CN111709004A - 一种身份认证方法、装置、电子设备及可读存储介质 - Google Patents
一种身份认证方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111709004A CN111709004A CN202010834627.2A CN202010834627A CN111709004A CN 111709004 A CN111709004 A CN 111709004A CN 202010834627 A CN202010834627 A CN 202010834627A CN 111709004 A CN111709004 A CN 111709004A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- vector
- label
- target
- face
- 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 50
- 239000013598 vector Substances 0.000 claims abstract description 303
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000007726 management method 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 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
- 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
-
- 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
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供了一种身份认证方法、装置、电子设备及可读存储介质，其中，身份认证方法包括：获取待认证人员的身份信息和用户标识；对人脸图像进行特征提取，得到人脸特征向量，以及对语音信号进行频谱特征提取，得到声纹特征向量，可以得到待认证人员的人脸特征向量和声纹特征向量；获取与用户标识对应的目标人脸特征向量和目标声纹特征向量，并将人脸特征向量、声纹特征向量、目标人脸特征向量和目标声纹特征向量输入至预先训练好的标签确定模型中，可以得到待认证人员的类别标签；若类别标签为第一类标签，则确定待认证人员通过认证，这样，可以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率，从而有利于提升身份认证安全性。
Description
技术领域
本申请涉及生物识别技术领域，尤其是涉及一种身份认证方法、装置、电子设备及可读存储介质。
背景技术
在现代生活中，人脸与声纹综合认证系统对促进数据信息的安全保护工作尤为重要。目前，为保证数据的安全性，机关、企事业等单位通常从人员管理流程上去严格管控审批操作，确保人员在操作的过程中不泄密，而采用人脸与声纹综合认证系统的方式，则可以从数据层面，保证操作人员在使用数据过程中不泄密。
现阶段，在人脸与声纹综合认证系统中，通常是基于人脸识别完成后的相似度得分与声纹识别完成后的相似度得分结果进行综合认证，然而，由于声纹特征较弱，声纹匹配相似度阈值较低，导致非真实身份信息被系统评判通过，从而影响身份认证的准确性。
发明内容
有鉴于此，本申请的目的在于提供一种身份认证方法、装置、电子设备及可读存储介质，通过预先训练好的标签确定模型确定待认证人员的类别标签，并根据类别标签确定待认证人员是否通过认证，以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供了一种身份认证方法，所述身份认证方法包括：
获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号；
对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量；
获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述待认证人员的类别标签；
若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
在一种可能的实施方式中，所述类别标签还包括第二类标签，所述第二类标签表示所述人脸图像和/或语音信号不是用户标识所指示的用户的真实身份信息。
在一种可能的实施方式中，所述将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述标签确定模型输出的类别标签，包括：
将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型进行相关特征识别，得到所述人脸特征向量与所述声纹特征向量之间的相关性向量；
基于所述相关性向量，确定所述待认证人员的类别标签。
在一种可能的实施方式中，根据以下步骤训练所述标签确定模型：
获取预设类别数量的样本特征信息，以及所述样本特征信息对应的第一分类得分，其中，所述样本特征信息包括同一用户的特征信息和不同用户的特征信息，所述特征信息包括人脸特征信息和声纹特征信息；
使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量；
将所述相关性向量映射为维度为所述预设类别数量的第二分类得分；
计算所述第一分类得分和所述第二分类得分的损失函数值，对所述目标神经网络进行参数调整，直到所述损失函数值小于预设阈值，得到训练好的所述标签确定模型。
在一种可能的实施方式中，所述使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量，包括：
将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量；
确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量。
在一种可能的实施方式中，所述确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量，包括：
将所述样本特征向量与预设尺寸的一维卷积核进行卷积处理，得到经过卷积处理之后的第一特征向量；
使用自注意力机制提取所述第一特征向量的生物相关特征，得到第二特征向量，将所述第二特征向量确定为相关性向量。
在一种可能的实施方式中，所述身份认证方法还包括：
基于所述待认证人员的身份信息和所述类别标签，对所述标签确定模型的模型参数进行更新。
第二方面，本申请实施例提供了一种身份认证装置，所述身份认证装置包括：
获取模块，用于获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号；
特征提取模块，用于对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量；
标签确定模块，用于获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述待认证人员的类别标签；
认证模块，用于若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
在一种可能的实施方式中，所述类别标签还包括第二类标签，所述第二类标签表示所述人脸图像和/或语音信号不是用户标识所指示的用户的真实身份信息。
在一种可能的实施方式中，所述标签确定模块包括：
相关性向量获取单元，用于将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型进行相关特征识别，得到所述人脸特征向量与所述声纹特征向量之间的相关性向量；
类别标签确定单元，用于基于所述相关性向量，确定所述待认证人员的类别标签。
在一种可能的实施方式中，所述身份认证装置还包括训练模块，所述训练模块用于训练所述标签确定模型，包括：
样本特征获取单元，用于获取预设类别数量的样本特征信息，以及所述样本特征信息对应的第一分类得分，其中，所述样本特征信息包括同一用户的特征信息和不同用户的特征信息，所述特征信息包括人脸特征信息和声纹特征信息；
向量获取单元，用于使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量；
分类得分确定单元，用于将所述相关性向量映射为维度为所述预设类别数量的第二分类得分；
参数调整单元，用于计算所述第一分类得分和所述第二分类得分的损失函数值，对所述目标神经网络进行参数调整，直到所述损失函数值小于预设阈值，得到训练好的所述标签确定模型。
在一种可能的实施方式中，向量获取单元在用于使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量时，所述向量获取单元具体用于：
将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量；
确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量。
在一种可能的实施方式中，向量获取单元在用于将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量，所述向量获取单元具体用于：
将所述样本特征向量与预设尺寸的一维卷积核进行卷积处理，得到经过卷积处理之后的第一特征向量；
使用自注意力机制提取所述第一特征向量的生物相关特征，得到第二特征向量，将所述第二特征向量确定为相关性向量。
在一种可能的实施方式中，所述身份认证装置还包括：
更新模块，用于基于所述待认证人员的身份信息和所述类别标签，对所述标签确定模型的模型参数进行更新。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述的一种身份认证方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述的一种身份认证方法的步骤。
本申请实施例提供的身份认证方法、装置、电子设备及可读存储介质，获取待认证人员的身份信息和用户标识，这里，身份信息包括人脸图像和语音信号；对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量，可以得到待认证人员的人脸特征向量和声纹特征向量；进而，获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，可以得到所述待认证人员的类别标签；若所述类别标签为第一类标签，则确定所述待认证人员通过认证；这里，类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息，这样，可以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率，从而有利于提升身份认证安全性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种身份认证方法的流程图；
图2示出了本申请另一实施例所提供的一种身份认证方法的流程图；
图3示出了本申请实施例所提供的标签确定模型的训练原理图；
图4示出了本申请实施例所提供的一种身份认证装置的结构示意图；
图5示出了本申请实施例所提供的一种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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行身份认证的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的身份认证方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
值得注意的是，在本申请提出之前，人脸与声纹综合认证系统通常是基于人脸识别完成后的相似度得分与声纹识别完成后的相似度得分结果进行综合认证，由于声纹特征较弱，声纹匹配相似度阈值较低，非真实身份信息很容易被系统评判通过，导致身份认证安全度较低。
针对上述问题，本申请实施例通过预先训练好的标签确定模型确定待认证人员的类别标签，并根据类别标签确定待认证人员是否通过认证，可以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率。
为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1，图1示出了本申请实施例所提供的一种身份认证方法的流程图。如图1中所示，本申请实施例提供的身份认证方法包括：
S101，获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号。
在具体实施中，在接收到身份认证请求时，采集待认证人员的人脸图像和语音信号，得到待认证人员的身份信息，并获取待认证的用户标识，以确定用户标识对应的预先录入的目标身份信息，这里，目标身份信息可以包括目标人脸图像和目标语音信号，也可以是对目标人脸图像和目标语音信号进行特征识别、提取等处理所得到的目标人脸特征向量和目标声纹特征向量。举例而言，当待认证人员请求访问用户A的系统时，系统接收待认证人员发送的身份认证请求，采集待认证人员的人脸图像和语音信号，并通过用户标识确定用户A预先录入的目标身份信息。
这样，通过人脸图像和语音信号对待认证人员进行身份认证，可以提高身份认证的准确率。
S102，对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量。
在具体实施中，可以从采集到的人脸图像中提取待认证人员的人脸特征，将人脸特征映射成预设维度的人脸特征向量，具体的，可以采用基于神经网络、特征脸、几何特征的人脸识别方法实施该步骤；以及提取语音信号中的频谱特征，得到声纹特征向量，具体的，可以对所采集到的语音信号进行滤波、分帧等音频数据预处理，将预处理后的语音信号从时域转换到频域，得到待认证人员的声纹特征向量。
S103，获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述待认证人员的类别标签。
在具体实施中，基于用户标识与人脸特征向量、声纹特征向量的对应关系，确定与S101中获取到的用户标识对应的目标人脸特征向量和目标声纹特征向量，其中，可以基于用户注册系统账号时录入的身份信息，确定用户标识对应的目标人脸特征向量和目标声纹特征向量。将S102中获取到的待认证人员的人脸特征向量、声纹特征向量，以及目标人脸特征向量、目标声纹特征向量输入至预先训练好的标签确定模型中，确定待认证人员的类别标签。
这里，标签确定模型可以捕捉人脸特征向量、声纹特征向量、目标人脸特征向量和目标声纹特征向量之间的相关特征，根据捕捉到的相关特征确定待认证人员的类别标签，相较于现有技术中采用分别对人脸特征和声纹特征进行匹配的方式，标签确定模型利用人脸图像和语音信号之间的隐含关系，确定待认证人员的类别标签，可以减少因人脸特征匹配阈值或声纹特征匹配阈值较低，导致非真实身份信息通过认证的风险，从而提高身份认证的准确率。
S104，若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
在具体实施中，若待认证人员的类别标签为第一类标签，则确定待认证人员通过认证，返回表示待认证人员通过认证的提示信息，这里，类别标签包括第一类标签，第一类标签表示待认证人员的身份信息为用户标识所指示用户的真实身份信息。举例而言，对于用户A的系统，认证时会出现下述情况：用户A的脸、用户A的声音，即“真脸真声”；用户A的脸、用户B的声音，即“真脸假声”；用户B的脸、用户A的声音，即“假脸真声”；用户B的脸、用户B的声音，即“假脸假声”，因此，标签确定模型的类别标签可以包括“真脸真声”、“真脸假声”、“假脸真声”和“假脸假声”，将待认证身份信息和用户A的目标人脸特征向量、目标声纹特征向量输入至标签确定模型，经过处理，若得到的类别标签为“真脸真声”，则确定待认证人员通过认证。
本申请实施例提供的身份认证方法，获取待认证人员的身份信息和用户标识，这里，身份信息包括人脸图像和语音信号；对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量，可以得到待认证人员的人脸特征向量和声纹特征向量；进而，获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，可以得到所述待认证人员的类别标签；若所述类别标签为第一类标签，则确定所述待认证人员通过认证；这里，类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息，这样，可以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率，从而有利于提升身份认证安全性。
请参阅图2，图2示出了本申请另一实施例所提供的一种身份认证方法的流程图。如图2中所示，本申请实施例提供的身份认证方法，包括：
S201，获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号。
S202，对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量。
S203，获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量。
在具体实施中，基于用户标识与人脸特征向量、声纹特征向量的对应关系，确定与S201中获取到的用户标识对应的目标人脸特征向量和目标声纹特征向量。
S204，将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型进行相关特征识别，得到所述人脸特征向量与所述声纹特征向量之间的相关性向量。
在具体实施中，标签确定模型基于输入的人脸特征向量、声纹特征向量、目标人脸特征向量和目标声纹特征向量，确定待认证人员的人脸特征向量与声纹特征向量之间的相关性向量，这里，相关性向量表征人脸特征向量与声纹特征向量之间的相关性。
S205，基于所述相关性向量，确定所述待认证人员的类别标签。
在具体实施中，根据确定出的相关性向量，确定待认证人员的类别标签。
S206，若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
其中，S201至S202、S206的描述可以参照S101至S102、S104的描述，并且能达到相同的技术效果，对此不做赘述。
本申请实施例中，作为一可选实施例，所述类别标签还包括第二类标签，所述第二类标签表示所述人脸图像和/或语音信号不是用户标识所指示的用户的真实身份信息。
在具体实施中，将待认证人员的人脸特征向量、声纹特征向量、目标人脸特征向量和目标声纹特征向量输入至标签确定模型中，若待认证人员的类别标签为第二类标签，则确定待认证人员未通过认证，返回表示待认证人员未通过认证的提示信息。在实际应用中，当判定待认证人员的类别标签为第二类标签时，可以提示待认证人员重新录入身份信息，若标签确定模型判定待认证人员的类别标签为第二类标签的次数超出预设次数时，发出告警信息。
本申请实施例中，作为一可选实施例，根据以下步骤训练所述标签确定模型：
步骤a11，获取预设类别数量的样本特征信息，以及所述样本特征信息对应的第一分类得分，其中，所述样本特征信息包括同一用户的特征信息和不同用户的特征信息，所述特征信息包括人脸特征信息和声纹特征信息。
在具体实施中，对于用户A的系统，认证时会出现下述情况：用户A的脸、用户A的声音，即“真脸真声”；用户A的脸、用户B的声音，即“真脸假声”；用户B的脸、用户A的声音，即“假脸真声”；用户B的脸、用户B的声音，即“假脸假声”，因此，可以构建包括上述4种类别的样本数据集，用于训练标签确定模型。
图3示出了本申请实施例所提供的标签确定模型的训练原理图，如图3中所示，假设用户A的人脸模板特征向量为
，用户A的声纹模板特征向量为
，用户A的人脸验证特征向量为
，用户A的声纹验证特征向量为
，用户B的人脸验证特征向量为
，用户B的声纹验证特征向量为
。
其中，
；
类别1的样本数据为
，
，其中，
，这里，
为向量拼接运算。
类别2的样本数据为
，
，其中，
，这里，
为向量拼接运算。
类别3的样本数据为
，
，其中，
，这里，
为向量拼接运算。
类别4的样本数据为
，
，其中，
，这里，
为向量拼接运算。
4种类别的样本数据分别对应用于表示类别标签的第一分类得分。
步骤a12，使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量。
在具体实施中，将步骤a11构建的样本数据输入目标神经网络，目标神经网络对样本数据进行相关特征学习，得到各类别样本数据的相关性向量。
在该实施例中，步骤a12中，所述使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量，包括以下步骤：
步骤a121，将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量；
在具体实施中，类别i类型的数据
，经过目标神经网络的提取层，将输入的特征向量映射到高维的空间特征，得到p维的样本特征向量：
这里，
。
步骤a122，确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量。
在具体实施中，标签确定模型对输入的样本数据进行相关特征学习，确定样本特征向量中预设数量的连续数值之间的相关度，得到各类样本数据的相关性向量。
在该实施例中，步骤a122中，所述确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量，包括：
将所述样本特征向量与预设尺寸的一维卷积核进行卷积处理，得到经过卷积处理之后的第一特征向量；使用自注意力机制提取所述第一特征向量的生物相关特征，得到第二特征向量，将所述第二特征向量确定为相关性向量。
在具体实施中，样本特征向量
通过M层一维卷积操作计算样本特征向量中连续数值之间的相关性，得到q维的第一特征向量（即图3中的浅层相关性向量）
，这里，采用中心锚点卷积的方式，保持输入与输出维度相同，卷积操作完成后，采用relu函数处理卷积输出。
进一步的，采用self-attention自注意力机制提取第一特征向量
的生物相关特征，得到更深层次的表征人脸与声纹相关性的第二特征向量（即图3中的浅层相关性向量）
。
这里，
其中，
为向量
的特征维度。
步骤a13，将所述相关性向量映射为维度为所述预设类别数量的第二分类得分。
示例性的，根据上述举例情况，将相关性向量映射为4维的第二分类得分sim i ，并使用softmax函数，通过下述公式对第二分类得分进行数值归一化处理：
步骤a14，计算所述第一分类得分和所述第二分类得分的损失函数值，对所述目标神经网络进行参数调整，直到所述损失函数值小于预设阈值，得到训练好的所述标签确定模型。
在具体实施中，根据步骤a13中得到的第二分类得分，即样本数据经过标签确定模型输出的样本数据属于各类别的类别概率，以及样本数据对应的第一分类得分，即真实样本类别，计算损失函数值，其中，损失函数为：
其中，y为真实样本类别，
为经过模型预测后的类别概率，x i 为某一样本特征，c i 为某类别样本的特征中心，
和N为预设数值，可根据经验值选取，本申请实施例中
。
对所述目标神经网络进行参数调整，直到所述损失函数值小于预设阈值，得到训练好的所述标签确定模型。在实际应用中，为防止过拟合，可以使用随机最速下降法(SGD)对损失函数进行优化。
本申请实施例中，作为一可选实施例，所述身份认证方法还包括：
基于所述待认证人员的身份信息和所述类别标签，对所述标签确定模型的模型参数进行更新。
在具体实施中，将待认证人员的身份信息和类别标签作为标签确定模型的样本数据，更新标签确定模型的模型参数，这样，有利于丰富标签确定模型的训练样本，提高标签确定模型输出结果的准确率。
本申请实施例提供的身份认证方法，获取待认证人员的身份信息和用户标识，这里，身份信息包括人脸图像和语音信号；对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量，可以得到待认证人员的人脸特征向量和声纹特征向量；进而，获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型进行相关特征识别，得到所述人脸特征向量与所述声纹特征向量之间的相关性向量；基于所述相关性向量，确定所述待认证人员的类别标签；若所述类别标签为第一类标签，则确定所述待认证人员通过认证；这里，类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
基于上述方式，通过预先训练好的标签确定模型确定待认证人员的类别标签，并根据类别标签确定待认证人员是否通过认证，可以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率，从而有利于提升身份认证安全性。进一步的，通过标签确定模型确定待认证人员的人脸特征向量与声纹特征向量之间的相关性向量，基于相关性向量确定待认证人员的类别标签，这样，在认证过程中能够充分利用人脸特征与声纹特征之间的相关性，可以减少因人脸特征匹配阈值或声纹特征匹配阈值较低，导致非真实身份信息通过认证的风险，从而提高身份认证的准确率。
请参阅图4，图4示出了本申请实施例所提供的一种身份认证装置的结构示意图。如图4中所示，所述身份认证装置400包括：
获取模块410，用于获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号；
特征提取模块420，用于对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量；
标签确定模块430，用于获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述待认证人员的类别标签；
认证模块440，用于若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
本申请实施例中，作为一可选实施例，所述类别标签还包括第二类标签，所述第二类标签表示所述人脸图像和/或语音信号不是用户标识所指示的用户的真实身份信息。
本申请实施例中，作为一可选实施例，所述标签确定模块430包括：
相关性向量获取单元，用于将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型进行相关特征识别，得到所述人脸特征向量与所述声纹特征向量之间的相关性向量；
类别标签确定单元，用于基于所述相关性向量，确定所述待认证人员的类别标签。
本申请实施例中，作为一可选实施例，所述身份认证装置还包括训练模块，所述训练模块用于训练所述标签确定模型，包括：
样本特征获取单元，用于获取预设类别数量的样本特征信息，以及所述样本特征信息对应的第一分类得分，其中，所述样本特征信息包括同一用户的特征信息和不同用户的特征信息，所述特征信息包括人脸特征信息和声纹特征信息；
向量获取单元，用于使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量；
分类得分确定单元，用于将所述相关性向量映射为维度为所述预设类别数量的第二分类得分；
参数调整单元，用于计算所述第一分类得分和所述第二分类得分的损失函数值，对所述目标神经网络进行参数调整，直到所述损失函数值小于预设阈值，得到训练好的所述标签确定模型。
本申请实施例中，作为一可选实施例，向量获取单元在用于使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量时，所述向量获取单元具体用于：
将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量；
确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量。
本申请实施例中，作为一可选实施例，向量获取单元在用于将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量，所述向量获取单元具体用于：
将所述样本特征向量与预设尺寸的一维卷积核进行卷积处理，得到经过卷积处理之后的第一特征向量；
使用自注意力机制提取所述第一特征向量的生物相关特征，得到第二特征向量，将所述第二特征向量确定为相关性向量。
本申请实施例中，作为一可选实施例，所述身份认证装置还包括：
更新模块，用于基于所述待认证人员的身份信息和所述类别标签，对所述标签确定模型的模型参数进行更新。
本申请实施例提供的身份认证装置，包括获取模块、特征提取模块、标签确定模块和认证模块，获取模块获取待认证人员的身份信息和用户标识，所述身份信息包括人脸图像和语音信号；特征提取模块对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量，进而得到待认证人员的人脸特征向量和声纹特征向量；标签确定模块获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，可以得到所述待认证人员的类别标签；认证模块在确定所述类别标签为第一类标签时，确定所述待认证人员通过认证；这里，类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息，这样，可以对待认证人员的身份信息进行有效的甄别，提高身份认证准确率，从而有利于提升身份认证安全性。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1以及图2所示方法实施例中的一种身份认证方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该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运行时可以执行如上述图1以及图2所示方法实施例中的一种身份认证方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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，也可以两个或两个以上单元集成在一个单元中。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，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)
1.一种身份认证方法，其特征在于，所述身份认证方法包括：
获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号；
对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量；
获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述待认证人员的类别标签；
若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
2.根据权利要求1所述的身份认证方法，其特征在于，所述类别标签还包括第二类标签，所述第二类标签表示所述人脸图像和/或语音信号不是用户标识所指示的用户的真实身份信息。
3.根据权利要求1所述的身份认证方法，其特征在于，所述将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述标签确定模型输出的类别标签，包括：
将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型进行相关特征识别，得到所述人脸特征向量与所述声纹特征向量之间的相关性向量；
基于所述相关性向量，确定所述待认证人员的类别标签。
4.根据权利要求1所述的身份认证方法，其特征在于，根据以下步骤训练所述标签确定模型：
获取预设类别数量的样本特征信息，以及所述样本特征信息对应的第一分类得分，其中，所述样本特征信息包括同一用户的特征信息和不同用户的特征信息，所述特征信息包括人脸特征信息和声纹特征信息；
使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量；
将所述相关性向量映射为维度为所述预设类别数量的第二分类得分；
计算所述第一分类得分和所述第二分类得分的损失函数值，对所述目标神经网络进行参数调整，直到所述损失函数值小于预设阈值，得到训练好的所述标签确定模型。
5.根据权利要求4所述的身份认证方法，其特征在于，所述使用目标神经网络对样本特征信息进行相关特征学习，获取所述样本特征信息的相关性向量，包括：
将所述样本特征信息输入至目标神经网络，在所述目标神经网络的提取层提取所述样本特征信息的样本特征向量；
确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量。
6.根据权利要求5所述的身份认证方法，其特征在于，所述确定所述样本特征向量中预设数量的连续数值之间的相关度，得到所述样本特征信息的相关性向量，包括：
将所述样本特征向量与预设尺寸的一维卷积核进行卷积处理，得到经过卷积处理之后的第一特征向量；
使用自注意力机制提取所述第一特征向量的生物相关特征，得到第二特征向量，将所述第二特征向量确定为相关性向量。
7.根据权利要求1所述的身份认证方法，其特征在于，所述身份认证方法还包括：
基于所述待认证人员的身份信息和所述类别标签，对所述标签确定模型的模型参数进行更新。
8.一种身份认证装置，其特征在于，所述身份认证装置包括：
获取模块，用于获取待认证人员的身份信息和用户标识，其中，所述身份信息包括人脸图像和语音信号；
特征提取模块，用于对所述人脸图像进行特征提取，得到人脸特征向量，以及对所述语音信号进行频谱特征提取，得到声纹特征向量；
标签确定模块，用于获取与所述用户标识对应的目标人脸特征向量和目标声纹特征向量，并将所述人脸特征向量、所述声纹特征向量、所述目标人脸特征向量和所述目标声纹特征向量输入至预先训练好的标签确定模型中，确定所述待认证人员的类别标签；
认证模块，用于若所述类别标签为第一类标签，则确定所述待认证人员通过认证；所述类别标签包括所述第一类标签，所述第一类标签表示所述身份信息为所述用户标识所指示的用户的真实身份信息。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述的一种身份认证方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的一种身份认证方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834627.2A CN111709004B (zh) | 2020-08-19 | 2020-08-19 | 一种身份认证方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834627.2A CN111709004B (zh) | 2020-08-19 | 2020-08-19 | 一种身份认证方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709004A true CN111709004A (zh) | 2020-09-25 |
| CN111709004B CN111709004B (zh) | 2020-11-13 |
Family
ID=72547110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010834627.2A Active CN111709004B (zh) | 2020-08-19 | 2020-08-19 | 一种身份认证方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709004B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112289306A (zh) * | 2020-11-18 | 2021-01-29 | 上海依图网络科技有限公司 | 一种基于人体特征的未成年人识别的方法及装置 |
| CN112328999A (zh) * | 2021-01-05 | 2021-02-05 | 北京远鉴信息技术有限公司 | 双录质检方法、装置、服务器及存储介质 |
| CN112329750A (zh) * | 2021-01-05 | 2021-02-05 | 北京远鉴信息技术有限公司 | 基于数字序列的身份识别方法、装置、电子设备及介质 |
| CN112420057A (zh) * | 2020-10-26 | 2021-02-26 | 四川长虹电器股份有限公司 | 基于距离编码的声纹识别方法、装置、设备及存储介质 |
| CN112507995A (zh) * | 2021-02-05 | 2021-03-16 | 成都东方天呈智能科技有限公司 | 一种跨模型人脸特征向量的转换系统及方法 |
| CN112669511A (zh) * | 2020-12-18 | 2021-04-16 | 中用科技有限公司 | 基于人脸声纹的用户注册与认证方法、系统及设备 |
| CN112863513A (zh) * | 2021-01-21 | 2021-05-28 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种通过面部语音识别结合身份验证下达控制指令的方法 |
| CN113111954A (zh) * | 2021-04-20 | 2021-07-13 | 网易（杭州）网络有限公司 | 一种用户类别判定方法、装置、存储介质及服务器 |
| CN113642468A (zh) * | 2021-08-16 | 2021-11-12 | 中国银行股份有限公司 | 身份认证方法及装置 |
| CN114245204A (zh) * | 2021-12-15 | 2022-03-25 | 平安银行股份有限公司 | 基于人工智能的视频面签方法、装置、电子设备及介质 |
| CN114241459A (zh) * | 2022-02-24 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 一种驾驶员身份验证方法、装置、计算机设备及存储介质 |
| CN114297605A (zh) * | 2021-12-29 | 2022-04-08 | 江苏方洋智能科技有限公司 | 一种基于安全计算机的安全认证方法 |
| CN114666059A (zh) * | 2022-03-07 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 保护隐私的身份认证方法及装置 |
| CN115906032A (zh) * | 2023-02-20 | 2023-04-04 | 之江实验室 | 一种识别模型的修正方法、装置和存储介质 |
| CN116110159A (zh) * | 2023-04-13 | 2023-05-12 | 新兴际华集团财务有限公司 | 基于cfca认证标准的用户认证方法、设备和介质 |
| CN116129227A (zh) * | 2023-04-12 | 2023-05-16 | 合肥的卢深视科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
| CN116955830A (zh) * | 2023-08-25 | 2023-10-27 | 成都中康大成环保科技有限公司 | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130343616A1 (en) * | 2012-06-24 | 2013-12-26 | Neurologix Security Inc. | Biometrics based methods and systems for user authentication |
| CN104361276A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种多模态生物特征身份认证方法及系统 |
| CN108074575A (zh) * | 2017-12-14 | 2018-05-25 | 广州势必可赢网络科技有限公司 | 一种基于循环神经网络的身份验证方法及装置 |
| CN108399395A (zh) * | 2018-03-13 | 2018-08-14 | 成都数智凌云科技有限公司 | 基于端到端深度神经网络的语音和人脸复合身份认证方法 |
| CN108446674A (zh) * | 2018-04-28 | 2018-08-24 | 平安科技（深圳）有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
| CN108734114A (zh) * | 2018-05-02 | 2018-11-02 | 浙江工业大学 | 一种结合面部和声纹的宠物识别方法 |
| CN109614880A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种多模态生物特征融合方法及装置 |
| CN109726664A (zh) * | 2018-12-24 | 2019-05-07 | 出门问问信息科技有限公司 | 一种智能表盘推荐方法、系统、设备及存储介质 |
| CN110164452A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种声纹识别的方法、模型训练的方法以及服务器 |
| CN110363148A (zh) * | 2019-07-16 | 2019-10-22 | 中用科技有限公司 | 一种人脸声纹特征融合验证的方法 |
-
2020
- 2020-08-19 CN CN202010834627.2A patent/CN111709004B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130343616A1 (en) * | 2012-06-24 | 2013-12-26 | Neurologix Security Inc. | Biometrics based methods and systems for user authentication |
| CN104361276A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种多模态生物特征身份认证方法及系统 |
| CN108074575A (zh) * | 2017-12-14 | 2018-05-25 | 广州势必可赢网络科技有限公司 | 一种基于循环神经网络的身份验证方法及装置 |
| CN108399395A (zh) * | 2018-03-13 | 2018-08-14 | 成都数智凌云科技有限公司 | 基于端到端深度神经网络的语音和人脸复合身份认证方法 |
| CN108446674A (zh) * | 2018-04-28 | 2018-08-24 | 平安科技（深圳）有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
| CN108734114A (zh) * | 2018-05-02 | 2018-11-02 | 浙江工业大学 | 一种结合面部和声纹的宠物识别方法 |
| CN110164452A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种声纹识别的方法、模型训练的方法以及服务器 |
| CN109614880A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种多模态生物特征融合方法及装置 |
| CN109726664A (zh) * | 2018-12-24 | 2019-05-07 | 出门问问信息科技有限公司 | 一种智能表盘推荐方法、系统、设备及存储介质 |
| CN110363148A (zh) * | 2019-07-16 | 2019-10-22 | 中用科技有限公司 | 一种人脸声纹特征融合验证的方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHENG LI等: "Living Identity Verification via Dynamic Face-Speech Recognition", 《2020 INFORMATION COMMUNICATION TECHNOLOGIES CONFERENCE》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112420057A (zh) * | 2020-10-26 | 2021-02-26 | 四川长虹电器股份有限公司 | 基于距离编码的声纹识别方法、装置、设备及存储介质 |
| CN112420057B (zh) * | 2020-10-26 | 2022-05-03 | 四川长虹电器股份有限公司 | 基于距离编码的声纹识别方法、装置、设备及存储介质 |
| CN112289306A (zh) * | 2020-11-18 | 2021-01-29 | 上海依图网络科技有限公司 | 一种基于人体特征的未成年人识别的方法及装置 |
| CN112289306B (zh) * | 2020-11-18 | 2024-03-26 | 上海依图网络科技有限公司 | 一种基于人体特征的未成年人识别的方法及装置 |
| CN112669511A (zh) * | 2020-12-18 | 2021-04-16 | 中用科技有限公司 | 基于人脸声纹的用户注册与认证方法、系统及设备 |
| CN112328999A (zh) * | 2021-01-05 | 2021-02-05 | 北京远鉴信息技术有限公司 | 双录质检方法、装置、服务器及存储介质 |
| CN112329750A (zh) * | 2021-01-05 | 2021-02-05 | 北京远鉴信息技术有限公司 | 基于数字序列的身份识别方法、装置、电子设备及介质 |
| CN112328999B (zh) * | 2021-01-05 | 2021-04-06 | 北京远鉴信息技术有限公司 | 双录质检方法、装置、服务器及存储介质 |
| CN112329750B (zh) * | 2021-01-05 | 2021-04-20 | 北京远鉴信息技术有限公司 | 基于数字序列的身份识别方法、装置、电子设备及介质 |
| CN112863513A (zh) * | 2021-01-21 | 2021-05-28 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种通过面部语音识别结合身份验证下达控制指令的方法 |
| CN112507995A (zh) * | 2021-02-05 | 2021-03-16 | 成都东方天呈智能科技有限公司 | 一种跨模型人脸特征向量的转换系统及方法 |
| CN113111954A (zh) * | 2021-04-20 | 2021-07-13 | 网易（杭州）网络有限公司 | 一种用户类别判定方法、装置、存储介质及服务器 |
| CN113642468A (zh) * | 2021-08-16 | 2021-11-12 | 中国银行股份有限公司 | 身份认证方法及装置 |
| CN114245204A (zh) * | 2021-12-15 | 2022-03-25 | 平安银行股份有限公司 | 基于人工智能的视频面签方法、装置、电子设备及介质 |
| CN114297605A (zh) * | 2021-12-29 | 2022-04-08 | 江苏方洋智能科技有限公司 | 一种基于安全计算机的安全认证方法 |
| CN114297605B (zh) * | 2021-12-29 | 2022-11-11 | 江苏方洋智能科技有限公司 | 一种基于安全计算机的安全认证方法 |
| CN114241459A (zh) * | 2022-02-24 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 一种驾驶员身份验证方法、装置、计算机设备及存储介质 |
| CN114666059A (zh) * | 2022-03-07 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 保护隐私的身份认证方法及装置 |
| CN115906032A (zh) * | 2023-02-20 | 2023-04-04 | 之江实验室 | 一种识别模型的修正方法、装置和存储介质 |
| CN115906032B (zh) * | 2023-02-20 | 2023-05-16 | 之江实验室 | 一种识别模型的修正方法、装置和存储介质 |
| CN116129227A (zh) * | 2023-04-12 | 2023-05-16 | 合肥的卢深视科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
| CN116129227B (zh) * | 2023-04-12 | 2023-09-01 | 合肥的卢深视科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
| CN116110159A (zh) * | 2023-04-13 | 2023-05-12 | 新兴际华集团财务有限公司 | 基于cfca认证标准的用户认证方法、设备和介质 |
| CN116955830A (zh) * | 2023-08-25 | 2023-10-27 | 成都中康大成环保科技有限公司 | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 |
| CN116955830B (zh) * | 2023-08-25 | 2024-01-16 | 成都中康大成环保科技有限公司 | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709004B (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709004B (zh) | 一种身份认证方法、装置、电子设备及可读存储介质 | |
| US20230083852A1 (en) | System for verifying the identity of a user | |
| CN110851835A (zh) | 图像模型检测方法、装置、电子设备及存储介质 | |
| JP2017524998A (ja) | 本人照合を行うための方法およびシステム | |
| WO2012144105A1 (ja) | 生体認証システム | |
| US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
| US10546106B2 (en) | Biometric verification | |
| EP2360619A1 (en) | Fast fingerprint searching method and fast fingerprint searching system | |
| CN111814128B (zh) | 基于融合特征的身份认证方法、装置、设备及存储介质 | |
| US10115249B2 (en) | Card-compatible biometric access control system | |
| CN109635625B (zh) | 智能身份核验方法、设备、存储介质及装置 | |
| JP2016151831A (ja) | 生体情報登録装置、生体情報登録方法、及び生体情報登録プログラム | |
| US10997609B1 (en) | Biometric based user identity verification | |
| US20230012235A1 (en) | Using an enrolled biometric dataset to detect adversarial examples in biometrics-based authentication system | |
| CN115034886A (zh) | 一种违约风险预测方法及装置 | |
| US10755074B2 (en) | Latent fingerprint pattern estimation | |
| CN111063359B (zh) | 电话回访有效性判别方法、装置、计算机设备和介质 | |
| CN112541193A (zh) | 隐私数据的保护方法和装置 | |
| CN113487320A (zh) | 欺诈交易检测方法、装置、计算机设备和存储介质 | |
| CN113705366A (zh) | 人员管理系统身份识别方法、装置及终端设备 | |
| JP6126732B1 (ja) | 署名認証方法および署名認証システム | |
| WO2019026415A1 (ja) | 署名照合システム | |
| KR102523598B1 (ko) | 출입자 신원 무인 인증시스템 | |
| CN113421575B (zh) | 声纹识别方法、装置、设备及存储介质 | |
| CN115861658A (zh) | 人机交互的信息处理方法、人机交互设备以及存储介质 |
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 |