CN112784240A - 一种统一身份认证平台及其人脸身份识别的方法 - Google Patents

一种统一身份认证平台及其人脸身份识别的方法 Download PDF

Info

Publication number
CN112784240A
CN112784240A CN202110096203.5A CN202110096203A CN112784240A CN 112784240 A CN112784240 A CN 112784240A CN 202110096203 A CN202110096203 A CN 202110096203A CN 112784240 A CN112784240 A CN 112784240A
Authority
CN
China
Prior art keywords
face
photo
photos
acquisition
biological characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110096203.5A
Other languages
English (en)
Inventor
黄剑飞
唐苏琼
张永春
滕震方
王君
蔡振闹
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202110096203.5A priority Critical patent/CN112784240A/zh
Publication of CN112784240A publication Critical patent/CN112784240A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • 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
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • 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

Abstract

本发明提供一种统一身份认证平台及其人脸身份识别的方法，包括：接收自助采集的人脸照片，并通过对人脸照片进行质量评估，得到各人脸照片的符合度，且进一步保存照片符合度满足预设阈值的人脸照片；采用DCNN优化算法对保存的人脸照片进行处理，得到各人脸照片的生物特征值，并形成人脸生物特征向量库；以及获取待比对人脸照片及其对应的采集方式，待采用DCNN优化算法处理待比对人脸照片后，结合采集方式所选择的比对模式，让待比对人脸照片的生物特征值在人脸生物特征向量库进行比对，并根据对比结果，确定身份合法性。实施本发明，能解决现有统一身份认证基于账号与密码技术的缺点，具有高安全性。

Description

一种统一身份认证平台及其人脸身份识别的方法
技术领域
本发明涉及面部识别技术领域，尤其涉及一种统一身份认证平台及其人脸身份识别的方法。
背景技术
面部识别(又称人脸识别、面像识别、面容识别等等)，使用通用的摄像头作为识别信息获取装置，并以非接触的方式获取识别对象的面部图像，通过计算机设备实现获取图像与数据库图像比对来完成识别过程。与传统的识别方式(如指纹识别等)相对比，面部识别是基于生物特征的识别方式，具有实时、准确、高精度、易于使用、稳定性高、难仿冒、性价比高和非侵扰等特性，较容易被用户接受。
目前，现有的统一身份认证基于账号与密码技术，一旦账户和密码被盗，则安全受到威胁。因此，有必要提出一种人脸身份识别的统一身份认证方法，能解决现有统一身份认证基于账号与密码技术的缺点。
发明内容
本发明实施例所要解决的技术问题在于，提供一种统一身份认证平台及其人脸身份识别的方法，能解决现有统一身份认证基于账号与密码技术的缺点，具有高安全性。
为了解决上述技术问题，本发明实施例提供了一种人脸身份识别的方法，所述方法包括以下步骤：
接收自助采集的人脸照片，并通过预设的人脸算法对所接收的人脸照片进行质量评估，得到各人脸照片的符合度，且进一步将照片符合度均满足预设阈值的人脸照片保存，以及将照片符合度均不满足所述预设阈值的人脸照片丢弃；
采用预设的深度卷积神经网络DCNN优化算法对保存下来的人脸照片进行处理，得到各人脸照片的生物特征值，并根据所得到的各人脸照片的生物特征值，形成人脸生物特征向量库；
获取待比对人脸照片及其对应的采集方式，且待采用所述预设的深度卷积神经网络DCNN优化算法对待比对人脸照片进行处理之后，进一步结合所获取的采集方式来选择相应的比对模式，让处理得到的待比对人脸照片的生物特征值在所述人脸生物特征向量库进行比对，并根据对比结果，确定所述待比对人脸照片的身份合法性；其中，所述采集方式包括自主平台采集和第三方平台采集；所述比对模式包括对应自主平台采集时的在线比对模式和对应第三方平台采集的前端比对模式；所述身份合法性为合法或不合法。
其中，所述方法进一步包括：
对同一人更新之前及之后的人脸照片进行比对，若比对结果符合预定要求，则采用所述预设的深度卷积神经网络DCNN优化算法对更新后的人脸照片进行处理，且进一步将处理得到的生物特征值存入所述人脸生物特征向量库中。
其中，所述采用预设的深度卷积神经网络DCNN优化算法对人脸照片进行处理的步骤具体包括：
人脸照片预处理、人脸检测、人脸特征定位、图像归一化、人脸特征值和特征向量提取。
其中，若选择在线比对模式在所述人脸生物特征向量库进行比对，则可按1：1、1：n或m:n特征比对；或若选择前端比对模式在所述人脸生物特征向量库进行比对，则可按1：n或m:n特征比对。
其中，所述自助采集的人脸照片来自于电脑+摄像头或手机。
其中，所述第三方平台包括宿舍门禁系统、图书馆门禁系统、食堂餐饮系统和教室考勤系统。
本发明实施例还提供了一种统一身份认证平台，包括：
图像评估单元，用于自助采集人脸照片，并通过预设的人脸算法对所采集的人脸照片进行质量评估，得到各人脸照片的符合度，且进一步将照片符合度均满足预设阈值的人脸照片保存，以及将照片符合度均不满足所述预设阈值的人脸照片丢弃；
人脸生物特征识别单元，用于采用预设的深度卷积神经网络DCNN优化算法对保存下来的人脸照片进行处理，得到各人脸照片的生物特征值，并根据所得到的各人脸照片的生物特征值，形成人脸生物特征向量库；
身份合法性认证单元，用于获取待比对人脸照片及其对应的采集方式，且待采用所述预设的深度卷积神经网络DCNN优化算法对待比对人脸照片进行处理之后，进一步结合所获取的采集方式来选择相应的比对模式，让处理得到的待比对人脸照片的生物特征值在所述人脸生物特征向量库进行比对，并根据对比结果，确定所述待比对人脸照片的身份合法性；其中，所述采集方式包括自主平台采集和第三方平台采集；所述比对模式包括对应自主平台采集时的在线比对模式和对应第三方平台采集的前端比对模式；所述身份合法性为合法或不合法。
其中，还包括：
人脸生物特征更新单元，用于对同一人更新之前及之后的人脸照片进行比对，若比对结果符合预定要求，则采用所述预设的深度卷积神经网络DCNN优化算法对更新后的人脸照片进行处理，且进一步将处理得到的生物特征值存入所述人脸生物特征向量库中。
其中，所述第三方平台包括宿舍门禁系统、图书馆门禁系统、食堂餐饮系统和教室考勤系统。
实施本发明实施例，具有如下有益效果：
本发明基于卷积神经网络DCNN优化算法的人脸识别协议，可以根据需要与第三方人脸识别对接，采集方便，且灵活保障不同安全场景，能解决现有统一身份认证基于账号与密码技术的缺点，具有高安全性。
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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的人脸身份识别的方法的流程图；
图2为本发明实施例提供的统一身份认证平台的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种人脸身份识别的方法，所述方法包括以下步骤：
步骤S1、接收自助采集的人脸照片，并通过预设的人脸算法对所接收的人脸照片进行质量评估，得到各人脸照片的符合度，且进一步将照片符合度均满足预设阈值的人脸照片保存，以及将照片符合度均不满足所述预设阈值的人脸照片丢弃；
具体过程为，用户通过手机端或电脑终端(即自助采集的人脸照片来自于电脑+摄像头或手机)访问统一身份认证平台的自助采集页面，从而能够接收自助采集的人脸照片(底库照片、工作照、生活照)。例如，采用H5页面或者SDK本地开发的方式嵌入校园App、学院校企业微信号、小程序、单独采集App等多种选择方式，实现师生手机端自助办理人脸照片采集。
统一身份认证平台会通过预设的人脸算法对所接收的人脸照片进行质量检查评估，利用人脸算法自动识别人脸照片的符合度，不符合要求的照片不允许上传，即照片符合度均不满足预设阈值的人脸照片丢弃，从而保存高质量人脸采集信息，即照片符合度满足预设阈值的人脸照片保存。可以理解的是，管理员可以在统一身份认证平台上查看用户的人脸采集信息，新增导入批量人脸数据，按人脸算法导出不合格照片的名单以及输出阈值摸底测试报告。例如，师生自助采集上传照片后，统一身份认证平台的人脸算法会自动识别新上传照片与学校数据库中照片的匹配度，当匹配度高于最低设置值则自动审核通过，则正常使用该功能；当匹配度低于最低设置值时，则丢弃，并提示管理人员需要人工审核，经过人工审核后师生方可正常使用该功能，最大程度上提升安全性。
步骤S2、采用预设的深度卷积神经网络DCNN优化算法对保存下来的人脸照片进行处理，得到各人脸照片的生物特征值，并根据所得到的各人脸照片的生物特征值，形成人脸生物特征向量库；
具体过程为，人脸照片采集后，存入照片原始库，根据深度卷积神经网络DCNN优化算法规范要求，获取每张人脸照片的生物特征值，然后存入到人脸生物特征向量库中。此时，可以实现用户人脸照片、生物特征值数据进行统一管理，可针对某个用户或者某一批用户去管理他们的人脸数据的使用情况。
应当说明的是，所使用的深度卷积神经网络DCNN优化算法，是用来处理照片图像等多维数据，通过局部连接、权值共享、池化以及多网络层等四个关键点来利用人脸照片的属性，主要是减少人脸照片个人内部的变化，同时扩大照片人脸外部差异制定低维有效的特征表示。
其中，采用预设的深度卷积神经网络DCNN优化算法对人脸照片进行处理的步骤具体包括但不限于人脸照片预处理、人脸检测、人脸特征定位、图像归一化、人脸特征值和特征向量提取等。
步骤S3、获取待比对人脸照片及其对应的采集方式，且待采用所述预设的深度卷积神经网络DCNN优化算法对待比对人脸照片进行处理之后，进一步结合所获取的采集方式来选择相应的比对模式，让处理得到的待比对人脸照片的生物特征值在所述人脸生物特征向量库进行比对，并根据对比结果，确定所述待比对人脸照片的身份合法性；其中，所述采集方式包括自主平台采集和第三方平台采集；所述比对模式包括对应自主平台采集时的在线比对模式和对应第三方平台采集的前端比对模式；所述身份合法性为合法或不合法。
具体过程为，首先，获取待比对人脸照片及其对应的采集方式，并对待比对人脸照片进行生物特征值提取，以及获悉待比对人脸照片的采集方式为自主平台采集，还是第三方平台采集；
其次，认证分两种情况：(1)在线比对模式来认证：此时待比对人脸照片通过自主平台采集上来，并使用统一身份认证平台中人脸生物特征向量库，可以按1：1特征比对，也可以1：n特征比对或m:n特征比对；(2)前端比对模式来认证：某些第三方应用平台(如宿舍门禁系统、图书馆门禁系统、教室考勤系统等)需接入统一身份认证平台中，对特征库有特殊要求与算法调整，可以按不同特征值优化计算，并分不同的级别以适应前端机的需求，此时支持视频流人脸认证，用于1:n、m:n进行特征比对。应当说明的是，前端比对模式中，可以通过前端设备完成比对，统一身份认证平台负责同步基于卷积神经网络不同级别优化算法相关人员生物特征数据即可。
最后，根据对比结果，确定待比对人脸照片的身份合法性。若对比结果得到的匹配度大于设置的阈值，则确定待比对人脸照片的身份合法；反之，则确定待比对人脸照片的身份不合法。
本发明实施例中，统一身份认证平台还支持人员照片的更新。因此，所述方法进一步包括：
对同一人更新之前及之后的人脸照片进行比对，若比对结果符合预定要求，则采用所述预设的深度卷积神经网络DCNN优化算法对更新后的人脸照片进行处理，且进一步将处理得到的生物特征值存入所述人脸生物特征向量库中，即需要判断是否同一人，并在确定是同一个人后，重新生成生物特征值存入到人脸生物特征向量库中。
可以理解的是，统一身份认证平台上的应用系统每天定时、增量的同步人脸生物特征值，各人脸应用调用统一身份认证平台同步API，特征值接口统一、做法规范。接口调用增量分页获取人脸照片，增量分页获取人脸特征值。
在本发明实施例中，统一身份认证平台还支持多种人脸识别场景的定义，用于关联同步策略、识别级别、第三方编码、识别精度阈值一系列相关对象，有助于业务部门、管理员从整体上进行管理。统一身份认证平台还支持人脸单点登录认证，一旦本平台接入统一身份认证系统后，则可以让广大师生在各个系统的页面登录时，通过扫描二维码或电脑的前置摄像头进行身份认证，丰富了统一身份认证的方式，提升了统一身份的高度。统一身份认证平台还支持第三方与生物应用注册管理，人脸识别应用必须申请应用ID及秘钥，审核通过后方可使用，可根据学校实际情况将各种应用的方案使用状态进行不同级别的控制，改变，做到可管可控。统一身份认证平台还根据不同应用场景的精度要求，设置人脸识别认证，配合密码、手机短信码、一卡通等等认证方式进行双重认证，并根据手机LBS或PC端IP地址判断师生是否在校园，提高认证精度及安全性，第三方管理包含生物特征计算、比对、图像质量打分、相似度计算等接口定义。统一身份认证平台还支持生物识别日志管理，平台支持记录每一个调用电子身份管理平台接口的操作行为，包括记录认证人员、比对照片、调用系统，响应时间、算法、规则、认证次数统计，做到所有操作全程可追溯。统一身份认证平台还支持认证统一代理管理，平台支持提供统一的接口协议，形成标准、易用、易开发的接口规范，供学校其他系统调用，其他系统只需与本平台对接，即可做到接入一次享受全部算法的优势。统一身份认证平台还支持人脸身份数据同步，支持为不同人脸识别应用提供不同用户群体的定义，提供相关API供应用调用获取照片或生物特征值，或者平台调用对端API推送照片或生物特征。统一身份认证平台还支持分级分权同步管理，业务部门可以自主自助指定哪些人员的生物特征数据能同步到指定的人脸识别应用；支持同步水印管理，支持为需要同步的应用定制专用的编码，每次同步人脸照片可以写入隐藏水印。统一身份认证平台还支持人员ID防护，支持将人员ID进行转换，不以真实的ID关联人脸照片。统一身份认证平台还支持在线照片回显，提供海量人员标准照、生活照、职业照上传与管理，提供高性能的照片回显http服务。
如图2所示，为本发明实施例中，提供的一种统一身份认证平台，该统一身份认证平台可架设在一台服务器上，具体包括：
图像评估单元110，用于自助采集人脸照片，并通过预设的人脸算法对所采集的人脸照片进行质量评估，得到各人脸照片的符合度，且进一步将照片符合度均满足预设阈值的人脸照片保存，以及将照片符合度均不满足所述预设阈值的人脸照片丢弃；
人脸生物特征识别单元120，用于采用预设的深度卷积神经网络DCNN优化算法对保存下来的人脸照片进行处理，得到各人脸照片的生物特征值，并根据所得到的各人脸照片的生物特征值，形成人脸生物特征向量库；
身份合法性认证单元130，用于获取待比对人脸照片及其对应的采集方式，且待采用所述预设的深度卷积神经网络DCNN优化算法对待比对人脸照片进行处理之后，进一步结合所获取的采集方式来选择相应的比对模式，让处理得到的待比对人脸照片的生物特征值在所述人脸生物特征向量库进行比对，并根据对比结果，确定所述待比对人脸照片的身份合法性；其中，所述采集方式包括自主平台采集和第三方平台采集；所述比对模式包括对应自主平台采集时的在线比对模式和对应第三方平台采集的前端比对模式；所述身份合法性为合法或不合法。
其中，还包括：
人脸生物特征更新单元，用于对同一人更新之前及之后的人脸照片进行比对，若比对结果符合预定要求，则采用所述预设的深度卷积神经网络DCNN优化算法对更新后的人脸照片进行处理，且进一步将处理得到的生物特征值存入所述人脸生物特征向量库中。
其中，所述第三方平台包括宿舍门禁系统、图书馆门禁系统、食堂餐饮系统和教室考勤系统。
实施本发明实施例，具有如下有益效果：
本发明基于卷积神经网络DCNN优化算法的人脸识别协议，可以根据需要与第三方人脸识别对接，采集方便，且灵活保障不同安全场景，能解决现有统一身份认证基于账号与密码技术的缺点，具有高安全性。
值得注意的是，上述统一身份认证平台实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种人脸身份识别的方法，其特征在于，所述方法包括以下步骤：
接收自助采集的人脸照片，并通过预设的人脸算法对所接收的人脸照片进行质量评估，得到各人脸照片的符合度，且进一步将照片符合度均满足预设阈值的人脸照片保存，以及将照片符合度均不满足所述预设阈值的人脸照片丢弃；
采用预设的深度卷积神经网络DCNN优化算法对保存下来的人脸照片进行处理，得到各人脸照片的生物特征值，并根据所得到的各人脸照片的生物特征值，形成人脸生物特征向量库；
获取待比对人脸照片及其对应的采集方式，且待采用所述预设的深度卷积神经网络DCNN优化算法对待比对人脸照片进行处理之后，进一步结合所获取的采集方式来选择相应的比对模式，让处理得到的待比对人脸照片的生物特征值在所述人脸生物特征向量库进行比对，并根据对比结果，确定所述待比对人脸照片的身份合法性；其中，所述采集方式包括自主平台采集和第三方平台采集；所述比对模式包括对应自主平台采集时的在线比对模式和对应第三方平台采集的前端比对模式；所述身份合法性为合法或不合法。
2.如权利要求1所述的人脸身份识别的方法，其特征在于，所述方法进一步包括：
对同一人更新之前及之后的人脸照片进行比对，若比对结果符合预定要求，则采用所述预设的深度卷积神经网络DCNN优化算法对更新后的人脸照片进行处理，且进一步将处理得到的生物特征值存入所述人脸生物特征向量库中。
3.如权利要求2或3所述的人脸身份识别的方法，其特征在于，所述采用预设的深度卷积神经网络DCNN优化算法对人脸照片进行处理的步骤具体包括：
人脸照片预处理、人脸检测、人脸特征定位、图像归一化、人脸特征值和特征向量提取。
4.如权利要求1所述的人脸身份识别的方法，其特征在于，若选择在线比对模式在所述人脸生物特征向量库进行比对，则可按1：1、1：n或m:n特征比对；或若选择前端比对模式在所述人脸生物特征向量库进行比对，则可按1：n或m:n特征比对。
5.如权利要求1所述的人脸身份识别的方法，其特征在于，所述自助采集的人脸照片来自于电脑+摄像头或手机。
6.如权利要求1所述的人脸身份识别的方法，其特征在于，所述第三方平台包括宿舍门禁系统、图书馆门禁系统、食堂餐饮系统和教室考勤系统。
7.一种统一身份认证平台，其特征在于，包括：
图像评估单元，用于自助采集人脸照片，并通过预设的人脸算法对所采集的人脸照片进行质量评估，得到各人脸照片的符合度，且进一步将照片符合度均满足预设阈值的人脸照片保存，以及将照片符合度均不满足所述预设阈值的人脸照片丢弃；
人脸生物特征识别单元，用于采用预设的深度卷积神经网络DCNN优化算法对保存下来的人脸照片进行处理，得到各人脸照片的生物特征值，并根据所得到的各人脸照片的生物特征值，形成人脸生物特征向量库；
身份合法性认证单元，用于获取待比对人脸照片及其对应的采集方式，且待采用所述预设的深度卷积神经网络DCNN优化算法对待比对人脸照片进行处理之后，进一步结合所获取的采集方式来选择相应的比对模式，让处理得到的待比对人脸照片的生物特征值在所述人脸生物特征向量库进行比对，并根据对比结果，确定所述待比对人脸照片的身份合法性；其中，所述采集方式包括自主平台采集和第三方平台采集；所述比对模式包括对应自主平台采集时的在线比对模式和对应第三方平台采集的前端比对模式；所述身份合法性为合法或不合法。
8.如权利要求7所述的人脸身份识别的统一身份认证系统，其特征在于，还包括：
人脸生物特征更新单元，用于对同一人更新之前及之后的人脸照片进行比对，若比对结果符合预定要求，则采用所述预设的深度卷积神经网络DCNN优化算法对更新后的人脸照片进行处理，且进一步将处理得到的生物特征值存入所述人脸生物特征向量库中。
9.如权利要求7所述的人脸身份识别的统一身份认证系统，其特征在于，所述第三方平台包括宿舍门禁系统、图书馆门禁系统、食堂餐饮系统和教室考勤系统。
CN202110096203.5A 2021-01-25 2021-01-25 一种统一身份认证平台及其人脸身份识别的方法 Pending CN112784240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110096203.5A CN112784240A (zh) 2021-01-25 2021-01-25 一种统一身份认证平台及其人脸身份识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110096203.5A CN112784240A (zh) 2021-01-25 2021-01-25 一种统一身份认证平台及其人脸身份识别的方法

Publications (1)

Publication Number Publication Date
CN112784240A true CN112784240A (zh) 2021-05-11

Family

ID=75758929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110096203.5A Pending CN112784240A (zh) 2021-01-25 2021-01-25 一种统一身份认证平台及其人脸身份识别的方法

Country Status (1)

Country Link
CN (1) CN112784240A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372624A (zh) * 2016-10-15 2017-02-01 杭州艾米机器人有限公司 人脸识别方法及系统
CN109359628A (zh) * 2018-11-28 2019-02-19 上海风语筑展示股份有限公司 一种展会大数据采集分析平台
CN109815845A (zh) * 2018-12-29 2019-05-28 深圳前海达闼云端智能科技有限公司 人脸识别的方法和装置、存储介质
CN112084946A (zh) * 2020-05-09 2020-12-15 支付宝(杭州)信息技术有限公司 一种人脸识别方法、装置及电子设备
CN112200174A (zh) * 2020-12-09 2021-01-08 上海齐感电子信息科技有限公司 人脸框检测方法及模块和活体人脸验证方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372624A (zh) * 2016-10-15 2017-02-01 杭州艾米机器人有限公司 人脸识别方法及系统
CN109359628A (zh) * 2018-11-28 2019-02-19 上海风语筑展示股份有限公司 一种展会大数据采集分析平台
CN109815845A (zh) * 2018-12-29 2019-05-28 深圳前海达闼云端智能科技有限公司 人脸识别的方法和装置、存储介质
CN112084946A (zh) * 2020-05-09 2020-12-15 支付宝(杭州)信息技术有限公司 一种人脸识别方法、装置及电子设备
CN112200174A (zh) * 2020-12-09 2021-01-08 上海齐感电子信息科技有限公司 人脸框检测方法及模块和活体人脸验证方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李菲: "手指静脉身份识别关键算法研究", 《中国优秀硕士学位论文全文数据库》 *

Similar Documents

Publication Publication Date Title
CN107800672B (zh) 一种信息验证方法、电子设备、服务器及信息验证系统
CN103841108A (zh) 用户生物特征的认证方法和系统
CN108809992B (zh) 一种人脸识别验证系统及其与目标系统的关联方法
WO2004038639A2 (en) Verification of identity and continued presence of computer users
CN107025397B (zh) 身份信息的获取方法和装置
CN109284733A (zh) 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
TW201435640A (zh) 人機識別方法及系統
CN110543811B (zh) 一种基于深度学习的非配合式考试人员管理方法及其系统
KR20210047350A (ko) 출석 관리 시스템, 방법 및 전자 기기
CN109522829B (zh) 一种基于深度学习的智能手机“刷脸”会议注册方法
CN109495727B (zh) 智能监控方法及装置、系统、可读存储介质
US20160065539A1 (en) Method of sending information about a user
CN106161406B (zh) 获取用户账号的方法和装置
WO2023124448A1 (zh) 对象识别方法、系统、存储介质及程序
CN109829691B (zh) 基于位置和深度学习多重生物特征的c/s打卡方法和装置
CN112199530B (zh) 多维度脸库图片自动更新方法、系统、设备及介质
WO2019200737A1 (zh) 不动产资料上传方法、装置、计算机设备和存储介质
CN103609098B (zh) 用于在远程呈现系统中注册的方法和装置
CN113515988A (zh) 掌纹识别方法、特征提取模型训练方法、设备及介质
CN110516426A (zh) 身份认证方法、认证终端、装置及可读存储介质
CN110335179A (zh) 自助设备、自助机系统以及数据管理方法
CN112784240A (zh) 一种统一身份认证平台及其人脸身份识别的方法
CN108737427A (zh) 应用于会议室的身份显示方法、装置、终端及存储介质
CN114694227A (zh) 一种基于人脸识别技术的身份认证持续优化方法
US20200364321A1 (en) Method and apparatus for providing authentication using voice and facial data

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: 20210511

RJ01 Rejection of invention patent application after publication