CN113705455B - 身份核查方法、装置、电子设备及可读存储介质 - Google Patents
身份核查方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113705455B CN113705455B CN202111002360.1A CN202111002360A CN113705455B CN 113705455 B CN113705455 B CN 113705455B CN 202111002360 A CN202111002360 A CN 202111002360A CN 113705455 B CN113705455 B CN 113705455B
- Authority
- CN
- China
- Prior art keywords
- face image
- face
- user
- score
- identity verification
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000001815 facial effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能及数字医疗领域,揭露一种身份核查方法,包括:将用户的人脸图像与人脸数据库中存储的标准人脸图像进行相似度比较,得到人脸相似度;根据所述人脸相似度,利用预设的评分模型,对所述人脸图像进行评分,得到所述人脸图像的分值;根据所述分值计算得到平均分值、方差及平均方差;将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较,并根据比较结果判断所述人脸识别是否通过;当判定人脸识别不通过时,对所述用户进行指纹识别及/或声纹识别,并根据识别结果,得到所述用户的身份核查结果。本发明还提出一种身份核查装置、设备以及存储介质。本发明可以提高身份核查的准确率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种身份核查方法、装置、电子设备及可读存储介质。
背景技术
随着科学技术的发展,许多业务实现了无纸化、线上化办理,其中,线上化办理业务时,身份核实是非常重要的环节。当前,身份核实基本是通过生物识别方式来实现,例如人脸识别。但是目前常见的身份核实方法一般是获取用户的单张正脸图像与数据库中存储的标准图像进行对比,但是当通过抓拍等方式获取的非正脸图像来说,身份核实的准确率不高身份核查。
发明内容
本发明提供一种身份核查方法、装置、电子设备及计算机可读存储介质,其目的在于提高身份核查的准确率。
为实现上述目的,本发明提供的一种身份核查方法,包括:
利用人脸识别装置对用户进行人脸抓拍,得到人脸图像集;
将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度;
根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值;
根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差;
将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较;
当所述平均分值大于或等于所述人脸阈值且所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过;
当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过;
当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
可选地,所述将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度,包括:
对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量;
根据所述待比对特征向量与所述标准人脸图像的标准特征向量,计算每张所述人脸图像与所述标准人脸图像之间的人脸相似度。
可选地,所述对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量,包括:
利用二维离散傅里叶变换公式提取所述人脸图像的全局特征向量;
利用二维Gabor核函数公式提取所述人脸图像的局部特征向量;
汇总所述全局特征向量及局部特征向量,得到所述用户的人脸图像特征向量。
可选地,所述根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,包括:
根据所述人脸相似度,设定所述预构建的评分模型的卷积层及池化层层数;
对所述人脸图像进行灰度化处理,得到人脸图像矩阵;
利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵;
对所述降维人脸图像矩阵进行维度变换,得到一维人脸图像矩阵;
计算所述一维人脸图像的得分概率,并根据所述得分概率,确定每张所述人脸图像的分值。
可选地,所述利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵,包括:
在所述评分模型中每个所述卷积层,根据预设的卷积核,对所述人脸图像矩阵进行图像矩阵卷积计算,得到特征图矩阵;
在所述评分模型中每个所述池化层,按照预设的维度对所述特征图矩阵进行区域划分,得到多个子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到降维人脸图像矩阵。
可选地,所述根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果,包括:
提示用户选择指纹识别及/或声纹识别方式;
根据用户的选择,接收用户输入的指纹及/或声纹;
将所述用户的指纹及/或声纹与所述指纹数据库及/或声纹数据库中存储的所述用户的标准指纹及/或声纹进行相似度比较,得到指纹及/或声纹相似度;
根据所述指纹及/或声纹相似度,利用预设的相似度-分值的映射关系表,进行评分,得到指纹及/或声纹的分值;
判断所述指纹及/或声纹的分值是否大于预设的身份核实通过分值;
若所述指纹及/或声纹的评分的分值不大于预设的身份核实通过分值时,判定所述用户身份核实不通过;
若所述评分的分值大于预设的身份核实通过分值时,判定所述用户身份核实通过。
可选地,所述利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集,包括:
利用人脸检测算法判断所述人脸识别装置的面签窗口中是否含有人脸;
当侦测到所述面签窗口含有人脸时,对所述人脸进行预设次数的隐式抓拍,得到人脸图像集。
为了解决上述问题,本发明还提供一种身份核查装置,所述装置包括:
人脸相似度计算模块,用于利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集,将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度;
计算模块,用于根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差;
第一身份核查模块,用于将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较,当所述平均分值大于或等于所述人脸阈值或者所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过,当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过;
第二身份核查模块,用于当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的身份核查方法。
为了解决上述问题,本发明还提供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个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的身份核查方法。
本发明实施例获取多张人脸图像,并将每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,根据所述相似度对每张所述用户的人脸图像进行评分,得到每张所述人脸图像的分值,并通过计算所述分值的平均分值、方差及平均方差,将单张人脸图像中不利因素弱化,使得抓拍方式获取的非正脸图像也能得到准确识别,此外,本发明实施例在人脸识别不通过时,进一步采用指纹及/或声纹识别,进一步提高了身份核查的准确性。因此,本发明实施例提出的身份核查方法、装置、电子设备及可读存储介质提高了身份核查的准确率。
附图说明
图1为本发明一实施例提供的身份核查方法的流程示意图;
图2为本发明一实施例提供的身份核查装置的模块示意图;
图3为本发明一实施例提供的实现身份核查方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种身份核查方法。所述身份核查方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述身份核查方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端可以包括独立的服务器,也可以包括提供云服务、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、内容分发网络(ContentDeliveryNetwork,CDN)、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。
参照图1所示的本发明一实施例提供的身份核查方法的流程示意图,在本发明实施例中,所述身份核查方法包括:
S1、利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集。
本发明其中一个应用场景中,可以在接收到用户输入的线上面签指令时,利用人脸识别装置对所述用户进行人脸抓拍。其中,所述线上面签指令可以是用户在线上面签选择界面进行确认的操作,例如,在金融业务中,用户在金融系统中的面签界面上选择线上面签并进行确认。
进一步地,所述人脸抓拍可以是随机不定时的对用户人脸进行预设次数的抓拍,确保所述用户人脸表情的真实性,保障了后续每张所述人脸图像评分的真实性,提高了用户身份核实的准确率。
详细地,所述利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集,包括:
利用人脸检测算法判断所述人脸识别装置的面签窗口中是否含有人脸;
当侦测到所述面签窗口含有人脸时,对所述人脸进行预设次数的隐式抓拍,得到人脸图像集。
本发明实施例中,所述人脸检测算法可以选择子空间法、神经网络法、SVM及haar/hog/LBP+Adaboost方法等。所述面签窗口可以是所述人脸识别装置中的一个页面,主要用于用户进行面签。
S2、将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度。
本发明实施例中,所述人脸数据库可以是存储有所有用户标准人脸信息的数据库。
详细地,所述将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度,包括:
对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量;
根据所述待比对特征向量与所述标准人脸图像的标准特征向量,计算每张所述人脸图像与所述标准人脸图像之间的人脸相似度。
进一步地,所述对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量,包括:
利用二维离散傅里叶变换公式提取所述人脸图像的全局特征向量;
利用二维Gabor核函数公式提取所述人脸图像的局部特征向量;
汇总所述全局特征向量及局部特征向量,得到所述用户的人脸图像特征向量。
本发明一个可选实施例中,按照预设的方向及尺度划分所述人脸图像,得到多个不同方向尺度的人脸图像块,利用下述二维Gabor小波的核函数计算每组所述人脸图像块的局部特征向量:
其中,v表示每组所述人脸图像块的尺度,u表示每组所述人脸图像块的方向,z表示其中一个人脸图像块,ku,v表示所述二维Gabor小波的核函数的尺度和方向,σ表示方差的算数平方根。
本发明实施例中,所述计算每张所述人脸图像与人脸数据库中存储的所述用户的标准人脸图像之间的相似度可以使用归一化互相关算法。
具体的,所述全局特征向量可以是描述所述用户的人脸图像的整体图像特征信息的向量。所述局部特征向量可以是所述用户人脸图像的图像特征的局部表达,例如五官等。
本发明实施例中,为了确保对所述用户进行的人脸识别的准确率,除了提取所述人脸图像的全局特征,还需对所述人脸图像的局部特征进行特征提取,提高后续对所述人脸图像进行评分的可信度及精确程度。
S3、根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值。
本发明实施例中,所述预设的评分模型可以是利用卷积神经网络对人脸图像进行评分的已训练好的模型。
本发明一个可选实施例中,对进行相似度比较后的人脸图像进行更为细致化的评分,可以提高人脸识别的精确程度,减少了身份核实的失误率。
详细地,所述根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,包括:
根据所述人脸相似度,设定所述预构建的评分模型的卷积层及池化层层数;
对所述人脸图像进行灰度化处理,得到人脸图像矩阵;
利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵;
对所述降维人脸图像矩阵进行维度变换,得到一维人脸图像矩阵;
计算所述一维人脸图像的得分概率,并根据所述得分概率,确定每张所述人脸图像的分值。
进一步地,所述利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵,包括:
在所述评分模型中每个所述卷积层,根据预设的卷积核,对所述人脸图像矩阵进行图像矩阵卷积计算,得到特征图矩阵;
在所述评分模型中每个所述池化层,按照预设的维度对所述特征图矩阵进行区域划分,得到多个子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到降维人脸图像矩阵。
本发明实施例中,所述卷积核可以是若干个维度较小的矩阵。
优选地,对所述人脸图像进行卷积及池化处理可以减少后续对所述人脸图像进行评分概率计算的计算难度。
S4、根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差。
本发明实施例中,利用如下求平均公式、求方差公式及求平均方差公式计算所述人脸图像的平均分值E、方差S及平均方差D:
其中,所述x1、x2…xn是每张所述人脸图像的分值,n是所述人脸图像的个数。
S5、判断所述平均分值是否大于或等于预设的人脸阈值。
本发明实施例中,所述预设的人脸阈值可以是根据人脸识别历史数据及映射关系计算得到分值。
当所述平均分值小于预设的人脸阈值时,执行S9,判断身份核查不通过。
当所述平均分值大于或等于所述人脸阈值时,S6、进一步判断所述方差是否小于或等于所述平均方差。
本发明实施例中,当所述平均分值大于或等于所述人脸阈值时,并不能保证所述用户的身份核查通过,因此还需要进行判断所述方差是否小于或等于所述平均方差。
S7、当所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过。
本发明实施例中,当所述平均分值大于或等于所述人脸阈值,且所述方差小于或等于所述平均方差时,证明所述用户的人脸图像与所述标准人脸图像符合度高,此时,判定所述用户的身份核查通过。
当所述方差大于所述平均方差时,S8、根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
本发明实施例中,当用户存在因抓怕的人脸图像不清晰或非正脸时,从而导致身份核实不通过的情形时,容易造成所述方差大于所述方差,因此,还需对所述用户进行指纹识别及/或声纹识别,并对所述指纹识别及/或声纹识别进行评分。
详细地,所述根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果,包括:
提示用户选择指纹识别及/或声纹识别方式;
根据用户的选择,接收用户输入的指纹及/或声纹;
将所述用户的指纹及/或声纹与所述指纹数据库及/或声纹数据库中存储的所述用户的标准指纹及/或声纹进行相似度比较,得到指纹及/或声纹相似度;
根据所述指纹及/或声纹相似度,利用预设的相似度-分值的映射关系表,进行评分,得到指纹及/或声纹的分值;
判断所述指纹及/或声纹的分值是否大于预设的身份核实通过分值;
若所述评分的分值不大于预设的身份核实通过分值时,判定所述用户身份核实不通过;
若所述评分的分值大于预设的身份核实通过分值时,判定所述用户身份核实通过。
本发明实施例获取多张人脸图像,并将每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,根据所述相似度对每张所述用户的人脸图像进行评分,得到每张所述人脸图像的分值,并通过计算所述分值的平均分值、方差及平均方差,将单张人脸图像中不利因素弱化,使得抓拍方式获取的非正脸图像也能得到准确识别,此外,本发明实施例在人脸识别不通过时,进一步采用指纹及/或声纹识别,进一步提高了身份核查的准确性。因此,本发明实施例提出的身份核查方法提高了身份核查的准确率。
如图2所示,是本发明身份核查装置的功能模块图。
本发明所述身份核查装置100可以安装于电子设备中。根据实现的功能,所述身份核查装置可以包括人脸相似度计算模块101、计算模块102、第一身份核查模块103及第二身份核查模块104,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述人脸相似度计算模块101用于利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集,将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度。
本发明其中一个应用场景中,可以在接收到用户输入的线上面签指令时,利用人脸识别装置对所述用户进行人脸抓拍。其中,所述线上面签指令可以是用户在线上面签选择界面进行确认的操作,例如,在金融业务中,用户在金融系统中的面签界面上选择线上面签并进行确认。
进一步地,所述人脸抓拍可以是随机不定时的对用户人脸进行预设次数的抓拍,确保所述用户人脸表情的真实性,保障了后续每张所述人脸图像评分的真实性,提高了用户身份核实的准确率。
详细地,所述利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集,包括:
利用人脸检测算法判断所述人脸识别装置的面签窗口中是否含有人脸;
当侦测到所述面签窗口含有人脸时,对所述人脸进行预设次数的隐式抓拍,得到人脸图像集。
本发明实施例中,所述人脸检测算法可以选择子空间法、神经网络法、SVM及haar/hog/LBP+Adaboost方法等。所述面签窗口可以是所述人脸识别装置中的一个页面,主要用于用户进行面签。
本发明实施例中,所述人脸数据库可以是存储有所有用户标准人脸信息的数据库。
详细地,所述将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度,包括:
对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量;
根据所述待比对特征向量与所述标准人脸图像的标准特征向量,计算每张所述人脸图像与所述标准人脸图像之间的人脸相似度。
进一步地,所述对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量,包括:
利用二维离散傅里叶变换公式提取所述人脸图像的全局特征向量;
利用二维Gabor核函数公式提取所述人脸图像的局部特征向量;
汇总所述全局特征向量及局部特征向量,得到所述用户的人脸图像特征向量。
本发明一个可选实施例中,按照预设的方向及尺度划分所述人脸图像,得到多个不同方向尺度的人脸图像块,利用下述二维Gabor小波的核函数计算每组所述人脸图像块的局部特征向量:
其中,v表示每组所述人脸图像块的尺度,u表示每组所述人脸图像块的方向,z表示其中一个人脸图像块,ku,v表示所述二维Gabor小波的核函数的尺度和方向,σ表示方差的算数平方根。
本发明实施例中,所述计算每张所述人脸图像与人脸数据库中存储的所述用户的标准人脸图像之间的相似度可以使用归一化互相关算法。
具体的,所述全局特征向量可以是描述所述用户的人脸图像的整体图像特征信息的向量。所述局部特征向量可以是所述用户人脸图像的图像特征的局部表达,例如五官等。
本发明实施例中,为了确保对所述用户进行的人脸识别的准确率,除了提取所述人脸图像的全局特征,还需对所述人脸图像的局部特征进行特征提取,提高后续对所述人脸图像进行评分的可信度及精确程度。
所述计算模块102用于根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差。
本发明实施例中,所述预设的评分模型可以是利用卷积神经网络对人脸图像进行评分的已训练好的模型。
本发明一个可选实施例中,对进行相似度比较后的人脸图像进行更为细致化的评分,可以提高人脸识别的精确程度,减少了身份核实的失误率。
详细地,所述根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,包括:
根据所述人脸相似度,设定所述预构建的评分模型的卷积层及池化层层数;
对所述人脸图像进行灰度化处理,得到人脸图像矩阵;
利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵;
对所述降维人脸图像矩阵进行维度变换,得到一维人脸图像矩阵;
计算所述一维人脸图像的得分概率,并根据所述得分概率,确定每张所述人脸图像的分值。
进一步地,所述利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵,包括:
在所述评分模型中每个所述卷积层,根据预设的卷积核,对所述人脸图像矩阵进行图像矩阵卷积计算,得到特征图矩阵;
在所述评分模型中每个所述池化层,按照预设的维度对所述特征图矩阵进行区域划分,得到多个子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到降维人脸图像矩阵。
本发明实施例中,所述卷积核可以是若干个维度较小的矩阵。
优选地,对所述人脸图像进行卷积及池化处理可以减少后续对所述人脸图像进行评分概率计算的计算难度。
本发明实施例中,利用如下求平均公式、求方差公式及求平均方差公式计算所述人脸图像的平均分值E、方差S及平均方差D:
其中,所述x1、x2...xn是每张所述人脸图像的分值,n是所述人脸图像的个数。
所述第一身份核查模块103用于将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较,当所述平均分值大于或等于所述人脸阈值或者所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过,当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过。
本发明实施例中,所述预设的人脸阈值可以是根据人脸识别历史数据及映射关系计算得到分值。
本发明一个可选实施例中,所述判断所述平均分值是否大于或等于预设的人脸阈值可以通过编程语言中的if指令实现。
当所述平均分值大于或等于所述人脸阈值时,判断所述方差是否小于或等于所述平均方差。
本发明实施例中,当所述平均分值大于或等于所述人脸阈值时,并不能保证所述用户的身份核查通过,因此还需要进行判断所述方差是否小于或等于所述平均方差。
当所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过。
本发明实施例中,当所述平均分值大于或等于所述人脸阈值或者所述方差小于或等于所述平均方差时,证明所述用户的人脸图像与所述标准人脸图像符合度高,此时,判定所述用户的身份核查通过。
所述第二身份核查模块104用于当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
本发明实施例中,当用户存在因抓怕的人脸图像不清晰或非正脸时,从而导致身份核实不通过的情形时,容易造成所述方差大于所述方差,因此,还需对所述用户进行指纹识别及/或声纹识别,并对所述指纹识别及/或声纹识别进行评分。
详细地,所述根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果,包括:
提示用户选择指纹识别及/或声纹识别方式;
根据用户的选择,接收用户输入的指纹及/或声纹;
将所述用户的指纹及/或声纹与所述指纹数据库及/或声纹数据库中存储的所述用户的标准指纹及/或声纹进行相似度比较,得到指纹及/或声纹相似度;
根据所述指纹及/或声纹相似度,利用预设的相似度-分值的映射关系表,进行评分,得到指纹及/或声纹的分值;
判断所述指纹及/或声纹的分值是否大于预设的身份核实通过分值;
若所述评分的分值不大于预设的身份核实通过分值时,判定所述用户身份核实不通过;
若所述评分的分值大于预设的身份核实通过分值时,判定所述用户身份核实通过。
如图3所示,是本发明实现身份核查方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如身份核查程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如身份核查程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如身份核查程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的身份核查程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
利用人脸识别装置对用户进行人脸抓拍,得到人脸图像集;
将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度;
根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值;
根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差;
将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较;
当所述平均分值大于或等于所述人脸阈值且所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过;
当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过;
当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用人脸识别装置对用户进行人脸抓拍,得到人脸图像集;
将所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像进行相似度比较,得到每张人脸图像的人脸相似度;
根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值;
根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差;
将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较;
当所述平均分值大于或等于所述人脸阈值且所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过;
当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过;
当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种身份核查方法,其特征在于,所述方法包括:
利用人脸识别装置对用户进行人脸抓拍,得到人脸图像集;
利用预设的归一化互相关算法计算所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像之间的相似度,得到每张人脸图像的人脸相似度;
根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,包括:根据所述人脸相似度,设定所述预构建的评分模型的卷积层的层数及池化层的层数,对所述人脸图像进行灰度化处理,得到人脸图像矩阵,利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵,对所述降维人脸图像矩阵进行维度变换,得到一维人脸图像矩阵,计算所述一维人脸图像矩阵的得分概率,根据所述得分概率确定每张所述人脸图像的分值;
根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差;
将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较;
当所述平均分值大于或等于所述人脸阈值且所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过;
当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过;
当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
2.如权利要求1所述的身份核查方法,其特征在于,所述利用预设的归一化互相关算法计算所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像之间的相似度,得到每张人脸图像的人脸相似度,包括:
对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量;
根据所述待比对特征向量与所述标准人脸图像的标准特征向量,计算每张所述人脸图像与所述标准人脸图像之间的人脸相似度。
3.如权利要求2所述的身份核查方法,其特征在于,所述对所述人脸图像集中的每张人脸图像进行特征提取,得到每张所述人脸图像的待比对特征向量,包括:
利用二维离散傅里叶变换公式提取所述人脸图像的全局特征向量;
利用二维Gabor核函数公式提取所述人脸图像的局部特征向量;
汇总所述全局特征向量及局部特征向量,得到所述用户的人脸图像特征向量。
4.如权利要求1所述的身份核查方法,其特征在于,所述利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵,包括:
在所述评分模型中每个所述卷积层,根据预设的卷积核,对所述人脸图像矩阵进行图像矩阵卷积计算,得到特征图矩阵;
在所述评分模型中每个所述池化层,按照预设的维度对所述特征图矩阵进行区域划分,得到多个子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到降维人脸图像矩阵。
5.如权利要求1所述的身份核查方法,其特征在于,所述根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果,包括:
提示用户选择指纹识别及/或声纹识别方式;
根据用户的选择,接收用户输入的指纹及/或声纹;
将所述用户的指纹及/或声纹与所述指纹数据库及/或声纹数据库中存储的所述用户的标准指纹及/或声纹进行相似度比较,得到指纹及/或声纹相似度;
根据所述指纹及/或声纹相似度,利用预设的相似度-分值的映射关系表,进行评分,得到指纹及/或声纹的分值;
判断所述指纹及/或声纹的分值是否大于预设的身份核实通过分值;
若所述指纹及/或声纹的评分的分值不大于预设的身份核实通过分值时,判定所述用户身份核实不通过;
若所述评分的分值大于预设的身份核实通过分值时,判定所述用户身份核实通过。
6.如权利要求1所述的身份核查方法,其特征在于,所述利用人脸识别装置对所述用户进行人脸抓拍,得到人脸图像集,包括:
利用人脸检测算法判断所述人脸识别装置的面签窗口中是否含有人脸;
当侦测到所述面签窗口含有人脸时,对所述人脸进行预设次数的隐式抓拍,得到人脸图像集。
7.一种身份核查装置,其特征在于,所述装置包括:
人脸相似度计算模块,用于利用人脸识别装置对用户进行人脸抓拍,得到人脸图像集,利用预设的归一化互相关算法计算所述人脸图像集中的每张人脸图像与人脸数据库中存储的所述用户的标准人脸图像之间的相似度,得到每张人脸图像的人脸相似度;
计算模块,用于根据每张所述人脸图像的人脸相似度,利用预构建的评分模型,对每张所述人脸图像进行评分,得到每张所述人脸图像的分值,包括:根据所述人脸相似度,设定所述预构建的评分模型的卷积层的层数及池化层的层数,对所述人脸图像进行灰度化处理,得到人脸图像矩阵,利用所述评分模型中设定好层数的卷积层及池化层对每张所述人脸图像矩阵进行卷积及池化处理,得到降维人脸图像矩阵,对所述降维人脸图像矩阵进行维度变换,得到一维人脸图像矩阵,计算所述一维人脸图像矩阵的得分概率,根据所述得分概率确定每张所述人脸图像的分值;
根据每张所述人脸图像的分值计算得到平均分值、方差及平均方差;
第一身份核查模块,用于将所述平均分值及方差分别与预设的人脸阈值及所述平均方差进行比较,当所述平均分值大于或等于所述人脸阈值或者所述方差小于或等于所述平均方差时,判定所述用户的身份核查通过,当所述平均分值小于所述人脸阈值且所述方差大于所述平均方差时,判定所述用户的身份核查不通过;
第二身份核查模块,用于当判定所述用户的身份核查不通过时,对所述用户进行指纹识别及/或声纹识别,并根据指纹识别及/或声纹识别结果,得到所述用户的身份核查结果。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的身份核查方法。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的身份核查方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002360.1A CN113705455B (zh) | 2021-08-30 | 2021-08-30 | 身份核查方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002360.1A CN113705455B (zh) | 2021-08-30 | 2021-08-30 | 身份核查方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705455A CN113705455A (zh) | 2021-11-26 |
CN113705455B true CN113705455B (zh) | 2024-03-19 |
Family
ID=78656631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002360.1A Active CN113705455B (zh) | 2021-08-30 | 2021-08-30 | 身份核查方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705455B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780769B (zh) * | 2022-06-13 | 2022-09-13 | 杭州合众数据技术有限公司 | 基于布隆过滤器的人员核查方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
CN108781267A (zh) * | 2016-03-24 | 2018-11-09 | 索尼公司 | 图像处理设备和方法 |
CN109635625A (zh) * | 2018-10-16 | 2019-04-16 | 平安科技(深圳)有限公司 | 智能身份核验方法、设备、存储介质及装置 |
CN112800893A (zh) * | 2021-01-18 | 2021-05-14 | 南京航空航天大学 | 一种基于强化学习的人脸属性编辑方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019003973A1 (ja) * | 2017-06-26 | 2019-01-03 | 日本電気株式会社 | 顔認証装置、顔認証方法およびプログラム記録媒体 |
-
2021
- 2021-08-30 CN CN202111002360.1A patent/CN113705455B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108781267A (zh) * | 2016-03-24 | 2018-11-09 | 索尼公司 | 图像处理设备和方法 |
CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
CN109635625A (zh) * | 2018-10-16 | 2019-04-16 | 平安科技(深圳)有限公司 | 智能身份核验方法、设备、存储介质及装置 |
CN112800893A (zh) * | 2021-01-18 | 2021-05-14 | 南京航空航天大学 | 一种基于强化学习的人脸属性编辑方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113705455A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766809B (zh) | 电子装置、票据信息识别方法和计算机可读存储介质 | |
CN112541443B (zh) | 发票信息抽取方法、装置、计算机设备及存储介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN110852216A (zh) | 一种掌纹验证方法、装置、计算机设备及可读存储介质 | |
CN112651342A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112668575B (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN112634017A (zh) | 远程开卡激活方法、装置、电子设备及计算机存储介质 | |
CN113705455B (zh) | 身份核查方法、装置、电子设备及可读存储介质 | |
CN115170869A (zh) | 重复车损理赔识别方法、装置、设备及存储介质 | |
CN113705749A (zh) | 基于深度学习的二维码识别方法、装置、设备及存储介质 | |
CN110706121B (zh) | 确定医保欺诈结果的方法、装置、电子设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN111429289B (zh) | 单病种识别方法、装置、计算机设备和存储介质 | |
CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
CN115760438A (zh) | 数字化动态核保系统、方法、设备及存储介质 | |
CN113239814B (zh) | 基于光流重构的面部表情识别方法、装置、设备及介质 | |
CN113838579B (zh) | 一种医疗数据的异常检测方法、装置、设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN114757787A (zh) | 基于大数据的车险人伤定损方法、装置、电子设备及介质 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN113505698A (zh) | 基于对抗学习的人脸识别方法、装置、设备及介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN113850260A (zh) | 关键信息抽取方法、装置、电子设备及可读存储介质 |
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 |