CN116681443A - 基于生物识别的支付方法及装置 - Google Patents
基于生物识别的支付方法及装置 Download PDFInfo
- Publication number
- CN116681443A CN116681443A CN202310647618.6A CN202310647618A CN116681443A CN 116681443 A CN116681443 A CN 116681443A CN 202310647618 A CN202310647618 A CN 202310647618A CN 116681443 A CN116681443 A CN 116681443A
- Authority
- CN
- China
- Prior art keywords
- image
- user
- face
- characteristic image
- fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 96
- 238000012795 verification Methods 0.000 claims abstract description 41
- 238000007499 fusion processing Methods 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000013441 quality evaluation Methods 0.000 claims description 62
- 238000001303 quality assessment method Methods 0.000 claims description 24
- 230000001815 facial effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 210000000887 face Anatomy 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
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 210000003786 sclera Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q20/40—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
- G06Q20/40145—Biometric identity checks
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V40/12—Fingerprints or palmprints
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书一个或多个实施例公开了一种基于生物识别的支付方法及装置。所述方法包括:在接收到第一用户的支付请求时,获取第一用户的掌纹特征图像和目标人脸特征图像。进而将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到第一用户的融合特征图像。进而,基于所述融合特征图像对所述第一用户进行验证,并在验证通过的情况下,执行支付请求对应的支付行为。
Description
技术领域
本说明书涉及生物识别技术领域,尤其涉及一种基于生物识别的支付方法及装置。
背景技术
在隐私数据保护方面,人们对自己的隐私数据越来越重视,尤其是隐私安全性。例如在用户进行线上业务处理时,通过采集用户的生物特征信息,并基于生物特征信息进行用户身份识别,从而对用户的线上业务和隐私数据起到一定的保护作用。基于生物特征识别技术在隐私安全方面的贡献,生物特征的识别已经广泛应用到多种线上业务中。以线上支付场景为例,在人们进行线上支付时,通过刷脸进行身份验证且验证通过之后,即可方便快捷地实现线上支付。然而,基于刷脸的生物支付方式并不能适用于所有场合,例如盲人。由于盲人的特殊性,眼部区域难以提取有效的特征,同时存在注视交互问题,因此很难通过刷脸完成生物支付。可见,亟需提供一种更具灵活性和普适性的生物支付技术。
发明内容
一方面,本说明书一个或多个实施例提供一种基于生物识别的支付方法,包括:在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像。将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像。基于所述融合特征图像对所述第一用户进行验证,以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
另一方面,本说明书一个或多个实施例提供一种基于生物识别的支付装置,包括:获取模块,在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像。第一融合模块,将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像。执行模块,基于所述融合特征图像对所述第一用户进行验证,以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
再一方面,本说明书一个或多个实施例提供一种电子设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像。将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像。基于所述融合特征图像对所述第一用户进行验证,以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
再一方面,本说明书实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现以下流程:在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像。将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像。基于所述融合特征图像对所述第一用户进行验证,以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
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一个或多个实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本说明书一实施例的一种基于生物识别的支付方法的示意性流程图;
图2是根据本说明书另一实施例的一种基于生物识别的支付方法的示意性流程图;
图3是根据本说明书一实施例的一种基于生物识别的支付方法的示意性原理图;
图4是根据本说明书一实施例的一种基于生物识别的支付装置的示意性框图;
图5是根据本说明书一实施例的一种电子设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种基于生物识别的支付方法及装置,以解决现有的基于生物识别的支付方法缺乏灵活性和普适性的问题。
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作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书一个或多个实施例保护的范围。
本说明书一个或多个实施例中所述支付涉及的技术载体,例如可以包括近场通信(Near Field Communicat ion,NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短消息(Shot Message Service,SMS)、多媒体消息(Multimedia Message Service,MMS)等。
本说明书一个或多个实施例中所述生物识别所涉及的生物特征,例如可以包括眼部特征、声纹、指纹、掌纹、心跳、脉搏、染色体、DNA、人牙咬痕等。其中眼纹可以包括虹膜、巩膜等生物特征。
图1是根据本说明书一实施例的一种基于生物识别的支付方法的示意性流程图,如图1所示,该方法包括:
S102,在接收到第一用户的支付请求时,获取第一用户的掌纹特征图像和目标人脸特征图像。
其中,目标人脸特征图像可以是一种模态的人脸特征图像,也可以是多种模态的人脸特征图像的融合。第一用户指发起支付请求的任一用户。
S104,将掌纹特征图像和目标人脸特征图像进行融合处理,得到第一用户的融合特征图像。
可选地,在将掌纹特征图像和目标人脸特征图像进行融合处理时,可将掌纹特征图像对应的像素点和目标人脸特征图像对应的像素点进行相加,得到第一用户的融合特征图像。融合特征图像包括掌纹特征图像和目标人脸特征图像。
S106,基于融合特征图像对第一用户进行验证;以及,在验证通过的情况下,执行支付请求对应的支付行为。
本实施例中,可预先在标准特征库中存储第一用户对应的标准融合特征图像,标准融合特征图像指的是能够唯一标识第一用户的、经过多种特征图像融合后得到的特征图像。在获取第一用户的标准融合特征图像时,可先获取第一用户的标准掌纹特征图像和标准目标人脸特征图像,进而将标准掌纹特征图像和标准目标人脸特征图像进行融合处理,即可得到第一用户的标准融合特征图像。标准掌纹特征图像为能够唯一标识第一用户的掌纹特征图像,标准目标人脸特征图像为能够唯一标识第一用户的目标人脸特征图像。标准特征库用于存储各个用户对应的标准融合特征图像。
基于融合特征图像对第一用户进行验证时,可将第一用户对应的融合特征图像和标准库中存储的第一用户的标准融合特征图像进行比对,以计算出第一用户对应的融合特征图像和标准融合特征图像之间的相似度,进而根据该相似度确定第一用户是否验证通过。
采用本说明书一个或多个实施例的技术方案,在接收到第一用户的支付请求时,通过获取第一用户的掌纹特征图像和目标人脸特征图像,并将掌纹特征图像和目标人脸特征图像进行融合处理,得到第一用户的融合特征图像,进而基于融合特征图像对第一用户进行验证,以及在验证通过的情况下执行支付请求对应的支付行为,使得第一用户基于生物特征进行线上支付时,不再局限于单一的人脸特征图像进行身份验证,而是能够使用人脸特征图像和掌纹特征图像的融合特征图像进行身份验证。由于人脸特征图像的局限性(如盲人无法识别眼部特征),而掌纹特征图像则几乎是每个人都具备的特征,因此通过将掌纹特征图像融合到人脸特征图像中,提供了一种更具灵活性和普适性的生物识别方式,进而解决了部分用户无法提供完整的人脸图像特征、导致无法进行支付的情况。
在一个实施例中,目标人脸特征图像为多种模态的人脸特征图像的融合,多种模态的人脸特征图像可包括以下至少两项:人脸深度图像、人脸RGB图像、人脸红外图像。在获取第一用户的目标人脸特征图像时,可先获取第一用户的多种模态的人脸特征图像,进而对多种模态的人脸特征图像进行融合处理,得到第一用户的目标人脸特征图像。
对多种模态的人脸特征图像进行融合处理时,可以对每种模态的人脸特征图像进行质量评估,从而根据每种模态的人脸特征图像的图像质量进行融合。可选地,若某种模态的人脸特征图像的图像质量较高,则可以融合较多该模态的人脸特征图像;若某种模态的人脸特征图像的图像质量较低,则可以融合较少该模态的人脸特征图像。
本实施例中,通过对每种模态的人脸特征图像进行质量评估,从而根据每种模态的人脸特征图像的图像质量对多种模态的人脸特征图像进行融合处理,这使得第一用户的融合特征图像中包含更多高质量的人脸特征图像,同时包含更少低质量的人脸特征图像,从而提升第一用户的融合特征图像的图像质量,有利于更加准确地对第一用户进行身份验证。
在一个实施例中,人脸特征图像的图像质量可以利用预先训练的质量评估模型进行评估。可选地,针对每种模态的人脸特征图像,利用预先训练的质量评估模型对人脸特征图像进行图像质量评估,得到人脸特征图像对应的质量评估结果。进而,根据每种模态的人脸特征图像对应的质量评估结果,对多种模态的人脸特征图像进行融合处理。可选地,若某种模态的人脸特征图像的图像质量较高,则可以融合较多该模态的人脸特征图像;若某种模态的人脸特征图像的图像质量较低,则可以融合较少该模态的人脸特征图像。
可选地,预先建立有质量评估结果和融合权重之间的映射关系。在根据每种模态的人脸特征图像对应的质量评估结果,对多种模态的人脸特征图像进行融合处理时,根据每种模态的人脸特征图像对应的质量评估结果,以及预设的质量评估结果和融合权重之间的映射关系,确定每种模态的人脸特征图像对应的融合权重,进而根据每种模态的人脸特征图像对应的融合权重,对多种模态的人脸特征图像进行融合处理。
其中,质量评估结果可以是分值形式,也可以是质量等级形式。以质量评估结果为分值形式为例,质量评估模型的输出为人脸特征图像对应的图像质量分值,图像质量分值越高,说明人脸特征图像对应的图像质量也就越高。反之,图像质量分值越低,说明人脸特征图像对应的图像质量也就越低。可预先建立质量评估分值和融合权重之间的映射关系,例如下表1。在表1中,将质量评估分值和融合权重分别划分了5个范围等级,不同的范围等级对应不同的融合权重。当然,下表1仅是举例,并不代表实际应用中的唯一映射关系。
表1
质量评估分值 | 融合权重 |
0-10 | 0 |
11-30 | 0.2 |
31-60 | 0.4 |
61-80 | 0.6 |
81-100 | 0.8 |
以质量评估结果为质量等级形式为例,质量评估模型的输出为人脸特征图像对应的质量评估等级,如中、高、低三个等级。图像质量等级越高,说明人脸特征图像对应的图像质量也就越高。反之,图像质量等级越低,说明人脸特征图像对应的图像质量也就越低。可预先建立质量评估等级和融合权重之间的映射关系,例如下表2。在表2中,不同的质量评估等级对应不同的融合权重。
表2
质量评估等级 | 融合权重 |
低 | 0.1 |
中 | 0.4 |
高 | 0.7 |
需要说明的是,上述仅是通过表1-2示例性地体现质量评估结果和融合权重之间的关系,在具体建立二者之间的映射关系时,还需考量多种模态的人脸特征图像对应的融合权重之间的约束关系。在本实施例中,每种模态的人脸特征图像对用的融合权重之和需为1。可选地,可按照质量评估结果和融合权重之间的映射关系,优先对其中部分模态的人脸特征图像进行融合权重的计算,然后根据融合权重之和为1的约束条件,计算剩余模态的人脸特征图像对应的融合权重。例如,多种模态的人脸特征图像包括人脸深度图像、人脸RGB图像和人脸红外图像,首先根据质量评估结果和融合权重之间的映射关系确定出,人脸深度图像对应的融合权重为0.2,人脸RGB图像对应的融合权重为0.4,然后根据融合权重之和为1的约束条件,确定出人脸红外图像对应的融合权重为0.4。
本实施例中,通过每种模态的人脸特征图像对应的质量评估结果,确定每种模态的人脸特征图像对应的融合权重,进而根据每种模态的人脸特征图像对应的融合权重,对多种模态的人脸特征图像进行融合处理,使得融合特征图像能够包含更多高质量的人脸特征图像,同时包含更少低质量的人脸特征图像,从而提升第一用户的融合特征图像的图像质量,有利于更加准确地对第一用户进行身份验证。
在一个实施例中,利用质量评估模型对人脸特征图像进行图像质量评估之前,需预先训练质量评估模型,质量评估模型的训练过程可以包括:首先,获取与模态相匹配的多个样本特征图像;各样本特征图像携带有用于标识图像质量信息的标签信息;其次,利用多个样本特征图像对质量评估模型进行训练。其中,图像质量信息可包括图像质量分值、图像质量等级中的至少一项,为确保质量评估模型的模型性能,多个样本图像图像对应有各种图像质量信息,例如,图像质量信息包括高、中、低三种图像质量等级,则获取的多个样本特征图像中可以包括图像质量等级为高级的样本特征图像、图像质量等级为中级的样本特征图像和图像质量等级为低级的样本特征图像。图像质量可从图像清晰度、图像完整度等一个或多个方面来考量。
可选地,利用多个样本特征图像对质量评估模型进行训练时,可执行为以下步骤:
首先,将多个样本特征图像输入待训练的质量评估模型中进行质量评估,得到待测评估质量结果。
其次,将待测评估质量结果和标签信息进行比对,得到比对结果。
再次,根据比对结果对待训练的质量评估模型的模型参数进行迭代调整,得到预先训练的质量评估模型。
其中,待测评估质量结果和标签信息的比对结果可包括:待测评估质量结果是否正确。若待测评估质量结果和标签信息相同,则确定待测评估质量结果正确;若待测评估质量结果和标签信息不同,则确定待测评估质量结果错误。在根据比对结果对待训练的质量评估模型的模型参数进行迭代调整时,可根据每个样本特征图像分别对应的比对结果,计算多个样本特征图像对应的正确率或错误率,进而根据正确率或错误率对待训练的质量评估模型的模型参数进行迭代调整。
本实施例中,每种模态的人脸特征图像对应各自的质量评估模型。也即,需要针对每种模态的人脸特征图像分别训练质量评估模型。各模态的人脸特征图像对应的质量评估模型的模型结果和模型训练过程均相同,区别仅在于模型训练所依据的样本数据不同。样本数据需和模态相匹配,例如,在训练人脸深度图像对应的质量评估模型时,依据的样本数据即为多个样本人脸深度图像。在训练人脸RGB图像对应的质量评估模型时,依据的样本数据即为多个样本人脸RGB图像。在训练人脸红外图像对应的质量评估模型时,依据的样本数据即为多个样本人脸红外图像。
在一个实施例中,获取第一用户的掌纹特征图像之后,可根据预设的掌纹特征图像标准,对第一用户的掌纹特征图像进行校正处理,得到符合掌纹特征图像标准的掌纹特征图像。其中,掌纹特征图像标准包括以下至少一项:方向标准、位置标准。可选地,预设一张符合掌纹特征图像标准的图像模板,从而在获取到第一用户的掌纹特征图像之后,将第一用户的掌纹特征图像和图像模板进行比对,根据比对结果对第一用户的掌纹特征图像进行校正。例如,图像模板中,掌纹特征图像的方向为:五指朝上;位置为:图像正中间位置。假设第一用户的掌纹特征图像中,第一用户的手指朝左,则可通过将第一用户的掌纹特征图像向右旋转90度以达到校正效果。假设第一用户的掌纹特征图像中,掌纹特征图像的位置偏左,则可通过将第一用户的掌纹特征图像向右平移以达到校正效果。
本实施例中,获取第一用户的掌纹特征图像之后,通过按照预设的掌纹特征图像标准对第一用户的掌纹特征图像进行校正,以使第一用户的掌纹特征图像符合掌纹特征图像标准,从而确保获取到的掌纹特征图像的图像质量更高,能够从掌纹特征图像中提取出更多有用信息,有利于更加准确地对第一用户进行身份验证。
在一个实施例中,获取第一用户的目标人脸特征图像时,可先获取第一用户的全脸特征图像,然后判断全脸特征图像中的指定区域内的特征数据是否符合预设特征条件;若否,则对指定区域进行掩盖处理,得到目标人脸特征图像。
其中,预设特征条件可包括以下至少一项:特征数据的完整度达到预设阈值。指定区域可以是全脸特征图像中的任意区域,如眼部区域、嘴部区域等。
本实施例针对无法提供完整的全脸特征图像的部分用户提供了生物特征识别方式。例如盲人无法提供眼部特征,因此可通过掩盖全脸特征图像中的眼部区域,进而对缺少眼部区域的目标人脸特征图像和掌纹特征图像进行融合,并使用融合特征图像进行身份验证。由于掌纹特征图像能够唯一标识用户身份,因此即使全脸特征图像中缺乏指定区域的特征数据,也仍然能够确保身份验证的准确性。
图2是根据本说明书另一实施例的一种基于生物识别的支付方法的示意性流程图。图3是本说明书一实施例的一种基于生物识别的支付方法的示意性原理图。结合图2和图3理解,基于生物识别的支付方法包括以下步骤:
S201,在接收到第一用户的支付请求时,获取第一用户的掌纹特征图像,以及多模态的人脸特征图像。
如图3所示,多模态的人脸特征图像可包括人脸深度图像、人脸RGB图像和人脸红外图像,可使用现有的对应模态的人脸特征图像采集设备进行采集。其中,可使用RGB图像采集设备采集人脸RGB图像,使用红外设备采集人脸红外图像,使用深度图像采集设备采集人脸深度图像。掌纹特征图像可使用现有的掌纹采集设备进行采集。各类特征图像的采集过程为现有技术,此处不赘述。
S202,将每种模态的人脸特征图像分别输入各模态对应的质量评估模型中,对每种模态的人脸特征图像进行图像质量评估,得到每种模态的人脸特征图像对应的质量评估结果。
S203,根据每种模态的人脸特征图像对应的质量评估结果,以及预先建立的质量评估结果和融合权重之间的映射关系,确定每种模态的人脸特征图像对应的融合权重。
其中,质量评估结果和融合权重之间的映射关系已在上述实施例中详细说明,此处不再重复。
S204,根据每种模态的人脸特征图像对应的融合权重,对多模态的人脸特征图像进行融合处理,得到第一用户的目标人脸特征图像。
S205,根据预设的掌纹特征图像标准,对第一用户的掌纹特征图像进行校正处理,得到符合掌纹特征图像标准的掌纹特征图像。
其中,掌纹特征图像标准包括以下至少一项:方向标准、位置标准。可选地,预设一张符合掌纹特征图像标准的图像模板,从而在获取到第一用户的掌纹特征图像之后,将第一用户的掌纹特征图像和图像模板进行比对,根据比对结果对第一用户的掌纹特征图像进行校正。例如,图像模板中,掌纹特征图像的方向为:五指朝上;位置为:图像正中间位置。假设第一用户的掌纹特征图像中,第一用户的手指朝左,则可通过将第一用户的掌纹特征图像向右旋转90度以达到校正效果。假设第一用户的掌纹特征图像中,掌纹特征图像的位置偏左,则可通过将第一用户的掌纹特征图像向右平移以达到校正效果。
需要说明的是,对掌纹特征图像的校正过程可以执行在获取到掌纹特征图像之后的任意时机,例如,除本实施例中列举的S205的执行顺序(即在融合完多模态的人脸特征图像之后)之外,还可以先校正掌纹特征图像,然后再融合完多模态的人脸特征图像;或者,还可以同时校正掌纹特征图像和融合完多模态的人脸特征图像。
S206,将第一用户的目标人脸特征图像和符合掌纹特征图像标准的掌纹特征图像进行融合处理,得到第一用户的融合特征图像。
S207,基于第一用户的融合特征图像对第一用户进行身份验证。
其中,可预先在标准特征库中存储第一用户对应的标准融合特征图像,标准融合特征图像指的是能够唯一标识第一用户的、经过多种特征图像融合后得到的特征图像。在获取第一用户的标准融合特征图像时,可先获取第一用户的标准掌纹特征图像和标准目标人脸特征图像,进而将标准掌纹特征图像和标准目标人脸特征图像进行融合处理,即可得到第一用户的标准融合特征图像。标准掌纹特征图像为能够唯一标识第一用户的掌纹特征图像,标准目标人脸特征图像为能够唯一标识第一用户的目标人脸特征图像。标准特征库用于存储各个用户对应的标准融合特征图像。
基于融合特征图像对第一用户进行身份验证时,可将第一用户对应的融合特征图像和标准库中存储的第一用户的标准融合特征图像进行比对,以计算出第一用户对应的融合特征图像和标准融合特征图像之间的相似度,进而根据该相似度确定第一用户是否验证通过。可选地,若第一用户对应的融合特征图像和标准融合特征图像之间的相似度达到预设相似度阈值,则确定定第一用户验证通过。
S208,在验证通过的情况下,执行支付请求对应的支付行为。
本实施例中,在接收到第一用户的支付请求时,通过获取第一用户的掌纹特征图像和目标人脸特征图像,并将掌纹特征图像和目标人脸特征图像进行融合处理,得到第一用户的融合特征图像,进而基于融合特征图像对第一用户进行身份验证,以及在验证通过的情况下执行支付请求对应的支付行为,使得第一用户基于生物特征进行线上支付时,不再局限于单一的人脸特征图像进行身份验证,而是能够使用人脸特征图像和掌纹特征图像的融合特征图像进行身份验证。由于人脸特征图像的局限性(如盲人无法识别眼部特征),而掌纹特征图像则几乎是每个人都具备的特征,因此通过将掌纹特征图像融合到人脸特征图像中,提供了一种更具灵活性和普适性的生物识别方式,进而解决了部分用户无法提供完整的人脸图像特征、导致无法进行支付的情况。此外,通过对每种模态的人脸特征图像进行图像质量评估,并根据质量评估结果确定每种模态的人脸特征图像对应的融合权重,进而根据每种模态的人脸特征图像对应的融合权重,对多种模态的人脸特征图像进行融合处理,使得融合特征图像能够包含更多高质量的人脸特征图像,同时包含更少低质量的人脸特征图像,从而提升第一用户的融合特征图像的图像质量,有利于更加准确地对第一用户进行身份验证。
综上,已经对本主题的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可以按照不同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,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的基于生物识别的支付方法,基于同样的思路,本说明书一个或多个实施例还提供一种基于生物识别的支付装置。
图4是根据本说明书一实施例的一种基于生物识别的支付装置的示意性框图,如图4所示,基于生物识别的支付装置包括:
第一获取模块41,在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
融合模块42,将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
执行模块43,基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
在一个实施例中,所述第一获取模块41包括:
第一获取单元,获取所述第一用户的多种模态的人脸特征图像;所述多种模态的人脸特征图像包括以下至少两项:人脸深度图像、人脸RGB图像、人脸红外图像;
融合单元,对所述多种模态的人脸特征图像进行融合处理,得到所述第一用户的所述目标人脸特征图像。
在一个实施例中,所述融合单元,针对每种模态的人脸特征图像,利用预先训练的质量评估模型,对所述人脸特征图像进行图像质量评估,得到所述人脸特征图像对应的质量评估结果;根据所述每种模态的人脸特征图像对应的质量评估结果,对所述多种模态的人脸特征图像进行融合处理。
在一个实施例中,所述融合单元,根据所述每种模态的人脸特征图像对应的质量评估结果,以及预设的质量评估结果和融合权重之间的映射关系,确定所述每种模态的人脸特征图像对应的融合权重;根据所述融合权重,对所述多种模态的人脸特征图像进行融合处理。
在一个实施例中,所述装置还包括:
第二获取模块,在所述利用预先训练的质量评估模型,对所述人脸特征图像进行图像质量评估之前,获取与所述模态相匹配的多个样本特征图像;各所述样本特征图像携带有用于标识图像质量信息的标签信息;
训练模块,利用所述多个样本特征图像对所述质量评估模型进行训练。
在一个实施例中,所述训练模块包括:
质量评估单元,将所述多个样本特征图像输入待训练的质量评估模型中进行质量评估,得到待测评估质量结果;
比对单元,将所述待测评估质量结果和所述标签信息进行比对,得到比对结果;
调整单元,根据所述比对结果对所述待训练的质量评估模型的模型参数进行迭代调整,得到所述预先训练的质量评估模型。
在一个实施例中,所述装置还包括:
校正模块,在所述获取所述第一用户的掌纹特征图像和目标人脸特征图像之后,根据预设的掌纹特征图像标准,对所述第一用户的掌纹特征图像进行校正处理,得到符合所述掌纹特征图像标准的掌纹特征图像;其中,所述掌纹特征图像标准包括以下至少一项:方向标准、位置标准。
在一个实施例中,所述第一获取模块41包括:
第二获取单元,获取所述第一用户的全脸特征图像;
判断单元,判断所述全脸特征图像中的指定区域内的特征数据是否符合预设特征条件;
掩盖单元,若否,则对所述指定区域进行掩盖处理,得到所述目标人脸特征图像。
采用本说明书一个或多个实施例的装置,在接收到第一用户的支付请求时,通过获取第一用户的掌纹特征图像和目标人脸特征图像,并将掌纹特征图像和目标人脸特征图像进行融合处理,得到第一用户的融合特征图像,进而基于融合特征图像对第一用户进行验证,以及在验证通过的情况下执行支付请求对应的支付行为,使得第一用户基于生物特征进行线上支付时,不再局限于单一的人脸特征图像进行身份验证,而是能够使用人脸特征图像和掌纹特征图像的融合特征图像进行身份验证。由于人脸特征图像的局限性(如盲人无法识别眼部特征),而掌纹特征图像则几乎是每个人都具备的特征,因此通过将掌纹特征图像融合到人脸特征图像中,提供了一种更具灵活性和普适性的生物识别方式,进而解决了部分用户无法提供完整的人脸图像特征、导致无法进行支付的情况。
本领域的技术人员应可理解,上述基于生物识别的支付装置能够用来实现前文所述的基于生物识别的支付方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本说明书一个或多个实施例还提供一种电子设备,如图5所示。电子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501和存储器502,存储器502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502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器502通信,在电子设备上执行存储器502中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源503,一个或一个以上有线或无线网络接口504,一个或一个以上输入输出接口505,一个或一个以上键盘506。
具体在本实施例中,电子设备包括有存储器,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电子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:
在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
采用本说明书一个或多个实施例的技术方案,在接收到第一用户的支付请求时,通过获取第一用户的掌纹特征图像和目标人脸特征图像,并将掌纹特征图像和目标人脸特征图像进行融合处理,得到第一用户的融合特征图像,进而基于融合特征图像对第一用户进行验证,以及在验证通过的情况下执行支付请求对应的支付行为,使得第一用户基于生物特征进行线上支付时,不再局限于单一的人脸特征图像进行身份验证,而是能够使用人脸特征图像和掌纹特征图像的融合特征图像进行身份验证。由于人脸特征图像的局限性(如盲人无法识别眼部特征),而掌纹特征图像则几乎是每个人都具备的特征,因此通过将掌纹特征图像融合到人脸特征图像中,提供了一种更具灵活性和普适性的生物识别方式,进而解决了部分用户无法提供完整的人脸图像特征、导致无法进行支付的情况。
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,对于电子设备实施例而言,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。
本说明书一个或多个实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述基于生物识别的支付方法实施例的各个过程,并具体用于执行:
在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
采用本说明书一个或多个实施例的技术方案,在接收到第一用户的支付请求时,通过获取第一用户的掌纹特征图像和目标人脸特征图像,并将掌纹特征图像和目标人脸特征图像进行融合处理,得到第一用户的融合特征图像,进而基于融合特征图像对第一用户进行验证,以及在验证通过的情况下执行支付请求对应的支付行为,使得第一用户基于生物特征进行线上支付时,不再局限于单一的人脸特征图像进行身份验证,而是能够使用人脸特征图像和掌纹特征图像的融合特征图像进行身份验证。由于人脸特征图像的局限性(如盲人无法识别眼部特征),而掌纹特征图像则几乎是每个人都具备的特征,因此通过将掌纹特征图像融合到人脸特征图像中,提供了一种更具灵活性和普适性的生物识别方式,进而解决了部分用户无法提供完整的人脸图像特征、导致无法进行支付的情况。
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,对于存储介质实施例而言,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。
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,在实施本说明书一个或多个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,本说明书一个或多个实施例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。
本说明书一个或多个实施例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(trans itory 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,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。
以上所述仅为本说明书一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (12)
1.一种基于生物识别的支付方法,包括:
在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
2.根据权利要求1所述的方法,所述获取第一用户的掌纹特征图像和目标人脸特征图像,包括:
获取所述第一用户的多种模态的人脸特征图像;所述多种模态的人脸特征图像包括以下至少两项:人脸深度图像、人脸RGB图像、人脸红外图像;
对所述多种模态的人脸特征图像进行融合处理,得到所述第一用户的所述目标人脸特征图像。
3.根据权利要求2所述的方法,所述对所述多种模态的人脸特征图像进行融合处理,包括:
针对每种模态的人脸特征图像,利用预先训练的质量评估模型,对所述人脸特征图像进行图像质量评估,得到所述人脸特征图像对应的质量评估结果;
根据所述每种模态的人脸特征图像对应的质量评估结果,对所述多种模态的人脸特征图像进行融合处理。
4.根据权利要求3所述的方法,所述根据所述每种模态的人脸特征图像对应的质量评估结果,对所述多种模态的人脸特征图像进行融合处理,包括:
根据所述每种模态的人脸特征图像对应的质量评估结果,以及预设的质量评估结果和融合权重之间的映射关系,确定所述每种模态的人脸特征图像对应的融合权重;
根据所述融合权重,对所述多种模态的人脸特征图像进行融合处理。
5.根据权利要求3所述的方法,所述利用预先训练的质量评估模型,对所述人脸特征图像进行图像质量评估之前,所述方法还包括:
获取与所述模态相匹配的多个样本特征图像;各所述样本特征图像携带有用于标识图像质量信息的标签信息;
利用所述多个样本特征图像对所述质量评估模型进行训练。
6.根据权利要求5所述的方法,所述利用所述多个样本特征图像对所述质量评估模型进行训练,包括:
将所述多个样本特征图像输入待训练的质量评估模型中进行质量评估,得到待测评估质量结果;
将所述待测评估质量结果和所述标签信息进行比对,得到比对结果;
根据所述比对结果对所述待训练的质量评估模型的模型参数进行迭代调整,得到所述预先训练的质量评估模型。
7.根据权利要求1所述的方法,所述获取所述第一用户的掌纹特征图像和目标人脸特征图像之后,所述方法还包括:
根据预设的掌纹特征图像标准,对所述第一用户的掌纹特征图像进行校正处理,得到符合所述掌纹特征图像标准的掌纹特征图像;其中,所述掌纹特征图像标准包括以下至少一项:方向标准、位置标准。
8.根据权利要求1所述的方法,所述获取所述第一用户的掌纹特征图像和目标人脸特征图像,包括:
获取所述第一用户的全脸特征图像;
判断所述全脸特征图像中的指定区域内的特征数据是否符合预设特征条件;
若否,则对所述指定区域进行掩盖处理,得到所述目标人脸特征图像。
9.一种基于生物识别的支付装置,包括:
获取模块,在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
第一融合模块,将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
执行模块,基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
10.根据权利要求9所述的装置,所述获取模块包括:
第一获取单元,获取所述第一用户的多种模态的人脸特征图像;所述多种模态的人脸特征图像包括以下至少两项:人脸深度图像、人脸RGB图像、人脸红外图像;
融合单元,对所述多种模态的人脸特征图像进行融合处理,得到所述第一用户的所述目标人脸特征图像。
11.一种电子设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现:
在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
12.一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现:
在接收到第一用户的支付请求时,获取所述第一用户的掌纹特征图像和目标人脸特征图像;
将所述掌纹特征图像和所述目标人脸特征图像进行融合处理,得到所述第一用户的融合特征图像;
基于所述融合特征图像对所述第一用户进行验证;以及,在验证通过的情况下,执行所述支付请求对应的支付行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310647618.6A CN116681443A (zh) | 2023-06-02 | 2023-06-02 | 基于生物识别的支付方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310647618.6A CN116681443A (zh) | 2023-06-02 | 2023-06-02 | 基于生物识别的支付方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681443A true CN116681443A (zh) | 2023-09-01 |
Family
ID=87788465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310647618.6A Pending CN116681443A (zh) | 2023-06-02 | 2023-06-02 | 基于生物识别的支付方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681443A (zh) |
-
2023
- 2023-06-02 CN CN202310647618.6A patent/CN116681443A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804884B (zh) | 身份认证的方法、装置及计算机存储介质 | |
CN113283883B (zh) | 业务实现方法和装置 | |
US8418237B2 (en) | Resource access based on multiple credentials | |
CN105868677B (zh) | 一种活体人脸检测方法及装置 | |
US20210004451A1 (en) | Step-up authentication | |
CN109756458B (zh) | 身份认证方法和系统 | |
CN111506889B (zh) | 一种基于相似用户组的用户验证方法及装置 | |
CN109299594B (zh) | 身份验证方法及装置 | |
US9202035B1 (en) | User authentication based on biometric handwriting aspects of a handwritten code | |
CN112200796B (zh) | 一种基于隐私保护的图像处理方法、装置及设备 | |
US11682235B2 (en) | Iris authentication device, iris authentication method and recording medium | |
CN105631397A (zh) | 生物认证方法和生物认证设备 | |
CN110807180A (zh) | 安全认证以及训练安全认证模型的方法、装置及电子设备 | |
JPWO2017170203A1 (ja) | 生体データ登録支援装置、生体データ登録支援システム、生体データ登録支援方法、生体データ登録支援プログラム、生体データ登録支援プログラムを記憶する記憶媒体 | |
CN111160251B (zh) | 一种活体识别方法及装置 | |
US20150120543A1 (en) | EyeWatch ATM and Wire Transfer Fraud Prevention System | |
CN112600886B (zh) | 端云结合的隐私保护方法、装置以及设备 | |
US20150100493A1 (en) | EyeWatch credit card fraud prevention system | |
CN116681443A (zh) | 基于生物识别的支付方法及装置 | |
US10902106B2 (en) | Authentication and authentication mode determination method, apparatus, and electronic device | |
CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
CN109376585B (zh) | 一种人脸识别的辅助方法、人脸识别方法及终端设备 | |
CN109165488B (zh) | 身份鉴别方法及装置 | |
CN116186668A (zh) | 身份的鉴别方法及装置、存储介质和电子设备 | |
CN117611170A (zh) | 一种基于多重信息的用户认证方法和装置 |
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 |