CN115147119A - 模型更新方法、装置、设备、存储介质和程序产品 - Google Patents
模型更新方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115147119A CN115147119A CN202210757312.1A CN202210757312A CN115147119A CN 115147119 A CN115147119 A CN 115147119A CN 202210757312 A CN202210757312 A CN 202210757312A CN 115147119 A CN115147119 A CN 115147119A
- Authority
- CN
- China
- Prior art keywords
- information
- characteristic information
- user
- target user
- network model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及人工智能技术领域,特别是涉及一种模型更新方法、装置、设备、存储介质和程序产品。方法包括:若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。采用本方法能够降低新用户注册时模型的更新频次。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种模型更新方法、装置、设备、存储介质和程序产品。
背景技术
由于互联网的普及,金融等行业的用户业务逐渐由线下转移到线上,用户操作业务时需通过各种用户认证方式来保证业务操作的安全性,常见的认证方式包括:密码认证、指纹认证、声纹认证、虹膜认证、短信认证、身份证号码认证、安全问题认证以及电子邮箱认证等等。
以虹膜识别为例,当用户在终端设备上通过业务系统进行业务操作时,可以通过终端上的摄像机采集用户的虹膜图像,通过业务系统对虹膜图像进行识别来验证用户的身份。通常,业务系统可以基于神经网络模型进行虹膜识别,且基于神经网络模型进行虹膜识别时,对于待加入的新用户注册,需要该将新用户的虹膜图像作为新的训练样本对神经网络模型进行更新,以使得更新后的神经网络模型能够识别该新注册的用户。
但是上述方式中,每个新用户注册时均需要将神经网络模型更新一次,导致神经网络模型的实用性较差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低新用户注册时模型的更新频次的模型更新方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种模型更新方法。该方法包括:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
在其中一个实施例中,该方法还包括:
若第一信息识别率小于或者等于第一识别阈值,则将目标用户的特征信息存储至模式库中;模式库中用于存储所有已注册用户的特征信息。
在其中一个实施例中,该方法还包括:
若模式库中的特征信息的数量大于预设存储阈值,则将模式库中的特征信息加入到模型训练集中,得到模型训练更新集;
根据模型训练更新集对信息识别网络模型进行更新。
在其中一个实施例中,该方法还包括:
若目标用户的特征信息为图像格式,则将目标用户的图像格式的特征信息转换为数据格式的特征信息,将数据格式的特征信息存储至模式库中;
若目标用户的特征信息为数据格式,则将目标用户的特征信息存储至模式库中。
第二方面,本申请提供了一种信息认证方法,该方法还包括:
若接收到当前用户的待认证特征信息,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率;第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度;信息识别网络模型为根据上述任一模型更新方法进行更新后的模型;
若第二信息识别率大于预设第二识别阈值,则确定当前用户认证通过。
在其中一个实施例中,该方法还包括:
若第二信息识别率小于或等于第二识别阈值,则将待认证特征信息与模式库中的各个特征信息进行匹配;
若模式库中存在与待认证特征信息匹配成功的特征信息,则确定当前用户认证通过;否则,确定当前用户认证失败。
在其中一个实施例中,若待认证特征信息为图像格式,则将待认证特征信息与模式库中的各个特征信息进行匹配,包括:
将当前用户的图像格式的待认证特征信息转换为数据格式的待认证特征信息;
将数据格式的待认证特征信息与模式库中的各个特征信息进行匹配。
第三方面,本申请还提供了一种模型更新装置。该装置包括:
验证模块,用于在接收到目标用户的特征信息时,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
更新模块,用于在第一信息识别率大于预设第一识别阈值时,将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
第四方面,本申请还提供了一种信息认证装置。该装置包括:
认证模块,用于在接收到当前用户的待认证特征信息时,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率;第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度;信息识别网络模型为根据上述任一模型更新方法进行更新后的模型;
判断模块,用于在第二信息识别率大于预设第二识别阈值时,确定当前用户认证通过。
第五方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
第六方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
第七方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
上述模型更新方法、装置、设备、存储介质和程序产品,在多个新用户需要进行注册时,只有在满足目标注册用户与已注册用户之间的相似度较高的条件下才对信息识别网络模型进行更新,而非在每个用户注册时均对信息识别网络模型进行更新,因此降低了信息识别网络模型的更新频次;且,针对该满足更新条件的目标用户更新信息识别网络模型的过程,即是该目标用户的注册过程;通过信息识别网络模型的第一信息识别率这一筛选条件,在完成用户注册的同时,降低了信息识别网络模型的更新频次,还保证了信息识别网络模型的识别准确度。
附图说明
图1为一个实施例中模型更新的应用环境图;
图2为一个实施例中模型更新方法的流程示意图;
图3为一个实施例中存储目标用户的特征信息至模式库步骤的流程示意图;
图4为一个实施例中基于模式库更新信息识别网络模型步骤的流程示意图;
图5为一个实施例中存储特征信息至模式库步骤的流程示意图;
图6为另一个实施例中信息认证方法的流程示意图;
图7为另一个实施例中注册过程和认证过程的示意图;
图8为一个实施例中模型更新装置的结构框图;
图9为一个实施例中信息认证装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的模型更新方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102和服务器104可分别单独用于执行该模型更新方法,终端102通过网络与服务器104也可共同执行模型更新方法;例如,终端102在接收到目标用户的特征信息后,终端102可以在本地执行该模型更新方法,或者,终端102将接收到的目标用户的特征信息发送至服务器104,服务器104将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在金融交易等场景下,用户需要办理业务时,通常要求用户在业务系统内先注册身份信息,之后用户在业务系统内操作业务的过程中,当业务系统检测到用户每触发一次关键的业务操作时,都需要对用户的身份进行验证,验证通过则用户可以进行下一步操作,以此来保证业务操作的安全性。
传统技术中,利用具有特定功能的神经网络模型来完成用户的注册过程,在用户注册完成后,该神经网络模型对用户的注册信息进行学习以实现更新,更新后的神经网络模型即能够识别出该已注册的用户;但是,当业务办理量增大、新注册用户数量较多时,传统技术中的神经网络模型在每个新用户注册时均需要学习更新,导致神经网络模型的更新频次增高,且在每次注册过程中用户等待模型更新的时间较长,实用性较差。
在一个实施例中,如图2所示,提供了一种模型更新方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率。
其中,终端102被配置为两种工作模式,分别为注册模式和认证模式,对于同一用户,在同一时刻只能主动选择(或者是被授权)进入终端102的任一模式,即当终端102处于注册模式时,该用户只能进行注册操作,当终端102处于认证模式时,用户只能进行身份验证的操作。
具体地,本申请实施例的模型更新方法应用于终端102的注册模式下,目标用户可以通过在注册现场录入,或者通过异地录入并通过无线传输的方式将目标用户的特征信息传递至终端102。若用户利用终端102在注册现场进行注册,则要求本申请实施例设置的终端102内置有采集装置,或者是外置有能够与终端102关联的采集装置,采集装置是根据目标用户的特征信息的类型来设定的;若用户利用终端102接收远程输入目标用户的特征信息,则终端102需要配置能够与用户携带的终端进行信息交互的通信装置。
其中,目标用户的特征信息包括用户的生物信息和用户的身份信息;其中,用户的生物信息包括人脸信息、指纹信息、视网膜信息、虹膜信息、声音信息、骨架信息、触屏行为信息、击键行为信息、签名信息、基于应用程序的使用信息、步态信息中的至少一种;用户的身份信息用于表征用户唯一的身份信息,例如:姓名、身份证号码、手机号、唯一ID编号等。需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
其中,用户的生物信息的格式可以是通过传感器采集到的数据格式,也可以是通过图像采集装置采集到的图像或视频流形式的多媒体格式,也可以是通过音频采集装置采集到的声音形式的多媒体格式。用户的身份信息的格式可以是用户输入的身份证号形式的数据格式,也可以是采集到的身份证图片形式的多媒体格式。
其中,信息识别网络模型包括特征提取模块和识别分类模块,将目标用户的生物特征信息输入至预设的信息识别网络模型中,得到目标用户的生物特征信息的第一信息识别率,包括:
Sa、利用特征提取模块对目标用户的生物特征信息进行特征提取,得到目标用户的提取信息。
其中,特征提取模块可以为卷积神经网络(Convolutional Neural Networks,CNN)、VGGNet、AlexNet、RestNet(残差神经网络)、GoogleNet和SENet(Squeeze-and-Excitation Networks)等,也可以是基于卷积神经网络模型所设计的轻量化的网络模型,在该轻量化的网络模型中,从模型结构方面和模型量化方面进行了轻量化设计。在模型结构方面:首先提出利用深度可分解卷积替代传统卷积,其次深度可分离卷积基础上,提出通道混洗,引入通道混洗后的网络结构单元;进一步地,在通道混洗基础上,引入了稠密连接的网络结构单元将当前层与后续每一层进行连接,即各层都是互相连接的;最后,提出了基于跨层传输的网络结构,在网络初始层加入多尺度卷积结构来进一步丰富神经网络模型提取到的特征,利用浅层提取到的特征作为深层网络特征的补充,减少深层网络。在模型量化方面:首先,将参数值从FP32类型直接映射到INT8类型;其次,采用截断量化来使得模型的权重均匀地分布在权重空间范围内,同一分组内的权重也有较大差值,有效避免了极值带来的噪声影响。
Sb、将目标用户的提取信息输入至识别分类模块,识别分类模块内设置有多个预设类别,获取识别分类模块输出的目标用户的提取信息属于各个预设类别的各个概率值。
其中,识别分类模块可以包括多个预设的分类器或者是一个集成分类器,识别分类模块的每个训练样本包括该生物特征样本信息经过特征提取模块所提取得到的特征数据,以该生物特征样本信息对应有标签(即预设类别);其中,识别分类模块输出的结果可以是一个实数范围,可以利用一个自变量为实数集而因变量为[0,1]的映射函数将识别分类模块输出的结果映射为目标用户的提取信息属于各个预设类别的各个概率值。
Sc、基于各个概率值确定第一信息识别率。
其中,第一信息识别率为识别分类模块输出的各个概率值中的最大概率值,即第一信息识别率表征目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率。
在实际应用场景中,若没有约束条件的限制,通过终端102进行注册的目标用户可能为未知用户(即新用户),也可能是已知用户(即已注册用户之一),在上述两种情况下,第一信息识别率与准确率之间的关系也分两种情况,下面对这两种情况进行分别论述:
若目标用户为未知用户(即新用户),则第一识别信息率越大,表征该信息识别网络模型识别的该目标用户与已注册用户之间的相似度越大,则说明该信息识别网络模型识别用户特征信息的准确率越低;反之,第一识别信息率越小,表征该信息识别网络模型识别出来的目标用户与已注册用户之间的相似度越小,则说明该信息识别网络模型识别用户特征信息的准确率越高。
若目标用户为已注册用户,则第一识别信息率越大,表征该信息识别网络模型所识别的该目标用户与已注册用户之间的相似度越大,则说明该信息识别网络模型识别用户特征信息的准确率越高;反之,若第一识别信息率越小,则表征该信息识别网络模型识别该目标用户与已注册用户之间的相似度越小,则说明该信息识别网络模型识别用户特征信息的准确率越低。
由于已注册用户再次登入注册模式进行注册的操作是无效操作,因此,在本申请实施例中,用户进入注册模式之前,管理员可以对用户的特征信息进行初步筛选,确定该用户为新用户后,再对该用户开通注册权限,允许该用户进入注册模式,即能够进入注册模式的目标用户均为新用户。因此,在一个实施例中,模型更新方法还包括:
步骤204,若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中。
其中,若第一信息识别率大于预设第一识别阈值,则表征信息识别网络模型将该新用户识别为已注册用户的概率较大,该新用户可能会影响已注册用户的后续认证过程,此时判定当前的信息识别网络模型对该目标用户存在误判,为了避免信息识别网络模型在后续认证过程继续出现误判,此时将该目标用户的特征信息加入到模型训练集中,模型训练集用于对信息识别网络模型进行更新;实现在判定信息识别网络模型可能出现误判时,及时对信息识别网络模型进行更新,以确保识别网络模型的识别准确度。
且,由于本申请实施例中的目标用户的特征信息包括用户的生物信息和用户的身份信息,因此可知,该目标用户的生物信息(或者是经过特征提取后的生物特征信息)作为样本,该目标用户的身份信息作为标签,即构成了信息识别网络模型的一个训练样本,通过该训练样本对信息识别网络模型进行训练,直至更新后的信息识别网络模型能够识别出该目标用户,即实现了通过信息识别网络模型完成新用户注册这一步骤。
上述模型更新方法中,在多个新用户需要进行注册时,只有在满足目标注册用户与已注册用户之间的相似度较高的条件下才对信息识别网络模型进行更新,而非在每个用户注册时均对信息识别网络模型进行更新,降低了信息识别网络模型的更新频次;而针对该满足更新条件的目标用户更新信息识别网络模型的过程,即是该目标用户的注册过程;通过信息识别网络模型的第一信息识别率这一筛选条件,在完成用户注册的同时,降低了信息识别网络模型的更新频次,还保证了信息识别网络模型的识别准确度。
与步骤S204中的第一信息识别率大于预设第一识别阈值,判定当前的信息识别网络模型对该目标用户存在误判相对应,在一个实施例中,如图3所示,模型更新方法还包括:
步骤206,若第一信息识别率小于或者等于第一识别阈值,则将目标用户的特征信息存储至模式库中。
其中,模式库中用于存储所有已注册用户的特征信息;对于不满足更新条件的目标用户来说,将该目标用户的特征信息存储至模式库中,即完成了该目标用户对应的注册过程。
因此对于本申请实施例,目标用户完成注册的方式有两种:方式一,该目标用户满足更新条件,此时通过更新信息识别模型的方式进行注册;方式二,该目标用户不满足更新条件,此时通过存储该目标用户的特征信息的方式完成注册。对于上述方式二的注册方式,在后续的认证过程中,可以采用模板匹配的方式进行认证。本实施例中,在注册过程中,在判定信息识别网络模型不存在误判的情况下,通过模式库及时存储目标用户的特征信息,无需更新信息识别网络模型即可完成注册过程,提高了注册效率,缩短了用户等待注册的时间。
上述通过模式库存储的方式完成注册虽然效率较高,但是在模式库中逐渐存储较多已注册用户的特征信息的过程中,可能会存在模式库被窃取导致已注册用户的特征信息丢失的风险,而利用信息识别网络模型进行注册的方式一本身具有防止已注册用户的特征信息丢失的特点,因此,为了使得本申请实施例的注册过程具备安全性和时效性,本申请实施例可以采用:(1)定时地将模式库中的特征信息作为信息识别网络模型的新的训练样本对信息识别网络模型进行更新,(2)或者是,在模式库中的特征信息的数量达到存储阈值时,将模式库中的特征信息作为信息识别网络模型的新的训练样本对信息识别网络模型进行更新。而由于新用户注册的数量具有随机性,因此采用定时更新的方式可能会导致模式库中某一时间段内存储的特征信息的数量较多,而某一时间段内存储的特征信息的数量较少,故,在一个实施例中,如图4所示,该模型更新方法还包括:
步骤208,若模式库中的特征信息的数量大于预设存储阈值,则将模式库中的特征信息加入到模型训练集中,得到模型训练更新集;根据模型训练更新集对信息识别网络模型进行更新。
其中,由于模式库中的特征信息包含了用户的生物特征信息和身份信息,因此用户的生物特征信息和身份信息构成了信息识别网络模型的一个训练样本,通过各个训练样本对信息识别网络模型进行训练,即可得到更新后的信息识别网络模型;在后续的认证过程中,可利用更新后的信息识别网络模型对已完成注册的用户进行识别认证,降低了模式库中存储已注册特征信息而容易丢失的风险。需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
对于通过方式二注册(即模式库存储)的用户,在其进行认证的过程中,将该用户后续录入的特征信息与模式库中的各个特征信息进行循环匹配,在进行匹配时,需要将该用户多媒体格式的生物信息提取为数据格式的特征信息,然后将该数据格式的特征信息与模式库中的各个特征信息进行循环匹配,因此,模式库中的各个特征信息应该被转换为能够与数据格式的特征信息相对应的格式。故,在一个实施例中,如图5所示,步骤S206中模型更新方法还包括:
步骤2061、若目标用户的特征信息为图像格式,则将目标用户的图像格式的特征信息转换为数据格式的特征信息,将数据格式的特征信息存储至模式库中。步骤2062、若目标用户的特征信息为数据格式,则将目标用户的特征信息存储至模式库中。
其中,将目标用户的图像格式的特征信息转换为数据格式的特征信息可以采用上述的特征提取模块,或者是满足特征匹配条件的其他神经网络模型,该神经网络模型的输入为多媒体格式的生物信息,输出为数据格式的特征信息。
在一个实施例中,如图6所示,基于上述的模型更新方法还提供了一种信息认证方法,包括:
步骤300,若接收到当前用户的待认证特征信息,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率。
当前用户进入终端102的认证模式后,可通过现场录入或者远程通信的方式输入待认证信息。
其中,待认证特征信息为用户的生物信息,用户的生物信息包括人脸信息、指纹信息、视网膜信息、虹膜信息、声音信息、骨架信息、触屏行为信息、击键行为信息、签名信息、基于应用程序的使用信息、步态信息中的至少一种。信息识别网络模型为根据步骤S200~步骤S208中的任一步骤进行更新后的模型。需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
其中,第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度。
步骤302,若第二信息识别率大于预设第二识别阈值,则确定当前用户认证通过。
其中,第二识别阈值与第一识别阈值的相对大小在本申请实施例中不作限定。仅对若第一信息识别率大于预设第一识别阈值,则表征信息识别网络模型将该新用户识别为已注册用户的概率较大,该新用户可能会影响已注册用户的后续认证过程,此时判定当前的信息识别网络模型对该目标用户存在误判这一情况进行举例说明:若第一识别阈值(假定第一识别阈值为0.85)大于预设第二识别阈值(假定第一识别阈值为0.9),则说明在注册阶段被识别为0.85的用户,在某些存在干扰或者是易疏导干扰的情况下,在认证模式下若不更新信息识别网络模型,则针对于该用户生成的第二信息识别率可能达到0.9,此时会造成认证模式下的信息识别模型确定该用户认证通过,造成误判。
在一个实施例中,与上述方式二的注册过程相对应的信息认证方法还包括:步骤S304,若第二信息识别率小于或等于第二识别阈值,则将待认证特征信息与模式库中的各个特征信息进行匹配;若模式库中存在与待认证特征信息匹配成功的特征信息,则确定当前用户认证通过;否则,确定当前用户认证失败。
在本实施例中,若第二信息识别率小于或等于第二识别阈值,则说明信息识别网络模型识别当前用户为未知用户,此时说明该用户可能通过方式二注册,或者是本身即为未知用户;此时再通过模式库进行特征匹配的方式再次验证该未知用户是否是以方式二进行注册的,若匹配成功,则表示该用户是以方式二注册的用户,则认证通过;若未匹配成功,则说明该用户即为未知用户,此时返回认证失败的结果。
在一个实施例中,在进行特征匹配之前,需要将对特征进行提取,因此,若待认证特征信息为图像格式,则将待认证特征信息与模式库中的各个特征信息进行匹配,包括:将当前用户的图像格式的待认证特征信息转换为数据格式的待认证特征信息。
其中,将当前用户的图像格式的待认证特征信息转换为数据格式的特征信息可以采用上述的特征提取模块,或者是满足特征匹配条件的其他神经网络模型,该神经网络模型的输入为多媒体格式的待认证特征信息,输出为数据格式的待认证特征信息。
下面结合上述的模型更新方法和信息认证方法,以虹膜认证为例,详细阐述本申请实施例的用户注册和信息认证的过程:
如图7所示,在终端102的注册模式下,终端102通过内置的虹膜图像采集模块1021采集目标用户的特征信息,目标用户的特征信息包括目标用户的生物特征信息以及目标用户的身份信息,其中,目标用户的生物特征信息即为目标用户的虹膜图像信息,目标用户的身份信息即目标用户的姓名、手机号、身份证中的至少两项;终端102内配置有虹膜预处理模块1022,通过虹膜预处模块对该虹膜图像信息进行预处理得到预处理后的特征信息;其中,预处理过程包括:镜片检测、虹膜定位以及归一化;
将预处理后的特征信息输入至当前的信息识别网络模型,当前的信息识别模型被存储于终端102中配置的神经网络模型管理模块1023中,获取当前的信息识别模型输出的第一信息识别率。若第一信息识别率大于第一识别阈值,则将目标用户的特征信息加入到模型训练集中,对当前的识别信息模型进行更新,得到更新后的信息识别网络模型,更新后的信息识别网络模型供认证模式使用。若第一信息识别率小于或者等于第一识别阈值,则将目标用户的特征信息存储至模式库中,存储于模式库中的目标用户的特征信息是经过信息识别网络模型或其他设定神经网络模型经特征提取后的数据格式的特征信息。
在认证模式下,获取当前的待认证特征信息,待认证特征信息待认证的虹膜图像信息,将虹膜图像信息输入至更新后的识别信息网络模型1024中,获取更新后的识别信息网络模型1024输出的第二信息识别率,若第二信息识别率大于第二识别阈值,则确定当前用户认证通过;若第二信息识别率小于或者等于第二识别阈值,则将待认证特征信息与模式库中的各个已存储特征信息进行循环匹配,若匹配成功,则确定当前用户认证通过,若匹配不成功,则确定当前用户认证不通过。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的模型更新方法的装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个模型更新装置实施例中的具体限定可以参见上文中对于模型更新方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种模型更新装置100,包括:验证模块110和验证模块110;
验证模块110,用于在接收到目标用户的特征信息时,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
更新模块120,用于在第一信息识别率大于预设第一识别阈值时,将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
在一个实施例中,该更新装置还包括:
存储模块,用于在第一信息识别率小于或者等于第一识别阈值时,将目标用户的特征信息存储至模式库中;模式库中用于存储所有已注册用户的特征信息。
在一个实施例中,该更新装置还包括:
存储更新模块,用于在模式库中的特征信息的数量大于预设存储阈值时,将模式库中的特征信息加入到模型训练集中,得到模型训练更新集;
根据模型训练更新集对信息识别网络模型进行更新。
在一个实施例中,存储模块,还用于在目标用户的特征信息为图像格式时,将目标用户的图像格式的特征信息转换为数据格式的特征信息,将数据格式的特征信息存储至模式库中;
在目标用户的特征信息为数据格式时,将目标用户的特征信息存储至模式库中
上述模型更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的信息认证方法的装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个模型更新装置实施例中的具体限定可以参见上文中对于信息认证方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种信息认证装置200,包括:认证模块210和判断模块220;
认证模块210,用于在接收到当前用户的待认证特征信息时,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率;第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度;信息识别网络模型为根据上述任一模型更新方法进行更新后的模型;
判断模块220,用于在第二信息识别率大于预设第二识别阈值时,确定当前用户认证通过。
在一个实施例中,装置还包括:
二次判断模块,用于在第二信息识别率小于或等于第二识别阈值时,将待认证特征信息与模式库中的各个特征信息进行匹配;
在模式库中存在与待认证特征信息匹配成功的特征信息时,确定当前用户认证通过;否则,确定当前用户认证失败。
在一个实施例中,二次判断模块,还用于在待认证特征信息为图像格式时,将待认证特征信息与模式库中的各个特征信息进行匹配,包括:将当前用户的图像格式的待认证特征信息转换为数据格式的待认证特征信息;将数据格式的待认证特征信息与模式库中的各个特征信息进行匹配。
上述信息认证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模型更新方法和/或信息认证方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
若接收到目标用户的特征信息,将目标用户的特征信息输入至预设的信息识别网络模型中,得到目标用户的特征信息的第一信息识别率;第一信息识别率为目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征信息识别网络模型识别用户特征信息的准确率;
若第一信息识别率大于预设第一识别阈值,则将目标用户的特征信息加入到模型训练集中;模型训练集用于对信息识别网络模型进行更新。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
若接收到当前用户的待认证特征信息,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率;第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度;信息识别网络模型为根据上述任一模型更新方法进行更新后的模型;
若第二信息识别率大于预设第二识别阈值,则确定当前用户认证通过。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
若接收到当前用户的待认证特征信息,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率;第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度;信息识别网络模型为根据上述任一模型更新方法进行更新后的模型;
若第二信息识别率大于预设第二识别阈值,则确定当前用户认证通过。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
若接收到当前用户的待认证特征信息,将待认证特征信息输入至信息识别网络模型中,得到待认证特征信息的第二信息识别率;第二信息识别率表示待认证特征信息与当前用户已经注册的特征信息之间的相似度;信息识别网络模型为根据上述任一模型更新方法进行更新后的模型;
若第二信息识别率大于预设第二识别阈值,则确定当前用户认证通过。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种模型更新方法,其特征在于,所述方法包括:
若接收到目标用户的特征信息,将所述目标用户的特征信息输入至预设的信息识别网络模型中,得到所述目标用户的特征信息的第一信息识别率;所述第一信息识别率为所述目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征所述信息识别网络模型识别用户特征信息的准确率;
若所述第一信息识别率大于预设第一识别阈值,则将所述目标用户的特征信息加入到模型训练集中;所述模型训练集用于对所述信息识别网络模型进行更新。
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:
若所述第一信息识别率小于或者等于所述第一识别阈值,则将所述目标用户的特征信息存储至模式库中;所述模式库中用于存储所有已注册用户的特征信息。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述模式库中的特征信息的数量大于预设存储阈值,则将所述模式库中的特征信息加入到所述模型训练集中,得到模型训练更新集;
根据所述模型训练更新集对所述信息识别网络模型进行更新。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
若所述目标用户的特征信息为图像格式,则将所述目标用户的图像格式的特征信息转换为数据格式的特征信息,将所述数据格式的特征信息存储至所述模式库中;
若所述目标用户的特征信息为数据格式,则将所述目标用户的特征信息存储至所述模式库中。
5.一种信息认证方法,其特征在于,所述方法包括:
若接收到当前用户的待认证特征信息,将所述待认证特征信息输入至信息识别网络模型中,得到所述待认证特征信息的第二信息识别率;所述第二信息识别率表示所述待认证特征信息与所述当前用户已经注册的特征信息之间的相似度;所述信息识别网络模型为根据权利要求1-4中任一方法进行更新后的模型;
若所述第二信息识别率大于预设第二识别阈值,则确定所述当前用户认证通过。
6.根据权利要求5所述的方法,其特征在于,所述方法包括:
若所述第二信息识别率小于或等于所述第二识别阈值,则将所述待认证特征信息与所述模式库中的各个特征信息进行匹配;
若所述模式库中存在与所述待认证特征信息匹配成功的特征信息,则确定所述当前用户认证通过;否则,确定所述当前用户认证失败。
7.根据权利要求6所述的方法,其特征在于,若所述待认证特征信息为图像格式,则所述将待认证特征信息与所述模式库中的各个特征信息进行匹配,包括:
将所述当前用户的图像格式的待认证特征信息转换为数据格式的待认证特征信息;
将所述数据格式的待认证特征信息与所述模式库中的各个特征信息进行匹配。
8.一种模型更新装置,其特征在于,所述装置包括:
验证模块,用于在接收到目标用户的特征信息时,将所述目标用户的特征信息输入至预设的信息识别网络模型中,得到所述目标用户的特征信息的第一信息识别率;所述第一信息识别率为所述目标用户的特征信息与已注册用户的特征信息之间的相似度,用于表征所述信息识别网络模型识别用户特征信息的准确率;
更新模块,用于在所述第一信息识别率大于预设第一识别阈值时,将所述目标用户的特征信息加入到模型训练集中;所述模型训练集用于对所述信息识别网络模型进行更新。
9.一种信息认证装置,其特征在于,所述装置包括:
认证模块,用于在接收到当前用户的待认证特征信息时,将所述待认证特征信息输入至信息识别网络模型中,得到所述待认证特征信息的第二信息识别率;所述第二信息识别率表示所述待认证特征信息与所述当前用户已经注册的特征信息之间的相似度;所述信息识别网络模型为根据权利要求1-4中任一方法进行更新后的模型;
判断模块,用于在所述第二信息识别率大于预设第二识别阈值时,确定所述当前用户认证通过。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210757312.1A CN115147119A (zh) | 2022-06-30 | 2022-06-30 | 模型更新方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210757312.1A CN115147119A (zh) | 2022-06-30 | 2022-06-30 | 模型更新方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147119A true CN115147119A (zh) | 2022-10-04 |
Family
ID=83410083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210757312.1A Pending CN115147119A (zh) | 2022-06-30 | 2022-06-30 | 模型更新方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147119A (zh) |
-
2022
- 2022-06-30 CN CN202210757312.1A patent/CN115147119A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10839238B2 (en) | Remote user identity validation with threshold-based matching | |
US20140297528A1 (en) | Method and system for validating personalized account identifiers using biometric authentication and self-learning algorithms | |
US8453207B1 (en) | Methods and systems for improving the security of secret authentication data during authentication transactions | |
AU2017316312A1 (en) | Remote usage of locally stored biometric authentication data | |
CN111476268A (zh) | 翻拍识别模型训练、图像识别方法、装置、设备及介质 | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
US11244146B2 (en) | Systems and methods for secure user logins with facial recognition and blockchain | |
CN113515988B (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN111931153B (zh) | 基于人工智能的身份验证方法、装置和计算机设备 | |
US20220164423A1 (en) | Method and apparatus for user recognition | |
US20230027527A1 (en) | Identity authentication method, and method and apparatus for training identity authentication model | |
CN111898561A (zh) | 一种人脸认证方法、装置、设备及介质 | |
CN112084476A (zh) | 生物识别身份验证方法、客户端、服务器、设备及系统 | |
US11611881B2 (en) | Integrated systems and methods for passive authentication | |
JP2023530893A (ja) | データ処理および取引決定システム | |
US7310432B2 (en) | Ported system for personal identity verification | |
CN115147119A (zh) | 模型更新方法、装置、设备、存储介质和程序产品 | |
CN111709312B (zh) | 一种基于联合主模式的局部特征人脸识别方法 | |
US10867022B2 (en) | Method and apparatus for providing authentication using voice and facial data | |
Shivthare et al. | Multimodal Biometric in Computer Vision | |
CN111353139A (zh) | 一种持续认证的方法、装置、电子设备及存储介质 | |
TWI786977B (zh) | 手指真偽識別方法、電子裝置及存儲介質 | |
KR102502631B1 (ko) | 사용자를 인증하기 위한 기법 | |
CN113259368B (zh) | 一种身份认证方法、装置及设备 | |
Nguyen | AI Driven User Authentication |
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 |