CN115497146B - 模型的训练方法和装置、身份验证方法和装置 - Google Patents
模型的训练方法和装置、身份验证方法和装置 Download PDFInfo
- Publication number
- CN115497146B CN115497146B CN202211272255.4A CN202211272255A CN115497146B CN 115497146 B CN115497146 B CN 115497146B CN 202211272255 A CN202211272255 A CN 202211272255A CN 115497146 B CN115497146 B CN 115497146B
- Authority
- CN
- China
- Prior art keywords
- user
- model
- identity verification
- data
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书实施例提供了身份验证模型的训练方法和装置、用户身份验证的方法和装置。在训练身份验证模型时,从一个维度获取用户的人脸图像样本数据;从至少另一个维度上获取所述用户的关联特征样本数据;其中,关联特征是与所述用户的刷脸行为相关联的特征;利用所述人脸图像样本数据以及所述关联特征样本数据,训练身份验证模型。本说明书实施例能够提高用户身份验证的准确率。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术,尤其涉及身份验证模型的训练方法和装置以及身份验证的方法和装置。
背景技术
在人机交互中,越来越多的场景应用到人脸识别技术来进行用户的身份验证。在人脸识别技术中,首先需要训练人脸识别模型,在进行验证时,人脸识别模型对采集到的人脸图像进行验证,如果验证成功,则用户的身份验证成功,从而用户可以进行后续的业务,比如进行付款处理或者允许通过门禁等,如果验证失败,则用户的身份验证失败,禁止用户进行后续的业务。
可见,人脸识别模型的识别准确率对于用户的身份验证至关重要。如何提供一种识别准确率更高的人脸识别模型则成为了目前一个亟待解决的问题。
发明内容
本说明书一个或多个实施例描述了身份验证模型的训练方法和装置以及身份验证的方法和装置,能够提高用户身份验证的准确率。
根据第一方面,提出了身份验证模型的训练方法,其中,该方法包括:
获取用户的人脸图像样本数据;
获取所述用户的关联特征样本数据;其中,关联特征是与所述用户的刷脸行为相关联的特征;
利用所述人脸图像样本数据以及所述关联特征样本数据,训练所述身份验证模型。
其中,所述身份验证模型包括如下中的至少一种:活体检测子模型、图像融合子模型、图像PS检测子模型;
所述利用所述人脸图像样本数据训练所述身份验证模型,包括:
当所述身份验证模型包括活体检测子模型时,所述人脸图像样本数据的标签包括:真脸、假脸;相应地,将所述人脸图像样本数据输入所述活体检测子模型中,得到该活体检测子模型输出的第一分值;
当所述身份验证模型包括图像融合子模型时,所述人脸图像样本数据的标签包括:单一人脸、被融合的多个人脸;相应地,将所述人脸图像样本数据输入所述图像融合子模型中,得到该图像融合子模型输出的第二分值;
当所述身份验证模型包括图像PS检测子模型时,所述人脸图像样本数据的标签包括:真实人脸、PS人脸;相应地,将所述人脸图像样本数据输入所述图像PS检测子模型中,得到该图像PS检测子模型输出的第三分值;以及
将得到的各个分值作为特征,将人脸图像样本数据是否异常作为类别进行二分类模型训练。
其中,所述关联特征包括:用户行为特征和/或设备使用特征。
其中,所述用户行为特征包括如下中的至少一项:
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果;
和/或,
所述设备使用特征包括如下中的至少一项:
用户进行人脸识别时使用的设备的标识;
用户进行人脸识别时使用的局域网的网络标识;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据。
其中,该方法进一步包括:
利用训练出的身份验证模型对待识别用户的人脸图像和/或待识别用户的关联特征进行识别,并对该待识别用户的人脸图像和/或待识别用户的关联特征进行人工识别;如果人工识别的结果与身份验证模型的识别结果不同,则利用该待识别用户的人脸图像和/或待识别用户的关联特征作为反馈样本数据,其中,人工识别的结果作为该反馈样本数据的标签,并利用反馈样本数据继续训练所述身份验证模型。
其中,使用I个维度的样本数据训练所述身份验证模型;I为不小于2的正整数;其中,人脸图像样本数据为一个维度的样本数据,关联特征样本数据包括至少一个维度的样本数据;
所述利用所述人脸图像样本数据以及所述关联特征样本数据训练所述身份验证模型,包括:
利用该目标函数对所述身份验证模型进行训练;
其中,i为变量,yi为第i个维度的模型函数;wi为第i个维度的权重值。
其中,该方法进一步包括:
针对N个待识别数据中的每一个待识别数据均执行:利用训练出的身份验证模型从I个维度对该待识别数据分别进行识别,得到每一个维度的第一模型识别结果;从I个维度对该待识别数据分别进行人工识别,得到每一个维度的第一人工识别结果;利用训练出的身份验证模型从I个维度综合得到该待识别数据的第二模型识别结果;以及对该待识别数据进行综合人工识别,得到该待识别数据的第二人工识别结果;其中,N为大于1的正整数;每个待识别数据中包括待识别用户的人脸图像以及待识别用户的关联特征;
针对所述N个待识别数据在I个维度中的每一个维度i,统计各个第一模型识别结果符合对应的第一人工识别结果的第一数量以及统计各个第一模型识别结果不符合对应的第一人工识别结果的第二数量;
针对所述N个待识别数据,统计各个第二模型识别结果符合对应的第二人工识别结果的第三数量以及统计各个第二模型识别结果不符合对应的第二人工识别结果的第四数量;
针对第i个维度的权重值wi,利用在该第i个维度上的所述第一数量、在该第i个维度上的所述第二数量、第三数量以及第四数量对第i个维度的权重值wi进行更新。
根据第二方面,提出了身份验证方法,其中包括:
接收待识别用户的人脸图像;
获取所述待识别用户的关联特征;
将接收到的待识别用户的人脸图像以及获取的待识别用户的关联特征输入预先训练的身份验证模型中;其中,身份验证模型利用权利要求1至7中任一所述的方法训练得到;
得到身份验证模型输出的身份验证结果。
根据第三方面,提出了身份验证模型的训练装置,该装置包括:
图像样本获取模块,配置为获取用户的人脸图像样本数据;
关联特征样本获取模块,配置为获取用户的关联特征样本数据;其中,关联特征是与用户的刷脸行为相关联的特征;
训练执行模块,配置为利用所述人脸图像样本数据以及所述关联特征样本数据,训练身份验证模型。
根据第四方面,提出了身份验证装置,该装置包括:
第一获取模块,配置为接收待识别用户的人脸图像;
第二获取模块,配置为获取所述待识别用户的关联特征;
输入模块,配置为将待识别用户的人脸图像以及待识别用户的关联特征输入预先训练的身份验证模型中;其中,身份验证模型由权利要求9所述的身份验证模型的训练装置训练得到;
结果获取模块,得到身份验证模型输出的身份验证结果。
根据第五方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现本说明书任一实施例所述的方法。
根据本说明书至少一个实施例提供的身份验证模型的训练方法及装置、用户身份验证的方法和装置,能够达到如下有益效果:
1、在训练身份验证模型时,不仅利用人脸图像这种图像维度的特征来训练身份验证模型,而且还利用与用户的刷脸行为相关联的特征即其他维度的特征来训练身份验证模型,从而能够从更多维度来训练身份验证模型,使得训练出的身份验证模型的性能更优,后续能够从多个维度进行用户身份的验证,从而提高了用户身份验证的准确性。
2、可以使用用户的行为特征或者设备使用特征来作为关联特征一起训练身份验证模型,这些关联特征确实都是与用户身份有关联的特征;后续用户身份验证时,也可以基于此种关联特征综合判断用户身份,从而使得身份验证过程参考的信息量更多,验证的结果更为准确。
3、在初步训练出身份验证模型后,可以对身份验证模型在实际业务中的识别结果进行人工修正,并利用人工修正的结果反馈给身份验证模型继续训练,从而形成一个闭环的反馈,进一步提高了模型的性能。
4、可以根据身份验证模型在每一个维度上对待识别数据的识别正确性、识别错误性,以及身份验证模型在所有维度上综合得出的识别正确性及识别错误性,对每一个维度的模型函数的权重值进行调整,从而使得身份验证模型的目标函数更加符合实际业务要求,训练出的身份验证模型的性能更优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例中身份验证模型的训练方法的流程图。
图2是本说明书一个实施例中调整每一个维度的权重值的流程图。
图3是本说明书一个实施例中用户身份验证方法的流程图。
图4是本说明书一个实施例中身份验证模型的训练装置的结构示意图。
图5是本说明书一个实施例中用户身份验证装置的结构示意图。
具体实施方式
如前所述,人脸识别模型的识别准确率对于用户的身份验证至关重要,因此需要识别准确率更高的人脸识别模型。在现有技术中,通常都是采用人脸图像对人脸识别模型进行训练。然而,仅仅采用人脸图像训练人脸识别模型,后续仅仅采用人脸图像进行用户身份验证,维度单一,训练出的人脸识别模型效果不够理想,用户身份验证准确性不高。
举例说明,在业务预测过程中,当用户在进行人脸图像的采集过程中,如果存在姿势角度比较大、表情姿态不太正常、光线过暗或过亮以及外貌特征形态的改变等问题,往往会导致拍摄出的人脸图像出现偏差,而因为在模型训练阶段,并未从这些维度进行训练,因此会导致人脸识别出错,降低用户的人脸识别的成功率。也就是说,虽然用户是合法用户,但是仅仅依靠人脸图像进行识别,仍然大概率会导致用户的身份验证失败。
对用户身份验证的过程进行分析可知,用户在进行人脸识别的过程中,仅依靠人脸图像的识别来表征用户对于提高用户身份验证的成功率是不够的。也就是说,在存在某些原因影响到人脸的采集时,可以考虑增加一些关联行为特征来证明此时进行人脸采集的用户身份,提高人脸识别的准确性。因此,训练的模型不是只从人脸图像维度进行识别的人脸识别模型,而是从人脸图像维度及关联特征维度共同进行识别的身份验证模型。
下面结合附图,对本说明书提供的方案进行描述。
在本说明书实施例中包括对身份验证模型的训练方法,以及利用训练出的身份验证模型进行用户身份验证的方法。
下面首先说明在本说明书实施例对身份验证模型的训练方法。
图1是本说明书一个实施例中身份验证模型的训练方法的流程图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图1,该方法包括:
步骤101:获取用户的人脸图像样本数据。
步骤103:获取该用户的关联特征样本数据;其中,关联特征是与该用户的刷脸行为相关联的特征。
步骤105:利用人脸图像样本数据以及关联特征样本数据,训练身份验证模型。
可见,在上述图1所示过程中,在训练身份验证模型时,不仅利用人脸图像这种图像维度的特征来训练身份验证模型,而且还利用与用户的刷脸行为相关联的特征即其他维度的特征来训练身份验证模型,从而能够从更多维度来训练身份验证模型,使得训练出的身份验证模型的性能更优,后续能够从多个维度进行用户身份的验证,从而提高了用户身份验证的准确性。
下面对图1所示的各个步骤进行说明。
首先在步骤101中,获取用户的人脸图像样本数据。
这里,人脸图像样本数据可以是利用爬虫技术从各种网站获取的人脸图像,也可以是从历史业务数据中获取的人脸图像,并对该人脸图像进行人工标注,从而形成人脸图像样本数据。
可以理解,样本数据的数量通常都是很多的。比如,本步骤101中获取了1万个人脸图像作为样本数据。
在本说明书一个实施例中,身份验证模型包括多个子模型,从而从不同角度验证人脸图像。比如,身份验证模型包括如下中的至少一种:活体检测子模型、图像融合子模型、图像PS检测子模型。其中,活体检测子模型用于进行活体检测,即检测输入的人脸图像是实时拍摄的真人的人脸图像还是比如照片或者视频等假脸。图像融合子模型用于检测图像中是否包括被融合的至少两张脸,比如一张攻击人脸及一张合法用户人脸。图像PS检测子模型用于检测人脸图像是否经过了PS(Photo shop)处理,比如将一张拍摄的非法用户的人脸PS成为合法用户的人脸。
当身份验证模型包括活体检测子模型时,人工标注的人脸图像样本数据的标签包括:真脸、假脸;当身份验证模型包括图像融合子模型时,人工标注的人脸图像样本数据的标签包括:单一人脸、被融合的多个人脸;当身份验证模型包括图像PS检测子模型时,人工标注的人脸图像样本数据的标签包括:真实人脸、PS人脸。
接下来对于步骤103:获取该用户的关联特征样本数据;其中,关联特征是与用户的刷脸行为相关联的特征。
用户的人脸图像能够唯一表征一个用户。而在用户进行人脸识别时,还存在很多其他因素(称之为关联特征)虽然不能唯一表征一个用户,但是也能从一个角度,大概率地体现是否为用户本人。因此,在本步骤103中,获取在用户进行人脸识别时可能会产生的关联特征的样本数据。
本步骤103中,是针对每一张人脸图像样本数据,均获得对应的关联特征样本数据。比如总共有1万个用户的人脸图像样本数据,则获得1万个用户中每一个用户的、与其人脸图像样本数据对应的关联特征样本数据。
关联特征可以包括:用户行为特征和/或设备使用特征。
在本说明书的一个实施例中,用户行为特征包括如下中的至少一项:
用户行为特征1、用户进行人脸识别时的位置信息。
因为同一个用户用于进行各次人脸识别时所处的位置大概率是固定的,比如,用户通常在家里或者公司进行人脸识别,因此,用户进行人脸识别时的位置信息能够作为与用户人脸识别操作所关联的关联特征,从而从一个角度体现是否为用户本人。
用户行为特征2、用户的历史刷脸成功率。
同一个用户在进行各次人脸识别时,因为是用户本人,历史刷脸成功率应该比较高,因此,用户的历史刷脸成功率能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
用户行为特征3、用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果;
用户进行人脸识别时,用户使用的设备会记录有很多组历史核身序列数据,可以根据历史核身序列数据反映的历史验证成功与否的结果来作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
历史核身序列数据中包括的时间是指进行核身行为的时间;核身行为例如可以包括支付、登录、打卡等,核身产品例如可以包括刷脸、指纹、密码等,核身结果包括成功或者失败,这些维度的数据按照时间顺序组成核身序列数据。
在本说明书的一个实施例中,设备使用特征包括如下中的至少一项:
设备使用特征1、用户进行人脸识别时使用的设备标识。
因为同一个用户用于进行各次人脸识别的设备比如手机通常是相同的,因此,用户进行人脸识别时使用的设备标识能够作为与用户人脸识别操作所关联的关联特征,从而从一个角度体现是否为用户本人。
设备使用特征2、用户进行人脸识别时使用的局域网的网络标识。
因为同一个用户用于进行各次人脸识别时使用的局域网通常是固定的,比如,用户通常会通过家里的局域网或者公司的局域网进行人脸识别,因此,用户进行人脸识别时使用的局域网的网络标识能够作为与用户人脸识别操作所关联的关联特征,从而从一个角度体现是否为用户本人。
设备使用特征3、用户的历史密码解锁成功率。
同一个用户在进行各次人脸识别时,因为是用户本人,对进行人脸识别时使用的设备的历史密码解锁成功率应该比较高,因此,对进行人脸识别时使用的设备的历史密码解锁成功率能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
设备使用特征4、用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据。
在设备使用特征4中,该传感器序列数据包括但不限于陀螺仪序列数据、加速度传感器序列数据、磁力计序列数据和触屏传感器序列数据等,这些传感器序列数据能够较好地表征出用户的持机操作习惯。例如,该持机操作习惯包括单手(包括左手和右手)持机、双手持机、竖直持机、水平持机、屏幕按压力度、屏幕按压面积和屏幕滑动速度等操作习惯。
在本步骤103中,关联特征样本数据就是人工标注过的关联特征的数据,比如,人工标注的用户使用的局域网的网络标识等。
接下来对于步骤105:利用人脸图像样本数据以及关联特征样本数据,训练身份验证模型。
如前所述,当身份验证模型包括活体检测子模型时,人脸图像样本数据的标签包括:真脸、假脸;相应地,本步骤105中执行将人脸图像样本数据输入活体检测子模型中,得到该活体检测子模型输出的第一分值;
当身份验证模型包括图像融合子模型时,人脸图像样本数据的标签包括:单一人脸、被融合的多个人脸;相应地,本步骤105中执行将人脸图像样本数据输入图像融合子模型中,得到该图像融合子模型输出的第二分值;
当身份验证模型包括图像PS检测子模型时,人脸图像样本数据的标签包括:真实人脸、PS人脸;相应地,本步骤105中执行将人脸图像样本数据输入图像PS检测子模型中,得到该图像PS检测子模型输出的第三分值;以及
将得到的各个分值比如上述第一分值、第二分值以及第三分值作为特征,将人脸图像样本数据是否异常作为类别进行二分类模型训练。
上述描述了从人脸图像即图像这个维度上对身份验证模型进行的训练。
当然,在本步骤105中,在对身份验证模型进行训练时,还需要从其他维度即关联特征对应的维度同时对该身份验证模型进行训练。比如,关联特征样本数据包括用户行为特征的样本数据时,从用户行为特征这个维度对模型进行训练,再如关联特征样本数据包括设备使用特征的样本数据时,从设备使用特征这个维度对模型进行训练。
在本说明书一个实施例中,是从三个维度,即图像维度、用户行为维度以及设备使用维度,来对身份验证模型进行综合训练。
在本说明书一个实施例中,在初步训练出身份验证模型后,可以将模型应用于实际的业务中,进行用户身份验证。并且,为了进一步提高身份验证模型的性能,可以对身份验证模型在实际业务中的识别结果进行人工修正,并利用人工修正的结果反馈给身份验证模型继续训练,从而形成一个闭环的反馈。此种情况下,上述图1所示流程中,可以进一步包括:利用训练出的身份验证模型对待识别用户的人脸图像和/或带识别用户的关联特征进行识别,并对该待识别用户的人脸图像和/或待识别用户的关联特征进行人工识别;如果身份验证模型的识别结果不符合人工识别的结果,比如,身份验证模型的识别结果为用户身份验证失败,而人工识别的结果为用户身份验证成功,那么,则说明对于当前类型的待识别用户的人脸图像和/或待识别用户的关联特征,身份验证模型的识别效果不好,因此,可以利用该待识别的人脸图像和/或待识别的关联特征作为反馈样本数据,其中,人工识别的结果作为该反馈样本数据的标签,并利用反馈样本数据继续训练身份验证模型。如此反复,在身份验证模型应用于实际业务的初始阶段,都可以利用此种反馈样本数据不断优化身份验证模型。
在本说明书一个实施例中,使用I个维度的样本数据训练身份验证模型;I为不小于2的正整数;其中,人脸图像样本数据对应一个维度(即图像维度),关联特征样本数据对应至少一个维度,比如对应用户行为维度以及设备使用维度;
相应地,在本步骤105中,利用人脸图像样本数据以及关联特征样本数据训练身份验证模型,包括:
步骤1053:利用该目标函数对身份验证模型进行训练;
其中,i为变量,yi为第i个维度的模型函数;wi为第i个维度的权重值。
可见,可以在每一个维度上分别对身份验证模型进行训练,然后利用各个维度的模型函数进行加权平均来得到整个身份验证模型的目标函数,因为考虑了多个维度的数据,因此,训练出的身份验证模型的性能更优。
在上述步骤1051中涉及的第i个维度的权重值wi可以通过如下方式来确定:
方式一、根据经验值预先设定每一个维度的模型函数对应的权重值。
比如,根据经验值,认为人脸图像这个维度在用户身份验证过程中作用更大,因此,可以让人脸图像这个维度的模型函数的权重值更大比如为0.7,而用户行为维度在用户身份验证过程中作用最小,因此,可以让用户行为维度的模型函数的权重值更小比如为0.1,让设备使用维度的模型函数的权重值为0.2。
方式二、根据身份验证模型在实际业务中的应用情况,进行正反馈,从而动态更新每一个维度的模型函数对应的权重值。
该方式二通常是在身份验证模型应用于实际业务中的初始阶段进行,即,在初始应用身份验证模型时,身份验证模型的性能可能还没有达到最优,因此,根据初始阶段身份验证模型的识别结果是否准确来更新身份验证模型中每一个维度的模型函数对应的权重值,从而进一步调整身份验证模型。
当然在该方式二中,也可以是每隔一个周期,调整一次,比如每个月更新一次权重值。
在该方式二中,参见图2,实现过程包括:
首先,针对N个用户的N个待识别数据中的每一个待识别数据,均执行步骤201至步骤207:其中,N为大于1的正整数;
步骤201:利用训练出的身份验证模型从I个维度对该待识别数据分别进行识别,得到该待识别数据在每一个维度的第一模型识别结果;
步骤203:从I个维度对该待识别数据分别进行人工识别,得到该待识别数据在每一个维度的第一人工识别结果;
步骤205:利用训练出的身份验证模型从所有I个维度整体识别,综合得到该待识别数据的第二模型识别结果;以及
步骤207:对该待识别数据从所有I个维度整体进行人工识别,得到该待识别数据的第二人工识别结果;
步骤209:针对N个待识别数据在I个维度中的每一个维度i,统计各个第一模型识别结果符合对应的第一人工识别结果的第一数量记为ni1以及统计各个第一模型识别结果不符合对应的第一人工识别结果的第二数量记为ni2;
步骤211:针对N个待识别数据,统计各个第二模型识别结果符合对应的第二人工识别结果的第三数量记为n1以及统计各个第二模型识别结果不符合对应的第二人工识别结果的第四数量记为n2;
步骤213:针对第i个维度的权重值,利用在该第i个维度上的第一数量、在该第i个维度上的第二数量、第三数量以及第四数量,对第i个维度的权重值进行更新。
下面结合具体的例子对图2所示过程进行说明。
首先说明利用图2所示过程何时更新每一个维度的权重值。
方式A、在本说明书一个实施例中,图2所示过程中的待识别数据的数量N,可以是预先设置的一个数量值N比如1万,这样,当使用身份验证模型针对1万个待识别数据进行识别,从而实现了1万次用户身份验证时,则利用该1万次识别过程的数据动态更新一次身份验证模型中每一个维度的权重值。
方式B、在本说明书一个实施例中,可以是每到一个更新周期时,就动态更新一次身份验证模型中每一个维度的权重值。比如,以天为单位,使用身份验证模型针对1天中的所有待识别数据进行识别,那么图2所示过程中的待识别数据的数量N就是一天当中身份验证模型处理的待识别数据的数量,比如,在某一天中,身份验证模型针对5千笔交易的用户的待识别数据进行了识别,从而验证该5千笔交易中的用户身份,这样,N就是5千。
接下来,针对N个待识别数据中的每一个待识别数据均执行步骤201至步骤207。
对于步骤201:利用训练出的身份验证模型从I个维度对该待识别数据分别进行识别,得到每一个维度的第一模型识别结果;
比如,总共有3个维度包括如上所述的人脸图像维度、用户行为维度、设备使用维度,那么,针对每一个用户的待识别数据,该待识别数据中包括用户的人脸图像,将待识别数据输入身份验证模型后,得到身份验证模型在人脸图像维度上的第一模型识别结果,记为模型识别结果11;并且,针对每一个用户的待识别数据,该待识别数据中包括用户的行为特征数据,将待识别数据输入身份验证模型后,得到身份验证模型在用户行为维度上的第一模型识别结果,记为模型识别结果12;并且,针对每一个用户的待识别数据,该待识别数据中包括设备使用特征数据,将待识别数据输入身份验证模型后,得到身份验证模型在设备使用维度上的第一模型识别结果,记为模型识别结果13。
接下来对步骤203:从I个维度对该待识别数据分别进行人工识别,得到每一个维度的第一人工识别结果。
对用户的待识别数据中包括的人脸图像进行人工识别,得到在图像维度上的第一人工识别结果,记为人工识别结果21;并且,对用户的待识别数据中包括的用户行为特征数据进行人工识别,得到在用户行为维度上的人工识别结果22;并且,对用户的待识别数据中包括的设备使用特征数据进行人工识别,得到在设备使用维度上的人工识别结果23。
接下来对于步骤205:利用训练出的身份验证模型从I个维度综合得到该待识别数据的第二模型识别结果。
接下来对于步骤207:对该待识别数据进行人工识别,得到该待识别数据的第二人工识别结果;
步骤205及步骤207中是不分维度的,得到一个最终的、根据所有维度综合得出的识别结果。比如,步骤205中,身份验证模型得到的第二模型识别结果记为模型识别结果3,步骤207中,人工识别得到的第二人工识别结果记为人工识别结果4。
接下来对于步骤209:针对N个待识别数据在I个维度中的每一个维度i,统计各个第一模型识别结果符合对应的第一人工识别结果的第一数量,记为ni1,以及统计各个第一模型识别结果不符合对应的第一人工识别结果的第二数量,记为ni2。
比如,总共有1万个待识别数据,3个维度,那么统计在维度1比如人脸图像这个维度上,1万个模型识别结果11中有多少个符合对应的人工识别结果21,多少个不符合相对应的人工识别结果21,比如,对应交易1中用户1的待识别数据1,会得到对应待识别数据1的模型识别结果11及对应待识别数据1的人工识别结果21,比较对应待识别数据1的模型识别结果11是否符合对应待识别数据1的人工识别结果21(识别结果相同,则符合)。同理,统计在维度2比如用户行为维度上,1万个模型识别结果12中有多少个符合对应的人工识别结果22,以及多少个不符合,比如,对应交易1中用户1的待识别数据1,会得到对应待识别数据1的模型识别结果12及对应待识别数据1的人工识别结果22,比较对应待识别数据1的模型识别结果12是否符合对应待识别数据1的人工识别结果22。同理,统计在维度3比如设备使用维度上,1万个模型识别结果13中有多少个符合对应的人工识别结果23,以及多少个不符合,比如对应交易1中用户1的待识别数据1,会得到对应待识别数据1的模型识别结果13及对应待识别数据1的人工识别结果23,比较对应待识别数据1的模型识别结果13是否符合对应待识别数据1的人工识别结果23。
接下来对于步骤211:针对N个待识别数据,统计第二模型识别结果符合第二人工识别结果的第三数量记为n1,以及统计第二模型识别结果不符合第二人工识别结果的第四数量记为n2。
本步骤211不分维度,是比较综合结果,即,1万个模型识别结果3中有多少个符合对应的人工识别结果4。比如,对应交易1中用户1的待识别数据1,模型识别结果3为非法用户,而对应交易1中用户1的待识别数据1,人工识别结果4为合法用户,则记录一个不符合。再如,对应交易2中用户2的待识别数据2,模型识别结果3为合法用户,而对应交易2中用户2的待识别数据2,人工识别结果4也为合法用户,则记录一个符合。如此统计,得到符合的总数量即第三数量记为n1,不符合的总数量即第四数量记为n2。
接下来对于步骤213:针对第i个维度的权重值,利用在该第i个维度上的第一数量、在该第i个维度上的第二数量、第三数量以及第四数量对第i个维度的权重值进行更新。
比如,在本说明书实施例中,在本步骤213中,利用如下计算式计算在第i个维度上更新后的权重值:
其中,w′i为第i个维度上更新后的权重值,wi为第i个维度上本次更新之前的权重值。在上述计算式中,模型识别结果符合相应人工识别结果的,会对更新产生正向影响,模型识别结果不符合相应人工识别结果的,会对更新产生负向影响。
可见,上述图2所示流程可以根据身份验证模型在每一个维度上对待识别数据的识别正确性、识别错误性,以及身份验证模型在所有维度上综合得出的识别正确性及识别错误性,对每一个维度的模型函数的权重值进行调整,从而使得身份验证模型的目标函数更加符合实际业务要求,训练出的身份验证模型的性能更优。
通过上述实施例的方法,则训练出了性能更优的身份验证模型。
接下来说明利用训练出的身份验证模型进行用户身份验证的方法。参见图3,该方法包括:
步骤301:接收待识别用户的人脸图像。
在本说明书的一个实施例中,步骤301中用户的人脸图像可以是通过具有摄像头的终端设备进行采集,该终端设备可以是手机、平板电脑以及其它一些刷脸设备等。
步骤303:获取所述待识别用户的关联特征。
步骤305:将待识别用户的人脸图像以及待识别用户的关联特征输入预先训练的身份验证模型中。
步骤307:得到身份验证模型输出的用户身份验证结果。
在本说明书一个实施例中,提出了一种身份验证模型的训练装置,参见图4,该装置包括:
图像样本获取模块401,配置为获取用户的人脸图像样本数据;
关联特征样本获取模块402,配置为获取用户的关联特征样本数据;其中,关联特征是与用户的刷脸行为相关联的特征;
训练执行模块403,配置为利用所述人脸图像样本数据以及所述关联特征样本数据,训练身份验证模型。
在图4所示的本说明书装置的一个实施例中,身份验证模型包括如下中的至少一种:活体检测子模型、图像融合子模型、图像PS检测子模型;
训练执行模块403被配置为执行:
当所述身份验证模型包括活体检测子模型时,人脸图像样本数据的标签包括:真脸、假脸;相应地,将人脸图像样本数据输入所述活体检测子模型中,得到该活体检测子模型输出的第一分值;
当身份验证模型包括图像融合子模型时,人脸图像样本数据的标签包括:单一人脸、被融合的多个人脸;将人脸图像样本数据输入图像融合子模型中,得到该图像融合子模型输出的第二分值;
当身份验证模型包括图像PS检测子模型时,人脸图像样本数据的标签包括:真实人脸、PS人脸;将人脸图像样本数据输入图像PS检测子模型中,得到该图像PS检测子模型输出的第三分值;以及
将得到的各个分值作为特征,将人脸图像样本数据是否异常作为类别进行二分类模型训练。
在图4所示的本说明书装置的一个实施例中,关联特征包括:用户行为特征和/或设备使用特征。
在图4所示的本说明书装置的一个实施例中,用户行为特征包括如下中的至少一项:
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果。
在图4所示的本说明书装置的一个实施例中,设备使用特征包括如下中的至少一项:
用户进行人脸识别时使用的设备的标识;
用户进行人脸识别时使用的局域网的网络标识;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据。
在图4所示的本说明书装置的一个实施例中,进一步包括:反馈模块(图中未示出);
反馈模块配置为利用训练出的身份验证模型对待识别的人脸图像和/或待识别的关联特征进行识别,并得到对该待识别的人脸图像和/或待识别的关联特征进行人工识别后的人工识别结果;如果人工识别的结果与身份验证模型的识别结果不同,则利用该待识别的人脸图像和/或待识别的关联特征生成反馈样本数据,其中,人工识别的结果作为该反馈样本数据的标签,并将反馈样本数据输入身份验证模型,以训练该身份验证模型。
在图4所示的本说明书装置的一个实施例中,训练执行模块403被配置为执行:
使用I个维度的样本数据训练身份验证模型;I为不小于2的正整数;其中,人脸图像样本数据为一个维度的样本数据,关联特征样本数据包括至少一个维度的样本数据;
利用该目标函数对身份验证模型进行训练;
其中,i为变量,yi为第i个维度的模型函数;wi为第i个维度的权重值。
在图4所示的本说明书装置的一个实施例中,进一步包括:权重值更新模块(图中未示出);
权重值更新模块,被配置为:
针对N个待识别数据中的每一个待识别数据均执行:其中,N为大于1的正整数;每个待识别数据中包括待识别用户的人脸图像以及关联特征;
利用训练出的身份验证模型从I个维度对该待识别数据分别进行识别,得到每一个维度的第一模型识别结果;
从I个维度对该待识别数据分别进行人工识别,得到每一个维度的第一人工识别结果;
利用训练出的身份验证模型从I个维度综合得到该待识别数据的第二模型识别结果;以及
对该待识别数据进行人工识别,得到该待识别数据的第二人工识别结果;
权重值更新模块还被配置为针对所述N个待识别数据在I个维度中的每一个维度i上,统计第一模型识别结果符合第一人工识别结果的第一数量ni1以及统计第一模型识别结果不符合第一人工识别结果的第二数量ni2;
针对N个待识别数据,统计第二模型识别结果符合第二人工识别结果的第三数量n1以及统计第二模型识别结果不符合第二人工识别结果的第四数量n2;
针对第i个维度的权重值,利用在该第i个维度上的所述第一数量、在该第i个维度上的所述第二数量、第三数量以及第四数量对第i个维度的权重值进行更新。
在本说明书实施例中,还提出一种用户身份验证装置,参见图5,该装置包括:
第一获取模块501,配置为接收待识别用户的人脸图像;
第二获取模块502,配置为获取所述待识别用户的关联特征;
输入模块503,配置为将接收到的人脸图像以及获取的关联特征输入预先训练的身份验证模型中;其中,身份验证模型利用本说明书实施例中的身份验证模型的训练装置来训练得到的;
结果获取模块504,得到身份验证模型输出的身份验证结果。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当计算机程序在计算机中执行时,令计算机执行本说明书任一实施例中所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,存储器中存储有可执行代码,处理器执行可执行代码时,实现本说明书任一实施例中所描述的方法。
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,对于装置实施例而言,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。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (9)
1.身份验证模型的训练方法,其中,该方法包括:
获取用户的人脸图像样本数据;
获取所述用户的关联特征样本数据;其中,关联特征是与所述用户的刷脸行为相关联的特征;
利用所述人脸图像样本数据以及所述关联特征样本数据,训练所述身份验证模型;
其中,使用I个维度的样本数据训练所述身份验证模型;I为不小于2的正整数;其中,人脸图像样本数据为一个维度的样本数据,关联特征样本数据包括至少一个维度的样本数据;
所述利用所述人脸图像样本数据以及所述关联特征样本数据训练所述身份验证模型,包括:
利用该目标函数对所述身份验证模型进行训练;
其中,i为变量,yi为第i个维度的模型函数;wi为第i个维度的权重值;
其中,进一步包括:
针对N个待识别数据中的每一个待识别数据均执行:利用训练出的身份验证模型从I个维度对该待识别数据分别进行识别,得到每一个维度的第一模型识别结果;从I个维度对该待识别数据分别进行人工识别,得到每一个维度的第一人工识别结果;利用训练出的身份验证模型从I个维度综合得到该待识别数据的第二模型识别结果;以及对该待识别数据进行综合人工识别,得到该待识别数据的第二人工识别结果;其中,N为大于1的正整数;每个待识别数据中包括待识别用户的人脸图像以及待识别用户的关联特征;
针对所述N个待识别数据在I个维度中的每一个维度i,统计各个第一模型识别结果符合对应的第一人工识别结果的第一数量以及统计各个第一模型识别结果不符合对应的第一人工识别结果的第二数量;
针对所述N个待识别数据,统计各个第二模型识别结果符合对应的第二人工识别结果的第三数量以及统计各个第二模型识别结果不符合对应的第二人工识别结果的第四数量;
针对第i个维度的权重值wi,利用在该第i个维度上的所述第一数量、在该第i个维度上的所述第二数量、第三数量以及第四数量对第i个维度的权重值wi进行更新。
2.根据权利要求1所述的方法,其中,所述身份验证模型包括如下中的至少一种:活体检测子模型、图像融合子模型、图像PS检测子模型;
所述利用所述人脸图像样本数据训练所述身份验证模型,包括:
当所述身份验证模型包括活体检测子模型时,所述人脸图像样本数据的标签包括:真脸、假脸;相应地,将所述人脸图像样本数据输入所述活体检测子模型中,得到该活体检测子模型输出的第一分值;
当所述身份验证模型包括图像融合子模型时,所述人脸图像样本数据的标签包括:单一人脸、被融合的多个人脸;相应地,将所述人脸图像样本数据输入所述图像融合子模型中,得到该图像融合子模型输出的第二分值;
当所述身份验证模型包括图像PS检测子模型时,所述人脸图像样本数据的标签包括:真实人脸、PS人脸;相应地,将所述人脸图像样本数据输入所述图像PS检测子模型中,得到该图像PS检测子模型输出的第三分值;以及
将得到的各个分值作为特征,将人脸图像样本数据是否异常作为类别进行二分类模型训练。
3.根据权利要求1所述的方法,其中,所述关联特征包括:用户行为特征和/或设备使用特征。
4.根据权利要求3所述的方法,其中,所述用户行为特征包括如下中的至少一项:
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果;
和/或,
所述设备使用特征包括如下中的至少一项:
用户进行人脸识别时使用的设备的标识;
用户进行人脸识别时使用的局域网的网络标识;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据。
5.根据权利要求1所述的方法,其中,该方法进一步包括:
利用训练出的身份验证模型对待识别用户的人脸图像和/或待识别用户的关联特征进行识别,并对该待识别用户的人脸图像和/或待识别用户的关联特征进行人工识别;如果人工识别的结果与身份验证模型的识别结果不同,则利用该待识别用户的人脸图像和/或待识别用户的关联特征作为反馈样本数据,其中,人工识别的结果作为该反馈样本数据的标签,并利用反馈样本数据继续训练所述身份验证模型。
6.身份验证方法,其中包括:
接收待识别用户的人脸图像;
获取所述待识别用户的关联特征;
将接收到的待识别用户的人脸图像以及获取的待识别用户的关联特征输入预先训练的身份验证模型中;其中,身份验证模型利用权利要求1至5中任一所述的方法训练得到;
得到身份验证模型输出的身份验证结果。
7.身份验证模型的训练装置,该装置包括:
图像样本获取模块,配置为获取用户的人脸图像样本数据;
关联特征样本获取模块,配置为获取用户的关联特征样本数据;其中,关联特征是与用户的刷脸行为相关联的特征;
训练执行模块,配置为利用所述人脸图像样本数据以及所述关联特征样本数据,训练身份验证模型;
其中,所述训练执行模块被配置为执行:
使用I个维度的样本数据训练身份验证模型;I为不小于2的正整数;其中,人脸图像样本数据为一个维度的样本数据,关联特征样本数据包括至少一个维度的样本数据;
利用该目标函数对身份验证模型进行训练;
其中,i为变量,yi为第i个维度的模型函数;wi为第i个维度的权重值;
所述身份验证模型的训练装置进一步包括:权重值更新模块;
所述权重值更新模块,被配置为执行:
针对N个待识别数据中的每一个待识别数据均执行:利用训练出的身份验证模型从I个维度对该待识别数据分别进行识别,得到每一个维度的第一模型识别结果;从I个维度对该待识别数据分别进行人工识别,得到每一个维度的第一人工识别结果;利用训练出的身份验证模型从I个维度综合得到该待识别数据的第二模型识别结果;以及对该待识别数据进行人工识别,得到该待识别数据的第二人工识别结果;其中,N为大于1的正整数;每个待识别数据中包括待识别用户的人脸图像以及关联特征;
针对所述N个待识别数据在I个维度中的每一个维度i上,统计各个第一模型识别结果符合对应的第一人工识别结果的第一数量以及统计各个第一模型识别结果不符合对应的第一人工识别结果的第二数量;
针对N个待识别数据,统计各个第二模型识别结果符合对应的第二人工识别结果的第三数量及统计各个第二模型识别结果不符合对应的第二人工识别结果的第四数量;
针对第i个维度的权重值wi,利用在该第i个维度上的所述第一数量、在该第i个维度上的所述第二数量、第三数量以及第四数量对第i个维度的权重值wi进行更新。
8.身份验证装置,该装置包括:
第一获取模块,配置为接收待识别用户的人脸图像;
第二获取模块,配置为获取所述待识别用户的关联特征;
输入模块,配置为将待识别用户的人脸图像以及待识别用户的关联特征输入预先训练的身份验证模型中;其中,身份验证模型由权利要求7所述的身份验证模型的训练装置训练得到;
结果获取模块,得到身份验证模型输出的身份验证结果。
9.一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272255.4A CN115497146B (zh) | 2022-10-18 | 2022-10-18 | 模型的训练方法和装置、身份验证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272255.4A CN115497146B (zh) | 2022-10-18 | 2022-10-18 | 模型的训练方法和装置、身份验证方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497146A CN115497146A (zh) | 2022-12-20 |
CN115497146B true CN115497146B (zh) | 2023-04-07 |
Family
ID=84474032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211272255.4A Active CN115497146B (zh) | 2022-10-18 | 2022-10-18 | 模型的训练方法和装置、身份验证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497146B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335630B (zh) * | 2014-07-09 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 身份识别方法及身份识别装置 |
CN105184932B (zh) * | 2015-10-08 | 2017-12-22 | 深圳市雨滴科技有限公司 | 一种通过智能门禁机进行人员识别的方法及装置 |
CN108540755B (zh) * | 2017-03-01 | 2021-03-05 | 中国电信股份有限公司 | 身份识别方法和装置 |
US11645835B2 (en) * | 2017-08-30 | 2023-05-09 | Board Of Regents, The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
WO2020122985A1 (en) * | 2018-12-10 | 2020-06-18 | Interactive-Al, Llc | Neural modulation codes for multilingual and style dependent speech and language processing |
CN110110592A (zh) * | 2019-03-26 | 2019-08-09 | 中国人民财产保险股份有限公司 | 业务处理方法、模型训练方法、设备及存储介质 |
GB2588747B (en) * | 2019-06-28 | 2021-12-08 | Huawei Tech Co Ltd | Facial behaviour analysis |
CN112989937B (zh) * | 2021-02-07 | 2022-05-06 | 支付宝(杭州)信息技术有限公司 | 用户身份验证的方法和装置 |
-
2022
- 2022-10-18 CN CN202211272255.4A patent/CN115497146B/zh active Active
Non-Patent Citations (1)
Title |
---|
付晓玲 等.人脸识别技术在远程身份验证中的应用.微计算机信息.2009,25(第09期),86-88. * |
Also Published As
Publication number | Publication date |
---|---|
CN115497146A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2523149B1 (en) | A method and system for association and decision fusion of multimodal inputs | |
US9639769B2 (en) | Liveness detection | |
US11055395B2 (en) | Step-up authentication | |
US8020005B2 (en) | Method and apparatus for multi-model hybrid comparison system | |
US7676069B2 (en) | Method and apparatus for rolling enrollment for signature verification | |
US10135817B2 (en) | Enhancing authentication and source of proof through a dynamically updatable biometrics database | |
EP3076321B1 (en) | Methods and systems for detecting user head motion during an authentication transaction | |
AU2019200711B2 (en) | Biometric verification | |
CN108922074A (zh) | 无卡取款方法、装置、计算机设备和存储介质 | |
WO2012144105A1 (ja) | 生体認証システム | |
KR20120114564A (ko) | 대표 지문 템플릿 생성 장치 및 방법 | |
WO2018198500A1 (ja) | 照合装置、照合方法および照合プログラム | |
EP3786820B1 (en) | Authentication system, authentication device, authentication method, and program | |
CN112989937B (zh) | 用户身份验证的方法和装置 | |
JP2006085289A (ja) | 顔認証システムおよび顔認証方法 | |
US20070233667A1 (en) | Method and apparatus for sample categorization | |
JP7231879B2 (ja) | 制御方法、制御プログラムおよび情報処理装置 | |
CN115497146B (zh) | 模型的训练方法和装置、身份验证方法和装置 | |
US11991180B2 (en) | Authentication system, authentication device, authentication method and program | |
CN112818312A (zh) | 基于人脸识别技术mes系统登录认证方法及mes系统 | |
CN108573212B (zh) | 一种手掌特征身份认证方法及装置 | |
JP2021189792A (ja) | 学習装置、認識装置、学習方法、認識方法、プログラム、及び再帰型ニューラルネットワーク | |
TWM582633U (zh) | 生物辨識交易系統 | |
JP7335651B1 (ja) | 顔認証決済システムおよび顔認証決済方法 | |
US20230230088A1 (en) | Method and System of Predictive Document Verification and Machine Learning Therefor |
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 |