CN113515987A - 掌纹识别方法、装置、计算机设备及存储介质 - Google Patents
掌纹识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113515987A CN113515987A CN202010659346.8A CN202010659346A CN113515987A CN 113515987 A CN113515987 A CN 113515987A CN 202010659346 A CN202010659346 A CN 202010659346A CN 113515987 A CN113515987 A CN 113515987A
- Authority
- CN
- China
- Prior art keywords
- palm
- target
- palm print
- hand image
- original
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 53
- 230000009466 transformation Effects 0.000 claims description 52
- 238000012937 correction Methods 0.000 claims description 43
- 238000007499 fusion processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 abstract description 16
- 210000003811 finger Anatomy 0.000 description 97
- 239000013598 vector Substances 0.000 description 36
- 238000005516 engineering process Methods 0.000 description 24
- 238000004891 communication Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 17
- 238000004590 computer program Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 12
- 210000004932 little finger Anatomy 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004080 punching Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本申请实施例公开了一种掌纹识别方法、装置、计算机设备及存储介质,属于计算机技术领域。该方法包括:获取包含同一手掌的至少两个原始手部图像,根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像,分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征,根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对融合掌纹特征进行识别处理,确定融合掌纹特征的目标用户标识。避免了由于手掌显示方式不满足要求而影响掌纹识别结果,丰富了融合掌纹特征中包含的特征,提高了掌纹识别的准确性,实现了对用户的身份验证。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种掌纹识别方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展,掌纹识别技术应用越来越广泛,可以应用于多种场景下,如支付场景或上班打卡场景等,通过掌纹识别,可以对用户身份进行验证。
相关技术中提供了一种掌纹识别方法,对拍摄手掌得到的手部图像进行编码,来获取手部图像的图像特征,对该图像特征进行识别处理,来确定手部图像对应的用户标识。由于上述方法仅是对手部图像进行编码,来获取到图像特征,获取到的图像特征的准确性差,导致掌纹识别的准确性差。
发明内容
本申请实施例提供了一种掌纹识别方法、装置、计算机设备及存储介质,能够提高掌纹识别的准确性。所述技术方案如下:
一方面,提供了一种掌纹识别方法,所述方法包括:
获取包含同一手掌的至少两个原始手部图像,所述至少两个原始手部图像中至少包括红外原始手部图像和可见光原始手部图像;
根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到所述每个原始手部图像对应的目标手部图像,所述至少两个模板手部图像中至少包括红外模板手部图像和可见光模板手部图像;
分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征;
根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对所述融合掌纹特征进行识别处理,确定所述融合掌纹特征的目标用户标识。
另一方面,提供了一种掌纹识别装置,所述装置包括:
图像获取模块,用于获取包含同一手掌的至少两个原始手部图像,所述至少两个原始手部图像中至少包括红外原始手部图像和可见光原始手部图像;
矫正处理模块,用于根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像,所述至少两个模板手部图像中至少包括红外模板手部图像和可见光模板手部图像;
特征融合模块,用于分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征;
掌纹识别模块,用于根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对所述融合掌纹特征进行识别处理,确定所述融合掌纹特征的目标用户标识。
在一种可能实现方式中,所述矫正处理模块,包括:
关键点检测单元,用于对任一原始手部图像进行手掌关键点检测,确定所述原始手部图像中的至少一个原始手掌关键点;
模板图像确定单元,用于确定所述至少两个模板手部图像中,与所述原始手部图像类型匹配的模板手部图像,所述模板手部图像中包括至少一个模板手掌关键点,所述至少一个模板手掌关键点与所述至少一个原始手掌关键点一一对应;
矫正处理单元,用于根据所述至少一个模板手掌关键点的位置及所述至少一个原始手掌关键点的位置,对所述原始手部图像进行矫正处理,得到所述原始手部图像对应的目标手部图像,以使所述目标手部图像中的至少一个目标手掌关键点与至少一个模板手掌关键点的位置重合。
在另一种可能实现方式中,所述矫正处理单元,包括:
数据获取子单元,用于根据所述至少一个模板手掌关键点的位置及所述至少一个原始手掌关键点的位置,获取矫正变换数据,所述矫正变换数据中包括至少一个变换参数,所述变换参数为从所述原始手掌关键点的位置变换至对应的模板手掌关键点的位置所采用的变换参数;
矫正处理子单元,用于根据所述矫正变换数据,对所述原始手部图像进行矫正处理,得到所述目标手部图像。
在另一种可能实现方式中,所述特征融合模块,包括:
手掌提取单元,用于对所述目标手部图像进行手掌提取,得到所述目标手部图像的目标手掌图像;
特征提取单元,用于对所述目标手掌图像进行特征提取,得到所述目标掌纹特征。
在另一种可能实现方式中,所述手掌提取单元,包括:
位置确定子单元,用于确定所述目标手部图像中的至少一个目标手掌关键点的位置,所述至少一个目标手掌关键点与所述至少一个原始手掌关键点一一对应;
目标区域确定子单元,用于根据所述至少一个目标手掌关键点的位置,确定所述目标手部图像中所述手掌所处的目标区域;
手掌提取子单元,用于对所述目标手部图像的目标区域进行手掌提取,得到所述目标手掌图像。
在另一种可能实现方式中,所述至少一个目标手掌关键点包括第一关键点、第二关键点和掌心关键点;
所述目标区域确定子单元,用于将所述第一关键点与所述第二关键点之间的距离与参考数值的乘积,作为目标距离;以所述掌心关键点为目标区域的中心,以所述目标距离为目标区域的边长,确定正方形的目标区域;或者,以所述掌心关键点为目标区域的中心,以所述目标距离为目标区域的半径,确定圆形的目标区域。
在另一种可能实现方式中,所述特征提取单元,用于调用特征提取模型,对所述目标手掌图像进行特征提取,得到所述目标掌纹特征。
在另一种可能实现方式中,所述特征融合模块,包括:
融合处理单元,用于在每个目标掌纹特征的质量参数均大于参考阈值的情况下,将所述至少两个目标掌纹特征进行融合处理,得到所述融合掌纹特征。
在另一种可能实现方式中,所述装置还包括:
质量检测模块,用于分别对所述每个目标掌纹特征进行质量检测,得到所述每个目标掌纹特征的质量参数。
在另一种可能实现方式中,所述目标掌纹特征包括多个特征维度的特征信息;所述质量检测模块,包括:
变换处理单元,用于对所述任一目标掌纹特征中多个特征维度的特征信息进行特征变换处理,得到所述多个特征维度的特征值;
融合处理单元,用于对所述多个特征维度的特征值进行融合处理,得到所述目标掌纹特征的质量参数。
在另一种可能实现方式中,所述质量检测模块,包括:
质量检测单元,用于调用质量检测模型,分别对所述每个目标掌纹特征进行质量检测,得到所述每个目标掌纹特征的质量参数。
在另一种可能实现方式中,所述掌纹识别模块,包括:
特征识别单元,用于根据所述融合掌纹特征与所述每个参考掌纹特征之间的相似度,将所述多个参考掌纹特征中,与所述融合掌纹特征的相似度最大的参考掌纹特征,识别为相似掌纹特征;
标识确定单元,用于将所述相似掌纹特征对应的用户标识,确定为所述目标用户标识。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现如上述方面所述的掌纹识别方法中所执行的操作。
另一方面,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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如上述方面所述的掌纹识别方法中所执行的操作。
再一方面,提供了一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机程序代码,所述计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码,处理器执行该计算机程序代码,使得所述计算机设备实现如上述方面所述的掌纹识别方法中所执行的操作。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的方法、装置、计算机设备及存储介质,在对同一手掌进行图像采集时,由于受到光线的影响,导致在不同光线下采集到的原始手部图像中包含的掌纹特征不同,因此,通过对红外原始手部图像和可见光原始手部图像进行处理,将红外原始手部图像和可见光原始手部图像中包含的掌纹特征进行融合,从而丰富了融合掌纹特征中包含的掌纹特征,提高了融合掌纹特征的准确性,并且,由于模板手部图像中模板手掌的显示方式满足掌纹识别要求,在对红外原始手部图像和可见光原始手部图像的处理过程中,通过模板手部图像对原始手部图像进行矫正处理,以使矫正处理后的目标手部图像中手掌的显示方式,与模板手部图像中模板手掌的显示方式匹配,满足掌纹识别要求,避免了由于手掌显示方式不满足要求而影响掌纹识别结果,从而提高了掌纹识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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实施例的一些实施例,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附图。
图1是本申请实施例提供的一种实施环境的示意图;
图2是本申请实施例提供的一种掌纹识别方法的流程图;
图3是本申请实施例提供的一种掌纹识别方法的流程图;
图4是本申请实施例提供的一种对原始手部图像矫正处理的示意图;
图5是本申请实施例提供的一种质量检测的流程图;
图6是本申请实施例提供的一种掌纹识别方法的流程图;
图7是本申请实施例提供的一种掌纹识别的流程图;
图8是本申请实施例提供的一种掌纹支付方法的流程图;
图9是本申请实施例提供的一种身份验证方法的流程图;
图10是本申请实施例提供的一种掌纹识别装置的结构示意图;
图11是本申请实施例提供的一种掌纹识别装置的结构示意图;
图12是本申请实施例提供的一种终端的结构示意图;
图13是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念,但除非特别说明,这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说,在不脱离本申请的范围的情况下,可以将第一关键点称为第二关键点,且类似地,可将第二关键点称为第一关键点。
本申请所使用的术语“至少一个”、“至少两个”“多个”、“每个”、“任一”,至少一个包括一个、两个或两个以上,至少两个包括两个或两个以上,多个包括两个或两个以上,而每个是指对应的多个中的每一个,任一是指多个中的任意一个。举例来说,多个参考掌纹特征包括3个参考掌纹特征,而每个是指这3个参考掌纹特征中的每一个参考掌纹特征,任一是指这3个参考掌纹特征中的任意一个,可以是第一个,可以是第二个、也可以是第三个。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS(Infrastructure as a Service,基础设施即服务)层上可以部署PaaS(Platform as a Service,平台即服务)层,PaaS层之上再部署SaaS(Software as a Service,软件即服务)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、Web(World Wide Web,全球广域网)容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
本申请实施例提供的方案,基于人工智能和云技术,可以训练特征提取模型和质量检测模型,通过调用训练的模型,可以进行掌纹识别,实现了对用户的身份验证。
本申请实施例提供的掌纹识别方法,可以用于计算机设备中,该计算机设备可以为终端或服务器,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。该终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
图1是本申请实施例提供的一种实施环境的结构示意图,如图1所示,该系统包括终端101和服务器102,终端101与服务器102建立通信连接,通过建立的通信连接进行交互。
终端101上可以配置摄像头或其他图像采集设备,从而采集任一用户的手部图像。服务器102具备掌纹识别功能,能够根据任一手部图像进行掌纹识别,从而识别出该手部图像所属用户的身份。则终端101将采集到的手部图像发送至服务器102,服务器102对手部图像进行掌纹识别,并将识别结果返回给终端101。
可选地,终端101安装由服务器102提供服务的目标应用,通过该目标应用,终端101和服务器102可以进行交互。在用户通过终端101上的目标应用执行操作时,终端101采集用户的手部图像,发送至服务器102,由服务器102对该手部图像进行掌纹识别,以验证用户的身份,并将识别结果返回给终端101。
本申请实施例提供的方法,可用于身份验证的场景下。
例如,智能支付场景下:
商户的终端通过拍摄用户的手掌,获取到该用户的红外原始手部图像和可见光原始手部图像,采用本申请实施例提供的掌纹识别方法,确定该至少两个手部图像对应的目标用户标识,将该目标用户标识对应的资源账户中的部分资源,转入到商户资源账户中,实现通过手掌自动支付。
例如,上班打卡场景下:
终端通过拍摄用户的手掌,获取到该用户的红外原始手部图像和可见光原始手部图像,采用本申请实施例提供的掌纹识别方法,确定该至少两个手部图像对应的目标用户标识,为该目标用户标识建立打卡标记,确定该目标用户标识在当前时间已完成上班打卡。
图2是本申请实施例提供的一种掌纹识别方法的流程图,应用于计算机设备中,如图2所示,该方法包括:
201、计算机设备获取包含同一手掌的至少两个原始手部图像。
在本申请实施例中,在对同一手掌采集手部图像时,由于采用不同的光线能够得到不同的原始手部图像,不同的原始手部图像中包含的手掌的掌纹特征可能不同,因此,为了提高掌纹特征的准确性,通过包含同一手掌的至少两个原始手部图像,来进行掌纹识别。
其中,该手掌为待验证身份的用户的手掌。可选地,该手掌为用户的左手掌,或者,为用户的右手掌。原始手部图像为待识别的手部图像,可选地,该原始手部图像中除了包含手掌外,还包含其他的信息,如用户的手指、拍摄用户手掌时所处的场景等。在至少两个原始手部图像中,至少包括红外原始手部图像和可见光原始手部图像。该红外原始手部图像是通过红外线对该手掌进行拍摄得到的,该可见光原始手部图像是通过可见光对该手掌进行拍摄得到的。
可选地,计算机设备通过对该手掌进行拍摄,得到至少两个原始手部图像。例如,计算机设备为商店支付设备,商店支付设备通过拍摄用户的手掌,得到至少两个原始手部图像。可选地,计算机设备接收其他设备发送的至少两个原始手部图像。例如,计算机设备为掌纹识别服务器,商店支付设备拍摄到至少两个原始手部图像后,将该至少两个原始手部图像发送至该掌纹识别服务器。
202、计算机设备根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像。
在本申请实施例中,不同的手部图像中包含的手掌的显示方式可能会不同,该显示方式可以包括显示位置或显示角度,该显示位置表示手部图像显示手掌的位置,如手部图像的左上角区域、手部图像的中心区域等,该显示角度表示手部图像中手掌的平面与手部图像的平面之间的角度,如,当手部图像中手掌的平面与手部图像的平面平行时,则显示角度为0,当手部图像中手掌的平面与手部图像的平面构成角度时,显示角度不为0。
不同的显示方式会影响手部图像中手掌的显示效果,从而影响提取到的掌纹特征的准确性,影响掌纹识别的效果,例如,手部图像中的手掌的平面与手部图像的平面之间存在一定的角度,则该手部图像中手掌的显示效果差,因此,为了保证后续得到的手部图像的准确性高,通过设置模板手部图像,对原始手部图像进行矫正处理,以使矫正处理后的手部图像中手掌的显示方式与模板手部图像中手掌的显示方式匹配,从而保证了后续得到掌纹特征的准确性。
其中,模板手部图像是用于对获取到的原始手部图像进行矫正处理的模板图像,该模板手部图像中模板手掌的显示方式满足掌纹识别要求,例如,模板手部头像中模板手掌的显示位置在模板手部图像的中心区域,模板手掌的平面与目标手部图像的平面平行,即该模板手掌的显示角度为0。在该至少两个模板手部图像中,至少包括红外模板手部图像和可见光模板手部图像,该红外模板手部图像用于对红外原始手部图像进行矫正处理,可见光模板手部图像用于对可见光原始手部图像进行矫正处理。
可选地,至少两个模板手部图像是在该计算机设备中预先存储的。例如,在设置模板手部图像时,由管理人员从多个用户的手部图像中,选取满足掌纹识别要求的至少两个手部图像作为模板手部图像,将选取的模板手部图像进行存储。可选地,至少两个模板手部图像是由其他设备发送的。在计算机设备接收到其他设备发送的至少两个模板手部图像后,将该至少两个手部图像进行存储。
在本申请实施例中,由于至少两个原始手部图像分别属于不同的类型,则在对至少两个原始手部图像进行矫正处理时,分别采用与原始手部图像所属类型相匹配的模板手部图像,对原始手部图像进行矫正处理,以保证矫正处理的准确性。
203、计算机设备分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征。
其中,目标掌纹特征用于表示目标手掌图像中包括的手掌的特征,该目标掌纹特征可以用向量表示,也可以用其他形式表示。
由于至少两个目标掌纹特征均属于同一手掌,且不同的目标掌纹特征是通过不同的目标手部图像获取到的,不同的目标掌纹特征可能会不同,因此,通过将至少两个目标掌纹特征进行融合,使融合掌纹特征中包含了不同目标手部图像中包含的手掌的掌纹特征,丰富了融合掌纹特征中包含的特征,从而提高了该融合掌纹特征的准确性。
204、计算机设备根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对融合掌纹特征进行识别处理,确定融合掌纹特征的目标用户标识。
其中,参考掌纹特征为存储的用户标识的掌纹特征。每个参考掌纹特征具有对应的用户标识,表示该参考掌纹特征属于该用户表示,是该用户的手掌的掌纹特征。该用户标识可以为任意的用户标识,如,该用户标识为支付应用中注册的用户标识,或该用户标识为企业中登记的用户标识。
在本申请实施例中,计算机设备中包括参考数据库,该参考数据库中包括多个参考掌纹特征,及每个参考掌纹特征对应的用户标识。可选地,在该参考数据库中,任一用户标识对应有一个参考掌纹特征,或者,任一用户标识对应有至少两个参考掌纹特征。
例如,多个用户在支付应用中进行注册,通过将每个用户的掌纹特征与对应的用户标识进行绑定,将多个用户的掌纹特征与对应的用户标识对应存储于数据库中,后续用户使用支付应用时,通过获取的目标手掌特征及数据库中的参考掌纹特征,来确定目标用户标识,实现对用户的身份验证。
本申请实施例提供的方法,在对同一手掌进行图像采集时,由于受到光线的影响,导致在不同光线下采集到的原始手部图像中包含的掌纹特征不同,因此,通过对红外原始手部图像和可见光原始手部图像进行处理,将红外原始手部图像和可见光原始手部图像中包含的掌纹特征进行融合,从而丰富了融合掌纹特征中包含的掌纹特征,提高了融合掌纹特征的准确性,并且,由于模板手部图像中模板手掌的显示方式满足掌纹识别要求,在对红外原始手部图像和可见光原始手部图像的处理过程中,通过模板手部图像对原始手部图像进行矫正处理,以使矫正处理后的目标手部图像中手掌的显示方式,与模板手部图像中模板手掌的显示方式匹配,满足掌纹识别要求,避免了由于手掌显示方式不满足要求而影响掌纹识别结果,从而提高了掌纹识别的准确性。
图3是本申请实施例提供的一种掌纹识别方法的流程图,应用于计算机设备中,如图3所示,该方法包括:
301、计算机设备获取包含同一手掌的至少两个原始手部图像。
在一种可能实现方式中,计算机设备配置有至少两个摄像头,该步骤301包括:计算机设备通过该至少两个摄像头,分别对用户的手掌进行拍摄,得到至少两个原始手部图像。其中,该至少两个摄像头中,至少包括红外摄像头及可见光摄像头。
在本申请实施例中,通过至少两个摄像头中不同的摄像头,可以采集到不同类型的原始手部图像,如通过该红外摄像头,能够采集到的红外原始手部图像,通过该可见光摄像头,能够采集到可见光原始手部图像。
可选地,计算机设备通过该至少两个摄像头,同时对用户的手掌进行拍摄,得到至少两个原始手部图像。可选地,计算机设备通过该至少两个摄像头,多次对用户的手掌进行拍摄,得到至少两个原始手部图像。计算机设备多次对用户的手掌进行拍摄时,每次采用一个摄像头进行拍摄,从而可以得到每个摄像头对应的原始手部图像。
在一种可能实现方式中,该步骤301包括:计算机设备与其他设备建立通信连接,通过该通信连接,接收其他设备发送的至少两个原始手部图像。例如,该计算机设备为支付应用服务器,其他设备可以为支付终端,支付终端拍摄用户的手掌,得到至少两个原始手部图像后,通过该支付终端与支付应用服务器之间的通信连接,将至少两个原始手部图像发送至支付应用服务器。
302、计算机设备对任一原始手部图像进行手掌关键点检测,确定原始手部图像中的至少一个原始手掌关键点。
其中,原始手掌关键点可以为手掌的任一点,如原始手掌关键点为食指与中指之间的指缝关键点,或者手掌关键点为中指与无名指之间的指缝关键点,或者手掌关键点为无名指与小指之间的指缝关键点。
由于手掌可能存在于该原始手部图像中的任一区域,为了能够确定手掌在原始手部图像中的位置,通过对该原始手部图像进行手掌关键点检测,从而确定原始手部图像中的至少一个原始手掌关键点,以便后续能够根据该至少一个原始手掌关键点对原始手部图像进行矫正处理。
通过对原始手部图像进行手掌关键点检测,确定原始手部图像中的至少一个原始手掌关键点,从而可以确定手掌在该原始手部图像中的位置,以便后续能够根据该至少一个原始手掌关键点对原始手部图像进行矫正处理。
在一种可能实现方式中,该步骤302包括:计算机设备调用关键点检测模型,对原始手部图像进行手掌关键点检测,确定原始手部图像中的至少一个原始手掌关键点。其中,该关键点检测模型用于检测手部图像中的手掌关键点,该关键点检测模型可以为Yolov3(You Only Look Once V3,目标识别算法)检测器、或者其他检测模型。
303、计算机设备确定至少两个模板手部图像中,与原始手部图像类型匹配的模板手部图像。
其中,模板手部图像中包括至少一个模板手掌关键点,至少一个模板手掌关键点与至少一个原始手掌关键点一一对应。例如,至少一个模板手掌关键点包括食指与中指的指缝关键点、中指与无名指的指缝关键点、无名指与小指的指缝关键点,则至少一个原始手掌关键点包括食指与中指的指缝关键点、中指与无名指的指缝关键点、无名指与小指的指缝关键点。
由于至少两个模板手部图像中包括不同类型的模板手部图像,如红外模板手部图像、可见光模板手部图像,为了保证矫正处理的准确性,在对原始手部图像进行矫正处理时,采用的模板手部图像与原始手部图像的类型相匹配。例如,如果原始手部图像是红外原始手部图像,则采用红外模板手部图像进行矫正处理,如果原始手部图像是可见光原始手部图像,则采用可见光模板手部图像进行矫正处理。
计算机设备确定与原始手部图像类型匹配的模板手部图像,以便后续可以根据该模板手部图像,对待验证身份的原始手部图像进行矫正处理。
可选地,任一模板手部图像为左手的模板手部图像,或者,为右手的模板手部图像。因此,在确定模板手部图像时,确定的模板手部图像所属的手掌类型与原始手部图像所属的手掌类型相匹配。
在一种可能实现方式中,在步骤303包括:根据原始手部图像中的至少一个原始手掌关键点,确定该原始手部图像的手掌类型,从至少一个模板手部图像中,确定与原始手部图像的手掌类型匹配的模板手部图像。
其中,手掌类型包括左手掌类型和右手掌类型。在本申请实施例中,由于人的左手和右手的手掌不同,模板手部图像包括属于左手掌类型的模板手部图像和属于右手掌类型的模板手部图像,以便可以根据不同手掌类型的模板手部图像,对属于相同手掌类型的原始手部图像进行矫正处理,从而保证了后续对原始手部图像的矫正处理效果,提高掌纹识别的准确率。
可选地,该至少一个原始手掌关键点包括第一原始手掌关键点、第二原始手掌关键点及第三原始手掌关键点,根据原始手部图像中的至少一个原始手掌关键点,确定该原始手部图像的手掌类型的过程可以包括以下步骤1-2:
1、根据第一原始手掌关键点的坐标、第二原始手掌关键点的坐标及第三原始手掌关键点的坐标,确定第一向量和第二向量。
由于在一般人的左手掌中,第三原始手掌关键点在第二原始手掌关键点的左侧,第一原始手掌关键点在第二原始手掌关键点的右侧;在一般人的右手掌中,第一原始手掌关键点在第二原始手掌关键点的左侧,第三原始手掌关键点在第二原始手掌关键点的右侧。例如,第一原始手掌关键点为小指与无名指的指缝关键点,第二原始手掌关键点为无名指与中指的指缝关键点,第三原始手掌关键点为中指与食指的指缝关键点,在左手掌中,中指与食指的指缝关键点在无名指与中指的指缝关键点的左侧,小指与无名指的指缝关键点在无名指与中指的指缝关键点的右侧;在一般人的右手掌中,小指与无名指的指缝关键点在无名指与中指的指缝关键点的左侧,中指与食指的指缝关键点在无名指与中指的指缝关键点的右侧。
且综合了一般人的手掌中第一原始手掌关键点、第二原始手掌关键点及第三原始手掌关键点的相对位置,来确定参考阈值,后续根据手部图像的手掌类型参数及该参考阈值,可以确定原始手部图像的手掌类型。
其中,第一向量是根据第二原始手掌关键点的坐标与第一原始手掌关键点的坐标之间的差值得到,第一向量表示第二原始手掌关键点与第一原始手掌关键点之间的相对位置关系,第二向量是根据第三原始手掌关键点的坐标与第二原始手掌关键点的坐标之间的差值得到,第二向量表示第三原始手掌关键点与第二原始手掌关键点之间的相对位置关系。
2、对该第一向量与第二向量进行融合处理,得到该原始手部图像的手掌类型参数,在手掌类型参数大于参考参数阈值的情况下,确定原始手部图像属于左手掌类型,在手掌类型参数不大于参考参数阈值的情况下,确定原始手部图像属于右手掌类型。
其中,参考参数阈值可以是任意数值,如0、1等。通过将第一向量和第二向量进行融合处理,可以确定出第一原始手掌关键点、第二原始手掌关键点及第三原始手掌关键点在原始手部图像中的相对位置关系,从而可以确定原始手部图像的手掌类型参数。在对第一向量和第二向量进行融合处理时,可以将第一向量和第二向量的向量积作为手掌类型参数。
例如,参考参数阈值为0,第一原始手掌关键点的坐标为(8,10),第二原始手掌关键点的坐标为(10,12),第一原始手掌关键点的坐标为(12,11),则第一向量为[2,2],第二向量为[2,-1],则第一向量与第二向量的向量积为2,即手掌类型参数为2,手掌类型参数大于0,则该原始手部图像为左手掌类型。
304、计算机设备根据至少一个模板手掌关键点的位置及至少一个原始手掌关键点的位置,获取矫正变换数据。
其中,矫正变换数据中包括至少一个变换参数,该变换参数为从原始手掌关键点的位置变换至对应的模板手掌关键点的位置所采用的变换参数,该变换参数可以用向量表示,也可以任意数值,或者以其他形式表示。
由于模板手掌关键点与原始手掌关键点一一对应,则可以通过模板手掌关键点的位置和原始手掌关键点的位置,可以确定任一原始手掌关键点的位置变换至对应的模板手掌关键点的位置所采用的变换参数,从而得到至少一个原始手掌关键点对应的变换参数,得到的至少一个变换参数构成该矫正变换数据。
在一种可能实现方式中,该步骤304可以包括:根据至少一个模板手掌关键点的坐标及至少一个原始手掌关键点的坐标,获取矫正变换矩阵。其中,该矫正变换矩阵包括至少一个变换向量。对于任一原始手掌关键点,将该原始手掌关键点的坐标与对应的变换向量的乘积,可以得到该原始手掌关键点对应的模板手掌关键点的坐标。
在本申请实施例中,原始手部图像和模板手部图像的原点在各自手部图像中的位置相同,如原点均为图像的左上角、或者图像的中心点等,则在原始手部图像和模板手部图像中,当原始手部图像中任一点和模板手部图像中任一点的坐标相同时,表示对应的点在各自手部图像中的位置相同。因此,可以根据模板手掌关键点在模板手部图像中的坐标及原始手掌关键点在原始手掌图像中的坐标,来确定矫正变换矩阵。
305、计算机设备根据矫正变换数据,对原始手部图像进行矫正处理,得到目标手部图像。
其中,目标手部图像中包括至少一个目标手掌关键点,至少一个目标手掌关键点与至少一个原始手掌关键点一一对应,至少一个目标手掌关键点是由至少一个原始手掌关键点通过矫正变换数据得到的。例如,至少一个原始手掌关键点包括3个原始手掌关键点,则至少一个目标手掌关键点包括3个目标手掌关键点,第一个原始手掌关键点与第一个目标手掌关键点对应,第二个原始手掌关键点与第二个目标手掌关键点对应,第三个原始手掌关键点与第三个目标手掌关键点对应。
在目标手部图像的目标手掌关键点中,至少一个目标手掌关键点与至少一个模板手掌关键点的位置重合。例如,模板手掌图像中包括3个模板手掌关键点,目标手部图像中包括3个目标手掌关键点,其中仅有1个模板手掌关键点与1个目标手掌关键点重合。
通过矫正变换数据,对原始手部图像进行矫正处理,使目标手部图像中的手掌的显示方式与模板手部图像中的手掌的显示方式匹配,如显示方式为手掌所在的平面与手部图像平行,以便后续能够准确地地进行掌纹识别,从而提高用户标识的准确率。
根据矫正变换数据,对原始手部图像中的每个原始点的位置进行变换,分别得到每个原始点对应的目标点,矫正处理后的多个目标点构成目标手部图像。
可选地,原始手部图像为原始图像矩阵,矫正变换数据为矫正变换矩阵,将该原始图像矩阵与矫正变换矩阵的乘积,作为目标图像矩阵,从而得到该目标手部图像。例如,原始图像矩阵中包括多个行向量,每个行向量表示原始手部图像中一个原始点的坐标,矫正变换矩阵中包括多个列向量,每个列向量为每个原始点的坐标的变换系数,该原始图像矩阵的列数量与矫正变换矩阵的行数量相等,对于任一个原始点对应的行向量,分别确定该行向量与每个列向量的乘积,多个乘积组成一个新的行向量,该新的行向量表示该原始点转换后的目标点的坐标。通过对每个行向量进行处理,得到多个新的行向量组成该目标图像矩阵。
如图4所示,原始手部图像的原始手掌关键点包括:小指与无名指的指缝关键点、食指与中指的指缝关键点、中指与无名指的指缝关键点和掌心关键点,模板手部图像的模板手掌关键点包括:小指与无名指的指缝关键点、食指与中指的指缝关键点、中指与无名指的指缝关键点和掌心关键点,对原始手部图像进行矫正处理,得到目标手部图像,从图4可以看出,手掌发生了旋转,使得该目标手部图像中手掌的显示方式与模板手部图像中手掌的显示方式匹配,手掌的平面与目标手部图像的平面趋近于平行,手掌的显示效果更好。
需要说明的是,本申请实施例是以通过矫正变换数据,获取目标手部图像进行说明的,而在另一实施例中,无需执行步骤304-305,可以采取其他方式,根据至少一个模板手掌关键点的位置及至少一个原始手掌关键点的位置,对原始手部图像进行矫正处理,得到原始手部图像对应的目标手部图像,以使目标手部图像中的至少一个目标手掌关键点与至少一个模板手掌关键点的位置重合。
在一种可能实现方式中,根据至少一个模板手掌关键点的位置及至少一个原始手掌关键点的位置,确定该原始手部图像的矫正角度,按照该矫正角度,对原始手部图像进行调整,得到目标手部图像。其中,矫正角度为原始手部图像中的手掌由当前显示角度,旋转至与模板手部图像中的手掌的显示角度相同所需的旋转角度。例如,模板手部图像中的手掌所在平面与模板手部图像的平面平行,原始手部图像中的手掌所在平面与原始手部图像的平面呈30度,则该原始手部图像的矫正角度为30度。
另外,原始手部图像的矫正角度可以包括第一角度、第二角度和第三角度,第一角度、第二角度和第三角度分别表示不同方向的角度。例如,以原始手部图像的左上角为原点,由左上角指向右上角的方向为X轴正方向,由左上角指向右下角的方向为Y轴正方向,由左上角垂直于原始手部图像的直线方向作为Z轴方向,则第一角度为绕X轴的旋转角度,第二角度为绕Y轴的旋转角度,第三角度为绕Z轴的旋转角度。
需要说明的是,本申请实施例是以通过矫正变换数据,获取目标手部图像进行说明的,而在另一实施例中,无需执行步骤304-305,可以采取其他方式,根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像。
306、计算机设备对目标手部图像进行手掌提取,得到目标手部图像的目标手掌图像。
其中,目标手掌图像中仅包括目标手部图像的手掌,可以为目标手部图像的局部图像。
由于计算机设备获取到的目标手部图像中除了包括手掌外,还会包括其他的信息,如用户的手指、拍摄的场景等。因此,通过该手掌提取模型进行手掌提取,使得到目标手部图像的目标手掌图像中仅包括手掌,避免了目标手部图像中其他信息的影响,突出了目标手掌图像中的手掌,提高后续得到的掌纹特征的准确性。
在一种可能实现方式中,该步骤306可以包括以下步骤3061-3063:
3061、确定目标手部图像中的至少一个目标手掌关键点的位置。
在一种可能实现方式中,该步骤3061可以包括:确定目标手部图像中至少一个目标手掌关键点的坐标。
3062、根据至少一个目标手掌关键点的位置,确定目标手部图像中手掌所处的目标区域。
由于目标手掌关键点为手掌上的点,则根据该至少一个目标手掌关键点的位置,可以确定出手掌的位置,也即是该手掌在目标手部图像中的目标区域。例如,至少一个目标手掌关键点包括原始手掌关键点为食指与中指之间的指缝关键点、手掌关键点为中指与无名指之间的指缝关键点、手掌关键点为无名指与小指之间的指缝关键点及掌心关键点,则可以确定出手掌在目标手部图像中的位置。
在一种可能实现方式中,至少一个目标手掌关键点包括第一关键点、第二关键点和掌心关键点,则该步骤3062可以包括:将第一关键点与第二关键点之间的距离与参考数值的乘积,作为目标距离,以掌心关键点为目标区域的中心,以目标距离为目标区域的边长,确定正方形的目标区域;或者,以掌心关键点为目标区域的中心,以目标距离为目标区域的半径,确定圆形的目标区域。
在本申请实施例中,综合了一般人的手掌中第一关键点、第二关键点及第掌心关键点的相对位置,一般人的第一关键点与第二关键点之间的距离,与手掌的尺寸之间的比例,来估计出了参考数值,后续可以根据第一关键点与第二关键点之间的距离、参考数值,来确定手掌所处的区域的尺寸。
其中,参考阈值可以为任意设置的数值,如六分之七、1.5等。目标距离为手掌所处的目标区域的尺寸。
通过以掌心关键点为中心,以目标距离为目标区域的半径,即可确定圆形区域,将该圆形区域作为该目标区域。或者,通过以掌心关键点为中心,以目标距离为边长,可以得到目标手部图像中正方形的目标区域。为了保证获取到的目标区域的准确性,该正方形的目标区域的任一边,与第一关键点及第二掌关键点构成的直线平行,从而保证了该目标区域能够包括的手掌的完整性,提高了后续得到的目标掌纹特征的准确性。
另外,该至少一个目标手掌关键点还包括第三关键点,该第三关键点位于第一关键点和第二关键点之间,第一关键点和第二关键点构成的直线,与第三关键点与掌心关键点构成的直线垂直。例如,第一关键点为小指与无名指的第一指缝关键点、第二关键点为食指与中指的第二指缝关键点、第三关键点为中指与无名指的第三指缝关键点、掌心关键点为手掌中心点,则第一指缝关键点和第二指缝关键点构成的直线,与第三指缝关键点与掌心关键点构成的直线垂直。
如图4所示,通过目标手部图像中的四个目标手掌关键点建立坐标轴,小指与无名指的指缝关键点、食指与中指的指缝关键点构成X轴,中指与无名指的指缝关键点、掌心关键点构成Y轴,根据目标手部图像的小指与无名指的指缝关键点、目标手部图像的食指与中指的指缝关键点的位置,确定目标距离,以目标手部图像的掌心关键点为中心,以目标距离为边长,确定正方形的目标区域,该目标区域的两个边与X轴平行,对目标区域进行手掌提取,得到目标手掌图像。
3063、对目标手部图像的目标区域进行手掌提取,得到目标手掌图像。
在确定手掌在目标手部图像中所处的目标区域后,对该目标区域进行手掌提取,从而可以得到目标手掌图像,该目标手掌图像中仅包括手掌。在对目标区域进行手掌提取时,可以对目标手部图像的目标区域进行裁剪,得到该目标手掌图像。
307、计算机设备对目标手掌图像进行特征提取,得到目标掌纹特征。
其中,目标掌纹特征用于表示手掌图像中包括的手掌的特征,该目标掌纹特征可以用向量表示,也可以用其他形式表示。由于不同的用户的手掌中的掌纹不同,掌纹具有唯一性,则不同用户手掌的掌纹特征不同。
由于目标手掌图像中包括手掌的掌纹,则通过对该目标手掌图像进行特征提取,可以得到该目标手掌图像中的手掌的掌纹特征,也即是该目标手部图像中的手掌的掌纹特征。该掌纹特征可以包括多个特征维度,如512维的掌纹特征。
在一种可能实现方式中,该步骤307可以包括:调用特征提取模型,对目标手掌图像进行特征提取,得到目标掌纹特征。
其中,特征提取模型是用于提取手掌图像的掌纹特征的模型,该特征提取模型是通过多个样本手部图像进行训练得到的。在训练该特征提取模型时,获取多个样本用户标识的样本手部图像,通过调用特征提取模型,对多个样本手部图像进行特征提取得到多个样本掌纹特征,根据多个样本用户标识的样本掌纹特征对该特征提取模型进行训练,从而得到训练完成的特征提取模型。其中,每个样本用户标识具有多个样本掌纹特征,同一个样本用户标识的多个样本手部图像通过不同类型的设备采集得到。
需要说明的是,本申请实施例是以通过获取目标手掌图像,从而获取到目标掌纹特征进行说明的,而在另一实施例中,无需执行步骤306-307,可以采取其他方式,分别获取每个目标手部图像对应的目标掌纹特征。
308、计算机设备分别对每个目标掌纹特征进行质量检测,得到每个目标掌纹特征的质量参数。
其中,质量参数用于表示目标掌纹特征的质量。质量参数越高,表示目标掌纹特征的质量越高,通过该目标掌纹特征进行掌纹识别的准确率越高,质量参数越低,表示目标掌纹特征的质量越低,通过该目标掌纹特征进行掌纹识别的准确率越低。
由于原始手部图像受到环境的影响,如手掌大角度偏移、极端光照、运动模糊,导致目标掌纹特征的质量低,如果采用质量低的目标掌纹特征进行掌纹识别,导致掌纹识别的准确率低,为了保证掌纹识别的准确率,在获取到至少;两个目标掌纹特征后,分别对每个掌纹特征进行质量检测,以获取到每个目标掌纹特征的质量参数,后续可以通过该质量参数对至少两个目标掌纹特征进行处理。
在一种可能实现方式中,该步骤308可以包括:调用质量检测模型,分别对每个目标掌纹特征进行质量检测,得到每个目标掌纹特征的质量参数。
其中,质量检测模型是用于对掌纹特征进行质量检测的模型,该质量检测模型的输入为掌纹特征,输出为掌纹特征的质量参数。该质量检测模型可以包括两个线性层、两个批量标准化层及ReLU(Rectified Linear Unit,线性整流函数)激活层、线性层。在该质量检测模型中多个网络层的结构顺序为线性层、批量标准化层、ReLU激活层、线性层、批量标准化层。
另外,对于质量检测模型的训练过程,通过获取多个样本掌纹特征及每个样本掌纹特征及每个样本正文特征的样本质量参数,将样本掌纹特征作为质量检测模型的输入,将样本质量参数作为质量检测模型的输出,对该质量检测模型进行训练。
在一种可能实现方式中,该步骤308可以包括以下步骤3081-3082:
3081、对任一目标掌纹特征中多个特征维度的特征信息进行特征变换处理,得到多个特征维度的特征值。
其中,目标掌纹特征包括多个特征维度的特征信息,不同的特征维度用于表示不同的特征信息。如,该目标掌纹特征包括512个特征维度。对于任一特征维度,该特征维度的特征信息可以包括多个特征。通过对该特征维度的特征信息进行特征变换处理,可以得到该特征维度的特征值,分别对每个特征维度的特征信息进行特征变换处理,从而得到多个特征维度的特征值。
在一种可能实现方式中,每个特征维度的特征信息为特征矩阵,该特征矩阵中包括多个特征值,则该步骤3081可以包括:分别对每个特征维度的特征矩阵中的多个特征值进行融合处理,得到每个特征维度的特征值。其中,在对任一特征维度的特征矩阵中的多个特征值进行融合处理时,可以对多个特征值进行加权平均,得到该特征维度的特征值;或者,对该多个特征值进行加权求和,得到该特征维度的特征值;或者,将多个特征值的均值作为该特征维度的特征值;或者,将多个特征值的和值,作为该特征维度的特征值。
3082、对多个特征维度的特征值进行融合处理,得到目标掌纹特征的质量参数。
在对多个特征维度的特征值进行融合处理时,可以对多个特征维度的特征值进行加权平均,得到该质量参数;或者,对多个特征维度的特征值进行加权求和,得到该质量参数;或者,将多个特征维度的特征值的均值作为该质量参数;或者,将多个特征维度的特征值的和值,作为该质量参数。
在一种可能实现方式中,在该多个特征维度中,第i个特征维度的特征值为feature(i),则目标掌纹特征的质量参数Score,满足以下关系:
其中,i表示特征维度的序号,可以为大于0、小于n的正整数;n为大于0的正整数,表示该多个特征维度的数量。
309、计算机设备在每个目标掌纹特征的质量参数均大于参考阈值的情况下,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征。
其中,参考阈值为任意数值,如800000、700000等。
目标掌纹特征的质量参数大于参考阈值,表示目标掌纹特征的质量满足掌纹识别的需求,能够保证掌纹识别的准确性,则在每个目标掌纹特征的质量参数均大于参考数值时,表示每个目标掌纹特征的质量满足掌纹识别的需求,因此,仅在每个目标掌纹特征的质量参数均大于参考数值时,获取至少两个目标掌纹特征的融合掌纹特征,保证了融合掌纹特征的准确性,后续根据该融合掌纹特征进行识别处理,能够得到准确的目标用户标识。
310、计算机设备根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对融合掌纹特征进行识别处理,确定融合掌纹特征的目标用户标识。
其中,每个参考掌纹特征具有对应的用户标识,表示该参考掌纹特征属于该用户,是该用户的手掌的掌纹特征。该用户标识可以为任意的用户标识,如,该用户标识为支付应用中注册的用户标识,或该用户标识为企业中登记的用户标识。
在本申请实施例中,计算机设备中包括参考数据库,该参考数据库中包括多个参考掌纹特征,及每个参考掌纹特征对应的用户标识。在该参考数据库中,任一用户标识可以对应有一个参考掌纹特征,也可以对应有至少两个参考掌纹特征。
例如,多个用户在支付应用中进行注册,通过将每个用户的掌纹特征与对应的用户标识进行绑定,将多个用户的掌纹特征与对应的用户标识对应存储于数据库中,后续用户使用支付应用时,通过获取的目标手掌特征及数据库中的参考掌纹特征,来确定目标用户标识,实现对用户的身份验证。
另外,当计算机设备为终端时,该多个参考掌纹特征可以是由服务器下发至该终端的,该终端将多个参考掌纹特征进行存储。当该计算机设备为服务器时,该多个参考掌纹特征可以是该服务器对多个终端发送的手部图像进行掌纹提取得到的,也可以是接收到多个终端发送的参考掌纹特征,服务器对该多个参考掌纹特征进行存储。
例如,当该计算机设备为终端时,多个用户进行掌纹注册时,通过用户终端,将手部图像及对应的用户标识发送至服务器,由服务器对多个手部图像进行掌纹提取,得到多个用户的掌纹特征,将多个用户的掌纹特征及对应的用户标识下发至终端,该终端对该多个掌纹特征及对应的用户标识进行对应存储。或者,当该计算机设备为服务器时,多个用户进行掌纹注册时,通过用户终端,将手部图像及对应的用户标识发送至服务器,由服务器对多个手部图像进行掌纹提取,得到多个用户的掌纹特征,服务器将该多个掌纹特征及对应的用户标识进行对应存储。或者,当该计算机设备为服务器时,多个用户进行掌纹注册时,通过用户终端对获取到的手部图像进行掌纹提取,得到对应的掌纹特征,通过用户终端,将对应的掌纹特征发送至服务器,服务器将接收到的多个掌纹特征与对应的用户标识进行对应存储。
在一种可能实现方式中,根据多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对目标掌纹特征进行识别处理的过程,可以包括以下步骤3101-3102:
3101、根据融合掌纹特征与每个参考掌纹特征之间的相似度,将多个参考掌纹特征中,与融合掌纹特征的相似度最大的参考掌纹特征,识别为相似掌纹特征。
其中,目标掌纹特征与参考掌纹特征之间的相似度,用于表示该目标掌纹特征与该参考掌纹特征之间的相似程度,相似度越高,则目标掌纹特征与参考掌纹特征属于同一个用户的可能性越大,相似度越低,则目标掌纹特征与参考掌纹特征属于同一个用户的可能性越小。
在获取到目标掌纹特征后,确定该目标掌纹特征与每个参考掌纹特征之间的相似度,则得到多个相似度,从确定的多个相似度中,选取最大的相似度,将该最大相似度对应的参考掌纹特征,识别为相似掌纹特征,即可认为该相似掌纹特征与目标掌纹特征属于同一个用户标识。其中,在确定目标掌纹特征与参考掌纹特征之间的相似度时,可以采用余弦相似度、欧氏距离等。
由于计算机设备中存储有多个参考掌纹特征,该多个参考掌纹特征可以为多个用户标识注册的掌纹特征,则通过确定待识别的目标掌纹特征与每个参考掌纹特征之间的相似度,可以确定出计算机设备中存储的多个参考掌纹特征与该目标掌纹特征属于同一个用户标识的可能性,从而得到与目标用户标识最相似的相似掌纹特征。
3102、将相似掌纹特征对应的用户标识,确定为目标用户标识。
由于计算机设备中存储有多个参考掌纹特征及每个参考掌纹特征的用户标识,因此,计算机设备从多个参考掌纹特征中,选出该相似掌纹特征,即可得到该相似掌纹特征的用户标识,且确定该相似掌纹特征与目标掌纹特征属于同一个用户标识,则将相似掌纹特征对应的用户标识,确定为该目标掌纹特征对应的用户标识,也即是该目标手部图像对应的目标用户标识。
另外,本申请实施例仅是以目标掌纹特征的质量参数大于参考阈值进行说明的,而当目标掌纹特征的质量参数小于参考阈值,则不再对目标掌纹特征进行掌纹识别。
在一种可能实现方式中,该计算机设备为终端,则在目标掌纹特征的质量参数小于参考阈值的情况下,该终端显示识别失败通知,该识别失败通知用于提示用户,掌纹识别失败。
在另一种可能实现方式中,该计算机设备为服务器,该原始手部图像是终端发送至服务器的,则在目标掌纹特征的质量参数小于参考阈值的情况下,服务器向终端发送识别失败通知,终端接收到该识别失败通知,显示识别失败通知,该识别失败通知用于提示用户掌纹识别失败,需要重新输入掌纹。
如图5所示,在获取到至少两个目标手掌图像后,调用特征提取模型分别对每个目标手掌图像进行特征提取,得到每个目标手掌图像掌纹特征,调用质量检测模型,分别对每个掌纹特征进行质量检测,得到每个掌纹特征的质量参数,确定质量参数是否大于参考阈值,在每个掌纹特征的质量参数均大于参考阈值的情况下,后续对掌纹特征进行掌纹识别,在任一掌纹特征的质量参数不大于参考阈值的情况下,对掌纹特征进行过滤,生成识别失败通知,以提示用户掌纹识别失败。
需要说明的是,本申请是以在目标掌纹特征的质量参数大于参考阈值时,对目标掌纹特征进行识别处理进行说明的,而在另一实施例中,无需执行步骤308-310,无需考虑目标掌纹特征的质量参数,在得到目标掌纹特征后,可以直接根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对目标掌纹特征进行识别处理,确定目标掌纹特征的目标用户标识。
需要说明的是,本申请实施例是以通过对目标手部图像进行手掌提取后,通过目标手掌图像进行掌纹识别进行说明的,而在另一实施例中,无需执行步骤306-310,可以采取其他方式,对目标手部图像进行掌纹识别,得到目标手部图像对应的目标用户标识。
掌纹识别作为当前较为热门的生物特征识别技术,对于移动支付场景,身份核验等领域都有着广泛的应用前景。相对于指纹识别,掌纹识别是非接触式的,用户只需要把手掌放置在摄像头前即可以完成识别过程,相对于人脸识别,掌纹识别不会受到戴口罩,化妆,墨镜等因素的影响,同时掌纹因具有唯一性,对双胞胎也可以有效识别。在某些场景下,如疫情防控场景下,由于佩戴口罩遮住口鼻,这种情况下使用掌纹进行身份验证可以作为一种更好的选择。
在面向支付场景时,对识别准确率要求非常高,所以对掌纹识别在各种场景下的识别性能都有很高的要求。需要在保证高准确率的情况下,还能够保持复杂场景下的识别稳定性,确保用户手掌大角度倾斜以及极端光照或模糊条件下的识别效果。通过采用本申请实施例提供的方法,能够大大提高掌纹识别的稳定性和准确性。
本申请实施例提供的方法,在对同一手掌进行图像采集时,由于受到光线的影响,导致在不同光线下采集到的原始手部图像中包含的掌纹特征不同,因此,通过对红外原始手部图像和可见光原始手部图像进行处理,将红外原始手部图像和可见光原始手部图像中包含的掌纹特征进行融合,从而丰富了融合掌纹特征中包含的掌纹特征,提高了融合掌纹特征的准确性,并且,由于模板手部图像中模板手掌的显示方式满足掌纹识别要求,在对红外原始手部图像和可见光原始手部图像的处理过程中,通过模板手部图像对原始手部图像进行矫正处理,以使矫正处理后的目标手部图像中手掌的显示方式,与模板手部图像中模板手掌的显示方式匹配,满足掌纹识别要求,避免了由于手掌显示方式不满足要求而影响掌纹识别结果,从而提高了掌纹识别的准确性。
且根据原始手部图像中的原始手掌关键点的位置及模板手掌关键点的位置,来获取矫正变换数据,确保目标手部图像中的手掌与模板手部图像中的手掌的显示方式匹配,从而提高了目标手部图像的准确性。
并且,对目标掌纹特征进行质量检测,在目标掌纹特征的质量参数满足需求的情况下,才会对目标掌纹特征进行掌纹识别,以确定掌纹识别的准确率,避免了由于目标掌纹特征的不准确,导致的掌纹识别错误。
图6是本申请实施例提供的一种掌纹识别方法的流程图,如图6所示,该方法包括:
1、通过支付设备拍摄用户的手掌,得到用户的至少两个原始手部图像。
2、调用关键点检测模型,分别对每个原始手部图像进行关键点检测,得到每个原始手部图像的至少一个原始手掌关键点。
3、根据每个原始手部图像至少一个原始手掌关键点,确定每个原始手部图像的手掌类型,根据属于相同手掌类型、且与原始手部图像的类型匹配的模板手部图像,分别对每个原始手部图像进行角度矫正,得到每个原始手部图像的目标手部图像,分别对每个目标手部图像进行手掌提取,得到每个目标手部图像目标手掌图像。
4、调用不确定度网络模型,分别对每个目标手掌图像进行不确定度检测,得到每个目标手掌图像的质量参数。
其中,不确定度网络模型包括特征提取模型和质量检测模型。调用特征提取模型,获取目标手掌图像的目标掌纹特征,调用质量检测模型,获取目标掌纹特征的质量参数,也即是目标手掌图像的质量参数。
5、在每个目标手掌图像的质量参数均大于参考阈值的情况下,调用特征提取模型,分别对每个目标手掌图像进行特征提取,得到至少两个目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征。
6、根据融合掌纹特征与每个参考掌纹特征之间的相似度,按照相似度由大到小的顺序进行排列,确定最大相似度对应的相似掌纹特征的用户标识,将该用户标识识别为目标用户标识,输出识别结果。
图7是一种跨设备进行掌纹识别的流程图,如图7所示,该流程包括:用户可以通过手机拍摄手掌,得到至少两个原始手部图像,通过手机将至少两个原始手部图像发送至服务器,由服务器对至少两个原始手部图像进行处理,得到用户的至少两个手掌图像,调用特征提取模型,分别对每个手掌图像进行特征提取,得到每个手掌图像的掌纹特征,将至少两个掌纹特征进行融合处理,得到融合掌纹特征,将融合掌纹特征进行存储。在掌纹识别阶段,在用户通过其他终端设备拍摄手掌,得到至少两个原始手部图像,通过其他终端设备将至少两个原始手部图像发送至服务器,由服务器对至少两个原始手部图像进行处理,得到用户的至少两个手掌图像,调用特征提取模型,分别对每个手掌图像进行特征提取,得到每个手掌图像的掌纹特征,将至少两个掌纹特征进行融合处理,得到融合掌纹特征,将融合掌纹特征与存储的掌纹特征进行比对,确定当前的用户掌纹特征的用户标识,得到识别结果。
在上述实施例的基础上,本申请实施例还提供了一种支付场景,图8是掌纹支付方法的流程图,参见图8,掌纹支付流程涉及商户终端和支付应用服务器。
其中,商户终端安装有支付应用,商户终端基于商户标识登录支付应用,与服务器建立通信连接,通过该通信连接,商户终端与服务器可以进行交互。
该掌纹支付流程包括:
1、用户在商店购买商品进行交易时,商户终端拍摄该用户的手掌,得到至少两个原始手部图像,基于商户标识登录的支付应用,向支付应用服务器发送支付请求,该支付请求携带该商户标识、消费金额及至少两个原始手部图像。
2、支付应用服务器接收到支付请求后,分别对每个原始手部图像进行矫正处理,得到每个原始手部图像的目标手部图像,分别对每个目标手部图像进行处理,得到每个目标手部图像中的手掌的掌纹特征。
3、支付应用服务器对每个掌纹特征进行质量检测,得到每个掌纹特征的质量参数,在每个掌纹特征的质量参数均大于参考阈值的情况下,对至少两个掌纹特征进行融合处理,得到融合掌纹特征,获取融合掌纹特征对应的用户标识,通过用户标识的账户完成转账,在转账完成后,向商户终端发送支付完成通知;或者,在任一掌纹特征的质量参数小于参考阈值的情况下,向商户终端发送识别失败通知。
支付应用服务器获取用户标识的过程,与上述步骤304-310类似。
4、商户终端接收到支付完成通知,显示该支付完成通知,提示用户支付完成,以使用户与商户完成物品的交易,用户可以将物品带走;或者,终端接收到该识别失败通知,显示识别失败通知,以提示用户掌纹识别失败,用户可以重新拍摄手掌进行支付。
另外,上述实施例以商户终端实现掌纹支付的过程,还可以将上述商户终端替换为公交车上的支付设备,按照上述步骤,实现乘车支付的方案。
本申请实施例还提供了一种身份验证场景,在该场景下可以实现基于掌纹识别的身份验证,图9是身份验证方法的流程图,参见图9,身份验证流程涉及门禁设备和门禁服务器。
其中,门禁设备与门禁服务器建立通信连接,通过该通信连接,门禁设备与门禁服务器可以进行交互。
该身份验证流程包括:
1、当用户外出回家时,门禁设备拍摄该用户的手掌,得到该用户的至少两个验证手部图像,向门禁服务器发送身份验证请求,该身份验证请求携带该至少两个验证手部图像。
2、门禁服务器接收门禁设备发送的身份验证请求,分别对每个验证手部图像进行矫正处理,得到每个验证手部图像的目标手部图像,分别对每个目标手部图像进行处理,得到每个目标手部图像中的手掌的掌纹特征。
3、门禁服务器对每个掌纹特征进行质量检测,得到每个掌纹特征的质量参数,在每个掌纹特征的质量参数均大于参考阈值的情况下,对至少两个掌纹特征进行融合处理,得到融合掌纹特征,对融合掌纹特征进行识别处理,得到该融合掌纹特征的用户标识,确定该用户为注册用户,向门禁设备发送验证通过通知,在任一掌纹特征的质量参数小于参考阈值的情况下,向门禁设备发送识别失败通知。
其中,门禁服务器获取用户标识的过程,与上述步骤304-310类似。
4、门禁设备接收门禁服务器发送的验证通过通知,根据该验证通过通知,控制家门打开,以使用户能够进入到室内;门禁设备接收门禁服务器发送的识别失败通知,显示识别失败通知,以提示用户掌纹识别失败,用户可以重新拍摄手掌进行验证。
上述实施例是以门禁设备实现身份验证的过程,还可以将上述门禁设备替换为打卡设备,按照上述步骤,实现上班打卡的方案。
图10是本申请实施例提供的一种掌纹识别装置的结构示意图,如图10所示,该装置包括:
图像获取模块1001,用于获取包含同一手掌的至少两个原始手部图像,至少两个原始手部图像中至少包括红外原始手部图像和可见光原始手部图像;
矫正处理模块1002,用于根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像,至少两个模板手部图像中至少包括红外模板手部图像和可见光模板手部图像;
特征融合模块1003,用于分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征;
掌纹识别模块1004,用于根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对融合掌纹特征进行识别处理,确定融合掌纹特征的目标用户标识。
在一种可能实现方式中,矫正处理模块1002,包括:
关键点检测单元1021,用于对任一原始手部图像进行手掌关键点检测,确定原始手部图像中的至少一个原始手掌关键点;
模板图像确定单元1022,用于确定至少两个模板手部图像中,与原始手部图像类型匹配的模板手部图像,模板手部图像中包括至少一个模板手掌关键点,至少一个模板手掌关键点与至少一个原始手掌关键点一一对应;
矫正处理单元1023,用于根据至少一个模板手掌关键点的位置及至少一个原始手掌关键点的位置,对原始手部图像进行矫正处理,得到原始手部图像对应的目标手部图像,以使目标手部图像中的至少一个目标手掌关键点与至少一个模板手掌关键点的位置重合。
在一种可能实现方式中,如图11所示,矫正处理单元1023,包括:
数据获取子单元10231,用于根据至少一个模板手掌关键点的位置及至少一个原始手掌关键点的位置,获取矫正变换数据,矫正变换数据中包括至少一个变换参数,变换参数为从原始手掌关键点的位置变换至对应的模板手掌关键点的位置所采用的变换参数;
矫正处理子单元10232,用于根据矫正变换数据,对原始手部图像进行矫正处理,得到目标手部图像。
在另一种可能实现方式中,如图11所示,特征融合模块1003,包括:
手掌提取单元1031,用于对目标手部图像进行手掌提取,得到目标手部图像的目标手掌图像;
特征提取单元1032,用于对目标手掌图像进行特征提取,得到目标掌纹特征。
在另一种可能实现方式中,如图11所示,手掌提取单元1031,包括:
位置确定子单元10311,用于确定目标手部图像中的至少一个目标手掌关键点的位置,至少一个目标手掌关键点与至少一个原始手掌关键点一一对应;
目标区域确定子单元10312,用于根据至少一个目标手掌关键点的位置,确定目标手部图像中手掌所处的目标区域;
手掌提取子单元10313,用于对目标手部图像的目标区域进行手掌提取,得到目标手掌图像。
在另一种可能实现方式中,至少一个目标手掌关键点包括第一关键点、第二关键点和掌心关键点;
目标区域确定子单元10312,用于将第一关键点与第二关键点之间的距离与参考数值的乘积,作为目标距离;以掌心关键点为目标区域的中心,以目标距离为目标区域的边长,确定正方形的目标区域;或者,以掌心关键点为目标区域的中心,以目标距离为目标区域的半径,确定圆形的目标区域。
在另一种可能实现方式中,特征提取单元1032,用于调用特征提取模型,对目标手掌图像进行特征提取,得到目标掌纹特征。
在另一种可能实现方式中,特征融合模块1003,包括:
融合处理单元1033,用于在每个目标掌纹特征的质量参数均大于参考阈值的情况下,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征。
在另一种可能实现方式中,如图11所示,装置还包括:
质量检测模块1005,用于分别对每个目标掌纹特征进行质量检测,得到每个目标掌纹特征的质量参数。
在另一种可能实现方式中,如图11所示,目标掌纹特征包括多个特征维度的特征信息;质量检测模块1005,包括:
变换处理单元1051,用于对任一目标掌纹特征中多个特征维度的特征信息进行特征变换处理,得到多个特征维度的特征值;
融合处理单元1052,用于对多个特征维度的特征值进行融合处理,得到目标掌纹特征的质量参数。
在另一种可能实现方式中,如图11所示,质量检测模块1005,包括:
质量检测单元1053,用于调用质量检测模型,分别对每个目标掌纹特征进行质量检测,得到每个目标掌纹特征的质量参数。
在另一种可能实现方式中,掌纹识别模块1004,包括:
特征识别单元1041,用于根据融合掌纹特征与每个参考掌纹特征之间的相似度,将多个参考掌纹特征中,与融合掌纹特征的相似度最大的参考掌纹特征,识别为相似掌纹特征;
标识确定单元1042,用于将相似掌纹特征对应的用户标识,确定为目标用户标识。
图12示出了本申请一个示例性实施例提供的电子设备1200的结构框图。该电子设备1200可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving PictureExperts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。电子设备1200还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,电子设备1200包括有:处理器1201和存储器1202。
处理器1201可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1201可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1201也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1201可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1201还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1202可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1202还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1202中的非暂态的计算机可读存储介质用于存储至少一个程序代码,该至少一个程序代码用于被处理器1201所执行以实现本申请中方法实施例提供的基于人机对话的来电代接方法。
在一些实施例中,电子设备1200还可选包括有:外围设备接口1203和至少一个外围设备。处理器1201、存储器1202和外围设备接口1203之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1203相连。具体地,外围设备包括:射频电路1204、显示屏1205、摄像头组件1206、音频电路1207、定位组件1208和电源1209中的至少一种。
外围设备接口1203可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1201和存储器1202。在一些实施例中,处理器1201、存储器1202和外围设备接口1203被集成在同一芯片或电路板上;在一些其他实施例中,处理器1201、存储器1202和外围设备接口1203中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1204用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1204通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1204将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1204包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1204可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1204还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏1205用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1205是触摸显示屏时,显示屏1205还具有采集在显示屏1205的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1201进行处理。此时,显示屏1205还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1205可以为一个,设置在电子设备1200的前面板;在另一些实施例中,显示屏1205可以为至少两个,分别设置在电子设备1200的不同表面或呈折叠设计;在另一些实施例中,显示屏1205可以是柔性显示屏,设置在电子设备1200的弯曲表面上或折叠面上。甚至,显示屏1205还可以设置成非矩形的不规则图形,也即异形屏。显示屏1205可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1206用于采集图像或视频。可选地,摄像头组件1206包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1206还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1207可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1201进行处理,或者输入至射频电路1204以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在电子设备1200的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1201或射频电路1204的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1207还可以包括耳机插孔。
定位组件1208用于定位电子设备1200的当前地理位置,以实现导航或LBS(Location Based Service,基于位置的服务)。定位组件1208可以是基于美国的GPS(Global Positioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源1209用于为电子设备1200中的各个组件进行供电。电源1209可以是交流电、直流电、一次性电池或可充电电池。当电源1209包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,电子设备1200还包括有一个或多个传感器1210。该一个或多个传感器1210包括但不限于:加速度传感器1211、陀螺仪传感器1212、压力传感器1212、指纹传感器1214、光学传感器1215以及接近传感器1216。
加速度传感器1211可以检测以电子设备1200建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1211可以用于检测重力加速度在三个坐标轴上的分量。处理器1201可以根据加速度传感器1211采集的重力加速度信号,控制显示屏1205以横向视图或纵向视图进行用户界面的显示。加速度传感器1211还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1212可以检测电子设备1200的机体方向及转动角度,陀螺仪传感器1212可以与加速度传感器1211协同采集用户对电子设备1200的3D动作。处理器1201根据陀螺仪传感器1212采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1213可以设置在电子设备1200的侧边框和/或显示屏1205的下层。当压力传感器1213设置在电子设备1200的侧边框时,可以检测用户对电子设备1200的握持信号,由处理器1201根据压力传感器1213采集的握持信号进行左右手识别或快捷操作。当压力传感器1213设置在显示屏1205的下层时,由处理器1201根据用户对显示屏1205的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1214用于采集用户的指纹,由处理器1201根据指纹传感器1214采集到的指纹识别用户的身份,或者,由指纹传感器1214根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1201授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1214可以被设置在电子设备1200的正面、背面或侧面。当电子设备1200上设置有物理按键或厂商Logo时,指纹传感器1214可以与物理按键或厂商Logo集成在一起。
光学传感器1215用于采集环境光强度。在一个实施例中,处理器1201可以根据光学传感器1215采集的环境光强度,控制显示屏1205的显示亮度。具体地,当环境光强度较高时,调高显示屏1205的显示亮度;当环境光强度较低时,调低显示屏1205的显示亮度。在另一个实施例中,处理器1201还可以根据光学传感器1215采集的环境光强度,动态调整摄像头组件1206的拍摄参数。
接近传感器1216,也称距离传感器,通常设置在电子设备1200的前面板。接近传感器1216用于采集用户与电子设备1200的正面之间的距离。在一个实施例中,当接近传感器1216检测到用户与电子设备1200的正面之间的距离逐渐变小时,由处理器1201控制显示屏1205从亮屏状态切换为息屏状态;当接近传感器1216检测到用户与电子设备1200的正面之间的距离逐渐变大时,由处理器1201控制显示屏1205从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图12中示出的结构并不构成对电子设备1200的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图13是本申请实施例提供的一种服务器的结构示意图,该服务器1300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)1301和一个或一个以上的存储器1302,其中,存储器1302中存储有至少一条程序代码,至少一条程序代码由处理器1301加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器1300可以用于执行上述掌纹识别方法中计算机设备所执行的步骤。
本申请实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行以实现上述实施例的掌纹识别方法中所执行的操作。
本申请实施例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中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行以实现上述实施例的掌纹识别方法中所执行的操作。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机程序代码,该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码,处理器执行该计算机程序代码,使得该计算机设备实现如上述实施例的掌纹识别方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请实施例的可选实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种掌纹识别方法,其特征在于,所述方法包括:
获取包含同一手掌的至少两个原始手部图像,所述至少两个原始手部图像中至少包括红外原始手部图像和可见光原始手部图像;
根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像,所述至少两个模板手部图像中至少包括红外模板手部图像和可见光模板手部图像;
分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征;
根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对所述融合掌纹特征进行识别处理,确定所述融合掌纹特征的目标用户标识。
2.根据权利要求1所述的方法,其特征在于,所述根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像,包括:
对任一原始手部图像进行手掌关键点检测,确定所述原始手部图像中的至少一个原始手掌关键点;
确定所述至少两个模板手部图像中,与所述原始手部图像类型匹配的模板手部图像,所述模板手部图像中包括至少一个模板手掌关键点,所述至少一个模板手掌关键点与所述至少一个原始手掌关键点一一对应;
根据所述至少一个模板手掌关键点的位置及所述至少一个原始手掌关键点的位置,对所述原始手部图像进行矫正处理,得到所述原始手部图像对应的目标手部图像,以使所述目标手部图像中的至少一个目标手掌关键点与至少一个模板手掌关键点的位置重合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述至少一个模板手掌关键点的位置及所述至少一个原始手掌关键点的位置,对所述原始手部图像进行矫正处理,得到所述原始手部图像对应的目标手部图像,包括:
根据所述至少一个模板手掌关键点的位置及所述至少一个原始手掌关键点的位置,获取矫正变换数据,所述矫正变换数据中包括至少一个变换参数,所述变换参数为从所述原始手掌关键点的位置变换至对应的模板手掌关键点的位置所采用的变换参数;
根据所述矫正变换数据,对所述原始手部图像进行矫正处理,得到所述目标手部图像。
4.根据权利要求2所述的方法,其特征在于,所述分别获取每个目标手部图像对应的目标掌纹特征,包括:
对任一目标手部图像进行手掌提取,得到所述目标手部图像的目标手掌图像;
对所述目标手掌图像进行特征提取,得到所述目标掌纹特征。
5.根据权利要求4所述的方法,其特征在于,所述对任一目标手部图像进行手掌提取,得到所述目标手部图像的目标手掌图像,包括:
确定所述目标手部图像中的至少一个目标手掌关键点的位置,所述至少一个目标手掌关键点与所述至少一个原始手掌关键点一一对应;
根据所述至少一个目标手掌关键点的位置,确定所述目标手部图像中所述手掌所处的目标区域;
对所述目标手部图像的目标区域进行手掌提取,得到所述目标手掌图像。
6.根据权利要求5所述的方法,其特征在于,所述至少一个目标手掌关键点包括第一关键点、第二关键点和掌心关键点;
所述根据所述至少一个目标手掌关键点的位置,确定所述目标手部图像中所述手掌所处的目标区域,包括:
将所述第一关键点与所述第二关键点之间的距离与参考数值的乘积,作为目标距离;
以所述掌心关键点为目标区域的中心,以所述目标距离为目标区域的边长,确定正方形的目标区域;或者,
以所述掌心关键点为目标区域的中心,以所述目标距离为目标区域的半径,确定圆形的目标区域。
7.根据权利要求4所述的方法,其特征在于,所述对所述目标手掌图像进行特征提取,得到所述目标掌纹特征,包括:
调用特征提取模型,对所述目标手掌图像进行特征提取,得到所述目标掌纹特征。
8.根据权利要求1所述的方法,其特征在于,所述将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征,包括:
在每个目标掌纹特征的质量参数均大于参考阈值的情况下,将所述至少两个目标掌纹特征进行融合处理,得到所述融合掌纹特征。
9.根据权利要求8所述的方法,其特征在,所述在每个目标掌纹特征的质量参数均大于参考阈值的情况下,将所述至少两个目标掌纹特征进行融合处理,得到所述融合掌纹特征之前,所述方法还包括:
分别对所述每个目标掌纹特征进行质量检测,得到所述每个目标掌纹特征的质量参数。
10.根据权利要求9所述的方法,其特征在于,所述目标掌纹特征包括多个特征维度的特征信息;所述分别对所述每个目标掌纹特征进行质量检测,得到所述每个目标掌纹特征的质量参数,包括:
对所述任一目标掌纹特征中多个特征维度的特征信息进行特征变换处理,得到所述多个特征维度的特征值;
对所述多个特征维度的特征值进行融合处理,得到所述目标掌纹特征的质量参数。
11.根据权利要求9所述的方法,其特征在于,所述分别对所述每个目标掌纹特征进行质量检测,得到所述每个目标掌纹特征的质量参数,包括:
调用质量检测模型,分别对所述每个目标掌纹特征进行质量检测,得到所述每个目标掌纹特征的质量参数。
12.根据权利要求1所述的方法,其特征在于,所述根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对所述融合掌纹特征进行识别处理,确定所述融合掌纹特征的目标用户标识,包括:
根据所述融合掌纹特征与所述每个参考掌纹特征之间的相似度,将所述多个参考掌纹特征中,与所述融合掌纹特征的相似度最大的参考掌纹特征,识别为相似掌纹特征;
将所述相似掌纹特征对应的用户标识,确定为所述目标用户标识。
13.一种掌纹识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取包含同一手掌的至少两个原始手部图像,所述至少两个原始手部图像中至少包括红外原始手部图像和可见光原始手部图像;
矫正处理模块,用于根据至少两个模板手部图像,分别对类型匹配的原始手部图像进行矫正处理,得到每个原始手部图像对应的目标手部图像,所述至少两个模板手部图像中至少包括红外模板手部图像和可见光模板手部图像;
特征融合模块,用于分别获取每个目标手部图像对应的目标掌纹特征,将至少两个目标掌纹特征进行融合处理,得到融合掌纹特征;
掌纹识别模块,用于根据存储的多个参考掌纹特征及每个参考掌纹特征对应的用户标识,对所述融合掌纹特征进行识别处理,确定所述融合掌纹特征的目标用户标识。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现如权利要求1至12任一权利要求所述的掌纹识别方法中所执行的操作。
15.一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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如权利要求1至12任一权利要求所述的掌纹识别方法中所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659346.8A CN113515987B (zh) | 2020-07-09 | 2020-07-09 | 掌纹识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659346.8A CN113515987B (zh) | 2020-07-09 | 2020-07-09 | 掌纹识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113515987A true CN113515987A (zh) | 2021-10-19 |
CN113515987B CN113515987B (zh) | 2023-08-08 |
Family
ID=78060755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010659346.8A Active CN113515987B (zh) | 2020-07-09 | 2020-07-09 | 掌纹识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515987B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511885A (zh) * | 2022-02-10 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 手掌感兴趣区域提取系统和方法 |
CN114581535A (zh) * | 2022-03-03 | 2022-06-03 | 北京深光科技有限公司 | 图像中用户骨关键点标注方法、装置、存储介质及设备 |
WO2024066977A1 (zh) * | 2022-09-29 | 2024-04-04 | 腾讯科技(深圳)有限公司 | 基于掌部的人机交互方法、装置、设备、介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
WO2018121552A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京奇虎科技有限公司 | 基于掌纹数据的业务处理方法、装置、程序及介质 |
CN110097006A (zh) * | 2019-04-30 | 2019-08-06 | 河海大学常州校区 | 一种基于手部掌纹掌脉特征融合的非接触式生物识别方法 |
CN110826452A (zh) * | 2019-10-30 | 2020-02-21 | 平安科技(深圳)有限公司 | 一种掌纹验证方法、装置、计算机设备及可读存储介质 |
-
2020
- 2020-07-09 CN CN202010659346.8A patent/CN113515987B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121552A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京奇虎科技有限公司 | 基于掌纹数据的业务处理方法、装置、程序及介质 |
CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
CN110097006A (zh) * | 2019-04-30 | 2019-08-06 | 河海大学常州校区 | 一种基于手部掌纹掌脉特征融合的非接触式生物识别方法 |
CN110826452A (zh) * | 2019-10-30 | 2020-02-21 | 平安科技(深圳)有限公司 | 一种掌纹验证方法、装置、计算机设备及可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511885A (zh) * | 2022-02-10 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 手掌感兴趣区域提取系统和方法 |
CN114581535A (zh) * | 2022-03-03 | 2022-06-03 | 北京深光科技有限公司 | 图像中用户骨关键点标注方法、装置、存储介质及设备 |
WO2024066977A1 (zh) * | 2022-09-29 | 2024-04-04 | 腾讯科技(深圳)有限公司 | 基于掌部的人机交互方法、装置、设备、介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN113515987B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222789B (zh) | 图像识别方法及存储介质 | |
CN111489378B (zh) | 视频帧特征提取方法、装置、计算机设备及存储介质 | |
CN110059652B (zh) | 人脸图像处理方法、装置及存储介质 | |
CN110807361A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN110210573B (zh) | 对抗图像的生成方法、装置、终端及存储介质 | |
CN113515987B (zh) | 掌纹识别方法、装置、计算机设备及存储介质 | |
CN110096865B (zh) | 下发验证方式的方法、装置、设备及存储介质 | |
CN110795019B (zh) | 软键盘的按键识别方法、装置及存储介质 | |
CN110991457B (zh) | 二维码处理方法、装置、电子设备及存储介质 | |
CN112257552B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112581358B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
US20230021413A1 (en) | Voice Payment Method and Electronic Device | |
CN112084811A (zh) | 身份信息的确定方法、装置及存储介质 | |
CN115019050A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112749613A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN111062248A (zh) | 图像检测的方法、装置、电子设备及介质 | |
CN111738365A (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN112818979B (zh) | 文本识别方法、装置、设备及存储介质 | |
CN111128115B (zh) | 信息验证方法、装置、电子设备及存储介质 | |
CN113570510A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110232417B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN111753813A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN107944024B (zh) | 一种确定音频文件的方法和装置 | |
EP4145343A1 (en) | Fingerprint liveness detection method and device, and storage medium | |
CN112764824B (zh) | 触发应用程序中身份验证的方法、装置、设备及存储介质 |
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 |