CN112541446A - 一种生物特征库更新方法、装置及电子设备 - Google Patents

一种生物特征库更新方法、装置及电子设备 Download PDF

Info

Publication number
CN112541446A
CN112541446A CN202011495346.5A CN202011495346A CN112541446A CN 112541446 A CN112541446 A CN 112541446A CN 202011495346 A CN202011495346 A CN 202011495346A CN 112541446 A CN112541446 A CN 112541446A
Authority
CN
China
Prior art keywords
biological
feature
features
biometric
updated
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
Application number
CN202011495346.5A
Other languages
English (en)
Other versions
CN112541446B (zh
Inventor
颜雪军
王春茂
杨彭举
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN202011495346.5A priority Critical patent/CN112541446B/zh
Publication of CN112541446A publication Critical patent/CN112541446A/zh
Application granted granted Critical
Publication of CN112541446B publication Critical patent/CN112541446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请实施例提供了一种生物特征库更新方法、装置及电子设备。其中，所述方法包括：在生物特征库的注册生物特征中，获取待更新生物特征，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配；根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征对应的识别特征与所述待识别生物特征对应的识别特征以及所述待更新生物特征对应的识别特征匹配；在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征，并将所述待更新生物特征对应的识别特征替换为所述替代生物特征对应的识别特征。可以使得更新后的生物特征可以准确的反应出人员的身份。

Description

一种生物特征库更新方法、装置及电子设备
技术领域
本申请涉及身份验证技术领域，特别是涉及一种生物特征库更新方法、装置及电子设备。
背景技术
不同的人往往具有不同的生物特征，如不同的人的人脸图像不同、不同的人的声纹不同、不同的人的指纹不同。因此，在一些应用场景中，可以预先采集人员的生物特征并在生物特征库中注册采集到的生物特征。在需要对待识别人员进行身份认证时，可以将待识别人员的生物特征与生物特征库中的特征进行匹配，根据匹配结果即可以确认待识别人员的身份。
但是，人员的生物特征可能会因为各种原因发生变化，如随着年龄增长人脸图像发生变化、由于变声导致声纹发生变化、由于手指受伤导致指纹发生变化。而生物特征库注册的生物特征没有及时更新，导致生物特征识别系统的性能随时间推移产生持续的衰减。
发明内容
本申请实施例的目的在于提供一种生物特征库更新方法、装置及电子设备，以实现准确的更新生物特征库中陈旧的生物特征。具体技术方案如下：
在本申请实施例的第一方面，提供了一种生物特征库更新方法，所述方法包括：
在生物特征库的注册生物特征中，获取待更新生物特征，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配；
根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征对应的识别特征与所述待识别生物特征对应的识别特征以及所述待更新生物特征对应的识别特征匹配；
在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征，并将所述待更新生物特征对应的识别特征替换为所述替代生物特征对应的识别特征。
在一种可能的实施例中，所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，其中，所述生成模型预先经过样本三元组的训练，所述样本三元组中包括两个样本输入生物特征和一个样本输出生物特征，所述样本三元组中任两个生物特征对应的识别特征相互匹配。
在一种可能的实施例中，所述生成模型包括特征编码单元以及特征解码单元；
所述将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至所述特征编码单元，得到所述特征编码单元输出的所述待识别生物特征的编码特征和所述待更新生物特征的编码特征；
将所述待识别生物特征的编码特征和所述待更新生物特征的编码特征输入至所述特征解码单元，得到所述特征解码单元输出的替代生物特征。
在一种可能的实施例中，所述样本三元组满足以下条件中的一个或多个条件：
所述样本输出生物特征对应的识别特征与任一样本输入生物特征对应的识别特征之间的相似度高于两个样本输入生物特征对应的识别特征之间的相似度；所述样本输出生物特征的预设属性的属性值不小于第一属性值，且不大于第二属性值，其中，所述第一属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较小值，所述第二属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较大值；任一生物特征的质量高于预设质量阈值。
在一种可能的实施例中，所述生成模型按照以下方式预先训练得到：
将样本三元组中的两个样本生物特征输入至预设初始模型，得到所述预设初始模型输出的真实输出生物特征；
根据所述真实输出生物特征与所述样本三元组中的样本输出生物特征，构建损失函数，所述损失函数与所述真实输出生物特征和所述样本输出生物特征之间的差异程度正相关；
按照使所述损失函数梯度下降的方向调整所述初始模型的模型参数，直至达到预设收敛条件，得到生成模型。
在一种可能的实施例中，在所述将所述待更新生物特征替换为所述替代生物特征之前，所述方法还包括：
确定所述替代生物特征的质量是否高于所述待更新生物特征的质量；
如果所述替代生物特征的质量高于所述待更新生物特征的质量，执行所述在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征的步骤；
如果所述替代生物特征的质量不高于所述待更新生物特征的质量，维持所述待更新生物特征不变。
在一种可能的实施例中，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征之间的相似度高于下限阈值；
在所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征之前，所述方法还包括：
确定所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度是否高于上限阈值，所述上限阈值高于所述下限阈值；
如果所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度高于所述上限阈值，则执行所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征的步骤。
在一种可能的实施例中，所述注册生物特征为已注册人员的人脸图像，所述待识别生物特征为待识别人员的人脸图像。
在本申请实施例的第二方面，提供了一种生物特征库更新装置，所述装置包括：
特征匹配模块，用于在生物特征库的注册生物特征中，获取待更新生物特征，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配；
特征生成模块，用于根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征对应的识别特征与所述待识别生物特征对应的识别特征以及所述待更新生物特征对应的识别特征匹配；
特征替换模块，用于在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征，并将所述待更新生物特征对应的识别特征替换为所述替代生物特征对应的识别特征。
在一种可能的实施例中，所述特征生成模块根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，其中，所述生成模型预先经过样本三元组的训练，所述样本三元组中包括两个样本输入生物特征和一个样本输出生物特征，所述样本三元组中任两个生物特征对应的识别特征相互匹配。
在一种可能的实施例中，所述生成模型包括特征编码单元以及特征解码单元；
所述特征生成模块将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至所述特征编码单元，得到所述特征编码单元输出的所述待识别生物特征的编码特征和所述待更新生物特征的编码特征；
将所述待识别生物特征的编码特征和所述待更新生物特征的编码特征输入至所述特征解码单元，得到所述特征解码单元输出的替代生物特征。
在一种可能的实施例中，所述样本三元组满足以下条件中的一个或多个条件：
所述样本输出生物特征对应的识别特征与任一样本输入生物特征对应的识别特征之间的相似度高于两个样本输入生物特征对应的识别特征之间的相似度；所述样本输出生物特征的预设属性的属性值不小于第一属性值，且不大于第二属性值，其中，所述第一属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较小值，所述第二属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较大值；任一生物特征的质量高于预设质量阈值。
在一种可能的实施例中，所述生成模型按照以下方式预先训练得到：
将样本三元组中的两个样本生物特征输入至预设初始模型，得到所述预设初始模型输出的真实输出生物特征；
根据所述真实输出生物特征与所述样本三元组中的样本输出生物特征，构建损失函数，所述损失函数与所述真实输出生物特征和所述样本输出生物特征之间的差异程度正相关；
按照使所述损失函数梯度下降的方向调整所述初始模型的模型参数，直至达到预设收敛条件，得到生成模型。
在一种可能的实施例中，所述特征替换模块还用于在所述将所述待更新生物特征替换为所述替代生物特征之前，确定所述替代生物特征的质量是否高于所述待更新生物特征的质量；
如果所述替代生物特征的质量高于所述待更新生物特征的质量，执行所述在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征的步骤；
如果所述替代生物特征的质量不高于所述待更新生物特征的质量，维持所述待更新生物特征不变。
在一种可能的实施例中，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征之间的相似度高于下限阈值；
所述特征生成模块还用于在所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征之前，确定所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度是否高于上限阈值，所述上限阈值高于所述下限阈值；
如果所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度高于所述上限阈值，则执行所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征的步骤。
在一种可能的实施例中，所述注册生物特征为已注册人员的人脸图像，所述待识别生物特征为待识别人员的人脸图像。
在本申请实施例的第三方面，提供了一种电子设备，包括：
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
在本申请实施例的第四方面，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内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本申请实施例有益效果：
本申请实施例提供的生物特征库更新方法、装置及电子设备，可以根据相匹配的待识别生物特征和待更新生物特征生成新的替代生物特征，并利用替代生物特征替换待更新生物特征，可以是使得更新后的生物特征中包含待识别生物特征中的信息，同时保留待更新生物特征中部分信息，从而使得更新后的生物特征可以准确的反应出人员的身份。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1所示为本申请实施例提供的生物特征库更新方法的一种流程示意图；
图2所示为本申请实施例提供的生成模型训练方法的一种流程示意图；
图3所示为本申请实施例提供的生成模型的一种结构示意图；
图4所示为本申请实施例提供的生成模型的原理示意图；
图5所示为本申请实施例提供的生物特征库更新方法的另一种可能的流程示意图；
图6所示为本申请实施例提供的生物特征库更新方法的另一种可能的流程示意图；
图7所示为本申请实施例提供的生物特征库更新装置的一种结构示意图；
图8所示为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1所示为本申请实施例提供的生物特征库更新方法的一种流程示意图，可以包括：
S101，在生物特征库的注册生物特征中，获取待更新生物特征，待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配。
S102，根据待识别生物特征和待更新生物特征，生成替代生物特征。
S103，在生物特征库中，将待更新生物特征替换为替代生物特征，并将待更新生物特征对应的识别特征替换为替代生物特征对应的识别特征。
选用该实施例，可以根据相匹配的待识别生物特征和待更新生物特征生成新的替代生物特征，并利用替代生物特征替换待更新生物特征，可以是使得更新后的生物特征中包含待识别生物特征中的信息，同时保留待更新生物特征中部分信息，从而使得更新后的生物特征可以准确的反应出人员的身份。
其中，在S101中待识别生物特征可以是采集得到的，采集方式根据生物特征种类的不同可以不同，例如以生物特征为人脸图像为例，待识别生物特征可以是通过拍摄待识别人员的人脸得到的，又例如以生物特征为声纹为例，待识别生物特征可以是通过采集待识别人员的声音信号并从声音信号中提取声纹得到的。
生物特征库中可以包括一个注册生物特征也可以包括多个注册生物特征。当生物特征库中包括多个注册生物特征时，可以是包括一个人员的多个注册生物特征，也可以是包括多个人员的注册生物特征。并且生物特征库中可以只包含一种注册生物特征，也可以包含多种注册生物特征，例如生物特征库中可以只包含人脸图像，也可以同时包含人脸图像以及声纹、指纹。
待识别生物特征对应的识别特征和注册生物特征对应的识别特征匹配可以是指：待识别生物特征对应的识别特征和注册生物特征对应的识别特征之间的相似度高于预设相似度阈值，两个识别特征之间的相似度可以是通过计算两个识别特征之间的距离得到，该距离可以是指余弦距离，也可以是指欧式距离、马氏距离等其他距离，本实施例对此不做限制。可以理解的是，本文中提到的相似度的高低是指逻辑上的高低而非数值上的高低，即相似度高于相似度阈值是指相似度所表示的相似程度高于相似度阈值所表示的相似程度，而根据应用场景的不同，在相似度高于相似度阈值时相似度的数值可以高于相似度阈值的数值，也可以低于相似度阈值的数值。例如，假设相似度是以余弦距离表示的，由于余弦距离与相似程度正相关，则此时可以认为相似度的数值高于预设相似度阈值的数值时，相似度高于预设相似度阈值。又例如，假设相似度是以欧式距离表示的，则由于欧式距离与相似程度负相关，则此时可以认为相似度的数值低于预设相似度阈值的数值时，相似度高于预设相似度阈值。
可以理解的是，如果待识别生物特征对应的识别特征和注册生物特征对应的识别特征之间的相似度越高，则待识别生物特征与注册生物特征为同一人员的生物特征的可能性越高。示例性的，以生物特征为人脸图像为例，如果两个人脸图像各自对应的识别特征的相似度越高，则这两个人脸图像为同一人员的人脸图像的可能性越高。因此，如果待识别生物特征对应的识别特征与注册生物特征对应的识别特征匹配，则可以认为待识别生物与该注册生物特征为同一人员的生物特征。
在S102中，替代生物特征对应的识别特征与待识别生物特征对应的识别特征匹配，并且替代生物特征对应的识别特征与待更新生物特征对应的识别特征匹配。如前述分析，如果两个生物特征各自对应的识别特征匹配则可以认为两个生物特征为同一人员的生物特征。因此可以认为生成的替代生物特征和待识别生物特征、待更新生物特征为同一人员的生物特征。
根据应用场景的不同，可以通过不同的方式生成替代生物特征，但是应当保证所生成的替代生物特征对应的识别特征与待识别生物特征对应的识别特征匹配，并且替代生物特征对应的识别特征与待更新生物特征对应的识别特征匹配。下文中将对可能的生成替代生物特征的方式进行详细的说明，在此不再赘述。
在S103中，如前述分析，替代生物特征和待识别生物特征、待更新生物特征为同一人员的生物特征，为描述方便称该同一人员为目标人员。则可以理解的是，待识别生物特征相比于注册生物特征可以认为是目标人员较新的生物特征，而替代生物特征是根据待识别生物特征和待更新生物特征共同生成的，因此相较于待更新生物特征，替代生物特征更能够反映出目标人员最新的生物特征，因此将待更新生物特征替换为替代生物特征可以起到更新生物特征库的效果。
为了更清楚的对本申请实施例提供的生物特征库更新方法进行说明，下面将对替代生物特征的生成方式进行说明：
在一种可能的实施例中，可以是将待识别生物特征和待更新生物特征输入至生成模型，得到生成模型输出的替代生物特征，其中，生成模型预先经过样本三元组的训练，样本三元组中包括两个样本输入生物特征和一个样本输出生物特征，并且样本三元组中任两个生物特征对应的识别特征之间相互匹配，即两个样本输入生物特征各自对应的识别特征匹配，并且任一样本输入生物特征对应的识别特征与样本输出生物特征对应的识别特征匹配。
生成模型可以是基于深度学习训练得到的神经网络，也可以是基于传统机器学习得到的算法模型，本实施例对此不做任何限制。训练生成模型时所使用的样本三元组的数量根据应用场景的不同可以不同，理论上在不考虑过拟合的情况下，训练生成模型所使用的样本三元组的数量越多，训练得到的生成模型性能越好，训练生成模型所使用的样本三元组的数量越多，训练得到的生成模型消耗的系统资源越少。
以生物特征为人脸图像为例，则每个样本三元组中包括同一人员的三个人脸图像，其中两个人脸图像作为样本输入生物特征，一个人脸图像作为样本输出生物特征，由于三个人脸图像为同一人员的人脸图像，因此三个人脸图像中任两个人脸图像对应的识别特征相互匹配。
在一种可能的实施例中，为提高根据三元组训练得到的生成模型的性能，样本三元组应当满足以下条件中的一个或多个条件：
条件一：样本输出生物特征对应的识别特征与任一样本输入生物特征对应的识别特征之间的相似度高于两个样本输入生物特征对应的识别特征之间的相似度。
示例性的，假设样本输出生物特征为人脸图像D，两个样本输入生物特征分别为人脸图像A、人脸图像B，并且人脸图像D对应的识别特征与人脸图像A对应的识别特征的相似度Sim1，人脸图像D对应的识别特征与人脸图像B的相似度Sim2对应的识别特征，人脸图像A对应的识别特征与人脸图像B对应的识别特征的相似度Sim3之间应当满足：Sim1＞sim3且Sim2＞Sim3。
条件二：样本输出生物特征的预设属性的属性值不小于第一属性值，且不大于第二属性值。
其中，第一属性值为两个样本输入生物特征各自的预设属性的属性值中的较小值，第二属性值为两个样本输入生物特征各自的预设属性的属性值中的较大值。
示例性的，以生物特征为人脸图像，预设属性为人脸图像中人员的年龄为例，假设样本输出生物特征中人员的年龄为age1，两个样本输入生物特征中人员的年龄分别为age2、age3，则应当满足：max(age2，age3)≥age1≥min(age2，age3)。其中，max(age2，age3)表示age2和age3中的较大值，min(age2，age3)表示age2和age3中的较小值。
为获取满足条件二的样本三元组，可以是获取同一样本人员在三个不同年龄的人脸图像，例如，分别获取同一样本人员在10岁、13岁以及16岁的人脸图像，将样本人员10岁的人脸图像和样本人员16岁的人脸图像作为样本输入生物特征，并将样本人员13岁的人脸图像作为样本输出生物特征，得到样本三元组。
如果样本三元组满足条件二，则理论上待识别生物特征、待更新生物特征以及替代生物特征之间也应当满足：替代生物特征的预设属性的属性值不小于第三属性值且不大于第四属性值，其中，第三属性值为待识别生物特征的预设属性的属性值与待更新生物特征的预设属性的属性值中的较小值，第四属性值为待识别生物特征的预设属性的属性值与待更新生物特征的预设属性的属性值中的较大值。
示例性的，以生物特征为人脸图像，预设属性为人脸图像中人脸的肥胖程度为例，假设待更新生物特征为一人员一年前的人脸图像，待识别生物特征为该人员现在的人脸图像，在这一年间该人员的脸部的肥胖程度增加，即待识别生物特征的肥胖程度大于待更新生物特征的肥胖程度，则理论上通过生成模型得到的替代生物特征的肥胖程度应当小于待识别生物特征的肥胖程度，且大于待更新生物特征的肥胖程度，即通过生成模型生成的人脸图像中人脸的肥胖程度介于该人员一年前的人脸图像中人脸的肥胖程度与该人员现在的人脸图像中人脸的肥胖程度之间。
可见，如果将生物特征库中该人员一年前的人脸图像更新为生成模型所生成的人脸图像，则可以使得生物特征库中该人员的人脸图像更加接近于该人员现在的人脸图像，同时与该人员一年前的人脸图像差别不会过大。
条件三：任一生物特征的质量高于预设质量阈值。
质量的评估方法根据生物特征种类的不同可以不同，例如以生物特征为人脸图像为例，质量的评估维度可以包括人脸图像的分辨率、人脸图像是否是正脸图像、拍摄该人脸图像时的光照条件等。在其他影响质量的因素不变的情况下，分辨率高的人脸图像的质量高于分辨率低的人脸图像的质量，为正脸图像的人脸图像的质量高于不为正脸图像的人脸图像的质量，光照条件良好时拍摄得到的人脸图像的质量高于光照条件较差时拍摄得到的人脸图像的质量。
生物特征的质量越高，则可以越真实的反映人员的特征，生物特征的质量越低，则越难以真实的反映人员的特征，示例性的，高分辨率的人脸图像中包括更多的人脸细节，而低分辨率的人脸图像中包括更少的人脸细节，例如一人员的嘴角有一颗痣，该痣在该人员的高分辨率人脸图像中能够清晰地辨认出来，而在该人员的低分辨率人脸图像中难以辨认出来。
理论上不同人员的生物特征不同，但是不同人员之间由于可能存在一些共性，即不同人员的生物特征之间也具有一定的相似度。因此如果生物特征的质量较高，则由于生物特征能够更真实的反映人员的特征，因此更容易根据生物特征区别不同人员。如果生物特征的质量较低，则由于生物特征难以真实的反映人员的特征，因此相较于高质量的生物特征，难以根据低质量的生物特征区别不同人员。
因此选用高质量的生物特征作为样本三元组，则可以使得生成模型学习到如何生成可辨识度高的替代生物特征，即可以提高生成的替代生物特征的可辨识度，从而使得在将待更新生物特征更新为替代生物特征之后，可以根据高辨识度的替代生物特征更准确地进行人员识别，即选用满足条件三的样本三元组可以有效提高后续人员识别的准确率。
在一些实施例中，样本三元组可以满足上述条件一至三中的部分条件，在另一些实施例中，样本三元组也可以满足上述条件一至三中的所有条件。
在训练时样本三元组中的两个样本输入生物特征作为输入，样本输出生物特征作为标定的真值。示例性的，可以如图2所示，图2所示为本申请实施例提供的生成模型训练方法的一种流程示意图，可以包括：
S201，将样本三元组中的两个样本生物特征输入至预设初始模型，得到预设初始模型输出的真实输出生物特征。
初始模型的模型参数可以是人工设置的。
S202，根据真实输出生物特征与样本三元组中的样本输出生物特征，构建损失函数。
其中，损失函数与真实生物特征和样本输出生物特征之间的差异程度正相关，即真实生物特征和样本输出生物特征之间的差异程度越小损失函数越小，真实生物特征和样本输出生物特征之间的差异程度越大损失函数越大。
损失函数的构建方式根据应用场景的不同可以不同。示例性的，在一种可能的实施例中，损失函数可以包括以下三种损失中的一种或多种：识别特征损失、重构一致性损失、对抗损失。
S203，按照损失函数梯度下降的方向调整初始模型的模型参数，直至达到预设收敛条件，得到生成模型。
预设收敛条件根据应用场景的不同可以不同，示例性的可以是训练所使用的样本三元组的数量达到预设数量阈值，也可以是已经调整模型参数的次数达到预设次数阈值，还可以是模型收敛性达到预设阈值。
训练得到的生成模型可以如图3所示，图3所示为本申请实施例提供的生成模型的一种结构示意图，可以包括特征编码单元310和特征解码单元320。其中，特征编码单元310用于对输入的生物特征进行编码，以得到输入的生物特征的编码特征。特征解码单元320用于将输入的编码特征映射至生物特征。
参见图4，图4所示为本申请实施例提供的生成模型的原理示意图，可以包括：
S401，将待识别生物特征和待更新生物特征输入至特征编码单元，得到特征编码单元输出的待识别生物特征的编码特征和待更新生物特征的编码特征。
其中，编码特征可以是生物特征的一种向量化表示形式，以生物特征为人脸图像为例，编码特征可以是人脸图像的特征向量。
S402，将待识别生物特征的编码特征和待更新生物特征的编码特征输入至特征解码单元，得到特征解码单元输出的替代生物特征。
特征解码单元可以由多个卷积层、全连接层以及非线性激活函数构成，待识别生物特征的编码特征和待更新生物特征的编码特征在特征解码单元中融合，融合的方式可以是特征拼接(concat)、层系数注入、注意力机制的系数等方式，本实施例对此不做限制。
参见图5，图5所示为本申请实施例提供的生物特征库更新方法的另一种可能的流程示意图，可以包括：
S501，在生物特征库的注册生物特征中，获取待更新生物特征。
该步骤与S101相同，可以参见前述关于S101的相关说明，在此不再赘述。
S502，根据待识别生物特征和待更新生物特征，生成替代生物特征。
该步骤与S102相同，可以参见前述关于S102的相关说明，在此不再赘述。
S503，确定替代生物特征的质量是否高于待更新生物特征的质量，如果替代生物特征的质量高于待更新生物特征的质量，执行S504，如果替代生物特征的质量不高于待更新生物特征的质量，则执行S505。
S504，在生物特征库中，将待更新生物特征替换为替代生物特征。
该步骤与S103相同，可以参见前述关于S103的相关说明，在此不再赘述。
S505，维持待更新生物特征不变。
即不将生物特征库中的待更新生物生物特征替换为替代生物特征。
选用该实施例，可以避免因更新生物特征导致生物特征库中的生物特征的质量下降。
参见图6，图6所示为本申请实施例提供的生物特征库更新方法的另一种可能的流程示意图，可以包括：
S601，在生物特征库的注册生物特征中，获取待更新生物特征。
其中，待更新生物特征对应的识别特征与待识别生物特征对应的识别特征之间的相似度高于下限阈值。下限阈值为认定两个识别特征匹配的阈值，即当两个识别特征之间的相似度高于下限阈值时，则可以认定两个识别特征匹配，当两个识别特征之间的相似度低于下限阈值时，则可以认定两个识别特征不匹配。
S602，确定待识别生物特征对应的识别特征与待更新生物特征对应的识别特征之间的匹配程度是否高于上限阈值。
其中，上限阈值高于下限阈值。如前述分析，两个生物特征之间的匹配程度越高，则两个生物特征属于同一人员的可能性越高，因此如果待识别生物特征与待更新生物特征之间的匹配程度高于上限阈值，则可以进一步确定待识别生物特征与待更新生物特征为同一人员的生物特征。
S603，如果待识别生物特征对应的识别特征与待更新生物特征对应的识别特征之间的匹配程度高于上限阈值，根据待识别生物特征和待更新生物特征，生成替代生物特征。
可以是将待识别生物特征和待更新生物特征输入至生成模型，得到生成模型输出的替代生物特征，其中，生成模型预先经过样本三元组的训练，样本三元组中包括两个样本输入生物特征和一个样本输出生物特征，并且样本三元组中任两个生物特征对应的识别特征之间相互匹配，即两个样本输入生物特征各自对应的识别特征匹配，并且任一样本输入生物特征对应的识别特征与样本输出生物特征对应的识别特征匹配。
示例性的，假设上限阈值为95％，下限阈值为90％，如果待识别生物特征对应的识别特征与待更新生物特征对应的识别特征之间的匹配程度为96％，此时可以认为待识别生物特征与待更新生物特征极大概率为同一人员的生物特征，因此可以将待识别生物特征和待更新生物特征输入至生成模型，得到生成模型输出的替代生物特征，用于对待更新生物特征进行更新。
而如果待识别生物特征对应的识别特征与待更新生物特征对应的识别特征之间的匹配程度为91％，则此时可以认为虽然待识别生物特征与待更新生物特征较大概率为同一人员的生物特征，但是也有一定概率为不同人员的生物特征，此时如果将将待识别生物特征和待更新生物特征输入至生成模型，得到生成模型输出的替代生物特征，用于对待更新生物特征进行更新，则可能导致更新后的生物特征无法真实反映待更新生物特征所属人员的特征，因此此时可以不对待更新生物特征进行更新。
S604，在生物特征库中，将更新生物特征替换为替代生物特征。
该步骤与S103相同，可以参见前述关于S103的相关说明，在此不再赘述。
参见图7，图7所示为本申请实施例提供的生物特征库更新装置的一种结构示意图，可以包括：
在本申请实施例的第二方面，提供了一种生物特征库更新装置，所述装置包括：
特征匹配模块701，用于在生物特征库的注册生物特征中，获取待更新生物特征，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配；
特征生成模块702，用于根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征对应的识别特征与所述待识别生物特征对应的识别特征以及所述待更新生物特征对应的识别特征匹配；
特征替换模块703，用于在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征，并将所述待更新生物特征对应的识别特征替换为所述替代生物特征对应的识别特征。
在一种可能的实施例中，所述特征生成模块702根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，其中，所述生成模型预先经过样本三元组的训练，所述样本三元组中包括两个样本输入生物特征和一个样本输出生物特征，所述样本三元组中任两个生物特征对应的识别特征相互匹配。
在一种可能的实施例中，所述生成模型包括特征编码单元以及特征解码单元；
所述特征生成模块702将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至所述特征编码单元，得到所述特征编码单元输出的所述待识别生物特征的编码特征和所述待更新生物特征的编码特征；
将所述待识别生物特征的编码特征和所述待更新生物特征的编码特征输入至所述特征解码单元，得到所述特征解码单元输出的替代生物特征。
在一种可能的实施例中，所述样本三元组满足以下条件中的一个或多个条件：
所述样本输出生物特征对应的识别特征与任一样本输入生物特征对应的识别特征之间的相似度高于两个样本输入生物特征对应的识别特征之间的相似度；所述样本输出生物特征的预设属性的属性值不小于第一属性值，且不大于第二属性值，其中，所述第一属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较小值，所述第二属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较大值；任一生物特征的质量高于预设质量阈值。
在一种可能的实施例中，所述生成模型按照以下方式预先训练得到：
将样本三元组中的两个样本生物特征输入至预设初始模型，得到所述预设初始模型输出的真实输出生物特征；
根据所述真实输出生物特征与所述样本三元组中的样本输出生物特征，构建损失函数，所述损失函数与所述真实输出生物特征和所述样本输出生物特征之间的差异程度正相关；
按照使所述损失函数梯度下降的方向调整所述初始模型的模型参数，直至达到预设收敛条件，得到生成模型。
在一种可能的实施例中，所述特征替换模块703还用于在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征之前，确定所述替代生物特征的质量是否高于所述待更新生物特征的质量；
如果所述替代生物特征的质量高于所述待更新生物特征的质量，执行所述在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征的步骤；
如果所述替代生物特征的质量不高于所述待更新生物特征的质量，维持所述待更新生物特征不变。
在一种可能的实施例中，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征之间的相似度高于下限阈值；
所述特征生成模块702还用于在所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征之前，确定所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度是否高于上限阈值，所述上限阈值高于所述下限阈值；
如果所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度高于所述上限阈值，则执行所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征的步骤。
在一种可能的实施例中，所述注册生物特征为已注册人员的人脸图像，所述待识别生物特征为待识别人员的人脸图像。
本申请实施例还提供了一种电子设备，如图8所示，包括：
存储器801，用于存放计算机程序；
处理器802，用于执行存储器801上所存放的程序时，实现如下步骤：
在生物特征库的注册生物特征中，获取与待识别生物特征匹配的注册生物特征，作为待更新生物特征；
根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征与所述待识别生物特征和所述待更新生物特征匹配；
在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一生物特征库更新方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一生物特征库更新方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置、电子设备、计算机可读存储介质以及计算机程序产品的实施例而言，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较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (11)

1.一种生物特征库更新方法，其特征在于，所述方法包括：
在生物特征库的注册生物特征中，获取待更新生物特征，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配；
根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征对应的识别特征与所述待识别生物特征对应的识别特征以及所述待更新生物特征对应的识别特征匹配；
在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征，并将所述待更新生物特征对应的识别特征替换为所述替代生物特征对应的识别特征。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，其中，所述生成模型预先经过样本三元组的训练，所述样本三元组中包括两个样本输入生物特征和一个样本输出生物特征，所述样本三元组中任两个生物特征对应的识别特征相互匹配。
3.根据权利要求2所述的方法，其特征在于，所述生成模型包括特征编码单元以及特征解码单元；
所述将所述待识别生物特征和所述待更新生物特征输入至生成模型，得到所述生成模型输出的替代生物特征，包括：
将所述待识别生物特征和所述待更新生物特征输入至所述特征编码单元，得到所述特征编码单元输出的所述待识别生物特征的编码特征和所述待更新生物特征的编码特征；
将所述待识别生物特征的编码特征和所述待更新生物特征的编码特征输入至所述特征解码单元，得到所述特征解码单元输出的替代生物特征。
4.根据权利要求2所述的方法，其特征在于，所述样本三元组满足以下条件中的一个或多个条件：
所述样本输出生物特征对应的识别特征与任一样本输入生物特征对应的识别特征之间的相似度高于两个样本输入生物特征对应的识别特征之间的相似度；所述样本输出生物特征的预设属性的属性值不小于第一属性值，且不大于第二属性值，其中，所述第一属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较小值，所述第二属性值为两个样本输入生物特征各自的所述预设属性的属性值中的较大值；任一生物特征的质量高于预设质量阈值。
5.根据权利要求2所述的方法，其特征在于，所述生成模型按照以下方式预先训练得到：
将样本三元组中的两个样本生物特征输入至预设初始模型，得到所述预设初始模型输出的真实输出生物特征；
根据所述真实输出生物特征与所述样本三元组中的样本输出生物特征，构建损失函数，所述损失函数与所述真实输出生物特征和所述样本输出生物特征之间的差异程度正相关；
按照使所述损失函数梯度下降的方向调整所述初始模型的模型参数，直至达到预设收敛条件，得到生成模型。
6.根据权利要求1所述的方法，其特征在于，在所述将所述待更新生物特征替换为所述替代生物特征之前，所述方法还包括：
确定所述替代生物特征的质量是否高于所述待更新生物特征的质量；
如果所述替代生物特征的质量高于所述待更新生物特征的质量，执行所述在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征的步骤；
如果所述替代生物特征的质量不高于所述待更新生物特征的质量，维持所述待更新生物特征不变。
7.根据权利要求1所述的方法，其特征在于，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征之间的相似度高于下限阈值；
在所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征之前，所述方法还包括：
确定所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度是否高于上限阈值，所述上限阈值高于所述下限阈值；
如果所述待识别生物特征对应的识别特征与所述待更新生物特征对应的识别特征之间的相似度高于所述上限阈值，则执行所述根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征的步骤。
8.根据权利要求1-7任一所述的方法，其特征在于，所述注册生物特征为已注册人员的人脸图像，所述待识别生物特征为待识别人员的人脸图像。
9.一种生物特征库更新装置，其特征在于，所述装置包括：
特征匹配模块，用于在生物特征库的注册生物特征中，获取待更新生物特征，所述待更新生物特征对应的识别特征与待识别生物特征对应的识别特征匹配；
特征生成模块，用于根据所述待识别生物特征和所述待更新生物特征，生成替代生物特征，其中，所述替代生物特征对应的识别特征与所述待识别生物特征对应的识别特征以及所述待更新生物特征对应的识别特征匹配；
特征替换模块，用于在所述生物特征库中，将所述待更新生物特征替换为所述替代生物特征，并将所述待更新生物特征对应的识别特征替换为所述替代生物特征对应的识别特征。
10.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
11.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
CN202011495346.5A 2020-12-17 2020-12-17 一种生物特征库更新方法、装置及电子设备 Active CN112541446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011495346.5A CN112541446B (zh) 2020-12-17 2020-12-17 一种生物特征库更新方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011495346.5A CN112541446B (zh) 2020-12-17 2020-12-17 一种生物特征库更新方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112541446A true CN112541446A (zh) 2021-03-23
CN112541446B CN112541446B (zh) 2023-09-05

Family

ID=75018660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011495346.5A Active CN112541446B (zh) 2020-12-17 2020-12-17 一种生物特征库更新方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112541446B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022083653A1 (zh) * 2020-10-20 2022-04-28 杭州海康威视数字技术股份有限公司 更新生物特征库的方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942334A (zh) * 2014-05-06 2014-07-23 上海云享科技有限公司 一种用户生物特征数据库更新的方法及装置
CN107239766A (zh) * 2017-06-08 2017-10-10 深圳市唯特视科技有限公司 一种利用对抗网络和三维形态模型的大幅度人脸摆正方法
US20190080433A1 (en) * 2017-09-08 2019-03-14 Baidu Online Network Technology(Beijing) Co, Ltd Method and apparatus for generating image
CN110363150A (zh) * 2019-07-16 2019-10-22 深圳市商汤科技有限公司 数据更新方法及装置、电子设备和存储介质
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN111104825A (zh) * 2018-10-26 2020-05-05 北京陌陌信息技术有限公司 人脸注册库更新方法、装置、设备及介质
US20200202111A1 (en) * 2018-12-19 2020-06-25 Netease (Hangzhou) Network Co.,Ltd. Image Processing Method and Apparatus, Storage Medium and Electronic Device

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942334A (zh) * 2014-05-06 2014-07-23 上海云享科技有限公司 一种用户生物特征数据库更新的方法及装置
CN107239766A (zh) * 2017-06-08 2017-10-10 深圳市唯特视科技有限公司 一种利用对抗网络和三维形态模型的大幅度人脸摆正方法
US20190080433A1 (en) * 2017-09-08 2019-03-14 Baidu Online Network Technology(Beijing) Co, Ltd Method and apparatus for generating image
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN111104825A (zh) * 2018-10-26 2020-05-05 北京陌陌信息技术有限公司 人脸注册库更新方法、装置、设备及介质
US20200202111A1 (en) * 2018-12-19 2020-06-25 Netease (Hangzhou) Network Co.,Ltd. Image Processing Method and Apparatus, Storage Medium and Electronic Device
CN110363150A (zh) * 2019-07-16 2019-10-22 深圳市商汤科技有限公司 数据更新方法及装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KANG WANG等: "《A Hierarchical Generative Model for Eye Image Synthesis and Eye Gaze Estimation》", 《CVPR》 *
吴晓燕 等: "《基于深度卷积生成式对抗网络的人脸恢复方法》", 《计算机应用与软件》, vol. 37, no. 8 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022083653A1 (zh) * 2020-10-20 2022-04-28 杭州海康威视数字技术股份有限公司 更新生物特征库的方法、装置及电子设备

Also Published As

Publication number Publication date
CN112541446B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111046152B (zh) Faq问答对自动构建方法、装置、计算机设备及存储介质
CN111783902B (zh) 数据增广、业务处理方法、装置、计算机设备和存储介质
US20210350346A1 (en) System and method for using passive multifactor authentication to provide access to secure services
WO2022105118A1 (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN112464809A (zh) 一种人脸关键点检测方法、装置、电子设备及存储介质
WO2020211387A1 (zh) 电子合同显示方法、装置、电子设备及计算机存储介质
CN111883140A (zh) 基于知识图谱和声纹识别的认证方法、装置、设备及介质
CN112417887B (zh) 敏感词句识别模型处理方法、及其相关设备
CN112163637B (zh) 基于非平衡数据的图像分类模型训练方法、装置
CN112560710B (zh) 一种用于构建指静脉识别系统的方法及指静脉识别系统
CN111931153A (zh) 基于人工智能的身份验证方法、装置和计算机设备
Czyżewski et al. Analysis of results of large‐scale multimodal biometric identity verification experiment
CN113254687B (zh) 图像检索、图像量化模型训练方法、装置和存储介质
CN112541446B (zh) 一种生物特征库更新方法、装置及电子设备
US20210192032A1 (en) Dual-factor identification system and method with adaptive enrollment
CN112633369B (zh) 图像匹配方法、装置、电子设备、计算机可读存储介质
CN111914769B (zh) 用户合法性判定方法、装置、计算机可读存储介质及设备
US20210044864A1 (en) Method and apparatus for identifying video content based on biometric features of characters
Yang et al. Finding badly drawn bunnies
CN115310606A (zh) 基于数据集敏感属性重构的深度学习模型去偏方法及装置
CN114898184A (zh) 模型训练方法、数据处理方法、装置及电子设备
JP7347750B2 (ja) 照合装置、学習装置、方法、及びプログラム
CN113420699A (zh) 一种人脸匹配方法、装置及电子设备
CN114117037A (zh) 意图识别方法、装置、设备和存储介质
WO2022083653A1 (zh) 更新生物特征库的方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant