CN112667840B - 特征样本库构建方法、通行识别方法、装置及存储介质 - Google Patents
特征样本库构建方法、通行识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112667840B CN112667840B CN202011526710.XA CN202011526710A CN112667840B CN 112667840 B CN112667840 B CN 112667840B CN 202011526710 A CN202011526710 A CN 202011526710A CN 112667840 B CN112667840 B CN 112667840B
- Authority
- CN
- China
- Prior art keywords
- sample library
- user
- level
- characteristic sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 30
- 230000005012 migration Effects 0.000 claims description 26
- 238000013508 migration Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 5
- 239000000523 sample Substances 0.000 description 668
- 238000005516 engineering process Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 239000012472 biological sample Substances 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种特征样本库构建方法、通行识别方法、装置及存储介质，属于数据处理领域。该通行识别方法包括：获取用户的用户生物特征和通行识别请求信息；利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别，特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j‑1级特征样本库包括第j级特征样本库，1＜j≤N；在与通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许用户通行。根据本申请实施例能够提高通行识别的准确率。
Description
技术领域
本申请属于数据处理领域，尤其涉及一种特征样本库构建方法、通行识别方法、装置及存储介质。
背景技术
生物识别技术是利用人体固有的生理特征来进行个人身份鉴定的技术。随着生物识别技术的发展，生物识别技术被应用于越来越多的领域，如安保领域、通行领域、支付领域等。
由于生物识别的快捷性，交通通行领域对通过生物识别技术实现通行具有很大的需求。但受到生物识别技术精度的限制，由于交通通行用户数量庞大，导致通行识别的准确率下降。
发明内容
本申请实施例提供一种特征样本库构建方法、通行识别方法、装置及存储介质，能够提高通行识别的准确率。
第一方面，本申请实施例提供一种通行识别方法，包括：获取用户的用户生物特征和通行识别请求信息，通行识别请求信息包括通行请求位置；利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别，特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，N为大于1的整数，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，通行信息包括通行位置；在与通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许用户通行。
第二方面，本申请实施例提供一种特征样本库的构建方法，包括：获取样本用户在样本测试周期内的通行信息，通行信息包括通行位置；按照通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，N为大于1的整数；根据第1级特征样本库至第N级特征样本库，构建特征样本库。
第三方面，本申请实施例提供一种通行识别系统，包括：生物特征采集装置，用于采集用户的用户生物特征，并将用户生物特征传输至通行站点处理装置；通行站点处理装置，用于利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别，在身份识别成功的情况下，向通道引导装置发送第一指令，在身份识别失败的情况下，向通道引导装置发送第二指令；通道引导装置，用于响应于第一指令，打开通行通道，或者，响应于第二指令，打开通向备用通行闸机的通道；备用通行闸机，用于采用备用方式对用户进行通行识别，备用方式与生物特征识别方式不同；其中，特征样本库包括第1级特征样本库至第N级特征样本库，特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，通行信息包括通行位置。
第四方面，本申请实施例提供一种通行识别装置，包括：获取模块，用于获取用户的用户生物特征和通行识别请求信息，通行识别请求信息包括通行请求位置；识别模块，用于利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别，特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，N为大于1的整数，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，通行信息包括通行位置；通行执行模块，用于在与通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许用户通行。
第五方面，本申请实施例提供一种特征样本库的构建装置，包括：获取模块，用于获取样本用户在样本测试周期内的通行信息，通行信息包括通行位置；样本库划分模块，用于按照通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，N为大于1的整数；构建模块，用于根据第1级特征样本库至第N级特征样本库，构建特征样本库。
第六方面，本申请实施例提供一种通行识别设备，设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面的通行识别方法。
第七方面，本申请实施例提供一种特征样本库的构建设备，设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第二方面的特征样本库的构建方法。
第八方面，本申请实施例提供一种通行识别系统，包括多个第六方面的通行识别设备，不同的通行识别设备设置于不同的通行区域。
第九方面，本申请实施例提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面的通行识别方法或第二方面的特征样本库的构建方法。
本申请实施例提供一种特征样本库构建方法、通行识别方法、装置及存储介质，特征样本库包括第1级特征样本库至第N级特征样本库，第1级特征样本库至第N级特征样本库是根据样本用户的通行信息划分得到的。第1级特征样本库至第N级特征样本库中，上级特征样本库包括下级特征样本库，由上级特征样本库至下级特征样本库，每级特征样本库中生物特征样本的数量逐渐减少，使得用于进行用户的身份识别的第i级特征样本库中生物特征样本的数量较少，且该第i级特征样本库与该用户的通行识别请求信息匹配，该用户的用户生物特征在该第i级特征样本库中身份识别成功的可能性非常高，从而提高了利用生物识别技术实现通行识别的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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附图。
图1为本申请提供的特征样本库构建方法的一实施例的流程图；
图2为本申请实施例提供的四级特征样本库的一示例的示意图；
图3为本申请提供的通行信息的等级的一示例的示意图；
图4为本申请提供的通行识别方法的一实施例的流程图；
图5为本申请提供的通行识别系统的一实施例的示意图；
图6为本申请提供的特征样本库的构建装置的一实施例的结构示意图；
图7为本申请提供的通行识别装置的一实施例的结构示意图；
图8为本申请提供的特征样本库的构建设备的一实施例的结构示意图；
图9为本申请提供的通行识别设备的一实施例的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
随着生物识别技术的发展，越来越多的领域应用生物识别技术进行身份识别。例如，安保领域、通行领域、支付领域等。生物识别技术中采用的生物特征可包括人脸特征、指纹特征、虹膜特征等，在此并不限定。由于生物识别采用的是1：N识别方式，即对一个待测对象进行身份识别的情况下，利用该待测对象的生物特征和识别样本库中的多个特征样本一一进行匹配，将匹配度高于标准阈值的特征样本对应的对象身份确定为待测对象的身份。
但随着网络技术的发展，各个领域中识别的范围逐渐增大，甚至可以扩展至城市、省、全国等。例如，A城市中地铁采用人脸识别技术，以实现乘客身份识别及地铁出行支付。A城市地铁所对应的识别样本库中包括A城市中所有登记的乘客的特征样本。而一个城市中地铁的乘客数量非常庞大，在一些城市中，地铁的乘客数量甚至能够达到几十万甚至上百万。对应地，识别样本库中的特征样本的数量也能够达到几十万甚至上百万。在识别样本库中特征样本数量如此庞大的情况下，生物识别算法的准确率将会降低，且生物识别花费的时间会更长，生物识别效率降低。
本申请提供一种特征样本库构建方法、通行识别方法、装置、设备、系统及存储介质，能够提高生物识别的准确度，从而提高利用生物识别技术进行通行识别的准确率。
图1为本申请提供的特征样本库构建方法的一实施例的流程图。如图1所示，该特征样本库构建方法可包括步骤S101至步骤S103。
在步骤S101中，获取样本用户在样本测试周期内的通行信息。
样本用户可视为已登记即开通生物识别功能的用户，已预先获取了样本用户的生物特征样本。生物特征样本具体可包括人脸特征样本、指纹特征样本、虹膜特征样本等，在此并不限定。为了便于说明，本申请实施例以生物特征样本包括人脸特征样本，即构建的特征样本库用于人脸识别为例进行说明。
样本测试周期为构建及更新特征样本库所需信息的采集周期，具体可根据工作场景和工作需求设定，在此并不限定。例如，样本测试周期可为7天。
样本用户的通行信息用于表征样本用户的通行情况。具体地，通行信息可包括通行位置。通行位置即为用户进行通行识别的位置。通行位置可根据样本用户的定位信息获取，在此并不限定获取通行位置的方式。
在步骤S102中，按照通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库。
通行信息的等级可与通行信息的精度相关。不同的通行信息对应的等级可以相同，也可以不同。可根据通行信息对应的等级从属关系，对样本用户的生物特征样本进行划分。将属于同一等级的通行信息所对应的样本用户的生物特征样本划分至同一级特征样本库。在第1级特征样本库至第N级特征样本库中，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，N为大于1的整数。即上级特征样本库包括下级特征样本库，上级特征样本库中生物样本特征的数量大于或等于下级特征样本库中生物样本特征。第j-1级特征样本库中生物样本特征可包括第j级特征样本库中的生物样本特征。需要说明的是，这里的“上级”和“下级”是相对概念。例如，第3级特征样本库是第4级特征样本库的上级特征样本库。第3级特征样本库和第4级样本特征数据库均为第2级特征样本库的下级特征样本库。
例如，通行信息对应的等级可按照区域的等级从属关系确定。区域的等级从属关系包括：城市包括地铁线路，地铁线路包括地铁站点。样本用户A1的通行位置为B1城市2号线C1站，样本用户A2的通行位置为B2城市1号线C2站，样本用户A3的通行位置为B1城市1号线C3站，样本用户A4的通行位置为B1城市2号线C1站，样本用户A5的通行位置为B2城市2号线C4站。图2为本申请实施例提供的四级特征样本库的一示例的示意图。根据样本用户A1至A5的通行位置划分得到的第1级特征样本库至第4级特征样本库，如图2所示，第1级特征样本库对应国内，包括样本用户A1至A5的生物特征样本。按照通行位置城市的不同，划分得到两个第2级特征样本库。国内包括B1城市和B2城市，第1级特征样本库包括两个第2级特征样本库。第一个第2级特征样本库包括通行位置所属的城市为B1城市的样本用户A1、A4、A5和A3的生物特征样本，第二个第2级特征样本库包括通行位置所属的城市为B2城市的样本用户A2的生物特征样本。按照通行位置地铁线路的不同，划分得到三个第3级特征样本库。B1城市包括1号线和2号线。第一个第2级特征样本库包括两个第3级特征样本库。B1城市1号线对应的第3级特征样本库包括样本用户A3的生物特征样本，B1城市2号线对应的第3级特征样本库包括样本用户A1、A4和A5的生物特征样本。第二个第2级特征样本库包括一个第3级特征样本库。B2城市1号线对应的第3级特征样本库包括样本用户A2的生物特征样本。按照通行位置地铁站点的不同，换分得到四个第4级特征样本库。B1城市1号线包括地铁站点C1站和C4站，B1城市1号线对应的第3级特征样本库包括C1站对应的第4级特征样本库和C4站对应的第4级特征样本库。C1站对应的第4级特征样本库包括样本用户A1和A4的生物特征样本，C4站对应的第4级特征样本库包括样本用户A5的生物特征样本。B2城市1号线对应的第3级特征样本库包括C3站对应的第4级特征样本库。C3站对应的第4级特征样本库包括样本用户A2的生物特征样本。
通过对数据库进行分级划分，能够减少第N级特征样本库中生物特征样本的数量。一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值。第一识别数量限制可根据具体的工作场景和工作需求设定，如，根据生物识别算法的精度限制设置，在此并不限定。例如，第一识别数量限制阈值可为2万。在某一级样本特征数据库的生物特征样本的数量小于或等于第一识别数量限制阈值的情况下，不需要再将一级样本特征数据库划分为下一级样本特征数据库。
在步骤S103中，根据第1级特征样本库至第N级特征样本库，构建特征样本库。
特征样本库包括上述的第1级特征样本库至第N级特征样本库。特征样本库中的第1级特征样本库至第N级特征样本库可用于对用户进行身份识别，以实现用户的通行。
在本申请实施例中，按照样本用户的通行信息，将样本用户的生物特征样本划分为第1级特征样本库至第N级特征样本库。第1级特征样本库至第N级特征样本库中，上级特征样本库包括下级特征样本库，由上级特征样本库至下级特征样本库，每级特征样本库中生物特征样本的数量逐渐减少。第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，以保证进行身份识别过程中采用的某级特征样本库中的生物特征样本的数量较少，能够提高生物识别的准确率，从而能够提高利用生物识别进行通行识别的准确率。
在一些实施例中，上述步骤S202可具体细化为根据通行位置所属的区域的等级从属关系，将样本用户的生物特征样本划分为第1级特征样本库至第N级特征样本库。
在通行信息包括通行位置的情况下，通行信息对应的等级从属关系可包括通行位置所属的区域的等级从属关系。第j-1级特征样本库对应的通行位置所属的区域包括第j级特征样本库对应的通行位置所属的区域。
例如，国内包括城市，城市包括地铁线路，地铁线路包括地铁站点。地铁站点的等级从属于地铁线路的等级，地铁线路的等级从属与城市的等级，城市的等级从属于国内的等级。按照国内、城市、地铁线路、地铁站点的等级从属关系，可划分得到第1级特征样本库至第4级特征样本库，即N＝4。如图2所示的第1级特征样本库至第4级特征样本库。
在另一些实施例中，通行信息还可包括通行时间。上述步骤S202可细化为：根据通行位置所属的区域的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N-1级特征样本库；在第N-1级特征样本库中生物特征样本的数量大于第二识别数量限制阈值的情况下，按照通行时间所属的时间段，将第N-1级特征样本库中的生物特征样本划分得到至少两个第N级特征样本库。其中，第x-1级特征样本库对应的通行位置所属的区域包括第x级特征样本库对应的通行位置所属的区域，1＜x≤N-1。
在通行信息包括通行位置和通行时间的情况下，通行信息对应的等级从属关系可包括通行位置所属的区域的等级从属关系，以及通行位置所属区域与该区域各时间段的等级充数关系。在第N-1级特征样本库中生物特征样本的数量大于第二识别数量限制阈值的情况下，表示第N-1级特征样本库中生物特征样本的数量依然较多。由于第N-1级特征样本库与通行位置能够区分的最底层的区域的等级对应，因此在最底层的区域的等级的基础上，可按照时间维度，将第N-1级特征样本库中生物特征样本划分为与多个时间段分别对应的第N级特征样本库。
在一些示例中，图3为本申请提供的通行信息的等级的一示例的示意图。如图3所示，国内包括多个省，每个省可包括多个城市，每个城市可包括多条通行线路，每条通行线路可包括多个通行站点，每个通行站点可包括多个时间段。
例如，按照区域等级关系，通行位置所属的区域可包括国内、省、城市、通行线路、通行站点五个等级。在通行站点对应的第5级特征样本库中生物特征样本的数量大于第二识别数量限制阈值的情况下，可按照时间段，将第5级特征样本库中生物特征样本划分得到多个第6级特征样本库。每个第6级特征样本库对应一个时间段。
各个时间段的时长可以相同，也可不同，在此并不限定。例如，可将一天24小时划分为12个时间段，每个时间段的时长为两小时。又例如，可将上午7点至上午10点划分为三个时间段，每个时间段的时长为一小时；将下午5点至下午8点划分为三个时间段，每个时间段的时长为一小时；将除上午7点至上午10点、下午5点至下午8点以外的时间，每三小时划分为一个时间段；即不同的时间段的时长可以不同。
第二识别数量限制阈值可根据工作场景和工作需求设定，在此并不限定。第二识别数量限制阈值与第一识别数量限制可以相同，也可不同，在此并不限定。
通过通行时间，可将生物特征样本数量大于第二识别数量限制阈值的第N-1级特征样本库分为两个以上的第N级特征样本库，使得用于进行通行识别的第N级特征样本库的生物识别准确率和效率更高。
具体地，在对第N-1级特征样本库中的生物特征样本的过程中，可针对每一个样本用户的通行时间，来确定将该样本用户的生物特征样本划分至哪一个第N级特征样本库。
在一些示例中，可以以目标样本用户的通行时间为中心，确定时长为第一时长的第一目标时间段。将目标样本用户的生物特征样本划分至第一目标时间段对应的第N级特征样本库。
目标样本用户为样本用户中的任意一位。第一时长可根据工作场景和工作需求设定，在此并不限定。例如，第一时长可为1小时。目标样本用户的通行时间为8:30，则以8:30为中心，向前取30分钟，向后取30分钟，得到该目标样本用户对应的第一目标时间段为8:00～9:00。将该目标样本用户的生物特征样本划分至时间段8:00～9:00匹配的第N级特征样本库。
在另一些示例中，可以以目标样本用户的通行时间为中心，确定时长为第一时长的第一目标时间段。在目标样本用户在样本测试周期内的通行时间落入第一目标时间段的次数超过预设次数阈值的情况下，将目标样本用户的生物特征样本划分至第一目标时间段匹配的第N级特征样本库。
目标样本用户的通行时间在样本测试周期内可能会有所波动，根据目标样本用户一次通行的通行时间，将该目标样本用户的生物特征样本划分至某个第N级特征样本库，可能是不准确的，降低了构建的第N级特征样本库准确性。为了保证构建的第N级特征样本库的准确性，在样本测试周期内，目标样本用户的通行时间落入第一目标时间段的次数超过预设次数阈值的情况下，将该目标样本用户的生物特征样本划分至第一目标时间段匹配的第N级特征样本库。预设次数阈值可根据工作场景和工作需求设定，在此并不限定。例如，样本测试周期为7天，预设次数阈值可为3次。
通过预设次数阈值来保证参与第N级特征样本库的划分的通行时间是稳定准确的，从而保证构建的第N级特征样本库的准确性和稳定性。
由于通行时间上可能存在高峰期，高峰期第一时长的时间段内的样本用户的数量会上升，使得按照第一目标时间段划分的第N级特征样本库中的生物特征样本的数量过多，影响通行识别的准确性。需要缩短时间段的时长，以减少进行通行识别所利用的时间段对应的第N级特征样本库中生物特征样本的数量。
具体地，可在第一目标时间段对应的第N级特征样本库中生物特征样本的数量大于第三识别数量限制阈值的情况下，以目标样本用户的通行时间为中心，重新确定时长为第二时长的第二目标时间段。将目标样本用户的生物特征样本划分至第二目标时间段匹配的第N级特征样本库。
第一目标时间段对应的第N级特征样本库中生物特征样本的数量大于第三识别数量限制阈值，表示第一目标时间段对应的第N级特征样本库中生物特征样本的数量过大，可能会降低通行识别的准确率和效率。因此，需要重新确定合适的目标时间段。重新确定的第二目标时间段的时长为第二时长，第二时长小于第一时长，以减少重新确定的目标时间段匹配的第N级特征样本库中生物特征样本的数量。第二时长可根据工作场景和工作需求设定，在此并不限定。第二目标时间段匹配的第N级特征样本库中生物特征样本的数量小于或等于第三识别数量限制阈值。第二时长可根据第三识别数量限制阈值确定。例如，第三识别数量限制阈值为1万，则可取以目标样本用户的通行时间为中心，向前T分钟，向后T分钟的范围内第N级特征样本库中生物特征样本的数量达到1万的情况下，根据T的取值，确定2T为第二时长。
第三识别数量限制阈值可根据工作场景和工作需求设定，在此并不限定。例如，第三识别数量限制阈值可为1万。第三识别数量限制阈值可与上述第一识别数量限制阈值、第二识别数量限制阈值相等，也可不等，在此并不限定。
在一些示例中，样本用户可能会出现短期或长期的通行位置的更换，为了更准确、快捷地实现这些样本用户的通行识别。可设置与第m级特征样本库关联的临时特征样本库，将这些样本用户的生物特征样本划分至临时特征样本库，以在通行识别的过程中，可在临时特征样本库进行通行识别。其中，m为整数且1＜m≤N。m的取值可根据工作场景和工作需求设定，在此并不限定。
具体地，可获取样本用户的行为信息。在样本用户的行为信息满足临时迁移条件的情况下，将样本用户的生物特征样本转移至目标特征样本库关联的临时特征样本库。目标特征样本库为与行为信息匹配的第m级特征样本库。
行为信息包括但不限于以下一项或多项：定位信息、支付信息、备用方式通行信息。备用方式通行信息指的是采用非生物识别方式进行通信识别产生的通行信息。根据定位信息、支付信息、备用方式通行信息等信息，可获取到样本用户的位置。根据样本用户的位置的变化，可确定样本用户惯用的通行位置所属区域是否发生变化。
临时迁移条件用于判定样本用户惯用的通行位置所属区域是否发生变化。临时迁移条件可根据工作场景和工作需求设定，在此并不限定。例如，临时迁移条件包括在预设时间段内，行为信息表征的样本用户的通行位置出现在非惯用区域的次数超过迁移判定次数阈值。又例如，行为信息表征的样本用户的通行位置出现在非惯用区域的时长超过迁移判定时长阈值。还例如，行为信息表征的样本用户将在非惯用区域驻留一段时间。
例如，获取到的行为信息表征样本用户购买了10月1日从城市1前往城市2的机票。对应地，可在10月1日，将该样本用户的生物特征样本转移至城市2匹配的第2级特征样本库关联的临时特征样本库。
上述实施例中的临时特征样本库可包括临时加入特征样本库和临时离开特征样本库。临时加入特征样本库与用户转移到的目的地匹配的第m级特征样本库关联。临时离开特征样本库与用户未转移的出发地匹配的第m级特征样本库关联。
在一些示例中，在临时特征样本库中生物特征样本对应的样本用户的所述行为信息满足迁移恢复条件的情况下，可将样本用户的生物特征样本转移至原级别特征样本库。原级别特征样本库为该样本用户的生物特征样本转移至临时特征样本库之前所在的级别特征样本库。迁移恢复条件可根据工作场景和工作需求设定，在此并不限定。
在一些示例中，样本用户的通行位置可能是长期更换，可将该样本用户的生物特征样本从临时特征样本库转移至该临时特征样本库关联的第m级特征样本库。
具体地，在临时特征样本库中样本用户的生物特征样本满足固定迁移条件的情况下，将样本用户的生物特征样本转移至临时特征样本库关联的第m级特征样本库。
固定迁移条件用于判定临时特征样本库中生物特征样本对应的样本用户是否长期驻留第m级特征样本库对应的区域。固定迁移条件可根据工作场景和工作需求设定，在此并不限定。例如，固定迁移条件包括在一个时间段内，在临时特征样本库中样本用户的生物特征样本被匹配成功的次数超过固定判定次数阈值。时间段和固定判定次数阈值可根据工作场景和工作需求设定，在此并不限定，如在30天内，临时特征样本库中样本用户的生物特征样本被匹配成功的次数超过20次，将该样本用户的生物特征样本转移至临时特征样本库关联的第m级特征样本库。又例如，固定迁移条件包括临时特征样本库中样本用户的生物特征样本被多次匹配成功的持续时长超过固定判定时长阈值。固定判定时长阈值可根据工作场景和工作需求设定，在此并不限定，如临时特征样本库中样本用户的生物特征样本被多次匹配成功的持续时长超过90天，将该样本用户的生物特征样本转移至临时特征样本库关联的第m级特征样本库。
在一些示例中，也可周期性地更新第1级特征样本库至所述第N级特征样本库中的生物特征样本，以保证利用特征样本库进行通行认证的准确性和效率。
具体地，可周期性获取样本用户的通行信息。利用周期性获取的通行信息，更新第1级特征样本库至第N级特征样本库中的生物特征样本。即第1级特征样本库至第N级特征样本库中包括的生物特征样本会随着样本用户的通行信息的变化而变化，从而保证划分得到的第1级特征样本库至第N级特征样本库用于通行识别的准确性。
下面介绍利用上述实施例中构建的特征样本库进行通行识别的方法。图4为本申请提供的通行识别方法的一实施例的流程图。如图4所示，该通行识别方法可包括步骤S201至步骤S203。
在步骤S201中，获取用户的用户生物特征和通行识别请求信息。
用户的用户生物特征用于进行该用户的通行识别的身份识别。用户的通行识别请求信息用于辅助该用户的通行识别的身份识别。通行识别请求信息包括通行请求位置。通行请求位置用于表征用户发起通行请求的位置。
在步骤S202中，利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别。
特征样本库包括第1级特征样本库至第N级特征样本库，N为大于1的整数。i为整数且1＜i≤N。一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值。第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的。第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N。通行信息包括通行位置。
特征样本库中第1级特征样本库至第N级特征样本库的具体内容可参见上述实施例中的相关说明，在此不再赘述。
具体地，可根据通行识别请求信息，确定与该通行识别请求信息匹配的第i级特征样本库。利用用户生物特征与该通行识别请求信息匹配的第i级特征样本库中生物特征样本匹配，以进行该用户的身份识别。
在步骤S203中，在与通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许用户通行。
与通行识别请求信息匹配的第i级特征样本库进行身份识别成功，表示该用户为第i级特征样本库中生物特征样本对应的样本用户中的一个。身份识别成功，允许该用户通行。例如，可设置通行闸机，在该用户的身份识别成功的情况下，闸机打开。
在本申请实施例中，特征样本库包括第1级特征样本库至第N级特征样本库，第1级特征样本库至第N级特征样本库是根据样本用户的通行信息划分得到的。第1级特征样本库至第N级特征样本库中，上级特征样本库包括下级特征样本库，由上级特征样本库至下级特征样本库，每级特征样本库中生物特征样本的数量逐渐减少，使得用于进行用户的身份识别的第i级特征样本库中生物特征样本的数量较少，且该第i级特征样本库与该用户的通行识别请求信息匹配，该用户的用户生物特征在该第i级特征样本库中身份识别成功的可能性非常高，从而提高了利用生物识别技术实现通行识别的准确率，同时也提高了利用生物识别技术实现通行识别的效率。
在一些实施例中，可利用通行识别请求信息中的通行请求位置，来确定用于进行通行的身份识别的第i级特征样本库。
具体地，可根据所述通行请求位置，在特征样本库中确定与通行请求位置匹配的第N级特征样本库。利用用户生物特征，在与通行请求位置匹配的第N级特征样本库进行身份识别。也就是说，在本示例中，i＝N，即用于进行身份识别的第i级特征样本库为第N级特征样本库。
例如，第1级特征样本库至第N级特征样本库如图2所示，N＝4。若用户的通行识别请求信息中的通行请求位置为国内B1城市2号线C1站，与该通行请求位置对应的为以C1站划分的第4级特征样本库。对应地，利用用户的用户生物特征，与以C1站划分的第4级特征样本库中样本用户A1和A4的生物特征样本进行匹配，以进行身份识别。
但可能存在由于用户的通行路线出现变化，导致在第N级特征样本库中的身份识别失败的情况。在与通行请求位置匹配的第N级特征样本库进行身份识别失败的情况下，可利用用户生物特征，在包括与通行请求位置匹配的第N级特征样本库的上级特征样本库中逐级进行身份识别，直至在N-k1级特征样本库中身份识别成功。k1为正整数。i＝N-k1，即用于进行身份识别的与通行识别请求信息匹配的第i级特征样本库，为第N-k1级特征样本库。
例如，第1级特征样本库至第N级特征样本库如图2所示，N＝4。若用户A5本次需要从C1站通行，在以C1站划分的第4级特征样本库中身份识别失败。可在包括以C1站划分的第4级特征样本库的以2号线划分的第3级特征样本库中进行身份识别，在以2号线划分的第3级特征样本库中身份识别成功。即k1＝1，i＝4-1＝3。
在另一些实施例中，划分第1级特征样本库至第N级特征样本库所需的通行信息还可包括通行时间。通行识别请求信息还可包括通行请求时间。可利用通行识别请求信息中的通行请求位置和通行请求时间，来确定用于进行通行的身份识别的第i级特征样本库。
具体地，可根据通行请求位置，在特征样本库中确定与通行请求位置匹配的第N-1级特征样本库。在与通行请求位置匹配的第N-1级特征样本库中生物特征样本数大于第二识别数量限制阈值的情况下，根据通行请求时间，在与通行请求位置匹配的第N-1级特征样本库包括的N级特征样本库中，确定与通行请求时间匹配的第N级特征样本库。利用用户生物特征，在与通行请求时间匹配的第N级特征样本库进行身份识别。也就是说，在本示例中，i＝N，即用于进行身份识别的第i级特征样本库为第N级特征样本库。
例如，N＝5，第4级特征样本库对应的区域等级为站点级别，第5级特征样本库根据时间段划分。用户的通行识别请求信息中通行请求位置匹配的第4级特征样本库L1中生物特征样本的数量大于第二识别数量限制阈值，则在第4级特征样本库L1包括的多个第5级特征样本库中，确定与该用户的通行请求时间匹配的第5级特征样本库。利用该用户的用户生物特征在通行请求时间匹配的第5级特征样本库中进行身份识别。
但可能存在由于用户的通行时间出现变化，导致在与通行请求时间匹配的第N级特征样本库中的身份识别失败的情况。在与通行请求时间匹配的第N级特征样本库进行身份识别失败的情况下，利用用户生物特征，在包括与通行请求时间匹配的第N级特征样本库的上级特征样本库中逐级进行身份识别，直至在N-k2级特征样本库中身份识别成功。k2为正整数。i＝N-k2，即用于进行身份识别的与通行识别请求信息匹配的第i级特征样本库，为第N-k2级特征样本库。
例如，N＝5，第4级特征样本库对应的区域等级为站点级别，第5级特征样本库根据时间段划分。若用户的用户生物特征在与通行请求时间匹配的第5级特征样本库身份识别失败，可在包括通行请求时间匹配的第5级特征样本库的第4级特征样本库中，利用该用户的用户生物特征进行身份识别，若在第4级特征样本库身份识别成功，则k2＝1，i＝5-1＝4。若在第4级特征样本库身份识别失败，可在包括该第4级特征样本库的第3级特征样本库中，利用该用户的用户生物特征进行身份识别，若在第3级特征样本库身份识别成功，则k2＝2，i＝5-2＝3。以此类推，在此不一一举例说明。
在一些情况下，用户可能短期或长期地离开惯用区域，需要在非惯用区域进行通行。该用户在非惯用区域对应的第i级特征样本库中身份识别会失败。可通过在构建的临时特征样本库中，利用该用户的用户生物特征进行身份识别。
具体地，在与通行识别请求信息匹配的第i级特征样本库进行身份识别失败的情况下，利用用户生物特征，在与通行请求位置匹配的第m级特征样本库关联的临时特征样本库进行身份识别，以将对短期或长期离开惯用区域的用户通行中的身份识别的影响降低，以及将对未按照计划转移到非惯用区域的用户通行中的身份识别的影响降低。
第m级特征样本库包括第i级特征样本库，1≤m≤i。临时特征样本库是根据用户的行为信息构建的，行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息。在一些示例中，临时特征样本库可包括临时加入特征样本库和临时离开特征样本库。
临时特征样本库的构建划分可参见上述实施例中的相关说明，在此不再赘述。
例如，在与用户的通行识别请求信息匹配的第i级特征样本库进行身份识别失败的情况下，可利用该用户的用户生物特征在包括该第i级特征样本库的第m级特征样本库关联的临时加入特征样本库进行身份识别；在临时加入特征样本库进行身份识别失败的情况下，可利用该用户的用户生物特征在包括该第i级特征样本库的第m级特征样本库关联的临时离开特征样本库进行身份识别。
在一些情况下，利用生物特征进行的身份识别依然失败，即在身份识别失败的情况下，还可发出提示信息。该提示信息用于提示用户采用备用方式进行通行识别，以保证用户能够及时通行。备用方式与生物特征识别方式不同。备用方式可为扫描二维码、刷交通卡等方式，在此并不限定。
在一些示例中，在采用备用方式对用户进行通行识别成功的情况下，建立备用方式下的用户标识与用户的生物特征样本集的映射关系。用户的生物特征样本集中的生物特征样本与用户生物特征匹配成功。将用户的生物特征样本集中的至少一个生物特征添加至与通行识别请求信息匹配的第i级特征样本库。
利用生物特征进行身份识别失败，可能是由于已构建的特征样本库中的生物特征样本准确度不够高，也可能因为用户并未开通利用生物特征进行身份识别的功能。为了使该用户下次通行利用生物特征进行身份识别能够成功，通过建立备用方式下的用户标识与用户的生物特征样本集的映射关系，能够更新该用户用于生物识别的生物特征样本，并实现备用方式下用户的账户和生物识别方式下用户的账户之间的关联。
用户标识可在备用方式中标识用户，例如，用户标识可为用户在备用方式下的用户账户，在此并不限定。
用户的生物特征样本集可包括本次采集的用户生物特征，也可包括之前采集的用户的生物特征，在此并不限定。也可通过与用户的人机交互，根据用户的选择操作，选取用户的生物特征样本集中的生物特征样本。与用户之间的人机交互具体可包括手动操作、形体检测(如点头、摇头、挥手等动作)、语音操作等实现，在此并不限定。
例如，在利用生物特征进行身份识别失败的情况下，用户采用扫描二维码方式进行身份识别。在该用户已经开通利用生物特征进行身份识别的功能的情况下，可将本次采集的用户生物特征替换该用户在特征样本库中的生物特征样本。在该用户未开通利用生物特征进行身份识别的功能的情况下，可将本次采集的用户生物特征与该用户在二维码方式下的用户账户关联，并为该用户开通利用生物特征进行身份识别的功能，将本次采集的用户生物特征作为该用户在特征样本库中的生物特征样本。
又例如，在利用生物特征进行身份识别失败的情况下，用户采用应用程序认证方式进行身份识别。在该用户已经开通利用生物特征进行身份识别的功能的情况下，可将本次采集的用户生物特征替换该用户在特征样本库中的生物特征样本。在该用户未开通利用生物特征进行身份识别的功能的情况下，可将本次采集的用户生物特征与该用户在应用程序注册的账号关联，将本次采集的用户生物特征作为该用户在特征样本库中的生物特征样本。
再例如，在利用生物特征进行身份识别失败的情况下，用户采用刷交通卡方式进行身份识别。由于交通卡不记名的特点，无法获取用户账户，可将交通卡卡号与本次采集的用户生物特征关联，将本次采集的用户生物特征作为该用户在特征样本库中的生物特征样本。
在此并不限定上述实施例中的生物特征的采集方式。例如，在生物特征包括人脸特征的情况下，可通过拍摄RGB图片，获取人脸特征；也可在采集装置上设置能够采集人脸深度的装置，通过RGB图片结合深度图，获取人脸特征。
上述实施例中的特征样本库的构建方法、通行识别方法可应用于但不限于地铁通行、公交通行等领域。上述实施例中的特征样本库的构建方法、通行识别方法也可相互结合关联，在此并不限定。
本申请还提供了一种通行识别系统。图5为本申请提供的通行识别系统的一实施例的示意图。如图5所示，该通行识别系统包括生物特征采集装置31、通行站点处理装置32、通道引导装置33和备用通行闸机34。
生物特征采集装置31可用于采集用户的用户生物特征，并将用户生物特征传输至通行站点32处理装置。
生物特征采集装置31可包括摄像头，摄像头可具有深度图像采集功能，在此并不限定。
通行站点处理装置32可用于利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别，在身份识别成功的情况下，向通道引导装置33发送第一指令，在身份识别失败的情况下，向通道引导装置33发送第二指令。
生物特征采集装置31和通行站点处理装置32也可集成为同一装置，在此并不限定。
特征样本库包括第1级特征样本库至第N级特征样本库。特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N。一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值。第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的。第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N。通行信息包括通行位置。
通道引导装置33可用于响应于第一指令，打开通行通道，或者，响应于第二指令，打开通向备用通行闸机34的通道。
如图5所示，通行通道为通道1，通向备用通行闸机34的通道为通道2。
通道引导装置33可包括可移动的挡板，通过挡板的移动，实现通行通道或通向备用通行闸机34的通道的打开。在此并不限定通道引导装置33的具体结构。
备用通行闸机34可用于采用备用方式对用户进行通行识别。
备用方式与生物特征识别方式不同。备用方式的具体内容可参见上述实施例的相关说明，在此不再赘述。
本申请实施例的通行识别系统可执行上述实施例中的通行识别方法，在此不再赘述。
通过本申请实施例中的通行识别系统可实现通行的分流，以实现生物识别技术和其他识别技术在通行识别中的灵活结合，提高通行识别的准确性和效率。
本申请实施例还提供一种通行识别装置。图6为本申请提供的特征样本库的构建装置的一实施例的结构示意图。如图6所示，该特征样本库的构建装置400可包括获取模块401、样本库划分模块402和构建模块403。
获取模块401可用于获取样本用户在样本测试周期内的通行信息。
通行信息包括通行位置；
样本库划分模块402可用于按照通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库。
一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值。第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，N为大于1的整数。
构建模块403可用于根据第1级特征样本库至第N级特征样本库，构建特征样本库。
在本申请实施例中，按照样本用户的通行信息，将样本用户的生物特征样本划分为第1级特征样本库至第N级特征样本库。第1级特征样本库至第N级特征样本库中，上级特征样本库包括下级特征样本库，由上级特征样本库至下级特征样本库，每级特征样本库中生物特征样本的数量逐渐减少。第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，以保证进行身份识别过程中采用的某级特征样本库中的生物特征样本的数量较少，能够提高生物识别的准确率，从而能够提高利用生物识别进行通行识别的准确率。
在一些示例中，上述样本库划分模块402可用于根据通行位置所属的区域的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库。
第j-1级特征样本库对应的通行位置所属的区域包括第j级特征样本库对应的通行位置所属的区域。
在一些示例中，通行信息还可包括通行时间。
上述样本库划分模块402可用于根据通行位置所属的区域的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N-1级特征样本库，第x-1级特征样本库对应的通行位置所属的区域包括第x级特征样本库对应的通行位置所属的区域，1＜x≤N-1；在第N-1级特征样本库中生物特征样本的数量大于第二识别数量限制阈值的情况下，按照通行时间所属的时间段，将第N-1级特征样本库中的生物特征样本划分得到至少两个第N级特征样本库。
具体地，上述样本库划分模块402可用于以目标样本用户的通行时间为中心，确定时长为第一时长的第一目标时间段，将目标样本用户的生物特征样本划分至第一目标时间段对应的第N级特征样本库；或者，以目标样本用户的通行时间为中心，确定时长为第一时长的第一目标时间段，在目标样本用户在样本测试周期内的通行时间落入第一目标时间段的次数超过预设次数阈值的情况下，将目标样本用户的生物特征样本划分至第一目标时间段匹配的第N级特征样本库。
在一些示例中，上述样本库划分模块402还可用于在目标时间段匹配的第N级特征样本库中生物特征样本的数量大于第三识别数量限制阈值的情况下，以目标样本用户的通行时间为中心，重新确定时长为第二时长的第二目标时间段；将目标样本用户的生物特征样本划分至第二目标时间段匹配的第N级特征样本库，第二时长小于第一时长，第二目标时间段匹配的第N级特征样本库中生物特征样本的数量小于或等于第三识别数量限制阈值。
在一些示例中，上述获取模块401还可用于取样本用户的行为信息。
行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息。
上述样本库划分模块402还可用于在样本用户的行为信息满足临时迁移条件的情况下，将样本用户的生物特征样本转移至目标特征样本库关联的临时特征样本库，目标特征样本库为与行为信息匹配的第m级特征样本库，m为整数且1＜m≤N。
在一些示例中，上述样本库划分模块402还可用于在临时特征样本库中样本用户的生物特征样本满足固定迁移条件的情况下，将样本用户的生物特征样本转移至临时特征样本库关联的第m级特征样本库。
在一些示例中，上述获取模块401还可用于周期性获取样本用户的通行信息。
上述样本库划分模块402还可用于利用周期性获取的通行信息，更新第1级特征样本库至第N级特征样本库中的生物特征样本。
本申请实施例还提供一种通行识别装置。图7为本申请提供的通行识别装置的一实施例的结构示意图。如图7所示，该通行识别装置500可包括获取模块501、识别模块502和通行执行模块503。
获取模块501可用于获取用户的用户生物特征和通行识别请求信息。
通行识别请求信息包括通行请求位置。
识别模块502可用于利用用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别。
特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，N为大于1的整数。一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值。第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的。第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N。通行信息包括通行位置。
通行执行模块503可用于在与通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许用户通行。
在本申请实施例中，特征样本库包括第1级特征样本库至第N级特征样本库，第1级特征样本库至第N级特征样本库是根据样本用户的通行信息划分得到的。第1级特征样本库至第N级特征样本库中，上级特征样本库包括下级特征样本库，由上级特征样本库至下级特征样本库，每级特征样本库中生物特征样本的数量逐渐减少，使得用于进行用户的身份识别的第i级特征样本库中生物特征样本的数量较少，且该第i级特征样本库与该用户的通行识别请求信息匹配，该用户的用户生物特征在该第i级特征样本库中身份识别成功的可能性非常高，从而提高了利用生物识别技术实现通行识别的准确率，同时也提高了利用生物识别技术实现通行识别的效率。
在一些示例中，上述识别模块502可用于根据通行请求位置，在特征样本库中确定与通行请求位置匹配的第N级特征样本库；利用用户生物特征，在与通行请求位置匹配的第N级特征样本库进行身份识别，i＝N。
在一些示例中，上述识别模块502可用于在与通行请求位置匹配的第N级特征样本库进行身份识别失败的情况下，利用用户生物特征，在包括与通行请求位置匹配的第N级特征样本库的上级特征样本库中逐级进行身份识别，直至在N-k1级特征样本库中身份识别成功，k1为正整数，i＝N-k1。
在一些示例中，通行信息还包括通行时间。通行识别请求信息还包括通行请求时间。
上述识别模块502可用于根据通行请求位置，在特征样本库中确定与通行请求位置匹配的第N-1级特征样本库；在与通行请求位置匹配的第N-1级特征样本库中生物特征样本数大于第二识别数量限制阈值的情况下，根据通行请求时间，在与通行请求位置匹配的第N-1级特征样本库包括的N级特征样本库中，确定与通行请求时间匹配的第N级特征样本库；利用用户生物特征，在与通行请求时间匹配的第N级特征样本库进行身份识别，i＝N。
在一些示例中，上述识别模块502可用于在与通行请求时间匹配的第N级特征样本库进行身份识别失败的情况下，利用用户生物特征，在包括与通行请求时间匹配的第N级特征样本库的上级特征样本库中逐级进行身份识别，直至在N-k2级特征样本库中身份识别成功，k2为正整数，i＝N-k2。
在一些示例中，上述识别模块502可用于在与通行识别请求信息匹配的第i级特征样本库进行身份识别失败的情况下，利用用户生物特征，在与通行请求位置匹配的第m级特征样本库关联的临时特征样本库进行身份识别，第m级特征样本库包括第i级特征样本库，1≤m≤i。
临时特征样本库是根据用户的行为信息构建的。行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息。
在一些示例中，通行识别装置500还可包括输出模块。输出模块可用于在身份识别失败的情况下，发出提示信息。
提示信息用于提示用户采用备用方式进行通行识别。备用方式与生物特征识别方式不同。
在一些示例中，上述识别模块502还可用于在采用备用方式对用户进行通行识别成功的情况下，建立备用方式下的用户标识与用户的生物特征样本集的映射关系，用户的生物特征样本集中的生物特征样本与用户生物特征匹配成功；将用户的生物特征样本集中的至少一个生物特征样本添加至与通行识别请求信息匹配的第i级特征样本库。
本申请实施例还提供了一种特征样本库的构建设备。图8为本申请提供的特征样本库的构建设备的一实施例的结构示意图。如图8所示，特征样本库的构建设备600包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
在一个示例中，上述处理器602可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器601可包括只读存储器(Read-Only Memory，ROM)，随机存取存储器(RandomAccess Memory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请分布式系统中模型发布方法所描述的操作。
处理器602通过读取存储器601中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现上述实施例中的特征样本库的构建方法。
在一个示例中，特征样本库的构建设备600还可包括通信接口603和总线604。其中，如图8所示，存储器601、处理器602、通信接口603通过总线604连接并完成相互间的通信。
通信接口603，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口603接入输入设备和/或输出设备。
总线604包括硬件、软件或两者，将特征样本库的构建设备600的部件彼此耦接在一起。举例来说而非限制，总线604可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Enhanced Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industrial Standard Architecture，ISA)总线、无限带宽互连、低引脚数(Lowpin count，LPC)总线、存储器总线、微信道架构(Micro Channel Architecture，MCA)总线、外围组件互连(Peripheral Component Interconnect，PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced Technology Attachment，SATA)总线、视频电子标准协会局部(Video Electronics Standards Association Local Bus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线604可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本申请实施例还提供了一种通行识别设备。图9为本申请提供的通行识别设备的一实施例的结构示意图。如图9所示，通行识别设备700包括存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
在一个示例中，上述处理器702可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器701可包括只读存储器(Read-Only Memory，ROM)，随机存取存储器(RandomAccess Memory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请分布式系统中模型发布方法所描述的操作。
处理器702通过读取存储器701中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现上述实施例中的通行识别方法。
在一个示例中，通行识别设备700还可包括通信接口703和总线704。其中，如图9所示，存储器701、处理器702、通信接口703通过总线704连接并完成相互间的通信。
通信接口703，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口703接入输入设备和/或输出设备。
总线704包括硬件、软件或两者，将通行识别设备700的部件彼此耦接在一起。举例来说而非限制，总线704可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Enhanced Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industrial Standard Architecture，ISA)总线、无限带宽互连、低引脚数(Low pincount，LPC)总线、存储器总线、微信道架构(Micro Channel Architecture，MCA)总线、外围组件互连(Peripheral Component Interconnect，PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced Technology Attachment，SATA)总线、视频电子标准协会局部(Video Electronics Standards Association Local Bus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线704可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本申请还提供一种通行识别系统，该通行识别系统可包括多个上述实施例中的通行识别设备。多个通行识别设备可分布式设置于不同的通行区域，如地铁站点、公交站点等，在此并不限定。
本申请实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时可实现上述实施例中的特征样本库的构建方法或通行识别方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机存储介质可包括非暂态计算机可读存储介质，如只读存储器(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，在此并不限定。
需要明确的是，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或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。对于装置实施例、设备实施例、系统实施例、计算机可读存储介质实施例而言，相关之处可以参见方法实施例的说明部分。本申请并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本申请的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；数量词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。
Claims (21)
1.一种通行识别方法，其特征在于，包括：
获取用户的用户生物特征和通行识别请求信息，所述通行识别请求信息包括通行请求位置；
利用所述用户生物特征，在特征样本库中与所述通行识别请求信息匹配的第i级特征样本库进行身份识别，所述特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，N为大于1的整数，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，所述通行信息包括通行位置；
在与所述通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许所述用户通行；
所述方法还包括：
在与所述通行识别请求信息匹配的第i级特征样本库进行身份识别失败的情况下，利用所述用户生物特征，在与所述通行请求位置匹配的第m级特征样本库关联的临时特征样本库进行身份识别，第m级特征样本库包括第i级特征样本库，1≤m≤i，
所述临时特征样本库是根据所述用户的行为信息构建的，所述临时特征样本库中生物特征样本对应的样本用户的所述行为信息满足临时迁移条件，所述临时迁移条件用于判定样本用户惯用的通行位置所属区域是否发生变化，所述行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息。
2.根据权利要求1所述的方法，其特征在于，所述利用所述用户生物特征，在特征样本库中与所述通行识别请求信息匹配的第i级特征样本库进行身份识别，包括：
根据所述通行请求位置，在所述特征样本库中确定与所述通行请求位置匹配的第N级特征样本库；
利用所述用户生物特征，在与所述通行请求位置匹配的第N级特征样本库进行身份识别，i＝N。
3.根据权利要求2所述的方法，其特征在于，还包括：
在与所述通行请求位置匹配的第N级特征样本库进行身份识别失败的情况下，利用所述用户生物特征，在包括与所述通行请求位置匹配的第N级特征样本库的上级特征样本库中逐级进行身份识别，直至在N-k1级特征样本库中身份识别成功，k1为正整数，i＝N-k1。
4.根据权利要求1所述的方法，其特征在于，所述通行信息还包括通行时间，所述通行识别请求信息还包括通行请求时间；
所述利用所述用户生物特征，在特征样本库中与所述通行识别请求信息匹配的第i级特征样本库进行身份识别，包括：
根据所述通行请求位置，在所述特征样本库中确定与所述通行请求位置匹配的第N-1级特征样本库；
在与所述通行请求位置匹配的第N-1级特征样本库中生物特征样本数大于第二识别数量限制阈值的情况下，根据所述通行请求时间，在与所述通行请求位置匹配的第N-1级特征样本库包括的N级特征样本库中，确定与所述通行请求时间匹配的第N级特征样本库；
利用所述用户生物特征，在与所述通行请求时间匹配的第N级特征样本库进行身份识别，i＝N。
5.根据权利要求4所述的方法，其特征在于，还包括：
与所述通行请求时间匹配的第N级特征样本库进行身份识别失败的情况下，利用所述用户生物特征，在包括与所述通行请求时间匹配的第N级特征样本库的上级特征样本库中逐级进行身份识别，直至在N-k2级特征样本库中身份识别成功，k2为正整数，i＝N-k2。
6.根据权利要求1所述的方法，其特征在于，还包括：
在身份识别失败的情况下，发出提示信息，所述提示信息用于提示所述用户采用备用方式进行通行识别，所述备用方式与生物特征识别方式不同。
7.根据权利要求6所述的方法，其特征在于，还包括：
在采用所述备用方式对所述用户进行通行识别成功的情况下，建立所述备用方式下的用户标识与所述用户的生物特征样本集的映射关系，所述用户的生物特征样本集中的生物特征样本与所述用户生物特征匹配成功；
将所述用户的生物特征样本集中的至少一个生物特征样本添加至与所述通行识别请求信息匹配的第i级特征样本库。
8.一种特征样本库的构建方法，其特征在于，包括：
获取样本用户在样本测试周期内的通行信息，所述通行信息包括通行位置；
按照所述通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，N为大于1的整数；
根据第1级特征样本库至第N级特征样本库，构建特征样本库，所述特征样本库用于利用用户的用户生物特征与通行识别请求信息进行身份识别，所述通行识别请求信息包括通行请求位置；
所述方法还包括：
获取样本用户的行为信息，所述行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息；
在样本用户的所述行为信息满足临时迁移条件的情况下，将样本用户的生物特征样本转移至目标特征样本库关联的临时特征样本库，所述临时迁移条件用于判定样本用户惯用的通行位置所属区域是否发生变化，所述目标特征样本库为与所述行为信息匹配的第m级特征样本库，m为整数且1＜m≤N。
9.根据权利要求8所述的方法，其特征在于，所述按照所述通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，包括：
根据所述通行位置所属的区域的等级从属关系，将所述样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，第j-1级特征样本库对应的所述通行位置所属的区域包括第j级特征样本库对应的所述通行位置所属的区域。
10.根据权利要求8所述的方法，其特征在于，所述通行信息还包括通行时间；
所述按照所述通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，包括：
根据所述通行位置所属的区域的等级从属关系，将所述样本用户的生物特征样本划分得到第1级特征样本库至第N-1级特征样本库，第x-1级特征样本库对应的所述通行位置所属的区域包括第x级特征样本库对应的所述通行位置所属的区域，1＜x≤N-1；
在第N-1级特征样本库中生物特征样本的数量大于第二识别数量限制阈值的情况下，按照所述通行时间所属的时间段，将第N-1级特征样本库中的生物特征样本划分得到至少两个第N级特征样本库。
11.根据权利要求10所述的方法，其特征在于，所述按照所述通行时间所属的时间段，将第N-1级特征样本库中的生物特征样本划分为至少两个第N级特征样本库，包括：
以目标样本用户的所述通行时间为中心，确定时长为第一时长的第一目标时间段，将所述目标样本用户的生物特征样本划分至所述第一目标时间段对应的第N级特征样本库；
或者，
以目标样本用户的所述通行时间为中心，确定时长为第一时长的第一目标时间段，在所述目标样本用户在所述样本测试周期内的所述通行时间落入所述第一目标时间段的次数超过预设次数阈值的情况下，将所述目标样本用户的生物特征样本划分至所述第一目标时间段匹配的第N级特征样本库。
12.根据权利要求11所述的方法，其特征在于，还包括：
在所述目标时间段匹配的第N级特征样本库中生物特征样本的数量大于第三识别数量限制阈值的情况下，以目标样本用户的所述通行时间为中心，重新确定时长为第二时长的第二目标时间段；
将所述目标样本用户的生物特征样本划分至所述第二目标时间段匹配的第N级特征样本库，所述第二时长小于所述第一时长，所述第二目标时间段匹配的第N级特征样本库中生物特征样本的数量小于或等于所述第三识别数量限制阈值。
13.根据权利要求8所述的方法，其特征在于，还包括：
在所述临时特征样本库中样本用户的生物特征样本满足固定迁移条件的情况下，将样本用户的生物特征样本转移至所述临时特征样本库关联的第m级特征样本库。
14.根据权利要求8所述的方法，其特征在于，还包括：
周期性获取所述样本用户的所述通行信息；
利用周期性获取的所述通行信息，更新第1级特征样本库至第N级特征样本库中的生物特征样本。
15.一种通行识别系统，其特征在于，包括：
生物特征采集装置，用于采集用户的用户生物特征，并将所述用户生物特征传输至通行站点处理装置；
所述通行站点处理装置，用于利用所述用户生物特征，在特征样本库中与通行识别请求信息匹配的第i级特征样本库进行身份识别，在身份识别成功的情况下，向通道引导装置发送第一指令，在身份识别失败的情况下，向所述通道引导装置发送第二指令；
所述通道引导装置，用于响应于所述第一指令，打开通行通道，或者，响应于所述第二指令，打开通向备用通行闸机的通道；
备用通行闸机，用于采用备用方式对所述用户进行通行识别，所述备用方式与生物特征识别方式不同；
所述通行站点处理装置还用于：在与所述通行识别请求信息匹配的第i级特征样本库进行身份识别失败的情况下，利用所述用户生物特征，在与通行请求位置匹配的第m级特征样本库关联的临时特征样本库进行身份识别，第m级特征样本库包括第i级特征样本库，1≤m≤i，
所述临时特征样本库是根据所述用户的行为信息构建的，所述临时特征样本库中生物特征样本对应的样本用户的所述行为信息满足临时迁移条件，所述临时迁移条件用于判定样本用户惯用的通行位置所属区域是否发生变化，所述行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息；
其中，所述特征样本库包括第1级特征样本库至第N级特征样本库，所述特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，一个所述第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，所述第1级特征样本库至所述第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，所述通行信息包括通行位置。
16.一种通行识别装置，其特征在于，包括：
获取模块，用于获取用户的用户生物特征和通行识别请求信息，所述通行识别请求信息包括通行请求位置；
识别模块，用于利用所述用户生物特征，在特征样本库中与所述通行识别请求信息匹配的第i级特征样本库进行身份识别，所述特征样本库包括第1级特征样本库至第N级特征样本库，i为整数且1＜i≤N，N为大于1的整数，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第1级特征样本库至第N级特征样本库是基于样本用户在样本测试周期内的通行信息划分得到的，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，所述通行信息包括通行位置；
通行执行模块，用于在与所述通行识别请求信息匹配的第i级特征样本库进行身份识别成功的情况下，允许所述用户通行；
所述识别模块还用于在与所述通行识别请求信息匹配的第i级特征样本库进行身份识别失败的情况下，利用所述用户生物特征，在与所述通行请求位置匹配的第m级特征样本库关联的临时特征样本库进行身份识别，第m级特征样本库包括第i级特征样本库，1≤m≤i，
所述临时特征样本库是根据所述用户的行为信息构建的，所述临时特征样本库中生物特征样本对应的样本用户的所述行为信息满足临时迁移条件，所述临时迁移条件用于判定样本用户惯用的通行位置所属区域是否发生变化，所述行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息。
17.一种特征样本库的构建装置，其特征在于，包括：
获取模块，用于获取样本用户在样本测试周期内的通行信息，所述通行信息包括通行位置；
样本库划分模块，用于按照所述通行信息对应的等级从属关系，将样本用户的生物特征样本划分得到第1级特征样本库至第N级特征样本库，一个第N级特征样本库中生物特征样本的数量小于或等于第一识别数量限制阈值，第j-1级特征样本库包括第j级特征样本库，j为整数且1＜j≤N，N为大于1的整数；
构建模块，用于根据第1级特征样本库至第N级特征样本库，构建特征样本库，所述特征样本库用于利用用户的用户生物特征与通行识别请求信息进行身份识别，所述通行识别请求信息包括通行请求位置；
所述获取模块还用于获取样本用户的行为信息，所述行为信息包括以下一项或多项：定位信息、支付信息、备用方式通行信息；
所述样本库划分模块还用于在样本用户的所述行为信息满足临时迁移条件的情况下，将样本用户的生物特征样本转移至目标特征样本库关联的临时特征样本库，所述临时迁移条件用于判定样本用户惯用的通行位置所属区域是否发生变化，所述目标特征样本库为与所述行为信息匹配的第m级特征样本库，m为整数且1＜m≤N。
18.一种通行识别设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1至7中任意一项所述的通行识别方法。
19.一种特征样本库的构建设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求8至14中任意一项所述的特征样本库的构建方法。
20.一种通行识别系统，其特征在于，包括多个如权利要求18所述的通行识别设备，不同的所述通行识别设备设置于不同的通行区域。
21.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至7中任意一项所述的通行识别方法或如权利要求8至14中任意一项所述的特征样本库的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526710.XA CN112667840B (zh) | 2020-12-22 | 2020-12-22 | 特征样本库构建方法、通行识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526710.XA CN112667840B (zh) | 2020-12-22 | 2020-12-22 | 特征样本库构建方法、通行识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112667840A CN112667840A (zh) | 2021-04-16 |
| CN112667840B true CN112667840B (zh) | 2024-05-28 |
Family
ID=75407519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011526710.XA Active CN112667840B (zh) | 2020-12-22 | 2020-12-22 | 特征样本库构建方法、通行识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112667840B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
| CN107134022A (zh) * | 2017-05-03 | 2017-09-05 | 张雨岚 | 用于考勤机的身份识别方法 |
| WO2018146492A1 (en) * | 2017-02-10 | 2018-08-16 | Count Technologies Ltd | Computer-implemented method of querying a dataset |
| CN110688901A (zh) * | 2019-08-26 | 2020-01-14 | 苏宁云计算有限公司 | 一种人脸识别方法及装置 |
| CN110825765A (zh) * | 2019-10-23 | 2020-02-21 | 中国建设银行股份有限公司 | 一种人脸识别的方法和装置 |
| CN110852193A (zh) * | 2019-10-23 | 2020-02-28 | 中国建设银行股份有限公司 | 一种人脸识别的方法和装置 |
| CN110991390A (zh) * | 2019-12-16 | 2020-04-10 | 腾讯云计算（北京）有限责任公司 | 身份信息检索方法、装置、业务系统及电子设备 |
| WO2020108268A1 (zh) * | 2018-11-28 | 2020-06-04 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别系统、方法及装置 |
| WO2020135065A1 (zh) * | 2018-12-26 | 2020-07-02 | 巽腾(广东)科技有限公司 | 用户信息的管理方法、身份识别的方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012142756A1 (zh) * | 2011-04-20 | 2012-10-26 | 中国科学院自动化研究所 | 基于人眼图像的多特征融合身份识别方法 |
| CN107491965B (zh) * | 2017-07-31 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 一种生物特征库的建立方法和装置 |
| US20200327310A1 (en) * | 2019-04-10 | 2020-10-15 | Francis R. Palmer, III | Method and apparatus for facial verification |
-
2020
- 2020-12-22 CN CN202011526710.XA patent/CN112667840B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
| WO2018146492A1 (en) * | 2017-02-10 | 2018-08-16 | Count Technologies Ltd | Computer-implemented method of querying a dataset |
| CN107134022A (zh) * | 2017-05-03 | 2017-09-05 | 张雨岚 | 用于考勤机的身份识别方法 |
| WO2020108268A1 (zh) * | 2018-11-28 | 2020-06-04 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别系统、方法及装置 |
| WO2020135065A1 (zh) * | 2018-12-26 | 2020-07-02 | 巽腾(广东)科技有限公司 | 用户信息的管理方法、身份识别的方法及装置 |
| CN110688901A (zh) * | 2019-08-26 | 2020-01-14 | 苏宁云计算有限公司 | 一种人脸识别方法及装置 |
| CN110825765A (zh) * | 2019-10-23 | 2020-02-21 | 中国建设银行股份有限公司 | 一种人脸识别的方法和装置 |
| CN110852193A (zh) * | 2019-10-23 | 2020-02-28 | 中国建设银行股份有限公司 | 一种人脸识别的方法和装置 |
| CN110991390A (zh) * | 2019-12-16 | 2020-04-10 | 腾讯云计算（北京）有限责任公司 | 身份信息检索方法、装置、业务系统及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112667840A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679557B (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
| CN109740620A (zh) | 人群画像分类模型的建立方法、装置、设备和存储介质 | |
| US20170013408A1 (en) | User Text Content Correlation with Location | |
| CN112307978A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| CN113837268B (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
| CN113380043B (zh) | 一种基于深度神经网络计算的公交到站时间预测方法 | |
| CN110751395B (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
| CN112861474B (zh) | 一种信息标注方法、装置、设备及计算机可读存储介质 | |
| CN112667840B (zh) | 特征样本库构建方法、通行识别方法、装置及存储介质 | |
| CN112001211B (zh) | 对象检测方法、装置、设备及计算机可读存储介质 | |
| CN112148737A (zh) | 考勤处理方法及装置 | |
| CN114245329B (zh) | 通行方式识别方法、装置、设备及存储介质 | |
| CN114862001B (zh) | 一种基于区域功能增强特征的城市人群流量预测方法及系统 | |
| CN114996395A (zh) | 标签体系建立方法、装置、电子设备和存储介质 | |
| CN116974735A (zh) | 模型训练的方法、电子设备和计算机程序产品 | |
| Wan et al. | Leveraging personal navigation assistant systems using automated social media traffic reporting | |
| Qu et al. | An improved character recognition algorithm for license plate based on BP neural network | |
| Afshari et al. | An Intelligent Traffic Management System Based on the Wi-Fi and Bluetooth Sensing and Data Clustering | |
| KR20220104862A (ko) | 리아푸노프 지수를 이용한 발전원 배치 방법 및 이를 수행하기 위한 컴퓨팅 장치 | |
| Rajasekar et al. | Automatic Number Plate Recognition Using Convolution Neural Network | |
| CN115909715B (zh) | 拥堵原因的识别方法、装置、电子设备及存储介质 | |
| CN110914841A (zh) | 用于从用户生成内容确定行程目的地的方法和设备 | |
| CN116887257B (zh) | 车联网卡的滥用识别方法、装置、电子设备和存储介质 | |
| Roy et al. | SLRNetwork: Utilizing Skip Connections for Better Feature Extraction in Recognition of Sign Languages to Help Mutism | |
| CN114329246A (zh) | 地图引导点确定方法、装置、设备、存储介质及程序产品 |
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 |