CN112434547B - 一种用户身份稽核方法和设备 - Google Patents
一种用户身份稽核方法和设备 Download PDFInfo
- Publication number
- CN112434547B CN112434547B CN201910791825.2A CN201910791825A CN112434547B CN 112434547 B CN112434547 B CN 112434547B CN 201910791825 A CN201910791825 A CN 201910791825A CN 112434547 B CN112434547 B CN 112434547B
- Authority
- CN
- China
- Prior art keywords
- image
- audited
- feature vector
- user
- face feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 235
- 238000012549 training Methods 0.000 claims description 34
- 238000012550 audit Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 19
- 238000012512 characterization method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000007689 inspection Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种用户身份稽核方法和设备，该方法包括：获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。通过本实施例能够提高用户身份稽核的效率。
Description
技术领域
本发明涉及通讯领域，尤其涉及一种用户身份稽核方法及设备。
背景技术
目前在特定的应用需求下需要实行实名制的制度，比如在运营商新用户开户时或者酒店入住登记等业务时，需要用户提供自身的身份证照片，并同时需要现场拍摄一张用户照片对用户进行身份稽核，用户通过身份稽核的标准为：现场拍摄的必须是真人照，而非翻拍图片，且现场拍摄的照片需与身份证照片为同一人。
现有的对于用户身份稽核的方法中，针对翻拍照片的识别方法通常为：在摄像头采集人脸图像的过程中，要求用户在摄像头前做出指定动作，从而来判断现场采集的照片是否为翻拍图片，此种方法不仅在翻拍图片识别过程中增加图像的采集时间，也增加了系统资源，从而导致用户身份稽核的效率降低。
发明内容
本发明实施例的目的是提供一种用户身份稽核方法和设备，能够提高用户身份稽核的效率。
为解决上述技术问题，本发明实施例是这样实现的：
第一方面，本发明实施例提供了一种用户身份稽核方法，包括：
获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
第二方面，本发明实施例提供了一种用户身份稽核装置，包括：
特征向量提取模块，用于获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
翻拍图像判断模块，用于根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
用户图像判断模块，用于根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
稽核结果确定模块，用于根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
第三方面，本发明实施例提供了一种用户身份稽核方法，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述第一方面所述的用户身份稽核方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的用户身份稽核方法的步骤。
本发明实施例中，根据提取的待稽核用户的人脸特征向量和图像深度特征向量，在预设的图像翻拍判断模型中判断待稽核图像是否为翻拍图像，得到第一结果，根据待稽核用户的身份表征图像和待稽核图像的人脸特征向量判断待稽核用户是否为待稽核图像对应的用户，得到第二结果，根据第一判断结果和第二判断结果，确定用户身份稽核结果。本发明实施例通过获取待稽核用户的身份表征图像和待稽核图像，通过提取特征向量的方式代入预设的模型中进行用户身份稽核，在获取待稽核图像过程中只需要获取一张待稽核图片，不需要用户做特定的动作获取其他图像，从而提高了用户身份稽核的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的用户身份稽核方法的流程示意图；
图2为本申请一实施例提供的用户身份稽核装置的模块组成示意图；
图3为本申请一实施例提供的用户身份稽核设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
图1为本发明一实施例提供的用户身份稽核方法的流程示意图，如图1所示，该方法包括以下步骤：
S102，获取待稽核用户的身份表征图像和待稽核图像，提取待稽核图像的人脸特征向量和身份表征图像的人脸特征向量，以及，提取待稽核图像的图像深度特征向量；
S104，根据待稽核图像的人脸特征向量和待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断待稽核图像是否为翻拍图像，得到第一判断结果；
S106，根据身份表征图像的人脸特征向量和待稽核图像的人脸特征向量，判断待稽核图像对应的用户是否为待稽核用户，得到第二判断结果；
S108，根据第一判断结果和第二判断结果，确定用户身份稽核结果。
本发明实施例中，根据提取的待稽核用户的人脸特征向量和图像深度特征向量，在预设的图像翻拍判断模型中判断待稽核图像是否为翻拍图像，得到第一结果，根据待稽核用户的身份表征图像和待稽核图像的人脸特征向量判断待稽核用户是否为待稽核图像对应的用户，得到第二结果，根据第一判断结果和第二判断结果，确定用户身份稽核结果。本发明实施例通过获取待稽核用户的身份表征图像和待稽核图像，通过提取特征向量的方式代入预设的模型中进行用户身份稽核，在获取待稽核图像过程中只需要获取一张待稽核图片，不需要用户做特定的动作获取其他图像，从而提高了用户身份稽核的效率。
上述步骤S102中，通过摄像头获取待稽核用户的身份表征图像和待稽核图像，其中，身份表征图像也可以直接从预存的数据库中直接获取，这里不做特殊限制，身份表征图像可以是用户的身份证证件照片，也可以是护照证件照片等能表明用户身份的证件照，这里不做特殊限制，将获取的待稽核用户的身份表征图像和待稽核图像进行图像数据预处理，其中预处理的步骤包括如下：将获取的身份表征图像和待稽核图像按照预设的标准进行剪裁、图像居中、将图像转换为浮点矩阵数据并进行图像数据归一化处理，根据处理后的图像数据通过预先训练好的人脸特征向量提取模型提取待稽核图像的人脸特征向量和身份表征图像的人脸特征向量，即将处理后的图像数据代入预先训练好的人脸特征向量提取模型中计算得到待稽核图像的人脸特征向量和身份表征图像的人脸特征向量，其中，人脸特征向量包含人脸的图像纹理特征和空间信息特征。
上述步骤S102中，提取所述待稽核图像的图像深度特征向量，可以通过卷积神经网络提取待稽核图像的深度特征向量，具体可以通过3DMM模型提取待稽核图像的深度特征向量，具体公式如下：
其中θD是卷积神经网络参数，Nd是训练图像数量。I，D分别表示预测图像深度图及真实的图像深度图。
上述步骤S104中，根据待稽核图像的人脸特征向量和待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断待稽核图像是否为翻拍图像，得到第一判断结果，进一步地，该步骤包括如下动作：
(a1)，将待稽核图像的人脸特征向量和图像深度特征向量输入预设的图像翻拍判断模型进行处理，并获取图像翻拍判断模型的处理结果；其中，预设的图像翻拍判断模型为二分类模型；
(a2)，根据处理结果确定待稽核图像为翻拍图像，或者确定待稽核图像为非翻拍图像。
上述动作(a1)至(a2)中，将待稽核图像的人脸特征向量和待稽核图像的图像深度特征向量输入预设的图像翻拍判断模型中，获取图像翻拍判断模型的处理结果，根据处理结果确定待稽核图像为翻拍图像，或者确定待稽核图像为非翻拍图像，其中该图像翻拍判断模型为二分类模型，比如，将待稽核图像的人脸特征向量和待稽核图像的图像深度特征向量输入预设的图像翻拍判断模型中，若预设的图像翻拍判断模型输出结果为“0”，则表示该待稽核图像为非翻拍图像，或者若预设的图像翻拍判断模型输出结果为“1”，则表示该待稽核图像为翻拍图像。
上述步骤S106中，根据身份表征图像的人脸特征向量和待稽核图像的人脸特征向量，判断待稽核图像对应的用户是否为待稽核用户，得到第二判断结果。比如，根据用户B提供的身份证照片的人脸特征向量和用户B现场拍摄照片的人脸特征向量，判断用户B提供的身份证照片对应的人像是否为用户B本人。
上述步骤S108中，根据第一判断结果和第二判断结果，确定用户身份稽核结果，其中，该步骤包括如下动作：
(b1)，若第一判断结果为待稽核图像为非翻拍图像，第二判断结果为待稽核图像对应的用户是待稽核用户，则确定用户身份稽核结果为稽核通过。
(b2)，若第一判断结果为待稽核图像为翻拍图像，第二判断结果为待稽核图像对应的用户是待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，第二判断结果为待稽核图像对应的用户不是待稽核用户，则确定用户身份稽核结果为稽核不通过。
上述动作(b1)中，若第一判断结果为待稽核图像为非翻拍图像，第二判断结果为待稽核图像对应的用户是待稽核用户，则确定用户身份稽核结果为稽核通过。比如，采集的用户A的现场照为非翻拍照片，且用户A的现场采集照对应的用户与用户A的护照证件上的照片对应的用户是同一用户，则确定A用户身份稽核结果为稽核通过。
上述动作(b2)中，若第一判断结果为待稽核图像为翻拍图像，第二判断结果为待稽核图像对应的用户是待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，第二判断结果为待稽核图像对应的用户不是待稽核用户，则确定用户A的身份稽核结果为稽核不通过。比如，若采集的用户A的现场照为翻拍照片，不论用户A的现场采集照对应的用户与用户A的护照证件上的照片对应的用户是否为同一用户，则均确定用户A的身份稽核结果为稽核不通过。
进一步地，本发明实施例中，根据身份表征图像的人脸特征向量和待稽核图像的人脸特征向量，判断待稽核图像对应的用户是否为待稽核用户，得到第二判断结果，包括：
(c1)，计算身份表征图像的人脸特征向量和待稽核图像的人脸特征向量之间的第一欧式距离；
(c2)，若第一欧式距离大于预设值，则确定第二判断结果为待稽核图像对应的用户不是待稽核用户；
(c3)，若第一欧式距离小于预设值，则确定第二判断结果为待稽核图像对应的用户是待稽核用户。
上述动作(c1)中，计算身份表征图像的人脸特征向量和待稽核图像的人脸特征向量之间的第一欧式距离，比如，身份表征图像A的人脸特征向量为【x1，x2，x3】，待稽核图像B的人脸特征向量为【y1，y2，y3】，则计算该身份表征图像的人脸特征向量和待稽核图像的人脸特征向量之间的欧式距离为
上述动作(c2)至(c3)中，若第一欧式距离大于预设值，则确定第二判断结果为待稽核图像对应的用户不是待稽核用户，若第一欧式距离小于预设值，则确定第二判断结果为待稽核图像对应的用户是待稽核用户。比如上述动作(c1)举例中，设定预设值为0.6，若Z值大于0.6，则确定待稽核图像B对应的用户与身份表征图像A对应的用户不是同一人，若Z值小于0.6，则确定待稽核图像B对应的用户与身份表征图像A对应的用户是同一人。
进一步地，本发明实施例中，获取待稽核用户的身份表征图像和待稽核图像之前，还包括：
(d1)，获取多组第一样本图像数据和多组第二样本图像数据，每组第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户；
(d2)，将第一样本图像数据和第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型。
上述动作(d1)中，在数据库中获取多组第一样本图像数据和多组第二样本图像数据，每组第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户，其中，第一样本图像数据和第二样本数据是根据预设的参数要求进行图像剪裁、居中处理，且将图像转换为浮点矩阵数据并进行数据归一化处理后得到的数据。
本发明实施例中，将第一样本数据按照一定比例分为两部分，将第二样本数据按照一定比例分为两部分，其中一部分第一样本数据和其中一部分第二样本数据用来对人脸特征向量提取模型的训练，另外一部分第一样本数据和另外一部分第二样本数据用来对训练后的人脸特征向量提取模型进行模型测试，以达到预期的准确率。
上述动作(d2)中，将第一样本图像数据和第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型，其中卷积神经网络可以是集成了resnet、inception v1-v4、DenseNet、Xception等一种或多种网络的模型，这里不做特殊限定。
一个具体的实施例中，模型训练过程包含如下步骤：
(e1)，定义输入的第一样本数据为(X1，X2，Y＝0)，定义输入的第一样本数据为(X1，X2，Y＝1)，其中X1和X2分别为身份表征图像和待稽核样本图像，Y＝0为X1和X2对应是同一用户，Y＝1为X1和X2对应不是同一用户。
(e2)，将多组(X1，X2，Y＝0)数据和多组(X1，X2，Y＝1)数据内的X1和X2分别进行卷积运算得到输出结果output-X1和output-X2，计算output-X1和output-X2的相似度dist，其中
(e3)，定义损失函数loss，并定义梯度优化器为Adam，学习速率为0.001，分别计算每组(X1，X2，Y＝0)和(X1，X2，Y＝1)对应的损失值，根据每组的相似度值和对应的损失值训练模型，使得Y＝0的数据组的每组数据的相似度值与对应的损失值之差小于第一预设值，且使得Y＝1的数据组的每组数据的相似度值与对应的损失值之差大于第二预设值，其中第一预设值和第二预设值的大小不做特殊限定。
进一步地，本发明实施例中，还包括：
(f1)，获取翻拍图像样本数据和非翻拍图像样本数据；
(f2)，通过人脸特征向量提取模型分别提取翻拍图像样本数据和非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取翻拍图像样本数据和非翻拍图像样本数据的图像深度特征向量；
(f3)，将翻拍图像样本数据的人脸特征向量和图像深度特征向量以及非翻拍图像样本数据的人脸特征向量和图像深度特征向量输入到二分类模型中进行训练，将训练完成的二分类模型确定为预设的图像翻拍判断模型。
上述动作(f1)和(f2)中，获取翻拍图像样本数据和非翻拍图像样本数据，将翻拍图像样本数据和非翻拍图像样本数据进行数据预处理后，通过人脸特征向量提取模型分别提取翻拍图像样本数据和非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取翻拍图像样本数据和非翻拍图像样本数据的图像深度特征向量，其中提取图像深度特征向量的卷积神经网络可以是通过3DMM模型获得。
本发明实施例中，将翻拍图像样本数据按照一定比例分为两部分，将非翻拍图像样本数据按照一定比例分为两部分，其中一部分翻拍图像样本数据和其中一部分非翻拍图像样本数据用来对预设的图像翻拍判断模型的训练，另外一部分翻拍图像样本数据和另外一部分非翻拍图像样本数据用来对训练后的预设的图像翻拍判断模型进行模型测试，以达到预期的准确率。
上述动作(f3)中，将翻拍图像样本数据的人脸特征向量和图像深度特征向量以及非翻拍图像样本数据的人脸特征向量和图像深度特征向量映射到高维空间，生成空间向量矩阵并进行数据归一化处理，将处理后的数据输入到二分类模型中，定义目标函数(即翻拍图像样本和非翻拍图像样本的两类数据间隔)如下：
这里||ω||是向量的模，表示在空间中向量的长度，x＝[x1,x2]T是支持向量样本点的坐标ω、γ是决策面方程的参数。其次，定义损失函数Hinge Loss，记为L(mi)＝max(0,1-mi(w))，采用SMO算法求解最优分类平面训练模型，使得d最大，损失函数L最小，得到预设的图像翻拍判断模型。
本发明实施例中，根据提取的待稽核用户的人脸特征向量和图像深度特征向量，在预设的图像翻拍判断模型中判断待稽核图像是否为翻拍图像，得到第一结果，根据待稽核用户的身份表征图像和待稽核图像的人脸特征向量判断待稽核用户是否为待稽核图像对应的用户，得到第二结果，根据第一判断结果和第二判断结果，确定用户身份稽核结果。本发明实施例通过获取待稽核用户的身份表征图像和待稽核图像，通过提取特征向量的方式代入预设的模型中进行用户身份稽核，在获取待稽核图像过程中只需要获取一张待稽核图片，不需要用户做特定的动作获取其他图像，从而提高了用户身份稽核的效率。
图2为本申请一实施例提供的用户身份稽核装置的模块组成示意图，如图2所示，该装置包括：
特征向量提取模块21，用于获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
翻拍图像判断模块22，用于根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
用户图像判断模块23，用于根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
稽核结果确定模块24，用于根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
可选地，所述翻拍图像判断模块22具体用于：
将所述待稽核图像的人脸特征向量和所述图像深度特征向量输入预设的图像翻拍判断模型进行处理，并获取所述图像翻拍判断模型的处理结果；其中，所述预设的图像翻拍判断模型为二分类模型；
根据所述处理结果确定所述待稽核图像为翻拍图像，或者确定所述待稽核图像为非翻拍图像。
可选地，所述用户图像判断模块23具体用于：
计算所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量之间的第一欧式距离；
若所述第一欧式距离大于预设值，则确定第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户；
若所述第一欧式距离小于预设值，则确定第二判断结果为所述待稽核图像对应的用户是所述待稽核用户。
可选地，所述稽核结果确定模块24具体用于：
若第一判断结果为待稽核图像为非翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，则确定所述用户身份稽核结果为稽核通过；
若第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户，则确定所述用户身份稽核结果为稽核不通过。
可选地，还包括第一模型训练模块，用于在获取待稽核用户的身份表征图像和待稽核图像之前：
获取多组第一样本图像数据和多组第二样本图像数据，每组所述第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组所述第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户；
将所述第一样本图像数据和所述第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型。
可选地，还包括第二模型训练模块，用于：
获取翻拍图像样本数据和非翻拍图像样本数据；
通过所述人脸特征向量提取模型分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的图像深度特征向量；
将所述翻拍图像样本数据的人脸特征向量和图像深度特征向量以及所述非翻拍图像样本数据的人脸特征向量和图像深度特征向量输入到二分类模型中进行训练，将训练完成的所述二分类模型确定为所述预设的图像翻拍判断模型。
本发明实施例中，根据提取的待稽核用户的人脸特征向量和图像深度特征向量，在预设的图像翻拍判断模型中判断待稽核图像是否为翻拍图像，得到第一结果，根据待稽核用户的身份表征图像和待稽核图像的人脸特征向量判断待稽核用户是否为待稽核图像对应的用户，得到第二结果，根据第一判断结果和第二判断结果，确定用户身份稽核结果。本发明实施例通过获取待稽核用户的身份表征图像和待稽核图像，通过提取特征向量的方式代入预设的模型中进行用户身份稽核，在获取待稽核图像过程中只需要获取一张待稽核图片，不需要用户做特定的动作获取其他图像，从而提高了用户身份稽核的效率。
本申请实施例提供的用户身份稽核装置能够实现前述方法实施例中的各个过程，并达到相同的功能和效果，这里不再重复。
进一步地，本申请实施例还提供了一种用户身份稽核设备，图3为本申请一实施例提供的用户身份稽核设备的结构示意图，如图3所示，该设备包括：存储器601、处理器602、总线603和通信接口604。存储器601、处理器602和通信接口604通过总线603进行通信，通信接口604可以包括输入输出接口，输入输出接口包括但不限于键盘、鼠标、显示器、麦克风、扩音器等。
图3中，所述存储器601上存储有可在所述处理器602上运行的计算机可执行指令，所述计算机可执行指令被所述处理器602执行时实现以下流程：
获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果，包括：
将所述待稽核图像的人脸特征向量和所述图像深度特征向量输入预设的图像翻拍判断模型进行处理，并获取所述图像翻拍判断模型的处理结果；其中，所述预设的图像翻拍判断模型为二分类模型；
根据所述处理结果确定所述待稽核图像为翻拍图像，或者确定所述待稽核图像为非翻拍图像。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果，包括：
计算所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量之间的第一欧式距离；
若所述第一欧式距离大于预设值，则确定第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户；
若所述第一欧式距离小于预设值，则确定第二判断结果为所述待稽核图像对应的用户是所述待稽核用户。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果，包括：
若第一判断结果为待稽核图像为非翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，则确定所述用户身份稽核结果为稽核通过；
若第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户，则确定所述用户身份稽核结果为稽核不通过。
可选地，所述计算机可执行指令被所述处理器执行时，获取待稽核用户的身份表征图像和待稽核图像之前，还包括：
获取多组第一样本图像数据和多组第二样本图像数据，每组所述第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组所述第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户；
将所述第一样本图像数据和所述第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型。
可选地，所述计算机可执行指令被所述处理器执行时，还包括：
获取翻拍图像样本数据和非翻拍图像样本数据；
通过所述人脸特征向量提取模型分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的图像深度特征向量；
将所述翻拍图像样本数据的人脸特征向量和图像深度特征向量以及所述非翻拍图像样本数据的人脸特征向量和图像深度特征向量输入到二分类模型中进行训练，将训练完成的所述二分类模型确定为所述预设的图像翻拍判断模型。
本发明实施例中，根据提取的待稽核用户的人脸特征向量和图像深度特征向量，在预设的图像翻拍判断模型中判断待稽核图像是否为翻拍图像，得到第一结果，根据待稽核用户的身份表征图像和待稽核图像的人脸特征向量判断待稽核用户是否为待稽核图像对应的用户，得到第二结果，根据第一判断结果和第二判断结果，确定用户身份稽核结果。本发明实施例通过获取待稽核用户的身份表征图像和待稽核图像，通过提取特征向量的方式代入预设的模型中进行用户身份稽核，在获取待稽核图像过程中只需要获取一张待稽核图片，不需要用户做特定的动作获取其他图像，从而提高了用户身份稽核的效率。
本申请实施例提供的用户身份稽核设备能够实现前述方法实施例中的各个过程，并达到相同的功能和效果，这里不再重复。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下流程：
获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果，包括：
将所述待稽核图像的人脸特征向量和所述图像深度特征向量输入预设的图像翻拍判断模型进行处理，并获取所述图像翻拍判断模型的处理结果；其中，所述预设的图像翻拍判断模型为二分类模型；
根据所述处理结果确定所述待稽核图像为翻拍图像，或者确定所述待稽核图像为非翻拍图像。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果，包括：
计算所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量之间的第一欧式距离；
若所述第一欧式距离大于预设值，则确定第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户；
若所述第一欧式距离小于预设值，则确定第二判断结果为所述待稽核图像对应的用户是所述待稽核用户。
可选地，所述计算机可执行指令被所述处理器执行时，根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果，包括：
若第一判断结果为待稽核图像为非翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，则确定所述用户身份稽核结果为稽核通过；
若第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户，则确定所述用户身份稽核结果为稽核不通过。
可选地，所述计算机可执行指令被所述处理器执行时，获取待稽核用户的身份表征图像和待稽核图像之前，还包括：
获取多组第一样本图像数据和多组第二样本图像数据，每组所述第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组所述第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户；
将所述第一样本图像数据和所述第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型。
可选地，所述计算机可执行指令被所述处理器执行时，还包括：
获取翻拍图像样本数据和非翻拍图像样本数据；
通过所述人脸特征向量提取模型分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的图像深度特征向量；
将所述翻拍图像样本数据的人脸特征向量和图像深度特征向量以及所述非翻拍图像样本数据的人脸特征向量和图像深度特征向量输入到二分类模型中进行训练，将训练完成的所述二分类模型确定为所述预设的图像翻拍判断模型。
本发明实施例中，根据提取的待稽核用户的人脸特征向量和图像深度特征向量，在预设的图像翻拍判断模型中判断待稽核图像是否为翻拍图像，得到第一结果，根据待稽核用户的身份表征图像和待稽核图像的人脸特征向量判断待稽核用户是否为待稽核图像对应的用户，得到第二结果，根据第一判断结果和第二判断结果，确定用户身份稽核结果。本发明实施例通过获取待稽核用户的身份表征图像和待稽核图像，通过提取特征向量的方式代入预设的模型中进行用户身份稽核，在获取待稽核图像过程中只需要获取一张待稽核图片，不需要用户做特定的动作获取其他图像，从而提高了用户身份稽核的效率。
其中，所述的计算机可读存储介质包括只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本申请实施例提供的计算机可读存储介质能够实现前述方法实施例中的各个过程，并达到相同的功能和效果，这里不再重复。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种用户身份稽核方法，其特征在于，包括：
获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
其中，通过卷积神经网络提取所述待稽核图像的图像深度特征向量，具体公式如下：
其中，θD是卷积神经网络参数，Nd是训练图像数量，I，D分别表示预测图像深度图及真实的图像深度图；
根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
其中，通过以下方式训练得到所述图像翻拍判断模型：
将翻拍图像样本数据的人脸特征向量和图像深度特征向量以及非翻拍图像样本数据的人脸特征向量和图像深度特征向量映射到高维空间，生成空间向量矩阵并进行数据归一化处理，将处理后的数据输入到二分类模型中，定义目标函数如下：
这里，||ω||是向量的模，表示在空间中向量的长度，x＝[x1,x2]T是支持向量样本点的坐标ω、γ是决策面方程的参数；定义损失函数Hinge Loss，记为L(mi)＝max(0,1-mi(w))，采用SMO算法求解最优分类平面训练模型，使得d最大，损失函数L最小，得到预设的图像翻拍判断模型；
根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
2.根据权利要求1所述的方法，其特征在于，根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果，包括：
将所述待稽核图像的人脸特征向量和所述图像深度特征向量输入预设的图像翻拍判断模型进行处理，并获取所述图像翻拍判断模型的处理结果；其中，所述预设的图像翻拍判断模型为二分类模型；
根据所述处理结果确定所述待稽核图像为翻拍图像，或者确定所述待稽核图像为非翻拍图像。
3.根据权利要求1所述的方法，其特征在于，根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果，包括：
计算所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量之间的第一欧式距离；
若所述第一欧式距离大于预设值，则确定第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户；
若所述第一欧式距离小于预设值，则确定第二判断结果为所述待稽核图像对应的用户是所述待稽核用户。
4.根据权利要求1所述的方法，其特征在于，根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果，包括：
若第一判断结果为待稽核图像为非翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，则确定所述用户身份稽核结果为稽核通过；
若第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户，则确定所述用户身份稽核结果为稽核不通过。
5.根据权利要求1所述的方法，其特征在于，获取待稽核用户的身份表征图像和待稽核图像之前，还包括：
获取多组第一样本图像数据和多组第二样本图像数据，每组所述第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组所述第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户；
将所述第一样本图像数据和所述第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型。
6.根据权利要求5所述的方法，其特征在于，还包括：
获取翻拍图像样本数据和非翻拍图像样本数据；
通过所述人脸特征向量提取模型分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的图像深度特征向量；
将所述翻拍图像样本数据的人脸特征向量和图像深度特征向量以及所述非翻拍图像样本数据的人脸特征向量和图像深度特征向量输入到二分类模型中进行训练，将训练完成的所述二分类模型确定为所述预设的图像翻拍判断模型。
7.一种用户身份稽核装置，其特征在于，包括：
特征向量提取模块，用于获取待稽核用户的身份表征图像和待稽核图像，提取所述待稽核图像的人脸特征向量和所述身份表征图像的人脸特征向量，以及，提取所述待稽核图像的图像深度特征向量；
其中，通过卷积神经网络提取所述待稽核图像的图像深度特征向量，具体公式如下：
其中，θD是卷积神经网络参数，Nd是训练图像数量，I，D分别表示预测图像深度图及真实的图像深度图；
翻拍图像判断模块，用于根据所述待稽核图像的人脸特征向量和所述待稽核图像的图像深度特征向量，利用预设的图像翻拍判断模型判断所述待稽核图像是否为翻拍图像，得到第一判断结果；
其中，通过以下方式训练得到所述图像翻拍判断模型：
将翻拍图像样本数据的人脸特征向量和图像深度特征向量以及非翻拍图像样本数据的人脸特征向量和图像深度特征向量映射到高维空间，生成空间向量矩阵并进行数据归一化处理，将处理后的数据输入到二分类模型中，定义目标函数如下：
这里，||ω||是向量的模，表示在空间中向量的长度，x＝[x1,x2]T是支持向量样本点的坐标ω、γ是决策面方程的参数；定义损失函数Hinge Loss，记为L(mi)＝max(0,1-mi(w))，采用SMO算法求解最优分类平面训练模型，使得d最大，损失函数L最小，得到预设的图像翻拍判断模型；
用户图像判断模块，用于根据所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量，判断所述待稽核图像对应的用户是否为所述待稽核用户，得到第二判断结果；
稽核结果确定模块，用于根据所述第一判断结果和所述第二判断结果，确定用户身份稽核结果。
8.根据权利要求7所述的装置，其特征在于，所述翻拍图像判断模块具体用于：
将所述待稽核图像的人脸特征向量和所述图像深度特征向量输入预设的图像翻拍判断模型进行处理，并获取所述图像翻拍判断模型的处理结果；其中，所述预设的图像翻拍判断模型为二分类模型；
根据所述处理结果确定所述待稽核图像为翻拍图像，或者确定所述待稽核图像为非翻拍图像。
9.根据权利要求7所述的装置，其特征在于，所述用户图像判断模块具体用于：
计算所述身份表征图像的人脸特征向量和所述待稽核图像的人脸特征向量之间的第一欧式距离；
若所述第一欧式距离大于预设值，则确定第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户；
若所述第一欧式距离小于预设值，则确定第二判断结果为所述待稽核图像对应的用户是所述待稽核用户。
10.根据权利要求7所述的装置，其特征在于，所述稽核结果确定模块具体用于：
若第一判断结果为待稽核图像为非翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，则确定所述用户身份稽核结果为稽核通过；
若第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户是所述待稽核用户，或者，第一判断结果为待稽核图像为翻拍图像，所述第二判断结果为所述待稽核图像对应的用户不是所述待稽核用户，则确定所述用户身份稽核结果为稽核不通过。
11.根据权利要求7所述的装置，其特征在于，还包括第一模型训练模块，用于在获取待稽核用户的身份表征图像和待稽核图像之前：
获取多组第一样本图像数据和多组第二样本图像数据，每组所述第一样本图像数据中包括的身份表征图像和待稽核样本图像对应同一用户，每组所述第二样本图像数据中包括的身份表征图像和待稽核样本图像对应不同用户；
将所述第一样本图像数据和所述第二样本图像数据代入卷积神经网络中进行模型训练，得到人脸特征向量提取模型。
12.根据权利要求11所述的装置，其特征在于，还包括第二模型训练模块，用于：
获取翻拍图像样本数据和非翻拍图像样本数据；
通过所述人脸特征向量提取模型分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的人脸特征向量，通过卷积神经网络分别提取所述翻拍图像样本数据和所述非翻拍图像样本数据的图像深度特征向量；
将所述翻拍图像样本数据的人脸特征向量和图像深度特征向量以及所述非翻拍图像样本数据的人脸特征向量和图像深度特征向量输入到二分类模型中进行训练，将训练完成的所述二分类模型确定为所述预设的图像翻拍判断模型。
13.一种用户身份稽核设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的一种用户身份稽核方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种用户身份稽核方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910791825.2A CN112434547B (zh) | 2019-08-26 | 2019-08-26 | 一种用户身份稽核方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910791825.2A CN112434547B (zh) | 2019-08-26 | 2019-08-26 | 一种用户身份稽核方法和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112434547A CN112434547A (zh) | 2021-03-02 |
| CN112434547B true CN112434547B (zh) | 2023-11-14 |
Family
ID=74690245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910791825.2A Active CN112434547B (zh) | 2019-08-26 | 2019-08-26 | 一种用户身份稽核方法和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434547B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114359798A (zh) * | 2021-12-29 | 2022-04-15 | 天翼物联科技有限公司 | 实人认证的数据稽核方法、装置、计算机设备及存储介质 |
| CN114333037B (zh) * | 2022-02-25 | 2022-05-13 | 北京结慧科技有限公司 | 包含身份证的翻拍照片识别方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060063621A (ko) * | 2004-12-07 | 2006-06-12 | 한국전자통신연구원 | 사용자 인식 시스템 및 그 방법 |
| JP2009064140A (ja) * | 2007-09-05 | 2009-03-26 | Toshiba Corp | 個人認証装置及び個人認証管理システム |
| CN106778525A (zh) * | 2016-11-25 | 2017-05-31 | 北京旷视科技有限公司 | 身份认证方法和装置 |
| CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技（上海）有限公司 | 一种身份验证方法及装置 |
| CN108764031A (zh) * | 2018-04-17 | 2018-11-06 | 平安科技（深圳）有限公司 | 识别人脸的方法、装置、计算机设备和存储介质 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
| CN109635872A (zh) * | 2018-12-17 | 2019-04-16 | 上海观安信息技术股份有限公司 | 身份识别方法、电子设备及计算机程序产品 |
| CN110008909A (zh) * | 2019-04-09 | 2019-07-12 | 浩鲸云计算科技股份有限公司 | 一种基于ai的实名制业务实时稽核系统 |
-
2019
- 2019-08-26 CN CN201910791825.2A patent/CN112434547B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060063621A (ko) * | 2004-12-07 | 2006-06-12 | 한국전자통신연구원 | 사용자 인식 시스템 및 그 방법 |
| JP2009064140A (ja) * | 2007-09-05 | 2009-03-26 | Toshiba Corp | 個人認証装置及び個人認証管理システム |
| CN106778525A (zh) * | 2016-11-25 | 2017-05-31 | 北京旷视科技有限公司 | 身份认证方法和装置 |
| CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技（上海）有限公司 | 一种身份验证方法及装置 |
| WO2018192406A1 (zh) * | 2017-04-20 | 2018-10-25 | 腾讯科技（深圳）有限公司 | 身份验证方法及装置、存储介质 |
| CN108764031A (zh) * | 2018-04-17 | 2018-11-06 | 平安科技（深圳）有限公司 | 识别人脸的方法、装置、计算机设备和存储介质 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
| CN109635872A (zh) * | 2018-12-17 | 2019-04-16 | 上海观安信息技术股份有限公司 | 身份识别方法、电子设备及计算机程序产品 |
| CN110008909A (zh) * | 2019-04-09 | 2019-07-12 | 浩鲸云计算科技股份有限公司 | 一种基于ai的实名制业务实时稽核系统 |
Non-Patent Citations (3)
| Title |
|---|
| "基于样本间最小欧氏距离的多特征融合识别算法研究";刘如松;《计算机与数字工程》;第45卷(第12期);第2373-2378页 * |
| D. -h. Kim."Face Identification for Human Robot Interaction: Intelligent Security System for Multi-user Working Environment on PC".《ROMAN 2006 - The 15th IEEE International Symposium on Robot and Human Interactive Communication》.2007,第617-622页. * |
| 刘华成."人脸活体检测关键技术研究".《中国优秀硕士学位论文全文数据库 信息科技辑》.2015,(第3期),I138-2693. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112434547A (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018112783A1 (zh) | 图像识别方法及装置 | |
| WO2021164232A1 (zh) | 用户识别方法、装置、设备及存储介质 | |
| CN103456013B (zh) | 一种表示超像素以及度量超像素之间相似性的方法 | |
| CN106022317A (zh) | 人脸识别方法及装置 | |
| CN106022826A (zh) | 一种网络直播平台中的作弊用户识别方法与系统 | |
| CN105118048A (zh) | 翻拍证件图片的识别方法及装置 | |
| CN110472494A (zh) | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 | |
| CN108492294B (zh) | 一种图像色彩和谐程度的评估方法及装置 | |
| CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
| CN110598019B (zh) | 重复图像识别方法及装置 | |
| CN104867225A (zh) | 一种纸币的面向识别方法及装置 | |
| CN111144215A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
| CN110070115A (zh) | 一种单像素攻击样本生成方法、装置、设备及存储介质 | |
| CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
| CN110879963A (zh) | 一种敏感表情包检测方法、装置与电子设备 | |
| CN112434547B (zh) | 一种用户身份稽核方法和设备 | |
| CN110163250A (zh) | 基于分布式调度的图像脱敏处理系统、方法以及装置 | |
| CN111046858A (zh) | 一种基于图像的动物物种细分类方法、系统及介质 | |
| CN108648189A (zh) | 图像模糊检测方法、装置、计算设备及可读存储介质 | |
| CN112037180A (zh) | 染色体分割方法及装置 | |
| CN115147705A (zh) | 人脸翻拍检测方法、装置、电子设备及存储介质 | |
| CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
| CN105095889B (zh) | 特征提取、字符识别、引擎生成、信息确定方法及装置 | |
| CN113609944A (zh) | 一种静默活体检测方法 |
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 |