CN116012928A - 基于图像处理的身份验证方法及装置、介质、计算机设备 - Google Patents
基于图像处理的身份验证方法及装置、介质、计算机设备 Download PDFInfo
- Publication number
- CN116012928A CN116012928A CN202310143063.1A CN202310143063A CN116012928A CN 116012928 A CN116012928 A CN 116012928A CN 202310143063 A CN202310143063 A CN 202310143063A CN 116012928 A CN116012928 A CN 116012928A
- Authority
- CN
- China
- Prior art keywords
- image
- image data
- verification
- data
- domain
- 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
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的身份验证方法及装置,涉及图像处理技术领域,主要目的在于解决通过人脸识别验证身份有效性较低的问题。包括:获取待身份验证的人脸图像数据;通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证。
Description
技术领域
本发明涉及一种图像处理技术领域,特别是涉及一种基于图像处理的身份验证方法及装置、介质、计算机设备。
背景技术
随着图像处理技术的快速发展,在大部分身份验证场景中通常都已经采用人脸识别技术来进行身份确认,例如,银行企业、医疗企业、保险企业等用户通过人脸识别来进行身份验证。其中,在进行人脸识别过程中,由于在采集用户人脸图像时,用户通常带有一定的表情,为了准确与预先选好的用于表征身份的人脸图像进行对比,需要对采集的人脸图像进行人脸转换,以得到用于对比的标准人脸图像。
目前,现有的人脸图像转换通常采用深度学习算法进行转换,其中,在进行图像数据的区域转换过程中,一个深度学习模型对应一个图像域数据进行转换处理,从而完成人脸图像的全部转换,以进行身份识别。然而,多个图像域之间是存在映射关系的,基于单一图像区域的训练数据对深度学习模型进行训练,无法满足深度学习模型的高效训练需求,深度学习模型无法基于训练数据进行充分训练,导致大大降低了人脸转换的准确性,增加了人脸转换的失真情况,从而降低了通过人脸识别进行身份验证的有效性。
发明内容
有鉴于此,本发明提供一种基于图像处理的身份验证方法及装置,主要目的在于现有通过人脸识别进行身份验证的有效性较低的问题。
依据本发明一个方面,提供了一种基于图像处理的身份验证方法,包括:
获取待身份验证的人脸图像数据;
通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;
若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
进一步地,所述通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据之前,所述方法还包括:
获取至少两个图像域所对应的图像样本数据,以及所述图像域的域信息;
根据所述域信息确定与所述图像域对应的域映射关系,并构建待训练人脸图像转换模型的生成对抗网络,所述生成对抗网络包括生成器以及鉴别器;
当确定用于训练模型的目标域后,通过所述生成器生成与所述图像训练样本数据以及所述目标域对应的真假训练样本数据,所述真假训练样本数据中包含所述目标域在所述域映射关系中的他域信息;
当根据所述真假训练样本数据对所述人脸图像转换模型进行训练过程中,所述鉴别器计算的损失值符合预设损失阈值,则确定所述人脸图像转换模型完成训练。
进一步地,所述构建待训练人脸图像转换模型的生成对抗网络之后,所述方法还包括:
通过所述鉴别器计算所述人脸图像转换模型对所述真假训练样本数据进行训练的第一损失值,并基于与所述鉴别器关联的分类器以及所述他域信息确定所述真假训练样本数据分类至所述目标域的第二损失值,以基于所述第一损失值、所述第二损失值确定是否符合预设损失阈值。
进一步地,所述图像域包括时域、频域、空间域,所述方法还包括:
按照所述图像样本数据的图像属性、验证业务类型从所述图像域中确定目标域,所述图像属性包括图像像素值、图像分辨率、图像颜色值数量中至少一项,所述验证业务类型用于表征图像数据用于身份验证的业务分类;和/或,
从所述时域、频域、空间域中随机确定目标域。
进一步地,所述获取待身份验证的人脸图像数据之前,所述方法还包括:
当接收到验证图像录入请求时,展示用于图像采集的预置验证表情,所述预置验证表情包括至少两种预置表情,所述图像训练样本数据中包含与所述预置表情对应的表情图像数据;
当采集到待认证的验证图像数据后,计算所述验证图像数据与所述预置验证表情的图像相似度;
若所述图像相似度大于预设相似度阈值,则将所述验证图像数据与所述验证图像录入请求对应的身份信息进行绑定。
进一步地,所述确定所述人脸图像数据通过身份验证之前,所述方法还包括:
按照完成模型训练的人脸特征提取模型对所述转换图像数据以及所述验证图像数据进行特征提取,得到对比特征图像数据;
若所述对比特征图像数据的特征相似度度大于预设特征相似度阈值,则确定所述转换图像数据与所述验证图像数据匹配。
进一步地,所述方法还包括:
将通过身份验证的所述人脸图像数据与所述转换图像数据进行绑定存储在与所述身份信息匹配的数据存储单元中;
将接收到再次请求身份验证的人脸图像数据与所述数据存储单元中的全部转换图像数据进行对比;
若所述数据存储单元中存在与再次请求身份验证的人脸图像数据匹配的转换图像数据,则确定通过身份验证。
依据本发明另一个方面,提供了一种基于图像处理的身份验证装置,包括:
获取模块,用于获取待身份验证的人脸图像数据;
转换模块,用于通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;
确定模块,用于若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
进一步地,所述装置还包括生成模块,
所述获取模块,还用于获取至少两个图像域所对应的图像样本数据,以及所述图像域的域信息;
所述确定模块,还用于根据所述域信息确定与所述图像域对应的域映射关系,并构建待训练人脸图像转换模型的生成对抗网络,所述生成对抗网络包括生成器以及鉴别器;
所述生成模块,用于当确定用于训练模型的目标域后,通过所述生成器生成与所述图像训练样本数据以及所述目标域对应的真假训练样本数据,所述真假训练样本数据中包含所述目标域在所述域映射关系中的他域信息;
所述确定模块,还用于当根据所述真假训练样本数据对所述人脸图像转换模型进行训练过程中,所述鉴别器计算的损失值符合预设损失阈值,则确定所述人脸图像转换模型完成训练。
进一步地,所述装置还包括:
计算模块,用于通过所述鉴别器计算所述人脸图像转换模型对所述真假训练样本数据进行训练的第一损失值,并基于与所述鉴别器关联的分类器以及所述他域信息确定所述真假训练样本数据分类至所述目标域的第二损失值,以基于所述第一损失值、所述第二损失值确定是否符合预设损失阈值。
进一步地,所述确定模块,还用于按照所述图像样本数据的图像属性、验证业务类型从所述图像域中确定目标域,所述图像属性包括图像像素值、图像分辨率、图像颜色值数量中至少一项,所述验证业务类型用于表征图像数据用于身份验证的业务分类;和/或,
从所述时域、频域、空间域中随机确定目标域。
进一步地,所述装置还包括:展示模块、绑定模块,
所述展示模块,用于当接收到验证图像录入请求时,展示用于图像采集的预置验证表情,所述预置验证表情包括至少两种预置表情,所述图像训练样本数据中包含与所述预置表情对应的表情图像数据;
所述计算模块,还用于当采集到待认证的验证图像数据后,计算所述验证图像数据与所述预置验证表情的图像相似度;
所述绑定模块,用于若所述图像相似度大于预设相似度阈值,则将所述验证图像数据与所述验证图像录入请求对应的身份信息进行绑定。
进一步地,所述装置还包括:提取模块,
所述提取模块,用于按照完成模型训练的人脸特征提取模型对所述转换图像数据以及所述验证图像数据进行特征提取,得到对比特征图像数据;
所述确定模块,还用于若所述对比特征图像数据的特征相似度度大于预设特征相似度阈值,则确定所述转换图像数据与所述验证图像数据匹配。
进一步地,所述装置还包括:存储模块、比对模块,
所述存储模块,用于将通过身份验证的所述人脸图像数据与所述转换图像数据进行绑定存储在与所述身份信息匹配的数据存储单元中;
所述比对模块,用于将接收到再次请求身份验证的人脸图像数据与所述数据存储单元中的全部转换图像数据进行对比;
所述确定模块,还用于若所述数据存储单元中存在与再次请求身份验证的人脸图像数据匹配的转换图像数据,则确定通过身份验证。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述基于图像处理的身份验证方法对应的操作。
根据本发明的再一方面,提供了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于图像处理的身份验证方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种基于图像处理的身份验证方法及装置、存储介质、计算机设备,与现有技术相比,本发明实施例通过获取待身份验证的人脸图像数据;通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的,实现了基于至少两个不同图像域的图像数据组合得到训练样本数据,从而使得基于该组合域训练样本数据训练得到的图像转换模型训练充分,减少了人脸转换失真情况,从而提升了通过人脸识别进行身份验证的有效性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种基于图像处理的身份验证方法流程图;
图2示出了本发明实施例提供的另一种基于图像处理的身份验证方法流程图;
图3示出了本发明实施例提供的又一种基于图像处理的身份验证方法流程图;
图4示出了本发明实施例提供的一种基于图像处理的身份验证装置组成框图;
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
针对目前,现有的人脸图像转换在进行图像数据的区域转换过程中,一个深度学习模型对应一个图像域数据进行转换处理,从而完成人脸图像的全部转换,以进行身份识别。然而,多个图像域之间是存在映射关系的,基于单一图像区域的训练数据对深度学习模型进行训练,无法满足深度学习模型的高效训练需求,深度学习模型无法基于训练数据进行充分训练,从而降低了通过人脸识别进行身份验证的有效性的问题,本发明实施例提供了一种基于图像处理的身份验证方法,如图1所示,该方法包括:
101、获取待身份验证的人脸图像数据。
在本发明实施例中,当前执行主体为基于采集的人脸图像数据对用户进行身份验证的服务端,与人脸图像采集终端构成身份验证系统。当用户在终端设备中访问需要进行身份验证的页面时,触发启用终端设备的摄像装置并通过摄像装置实时采集用户人脸图像,并将采集到的人脸图像数据传输至本发明实施例中的执行主体,以便根据当前的人脸图像数据对用户进行身份验证。其中,终端设备可以为用户个人使用的终端设备,也可以为如在银行、医院等场所中应用的公用设备,而人脸图像数据可以为与用户整个面貌对应的全貌人脸图像数据,也可以为与用户局部面貌对应的局部人脸图像数据、如只包含用户眉眼区域的局部人脸图像数据,本发明对此不做限定。
在本申请实施例中,在需要对用户进行身份验证时,触发待身份验证的用户的人脸图像数据,以便基于实时获取的当前人脸图像数据和与该用户对应的参考人脸图像数据对用户进行身份验证,使得实现基于用户人脸的身份验证,确保了身份验证的安全性。
102、通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据。
需要说明的是,在基于人脸进行身份验证时是通过将获取到的用户当前人脸图像数据与预先存储的与该用户对应的预置人脸图像数据进行比对,然而在进行人脸识别过程中,用户拍摄人脸图像时通常带有一定表情,因此为了准确识别用户身份需要将采集到的人脸图像数据通过图像转换模型进行转换处理,以获取标准统一的转换图像数据,进而根据得到的转换图像数据进一步执行身份验证操作。
具体地,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,而图像域可以为空间域、时域、频域等。在具体实施过程中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对真假训练样本数据进行损失验证,完成基于图像训练样本的模型训练。需要说明的是,各个不同图像域之间存在相应的转换关系,示例性地,时域中的图像数据与频域中的图像数据之间的映射关系为傅里叶变换、即通过傅里叶变换可以将时域中的图像数据转换为频域中的图像数据,但不限于此。在本申请实施例中,可以预先生成各个图像域的映射关系并存储,以便在生成器中可以直接调用该预置域映射关系生成用于模型训练的真假训练样本数据。
进一步地,在基于真假训练样本数据训练模型时,生成器接收样本图像数据和与样本图像数据对应的域属性信息作为模型输入,并随机生成目标域标签,以使得模型能够基于映射关系学习对各个图像域中的图像数据的转换,因而得到的人脸图像转换模型能够实现在所有可用的图像域中的图像数据转换,保留图像数据信息的完整性,提升了人脸图像转换模型转换图像数据的精确性,从而提升了基于图像处理的身份验证的精确性。
103、若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
根据上述内容可知,在基于人脸图像数据进行身份验证时,需要将采集到的当前人脸图像数据通过人脸图像转换模型进行转换处理,得到转换图像数据,因此在本步骤中将得到的图像转换数据与预先存储的用于判断当前操作是否为用户本人的验证图像数据进行比对,若二者匹配则确定通过身份验证。其中,验证图像数据可以为基于用户首次操作时拍摄的人脸图像生成的图像数据,例如在用户首次在网站中注册、首次开通银行卡、首次创建个人医疗账户等,并将验证图像数据与个人身份信息进行绑定,以便在基于人脸图像数据进行身份验证时可以基于身份信息调取预先存储逇验证图像数据。此外,本步骤具体可以通过计算两组图像数据的相似度确定是否匹配,也可以根据其他预置用于确定两组图像数据是否匹配的算法进行确定,本申请实施例对此不做具体限定。
在本发明实施例中,在执行主体中保存的人脸图像转换模型为基于至少两个图像域中的图像数据组合得到训练样本数据训练得到的,使得基于该组合域训练样本数据训练得到的图像转换模型训练充分,减少了人脸转换失真情况,从而使得执行主体在通过该人脸图像转换模型对人脸图像数据进行转换处理时,提升了人脸图像数据转换的准确定,从而提升了通过人脸识别进行身份验证的有效性。
在另一个本发明实施例中,为了进一步限定及说明,如图2所示,步骤通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据之前,所述方法还包括:
201、获取至少两个图像域所对应的图像样本数据,以及所述图像域的域信息;
202、根据所述域信息确定与所述图像域对应的域映射关系,并构建待训练人脸图像转换模型的生成对抗网络;
203、当确定用于训练模型的目标域后,通过所述生成器生成与所述图像训练样本数据以及所述目标域对应的真假训练样本数据;
204、当根据所述真假训练样本数据对所述人脸图像转换模型进行训练过程中,所述鉴别器计算的损失值符合预设损失阈值,则确定所述人脸图像转换模型完成训练。
其中,域信息为标识图像样本数据对应的图像域的信息,由于基于域映射关系可以将各个图像域中的图像数据进行映射关联,因此在获取到图像样本数据之后,结合图像样本数据、与图样样本数据对应的域信息、域映射关系,构件与此适配的待训练人脸图像转换模型的生成对抗网络。在此之后,生成器接收一个图像域的图像样本数据和与图像样本数据对应的域属性信息作为模型输入,并随机生成目标域标签,便可基于域映射关系映射关联的各个图像域中的图像数据训练生成器,使其能够将输入的一个图像域的图像数据进行转换并输出另一图像域中的图像数据,实现人脸图像转换模型的训练。
在具体实施过程中,生成器根据输入的源图像数据和域信息,生成假图像数据,而后再将假图像数据和原始的域信息作为生成器的输入以训练生成器转换得到源图像数据,以此实现生成与图像训练样本数据以及目标域对应的真假训练样本数据并基于真假训练样本数据训练模型。
在本申请实施例中,构建的生成对抗网络中除了上述生成器以外,还包含有用于计算对抗性损失函数的鉴别器,通过鉴别器使得生成的假图像数据与原始的真图像数据之间的区别尽可能小,以便对人脸图像转换模型训练进行优化。示例性地,对抗性损失函数可以为:
其中,生成器G基于输入图像数据x和目标域标签c生成图像G(x,c),而鉴别器D用于对源图像数据和生成器生成的假图像数据进行区分,Dsrc(x)为鉴别器D输出的基于源的概率分布。在图像转换模型训练过程中,生成器G将试图最小化该损失,而鉴别器D试图最大化该损失,以此完成对图像转换模型的最优化。
在本申请实施例中,基于至少两个图像域的组合图像数据和域映射关系,生成真假训练样本数据并对构建的生成对抗网络进行训练,同时通过鉴别器对真假图像进行区分和生成器对真假图像进行统一化,最终完成图像转换模型的训练,从而使得基于此方式得到图像转换模型具有较高的准确性,进而提高基于该图像转换模型的人脸识别身份验证的有效性。
在另一个本发明实施例中,为了进一步限定及说明,步骤构建待训练人脸图像转换模型的生成对抗网络之后,所述方法还包括:
通过所述鉴别器计算所述人脸图像转换模型对所述真假训练样本数据进行训练的第一损失值,并基于与所述鉴别器关联的分类器以及所述他域信息确定所述真假训练样本数据分类至所述目标域的第二损失值,以基于所述第一损失值、所述第二损失值确定是否符合预设损失阈值。
根据上述步骤可知,在基于真假训练样本数据训练模型过程中,生成对抗网络中包含的生成器将输入的源图像数据和域信息转换为目标域中的图像数据,在本申请实施例中,在基于图像转换模型转换得到目标域中的图像数据之后,还可以将得到的转换图像数据划分到相应的图像域中。为了提升转换图像数据分类的准确性,在上述生成对抗网络中配置与鉴别器D关联的分类器,从而在图像转换模型训练过程中,通过鉴别器D和与之关联的分类器分别计算第一损失值和第二损失值,以使得根据第一损失值和第二损失值对图像转换模型进行优化,提升人脸图像转换模型的准确性。
示例性地,第一损失值为:
其中,Dcls(c′|x)为由鉴别器D输出的目标域上的概率分布,在具体实施过程中,鉴别器学习将真假训练样本数据中的图像数据分类到原始图像域c′中并以此最小化该概率分布值。
示例性地,第二损失值为:
在具体实施过程中,生成器G将第二损失值最小化以生成与目标域对应的假图像训练样本数据。
在本申请实施例中,在训练人脸图像转换模型过程中,通过构建包含有生成器和鉴别器的生成对抗网络并配置生成器和鉴别器彼此相关联的计算相应的损失值,以根据损失值优化人脸图像转换模型将图像数据划分到相应的图像域中的准确性,从而提升了人脸图像转换模型的准确性,进而提升了通过人脸识别进行身份验证的有效性。
在另一个本发明实施例中,为了进一步限定及说明,所述图像域包括时域、频域、空间域,所述方法还包括:
按照所述图像样本数据的图像属性、验证业务类型从所述图像域中确定目标域;和/或,
从所述时域、频域、空间域中随机确定目标域。
其中,所述图像属性包括图像像素值、图像分辨率、图像颜色值数量中至少一项,所述验证业务类型用于表征图像数据用于身份验证的业务分类,而验证业务类型可以包括但不限于医疗业务、银行业务、教育业务等。在具体实践过程中,由于不同的业务类型对应不同的安全等级,如安全等级越高时,图像样本数据对应的图像分辨率越高,相反,例如对于安全等级较低的业务类型,图像样本数据的图像像素值则较低,但仅作为示例。为此,可以根据验证业务类型、图像样本数据的图像属性等创建图像域映射关系,以便根据该映射关系确定目标域,和/或从时域、频域、空间域中随机确定目标域。在本申请实施例中,通过提供多种图像域的确定方式,以满足不同的应用场景,从而提升了人脸图像转换模型的性能。
在另一个本发明实施例中,为了进一步限定及说明,如图3所示,步骤获取待身份验证的人脸图像数据之前,所述方法还包括:
301、当接收到验证图像录入请求时,展示用于图像采集的预置验证表情;
302、当采集到待认证的验证图像数据后,计算所述验证图像数据与所述预置验证表情的图像相似度;
303、若所述图像相似度大于预设相似度阈值,则将所述验证图像数据与所述验证图像录入请求对应的身份信息进行绑定。
其中,验证图像录入请求可以为用户在终端设备中访问预设网页时触发发送的,例如用户在终端设备中登录保险应用程序中的个人账号页面时,终端设备监测到存在预设验证图像录入操作时则触发生成验证图像录入请求并发送给本发明中的执行主体,以使得执行主体在接收到验证图像录入请求之后,展示用于图像采集的预置验证表情,其中预置验证表情包括至少两种预置表情,例如微笑、眨眼、侧脸等。通过采集多种验证表情,使得在基于人脸图像数据进行身份验证时能够提供更加充足的验证图像数据,提升了身份验证的准确性。
进一步地,根据待认证的验证图像数据和预置验证表情图像数据计算当前的待认证验证图像与预置验证表情图像之间的相似度,并将该相似度与预设相似度阈值进行比较,其中相似度阈值可以根据不用的应用场景进行设定,当该相似度值大于预设阈值时则可以用户录入的与预置验证表情对应的验证图像满足验证图像要求,则执行主体确定录入的验证图像可以作为之后对用户进行基于人脸图像数据的身份验证过程中的参照图像,为此将该验证图像的图像数据与用户身份信息进行绑定和保存。
在本申请实施例中,预先为用户提供预置验证表情以提示用户按照预置多个验证表情录入相应的人脸图像,执行主体在接收到录入的待认证验证图像数据后判断是否满足验证图像要求,若满足则将该录入的验证图像数据与用户身份信息进行绑定作为执行基于人脸图像数据的身份验证过程中的参考图像数据,确保了身份验证的准确性。
在另一个本发明实施例中,为了进一步限定及说明,步骤确定所述人脸图像数据通过身份验证之前,所述方法还包括:
按照完成模型训练的人脸特征提取模型对所述转换图像数据以及所述验证图像数据进行特征提取,得到对比特征图像数据;
若所述对比特征图像数据的特征相似度度大于预设特征相似度阈值,则确定所述转换图像数据与所述验证图像数据匹配。
在本申请实施例中,获取具有不同表情或角度的人脸图像数据之后,利用预先训练完成的人脸图像转换模型,将获取到的人脸图像数据进行转换,得到能够用以比对的转换图像数据。进一步地,基于转换图像数据对应的转换图像与预先录入存储的验证图像数据对应的验证图像进行比对验证,即基于预先训练的人脸特征提取模型对两组图像数据进行特征提取,得到对比特征图像数据,当对比特征图像数据的特征相似度大于预设特征相似度阈值时,则可以确定两组人脸图像匹配,进而能够根据该比对结果确定当前获取的人脸图像数据通过身份验证。
在另一个本发明实施例中,为了进一步限定及说明,所述方法还包括:
将通过身份验证的所述人脸图像数据与所述转换图像数据进行绑定存储在与所述身份信息匹配的数据存储单元中;
将接收到再次请求身份验证的人脸图像数据与所述数据存储单元中的全部转换图像数据进行对比;
若所述数据存储单元中存在与再次请求身份验证的人脸图像数据匹配的转换图像数据,则确定通过身份验证。
在本申请实施例中,通过将采集到的通过身份认证的人脸图像数据与用户身份信息进行绑定和存储,使得当执行主体再次执行基于该用户的人脸图像数据进行身份认证操作时,可以先基于数据存储单元中存储的转换图像数据进行比对,若为以转换并验证过的人脸图像数据,则可以直接调用数据存储单元中的数据,无需再次执行人脸图像数据转换操作,避免了数据处理资源的浪费且提升了身份认证的效率。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种基于图像处理的身份验证装置,如图4所示,该装置包括:
获取模块41,用于获取待身份验证的人脸图像数据;
转换模块42,用于通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;
确定模块43,用于若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
进一步地,所述装置还包括生成模块,
所述获取模块41,还用于获取至少两个图像域所对应的图像样本数据,以及所述图像域的域信息;
所述确定模块43,还用于根据所述域信息确定与所述图像域对应的域映射关系,并构建待训练人脸图像转换模型的生成对抗网络,所述生成对抗网络包括生成器以及鉴别器;
所述生成模块,用于当确定用于训练模型的目标域后,通过所述生成器生成与所述图像训练样本数据以及所述目标域对应的真假训练样本数据,所述真假训练样本数据中包含所述目标域在所述域映射关系中的他域信息;
所述确定模块43,还用于当根据所述真假训练样本数据对所述人脸图像转换模型进行训练过程中,所述鉴别器计算的损失值符合预设损失阈值,则确定所述人脸图像转换模型完成训练。
进一步地,所述装置还包括:
计算模块,用于通过所述鉴别器计算所述人脸图像转换模型对所述真假训练样本数据进行训练的第一损失值,并基于与所述鉴别器关联的分类器以及所述他域信息确定所述真假训练样本数据分类至所述目标域的第二损失值,以基于所述第一损失值、所述第二损失值确定是否符合预设损失阈值。
进一步地,所述确定模块43,还用于按照所述图像样本数据的图像属性、验证业务类型从所述图像域中确定目标域,所述图像属性包括图像像素值、图像分辨率、图像颜色值数量中至少一项,所述验证业务类型用于表征图像数据用于身份验证的业务分类;和/或,
从所述时域、频域、空间域中随机确定目标域。
进一步地,所述装置还包括:展示模块、绑定模块,
所述展示模块,用于当接收到验证图像录入请求时,展示用于图像采集的预置验证表情,所述预置验证表情包括至少两种预置表情,所述图像训练样本数据中包含与所述预置表情对应的表情图像数据;
所述计算模块,还用于当采集到待认证的验证图像数据后,计算所述验证图像数据与所述预置验证表情的图像相似度;
所述绑定模块,用于若所述图像相似度大于预设相似度阈值,则将所述验证图像数据与所述验证图像录入请求对应的身份信息进行绑定。
进一步地,所述装置还包括:提取模块,
所述提取模块,用于按照完成模型训练的人脸特征提取模型对所述转换图像数据以及所述验证图像数据进行特征提取,得到对比特征图像数据;
所述确定模块43,还用于若所述对比特征图像数据的特征相似度度大于预设特征相似度阈值,则确定所述转换图像数据与所述验证图像数据匹配。
进一步地,所述装置还包括:存储模块、比对模块,
所述存储模块,用于将通过身份验证的所述人脸图像数据与所述转换图像数据进行绑定存储在与所述身份信息匹配的数据存储单元中;
所述比对模块,用于将接收到再次请求身份验证的人脸图像数据与所述数据存储单元中的全部转换图像数据进行对比;
所述确定模块43,还用于若所述数据存储单元中存在与再次请求身份验证的人脸图像数据匹配的转换图像数据,则确定通过身份验证。
本发明提供了一种基于图像处理的身份验证方法及装置、存储介质、计算机设备,与现有技术相比,本发明实施例通过获取待身份验证的人脸图像数据;通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的,实现了基于至少两个不同图像域的图像数据组合得到训练样本数据,从而使得基于该组合域训练样本数据训练得到的图像转换模型训练充分,减少了人脸转换失真情况,从而提升了通过人脸识别进行身份验证的有效性。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于图像处理的身份验证方法。
图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图,本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示,该计算机设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述基于图像处理的身份验证方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
获取待身份验证的人脸图像数据;
通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;
若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的身份验证方法,其特征在于,包括:
获取待身份验证的人脸图像数据;
通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;
若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
2.根据权利要求1所述的方法,其特征在于,所述通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据之前,所述方法还包括:
获取至少两个图像域所对应的图像样本数据,以及所述图像域的域信息;
根据所述域信息确定与所述图像域对应的域映射关系,并构建待训练人脸图像转换模型的生成对抗网络,所述生成对抗网络包括生成器以及鉴别器;
当确定用于训练模型的目标域后,通过所述生成器生成与所述图像训练样本数据以及所述目标域对应的真假训练样本数据,所述真假训练样本数据中包含所述目标域在所述域映射关系中的他域信息;
当根据所述真假训练样本数据对所述人脸图像转换模型进行训练过程中,所述鉴别器计算的损失值符合预设损失阈值,则确定所述人脸图像转换模型完成训练。
3.根据权利要求2所述的方法,其特征在于,所述构建待训练人脸图像转换模型的生成对抗网络之后,所述方法还包括:
通过所述鉴别器计算所述人脸图像转换模型对所述真假训练样本数据进行训练的第一损失值,并基于与所述鉴别器关联的分类器以及所述他域信息确定所述真假训练样本数据分类至所述目标域的第二损失值,以基于所述第一损失值、所述第二损失值确定是否符合预设损失阈值。
4.根据权利要求2所述的方法,其特征在于,所述图像域包括时域、频域、空间域,所述方法还包括:
按照所述图像样本数据的图像属性、验证业务类型从所述图像域中确定目标域,所述图像属性包括图像像素值、图像分辨率、图像颜色值数量中至少一项,所述验证业务类型用于表征图像数据用于身份验证的业务分类;和/或,
从所述时域、频域、空间域中随机确定目标域。
5.根据权利要求1所述的方法,其特征在于,所述获取待身份验证的人脸图像数据之前,所述方法还包括:
当接收到验证图像录入请求时,展示用于图像采集的预置验证表情,所述预置验证表情包括至少两种预置表情,所述图像训练样本数据中包含与所述预置表情对应的表情图像数据;
当采集到待认证的验证图像数据后,计算所述验证图像数据与所述预置验证表情的图像相似度;
若所述图像相似度大于预设相似度阈值,则将所述验证图像数据与所述验证图像录入请求对应的身份信息进行绑定。
6.根据权利要求5所述的方法,其特征在于,所述确定所述人脸图像数据通过身份验证之前,所述方法还包括:
按照完成模型训练的人脸特征提取模型对所述转换图像数据以及所述验证图像数据进行特征提取,得到对比特征图像数据;
若所述对比特征图像数据的特征相似度度大于预设特征相似度阈值,则确定所述转换图像数据与所述验证图像数据匹配。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
将通过身份验证的所述人脸图像数据与所述转换图像数据进行绑定存储在与所述身份信息匹配的数据存储单元中;
将接收到再次请求身份验证的人脸图像数据与所述数据存储单元中的全部转换图像数据进行对比;
若所述数据存储单元中存在与再次请求身份验证的人脸图像数据匹配的转换图像数据,则确定通过身份验证。
8.一种基于图像处理的身份验证装置,其特征在于,包括:
获取模块,用于获取待身份验证的人脸图像数据;
转换模块,用于通过已完成训练的人脸图像转换模型对所述人脸图像数据进行转换处理,得到转换图像数据,所述人脸图像转换模型为基于至少两个图像域中的图像训练样本数据进行训练得到的,其中,不同图像域中的图像训练样本数据通过域映射关系在生成器中生成目标域的真假训练样本数据,并通过鉴别器对所述真假训练样本数据进行损失验证,完成基于所述图像训练样本的模型训练;
确定模块,用于若所述转换图像数据与基于待身份验证的身份信息调取的验证图像数据匹配,则确定所述人脸图像数据通过身份验证,所述验证图像数据为按照预置验证表情进行图像采集得到的。
9.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于图像处理的身份验证方法对应的操作。
10.一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于图像处理的身份验证方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310143063.1A CN116012928A (zh) | 2023-02-16 | 2023-02-16 | 基于图像处理的身份验证方法及装置、介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310143063.1A CN116012928A (zh) | 2023-02-16 | 2023-02-16 | 基于图像处理的身份验证方法及装置、介质、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012928A true CN116012928A (zh) | 2023-04-25 |
Family
ID=86019498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310143063.1A Pending CN116012928A (zh) | 2023-02-16 | 2023-02-16 | 基于图像处理的身份验证方法及装置、介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012928A (zh) |
-
2023
- 2023-02-16 CN CN202310143063.1A patent/CN116012928A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10664581B2 (en) | Biometric-based authentication method, apparatus and system | |
CN111401558B (zh) | 数据处理模型训练方法、数据处理方法、装置、电子设备 | |
KR102043938B1 (ko) | 이미지 기반의 captcha 과제 | |
CN108804884B (zh) | 身份认证的方法、装置及计算机存储介质 | |
CN111950424B (zh) | 一种视频数据处理方法、装置、计算机及可读存储介质 | |
US20110026781A1 (en) | System for secure face identification (scifi) and methods useful in conjunction therewith | |
US11126827B2 (en) | Method and system for image identification | |
CN111753271A (zh) | 基于ai识别的开户身份验证方法、装置、设备及介质 | |
CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN113989156A (zh) | 脱敏方法的可靠性验证的方法、装置、介质、设备和程序 | |
CN109614780B (zh) | 生物信息认证方法及装置、存储介质、电子设备 | |
CA3142780A1 (en) | Webpage access method, apparatus, computer device and storage medium | |
Alkhowaiter et al. | Evaluating perceptual hashing algorithms in detecting image manipulation over social media platforms | |
CN109995761B (zh) | 服务处理方法、装置、电子设备及存储介质 | |
CN116151965A (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN116012928A (zh) | 基于图像处理的身份验证方法及装置、介质、计算机设备 | |
CN113518061B (zh) | 人脸识别中的数据传输方法、设备、装置、系统及介质 | |
CN112291188B (zh) | 注册验证方法及系统、注册验证服务器、云服务器 | |
CN111461091B (zh) | 万能指纹生成方法和装置、存储介质及电子装置 | |
CN114495188A (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN113542527A (zh) | 一种人脸图像传输方法、装置、电子设备及存储介质 | |
CN116383391B (zh) | 一种文本分类方法及装置 | |
CN108573212A (zh) | 一种手掌特征身份认证方法及装置 | |
CN114581706B (zh) | 证件识别模型的配置方法、装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |