CN111898548B - 基于机器学习的访客身份认证方法、装置及计算机设备 - Google Patents

基于机器学习的访客身份认证方法、装置及计算机设备 Download PDF

Info

Publication number
CN111898548B
CN111898548B CN202010761117.7A CN202010761117A CN111898548B CN 111898548 B CN111898548 B CN 111898548B CN 202010761117 A CN202010761117 A CN 202010761117A CN 111898548 B CN111898548 B CN 111898548B
Authority
CN
China
Prior art keywords
visitor
feature
face features
authenticated
target
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
CN202010761117.7A
Other languages
English (en)
Other versions
CN111898548A (zh
Inventor
孙太武
周超勇
刘玉宇
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 CN202010761117.7A priority Critical patent/CN111898548B/zh
Publication of CN111898548A publication Critical patent/CN111898548A/zh
Priority to PCT/CN2020/136370 priority patent/WO2021139493A1/zh
Application granted granted Critical
Publication of CN111898548B publication Critical patent/CN111898548B/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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习的访客身份认证方法、装置及计算机设备，涉及信息技术领域，主要在于能够对访客身份进行有效认证，在提高访客身份认证精度的同时，能够保证访客身份的认证效率。其中方法包括：获取待认证访客的人脸特征；根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。本发明涉及人工智能中的机器学习技术，适用于访客身份的认证，同时本发明还涉及区块链技术。

Description

基于机器学习的访客身份认证方法、装置及计算机设备
技术领域
本发明涉及信息技术领域，尤其是涉及一种基于机器学习的访客身份认证方法、装置及计算机设备。
背景技术
现在很多场景都会涉及到访客登记，例如，常见的面试邀约，不同公司之间的商务洽谈、分公司与总公司之间的出差交流，学校以及小区的外来人员登记，通过访客登记情况能够对外来人员身份进行认证。
目前，在对访客的身份进行认证时，通常会采集访客照片，并将采集的访客照片中的特征与特征库中所有访客的特征进行比对，根据比对结果认证访客身份。然而，特征库中通常只存储有每个访客的单一特征，仅将提取的访客特征与特征库中某个访客的单一特征进行比对，无法确保对比结果的准确性，对访客身份的认证精度较低，如果提取每个访客的多个特征存储至特征库中，在对访客的身份进行认证时，会加大对比工作量，从而影响访客身份的认证效率。
发明内容
本发明提供了一种基于机器学习的访客身份认证方法、装置及计算机设备，主要在于能够对访客身份进行有效认证，在提高访客身份认证精度的同时，能够保证访客身份的认证效率。
根据本发明的第一个方面，提供一种基于机器学习的访客身份认证方法，包括：
获取待认证访客的人脸特征；
根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；
根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
根据本发明的第二个方面，提供一种基于机器学习的访客身份认证装置，包括：
获取单元，用于获取待认证访客的人脸特征；
分析单元，用于根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；
确定单元，用于根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取待认证访客的人脸特征；
根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；
根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取待认证访客的人脸特征；
根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；
根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
本发明提供的一种基于机器学习的访客身份认证方法、装置及计算机设备，与目前将提取的访客特征与特征库中访客的单一特征进行对比的方式相比，本发明能够获取待认证访客的人脸特征；并根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，从而根据多层级分析结果排除掉预设特征库中与待认证访客不相近的绝大多数访客，仅保留与待认证访客相近的少数目标访客，之后根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份，由此既能够利用预设特征库中目标访客的多个人脸特征对待认证访客的身份进行认证，提高了访客身份的认证精度，同时还能够利用多层级分析排除掉预设特征库中绝大多数访客的人脸特征，大大减少了特征比对的工作量，在提高访客身份认证精度的同时，能够确保访客身份的认证效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了本发明实施例提供的一种基于机器学习的访客身份认证方法流程图；
图2示出了本发明实施例提供的另一种基于机器学习的访客身份认证方法流程图；
图3示出了本发明实施例提供的一种基于机器学习的访客身份认证装置的结构示意图；
图4示出了本发明实施例提供的另一种基于机器学习的访客身份认证装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
目前，在对访客的身份进行认证时，仅将提取的访客特征与特征库中访客的单一特征进行比对，无法确保对比结果的准确性，对访客身份的认证精度较低，如果特征库中搜集有每个访客的多个特征，则会加大特征对比的工作量，从而影响访客身份的认证效率。
为了解决上述问题，本发明实施例提供了一种报文组装方法，如图1所示，所述方法包括：
101、获取待认证访客的人脸特征。
其中，待认证访客为公司、学校、小区等封闭区域的外来人员，本发明实施例主要适用于对上述封闭区域的外来人员的身份进行认证，以便记录封闭区域的人员流动情况，确保封闭区域内人员的人身和财产安全，本发明实施例的执行主体为能够对访客身份进行认证的系统，对于本发明实施例，为了避免手动登记信息对访客造成的不便和存在的安全隐患，可以预先将待认证访客的个人信息和特征信息录入系统，存储至预设特征库中，以便当访客正式来访时，提取待认证访客的特征信息，并利用预设特征库对待认证访客的身份进行认证。
本发明实施例提供两种获取访客个人信息和特征信息的方式，分别是线上方式和线下方式，针对线上方式，访客可以预先登录访客身份认证系统，注册填写相关个人信息，包括访客的姓名、身份证号、单位、住址等个人信息，同时线上上传身份证的扫描件，访客身份认证系统接收到访客上传的身份证件后，利用预设人脸检测模型检测并提取访客的身份证照片，进一步地，利用预设人脸识别模型提取访客身份证照片中的人脸特征，并将访客个人信息、访客照片、提取的访客人脸特征对应存储至预设特征库中，由此在访客正式来访时能够利用预设特征库中的人脸特征对访客的身份进行认证；针对线下方式，在待认证访客首次来访时，需要携带身份证，访客身份认证系统能够对待认证访客的身份证的正反面进行识别，提取身份证中的个人信息，包括姓名、身份证号、住址等，同时利用预设人脸检测模型检测身份证件中的照片，或者直接从电子芯片中获取访客的身份证照片，进一步地，利用预设人脸识别模型提取访客身份证照片中的人脸特征，并将提取的访客人脸特征、访客个人信息和访客照片对应存储至预设特征库中，由此，在访客再次来访时，无需进行信息登记或者携带身份证，通过访客身份认证系统中的预设特征库能够直接对访客的身份进行认证。其中，针对预设人脸识别模型的构建，具体可以将预设特征库中所有访客的照片作为训练样本，对该训练样本进行训练构建预设人脸识别模型，与此同时，本发明实施例还涉及区块链技术，可将预设特征库中的人脸特征存储于区块链中。
进一步地，为了确保访客身份认证的精度，避免由于预设特征库中仅存储有每个访客的单一特征，而造成特征对比结果不准确，进而影响访客身份的认证精度，对于本发明实施例，需要搜集不同访客的多张不同形式的照片，并提取每张照片中的人脸特征，将不同访客对应的多个人脸特征存储至预设特征库中，具体地，由于通过人脸检测模型获取的访客身份证照片清晰度比较差，可以通过对访客的身份证照片进行清晰化处理，得到清晰化后的访客图片，具体可以利用预设超分辨率模型对访客的身份证照片进行清洗化处理，该预设超分辨率模型可以为预设卷积神经网络模型，进一步地，同样利用预设人脸识别模型提取清洗化处理后的访客图片中的人脸特征，由此既能够获取访客模糊照片的人脸特征，还能够获取访客清晰化图片的人脸特征，此外，为了保证预设特征库中存储有不同访客的多个特征，确保访客身份的认证精度，还可以在获取访客身份证照片的同时，要求访客上传近期照片，该近期照片可以为访客近期的一张或者多张未进行批图处理、淡妆的照片，进一步地，分别提取访客上传的各个近期照片中的人脸特征，并将提取的不同照片中的人脸特征存储至预设特征库中，需要说明的是，为了确保访客身份的认证精度和有效性，预设特征库中每个访客对应的人脸特征不宜过少，例如，预设特征库中至少存储有每个访客的三个人脸特征。
对于本发明实施例，当访客来访时，可以利用摄像头采集访客照片，之后利用预设人脸识别模型提取采集照片中的人脸特征，以便将待认证访客的人脸特征与预设特征库中不同访客的多个人脸特征进行比对，对访客的身份进行认证，本发明实施例的具体应用场景可以适用于常见的面试邀约、不同公司之间的商务洽谈，不同分公司和总部之间的出差交流，学校和小区的外来人员登记，以及疫情期间封闭小区对流动人员进行登记等场景。
102、根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客。
其中，预设特征库中存储有不同访客对应的多个人脸特征，例如，预设特征库中存储有访客A对应的5个人脸特征和访客B对应的3个人脸特征，对于本发明实施，由于预设特征库中存储有不同访客的多个特征，在待认证访客来访时，如果将提取的待认证访客的人脸特征与预设特征库中所有访客对应的多个人脸特征进行一一对比，会增加对比工作量，影像访客身份的认证效率，因此，在本发明实施例中根据提取的待认证访客的人脸特征和预设特征库中不同访客对应的多个人脸特征进行多层级分析，排除掉预设特征库中与待认证访客不相近的绝大部分访客，保留与待认证访客比较相近的目标访客，仅将待认证访客对应的人脸特征与预设特征库中目标访客对应的多个人脸特征进行一一对比，如此在提高访客身份认证精度的同时，能够保证访客身份的认证效率。
具体地，在将提取的待认证访客的人脸特征与预设特征库中不同访客的人脸特征进行比对时，将待认证访客的人脸特征与不同访客对应的多个人脸特征进行不同层级的分析比对，首先根据预设特征库中不同访客对应的多个人脸特征，计算不同访客对应的特征中心，即不同访客的多个人脸特征对应的几何中心，之后根据不同访客对应的特征中心，将预设特征库中所有访客进行聚类，即将预设特征库中所有访客划分至不同的聚类类别，并从多个聚类别类中筛选出与待认证访客最为相近的目标聚类类别，由此完成第一层级对比分析，进一步地，确定目标聚类类别下各个访客对应的特征中心，并将待认证访客的人脸特征与目标聚类类别下的各个访客对应的特征中心分别进行比对，得到对比结果，并根据对比结果，从目标聚类类别下的各个访客中筛选出目标访客，由此完成第二层级对比分析，最终将待认证访客对应的人脸特征与筛选出的各个目标访客分别对应的多个人脸特征进行比对，得到对比结果，根据对比结果对待认证访客的身份进行认证，由此完成第三层级的对比分析。对于本发明实施例，通过对待认证访客的人脸特征和预设特征库中不同访客对应的多个人脸特征进行多层级的对比分析，能够筛选出预设特征库中的多个目标访客，避免将待认证访客的人脸特征与不同访客的多个人脸特征进行一一对比，从而加大了对比工作量，降低对访客身份的认证效率。
103、根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
对于本发明实施例，为了对待认证访客的身份进行认证，在从预设特征库中筛选出多个目标访客后，分别将待认证访客对应的人脸特征与每个目标访客对应的多个人脸特征进行比对，并根据比对结果确定待认证访客的身份，具体比对时，可以分别计算待认证访客的人脸特征与每个访客对应的多个人脸特征的余弦距离，根据计算的各个余弦距离，确定待认证访客的身份，例如，将待认证访客对应的人脸特征与目标访客A对应的多个人脸特征进行比对，目标访客A对应的人脸特征包括人脸特征1、人脸特征2和人脸特征3，分别计算待认证访客对应的人脸特征与人脸特征1、人脸特征2和人脸特征3 之间的余弦距离，分别为余弦距离1、余弦距离2和余弦距离3，若余弦距离 1、余弦距离2和余弦距离3均大于或者等于预设余弦距离，则认定待认证访客为目标访客A，即身份认证通过后允许待认证访客进入封闭区域，其中，预设余弦距离的大小可以根据业务方对访客身份认证的精度要求进行设定。
本发明实施例提供的一种基于机器学习的访客身份认证方法，与目前将提取的访客特征与特征库中访客的单一特征进行对比的方式相比，本发明能够获取待认证访客的人脸特征；并根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，从而根据多层级分析结果排除掉预设特征库中与待认证访客不相近的绝大多数访客，仅保留与待认证访客相近的少数目标访客，之后根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份，由此既能够利用预设特征库中目标访客的多个人脸特征对待认证访客的身份进行认证，提高了访客身份的认证精度，同时还能够利用多层级分析排除掉预设特征库中绝大多数访客的人脸特征，大大减少了特征比对的工作量，在提高访客身份认证精度的同时，能够确保访客身份的认证效率。
进一步的，为了更好的说明上述对访客身份的认证的过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种基于机器学习的访客身份认证方法，如图2所示，所述方法包括：
201、获取待认证访客的人脸特征。
对于本发明实施例，为了能够利用访客身份认证系统中的预设特征库对访客身份进行认证，可以预先通过线上或者线下的方式获取待认证访客的身份证照片和个人信息，并利用预设人脸识别模型提身份证照片中的人脸特征，将提取的访客人脸特征和个人信息对应存储至预设特征库中，该预设特征库中存储有已来访和即将来访的所有访客的人脸特征，当访客正式来访时，可以通过摄像头采集待认证访客的照片，之后利用相同的预设人脸识别模型提取采待认证访客照片中的人脸特征，并将待认证访客的人脸特征与预设特征库中不同访客的人脸特征进行对比，得到对比结果，并根据该对比结果，确定待认证访客的身份，进一步地，为了提高对访客身份的认证精度，需要增加预设特征库中的特征信息，具体地，在获取访客的身份证照片的同时，还可以要求访客提供多张近期照片，并利用预设人脸识别模型分别提取各个近期照片对应的人脸特征，与此同时，为了能够获取访客不同照片对应的人脸特征，利用预设超分辨率模型对访客的身份证照片进行清晰化处理，得到清洗化处理后的图片，该预设超分辨率模型可以为预设卷积神经网络模型，进一步地，利用预设人脸识别模型提取访客清晰化图片的人脸特征，由此能够得到不同访客对应的多个人脸特征，并将不同访客的个人信息、多张照片和多个人脸特征对应存储至预设特征库中，由此能够丰富预设特征库中的特征信息，提高访客身份认证的精度。
202、根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客。
对于本发明实施例，如果将提取的待认证访客的人脸特征与预设特征库中不同访客对应的多个人脸特征一一进行对比，会增加对比工作量，从而影像访客身份的认证效率，因此，本发明实施例采用多层级分析方法预先排除掉预设特征库中与待认证访客不相近的绝大多数访客，仅保留与待认证访客比较相近的多个目标访客，通过将待认证访客对应的人脸特征与各个目标访客分别对应的多个人脸特征进行对比，不仅能够提高访客身份的认证精度，还能够保证访客身份的认证效率，步骤202具体包括：根据所述各个访客分别对应的多个人脸特征，计算所述各个访客对应的特征中心；基于计算的各个访客对应的特征中心，对所述各个访客进行聚类分析，得到多个聚类类别；根据所述待认证访客的人脸特征和不同聚类类别下各个访客对应的特征中心，确定所述多个聚类类别中的目标聚类类别；根据所述待认证访客的人脸特征和所述目标聚类类别下各个访客对应的特征中心，确定所述目标聚类类别下的各个目标访客。
进一步地，为了从多个聚类类别中识别目标聚类类别，所述根据所述待认证访客的人脸特征和所述不同聚类类别下各个访客对应的特征中心，确定所述多个聚类类别中的目标聚类类别，包括：根据所述不同聚类类别下各个访客对应的特征中心，计算所述不同聚类类别对应的特征中心；分别计算所述待认证访客的人脸特征与所述不同聚类类别对应的特征中心之间的第一余弦距离，并基于计算的各个第一余弦距离，确定所述多个聚类类别中的目标聚类类别。在此基础上，为了确定目标聚类类别下的各个目标访客，所述根据所述待认证访客的人脸特征和所述目标聚类类别下各个访客对应的特征中心，确定所述目标聚类类别下的各个目标访客，包括：分别计算所述待认证访客的人脸特征与所述目标聚类类别下各个访客对应的特征中心之间的第二余弦距离；基于计算的各个第二余弦距离，从所述目标聚类类别下各个访客中筛选出目标访客。进一步地，为了确定目标聚类类别下的各个访客，所述基于计算的各个第一余弦距离，确定所述多个聚类类别中的目标聚类类别，包括，将计算的各个第一余弦距离中最大第一余弦距离对应的聚类类别，确定为目标聚类类别，并确定目标聚类类别下的各个访客。与此同时，所述基于计算的各个第二余弦距离，从所述目标聚类类别下各个访客中筛选出目标访客，包括：按照计算的各个第二余弦距离大小对目标聚类类别下的各个访客进行排序，根据排序结果筛选出排序名次处于预设范围内的目标访客。
具体地，首先根据预设特征库中各个访客分别对应的多个人脸特征，计算各个访客对应的特征中心，具体计算公式如下：
其中，m为预设特征库中某个访客对应的人脸特征数量，(x11,x12,…x1n)为某个访客对应的第一个人脸征，(xm1,xm2,…,xmn)为某个访客对应的第m个人脸特征，(X1,X2,…Xn)为某个访客对应的特征中心，由此按照上述公式能够计算出预设特征库中不同访客对应的特征中心。
进一步地，根据不同访客对应的特征中心，对各个访客进行聚类分析，得到多个聚类类别，具体地，将各个访客对应的特征中心输入至预设聚类分析模型进行聚类分析，得到多个聚类类别，将预设特征库中的各个访客划分值不同的聚类类别，其中，该预设聚类分析模型可以为预设dbscan聚类分析模型，即将各个访客对应的特征中心输入至预设预设dbscan聚类分析模型进行聚类分析，同时设定聚类过程中的半径参数和领域密度阈值，该半径参数和领域密度阈值可以根据划分类别的多少和聚类处理的精度进行设定，由此能够将预设特征库中的各个访客进行聚类处理，得到多个聚类类别，并确定不同聚类类别下的各个访客。
进一步地，为了从多个聚类类别中筛选出目标聚类类别，即从多个聚类类别中筛选出与待认证访客最相近的目标聚类类别下的各个访客，需要根据不同聚类类别下各个访客对应的特征中心，分别计算不同聚类类别对应的特征中心，
其中，m为某个聚类类别下所有访客对应的特征中心的数量，(y11,y12,…,y1n),(ym1,ym2,…,ymn)分别为某个聚类类别下一个访客对应的特征中心和第m个访客对应的特征中心，(Y1,Y2,…,Yn)为某个聚类类别对应的特征中心，由此按照上述公式根据不同聚类类别下各个访客对应的特征中心，能够计算出不同聚类类别对应的特征中心。
进一步地，分别计算待认证访客对应的人脸特征与不同聚类类别对应的特征中心之间的第一余弦距离，并从计算的各个余弦距离中筛选出最大余弦距离，将最大余弦距离对应的聚类类别确定为目标聚类类别，其中，余弦距离的具体计算公式如下：
其中，cosθ为待认证访客对应的人脸特征与不同聚类类别对应的特征中心之间的第一余弦距离，(X1,X2,...Xn),(Y1,Y2,...Yn)分别为待认证访客对应的人脸特征和不同聚类类别对应的人脸特征，由此通过上述公式能够计算出待认证访客对应的人脸特征与不同聚类类别对应的特征中心之间的第一余弦距离，第一余弦距离cosθ越大，代表待认证访客与某一聚类类别下的各个访客越相近，从而筛选出最大第一余弦距离，并将其对应的聚类类别作为目标聚类类别，排除掉预设特征库中与待认证访客不相近的其他聚类类别下的各个访客，由此能够大大降低访客身份认证时特征对比的计算量。
与此同时，为了更进一步地减少特征对比的计算量，继续从目标聚类类别下的各个访客中筛选与待认证访客更相近的目标访客，例如，目标聚类类别下包括访客1、访客2、访客3、访客4和访客5，分别计算待认证访客对应的人脸特征与访客1、访客2、访客3、访客4和访客5对应的特征中心之间的第二余弦距离，并按照计算的各个第二余弦距离大小对各个访客进行由大到小的排序，排序结果为访客3、访客4、访客1、访客2、访客5，进一步地，筛选排序名次处于前三位的访客3、访客4和访客1作为与待认证访客更相近的目标访客，由此后续仅将待认证访客对应的人脸特征与目标访客对应的多个人脸特征分别进行比较即可，能够大大降低特征对比的计算量，提高访客身份的认证效率。其中，第二余弦距离的具体计算公式与第一余弦距离的计算公式相同，在此不再赘述。
进一步地，由于访客上传的不同照片对应的重要程度不同，即能够反映访客真实特征的程度不同，因此，在计算预设特征库中各个访客对应的特征中心时，分别确定所述多个人脸特征中各个人脸特征对应的权重值；基于确定的权重值和所述多个人脸特征，计算所述各个访客对应的特征中心。例如，清晰化处理后的访客身份证照片能够反映访客的更多特征，因此赋予清晰化处理后的访客身份证照片的人脸特征对应的权重值为0.5，同时赋予访客的模糊身份证照片和近期自拍照的人脸特征对应的权重值分别为0.3和0.2。
203、确定所述各个目标访客中的任一目标访客，计算所述待认证访客的人脸特征分别与所述任一目标访客对应的各个人脸特征之间的第三余弦距离。
对于本发明实施例，在确定目标聚类类别下的各个目标访客后，需要将待认证访客对应的人脸特征与目标访客对应的多个人脸特征进行一一对比，得到对比结果，并根据对比结果对访客的身份进行认证，例如，预设特征库中的各个目标访客包括目标访客A和目标访客B，目标访客A对应的人脸特征为人脸特征1、人脸特征2和人脸特征3，目标访客B对应的人脸特征为人脸特征4、人脸特征5和人脸特征6，分别计算待认证访客A对应的人脸特征与目标访客A对应的多个人脸特征之间的第三余弦距离，即分别计算待认证访客的人脸特征与人脸特征1、人脸特征2和人脸特征3之间的第三余弦距离，同理计算待认证访客对应的人脸特征与目标访客B对应的多个人脸特征之间的第三余弦距离，即分别计算待认证访客对应的人脸特征与人脸特征4、人脸特征5和人脸特征6之间的第三余弦距离。
204、若计算的各个第三余弦距离均大于或者等于预设余弦距离，则确定所述待认证访客为所述任一目标访客。
紧着上面的例子，若待认证访客的人脸特征与目标访客A的人脸特征1、人脸特征2和人脸特征3之间的第三余弦距离分别为余弦距离1、余弦距离2 和余弦距离3，且余弦距离1、余弦距离2和余弦距离3均大于或者等于预设余弦距离，则确定待认证访客为目标访客A；若待认证访客的人脸特征与目标访客B的人脸特征4、人脸特征5和人脸特征6之间的余弦距离分别为余弦距离4、余弦距离5和余弦距离6，且余弦距离4、余弦距离5和余弦距离 6中的任意余弦距离小于预设余弦距离，则确定待认证访客不是目标访客B，由此通过将待认证访客对应的人脸特征与目标访客对应的多个人脸特征分别进行比较，根据比较结果能够确定待认证访客的身份，同时由于利用了目标访客的多个人脸特征与待认证访客的人脸特征进行比对，提高了访客身份的认证精度。其中，预设余弦距离可以根据对访客身份认证的精度要求进行设定，需要说明的是，为了确保访客身份的认证精度，预设余弦距离不宜设置过小。
进一步地，由于服务器的存储空间有限，且为了保证访客身份认证时与预设特征库中特征的对比速度，需要定时更新预设特征库，即删除掉预设特征库中精度比较低的人脸特征，基于此，所述方法还包括：根据所述预设特征库中各个访客分别对应的多个人脸特征，确定所述各个访客对应的人脸特征数量；根据所述各个访客对应的人脸特征数量，确定所述各个访客中的待更新特征访客；对所述待更新特征访客对应的多个人脸特征进行聚类分析，得到所述待更新特征访客对应的特征聚类结果；根据所述特征聚类结果，对所述待更新特征访客进行特征更新。进一步地，所述根据所述特征聚类结果，对所述待更新特征访客进行特征更新，包括：若所述特征聚类结果为多个特征类别，则确定并删除所述待更新特征访客对应的离群人脸特征；若所述特征聚类结果为单一特征类别，则根据所述待更新特征访客对应的多个人脸特征的入库时间，确定并删除所述多个人脸特征中最早入库的人脸特征。此外，为了确定待更新特征访客，所述根据所述各个访客对应的人脸特征数量，确定所述各个访客中的待更新特征访客，包括：根据所述各个访客对应的人脸特征数量，确定所述人脸特征数量大于预设人脸特征数量的访客，并将其确定为待更新特征访客。其中，预设人脸特征数量可以根据服务器的存储空间大小和对访客身份认证的精度要求确定。
例如，设定预设人脸特征数量为5，确定预设特征库中访客A对应的人脸特征数量为8，由于访客对应的人脸特征数量大于预设人脸特征数量，因此确定访客A为待更新特征访客，即需要对访客A对应的多个人脸特征进行更新，删除掉精度比较低的人脸特征，进一步地，对访客A对应的多个人脸特征进行聚类分析，具体可以采用预设最大最小距离聚类算法对访客A对应的多个人脸特征进行聚类分析，得到访客A对应的特征聚类结果，由此通过将访客A对应的多个人脸特征归到与其自身最近的聚类中心，将访客A对应的多个人脸特征划分至不同的特征类别，进一步地，若特征聚类结果为多个特征类别，例如，一个特征类别包含5个人脸特征，另一个特征类别包含3个人脸特征，则确定另一个特征类别中的3个人脸特征为离群人脸特征，并将其删除，若特征聚类结果为一个特征类别，则按照各个人脸特征对应的入库时间，删除掉最早入库的三个人脸特征，由此实现对预设特征库中特征的更新。
与此同时，为了提高预设人脸识别模型的精度，采集的待认证访客的照片也可以传入访客身份认证系统，将其加入至训练样本，对预设人脸识别模型进行优化，具体地，可以每隔预设时间间隔利用采集的待认证访客的照片对预设人脸识别模型进行优化，之后利用优化后的预设人脸识别模型提取预设特征库中不同照片对应的人脸特征，更新预设特征库中的人脸特征，进一步提升预设特征库中人脸特征的精度。
在具体应用场景中，各公司分部之间可以相互交换访客的预设特征库，这样可以方便不同分部访客的访问，同时访客的身份证号等敏感信息各自保存在自己的数据库中，也不会出现信息暴露的情况。
本发明实施例提供的另一种基于机器学习的访客身份认证方法，与目前将提取的访客特征与特征库中访客的单一特征进行对比的方式相比，本发明能够获取待认证访客的人脸特征；并根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，从而根据多层级分析结果排除掉预设特征库中与待认证访客不相近的绝大多数访客，仅保留与待认证访客相近的少数目标访客，之后根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份，由此既能够利用预设特征库中目标访客的多个人脸特征对待认证访客的身份进行认证，提高了访客身份的认证精度，同时还能够利用多层级分析排除掉预设特征库中绝大多数访客的人脸特征，大大减少了特征比对的工作量，在提高访客身份认证精度的同时，能够确保访客身份的认证效率。
进一步地，作为图1的具体实现，本发明实施例提供了一种基于机器学习的访客身份认证装置，如图3所示，所述装置包括：获取单元31、分析单元32和确定单元33。
所述获取单元31，可以用于获取待认证访客的人脸特征。所述获取单元 31是本装置中获取待认证访客的人脸特征的主要功能模块。
所述分析单元32，可以用于根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客。所述分析单元32是本装置中根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客的主要功能模块，也是核心模块。
所述确定单元33，可以用于根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。所述确定单元33是本装置中根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份的主要功能模块，也是核心模块。
对于本发明实施例，如图4所示，为了根据多层级分析结果确定所述预设特征库中的各个目标访客，所述分析单元32，包括：计算模块321、分析模块322和确定模块323。
所述计算模块321，可以用于根据所述各个访客分别对应的多个人脸特征，计算所述各个访客对应的特征中心。
所述分析模块322，可以用于基于计算的各个访客对应的特征中心，对所述各个访客进行聚类分析，得到多个聚类类别。
所述确定模块323，可以用于根据所述待认证访客的人脸特征和不同聚类类别下各个访客对应的特征中心，确定所述多个聚类类别中的目标聚类类别。
所述确定模块323，还可以用于根据所述待认证访客的人脸特征和所述目标聚类类别下各个访客对应的特征中心，确定所述目标聚类类别下的各个目标访客。
进一步地，为了确定所述多个聚类类别中的目标聚类类别，所述确定模块323，包括：计算子模块和确定子模块。
所述计算子模块，可以用于根据所述不同聚类类别下各个访客对应的特征中心，计算所述不同聚类类别对应的特征中心。
所述确定子模块，可以用于分别计算所述待认证访客的人脸特征与所述不同聚类类别对应的特征中心之间的第一余弦距离，并基于计算的各个第一余弦距离，确定所述多个聚类类别中的目标聚类类别。
进一步地，所述确定模块323，还包括筛选子模块，所述计算子模块，还可以用于分别计算所述待认证访客的人脸特征与所述目标聚类类别下各个访客对应的特征中心之间的第二余弦距离。
所述筛选子模块，可以用于基于计算的各个第二余弦距离，从所述目标聚类类别下各个访客中筛选出目标访客。
进一步地，为了计算各个访客对应的特征中心，所述计算模块321，包括确定子模块和计算子模块。
所述确定子模块，可以用于分别确定所述多个人脸特征中各个人脸特征对应的权重值。
所述计算子模块，可以用于基于确定的权重值和所述多个人脸特征，计算所述各个访客对应的特征中心。
进一步地，为了确定所述待认证访客的身份，所述确定单元33，包括：计算模块331和确定模块332。
所述计算模块331，可以用于确定所述各个目标访客中的任一目标访客，计算所述待认证访客的人脸特征分别与所述任一目标访客对应的各个人脸特征之间的第三余弦距离。
所述确定模块332，可以用于若计算的各个第三余弦距离均大于或者等于预设余弦距离，则确定所述待认证访客为所述任一目标访客。
进一步地，为了对预设特征库进行更新，所述装置还包括：更新单元34。
所述确定单元33，还可以用于根据所述预设特征库中各个访客分别对应的多个人脸特征，确定所述各个访客对应的人脸特征数量。
所述确定单元33，还可以用于根据所述各个访客对应的人脸特征数量，确定所述各个访客中的待更新特征访客。
所述分析单元32，还可以用于对所述待更新特征访客对应的多个人脸特征进行聚类分析，得到所述待更新特征访客对应的特征聚类结果。
所述更新单元34，可以用于根据所述特征聚类结果，对所述待更新特征访客进行特征更新。
进一步地，为了对所述待更新特征访客进行特征更新，所述更新单元34，包括：第一删除模块341和第二删除模块342。
所述第一删除模块341，可以用于若所述特征聚类结果为多个特征类别，则确定并删除所述待更新特征访客对应的离群人脸特征。
所述第二删除模块342，可以用于若所述特征聚类结果为单一特征类别，则根据所述待更新特征访客对应的多个人脸特征的入库时间，确定并删除所述多个人脸特征中最早入库的人脸特征。
需要说明的是，本发明实施例提供的一种基于机器学习的访客身份认证装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待认证访客的人脸特征；根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：获取待认证访客的人脸特征；根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份。
通过本发明的技术方案，本发明能够获取待认证访客的人脸特征；并根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，从而根据多层级分析结果排除掉预设特征库中与待认证访客不相近的绝大多数访客，仅保留与待认证访客相近的少数目标访客，之后根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份，由此既能够利用预设特征库中目标访客的多个人脸特征对待认证访客的身份进行认证，提高了访客身份的认证精度，同时还能够利用多层级分析排除掉预设特征库中绝大多数访客的人脸特征，大大减少了特征比对的工作量，在提高访客身份认证精度的同时，能够确保访客身份的认证效率。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (9)

1.一种基于机器学习的访客身份认证方法，其特征在于，包括：
获取待认证访客的人脸特征；
根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；
根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份；
其中，所述根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客，包括：
根据所述各个访客分别对应的多个人脸特征，计算所述各个访客对应的特征中心；
基于计算的各个访客对应的特征中心，对所述各个访客进行聚类分析，得到多个聚类类别；
根据所述待认证访客的人脸特征和不同聚类类别下各个访客对应的特征中心，确定所述多个聚类类别中的目标聚类类别；
根据所述待认证访客的人脸特征和所述目标聚类类别下各个访客对应的特征中心，确定所述目标聚类类别下的各个目标访客。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待认证访客的人脸特征和所述不同聚类类别下各个访客对应的特征中心，确定所述多个聚类类别中的目标聚类类别，包括：
根据所述不同聚类类别下各个访客对应的特征中心，计算所述不同聚类类别对应的特征中心；
分别计算所述待认证访客的人脸特征与所述不同聚类类别对应的特征中心之间的第一余弦距离，并基于计算的各个第一余弦距离，确定所述多个聚类类别中的目标聚类类别；
所述根据所述待认证访客的人脸特征和所述目标聚类类别下各个访客对应的特征中心，确定所述目标聚类类别下的各个目标访客，包括：
分别计算所述待认证访客的人脸特征与所述目标聚类类别下各个访客对应的特征中心之间的第二余弦距离；
基于计算的各个第二余弦距离，从所述目标聚类类别下各个访客中筛选出目标访客。
3.根据权利要求1所述的方法，其特征在于，所述根据所述各个访客分别对应的多个人脸特征，计算所述各个访客对应的特征中心，包括：
分别确定所述多个人脸特征中各个人脸特征对应的权重值；
基于确定的权重值和所述多个人脸特征，计算所述各个访客对应的特征中心。
4.根据权利要求1所述的方法，其特征在于，所述根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份，包括：
确定所述各个目标访客中的任一目标访客，计算所述待认证访客的人脸特征分别与所述任一目标访客对应的各个人脸特征之间的第三余弦距离；
若计算的各个第三余弦距离均大于或者等于预设余弦距离，则确定所述待认证访客为所述任一目标访客。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述预设特征库中各个访客分别对应的多个人脸特征，确定所述各个访客对应的人脸特征数量；
根据所述各个访客对应的人脸特征数量，确定所述各个访客中的待更新特征访客；
对所述待更新特征访客对应的多个人脸特征进行聚类分析，得到所述待更新特征访客对应的特征聚类结果；
根据所述特征聚类结果，对所述待更新特征访客进行特征更新。
6.根据权利要求5所述的方法，其特征在于，所述根据所述特征聚类结果，对所述待更新特征访客进行特征更新，包括：
若所述特征聚类结果为多个特征类别，则确定并删除所述待更新特征访客对应的离群人脸特征；
若所述特征聚类结果为单一特征类别，则根据所述待更新特征访客对应的多个人脸特征的入库时间，确定并删除所述多个人脸特征中最早入库的人脸特征。
7.一种基于机器学习的访客身份认证装置，其特征在于，包括：
获取单元，用于获取待认证访客的人脸特征；
分析单元，用于根据所述待认证访客的人脸特征和预设特征库中各个访客分别对应的多个人脸特征进行多层级分析，并根据多层级分析结果确定所述预设特征库中的各个目标访客；
确定单元，用于根据所述各个目标访客分别对应的多个人脸特征，确定所述待认证访客的身份；
其中，所述分析单元，具体用于根据所述各个访客分别对应的多个人脸特征，计算所述各个访客对应的特征中心；基于计算的各个访客对应的特征中心，对所述各个访客进行聚类分析，得到多个聚类类别；根据所述待认证访客的人脸特征和不同聚类类别下各个访客对应的特征中心，确定所述多个聚类类别中的目标聚类类别；根据所述待认证访客的人脸特征和所述目标聚类类别下各个访客对应的特征中心，确定所述目标聚类类别下的各个目标访客。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202010761117.7A 2020-07-31 2020-07-31 基于机器学习的访客身份认证方法、装置及计算机设备 Active CN111898548B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010761117.7A CN111898548B (zh) 2020-07-31 2020-07-31 基于机器学习的访客身份认证方法、装置及计算机设备
PCT/CN2020/136370 WO2021139493A1 (zh) 2020-07-31 2020-12-15 基于机器学习的访客身份认证方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010761117.7A CN111898548B (zh) 2020-07-31 2020-07-31 基于机器学习的访客身份认证方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN111898548A CN111898548A (zh) 2020-11-06
CN111898548B true CN111898548B (zh) 2023-07-28

Family

ID=73183472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010761117.7A Active CN111898548B (zh) 2020-07-31 2020-07-31 基于机器学习的访客身份认证方法、装置及计算机设备

Country Status (2)

Country Link
CN (1) CN111898548B (zh)
WO (1) WO2021139493A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898548B (zh) * 2020-07-31 2023-07-28 平安科技（深圳）有限公司 基于机器学习的访客身份认证方法、装置及计算机设备
CN115131903B (zh) * 2022-06-29 2024-05-14 河北时代电子有限公司 一种基于县域医共体的公共卫生访客登记及监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216884A (zh) * 2007-12-29 2008-07-09 北京中星微电子有限公司 一种人脸认证的方法及系统
JP2018045350A (ja) * 2016-09-13 2018-03-22 Kddi株式会社 所定対象のうちの特定対象における状態を識別する装置、プログラム及び方法
CN109255299A (zh) * 2018-08-13 2019-01-22 北京市商汤科技开发有限公司 身份认证方法和装置、电子设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4339762B2 (ja) * 2003-09-02 2009-10-07 富士フイルム株式会社 認証システム、及びプログラム
CN111898548B (zh) * 2020-07-31 2023-07-28 平安科技（深圳）有限公司 基于机器学习的访客身份认证方法、装置及计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216884A (zh) * 2007-12-29 2008-07-09 北京中星微电子有限公司 一种人脸认证的方法及系统
JP2018045350A (ja) * 2016-09-13 2018-03-22 Kddi株式会社 所定対象のうちの特定対象における状態を識別する装置、プログラム及び方法
CN109255299A (zh) * 2018-08-13 2019-01-22 北京市商汤科技开发有限公司 身份认证方法和装置、电子设备和存储介质

Also Published As

Publication number Publication date
WO2021139493A1 (zh) 2021-07-15
CN111898548A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
WO2022161286A1 (zh) 图像检测方法、模型训练方法、设备、介质及程序产品
CN112613501A (zh) 信息审核分类模型的构建方法和信息审核方法
CN107423613B (zh) 依据相似度确定设备指纹的方法、装置及服务器
US10198565B2 (en) System and method for candidate profile screening
CN111898548B (zh) 基于机器学习的访客身份认证方法、装置及计算机设备
CN110598019B (zh) 重复图像识别方法及装置
US20190147218A1 (en) User specific classifiers for biometric liveness detection
CN110503099B (zh) 基于深度学习的信息识别方法及相关设备
AU2011252761B2 (en) Automatic identity enrolment
CN109902681B (zh) 用户群体关系确定方法、装置、设备及存储介质
AU2011252761A1 (en) Automatic identity enrolment
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN117036184A (zh) 图像合成方法、装置、电子设备及存储介质
Tamilkodi Automation system software assisting educational institutes for attendance, fee dues, report generation through email and mobile phone using face recognition
DE102021124261A1 (de) Automatisierte computerisierte Identifizierung von Anlagegegenständen
CN111832402A (zh) 一种人脸识别方法及装置
CN111552865A (zh) 用户兴趣画像方法及相关设备
Kaveri et al. Blockchain based reliable electronic voting technology
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质
CN111882415A (zh) 一种质量检测模型的训练方法和相关装置
CN111597453A (zh) 用户画像方法、装置、计算机设备及计算机可读存储介质
WO2024065374A1 (en) Automated verification of documents related to accounts within a service provider network
Muthusundari et al. Image Source Identification Algorithm based on DCT for Social Network Provenance
CN116452878B (zh) 一种基于深度学习算法与双目视觉的考勤方法及系统
CN114676117B (zh) 一种岗位数据存储方法、装置及岗位机器人

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