CN115496496A - 虚拟资源账户的处理方法及装置 - Google Patents
虚拟资源账户的处理方法及装置 Download PDFInfo
- Publication number
- CN115496496A CN115496496A CN202211193314.9A CN202211193314A CN115496496A CN 115496496 A CN115496496 A CN 115496496A CN 202211193314 A CN202211193314 A CN 202211193314A CN 115496496 A CN115496496 A CN 115496496A
- Authority
- CN
- China
- Prior art keywords
- feature
- similarity
- image
- user
- features
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims description 72
- 238000000605 extraction Methods 0.000 claims description 39
- 238000013507 mapping Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 31
- 210000004556 brain Anatomy 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 2
- 230000000241 respiratory effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书实施例提供了虚拟资源账户的处理方法及装置,其中,一种虚拟资源账户的处理方法包括:根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;基于所述特征相似度对所述用户进行身份核验,并在核验通过后采集至少一个模态的模态数据;基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份核验;在二次核验通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
Description
技术领域
本文件涉及虚拟化技术领域,尤其涉及一种虚拟资源账户的处理方法及装置。
背景技术
随着互联网技术的不断发展,虚拟世界逐渐成为学术界和工业界的热门话题。虚拟世界是对真实世界的模拟,在虚拟世界场景中,用户可通过特定的身份标识登录三维虚拟世界,在虚拟世界中从事与真实世界类似的各种行为活动,甚至在虚拟世界中从事在真实世界中无法进行的行为活动,在虚拟世界场景中,用户通常利用各自的用户角色进行活动。
发明内容
本说明书一个或多个实施例提供了一种虚拟资源账户的处理方法,包括:根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度。基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据。基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证。在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
本说明书一个或多个实施例提供了一种虚拟资源账户的处理装置,包括:相似度获取模块,被配置为根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度。身份认证模块,被配置为基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据。二次身份认证模块,被配置为基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证。账户创建模块,被配置为在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
本说明书一个或多个实施例提供了一种虚拟资源账户的处理设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度。基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据。基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证。在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度。基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据。基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证。在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
附图说明
为了更清楚地说明本说明书一个或多个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为本说明书一个或多个实施例提供的一种虚拟资源账户的处理方法处理流程图;
图2为本说明书一个或多个实施例提供的一种应用于账户申请场景的虚拟资源账户的处理方法处理流程图;
图3为本说明书一个或多个实施例提供的一种虚拟资源账户的处理装置示意图;
图4为本说明书一个或多个实施例提供的一种虚拟资源账户的处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
本说明书提供的一种虚拟资源账户的处理方法实施例:
本实施例提供的虚拟资源账户的处理方法,根据用户的多模态特征与基准多模态特征的特征相似度对用户进行身份认证,以此通过身份认证确保账户申请过程的安全性,避免其他用户利用该用户的名义进行账户申请,导致该用户的数据隐私遭到损害,在认证通过后,进一步根据采集的至少一个模态的模态数据,对用户进行二次身份认证,在二次认证通过后创建用户的虚拟资源账户,在上述身份认证的基础上,进一步通过二次身份认证提高对账户申请过程进行把关的深度,以此,基于两方面的数据对用户进行身份认证,提升身份认证所需数据的全面性,有助于提升身份认证结果的有效性和精确度,进一步提升账户创建的安全性和虚拟资源账户的有效性。
参照图1,本实施例提供的虚拟资源账户的处理方法,具体包括步骤S102至步骤S108。
步骤S102,根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度。
本实施例所述虚拟世界,是指基于去中心化协作实现并且具有开放经济系统的虚拟的拟真世界。具体的,真实世界中的用户可通过接入设备接入虚拟世界,以在虚拟世界中进行行为活动,比如用户通过接入设备进行游戏交互的游戏虚拟世界,再比如用户通过接入设备进行在线会议的会议虚拟世界;所述虚拟世界的接入设备,可以是连接虚拟世界的VR(Virtual Reality,虚拟现实)设备、AR(Augmented Reality,增强现实)设备等,比如连接虚拟世界的头戴式VR设备。
本实施例中,模态包括信号模态和/或图像模态,此外,模态也可包括其他类型的数据模态,比如语音模态,多模态数据由至少一个模态的数据组成,比如多模态数据包括关键生理信号和/或关键生物特征图像,此外,多模态数据还可包括关键语音数据,所述多模态特征,包括从多模态数据中提取的特征,在多模态数据包括关键语音数据的情况下,从多模态数据中提取的特征即为声纹特征,即多模态特征可包括声纹特征;所述基准多模态特征是指用于与多模态特征进行比对的比对基准或者比对依据,所述基准多模态特征可预先存储,所述基准多模态特征包括基准信号特征、基准图像特征和/或基准声纹特征。
具体实施时,用户在访问虚拟世界的过程中,可提交账户申请请求,即在虚拟世界中申请虚拟资源账户的账户申请请求,在接收到用户提交的账户申请请求之后,可获取用户的多模态特征与存储的基准多模态特征的特征相似度,具体的,可获取用户的信号特征与基准信号特征的第一相似度,可选的,信号特征通过对关键生理信号进行特征提取获得;和/或,获取用户的图像特征与基准图像特征的第二相似度,可选的,图像特征通过对关键生物特征图像进行特征编码获得,和/或,获取用户的声纹特征与基准声纹特征的第三相似度;可选的,声纹特征通过对关键语音数据进行特征提取获得,所述关键语音数据,在对调用虚拟世界的接入设备采集的用户的语音数据进行去噪处理后获得或者对该语音数据进行滤波后获得,此外,关键语音数据还可在对该语音数据进行预处理后获得,可选的,预处理包括去噪处理或者滤波处理;可选的,所述语音数据,通过虚拟世界的接入设备集成或者配置的语音传感器进行采集。
需要说明的是,用户的多模态特征与基准多模态特征的特征相似度可预先计算获得,在接收到账户申请请求之后,根据账户申请请求获取该特征相似度,以此通过预先计算特征相似度节省身份认证的时间,提升身份认证的认证效率。
实际应用中,多模态特征可以是关键生理信号的信号特征,也可以是关键生物特征图像的图像特征,此外,多模态特征还可以是其他模态的特征,比如语音模态的声纹特征,即关键语音数据的声纹特征,针对于此,本实施例提供下述三种计算特征相似度的可选实现方式。
(1)实现方式一
本实施例提供的一种可选实施方式中,所述多模态特征包括关键生理信号的信号特征;
相应的,为了对特征相似度的计算效率提供支持,可引入特征提取器进行关键生理信号的特征提取,具体所述多模态特征包括关键生理信号的信号特征;
相应的,所述特征相似度,通过如下方式计算获得:
将所述关键生理信号输入特征提取网络进行特征提取,获得所述关键生理信号的信号特征;
计算所述信号特征和基准信号特征的相似度作为所述特征相似度。
为了提升计算特征相似度所需的生理信号的精确度,进一步提升特征相似度的精确度和有效性,可选的,所述关键生理信号,在对调用所述虚拟世界的接入设备采集的所述用户的生理信号进行去噪处理后获得或者对所述生理信号进行滤波后获得,此外,所述关键生理信号还可对采集的生理信号进行预处理后获得,所述预处理包括去噪处理或者滤波处理;其中,所述生理信号,包括下述至少一项:脑电信号、呼吸信号、心率、血压。
所述生理信号,是指通过信号传感器采集的用户进行生理活动时的电信号,比如脑电信号是指通过脑电波传感器采集的用户的大脑活动时的电信号;可选的,在用户访问虚拟世界的场景中,所述生理信号通过虚拟世界的接入设备集成或者配置的信号传感器进行采集,比如通过接入设备配置的脑电波传感器采集用户的脑电信号。
所述去噪处理包括滤除所述生理信号中的噪声,所述去噪处理具体可采用中值滤波法进行。所述关键生理信号是指对所述生理信号进行去噪处理获得的信号,即滤除所述生理信号中的噪声后获得的信号。所述基准信号特征包括用于与信号特征进行特征比对的比对基准或者比对依据,比如用于与信号特征进行特征相似度或者特征相似性比对的比对基准或者比对依据。
此外,上述实现方式一中的特征相似度的计算方式可被替换为:根据从所述关键生理信号中提取的信号特征与基准信号特征,确定或者计算所述信号特征与基准信号特征的相似度作为所述特征相似度;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,将从关键生理信号中提取的信号特征与基准信号特征输入相似度计算模型进行相似度计算,获得所述信号特征与所述基准信号特征的相似度作为所述特征相似度;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,按照预设时间间隔将关键生理信号输入特征提取网络进行特征提取,获得信号特征;计算信号特征和基准信号特征的相似度作为特征相似度,比如预设时间间隔为5分钟,则每隔5分钟进行特征提取;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,按照预设时间周期从关键生理信号提取信号特征,并计算该信号特征与基准信号特征的相似度作为特征相似度;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式。
实际应用中,所述特征提取网络的训练可预先完成,比如在云服务器上进行特征提取网络的训练,或者离线进行特征提取网络的训练;在训练特征提取网络的过程中,为了提升训练效率,本实施例提供的一种可选实施方式中,所述特征提取网络,采用如下方式训练:
将生理信号样本对输入待训练的信号特征提取模型中的特征提取器进行特征提取,获得信号特征对;
根据所述信号特征对和映射特征对计算对比损失,并根据所述对比损失对所述特征提取器进行参数调整;
可选的,所述映射特征对通过将所述信号特征对输入特征映射器进行特征映射获得。
可选的,所述生理信号样本对可包括第一样本和第二样本;所述特征映射包括对信号特征对进行特征转换,或者,对信号特征对进行特征空间映射;所述特征空间映射是指将信号特征对映射至目标特征空间。其中,待训练的信号特征提取模型包括特征提取网络(特征提取器)和特征映射网络(特征映射器)。
需要说明的是,所述生理信号样本对,包括持续采集并存储的特定时间段的用户的生理信号构建的样本对,比如持续采集并存储一个或者多个用户的最近5分钟的生理信号,并构建生理信号样本对。
除上述提供的对特征提取器进行训练,在损失函数收敛之后获得特征提取网络(即训练后的特征提取器)的实现方式之外,还可采用下述提供的两种训练方式中的任意一种进行训练获得所述特征提取网络:
将生理信号样本对输入待训练的信号特征提取模型中的特征提取器进行特征提取,获得信号特征对;将所述信号特征对输入所述信号特征提取模型中的特征映射器进行特征映射,获得映射特征对;根据所述信号特征对和所述映射特征对计算对比损失,并根据所述对比损失对所述特征提取器进行参数调整;在此基础上,此处提供的训练方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,将生理信号样本对输入待训练的信号特征提取模型中的特征提取器进行特征提取,获得信号特征对;根据所述信号特征对和所述生理信号样本对的样本标签计算损失值,并根据该损失值对所述特征提取器进行参数调整;在此基础上,此处提供的训练方式可与本实施例提供的其他处理步骤组成新的实现方式。
在上述根据信号特征对和映射特征对计算对比损失的过程中,本实施例提供的一种可选实施方式中,执行如下操作:
根据所述信号特征对中的第一信号特征和所述映射特征对中的第二映射特征计算第一对比损失,以及,根据所述信号特征对中的第二信号特征和所述映射特征对中的第一映射特征计算第二对比损失;
计算所述第一对比损失与所述第二对比损失之和作为所述对比损失;
可选的,所述第一信号特征和所述第一映射特征与第一样本对应,所述第二信号特征和所述第二映射特征与第二样本对应。
参见上述训练方式,重复上述训练过程中对待训练的信号特征提取模型中的特征提取器进行训练,并可借助特征映射器对待训练的信号特征提取模型中的特征提取器进行调参,也可具体采用SGD(Stochastic Gradient Descent,梯度下降法)对特征提取器进行调参,直至损失函数收敛,在损失函数收敛后即完成训练,并将训练获得的特征提取器作为特征提取网络。
例如,在对待训练的信号特征提取模型中的特征提取器进行训练的过程中,生理信号样本对包含的第一样本为A,包含的第二样本为B,构建的损失函数为:
其中,为第一样本A对应的第一信号特征,为第一样本A对应的第一映射特征,为第二样本B对应的第二信号特征,为第二样本B对应的第二映射特征,为第一对比损失或者第一信号特征与第二映射特征的特征相似度或者特征距离(比如欧式距离),为第二对比损失或者第二信号特征与第一映射特征的特征相似度或者特征距离(比如欧式距离),Losskeguan为第一对比损失和第二对比损失之和或者第一特征相似度和第二特征相似度之和,也即为所述对比损失。通过该损失函数,能够计算信号特征对与映射特征对的对比损失。
此外,上述根据信号特征对和映射特征对计算对比损失的过程,可被替换为根据所述信号特征对中的第一信号特征和所述映射特征对中的第二映射特征计算第一特征相似度,以及,根据所述信号特征对中的第二信号特征和所述映射特征对中的第一映射特征计算第二特征相似度;计算所述第一特征相似度与所述第二特征相似度之和作为所述对比损失;其中,所述第一信号特征和所述第一映射特征与第一样本对应,所述第二信号特征和所述第二映射特征与第二样本对应;在此基础上,此处提供的损失计算过程可与本实施例提供的其他处理步骤组成新的实现方式。
(2)实现方式二
本实施例提供的一种可选实施方式中,所述多模态特征包括关键生物特征图像的图像特征;
相应的,为了对特征相似度的计算效率提供支持,可引入特征编码器进行关键生理信号的特征编码,具体所述特征相似度,通过如下方式计算获得:
将所述关键生物特征图像输入特征编码网络进行特征编码,获得所述关键生物特征图像的图像特征;
计算所述图像特征和基准图像特征的相似度作为所述特征相似度。
其中,所述基准图像特征包括用于与图像特征进行特征比对的比对基准或者比对依据,比如用于与图像特征进行特征相似性比对或者特征相似度比对的比对基准或者比对依据;所述特征编码器包括图像特征提取器,相应的,所述进行图像特征编码包括进行图像特征提取。可选的,所述关键生物特征图像,包括对用户的生物特征图像进行图像评估后获得的生物特征图像或者基于图像指标在生物特征图像中筛选获得的生物特征图像;所述图像评估包括计算图像指标,比如图像指标为图像质量评分。
此外,上述实现方式二中的特征相似度的计算方式可被替换为:根据基准图像特征和对关键生物特征图像进行特征编码获得的图像特征,确定或者计算所述图像特征与基准图像特征的相似度作为特征相似度;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,将基准图像特征和对关键生物特征图像进行特征编码获得的图像特征输入相似度计算模型进行相似度计算,获得所述基准图像特征和图像特征的相似度作为特征相似度;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,基于触发事件将关键生物特征图像输入特征编码网络进行特征编码,获得图像特征;计算图像特征和基准图像特征的相似度作为特征相似度,可选的,所述触发事件包括身份认证事件,比如在支付操作时存在身份认证的过程,即存在身份认证事件;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,基于触发事件对关键生物特征图像进行特征编码,并计算编码获得的图像特征和基准图像特征的相似度作为特征相似度;在此基础上,此处提供的计算方式可与本实施例提供的其他处理步骤组成新的实现方式。
与上述特征提取网络类似,所述特征编码网络也可预先训练获得,比如在云服务器上进行特征编码网络的训练,或者离线进行特征编码网络的训练;在训练特征编码网络的过程中,为了提升训练效率,本实施例提供的一种可选实施方式中,所述特征编码网络,采用如下方式训练:
将生物特征图像样本输入待训练的图像特征编码模型中的特征编码器进行特征编码,获得样本图像特征;
根据身份类别概率和所述生物特征图像样本对应的样本标签计算损失值;
根据所述损失值对所述特征编码器进行参数调整;
可选的,所述身份类别概率通过将所述样本图像特征输入概率计算器进行概率计算获得;所述身份类别概率包括表征用户身份的概率,所述身份类别概率包括至少一个概率数目,比如生物特征图像样本的样本标签标记有用户a和用户b,身份类别概率包括该样本图像为用户a的概率以及该样本图像为用户b的概率。其中,待训练的图像特征编码模型包括特征编码网络(特征编码器)和概率计算网络(概率计算器)。
需要说明的是,生物特征图像样本,包括按照预设采集周期采集的用户的生物特征图像并存储特定时间段的生物特征图像,比如每隔30秒采集一个或者多个用户的生物特征图像并存储最近5分钟的生物特征图像,并以此构建生物特征图像样本。
参见上述训练方式,重复上述训练过程中对特征编码器进行训练,并可借助概率计算器对特征编码器进行调参,也可具体采用SGD(Stochastic Gradient Descent,梯度下降法)对特征编码器进行调参,直至损失函数收敛,在损失函数收敛后即完成训练,并将训练获得的特征编码器作为特征编码网络。
例如,在对待训练的图像特征编码模型中的特征编码器进行训练的过程中,构建的损失函数为:
Lossjishi=Softmax(f,y)
其中,f为身份类别概率,y为样本概率,Softmax(f,y)为基于身份类别概率f与样本概率y计算的损失值,利用该损失值进行参数调整,直至损失函数收敛,获得特征编码网络。
除上述提供的对特征编码器进行训练,在损失函数收敛之后获得特征提取网络的实现方式之外,还可采用下述提供的三种训练方式中的任意一种进行训练获得所述特征提取网络:将生物特征图像样本输入待训练的图像特征编码模型中的特征编码器进行特征编码,获得样本图像特征;将所述样本图像特征输入所述图像特征编码模型中的概率计算器进行概率计算,获得身份类别概率;根据身份类别概率和生物特征图像样本对应的样本概率计算损失值,并根据损失值对特征编码器进行参数调整;在此基础上,此处提供的训练方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,将生物特征图像样本输入待训练的图像特征编码模型中的特征编码器进行特征编码,获得样本图像特征;根据身份类别概率和所述生物特征图像样本对应的样本概率计算损失值;根据所述损失值对所述待训练的图像特征编码模型进行参数调整;可选的,所述身份类别概率通过将样本图像特征输入概率计算器进行概率计算获得;在此基础上,此处提供的训练方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,将生物特征图像样本输入待训练的图像特征编码模型中的特征编码器进行特征编码,获得样本图像特征;根据身份分类结果和生物特征图像样本对应的样本标签计算损失值;根据该损失值对特征编码器进行参数调整;可选的,身份分类结果通过将样本图像特征输入分类器进行身份类别分类获得,所述身份分类结果包括身份类别概率,所述样本标签包括样本概率;在此基础上,此处提供的训练方式可与本实施例提供的其他处理步骤组成新的实现方式。
为了提升计算特征相似度所需的生物特征图像的精确度,进一步提升特征相似度的精确度和有效性,可基于图像指标在用户的生物特征图像中筛选生物特征图像作为所述关键生物特征图像,具体的,本实施例提供的一种可选实施方式中,所述关键生物特征图像,通过如下方式获得:
将所述用户的生物特征图像输入指标计算模型进行图像指标计算,获得所述生物特征图像的图像指标;
将图像指标大于指标阈值的生物特征图像作为所述关键生物特征图像。
所述生物特征图像,是指通过图像传感器采集的包含用户的生物特征的图像,所述生物特征图像包括脸部图像和/或眼部图像。可选的,在用户访问虚拟世界的场景中,所述生物特征图像通过虚拟世界的接入设备集成或者配置的图像传感器进行采集;所述图像指标包括图像质量评分。
此外,上述关键生物特征图像的获得方式可被替换为对用户的生物特征图像进行图像评估,基于图像评估结果在所述生物特征图像中筛选生物特征图像作为所述关键生物特征图像;在此基础上,此处提供的关键生物特征图像的获得方式可与本实施例提供的其他处理步骤组成新的实现方式;可选的,所述图像评估包括计算图像指标,所述图像指标包括图像质量评分。
或者,根据用户的生物特征图像计算该生物特征图像的图像指标,基于计算获得的图像指标在该生物特征图像中确定关键生物特征图像;可选的,所述基于计算获得的图像指标在该生物特征图像中确定关键生物特征图像,包括将图像指标大于指标阈值的生物特征图像作为所述关键生物特征图像;在此基础上,此处提供的关键生物特征图像的获得方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,根据用户的生物特征图像计算该生物特征图像的图像指标,基于计算获得的图像指标在该生物特征图像中筛选生物特征图像作为关键生物特征图像;在此基础上,此处提供的关键生物特征图像的获得方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,根据用户的生物特征图像计算该生物特征图像的图像指标,并将图像指标大于指标阈值的生物特征图像作为所述关键生物特征图像;在此基础上,此处提供的关键生物特征图像的获得方式可与本实施例提供的其他处理步骤组成新的实现方式。
(3)实现方式三
为了提升多模态特征的全面性,进一步提升特征相似度的全面性,可同时获取信号特征与基准信号特征的信号相似度和图像特征与基准图像特征的图像相似度作为所述特征相似度。
具体的,所述多模态特征还可包括关键生理信号的信号特征和关键生物特征图像的图像特征;所述多模态特征与存储的基准多模态特征的特征相似度,可通过如下方式计算获得:将关键生理信号输入特征提取网络进行特征提取,获得信号特征,以及,将关键生物特征图像输入特征编码网络进行特征编码,获得图像特征;计算信号特征和基准信号特征的信号相似度,以及,计算图像特征和基准图像特征的图像相似度;将信号相似度和图像相似度作为特征相似度。
需要补充的是,上述步骤S102可被替换为根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征对应的特征指标;可选的,所述特征指标包括所述多模态特征与存储的基准多模态特征的特征相似度,并与本实施例提供的其他处理步骤组成新的实现方式。
步骤S104,基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据。
上述根据用户针对虚拟世界提交的账户申请请求,获取用户的多模态特征与存储的基准多模态特征的特征相似度,本步骤中,根据特征相似度对用户进行身份认证,根据身份核验结果进行对应处理,具体的,若认证通过,采集至少一个模态的模态数据,若认证未通过,向所述用户的接入设备输出认证失败提醒;此外,若认证通过,还可基于上述中的多模态特征更新存储的基准多模态特征,以提升比对基准的精确度。
本实施例所述身份认证是指核验或者校验用户的身份;可选的,所述至少一个模态由图像模态、信号模态和/或语音模态组成,相应的,所述模态数据包括当前生理信号、当前生物特征图像和/或当前语音数据,比如采集用户当前脑电信号或者当前脸部图像。
具体实施时,借助特征相似度对用户进行身份认证,确认用户身份,以此保障账户申请过程的安全性,避免用户申请账户后用于不符合规定的用途,并在认证通过后采集至少一个模态的模态数据,以进行二次身份认证,进一步增强账户申请的安全性,具体可在认证通过后,采集用户的当前生物特征图像、当前生理信号和/或当前语音数据。
实际应用中,由于多模态特征可能不止一者,所以特征相似度也可能不止一者,针对于此,为了提升身份认证的有效性,同时提升身份认证的便捷性,可根据特征相似度大于相似度阈值的相似度数目确定进行身份认证的认证结果,具体的,若相似度数目处于数目取值区间内,确定认证通过;若相似度未处于数目取值区间内,确定认证未通过。本实施例提供的一种可选实施方式中,通过如下方式对用户进行身份认证:
确定特征相似度大于相似度阈值的相似度数目;
判断所述相似度数目是否处于数目取值区间;
若是,确定认证通过;若否,确定认证未通过或者向用户的接入设备输出认证未通过提醒。
此外,上述对用户进行身份认证的实现过程可被替换为:确定特征相似度大于相似度阈值的相似度数目;若相似度数目处于数目取值区间内,确定认证通过,若相似度未处于数目取值区间内,确定认证未通过或者向用户的接入设备输出认证未通过提醒;在此基础上,此处提供的身份认证方式与本实施例提供的其他处理步骤组成新的实现方式。
除此之外,在上述提供的计算特征相似度的实现方式三的基础上,为了提升身份认证的精确度,可分别从信号相似度和图像相似度出发确定认证结果,具体可通过如下方式对用户进行身份认证:确定信号相似度大于信号相似度阈值的第一相似度数目,以及,确定图像相似度大于图像相似度阈值的第二相似度数目;若第一相似度数目处于第一数目取值区间且第二相似度数目处于第二数目取值区间,确定认证通过;其中,第一数目取值区间与第二数目取值区间可以相同,也可以不同。
步骤S106,基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证。
上述借助多模态特征与存储的基准多模态特征的特征相似度对用户进行身份认证,并在认证通过后采集至少一个模态的模态数据,本步骤中,以模态数据的数据特征和基准数据特征,对用户进行二次身份认证,通过二次身份认证来对账户申请进行安全把关,能够进一步提升账户申请的安全性和身份认证的有效性,避免用户借用其他用户名义申请虚拟资源账户,对其他用户的隐私安全造成损害。
本实施例所述数据特征是指从模态数据中提取的特征,比如将模态数据输入特征提取模型进行特征提取获得的数据特征;所述对应模态是指上述采集的模态数据对应的模态,比如采集用户的当前生物特征图像,则对应模态为图像模态。所述基准数据特征是指用于与数据特征进行比对的比对依据或者比对基准,具体的,在对应模态为图像模态的情况下,基准数据特征为基准图像特征,在对应模态为信号模态的情况下,基准数据特征为基准信号特征。
具体实施时,为了保障账户申请过程的安全性,可对用户进行二次身份认证,具体可根据从用户的当前生物特征图像中提取的当前图像特征,计算当前图像特征和基准图像特征的相似度,在相似度满足阈值条件的情况下,确定二次认证通过。本实施例提供的一种可选实施方式中,在基于模态数据的数据特征与基准多模态特征中对应模态的基准数据特征,对用户进行二次身份认证的过程中,执行如下操作:
从所述用户的当前生物特征图像中提取当前图像特征,并计算所述当前图像特征和基准图像特征的相似度;
若所述相似度大于相似度阈值,确定二次认证通过;
若所述相似度小于或者等于相似度阈值,确定二次认证未通过。
此外,上述提供的对用户进行二次身份认证的实现过程,可被替换为根据从用户的当前生理信号中提取的当前信号特征,计算当前信号特征和基准信号特征的相似度;若该相似度大于预设相似度阈值,确定二次认证通过;在此基础上,此处提供的二次身份认证方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,根据从用户的当前语音数据中提取的当前声纹特征,计算当前声纹特征和基准声纹特征的相似度;若该相似度大于预设相似度阈值,确定二次认证通过;在此基础上,此处提供的二次身份认证方式可与本实施例提供的其他处理步骤组成新的实现方式;
或者,为了提升二次身份认证的全面性和精确度,在基于模态数据的数据特征与基准多模态特征中对应模态的基准数据特征,对用户进行二次身份认证的过程中,还可从模态数据中提取数据特征(具体可为当前生物特征图像的当前图像特征、当前生理信号的当前信号特征以及当前语音信息的当前声纹特征三者中的任意两者或者三者),并计算数据特征与基准数据特征(与前述数据特征对应,具体可为基准图像特征、基准信号特征、基准声纹特征三者中的任意两者或者三者)的相似度;若相似度大于相似度阈值,确定二次认证通过;若相似度小于或者等于相似度阈值,确定二次认证未通过,具体的,若是任意两者或者三者,相似度即为两个或者三个,相似度均得大于相似度阈值(该两个或者三个相似度对应的相似度阈值可以相同、也可以不同)确定二次认证通过;在此基础上,此处提供的二次身份认证方式可与本实施例提供的其他处理步骤组成新的实现方式。
步骤S108,在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
上述根据模态数据的数据特征与基准数据特征,对用户进行二次身份认证,本步骤中,根据二次认证结果进行相应处理,具体的,在二次认证通过的情况下,创建用户在虚拟世界中的虚拟资源账户,在二次认证未通过的情况下,向用户的接入设备输出认证未通过提醒或者重新认证消息。此外,在二次认证通过的情况下,还可基于该模态数据的数据特征更新基准多模态特征中对应模态的基准数据特征。
具体实施时,为了提升用户在真实世界的账户的创建的便捷性,本实施例提供的一种可选实施方式中,在二次认证通过后创建用户在虚拟世界中的虚拟资源账户执行之后,还执行如下操作:基于所述虚拟资源账户进行资源创建处理;相应的,所述基于所述虚拟资源账户进行资源创建处理,包括:创建在真实世界中与所述虚拟资源账户映射的资源账户。
其中,所述虚拟资源账户包括用于在虚拟世界中进行资源交易的虚拟资源账户,比如虚拟金融账户或者虚拟记账账户,实际应用中,所述虚拟资源账户中可不存入实际的资金,该账户仅用于体现用户在真实世界的资源账户中资金的额度信息。所述真实世界是指与所述虚拟世界对应的物理世界,即真实存在的物理世界;所述资源账户包括在真实世界与虚拟金融账户具有映射关系的真实金融账户或者实体金融账户。
可选的,所述用户在所述虚拟世界中通过所述虚拟资源账户进行资源交易,在交易完成后基于所述虚拟资源账户的资源数额进行真实世界中的资源账户的资源数额同步;可选的,所述资源数额同步基于所述资源账户与所述虚拟资源账户的映射关系进行。
需要说明的是,步骤S108可被替换为在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户,以基于所述虚拟资源账户进行资源创建处理;可选的,所述基于所述虚拟资源账户进行资源创建处理,包括:创建在真实世界中与所述虚拟资源账户映射的资源账户,并与本实施例提供的其他处理步骤组成新的实现方式。
本实施例提供的虚拟资源账户的处理方法,可应用于服务端,所述服务端,是指为接入虚拟世界的接入设备提供相应服务的服务器或者服务平台,或者,维护虚拟世界运行的服务器或者服务平台。
综上所述,本实施例提供的虚拟资源账户的处理方法,首先在用户针对虚拟世界提交账户申请请求之后,获取用户的信号特征与存储的基准信号特征的第一相似度,以及,获取用户的图像特征与存储的基准图像特征的第二相似度,将第一相似度和第二相似度作为特征相似度;
其次确定特征相似度大于相似度阈值的相似度数目,若相似度数目处于数目取值区间,确定身份认证通过,以通过身份认证确保账户申请过程的安全性,避免其他用户利用该用户的名义进行账户申请,导致该用户的数据隐私遭到损害;进一步采集用户的当前生物特征图像,并基于从当前生物特征图像中提取的当前图像特征与基准图像特征,对用户进行二次身份认证;在上述身份认证的基础上,进一步通过二次身份认证提高对账户申请过程进行把关的深度;
最后在二次认证通过后创建用户在虚拟世界中的虚拟资源账户,以此,基于两方面的数据对用户进行身份认证,提升身份认证所需数据的全面性,有助于提升身份认证结果的有效性和精确度,进一步提升账户创建的安全性和虚拟资源账户的有效性。
下述以本实施例提供的一种虚拟资源账户的处理方法在账户申请场景的应用为例,对本实施例提供的虚拟资源账户的处理方法进行进一步说明,参见图2,应用于账户申请场景的虚拟资源账户的处理方法,具体包括如下步骤。
步骤S202,根据用户针对虚拟世界提交的账户申请请求,获取用户的关键生理信号的信号特征与存储的基准信号特征的第一相似度,以及,关键生物特征图像的图像特征与存储的基准图像特征的第二相似度。
步骤S204,将第一相似度和第二相似度作为特征相似度,并确定特征相似度大于相似度阈值的相似度数目。
步骤S206,若相似度数目处于数目取值区间,确定对用户进行身份认证的认证结果为认证通过。
步骤S208,调用虚拟世界的接入设备采集用户的当前生物特征图像。
步骤S210,从当前生物特征图像中提取当前图像特征,并计算当前图像特征和基准图像特征的相似度。
步骤S212,若该相似度大于当前相似度阈值,确定对用户进行二次身份认证的认证结果为二次认证通过。
步骤S214,创建用户在虚拟世界中的虚拟资源账户,以创建在真实世界中与虚拟资源账户映射的资源账户。
上述步骤S202至步骤S204可被替换为:根据用户针对虚拟世界提交的账户申请请求,获取用户的关键语音数据的声纹特征与存储的基准声纹特征的特征相似度;确定该特征相似度大于相似度阈值的相似度数目,并与本实施例提供的其他处理步骤组成新的实现方式;
或者,根据用户针对虚拟世界提交的账户申请请求,获取用户的关键生理信号的信号特征与存储的基准信号特征的第一相似度,以及,关键生物特征图像的图像特征与存储的基准图像特征的第二相似度,以及,关键语音数据的声纹特征与存储的基准声纹特征的第三相似度;将第一相似度、第二相似度和第三相似度作为特征相似度,并确定该特征相似度大于相似度阈值的相似度数目,并与本实施例提供的其他处理步骤组成新的实现方式。
上述步骤S208至步骤S210可被替换为:调用虚拟世界的接入设备采集用户的当前生理信号;从当前生理信号中提取当前信号特征,并计算当前信号特征和基准信号特征的相似度,并与本实施例提供的其他处理步骤组成新的实现方式;
或者,调用虚拟世界的接入设备采集用户的当前生理信号和当前生物特征图像;从当前生理信号中提取当前信号特征,计算当前信号特征和基准信号特征的信号特征相似度,以及,从当前生物特征图像中提取当前图像特征,计算当前图像特征和基准图像特征的图像特征相似度,将信号特征相似度和图像特征相似度作为步骤S212中的该相似度,并与本实施例提供的其他处理步骤组成新的实现方式;
或者,调用虚拟世界的接入设备采集用户的当前语音数据;从当前语音数据中提取当前声纹特征,并计算当前声纹特征和基准声纹特征的相似度,并与本实施例提供的其他处理步骤组成新的实现方式。
本说明书提供的一种虚拟资源账户的处理装置实施例如下:
在上述的实施例中,提供了一种虚拟资源账户的处理方法,与之相对应的,还提供了一种虚拟资源账户的处理装置,下面结合附图进行说明。
参照图3,其示出了本实施例提供的一种虚拟资源账户的处理装置示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种虚拟资源账户的处理装置,包括:
相似度获取模块302,被配置为根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
身份认证模块304,被配置为基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
二次身份认证模块306,被配置为基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
账户创建模块308,被配置为在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
本说明书提供的一种虚拟资源账户的处理设备实施例如下:
对应上述描述的一种虚拟资源账户的处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种虚拟资源账户的处理设备,该虚拟资源账户的处理设备用于执行上述提供的虚拟资源账户的处理方法,图4为本说明书一个或多个实施例提供的一种虚拟资源账户的处理设备的结构示意图。
本实施例提供的一种虚拟资源账户的处理设备,包括:
如图4所示,虚拟资源账户的处理设备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的处理器401和存储器402,存储器402中可以存储有一个或一个以上存储应用程序或数据。其中,存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括虚拟资源账户的处理设备中的一系列计算机可执行指令。更进一步地,处理器401可以设置为与存储器402通信,在虚拟资源账户的处理设备上执行存储器402中的一系列计算机可执行指令。虚拟资源账户的处理设备还可以包括一个或一个以上电源403,一个或一个以上有线或无线网络接口404,一个或一个以上输入/输出接口405,一个或一个以上键盘406等。
在一个具体的实施例中,虚拟资源账户的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对虚拟资源账户的处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种虚拟资源账户的处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
需要说明的是,本说明书中关于一种存储介质的实施例与本说明书中关于一种虚拟资源账户的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30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。
控制器可以按任何适当的方式实现,例如,控制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 Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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。具体的,计算机例如可以为个人计算机、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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例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的一个或多个实施例,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (14)
1.一种虚拟资源账户的处理方法,包括:
根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
2.根据权利要求1所述的虚拟资源账户的处理方法,所述多模态特征包括关键生理信号的信号特征;
相应的,所述特征相似度,通过如下方式计算获得:
将所述关键生理信号输入特征提取网络进行特征提取,获得所述关键生理信号的信号特征;
计算所述信号特征和基准信号特征的相似度作为所述特征相似度。
3.根据权利要求2所述的虚拟资源账户的处理方法,所述关键生理信号,在对调用所述虚拟世界的接入设备采集的所述用户的生理信号进行去噪处理后获得;
其中,所述生理信号,包括下述至少一项:脑电信号、呼吸信号、心率、血压。
4.根据权利要求2所述的虚拟资源账户的处理方法,所述特征提取网络,采用如下方式训练:
将生理信号样本对输入待训练的信号特征提取模型中的特征提取器进行特征提取,获得信号特征对;
根据所述信号特征对和映射特征对计算对比损失,并根据所述对比损失对所述特征提取器进行参数调整;
其中,所述映射特征对通过将所述信号特征对输入特征映射器进行特征映射获得。
5.根据权利要求4所述的虚拟资源账户的处理方法,所述根据所述信号特征对和映射特征对计算对比损失,包括:
根据所述信号特征对中的第一信号特征和所述映射特征对中的第二映射特征计算第一对比损失,以及,根据所述信号特征对中的第二信号特征和所述映射特征对中的第一映射特征计算第二对比损失;
计算所述第一对比损失与所述第二对比损失之和作为所述对比损失;
其中,所述第一信号特征和所述第一映射特征与第一样本对应,所述第二信号特征和所述第二映射特征与第二样本对应。
6.根据权利要求1所述的虚拟资源账户的处理方法,所述多模态特征包括关键生物特征图像的图像特征;
相应的,所述特征相似度,通过如下方式计算获得:
将所述关键生物特征图像输入特征编码网络进行特征编码,获得所述关键生物特征图像的图像特征;
计算所述图像特征和基准图像特征的相似度作为所述特征相似度。
7.根据权利要求6所述的虚拟资源账户的处理方法,所述关键生物特征图像,通过如下方式获得:
将所述用户的生物特征图像输入指标计算模型进行图像指标计算,获得所述生物特征图像的图像指标;
将图像指标大于指标阈值的生物特征图像作为所述关键生物特征图像。
8.根据权利要求6所述的虚拟资源账户的处理方法,所述特征编码网络,采用如下方式训练:
将生物特征图像样本输入待训练的图像特征编码模型中的特征编码器进行特征编码,获得样本图像特征;
根据身份类别概率和所述生物特征图像样本对应的样本标签计算损失值;
根据所述损失值对所述特征编码器进行参数调整;
其中,所述身份类别概率通过将所述样本图像特征输入概率计算器进行概率计算获得。
9.根据权利要求1所述的虚拟资源账户的处理方法,所述基于所述特征相似度对所述用户进行身份认证,包括:
确定特征相似度大于相似度阈值的相似度数目;
判断所述相似度数目是否处于数目取值区间;
若是,确定认证通过。
10.根据权利要求1所述的虚拟资源账户的处理方法,所述基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证,包括:
从所述用户的当前生物特征图像中提取当前图像特征,并计算所述当前图像特征和基准图像特征的相似度;
若所述相似度大于相似度阈值,确定二次认证通过。
11.根据权利要求1所述的虚拟资源账户的处理方法,还包括:
基于所述虚拟资源账户进行资源创建处理;
相应的,所述基于所述虚拟资源账户进行资源创建处理,包括:
创建在真实世界中与所述虚拟资源账户映射的资源账户。
12.一种虚拟资源账户的处理装置,包括:
相似度获取模块,被配置为根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
身份认证模块,被配置为基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
二次身份认证模块,被配置为基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
账户创建模块,被配置为在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
13.一种虚拟资源账户的处理设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
14.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
根据用户针对虚拟世界提交的账户申请请求,获取所述用户的多模态特征与存储的基准多模态特征的特征相似度;
基于所述特征相似度对所述用户进行身份认证,并在认证通过后采集至少一个模态的模态数据;
基于所述模态数据的数据特征与所述基准多模态特征中对应模态的基准数据特征,对所述用户进行二次身份认证;
在二次认证通过后创建所述用户在所述虚拟世界中的虚拟资源账户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193314.9A CN115496496A (zh) | 2022-09-28 | 2022-09-28 | 虚拟资源账户的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193314.9A CN115496496A (zh) | 2022-09-28 | 2022-09-28 | 虚拟资源账户的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496496A true CN115496496A (zh) | 2022-12-20 |
Family
ID=84472212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211193314.9A Pending CN115496496A (zh) | 2022-09-28 | 2022-09-28 | 虚拟资源账户的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496496A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737885A (zh) * | 2019-10-16 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 豢养物的身份认证方法及装置 |
US20200065822A1 (en) * | 2017-08-30 | 2020-02-27 | Alibaba Group Holding Limited | Resource transfer method, fund payment method, and electronic device |
CN111523103A (zh) * | 2020-05-09 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 用户身份识别方法、装置及电子设备 |
CN112330331A (zh) * | 2020-11-19 | 2021-02-05 | 平安普惠企业管理有限公司 | 基于人脸识别的身份验证方法、装置、设备及存储介质 |
-
2022
- 2022-09-28 CN CN202211193314.9A patent/CN115496496A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065822A1 (en) * | 2017-08-30 | 2020-02-27 | Alibaba Group Holding Limited | Resource transfer method, fund payment method, and electronic device |
CN110737885A (zh) * | 2019-10-16 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 豢养物的身份认证方法及装置 |
CN111523103A (zh) * | 2020-05-09 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 用户身份识别方法、装置及电子设备 |
CN112330331A (zh) * | 2020-11-19 | 2021-02-05 | 平安普惠企业管理有限公司 | 基于人脸识别的身份验证方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102084900B1 (ko) | 사용자 신원 검증 방법, 장치 및 시스템 | |
US10776470B2 (en) | Verifying identity based on facial dynamics | |
TWI725758B (zh) | 操作用戶識別方法、裝置及設備 | |
CN108429619A (zh) | 身份认证方法和系统 | |
Amin et al. | Biometric and traditional mobile authentication techniques: Overviews and open issues | |
US20190138885A1 (en) | Neural response human detector | |
CN112084476A (zh) | 生物识别身份验证方法、客户端、服务器、设备及系统 | |
CN111160251B (zh) | 一种活体识别方法及装置 | |
JP7141518B2 (ja) | 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 | |
JP2017091522A (ja) | 認証方法、認証装置及び学習方法 | |
KR102161476B1 (ko) | 딥 러닝 기반의 사용자 몸을 이용한 신원 인식 장치 및 방법 | |
CN116152938A (zh) | 身份识别模型训练和电子资源转移方法、装置及设备 | |
CN113177795A (zh) | 一种身份识别方法、装置、设备及介质 | |
Senarath et al. | BehaveFormer: A Framework with Spatio-Temporal Dual Attention Transformers for IMU-enhanced Keystroke Dynamics | |
CN115496496A (zh) | 虚拟资源账户的处理方法及装置 | |
Ezz et al. | Challenge-response emotion authentication algorithm using modified horizontal deep learning | |
CN115358777A (zh) | 虚拟世界的广告投放处理方法及装置 | |
CN113011891B (zh) | 应用于关联支付的核身处理方法及装置 | |
CN115810073A (zh) | 虚拟形象生成方法及装置 | |
CN115906028A (zh) | 用户身份验证方法、装置和自助服务终端 | |
US9674185B2 (en) | Authentication using individual's inherent expression as secondary signature | |
CN113987447A (zh) | 基于隐私保护的身份认证方法、装置及设备 | |
CN114332905A (zh) | 生物特征多模态融合识别方法、装置、存储介质及设备 | |
CN110851808A (zh) | 身份认证方法、装置、电子设备及计算机可读存储介质 | |
CN111784352A (zh) | 认证风险识别方法、装置和电子设备 |
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 |