CN111814128A

CN111814128A - 基于融合特征的身份认证方法、装置、设备及存储介质

Info

Publication number: CN111814128A
Application number: CN202010901960.0A
Authority: CN
Inventors: 白世杰; 吴富章
Original assignee: Beijing Yuanjian Information Technology Co Ltd
Current assignee: Beijing Yuanjian Information Technology Co Ltd
Priority date: 2020-09-01
Filing date: 2020-09-01
Publication date: 2020-10-23
Anticipated expiration: 2040-09-01
Also published as: CN111814128B

Abstract

本发明提供了一种基于融合特征的身份认证方法、装置、设备及存储介质，其中，该身份认证方法包括：获取面部特征的第一特征向量以及声纹特征的第二特征向量；对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量；根据所述身份特征向量，进行身份认证。这样，在进行身份认证时，由于所述身份特征向量是面部特征与声纹特征融合处理的结果，因此，可以有效地提高身份认证的通过难度，进而，提高了信息系统登录的安全性，有利于保护信息安全。

Description

基于融合特征的身份认证方法、装置、设备及存储介质

技术领域

本发明涉及生物认证技术领域，具体而言，涉及一种基于融合特征的身份认证方法、装置、设备及存储介质。

背景技术

随着信息化时代的到来，人们在日常生活中常常遇到需要进行身份验证的场景，例如，解锁手机，解锁电脑，登录银行账户，进行支付等场景，都需要对使用者进行身份认证，以保证信息安全。在进行系统登录时，由于身份具有唯一性，当身份被盗用时，会严重威胁个人信息安全和系统信息安全，因此，进行安全有效的身份认证是一个不可忽视的问题。在此情况下，如何提高身份认证的通过难度，来保护信息安全，已逐渐成为当前生物认证技术领域所迫切需要解决的技术问题。

目前的方法，以企业系统登录为例，一般通过采集企业内各在职员工的生物特征数据，来对员工进行身份认证。例如，采集企业内各在职员工的人脸特征，在员工进行系统登录时，对当前登录企业系统的员工进行人脸认证，若该员工的人脸认证通过，则允许该员工登录企业系统。这样，在进行身份认证时，由于人脸识别的难度较低，因此，仅利用人脸识别来进行身份认证，身份认证的通过较为容易，导致信息系统登录的安全性较低，不利于保护信息安全。

发明内容

有鉴于此，本发明的目的在于提供一种基于融合特征的身份认证方法、装置、设备及存储介质，以提高身份认证的通过难度，进而提高信息系统登录的安全性。

第一方面，本发明实施例提供了一种基于融合特征的身份认证方法，所述身份认证方法包括：

获取面部特征的第一特征向量以及声纹特征的第二特征向量；

对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量；

根据所述身份特征向量，进行身份认证。

可选的，所述对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量，包括：

对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量；

利用第一预设矩阵与第二预设矩阵，分别对所述综合特征向量进行映射，得到第一映射结果和第二映射结果；

对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量；

利用第三预设矩阵对所述综合特征向量进行映射，得到第二权重向量；

计算所述第一权重向量与所述第二权重向量的乘积，以得到所述身份特征向量。

可选的，所述对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量，包括：

利用第一预设全连接层对所述第一特征向量进行映射，以得到第一目标向量；

利用第二预设全连接层对所述第二特征向量进行映射，以得到第二目标向量；

将所述第一目标向量以及所述第二目标向量首尾相连，以得到所述综合特征向量。

可选的，所述对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量，包括：

计算所述第一映射结果与所述第二映射结果之间的余弦相似度；

对该余弦相似度进行归一化处理，以将归一化处理的结果作为所述第一权重向量。

可选的，所述第一预设矩阵、所述第二预设矩阵以及所述第三预设矩阵具有相同的行数和列数，其中，所述行数与所述综合特征向量的维数保持一致。

可选的，所述根据所述身份特征向量，进行身份认证，包括：

判断所述身份特征向量是否出现在预先存储的身份验证向量库中；

若所述身份特征向量出现在所述身份验证向量库中，则执行身份认证成功对应的操作指令；

若所述身份特征向量出现在所述身份验证向量库之外，则提示再次进行身份认证。

可选的，所述身份验证向量库的建立方法，包括：

根据用户的注册信息，获取该用户的面部特征的第三特征向量以及该用户的声纹特征的第四特征向量；

对所述第三特征向量以及所述第四特征向量进行融合处理，得到该用户的身份验证向量；

将所述身份验证向量存储至所述身份验证向量库中。

第二方面，本发明实施例还提供了一种基于融合特征的身份认证装置，所述身份认证装置包括：

数据采集模块，用于获取面部特征的第一特征向量以及声纹特征的第二特征向量；

数据处理模块，用于对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量；

身份认证模块，用于根据所述身份特征向量，进行身份认证。

可选的，所述数据处理模块，包括：

综合处理单元，用于对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量；

第一映射单元，用于利用第一预设矩阵与第二预设矩阵，分别对所述综合特征向量进行映射，得到第一映射结果和第二映射结果；

第一计算单元，用于对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量；

第二映射单元，用于利用第三预设矩阵对所述综合特征向量进行映射，得到第二权重向量；

第二计算单元，用于计算所述第一权重向量与所述第二权重向量的乘积，以得到所述身份特征向量。

可选的，所述综合处理单元，还用于：

可选的，所述第一计算单元，还用于：

可选的，所述身份认证模块，还用于：

可选的，所述装置还包括存储单元，所述存储单元，用于：

将所述身份验证向量存储至所述身份验证向量库中。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于融合特征的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上述的基于融合特征的身份认证方法的步骤。

本申请的实施例提供的一种基于融合特征的身份认证方法、装置、设备及存储介质，将表征面部特征的特征向量与表征声纹特征的特征向量进行融合处理，得到可以同时表征面部特征和声纹特征的身份特征向量，利用所述身份特征向量进行身份认证。这样，在进行身份认证时，由于所述身份特征向量是面部特征与声纹特征融合处理的结果，因此，可以有效地提高身份认证的通过难度，进而，提高了信息系统登录的安全性，有利于保护信息安全。

为使本发明的上述目的、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发明实施例的技术方案，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发明的某些实施例，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基于融合特征的身份认证方法的流程示意图；

图2示出了本申请实施例所提供的一种身份特征向量的计算方法的流程示意图；

图3示出了本申请实施例所提供的一种判断身份认证是否成功的方法的流程示意图；

图4示出了本申请实施例所提供的一种身份验证向量库的建立方法的流程示意图；

图5示出了本申请实施例所提供的一种身份认证模型的训练方法的流程示意图；

图6示出了本申请实施例所提供的基于融合特征的身份认证装置的结构示意图；

图7为本申请实施例提供的一种计算机设备700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附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于融合特征的身份认证方法、装置、设备及存储介质，下面通过实施例进行描述。

实施例一

图1示出了本申请实施例所提供的一种基于融合特征的身份认证方法的流程示意图，该方法包括步骤S101-S103；具体的：

S101，获取面部特征的第一特征向量以及声纹特征的第二特征向量。

具体的，在获取生物特征对应的特征向量时，可以从采集的生物数据中，通过生物特征识别技术，按照生物特征类型，提取可以表征生物身份的特征信息，根据提取出的所述特征信息，得到该类型的生物特征对应的特征向量。

示例性的说明，对于第一特征向量的获取，可以从采集到的生物的面部图像中，提取面部特征向量作为所述第一特征向量；对于第二特征向量的获取，可以从采集到的生物的声音信息中，提取声纹特征向量作为所述第二特征向量。

需要说明的是，本申请对于所述第一特征向量以及所述第二特征向量的维度数并不进行限定，其中，优选的，所述第一特征向量的维度数可以是256维；所述第二特征向量的维度数可以是400维。

S102，对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量。

具体的，利用深度神经网络技术对所述第一特征向量以及所述第二特征向量进行融合处理，可以得到能够同时表征面部特征与声纹特征的高维特征向量，将该高维特征向量作为用于进行身份认证的身份特征向量。这样，由于身份特征向量的维度较高，且身份特征向量可以同时表征面部特征与声纹特征，因此，可以有效地提高身份认证的通过难度，进而，提高信息系统登录的安全性，有利于保护信息安全。

S103，根据所述身份特征向量，进行身份认证。

具体的，可以针对各目标用户，获取各目标用户对应的所述第一特征向量以及所述第二特征向量，对每一目标用户的第一特征向量以及第二特征向量进行融合处理，得到各目标用户对应的身份特征向量，将得到的全部身份特征向量存入模板库。这样，在进行身份认证时，若当前得到的身份特征向量出现在已存储的模板库中，则确定身份认证成功，可以执行身份认证成功对应的后续操作指令。

示例性的说明，在进行系统登录时，若当前用户的身份特征向量出现在预先存储的模板库中，则允许当前用户登录系统，并执行系统的开机指令；若当前用户的身份特征向量出现在预先存储的模板库之外，则提示当前用户重新进行身份认证。

在一个可行的实施方案中，图2示出了本申请实施例所提供的一种身份特征向量的计算方法的流程示意图，如图2所示，在执行步骤S102时，该方法还包括S201-S205；具体的：

S201，对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量。

本申请实施例中，作为一可选实施例，所述对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量，包括：

需要说明的是，本申请对所述第一预设全连接层以及所述第二预设全连接层的层数并不进行限定，对于得到的所述第一目标向量以及所述第二目标向量的维度数也不进行限定。其中，作为一可选实施例，本申请实施例中提到的利用预设全连接层对特征向量进行映射，可以包括：矩阵相乘，偏置相加以及利用leaky relu（带泄露修正线性单元）函数进行激活。

示例性的说明，优选的，可以选取256维的面部特征向量，利用2层的第一预设全连接层对所述面部特征向量进行映射，得到2048维的第一目标向量；可以选取400维的声纹特征向量，利用1层的第二预设全连接层对所述声纹特征向量进行映射，得到2048维的第二目标向量；将第一目标向量与第二目标向量首尾相连，得到4096维的综合特征向量。

S202，利用第一预设矩阵与第二预设矩阵，分别对所述综合特征向量进行映射，得到第一映射结果和第二映射结果。

具体的，为了保证第一预设矩阵以及第二预设矩阵可以对所述综合特征向量进行映射，并且映射结果的向量维度相同，因此，所述第一预设矩阵以及所述第二预设矩阵需要具有相同的行数和列数，其中，矩阵的行数与所述综合特征向量的维数保持一致。

示例性的说明，若综合特征向量的维度数为4096，则第一预设矩阵和第二预设矩阵可以为4096行n列的矩阵，利用第一预设矩阵对该综合特征向量进行映射，得到第一映射结果为n维的向量

；

利用第二预设矩阵对该综合特征向量进行映射，得到第二映射结果为n维的向量

。

S203，对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量。

本申请实施例中，作为一可选实施例，所述对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量，包括：

具体的，由于所述第一映射结果与所述第二映射结果具有相同的向量维度，因此，可以计算所述第一映射结果与所述第二映射结果对应的各维度分量之间的余弦相似度，再利用softmax函数（归一化指数函数），对各余弦相似度进行归一化处理，得到所述第一权重向量。

示例性的说明，若第一映射结果为n维的向量

，第二映射结果为n维的向量

，则根据以下公式，计算向量

与向量

之间的余弦相似度：

式中：

i的取值范围为：1至n；

是所述第一映射结果中的第i个维度分量；

是所述第二映射结果中的第i个维度分量；

是所述第一映射结果与所述第二映射结果对应的第i个维度分量之间的余弦相似度；

在得到余弦相似度之后，利用以下公式，对余弦相似度进行归一化处理，得到所述第一权重向量

：

式中：

是第i个余弦相似度

经过softmax函数归一化处理后的值，其中，e是自然指数；

j用于计数，其中，j的取值范围为：1至n；

是所述第一映射结果与所述第二映射结果对应的第j个维度分量之间的余弦相似度。

S204，利用第三预设矩阵对所述综合特征向量进行映射，得到第二权重向量。

具体的，在本申请中，所述第一预设矩阵、所述第二预设矩阵以及所述第三预设矩阵具有相同的行数和列数，其中，所述行数与所述综合特征向量的维数保持一致。

示例性的说明，若综合特征向量的维度数为4096，第一预设矩阵和第二预设矩阵均为4096行n列的矩阵，则第三预设矩阵也为4096行n列的矩阵，利用第三预设矩阵对该综合特征向量进行映射，得到n维的第二权重向量

，其中，

是第二权重向量的第n个维度分量。

S205，计算所述第一权重向量与所述第二权重向量的乘积，以得到所述身份特征向量。

具体的，由于所述第一权重向量与所述第二权重向量的维度数相同，因此，可以将所述第一权重向量与所述第二权重向量之间的各维度分量对应进行加权，得到所述身份特征向量。

示例性的说明，可以根据以下公式，来计算所述身份特征向量

：

式中：

是所述第一权重向量；

是所述第二权重向量；

是所述第一权重向量的第i个维度分量；

是所述第二权重向量的第i个维度分量；

是所述第一权重向量的第i个维度分量与所述第二权重向量的第i个维度分量之间对应进行加权的结果。

在一个可行的实施方案中，图3示出了本申请实施例所提供的一种判断身份认证是否成功的方法的流程示意图，如图3所示，在执行步骤S103时，该判断方法还包括S301-S303；具体的：

S301，判断所述身份特征向量是否出现在预先存储的身份验证向量库中。

具体的，可以对需要进行身份认证的注册用户，利用采集的注册用户的面部特征信息以及声纹特征信息，根据上述的计算身份特征向量的方法，计算各注册用户对应的身份特征向量，将各注册用户的身份特征向量存入所述身份验证向量库中，以用于对各待认证对象进行身份认证，确定该待认证对象是否为已注册用户。

S302，若所述身份特征向量出现在所述身份验证向量库中，则执行身份认证成功对应的操作指令。

S303，若所述身份特征向量出现在所述身份验证向量库之外，则提示再次进行身份认证。

示例性的说明，以企业系统登录为例，可以针对该企业的每一在职员工，采集该在职员工的面部特征信息以及声纹特征信息，根据采集的面部特征信息得到所述第一特征向量，根据采集的声纹特征信息得到所述第二特征向量，根据上述的计算身份特征向量的方法，计算该在职员工对应的身份特征向量，将该企业的每一在职员工的身份特征向量存入该企业系统的身份验证向量库中。若当前登录对象的身份特征向量出现在该身份验证向量库中，则显示登陆成功，并进入企业系统操作页面；若当前登录对象的身份特征向量出现在该身份验证向量库之外，则返回到身份认证页面，提示登录对象再次进行身份认证。

在一个可行的实施方案中，图4示出了本申请实施例所提供的一种身份验证向量库的建立方法的流程示意图，如图4所示，在执行步骤S301之前，该方法还包括S401-S403；具体的：

S401，根据用户的注册信息，获取该用户的面部特征的第三特征向量以及该用户的声纹特征的第四特征向量。

S402，对所述第三特征向量以及所述第四特征向量进行融合处理，得到该用户的身份验证向量。

S403，将所述身份验证向量存储至所述身份验证向量库中。

具体的，所述身份验证向量中各身份验证向量的计算方法与步骤S101-S103中计算身份特征向量的方法相同，在此不再赘述。

在一个可行的实施方案中，图5示出了本申请实施例所提供的一种身份认证模型的训练方法的流程示意图，如图5所示，在训练所述模型时，该方法还包括S501-S503；具体的：

S501，基于正样本与负样本的随机数量组合，得到各组训练样本集合。

具体的，在本申请中，可以将同一认证对象的面部特征向量和声纹特征向量作为一组正样本，将不同认证对象的面部特征向量和声纹特征向量作为一组负样本，随机抽取所述正样本以及所述负样本，将随机抽取结果作为一组训练样本集合。

示例性的说明，认证对象A的面部特征向量和声纹特征向量可以作为一组正样本；认证对象A的面部特征向量和认证对象B的声纹特征向量可以作为一组负样本；对所有样本进行随机抽取，若随机抽取结果为5个正样本和8个负样本，则该随机抽取结果可以作为一组训练样本集合。

S502，针对每组所述训练样本集合，按照预先设置的损失函数，计算该组训练样本集合对应的损失函数值。

本申请实施例中，作为一可选实施例，所述针对每组所述训练样本集合，按照预先设置的损失函数，计算该组训练样本集合对应的损失函数值，包括：

针对所述训练样本集合中包含的每组样本，计算该组样本对应的身份特征向量；

将该身份特征向量经过全连接层分类函数和第一激活函数处理，得到该组样本对应的第一预测概率和第二预测概率，其中，所述第一预测概率是该组样本的预测结果是正样本的概率，所述第二预测概率是该组样本的预测结果是负样本的概率；

将该身份特征向量、所述第一预测概率和所述第二预测概率代入所述损失函数中，得到该组样本对应的样本损失函数值；

对各所述样本损失函数值进行求和，得到该组训练样本集合对应的所述损失函数值。

示例性的说明，训练样本集合包括：正样本A、B、C、D、E，负样本F、G、H；根据步骤S101- S103所述的方法，计算得到各组样本对应的身份特征向量为：

，其中，身份特征向量的维度均为n维；将各组样本对应的身份特征向量通过全连接层分类函数和第一激活函数处理，得到第一预测概率

和第二预测概率

，其中，所述第一激活函数可以是softmax激活函数，按照以下公式，计算得到该组训练样本集合对应的损失函数值

：

式中：

j和i用于进行计数；

是该组训练样本集合中正样本的个数；

是该组训练样本集合中负样本的个数；

是第j个正样本的身份特征向量；

是该组训练样本集合中全部正样本的特征中心；

是第j个负样本的身份特征向量；

是该组训练样本集合中全部负样本的特征中心；

表示第j个样本的真实样本类型，其中，在

中

表示正样本，在

中

表示负样本；

N取值为2，表示二分类，α是分类参数，在本申请中，α取值为0.5；

其中，对于样本的特征中心，以正样本对应的身份特征向量分别为n维向量：

为例，可以按照以下公式，计算得到该组训练样本集合中全部正样本的特征中心

：

其中，

分别对应身份特征向量

的第n个维度分量。

以负样本对应的身份特征向量分别为n维向量：

为例，可以按照以下公式，计算得到全部负样本的特征中心

：

其中，

分别对应身份特征向量

的第n个维度分量。

S503，根据所述损失函数值，确定身份认证模型的训练状态。

具体的，可以利用SGD（Stochastic gradient descent，随机梯度下降）优化器，在身份认证模型训练过程中，对所述损失函数进行优化，当所述损失函数值达到收敛，则可以确定身份认证模型完成训练。

需要说明的是，在身份认证模型完成训练之后，将面部特征的第一特征向量和声纹特征的第二特征向量作为一组输入变量，输入到已经训练好的所述身份认证模型中，一方面，利用所述身份认证模型，可以计算得到能够同时表征当前输入的面部特征以及声纹特征的身份特征向量，根据该身份特征向量与预先存储的身份验证向量库的匹配结果，可以对当前的待认证对象进行身份认证；另一方面，也可以利用所述身份认证模型，根据上述方法，计算得到当前的身份特征向量对应的所述第一预测概率以及所述第二预测概率，以识别当前输入的面部特征以及声纹特征是否属于同一认证对象，避免出现因特征数据造假导致身份认证通过的现象，有效地提高身份认证的通过难度，进而，提高信息系统登录的安全性，有利于保护信息安全。

具体的，可以将当前输入的面部特征的第一特征向量与声纹特征的第二特征向量作为一组输入变量，输入到已经训练好的所述身份认证模型中，根据步骤S502中所述的方法，可以得到该组输入变量对应的所述第一预测概率和所述第二预测概率，其中，所述第一预测概率是当前输入的面部特征以及声纹特征属于同一认证对象的概率，所述第二预测概率是当前输入的面部特征以及声纹特征属于不同认证对象的概率。

示例性的说明，若所述第一预测概率为0.8，所述第二预测概率为0.2，则可以确定当前输入的面部特征与声纹特征属于同一认证对象，可以有效地避免因特征数据造假导致身份认证通过的现象，提高身份认证的通过难度，进而，提高信息系统登录的安全性，有利于保护信息安全。

实施例二

图6示出了本发明实施例所提供的基于融合特征的身份认证装置的结构示意图，所述身份认证装置包括：

数据采集模块601，用于获取面部特征的第一特征向量以及声纹特征的第二特征向量；

数据处理模块602，用于对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量；

身份认证模块603，用于根据所述身份特征向量，进行身份认证。

可选的，所述数据处理模块602，包括：

综合处理单元（图中未示出），用于对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量；

第一映射单元（图中未示出），用于利用第一预设矩阵与第二预设矩阵，分别对所述综合特征向量进行映射，得到第一映射结果和第二映射结果；

第一计算单元（图中未示出），用于对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量；

第二映射单元（图中未示出），用于利用第三预设矩阵对所述综合特征向量进行映射，得到第二权重向量；

第二计算单元（图中未示出），用于计算所述第一权重向量与所述第二权重向量的乘积，以得到所述身份特征向量。

可选的，所述综合处理单元，还用于：

可选的，所述第一计算单元，还用于：

可选的，所述身份认证模块603，还用于：

可选的，所述装置还包括存储单元（图中未示出），所述存储单元，用于：

将所述身份验证向量存储至所述身份验证向量库中。

实施例三

如图7所示，本申请一实施例提供了一种计算机设备700，用于执行本申请中的基于融合特征的身份认证方法，该设备包括存储器701、处理器702及存储在该存储器701上并可在该处理器702上运行的计算机程序，其中，上述处理器702执行上述计算机程序时实现上述的基于融合特征的身份认证方法的步骤。

具体地，上述存储器701和处理器702可以为通用的存储器和处理器，这里不做具体限定，当处理器702运行存储器701存储的计算机程序时，能够执行上述的基于融合特征的身份认证方法。

对应于本申请中的基于融合特征的身份认证方法，本申请实施例还提供了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执行上述的基于融合特征的身份认证方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的基于融合特征的身份认证方法。

在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统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，系统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技术方案的目的。

另外，在本申请提供的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-Only Memory， 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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

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所述以权利要求的保护范围为准。

Claims

1.一种基于融合特征的身份认证方法，其特征在于，所述身份认证方法包括：

根据所述身份特征向量，进行身份认证；

其中，所述对所述第一特征向量以及所述第二特征向量进行融合处理，得到身份特征向量，包括：

计算所述第一权重向量与所述第二权重向量的乘积，以得到所述身份特征向量；

其中，所述对所述第一映射结果和所述第二映射结果进行归一化处理，以确定第一权重向量，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述第一特征向量以及所述第二特征向量进行综合处理，得到综合特征向量，包括：

3.根据权利要求1所述的方法，其特征在于，所述第一预设矩阵、所述第二预设矩阵以及所述第三预设矩阵具有相同的行数和列数，其中，所述行数与所述综合特征向量的维数保持一致。

4.根据权利要求1所述的方法，其特征在于，所述根据所述身份特征向量，进行身份认证，包括：

5.根据权利要求4所述的方法，其特征在于，所述身份验证向量库的建立方法，包括：

将所述身份验证向量存储至所述身份验证向量库中。

6.一种基于融合特征的身份认证装置，其特征在于，所述身份认证装置包括：

身份认证模块，用于根据所述身份特征向量，进行身份认证；

其中，所述数据处理模块，包括：

第二计算单元，用于计算所述第一权重向量与所述第二权重向量的乘积，以得到所述身份特征向量；

其中，所述第一计算单元，还用于：

7.一种电子设备，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5任一所述的基于融合特征的身份认证方法的步骤。

8.一种计算机可读存储介质，其特征在于，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执行如权利要求1至5任一所述的基于融合特征的身份认证方法的步骤。