CN115359575A - 身份识别方法、装置和计算机设备 - Google Patents
身份识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115359575A CN115359575A CN202210875441.0A CN202210875441A CN115359575A CN 115359575 A CN115359575 A CN 115359575A CN 202210875441 A CN202210875441 A CN 202210875441A CN 115359575 A CN115359575 A CN 115359575A
- Authority
- CN
- China
- Prior art keywords
- biological
- data
- biometric
- comparison results
- fused
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书实施例公开了一种身份识别方法、装置和计算机设备。所述方法包括:根据目标生物对象的多种第一图像,获取多种第一生物特征数据;将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象;将多个第一比较结果进行融合,得到融合后的比较结果;根据融合后的比较结果,确定目标生物对象的身份识别结果。本说明书实施例可以通过多种生物特征数据确定目标生物对象的身份识别结果,从而可以提高身份识别的准确性。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种身份识别方法、装置和计算机设备。
背景技术
为了提高安全性,需要对生物对象的身份进行识别。
在相关技术中,可以采集生物对象的图像;可以从所述图像中提取生物特征数据;可以根据所述生物特征数据对生物对象的身份进行识别。然而,采用单一的生物特征数据对生物对象的身份进行识别,造成身份识别的准确性不高。
发明内容
本说明书实施例提供一种身份识别方法、装置和计算机设备,以提高身份识别的准确性。
本说明书实施例的第一方面,提供了一种身份识别方法,包括:
根据目标生物对象的多种第一图像,获取多种第一生物特征数据;
将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象;
将多个第一比较结果进行融合,得到融合后的比较结果;
根据融合后的比较结果,确定目标生物对象的身份识别结果。
本说明书实施例的第二方面,提供了一种身份识别装置,包括:
获取单元,用于根据目标生物对象的多种第一图像,获取多种第一生物特征数据;
比较单元,用于将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象;
融合单元,用于将多个第一比较结果进行融合,得到融合后的比较结果;
确定单元,用于根据融合后的比较结果,确定目标生物对象的身份识别结果。
本说明书实施例的第三方面,提供了一种计算机设备,包括:
至少一个处理器;
存储有程序指令的存储器,其中,所述程序指令被配置为适于由所述至少一个处理器执行,所述程序指令包括用于执行如第一方面所述方法的指令。
本说明书实施例提供的技术方案,可以根据目标生物对象的多种第一图像,获取多种第一生物特征数据;可以将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果;可以将多个第一比较结果进行融合,得到融合后的比较结果;可以根据融合后的比较结果,确定目标生物对象的身份识别结果。这样可以通过多种生物特征数据确定目标生物对象的身份识别结果,从而可以提高身份识别的准确性。
附图说明
为了更清楚地说明本说明书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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例中身份识别方法的流程示意图;
图2为本说明书实施例中身份识别过程的示意图;
图3为本说明书实施例中身份识别装置的结构示意图;
图4为本说明书实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本公开的限定。基于所描述的本公开的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本公开保护的范围。另外,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。
以宠物为例,可以采集宠物的鼻纹图像;可以从所述鼻纹图像中提取鼻纹特征数据;可以根据所述鼻纹特征数据对宠物的身份进行识别。然而,由于宠物活泼好动的天性,使得,拍摄的鼻纹图像的质量难以保证。例如,拍摄的鼻纹图像会出现面积小、模糊等情况。低质量的鼻纹图像,无法准确地提取得到鼻纹特征数据,造成宠物身份识别的准确性不高。
考虑到在采集生物对象的图像的过程中,难免会出现低质量的图像,从而造成身份识别的准确性不高。若能够采集生物对象的多种图像,则可以从所述多种图像中提取多种生物特征数据,所述多种生物特征数据可以相互弥补,从而可以提高身份识别的准确性。
本说明书实施例提供一种身份识别系统。所述身份识别系统可以包括终端设备和服务器。所述终端设备可以为面向用户的设备。所述终端设备包括但不限于智能手机、平板电子设备、便携式计算机、台式电脑、智能穿戴设备等。所述服务器可以为面向后台的设备。所述服务器可以为单个服务器,或者,还可以为包含多个服务器的服务器集群。
所述终端设备可以采集目标生物对象的多种第一图像;可以向服务器发送身份识别请求。所述身份识别请求中可以包括所述多种第一图像和所述目标生物对象的标识。所述标识可以包括目标生物对象的名称、编号等。所述服务器可以接收身份识别请求;可以根据目标生物对象的多种第一图像,获取多种第一生物特征数据;可以根据所述标识获取多种第二生物特征数据,所述第二生物特征数据为目标生物对象的预置生物特征数据;可以将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果;可以将多个第一比较结果进行融合,得到融合后的比较结果;可以根据融合后的比较结果,确定目标生物对象的身份识别结果;可以向终端设备反馈身份识别结果。所述终端设备可以接收身份识别结果。
本说明书实施例提供一种身份识别方法。所述身份识别方法可以应用于计算机设备。所述计算机设备可以包括个人计算机、智能手机、平板电脑、笔记本电脑、服务器、包括多个服务器的服务器集群等。请参阅图1和图2,所述身份识别方法可以包括以下步骤。
步骤S11:根据目标生物对象的多种第一图像,提取多种第一生物特征数据。
在一些实施例中,所述目标生物对象可以为待进行身份识别的生物对象。所述生物对象可以包括人、动物等。所述动物可以包括野生动物、豢养动物(例如猫、狗等宠物)。
所述第一图像可以包括生物特征图像。所述第一图像具体可以包括面部图像、鼻纹图像、全身图像、虹膜图像、巩膜图像、指纹图像、掌纹图像、心跳图像、染色体图像、牙齿咬痕图像等。所述多种第一图像可以对应多个生物特征类别。所述生物特征类别可以包括面部、鼻纹、全身、虹膜、巩膜、手指、手掌、心脏、染色体、牙齿等。例如,所述目标生物对象可以包括宠物,所述多种第一图像可以包括宠物的鼻纹图像、面部图像、全身图像等。
所述第一生物特征数据可以为数值、向量或者矩阵等。所述第一生物特征数据用于表示目标生物对象的身份。所述第一生物特征数据可以包括面部特征数据、鼻纹特征数据、全身特征数据、虹膜特征数据、巩膜特征数据、指纹特征数据、掌纹特征数据、心跳特征数据、染色体特征数据、牙齿特征数据等。所述多种第一生物特征数据可以对应多个生物特征类别。
在一些实施例中,可以采集目标生物对象的多种第一图像。具体地,所述计算机设备可以包括拍摄组件,所述拍摄组件可以包括摄像头等。所述计算机设备可以利用拍摄组件采集多种第一图像。或者,所述计算机设备还可以接收其它设备发来的多种第一图像。
在一些实施例中,可以从第一图像中检测目标生物对象对应的目标区域;可以根据目标区域提取第一生物特征数据。所述目标区域可以为圆形或者矩形等。可以将第一图像输入至区域检测模型,得到目标区域。所述区域检测模型可以包括NanoDet模型、YOLO模型(例如YOLO-V3模型)等。可以采用特征提取算法从目标区域中提取第一生物特征数据。所述特征提取算法可以包括SIFT算法、HOG算法等。当然,还可以将第一图像输入至特征提取模型,得到第一生物特征数据。所述特征提取模型可以包括神经网络模型、支持向量机模型等。
在一些实施例中,可以直接从第一图像中提取第一生物特征数据。
或者,第一图像有可能出现倾斜、旋转等情况,从而影响到第一生物特征数据的提取。针对每种第一图像,可以获取第一图像中的关键点;可以利用关键点对第一图像进行对齐;可以根据对齐后的第一图像,提取相应的第一生物特征数据。从而可以使提取的第一生物特征数据更加准确。根据第一图像所对应的生物特征类别的不同,所述关键点可以不同。例如,所述第一图像可以为面部图像,所述关键点可以包括眼睛、鼻尖、嘴角、眉毛、人脸轮廓点等。再比如,所述第一图像可以为指纹图像,所述关键点可以包括中心点、断点、分叉点、转折点等。具体可以利用级联回归算法(Cascaded Regression)(例如级联姿势回归算法、级联形状回归算法等)、卷积神经网络、主动形状模型(Active Appearance Model,AAM)、主动外观模型(Active Shape Model,ASM)、MTCNN(Multi-task ConvolutionalNeural Network)等,获取第一图像中的关键点。通过图像对齐可以使第一图像中的关键点对齐到特定位置。所述特定位置可以是预先设定的。所述特定位置的数量可以为一个或多个。所述特定位置的数量可以与关键点的数量相同。具体可以通过仿射变换(AffineTransformation,又称仿射映射)使第一图像中的关键点对齐到特定位置。
步骤S13:将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象。
在一些实施例中,所述多种第二生物特征数据可以对应同一生物对象。具体地,所述多种第二生物特征数据可以为目标生物对象的预置生物特征数据。这样通过将多种第一生物特征数据与多种第二生物特征数据进行比较,可以核验目标生物对象的身份。或者,所述多种第二生物特征数据还可以为参考对象的生物特征数据。这样通过将多种第一生物特征数据与多种第二生物特征数据进行比较,可以确定目标生物对象与参考生物对象的身份是否相同。
在一些实施例中,所述多种第二生物特征数据可以对应多个生物特征类别。可以将每种第一生物特征数据与相同类别的第二生物特征数据进行比较,从而得到多个第一比较结果。其中,所述相同类别可以指相同的生物特征类别。例如,所述多种第一生物特征数据可以包括第一面部特征数据、第一鼻纹特征数据、第一全身特征数据。所述多种第二生物特征数据可以包括第二面部特征数据、第二鼻纹特征数据、第二全身特征数据。可以将第一面部特征数据与第二面部特征数据进行比较;可以将第一鼻纹特征数据与第二鼻纹特征数据进行比较;可以将第一全身特征数据与第二全身特征数据进行比较;从而得到3个第一比较结果。
在一些实施例中,可以比较第一生物特征数据与第二生物特征数据是否相同。所述第一比较结果可以为相同或者不同。或者,还可以计算第一生物特征数据与第二生物特征数据之间的相似度。所述第一比较结果可以包括相似度。所述相似度可以包括余弦相似度、汉明距离等。相似度的大小与第一生物特征数据和第二生物特征数据之间的相似程度呈正相关。
步骤S15:将多个第一比较结果进行融合,得到融合后的比较结果。
在一些实施例中,可以从多个第一比较结果中选择一个第一比较结果,作为融合后的比较结果。例如,所述多个第一比较结果可以包括多个相似度。可以从多个相似度中选择数值最大的相似度作为融合后的比较结果。或者,还可以对多个第一比较结果进行诸如相加、相减、相乘、或者相除等数学运算,得到融合后的比较结果。
在一些实施例中,可以将多个第一比较结果进行加权融合,得到融合后的比较结果。具体地,第一比较结果由相同类别的第一生物特征数据与第二生物特征数据通过比较得到。使得,第一比较结果与生物特征类别具有对应关系。所述生物特征类别可以对应有权重。权重用于表示生物特征类别对于身份识别的影响程度。权重越大,表示生物特征类别对于身份识别的影响程度越大。可以根据生物特征类别对应的权重,将多个第一比较结果进行加权融合。
步骤S17:根据融合后的比较结果,确定目标生物对象的身份识别结果。
在一些实施例中,第二生物特征数据可以为目标生物对象的预置生物特征数据。所述确定目标生物对象的身份识别结果,可以包括:确定目标生物对象的身份识别结果为通过或者不通过。具体地,融合后的比较结果可以为相同或不同。若融合后的比较结果为相同,可以确定目标生物对象的身份识别结果为通过。若融合后的比较结果为不同,可以确定目标生物对象的身份识别结果为不通过。或者,融合后的比较结果还可以包括融合后的相似度。若融合后的相似度大于或等于阈值,可以确定目标生物对象的身份识别结果为通过。若融合后的相似度小于阈值,可以确定目标生物对象的身份识别结果为不通过。
在一些实施例中,第二生物特征数据还可以为参考对象的生物特征数据。所述确定目标生物对象的身份识别结果,可以包括:确定目标生物对象与参考生物对象的身份是否相同。具体地,融合后的比较结果可以为相同或不同。若融合后的比较结果为相同,可以确定目标生物对象与参考生物对象的身份相同。若融合后的比较结果为不同,可以确定目标生物对象与参考生物对象的身份不同。或者,融合后的比较结果还可以包括融合后的相似度。若融合后的相似度大于或等于阈值,可以确定目标生物对象与参考生物对象的身份相同。若融合后的相似度小于阈值,可以确定目标生物对象与参考生物对象的身份不同。
在一些实施例中,可以采用机器学习的方式确定生物特征类别对应的权重。或者,考虑到采用机器学习的方式确定权重,需要对机器学习模型进行训练,而训练的过程有可能出现过拟合或者欠拟合的问题,从而导致权重不准确。为此可以采用统计的方式确定生物特征类别对应的权重,从而避免过拟合或者欠拟合的问题,简单方便。具体地,可以确定所述多个生物特征类别对应的第一性能指标;可以根据第一性能指标,确定所述多个生物特征类别对应的权重。其中,所述第一性能指标可以包括准确率、召回率、F1分数等。
在一些场景示例中,可以获取第一样本生物对象的第一数据集和第二样本生物对象的第二数据集。所述第一数据集可以包括多种第一生物特征数据。所述第二数据集可以包括多种第二生物特征数据。针对每个生物特征类别,可以根据该生物特征类别所对应的第一生物特征数据和第二生物特征数据,识别第一样本生物对象和第二样本生物对象的身份是否相同,得到识别结果;可以根据识别结果,确定该生物特征类别对应的第一性能指标。
所述样本生物对象可以为用于确定权重的生物对象。为了统计第一性能指标,可以选定多个样本生物对象,形成样本生物对象集。针对所述样本生物对象集中的每个样本生物对象,可以获取该样本生物对象对应的多种第一样本图像和多种第二样本图像。所述多种第一样本图像可以对应多个生物特征类别。所述多种第二样本图像可以对应多个生物特征类别。所述第一样本图像和所述第二样本图像是在不同的时间拍摄得到的。针对所述样本生物对象集中的每个样本生物对象,可以从该样本生物对象的多种第一样本图像中提取多种第一生物特征数据,形成第一数据集;可以从该样本生物对象的多种第二样本图像中提取多种第二生物特征数据,形成第二数据集。这样,所述样本生物对象集中的每个样本生物对象可以对应有第一数据集和第二数据集。所述第一数据集可以包括多种第一生物特征数据。所述第二数据集可以包括多种第二生物特征数据。所述多种第一生物特征数据可以对应多个生物特征类别。、所述多种第二生物特征数据可以对应多个生物特征类别。
可以从样本生物对象集中选择一个或多个样本生物对象,作为第一样本生物对象。可以从样本生物对象集中选择一个或多个样本生物对象,作为第二样本生物对象。第一样本生物对象和第二样本生物对象可以相同或不同。根据第一样本生物对象的第一数据集和第二样本生物对象的第二数据集,可以将生物特征类别所对应的第一生物特征数据和第二生物特征数据进行比较,以识别第一样本生物对象和第二样本生物对象的身份是否相同,得到该生物特征类别所对应的识别结果。其中,每个第一样本生物对象的第一生物特征数据可以与一个或多个第二样本生物对象的第二生物特征数据进行比较。使得,针对每个生物特征类别,可以获得多个识别结果;根据多个识别结果,可以统计该生物特征类别对应的第一性能指标。
可以直接将生物特征类别对应的第一性能指标,作为该生物特征类别对应的权重。或者,还可以对多个生物特征类别对应的第一性能指标进行归一化,得到所述多个生物特征类别对应的权重。例如,可以将多个生物特征类别对应的第一性能指标归一化到数值区间[0,1]。
在一些实施例中,针对每个生物特征类别,可以统计得到多个第一性能指标;可以将多个第一性能指标进行融合,得到该生物特征类别所对应的融合后的第一性能标。例如,可以从多个第一性能指标中选择一个第一性能指标,作为融合后的第一性能标。或者,还可以对多个第一性能指标进行诸如相加、相减、相乘、或者相除等运算,得到融合后的第一性能标。可以根据融合后的第一性能指标,确定多个生物特征类别对应的权重。
延续前面的场景示例,针对每个生物特征类别,可以获得多个识别结果;可以根据多个识别结果,统计该生物特征类别对应的第一性能指标。其中,所述识别结果可以包括第一类型识别结果和第二类型识别结果。所述第一类型识别结果用于表示第一样本生物对象和第二样本生物对象的身份相同。所述第二类型识别结果用于表示第一样本生物对象和第二样本生物对象的身份不同。可以根据多个第一类型识别结果,统计生物特征类别对应的一个第一性能指标;可以根据多个第二类型识别结果,统计生物特征类别对应的另一个第一性能指标。
在一些实施例中,可以在所述多个生物特征类别对应的第二性能指标相同的条件下,确定所述多个生物特征类别对应的第一性能指标。这样可以在同一条件下确定多个生物特征类别对应的第一性能指标,使第一性能指标的确定过程更加客观公正。所述第二性能指标可以包括准确率、召回率、F1分数等。所述第二性能指标和所述第一性能指标可以不同。
延续前面的场景示例,可以将生物特征类别所对应的第一生物特征数据和第二生物特征数据进行比较,以识别第一样本生物对象和第二样本生物对象的身份是否相同,得到该生物特征类别所对应的识别结果。其中,对于每个生物特征类别,可以设定相应的阈值。可以计算每个生物特征类别所对应的第一生物特征数据和第二生物特征数据的相似度;可以将相似度与该生物特征类别所对应的阈值进行比较。若相似度大于或等于阈值,可以识别第一样本生物对象和第二样本生物对象的身份相同。若相似度小于阈值,可以识别第一样本生物对象和第二样本生物对象的身份不同。针对每个生物特征类别,可以获得多个识别结果;可以根据多个识别结果,统计该生物特征类别对应的第二性能指标。可以调整各生物特征类别对应的阈值,以使各生物特征类别对应的第二性能指标相同。在各生物特征类别对应的第二性能指标相同的条件下,针对每个生物特征类别,可以根据该生物特征类别所对应的多个识别结果,统计该生物特征类别对应的第一性能指标。
在一些实施例中,还可以将多种第一图像与多种第二图像进行比较,得到多个第二比较结果;可以将多个第二比较结果和多个第一比较结果进行融合,得到融合后的比较结果。
所述第二图像可以包括生物特征图像。所述第二图像具体可以包括面部图像、鼻纹图像、全身图像、虹膜图像、巩膜图像、指纹图像、掌纹图像、心跳图像、染色体图像、牙齿咬痕图像等。所述多种第二图像可以对应同一生物对象。具体地,所述多种第二图像可以为目标生物对象的图像。或者,所述多种第二图像还可以为参考生物对象的图像。所述多种第二生物特征数据可以根据多种第二图像得到。具体获取第二生物特征数据的过程,在此不再赘述。
所述多种第二图像可以对应多个生物特征类别。可以将每种第二图像与相同类别的第一图像进行比较,从而得到多个第二比较结果。所述相同类别可以指相同的生物特征类别。例如,所述目标生物对象可以包括宠物。所述多种第一图像包括宠物的第一鼻纹图像、第一面部图像、第一全身图像。所述多种第二图像包括宠物的第二鼻纹图像、第二面部图像、第二全身图像。可以将第一鼻纹图像与第二鼻纹图像进行比较;可以将第一面部图像与第二面部图像进行比较;可以将第一全身图像与第二全身图像进行比较;从而得到3个第二比较结果。
可以比较第一图像与第二图像是否相同。所述第二比较结果可以为相同或者不同。或者,还可以计算第一图像与第二图像之间的相似度。所述第二比较结果可以包括相似度。相似度的大小与第一图像和第二图像之间的相似程度呈正相关。具体可以采用哈希值的方法计算图像之间的相似度。例如,可以将图像表示成哈希值,可以计算图像的哈希值之间的距离作为相似度。或者,还可以采用直方图的方法计算图像之间的相似度。例如,可以获取图像的直方图数据,可以计算图像的直方图数据之间的相关性作为相似度。
可以将多个第二比较结果进行融合,得到融合后的第二比较结果;可以将多个第一比较结果进行融合,得到融合后的第一比较结果;可以将融合后的第二比较结果和融合后的第一比较结果进行融合,得到融合后的比较结果。具体可以从多个第二比较结果中选择一个第二比较结果,作为融合后的第二比较结果。或者,也可以对多个第二比较结果进行诸如相加、相减、相乘、或者相除等运算,得到融合后的第二比较结果。或者,还可以将多个第二比较结果进行加权融合,得到融合的后第二比较结果。将多个第一比较结果进行融合的过程,与将多个第一比较结果进行融合的过程,相类似。可以选择融合后的第二比较结果或者融合后的第一比较结果,作为融合后的比较结果。或者,还可以对融合后的第二比较结果和融合后的第一比较结果进行诸如相加、相减、相乘、或者相除等运算,得到融合后的比较结果。或者,还可以将融合后的第二比较结果和融合后的第一比较结果进行加权融合,得到融合后的比较结果。当然,还可以采用其它的方式将将多个第二比较结果和多个第一比较结果进行融合,得到融合后的比较结果。例如,直接将多个第二比较结果和多个第一比较结果进行加权融合。具体地,例如,可以根据公式计算融合后的比较结果。m表示第一比较结果的数量,xi表示第i个第一比较结果,αi表示xi对应的权重,n表示第二比较结果的数量,yj表示第j个第二比较结果,βj表示yj对应的权重,q表示融合后的比较结果。
本说明书实施例的身份识别方法,可以根据目标生物对象的多种第一图像,获取多种第一生物特征数据;可以将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果;可以将多个第一比较结果进行融合,得到融合后的比较结果;可以根据融合后的比较结果,确定目标生物对象的身份识别结果。这样可以通过多种生物特征数据确定目标生物对象的身份识别结果,从而可以提高身份识别的准确性。
以下介绍本说明书的一个具体场景示例。
宠物保险是保障宠物主人利益的一个险种。在宠物生病或发生意外时,可以偿付宠物主人需要支付的费用。在用户为宠物进行投保时,用户可以通过智能手机拍摄宠物的鼻纹图像(以下称为第二鼻纹图像)、面部图像(以下称为第二面部图像)和全身图像(以下称为第二全身图像)。所述智能手机可以向服务器发送第二鼻纹图像、第二面部图像和第二全身图像。所述服务器可以由保险公司设立。所述服务器可以接收第二鼻纹图像、第二面部图像和第二全身图像;可以从第二鼻纹图像中提取鼻纹特征数据(以下称为第二鼻纹特征数据);可以从第二面部图像中提取面部特征数据(以下称为第二面部特征数据);可以从第二全身图像中提取全身特征数据(以下称为第二全身特征数据);可以将第二鼻纹特征数据、第二面部特征数据和第二全身特征数据与宠物的标识进行对应存储。所述服务器可以预先确定鼻纹、面部、全身等生物特征类别对应的权重。
在用户为宠物理赔时,需要对宠物的身份进行识别。用户可以通过智能手机拍摄宠物的鼻纹图像(以下称为第一鼻纹图像)、面部图像(以下称为第一面部图像)和全身图像(以下称为第一全身图像);可以向服务器发送身份识别请求。所述身份识别请求中可以包括第一鼻纹图像、第一面部图像、第一全身图像和宠物的标识。所述服务器可以接收所述身份识别请求;可以根据标识获取第二鼻纹特征数据、第二面部特征数据和第二全身特征数据。所述服务器还可以从第一鼻纹图像中提取鼻纹特征数据(以下称为第一鼻纹特征数据);可以从第一面部图像中提取面部特征数据(以下称为第一面部特征数据);可以从第一全身图像中提取全身特征数据(以下称为第一全身特征数据)。所述服务器可以计算第一宠物的鼻纹特征数据与第二宠物的鼻纹特征数据之间的相似度,得到鼻纹相似度;可以计算第一宠物的面部特征数据与第二宠物的面部特征数据之间的相似度,得到面部相似度;可以计算第一宠物的全身特征数据与第二宠物的全身特征数据之间的相似度,得到全身相似度;可以根据鼻纹、面部、全身等生物特征类别对应的权重,将鼻纹相似度、面部相似度和全身相似度进行加权融合,得到融合后的相似度。所述服务器可以将融合后的相似度与阈值进行比对。若融合后的相似度大于或等于阈值,可以确定宠物的身份识别结果为通过,可以为宠物进行理赔。若相似度小于相似度阈值,可以确定宠物的身份识别结果为未通过;可以拒绝理赔。
请参阅图3。本说明书实施例提供一种身份识别装置,可以包括以下单元。
获取单元21,用于根据目标生物对象的多种第一图像,获取多种第一生物特征数据;
比较单元23,用于将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象;
融合单元25,用于将多个第一比较结果进行融合,得到融合后的比较结果;
确定单元27,用于根据融合后的比较结果,确定目标生物对象的身份识别结果。
下面介绍本说明书计算机设备的一个实施例。图4是该实施例中计算机设备的硬件结构示意图。如图4所示,该计算机设备可以包括一个或多个(图中仅示出一个)处理器、存储器和传输模块。当然,本领域普通技术人员可以理解,图4所示的硬件结构仅为示意,其并不对上述计算机设备的硬件结构造成限定。在实际中该计算机设备还可以包括比图4所示更多或者更少的组件单元;或者,具有与图4所示不同的配置。
所述存储器可以包括高速随机存储器;或者,还可以包括非易失性存储器,例如一个或者多个磁性存储装置、闪存或者其他非易失性固态存储器。当然,所述存储器还可以包括远程设置的网络存储器。所述存储器可以用于存储应用软件的程序指令或模块,例如本说明书图1所对应实施例的程序指令或模块。
所述处理器可以按任何适当的方式实现。例如,所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以读取并执行所述存储器中的程序指令或模块。
所述传输模块可以用于经由网络进行数据传输,例如经由诸如互联网、企业内部网、局域网、移动通信网等网络进行数据传输。
本说明书还提供计算机存储介质的一个实施例。所述计算机存储介质包括但不限于随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard Disk Drive,HDD)、存储卡(Memory Card)等等。所述计算机存储介质存储有计算机程序指令。在所述计算机程序指令被执行时实现:本说明书图1所对应实施例的程序指令或模块。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。计算机可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。另外,可以理解的是,本领域技术人员在阅读本说明书文件之后,可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合,这些组合也在本说明书公开和保护的范围内。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (11)
1.一种身份识别方法,包括:
根据目标生物对象的多种第一图像,获取多种第一生物特征数据;
将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象;
将多个第一比较结果进行融合,得到融合后的比较结果;
根据融合后的比较结果,确定目标生物对象的身份识别结果。
2.根据权利要求1所述的方法,所述获取多种第一生物特征数据,包括:
获取第一图像中的关键点;
利用关键点对第一图像进行对齐;
根据对齐后的第一图像,获取第一生物特征数据。
3.根据权利要求1所述的方法,所述多种第一生物特征数据和所述多种第二生物特征数据分别对应多个生物特征类别,所述生物特征类别对应有权重;
所述将多种第一生物特征数据与多种第二生物特征数据进行比较,包括:
将每种第一生物特征数据与相同类别的第二生物特征数据进行比较;
所述将多个第一比较结果进行融合,包括:
根据生物特征类别对应的权重,将多个第一比较结果进行加权融合。
4.根据权利要求3所述的方法,所述权重通过以下方式获得:
确定多个生物特征类别对应的第一性能指标;
根据第一性能指标,确定多个生物特征类别对应的权重。
5.根据权利要求4所述的方法,所述确定多个生物特征类别对应的第一性能指标,包括:
获取第一样本生物对象的第一数据集和第二样本生物对象的第二数据集,所述第一数据集包括多种第一生物特征数据,所述第二数据集包括多种第二生物特征数据,所述多种第一生物特征数据和所述多种第二生物特征数据分别对应多个生物特征类别;
根据每个生物特征类别所对应的第一生物特征数据和第二生物特征数据,识别第一样本生物对象和第二样本生物对象的身份是否相同,得到该生物特征类别所对应的识别结果;
根据识别结果,确定生物特征类别对应的第一性能指标。
6.根据权利要求4所述的方法,所述确定多个生物特征类别对应的第一性能指标,包括:
在多个生物特征类别对应的第二性能指标相同的条件下,确定所述多个生物特征类别对应的第一性能指标,所述第二性能指标包括召回率,所述第一性能指标包括准确率。
7.根据权利要求1所述的方法,所述将多个第一比较结果进行融合,包括:
将多种第一图像与多种第二图像进行比较,得到多个第二比较结果,所述多种第二图像对应同一生物对象,所述多种第二生物特征数据根据所述多种第二图像得到;
将多个第二比较结果与多个第一比较结果进行融合,得到融合后的比较结果。
8.根据权利要求1所述的方法,所述第二生物特征数据为目标生物对象的预置生物特征数据,所述第一比较结果包括相似度,所述融合后的比较结果包括融合后的相似度;
所述确定目标生物对象的身份识别结果,包括:
若融合后的相似度大于或等于阈值,确定目标生物对象的身份识别结果为通过;
或者,若融合后的相似度小于阈值,确定目标生物对象的身份识别结果为未通过。
9.根据权利要求1所述的方法,所述第二生物特征数据为参考生物对象的生物特征数据,所述第一比较结果包括相似度,所述融合后的比较结果包括融合后的相似度;
所述确定目标生物对象的身份识别结果,包括:
若融合后的相似度大于或等于阈值,确定目标生物对象与参考生物对象的身份相同;
或者,若融合后的相似度小于阈值,确定目标生物对象与参考生物对象的身份不同。
10.一种身份识别装置,包括:
获取单元,用于根据目标生物对象的多种第一图像,获取多种第一生物特征数据;
比较单元,用于将多种第一生物特征数据与多种第二生物特征数据进行比较,得到多个第一比较结果,所述多种第二生物特征数据对应同一生物对象;
融合单元,用于将多个第一比较结果进行融合,得到融合后的比较结果;
确定单元,用于根据融合后的比较结果,确定目标生物对象的身份识别结果。
11.一种计算机设备,包括:
至少一个处理器;
存储有程序指令的存储器,其中,所述程序指令被配置为适于由所述至少一个处理器执行,所述程序指令包括用于执行如权利要求1-9中任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875441.0A CN115359575A (zh) | 2022-07-25 | 2022-07-25 | 身份识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875441.0A CN115359575A (zh) | 2022-07-25 | 2022-07-25 | 身份识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115359575A true CN115359575A (zh) | 2022-11-18 |
Family
ID=84031221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210875441.0A Pending CN115359575A (zh) | 2022-07-25 | 2022-07-25 | 身份识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359575A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152529A (zh) * | 2023-04-20 | 2023-05-23 | 吉林省信息技术研究所 | 一种用于保障信息安全的权限识别系统 |
-
2022
- 2022-07-25 CN CN202210875441.0A patent/CN115359575A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152529A (zh) * | 2023-04-20 | 2023-05-23 | 吉林省信息技术研究所 | 一种用于保障信息安全的权限识别系统 |
CN116152529B (zh) * | 2023-04-20 | 2023-07-07 | 吉林省信息技术研究所 | 一种用于保障信息安全的权限识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284675B (zh) | 一种用户的识别方法、装置及设备 | |
US11126827B2 (en) | Method and system for image identification | |
US9792484B2 (en) | Biometric information registration apparatus and biometric information registration method | |
CN112434556A (zh) | 宠物鼻纹识别方法、装置、计算机设备及存储介质 | |
CN113706502B (zh) | 一种人脸图像质量评估方法及装置 | |
CN111985360A (zh) | 一种人脸识别的方法、装置、设备和介质 | |
CN111783126B (zh) | 一种隐私数据识别方法、装置、设备和可读介质 | |
EP3371739A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
CN110956149A (zh) | 宠物身份核验方法、装置、设备及计算机可读存储介质 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN115359575A (zh) | 身份识别方法、装置和计算机设备 | |
CN116311370A (zh) | 一种基于多角度特征的牛脸识别方法及其相关设备 | |
CN114519401A (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
CN112364846A (zh) | 一种人脸活体识别方法、装置、终端设备及存储介质 | |
CN112084915A (zh) | 模型训练方法、活体检测方法、装置和电子设备 | |
WO2020244076A1 (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 | |
CN113902030A (zh) | 行为的识别方法、装置、终端设备及存储介质 | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN114913567A (zh) | 口罩佩戴的检测方法、装置、终端设备及可读存储介质 | |
CN113688785A (zh) | 基于多监督的人脸识别方法、装置、计算机设备及存储介质 | |
CN112270257A (zh) | 一种运动轨迹确定方法、装置及计算机可读存储介质 | |
CN113837006B (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN115359385A (zh) | 视频数据处理方法、装置和计算机设备 |
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 |