CN111428576A - 特征信息学习方法、电子设备及存储介质 - Google Patents
特征信息学习方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111428576A CN111428576A CN202010137767.4A CN202010137767A CN111428576A CN 111428576 A CN111428576 A CN 111428576A CN 202010137767 A CN202010137767 A CN 202010137767A CN 111428576 A CN111428576 A CN 111428576A
- Authority
- CN
- China
- Prior art keywords
- feature information
- learning
- preset
- feature
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 14
- 210000003462 vein Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机技术领域，具体公开了一种特征信息学习方法、电子设备及存储介质。其中方法包括：获取待识别特征信息；将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率；根据所述第一匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。该方法可以提高识别的准确性和稳定性。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种特征信息学习方法、电子设备及存储介质。
背景技术
随着身份识别技术的发展，越来越多类型的识别技术应用在身份认证上，包括多种人体生物特征识别，例如用于通过识别人脸来认证的人脸识别、通过识别声音来认证的声纹识别、通过识别瞳孔来认证的虹膜识别和通过识别指静脉来认证的指静脉识别等。在指静脉识别中，在刚开始注册静脉特征时的识别体验效果较好，而长时间使用后，由于用户的使用习惯发生变化，静脉特征注册次数不足，以及受到不同时间段或环境光的影响，导致静脉的识别效果变差或不稳定。
发明内容
本申请提供了一种特征信息学习方法、电子设备及存储介质，可以提高识别的准确性和稳定性。
第一方面，本申请提供了一种特征信息学习方法，所述方法包括：
获取待识别特征信息；
将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率；
根据所述第一匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
第二方面，本申请还提供了一种电子设备，所述电子设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的特征信息学习方法。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的特征信息学习方法。
本申请公开了一种特征信息学习方法、电子设备及存储介质，该方法包括：获取待识别特征信息；将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率；根据所述第一匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。通过上述方法可以在待识别特征信息和预设特征库中的学习特征信息差异较大时，对学习特征信息进行更新，避免出现识别认证效果逐渐变差或不稳定的问题，提高识别的准确性和稳定性。
附图说明
为了更清楚地说明本申请实施例技术方案，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1是本申请实施例提供的一种特征信息学习方法的示意流程图；
图2是本申请实施例提供的另一种特征信息学习方法的示意流程图；
图3是本申请实施例提供的另一种特征信息学习方法的示意流程图；
图4是本申请的实施例提供的一种电子设备的结构示意性框图。
具体实施方式
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，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种特征信息学习方法、电子设备及存储介质。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的实施例提供的一种特征信息学习方法的示意流程图，该方法可以是在电子设备上执行，如图1所示，该特征信息学习方法具体包括步骤S101至步骤S103。
S101、获取待识别特征信息。
其中，待识别特征信息可以是用于验证用户身份的特征信息，待识别特征信息可以是由特征采集装置采集的，在一个实施例中，待识别特征信息是指静脉特征信息，可以通过指静脉装置采集用户的指静脉特征信息，进而从指静脉装置获取待识别特征信息。
S102、将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率。
在获取到待识别特征信息后，一般需要对待识别特征信息进行识别认证，以确定用户的身份。一般是将获取到的待识别特征信息和预设特征库中预存的特征信息进行匹配，学习特征信息可以是预先采集并存储在预设特征库中的用户的特征信息，预设特征库是用于存储学习特征信息的存储区域或存储模块。可以通过学习特征信息来对待识别特征信息进行识别认证。
预设特征库中可以存储有多个学习特征信息，在获取到待识别特征信息后，将待识别特征信息分别与预设特征库中的每个学习特征信息进行匹配，可以得到待识别特征信息与每个学习特征信息的匹配率，两个特征信息越接近，对应的匹配率越高。和所有学习特征信息的匹配率中，匹配率最高的学习特征信息和待识别特征信息最接近。
随着使用时间变长，获取的待识别特征信息可能会逐渐与预设特征库中的学习特征信息产生较大差异，因此通过确定所有学习特征信息中的匹配率最高，以判断预设特征库中的学习特征信息和待识别特征信息的差异。
S103、根据所述第一匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
其中，预设学习条件可以包括用于判断第一匹配率对应的学习特征信息和待识别特征信息的差异是否过大，以及待识别特征信息是否通过识别认证的判断条件。
如果符合预设学习条件，则表示待识别特征信息可以通过识别认证，即待识别特征信息对应的用户和学习特征信息对应的用户是同一个人，同时第一匹配率对应的学习特征信息和待识别特征信息的匹配度不高；而由于第一匹配率对应的学习特征信息是预设特征库中，与待识别特征信息最接近的特征信息，由此可以确定预设特征库中的所有学习特征信息都与待识别特征信息匹配度不高，因此会导致识别认证效果逐渐变差或不稳定的问题，因此需要对预设特征库中的学习特征信息进行优化。而如果匹配度不高还包括待识别特征信息和学习特征信息所对应的用户并非同一个人，因此需要进一步通过预设学习条件确定待识别特征信息可以通过识别认证，避免出现在未通过识别认证的情况也错将待识别特征信息加入了预设特征库。
通过将待识别特征信息确定为学习特征信息，并添加到预设特征库中，可以将最新采集的用户的待识别特征信息放存入预设特征库中，以便在下次采集用户的待识别特征信息并进行识别认证时，预设特征库中有更接近待识别特征信息的学习特征信息。
在一个实施例中，若所述第一匹配率属于第一预设匹配区间，则确定符合预设学习条件。
其中，第一预设匹配区间可以是预设的匹配率的阈值区间，可以是根据实际应用需求而设置，示例性地，第一预设匹配区间可以是40％至60％，若第一匹配率属于40％至60％，则表示第一匹配率对应的学习特征信息与待识别特征信息存在一定匹配度，但匹配度不高，可以确定符合预设学习条件，进而可以对预设特征库中的学习特征信息进行更新。而如果第一匹配率低于40％，则待识别特征信息很可能无法通过识别认证，因此也无需对预设特征库中的学习特征信息进行更新。
在一个实施例中，所述获取待识别特征信息后，还包括如下操作：
将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配，以得到所述待识别特征信息和所有注册特征信息的匹配率，并确定最高的匹配率为第二匹配率。
相应地，所述根据所述第一匹配率确定是否符合预设学习条件的操作可以通过如下方式实施：
根据所述第一匹配率和所述第二匹配率确定是否符合预设学习条件。
其中，注册特征信息为初次对用户进行识别认证之前，所录入的用户的特征信息，例如，新购入的指静脉识别装置，初次使用之前，需要录入被认证的用户的指静脉特征信息作为注册特征信息，之后对用户进行识别认证操作时，便可以依据注册特征信息进行识别认证。
需要说明的是，预设特征库中的学习特征信息是每次进行识别认证操作时所获取的待识别特征信息，即在初次使用时预设特征库中没有学习特征信息，直到进行识别认证后，则会将前几次的识别认证时所获取的待识别特征信息作为学习特征信息并加入预设特征库中。预设特征库中的注册特征信息可以是固定不变的，随着识别认证操作次数的增多，预设特征库中学习特征信息会增加或会发生变化。可以是在预设特征库中设置两个存储区域，分别存储注册特征信息和学习特征信息。可选地，预设特征库还可以包括学习特征库和注册特征库，所述学习特征信息可以是存储在学习特征库中，注册特征信息可以是存储在注册特征库中。
在获取到待识别特征信息后，将待识别特征信息分别与预设特征库中的每个注册特征信息进行匹配，可以得到待识别特征信息与每个注册特征信息的匹配率，两个特征信息越接近对应的匹配率越高。和所有注册特征信息的匹配率中，匹配率最高的学习特征信息和待识别特征信息最接近。
预设学习条件还包括用于判断第二匹配率对应的注册特征信息和待识别特征信息的差异是否过大。因为预设特征库中的学习特征信息是可以变化的，因此只依靠学习特征信息来与待识别特征信息进行匹配，以判断是否需要更新有很大的不稳定性，很可能导致学习特征信息的更新频率过高。因此通过预设特征库中的注册特征信息来与待识别特征信息进行匹配，可以增多一次对待识别特征信息的判断。
如果符合预设学习条件，则表示待识别特征信息可以通过识别认证，但是第一匹配率对应的学习特征信息和待识别特征信息的匹配度不高，以及第二匹配率对应的学习特征信息和待识别特征信息的匹配度不高。随着使用次数和时间的增加，预设特征库中的两种特征信息可能都无法实现对待识别特征信息的识别认证，所以需要对预设特征库中特征信息进行更新。
在一个实施例中，若所述第一匹配率属于第一预设匹配区间，以及所述第二匹配率属于第二预设匹配区间，则确定符合预设学习条件。
其中，第一预设匹配区间和第二预设匹配区间可以是预设的匹配率的阈值区间，可以是根据实际应用需求而设置。示例性地，可以设置若干个阈值区间，例如，可以包括[0％,N]、[N,M]、[M,L]、[L,K]和[K,100％]五个区间，可以根据实际应用需求从[0％,N]、[N,M]、[M,L]、[L,K]和[K,100％]五个区间中选择第一预设匹配区间和第二预设匹配区间。通过调整第一预设匹配区间和第二预设匹配区间，可以调整预设特征库中更新学习特征信息的频率，避免更新频率过高导致学习特征信息和注册特征信息的差异越来越大。具体的第一预设匹配区间和第二预设匹配区间可以根据实际应用需求进行设置，在此不作限定。
示例性地，第一预设匹配区间可以是40％至60％，第二预设匹配区间可以是50％至70％，若第一匹配率属于40％至60％，则表示第一匹配率对应的学习特征信息与待识别特征信息的匹配度不高，若第二匹配率属于50％至70％，则表示第二匹配率对应的注册特征信息与待识别特征信息的匹配度不高，因此可以确定符合预设学习条件，进而可以对预设特征库中的学习特征信息进行更新。而如果第一匹配率低于40％，第二匹配率低于50％，则待识别特征信息很可能无法通过识别认证，因此也无需对预设特征库中的学习特征信息进行更新。
在一个实施例中，如图2所示，本申请实施例提供的特征信息学习方法可以包括步骤S201至步骤S204。
S201、获取待识别特征信息；
S202、将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率；
S203、若第一匹配率低于预设匹配率，则将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配，以得到所述待识别特征信息和所有注册特征信息的匹配率，并确定最高的匹配率为第二匹配率；
S204、根据所述第一匹配率和所述第二匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
其中，通过先将待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，确定第一匹配率后，如果第一匹配率低于预设匹配率则表示第一匹配率对应的学习特征信息和待识别特征信息的匹配度不高。但是匹配度不高的情况中包括待识别特征信息和学习特征信息所对应的用户并非同一个人，因此需要进一步通过注册特征信息来对待识别特征信息进行匹配，并进一步通过第一匹配率和第二匹配率来判断是否符合预设学习条件。可以避免过度更新预设特征库中的学习特征信息而导致的识别认证效果变差或不稳定，保证预设特征库中学习特征信息和注册特征信息的关联性。
在一个实施例中，如图3所示，所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中的操作可以通过如下方式实施：
S301、确定所述预设特征库中的学习特征信息的数量是否小于预设数量；
S302、若所述预设特征库中的学习特征信息的数量小于预设数量，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中；
S303、若所述预设特征库中的学习特征信息的数量大于或等于预设数量，则从所述预设特征库中的所有学习特征信息中确定待清除特征信息，并将所述待清除特征信息删除，将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
其中，可以给预设特征库中的学习特征信息设置一个上限值，避免预设特征库中有过多的学习特征信息，导致识别认证需要等待过长的时间。
在需要对预设特征库中的学习特征信息进行更新优化时，判断预设特征库中的学习特征信息的数量是否达到预设数量，若达到了预设数量则表示学习特征信息的数量已经达到上限值，则需要替换已存的学习特征信息，若还未达到预设数量则可以直接将获取的待识别特征信息作为学习特征信息加入到预设特征库。
待识别特征信息确定为学习特征信息并加入预设特征库后，在下一次进行识别认证时，将与下一个待识别特征信息进行匹配。
如果学习特征信息的数量大于或等于预设数量，可以从预设特征库中的所有学习特征信息中确定待清除特征信息，将待清除特征信息删除后，将待识别特征信息作为学习特征信息加入预设特征库。示例性地，可以是将预设特征库中，与待识别特征信息的匹配率最低的学习特征信息确定为待清除特征信息。
在一个实施例中，所述确定最高的匹配率为第一匹配率之后，还包括如下操作：
将所述第一匹配率对应的学习特征信息的计数变量增加第一数值；
相应地，所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息的操作可以通过如下方式实施：
确定所述预设特征库中的所有学习特征信息的计数变量，并将计数变量符合预设计数条件的学习特征信息确定为待清除特征信息。
其中，计数变量为用于记录被确定为与待识别特征信息的匹配率最高的次数，可以是在将待识别特征信息确定为学习特征信息加入到预设特征库时，同时添加计数变量到学习特征信息中。即学习特征信息中包括采集的特征信息，以及用于确定该特征信息被确定为匹配率最高的次数。计数变量的初始值可以是零，在后续识别认证过程中，如果被匹配为匹配率最高，则将学习特征信息中的计数变量增加第一数值，例如可以是增加1，以记录每个学习特征信息被确定为匹配率最高的次数。
相应地，根据预设特征库中的所有的学习特征信息的计数变量，可以确定预设特征库中的所有学习特征信息被确定为匹配率最高的次数的多少，计数变量越高的学习特征信息表示被确定为匹配率最高的次数最多，计数变量最低的学习特征信息表示被确定为匹配率最高的次数最少。被确定为匹配率最高的次数最多的学习特征信息的使用率最高，也就是与用户的待识别特征信息最接近；被确定为匹配率最高的次数最少的学习特征信息的使用率最低，也就是与用户的待识别特征信息最不接近。
根据学习特征信息中的计数变量可以确定每个学习特征信息的使用率高低，因此可以根据学习特征信息来确定待清除特征信息。预设计数条件可以是用来判断使用率过低的学习特征信息，符合预设计数条件的计数变量对应的学习特征信息的使用率过低，可以确定为待清除特征信息进行删除。示例性的，可以将所有学习特征信息根据计数变量的高低进行排序，并将计数变量最低的至少一个学习特征信息确定为待清除特征信息，即可以删除使用率最低的学习特征信息。
在一个实施例中，所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中的操作可以通过如下方式实施：
将当前时间确定为特征时间，将所述待识别特征信息和所述特征时间确定为学习特征信息，并加入所述预设特征库中；
相应地，所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息的操作可以通过如下方式实施：
确定所述预设特征库中的所有学习特征信息的特征时间，并将特征时间按符合预设时间条件的学习特征信息确定为待清除特征信息。
其中，可以是在将待识别特征信息确定为学习特征信息加入到预设特征库时，同时记录该学习特征信息加入的时间。即学习特征信息中包括采集的特征信息，以及该特征信息作为学习特征信息加入到预设特征库中的事件。
相应地，在确定待清除特征信息时，可以根据每个学习特征信息的特征时间来决定。特征时间越早的学习特征信息和最新获取的待识别特征信息的采集时间间隔最长，特征时间越晚的学习特征信息和最新获取的待识别特征信息的采集时间间隔最短。如果因为用户的采集习惯发生改变，特征时间越早的学习特征信息和最新获取的待识别特征信息的差异会更大，使用率也可能会更低。
预设时间条件可以是用来判断使用率过低的学习特征信息。示例性地，可以是将所有学习特征信息根据特征时间的先后进行排序，并将特征时间最早的至少一个学习特征信息确定为待清除特征信息。
在一个实施例中，可以在学习特征信息中同时加入特征时间和计数变量。所述确定最高的匹配率为第一匹配率之后，还包括：将所述第一匹配率对应的学习特征信息的计数变量增加第一数值；
所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中的操作可以通过如下方式实施：
将当前时间确定为特征时间，将所述待识别特征信息和所述特征时间确定为学习特征信息，并加入所述预设特征库中；
相应地，所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息的操作可以通过如下方式实施：
确定所述预设特征库中的所有学习特征信息的计数变量和特征时间，并将计数变量符合预设计数条件，以及特征时间符合预设时间条件的学习特征信息确定为待清除特征信息。
在本实施例中，通过计数变量和特征时间两个因素来选择待清除特征信息。示例性地，可以将所有学习特征信息根据计数变量的高低以及特征时间的先后进行排序，可以将计数变量最低以及特征时间最早的学习特征信息确定为待清除特征信息。
可选地，在学习特征信息中同时加入特征时间和计数变量的实施例中，在所述确定最高的匹配率为第一匹配率之后，还包括：
将所述第一匹配率对应的学习特征信息中的特征时间更新为当前时间；
其中，即在学习特征信息确定为和待识别特征信息最匹配的特征信息时，更新学习特征信息中的特征时间为当前的时间，即每个学习特征信息中特征时间可以体现学习特征信息最近以此被确定为最匹配的特征信息的时间，例如，学习特征信息A在2020年2月13日15点30分加入了预设特征库，该学习特征信息A所包括的特征时间为202002131530，计数变量为0；在2020年2月13日15点32分，学习特征信息A被确定为和待识别特征信息最匹配的特征信息，则更新特征时间和计数变量，该学习特征信息A所包括的特征时间为202002131532，计数变量为1；在2020年2月13日15点34分，学习特征信息A再次被确定为和待识别特征信息最匹配的特征信息，学习特征信息A所包括的特征时间更新为202002131534，计数变量更新为2；以此类推。特征时间越靠后的学习特征信息表示近期被确定为和待识别特征信息最匹配。
进而，确定所述预设特征库中的所有学习特征信息的计数变量和特征时间，并将计数变量符合预设计数条件，以及特征时间符合预设时间条件的学习特征信息确定为待清除特征信息。示例性地，可以是将计数变量低于预设数值，且特征时间早于预设时间的学习特征信息确定为待清除特征信息。
请参阅图4，图4是本申请的实施例提供的一种电子设备的结构示意性框图。该电子设备可以是指静脉装置。
参阅图4，该电子设备100包括通过系统总线连接的处理器110和存储器120，其中，存储器120可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种特征信息学习方法。
处理器用于提供计算和控制能力，支撑整个电子设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种特征信息学习方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal 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、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取待识别特征信息；
将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率；
根据所述第一匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
在一个实施例中，所述处理器在实现所述获取待识别特征信息后，还用于实现：
将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配，以得到所述待识别特征信息和所有注册特征信息的匹配率，并确定最高的匹配率为第二匹配率；
所述处理器在实现所述根据所述第一匹配率确定是否符合预设学习条件时，用于实现：
根据所述第一匹配率和所述第二匹配率确定是否符合预设学习条件。
在一个实施例中，所述处理器在实现所述将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配时，用于实现：
若所述第一匹配率小于或等于预设匹配率，则将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配。
在一个实施例中，若所述第一匹配率属于第一预设匹配区间，以及所述第二匹配率属于第二预设匹配区间，则确定符合预设学习条件。
在一个实施例中，所述处理器在实现所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中时，用于实现：
确定所述预设特征库中的学习特征信息的数量是否小于预设数量；
若所述预设特征库中的学习特征信息的数量小于预设数量，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中；
若所述预设特征库中的学习特征信息的数量大于或等于预设数量，则从所述预设特征库中的所有学习特征信息中确定待清除特征信息，并将所述待清除特征信息删除，将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
在一个实施例中，所述处理器在实现所述确定最高的匹配率为第一匹配率之后，还用于实现：
将所述第一匹配率对应的学习特征信息的计数变量增加第一数值；
所述处理器在实现所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息时，用于实现：
确定所述预设特征库中的所有学习特征信息的计数变量，并将计数变量符合预设计数条件的学习特征信息确定为待清除特征信息。
在一个实施例中，所述处理器在实现所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中时，用于实现：
将当前时间确定为特征时间，将所述待识别特征信息和所述特征时间确定为学习特征信息，并加入所述预设特征库中；
所述处理器在实现所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息时，用于实现：
确定所述预设特征库中的所有学习特征信息的特征时间，并将特征时间按符合预设时间条件的学习特征信息确定为待清除特征信息。
在一个实施例中，所述处理器在实现所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中时，用于实现：
将当前时间确定为特征时间，将所述待识别特征信息和所述特征时间确定为学习特征信息，并加入所述预设特征库中；
所述确定最高的匹配率为第一匹配率之后，还包括：
将所述第一匹配率对应的学习特征信息中的特征时间更新为当前时间；
所述处理器在实现所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息时，用于实现：
确定所述预设特征库中的所有学习特征信息的计数变量和特征时间，并将计数变量符合预设计数条件，以及特征时间符合预设时间条件的学习特征信息确定为待清除特征信息。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项特征信息学习方法。
其中，所述计算机可读存储介质可以是前述实施例所述的电子设备的内部存储单元，例如所述电子设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种特征信息学习方法，其特征在于，包括：
获取待识别特征信息；
将所述待识别特征信息和预设特征库中的学习特征信息进行逐一匹配，以得到所述待识别特征信息和所有学习特征信息的匹配率，并确定最高的匹配率为第一匹配率；
根据所述第一匹配率确定是否符合预设学习条件，若符合预设学习条件，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
2.根据权利要求1所述的特征信息学习方法，其特征在于，所述获取待识别特征信息后，还包括：
将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配，以得到所述待识别特征信息和所有注册特征信息的匹配率，并确定最高的匹配率为第二匹配率；
所述根据所述第一匹配率确定是否符合预设学习条件，包括：
根据所述第一匹配率和所述第二匹配率确定是否符合预设学习条件。
3.根据权利要求2所述的特征信息学习方法，其特征在于，所述将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配，包括：
若所述第一匹配率小于或等于预设匹配率，则将所述待识别特征信息和预设特征库中的注册特征信息进行逐一匹配。
4.根据权利要求2所述的特征信息学习方法，其特征在于，若所述第一匹配率属于第一预设匹配区间，以及所述第二匹配率属于第二预设匹配区间，则确定符合预设学习条件。
5.根据权利要求1至4中任一项所述的特征信息学习方法，其特征在于，所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中，包括：
确定所述预设特征库中的学习特征信息的数量是否小于预设数量；
若所述预设特征库中的学习特征信息的数量小于预设数量，则将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中；
若所述预设特征库中的学习特征信息的数量大于或等于预设数量，则从所述预设特征库中的所有学习特征信息中确定待清除特征信息，并将所述待清除特征信息删除，将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中。
6.根据权利要求5所述的特征信息学习方法，其特征在于，所述确定最高的匹配率为第一匹配率之后，还包括：
将所述第一匹配率对应的学习特征信息的计数变量增加第一数值；
所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息，包括：
确定所述预设特征库中的所有学习特征信息的计数变量，并将计数变量符合预设计数条件的学习特征信息确定为待清除特征信息。
7.根据权利要求5所述的特征信息学习方法，其特征在于，所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中，包括：
将当前时间确定为特征时间，将所述待识别特征信息和所述特征时间确定为学习特征信息，并加入所述预设特征库中；
所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息，包括：
确定所述预设特征库中的所有学习特征信息的特征时间，并将特征时间按符合预设时间条件的学习特征信息确定为待清除特征信息。
8.根据权利要求6所述的特征信息学习方法，其特征在于，所述将所述待识别特征信息确定为学习特征信息，并加入所述预设特征库中，包括：
将当前时间确定为特征时间，将所述待识别特征信息和所述特征时间确定为学习特征信息，并加入所述预设特征库中；
所述确定最高的匹配率为第一匹配率之后，还包括：
将所述第一匹配率对应的学习特征信息中的特征时间更新为当前时间；
所述从所述预设特征库中的所有学习特征信息中确定待清除特征信息，包括：
确定所述预设特征库中的所有学习特征信息的计数变量和特征时间，并将计数变量符合预设计数条件，以及特征时间符合预设时间条件的学习特征信息确定为待清除特征信息。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至8中任一项所述的特征信息学习方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至8中任一项所述的特征信息学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010137767.4A CN111428576B (zh) | 2020-03-02 | 2020-03-02 | 特征信息学习方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010137767.4A CN111428576B (zh) | 2020-03-02 | 2020-03-02 | 特征信息学习方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111428576A true CN111428576A (zh) | 2020-07-17 |
| CN111428576B CN111428576B (zh) | 2024-04-26 |
Family
ID=71551971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010137767.4A Active CN111428576B (zh) | 2020-03-02 | 2020-03-02 | 特征信息学习方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428576B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187680A (zh) * | 2020-08-25 | 2022-03-15 | 浙江宇视科技有限公司 | 一种智能锁的开锁信息识别方法、装置、介质及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108231082A (zh) * | 2017-12-29 | 2018-06-29 | 广州势必可赢网络科技有限公司 | 一种自学习声纹识别的更新方法和装置 |
| WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技（深圳）有限公司 | 身份识别方法、计算机设备及存储介质 |
| CN110458072A (zh) * | 2019-08-01 | 2019-11-15 | 珠海格力电器股份有限公司 | 指静脉识别方法、系统、智能门锁及计算机可读存储介质 |
| CN110717399A (zh) * | 2019-09-11 | 2020-01-21 | 深圳传音控股股份有限公司 | 人脸识别方法和电子终端设备 |
-
2020
- 2020-03-02 CN CN202010137767.4A patent/CN111428576B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技（深圳）有限公司 | 身份识别方法、计算机设备及存储介质 |
| CN108231082A (zh) * | 2017-12-29 | 2018-06-29 | 广州势必可赢网络科技有限公司 | 一种自学习声纹识别的更新方法和装置 |
| CN110458072A (zh) * | 2019-08-01 | 2019-11-15 | 珠海格力电器股份有限公司 | 指静脉识别方法、系统、智能门锁及计算机可读存储介质 |
| CN110717399A (zh) * | 2019-09-11 | 2020-01-21 | 深圳传音控股股份有限公司 | 人脸识别方法和电子终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| 张永良;周冰;詹小四;裘晓光;卢天培;: "基于深度学习的小面积指纹匹配方法" * |
| 王会清;张涛;周帆;: "声纹识别在虚拟仪器平台的实现" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187680A (zh) * | 2020-08-25 | 2022-03-15 | 浙江宇视科技有限公司 | 一种智能锁的开锁信息识别方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111428576B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815991B (zh) | 机器学习模型的训练方法、装置、电子设备及存储介质 | |
| CN108564954B (zh) | 深度神经网络模型、电子装置、身份验证方法和存储介质 | |
| CN108615119B (zh) | 一种异常用户的识别方法及设备 | |
| WO2017032261A1 (zh) | 身份认证方法、装置及设备 | |
| WO2019179029A1 (zh) | 电子装置、身份验证方法和计算机可读存储介质 | |
| JP6798798B2 (ja) | ユーザ認証のためのデータを更新する方法及び装置 | |
| JP6869347B2 (ja) | リスク制御イベント自動処理の方法および装置 | |
| CN113139387B (zh) | 语义纠错方法、电子设备及存储介质 | |
| CN108711161A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
| JP2010061528A (ja) | 生体認証装置、生体認証プログラム及び生体認証方法 | |
| CN102945366A (zh) | 一种人脸识别的方法及装置 | |
| CN105303174B (zh) | 指纹录入方法及装置 | |
| US10614312B2 (en) | Method and apparatus for determining signature actor and identifying video based on probability of appearance of signature actor | |
| KR102427853B1 (ko) | 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치 | |
| CN106033574B (zh) | 一种作弊行为的识别方法及装置 | |
| CN109508522A (zh) | 一种数据清除方法、装置、存储介质及终端 | |
| JP2010049357A (ja) | 認証装置、認証システム及び認証方法 | |
| CN110532755B (zh) | 一种计算机实现的风险识别的方法及装置 | |
| CN111428576A (zh) | 特征信息学习方法、电子设备及存储介质 | |
| CN111354342B (zh) | 一种个性化词库的更新方法、装置、设备及存储介质 | |
| US20210044864A1 (en) | Method and apparatus for identifying video content based on biometric features of characters | |
| CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
| EP3203415A1 (en) | Biometric authentication device, biometric authentication method and biometric authentication program | |
| CN110442466B (zh) | 防止请求重复访问方法、装置、计算机设备及存储介质 | |
| CN110688460B (zh) | 风险识别的方法、装置、可读存储介质以及电子设备 |
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 |