务逻辑。
一方面,本申请一实施例提供了一种身份信息检索装置,包括:
获取模块,用于获取第一设备发送的第一业务请求,所述第一业务请求包括待识别对象的生物特征,所述生物特征是所述第一设备在所述待识别对象进入所述第一设备所属目标区域时采集的,所述目标区域包括多个,每个目标区域设置有至少一个第一设备;
检索模块,用于在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与所述待识别对象的生物特征匹配的目标生物特征,其中,每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,除最低级别以外的其他各级中的任一个第一生物特征库,由级别比所述任一个第一生物特征库的级别低一级的至少两个关联的第一生物特征库聚合得到,且所述至少两个关联的第一生物特征库对应的目标区域具有业务关联关系;
执行控制模块,用于获取所述目标生物特征对应的目标身份信息,以基于所述目标身份信息执行所述第一业务请求对应的第一业务逻辑。
可选地,检索模块,还用于若未从多个第一生物特征库中检索到所述目标生物特征,则在第一全局生物特征库中检索与所述待识别对象的生物特征匹配的目标生物特征,其中所述第一全局生物特征库包括已注册对象的身份信息和生物特征。
可选地,身份信息检索装置还包括更新模块,用于若未从所述多个第一生物特征库中检索到所述目标生物特征,则将从所述第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到所述第一设备所属目标区域对应的第一生物特征库中。
可选地,身份信息检索装置还包括更新模块,用于:
根据获取到所述第一业务请求的时间,更新所述第一设备所属目标区域对应的第一生物特征库中所述目标身份信息的到访时间;
删除每个第一生物特征库中到访时间与当前时间之差大于时间阈值的身份信息和生物特征。
可选地,身份信息检索装置还包括聚合模块,用于通过如下方式聚合得到所述其他各级中的任一个第一生物特征库:
若比所述任一个第一生物特征库的级别低一级的至少两个第一生物特征库包含相同对象的数量超过预设数量,或所述多个第一生物特征库包含相同对象的数量与所述多个第一生物特征库聚合后包含的总对象数量的比值超过预设比值,则对所述至少两个第一生物特征库进行聚合,并对聚合后的第一生物特征库中相同的身份信息和生物特征进行去重处理,得到所述任一个第一生物特征库。
可选地,身份信息检索装置还包括特征融合模块,用于在检索到所述目标生物特征后,若所述待识别对象的生物特征的特征质量高于质量阈值,则根据所述待识别对象的生物特征,更新第一全局生物特征库中的所述目标生物特征。
可选地,身份信息检索装置还包括同步模块,用于将所述待识别对象的生物特征和身份信息添加到所述待识别对象可能离开的目标区域对应的第二生物特征库中;
相应地,检索模块,还用于在获取到第二设备发送的第二业务请求时,从所述第二设备所属目标区域对应的第二生物特征库中,检索到与所述第二业务请求中的生物特征匹配的目标生物特征,所述第二业务请求中的生物特征是所述第二设备在所述待识别对象离开所述第二设备所属目标区域时采集的;
执行控制模块,还用于获取所述目标生物特征对应的目标身份信息,以基于所述目标身份信息执行所述第二业务请求对应的第二业务逻辑。
可选地,所述同步模块,具体用于:
将所述待识别对象的生物特征和身份信息添加到所述第一设备所属目标区域对应的第二生物特征库中;
若距离获取到所述第一业务请求的时长和所述第一设备所属目标区域对应的第一时长列表中的任一时长下限相匹配时,则将所述待识别对象的生物特征和身份信息添加到匹配的时长下限值对应的目标区域的第二生物特征库中,其中,每个目标区域对应一个第一时长列表,第一时长列表用于存储从对应的目标区域到达可能离开的目标区域所需时长的时长下限值。
可选地,所述同步模块,具体用于:
所述将所述待识别对象的生物特征和身份信息添加到所述待识别对象可能离开的目标区域对应的第二生物特征库中,具体包括:
将所述待识别对象的生物特征和身份信息添加到所述第一设备所属目标区域对应的第二生物特征库中;
针对任一目标区域和与其相邻的目标区域,每间隔第一时长,将所述任一目标区域对应的第二生物特征库中的生物特征和身份信息添加到所述与其相邻的目标区域对应的第二生物特征库中,所述第一时长等于从所述任一目标区域到达所述与其相邻的目标区域所需时长的时长下限值。
可选地,身份信息检索装置还包括更新模块,用于将基于所述第一业务请求检索到的生物特征和身份信息添加到第二全局生物特征库中;
检索模块,还用于若未从所述第二设备所属目标区域对应的第二生物特征库中检索到与所述第二业务请求中的生物特征匹配的目标生物特征,则在所述第二全局生物特征库中检索与所述第二业务请求中的生物特征匹配的目标生物特征。
可选地,身份信息检索装置还包括删除模块,用于在执行完所述第二业务逻辑后,删除第二生物特征库和第二全局生物特征库中所述待识别对象的生物特征和身份信息。
可选地,身份信息检索装置还包括更新模块,用于:
若所述第二设备所属目标区域对应的最低级别的第一生物特征库中不包含所述待识别对象的生物特征和身份信息,则将所述待识别对象的生物特征和身份信息添加到所述第二设备所属目标区域对应的最低级别的第一生物特征库中,并将获取到所述第二业务请求的时间确定为所述待识别对象的身份信息在所述第二设备所属目标区域对应的最低级别的第一生物特征库中的到访时间;
若所述第二设备所属目标区域对应的最低级别的第一生物特征库中包含所述待识别对象的生物特征和身份信息,则根据获取到所述第二业务请求的时间,更新所述第二设备所属目标区域对应的最低级别的第一生物特征库中所述待识别对象的身份信息的到访时间。
一方面,本申请一实施例提供了一种基于身份信息检索的业务系统,包括多个设备、检索服务器和业务服务器;
所述设备用于向所述检索服务器发送业务请求,所述业务请求包括第一业务请求和/或第二业务请求;
所述检索服务器用于执行上述任一种方法的步骤;
所述业务服务器用于基于所述检索服务器检索到的目标身份信息执行所述业务请求对应的业务逻辑。
一方面,本申请一实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行计算机程序时实现上述任一种方法的步骤。
一方面,本申请一实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,该计算机程序指令被处理器执行时实现上述任一种方法的步骤。
一方面,本申请一实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现上述任一种方法的步骤。
本申请实施例提供的身份信息检索方法、装置、业务系统、电子设备及存储介质,基于对象使用设备的时空特性,将第一全局生物特征库划分成多个具有层级关系的第一生物特征库,由于多个具有层级关系的第一生物特征库是基于业务系统内的设备被使用的时空相关性确定的,即第一生物特征库中存储的是近期进入对应目标区域内的对象的信息,也就是说,这些对象经常进入这些目标区域。因此,在基于上述多个具有层级关系的第一生物特征库进行身份信息检索时,被检索的特征库的规模逐步扩大,且优先匹配近期进入该目标区域的对象,保证在较低级别的第一生物特征库中即可命中大部分对象,这样既能显著降低检索过程中的计算开销,又能提升检索的准确率、召回率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A为本申请实施例提供的身份信息检索方法的应用场景示意图;
图1B为本申请一实施例提供的基于身份信息检索方法实现地铁刷脸乘车的应用场景;
图1C为本申请实施例提供的地铁刷脸乘车产品的交互流程图;
图2为本申请实施例提供的多个具有层级关系的第一生物特征库的层级关系示意图;
图3为本申请一实施例提供的身份信息检索方法的流程示意图;
图4为本申请一实施例提供的身份信息检索方法的流程示意图;
图5A为本申请一实施例提供的局部地铁线路的有向图;
图5B为本申请一实施例提供的局部地铁线路的无向图;
图5C为本申请一实施例中使用的地铁线路图的一个示例;
图6A为本申请一实施例提供的乘客进站时的身份信息检索方法的流程示意图;
图6B为本申请一实施例提供的乘客出站时的身份信息检索方法的流程示意图;
图7为本申请一实施例提供的身份信息检索装置的结构示意图;
图8为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
生物特征,是指通过计算机设备采集的对象所固有的生理特征(如指纹、虹膜、脸部特征、DNA等)或行为特征(如步态、击键习惯等),基于生物特征可实现身份识别等。
身份信息,是指唯一标识对象身份的信息,如身份证号、用户名等。
对象,是指某一业务场景下所需检测、识别的群体。例如,在地铁乘车场景下,对象为乘客;在门禁系统场景下,对象为通过门禁系统的人员。
特征库,是指用于存储某一业务场景下需要获取业务服务的已注册对象的生物特征和身份信息的数据库。
目标区域,是根据业务系统中各个设备之间的业务关联关系,将业务所覆盖的区域划分成多个目标区域,每个目标区域内包括至少一个设备。在对象进入或离开某一目标区域时,该目标区域内的设备采集该对象的生物特征,基于特征库中的数据进行身份验证,并执行相应的业务逻辑。以地铁刷脸乘车的应用场景为例,可将每个车站划分为一个目标区域,每个车站设置有多台闸机设备,进站口的闸机设备用于在乘客进入车站时采集乘客的生物特征,出站口的闸机设备用于在乘客离开车站时采集乘客的生物特征。
在具体实践过程中,有很多业务场景中,例如地铁乘车场景、门禁业务场景,需要利用请求业务的对象的生物特征验证对象身份,一般情况下会针对注册对象来建立生物特征与身份信息的特征库,在对象进入或离开业务场景中的任一目标区域时,通过部署在该目标区域内的设备采集该对象的生物特征,并采用1:N的检索方式在特征库中检索匹配的生物特征,其中N为特征库中生物特征的总数,即提取到待检索的生物特征后,与特征库中所有的生物特征逐一比较,取相似度最高且超过阈值的若干项为检索结果,从而得到该对象的身份信息。但是,当特征库中存储的数据量非常大时,特征库中包含的相似生物特征的数量越多,这无疑增加了检索到正确的生物特征的难度,同时超大规模的数据检索量也会消耗巨大的计算性能,降低了检索效率,现有检索方法的实用性和实时性较差。尤其是当应用场景的特征库非常大,同时对检索准确率、召回率的要求也非常高的情况下,如地铁刷脸乘车的应用场景,非常需要一种既能保证检索效率又能保证检索准确率的检索方式。
为此,本申请提出,将业务系统内的设备划分成多个目标区域,每个目标区域内包括至少一个设备,其中设备用于采集用户的生物特征并执行相应的业务逻辑。根据设备被使用的情况,建立多个具有层级关系的第一生物特征库。其中每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,第一生物特征库中的身份信息和生物特征来自第一全局生物特征库,第一全局生物特征库用于存储已注册对象的身份信息和生物特征。除最低级别以外的其他各级中的任一个第一生物特征库,由级别比该任一个第一生物特征库的级别低一级的至少两个关联的第一生物特征库聚合得到,且至少两个关联的第一生物特征库对应的目标区域具有业务关联关系,因此,第一生物特征库的级别越高,其所覆盖的目标区域越多,进而所包含的对象越多。这样就可以基于对象使用设备的时空特性,将第一全局生物特征库划分成多个具有层级关系的第一生物特征库,在检索生物特征时,在多个第一生物特征库中逐级进行检索,检索范围逐步扩大。具体的身份信息检索方法包括:获取第一设备发送的第一业务请求,第一业务请求包括待识别对象的生物特征,生物特征是第一设备在待识别对象进入第一设备所属目标区域时采集的;在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与待识别对象的生物特征匹配的目标生物特征;获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第一业务请求对应的第一业务逻辑。由于多个具有层级关系的第一生物特征库是基于业务系统内的设备被使用的时空相关性确定的,即第一生物特征库中存储的是近期进入对应目标区域内的对象的信息,也就是说,这些对象经常进入这些目标区域,因此,在进行身份信息检索时,可保证在较低级别的第一生物特征库中即可命中大部分对象,这样既能显著降低检索过程中的计算开销,又能提升检索的准确率、召回率。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
参考图1A,其为本申请实施例提供的身份信息检索方法的应用场景示意图。该应用场景包括多个设备101(包括设备101-1、设备101-2、……设备101-n)、业务服务器102、检索服务器103和特征数据库104。其中,设备101、业务服务器102、检索服务器103和特征数据库104之间可通过通信网络连接。设备101根据实际应用场景确定,包括但不限于门禁设备、公共交通工具的计费终端(如地铁站、高铁站进出站的闸机设备,公交车的刷卡设备)、考勤终端等,设备101可采集使用者的生物特征,如人脸特征、指纹特征、虹膜特征等。业务服务器102用于响应设备101的业务请求,执行相应的业务逻辑,特征数据库104用于存储已注册用户的身份信息和生物特征,检索服务器103用于响应业务服务器102发起的身份信息检索请求,从特征数据库104中检索到相应的生物特征和身份信息。业务服务器102、检索服务器103和特征数据库104均可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。当然,图1A所示的业务服务器102、检索服务器103和特征数据库104也可以布设在同一个服务器或服务器集群中。
具体实施时,根据不同的应用场景和业务需求,设备101可布设在不同的物理空间内,如布设在大楼的不同楼层或不同进出口处,布设在不同的车站内,甚至布设在不同的城市。
以门禁系统的应用场景为例,设备101为分布在写字楼、小区等目标区域内的门禁设备,该门禁设备可采集用户的生物特征,以基于用户的生物特征识别用户的身份信息,进而执行开门的动作。特征数据库104中存储有已注册用户的身份信息和生物特征。当用户需要进入写字楼或小区时,门禁设备采集用户的生物特征并向业务服务器102发送开门请求,该开门请求包括采集的生物特征,业务服务器102响应开门请求向检索服务器103发起身份验证请求,该身份验证请求中包括用户的生物特征,检索服务器103从特征数据库104中检索到与身份验证请求中的生物特征相同的生物特征对应的身份信息,将该身份信息反馈给业务服务器102,业务服务器102通知门禁设备执行开门的动作,若检索服务器103没有检索到与身份验证请求中的生物特征相同的生物特征,则通知门禁设备不要开门。
参考图1B,以地铁刷脸乘车的应用场景为例,设备101为分布在各个地铁车站进站口和出站口的闸机设备105,该闸机设备105可采集乘客的人脸图像,以基于从人脸图像中提取的人脸特征识别乘客的身份信息,进而完成进站、出站以及车票的支付等业务。特征数据库104中存储有已注册乘客的身份信息和人脸特征,同时业务服务器102中还存储有与身份信息关联的用于支付车票的账户信息。参考图1C,为本申请实施例提供的地铁刷脸乘车产品的交互流程图。乘客可通过APP(Application,应用程序)或小程序等,将自己的身份信息和人脸图像上传至业务服务器102,业务服务器102通过内部的AI(ArtificialIntelligence,人工智能)算法提取人脸图像中的人脸特征,并将身份信息和人脸特征存储到特征数据库104中,并与乘客的账户信息进行绑定,以完成注册。进站时,闸机设备105检测到乘客后采集乘客的人脸图像,并向业务服务器102发送进站请求,该进站请求包括乘客的人脸图像和闸机设备105所在的车站ID;业务服务器102响应该进站请求,从人脸图像中提取人脸特征,并向检索服务器103发起身份验证请求,该身份验证请求中包括乘客的人脸特征,检索服务器103从特征数据库104中检索到与身份验证请求中的人脸特征相同的人脸特征对应的身份信息,将该身份信息反馈给业务服务器102,业务服务器102记录该身份信息并标记该乘客的进站车站(即进站请求中的车站ID),控制进对应进站口的闸机设备105放行,并开始计费。该乘客出站时,闸机设备105检测到乘客后采集乘客的人脸图像,并向业务服务器102发送出站请求,该出站请求包括乘客的人脸图像和闸机设备105所在的车站ID;业务服务器102响应该出站请求,从人脸图像中提取人脸特征,并向检索服务器103发起身份验证请求,该身份验证请求中包括乘客的人脸特征,检索服务器103从特征数据库104中检索到与身份验证请求中的人脸特征相同的人脸特征对应的身份信息,将该身份信息反馈给业务服务器102,业务服务器102根据身份信息获取该乘客进站时的车站ID,根据出站请求中的车站ID和进站时的车站ID,计算本次乘车所需支付的票价,获取与该身份信息关联的账户信息,从该账户信息对应的账户中扣除本次乘车所需支付的票价,控制进对应出站口的闸机设备105放行。
当然,本申请实施例提供的方法并不限用于上述所示的应用场景中,还可以用于其它可能的应用场景,本申请实施例并不进行限制。对于上述所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
下面结合上述所示的应用场景,对本申请实施例提供的技术方案进行说明。
首先,需要获得相关业务服务的用户需要先进行注册,向业务服务器上传身份信息和生物特征,由业务服务器将用户的身份信息和生物特征存储到特征数据库中,用于后续的身份信息检索。具体实施时,用户可通过其使用的移动终端中安装的相关业务的APP或小程序等应用程序上传自己的生物特征。完成注册后,用户即可通过相关业务服务的设备获取到对应的服务,如获得地铁刷脸乘车的服务、获得进入写字楼的权限。
具体地,可在特征数据库中设置第一全局生物特征库,用于存储已注册对象的身份信息和生物特征。本申请实施例中的对象可根据具体业务场景确定,例如,可以是乘客、员工、小区住户等。
具体实施时,参考图1A、1B的应用场景,可根据整个业务系统中设备的空间位置或设备功能等因素,将物理空间划分成多个目标区域,每个目标区域内设置有至少一个设备。在目标区域中设置的设备用于在待识别对象进入或离开该设备所属目标区域时采集待识别对象的生物特征。为了清楚地描述方案,后续将在待识别对象进入目标区域时采集待识别对象的生物特征的设备称为第一设备,将在待识别对象离开目标区域时采集待识别对象的生物特征的设备称为第二设备。当然,第一设备和第二设备也可以是同一台设备,即在同一台设备内实现第一设备和第二设备的功能,本申请实施例不作限定。
本申请实施例中的生物特征包括但不限于人脸特征、指纹特征、虹膜特征、声纹特征或步态特征等。具体实施时,可通过摄像头、3D深度传感器、指纹采集装置、声纹采集装置等采集待识别对象的生物特征,采集生物特征的技术为现有技术,不再赘述。
以地铁刷脸乘车的应用场景为例,可将每个车站划分为一个目标区域,每个车站设置有多台闸机设备,进站口的闸机设备(对应第一设备)用于在乘客进入车站时采集乘客的生物特征,出站口的闸机设备(对应第二设备)用于在乘客离开车站时采集乘客的生物特征。
以门禁系统的应用场景为例,可将园区内的每一栋写字楼划分为一个目标区域,或者将一栋写字楼中的不同楼层设置为一个目标区域。门禁设备用于在用户进入写字楼或楼层时采集用户的生物特征,以基于用户的生物特征识别用户的身份信息,进而执行开门动作或拒绝开门。一般门禁系统只在进入目标区域时进行身份检索和验证,而离开目标区域时可直接放行,因此门禁设备只需要具备第一设备的功能。当然,不排除需要在离开写字楼或楼层也需要验证身份后才可放行,或需要记录用户离开目标区域的时间等信息的应用场景,此时可在目标区域设置具备第二设备功能的门禁设备。
当特征数据库中包含海量对象的生物特征和身份信息时,需要匹配的生物特征数量非常多,导致检索效率降低。为此,可统计各个已注册对象使用设备的情况,根据对象使用设备的时空特性,建立多个具有层级关系的第一生物特征库,其中,每个第一生物特征库中的身份信息和生物特征均来自第一全局生物特征库。
首先,建立最低级别的第一生物特征库,最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征。
具体地,在业务系统上线前,可设置每个目标区域对应一个最低级别的第一生物特征库,此时,最低级别的第一生物特征库中不存在任何对象的信息。在对象使用设备过程中,将在第一全局生物特征库中检索到的使用该设备的对象的身份信息和生物特征,添加到该设备所属的目标区域对应的最低级别的第一生物特征库中,随着使用对象的增多,最低级别的第一生物特征库中存储的信息也会逐步增多。因此,使用过某一目标区域内任一设备的对象的信息会存储在该目标区域对应的最低级别的第一生物特征库中,当该对象再次使用该目标区域内的任一设备时,可直接从该目标区域对应的最低级别的第一生物特征库中检索到对应的身份信息,而无需去第一全局生物特征库中检索,由于最低级别的第一生物特征库的数据量远小于第一全局生物特征库,可大大提高检索效率。此外,为保证最低级别的第一生物特征库的规模不会持续增长,可设置时间限制,即最低级别的第一生物特征库仅存储指定时间段内进入对应目标区域的对象的身份信息和生物特征,例如,针对某一目标区域对应的最低级别的第一生物特征库,仅存储当天或一周内进入该目标区域的对象的身份信息和生物特征,即定期删除长期未再次进入该目标区域的对象的身份信息和生物特征。
然后,基于各个目标区域对应的最低级别的第一生物特征库,逐级建立其他各级的第一生物特征库。其中,除最低级别以外的其他各级中的任一个第一生物特征库,由级别比任一个第一生物特征库的级别低一级的至少两个关联的第一生物特征库聚合得到,且该至少两个关联的第一生物特征库对应的目标区域具有业务关联关系。
具体地,第二级别中的任一个第一生物特征库,由最低级别中的至少两个关联的第一生物特征库聚合得到,且上述最低级别中的至少两个关联的第一生物特征库对应的目标区域具有业务关联关。第三级别中的任一个第一生物特征库,由第二级别中的至少两个关联的第一生物特征库聚合得到,且上述第二级别中的至少两个关联的第一生物特征库对应的目标区域具有业务关联关。以此类推,通过逐级聚合得到具有层级关系的多个第一生物特征库。
因此,第一生物特征库的级别越高,所覆盖的目标区域越多,进而所包含的对象越多。
具体实施时,可根据目标区域的数量、各个目标区域对应的最低级别的第一生物特征库包含的对象的数量、以及第一全局生物特征库中包含的对象的数量等因素,自由设置中间过渡的层级数量。例如,当目标区域的数量较少、对象数量较少时,可不设置中间过度层级,即仅设置最低级别的第一生物特征库和第一全局生物特征库,或者适当在最低级别的第一生物特征库和第一全局生物特征库之间设置1到2个中间过渡层级。当目标区域的数量较多、对象数量较多时,例如应用场景为北京的地铁刷脸乘车系统时,可在最低级别的第一生物特征库和第一全局生物特征库之间设置多个中间过渡层级。
具体实施时,当进入多个目标区域的对象存在一定关联性时,表示这些目标区域之间存在业务关联关系。或者,可根据目标区域内的设备执行的具体业务,确定目标区域之间是否存在业务关联关系,例如,目标区域A为会场的入口,目标区域B为会场的出口,则目标区域A和目标区域B之间存在业务关联关系。
通过建立的多个级别的第一生物特征库,将一定范围内具有时空相关性的目标区域聚合到一起,在最低级别的第一生物特征库和第一全局库生物特征库之间的构建了多个层级的过渡,以在检索生物特征过程中,实现逐步扩大检索范围的检索方式,在保证能够检索到匹配的生物特征同时,提升检索效率。
作为一种可能的实施方式,通过如下方式聚合得到其他各级中的任一个第一生物特征库:若比任一个第一生物特征库的级别低一级的至少两个第一生物特征库包含相同对象的数量超过预设数量,或多个第一生物特征库包含相同对象的数量与多个第一生物特征库聚合后包含的总对象数量的比值超过预设比值,则对至少两个第一生物特征库进行聚合,并对聚合后的第一生物特征库中相同的身份信息和生物特征进行去重处理,得到任一个第一生物特征库。
以图2为例,假设针对第一生物特征库一共设置了3个级别,其中目标区域A1、A2、……An对应的最低级别(即第一级别)的第一生物特征库分别为B1、B2、……Bn。对B1、B2、……Bn进行聚合,得到第二级别的第一生物特征库C1、C2、……Cm,例如,B1、B2和B3中包含的对象的重合度高于与其他第一生物特征库,表示大量相同的对象进入过目标区域A1、A2和A3,则将B1、B2和B3聚合成第二级别中的一个第一生物特征库C1,其中对于A1、A2和A3中共有的对象,在聚合时需要进行去重处理,即第一生物特征库C1中对于相同对象只保留一份生物特征和身份信息。然后,采用相同的方式,继续对第二级别的第一生物特征库C1、C2、……Cm进行聚合,得到第二级别的第一生物特征库D1、D2、……Dk。
上述实施方式的目的是将同一级别中包含相同对象数量较多的多个第一生物特征库聚合成比该级别高一级的第一生物特征库,以将具有时空相关性的目标区域聚合在一起。
以地铁刷脸乘车的应用场景为例,分别统计在指定时间段内进入车站S1、S2、……Sn的乘客,得到车站S1、S2、……Sn分别对应的最低级别的第一生物特征库B1、B2、……Bn。然后,根据第一生物特征库中包含相同对象的数量,对最低级别的第一生物特征库B1、B2、……Bn进行聚合,以将包含相同乘客数量较多的多个第一生物特征库聚合在一起,例如,B1、B2、B10中相同乘客的数量超过1000个,或者B1、B2、B10中超过80%的乘客均相同,则表示这些乘客常进入车站S1、S2、S10乘坐地铁,此时可将B1、B2、B10聚合成一个第二级别的第一生物特征库,采用上述类似的方法对第一生物特征库B1、B2、……Bn进行聚合,得到多个第二级别的第一生物特征库C1、……Cm,m为小于n的正整数,当第一生物特征库B1、B2、……Bn发生变化时,聚合得到的第二级别的第一生物特征库的数量m也可能发生变化。若还设置有第三级别,则继续对第二级别的第一生物特征库C1、……Cm进行聚合,得到多个第三级别的第一生物特征库D1、……Dk,k为小于m的正整数,具体的聚合方式参考针对最低级别的第一生物特征库的聚合方式。针对其他更高级别的第一生物特征库,可采用上述的聚合方式对该级别低一级的第一生物特征库进行聚合得到,不再赘述。
需要说明的是,聚合过程中,每一级别所对应的预设数量和预设比例均不同,级别越高,预设数量和预设比例越小。
通过上述数据挖掘的方式,可将每一级别中人流相关性较大的第一生物特征库聚合到一个特征库中,进而构建出多个具有层级关系的第一生物特征库。
具体实施时,可在逻辑概念层面对第一全局生物特征库进行拆分,得到多个具有层级关系的第一生物特征库。具体地,第一全局生物特征库中的数据存储在特征数据库中,可为特征数据库中的每个对象设置特征库标签,用以记录该对象属于哪个生物特征库,例如,对象1的身份信息和生物特征存储在第一生物特征库A1、B1中,则对象1的特征库标签包括A1和B1。
基于此,参考图3,本申请实施例提供一种身份信息检索方法,包括以下步骤:
S301、获取第一设备发送的第一业务请求,第一业务请求包括待识别对象的生物特征,该生物特征是第一设备在待识别对象进入第一设备所属目标区域时采集的。
S302、在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与待识别对象的生物特征匹配的目标生物特征。
S303、获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第一业务请求对应的第一业务逻辑。
其中,第一业务请求和第一业务逻辑可根据具体的应用场景确定,本申请实施例不作限定。例如,在地铁刷脸乘车的应用场景下,第一业务请求可以是进站请求,第一业务逻辑可以是标记乘客(即待识别对象)进站的车站,并控制第一设备(即进站口闸机)放行。又如,在门禁系统的应用场景下,第一业务请求可以是开门请求,第一业务逻辑可以是通知对应的门禁设备执行开门的动作。
具体实施时,若未从多个第一生物特征库中检索到目标生物特征,则在第一全局生物特征库中检索与待识别对象的生物特征匹配的目标生物特征,其中第一全局生物特征库包括已注册对象的身份信息和生物特征。
以图2所示的多个具有层级关系的第一生物特征库为例,假设第一设备所属目标区域为A2,则优先在目标区域A2对应的最低级别的第一生物特征库B1中进行检索,若从第一生物特征库B1中检索到与待识别对象的生物特征匹配的目标生物特征,则停止检索,从第一生物特征库B1中获取目标生物特征对应的目标身份信息;若没有在第一生物特征库B1中检索到目标生物特征,则继续在目标区域A2对应的第二级别的第一生物特征库C1中进行检索;若从第一生物特征库C1中检索到与待识别对象的生物特征匹配的目标生物特征,则停止检索,从第一生物特征库C1中获取目标生物特征对应的目标身份信息;若没有在第一生物特征库C1中检索到目标生物特征,则在目标区域A2对应的第三级别的第一生物特征库D1中进行检索;若从第一生物特征库D1中检索到与待识别对象的生物特征匹配的目标生物特征,则停止检索,从第一生物特征库D1中获取目标生物特征对应的目标身份信息;若没有在第一生物特征库D1中检索到目标生物特征,则在第一全局生物特征库中进行检索,获取到与待识别对象的生物特征匹配的目标生物特征,进而获取到目标生物特征对应的目标身份信息,若没有在第一全局生物特征库中检索到目标生物特征,表示该待识别对象还未注册,可通知第一设备显示用于提示待识别对象还未注册的报错信息。
如果待识别对象在指定时间段内进入过目标区域A2,则第一生物特征库B1中存储有待识别对象的生物特征和身份信息,因此,从第一生物特征库B1中即可检索到待识别对象的生物特征和身份信息,由于第一生物特征库B1包含的对象数量较少,仅需要匹配少量的生物特征,即可检索到待识别对象的身份信息。
如果在指定时间段内,待识别对象未进入过目标区域A2,但是进入过目标区域A1或A3,则可以从第二级别的第一生物特征库C1中检索到待识别对象的生物特征和身份信息。与第一全局生物特征库相比,第一生物特征库C1包含的对象数量依然很少,依然可快速检索到待识别对象的身份信息。
具体实施时,若没有在较低级别的第一生物特征库中检索到目标生物特征,则在比该级别高一级的第一生物特征库中进行检索,此时,只需要对较低级别的第一生物特征库中未出过的生物特征进行比对。以图2为例,若没有在第一生物特征库B1中检索到目标生物特征,则继续在第一生物特征库C1中进行检索,此时,需要比对的生物特征为第一生物特征库B1不包含但第一生物特征库C1包含的生物特征。
以地铁刷脸乘车的应用场景为例,例如大量上班族的通勤路线相对固定,即进站和出站的站点相对固定,因此,这些乘客的身份信息和生物特征会存储在其经常乘坐的站点对应的最低级别的第一生物特征库中。因此,先在较低级别的第一生物特征库中检索,不命中时再到更高级别的第一生物特征库或第一全局生物特征库中检索,有助于提升针对路线固定的乘客进行检索的准确率、召回率,避免出现误检导致的错误扣款与用户投诉。同时,由于第一生物特征库的规模相较于第一全局生物特征库更小,节省了计算开销,提高了进站检索的效率,保证快速通行。例如,当检索库的规模从N降为M(M远小于N)时,在召回率不变的情况下,可使用更高的人脸相似度判定阈值,提升识别的准确率,或者使用更低的人脸相似度判定阈值,在保持准确率不变的情况下提升召回率,又或者调整阈值同时提升准确率和召回率;同时每次检索需要的特征比对次数由N-1下降为M-1,计算量显著下降。
本申请实施例提供的方法,基于对象使用设备的时空特性,将第一全局生物特征库划分成多个具有层级关系的第一生物特征库,由于多个具有层级关系的第一生物特征库是基于业务系统内的设备被使用的时空相关性确定的,即第一生物特征库中存储的是近期进入对应目标区域内的对象的信息,也就是说,这些对象经常进入这些目标区域。因此,在基于上述多个具有层级关系的第一生物特征库进行身份信息检索时,被检索的特征库的规模逐步扩大,且优先匹配近期进入该目标区域的对象,保证在较低级别的第一生物特征库中即可命中大部分对象,这样既能显著降低检索过程中的计算开销,又能提升检索的准确率、召回率。
在上述任一实施方式的基础上,本申请实施的身份信息检索方法还包括如下步骤:若未从多个第一生物特征库中检索到目标生物特征,则将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到第一设备所属目标区域对应的第一生物特征库中。
作为一种可能的实施方式,可将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到第一设备所属目标区域对应的所有级别的第一生物特征库中。以图2为例,假设第一设备所属目标区域为A2,则将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,分别添加到第一生物特征库B1、C1和D1中。
作为另一种可能的实施方式,还可以仅将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到第一设备所属目标区域对应的最低级别的第一生物特征库中。仍以图2为例,假设第一设备所属目标区域为A2,则将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到第一生物特征库B1中。
在此基础上,可定期对最低级别的第一生物特征库重新进行聚合,从而得到新的其他级别的第一生物特征库。此时,重新聚合后的其他级别的第一生物特征库所对应的目标区域可能会发生变化。以图2为例,在经过一段时间后进行重新聚合时,有可能第一生物特征库A1和A2的相关性更高,而第一生物特征库A3、A4和A5的相关性更高,因此,第一生物特征库A1和A2聚合成第一生物特征库B1,第一生物特征库A3、A4和A5聚合成第一生物特征库B2。
为此,当未从第一生物特征库中检索到与待识别对象匹配的生物特征时,将从第一全局生物特征库中检索的目标生物特征和目标身份信息添加到第一设备所属目标区域对应的第一生物特征库中,之后该对象使用该第一生物特征库所覆盖的所有目标区域中的任一第一设备时,均可以从第一生物特征库中快速检索到该对象的身份信息,有效提高了检索效率。
在上述任一实施方式的基础上,本申请实施的身份信息检索方法还包括如下步骤:基于获取到第一业务请求,更新第一设备所属目标区域对应的第一生物特征库中目标身份信息的到访时间。
具体实施时,可以根据获取到第一业务请求的时间,更新第一设备所属目标区域对应的第一生物特征库中目标身份信息的到访时间。或者,第一业务请求还包括第一设备发送第一业务请求的时间,可将第一业务请求携带的第一设备发送第一业务请求的时间,更新第一设备所属目标区域对应的第一生物特征库中目标身份信息的到访时间。
当未从多个第一生物特征库中检索到待识别对象的生物特征时,表示该待识别对象第一次进入第一设备所属目标区域,或者该待识别对象在指定时间段内未进入过第一设备所属目标区域,因此,需要先将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到第一设备所属目标区域对应的第一生物特征库中,然后再基于获取到第一业务请求,更新第一设备所属目标区域对应的第一生物特征库中目标身份信息的到访时间。
每当一个对象进入一次目标区域,更新其在目标区域对应的第一生物特征库中的身份信息的到访时间,保证第一生物特征库中针对每个身份信息存储的到访时间为最新的到访时间。
基于第一生物特征库中针对每个身份信息存储的到访时间,本申请实施的身份信息检索方法还包括如下步骤:删除每个第一生物特征库中到访时间与当前时间之差大于时间阈值的身份信息和生物特征。
本申请实施例中,时间阈值可根据应用场景的具体需求、存储的对象数量、对象进入目标区域的频率等因素确定,例如时间阈值可以是1天、一周或一个月,本申请实施例不做限定。
具体实施时,可定期删除各个第一生物特征库中长期没有进入过对应的目标区域的用户的身份信息和生物特征,保证第一生物特征库中的对象的数量不会持续增长,使第一生物特征库的规模维持在一个稳定合理的状态,进而保证了检索的算法效果与计算性能。
以地铁刷脸乘车的应用场景为例,可在每天地铁运营结束后,根据第一生物特征库中的到访时间,清除各个第一生物特征库中长期(例如超过N天)没有到访过的乘客的生物特征和身份信息,保证每个站点的第一生物特征库模不会持续增长,进而保证了检索的算法效果与计算性能。
此外,只需定期删除各个最低级别的第一生物特征库中长期没有进入过对应的目标区域的用户的身份信息和生物特征,然后,基于更新后的最低级别的第一生物特征库重新进行聚合,从而得到新的其他级别的第一生物特征库。
在上述任一实施方式的基础上,为了进一步提升检索的准确度,在检索到目标生物特征后,本申请实施例的方法还包括如下步骤:若待识别对象的生物特征的特征质量高于质量阈值,则根据待识别对象的生物特征,更新第一全局生物特征库中的目标生物特征。
其中,更新目标生物特征的方式包括但不限于:计算实时采集的待识别对象的生物特征和第一全局生物特征库中的目标生物特征的算术平均值或加权平局值,作为更新后的目标生物特征。
以人脸特征为例,具体实施时,可通过摄像头采集用户的图像,从而获取的人脸特征,可将图像的清晰度等指标作为特征质量,当图像的清晰度高于清晰度阈值时,根据待识别对象的人脸特征,更新第一全局生物特征库中该识别对象的人脸特征。基于人脸特征的更新方式可应用于通过摄像头采集的生物特征,如指纹特征、虹膜特征和步态特征等,具体实施方式不再赘述。
以声纹特征为例,具体实施时,可通过麦克风采集待识别对象的声音,进而通过声纹提取技术,从采集的声音中获取待识别对象的声纹特征,此时可分析声音的频谱等确定采集的声音指令,例如,如果采集的声音包含的背景噪声较多时,可放弃更新目标生物特征,如果采集的声音包含的背景噪声较少时,可基于实时采集的声纹特征,更新第一全局生物特征库中该识别对象的声纹特征。
具体实施时,在基于实时采集的生物特征更新完第一全局生物特征库中的生物特征后,还可以同时更新第一生物特征库中对应的生物特征。
基于上述特征融合策略,可将实时采集的高质量的生物特征,与生物特征库(包括但不限于第一全局生物特征库、第一生物特征库)中原有的生物特征进行融合,提高生物特征库中的生物特征质量,进而提高特征匹配的准确度。
在上述任一实施方式的基础上,参考图4,本申请实施还提供了一种身份信息检索方法,具体包括如下步骤:
S401、获取第一设备发送的第一业务请求,第一业务请求包括待识别对象的生物特征,该生物特征是第一设备在待识别对象进入第一设备所属目标区域时采集的。
S402、在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与待识别对象的生物特征匹配的目标生物特征。
S403、获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第一业务请求对应的第一业务逻辑。
S404、将待识别对象的生物特征和身份信息添加到待识别对象可能离开的目标区域对应的第二生物特征库中。
具体实施时,添加到第二生物特征库中的生物特征可以是基于第一业务请求中的生物特征检索到的目标生物特征,或者也可以是第一业务请求中的生物特征。
第一业务请求中的生物特征是待识别对象通过第一设备进入目标区域时实时采集的,将实时采集的生物特征添加到第二生物特征库,而第一全局生物特征库中的生物特征有可能是很久之前采集的。因此,相较于第一全局生物特征库中的生物特征,第二生物特征库中的生物特征与待识别对象在离开目标区域时采集的生物特征更相似,因此更容易检索命中,这样能够利用待识别对象的生物特征的时间相关性,提高待识别对象离开目标区域时检索的准确率与召回率。
S405、在获取到第二设备发送的第二业务请求时,从第二设备所属目标区域对应的第二生物特征库中,检索到与第二业务请求中的生物特征匹配的目标生物特征,第二业务请求中的生物特征是第二设备在待识别对象离开第二设备所属目标区域时采集的。
S406、获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第二业务请求对应的第二业务逻辑。
其中,第二业务请求和第二业务逻辑可根据具体的应用场景确定,本申请实施例不作限定。例如,在地铁刷脸乘车的应用场景下,第二业务请求可以是出站请求,第二业务逻辑可以是:根据目标身份信息获取该乘客进站时的车站ID,根据出站请求中的车站ID和进站时的车站ID,计算本次乘车所需支付的票价,获取与该身份信息关联的账户信息,从该账户信息对应的账户中扣除本次乘车所需支付的票价,并控制第二设备(即出站口闸机)放行。
S407、在执行完第二业务逻辑后,删除第二生物特征库中该待识别对象的生物特征和身份信息。
具体实施时,在待识别对象离开目标区域后,删除所有目标区域对应的第二生物特征库中该待识别对象的生物特征和身份信息,以减少第二生物特征库中存储的对象的数量,降低检索时需要匹配的数据量,提高检索效率。
本申请实施例中,为了提高待识别对象离开目标区域时检索身份信息的效率,为每个目标区域设置了对应的第二生物特征库,用于存储已经进入与该目标区域关联的目标区域、且可能从该目标区域离开的对象的生物特征和身份信息。当待识别对象从某一目标区域离开时,基于该目标区域对应的第二生物特征库,检索待识别对象的身份信息,由于第二生物特征库的规模很小,因此可以有效地提升了待识别对象离开目标区域时检索的准确率和召回率,节省了计算开销,提高了执行第二业务逻辑的效率。
图4所示的方法是针对一个待识别对象从进入目标区域到离开目标区域过程中进行身份信息检索的一个示例。实际应用中,业务系统需要同时处理海量的待识别对象,针对每个待识别对象的处理方式可参考图4。
在一种可能的实施方式中,步骤S404具体包括:将所述待识别对象的生物特征和身份信息添加到所述第一设备所属目标区域对应的第二生物特征库中;若距离获取到所述第一业务请求的时长和所述第一设备所属目标区域对应的第一时长列表中的任一时长下限相匹配时,则将所述待识别对象的生物特征和身份信息添加到匹配的时长下限值对应的目标区域的第二生物特征库中,其中,每个目标区域对应一个第一时长列表,第一时长列表用于存储从对应的目标区域到达可能离开的目标区域所需时长的时长下限值。
本申请实施例中,时长下限为从一个目标区域到另一个目标区域所需的最少时间。
具体实施时,可预先计算出每个目标区域到其他目标区域的时长下限,然后存储在每个目标区域对应的第一时长列表中。
以地铁线路为例,可将整个地铁线路视为一个有向图(Directe Graph)或无向图(Undirected Graph),每个地铁站点为图中的一个节点(Vertex),相邻站点之间的连通关系为边(Edge)。在有向图中,边的权重(Weight)(或边长)为乘坐一班列车从边的起始节点到结束节点的最短用时,将最短用时作为起始节点到结束节点的时长下限,参考图5A,站点X到站点Y的时长下限为TXY,站点Y到站点X的时长下限为TYX,站点X到站点Z的时长下限为TXZ,站点Z到站点X的时长下限为TZX。在无向图中,边的权重为乘坐一班列车从边的一个节点到另一个节点的时长下限,参考图5A,站点X和站点Y之间的时长下限为TXY,即从站点X到站点Y的时长下限和从站点Y到站点X的时长下限均为TXY。具体实施时,若对所有的站点而言,从任意站点X到任意站点Y的最短时间TXY等于从Y到X的最短时间TXY,则使用无向图描述地铁线路,否则使用有向图描述地铁线路。基于有向图和无向图,即可得到每个站点对应的第一时长列表。
具体实施时,可使用Dijkstra、Floyd等算法,预先计算出有向图或无向图中任意两个节点之间的时长下限。
针对其他应用场景,也可以使用上述有向图和无向图的方式,统计任意两个目标区域之间的时长下限,目标区域对应有向图或无向图中的节点,时长下限对应节点之间的边的权重。
仍以地铁乘车为例,参考图5A,假设乘客A在T0时刻进入站点X,站点X到站点Y的时长下限为TXY,站点X到站点Z之间的最短距离为TXZ,则在乘客A出站之前,在T0+TXY时刻将乘客A的生物特征和身份信息添加到站点Y的出站库(对应第二生物特征库)中,在T0+TXZ时刻将乘客A的生物特征和身份信息添加到站点Z的出站库中,在T0+TXZ+TYW时刻将乘客A的生物特征和身份信息添加到站点W的出站库中,依次类推,直至乘客A出站或乘客A的信息已经添加到至所有站点的出站库中。
上述实施方式根据目标区域之间的时长下限和待识别对象在目标区域停留的时长,预测待识别对象目前可能到达的目标区域,然后将待识别对象的信息添加到其可能到达的目标区域的第二生物特征库中。通过这种随时间逐步扩散的方式,保证对象离开目标区域时可以顺利的第二生物特征库中检索到该对象的信息,同时尽可能的减小第二生物特征库的规模,在保证检索业务顺利执行的同时提高检索效率。
在另一种可能的实施方式中,步骤S404具体包括:将待识别对象的生物特征和身份信息添加到第一设备所属目标区域对应的第二生物特征库中;针对任一目标区域和与其相邻的目标区域,每间隔第一时长,将任一目标区域对应的第二生物特征库中的生物特征和身份信息添加到与其相邻的目标区域对应的第二生物特征库中,第一时长等于从所述任一目标区域到达所述与其相邻的目标区域所需时长的时长下限值。
以地铁乘车为例,假设地铁线路使用有向图表示,在乘客进入某一站点时,可立即将该乘客的生物特征和身份信息添加到该站点的出站库中,此外,每隔一定的时间,相邻站点之间会同步出站库中的数据。例如,参考图5A,站点X到站点Y的时长下限为TXY,则每经过TXY时长,将站点X的出站库SoutX中的数据添加到站点Y的出站库SoutY中,具体地,可将SoutX中包含但SoutY不包含的数据添加到SoutY中,例如,可以求SoutX和SoutY的并集,然后将并集中的数据添加到SoutY,这样在时间TXY内进入站点X的乘客数据就可以同步到站点Y中了;站点Y到站点X的时长下限为TYX,则每经过TYX时长,将站点Y的出站库SoutY中的数据添加到站点X的出站库SoutX中,具体地,可将SoutY中包含但SoutX不包含的数据添加到SoutX中,例如,可以求SoutX和SoutY的并集,然后将并集中的数据添加到SoutX。其他站点之间也通过同样的方式不断地同步数据,使得进站乘客的数据随着时间不断地在站点之间扩散,直至该乘客出站或者该乘客的数据已经扩散至所有站点。
以地铁乘车为例,假设地铁线路使用无向图表示,在乘客进入某一站点时,可立即将该乘客的生物特征和身份信息添加到该站点的出站库中,此外,每隔一定的时间,相邻站点之间会同步出站库中的数据。例如,参考图5B,站点X到站点Y之间的时长下限为TXY,则每经过TXY时长,将站点X的出站库SoutX中的数据添加到站点Y的出站库SoutY中,具体地,可将SoutX中包含但SoutY不包含的数据添加到SoutY中,例如可以求SoutX和SoutY的并集,然后将并集中的数据添加到SoutY。同理,每经过TXY时长,可将SoutY中的数据添加到SoutX中。
上述实施方式,分别以相邻目标区域之间的时长下限为一个周期,周期性地同步相邻目标区域之间的第二生物特征库,以将进站乘客的数据通过多次同步,扩散到各个目标区域,保证对象离开目标区域时可以顺利的第二生物特征库中检索到该对象的信息,同时尽可能的减小第二生物特征库的规模,在保证检索业务顺利执行的同时提高检索效率。
在另一种可能的实施方式中,步骤S404具体包括:将待识别对象的生物特征和身份信息添加到第一设备所属目标区域对应的第二生物特征库中;针对任一目标区域,每间隔预设时长,将任一目标区域对应的第二生物特征库中的生物特征和身份信息添加到与其相邻的目标区域对应的第二生物特征库中。其中,预设时长不大于所有时长下限中的最小值。
以地铁乘车为例,例如,所有相邻站点间的时长下限中的最小值为2分钟,即最近的两个站之间都要花费2分钟才能从一个站点抵达另一个站点,则预设时长可以是2分钟,或者比2分钟更小的值。
上述实施方式中,以所有时长下限中的最小值为一个周期,周期性同步相邻目标区域之间的第二生物特征库,以将进站乘客的数据通过多次同步,扩散到各个目标区域,保证对象离开目标区域时可以顺利的第二生物特征库中检索到该对象的信息,同时尽可能的减小第二生物特征库的规模,在保证检索业务顺利执行的同时提高检索效率。
在一种可能的实施方式中,可通过如下方式来确定待识别对象可能离开的目标区域:每间隔预设时间,根据当前时间和获取到第一业务请求的时间差、以及第一设备所属目标区域和其他目标区域的关联关系,预测待识别对象可能离开的目标区域。
以地铁刷脸乘车的应用场景为例,当乘客从车站S1进站后,记录下该乘客的进站时间(可以将获取到第一业务请求的时间作为乘客的进站时间),随着时间的推移,从车站S1逐步向外扩散,确定出当前时刻该乘客可能抵达的车站,并将该用户的生物特征和身份信息添加到这些可到达的车站对应的第二生物特征库中。具体实施时,可使用图论中的最短连通路径算法,结合地铁线路图来确定当前时刻该乘客可能达到的车站。
在上述实施方式中,通过车站间的关联关系,提前预测出乘客出站的车站,并将该乘客的生物特征和身份信息添加到车站对应的第二生物特征库中,在乘客出站时,可直接从该车站对应的第二生物特征库中快速检索到该乘客的身份信息,有效地提升了出站检索的准确率、召回率,避免出现出不了站的情况,同时由于第二生物特征库的规模更小,节省了计算开销,提高了出站检索的效率,保证快速通行。
以图5C所示的地铁线路图为例,乘客从车站S2进站后,记录乘客进站时间T0,此时乘客有可能从车站S2出站,将该乘客的生物特征和身份信息添加到车站S2对应的第二生物特征库中。间隔2分钟后,确定当前时间T1和进站时间T0的时间差为2分钟,根据车站之间的里程数以及列车的运行速度,预测乘客此时可能抵达的车站为车站S1和S3,将该乘客的生物特征和身份信息添加到车站S1和S3对应的第二生物特征库中。再过2分种后,确定当前时间T1和进站时间T0的时间差为4分钟,采用同样的方式预测乘客此时可能抵达的车站仍然为车站S1和S3,则不作任何操作。再过2分种后,确定当前时间T1和进站时间T0的时间差为6分钟,预测乘客此时可能抵达的车站为车站S4,则将该乘客的生物特征和身份信息添加到车站S4对应的第二生物特征库中。再过2分种后,确定当前时间T1和进站时间T0的时间差为8分钟,预测乘客此时可能抵达的车站为车站S5、S10和S11,则将该乘客的生物特征和身份信息添加到车站S5、S10和S11对应的第二生物特征库中,此时,车站S1、S2、S3、S4、S5、S10和S11对应的第二生物特征库中均存储有该乘客的生物特征和身份信息,无论该乘客从上述哪个车站出站,都可以在对应的第二生物特征库中快速的匹配到该乘客的生物特征和身份信息。
在另一种可能的实施方式中,可通过如下方式来确定待识别对象可能离开的目标区域:根据第一设备所属目标区域和其他目标区域的关联关系,确定待识别对象可能离开的目标区域。
以门禁系统的应用场景为例,如果将园区内的每一栋写字楼划分为一个目标区域,而园区内的多栋写字楼之间内部相互连通,即用户无需通过门禁设备即可在这多栋写字楼之间穿行,表示这多栋写字楼对应的目标区域之间存在关联关系。例如,写字楼L1、L2和L3之间存在关联关系,写字楼L4和L5之间存在关联关系,则当用户通过写字楼L1的门禁设备进入写字楼L1后,将写字楼L1、L2和L3确定为该用户可能离开的目标区域,并将该用户的生物特征和身份信息添加到写字楼L1、L2和L3对应的第二生物特征库中;当用户通过写字楼L5的门禁设备进入写字楼L5后,将写字楼L4和L5确定为该用户可能离开的目标区域,并将该用户的生物特征和身份信息添加到写字楼L4和L5对应的第二生物特征库中。
在上述任一实施方式的基础上,本申请实施例的身份信息检索方法还包括如下步骤:将基于第一业务请求检索到的生物特征和身份信息添加到第二全局生物特征库中。其中,第二全局生物特征库用于存储进入任一目标区域的对象的生物特征和身份信息。
相应地,在执行完步骤S405之后,若未从第二设备所属目标区域对应的第二生物特征库中检索到与第二业务请求中的生物特征匹配的目标生物特征,则在第二全局生物特征库中检索与第二业务请求中的生物特征匹配的目标生物特征。
这样,可以避免在待识别对象离开目标区域时,出现无法检索到待识别对象的身份信息的情况。
具体实施时,当进出各个目标区域的对象的数量较少时,也可以不建立第二生物特征库,而是在获取到第二设备发送的第二业务请求时,直接从第二全局生物特征库中,检索到与第二业务请求中的生物特征匹配的目标生物特征。
具体实施时,在执行完第二业务逻辑后,可删除第二全局生物特征库中该待识别对象的生物特征和身份信息,以减少第二全局特征库中存储的对象的数量,降低检索时需要匹配的数据量,提高检索效率。
在上述任一实施方式的基础上,本申请实施例的身份信息检索方法还包括如下步骤:若第二设备所属目标区域对应的最低级别的第一生物特征库中不包含待识别对象的生物特征和身份信息,则将待识别对象的生物特征和身份信息添加到第二设备所属目标区域对应的最低级别的第一生物特征库中,并将获取到第二业务请求的时间确定为待识别对象的身份信息在第二设备所属目标区域对应的最低级别的第一生物特征库中的到访时间;若第二设备所属目标区域对应的最低级别的第一生物特征库中包含待识别对象的生物特征和身份信息,则根据获取到第二业务请求的时间,更新第二设备所属目标区域对应的最低级别的第一生物特征库中待识别对象的身份信息的到访时间。
这样,待识别对象离开的目标区域对应的第一生物特征库中就会存储有该待识别对象的身份信息和生物特征,并会基于待识别对象离开该目标区域的时间,更新对应的第一生物特征库中的到访时间。
以地铁刷脸乘车的应用场景为例,当乘客从车站S1进站,并从车站S10出站后,车站S1和车站S10对应的第一生物特征库中均存储有该乘客的生物特征和身份信息,且上述第一生物特征库中的到访时间均更新为本次乘车的时间。以上班族的通勤路线为例,其出站的车站一般都是下一次进站时的车站,因此,将乘客的信息同步到出站车站对应的第一生物特征库中,充分考虑了乘客的乘车的时空相关性,同时,在对第一生物特征库进行聚合时,更容易将大量固定路线中的进站车站和出站车站对应的第一生物特征库聚合在一起,有助于提高检索效率。
以地铁刷脸乘车的应用场景为例,针对每个站点设置了进站库(对应第一级别的第一生物特征库)、区域库(对应第二级别的第一生物特征库)、全局库(对应第一全局生物特征库)和出站库(对应第二生物特征库)。图6A和图6B为应用于地铁刷脸乘车的身份信息检索方法。
参考图6A,为乘客进站时的身份信息检索方法,具体包括如下步骤:
S601、获取第一设备发送的进站请求,该进站请求包括待识别对象的人脸特征。
其中,进站请求中的人脸特征是在待识别对象进入第一设备所属车站Sx时采集的。
S602、在车站Sx对应的进站库中检索与待识别对象的人脸特征匹配的目标人脸特征,判断是否在车站Sx对应的进站库中检索到目标人脸特征,若是,则执行步骤S606,否则执行步骤S603。
S603、在车站Sx对应的区域库中检索与待识别对象的人脸特征匹配的目标人脸特征,判断是否在车站Sx对应的区域库中检索到目标人脸特征,若是,则执行步骤S607,否则执行步骤S604。
S604、在车站Sx对应的全局库中检索与待识别对象的人脸特征匹配的目标人脸特征,判断是否在车站Sx对应的区域库中检索到目标人脸特征,若是,则执行步骤S608,否则执行步骤S605。
S605、向第一设备发送人脸识别失败的信息。
S606、更新车站Sx对应的进站库中该待识别对象对应的到访时间。
S607、将检索到的目标人脸特征和对应的目标身份信息添加到车站Sx对应的进站库中,并更新车站Sx对应的进站库和区域库中该待识别对象对应的到访时间。
S608、将检索到的目标人脸特征和对应的目标身份信息添加到车站Sx对应的进站库和区域库中,并更新车站Sx对应的进站库、区域库和全局库中该待识别对象对应的到访时间。
S609、获取检索到的目标人脸特征对应的目标身份信息,以基于目标身份信息执行进站请求对应的进站业务逻辑。
参考图6B,为乘客出站时的身份信息检索方法,具体包括如下步骤:
S611、获取第二设备发送的出站请求,该出站请求包括待识别对象的人脸特征。
其中,出站请求中的人脸特征是在待识别对象离开第二设备所属车站Sy时采集的。
S612、在车站Sy对应的出站库中,检索与待识别对象的人脸特征匹配的目标人脸特征,判断是否检索到目标人脸特征,若是,则执行步骤S613,否则执行步骤S618。
S613、判断车站Sy对应的进站库中是否存在目标人脸特征,若是,则执行步骤S615,否则执行步骤S614。
S614、将检索到的目标人脸特征和对应的目标身份信息添加到车站Sy对应的进站库,并执行步骤S615。
S615、更新车站Sy对应的进站库中该待识别对象对应的到访时间。
S616、获取目标人脸特征对应的目标身份信息,以基于目标身份信息执行出站请求对应的出站业务逻辑。
S617、删除所有车站对应的出站库中该待识别对象的生物特征和身份信息。
S618、向第二设备发送人脸识别失败的信息。
对于进站场景,先在乘客所在车站的进站库中检索,不命中时再到范围更大的区域库或全局库中检索,有助于提升大多数情况下(例如大量上班族使用固定通勤路线)的检索准确率和召回率,避免出现误检导致的错误扣款与用户投诉,同时由于检索库规模更小,节省了计算开销,提高了进站检索的效率,保证快速通行。
对于出站场景,使用乘客所在车站的出站库中检索,由于出站库规模很小,节省了计算开销,提高了出站检索的效率,保证快速通行。
下面以城市M的地铁交通数据为例,对本申请实施例的方法所带来的增益效果进行量化说明。该示例中的数据仅供参考,不代表实际数据。
假设城市M共有200个地铁站点,地铁用户总数为2千万,其中25%的用户使用刷脸乘车产品,则全局库的规模为2千万×25%=500万,即全局库中包含500万用户的信息,日均全线路客流为400万,其中25%的客流选择刷脸过闸,则平均每日进出站需要检索的次数为400万×25%=100万。
若针对进站、出站的乘客,直接从全局库中进行1:N检索,则日均人脸比对总次数为500万×100万×2=10万亿次,假定使用千亿分之一比对阈值,则日均识别出错次数为10万亿÷1千亿=100次,平均到进站和出站,各50次。
若加入站点进站库,假定日均乘客中有80%的乘客为某些站点(例如上班族的通勤站点)的常客,站点进站库规模为5万,则该站点的日均进站人脸比对次数可降为100万×(5万×80%+500万×20%)=100万×(4万+100万)=1.04万亿次,与10万亿次相比,下降了一个数量级。在此基础上再加入区域库,假定有95%的乘客为某一区域库对应的站点或区域的常客,该区域库规模为50万,则该区域的日均进站人脸比对次数可降为100万×(5万×80%+50万×15%+500万×5%)=100万×(4万+7.5万+25万)=0.365万亿次,与1.04万亿次相比,又下降了约三分之二。假定使用千亿分之一比对阈值,则日均进站识别出错次数为0.365万亿÷1千亿=3.65次。
若加入全局出站库,假定同一时间全线站点内滞留旅客数目规模为5万,则日均出站人脸比对次数可降为100万×5万=500亿。假定使用千亿分之一比对阈值,则日均出站识别出错500亿÷1千亿=0.5次。再考虑将全局出站库拆分到站点粒度,即为每个站点分别设置站点出站库,使用基于最短连通路径算法的扩散策略,假定乘客单次乘坐平均时间为半小时,可能到达全网1/4的站点,则日均出站人脸比对次数可降为500亿×1/4=125亿。假定使用千亿分之一比对阈值,则日均出站识别出错次数为125亿÷1千亿=0.125次。
基于上述数据可知,通过本申请实施例的身份信息检索方法,可将总的日均比对次数由10万亿次降为0.365万亿+125亿=0.3775万亿次,总的计算开销下降10÷0.3775≈26.5倍,同时日均进站比对出错次数由50次降为3.65次,出站比对出错次数由50次降为0.125次,总错误率同样下降100÷(3.65+0.125)5≈26.5倍。
基于上述示例可知,本申请实施例的身份信息检索方法,有助于提升大多数情况下(例如大量上班族使用固定通勤路线)的检索准确率、召回率,避免出现误检导致的错误扣款与用户投诉,同时由于检索库规模更小,节省了计算开销,提高了进站和出站的检索效率,保证快速通行。
如图7所示,基于与上述身份信息检索方法相同的发明构思,本申请实施例还提供了一种身份信息检索装置70,包括获取模块701、检索模块702和执行控制模块703。
获取模块701,用于获取第一设备发送的第一业务请求,第一业务请求包括待识别对象的生物特征,生物特征是第一设备在待识别对象进入第一设备所属目标区域时采集的,目标区域包括多个,每个目标区域设置有至少一个第一设备。
检索模块702,用于在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与待识别对象的生物特征匹配的目标生物特征,其中多个第一生物特征库具有层级关系,每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,其他各级中任一级第一生物特征库由至少两个比该级别低一级的第一生物特征库聚合得到,且至少两个比该级别低一级的第一生物特征库对应的目标区域具有业务关联关系。
执行控制模块703,用于获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第一业务请求对应的第一业务逻辑。
可选地,检索模块702,还用于若未从多个第一生物特征库中检索到目标生物特征,则在第一全局生物特征库中检索与待识别对象的生物特征匹配的目标生物特征,其中第一全局生物特征库包括已注册对象的身份信息和生物特征。
可选地,身份信息检索装置还包括更新模块,用于若未从多个第一生物特征库中检索到目标生物特征,则将从第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到第一设备所属目标区域对应的第一生物特征库中。
可选地,身份信息检索装置还包括更新模块,用于:
根据获取到第一业务请求的时间,更新第一设备所属目标区域对应的第一生物特征库中目标身份信息的到访时间;
删除每个第一生物特征库中到访时间与当前时间之差大于时间阈值的身份信息和生物特征。
可选地,身份信息检索装置还包括聚合模块,用于通过如下方式聚合得到其他各级中的任一个第一生物特征库:若比任一个第一生物特征库的级别低一级的至少两个第一生物特征库包含相同对象的数量超过预设数量,或多个第一生物特征库包含相同对象的数量与多个第一生物特征库聚合后包含的总对象数量的比值超过预设比值,则对至少两个第一生物特征库进行聚合,并对聚合后的第一生物特征库中相同的身份信息和生物特征进行去重处理,得到任一个第一生物特征库。
可选地,身份信息检索装置还包括特征融合模块,用于在检索到目标生物特征后,若待识别对象的生物特征的特征质量高于质量阈值,则根据待识别对象的生物特征,更新第一全局生物特征库中的目标生物特征。
可选地,身份信息检索装置还包括同步模块,用于将待识别对象的生物特征和身份信息添加到待识别对象可能离开的目标区域对应的第二生物特征库中;
相应地,检索模块702,还用于在获取到第二设备发送的第二业务请求时,从第二设备所属目标区域对应的第二生物特征库中,检索到与第二业务请求中的生物特征匹配的目标生物特征,第二业务请求中的生物特征是第二设备在待识别对象离开第二设备所属目标区域时采集的;
执行控制模块703,还用于获取目标生物特征对应的目标身份信息,以基于目标身份信息执行第二业务请求对应的第二业务逻辑。
可选地,同步模块,具体用于:
将待识别对象的生物特征和身份信息添加到第一设备所属目标区域对应的第二生物特征库中;
若距离获取到第一业务请求的时长和第一设备所属目标区域对应的第一时长列表中的任一时长下限相匹配时,则将待识别对象的生物特征和身份信息添加到匹配的时长下限值对应的目标区域的第二生物特征库中,其中,每个目标区域对应一个第一时长列表,第一时长列表用于存储从对应的目标区域到达可能离开的目标区域所需时长的时长下限值。
可选地,同步模块,具体用于:
将待识别对象的生物特征和身份信息添加到第一设备所属目标区域对应的第二生物特征库中;
针对任一目标区域和与其相邻的目标区域,每间隔第一时长,将任一目标区域对应的第二生物特征库中的生物特征和身份信息添加到与其相邻的目标区域对应的第二生物特征库中,第一时长等于从任一目标区域到达与其相邻的目标区域所需时长的时长下限值。
可选地,身份信息检索装置还包括更新模块,用于将基于第一业务请求检索到的生物特征和身份信息添加到第二全局生物特征库中;
检索模块702,还用于若未从第二设备所属目标区域对应的第二生物特征库中检索到与第二业务请求中的生物特征匹配的目标生物特征,则在第二全局生物特征库中检索与第二业务请求中的生物特征匹配的目标生物特征。
可选地,身份信息检索装置还包括删除模块,用于在执行完第二业务逻辑后,删除第二生物特征库和第二全局生物特征库中待识别对象的生物特征和身份信息。
可选地,身份信息检索装置还包括更新模块,用于:
若第二设备所属目标区域对应的最低级别的第一生物特征库中不包含待识别对象的生物特征和身份信息,则将待识别对象的生物特征和身份信息添加到第二设备所属目标区域对应的最低级别的第一生物特征库中,并将获取到第二业务请求的时间确定为待识别对象的身份信息在第二设备所属目标区域对应的最低级别的第一生物特征库中的到访时间;
若第二设备所属目标区域对应的最低级别的第一生物特征库中包含待识别对象的生物特征和身份信息,则根据获取到第二业务请求的时间,更新第二设备所属目标区域对应的最低级别的第一生物特征库中待识别对象的身份信息的到访时间。
本申请实施例提的身份信息检索装置与上述身份信息检索方法采用了相同的发明构思,能够取得相同的有益效果,在此不再赘述。
基于与上述身份信息检索方法相同的发明构思,本申请实施例还提供了一种电子设备,该电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、服务器等。如图8所示,该电子设备80可以包括处理器801和存储器802。
处理器801可以是通用处理器,例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于与上述身份信息检索方法相同的发明构思,本申请一实施例提供了一种基于身份信息检索的业务系统,包括多个设备、检索服务器和业务服务器。
其中,设备用于向检索服务器发送业务请求,该业务请求包括第一业务请求和/或第二业务请求。检索服务器用于执行上述任一实施方式中的身份信息检索方法对应的步骤。业务服务器用于基于检索服务器检索到的目标身份信息执行业务请求对应的业务逻辑。
本申请实施例提供了一种计算机可读存储介质,用于储存为上述电子设备所用的计算机程序指令,其包含用于执行上述身份信息检索方法的程序。
上述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
以上,以上实施例仅用以对本申请的技术方案进行了详细介绍,但以上实施例的说明只是用于帮助理解本申请实施例的方法,不应理解为对本申请实施例的限制。本技术领域的技术人员可轻易想到的变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (16)
1.一种身份信息检索方法,其特征在于,包括:
获取第一设备发送的第一业务请求,所述第一业务请求包括待识别对象的生物特征,所述生物特征是所述第一设备在所述待识别对象进入所述第一设备所属目标区域时采集的,所述目标区域包括多个,每个目标区域设置有至少一个第一设备;
在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与所述待识别对象的生物特征匹配的目标生物特征,其中,每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,除最低级别以外的其他各级中的任一个第一生物特征库,由级别比所述任一个第一生物特征库的级别低一级的至少两个关联的第一生物特征库聚合得到,且所述至少两个关联的第一生物特征库对应的目标区域具有业务关联关系;
获取所述目标生物特征对应的目标身份信息,以基于所述目标身份信息执行所述第一业务请求对应的第一业务逻辑。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若未从多个第一生物特征库中检索到所述目标生物特征,则在第一全局生物特征库中检索与所述待识别对象的生物特征匹配的目标生物特征,其中所述第一全局生物特征库包括已注册对象的身份信息和生物特征。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若未从所述多个第一生物特征库中检索到所述目标生物特征,则将从所述第一全局生物特征库中检索到的目标生物特征和目标身份信息,添加到所述第一设备所属目标区域对应的第一生物特征库中。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据获取到所述第一业务请求的时间,更新所述第一设备所属目标区域对应的第一生物特征库中所述目标身份信息的到访时间;
删除每个第一生物特征库中到访时间与当前时间之差大于时间阈值的身份信息和生物特征。
5.根据权利要求1所述的方法,其特征在于,通过如下方式聚合得到所述其他各级中的任一个第一生物特征库:
若比所述任一个第一生物特征库的级别低一级的至少两个第一生物特征库包含相同对象的数量超过预设数量,或所述多个第一生物特征库包含相同对象的数量与所述多个第一生物特征库聚合后包含的总对象数量的比值超过预设比值,则对所述至少两个第一生物特征库进行聚合,并对聚合后的第一生物特征库中相同的身份信息和生物特征进行去重处理,得到所述任一个第一生物特征库。
6.根据权利要求2所述的方法,其特征在于,在检索到所述目标生物特征后,所述方法还包括:
若所述待识别对象的生物特征的特征质量高于质量阈值,则根据所述待识别对象的生物特征,更新第一全局生物特征库中的所述目标生物特征。
7.根据权利要求1至6任一所述的方法,其特征在于,所述方法还包括:
将所述待识别对象的生物特征和身份信息添加到所述待识别对象可能离开的目标区域对应的第二生物特征库中;
在获取到第二设备发送的第二业务请求时,从所述第二设备所属目标区域对应的第二生物特征库中,检索到与所述第二业务请求中的生物特征匹配的目标生物特征,所述第二业务请求中的生物特征是所述第二设备在所述待识别对象离开所述第二设备所属目标区域时采集的;
获取所述目标生物特征对应的目标身份信息,以基于所述目标身份信息执行所述第二业务请求对应的第二业务逻辑。
8.根据权利要求7所述的方法,其特征在于,所述将所述待识别对象的生物特征和身份信息添加到所述待识别对象可能离开的目标区域对应的第二生物特征库中,具体包括:
将所述待识别对象的生物特征和身份信息添加到所述第一设备所属目标区域对应的第二生物特征库中;
若距离获取到所述第一业务请求的时长和所述第一设备所属目标区域对应的第一时长列表中的任一时长下限相匹配时,则将所述待识别对象的生物特征和身份信息添加到匹配的时长下限值对应的目标区域的第二生物特征库中,其中,每个目标区域对应一个第一时长列表,第一时长列表用于存储从对应的目标区域到达可能离开的目标区域所需时长的时长下限值。
9.根据权利要求7所述的方法,其特征在于,所述将所述待识别对象的生物特征和身份信息添加到所述待识别对象可能离开的目标区域对应的第二生物特征库中,具体包括:
将所述待识别对象的生物特征和身份信息添加到所述第一设备所属目标区域对应的第二生物特征库中;
针对任一目标区域和与其相邻的目标区域,每间隔第一时长,将所述任一目标区域对应的第二生物特征库中的生物特征和身份信息添加到所述与其相邻的目标区域对应的第二生物特征库中,所述第一时长等于从所述任一目标区域到达所述与其相邻的目标区域所需时长的时长下限值。
10.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将基于所述第一业务请求检索到的生物特征和身份信息添加到第二全局生物特征库中;
若未从所述第二设备所属目标区域对应的第二生物特征库中检索到与所述第二业务请求中的生物特征匹配的目标生物特征,则在所述第二全局生物特征库中检索与所述第二业务请求中的生物特征匹配的目标生物特征。
11.根据权利要求10所述的方法,其特征在于,在执行完所述第二业务逻辑后,所述方法还包括:
删除第二生物特征库和第二全局生物特征库中所述待识别对象的生物特征和身份信息。
12.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若所述第二设备所属目标区域对应的最低级别的第一生物特征库中不包含所述待识别对象的生物特征和身份信息,则将所述待识别对象的生物特征和身份信息添加到所述第二设备所属目标区域对应的最低级别的第一生物特征库中,并将获取到所述第二业务请求的时间确定为所述待识别对象的身份信息在所述第二设备所属目标区域对应的最低级别的第一生物特征库中的到访时间;
若所述第二设备所属目标区域对应的最低级别的第一生物特征库中包含所述待识别对象的生物特征和身份信息,则根据获取到所述第二业务请求的时间,更新所述第二设备所属目标区域对应的最低级别的第一生物特征库中所述待识别对象的身份信息的到访时间。
13.一种身份信息检索装置,其特征在于,包括:
获取模块,用于获取第一设备发送的第一业务请求,所述第一业务请求包括待识别对象的生物特征,所述生物特征是所述第一设备在所述待识别对象进入所述第一设备所属目标区域时采集的,所述目标区域包括多个,每个目标区域设置有至少一个第一设备;
检索模块,用于在具有层级关系的多个第一生物特征库中,按照从低到高的顺序逐级进行检索,直至检索到与所述待识别对象的生物特征匹配的目标生物特征,其中,每一目标区域对应的最低级别的第一生物特征库中包括在指定时间段内进入该目标区域的对象的身份信息和生物特征,除最低级别以外的其他各级中的任一个第一生物特征库,由级别比所述任一个第一生物特征库的级别低一级的至少两个关联的第一生物特征库聚合得到,且所述至少两个关联的第一生物特征库对应的目标区域具有业务关联关系;
执行控制模块,用于获取所述目标生物特征对应的目标身份信息,以基于所述目标身份信息执行所述第一业务请求对应的第一业务逻辑。
14.一种基于身份信息检索的业务系统,其特征在于,包括多个设备、检索服务器和业务服务器;
所述设备用于向所述检索服务器发送业务请求,所述业务请求包括第一业务请求和/或第二业务请求;
所述检索服务器用于执行权利要求1至12任一项所述方法的步骤;
所述业务服务器用于基于所述检索服务器检索到的目标身份信息执行所述业务请求对应的业务逻辑。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12任一项所述方法的步骤。
16.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该计算机程序指令被处理器执行时实现权利要求1至12任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911293906.6A CN110991390B (zh) | 2019-12-16 | 2019-12-16 | 身份信息检索方法、装置、业务系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911293906.6A CN110991390B (zh) | 2019-12-16 | 2019-12-16 | 身份信息检索方法、装置、业务系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991390A true CN110991390A (zh) | 2020-04-10 |
CN110991390B CN110991390B (zh) | 2023-04-07 |
Family
ID=70094066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911293906.6A Active CN110991390B (zh) | 2019-12-16 | 2019-12-16 | 身份信息检索方法、装置、业务系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991390B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101254A (zh) * | 2020-09-21 | 2020-12-18 | 深圳喜为智慧科技有限公司 | 一种提升图像识别精度和速度的方法和系统 |
CN112288939A (zh) * | 2020-12-15 | 2021-01-29 | 成都智元汇信息技术股份有限公司 | 一种基于人脸预采集的闸机人脸识别方法、系统、终端及存储介质 |
CN112667840A (zh) * | 2020-12-22 | 2021-04-16 | 中国银联股份有限公司 | 特征样本库构建方法、通行识别方法、装置及存储介质 |
CN113034771A (zh) * | 2021-03-12 | 2021-06-25 | 浙江大华技术股份有限公司 | 基于人脸识别的过闸方法、装置、设备及计算机存储介质 |
CN113345553A (zh) * | 2021-08-06 | 2021-09-03 | 明品云(北京)数据科技有限公司 | 一种基于分布式特征的交互方法、系统、设备和介质 |
CN113689613A (zh) * | 2021-08-25 | 2021-11-23 | 爱康网健康科技(北京)有限公司 | 门禁系统、门禁控制方法和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005339000A (ja) * | 2004-05-25 | 2005-12-08 | Casio Comput Co Ltd | 画像認識装置およびプログラム |
CN106469296A (zh) * | 2016-08-30 | 2017-03-01 | 北京旷视科技有限公司 | 人脸识别方法、装置和门禁系统 |
US20170177620A1 (en) * | 2015-12-17 | 2017-06-22 | Alibaba Group Holding Limited | Constructing fingerprint database and positioning based on fingerprint database |
CN107483416A (zh) * | 2017-07-27 | 2017-12-15 | 湖南浩丰文化传播有限公司 | 身份验证的方法及装置 |
CN108600250A (zh) * | 2018-05-04 | 2018-09-28 | 上海掌门科技有限公司 | 认证方法 |
CN108885698A (zh) * | 2018-07-05 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 人脸识别方法、装置和服务器 |
CN108921034A (zh) * | 2018-06-05 | 2018-11-30 | 北京市商汤科技开发有限公司 | 人脸匹配方法及装置、存储介质 |
CN109064613A (zh) * | 2018-09-18 | 2018-12-21 | 广州佳都数据服务有限公司 | 人脸识别方法及装置 |
CN109086669A (zh) * | 2018-06-29 | 2018-12-25 | 汉王科技股份有限公司 | 人脸识别身份验证方法、装置、电子设备 |
CN109685515A (zh) * | 2018-12-26 | 2019-04-26 | 广州市巽腾信息科技有限公司 | 基于动态栅格化管理的身份识别方法、装置及服务器 |
CN110321448A (zh) * | 2019-06-27 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 一种图像检索方法、装置和存储介质 |
CN110443120A (zh) * | 2019-06-25 | 2019-11-12 | 深圳英飞拓科技股份有限公司 | 一种人脸识别方法及设备 |
CN110443014A (zh) * | 2019-07-31 | 2019-11-12 | 成都商汤科技有限公司 | 身份验证方法、用于身份验证的电子设备和服务器、系统 |
CN110443198A (zh) * | 2019-08-06 | 2019-11-12 | 中国工商银行股份有限公司 | 基于人脸识别的身份识别方法和装置 |
CN110458091A (zh) * | 2019-08-08 | 2019-11-15 | 北京阿拉丁智慧科技有限公司 | 基于位置筛选的人脸识别1比n算法优化方法 |
CN110532416A (zh) * | 2019-08-30 | 2019-12-03 | 成都智元汇信息技术股份有限公司 | 一种提高人脸识别效率和精度的方法 |
-
2019
- 2019-12-16 CN CN201911293906.6A patent/CN110991390B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005339000A (ja) * | 2004-05-25 | 2005-12-08 | Casio Comput Co Ltd | 画像認識装置およびプログラム |
US20170177620A1 (en) * | 2015-12-17 | 2017-06-22 | Alibaba Group Holding Limited | Constructing fingerprint database and positioning based on fingerprint database |
CN106469296A (zh) * | 2016-08-30 | 2017-03-01 | 北京旷视科技有限公司 | 人脸识别方法、装置和门禁系统 |
CN107483416A (zh) * | 2017-07-27 | 2017-12-15 | 湖南浩丰文化传播有限公司 | 身份验证的方法及装置 |
CN108600250A (zh) * | 2018-05-04 | 2018-09-28 | 上海掌门科技有限公司 | 认证方法 |
CN108921034A (zh) * | 2018-06-05 | 2018-11-30 | 北京市商汤科技开发有限公司 | 人脸匹配方法及装置、存储介质 |
CN109086669A (zh) * | 2018-06-29 | 2018-12-25 | 汉王科技股份有限公司 | 人脸识别身份验证方法、装置、电子设备 |
CN108885698A (zh) * | 2018-07-05 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 人脸识别方法、装置和服务器 |
CN109064613A (zh) * | 2018-09-18 | 2018-12-21 | 广州佳都数据服务有限公司 | 人脸识别方法及装置 |
CN109685515A (zh) * | 2018-12-26 | 2019-04-26 | 广州市巽腾信息科技有限公司 | 基于动态栅格化管理的身份识别方法、装置及服务器 |
CN110443120A (zh) * | 2019-06-25 | 2019-11-12 | 深圳英飞拓科技股份有限公司 | 一种人脸识别方法及设备 |
CN110321448A (zh) * | 2019-06-27 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 一种图像检索方法、装置和存储介质 |
CN110443014A (zh) * | 2019-07-31 | 2019-11-12 | 成都商汤科技有限公司 | 身份验证方法、用于身份验证的电子设备和服务器、系统 |
CN110443198A (zh) * | 2019-08-06 | 2019-11-12 | 中国工商银行股份有限公司 | 基于人脸识别的身份识别方法和装置 |
CN110458091A (zh) * | 2019-08-08 | 2019-11-15 | 北京阿拉丁智慧科技有限公司 | 基于位置筛选的人脸识别1比n算法优化方法 |
CN110532416A (zh) * | 2019-08-30 | 2019-12-03 | 成都智元汇信息技术股份有限公司 | 一种提高人脸识别效率和精度的方法 |
Non-Patent Citations (4)
Title |
---|
JYOTIRMAY DEWANGAN 等: "Face Images Database Indexing for Person Identification Problem" * |
刘小华 等: "海量人脸数据库的快速检索" * |
李振东 等: "基于深度特征聚类的海量人脸图像检索" * |
汪昀 等: "一种支持海量人脸图片快速检索的索引结构" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101254A (zh) * | 2020-09-21 | 2020-12-18 | 深圳喜为智慧科技有限公司 | 一种提升图像识别精度和速度的方法和系统 |
CN112288939A (zh) * | 2020-12-15 | 2021-01-29 | 成都智元汇信息技术股份有限公司 | 一种基于人脸预采集的闸机人脸识别方法、系统、终端及存储介质 |
CN112667840A (zh) * | 2020-12-22 | 2021-04-16 | 中国银联股份有限公司 | 特征样本库构建方法、通行识别方法、装置及存储介质 |
CN113034771A (zh) * | 2021-03-12 | 2021-06-25 | 浙江大华技术股份有限公司 | 基于人脸识别的过闸方法、装置、设备及计算机存储介质 |
CN113034771B (zh) * | 2021-03-12 | 2023-06-02 | 浙江大华技术股份有限公司 | 基于人脸识别的过闸方法、装置、设备及计算机存储介质 |
CN113345553A (zh) * | 2021-08-06 | 2021-09-03 | 明品云(北京)数据科技有限公司 | 一种基于分布式特征的交互方法、系统、设备和介质 |
CN113345553B (zh) * | 2021-08-06 | 2022-01-11 | 明品云(北京)数据科技有限公司 | 一种基于分布式特征的交互方法、系统、设备和介质 |
CN113689613A (zh) * | 2021-08-25 | 2021-11-23 | 爱康网健康科技(北京)有限公司 | 门禁系统、门禁控制方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110991390B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991390B (zh) | 身份信息检索方法、装置、业务系统及电子设备 | |
US10963705B2 (en) | System and method for point-to-point traffic prediction | |
CN110163611B (zh) | 一种身份识别方法、装置以及相关设备 | |
US20220012512A1 (en) | Intelligent gallery management for biometrics | |
CN106529711B (zh) | 用户行为预测方法及装置 | |
CN108922178A (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
CN113053013A (zh) | 基于人脸识别的门禁控制方法、装置、计算机设备和介质 | |
CN111797926B (zh) | 城际迁徙行为识别方法、装置、计算机设备及存储介质 | |
CN112766978A (zh) | 地铁刷脸支付方法及装置 | |
CN109800318A (zh) | 一种归档方法及装置 | |
CN113077574A (zh) | 基于人脸识别的通行方法、系统、设备及介质 | |
CN110992397A (zh) | 人员出入轨迹追踪方法、系统、计算机设备和存储介质 | |
CN109359689B (zh) | 一种数据识别方法及装置 | |
CN112488388B (zh) | 基于概率分布的出站客流预测方法及装置 | |
CN112183161B (zh) | 人脸数据库的处理方法、装置及设备 | |
CN109656972A (zh) | 区域治安程度的确定方法及装置 | |
KR102177392B1 (ko) | 맥락 데이터 기반 모바일 사용자 인증 장치 및 방법 | |
KR101935161B1 (ko) | Sns와 여론조사를 융합한 예측 시스템 및 방법 | |
JP7328401B2 (ja) | 入出場マッチングシステムの概念 | |
CN114495301B (zh) | 一种地铁票务处理方法、装置、设备及存储介质 | |
CN115118496B (zh) | 身份认证信息的存储方法、装置以及身份认证设备 | |
WO2022127553A1 (zh) | 热点路线分析方法、装置、电子设备及存储介质 | |
CN115907745A (zh) | 基于MaaS一体化出行方法、装置及存储介质 | |
CN112529552A (zh) | 一种信息处理方法及装置 | |
KR20150083210A (ko) | 통화정보를 활용한 개인화된 행동패턴 추출 장치 및 방법 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021706 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |