CN111368921A - 多模态生物识别方法及装置 - Google Patents
多模态生物识别方法及装置 Download PDFInfo
- Publication number
- CN111368921A CN111368921A CN202010147763.4A CN202010147763A CN111368921A CN 111368921 A CN111368921 A CN 111368921A CN 202010147763 A CN202010147763 A CN 202010147763A CN 111368921 A CN111368921 A CN 111368921A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter data
- neural network
- verification
- decision model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000012795 verification Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 230000006698 induction Effects 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000000872 buffer Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明提供一种多模态生物识别方法及装置,方法包括:通过获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。本发明能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
Description
技术领域
本发明涉及生物识别技术领域,具体涉及一种多模态生物识别方法及装置。
背景技术
生物识别技术现在已广泛地应用于银行各个业务场景中,比如人脸识别技术,一方面人脸识别技术在精准度和安全级别上很高,符合信息时代的安全需求,但是人脸的外形状态很不稳定,摄像头角度、光线的调整等各种外在条件会影响人脸识别的稳定性。生物识别技术中的虹膜识别是安全级别最高且误识率接近为零,但虹膜采集对设备的要求很高,需要高精密的摄像头与扫描仪,多用于安全要求较高的业务场景,如金库门禁等。
在不同的业务场景下,由于现场环境的光线、温度、办理业务的安全级别等各种条件不同,所应用到的生物识别技术与设备也不同。因此,现有生物识别技术场景中,对多模态生物识别技术无法根据现场条件与业务安全来提供个性化服务,无法满足业务场景的个性化需求。
发明内容
针对现有技术中的问题,本发明提供一种多模态生物识别方法及装置,具体提供以下技术方案:
第一方面,本发明提供一种多模态生物识别方法,包括:
获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
进一步的,对所述有效数据进行格式转换处理之后,还包括:
将转换后的数据发送至数据中心,以使数据中心根据转换后的数据对预设的决策模型进行优化;
相对应的,所述将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式,包括:
将转换后的数据输入优化后的预设的决策模型,得到当前业务办理环境对应的验证模式。
其中,所述对获取的参数数据进行过滤处理,包括:
通过对获取的参数数据进行筛选处理,过滤所述参数数据中的噪音数据。
其中,所述对获取的参数数据进行筛选处理,包括:
采用正则表达式法、自然语言处理法和包装器归纳法中任意一种方式对获取的参数数据进行筛选处理。
其中,所述将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,包括:
采用Rete算法、Leaps算法、Treat算法和HAL算法中任意一种方式对过滤处理后的参数数据与预设的模式匹配规则进行比对处理。
其中,所述对所述有效数据进行格式转换处理,包括:
采用逻辑表示法、框架表示法、面向对象表示法、语义网表示法、XML表示法和本体表示法中任意一种方式对所述有效数据进行格式转换处理。
其中,所述预设的决策模型是采用BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络和反馈神经网络中任意一种并根据格式转换处理后的样本数据、样本数据对应的验证模式进行训练得到的。
其中,所述参数数据包括:环境光线、摄像角度、环境温度、办理业务的安全性中至少一种。
第二方面,本发明提供一种多模态生物识别装置,包括:
采集单元,用于获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
预处理单元,用于将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
验证单元,用于对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取单元,用于调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
进一步的,还包括:
优化单元,用于将转换后的数据发送至数据中心,以使数据中心根据转换后的数据对预设的决策模型进行优化;
相对应的,所述验证单元,包括:
验证子单元,用于将转换后的数据输入优化后的预设的决策模型,得到当前业务办理环境对应的验证模式。
其中,所述采集单元包括:
采集子单元,用于通过对获取的参数数据进行筛选处理,过滤所述参数数据中的噪音数据。
其中,所述采集子单元,包括:
筛选模块,用于采用正则表达式法、自然语言处理法和包装器归纳法中任意一种方式对获取的参数数据进行筛选处理。
其中,所述预处理单元,包括:
比对子单元,用于采用Rete算法、Leaps算法、Treat算法和HAL算法中任意一种方式对过滤处理后的参数数据与预设的模式匹配规则进行比对处理。
其中,所述验证单元,包括:
验证子单元,用于采用逻辑表示法、框架表示法、面向对象表示法、语义网表示法、XML表示法和本体表示法中任意一种方式对所述有效数据进行格式转换处理。
其中,所述预设的决策模型是采用BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络和反馈神经网络中任意一种并根据格式转换处理后的样本数据、样本数据对应的验证模式进行训练得到的。
其中,所述参数数据包括:环境光线、摄像角度、环境温度、办理业务的安全性中至少一种。
第三方面,本发明提供一种电子设备,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,所述处理器执行所述程序时实现所述的多模态生物识别方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的多模态生物识别方法的步骤。
由上述技术方案可知,本发明提供一种多模态生物识别方法及装置,通过获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别,能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
附图说明
为了更清楚地说明本发明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为本发明实施例中的多模态生物识别方法的第一流程示意图。
图2为本发明实施例中的多模态生物识别方法的第二流程示意图。
图3为本发明实施例中的多模态生物识别装置的第一结构示意图。
图4为本发明实施例中的多模态生物识别装置的第二结构示意图。
图5为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例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。
本发明提供一种多模态生物识别方法的实施例,参见图1,所述多模态生物识别方法具体包含有如下内容:
S101:获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
在本步骤中,在业务办理环境中预先布置相应的采集设备,该采集设备用于采集业务办理环境的参数数据。在本实施例中,参数数据包括:环境光线、摄像角度、环境温度、办理业务的安全性中至少一种。采集设备至少包括能够采集环境光线、摄像角度、环境温度、办理业务的安全性中至少一种设备。
采集设备采集业务办理环境的参数数据后,需要过滤掉参数数据中的测量误差或噪音数据并从采集的参数数据中提取出有效的业务办理环境信息。因此需要对获取的参数数据进行过滤处理,具体是通过对获取的参数数据进行筛选处理,过滤所述参数数据中的噪音数据。
对参数数据进行筛选处理包括但不限于正则表达式法、自然语言处理法、包装器归纳法。在本实施例中,采用正则表达式法、自然语言处理法和包装器归纳法中任意一种方式对获取的参数数据进行筛选处理。
S102:将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
在本步骤中,考虑到业务办理人的办理时间,该办理时间对应的光照强度等情况,设置相应的模式匹配规则;例如:模式匹配规则规定在日间6:00—17:00区间,室内光照强度小于100lx时,不启用人脸识别摄像头。因此从过滤处理后的参数数据中删除摄像头采集的设备,进而提升对业务办理环境的判断的准确性。
在具体实施时,采用Rete算法、Leaps算法、Treat算法和HAL算法中任意一种方式对过滤处理后的参数数据与预设的模式匹配规则进行比对处理,来提升比对效率,进而提高处理效率。在本步骤中将符合模式匹配规则的参数数据标记为有效数据。
需要说明的是,该匹配规则为人为规定,使用者需要根据自身需求设置相应的模式匹配规则,本实施例中不对该模式匹配规则进行具体限制。
S103:对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
在本步骤中,将有效数据进行格式转换处理,统一了有效数据的格式,便于后续基于转换处理后的数据获取验证模式。再具体实施时,采用逻辑表示法、框架表示法、面向对象表示法、语义网表示法、XML表示法和本体表示法中任意一种方式对所述有效数据进行格式转换处理。
需要说明的是,每一种转换方式对一种预设的决策模型,以便转换后的数据能够输入至预设的决策模型,预设的决策模型根据输入的转换后的数据能够得到该转换后的数据对应的验证模式。
进一步的,各个预设的决策模型是基于神经网络、格式转换处理后的样本数据以及样本数据对应的验证模式进行训练得到的。该神经网络可以是用BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络和反馈神经网络中任意一种。
S104:调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
需要说明的是,验证模式为多种生物识别模式当中任意一种或几种的组,多种生物识别模式也称为多模态生物识别方式。
从上述描述可知,本发明实施例提供的多模态生物识别方法,通过获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别,能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
在本发明的一实施例中,参见图2,所述多模态生物识别方法的步骤S102之后还包含有步骤S105,具体包含有如下内容:
S105:将转换后的数据发送至数据中心,以使数据中心根据转换后的数据对预设的决策模型进行优化;
相对应的,所述将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式,包括:
将转换后的数据输入优化后的预设的决策模型,得到当前业务办理环境对应的验证模式。
在本步骤中,获取转换后的数据时,将该数据发送至数据中心,发送数据的方式包括但不限于EnOcean、ZigBee、Bluetooth、WiFi。在根据该转换后的数据确定对应的验证模式后,将该对应的验证模式也发送至数据中心,以使得数据中心根据接收的数据对预设的决策模型进行训练或优化,进而提高预设的决策模型分类的准确性。
从上述描述可知,本发明提供了一种多模态生物识别方法,利用机器学习和大数据分析实现个性化、智能化的生物识别,并能够通过模型训练不断优化算法。一方面,能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
本发明实施例提供一种能够实现所述多模态生物识别方法中全部内容的多模态生物识别装置的具体实施方式,参见图3,所述多模态生物识别装置具体包括如下内容:
采集单元10,用于获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
预处理单元20,用于将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
验证单元30,用于对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取单元40,用于调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
其中,所述采集单元10包括:
采集子单元,用于通过对获取的参数数据进行筛选处理,过滤所述参数数据中的噪音数据。
其中,所述采集子单元,包括:
筛选模块,用于采用正则表达式法、自然语言处理法和包装器归纳法中任意一种方式对获取的参数数据进行筛选处理。
其中,所述预处理单元20,包括:
比对子单元,用于采用Rete算法、Leaps算法、Treat算法和HAL算法中任意一种方式对过滤处理后的参数数据与预设的模式匹配规则进行比对处理。
其中,所述验证单元30,包括:
验证子单元,用于采用逻辑表示法、框架表示法、面向对象表示法、语义网表示法、XML表示法和本体表示法中任意一种方式对所述有效数据进行格式转换处理。
其中,所述预设的决策模型是采用BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络和反馈神经网络中任意一种并根据格式转换处理后的样本数据、样本数据对应的验证模式进行训练得到的。
其中,所述参数数据包括:环境光线、摄像角度、环境温度、办理业务的安全性中至少一种。
参见图4,在上述实施例的基础上,进一步的还包括:
优化单元50,用于将转换后的数据发送至数据中心,以使数据中心根据转换后的数据对预设的决策模型进行优化;
相对应的,所述验证单元,包括:
验证子单元,用于将转换后的数据输入优化后的预设的决策模型,得到当前业务办理环境对应的验证模式。
本发明提供的多模态生物识别装置的实施例具体可以用于执行上述实施例中的多模态生物识别方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明实施例提供的多模态生物识别装置,通过获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别,能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
本申请提供一种用于实现所述多模态生物识别方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述多模态生物识别方法的实施例及用于实现所述多模态生物识别装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图5为本申请实施例的电子设备9600的系统构成的示意框图。如图5所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图5是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,多模态生物识别功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
从上述描述可知,本申请的实施例提供的电子设备,通过获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别,能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
在另一个实施方式中,多模态生物识别装置可以与中央处理器9100分开配置,例如可以将多模态生物识别配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现多模态生物识别功能。
如图5所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图5中所示的所有部件;此外,电子设备9600还可以包括图5中没有示出的部件,可以参考现有技术。
如图5所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本发明的实施例还提供能够实现上述实施例中的多模态生物识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的多模态生物识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
从上述描述可知,本发明实施例提供的计算机可读存储介质,通过获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别,能让各种生物识别设备根据不同的用户、不同的场景来实现个性化、智能化的调节控制,为客户创造更加智能、安全的认证环境。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白,本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此,本说明书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,本发明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。
本发明是参照根据本发明实施例的方法、装置(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数据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数据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数据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数据处理设备上,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。
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。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。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (18)
1.一种多模态生物识别方法,其特征在于,包括:
获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
2.根据权利要求1所述的多模态生物识别方法,其特征在于,对所述有效数据进行格式转换处理之后,还包括:
将转换后的数据发送至数据中心,以使数据中心根据转换后的数据对预设的决策模型进行优化;
相对应的,所述将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式,包括:
将转换后的数据输入优化后的预设的决策模型,得到当前业务办理环境对应的验证模式。
3.根据权利要求1所述的多模态生物识别方法,其特征在于,所述对获取的参数数据进行过滤处理,包括:
通过对获取的参数数据进行筛选处理,过滤所述参数数据中的噪音数据。
4.根据权利要求3所述的多模态生物识别方法,其特征在于,所述对获取的参数数据进行筛选处理,包括:
采用正则表达式法、自然语言处理法和包装器归纳法中任意一种方式对获取的参数数据进行筛选处理。
5.根据权利要求1所述的多模态生物识别方法,其特征在于,所述将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,包括:
采用Rete算法、Leaps算法、Treat算法和HAL算法中任意一种方式对过滤处理后的参数数据与预设的模式匹配规则进行比对处理。
6.根据权利要求1所述的多模态生物识别方法,其特征在于,所述对所述有效数据进行格式转换处理,包括:
采用逻辑表示法、框架表示法、面向对象表示法、语义网表示法、XML表示法和本体表示法中任意一种方式对所述有效数据进行格式转换处理。
7.根据权利要求1所述的多模态生物识别方法,其特征在于,所述预设的决策模型是采用BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络和反馈神经网络中任意一种并根据格式转换处理后的样本数据、样本数据对应的验证模式进行训练得到的。
8.根据权利要求1所述的多模态生物识别方法,其特征在于,所述参数数据包括:环境光线、摄像角度、环境温度、办理业务的安全性中至少一种。
9.一种多模态生物识别装置,其特征在于,包括:
采集单元,用于获取业务办理环境的参数数据并对获取的参数数据进行过滤处理;
预处理单元,用于将过滤处理后的参数数据与预设的模式匹配规则进行比对处理,确定所述过滤处理后的参数数据中的有效数据;
验证单元,用于对所述有效数据进行格式转换处理并将转换后的数据输入预设的决策模型,得到当前业务办理环境对应的验证模式;
调取单元,用于调取当前业务办理环境下的多模态生物识别方式中与所述验证模式对应的生物识别方式对业务办理人进行生物识别。
10.根据权利要求9所述的多模态生物识别装置,其特征在于,还包括:
优化单元,用于将转换后的数据发送至数据中心,以使数据中心根据转换后的数据对预设的决策模型进行优化;
相对应的,所述验证单元,包括:
验证子单元,用于将转换后的数据输入优化后的预设的决策模型,得到当前业务办理环境对应的验证模式。
11.根据权利要求9所述的多模态生物识别装置,其特征在于,所述采集单元包括:
采集子单元,用于通过对获取的参数数据进行筛选处理,过滤所述参数数据中的噪音数据。
12.根据权利要求11所述的多模态生物识别装置,其特征在于,所述采集子单元,包括:
筛选模块,用于采用正则表达式法、自然语言处理法和包装器归纳法中任意一种方式对获取的参数数据进行筛选处理。
13.根据权利要求9所述的多模态生物识别装置,其特征在于,所述预处理单元,包括:
比对子单元,用于采用Rete算法、Leaps算法、Treat算法和HAL算法中任意一种方式对过滤处理后的参数数据与预设的模式匹配规则进行比对处理。
14.根据权利要求9所述的多模态生物识别装置,其特征在于,所述验证单元,包括:
验证子单元,用于采用逻辑表示法、框架表示法、面向对象表示法、语义网表示法、XML表示法和本体表示法中任意一种方式对所述有效数据进行格式转换处理。
15.根据权利要求9所述的多模态生物识别装置,其特征在于,所述预设的决策模型是采用BP神经网络、RBF神经网络、感知神经网络、线性神经网络、自组织神经网络和反馈神经网络中任意一种并根据格式转换处理后的样本数据、样本数据对应的验证模式进行训练得到的。
16.根据权利要求9所述的多模态生物识别装置,其特征在于,所述参数数据包括:环境光线、摄像角度、环境温度、办理业务的安全性中至少一种。
17.一种电子设备,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程序时实现权利要求1至8任一项所述的多模态生物识别方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的多模态生物识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147763.4A CN111368921A (zh) | 2020-03-05 | 2020-03-05 | 多模态生物识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147763.4A CN111368921A (zh) | 2020-03-05 | 2020-03-05 | 多模态生物识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111368921A true CN111368921A (zh) | 2020-07-03 |
Family
ID=71208608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010147763.4A Pending CN111368921A (zh) | 2020-03-05 | 2020-03-05 | 多模态生物识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368921A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178767A (zh) * | 2007-10-18 | 2008-05-14 | 周春光 | 人脸和虹膜混合识别的新方法-识别层融合 |
CN105590045A (zh) * | 2015-09-14 | 2016-05-18 | 中国银联股份有限公司 | 一种环境自适应的身份认证方法和终端 |
US9430629B1 (en) * | 2014-01-24 | 2016-08-30 | Microstrategy Incorporated | Performing biometrics in uncontrolled environments |
CN107480496A (zh) * | 2017-07-28 | 2017-12-15 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN107516032A (zh) * | 2017-07-28 | 2017-12-26 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN107527021A (zh) * | 2017-07-31 | 2017-12-29 | 广东欧珀移动通信有限公司 | 生物识别模式开启方法及相关产品 |
CN108427873A (zh) * | 2018-02-12 | 2018-08-21 | 维沃移动通信有限公司 | 一种生物特征识别方法及移动终端 |
CN108664783A (zh) * | 2017-03-27 | 2018-10-16 | 三星电子株式会社 | 基于虹膜识别的识别方法和支持该方法的电子设备 |
-
2020
- 2020-03-05 CN CN202010147763.4A patent/CN111368921A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178767A (zh) * | 2007-10-18 | 2008-05-14 | 周春光 | 人脸和虹膜混合识别的新方法-识别层融合 |
US9430629B1 (en) * | 2014-01-24 | 2016-08-30 | Microstrategy Incorporated | Performing biometrics in uncontrolled environments |
CN105590045A (zh) * | 2015-09-14 | 2016-05-18 | 中国银联股份有限公司 | 一种环境自适应的身份认证方法和终端 |
CN108664783A (zh) * | 2017-03-27 | 2018-10-16 | 三星电子株式会社 | 基于虹膜识别的识别方法和支持该方法的电子设备 |
CN107480496A (zh) * | 2017-07-28 | 2017-12-15 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN107516032A (zh) * | 2017-07-28 | 2017-12-26 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN107527021A (zh) * | 2017-07-31 | 2017-12-29 | 广东欧珀移动通信有限公司 | 生物识别模式开启方法及相关产品 |
CN108427873A (zh) * | 2018-02-12 | 2018-08-21 | 维沃移动通信有限公司 | 一种生物特征识别方法及移动终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366745B (zh) | 基于语音识别保护终端设备的方法及其终端设备 | |
CN109684047A (zh) | 事件处理方法、装置、设备和计算机存储介质 | |
CN109032039A (zh) | 一种语音控制的方法及装置 | |
CN111312283B (zh) | 跨信道声纹处理方法及装置 | |
CN107878370A (zh) | 一种车辆的控制方法及装置 | |
CN110458102A (zh) | 一种人脸图像识别方法及装置、电子设备和存储介质 | |
US11507324B2 (en) | Using feedback for adaptive data compression | |
CN110032467A (zh) | 在极化连续消除列表解码中用于组成码处理的装置及方法 | |
CN111009238A (zh) | 一种拼接语音的识别方法和装置以及设备 | |
CN112084959A (zh) | 一种人群图像处理方法及装置 | |
WO2022246986A1 (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
US11589174B2 (en) | Cochlear implant systems and methods | |
CN113220828A (zh) | 意图识别模型处理方法、装置、计算机设备及存储介质 | |
CN111368921A (zh) | 多模态生物识别方法及装置 | |
CN115312068B (zh) | 语音控制方法、设备及存储介质 | |
CN113362852A (zh) | 一种用户属性识别方法和装置 | |
CN110930155B (zh) | 风险管控方法、装置、计算机装置及存储介质 | |
CN113065109A (zh) | 人机识别方法及装置 | |
CN110956129A (zh) | 用于生成人脸特征向量的方法、装置、设备和介质 | |
CN111354361A (zh) | 一种情感交流的方法、系统及机器人 | |
CN112417923A (zh) | 用于控制智能设备的系统、方法和装置 | |
TWI786977B (zh) | 手指真偽識別方法、電子裝置及存儲介質 | |
CN109346067B (zh) | 语音信息的处理方法及装置、存储介质 | |
CN111899747B (zh) | 用于合成音频的方法和装置 | |
US20230368798A1 (en) | Secure communication system with speaker recognition by voice biometrics for user groups such as family groups |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |