CN111919224A - 生物特征融合方法及装置、电子设备及存储介质 - Google Patents
生物特征融合方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111919224A CN111919224A CN202080001407.XA CN202080001407A CN111919224A CN 111919224 A CN111919224 A CN 111919224A CN 202080001407 A CN202080001407 A CN 202080001407A CN 111919224 A CN111919224 A CN 111919224A
- Authority
- CN
- China
- Prior art keywords
- biometric
- level
- feature
- biological
- characteristic
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims description 70
- 230000004927 fusion Effects 0.000 claims description 55
- 239000000523 sample Substances 0.000 description 87
- 230000008569 process Effects 0.000 description 40
- 238000004891 communication Methods 0.000 description 29
- 238000012795 verification Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000000717 retained effect Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000000554 iris Anatomy 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开实施例提供一种生物特征融合方法及装置、电子设备及存储介质。所述生物特征融合方法，包括：获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；将所述第一生物特征相融合形成第二生物特征。
Description
技术领域
本公开涉及通信技术领域，尤其涉及一种上行传输的处理方法、装置、通信设备及存储介质。
背景技术
随着人们对身份鉴别的准确性、可靠性要求的日益提高，传统的密码和磁卡等身份认证方式因容易被盗用和伪造等原因已远远不能满足人们的需求。而以指纹、人脸、虹膜、静脉、声纹，行为等为代表的生物特征以其具有唯一性(即任意两人的特征不同)、稳健性(即特征不随时间变化)、可采集性(即特征可以定量采集)、高可信度和高准确度等特点，在身份认证中发挥着越来越重要的作用，越来越受到重视。相关技术中，生物特征识别可能会受到场景的限制。比如对于指纹识别来说，部分人的指纹是不适合用来做指纹识别的；对于人脸识别来说，人脸识别的性能对于周围环境有一定的要求。比如在强光或者暗光的情况下人脸识别的性能会受到影响。生物特征识别仍然存在识别准确率低、适应性差的问题。
发明内容
本公开实施例提供一种生物特征融合方法及装置、电子设备及存储介质。
本公开实施例第一方面提供一种生物特征融合方法，所述方法包括：
获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；
将所述第一生物特征相融合形成第二生物特征。
本公开实施例第二方面提供一种生物特征融合装置，其中，所述装置包括：获取模块，被配置为获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；融合模块，被配置为将所述第一生物特征相融合形成第二生物特征。
本公开实施例第三方面提供一种电子设备，其中，所述电子设备至少包括：处理器和用于存储能够在所述处理器上运行的可执行指令的存储器，其中：
处理器用于运行所述可执行指令时，所述可执行指令执行上述第一方面和/或第二方面提供的生物特征融合方法。
本公开实施例第四方面提供一种非临时性计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时执行上述第一方面和/或第二方面提供的生物特征融合方法。
在本公开实施例中，同一个目标的不同个来源的第一生物特征属于至少两个不同层级，因此第二生物特征同时包含不同层级的原始生物特征的第二生物特征。第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的不同层级的特征，相当于单一生物特征的认证识别，能够提升精确度。另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了不同层级的生物特征的认证识别的优点，使得不同层级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。再一方面，由于第二生物特征是由不同层级的第一生物特征融合形成的，第二生物特征对应的原始的第一生物特征的层级不同，可适用于不同的应用场景，从而能够满足多种应用场景下生物特征的认证和识别需求，具有应用范围广的特点。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开实施例实施例，并与说明书一起用于解释本公开实施例实施例的原理。
图1是根据一示例性实施例示出的一种无线通信系统的结构示意图；
图2是根据一示例性实施例示出的各种类型的生物特征的示意图；
图3是根据一示例性实施例示出的一种生物特征融合方法的流程示意图；
图4是根据一示例性实施例示出的一种生物特征融合方法的流程示意图；
图5是根据一示例性实施例示出的一种生物特征融合装置的结构示意图；
图6是根据一示例性实施例示出的UE的结构示意图；
图7是根据一示例性实施例示出的基站的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本公开实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开实施例。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了更好地描述本公开任一实施例，本公开一实施例以一个电表智能控制系统的应用场景为例进行示例性说明。
请参考图1，其示出了本公开实施例提供的一种无线通信系统的结构示意图。如图1所示，无线通信系统是基于蜂窝移动通信技术的通信系统，该无线通信系统可以包括：若干个终端11以及若干个基站12。
其中，终端11可以是指向用户提供语音和/或数据连通性的设备。终端11可以经无线接入网(Radio Access Network，RAN)与一个或多个核心网进行通信，终端11可以是物联网终端，如传感器设备、移动电话(或称为“蜂窝”电话)和具有物联网终端的计算机，例如，可以是固定式、便携式、袖珍式、手持式、计算机内置的或者车载的装置。例如，站(Station，STA)、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobilestation)、移动台(mobile)、远程站(remote station)、接入点、远程终端(remoteterminal)、接入终端(access terminal)、用户装置(user terminal)、用户代理(useragent)、用户设备(user device)、或用户终端(user equipment，终端)。或者，终端11也可以是无人飞行器的设备。或者，终端11也可以是车载设备，比如，可以是具有无线通信功能的行车电脑，或者是外接行车电脑的无线终端。或者，终端11也可以是路边设备，比如，可以是具有无线通信功能的路灯、信号灯或者其它路边设备等。
基站12可以是无线通信系统中的网络侧设备。其中，该无线通信系统可以是第四代移动通信技术(the 4th generation mobile communication，4G)系统，又称长期演进(Long Term Evolution，LTE)系统；或者，该无线通信系统也可以是5G系统，又称新空口(new radio，NR)系统或5G NR系统。或者，该无线通信系统也可以是5G系统的再下一代系统。其中，5G系统中的接入网可以称为NG-RAN(New Generation-Radio Access Network，新一代无线接入网)。
其中，基站12可以是4G系统中采用的演进型基站(eNB)。或者，基站12也可以是5G系统中采用集中分布式架构的基站(gNB)。当基站12采用集中分布式架构时，通常包括集中单元(central unit，CU)和至少两个分布单元(distributed unit，DU)。集中单元中设置有分组数据汇聚协议(Packet Data Convergence Protocol，PDCP)层、无线链路层控制协议(Radio Link Control，RLC)层、媒体访问控制(Media Access Control，MAC)层的协议栈；分布单元中设置有物理(Physical，PHY)层协议栈，本公开实施例对基站12的具体实现方式不加以限定。
基站12和终端11之间可以通过无线空口建立无线连接。在不同的实施方式中，该无线空口是基于第四代移动通信网络技术(4G)标准的无线空口；或者，该无线空口是基于第五代移动通信网络技术(5G)标准的无线空口，比如该无线空口是新空口；或者，该无线空口也可以是基于5G的更下一代移动通信网络技术标准的无线空口。
在一些实施例中，终端11之间还可以建立E2E(End to End，端到端)连接。比如车联网通信(vehicle to everything，V2X)中的V2V(vehicle to vehicle，车对车)通信、V2I(vehicle to Infrastructure，车对路边设备)通信和V2P(vehicle to pedestrian，车对人)通信等场景。
在一些实施例中，上述无线通信系统还可以包含网络管理设备13。
若干个基站12分别与网络管理设备13相连。其中，网络管理设备13可以是无线通信系统中的核心网设备，比如，该网络管理设备13可以是演进的数据分组核心网(EvolvedPacket Core，EPC)中的移动性管理实体(Mobility Management Entity，MME)。或者，该网络管理设备也可以是其它的核心网设备，比如服务网关(Serving GateWay，SGW)、公用数据网网关(Public Data Network GateWay，PGW)、策略与计费规则功能单元(Policy andCharging Rules Function，PCRF)或者归属签约用户服务器(Home Subscriber Server，HSS)等。对于网络管理设备13的实现形态，本公开实施例不做限定。
生物特征识别技术是指为了进行身份识别而采用自动技术对个体生理特征或个人行为特点进行提取，并将这些特征或特点同数据库中已有的模板数据进行比对，从而完成身份认证识别的过程。理论上，所有具有普遍性、唯一性、稳健性、可采集性的生理特征和个人行为特点统称为生物特征。与传统的识别方式不同，生物特征识别是利用人类自身的个体特性进行身份认证。通用生物特征识别系统应包含数据采集、数据存储、比对和决策等子系统。
生物特征识别技术涉及内容广泛，包括指纹、人脸、虹膜、静脉、声纹、姿态等多种识别方式，其识别过程涉及到数据采集、数据处理、图形图像识别、比对算法、软件设计等多项技术。目前各种基于生物特征识别技术的软硬件产品和行业应用解决方案在金融、人社、公共安全、教育等领域得到了广泛应用。
生物特征识别的使用中存在一定的风险。在生物特征注册和身份认证这两个过程中，生物特征识别系统处于与外界交互的状态，系统此时非常容易受到外界攻击。在生物特征识别系统的身份认证过程中，系统的安全性容易受到以下威胁：
a)伪造特征：攻击者在身份认证过程中，提供了伪造的生物特征信息；
b)重放攻击：攻击者对生物特征采集子系统和匹配子系统之间的信息传递进行攻击，重放合法注册用户生物特征信息，对匹配子系统进行欺骗，从而达到通过身份认证的目的；
c)侵库攻击：攻击者通过黑客手段侵入系统的生物特征模板数据库，对已注册的生物特征信息进行篡改和伪造，从而达到通过生物特征信息匹配和身份认证的目的；
d)传送攻击：攻击者在生物特征匹配子系统向生物特征模板数据库进行数据传送时进行攻击，攻击者一方面可以阻断合法注册用户的生物特征信息传送，另一方面也可以将篡改和伪造的生物特征信息发送给匹配子系统，从而达到通过身份认证的目的；
e)篡改匹配器：攻击者通过对匹配器进行攻击，篡改匹配结果，从而达到通过身份认证的目的。
如图3所示，本公开实施例提供一种生物特征融合方法，其中，所述方法包括：
S110：获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；
S120：将所述第一生物特征相融合形成第二生物特征。
这种生物特征的融合方法，可应用于生物特征生成阶段，可以用于生物特征的验证阶段，具体如，利用该方法生成在验证阶段会使用的样本特征；也可以用于生成在验证阶段所需使用的待验证特征。
该生物特征融合方法可应用于终端或服务器中。该终端包括但不限于：手机、平板电脑或可穿戴式设备等用户直接携带的移动终端，还可以是车载终端、或者公共场合的公共服务设备等。该服务器可为各种应用服务器或者通信服务器。
此处的目标可为任意生物体，例如，人体或动物等生物体。
此处的第一生物特征可包括：指纹特征、虹膜特征、静脉分布特征和/或人脸特征等各种类型直接对生物体的体表特征或体内肌肉、骨骼或皮肤等生物组织呈现的特点。
在另一些实施例中，所述第一生物特征可是决定于目标身体的部分，但是并非是身体部分自身的特征，摆手的轨迹特征、低头或仰头的特征。
再例如，所述第一生物特征还可包括：目标的身高和臂长确定了之后，且目标有一个的运动习惯是，则此处的第一生物特征还可包括：摆臂轨迹或者步幅轨迹等。
还例如，一个目标的体重和身体素质一旦确定，则目标的心律跳动的规律或者响度等这也算是一种生物特征。
同一个目标的多种来源的第一生物特征可包括：来自同一个目标的多处身体部位的第一生物特征；例如，来自同一个人体的人脸特征和指纹特征，是同一个目标的不同给身体部分的多种来源的第一生物特征。
同一个目标的多种来源的第一生物特征可包括：来自同一个目标的相同身体部位的不同样式的第一生物特征。例如，来自同一个目标的手部的形状和/或纹理构成的一种样式的生物特征，来自该用户的手部运动的轨迹特征等。例如，利用不同波长对同一个目标的相同身体部位的图像采集，例如，基于可见光采集的人脸图像和基于红外光采集的红外人脸图像，可认为是同一个目标的不同来源的第一生物特征。
不同来源的第一生物特征，总之可以为特征融合提供不同的融合数据，反应了不同第一生物特征的生物特点。
在本公开实施例中，同一个目标的多种来源的特征可包括：同一个目标的两种来源的第一生物特征，还可以是同一个目标的两种以上来源的第一生物特征。
不同层级的第一生物特征具有不同的特点，例如，有的层级的第一生物特征，具有信息详细及在验证过程中精确度高的特点，但是可能会存在数据量大和计算量的问题。再例如，有的层级的第一生物特征的，具有信息量小及计算量小的优点，但是可能存在则验证精确度不是特别高的现象。
在S120中将不同层级的第一生物特征相融合的实现方式有多种，以下提供几种可选方式：
方式一：直接拼接不同层级的所述第一生物特征，得到所述第二生物特征；
方式二：根据融合算法，将不同层级的第一生物特征作为因变量进行融合算法的函数值运算，得到所述第二生物特征。例如，所述融合算法包括但不限于：点乘运算或叉乘运算。
以点乘运算且以两个不同层级第一生物特征的融合为例进行说明，将两个不同层级的第一生物特征对应的数据写成两个阵列，然后求取两个阵列的点乘，就得到了所述第二生物特征。
在具体的实现过程中，所述第一生物特征和所述第二生物特征的融合方式有很多种，不局限于上述任意一种。
在本公开实施例中，同一个目标的不同个来源的第一生物特征属于至少两个不同层级，因此第二生物特征同时包含不同层级的原始生物特征的第二生物特征，第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的不同层级的特征，相当于单一生物特征的认证识别，能够提升精确度；另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了不同层级的生物特征的认证识别的优点，使得不同层级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。再一方面，由于第二生物特征是由不同层级的第一生物特征融合形成的，第二生物特征对应的原始的第一生物特征的层级不同，可适用于不同的应用场景，从而能够满足多种应用场景下生物特征的认证和识别需求，具有应用范围广的特点。
在一些实施例中，不同层级也可以称之为不同模态。
例如，所述至少两种不同层级包括以下任意至少两个：
样本级，对应于单一生物特征的样本数据数据；
特征级，对应于单一生物特征的特征；
分数级，对应于单一生物特征的匹配分数；
决策级，对应于单一生物特征的布尔值。
此处的单一生物特征可理解为：一个所述第一生物特征；或者，一个来源的一个或多个所述第一生物特征。
样本级可为：单个第一生物特征的一组或多组样本数据。例如若当前第一生物特征是样本级的，则当前第一生物特征对应的是一个生物样本，例如，对虹膜采集的虹膜图像、对指纹采集的指纹图像、对人脸采集的人脸图像；对声纹采集的音频数据。在一些实施例中，此处样本级对应的样本可包括：生物特征采集形成的采集数据或原始数据。
特征级可为：单个生物特征的一组或多组特征，此处的一组或多组特征可认为是特征值，例如，特征级的第一生物特征可包括：单个第一生物特征的特征集合/或特征向量。特征集合和特征向量都是有特征值组成，而特征值可为从样本级的第一生物特征中提取的。
分数级的第一生物特征是包含：单个第一生物特征的匹配分数，该匹配分数是将对应的第一生物特征与预设数据库内第三生物特征匹配得到的匹配分数。
分数级的第一生物特征包括：一个或多个匹配分数。
匹配分数可为：对应第一生物特征的特征值与预设数据库内的特征值进行匹配，得到匹配程度；根据匹配程度进行评分得到的匹配分数。例如，匹配程度与匹配分数
正相关。
决策级对应于单个第一生物特征的布尔值，通常一个第一生物特征可对应于一个布尔值。该布尔值可以根据第一生物特征的匹配分数确定的。例如，将匹配分数与分数阈值比较，若匹配分数越大代表的匹配程度越高，则匹配分数大于或等于分数阈值，则布尔值为：“1”，否则为“0”。
布尔值为“1”，可认为匹配成功，即单一的第一生物特征的认证通过；布尔值为“0”，可认为匹配失败，即单一的第一生物特征的认证失败。
在一些实施例中，可假设样本级、特征级、分数级到决策级的层级是越来越高的，则此时层级越高的生物特征的数据量越小且计算量越小。
在本公开实施例中，在S110中可以根据：根据融合策略，选择不同层级的第一生物特征；以在S120中融合时，考虑不同应用场景下的不同需求。例如，为了确保满足高安全性需求，不同层级的多个第一生物特征中，可以多选择一些样本级的生物特征；为了满足一定的安全性且减少更多的计算量，不同层级的多个第一生物特征可包括较多个的分数级的第一生物特征和/或决策级的第一生物特征。
不同层级的第一生物特征所对应的数据都可以称之为：特征数据；该特征数据可包括：样本级的样本数据、特征级的特征数据、分数级的匹配分数以及决策级别的布尔值。
在一些式实施例中，所述S120可包括：
将所述样本级的所述第一生物特征和所述特征级的第一生物特征相融合形成所述第二生物特征征。
此处由样本级的第一生物特征和特征级的第一生物特征融合得到的第二生物特征可以是验证阶段的样本特征和/或待验证特征。
例如，以两个来源的第一生物特征分别是人脸特征和指纹特征为例进行说明，人脸特征的数据量特别大，但是识别精度高。在平衡生物特征的识别和验证过程中的精确度和计算量时，可以考虑融合特征级的人脸特征和样本级的指纹特征。样本级的指纹特征对应的一组样本数据的数据量，比样本级的人脸特征对应的一组样本数据的数据量小，如此，融合特征级的人脸特征和样本级的指纹特征，既充分利用了人脸特征的高精度，且降低了计算量。具体如，将样本级的人脸特征对应的人脸图像中提取若干个人脸特征，例如，M个人脸特征的特征值，将M个人脸特征的特征值和样本级的指纹特征的指纹图像，共同组成一个用于身份验证的样本特征，或者，等待验证的待验证特征。
又例如，提升安全性，且通过多来源生物特征的验证，也可以将样本级的人脸特征和特征级的指纹特征进行融合。
总之，在本实施例中，可以将数量较大的样本级的第一生物特征的样本数据转换为特征级的第一生物特征之后，然后与数据量较小的特征级的其他第一生物特征进行融合，得到所述第二生物特征。
在一些实施例中，所述S120可包括：
将所述样本级的所述第一生物特征及所述分数级的第一生物特征相融合形成所述第二生物特征。
此处的样本级的第一生物特征和分数级的第一生物特征融合，可包括：样本数据和另一个来源的第一生物特征的匹配分数融合成一个样本特征或者一个待验证特征。
如此，实现了样本级的第一生物特征和分数级的第一生物特征的融合，得到了一个同时包含样本级和分数级的原始生物特征的第二生物特征，第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的样本级和分数级的特征数据，相当于单一生物特征的认证识别，能够提升精确度；另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了样本级和分数级的生物特征的认证识别的优点，使得样本级和分数级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。
在一些实施例中，所述S120可包括：
将所述样本级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
此处的样本级的第一生物特征和决策级的第一生物特征融合后，得到第二生物特征，可包括：将样本级的第一生物特征的样本数据和决策级的布尔值融合，得到所述第二生物特征。
如此，实现了样本级的第一生物特征和决策级的第一生物特征的融合，得到了一个同时包含样本级和决策级的原始生物特征的第二生物特征，第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的样本级和决策级的数据，相当于单一生物特征的认证识别，能够提升精确度；另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了样本级和决策级的生物特征的认证识别的优点，使得样本级和决策级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。
例如，预设数据库中包括：S个样本级的样本数据，将决策级的第一生物特征对应的样本数据与S个样本级的样本数据进行匹配得到匹配分数，将匹配分数转换为布尔值，将得到S个布尔值；将这S个布尔值与样本级的第一生物特征融合形成所述第二生物特征。例如，将所述S个布尔值与所述样本级的第一生物特征拼接形成所述第二生物特征。
在一些实施例中，所述S110可包括包括：
将所述特征级的第一生物特征及所述分数级的第一生物特征相融合得到所述第二生物特征。
将特征级的第一生物特征和分数级的第一生物特征融合后得到第二生物特征，将包含特征值和匹配分数；或者包含特征值和匹配分数计算得到的函数值。
如此，实现了特征级的第一生物特征和分数级的第一生物特征的融合，得到了一个同时包含样本级和决策级的原始生物特征的第二生物特征，第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的特征级和分数级的数据，相当于单一生物特征的认证识别，能够提升精确度；另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了特征级和分数级的生物特征的认证识别的优点，使得特征级和分数级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。
例如，将待融合的第一生物特征与预设数据库中的同一类第一生物特征分别进行匹配，得到匹配分数。同时待融合的第一生物特征的样本数据提取出特征值作为所述特征级的第一生物特征。
将特征级的第一生物特征的特征值(即特征数据)，与分数级的第一生物特征的匹配分数融合，得到第二生物特征。
在一些实施例中，所述S120可包括：
将所述特征级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
如此，实现了特征级的第一生物特征和决策级的第一生物特征的融合，得到了一个同时包含特征级和决策级的原始生物特征的第二生物特征，第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的特征级和决策级的数据，相当于单一生物特征的认证识别，能够提升精确度；另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了特征级和决策级的生物特征的认证识别的优点，使得特征级和决策级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。
在一些实施例中，所述S120还可包括：将所述分数级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
如此，实现了分数级的第一生物特征和决策级的第一生物特征的融合，得到了一个同时包含分数级和决策级的原始生物特征的第二生物特征，第二生物特征在用于生物特征的认证识别过程中，一方面由于融合了至少两种来源的第一生物特征的分数级和决策级的数据，相当于单一生物特征的认证识别，能够提升精确度；另一方面，由于第二生物特征是用跨层级(或称跨模态)的原始生物特征(即第一生物特征)融合而成的，保留了分数级和决策级的生物特征的认证识别的优点，使得分数级和决策级的原始生物特征的相互补强，提升了第二生物特征在认证识别过程中的认证识别性能。
上述实施例是采用两个层级的第一生物特征的举例，实际处理过程中还可以采用三个层级或四个层级的第一生物特征的融合，形成所述第二生物特征。
在一些实施例中，如图4所示，所述方法还包括：
S100：根据应用场景，确定相融合的不同所述层级的所述第一生物特征。
例如，支付场景和标记场景等应用场景，对于生物特征的认证需求是不同的。
对于支付场景，对安全性要求高，对计算量的大小可以放宽限制；对于标记场景，对于安全性要求可能不高，仅需满足能够区分不同的目标即可。支付场景可涉及财产转移，对安全性要求高，该支付场景包括但不限于：网络支付。
标记场景，例如，在会议场景上通过声纹特征和人脸特征，区分不同的人。为了减少计算量，且为了减少样本数据或特征数据的泄露，采用模糊程度较高的决策级的第一生物特征和分数级的第一生物特征融合得到所述第二生物特征。
因此，在对于安全性要求高的第一类场景，确定相融合的第一生物特征可至少包括一个样本级的第一生物特征，或者，相融合的第一生物特征可至少包括一个特征级的第一生物特征。而对于安全性要求低的第二类场景，确定相融合的第一生物特征可不包含样本级的第一生物特征和/或特征级的第一生物特征，而仅包括：分数级的第一生物特征和决策级的第一生物特征。
在一些实施例中，在终端和服务器中都存储公共数据库，这个公共数据库中可能有多个处理所述第一生物特征，进行不同层级转换的样本数据或特征数据。
例如，该公共数据库包括：不同来源源的若干个样本数据；或者不同来源的若干个特征。在终端生成第二生物特时，终端可以将自身获取的人脸图像和公共数据库内样本数据内的人脸图像，从而转换为分数级的匹配分数和/或特征级的布尔值。或者，直接提取出所述人脸图像中的人脸特征。再例如，终端生成第二生物特征之前，将获取第一生物特征的样本数据进行特征提取，得到特征级的特征集合或特征向量等特征值，将特征值与公共数据库中的特征值进行匹配，得到分数级的匹配分数。进一步可以根据匹配分数得到决策级的布尔值。将分数级和布尔值融合成第二生物特征。
融合至少两个层级的第二生物特征，存储到服务器中作为验证阶段的验证样本，如此服务器会存储该第二生物特征，用于供后续验证阶段使用。
或者，融合至少两个层级的第二生物特征，发送到服务器进行验证。服务器接收到待验证的第二生物特征之后，直接与样本生成阶段存储的验证样本匹配即可。
如此，在后续验证过程中，进行一次验证就实现了跨层级的不同来源的第一生物特征的验证，相当于单一生物特征而言提升了验证安全性，且满足了不同业务场景下的生物特征验证或识别或者区分的应用需求。
例如，在一个语音群聊场景，不预备分配标识，为了区分不同的人，可以提取出声音数据，将声音数据中提取出声纹特征，与该语音群聊场景内提取的M个人的声纹特征进行匹配，得到分数级的M个匹配分数；或者，将M个匹配分数转换为布尔值，得到M个布尔值。该声音数据提取出的特征除了声纹特征以外，还可包括：发音数据；该发音数据也可以作为一种生物特征，通过与M个人的发音特征进行匹配，得到M个匹配分数和/或M个布尔值。
如此，每个人对应的声纹特征的M个匹配分数或M个布尔值，与发音特征的M个布尔值或M个匹配分数，组合后形成能够区分不同人的第二生物特征，从而实现对不同人的区分。
在生物特征识别的技术发展中，提出了通过多模态融合的方法来进一步的提高生物特征识别的安全性以及可用性。目前，生物特征的多模态融合一般可以分为样本级融合、特征级融合、分数级融合和决策级融合四个层级：
样本级融合是指每个单一生物特征识别过程输出一组样本数据，将多组生物特征样本数据融合为一个样本数据；
特征级融合是指每个单一生物特征识别过程输出一组特征，将多组生物特征融合为一个特征集或者特征向量；
分数级融合指每个单一生物特征识别过程通常输出单一匹配分数，也可能是多个分数。将多个生物特征识别分数融合成一个分数或决策，然后与系统接受阈值进行比较；
决策级融合指每个单一生物特征识别过程输出一个布尔值。利用混合算法如和与或，或者采用更多参数，如输入样本质量分数将结果进行融合。
但是在同一个层级的生物特征融合，可能这存在以下问题：
某些生物特征识别的若干层级已经模块化，无法拆分出更细的层级。样本级融合和特征级融合会产生较大的计算量和数据量，会增加延时和功耗。
分数级融合和决策级融合会减弱生物特征模态之间的关联性，造成准确性下降，不同模态或层级生成的位置各异。
本公开实施例提出了一种不同模态的不同层级之间的融合，提出了以下跨层级的生物特征的融合，具体可包括：
样本级与特征级融合：
将某个或多个单一生物特征识别过程中输出的一组或多组样本，与某个或多个单一生物特征识别过程输出的一组过多组特征相融合，为一个样本。某些生物特征的样本数据量很大，如高精度人脸特征识别，其包含了二维的人脸特征与三维的立体数据。此时如果将其样本与其他样本进行融合，需要非常大的计算能力。可以从样本中提取特征信息，并将特征信息与其他的样本进行融合而形成一组新的样本。
样本级与分数级融合：
将某个或多个单一生物特征识别过程中输出的一组或多组样本，与某个或多个单一生物特征识别过程输出的一组过多组匹配分数相融合，为一个样本
在多用户系统中，生物特征识别的比对过程可能耗时很长，因为其需要对所有的用户进行筛查。
某些能够快速比对的生物特征，能够以更快的速度形成分数。再将分数与其他比对效率慢，但是准确性高的生物样本进行融合，并输出一组新的样本，则可以更高效的进行准确生物特征识别。
样本级与决策级融合：
将某个或多个单一生物特征识别过程中输出的一组或多组样本，与某个或多个单一生物特征识别过程输出的一组过多组决策布尔值相融合，为一个样本。
与样本级与分数级融合的生物特征一样，本方法可以提升多用户的比对效率。
特征级与分数级融合：
将某个或多个单一生物特征识别过程中输出的一组或多组特征，与某个或多个单一生物特征识别过程输出的一组过多组匹配分数相融合，为一个特征集或特征向量
样本级与分数级融合，可以提升多用户的比对效率；当样本级融合的数据量和计算量较大时，可以用特征级取代样本级。即样本级与分数级融合。
特征级与决策级融合：
将某个或多个单一生物特征识别过程中输出的一组或多组特征，与某个或多个单一生物特征识别过程输出的一组过多组决策布尔值相融合，为一个特征集或特征向量。与“特征级与分数级融合”一样，本方法可以提升多用户的比对效率。
分数级与决策级融合：
将某个或多个单一生物特征识别过程中输出的一组或多组匹配分数，与某个或多个单一生物特征识别过程输出的一组过多组决策布尔值相融合，为一个匹配分数或决策。该融合方式在以下场景中非常必要：，某些生物特征无法产生布尔值，只产生匹配分数，当它们寻求与其他生物特征的布尔值进行融合的时候。
如图5所示，一种生物特征融合装置，其中，所述装置包括：
获取模块510，被配置为获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；
融合模块520，被配置为将所述第一生物特征相融合形成第二生物特征。
在一些实施例中，所述获取模块510及所述融合模块520可为程序模块；所述程序模块被处理器执行后，能够实现上述第一生物特征的融合，形成第二生物特征。
在另一些实施例中，所述获取模块510及所述融合模块520可为软硬结合模块；所述软硬结合模块可包括各种可编程阵列；所述可编程阵列包括但不限于：复杂可编程阵列或者现场可编程阵列。
在还有一些实施例中，所述获取模块510及所述融合模块520可为纯硬件模块；所述纯硬件模块包括但不限于：专用集成电路。
在一些实施例中，所述至少两种不同层级包括以下任意至少两个：
样本级，对应于单一生物特征的样本；
特征级，对应于单一生物特征的特征；
分数级，对应于单一生物特征的匹配分数；
决策级，对应于单一生物特征的布尔值。
在一些实施例中，所述融合模块520，被配置为将所述样本级的所述第一生物特征和所述特征级的第一生物特征相融合形成所述第二生物特征征。
在一些实施例中，所述融合模块520，被配置为将所述样本级的所述第一生物特征及所述分数级的第一生物特征相融合形成所述第二生物特征。
在一些实施例中，所述融合模块520，被配置为将所述样本级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
在一些实施例中，所述融合模块520，被配置为将所述特征级的第一生物特征及所述分数级的第一生物特征相融合得到所述第二生物特征。
在一些实施例中，所述融合模块520，被配置为将所述特征级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
在一些实施例中，所述融合模块520，被配置为将所述分数级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
在一些实施例中，所述装置还包括：
确定模块，被配置为根据应用场景，确定相融合的不同所述层级的所述第一生物特征。
本公开实施例提供一种电子设备，包括处理器、收发器、存储器及存储在存储器上并能够有处理器运行的可执行程序，其中，处理器运行可执行程序时执行前述任意技术方案提供的生物特征融合方法。
该电子设备可为基站、UE或服务器。
其中，处理器可包括各种类型的存储介质，该存储介质为非临时性计算机存储介质，在电子设备掉电之后能够继续记忆存储其上的信息。这里，所述电子设备包括基站或用户设备。
所述处理器可以通过总线等与存储器连接，用于读取存储器上存储的可执行程序，例如，如图3或图4所示的生物特征融合方法。
本公开实施例提供一种计算机存储介质，所述计算机存储介质存储有可执行程序；所述可执行程序被处理器执行后，能够实现第一方面或第二方面任意技术方案所示的方法，例如，图3或图4所示的生物特征融合方法。
图6是根据一示例性实施例示出的一种UE800的框图。例如，UE800可以是移动电话，计算机，数字广播用户设备，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，UE800可以包括以下至少一个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制UE800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括至少一个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括至少一个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在UE800的操作。这些数据的示例包括用于在UE800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为UE800的各种组件提供电力。电源组件806可以包括电源管理系统，至少一个电源，及其他与为UE800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述UE800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括至少一个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的唤醒时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当UE800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当UE800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括至少一个传感器，用于为UE800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为UE800的显示器和小键盘，传感器组件814还可以检测UE800或UE800一个组件的位置改变，用户与UE800接触的存在或不存在，UE800方位或加速/减速和UE800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于UE800和其他设备之间有线或无线方式的通信。UE800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，UE800可以被至少一个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由UE800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
如图7所示，本公开一实施例示出一种基站的结构。例如，基站900可以被提供为一网络设备。参照图7，基站900包括处理组件922，其进一步包括至少一个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法前述应用在所述基站的任意方法，例如，如图2至图6所示方法。
基站900还可以包括一个电源组件926被配置为执行基站900的电源管理，一个有线或无线网络接口950被配置为将基站900连接到网络，和一个输入输出(I/O)接口958。基站900可以操作基于存储在存储器932的操作系统，例如Windows Server TM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开实施例的其它实施方案。本公开旨在涵盖本公开实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开实施例的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开实施例的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开实施例的范围仅由所附的权利要求来限制。
Claims (20)
1.一种生物特征融合方法，其中，所述方法包括：
获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；
将所述第一生物特征相融合形成第二生物特征。
2.根据权利要求1所述的方法，其中，所述至少两种不同层级包括以下任意至少两个：
样本级，对应于单一生物特征的样本；
特征级，对应于单一生物特征的特征；
分数级，对应于单一生物特征的匹配分数；
决策级，对应于单一生物特征的布尔值。
3.根据权利要求2所述的方法，其中，所述将所述第一生物特征相融合形成第二生物特征，包括：
将所述样本级的所述第一生物特征和所述特征级的第一生物特征相融合形成所述第二生物特征征。
4.根据权利要求2所述的方法，其中，所述将所述第一生物特征相融合形成第二生物特征，包括：
将所述样本级的所述第一生物特征及所述分数级的第一生物特征相融合形成所述第二生物特征。
5.根据权利要求1或2所述的方法，其中，所述将所述第一生物特征相融合形成第二生物特征，包括：
将所述样本级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
6.根据权利要求1或2所述的方法，其中，所述将所述第一生物特征相融合形成第二生物特征，包括：
将所述特征级的第一生物特征及所述分数级的第一生物特征相融合得到所述第二生物特征。
7.根据权利要求1或2所述的方法，其中，所述将所述第一生物特征相融合形成第二生物特征，包括：
将所述特征级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
8.根据权利要求1或2所述的方法，其中，所述将所述第一生物特征相融合形成第二生物特征，包括：
将所述分数级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
9.根据权利要求1至8任一项所述的方法，其中，所述方法还包括：
根据应用场景，确定相融合的不同所述层级的所述第一生物特征。
10.一种生物特征融合装置，其中，所述装置包括：
获取模块，被配置为获取一个目标至少多种来源的第一生物特征；其中，所述第一生物特征，分属至少两种不同层级；
融合模块，被配置为将所述第一生物特征相融合形成第二生物特征。
11.根据权利要求10所述的装置，其中，所述至少两种不同层级包括以下任意至少两个：
样本级，对应于单一生物特征的样本；
特征级，对应于单一生物特征的特征；
分数级，对应于单一生物特征的匹配分数；
决策级，对应于单一生物特征的布尔值。
12.根据权利要求11所述的装置，其中，所述融合模块，被配置为将所述样本级的所述第一生物特征和所述特征级的第一生物特征相融合形成所述第二生物特征征。
13.根据权利要求11所述的装置，其中，所述融合模块，被配置为将所述样本级的所述第一生物特征及所述分数级的第一生物特征相融合形成所述第二生物特征。
14.根据权利要求10或11所述的装置，其中，所述融合模块，被配置为将所述样本级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
15.根据权利要求10或11所述的装置，其中，所述融合模块，被配置为将所述特征级的第一生物特征及所述分数级的第一生物特征相融合得到所述第二生物特征。
16.根据权利要求10或11所述的装置，其中，所述融合模块，被配置为将所述特征级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
17.根据权利要求10或11所述的装置，其中，所述融合模块，被配置为将所述分数级的所述第一生物特征及所述决策级的第一生物特征相融合形成所述第二生物特征。
18.根据权利要求10至17任一项所述的装置，其中，所述装置还包括：
确定模块，被配置为根据应用场景，确定相融合的不同所述层级的所述第一生物特征。
19.一种电子设备，其中，所述电子设备至少包括：处理器和用于存储能够在所述处理器上运行的可执行指令的存储器，其中：
处理器用于运行所述可执行指令时，所述可执行指令执行上述权利要求1至9任一项提供的生物特征融合方法。
20.一种非临时性计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述权利要求1至9任一项提供的生物特征融合方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/099567 WO2022000337A1 (zh) | 2020-06-30 | 2020-06-30 | 生物特征融合方法及装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111919224A true CN111919224A (zh) | 2020-11-10 |
| CN111919224B CN111919224B (zh) | 2024-06-14 |
Family
ID=73265207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080001407.XA Active CN111919224B (zh) | 2020-06-30 | 2020-06-30 | 生物特征融合方法及装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111919224B (zh) |
| WO (1) | WO2022000337A1 (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1710593A (zh) * | 2005-06-27 | 2005-12-21 | 北京交通大学 | 一种基于特征关系度量的手部特征融合认证方法 |
| US20100228692A1 (en) * | 2009-03-03 | 2010-09-09 | Honeywell International Inc. | System and method for multi-modal biometrics |
| US20120290526A1 (en) * | 2011-05-11 | 2012-11-15 | Tata Consultancy Services Limited | Method and System for Association and Decision Fusion of Multimodal Inputs |
| WO2016201058A1 (en) * | 2015-06-12 | 2016-12-15 | Delta ID Inc. | Apparatuses and methods for image based biometric recognition |
| CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
| 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 |
| CN110955661A (zh) * | 2019-11-29 | 2020-04-03 | 北京明略软件系统有限公司 | 数据融合方法、装置、可读存储介质及电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006078343A2 (en) * | 2005-01-14 | 2006-07-27 | Ultra-Scan Corporation | Multimodal fusion decision logic system |
| US20120308089A1 (en) * | 2011-06-03 | 2012-12-06 | Korea Basic Science Institute | Method of biometric authentication by using pupil border and apparatus using the method |
| CN102542258B (zh) * | 2011-12-16 | 2013-11-20 | 天津理工大学 | 基于手指生物特征信息的成像设备及多模态身份识别方法 |
| CN107294730A (zh) * | 2017-08-24 | 2017-10-24 | 北京无线电计量测试研究所 | 一种多模态生物特征身份认证方法、装置及系统 |
| CN110909582B (zh) * | 2018-09-18 | 2023-09-22 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
-
2020
- 2020-06-30 CN CN202080001407.XA patent/CN111919224B/zh active Active
- 2020-06-30 WO PCT/CN2020/099567 patent/WO2022000337A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1710593A (zh) * | 2005-06-27 | 2005-12-21 | 北京交通大学 | 一种基于特征关系度量的手部特征融合认证方法 |
| US20100228692A1 (en) * | 2009-03-03 | 2010-09-09 | Honeywell International Inc. | System and method for multi-modal biometrics |
| US20120290526A1 (en) * | 2011-05-11 | 2012-11-15 | Tata Consultancy Services Limited | Method and System for Association and Decision Fusion of Multimodal Inputs |
| WO2016201058A1 (en) * | 2015-06-12 | 2016-12-15 | Delta ID Inc. | Apparatuses and methods for image based biometric recognition |
| CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
| 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 |
| CN110955661A (zh) * | 2019-11-29 | 2020-04-03 | 北京明略软件系统有限公司 | 数据融合方法、装置、可读存储介质及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 王风华;孟文杰;: "一种基于特征级融合的多模态生物特征识别方法", 科学技术与工程, no. 13, 8 May 2012 (2012-05-08) * |
| 高健: "移动设备生物特征识别多模态融合研究", 信息技术与标准化, no. 2018, pages 41 - 43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022000337A1 (zh) | 2022-01-06 |
| CN111919224B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11017070B2 (en) | Visual data processing of response images for authentication | |
| US11983964B2 (en) | Liveness detection | |
| US10936709B2 (en) | Electronic device and method for controlling the same | |
| KR102139548B1 (ko) | 안면인식 기술 기반 분산화된 신원증명 시스템 및 방법 | |
| KR101242390B1 (ko) | 사용자를 인증하기 위한 방법, 장치, 및 컴퓨터 판독 가능한 기록 매체 | |
| CN105654033B (zh) | 人脸图像验证方法和装置 | |
| TWI706270B (zh) | 身分識別方法、裝置和電腦可讀儲存媒體 | |
| US10803159B2 (en) | Electronic device and method for controlling the same | |
| CN111919217B (zh) | 生物特征注册的方法、装置、用户设备及存储介质 | |
| Witte et al. | Context-aware mobile biometric authentication based on support vector machines | |
| CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
| US20200082155A1 (en) | Hybrid mode illumination for facial recognition authentication | |
| CN111095246B (zh) | 用于认证用户的方法和电子设备 | |
| CN108206892B (zh) | 联系人隐私的保护方法、装置、移动终端及存储介质 | |
| US11711215B2 (en) | Methods, systems, and media for secure authentication of users based on a biometric identifier and knowledge-based secondary information | |
| CN109255620B (zh) | 加密支付方法、移动终端及计算机可读存储介质 | |
| WO2019011106A1 (zh) | 状态控制方法及相关产品 | |
| Stockinger | Implicit authentication on mobile devices | |
| KR20190128536A (ko) | 전자 장치 및 그 제어 방법 | |
| CN111819574B (zh) | 生物特征的验证方法及装置、电子设备及存储介质 | |
| CN111919224B (zh) | 生物特征融合方法及装置、电子设备及存储介质 | |
| KR102596462B1 (ko) | 멀티 모달 센서를 이용한 심박수 측정이 가능한 출입 통제 인증 시스템 및 방법 | |
| Hulsebosch et al. | Enhancing face recognition with location information | |
| WO2021248422A1 (zh) | 身份验证方法、装置、用户设备及存储介质 | |
| CN113689606A (zh) | 对象的鉴权方法、装置、存储介质和电子装置 |
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 |