CN112330322A - 用于用户身份验证的设备、方法和系统 - Google Patents
用于用户身份验证的设备、方法和系统 Download PDFInfo
- Publication number
- CN112330322A CN112330322A CN202011169703.9A CN202011169703A CN112330322A CN 112330322 A CN112330322 A CN 112330322A CN 202011169703 A CN202011169703 A CN 202011169703A CN 112330322 A CN112330322 A CN 112330322A
- Authority
- CN
- China
- Prior art keywords
- user
- historical
- personal information
- users
- facial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012795 verification Methods 0.000 title description 7
- 230000001815 facial effect Effects 0.000 claims abstract description 117
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 9
- 210000000887 face Anatomy 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000542420 Sphyrna tudes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/36—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes
- G06Q20/367—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes
- G06Q20/3674—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes involving authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
- G06F16/24556—Aggregation; Duplicate elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- G10L17/06—Decision making techniques; Pattern matching strategies
-
- 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
- H04L61/00—Network arrangements, protocols or services for addressing or naming
- H04L61/50—Address allocation
- H04L61/5007—Internet protocol [IP] addresses
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G10L17/06—Decision making techniques; Pattern matching strategies
- G10L17/10—Multimodal systems, i.e. based on the integration of multiple recognition engines or fusion of expert systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2101/00—Indexing scheme associated with group H04L61/00
- H04L2101/30—Types of network names
- H04L2101/37—E-mail addresses
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本公开提供用于用户身份验证的设备、方法和系统。该设备包括:处理器和包括计算机程序代码的存储器,其被配置为使该设备:获得与用户相关联的一组用户数据,用户数据包括生物特征数据和个人信息,生物特征数据包括面部图像,个人信息包括电子邮件地址、名字、电话号码、互联网协议IP地址和/或设备识别码;基于用户的面部图像,在历史用户数据库中进行面部搜索;如果面部搜索返回无结果,将该用户标识为新用户,如果面部搜索返回一个或多个历史用户的相似面部,检索历史用户的列表和对应个人信息,通过量化列表中每个历史用户的个人信息与用户的个人信息之间的相似度,生成相似度得分;将该用户标识为列表中的具有最高相似度得分的历史用户。
Description
技术领域
本文广泛地但非排他地涉及基于生物特征的用户身份验证的方法和设备。
背景技术
电子钱包(Electronic wallet或e-wallet)相关的金融服务在全球范围内受到严格的监管。例如,许多国家和地区的监管机构对个人可以在同一电子钱包服务提供商处注册的账户的数量设置了限制,以防止洗钱和欺诈等金融风险。因此,电子钱包服务提供商或者其他金融或非金融机构需要进行身份验证来验证其用户的身份,以遵守规定并防止金融风险。
当前,用户的身份主要通过向该用户提供的移动电话号码发送的短消息服务(SMS)一次性密码(OTP)或向该用户提供的电子邮件账户发送的验证电子邮件来验证。但是,这些身份验证不准确,因为电话号码、电子邮件地址或类似信息无法唯一地标识一个人。例如,一个人可以购买多个电话号码或注册多个电子邮件账户,并使用这些电话号码或电子邮件账户在电子钱包平台上以不同的名字注册不同的电子钱包账户。通过目前基于电话号码或基于电子邮件地址的身份验证,电子钱包平台可能将使用不同名字的同一个人验证为不同的用户,因为电话号码或电子邮件账户是有效的。这种不准确的身份验证将导致电子钱包平台批准不同的电子钱包账户的注册,进而将导致金融风险。
因此,需要提供可以提高用户身份验证的准确性的设备、方法和系统,以防止欺诈并降低金融风险。
发明内容
根据本公开的第一实施例,提供了一种用于用户身份验证的设备。该设备包括处理器和包括计算机程序代码的存储器。所述存储器和所述计算机程序代码被配置为与所述处理器一起使得所述设备执行以下操作:获得与用户相关联的一组用户数据,所述用户数据包括所述用户的生物特征数据和个人信息,其中,所述生物特征数据包括所述用户的面部图像,所述个人信息包括所述用户的电子邮件地址、名字、电话号码、互联网协议IP地址、和/或设备识别码;基于所述用户的面部图像,在历史用户数据库中进行面部搜索;如果所述面部搜索返回无结果,则将所述用户标识为新用户,以及如果所述面部搜索返回一个或多个历史用户的相似面部,检索获取所述历史用户的列表和对应的个人信息,通过量化所述列表中每个历史用户的个人信息与所述用户的个人信息之间的相似度,生成相似度得分,以及将所述用户标识为所述历史用户的列表中具有最高相似度得分的历史用户。
根据本公开的第二实施例,提供了一种计算机实现的用于用户身份验证的方法。所述方法包括:获得与用户相关联的一组用户数据,所述用户数据包括所述用户的生物特征数据和个人信息,其中,所述生物特征数据包括所述用户的面部图像,所述个人信息包括所述用户的电子邮件地址、名字、电话号码、互联网协议IP地址、和/或设备识别码;基于所述用户的面部图像,在历史用户数据库中进行面部搜索;如果所述面部搜索返回无结果,则将所述用户标识为新用户,以及如果所述面部搜索返回一个或多个历史用户的相似面部,检索获取所述历史用户的列表和对应的个人信息,通过量化所述列表中每个历史用户的个人信息与所述用户的个人信息之间的相似度,生成相似度得分,以及将所述用户标识为所述历史用户的列表中具有最高相似度得分的历史用户。
根据本公开的第三实施例,提供了一种用于用户身份验证的系统。所述系统包括:输入设备,被配置为输入用户数据;用户身份验证设备,被配置为:从所述输入设备获得与用户相关联的一组用户数据,所述用户数据包括所述用户的生物特征数据和个人信息,其中,所述生物特征数据包括所述用户的面部图像,所述个人信息包括所述用户的电子邮件地址、名字、电话号码、互联网协议IP地址、和/或设备识别码;基于所述用户的面部图像,在历史用户数据库中进行面部搜索;如果所述面部搜索返回无结果,则将所述用户标识为新用户,以及如果所述面部搜索返回一个或多个历史用户的相似面部,检索获取所述历史用户的列表和对应的个人信息,通过量化所述列表中每个历史用户的个人信息与所述用户的个人信息之间的相似度,生成相似度得分,以及将所述用户标识为所述历史用户的列表中具有最高相似度得分的历史用户;以及通信设备,被配置为向所述用户发送用户身份验证结果。
附图说明
实施例和实施方式仅以示例的方式提供,对于本领域的普通技术人员来说,根据以下书面描述并结合附图阅读,所述实施例和实施方式将得到更好地理解并易于显现,其中:
图1是根据实施例的用于用户身份验证的设备的示意图。
图2是根据实施例的用于用户身份验证的系统的示意图。
图3是根据实施例的用于用户身份验证的方法的流程图。
图4是根据实施例的示出历史用户数据库中的两个用户身份图的示例图。
图5示出了计算机系统的框图,该计算机系统适合用作图1所示的示例性设备以及图2所示的示例性系统,用以执行根据图3至图4所示的实施例的用户身份验证方法的至少一些步骤。
技术人员将理解,图中的元素是为了简洁和清楚而示出的,并且不一定按比例绘制。例如,插图、框图或流程图中的一些元素的尺寸可能相对于其他元素被夸大,以帮助提升对本实施例的理解。
具体实施方式
将仅通过示例的方式,参考附图来描述实施例。附图中相同的附图标记和符号表示相同的元素或等同物。
下面描述的一些部分是以计算机存储器内的算法和对数据的操作的函数或符号表示来明确或隐含地呈现的。这些算法描述和函数或符号表示是数据处理领域的技术人员用来最有效地向本领域其他技术人员传达其工作实质的手段。在这里,算法通常被认为是达到期望结果的自洽的步骤序列。这些步骤是需要对物理量(例如,能够被存储、传输、组合、比较和以其他方式操纵的电、磁或光信号)进行物理操纵的步骤。
除非另有明确说明,并且从以下内容显见,将理解的是,在整个说明书中,利用诸如“获得”、“进行”、“标识”、“检索”、“量化”、“提取”、“聚类”、“分组”、“索引”、“构造”、“搜索”、“定位”、“创建”、“计算”、“求和”、“输入”、“输出”等的术语,指的是计算机系统或类似电子设备的动作和处理,它们将计算机系统内的表示为物理量的数据操纵和转换为计算机系统或其他信息存储、传输或显示设备内的类似地表示为物理量的其他数据。
本说明书还公开了用于执行所述方法的操作的装置。这样的装置可以被特殊地构造用于所需的目的,或者可以包括计算机或由存储在计算机中的计算机程序选择性地激活或重新配置的其他设备。本文介绍的算法和显示与任何特定计算机或其他装置都没有内在联系。根据本文的教导,各种机器可以与程序一起使用。可替代地,用于执行所需方法步骤的更专业化的装置的构造可能是合适的。适合于执行本文描述的各种方法/处理的计算机的结构将通过下面的描述呈现。
此外,本说明书还隐含地公开了一种计算机程序,因为对于本领域技术人员而言显见的是,本文所述方法的各个步骤可以通过计算机代码来实现。该计算机程序不旨在限于任何特定的编程语言及其实施方式。将理解的是,各种编程语言及其代码可以用于实现本文所包含的本公开的教导。而且,该计算机程序不旨在限于任何特定的控制流程。计算机程序还有许多其他变体,可以使用不同的控制流,而不会脱离本文的范围。
此外,计算机程序的一个或多个步骤可以并行地而不是依次地执行。这样的计算机程序可以存储在任何计算机可读介质上。计算机可读介质可以包括诸如磁盘或光盘的存储设备、存储器芯片、或适合于与计算机接口的其他存储设备。计算机可读介质还可以包括诸如在互联网系统中例示的硬连线介质、或诸如在GSM移动电话系统中例示的无线介质。该计算机程序在这样的计算机上加载并执行时,有效地产生了实现优选方法的步骤的装置。
本公开的实施例提供了利用生物特征数据的设备、方法和系统,该生物特征数据是用户身份的唯一且直接的指示,作为提高用户身份验证的准确性的关键因素。通过使用基于生物特征的用户身份验证结合基于个人信息的相似度量化,本申请的设备、方法和系统可以准确地将以不同的电话号码、电子邮件账户或其他不同的个人信息使用不同的名字在不同的时间点向金融服务提供商注册不同的账户的同一个人验证为同一用户,由此识别可疑用户和账户并为金融服务提供商标记异常,以降低风险并避免欺诈。
生物特征数据是指用于标记和描述个体的独特、可测量的特征,包括生理特征和行为特征。生理特征与个人的身体有关,包括面部识别、虹膜识别、视网膜、指纹、手掌静脉、掌纹、手部几何形状、气味/体味等。行为特征与个人的行为模式有关,包括声纹、打字节奏、步态等。
在本公开中,提供了关于诸如面部图像的生物特征数据的实施例。对于本领域技术人员而言,可以理解的是,如上所述的其他类型的生物特征数据也可以在本文所述的设备和方法中使用。
图1示出了根据本公开的实施例的用于用户身份验证的设备100的示意图。设备100至少包括处理器102和存储器104。处理器102和存储器104是互连的。存储器104包括计算机程序代码(图1中未示出)。存储器104和计算机程序代码被配置为与处理器102一起,使设备100执行如本公开中所描述的用于用户身份验证的步骤。下面将参考图3描述步骤的细节,图3描绘了示出根据实施例的用于用户身份验证的方法300的流程图。
根据实施例,用于用户身份验证的设备100可以被实现为如图2中所示的用于用户身份验证的示例性系统200中的用户身份验证设备204。用户身份验证设备204可以在金融服务提供商或需要用户身份验证的任何组织的服务器中实现。
如图2所示,除了用户身份验证设备204外,系统200还可以包括输入设备202、输出设备206和通信设备212。通信设备212可以耦接到输入设备202、输出设备206和用户身份验证设备204。系统200可以被实现为金融服务提供商或需要用户身份验证的任何组织的服务器。
输入设备202可以包括可以从金融服务的系统200的管理员(未示出)接收输入的照相机、麦克风、键盘、鼠标、手写笔等中的一个或多个。输出设备206可以包括将输出呈现给管理员的视觉显示单元(监视器)、扬声器等中的一个或多个。
在一些实施例中,当用户正在向金融服务提供商注册账户时,输入设备202和通信设备212可以方便金融服务提供商的系统200的管理员,除了在下文描述并且在图3和图4中示出的用于用户身份验证的方法外,进行人工观察以验证用户的身份。这样的人工观察可以是可选的和/或附加的步骤,以标识用户来达到反欺骗(anti-spoofing)的目的。例如,管理员可以使用通信设备212来发起218与用户通过使用其设备216进行的实时视频聊天,并使用输入设备202要求该用户做随机的面部表情。然后,该用户的面部表情可以在输出设备206上显示给管理员,以供管理员确定该用户提供的面部图像是否为伪造图像。系统200的管理员与用户之间的这种实时视频聊天可以是经由基站214或经由互联网连接通信。
在图3至图4中描绘了用户身份验证设备204用于验证用户身份的方法的示例。当用户向金融服务提供商注册账户时,位于金融服务提供商的系统200处的用户身份验证设备204被配置为至少执行如图3所示的以下步骤以验证用户的身份:
-302:获得与用户相关联的一组用户数据,该用户数据包括该用户的生物特征数据和个人信息,其中,该生物特征数据包括该用户的面部图像,该个人信息包括该用户的电子邮件地址、名字、电话号码、互联网协议(IP)地址、和/或设备识别码;
-304:基于该用户的面部图像,在历史用户数据库中进行面部搜索;
-306:如果该面部搜索返回无结果,则将该用户标识为新用户,以及
如果该面部搜索返回一个或多个历史用户的相似面部,
检索获取所述历史用户的列表和对应的个人信息,
通过量化列表中每个历史用户的个人信息与该用户的个人信息之间的相似度,生成相似度得分,以及
将该用户标识为历史用户的列表中具有最高相似度得分的历史用户。
上述步骤的细节将在以下段落中参考图3和图4描述。
再次参考图2,用户身份验证设备204可以包括历史用户数据库208,历史用户数据库208存储如上所述的金融服务提供商或其他组织的历史用户的用户数据。历史用户包括在金融服务提供商处已注册账户的用户。这些历史用户可以具有存储在金融服务提供商的历史用户数据库208中的相应用户简档。
每个用户简档包括与相应历史用户相关联的一组用户数据。对于历史用户,用户数据是由用户身份验证设备204在历史用户注册账户时获得的。用户数据包括生物特征数据和个人信息。
在一些实施例中,生物特征数据可以包括历史用户的面部图像、虹膜图像、声纹等。这样的生物特征数据可以由历史用户的设备的照相机或麦克风捕获,并根据来自用户身份验证设备204的请求所提示的发送到用户身份验证设备204,或者可以从历史用户的数字照片和视频相册或历史用户的设备的录音机上传到用户身份验证设备204。
存储在历史用户数据库208中的生物特征数据可用作用户身份验证设备204的机器学习训练数据,以学习生物特征识别来用于后续的用户身份验证。
例如,在步骤302之前,用户身份验证设备204可以使用卷积神经网络(CNN)学习方法提取历史用户数据库208中的历史用户的面部图像的面部特征向量。对于本领域技术人员而言,可以理解的是,其他机器学习方法可以用于提取面部特征向量。
卷积神经网络(CNN或ConvNet)是一种深度学习方法。CNN学习模型包括AlexNet、VGG、LeNet、GoogLeNet、ResNet等。本公开的实施例使用这些模型来将存储在历史用户数据库208中的历史用户的面部图像作为输入,并根据这些历史用户的面部图像学习面部图案。
面部图案通常包括以下面部特征。对于本领域技术人员而言,可以理解的是,以下的面部特征的列表并不详尽,并且可以基于实际需要而包括其他特征
-眼睛大小;
-肤色;
-面部图像中的脸高和脸宽;
-脸高与脸宽之比;
-面部嘴唇的宽度;
-面部鼻子的高度;
-是否戴眼镜;
-眼镜的宽度;
-发色;
-眉色;
-耳朵形状;
-等等
对于学习面部图案的CNN学习方法,上述面部特征被转换为数字以形成面部的数字化表示。这种面部的数字化表示被称为面部特征向量。
基于实际需要,面部特征向量可以包括任意数量的数字化面部特征,并且这些数字化面部特征可以按任何特定的顺序。例如,面部特征向量可以包括512个面部特征以描述面部。512个面部特征中的每个特征被视为向量的维度。这样的512维向量可以采用数字数组的形式,例如[1,1,0,1,0,0,0,1,……]。例如,可以指定第一个数字来描述眼睛的大小,用1表示大眼睛,用0表示小眼睛。可以指定第二个数字来描述肤色,用1表示白皙肤色,用0表示深色肤色。其余数字可以被类似地指定。
在一些实施例中,用户身份验证设备204使用CNN学习方法来提取历史用户的面部图像的面部特征向量。以此方式,面部识别可以由用户身份验证设备204学习。
类似地,用户身份验证设备204可以使用CNN学习方法来提取历史用户的虹膜图像的虹膜特征向量或从历史用户的声纹中提取语音特征向量,作为替代或附加的生物特征识别。
此后,用户身份验证设备204对面部图像的面部特征向量进行聚类,以将历史用户分组为多个历史用户集群。在一些实施例中,用户身份验证设备204使用K-means来对面部特征向量进行聚类。以这种方式,具有相似面部的历史用户将被聚类在一起,并且两个相似的面部特征向量之间的相似度可以通过该两个面部特征向量之间的距离来表示。
此后,用户身份验证设备204索引多个历史用户集群。多个历史用户集群的索引可以被存储在用户身份验证设备204中来构造面部搜索索引数据库210,以促进后续的面部搜索。面部搜索索引数据库210可以被构造为耦接到历史用户数据库208的单独的数据库210。在一些替代的实施例中,面部搜索索引数据库210可以被构造为历史用户数据库208的一部分。
历史用户的生物特征数据的上述处理,例如,历史用户的面部图像的面部特征向量的提取、面部特征向量的聚类以及多个历史用户集群的索引的存储,可以由用户身份验证设备204在步骤302之前执行。
在一些实施例中,个人信息可以包括一个或多个数据属性,例如,历史用户的电子邮件地址、名字、电话号码、出生日期、居住地址、工作地址、收入来源、身份(ID)号码、互联网协议(IP)地址、历史用户设备的设备识别码等。对于本领域的技术人员来说,可以理解的是,上述个人信息的列表并不详尽,并且可以包括其他数据属性。
在一些实施例中,历史用户的电子邮件地址、名字、电话号码、出生日期、居住地址、工作地址、收入来源和ID号码可以由用户提供给用户身份验证设备204。在一些实施例中,历史用户设备的IP地址和设备识别码可以由系统200的设备(未示出)捕获,然后转发给用户身份验证设备204,或者可以直接由用户身份验证设备204的设备(未示出)捕获。
在一些实施例中,在步骤302之前,用户身份验证设备204可以将历史用户的用户数据创建为历史用户数据库208中的身份图。在图4中示出了两个示例性身份图402、452。如图4所示,每个身份图402、452可以包括历史用户数据库208中的历史用户A的面部图像404和历史用户B的面部图像454,以及基于历史用户A、B的个人信息的历史用户A的子图406和历史用户B的子图456a。历史用户A、B的个人信息包括数据属性,例如,用户A的名字408、用户A的电话号码410、用户A的居住地址412、用户A的电子邮件地址414、用户A的设备的用户A的设备识别码416、用户A的IP地址418,用户B的名字458a、用户B的电话号码460a、用户B的居住地址462a、用户B的电子邮件地址464a、用户B的设备的用户B的设备识别码466a和用户B的IP地址468a。
在历史用户B更新他/她的个人信息(例如,电话号码或电子邮件地址)的情况下,子图456a可被更新以添加数据属性(未示出)来存储更新的个人信息。可替代地,新的子图456b可以基于历史用户B的更新的个人信息以及链接到历史用户B的面部图像454来创建,历史用户B的更新的个人信息包括诸如用户B的更新的名字458b、用户B的更新的电话号码460b、用户B的更新的居住地址462b、用户B的更新的电子邮件地址464b、用户B的设备的用户B的更新的设备识别码466b以及用户B的更新的IP地址468b之类的数据属性。子图456b中的用户B的更新的个人信息中的一个或多个数据属性可以与子图456a中的用户B的个人信息中的一个或多个数据属性相同。
鉴于以上,每个身份图可以包括与历史用户数据库208中的历史用户相对应的面部图像以及基于该历史用户的个人信息的该历史用户的一个或多个子图。
以上针对历史用户的身份图的创建可以由用户身份验证设备204在步骤302之前执行。
在步骤302,用户身份验证设备204获得与当前正在注册账户的用户相关联的一组用户数据。与历史用户的用户数据类似,当前正在注册账户的用户的用户数据包括当前正在注册账户的用户的生物特征数据和个人信息。例如,生物特征数据可以包括用户的面部图像、虹膜图像、声纹等,这些可以由用户设备的照相机或麦克风捕获并根据来自用户身份验证设备204的请求所提示的发送到用户身份验证设备204,或者可以从该用户的数字照片和视频相册或该用户设备的录音机上传到用户身份验证设备204。
类似地,当前正在注册账户的用户的个人信息可以包括一个或多个数据属性,例如,该用户的电子邮件地址、名字、电话号码、出生日期、居住地址、工作地址、收入来源、身份(ID)号码、互联网协议(IP)地址、用户设备的设备识别码等。对于本领域的技术人员来说,可以理解的是,上述个人信息的列表并不详尽,并且可以包括其他数据属性。
在一些实施例中,用户的电子邮件地址、名字、电话号码和居住地址可以由用户提供给用户身份验证设备204。在一些实施例中,历史用户的设备的IP地址和设备识别码可以由系统200的设备(未示出)捕获,然后转发给用户身份验证设备204,或者可以由用户身份验证设备204的设备直接捕获(未示出)。
在步骤304,用户身份验证设备204基于当前正在注册账户的用户的面部图像在历史用户数据库208中进行面部搜索。
在一些实施例中,在进行面部搜索时,用户身份验证设备204被配置为提取当前正在注册账户的用户的面部图像的面部特征向量。面部特征向量的提取可以使用如上所述的用于提取历史用户的面部特征向量的CNN学习方法来完成。
此后,用户身份验证设备204可以在面部搜索索引数据库210中搜索当前正在注册账户的用户的面部图像的面部特征向量。
基于在面部搜索索引数据库210处对面部特征向量的搜索,用户身份验证设备204可以定位一个或多个历史用户的相似面部,这些历史用户的面部特征向量与当前正在注册账户的用户的面部特征向量的相似度最高。在一些示例中,如上所述,相似度最高的面部特征向量可以各自与当前正在注册账户的用户的面部特征向量具有低于阈值的距离。
在步骤306,如果面部搜索返回无结果,则用户身份验证设备204将该用户标识为新用户。在这种情况下,用户身份验证设备204随后可以通过将用户的子图链接到该用户的面部图像来创建新用户的身份图。可以按照与上文所述和图4中所示的历史用户的一个或多个子图类似的方式创建用户的子图。然后,可以为该新用户注册账户。新用户的身份图可以存储到历史用户数据库208中。面部搜索索引数据库210可以被更新以包括该用户的面部图像的面部特征向量。
在步骤306,如果面部搜索返回一个或多个历史用户的相似面部,则用户身份验证设备204检索获取这些历史用户的列表及其对应的个人信息。如上所述,该列表中的历史用户所具有的一个或多个相似面部可以具有与当前正在注册账户的用户的面部特征向量相似度最高的面部特征向量。
关于历史用户的列表,用户身份验证设备204通过量化列表中的每个历史用户的个人信息与当前正在注册账户的用户的个人信息之间的相似度,为每个历史用户生成相似度得分。
在量化列表中的历史用户的个人信息与当前正在注册账户的用户的个人信息之间的相似度的一些实施例中,用户身份验证设备204基于用户的个人信息创建该用户的子图。该用户的子图可以类似于如图4所示的历史用户的一个或多个子图。
此后,用户身份验证设备204计算该用户的子图中的个人信息与历史用户的一个或多个子图中的对应个人信息的相关度(relevancy)。例如,可以通过确定历史用户的个人信息中的相应数据属性与当前正在注册账户的用户的个人信息中的相应数据属性之间的相似度来计算相关度。基于实际需求,个人信息中的每个数据属性被分配有相应的权重。这样,个人信息的相关度是加权的。
随后,可以由用户身份验证设备204对加权相关度进行合计,以确定历史用户的相似度得分。例如,所述合计可以通过以下方式来执行:对历史用户的一个或多个子图中的每个数据属性的加权相关度进行求和,以确定历史用户的相似度得分;或者,计算历史用户的一个或多个子图中的每个数据属性的平均加权相关度,并将所有平均加权相关度组合在一起,以确定历史用户的相似度得分。
在生成了列表中所有历史用户的相似度得分之后,用户身份验证设备204将当前正在注册账户的用户标识为历史用户的列表中具有最高相似度得分的历史用户。在这种情况下,用户身份验证设备204可以检查所标识的历史用户的身份图,以确定所标识的历史用户在历史用户数据库208中拥有的账户数量。如果所标识的历史用户的账户数量低于限制(例如,5个),则用户身份验证设备204可以继续为所标识的历史用户注册新账户。否则,用户身份验证设备204可以拒绝为所标识的历史用户注册新账户。然后,所标识的历史用户的身份图可以通过将该用户的子图链接到所标识的历史用户的面部图像而在历史用户数据库208中更新。该用户的面部图像可以被包括(图4中未示出)在所标识的历史用户的身份图中。面部搜索索引数据库210可以被更新以包括该用户的面部图像的面部特征向量。
在一些实施例中,仅当最高相似度得分超过阈值时,用户身份验证设备204才可以将用户标识为具有最高相似度得分的历史用户。
另外,当用户身份验证设备204因为所标识的历史用户的账户数量不小于(例如,等于或多于)限制(例如,5个)而拒绝为所标识的历史用户注册新账户时,用户身份验证设备204可以在所标识的历史用户的身份图中标记异常。所标识的历史用户及他/她拥有的账户可以被标记为可疑,以供金融服务提供商进行密切监控和风险控制管理。
以上述方式,本申请的设备、方法和系统可以准确地将使用不同电话号码或电子邮件地址向金融服务提供商注册不同账户的同一个人验证为同一用户,即使所述不同账户是在不同时间点注册的。与传统的基于电话号码或电子邮件地址的身份验证相比,本申请的设备、方法和系统有利地提高了身份验证准确性,这促进了金融服务提供商自动识别可疑用户和账户,从而降低风险并避免欺诈。
基于在步骤306标识的身份验证结果,用户身份验证设备204随后可以经由通信设备将用户身份验证结果发送218到用户的设备216。用户身份验证结果可以是系统通知消息的格式,同时指示是否注册了新账户以及如果注册了新账户,则指示新账户号。对于本领域的技术人员而言,可以理解的是,基于实际需要,用户身份验证结果可以是任何其他格式。例如,用户身份验证结果可以是可递送到用户提供的电话号码的SMS消息格式,或者可以是可递送到用户提供的电子邮件地址的电子邮件格式。
图4示出了两个示例性身份图402、452。身份图402、452可以存储在用户身份验证设备400的历史用户数据库中。
如上所述,每个身份图402、452可以包括历史用户数据库208中的历史用户A的面部图像404和历史用户B的面部图像454,以及基于历史用户A、B的个人信息的历史用户A、B的一个或多个子图406、456a、456b。如图4所示,历史用户A、B的个人信息包括数据属性,例如用户A的名字408、用户A的电话号码410、用户A的居住地址412、用户A的电子邮件地址414、用户A的设备的设备识别码416、用户A的IP地址418,用户B的名字458a、用户B的电话号码460a、用户B的居住地址462a、用户B的电子邮件地址464a、用户B的设备的设备识别码466a和用户B的IP地址468a。对于本领域的技术人员来说,可以理解的是,图4所示的个人信息不是穷举的。例如,历史用户A、B在金融服务提供商处持有的账户数量可以包括在一个或多个子图406、456a、456b中。
在历史用户A、B更新他/她的个人信息(例如,电话号码或电子邮件地址)或已经注册新账户的情况下,新子图可以基于历史用户A、B的更新的个人信息来创建并链接到历史用户A、B的面部图像406、456。可替代地,历史用户A、B的现有子图406、456a、456b可以被更新以添加数据属性(未显示)来存储更新的个人信息。
另外,在如上所述标识新用户并且注册新账户的情况下,新身份图将在用户身份验证设备400的历史用户数据库中创建。如上所述,新身份图将包括新用户的生物特征数据和个人数据。
图5示出了计算机系统的框图,该计算机系统适合在执行根据图3所示的实施例的用于用户身份验证的方法的至少一些步骤时用作图1所示的设备100、图2所示的用户身份验证设备204、图4所示的用户身份验证设备400、或图2所示的系统200。
以下对计算机系统/计算设备500的描述仅通过示例方式提供,而无意于进行限制。
如图5所示,示例计算设备500包括用于执行软件例程的处理器504。尽管为了清楚起见示出了单个处理器,但是计算设备500也可以包括多处理器系统。处理器504连接到用于与计算设备500的其他组件通信的通信基础设施506。通信基础设施506可以包括例如通信总线、交叉条(cross-bar)或网络。
计算设备500还包括诸如随机存取存储器(RAM)之类的主存储器508和辅助存储器510。辅助存储器510可以包括例如硬盘驱动器512和/或可移动存储驱动器514,可移动存储驱动器514可以包括磁带驱动器、光盘驱动器等。可移动存储驱动器514以众所周知的方式从可移动存储单元518读取和/或写入可移动存储单元518。可移动存储单元518可以包括被可移动存储驱动器514读取和写入的磁带、光盘等。如相关领域的技术人员将理解的,可移动存储单元518包括其中存储有计算机可执行程序代码指令和/或数据的计算机可读存储介质。
在替代实施方式中,辅助存储器510可以附加地或替代地包括用于允许将计算机程序或其他指令加载到计算设备500中的其他类似装置。这样的装置可以包括例如可移动存储单元522和接口520。可移动存储单元522和接口520的示例包括可移动存储芯片(例如,EPROM或PROM)和相关联的插槽,以及允许将软件和数据从可移动存储单元522传输到计算机系统500的其他可移动存储单元522和接口520。
计算设备500还包括至少一个通信接口524。通信接口524允许软件和数据经由通信路径526在计算设备500和外部设备之间传输。在各种实施例中,通信接口524允许数据在计算设备500和诸如公有数据或私有数据通信网络之类的数据通信网络之间传输。通信接口524可以用于在不同的计算设备500之间交换数据,这些计算设备500形成互连的计算机网络的一部分。通信接口524的示例可以包括调制解调器、网络接口(诸如以太网卡)、通信端口、具有相关电路的天线等。通信接口524可以是有线的或可以是无线的。通过通信接口524传输的软件和数据采用信号的形式,其可以是能够被通信接口524接收的电信号、电磁信号、光信号或其他信号。这些信号经由通信路径526被提供给通信接口。
可选地,计算设备500进一步包括显示器接口502和音频接口532,显示器接口502执行用于将图像提供到关联的显示器530的操作,音频接口532执行用于经由关联的扬声器534播放音频内容的操作。
如本文中所使用的,术语“计算机程序产品”可以部分地指代可移动存储单元518、可移动存储单元522、安装在硬盘驱动器512中的硬盘或将软件经由通信路径526(无线链路或电缆)运载到通信接口524的载波。计算机可读存储介质是指将所记录的指令和/或数据提供给计算设备500以供执行和/或处理的任何非暂态有形存储介质。这种存储介质的示例包括软盘、磁带、CD-ROM、DVD、Blu-rayTM光盘、硬盘驱动器、ROM或集成电路、USB存储器、磁光盘或例如PCMCIA卡的计算机可读卡等,不管这些设备是在计算设备500的内部还是外部。可能还参与向计算设备500提供软件、应用程序、指令和/或数据的暂态或非有形计算机可读传输介质的示例包括无线电或红外传输信道、以及连接到另一个计算机或网络设备的网络、和包括电子邮件传输和记录在网站上的信息的互联网或内网等。
计算机程序(也称为计算机程序代码)存储在主存储器508和/或辅助存储器510中。计算机程序也可以经由通信接口524接收。此类计算机程序在被执行时使计算设备500能够执行本文所讨论的实施例的一个或多个特征。在各种实施例中,计算机程序在被执行时使处理器504能够执行上述实施例的特征。因此,这样的计算机程序代表计算机系统500的控制器。
软件可以存储在计算机程序产品中,并使用可移动存储驱动器514、硬盘驱动器512或接口520加载到计算设备500中。可替代地,计算机程序产品可经由通信路径526下载到计算机设备500。该软件在由处理器504执行时使计算设备500执行本文描述的实施例的功能。
应当理解,图5的实施例仅以示例的方式给出。因此,在一些实施例中,计算设备500的一个或多个特征可以被省略。而且,在一些实施例中,计算设备500的一个或多个特征可以被组合在一起。此外,在一些实施例中,计算设备500的一个或多个特征可以被分成一个或多个组成部分。
本文所描述的技术产生一个或多个技术效果。特别地,本公开有利地利用生物特征数据作为关键因素来提高用户身份验证的准确性。基于生物特征身份验证,可以基于面部搜索找到一个或多个相似的历史用户。然后,通过基于个人信息的身份相似度确定来筛选面部搜索结果。以此方式,借助于如本公开中所描述的设备、系统和方法,大大提高了用户身份验证的可靠性和鲁棒性。有利地,可以由此将使用不同电话号码或电子邮件地址向金融服务提供商注册不同账户的同一个人标识为同一用户。与常规的基于电话号码或电子邮件地址的身份验证相比,本申请中的设备、方法和系统提高了身份验证准确性,这有助于金融服务提供商自动识别可疑用户和账户,从而降低风险并避免欺诈。
本领域技术人员将理解,可以对具体实施例中所示的本公开进行多种变化和/或修改,而不脱离宽泛描述的本说明书的范围。因此,本实施例在所有方面都应被认为是说明性的而非限制性的。
Claims (19)
1.一种用于用户身份验证的设备,所述设备包括:
处理器;以及
存储器,包括计算机程序代码;
所述存储器和所述计算机程序代码被配置为与所述处理器一起使得所述设备执行以下操作:
获得与用户相关联的一组用户数据,所述用户数据包括所述用户的生物特征数据和个人信息,其中,所述生物特征数据包括所述用户的面部图像,所述个人信息包括所述用户的电子邮件地址、名字、电话号码、互联网协议IP地址、和/或设备识别码;
基于所述用户的面部图像,在历史用户数据库中进行面部搜索;
如果所述面部搜索返回无结果,则将所述用户标识为新用户,以及
如果所述面部搜索返回一个或多个历史用户的相似面部,
检索获取所述历史用户的列表和对应的个人信息,
通过量化所述列表中每个历史用户的个人信息与所述用户的个人信息之间的相似度,生成相似度得分,以及
将所述用户标识为所述历史用户的列表中具有最高相似度得分的历史用户。
2.根据权利要求1所述的设备,其中,还使得所述设备执行以下操作:
使用卷积神经网络CNN学习方法,提取所述历史用户数据库中的所述历史用户的面部图像的面部特征向量;
对所述面部特征向量进行聚类,以将所述历史用户分组为多个历史用户集群;以及
存储所述多个历史用户集群的索引,以构建面部搜索索引数据库。
3.根据权利要求2所述的设备,其中,在进行所述面部搜索时,使得所述设备执行以下操作:
使用所述CNN学习方法提取所述用户的面部图像的面部特征向量;
在所述面部搜索索引数据库中搜索所述用户的面部图像的面部特征向量;以及
定位一个或多个历史用户的相似面部,其中,所述一个或多个历史用户的相似面部的面部特征向量与所述用户的面部特征向量的相似度最高。
4.根据权利要求1所述的设备,其中,还使得所述设备执行以下操作:
基于所述历史用户的用户数据,在所述历史用户数据库中为所述历史用户创建身份图;
其中,所述历史用户的用户数据包括所述历史用户的生物特征数据和个人信息,所述生物特征数据包括所述历史用户的面部图像,所述个人信息包括所述历史用户的电子邮件地址、名字、电话号码、IP地址和/或设备识别码,以及
其中,每个所述身份图包括与所述历史用户数据库中的历史用户对应的面部图像以及所述历史用户的基于所述历史用户的个人信息的一个或多个子图。
5.根据权利要求4所述的设备,其中,当量化所述列表中的历史用户的个人信息与所述用户的个人信息之间的相似度时,使得所述设备执行以下操作:
基于所述用户的个人信息,为所述用户创建子图;
计算所述用户的子图中的个人信息与所述历史用户的子图中的相应个人信息之间的相关度,每个个人信息对应一个权重;以及
对加权的相关度进行合计以确定相对于所述历史用户的相似度得分。
6.根据前述权利要求中任一项所述的设备,其中,仅当所述最高相似度得分超过阈值时,才使得所述设备将所述用户标识为具有所述最高相似度得分的历史用户。
7.根据权利要求5所述的设备,其中,如果所述用户被标识为新用户,则使得所述设备执行以下操作:
为所述用户注册新账户;以及
通过将所述用户的子图链接到所述用户的面部图像,为所述用户创建身份图。
8.根据权利要求5所述的设备,其中,如果所述用户被标识为所述历史用户的列表中具有最高相似度得分的历史用户,则使得所述设备执行以下操作:
确定所述标识的历史用户在所述历史用户数据库中持有的账户的数量;
如果所述账户的数量小于限制,则为所述标识的历史用户注册新账户,并将所述用户的子图链接到所述标识的历史用户的面部图像;以及
如果所述账户的数量不小于所述限制,则拒绝为所述标识的历史用户注册新账户,并在所述标识的历史用户的身份图中标记异常。
9.根据前述权利要求中任一项所述的设备,其中,所述生物特征数据还包括虹膜图像和/或声纹。
10.一种计算机实现的用于用户身份验证的方法,包括:
获得与用户相关联的一组用户数据,所述用户数据包括所述用户的生物特征数据和个人信息,其中,所述生物特征数据包括所述用户的面部图像,所述个人信息包括所述用户的电子邮件地址、名字、电话号码、互联网协议IP地址、和/或设备识别码;
基于所述用户的面部图像,在历史用户数据库中进行面部搜索;
如果所述面部搜索返回无结果,则将所述用户标识为新用户,以及
如果所述面部搜索返回一个或多个历史用户的相似面部,
检索获取所述历史用户的列表和对应的个人信息,
通过量化所述列表中每个历史用户的个人信息与所述用户的个人信息之间的相似度,生成相似度得分,以及
将所述用户标识为所述历史用户的列表中具有最高相似度得分的历史用户。
11.根据权利要求10所述的方法,还包括:
使用卷积神经网络CNN学习方法,提取所述历史用户数据库中的所述历史用户的面部图像的面部特征向量;
对所述面部特征向量进行聚类,以将所述历史用户分组为多个历史用户集群;以及
存储所述多个历史用户集群的索引,以构建面部搜索索引数据库。
12.根据权利要求11所述的方法,其中,所述进行面部搜索的步骤包括:
使用所述CNN学习方法提取所述用户的面部图像的面部特征向量;
在所述面部搜索索引数据库中搜索所述用户的面部图像的面部特征向量;以及
定位一个或多个历史用户的相似面部,其中,所述一个或多个历史用户的相似面部的面部特征向量与所述用户的面部特征向量的相似度最高。
13.根据权利要求10所述的方法,还包括:
基于所述历史用户的用户数据,在所述历史用户数据库中为所述历史用户创建身份图;
其中,所述历史用户的用户数据包括所述历史用户的生物特征数据和个人信息,所述生物特征数据包括所述历史用户的面部图像,所述个人信息包括所述历史用户的电子邮件地址、名字、电话号码、IP地址和/或设备识别码,以及
其中,每个所述身份图包括与所述历史用户数据库中的历史用户对应的面部图像以及所述历史用户的基于所述历史用户的个人信息的一个或多个子图。
14.根据权利要求13所述的方法,其中,所述量化所述列表中的历史用户的个人信息与所述用户的个人信息之间的相似度的步骤包括:
基于所述用户的个人信息为所述用户创建子图;
计算所述用户的子图中的个人信息与所述历史用户的子图中的相应个人信息之间的相关度,每个个人信息对应一个权重;以及
对加权的相关度进行合计以确定相对于所述历史用户的相似度得分。
15.根据权利要求10至14中任一项所述的方法,其中,仅当所述最高相似度得分超过阈值时,将所述用户标识为具有最高相似度得分的历史用户的步骤才会执行。
16.根据权利要求14所述的方法,其中,如果所述用户被标识为新用户,则所述方法还包括:
为所述用户注册新账户;以及
通过将所述用户的子图链接到所述用户的面部图像,为所述用户创建身份图。
17.根据权利要求14所述的方法,其中,如果所述用户被标识为所述历史用户的列表中具有最高相似度得分的历史用户,则所述方法还包括:
确定所述标识的历史用户在所述历史用户数据库中持有的账户的数量;
如果所述账户的数量小于限制,则为所述标识的历史用户注册新账户,并将所述用户的子图链接到所述标识的历史用户的面部图像;以及
如果所述账户的数量不小于所述限制,则拒绝为所述标识的历史用户注册新账户,并在所述标识的历史用户的身份图中标记异常。
18.根据权利要求10至17中任一项所述的方法,其中,所述生物特征数据还包括虹膜图像和/或声纹。
19.一种用于用户身份验证的系统,包括:
输入设备,被配置为输入用户数据;
用户身份验证设备,被配置为:
从所述输入设备获得与用户相关联的一组用户数据,所述用户数据包括所述用户的生物特征数据和个人信息,其中,所述生物特征数据包括所述用户的面部图像,所述个人信息包括所述用户的电子邮件地址、名字、电话号码、互联网协议IP地址、和/或设备识别码;
基于所述用户的面部图像,在历史用户数据库中进行面部搜索;
如果所述面部搜索返回无结果,则将所述用户标识为新用户,以及
如果所述面部搜索返回一个或多个历史用户的相似面部,
检索所述历史用户的列表和对应的个人信息,
通过量化所述列表中每个历史用户的个人信息与所述用户的个人信息之间的相似度,生成相似度得分,以及
将所述用户标识为所述历史用户的列表中的、具有在所述历史用户的列表的相似度得分中的最高相似度得分的历史用户;以及
通信设备,被配置为向所述用户发送用户身份验证结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10202000100YA SG10202000100YA (en) | 2020-01-06 | 2020-01-06 | Biometric based user identity verification |
SG10202000100Y | 2020-01-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330322A true CN112330322A (zh) | 2021-02-05 |
Family
ID=72355633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011169703.9A Pending CN112330322A (zh) | 2020-01-06 | 2020-10-28 | 用于用户身份验证的设备、方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10997609B1 (zh) |
CN (1) | CN112330322A (zh) |
MY (1) | MY194497A (zh) |
PH (1) | PH12020050512A1 (zh) |
SG (1) | SG10202000100YA (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177795A (zh) * | 2021-06-10 | 2021-07-27 | 支付宝(杭州)信息技术有限公司 | 一种身份识别方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220124090A1 (en) * | 2020-10-20 | 2022-04-21 | Bank Of America Corporation | Identity verification through a centralized biometric database |
US11488178B2 (en) * | 2020-11-01 | 2022-11-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for verifying digital payments |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902961A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别方法及装置 |
US20150161460A1 (en) * | 2011-06-07 | 2015-06-11 | Accenture Global Services Limited | Biometric authentication technology |
CN108416334A (zh) * | 2018-04-13 | 2018-08-17 | 小草数语(北京)科技有限公司 | 身份校验方法、装置及设备 |
CN109063692A (zh) * | 2018-09-04 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种人脸识别方法和装置 |
CN110443098A (zh) * | 2018-05-04 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 身份验证系统、方法、装置和计算机可读存储介质 |
CN110619253A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 身份识别的方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070162337A1 (en) * | 2005-11-18 | 2007-07-12 | Gary Hawkins | Method and system for distributing and redeeming targeted offers to customers |
US10042993B2 (en) | 2010-11-02 | 2018-08-07 | Homayoon Beigi | Access control through multifactor authentication with multimodal biometrics |
CN104281842A (zh) | 2014-10-13 | 2015-01-14 | 北京奇虎科技有限公司 | 人脸图片人名识别方法和装置 |
US11275819B2 (en) * | 2018-12-05 | 2022-03-15 | Bank Of America Corporation | Generative adversarial network training and feature extraction for biometric authentication |
-
2020
- 2020-01-06 SG SG10202000100YA patent/SG10202000100YA/en unknown
- 2020-10-28 CN CN202011169703.9A patent/CN112330322A/zh active Pending
- 2020-10-30 US US17/086,280 patent/US10997609B1/en active Active
- 2020-11-18 MY MYPI2020006057A patent/MY194497A/en unknown
- 2020-12-10 PH PH12020050512A patent/PH12020050512A1/en unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150161460A1 (en) * | 2011-06-07 | 2015-06-11 | Accenture Global Services Limited | Biometric authentication technology |
CN103902961A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别方法及装置 |
CN108416334A (zh) * | 2018-04-13 | 2018-08-17 | 小草数语(北京)科技有限公司 | 身份校验方法、装置及设备 |
CN110443098A (zh) * | 2018-05-04 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 身份验证系统、方法、装置和计算机可读存储介质 |
CN110619253A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 身份识别的方法和装置 |
CN109063692A (zh) * | 2018-09-04 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种人脸识别方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177795A (zh) * | 2021-06-10 | 2021-07-27 | 支付宝(杭州)信息技术有限公司 | 一种身份识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
SG10202000100YA (en) | 2020-07-29 |
MY194497A (en) | 2022-11-30 |
PH12020050512A1 (en) | 2021-07-26 |
US10997609B1 (en) | 2021-05-04 |
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 | |
US11973877B2 (en) | Systems and methods for secure tokenized credentials | |
CN107704834B (zh) | 微表情面审辅助方法、装置及存储介质 | |
CN112330322A (zh) | 用于用户身份验证的设备、方法和系统 | |
WO2020024398A1 (zh) | 生物特征辅助支付方法、装置、计算机设备及存储介质 | |
CN108717663B (zh) | 基于微表情的面签欺诈判断方法、装置、设备及介质 | |
US10482335B1 (en) | ATM with biometric security | |
JP2017524998A (ja) | 本人照合を行うための方法およびシステム | |
US20160071110A1 (en) | Payment system that reduces or eliminates the need to exchange personal information | |
CN111861240A (zh) | 可疑用户识别方法、装置、设备及可读存储介质 | |
US20200218772A1 (en) | Method and apparatus for dynamically identifying a user of an account for posting images | |
US20160071071A1 (en) | Payment system that reduces or eliminates the need to exchange personal information | |
US20230410220A1 (en) | Information processing apparatus, control method, and program | |
US20220414087A1 (en) | Method and system for generating digital identity information on blockchain | |
CN110096859A (zh) | 用户验证方法、装置、计算机设备及计算机可读存储介质 | |
JP5812505B2 (ja) | マルチモーダル情報に基づく人口学的分析方法及びシステム | |
CN113656761A (zh) | 基于生物识别技术的业务处理方法、装置和计算机设备 | |
US11430283B2 (en) | Methods and systems for delivering a document | |
US20160071109A1 (en) | Payment system that reduces or eliminates the need to exchange personal information | |
CN107656959A (zh) | 一种留言方法、装置及留言设备 | |
JP2023530893A (ja) | データ処理および取引決定システム | |
CN117095436A (zh) | 企业员工信息智能管理系统及其方法 | |
WO2023192808A1 (en) | Authentication of age, gender, and other biometric data from live images of users | |
CN116226817A (zh) | 身份识别方法、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 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |
|
RJ01 | Rejection of invention patent application after publication |