CN113538771B - 一种身份认证方法及装置 - Google Patents
一种身份认证方法及装置 Download PDFInfo
- Publication number
- CN113538771B CN113538771B CN202110806621.9A CN202110806621A CN113538771B CN 113538771 B CN113538771 B CN 113538771B CN 202110806621 A CN202110806621 A CN 202110806621A CN 113538771 B CN113538771 B CN 113538771B
- Authority
- CN
- China
- Prior art keywords
- money
- biological information
- personnel
- information
- matching degree
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D11/00—Devices accepting coins; Devices accepting, dispensing, sorting or counting valuable papers
- G07D11/20—Controlling or monitoring the operation of devices; Data handling
- G07D11/24—Managing the stock of valuable papers
- G07D11/245—Replenishment
-
- 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
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
-
- 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
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
- G07F19/206—Software aspects at ATMs
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种身份认证方法及装置,通过调用预先构建的生物信息库,分别对每个加钞人员的生物信息与生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差,并通过将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度。基于每个加钞人员的匹配度确定安全性较高的加钞执行人员,并根据加钞执行人员的生物信息差确定本次加钞的有效身份认证方式。由于每次加钞的执行人员是根据匹配度动态确定的,身份认证方式是根据执行人员的生物信息差动态确定的,执行人员的身份认证方式不易被破解,提高了加钞前身份认证的安全性与有效性。
Description
技术领域
本发明涉及身份认证技术领域,更具体的,涉及一种身份认证方法及装置。
背景技术
银行ATM存取款机需要定期加钞,为了保证钞箱内现金的安全性,在加钞之前需要对加钞人员进行身份认证。
目前,加钞人员是固定的,并且对加钞人员进行身份认证的方式是固定的,如指纹认证等。但是,由于加钞人员是固定的,身份认证方式也是固定的,身份认证方式存在被不法分子破解的风险,若身份认证方式被破解将给银行带来极大的损失。
发明内容
有鉴于此,本发明提供了一种身份认证方法及装置,通过采用动态加钞身份认证策略,提高身份认证的安全性和有效性。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种身份认证方法,包括:
获取每个加钞人员的生物信息;
调用预先构建的生物信息库,分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差;
分别将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度,所述匹配度预测模型是预先利用已标注匹配度的训练样本对深度神经网络模型进行训练后得到的,所述训练样本包括加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息;
根据每个加钞人员的匹配度,确定本次加钞的执行人员;
依据本次加钞的执行人员的生物信息差确定本次加钞的身份认证方式;
利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证。
可选的,所述方法还包括:
构建加钞人员生物信息库,所述生物信息库包括:人脸信息、声纹信息、指纹信息和行为习惯信息。
可选的,所述分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差,包括:
针对每个加钞人员,分别对加钞人员每个维度的生物信息与所述生物信息库中相应维度的生物信息进行对比,得到加钞人员每个维度的生物信息差。
可选的,所述根据每个加钞人员的匹配度,确定本次加钞的执行人员,包括:
提取匹配度大于第一预设值的加钞人员,作为第一加钞人员;
按匹配度从高到低的顺序,对所述第一加钞人员进行排序;
根据排序提取匹配度相加大于第二预设值的多个加钞人员,作为本次加钞的执行人员,所述第一预设值小于所述第二预设值。
可选的,所述依据本次加钞的执行人员的生物信息差确定本次加钞的身份认证方式,包括:
针对每个本次加钞的执行人员,将生物信息差最大的维度对应的身份认证方式,确定为该本次加钞的执行人员本次加钞的身份认证方式,身份认证方式包括:人脸认证、声纹认证、指纹认证和行为习惯认证。
可选的,网点的加钞习惯信息包括:加钞时间间隔、预设历史周期内的加钞平均金额、加钞人员数量以及本次加钞金额;
加钞人员的基础信用信息包括:年龄、工作年限和绩效。
可选的,所述匹配度预测模型的构建方法包括:
获取预设历史周期内各个网点每次加钞的加钞习惯信息以及每个加钞人员的基础信用信息,分别作为样本;
在每个样本中分别随机加入每个加钞人员的生物信息差,并通过预设方法标注每个加钞人员的匹配度,得到多个训练样本和多个验证样本;
利用多个训练样本对深度神经网络模型进行训练,并利用多个验证样本对训练后的深度神经网络模型进行验证,得到所述匹配度预测模型。
一种身份认证装置,包括:
生物信息获取单元,用于获取每个加钞人员的生物信息;
生物信息差确定单元,用于调用预先构建的生物信息库,分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差;
匹配度预测单元,用于分别将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度,所述匹配度预测模型是预先利用已标注匹配度的训练样本对深度神经网络模型进行训练后得到的,所述训练样本包括加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息;
执行人员确定单元,用于根据每个加钞人员的匹配度,确定本次加钞的执行人员;
认证方式确定单元,用于依据本次加钞的执行人员的生物信息差确定本次加钞的身份认证方式;
身份认证单元,用于利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证。
可选的,所述装置还包括:
生物信息库构建单元,用于构建加钞人员生物信息库,所述生物信息库包括:人脸信息、声纹信息、指纹信息和行为习惯信息。
可选的,所述生物信息差确定单元,具体用于:
针对每个加钞人员,分别对加钞人员每个维度的生物信息与所述生物信息库中相应维度的生物信息进行对比,得到加钞人员每个维度的生物信息差。
可选的,所述执行人员确定单元,具体用于:
提取匹配度大于第一预设值的加钞人员,作为第一加钞人员;
按匹配度从高到低的顺序,对所述第一加钞人员进行排序;
根据排序提取匹配度相加大于第二预设值的多个加钞人员,作为本次加钞的执行人员,所述第一预设值小于所述第二预设值。
可选的,所述认证方式确定单元,具体用于:
针对每个本次加钞的执行人员,将生物信息差最大的维度对应的身份认证方式,确定为该本次加钞的执行人员本次加钞的身份认证方式,身份认证方式包括:人脸认证、声纹认证、指纹认证和行为习惯认证。
可选的,网点的加钞习惯信息包括:加钞时间间隔、预设历史周期内的加钞平均金额、加钞人员数量以及本次加钞金额;
加钞人员的基础信用信息包括:年龄、工作年限和绩效。
可选的,所述装置还包括匹配度预测模型构建单元,具体用于:
获取预设历史周期内各个网点每次加钞的加钞习惯信息以及每个加钞人员的基础信用信息,分别作为样本;
在每个样本中分别随机加入每个加钞人员的生物信息差,并通过预设方法标注每个加钞人员的匹配度,得到多个训练样本和多个验证样本;
利用多个训练样本对深度神经网络模型进行训练,并利用多个验证样本对训练后的深度神经网络模型进行验证,得到所述匹配度预测模型。
相对于现有技术,本发明的有益效果如下:
本发明公开的一种身份认证方法,通过调用预先构建的生物信息库,分别对每个加钞人员的生物信息与生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差,并通过将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度。基于每个加钞人员的匹配度确定安全性较高的本次加钞的执行人员,并根据本次加钞的执行人员的生物信息差确定本次加钞的有效身份认证方式。由于每次加钞的执行人员是根据匹配度动态确定的,身份认证方式是根据执行人员的生物信息差动态确定的,执行人员的身份认证方式不易被破解,提高了加钞前身份认证的安全性与有效性。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种身份认证方法的流程示意图;
图2为本发明实施例公开的一种确定本次加钞的执行人员的方法的流程示意图;
图3为本发明实施例公开的一种匹配度预测模型的构建方法的流程示意图;
图4为本发明实施例公开的一种身份认证装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种身份认证方法,应用于集成在钞箱的终端设备或与该终端设备通信连接的服务器,当应用于集成在钞箱的终端设备时,该终端设备设置用于采集加钞人员的生物信息的传感器,如指纹识别传感器、人脸识别传感器、声纹识别传感器、图像采集设备等,在获取每个加钞人员的生物信息之后,通过采用动态加钞身份认证策略,提高身份认证的安全性和有效性。当本发明提供的一种身份认证方法应用于与集成在钞箱的终端设备通信连接的服务器时,获取终端设备采集的加钞人员的生物信息之后,通过采用动态加钞身份认证策略,提高身份认证的安全性和有效性。
具体的,请参阅图1,本实施例公开的一种身份认证方法包括以下步骤:
S101:获取每个加钞人员的生物信息;
加钞人员的生物信息包括:人脸信息、声纹信息、指纹信息和行为习惯信息等,行为习惯信息包括行动轨迹、触碰力度、手势等信息。
需要说明的是,为了提高后续身份认证的准确性,加钞人员的生物信息是实时获取的。
S102:调用预先构建的生物信息库,分别对每个加钞人员的生物信息与生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差;
预先采集每个加钞人员的人脸信息、声纹信息、指纹信息和行为习惯信息等生物信息,构建生物信息库。需要说明的是,生物信息库中存储的生物信息为每个加钞人员准确有效的生物信息,是后续比较验证的基准。
针对每个加钞人员,分别对加钞人员每个维度的生物信息与生物信息库中相应维度的生物信息进行对比,得到加钞人员每个维度的生物信息差,具体包括人脸信息差、声纹信息差、指纹信息差和行为习惯信息差等生物信息差。
生物信息差实质上是加钞人员的生物信息与生物信息库中相应生物信息之间的不相似部分,以人脸信息为例,如加钞人员的人脸信息与生物信息库中相应加钞人员的人脸信息之间的相似度为80%,则该加钞人员的人脸信息差为20%。
S103:分别将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度;
匹配度预测模型的输入数据为加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息,匹配度预测模型的输出数据为加钞人员的匹配度,匹配度可以以百分数的形式表示,表示加钞人员与准确有效的加钞人员之间的匹配度。
其中,网点的加钞习惯信息包括:加钞时间间隔、预设历史周期内的加钞平均金额、加钞人员数量以及本次加钞金额等。
加钞人员的基础信用信息包括:年龄、工作年限和绩效等。
匹配度预测模型是预先利用已标注匹配度的训练样本对深度神经网络模型进行训练后得到的,训练样本包括加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息。
S104:根据每个加钞人员的匹配度,确定本次加钞的执行人员;
需要说明的是,并不是所有的加钞人员都将成为本次加钞的执行人员,本实施例将根据每个加钞人员的匹配度,从多个加钞人员中确定本次加钞的执行人员。
具体的,请参阅图2,确定本次加钞的执行人员的方法如下:
S201:提取匹配度大于第一预设值的加钞人员,作为第一加钞人员;
S202:按匹配度从高到低的顺序,对第一加钞人员进行排序;
S203:根据排序提取匹配度相加大于第二预设值的多个加钞人员,作为本次加钞的执行人员,第一预设值小于第二预设值。
也就是说,首先从加钞人员中筛选出匹配度大于第一预设值的加钞人员,即匹配度较高的加钞人员作为第一加钞人员,然后按匹配度从高到低的顺序,对第一加钞人员进行排序,从高到低选取其匹配度分数大于第二预设值得加钞人员,确定为本次加钞的执行人员,可以理解的是,选取出的本次加钞的执行人员为匹配度最高的加钞人员组合。
S105:依据本次加钞的执行人员的生物信息差确定本次加钞的身份认证方式;
针对每个本次加钞的执行人员,将生物信息差最大的维度对应的身份认证方式,确定为该本次加钞的执行人员本次加钞的身份认证方式,如针对本次加钞的执行人员A,若其人脸信息差为所有生物信息差中最大的,则将人脸认证确定为执行人员A的身份认证方式。
也就是说,将本次加钞的执行人员实时采集的生物信息与生物信息库最不匹配的生物信息维度对应的身份认证方式,确定为本次加钞的身份认证方式,提高身份认证的有效性。
本次加钞的每个执行人员的身份认证方式可以相同,也可以不同,如执行人员A本次加钞的身份认证方式为人脸认证,执行人员B本次加钞的身份认证方式为指纹认证,执行人员C本次加钞的身份认证方式为声纹认证。
S106:利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证。
通过利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证,进一步提高加钞的安全性。
需要说明的是,不同加钞对应的执行人员可能相同,也可能不同。
请参阅图3,本实施例还公开了一种匹配度预测模型的构建方法,具体包括以下步骤:
S301:获取预设历史周期内各个网点每次加钞的加钞习惯信息以及每个加钞人员的基础信用信息,分别作为样本;
S302:在每个样本中分别随机加入每个加钞人员的生物信息差,并通过预设方法标注每个加钞人员的匹配度,得到多个训练样本和多个验证样本;
具体的,可以利用专家系统标注每个加钞人员的匹配度。
S303:利用多个训练样本对深度神经网络模型进行训练,并利用多个验证样本对训练后的深度神经网络模型进行验证,得到匹配度预测模型。
具体的,在深度神经网路模型的训练过程中,通过反向传播算法对深度神经网络不断迭代优化,最后得到匹配度预测模型。
本实施例公开的一种身份认证方法,通过调用预先构建的生物信息库,分别对每个加钞人员的生物信息与生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差,并通过将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度。基于每个加钞人员的匹配度确定安全性较高的本次加钞的执行人员,并根据本次加钞的执行人员的生物信息差确定本次加钞的有效身份认证方式。由于每次加钞的执行人员是根据匹配度动态确定的,身份认证方式是根据执行人员的生物信息差动态确定的,执行人员的身份认证方式不易被破解,提高了加钞前身份认证的安全性与有效性。
基于上述实施例公开的一种身份认证方法,本实施例对应公开了一种身份认证装置,请参阅图4,该装置包括:
生物信息获取单元100,用于获取每个加钞人员的生物信息;
生物信息差确定单元200,用于调用预先构建的生物信息库,分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差;
匹配度预测单元300,用于分别将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度,所述匹配度预测模型是预先利用已标注匹配度的训练样本对深度神经网络模型进行训练后得到的,所述训练样本包括加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息;
执行人员确定单元400,用于根据每个加钞人员的匹配度,确定本次加钞的执行人员;
认证方式确定单元500,用于依据本次加钞的执行人员的生物信息差确定本次加钞的身份认证方式;
身份认证单元600,用于利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证。
可选的,所述装置还包括:
生物信息库构建单元,用于构建加钞人员生物信息库,所述生物信息库包括:人脸信息、声纹信息、指纹信息和行为习惯信息。
可选的,所述生物信息差确定单元200,具体用于:
针对每个加钞人员,分别对加钞人员每个维度的生物信息与所述生物信息库中相应维度的生物信息进行对比,得到加钞人员每个维度的生物信息差。
可选的,所述执行人员确定单元400,具体用于:
提取匹配度大于第一预设值的加钞人员,作为第一加钞人员;
按匹配度从高到低的顺序,对所述第一加钞人员进行排序;
根据排序提取匹配度相加大于第二预设值的多个加钞人员,作为本次加钞的执行人员,所述第一预设值小于所述第二预设值。
可选的,所述认证方式确定单元500,具体用于:
针对每个本次加钞的执行人员,将生物信息差最大的维度对应的身份认证方式,确定为该本次加钞的执行人员本次加钞的身份认证方式,身份认证方式包括:人脸认证、声纹认证、指纹认证和行为习惯认证。
可选的,网点的加钞习惯信息包括:加钞时间间隔、预设历史周期内的加钞平均金额、加钞人员数量以及本次加钞金额;
加钞人员的基础信用信息包括:年龄、工作年限和绩效。
可选的,所述装置还包括匹配度预测模型构建单元,具体用于:
获取预设历史周期内各个网点每次加钞的加钞习惯信息以及每个加钞人员的基础信用信息,分别作为样本;
在每个样本中分别随机加入每个加钞人员的生物信息差,并通过预设方法标注每个加钞人员的匹配度,得到多个训练样本和多个验证样本;
利用多个训练样本对深度神经网络模型进行训练,并利用多个验证样本对训练后的深度神经网络模型进行验证,得到所述匹配度预测模型。
本实施例公开的一种身份认证装置,通过调用预先构建的生物信息库,分别对每个加钞人员的生物信息与生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差,并通过将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度。基于每个加钞人员的匹配度确定安全性较高的本次加钞的执行人员,并根据本次加钞的执行人员的生物信息差确定本次加钞的有效身份认证方式。由于每次加钞的执行人员是根据匹配度动态确定的,身份认证方式是根据执行人员的生物信息差动态确定的,执行人员的身份认证方式不易被破解,提高了加钞前身份认证的安全性与有效性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
上述各个实施例之间可任意组合,对所公开的实施例的上述说明,本说明书中各实施例中记载的特征可以相互替换或者组合,使本领域专业技术人员能够实现或使用本申请。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种身份认证方法,其特征在于,包括:
获取每个加钞人员的生物信息;
调用预先构建的生物信息库,分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差;
分别将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度,所述匹配度预测模型是预先利用已标注匹配度的训练样本对深度神经网络模型进行训练后得到的,所述训练样本包括加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息;
根据每个加钞人员的匹配度,动态确定本次加钞的执行人员;
依据本次加钞的执行人员的生物信息差动态确定本次加钞的身份认证方式;
利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证;
其中,所述根据每个加钞人员的匹配度,确定本次加钞的执行人员,包括:
提取匹配度大于第一预设值的加钞人员,作为第一加钞人员;
按匹配度从高到低的顺序,对所述第一加钞人员进行排序;
根据排序提取匹配度相加大于第二预设值的多个加钞人员,作为本次加钞的执行人员,所述第一预设值小于所述第二预设值;
其中,所述依据本次加钞的执行人员的生物信息差确定本次加钞的身份认证方式,包括:
针对每个本次加钞的执行人员,将生物信息差最大的维度对应的身份认证方式,确定为该本次加钞的执行人员本次加钞的身份认证方式,身份认证方式包括:人脸认证、声纹认证、指纹认证和行为习惯认证。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
构建加钞人员生物信息库,所述生物信息库包括:人脸信息、声纹信息、指纹信息和行为习惯信息。
3.根据权利要求2所述的方法,其特征在于,所述分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差,包括:
针对每个加钞人员,分别对加钞人员每个维度的生物信息与所述生物信息库中相应维度的生物信息进行对比,得到加钞人员每个维度的生物信息差。
4.根据权利要求1所述的方法,其特征在于,网点的加钞习惯信息包括:加钞时间间隔、预设历史周期内的加钞平均金额、加钞人员数量以及本次加钞金额;
加钞人员的基础信用信息包括:年龄、工作年限和绩效。
5.根据权利要求4所述的方法,其特征在于,所述匹配度预测模型的构建方法包括:
获取预设历史周期内各个网点每次加钞的加钞习惯信息以及每个加钞人员的基础信用信息,分别作为样本;
在每个样本中分别随机加入每个加钞人员的生物信息差,并通过预设方法标注每个加钞人员的匹配度,得到多个训练样本和多个验证样本;
利用多个训练样本对深度神经网络模型进行训练,并利用多个验证样本对训练后的深度神经网络模型进行验证,得到所述匹配度预测模型。
6.一种身份认证装置,其特征在于,包括:
生物信息获取单元,用于获取每个加钞人员的生物信息;
生物信息差确定单元,用于调用预先构建的生物信息库,分别对每个加钞人员的生物信息与所述生物信息库中相应加钞人员的生物信息进行对比,得到每个加钞人员的生物信息差;
匹配度预测单元,用于分别将每个加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息输入到预先构建的匹配度预测模型,得到每个加钞人员的匹配度,所述匹配度预测模型是预先利用已标注匹配度的训练样本对深度神经网络模型进行训练后得到的,所述训练样本包括加钞人员的生物信息差、基础信用信息以及网点的加钞习惯信息;
执行人员确定单元,用于根据每个加钞人员的匹配度,动态确定本次加钞的执行人员;
认证方式确定单元,用于依据本次加钞的执行人员的生物信息差动态确定本次加钞的身份认证方式;
身份认证单元,用于利用本次加钞的身份认证方式,对本次加钞的执行人员进行身份认证;
其中,所述执行人员确定单元,具体用于提取匹配度大于第一预设值的加钞人员,作为第一加钞人员;按匹配度从高到低的顺序,对所述第一加钞人员进行排序;根据排序提取匹配度相加大于第二预设值的多个加钞人员,作为本次加钞的执行人员,所述第一预设值小于所述第二预设值;
其中,所述认证方式确定单元,具体用于针对每个本次加钞的执行人员,将生物信息差最大的维度对应的身份认证方式,确定为该本次加钞的执行人员本次加钞的身份认证方式,身份认证方式包括:人脸认证、声纹认证、指纹认证和行为习惯认证。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
生物信息库构建单元,用于构建加钞人员生物信息库,所述生物信息库包括:人脸信息、声纹信息、指纹信息和行为习惯信息。
8.根据权利要求7所述的装置,其特征在于,所述生物信息差确定单元,具体用于:
针对每个加钞人员,分别对加钞人员每个维度的生物信息与所述生物信息库中相应维度的生物信息进行对比,得到加钞人员每个维度的生物信息差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110806621.9A CN113538771B (zh) | 2021-07-16 | 2021-07-16 | 一种身份认证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110806621.9A CN113538771B (zh) | 2021-07-16 | 2021-07-16 | 一种身份认证方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538771A CN113538771A (zh) | 2021-10-22 |
CN113538771B true CN113538771B (zh) | 2023-04-14 |
Family
ID=78128441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110806621.9A Active CN113538771B (zh) | 2021-07-16 | 2021-07-16 | 一种身份认证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538771B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013025636A (ja) * | 2011-07-22 | 2013-02-04 | Oki Electric Ind Co Ltd | 現金処理装置及び現金処理プログラム |
CN106228709A (zh) * | 2016-07-18 | 2016-12-14 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别单人加钞报警方法和装置 |
CN107657719A (zh) * | 2017-09-28 | 2018-02-02 | 广州御银自动柜员机科技有限公司 | 一种基于钞箱缺钞率的atm维护系统 |
CN111402473A (zh) * | 2020-03-24 | 2020-07-10 | 河北昂克电子工程技术有限公司 | 一种加钞间门禁控制方法、控制装置及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080697A1 (en) * | 2003-10-14 | 2005-04-14 | Foss Sheldon H. | System, method and apparatus for providing financial services |
US7562117B2 (en) * | 2005-09-09 | 2009-07-14 | Outland Research, Llc | System, method and computer program product for collaborative broadcast media |
JP5388991B2 (ja) * | 2010-11-10 | 2014-01-15 | 日立オムロンターミナルソリューションズ株式会社 | 生体認証ユニット、自動取引処理装置、生体認証方法、及び生体認証プログラム |
US9898726B2 (en) * | 2013-03-28 | 2018-02-20 | Glory Global Solutions (International) Limited | Security system |
CN106803309B (zh) * | 2017-01-19 | 2019-10-11 | 深圳怡化电脑股份有限公司 | 一种金融自助设备加钞预测的方法和装置 |
CN107393128A (zh) * | 2017-07-11 | 2017-11-24 | 深圳怡化电脑股份有限公司 | 金融设备的加钞方法、装置、系统、相应设备及存储介质 |
CN107704733B (zh) * | 2017-09-20 | 2020-10-20 | 深圳怡化电脑股份有限公司 | 一种钞箱的加密系统、方法和装置 |
US10249150B1 (en) * | 2017-10-03 | 2019-04-02 | International Business Machines Corporation | Security apparatus for an automated teller machine |
CN107944339B (zh) * | 2017-10-20 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 一种证件验证、身份验证方法和装置 |
CN108429619A (zh) * | 2018-01-18 | 2018-08-21 | 北京捷通华声科技股份有限公司 | 身份认证方法和系统 |
CN109360325B (zh) * | 2018-11-01 | 2021-12-10 | 南京怡化信息技术有限公司 | 金融设备的加钞方法、装置、终端和计算机可读存储介质 |
JP2021047589A (ja) * | 2019-09-18 | 2021-03-25 | 株式会社 ゆうちょ銀行 | 取引装置、情報処理方法および情報処理プログラム |
CN110766858A (zh) * | 2019-10-31 | 2020-02-07 | 浪潮金融信息技术有限公司 | 一种金融自助终端的加钞方法 |
-
2021
- 2021-07-16 CN CN202110806621.9A patent/CN113538771B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013025636A (ja) * | 2011-07-22 | 2013-02-04 | Oki Electric Ind Co Ltd | 現金処理装置及び現金処理プログラム |
CN106228709A (zh) * | 2016-07-18 | 2016-12-14 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别单人加钞报警方法和装置 |
CN107657719A (zh) * | 2017-09-28 | 2018-02-02 | 广州御银自动柜员机科技有限公司 | 一种基于钞箱缺钞率的atm维护系统 |
CN111402473A (zh) * | 2020-03-24 | 2020-07-10 | 河北昂克电子工程技术有限公司 | 一种加钞间门禁控制方法、控制装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113538771A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709004B (zh) | 一种身份认证方法、装置、电子设备及可读存储介质 | |
CN109409896B (zh) | 银行欺诈识别模型训练方法、银行欺诈识别方法和装置 | |
Revett et al. | A machine learning approach to keystroke dynamics based user authentication | |
Mareeswari et al. | Prevention of credit card fraud detection based on HSVM | |
Zalasiński et al. | New algorithm for evolutionary selection of the dynamic signature global features | |
CN109345375A (zh) | 一种可疑洗钱行为识别方法及装置 | |
CN101751550B (zh) | 快速指纹搜索方法及快速指纹搜索系统 | |
KR102005733B1 (ko) | 온라인 빅데이터 분석을 통해 도출된 신용도 평가 결과를 이용한 블록체인 기반 p2p 금융 서비스 제공 시스템 | |
CN111814128A (zh) | 基于融合特征的身份认证方法、装置、设备及存储介质 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
Rufai et al. | A biometric model for examination screening and attendance monitoring in Yaba College of Technology | |
CN113538771B (zh) | 一种身份认证方法及装置 | |
Saragih et al. | Machine learning methods for analysis fraud credit card transaction | |
EP2405380A2 (en) | Biometric authentication device and biometric authentication method | |
Wijesoma et al. | Online handwritten signature verification for electronic commerce over the internet | |
CN110570199A (zh) | 一种基于用户输入行为的用户身份检测方法及系统 | |
Bisogni et al. | Multibiometric score-level fusion through optimization and training | |
Shen et al. | Handedness recognition through keystroke-typing behavior in computer forensics analysis | |
CN113657808A (zh) | 一种人员评定方法、装置、设备及存储介质 | |
Prabhakar et al. | Credit card fraud detection using boosted stacking | |
Goyal et al. | Fingerprint Detection and Authentication using feature extraction based on Minutiae | |
Ushmaev et al. | Integral criteria for large-scale multiple fingerprint solutions | |
Wang | Fraud detection based on FS-SMOTE model for credit card | |
CN112037045B (zh) | 基于客户意愿的银行取款方式推荐方法及装置 | |
CN116756716B (zh) | 基于大数据的安全验证方法、系统、设备和存储介质 |
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 |