CN111582305B - 生物特征识别方法、装置、计算机设备及存储介质 - Google Patents

生物特征识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111582305B
CN111582305B CN202010223294.XA CN202010223294A CN111582305B CN 111582305 B CN111582305 B CN 111582305B CN 202010223294 A CN202010223294 A CN 202010223294A CN 111582305 B CN111582305 B CN 111582305B
Authority
CN
China
Prior art keywords
preset threshold
similarity
biological
adjacent
recognition 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.)
Active
Application number
CN202010223294.XA
Other languages
English (en)
Other versions
CN111582305A (zh
Inventor
王家桢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010223294.XA priority Critical patent/CN111582305B/zh
Publication of CN111582305A publication Critical patent/CN111582305A/zh
Application granted granted Critical
Publication of CN111582305B publication Critical patent/CN111582305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (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)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例提供了一种生物特征识别方法、装置、计算机设备及计算机可读存储介质。属于生物识别技术领域，通过获取生物特征所对应的生物特征数据；将生物特征数据传输至第一生物特征识别模型，得到生物特征数据所对应的第一相似度；根据第一相似度，获取第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，以获得第一相似度在第二生物特征识别模型中所对应的第二相似度；再根据第二相似度确定生物特征的识别结果，提高了对生物特征识别模型变化的适应性，提高了生物特征识别的效率。

Description

生物特征识别方法、装置、计算机设备及存储介质
技术领域
本申请涉及生物识别技术领域，尤其涉及一种生物特征识别方法、装置、计算机设备及计算机可读存储介质。
背景技术
当前在人脸识别等生物特征识别所涉及的AI产品中，针对一个识别的目标对象，比如针对人脸识别，会存在以下两种情形：
(1)涉及一个识别模型的情形。例如，人脸识别在不同的业务场景下，很多客户会根据自身的业务需要，在预设的标准参考阈值基础上(标准参考阈值是算法提供商在行业的经验下提供的，通常情况定义标准参考阈值的方法为在1/10000的错误率下，选定标准阈值)，通过自身业务实际生产的大量数据，根据实际业务需求制定自己的阈值。例如，有一人脸识别模型A，标准阈值为A1，在无抵押大额贷款中，为了规避潜在的风险，业务方认为宁可错失一千个优质客户，也不能遗漏一个黑名单客户，人脸识别的阈值A2通常设置的比参考阈值A1高。而在一些非交易类APP的登录场景中，为了表现出更好的用户体验，通常会将阈值A3设置的比标准参考阈值A1低一些，这样即使用户容貌与留底照片有适当变化也能通过人脸识别。因此，基于不同的应用场景，客户会根据自己的实际业务需求设置与人脸识别模型A相匹配的不同阈值以满足自己的业务。这样，当人脸识别模型A发生新旧变化时，需要客户重新调整自己的阈值以使新的人脸识别模型与自己的实际业务相适应。
(2)涉及两个模型的情形。例如，在生物特征识别所包含的人脸识别中，若涉及人脸识别模型C和人脸识别模型D，由C和D互相关联处理人脸识别的结果，以实现对业务数据的处理，人脸识别模型C和人脸识别模型D分别由不同的算法团队进行开发，就会涉及到对两个算法团队的人脸识别模型C和D的使用，不同的算法团队提供的算法针对该目标对象所返回的相似度虽然都可以标准化在[0,1]的区间中，但是客户在使用该模型时，由于不同算法结果的分布完全不同，导致参考阈值也不相同。例如，满足同一个条件时，对模型C的参考阈值为C’，对模型D的参考阈值为D’，其中，C’和D’为不同的值。这样，当模型C发生变化时，由于模型C和模型D互相关联，例如人证核验中第三方系统采用的核验模型C和企业自身采用的核验模型D是相互关联的，或者使用的模型C进行主备切换时，均需要调整模型D，以使发生变化的模型C和D重新匹配。
基于上述两种情形，在生物特征识别所包含的人脸识别中，当人脸识别模型A发生变化时，会引起使用自定义阈值的客户对修改后的人脸识别模型A重新进行大量的生产数据的测试，来制定新的自定义阈值。或者当人脸识别模型C发生变化时，由于人脸识别模型C和人脸识别模型D具有关联性，也需要调整人脸识别模型D以适应人脸识别模型C的改变，不仅会引起使用人脸识别模型D的标准参考阈值的客户需要修改代码来调整阈值，还会引起使用自定义阈值的客户对修改后的人脸识别模型C和D重新进行大量的生产数据的测试，来制定新的自定义阈值。例如，当上述人脸识别的模型A，或者人脸识别模型C和D应用于金融场景下时，若人脸识别模型A发生变化，或者人脸识别模型C发生变化，就会为金融企业的风控团队带来大量额外的工作量。上述无论是对人脸识别模型进行重新测试以制定新的适合业务需求的阈值，或者建立人脸识别模型的重新匹配关系，均降低了人脸识别等生物特征的识别效率，浪费了人力物力财力。
发明内容
本申请实施例提供了一种生物特征识别方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中生物特征识别效率较低的问题。
第一方面，本申请实施例提供了一种生物特征识别方法，所述生物特征识别方法的应用环境包括第一生物特征识别模型和第二生物特征识别模型，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值根据第二训练样本经所述第二生物特征识别模型训练获得，所述生物特征识别方法包括：获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜；将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度；根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值；根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度；根据所述第二相似度，结合预设条件确定所述生物特征的识别结果。
第二方面，本申请实施例还提供了一种生物特征识别装置，所述生物特征识别装置的应用环境包括第一生物特征识别模型和第二生物特征识别模型，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值根据第二训练样本经所述第二生物特征识别模型训练获得，所述生物特征识别装置包括：第一获取单元，用于获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜；输入单元，用于将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度；第二获取单元，用于根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值；第三获取单元，用于根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度；确定单元，用于根据所述第二相似度，结合预设条件确定所述生物特征的识别结果。
第三方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括存储器以及与所述存储器相连的处理器；所述存储器用于存储计算机程序；所述处理器用于运行所述计算机程序，以执行所述生物特征识别方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述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可实现所述生物特征识别方法的步骤。
本申请实施例提供了一种生物特征识别方法、装置、计算机设备及计算机可读存储介质。本申请实施例实现生物特征识别时，采用了两个关联的生物特征识别模型，即第一生物特征识别模型和第二生物特征识别模型，通过第一生物特征识别模型对生物特征进行识别得到第一相似度，然后利用两个生物特征识别模型对同一生物特征识别出的相似度之间的关联关系，将所述第一相似度进行转换，得到该生物特征在第二生物特征识别模型中的第二相似度，通过第二相似度对生物特征进行判断，从而得出对所述生物特征的识别结果，可以实现当其中一个生物特征识别模型发生变化时，只需设置发生变化的生物特征识别模型，然后按照两个生物特征识别模型之间的关联关系，将第一相似度按照预设方式进行转换即可得到第二相似度，无需对另一个生物特征识别模型进行代码修改和重新测试等调整，相对于传统技术中，对生物特征识别模型进行更替和升级后，需要对相关生物特征识别模型进行重新测试和阈值设定等调整，无论是对同一个模型的新旧替换，还是对两个以上模型中其中一个生物特征识别模型的变化时需要对两个生物特征识别模型进行相应调整，本申请实施例所描述的生物特征识别方法，提高了对生物特征识别模型变化的适应性，提高了生物特征识别效率，节省了人力物力财力和时间成本，能够及时满足业务对生物特征识别模型变化的需求。
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为本申请实施例提供的生物特征识别方法的一个流程示意图；
图2为本申请实施例提供的生物特征识别方法的一个子流程示意图；
图3为本申请实施例提供的应用所述生物特征识别方法的人证核验方法的一个流程示意图；
图4为本申请实施例提供的生物特征识别装置的一个示意性框图；以及
图5为本申请实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1，图1为本申请实施例提供的生物特征识别方法的一个流程示意图。所述生物特征识别方法的应用环境包括第一生物特征识别模型和第二生物特征识别模型，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值由第二训练样本经所述第二生物特征识别模型训练获得。如图1所示，该方法包括以下步骤S101-S105：
S101、获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜。
具体地，进行生物特征识别，先通过生物特征采集设备获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜等，对应地，所述生物特征数据包括人脸图像数据、指纹图像数据、声纹数据及虹膜数据，同时，除了生物特征数据外，还要获取生物特征的关联数据，例如生物特征所属对象的相关数据。比如，要进行人脸识别，可以通过摄像头等人脸图像采集设备获取人脸图像，还要获取该人脸图像的关联数据，例如该人脸图像所对应用户的身份证号、手机号等其他信息。再比如，要进行指纹识别，可以通过指纹采集设备获取指纹图像等。
S102、将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度。
具体地，针对生物特征进行识别，有对应的生物特征识别模型，生物特征识别模型对应于计算机程序，即为计算机程序所对应的各种算法。例如，针对人脸识别，有人脸识别模型，针对指纹识别，有指纹识别模型，针对声纹，有声纹识别模型等。
在本申请实施例中，针对每种生物特征进行识别时，涉及两个生物特征识别模型，所述两个生物特征识别模型可以为新旧两个模型，例如为A和A’两个模型，A’为A的升级模型，也可以为两个性质相同但算法不同的生物特征识别模型，例如，为A和B两个模型，A和B为性质相同但算法不同的两个模型，比如A和B为两个算法团队各自开发的人脸识别模型等。因此，本申请实施例所描述的所述生物特征识别方法的应用环境包括第一生物特征识别模型和第二生物特征识别模型。
计算机设备获取所述生物特征数据后，将所述生物特征数据传输至第一生物特征识别模型，第一生物特征识别模型对所述生物特征数据进行识别，与所述生物特征所属主体的留存数据进行比对，以得到所述生物特征的识别结果，即所述生物特征和留存底图的相似度，即所述生物特征数据所对应的第一相似度。例如，将所述生物特征数据输入第一生物特征识别模型中，以获得所述生物特征数据与留存数据之间的所对应的第一相似度，例如要进行人脸识别，先将人脸图像输入第一人脸图像识别模型中以获得该人脸图像的第一相似度。或者，将所述生物特征数据发送至第三方系统，以从第三方系统获得生物特征数据的第一相似度，例如，在人证核验过程中，将采集的人脸图像和用户的信息输入至第三方系统，第三方系统使用内部算法所对应的人脸识别模型将所述人脸图像与所述人脸图像所对应的留存底图进行比对，以得到第一相似度，从而外部可以从第三方系统获得所述人脸图像的第一相似度。
S103、根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值。
具体地，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，即针对第一生物特征识别模型和第二生物特征识别模型具有相同的设置。例如，所述第一生物特征识别模型和所述第二生物特征识别模型所包含的均为通过率，或者均为误识率。为通过率时，所述第一生物特征识别模型包含通过率98％、通过率90％及通过率88％，所述第二生物特征识别模型包含通过率98％、通过率90％及通过率88％。在计算机程序中，通过率用字段描述，字段包含字段名和字段值，字段名用于描述字段的名称，又可以称为字段名称，字段值用于描述字段的赋值，例如，针对通过率的字段，用“通过率＝98％”描述，“通过率”为字段名，“98％”为字段赋值。
每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，即每个所述通过率在所述第一生物特征识别模型中对应一个第一预设阈值，例如，通过率为98％时，在所述第一生物特征识别模型中预设关联的第一预设相似度阈值为0.607，0.607是第一训练样本经所述第一生物特征识别模型训练获得，即第一相似度阈值预先设置为0.607时，所述第一生物特征识别模型对生物特征的识别通过率可以达到98％。同样，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值由第二训练样本经所述第二生物特征识别模型训练获得。第一预设阈值和第二预设阈值在本申请实施例中指相似度阈值。在生物特征识别中，针对生物特征识别，除了通过率(又可以称为识别通过率)，还可以为生物特征的识别误识率，或者称为误识率。所述识别通过率是指针对一批生物特征样本，生物特征识别模型对生物特征样本中所包含的生物特征进行识别时，识别为通过的样本所占的比例。所述识别误识率是指针对一批生物特征样本，生物特征识别模型对生物特征样本中所包含的生物特征进行识别时，对所述生物特征样本中所包含的生物特征识别错误的比例，即把匹配的识别为不匹配，把不匹配的识别为匹配，也即把本来错误的识别为正确，把本来正确的识别为错误，是由用户对训练样本经统计分析得出的值。
对生物特征进行识别时，通过率或者误识率不同，即使是同类性质的生物特征识别模型，例如，均为人脸识别模型，或者均为指纹识别模型，但由于具体算法不同，各个生物特征识别模型各自所对应的阈值也不相同，例如，请参阅表格1和表格2，表格1为一个通过率示例，表格2为一个误识率示例，其中，算法一和算法二属于同性质的生物识别模型，例如，均为人脸识别模型，或者均为指纹识别模型，但算法一和算法一各自对人脸或者指纹进行识别的具体算法不同，表格1中，算法一和算法二在通过率均为99％时，算法一的阈值为0.625，算法二的阈值为0.450。
表格1
通过率 算法一阈值 算法二阈值
99％ 0.625 0.450
98％ 0.607 0.446
97％ 0.598 0.439
96％ 0.593 0.432
95％ 0.588 0.427
90％ 0.543 0.403
85％ 0.517 0.385
表格2
误识率 算法一阈值 算法二阈值
1/1000 0.625 0.450
1/5000 0.607 0.446
1/10000 0.598 0.439
1/20000 0.593 0.432
1/50000 0.588 0.427
1/100000 0.543 0.403
1/1000000 0.517 0.385
在表格1中，生物特征识别所描述的为通过率，每个通过率在不同的算法中对应不同的相似度阈值，此处的每个相似度阈值即为第一预设阈值。在表格2中，生物特征识别所描述的为误识率及各个误识率在不同的算法中各自所对应的相似度阈值，此处的每个相似度阈值即为第二预设阈值。通过率相同时，虽然算法一和算法二各自的阈值不同，但通过相同的通过率，算法一和算法二各自的阈值之间具有关联关系，即表格1中的每一行具有对应的关联关系，同样，表格2中的每一个数值之间也具有关联关系。例如，在表格1中，若针对人脸识别通过的通过率为通过率，通过率值为98％时，第一生物特征识别模型所对应的第一预设阈值为0.607，第二生物特征识别模型所对应的第二预设阈值为0.446，识别通过率为98％时的第一预设阈值0.607与识别通过率为98％时的第二生物特征识别模型的第二预设阈值0.446通过通过率值“通过率98％”具有对应关系。在表格2中也具有类似的关系，通过这种关联关系，可以在算法一和算法二之间对生物特征识别的相似度转换。
预先设置第一生物特征识别模型和第二生物特征识别模型中的生物特征的通过率或者误识率，及设置各个通过率或者误识率所对应的第一预设阈值和第二预设阈值。例如，表格1和表格2中所包含的通过率、误识率、算法一阈值及算法二阈值，各个值是各个模型通过训练样本训练得出的数据。进一步地，此处阈值的生成方式，可以通过一个例子来加以描述。例如，假设人脸照片两两为一组，有100组人脸照片，即200张人脸照片，100组照片中，有部分数量的组所对应的两张照片确实是同一个人，其他组的两张照片并不是同一个人，将这100组照片使用人脸识别算法得到的是100个相似度。此时需要设置一个最佳阈值，使得可以将确实是同一个人的照片组和不是同一个人的照片组区分开。在最理想的状态下，确实是同一个人的照片组的相似度较高，不是同一个人的照片组都相似度较低，在分布上是完全没有重叠的，此时就可以选定一个阈值来使得误识率为0％和通过率为100％作为最佳阈值，而事实上，在实际应用中，会存在不是同一个人的照片组得到的相似度高于是同一个人的照片组的相似度，也即分布上是有重叠部分的，没有任何一个阈值可以达到最佳状态，此时算法提供商在行业的经验下会提供一个标准阈值，定义标准阈值的方法为在1/10000的错误率下，选定标准阈值。需要说明的是，预设阈值可以根据不同的应用场景结合业务需求灵活设定，比如，在一些应用场景下，对于一些风控比较严格的应用场景，客户可以根据自身实际的数据确定其阈值，例如客户希望误识率为0％且可以承受较低的通过率，可以根据其实际数据，在上述相似度重叠部分，选择重叠部分两端中的较大值作为阈值。对于一些风控要求不高，但是对用户体验要求较高的场景，客户选择重叠部分两端中较小值作为阈值。上述标准阈值是根据算法提供商在行业的经验下提供的,通常情况定义标准阈值的方法为在1/10000的错误率下，选定标准阈值。
因此，根据所述第一相似度，可以获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值。
进一步地，请参阅图2，图2为本申请实施例提供的生物特征识别方法的一个子流程示意图。如图2所示，所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤包括以下子步骤S201-S205：
S201、将所述第一相似度和所有所述第一预设阈值相比较，将大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第一邻近预设阈值，将小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第二邻近预设阈值；
S202、根据所述第一邻近预设阈值，获取所述第一邻近预设阈值所对应的所述第一通过率；
S203、获取所述第一通过率所对应的所述第二预设阈值，作为第三邻近预设阈值；
S204、根据所述第二邻近预设阈值，获取所述第二邻近预设阈值所对应的所述第二通过率；
S205、获取所述第二通过率所对应的所述第二预设阈值，作为第四邻近预设阈值。
具体地，通过本申请实施例进行生物特征的识别时，由于所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，在通过第一生物特征识别模型对所述生物特征进行识别以得到第一相似度后，可以根据第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，获取所述第一邻近预设阈值所对应的第一通过率，根据所述第一通过率即可获取所述第二生物特征识别模型中所包含的第三邻近预设阈值，同样，即可获取第四邻近预设阈值。例如，以表格1为例，若对一个人脸图像通过第一人脸识别模型进行识别，获得所述人脸图像的第一相似度为0.618，对照表格1，即可获取第一邻近预设阈值为0.625，第二预设阈值为0.607，根据0.625所对应的通过率为99％，可获得所第三邻近预设阈值为0.450，根据0.607所对应的通过率为98％，可获得第四邻近预设阈值为0.446。
S104、根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度。
其中，预设方式包括线性变换和正态变化。
具体地，由于所述第一生物特征识别模型和所述第二生物特征识别模型各自对生物特征识别出的相似度之间通过通过率或者误识率存在对应的关联关系，这种关联关系能够使所述第一生物特征识别模型和所述第二生物特征识别模型各自根据同样的输入数据得到的相似度具有映射关系，因此，可以通过第一生物特征识别模型的相似度，再根据所述第一生物特征识别模型和所述第二生物特征识别模型之间存在的对应关联关系，映射出该输入数据输入第二生物特征识别模型时应该得到的相似度，这种关联关系可以根据训练样本数据得到。
在一个实施例中，若预设方式为线性变换方式，所述通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度，即为通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度。进一步地，所述通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度的步骤包括：
将所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值输入公式(1)，以计算获得第二相似度；
其中，公式(1)中所包含的D1为第一相似度，D2为第二相似度，T1为第一邻近预设阈值，T2为第二邻近预设阈值，T3为第三邻近预设阈值，T4为第四邻近预设阈值。
具体地，请继续参阅表格1和表格2，在表格1中，针对同样的输入数据，通过率相同时，算法一的阈值和算法二的阈值之间具有对应的关联关系，在表格2中，针对同样的输入数据，误识率相同时，算法一的阈值和算法二的阈值也具有对应的关联关系，这种通过率或者误识率及对应的阈值之间的关系是通过训练样本得到的。因此，在本申请实施例中，这种关联关系之间的映射就可通过线性变换等预设方式来实现，即通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度，从而实现本申请实施例中生物特征识别方法中所描述的基于线性变换和通过率或者误识率映射的相似度转换。具体地，对于所述第一生物特征识别模型和所述第二生物特征识别模型之间相似度的转换，包括以下两种情形：
(1)基于通过率的映射以得到相似度转换。
具体地，假设有两个算法给出的各个通过率的预设阈值如表格1所示，跨度通常情况下以1％为一个跨度，并且由于绝大部分客户设置的阈值都会在重叠部分，因此，该细分通常会在重叠区域进行。如果客户在1％的细分下要求更加的细分，即假设在通过率为99％和98％下，阈值的差距较大，且在该细分中误识率变化速度也较快，需要对该1％进行进一步细分，可以以0.1％作为一个细分单位。对于0.1％的跨度中间，选择以线性变换找到对应的阈值，假设98.9％和99％通过率下，算法一的阈值和算法二的阈值分别如下表格3所示。
表格3
通过率 算法一阈值 算法二阈值
99％ 0.625 0.450
98.9％ 0.621 0.448
当算法一的模型得到的相似度为0.624时，根据线性变换，相应的算法二所对应的第二相似度为：
该公式(2)为公式(1)所描述的线性变换公式在应用为通过率时的具体示例，可以认为两个点之间通过直线连接，如果觉得两点之间不够精确，可以做进一步细分，变成若干段小直线进行连接。
(2)基于误识率的映射以得到相似度转换。
具体地，假设有两个算法给出的各个误识率的阈值如表格2所示，也可以将两边算法的阈值进行细分，例如在较为常用的误识率为1/10000到1/100000之间进行细化，由于使用的该段阈值的客户较多，可以以1/500为一个跨度进行两个算法模型的阈值的分别计算，如下表格4所示。
表格4
误识率 算法一阈值 算法二阈值
1/10000 0.598 0.439
1/10500 0.597 0.436
当算法一的模型得出的相似度为0.5974时，根据线性变换，相应的算法二所对应的第二相似度为：
该公式(3)为公式(1)所描述的线性变换公式在应用为误识率时的具体示例。
进一步地，通过率可以通过生产环境数据统计获得，误识率是由业务部门通过对生产数据经人工分析和统计获得的。
进一步地，上述线性变换还可以采取其他变换方式，即上述公式还可以采取其他公式作为计算方法，例如在两个通过率中间进行正态分布的变换，以使得标准差和数学期望相等，由于本申请实施例中的上述具体实施例中相似度的分布只会在[0,1]之间正态分布，不会在各个小区间内正态分布，也可以不在两个通过率间使用正态分布。
需要说明的是，上述通过率及误识率是从不同的角度来进行阈值的设定，需要根据用户的业务需求以确定采用通过率或者误识率。例如，有些客户更加关注自身业务的通过情况，相对不是很在意误识率(并非完全不关注，否则可以直接使用上述阈值生成方式示例中描述中的重叠部分两端中的较小值作为阈值)，此时可以使用通过率角度来设置阈值；有些客户更加关注自身业务的误识情况，相对不是很在意通过率(并非完全不关注，否则可以直接使用上述阈值生成方式示例中描述中的重叠部分两端中的较大值作为阈值)，此时可以使用误识率角度来设置阈值。
S105、根据所述第二相似度，结合预设条件确定所述生物特征的识别结果。
具体地，由于第一生物特征识别模型和第二生物特征识别模型具有相同的通过率，并且通过率及第一预设阈值和第二预设阈值是两个模型通过采用同样的样本数据进行训练而得到，能够反映第一生物特征识别模型和第二生物特征识别模型之间的映射关系，因此，由第一相似度经转换得到的第二相似度，相当于将生物特征数据输入第二生物特征识别模型得到的相似度，从而第二相似度能够准确反映第二相似度所对应的生物特征与业务对生物特征要求之间的关系，从而第二相似度能够满足用户对生物特征的准确性要求，而第二生物特征识别模型是原来是满足实际业务需求的，因此，现在根据第二相似度判断所述生物特征是否满足实际业务需求也是准确的，根据所述第二相似度，结合预设条件获得所述生物特征的识别结果也是准确的，能够实现第一生物特征识别模型无论如何变化，只要第二生物特征识别模型具有和第一生物特征识别模型具有相同的通过率，第二生物特征识别模型就无需调整以及重新运用实际的业务数据进行训练。例如，在人脸识别过程中，根据所述第二相似度，判断所述人脸识别是否通过，或者在指纹识别过程中，根据所述第二相似度，判断所述指纹识别是否通过，或者在人证核验的过程中，根据第三方系统的核验分值，获得对应的使用自己的算法应该得到的相似度分值，由于以第三方系统的核验结果为准，经过上述过程得到的自身算法的相似度分值也是默认为准确的，从而得出较准确的识别结果，再根据自身的算法使用识别结果，也默认这样得到的结果是准确的。
在本申请实施例中，通过基于线性变换和通过率或误识率映射的相似度转换，将生物特征识别的相似度在第一生物特征识别模型和第二生物特征识别模型中进行转换，这样无论第一生物特征识别模型怎么变换，在算法进行了更替和升级后，无需终端用户频繁进行代码修改和重新测试，利用第一生物特征识别模型和第二生物特征识别模型之间的映射关系，直接进行相似度转换即可实现生物特征的识别，均可以使第二生物特征识别模型处于不用修改或者重新训练的稳定状态，充分利用第二生物特征识别模型的数据和设置的条件进行生物特征的识别。例如，在金融领域，给金融客户的风控团队带来了很多的便利性。例如客户如果设置了通过率为其阈值，模型变换后实际阈值一般也是需要改变的，而该通过率会从新的阈值映射回老的阈值，以使得客户不需要修改代码来改变阈值，也就是说新模型的迭代上线与客户可以做到无感知。由于第二生物特征识别模型具有不变的稳定性，不但对于新旧模型的交替，客户不需要使用实际的业务数据重新训练模型以调整自己的阈值，以使更改的生物特征模型与自己的实际业务重新相适应，而且对于主备模型的切换，客户也不需要调整自己的模型，仅仅通过映射关系即可实现相似度的转换，就可获得该生物特征相对于第二生物特征识别模型可靠的准确相似度，也就是说新模型的迭代上线与客户可以做到无感知。相比传统技术中，仅仅使用一个识别模型进行生物特征的识别，提高了生物特征识别的效率和性能，节省了大量的人力物力和财力。
在一个实施例中，所述第一相似度所属的第一识别数据中携带有所述第一相似度所对应的第一识别判断结果，所述第一识别数据为根据所述第一生物特征识别模型对所述生物特征数据进行识别得出的所有结论，所述第一识别判断结果包括识别待定，所述识别待定为不能确定对所述生物特征的识别为通过或者未通过，所述得到所述生物特征数据所对应的第一相似度的步骤之后，还包括：
判断所述第一识别判断结果是否为识别待定；
若所述第一识别判断结果不为识别待定，执行所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤；
若所述第一识别结果为识别待定，返回执行所述获取生物特征所对应的生物特征数据的步骤；
迭代执行所述判断所述第一识别判断结果是否为识别待定的步骤，直至所述第一识别结果不为识别待定。
具体地，第一生物特征识别模型不但给出对生物特征进行识别得到的第一相似度，还给出自身根据所述第一相似度得到的第一识别判断结果，从而根据所述第一生物特征识别模型对生物特征进行识别得出的第一识别数据中，不但包括第一相似度，还包括第一识别判断结果，所述第一识别判断结果为识别通过、识别未通过或者识别待定，相对于识别通过和识别未通过，识别待定为一种不确定的模糊结论，若识别结果不能够确定，需要重新获取生物特征所对应的生物特征数据，比如重新拍摄人脸图形或者指纹，或者重新采集声纹或者虹膜等，重新对生物特征进行识别，直至获取对该生物特征识别的确定结果，要么为通过，要么为未通过，此时，所述第一相似度所属的第一识别数据中携带有所述第一相似度所对应的第一识别判断结果，所述第一识别判断结果为识别通过、识别未通过或者识别待定，获得所述第一相似度后，根据所述第一相似度所属的第一识别数据中包含的第一识别判断结果，判断所述第一识别判断结果是否为识别待定，若所述第一识别判断结果不为识别待定，表明根据所述第一相似度，可以得到对该生物特征识别的确定结论，该生物特征是准确的，可以将所述第一相似度进行转换为第二相似度，以采用第二相似度去进行实际业务，即执行所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤；若所述第一识别结果为识别待定，表明该生物特征是不准确的，将所述第一相似度转换为第二相似度没有实际意义，此时需要重新获取新的生物特征数据，返回执行所述获取生物特征所对应的生物特征数据的步骤，重新对该生物特征进行识别，迭代执行所述判断所述第一识别判断结果是否为识别待定的步骤，直至所述第一识别结果不为识别待定。例如，在人证核验过程中，将采集的人脸图像和用户的信息输入至第三方系统，比如，在中国国内进行身份验证时，第三方系统可以为公安系统，第三方系统使用内部算法所对应的人脸识别模型将所述人脸图像与所述人脸图像所对应的留存底图进行比对，以得到第一相似度，从而外部可以从第三方系统获得所述人脸图像的第一相似度，同时还会获得第三方系统自身根据所述第一相似度返回的第一识别判断结果，即第三方系统自身的识别结论，第一识别判断结果包括识别通过、识别未通过，识别待定，若第三方系统返回的第一识别判断结果为识别待定，由于第三方系统返回的识别结论存在模糊的不确定性，人脸图像所对应的第一相似度没有实际的参考意义，需要重新获取人脸图像，再次调用第三方系统进行识别，直至从第三方系统获得对该人脸图像进行识别的确定结果，为识别通过或者为识别未通过，再将第一相似度转换为第二相似度，从而根据第二相似度对人脸图像进行实际业务的处理。通过将第一识别判断结果为确定识别结果所对应的第一相似度，转换为第二相似度，再根据所述第二相似度进行生物特征的识别，以进行后续的实际业务处理，相比将所有第一相似度直接进行第二相似度的转换，缩短了对所述生物特征识别的过程，能够提高对所述第二相似度所对应的生物特征进行识别的准确性，并提高对该生物特征识别的效率，进而提高对业务处理的效率。
下面以一个典型应用来描述上述技术方案，请参阅图3，图3为本申请实施例提供的应用所述生物特征识别方法的人证核验方法的一个流程示意图。如图3所示，该方法包括以下步骤S301-S307：
S301、获取进行人证核验的人脸图像。
S302、判断是否存在所述人脸图像所对应的留存图像。
S303-S304、若存在所述留存图像，将所述人脸图像与所述留存图像进行比对，以判断对所述人脸图像的识别是否通过。
S305、若对所述人脸图像的识别通过，判定所述人证核验通过，以获得人证核验的结果。
S306、若不存在所述留存图像，或者对所述人脸图像的识别未通过，调用第三方系统以执行上述实施例所描述的所述生物特征识别方法的步骤。
S307、获得人证核验的结果。
具体地，在人证核验的应用场景中，进行人证核验时，计算机设备获取人证核验所对应对象的人脸图像，判断数据库中是否存在该人脸图像的留存底片，若存在留存底片，先通过本机上的第二人脸识别模型所对应的预设算法将人脸图像与留存底片进行比对，以判断对所述人脸图像的人脸识别是否通过，若对所述人脸图像的识别通过，判定所述人证核验通过，直接获得人证核验的结果，若不存在该用户的留存底片，或者判断人脸图像识别不通过，调用第三方系统进行人脸识别，并执行上述实施例所描述的所述生物特征识别方法的步骤。
进一步具体地，第三方系统运用第三方内部的第一人脸识别模型将所述人脸图像与第三方系统内部的留存底片进行比对，以得到第一相似度，由于现在第三方系统，出于保护公民个人隐私等原因的考虑，不再返回人脸识别的照片，由原来的各家单位获取第三方系统的留存底片后自己进行人像比对，变为由第三方系统使用自身预设的内部人脸识别模型进行比对，只输出比对结果，也即第一相似度所对应的相似度分值。第三方系统给出的相似度分数值分为3段，大于等于45分的为确定是同一个人；小于40分的为确定不是同一个人；大于等于40分且小于45分的为模糊区域。所以即使各家单位也分三段，但若不经过准确的相似度转换，也无法确定第三方的公安系统返回的相似度分值相当于自己采用的第二人脸识别模型所对应算法的哪个层次的相似度，从而客户没法更好的在产品中使用相应的相似度进行处理。比如在智能认证产品中，虽然相似度分数也分为3段，但是两个关键点的分数值完全不同，所述关键点包括通过率或者误识率，大于等于65分的确定是同一个人；小于57分的为确定不是同一个人；大于等于57分且小于65分的为模糊区域，而第三方系统的阈值与产品提供商设置的阈值，甚至客户自身设置的阈值都是不同的，因此，无法根据第三方系统返回的相似度分值，在产品中进行使用，尤其是第三方系统的人脸识别模型产生更新或者变化时，自身产品中的人脸识别模型也需要进行修改才能使用第三方系统的人脸识别模型的变化，给人脸识别带来处理的很大不便。通过本申请实施例所描述的生物特征识别方法，通过基于线性变换和关键点的映射，进行相似度分数值的变换，可以采取如下过程：
设similarity为原有产品的分数体系；score为第三方系统返回的新的分数体系。根据两个关键点，整个分数区间分为3段，分别进行线性变换的映射如下：
1)、if(score<40),similarity＝score*57/40；
2)、if(40<＝score&&score<45),similarity＝(score-40)*8/5+57；
3)、if(score>＝45),similarity＝(score-45)*7/11+65；
上述根据关键点进行映射的相似度转换方式，将第三方系统的相似度分数值转换为自己产品的相似度分数值，从而根据自己的实际业务需求使用第三方系统的相似度识别结果，即使第三方系统的人脸识别模型进行了修改，自己的模型和阈值等也不需要进行调整，减少了工作量，提高了处理效率和性能，从而第三方系统将所述第一相似度返回至计算机设备，计算机设备从第三方系统获取所述人脸识别的第一相似度所对应的相似度分值，以执行上述实施例所描述的所述生物特征识别方法的步骤，以获得所述人脸图像的第二相似度，第二相似度即为人脸图像在第二人脸识别模型中所对应的相似度分值，根据自身算法的分值结合预设的阈值判断人脸识别是否通过的结果；若判断通过，人证核验通过，若判断不通过，人证核验未通过。由于第二人脸识别模型是与实际业务想适配的，因此根据第二相似度分值获得的人脸识别结果也是与实际业务相匹配的，从而获得较准确的人脸识别结果，以在无论第一人脸识别模型如何变化，在不改变第二人脸识别模型及不用再重新训练第二人脸识别模型的情况下，使人脸识别结果与自身的实际业务相匹配，提高人证核验的效率，节省人证核验的成本。
需要说明的是，上述各个实施例所述的生物特征识别方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本申请要求的保护范围之内。
请参阅图4，图4为本申请实施例提供的生物特征识别装置的一个示意性框图。对应于上述生物特征识别方法，本申请实施例还提供一种生物特征识别装置。如图4所示，该生物特征识别装置包括用于执行上述生物特征识别方法的单元，该生物特征识别装置可以被配置于服务器端所包含的计算机设备中。具体地，所述生物特征识别装置的应用环境包括第一生物特征识别模型和第二生物特征识别模型，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值根据第二训练样本经所述第二生物特征识别模型训练获得。如图4所示，该生物特征识别装置400包括第一获取单元401、输入单元402、第二获取单元403、第三获取单元404及确定单元405。
其中，第一获取单元401，用于获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜；
输入单元402，用于将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度；
第二获取单元403，用于根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值；
第三获取单元404，用于根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度；
确定单元405，用于根据所述第二相似度，结合预设条件确定所述生物特征的识别结果。
在一个实施例中，所述第二获取单元403包括：
比较子单元，用于将所述第一相似度和所有所述第一预设阈值相比较，将大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第一邻近预设阈值，将小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第二邻近预设阈值；
第一获取子单元，用于根据所述第一邻近预设阈值，获取所述第一邻近预设阈值所对应的所述第一通过率；
第二获取子单元，用于获取所述第一通过率所对应的所述第二预设阈值，作为第三邻近预设阈值；
第三获取子单元，用于根据所述第二邻近预设阈值，获取所述第二邻近预设阈值所对应的所述第二通过率；
第四获取子单元，用于获取所述第二通过率所对应的所述第二预设阈值，作为第四邻近预设阈值。
在一个实施例中，所述第一相似度所属的第一识别数据中携带有所述第一相似度所对应的第一识别判断结果，所述第一识别数据为根据所述第一生物特征识别模型对所述生物特征数据进行识别得出的所有结论，所述第一识别判断结果包括识别待定，所述识别待定为不能确定对所述生物特征的识别为通过或者未通过，所述生物特征识别装置400还包括：
判断单元，用于判断所述第一识别判断结果是否为识别待定；
第一执行单元，用于若所述第一识别判断结果不为识别待定，执行所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤；
第二执行单元，用于若所述第一识别结果为识别待定，返回执行所述获取生物特征所对应的生物特征数据的步骤；
迭代单元，用于迭代执行所述判断所述第一识别判断结果是否为识别待定的步骤，直至所述第一识别结果不为识别待定。
在一个实施例中，所述第三获取单元404，用于根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度。
在一个实施例中，所述第三获取单元404，用于将所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值输入公式(1)，以计算获得第二相似度；
其中，D1为第一相似度，D2为第二相似度，T1为第一邻近预设阈值，T2为第二邻近预设阈值，T3为第三邻近预设阈值，T4为第四邻近预设阈值。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述生物特征识别装置和各单元的具体实现过程，可以参考前述所对应方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
同时，上述生物特征识别装置中各个单元的划分和连接方式仅用于举例说明，在其他实施例中，可将生物特征识别装置按照需要划分为不同的单元，也可将生物特征识别装置各单元采取不同的连接顺序和方式，以完成上述生物特征识别装置各自的全部或部分功能。
上述生物特征识别装置可以各自分别实现为一种计算机程序的形式，该计算机程序可以分别在如图5所示的计算机设备上运行。
请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。
参阅图5，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种上述生物特征识别方法或者上述人证核验方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种上述生物特征识别方法或者上述人证核验方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图5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计算机设备500的限定，具体的计算机设备500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。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图5所示实施例一致，在此不再赘述。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜；将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度；根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值；根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度；根据所述第二相似度，结合预设条件确定所述生物特征的识别结果。
在一实施例中，所述处理器502在实现所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤时，具体实现以下步骤：将所述第一相似度和所有所述第一预设阈值相比较，将大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第一邻近预设阈值，将小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第二邻近预设阈值；根据所述第一邻近预设阈值，获取所述第一邻近预设阈值所对应的所述第一通过率；获取所述第一通过率所对应的所述第二预设阈值，作为第三邻近预设阈值；根据所述第二邻近预设阈值，获取所述第二邻近预设阈值所对应的所述第二通过率；获取所述第二通过率所对应的所述第二预设阈值，作为第四邻近预设阈值。
在一实施例中，所述第一相似度所属的第一识别数据中携带有所述第一相似度所对应的第一识别判断结果，所述第一识别数据为根据所述第一生物特征识别模型对所述生物特征数据进行识别得出的所有结论，所述第一识别判断结果包括识别待定，所述识别待定为不能确定对所述生物特征的识别为通过或者未通过，所述处理器502在实现所述得到所述生物特征数据所对应的第一相似度的步骤之后，还实现以下步骤：
判断所述第一识别判断结果是否为识别待定；若所述第一识别判断结果不为识别待定，执行所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤；若所述第一识别结果为识别待定，返回执行所述获取生物特征所对应的生物特征数据的步骤；迭代执行所述判断所述第一识别判断结果是否为识别待定的步骤，直至所述第一识别结果不为识别待定。
在一实施例中，所述处理器502在实现所述通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度的步骤时，具体实现以下步骤：
通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度。
在一实施例中，所述处理器502在实现所述通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度的步骤时，具体实现以下步骤：
将所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值输入公式(1)，以计算获得第二相似度；
其中，D1为第一相似度，D2为第二相似度，T1为第一邻近预设阈值，T2为第二邻近预设阈值，T3为第三邻近预设阈值，T4为第四邻近预设阈值。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，该计算机可读存储介质存储有第一计算机程序，该第一计算机程序被处理器执行时使处理器执行如下步骤：
一种计算机程序产品，当其在计算机上运行时，使得计算机执行以上各实施例中所描述的生物特征识别方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述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。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述，仅为本申请的具体实施方式，但本申请明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)

1.一种生物特征识别方法，其特征在于，所述生物特征识别方法的应用环境包括第一生物特征识别模型和第二生物特征识别模型，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值根据第二训练样本经所述第二生物特征识别模型训练获得，所述生物特征识别方法包括：
获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜；
将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度；
根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值；
根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度；
根据所述第二相似度，结合预设条件确定所述生物特征的识别结果；
所述第一生物特征识别模型和所述第二生物特征识别模型为新旧两个生物特征识别模型或者为两个性质相同但算法不同的生物特征识别模型。
2.根据权利要求1所述生物特征识别方法，其特征在于，所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤包括：
将所述第一相似度和所有所述第一预设阈值相比较，将大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第一邻近预设阈值，将小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第二邻近预设阈值；
根据所述第一邻近预设阈值，获取所述第一邻近预设阈值所对应的第一通过率；
获取所述第一通过率所对应的所述第二预设阈值，作为第三邻近预设阈值；
根据所述第二邻近预设阈值，获取所述第二邻近预设阈值所对应的第二通过率；
获取所述第二通过率所对应的所述第二预设阈值，作为第四邻近预设阈值。
3.根据权利要求1所述生物特征识别方法，其特征在于，所述第一相似度所属的第一识别数据中携带有所述第一相似度所对应的第一识别判断结果，所述第一识别数据为根据所述第一生物特征识别模型对所述生物特征数据进行识别得出的所有结论，所述第一识别判断结果包括识别待定，所述识别待定为不能确定对所述生物特征的识别为通过或者未通过，所述得到所述生物特征数据所对应的第一相似度的步骤之后，还包括：
判断所述第一识别判断结果是否为识别待定；
若所述第一识别判断结果不为识别待定，执行所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤；
若所述第一识别判断结果为识别待定，返回执行所述获取生物特征所对应的生物特征数据的步骤；
迭代执行所述判断所述第一识别判断结果是否为识别待定的步骤，直至所述第一识别判断结果不为识别待定。
4.根据权利要求1所述生物特征识别方法，其特征在于，所述通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度的步骤包括：
通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度。
5.根据权利要求4所述生物特征识别方法，其特征在于，所述通过线性变换方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度的步骤包括：
将所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值输入公式(1)，以计算获得第二相似度；
其中，D1为第一相似度，D2为第二相似度，T1为第一邻近预设阈值，T2为第二邻近预设阈值，T3为第三邻近预设阈值，T4为第四邻近预设阈值。
6.一种生物特征识别装置，其特征在于，所述生物特征识别装置的应用环境包括第一生物特征识别模型和第二生物特征识别模型，所述第一生物特征识别模型和所述第二生物特征识别模型分别包含若干个相同的通过率，每个所述通过率在所述第一生物特征识别模型中预设关联第一预设阈值，所述第一预设阈值根据第一训练样本经所述第一生物特征识别模型训练获得，每个所述通过率在所述第二生物特征识别模型中预设关联第二预设阈值，所述第二预设阈值根据第二训练样本经所述第二生物特征识别模型训练获得，所述生物特征识别装置包括：
第一获取单元，用于获取生物特征所对应的生物特征数据，所述生物特征包括人脸图像、指纹、声纹或者虹膜；
输入单元，用于将所述生物特征数据传输至第一生物特征识别模型，以得到所述生物特征数据所对应的第一相似度；
第二获取单元，用于根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值，所述第一邻近预设阈值为在所有所述第一预设阈值中，大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值，所述第二邻近预设阈值为在所有所述第一预设阈值中，小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值；所述第三邻近预设阈值为通过所述通过率与所述第一邻近预设阈值所对应的所述第二预设阈值，所述第四邻近预设阈值为通过所述通过率与所述第二邻近预设阈值所对应的所述第二预设阈值；
第三获取单元，用于根据所述第一相似度、所述第一邻近预设阈值、所述第二邻近预设阈值、所述第三邻近预设阈值及所述第四邻近预设阈值，通过预设方式获得所述第一相似度在所述第二生物特征识别模型中所对应的第二相似度；
确定单元，用于根据所述第二相似度，结合预设条件确定所述生物特征的识别结果；
所述第一生物特征识别模型和所述第二生物特征识别模型为新旧两个生物特征识别模型或者为两个性质相同但算法不同的生物特征识别模型。
7.根据权利要求6所述生物特征识别装置，其特征在于，所述第二获取单元包括：
比较子单元，用于将所述第一相似度和所有所述第一预设阈值相比较，将大于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第一邻近预设阈值，将小于所述第一相似度且与所述第一相似度最邻近的所述第一预设阈值作为第二邻近预设阈值；
第一获取子单元，用于根据所述第一邻近预设阈值，获取所述第一邻近预设阈值所对应的第一通过率；
第二获取子单元，用于获取所述第一通过率所对应的所述第二预设阈值，作为第三邻近预设阈值；
第三获取子单元，用于根据所述第二邻近预设阈值，获取所述第二邻近预设阈值所对应的第二通过率；
第四获取子单元，用于获取所述第二通过率所对应的所述第二预设阈值，作为第四邻近预设阈值。
8.根据权利要求6所述生物特征识别装置，其特征在于，所述第一相似度所属的第一识别数据中携带有所述第一相似度所对应的第一识别判断结果，所述第一识别数据为根据所述第一生物特征识别模型对所述生物特征数据进行识别得出的所有结论，所述第一识别判断结果包括识别待定，所述识别待定为不能确定对所述生物特征的识别为通过或者未通过，所述生物特征识别装置还包括：
判断单元，用于判断所述第一识别判断结果是否为识别待定；
第一执行单元，用于若所述第一识别判断结果不为识别待定，执行所述根据所述第一相似度，获取所述第一生物特征识别模型中所包含的第一邻近预设阈值及第二邻近预设阈值，及所述第二生物特征识别模型中所包含的第三邻近预设阈值及第四邻近预设阈值的步骤；
第二执行单元，用于若所述第一识别判断结果为识别待定，返回执行所述获取生物特征所对应的生物特征数据的步骤；
迭代单元，用于迭代执行所述判断所述第一识别判断结果是否为识别待定的步骤，直至所述第一识别判断结果不为识别待定。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器以及与所述存储器相连的处理器；所述存储器用于存储计算机程序；所述处理器用于运行所述计算机程序，以执行如权利要求1-5任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述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可实现如权利要求1-5中任一项所述方法的步骤。
CN202010223294.XA 2020-03-26 2020-03-26 生物特征识别方法、装置、计算机设备及存储介质 Active CN111582305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010223294.XA CN111582305B (zh) 2020-03-26 2020-03-26 生物特征识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010223294.XA CN111582305B (zh) 2020-03-26 2020-03-26 生物特征识别方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111582305A CN111582305A (zh) 2020-08-25
CN111582305B true CN111582305B (zh) 2023-08-18

Family

ID=72114883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010223294.XA Active CN111582305B (zh) 2020-03-26 2020-03-26 生物特征识别方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111582305B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005149074A (ja) * 2003-11-14 2005-06-09 Matsushita Electric Ind Co Ltd 画像認識装置
WO2017162076A1 (zh) * 2016-03-24 2017-09-28 北京握奇数据股份有限公司 一种人脸识别方法及系统
CN109034048A (zh) * 2018-07-20 2018-12-18 苏州中德宏泰电子科技股份有限公司 人脸识别算法模型切换方法与装置
CN109784377A (zh) * 2018-12-26 2019-05-21 平安科技（深圳）有限公司 多重识别模型构建方法、装置、计算机设备及存储介质
CN109816043A (zh) * 2019-02-02 2019-05-28 拉扎斯网络科技（上海）有限公司 用户识别模型的确定方法、装置、电子设备及存储介质
CN110276243A (zh) * 2019-05-07 2019-09-24 平安科技（深圳）有限公司 分数映射方法、人脸比对方法、装置、设备及存储介质
WO2019200749A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 识别人脸的方法、装置、计算机设备和存储介质
CN110472499A (zh) * 2019-07-09 2019-11-19 平安科技（深圳）有限公司 一种行人重识别的方法及装置
CN110516745A (zh) * 2019-08-28 2019-11-29 北京达佳互联信息技术有限公司 图像识别模型的训练方法、装置及电子设备
CN110580754A (zh) * 2018-06-11 2019-12-17 杭州海康威视系统技术有限公司 一种人脸认证的方法、装置及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909825B (zh) * 2012-10-11 2024-05-28 开文公司 使用概率模型在视觉数据中检测对象
KR101950797B1 (ko) * 2017-03-10 2019-02-22 크루셜텍(주) 다중 생체 데이터를 이용한 비접촉식 다중 생체 인식 방법 및 다중 생체 인식 장치
KR102348593B1 (ko) * 2017-10-26 2022-01-06 삼성에스디에스 주식회사 기계 학습 기반의 객체 검출 방법 및 그 장치
TWI684918B (zh) * 2018-06-08 2020-02-11 和碩聯合科技股份有限公司 臉部辨識系統以及加強臉部辨識方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005149074A (ja) * 2003-11-14 2005-06-09 Matsushita Electric Ind Co Ltd 画像認識装置
WO2017162076A1 (zh) * 2016-03-24 2017-09-28 北京握奇数据股份有限公司 一种人脸识别方法及系统
WO2019200749A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 识别人脸的方法、装置、计算机设备和存储介质
CN110580754A (zh) * 2018-06-11 2019-12-17 杭州海康威视系统技术有限公司 一种人脸认证的方法、装置及系统
CN109034048A (zh) * 2018-07-20 2018-12-18 苏州中德宏泰电子科技股份有限公司 人脸识别算法模型切换方法与装置
CN109784377A (zh) * 2018-12-26 2019-05-21 平安科技（深圳）有限公司 多重识别模型构建方法、装置、计算机设备及存储介质
CN109816043A (zh) * 2019-02-02 2019-05-28 拉扎斯网络科技（上海）有限公司 用户识别模型的确定方法、装置、电子设备及存储介质
CN110276243A (zh) * 2019-05-07 2019-09-24 平安科技（深圳）有限公司 分数映射方法、人脸比对方法、装置、设备及存储介质
CN110472499A (zh) * 2019-07-09 2019-11-19 平安科技（深圳）有限公司 一种行人重识别的方法及装置
CN110516745A (zh) * 2019-08-28 2019-11-29 北京达佳互联信息技术有限公司 图像识别模型的训练方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
人脸识别应用算法性能测试简述;吴彤等;《中国安全防范技术与应用》(第1期);第14-16页 *

Also Published As

Publication number Publication date
CN111582305A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
US20210073786A1 (en) Systems and methods for mobile image capture and processing of documents
US11151369B2 (en) Systems and methods for classifying payment documents during mobile image processing
AU2019101579A4 (en) User identity verification method, apparatus and system
WO2020073502A1 (zh) 发票验证方法、融资审核方法、装置、设备及介质
CN111191568B (zh) 翻拍图像识别方法、装置、设备及介质
CN111932363B (zh) 授权书的识别审核方法、装置、设备及系统
AU2012200238B2 (en) Methods and Systems of Authentication
KR20160086830A (ko) 인간의 생물학적 특징을 이용한 신원 인증
CN110457332B (zh) 一种信息处理方法及相关设备
WO2019056496A1 (zh) 图片复审概率区间生成方法及图片复审判定方法
CN111126098A (zh) 证件图像采集方法、装置、设备及存储介质
CN111585851B (zh) 一种专线用户的识别方法及装置
CN109559821B (zh) 基于数据处理的风湿性心脏瓣膜病认证方法及相关设备
CN113487326B (zh) 基于智能合约的交易限制参数设置方法及装置
CN117150233B (zh) 一种电网异常数据治理方法、系统、设备及介质
CN111582305B (zh) 生物特征识别方法、装置、计算机设备及存储介质
CN110489434B (zh) 一种信息处理方法及相关设备
CN111178347B (zh) 证件图像的模糊度检测方法、装置、设备及存储介质
CN113128278A (zh) 一种图像识别方法及装置
US11482027B2 (en) Automated extraction of performance segments and metadata values associated with the performance segments from contract documents
CN111753723B (zh) 一种基于密度校准的指纹识别方法及装置
CN116406460A (zh) 多因子指纹认证器
US20230360378A1 (en) Live biometric engine performance measurement
CN114186873B (zh) 加工变量验证方法、装置及相关设备
US12125302B2 (en) Systems and methods for classifying payment documents during mobile image processing

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