CN116597185B - 模板更新方法及电子设备 - Google Patents
模板更新方法及电子设备 Download PDFInfo
- Publication number
- CN116597185B CN116597185B CN202310874702.1A CN202310874702A CN116597185B CN 116597185 B CN116597185 B CN 116597185B CN 202310874702 A CN202310874702 A CN 202310874702A CN 116597185 B CN116597185 B CN 116597185B
- Authority
- CN
- China
- Prior art keywords
- template
- templates
- information weight
- score
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000000875 corresponding effect Effects 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供了一种模板更新方法及电子设备。该方法包括：确定从采集的目标生物数据提取的目标生物特征与当前的第一模板集合是否匹配，将第一模板集合中的模板记为第一模板；如果匹配，对于第一模板集合中的每个第一模板，按照预设的信息权重生成策略，生成第一模板对应的第一信息权重；根据第一模板对应的第一信息权重和至少一个第一参数的参数值，确定第一模板的第一分值；根据第一模板集合中所有第一模板的第一分值，对第一模板集合进行更新，得到第二模板集合。这样，通过考虑信息权重，可以减少模板集合中的模板信息冗余，使得模板信息好而不同，提高在极端情况下的身份识别成功率。
Description
技术领域
本申请涉及终端设备领域，尤其涉及一种模板更新方法及电子设备。
背景技术
身份识别功能在目前的电子设备中是一种重要应用。通过身份识别，可以对用户使用电子设备或者电子设备中的某些功能进行控制，从而对用户数据、财产等形成保护。
身份识别指的是生物识别传感器采集用户的生物数据，将采集的该生物数据与模板中预留的数据进行比对，如果比对成功，就触发身份事件。例如，常见的身份事件场景有解锁、支付、开启进入权限等。
然而，随着时间的变化，用户的真实生物特征可能与预留的生物特征产生差异，因此需要更新预留模板，以此来最大程度反映人体生物特征。
发明内容
为了解决上述技术问题，本申请提供一种模板更新方法及电子设备，提高基于生物特征的身份识别成功率。
第一方面，本申请提供一种模板更新方法，该方法应用于电子设备，该方法包括：确定从采集的目标生物数据提取的目标生物特征与当前的第一模板集合是否匹配，将第一模板集合中的模板记为第一模板；如果匹配，对于第一模板集合中的每个第一模板，按照预设的信息权重生成策略，生成第一模板对应的第一信息权重；根据第一模板对应的第一信息权重和至少一个第一参数的参数值，确定第一模板的第一分值；根据第一模板集合中所有第一模板的第一分值，对第一模板集合进行更新，得到第二模板集合。这样，通过考虑信息权重，可以减少模板集合中的模板信息冗余，使得模板信息好而不同，提高在极端情况下的身份识别成功率。
根据第一方面，按照预设的信息权重生成策略，生成第一模板对应的第一信息权重，包括：将第一模板集合中的所有第一模板进行聚类；从聚类结果中，查找第一模板所处的目标类；根据目标类中的模板数目，确定第一模板对应的第一信息权重。
根据第一方面，根据目标类中的模板数目，确定第一模板对应的第一信息权重，包括：确定第一模板对应的第一信息权重等于目标类中模板数目的倒数；或者，确定第一模板对应的第一信息权重等于目标类中模板数目的倒数与第一常数的乘积。
根据第一方面，按照预设的信息权重生成策略，生成第一模板对应的第一信息权重，包括：统计在使用第一模板集合进行第一次数的身份识别过程中，第一模板被匹配到的第一匹配次数；如果第一匹配次数不为0，确定第一模板对应的第一信息权重等于第一匹配次数的倒数，或者，确定第一模板对应的第一信息权重等于第一匹配次数的倒数与第二常数的乘积；如果第一匹配次数为0，确定第一模板对应的第一信息权重等于第一信息权重取值范围内的最大值。
根据第一方面，根据第一模板对应的第一信息权重和至少一个第一参数的参数值，确定第一模板的第一分值，包括：根据第一模板对应的第一信息权重和第一系数，确定第一乘积；根据第一模板对应的至少一个第一参数中每个第一参数的参数值和第一参数对应的第二系数，确定至少一个第二乘积，第二系数为正数；根据第一乘积和至少一个第二乘积，确定第一模板的第一分值。
根据第一方面，第一系数为负数。
根据第一方面，第一模板的第一分值等于第一乘积和至少一个第二乘积之和。
根据第一方面，至少一个第一参数包括：匹配分数，匹配分数为第一模板与目标生物特征的相似度值；和/或，质量分数，质量分数用于表示第一模板的质量。
根据第一方面，根据第一模板对应的第一信息权重和至少一个第一参数的参数值，确定第一模板的第一分值，包括：根据第一模板对应的第一信息权重和第一系数，确定第一乘积；根据第一模板与目标生物特征的匹配分数、以及第二系数，确定第二乘积，第二系数为正数；根据第一模板的质量分数和第三系数，确定第三乘积；将第一乘积、第二乘积和第三乘积之和，确定为第一模板的第一分值。
根据第一方面，第一系数为负数，第二系数为正数，第三系数为负数。
根据第一方面，根据第一模板集合中所有第一模板的第一分值，对第一模板集合进行更新，得到第二模板集合，包括：查找第一模板集合中第一分值最大的第一模板，记为第一目标模板；从第一模板集合中删除第一目标模板；将目标生物特征作为模板添加到第一模板集合中，得到第二模板集合。
根据第一方面，根据第一模板集合中所有第一模板的第一分值，对第一模板集合进行更新，得到第二模板集合，包括：如果第一模板集合中的第一模板数量小于第一数量，将目标生物特征作为模板添加到第一模板集合中，得到第二模板集合。
根据第一方面，目标生物数据为如下数据中的一种：人脸数据；虹膜数据；指纹数据；掌纹数据。
根据第一方面，第一信息权重的值与第一模板包含的信息量正相关，第一分值与第一信息权重负相关。
第二方面，本申请提供一种电子设备，包括：存储器和处理器，存储器与处理器耦合；存储器存储有程序指令，当程序指令由处理器执行时，使得电子设备执行第一方面任意一项的模板更新方法。
第三方面，本申请提供一种计算机可读存储介质，包括计算机程序，当计算机程序在电子设备上运行时，使得电子设备执行前述的第一方面任意一项的模板更新方法。
附图说明
图1为示例性示出的电子设备100的结构示意图；
图2为示例性示出的本申请实施例的电子设备100的软件结构框图；
图3为示例性示出的本实施例中模板更新系统的结构图；
图4为示例性示出的示例一中模板替换流程的示例图；
图5为示例性示出的示例二中模板添加流程的示例图；
图6为示例性示出的示例三中模板删除流程的示例图；
图7为示例性示出的生物特征模板集合中模板的空间分布示例图；
图8为示例性示出的示例四中模板替换流程的示例图；
图9为示例性示出的示例五中模板添加流程的示例图；
图10为示例性示出的示例六中模板删除流程的示例图；
图11为示例性示出的模板更新流程的示例图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。
本实施例提供一种模板更新方法，该模板更新方法可以应用于手机、平板等电子设备。当然，不限于这些电子设备，例如该模板更新方法还可以应用于一些具有身份信息信息采集和识别功能的自助服务终端。
本实施例中，电子设备的结构可以如图1所示。
图1为示例性示出的电子设备100的结构示意图。应该理解的是，图1所示电子设备100仅是电子设备的一个范例，并且电子设备100可以具有比图中所示的更多的或者更少的部件，可以组合两个或多个的部件，或者可以具有不同的部件配置。图1中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
请参见图1，电子设备100可以包括：处理器110，内部存储器121，通用串行总线(universal serial bus，USB)接口130，充电管理模块140，电源管理模块141，电池142，天线1，天线2，移动通信模块150，无线通信模块160，音频模块170，扬声器170A，受话器170B，麦克风170C，耳机接口170D，传感器模块180，指示器192，摄像头193等。
处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，存储器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
其中，控制器可以是电子设备100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。
处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。
内部存储器121可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令，从而执行电子设备100的各种功能应用以及数据处理。内部存储器121可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器121可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。
电子设备100通过GPU，显示屏194，以及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏194和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器110可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。
其中，其中传感器模块180可以包括压力传感器180A，陀螺仪传感器180B，气压传感器180C，磁传感器180D，加速度传感器180E，距离传感器180F，接近光传感器180G，指纹传感器180H，温度传感器180J，触摸传感器180K，环境光传感器180L，骨传导传感器180M等。
指纹传感器180H用于采集指纹。电子设备100可以利用采集的指纹特性实现指纹解锁，访问应用锁，指纹拍照，指纹接听来电等。
电子设备100可以通过ISP，摄像头193，视频编解码器，GPU，显示屏194以及应用处理器等实现拍摄功能。
ISP 用于处理摄像头193反馈的数据。例如，拍照时，打开快门，光线通过镜头被传递到摄像头感光元件上，光信号转换为电信号，摄像头感光元件将所述电信号传递给ISP处理，转化为肉眼可见的图像。ISP还可以对图像的噪点，亮度，颜色进行算法优化。ISP还可以对拍摄场景的曝光，色温等参数优化。在一些实施例中，ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，CMOS)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB，YUV等格式的图像信号。在一些实施例中，电子设备100可以包括1个或N个摄像头193，N为大于1的正整数。
数字信号处理器用于处理数字信号，除了可以处理数字图像信号，还可以处理其他数字信号。例如，当电子设备100在频点选择时，数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。电子设备100可以支持一种或多种视频编解码器。这样，电子设备100可以播放或录制多种编码格式的视频，例如：动态图像专家组(moving picture experts group，MPEG)1，MPEG2，MPEG3，MPEG4等。
当然，除了上述组成部分外，电子设备100还可以包括其他的硬件组成部分，例如专用于采集虹膜数据的摄像头或传感器等，此处不再一一列举。
图2为示例性示出的本申请实施例的电子设备100的软件结构框图。
电子设备100的分层架构将软件分成若干个层，每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中，Android系统可以包括应用程序层、应用程序框架层、系统库以及内核层等。
应用程序层可以包括一系列应用程序包。
如图2所示，应用程序包可以包括相机、图库、设置、地图、WLAN、音乐、短信息、通话、导航、蓝牙、视频等应用程序。当然，这些应用仅为示例性的，在其他实施例中，应用程序层可以包括图2中未示出的应用，也可以不包括图2中示出的一个或多个应用。
其中，设置应用中可以包括模板更新模块，该模板更新模块用于执行本申请实施例的模板更新方法。当然，模板更新模块位于设置应用中是列举的模板更新模块所处位置的示例，根据实际应用需求，也可以将模板更新模块置于其他位置，本实施例对此不作限定。
如图2所示，应用程序框架层可以包括窗口管理器，资源管理器，视图系统等。
窗口管理器用于管理窗口程序。窗口管理器可以获取显示屏大小，判断是否有状态栏，锁定屏幕，截取屏幕等。
视图系统包括可视控件，例如显示文字的控件，显示图片的控件等。视图系统可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如，包括短信通知图标的显示界面，可以包括显示文字的视图以及显示图片的视图。
资源管理器为应用程序提供各种资源，比如本地化字符串，图标，图片，布局文件，视频文件等等。
安卓运行时（Android Runtime）包括核心库和虚拟机。Android runtime负责安卓系统的调度和管理。
核心库包含两部分：一部分是java语言需要调用的功能函数，另一部分是安卓的核心库。
应用程序层和应用程序框架层运行在虚拟机中。虚拟机将应用程序层和应用程序框架层的java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理，堆栈管理，线程管理，安全和异常的管理，以及垃圾回收等功能。
系统库可以包括多个功能模块。例如：表面管理器(surface manager)，媒体库(Media Libraries)，三维图形处理库(例如：OpenGL ES)，二维图形引擎(例如：SGL)等。
表面管理器用于对显示子系统进行管理，并且为多个应用程序提供了2D和3D图层的融合。
媒体库支持多种常用的音频，视频格式回放和录制，以及静态图像文件等。媒体库可以支持多种音视频编码格式，例如: MPEG4，H.264，MP3，AAC，AMR，JPG，PNG等。
三维图形处理库用于实现三维图形绘图，图像渲染，合成，和图层处理等。
二维图形引擎是2D（二维）绘图的绘图引擎。
内核层是硬件和软件之间的层。
如图2所示，内核层可以包括显示驱动，摄像头驱动，音频驱动，传感器驱动，蓝牙驱动等。
可以理解的是，图2示出的软件结构中的层以及各层中包含的部件，并不构成对电子设备100的具体限定。在本申请另一些实施例中，电子设备100可以包括比图示更多或更少的层，以及每个层中可以包括更多或更少的部件，本申请不做限定。
下面以生物特征模板为例，对本实施例的模板更新方法进行说明。
电子设备中保存有生物特征模板集合，生物特征模板集合中可以包括一个或多个生物特征模板。生物特征模板集合中可以保存的生物特征模板的最大数目为生物特征模板集合的最大容量。生物特征模板集合中保存的生物特征模板的实际数目为生物特征模板集合的模板容量。以下如无特别说明，模板指生物特征模板。
生物特征模板更新可以分为三个操作：替换、添加，删除。
其中，替换操作指的是模板数目达到最大容量的情况下，替换选中的模板。
其中，添加操作指的是模板数目未达到最大容量的情况下，添加额外的模板。
其中，删除操作指的是模板数目达到最大容量的情况下，删除选中的模板。
图3为示例性示出的本实施例中模板更新系统的结构图。如图3所示，本实施例中，模板更新系统可以包括掌纹采集模块、指纹采集模块、人脸采集模块、虹膜采集模块和模板更新模块。
其中，掌纹采集模块用于采集用户的掌纹数据，并将该掌纹数据发送给模板更新模块。
指纹采集模块用于采集用户的指纹数据，并将该指纹数据发送给模板更新模块。
人脸采集模块用于采集用户的人脸数据，并将该人脸数据发送给模板更新模块。
虹膜采集模块用于采集用户的虹膜数据，并将该虹膜数据发送给模板更新模块。
模板更新模块用于根据接收到的掌纹数据、指纹数据、人脸数据、虹膜数据更新对应的模板集合。例如，根据掌纹数据更新掌纹模板集合，根据人脸数据更新人脸数据集合，等等。
需要说明的是，在其他实施例中，模板更新系统也可以包括掌纹采集模块、指纹采集模块、人脸采集模块、虹膜采集模块中的任意一个或多个。
示例一
本示例可以是在当前模板集合的模板容量未达到最大容量的情况下电子设备所执行的模板更新流程，也可以是在当前模板集合的模板容量达到最大容量的情况下电子设备所执行的模板更新流程。
图4为示例性示出的示例一中模板替换流程的示例图。请参见图4，本实施例中，模板替换流程可以包括如下步骤：
S401，将采集的用户生物数据作为待验证生物数据。
S402，对待验证生物数据进行特征提取，得到目标生物特征。
例如，可以根据如下的公式（1）从生物数据中提取生物特征。本文中，将从待验证生物数据提取的生物特征记为目标生物特征。
（1）
公式（1）中，x为生物数据。例如，x可以是生物传感器采集的虹膜、人脸、指纹、指静脉、掌纹等任一生物特征数据。f是特征提取器，例如，f可以是一般的卷积神经网络或者是传统的特征提取器，比如采用SIFT（Scale-invariant feature transform，尺度不变特征转换）算法的征提取器，采用ORB Oriented Fast and Rotated Brief）算法的征提取器等。Z是从x中提取得到的特征向量，Z可以是描述子或者是嵌入特征embedding。待验证生物数据对应的特征向量即为目标生物特征。
S403，将目标生物特征与当前模板集合进行配对，得到匹配分数。
其中，可以根据如下的公式（2）计算目标生物特征与当前模板集合的匹配分数。
（2）
公式（2）中，tpls是当前模板集合。Sim是相似度函数，例如，Sim可以是Euclidean距离（即欧几里得距离）、cosine距离（即余弦距离）等。scores是相似度得分，scores大于某个阈值表示匹配上了。Z是根据前述公式（1）得到特征向量。
S404，判断匹配分数是否大于匹配分数阈值，如果是，执行步骤S405，否则结束。
此处，只要目标生物特征与当前模板集合中任一模板的匹配分数大于匹配分数阈值，即认为目标生物特征与当前模板集合匹配。
例如，在一个示例中，可以逐个计算当前模板集合中的模板与目标生物特征的相似度函数值作为匹配分数，直到计算出一个匹配分数大于匹配分数阈值的模板，停止计算。
举例说明，如果当前模板集合中有20个模板，分别为模板1、模板2……模板20。首先计算模板1与目标生物特征的匹配分数1，如果匹配分数1小于匹配分数阈值，接着计算模板2与目标生物特征的匹配分数2，如果匹配分数2仍然小于匹配分数阈值，继续计算模板3与目标生物特征的匹配分数3，如果匹配分数3大于匹配分数阈值，停止计算，即不再计算模板4、模板5……模板20与目标生物特征的匹配分数。这样，目标生物特征与当前模板集合的匹配分数就等于模板3与目标生物特征的匹配分数3。
S405，对于当前模板集合中的每个模板，根据目标生物特征与该模板的匹配分数、该模板的质量分数获取该模板的组合得分。
S406，判断当前模板集合中是否有模板的组合得分大于组合得分阈值，如果是，执行步骤S407，否则结束。
S407，用目标生物特征替换当前模板集合中组合得分最高的模板。
即将当前模板集合中组合得分最高的模板从模板集合中删除，将目标生物特征添加到模板集合中，得到新模板集合。
可见，在示例一中，模板更新的原则是在匹配上的基础上，如果当前数据（即目标生物特征）的质量得分与相似度得分（即匹配得分）的组合得分大于某个阈值，就认为需要进行模板更新，最后用待验证生物数据的目标生物特征作为模板替代当前模板集合中组合得分最高的模板。
示例二
本示例是在当前模板集合的模板容量未达到最大容量的情况下电子设备所执行的模板更新流程。
图5为示例性示出的示例二中模板添加流程的示例图。请参见图5，本实施例中，模板添加流程可以包括如下步骤：
S501，将采集的用户生物数据作为待验证生物数据。
S502，对待验证生物数据进行特征提取，得到目标生物特征。
本步骤的实现方式请参见前述的步骤S402，此处不再赘述。
S503，将目标生物特征与当前模板集合进行配对，得到匹配分数。
本步骤的实现方式请参见前述的步骤S403，此处不再赘述。
S504，判断匹配分数是否大于匹配分数阈值，如果是，执行步骤S505，否则结束。
此处，只要目标生物特征与当前模板集合中任一模板的匹配分数大于匹配分数阈值，即认为目标生物特征与当前模板集合匹配。本步骤的实现方式请参见前述的步骤S404，此处不再赘述。
S505，对于当前模板集合中的每个模板，根据目标生物特征与该模板的匹配分数、该模板的质量分数获取该模板的组合得分。
S506，判断当前模板集合中是否有模板的组合得分大于组合得分阈值，如果是，执行步骤S507，否则结束。
S507，将目标生物特征添加或直接录入到当前模板集合中。
本示例中，模板添加可以分为直接录入或者添加两个操作，直接录入就是将采集的用户生物数据的目标生物特征作为模板直接录入到模板集合中。添加是如果采集的用户生物数据满足匹配分数和质量得分组合，就将用户生物数据的目标生物特征添加到模板集合中。
本示例很容易造成模板空间信息冗余，造成模板存储空间浪费，又缺少稀少模板信息。
示例三
本示例是在当前模板集合的模板容量达到最大容量的情况下电子设备所执行的模板更新流程。
图6为示例性示出的示例三中模板删除流程的示例图。请参见图6，本实施例中，模板删除流程可以包括如下步骤：
S601，当前模板集合的模板容量达到最大容量。
也即当前模板集合的模板满了。
当采集到用户生物数据，将用户生物数据作为待验证生物数据，并对待验证生物数据进行特征提取，得到目标生物特征后，可以根据当前模板集合的模板数目判断当前模板集合是否已满，即判断当前模板集合的模板数目是否达到最大容量。
S602，按照匹配次数，对当前模板集合中的各个模板进行排序。
本步骤中，匹配次数的获取方式可以是，根据本次的待验证生物数据计算当前模板集合中的每一个模板的匹配次数。该过程可以是：
计算待验证生物数据的目标生物特征与当前模板集合中的每一个模板的相似度值，将相似度值作为模板的匹配分数值，判断模板的匹配分数值是否大于匹配分数阈值，如果大于，确定模板的匹配次数为1，如果模板的匹配分数值小于匹配分数阈值，确定模板的匹配次数为0。
这样，当前模板集合中的模板的匹配次数为1，或者为0。对于匹配次数都是0或者都是1的多个模板，可以按照模板的生成时间（即将模板录入到模板集合中的时间）先后进行排序。例如，假设模板c和模板d的匹配次数都是0，模板a和模板b的匹配次数都是1，录入到模板集合中的时间由先到后依次为：模板d、模板b、模板c、模板a，那么按照匹配次数从高到低排序为：
模板a（匹配次数1，生成时间晚于模板b）
模板b（匹配次数1）
模板c（匹配次数0，生成时间晚于模板d）
模板d（匹配次数0）。
S603，根据排序结果从当前模板集合中查找匹配次数最少的模板。
S604，将查找出的匹配次数最少的模板从当前模板集合中删除。
本示例按照匹配的频率决定删除的模板，但是频率低并不代表不重要，频率低可能和使用场景有关。
图7为示例性示出的生物特征模板集合中模板的空间分布示例图。请参见图7，圆点代表模板，小圆圈内的圆点表示经过聚类后属于同一类别的模板，例如类别1对应的小圆圈内的模板属于类别1，类别2对应的小圆圈内的模板属于类别2，类别3对应的小圆圈内的模板属于类别3。其中，所属类别包含的模板数目较多的模板为常见模板信息，所属类别包含的模板数目很少的模板为稀少模板信息。
可见，生物特征模板集合中，如果常见模板信息多，稀少模板信息少，那么模板分布空间就小，分布单一，常见模板信息冗余，稀少模板信息缺失。如果生物特征模板集合中常见模板信息少，稀少模板信息多，那么模板分布空间就大，分布多样，常见模板信息冗余减少，稀少模板信息会更丰富。
前述示例一、示例二、示例三中，用质量分数和匹配分数进行模板更新判定，这样，模板倾向于固定参数组合的输入生物特征数据，模板就会一直在固定的模板空间进行更新，并且导致模板更新僵化，分布空间缩小，分布单一，常见模板信息冗余，稀少模板信息缺失。这样，当遇到低温/干手指（指纹），角度过大/背景复杂（人脸）等极端场景下，基于生物特征的身份识别准确率低，解锁率低，极大的影响用户体验。
在后续实施例中，在模板更新的判定决策中引入信息权重。使得在低温/干手指（指纹），角度过大/背景复杂（人脸）等场景下，能基于生物特征模板集合更准确地进行身份识别，提高基于生物特征的身份识别成功率，提高解锁率，提升用户体验。
其中，信息权重指的是模板在模板空间的信息含量，模板分布越离散，不确定性更大，所含有的信息越多，每个模板所在的类的数量越多，说明信息量越少，冗余的信息更多。
示例四
本示例可以是在当前模板集合的模板容量未达到最大容量的情况下电子设备所执行的模板更新流程，也可以是在当前模板集合的模板容量达到最大容量的情况下电子设备所执行的模板更新流程。
图8为示例性示出的示例四中模板替换流程的示例图。请参见图8，本实施例中，模板替换流程可以包括如下步骤：
S801，将采集的用户生物数据作为待验证生物数据。
本流程的触发条件可以是：模板更新模块接收到采集的用户生物数据。
其中，用户生物数据可以是人脸数据、虹膜数据、指纹数据、掌纹数据等等。
S802，对待验证生物数据进行特征提取，得到目标生物特征。
本步骤的实现方式请参见前述的步骤S402，此处不再赘述。
S803，将目标生物特征与当前模板集合进行配对，得到匹配分数。
本步骤的实现方式请参见前述的步骤S403，此处不再赘述。
S804，判断匹配分数是否大于匹配分数阈值，如果是，执行步骤S807，否则结束。
此处，只要目标生物特征与当前模板集合中任一模板的匹配分数大于匹配分数阈值，即认为目标生物特征与当前模板集合匹配。
S805，将当前模板集合中的所有模板进行聚类。
S806，将每个模板所处类的模板数目的倒数作为模板的信息权重。
例如，可以采用GMM（高斯混合模型）、Kmeans（K-均值）、DBSCAN（Density-BasedSpatial Clustering of Applications with Noise，基于密度的聚类算法）等算法将模板聚类，类别N+1，N为自然数。然后，根据聚类结果确定模板的信息权重。为减少计算，N可取2、3等较小的整数，“N+1”中的1指的是不确定的类，该类中模板的权重最大，为w，其他各个类中模板的信息权重为w/n，n为模板所处类的模板数目。
在一个示例中，w的取值范围可以是：0＜w≤1。
举例说明。假设模板集合共有20个模板，聚类结果为：类别1（包括模板1，类别1中的模板数目为10），类别2（包括模板2，类别2中的模板数目为5），类别3（包括模板3，类别3中的模板数目为4），类别4（包括模板4，类别4中的模板数目为1）。那么，模板1、模板2、模板3、模板4的信息权重依次为：w/10、w/5、w/4、w，或者1/10、1/5、1/4、1。其中，类别1、类别2、类别3中的模板为常见模板信息，类别4中的模板为稀少模板信息，稀少模板信息的信息权重高于常见模板信息的信息权重，即信息权重的值与模板包含的信息量正相关（模板中的稀少信息越多，稀少程度越高，模板包含的信息量越多），从而使得在模板集合更新过程中，信息权重大的模板更不容易被删除或替换，权重信息小的更容易被删除或替换。
这样，通过考虑信息权重，可以减少模板集合中的模板信息冗余，使得模板信息好而不同，能够处理极端情况。
在其他示例中，也可以将步骤S806替换为如下步骤，即按照如下的步骤获取模板的信息权重：
统计在使用模板集合进行第一次数的身份识别过程中，模板被匹配到的第一匹配次数；
如果第一匹配次数不为0，确定模板对应的信息权重等于第一匹配次数的倒数，或者，确定模板对应的第一信息权重等于第一匹配次数的倒数与第二常数的乘积，第二常数为正数；
如果第一匹配次数为0，确定第一模板对应的信息权重等于信息权重取值范围内的最大值。
例如，在使用模板集合进行100次的身份识别过程中，假设模板集合中的模板1匹配次数为8，模板2匹配次数为15，那么模板1、模板2的信息权重分别为1/8、1/15，或者w/8、w/15（w大于0，且w小于1）。
当前，以上仅为列举的示例，并不用于对信息权重的获取方式进行限定。在其他实施例中，也可以采用其他方式获取信息权重。
需要说明的是，步骤S805、S806可以在步骤S804之后、步骤S807之前执行，也可以在步骤S801至S804的任一步骤前执行，或者在步骤S801至S804之间的任意时间执行。
本文中，模板的信息权重可以用于表征模板属于稀少模板信息的可能性大小，或者表征模板包括的稀少信息的多少。模板的信息权重越大，表明模板属于稀少模板信息的可能性越大，或者表明模板包括的稀少信息越多。
例如，对于图7中的模板，类别1中的模板最常见，因此类别1中的模板信息权重小，聚类结果一个类别中只有一个的模板最稀少，信息权重大。
S807，对于当前模板集合中的每个模板，根据目标生物特征与该模板的匹配分数、该模板的质量分数以及该模板的信息权重获取该模板的组合得分。
例如，假设组合得分为y，信息权重为weight，匹配分数为score，质量分数为quality，那么，步骤S807中的组合得分可以根据如下的公式（3）计算得到。
（3）
公式（3）中，a为信息权重weight的系数，b为质量分数quality的系数，c为匹配分数score的系数。
在一个示例中，公式（3）中的系数a为负数，系数b为负数，系数c为正数。
其中，质量分数用于表示模板的质量。用模板识别身份的识别结果越准确，模板的质量分数越高。本实施例中的质量分数可以采用相关技术中的质量分数计算方式获取，例如可以用信息熵的值作为质量分数。信息熵越大，表明信息量就越丰富，质量也就越好。关于质量分数的其他获取方式请参见相关技术中的说明，此处不再对质量分数的其他获取方式进行一一列举。
这样，通过在模板替换策略中加入权重信息，使得与待验证生物数据的目标生物特征越相似（匹配分数越高，越相似）、质量分数越低、权重信息越小（这样y值越大）的模板，越容易被替换。
在一个示例中，每个模板的质量分数可以是在该模板添加到模板集合时获得，并存储在电子设备中。
需要说明的是，在其他实施例中，也可以根据当前模板集合中模板的匹配分数和模板的信息权重获取该模板的组合得分，或者根据当前模板集合中模板的质量分数和模板的信息权重获取该模板的组合得分。
S808，判断当前模板集合中是否有模板的组合得分大于组合得分阈值，如果是，执行步骤S809，否则结束。
S809，用目标生物特征替换当前模板集合中组合得分最高的模板。
示例五
本示例是在当前模板集合的模板容量未达到最大容量的情况下电子设备所执行的模板添加流程。
图9为示例性示出的示例五中模板添加流程的示例图。请参见图9，本实施例中，模板添加流程可以包括如下步骤：
S901，将采集的用户生物数据作为待验证生物数据。
本流程的触发条件可以是：模板更新模块接收到采集的用户生物数据。
S902，对待验证生物数据进行特征提取，得到目标生物特征。
本步骤的实现方式请参见前述的步骤S402，此处不再赘述。
S903，将目标生物特征与当前模板集合进行配对，得到匹配分数。
本步骤的实现方式请参见前述的步骤S403，此处不再赘述。
S904，判断匹配分数是否大于匹配分数阈值，如果是，执行步骤S807，否则结束。
此处，只要目标生物特征与当前模板集合中任一模板的匹配分数大于匹配分数阈值，即认为目标生物特征与当前模板集合匹配。
S905，将当前模板集合中的所有模板进行聚类。
S906，将每个模板所处类的模板数目的倒数作为模板的信息权重。
本步骤的实现方式请参见前述的步骤S806，此处不再赘述。
需要说明的是，步骤S905、S906可以在步骤S904之后、步骤S907之前执行，也可以在步骤S901至S904的任一步骤前执行，或者在步骤S901至S904之间的任意时间执行。
S907，对于当前模板集合中的每个模板，根据目标生物特征与该模板的匹配分数、该模板的质量分数以及该模板的信息权重获取该模板的组合得分。
本步骤的实现方式请参见前述的步骤S806，此处不再赘述。
S908，判断当前模板集合中是否有模板的组合得分大于组合得分阈值，如果是，执行步骤S909，否则结束。
S909，将目标生物特征添加或直接录入到当前模板集合中。
本示例中，模板添加可以分为直接录入或者添加两个操作，直接录入就是将采集的用户生物数据的目标生物特征作为模板直接录入到模板集合中。添加是采集的用户生物数据满足匹配分数和质量得分组合，就将添加户生物数据的目标生物特征到模板集合中。
本示例中，将模板的信息权重加入到模板添加策略中，通过考虑信息权重，减少模板集合中的信息冗余，减少模板存储空间，使得模板信息好而不同，能够处理极端情况。
示例六
本示例是在当前模板集合的模板容量达到最大容量的情况下电子设备所执行的模板更新流程。
图10为示例性示出的示例六中模板删除流程的示例图。请参见图10，本实施例中，模板删除流程可以包括如下步骤：
S1001，当前模板集合的模板容量达到最大容量。
也即当前模板集合的模板满了。
本流程的触发条件可以是：模板更新模块接收到采集的用户生物数据。
S1002，将当前模板集合中的所有模板进行聚类。
S1003，将每个模板所处类的模板数目的倒数作为模板的信息权重。
S1004，按照匹配次数和信息权重的组合得分，对当前模板集合中的各个模板进行排序。
例如，假设匹配次数为times，信息权重为weight，那么匹配次数和信息权重的组合得分S可以根据如下的公式（4）计算得到。
（4）
公式（4）中，p为信息权重weight的系数，p为负数，q为匹配次数为times的系数，q为正数。
S1005，根据排序结果从当前模板集合中查找匹配次数和信息权重的组合得分最多的模板。
S1006，将查找出的组合得分最多的模板从当前模板集合中删除。
本示例将模板的信息权重加入到模板删除策略中，通过考虑信息权重，减少了模板集合中的模板信息冗余，减少模板存储空间，使得模板信息好而不同，能够处理极端情况。
当将示例四、示例五、示例六等实施例应用于低温/干手指（指纹）、角度过大/背景复杂（人脸）等场景时，可以在这些极端场景中提高基于生物数据的身份识别准确率，从而提升用户使用体验。
图11为示例性示出的模板更新流程的示例图。请参见图11，本实施例中，模板更新流程可以包括如下步骤：
S1101，确定从采集的目标生物数据提取的目标生物特征与当前的第一模板集合是否匹配，将第一模板集合中的模板记为第一模板。
S1102，如果匹配，对于第一模板集合中的每个第一模板，按照预设的信息权重生成策略，生成第一模板对应的第一信息权重。
S1103，根据第一模板对应的第一信息权重和至少一个第一参数的参数值，确定第一模板的第一分值。
S1104，根据第一模板集合中所有第一模板的第一分值，对第一模板集合进行更新，得到第二模板集合。
其中，第一信息权重为第一模板的信息权重，第一信息权重的获取方式请参见前述实施例中的相关说明，此处不再赘述。
其中，更新的方式可以是用目标生物特征替换第一模板集合中第一分值最高的第一模板，即将第一模板集合中第一分值最高的第一模板删除，然后将目标生物特征作为第一模板添加到第一模板集合中。更新的方式还可以将目标生物特征作为第一模板添加到第一模板集合中。
本实施例中，通过在模板更新策略中加入权重信息，使得与待验证生物数据的目标生物特征越相似（匹配分数越高，越相似）、质量分数越低、权重信息越小（这样y值越大）的模板，越容易被替换或删除。从而，使得模板集合中稀少模板信息更多，常见模板信息更少，既减少冗余信息，又使得模板集合中的模板信息更好，比如使模板集合中的模板信息包括更多的极端场景下，如低温/干手指（指纹）、角度过大/背景复杂（人脸）等场景下的特征，从而可以在这些极端场景中提高基于生物数据的身份识别准确率，提升用户使用体验。
本申请实施例还提供一种电子设备，该电子设备包括存储器和处理器，存储器与处理器耦合，存储器存储有程序指令，当程序指令由所述处理器执行时，使得电子设备前述电子设备所执行的模板更新方法。
可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本实施例还提供一种计算机存储介质，该计算机存储介质中存储有计算机指令，当该计算机指令在电子设备上运行时，使得电子设备执行上述相关方法步骤实现上述实施例中的模板更新方法。
本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的模板更新方法。
另外，本申请实施例还提供一种装置，这个装置具体可以是芯片，组件或模块，该装置可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的模板更新方法。
其中，本实施例提供的电子设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本申请各个实施例的任意内容，以及同一实施例的任意内容，均可以自由组合。对上述内容的任意组合均在本申请的范围之内。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
结合本申请实施例公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器（Random Access Memory，RAM）、闪存、只读存储器（Read Only Memory，ROM）、可擦除可编程只读存储器（Erasable Programmable ROM，EPROM）、电可擦可编程只读存储器（Electrically EPROM，EEPROM）、寄存器、硬盘、移动硬盘、只读光盘（CD-ROM）或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
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，本申请实施例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。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (16)
1.一种模板更新方法，其特征在于，应用于电子设备，所述方法包括：
确定从采集的目标生物数据提取的目标生物特征与当前的第一模板集合是否匹配，将所述第一模板集合中的模板记为第一模板；
如果匹配，对于所述第一模板集合中的每个第一模板，按照预设的信息权重生成策略，生成所述第一模板对应的第一信息权重，所述第一信息权重越大，所述第一模板包括的稀少信息越多；
根据所述第一模板对应的所述第一信息权重和至少一个第一参数的参数值，确定所述第一模板的第一分值；
根据所述第一模板集合中所有第一模板的第一分值，对所述第一模板集合进行更新，得到第二模板集合。
2.根据权利要求1所述的方法，其特征在于，按照预设的信息权重生成策略，生成所述第一模板对应的第一信息权重，包括：
将所述第一模板集合中的所有第一模板进行聚类；
从聚类结果中，查找所述第一模板所处的目标类；
根据所述目标类中的模板数目，确定所述第一模板对应的第一信息权重。
3.根据权利要求2所述的方法，其特征在于，根据所述目标类中的模板数目，确定所述第一模板对应的第一信息权重，包括：
确定所述第一模板对应的第一信息权重等于所述目标类中模板数目的倒数；或者，
确定所述第一模板对应的第一信息权重等于所述目标类中模板数目的倒数与第一常数的乘积。
4.根据权利要求1所述的方法，其特征在于，按照预设的信息权重生成策略，生成所述第一模板对应的第一信息权重，包括：
统计在使用所述第一模板集合进行第一次数的身份识别过程中，所述第一模板被匹配到的第一匹配次数；
如果所述第一匹配次数不为0，确定所述第一模板对应的第一信息权重等于所述第一匹配次数的倒数，或者，确定所述第一模板对应的第一信息权重等于所述第一匹配次数的倒数与第二常数的乘积；
如果所述第一匹配次数为0，确定所述第一模板对应的第一信息权重等于第一信息权重取值范围内的最大值。
5.根据权利要求1所述的方法，其特征在于，根据所述第一模板对应的所述第一信息权重和至少一个第一参数的参数值，确定所述第一模板的第一分值，包括：
根据所述第一模板对应的所述第一信息权重和第一系数，确定第一乘积；
根据所述第一模板对应的至少一个第一参数中每个第一参数的参数值和所述第一参数对应的第二系数，确定至少一个第二乘积，所述第二系数为正数；
根据所述第一乘积和所述至少一个第二乘积，确定所述第一模板的第一分值。
6.根据权利要求5所述的方法，其特征在于，所述第一系数为负数。
7.根据权利要求5所述的方法，其特征在于，所述第一模板的第一分值等于所述第一乘积和所述至少一个第二乘积之和。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述至少一个第一参数包括：
匹配分数，所述匹配分数为所述第一模板与所述目标生物特征的相似度值；和/或，
质量分数，所述质量分数用于表示所述第一模板的质量。
9.根据权利要求1所述的方法，其特征在于，根据所述第一模板对应的所述第一信息权重和至少一个第一参数的参数值，确定所述第一模板的第一分值，包括：
根据所述第一模板对应的所述第一信息权重和第一系数，确定第一乘积；
根据所述第一模板与所述目标生物特征的匹配分数、以及第二系数，确定第二乘积；
根据所述第一模板的质量分数和第三系数，确定第三乘积；
将所述第一乘积、所述第二乘积和所述第三乘积之和，确定为所述第一模板的第一分值。
10.根据权利要求9所述的方法，其特征在于，所述第一系数为负数，所述第二系数为正数，所述第三系数为负数。
11.根据权利要求1所述的方法，其特征在于，根据所述第一模板集合中所有第一模板的第一分值，对所述第一模板集合进行更新，得到第二模板集合，包括：
查找所述第一模板集合中第一分值最大的第一模板，记为第一目标模板；
从所述第一模板集合中删除所述第一目标模板；
将所述目标生物特征作为模板添加到所述第一模板集合中，得到第二模板集合。
12.根据权利要求1所述的方法，其特征在于，根据所述第一模板集合中所有第一模板的第一分值，对所述第一模板集合进行更新，得到第二模板集合，包括：
当所述第一模板集合中的第一模板数量小于第一数量，所述对所述第一模板集合进行更新是指：将所述目标生物特征作为模板添加到所述第一模板集合中，得到第二模板集合。
13.根据权利要求1所述的方法，其特征在于，所述目标生物数据为如下数据中的一种：
人脸数据；
虹膜数据；
指纹数据；
掌纹数据。
14.根据权利要求1所述的方法，其特征在于，第一信息权重的值与所述第一模板包含的信息量正相关，所述第一分值与所述第一信息权重负相关。
15.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器与所述处理器耦合；
所述存储器存储有程序指令，当所述程序指令由所述处理器执行时，使得所述电子设备执行如权利要求1至14任一项所述的模板更新方法。
16.一种计算机可读存储介质，包括计算机程序，其特征在于，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1至14任一项所述的模板更新方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874702.1A CN116597185B (zh) | 2023-07-17 | 2023-07-17 | 模板更新方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874702.1A CN116597185B (zh) | 2023-07-17 | 2023-07-17 | 模板更新方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597185A CN116597185A (zh) | 2023-08-15 |
| CN116597185B true CN116597185B (zh) | 2023-12-15 |
Family
ID=87612114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874702.1A Active CN116597185B (zh) | 2023-07-17 | 2023-07-17 | 模板更新方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597185B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389566A (zh) * | 2015-11-13 | 2016-03-09 | 广东欧珀移动通信有限公司 | 指纹识别方法、指纹模板的更新方法、装置和移动终端 |
| CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
| CN105917353A (zh) * | 2013-09-16 | 2016-08-31 | 眼验股份有限公司 | 用于生物认证的特征提取及匹配以及模板更新 |
| CN106021606A (zh) * | 2016-06-21 | 2016-10-12 | 广东欧珀移动通信有限公司 | 一种指纹模板更新方法及终端设备 |
| CN107818301A (zh) * | 2017-10-16 | 2018-03-20 | 阿里巴巴集团控股有限公司 | 更新生物特征模板的方法、装置和电子设备 |
| CN115527244A (zh) * | 2022-11-28 | 2022-12-27 | 深圳市航顺芯片技术研发有限公司 | 一种指纹图像匹配方法、装置、计算机设备及存储介质 |
| CN116311388A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
-
2023
- 2023-07-17 CN CN202310874702.1A patent/CN116597185B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105917353A (zh) * | 2013-09-16 | 2016-08-31 | 眼验股份有限公司 | 用于生物认证的特征提取及匹配以及模板更新 |
| CN105389566A (zh) * | 2015-11-13 | 2016-03-09 | 广东欧珀移动通信有限公司 | 指纹识别方法、指纹模板的更新方法、装置和移动终端 |
| CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
| WO2017162076A1 (zh) * | 2016-03-24 | 2017-09-28 | 北京握奇数据股份有限公司 | 一种人脸识别方法及系统 |
| CN106021606A (zh) * | 2016-06-21 | 2016-10-12 | 广东欧珀移动通信有限公司 | 一种指纹模板更新方法及终端设备 |
| CN107818301A (zh) * | 2017-10-16 | 2018-03-20 | 阿里巴巴集团控股有限公司 | 更新生物特征模板的方法、装置和电子设备 |
| CN116311388A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
| CN115527244A (zh) * | 2022-11-28 | 2022-12-27 | 深圳市航顺芯片技术研发有限公司 | 一种指纹图像匹配方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597185A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299315B (zh) | 多媒体资源分类方法、装置、计算机设备及存储介质 | |
| CN111476306A (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
| CN113453040B (zh) | 短视频的生成方法、装置、相关设备及介质 | |
| CN108875797B (zh) | 一种确定图像相似度的方法、相册管理方法及相关设备 | |
| CN109598250B (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
| CN115718913B (zh) | 一种用户身份识别方法及电子设备 | |
| CN112818909A (zh) | 图像更新方法、装置、电子设备及计算机可读介质 | |
| CN110942046B (zh) | 图像检索方法、装置、设备及存储介质 | |
| CN115170893B (zh) | 共视档位分类网络的训练方法、图像排序方法及相关设备 | |
| CN112906571B (zh) | 活体识别方法、装置及电子设备 | |
| CN116597185B (zh) | 模板更新方法及电子设备 | |
| CN116311389B (zh) | 指纹识别的方法和装置 | |
| CN110135329B (zh) | 从视频中提取姿势的方法、装置、设备及存储介质 | |
| CN114841340B (zh) | 深度伪造算法的识别方法、装置、电子设备及存储介质 | |
| CN116386091B (zh) | 指纹识别方法和装置 | |
| WO2023045724A1 (zh) | 图像处理方法、电子设备、存储介质及程序产品 | |
| CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
| CN115661941A (zh) | 手势识别方法和电子设备 | |
| CN114399622A (zh) | 图像处理方法和相关装置 | |
| CN112580472A (zh) | 一种快速轻量的人脸识别方法、装置、机器可读介质及设备 | |
| CN111797863A (zh) | 模型训练方法、数据处理方法、装置、存储介质及设备 | |
| CN117274727B (zh) | 生物特征信息的处理方法、电子设备及可读存储介质 | |
| CN116311395B (zh) | 指纹识别的方法和装置 | |
| CN117014561B (zh) | 信息融合方法、可学习变量的训练方法及电子设备 | |
| CN117499797B (zh) | 图像处理方法及相关设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |