CN116739608B - 基于人脸识别方式的银行用户身份验证方法及系统 - Google Patents
基于人脸识别方式的银行用户身份验证方法及系统 Download PDFInfo
- Publication number
- CN116739608B CN116739608B CN202311030394.0A CN202311030394A CN116739608B CN 116739608 B CN116739608 B CN 116739608B CN 202311030394 A CN202311030394 A CN 202311030394A CN 116739608 B CN116739608 B CN 116739608B
- Authority
- CN
- China
- Prior art keywords
- image
- transmittance
- light intensity
- ambient light
- face image
- 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 77
- 238000012795 verification Methods 0.000 title claims abstract description 16
- 238000002834 transmittance Methods 0.000 claims description 111
- 230000006870 function Effects 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002023 wood Substances 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开涉及一种基于人脸识别方式的银行用户身份验证方法及系统，其中方法包括：获取摄像头采集的用户的人脸图像，对人脸图像进行归一化和取反操作得到第一图像，基于第一图像确定暗通道图；确定暗通道图中的部分像素点即暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取部分像素点中每个像素点对应的RGB值中的最大值，计算所有像素点对应的RGB值中的最大值的平均值作为环境光强度；基于环境光强度和暗通道图估算得到透射率；将环境光强度、透射率及人脸图像代入大气散射模型得到第二图像，对第二图像进行取反操作得到第三图像，将第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
Description
技术领域
本公开实施例涉及金融信息安全技术领域，尤其涉及一种基于人脸识别方式的银行用户身份验证方法及系统。
背景技术
金融基础设施如银行存款或取款系统在金融业务处理中居于核心地位，对于金融信息的安全具有重要意义。目前相关技术中可使用人脸识别技术与现有例如银行取款系统相配合，减少了因遗失银行卡或被盗取密码而造成的损失，避免利用安保系统的漏洞犯罪的可能性。然而目前在人脸识别认证过程中，人脸识别的准确性依然有进一步提升的空间，例如在一个特定场景下，一个身份合法的用户要人脸识别成功，需要获取的人脸图像包含足够多的人脸有效信息，但是在例如照度低或者光源弱的场景下，摄像头获取的人脸图像中的人脸有效信息少，此时即便身份合法，也很大可能人脸识别认证失败。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种基于人脸识别方式的银行用户身份验证方法及系统。
第一方面，本公开实施例提供了一种基于人脸识别方式的银行用户身份验证方法，包括：
获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图；
确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率；
将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该方法还包括：
基于所述第一透射率的大小确定对应的校正参数，基于确定的校正参数以及所述第一透射率相乘得到第二透射率，将所述第一环境光强度、所述第二透射率以及所述人脸图像代入所述大气散射模型得到第四图像；对所述第四图像进行取反操作得到第五图像，将所述第五图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，所述基于所述第一透射率的大小确定对应的校正参数，包括：
确定所述第一透射率小于或等于第一预设数值时，将第一系数和所述第一透射率相乘得到校正参数；确定所述第一透射率小于或等于第二预设数值，且大于所述第一预设数值时，将第二系数直接作为校正参数；其中所述第二系数小于所述第一系数。
在一个实施例中，该方法还包括：
将所述人脸图像输入目标识别模型以得到第三透射率和第二环境光强度；其中，所述目标识别模型是预先基于多个样本人脸图像对机器学习模型训练得到的；
将所述第二环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第六图像；
对所述第六图像进行取反操作得到第七图像，将所述第七图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该方法还包括：
基于所述第三透射率和所述第一透射率确定第四透射率；
将所述第二环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第八图像；
对所述第八图像进行取反操作得到第九图像，将所述第九图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该方法还包括：
基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；
将所述第三环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第十图像；
对所述第十图像进行取反操作得到第十一图像，将所述第十一图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该方法还包括：
基于所述第三透射率和所述第一透射率确定第四透射率；
基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；
将所述第三环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第十二图像；
对所述第十二图像进行取反操作得到第十三图像，将所述第十三图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
第二方面，本公开实施例提供一种基于人脸识别方式的银行用户身份验证系统，包括：
确定模块，用于获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图；
计算模块，用于确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率；
验证模块，用于将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述基于人脸识别方式的银行用户身份验证方法。
第四方面，本公开实施例提供一种电子设备，包括：
处理器；以及
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述基于人脸识别方式的银行用户身份验证方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例提供的基于人脸识别方式的银行用户身份验证方法及系统，获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图；确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率；将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。这样，本公开实施例的方案在例如照度低或者光源弱的场景下对环境光强度和透射率图的确定方式导致确定的环境光强度和/或透射率的准确性较高，使得人脸识别时图像中的人脸有效信息足够多，从而提高了照度低或者光源弱的场景下人脸识别的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例基于人脸识别方式的银行用户身份验证方法流程图；
图2为本公开另一实施例基于人脸识别方式的银行用户身份验证方法流程图；
图3为本公开又一实施例基于人脸识别方式的银行用户身份验证方法流程图；
图4为本公开实施例基于人脸识别方式的银行用户身份验证系统的示意图；
图5为本公开实施例的电子设备示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
应当理解，在下文中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
目前在人脸识别认证过程中，人脸识别的准确性依然有待进一步提高，例如由于天气或者环境光如照度低或者光源弱的影响，导致获取的人脸图像有效信息少，例如摄像头的CMOS、CCD等感光元件在光源较弱情况下难以记录到足够多的光源信息而形成的人脸图像，该图像有效信息如人脸特征信息少，从而降低了人脸识别的准确性。相关技术中提出了通过暗通道先验（Dark channel prior）算法确定原始图像的暗通道图，然后基于暗通道图确定环境光强度（也称大气光强度）进而估算透射率，然后再基于环境光常量、透射率结合大气散射模型求解得到目标图像。目前很多相关算法的核心思想就是如何确定环境光强度和透射率进而去雾得到去雾图像，但是目前的算法对环境光强度和透射率的确定方式并不适用于本公开的上述实际场景如照度低或者光源弱的场景，导致确定的环境光强度和/或透射率的准确性不高，从而导致人脸识别时图像中的人脸有效信息不足，人脸识别的准确性较低。
图1为本公开实施例的一种基于人脸识别方式的银行用户身份验证方法流程图，该方法可以由电子设备如计算机执行，具体可以包括以下步骤：
步骤S101：获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图。
示例性的，取反操作即图像取反(Image inversion)，也即反转图像的像素强度。本实施例中首先归一化处理摄像头采集的人脸图像，将值域从[0，255]映射到[0，1]，再对其进行取反操作，具体如下式所示：
其中，x为像素坐标，c代表图像的RGB任一通道即任一颜色分量，代表归一化处理后的人脸图像，/>代表归一化后的人脸图像的取反结果即第一图像，然后基于第一图像确定暗通道图。
需要说明的是，现有传统的暗通道图像基于下式确定：
其中，Ω(x)表示以像素x为中心的局部邻域，Ic为待处理图像RGB任一颜色分量。也即是说，传统的方式是基于原始的待处理图像确定暗通道图像，而本公开实施例中是以第一图像即归一化取反后的图像替换原始的待处理图像来确定暗通道图，其是在本公开的上述实际场景如照度低或者光源弱的场景下做出的相应改变。
步骤S102：确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率。
示例性的，本公开实施例中确定暗通道图之后，基于暗通道图计算得到第一环境光强度。指定数量可以是100、150、200、300等。传统的计算方式中，第一环境光强度即第一大气光强度A例如可取暗通道图中最亮的0.1%像素的均值。而在本公开的实施例中，如上文所述，首先确定的暗通道图与传统的不同，另外是取该特定的暗通道图中按亮度从大到小排序的全部像素点中排在前面的指定数量如100个像素点中所有像素点对应的RGB值中的最大值的平均值作为第一环境光强度，这与传统的计算方式不同，使得在本公开的上述实际场景如照度低或者光源弱的场景下，由此方式计算得到的第一环境光强度的准确性更高。之后，即可基于该第一环境光强度和暗通道图估算得到第一透射率。这里具体的估算方式可以参考现有技术理解，此处不再赘述。由于确定的第一环境光强度的准确性更高，且暗通道图是特定的暗通道图，进而使得估算得到的第一透射率的准确性也更高。
步骤S103：将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
示例性的，大气散射模型可以由以下公式表示：
I(x)=J(x)t(x)+A(1-t(x))
其中，I(x)表示摄像头采集的人脸图像；t(x)表示透射率，A表示环境光强度。根据图像I(x)可以恢复出图像J(x)。基于此模型，可以将第一环境光强度A1、所述第一透射率t1(x)以及摄像头采集的原始人脸图像I(x)代入该大气散射模型求解得到第二图像，该第二图像包含相对足够的人脸有效信息，相应的，由于之前进行了取反操作，这里再次对第二图像进行取反操作得到第三图像即恢复图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个示例实际场景下，一个身份合法的用户要人脸识别成功，需要获取的人脸图像包含足够多的人脸有效信息，但是在例如照度低或者光源弱的场景下，摄像头获取的人脸图像中的人脸有效信息少，此时即便身份合法，也可能人脸识别认证失败。而本公开实施例的方案即可适用这一实际场景，本公开实施例的上述技术方案中，在例如照度低或者光源弱的场景下，对环境光强度和透射率的确定方式做出上述改进，使得确定的环境光强度和/或透射率的准确性较高，也即使得人脸识别时图像中的人脸有效信息足够多，从而提高了照度低或者光源弱的场景下人脸识别的准确性。
在上述实施例的基础上，于一个实施例中，结合图2所示，该方法还可包括以下步骤：
步骤S201：基于所述第一透射率的大小确定对应的校正参数。
示例性的，在一个实施例中，步骤S201中基于所述第一透射率的大小确定对应的校正参数，具体可以包括：确定所述第一透射率小于或等于第一预设数值时，将第一系数和所述第一透射率相乘得到校正参数；确定所述第一透射率小于或等于第二预设数值，且大于所述第一预设数值时，将第二系数直接作为校正参数；其中所述第二系数小于所述第一系数。
在一个示例中，第一预设数值可以是0.5，第一系数可以是2。第二预设数值可以是1，第二系数可以是1，此处仅为举例说明，并不限于此。
具体的，作为一个示例，校正参数P(x)的确定可以由以下公式表示：
步骤S202：基于确定的校正参数以及所述第一透射率相乘得到第二透射率。
示例性的，第二透射率t2(x)可以表示为：t2(x)=P(x)×t1(x)。
步骤S203：将所述第一环境光强度、所述第二透射率以及所述人脸图像代入所述大气散射模型得到第四图像；对所述第四图像进行取反操作得到第五图像，将所述第五图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
示例性的，将第一环境光强度A1、第二透射率t2(x)以及人脸图像代入大气散射模型中，便可获得第四图像，计算过程如下式：
其中，代表第四图像，再进行图像取反操作即可获得第五图像/>，如下式所示：
此处需要说明的是，传统的现有技术中利用暗通道图和环境光强度估算透射率的计算公式如下：
其中为了保留部分伪雾来保持图像的层次感和真实感，目前引入了去雾因子。但是现有技术中未注意到，去雾因子过小，很可能引入噪声导致输出图像质量不好，去雾因子过大会丧失层次感从而影响真实感，而且还会过度增强图像，总之均会导致人脸识别时图像中的人脸有效信息少，在照度低或者光源弱的场景下人脸识别的准确性降低。
因此本实施例中使用第一透射率的大小确定的校正参数对估算得到的第一透射率进行优化得到优化后的第二透射率，将第一环境光强度、第二透射率代入大气散射模型再次处理进行人脸识别认证，使得人脸识别时图像中的人脸有效信息更多，从而进一步提高了照度低或者光源弱的场景下人脸识别的准确性。
在一示例的具体试验中，通过该大气散射模型借助改进的暗通道先验算法处理人脸图像之后，影像质量提高了30%，也即人脸图像中的人脸有效信息提高了30%，从而进一步提高了照度低或者光源弱的场景下人脸识别的准确性。
在另一个实施例中，如图3所示，该方法还可包括以下步骤：
步骤S301：将所述人脸图像输入目标识别模型以得到第三透射率和第二环境光强度；其中，所述目标识别模型是预先基于多个样本人脸图像对机器学习模型训练得到的。
示例性的，机器学习模型可以是特征提取网络模型如卷积神经网络CNN模型，模型训练方式可以包括以下步骤：构造所述卷积神经网络模型的指定损失函数，将样本人脸图像样以及对应的第一标签值和第二标签值输入所述卷积神经网络模型以输出对应的第一预测值和第二预测值，基于所述第一预测值和第二预测值对所述卷积神经网络模型进行迭代更新直至所述指定损失函数的损失值满足预设条件如损失值小于预设值时结束训练；其中，所述指定损失函数包括第一损失函数和第二损失函数；所述第一损失函数表征所述样本人脸图像对应的第一标签值与所述卷积神经网络模型对应输出的第一预测值之间的差值，以及样本人脸图像对应的第二标签值与所述卷积神经网络模型对应输出的第二预测值之间的差值；所述第二损失函数表征输入所述卷积神经网络模型的样本人脸图像对应的第一预测值偏离第一标签值的程度大小，以及第二预测值偏离第二标签值的程度大小。其中，第一标签值可以是上述第一透射率或者第二透射率，优选第二透射率，而第二标签值可以是上述第一环境光强度确定。
步骤S302：将所述第二环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第六图像。
步骤S303：对所述第六图像进行取反操作得到第七图像，将所述第七图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
可以理解的是，步骤S302~步骤S303的具体内容可以参考前述实施例中的对应描述，区别仅在于对环境光强度、透射率进行了替换后代入大气散射模型计算。
本实施例中通过第一损失函数和第二损失函数构建特定的指定损失函数，其可以从两个不同方面体现目标识别模型的训练过程中对样本人脸图像识别结果即环境光强度和透射率的准确性影响程度，从该两方面约束训练，据此方式更新训练卷积神经网络模型参数直至指定损失函数的损失值满足预设条件时结束训练，此时得到的目标识别模型可以更为准确识别确定人脸图像对应的透射率和环境光强度。因此本实施例中基于上述实施例的参数数据构建目标损失函数进行训练，其采用的上述训练方式预先训练得到的目标识别模型识别确定人脸图像对应的透射率和环境光强度时可以得到较为准确的透射率和环境光强度，从而可使人脸识别时图像中的人脸有效信息更多，从而提高了照度低或者光源弱的场景下人脸识别的准确性。
在上述实施例的基础上，于一个实施例中，该方法还包括：基于所述第三透射率和所述第一透射率确定第四透射率；将所述第二环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第八图像；对所述第八图像进行取反操作得到第九图像，将所述第九图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
具体的，本实施例中基于模型识别得到的第二环境光强度，以及模型识别得到的第三透射率和上述算法优化计算得到的第一透射率综合确定如求平均值得到第四透射率，然后进行后续计算，这样可得到更为准确的透射率，从而可使人脸识别时图像中的人脸有效信息更多，从而进一步提高了照度低或者光源弱的场景下人脸识别的准确性。
在上述实施例的基础上，于另一个实施例中，该方法还包括：基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；将所述第三环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第十图像；对所述第十图像进行取反操作得到第十一图像，将所述第十一图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
具体的，本实施例中基于模型识别得到的第三透射率，以及模型识别得到的第二环境光强度和上述算法优化计算得到的第一环境光强度综合确定如求平均值得到第三环境光强度，然后进行后续计算，这样可得到更为准确的环境光强度，从而可使人脸识别时图像中的人脸有效信息更多，从而进一步提高了照度低或者光源弱的场景下人脸识别的准确性。
在上述实施例的基础上，于又一个实施例中，该方法还包括：基于所述第三透射率和所述第一透射率确定第四透射率；基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；将所述第三环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第十二图像；对所述第十二图像进行取反操作得到第十三图像，将所述第十三图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
具体的，本实施例中模型识别得到的第三透射率和上述算法优化计算得到的第一透射率综合确定如求平均值得到第四透射率，同时基于模型识别得到的第二环境光强度和上述算法优化计算得到的第一环境光强度综合确定如求平均值得到第三环境光强度，然后进行后续计算，这样可得到更为准确的环境光强度和透射率，从而可使人脸识别时图像中的人脸有效信息进一步增多，从而更进一步提高了照度低或者光源弱的场景下人脸识别的准确性。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
如图4所示，本公开实施例提供一种基于人脸识别方式的银行用户身份验证系统，包括：
确定模块401，用于获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图；
计算模块402，用于确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率；
验证模块403，用于将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该系统还可包括校正模块，用于：基于所述第一透射率的大小确定对应的校正参数，基于确定的校正参数以及所述第一透射率相乘得到第二透射率，验证模块还用于将所述第一环境光强度、所述第二透射率以及所述人脸图像代入所述大气散射模型得到第四图像；对所述第四图像进行取反操作得到第五图像，将所述第五图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，所述校正模块基于所述第一透射率的大小确定对应的校正参数，包括：确定所述第一透射率小于或等于第一预设数值时，将第一系数和所述第一透射率相乘得到校正参数；确定所述第一透射率小于或等于第二预设数值，且大于所述第一预设数值时，将第二系数直接作为校正参数；其中所述第二系数小于所述第一系数。
在一个实施例中，该系统还可包括识别模块，用于：将所述人脸图像输入目标识别模型以得到第三透射率和第二环境光强度；其中，所述目标识别模型是预先基于多个样本人脸图像对机器学习模型训练得到的；验证模块还用于将所述第二环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第六图像；对所述第六图像进行取反操作得到第七图像，将所述第七图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
其中机器学习模型可以是特征提取网络模型如卷积神经网络CNN模型，模型训练方式可以包括：构造所述卷积神经网络模型的指定损失函数，将样本人脸图像样以及对应的第一标签值和第二标签值输入所述卷积神经网络模型以输出对应的第一预测值和第二预测值，基于所述第一预测值和第二预测值对所述卷积神经网络模型进行迭代更新直至所述指定损失函数的损失值满足预设条件如损失值小于预设值时结束训练；其中，所述指定损失函数包括第一损失函数和第二损失函数；所述第一损失函数表征所述样本人脸图像对应的第一标签值与所述卷积神经网络模型对应输出的第一预测值之间的差值，以及样本人脸图像对应的第二标签值与所述卷积神经网络模型对应输出的第二预测值之间的差值；所述第二损失函数表征输入所述卷积神经网络模型的样本人脸图像对应的第一预测值偏离第一标签值的程度大小，以及第二预测值偏离第二标签值的程度大小。
其中，第一标签值可以是上述第一透射率或者第二透射率，优选第二透射率，而第二标签值可以是上述第一环境光强度。
在一个实施例中，该系统还可包括修正模块，用于：基于所述第三透射率和所述第一透射率确定第四透射率；验证模块还用于：将所述第二环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第八图像；对所述第八图像进行取反操作得到第九图像，将所述第九图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该修正模块，还用于基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；验证模块还用于：将所述第三环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第十图像；对所述第十图像进行取反操作得到第十一图像，将所述第十一图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
在一个实施例中，该修正模块，还用于：基于所述第三透射率和所述第一透射率确定第四透射率；基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；验证模块还用于：将所述第三环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第十二图像；对所述第十二图像进行取反操作得到第十三图像，将所述第十三图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
关于上述实施例中的系统，其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述，此处将不做详细阐述说明。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本公开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，该计算机程序被处理器执行时实现上述任一项实施例所述基于人脸识别方式的银行用户身份验证方法。
示例性的，该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
本公开实施例还提供一种电子设备，包括处理器以及存储器，存储器用于存储计算机程序。其中，所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中基于人脸识别方式的银行用户身份验证方法。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示方法的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。
所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述各实施例的方法步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于人脸识别方式的银行用户身份验证方法，其特征在于，包括：
获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图；
确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率；
将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份；
该方法还包括：将所述人脸图像输入目标识别模型以得到第三透射率和第二环境光强度；其中，所述目标识别模型是预先基于多个样本人脸图像对机器学习模型训练得到的；将所述第二环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第六图像；对所述第六图像进行取反操作得到第七图像，将所述第七图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份；
其中，该目标识别模型的训练包括：构造卷积神经网络模型的指定损失函数，将样本人脸图像以及对应的第一标签值和第二标签值输入所述卷积神经网络模型以输出对应的第一预测值和第二预测值，基于所述第一预测值和第二预测值对所述卷积神经网络模型进行迭代更新直至所述指定损失函数的损失值满足预设条件时结束训练；其中，所述指定损失函数包括第一损失函数和第二损失函数；所述第一损失函数表征所述样本人脸图像对应的第一标签值与所述卷积神经网络模型对应输出的第一预测值之间的差值，以及样本人脸图像对应的第二标签值与所述卷积神经网络模型对应输出的第二预测值之间的差值；所述第二损失函数表征输入所述卷积神经网络模型的样本人脸图像对应的第一预测值偏离第一标签值的程度大小，以及第二预测值偏离第二标签值的程度大小。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：
基于所述第一透射率的大小确定对应的校正参数，基于确定的校正参数以及所述第一透射率相乘得到第二透射率，将所述第一环境光强度、所述第二透射率以及所述人脸图像代入所述大气散射模型得到第四图像；对所述第四图像进行取反操作得到第五图像，将所述第五图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一透射率的大小确定对应的校正参数，包括：
确定所述第一透射率小于或等于第一预设数值时，将第一系数和所述第一透射率相乘得到校正参数；确定所述第一透射率小于或等于第二预设数值，且大于所述第一预设数值时，将第二系数直接作为校正参数；其中所述第二系数小于所述第一系数。
4.根据权利要求1所述的方法，其特征在于，该方法还包括：
基于所述第三透射率和所述第一透射率确定第四透射率；
将所述第二环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第八图像；
对所述第八图像进行取反操作得到第九图像，将所述第九图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
5.根据权利要求1所述的方法，其特征在于，该方法还包括：
基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；
将所述第三环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第十图像；
对所述第十图像进行取反操作得到第十一图像，将所述第十一图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
6.根据权利要求1所述的方法，其特征在于，该方法还包括：
基于所述第三透射率和所述第一透射率确定第四透射率；
基于所述第二环境光强度和所述第一环境光强度确定第三环境光强度；
将所述第三环境光强度、所述第四透射率以及所述人脸图像代入所述大气散射模型得到第十二图像；
对所述第十二图像进行取反操作得到第十三图像，将所述第十三图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份。
7.一种基于人脸识别方式的银行用户身份验证系统，其特征在于，包括：
确定模块，用于获取摄像头采集的用户的人脸图像，对所述人脸图像进行归一化处理之后再进行取反操作得到第一图像，基于所述第一图像确定暗通道图；
计算模块，用于确定所述暗通道图中的部分像素点，所述部分像素点是所述暗通道图中按照亮度从大到小排序的全部像素点中排在前面的指定数量的像素点；获取所述部分像素点中每个像素点对应的RGB值中的最大值，计算获取的所述部分像素点中所有像素点对应的RGB值中的最大值的平均值，并将所述平均值作为第一环境光强度；基于所述第一环境光强度和所述暗通道图估算得到第一透射率；
验证模块，用于将所述第一环境光强度、所述第一透射率以及所述人脸图像代入大气散射模型得到第二图像，对所述第二图像进行取反操作得到第三图像，将所述第三图像与预存的至少一个人脸图像进行比对，根据比对结果验证用户身份；
识别模块，用于将所述人脸图像输入目标识别模型以得到第三透射率和第二环境光强度；其中，所述目标识别模型是预先基于多个样本人脸图像对机器学习模型训练得到的；
所述验证模块，还用于将所述第二环境光强度、所述第三透射率以及所述人脸图像代入所述大气散射模型得到第六图像；对所述第六图像进行取反操作得到第七图像，将所述第七图像与所述预存的至少一个人脸图像进行比对，根据比对结果验证用户身份；
其中，目标识别模型的训练包括：构造卷积神经网络模型的指定损失函数，将样本人脸图像以及对应的第一标签值和第二标签值输入所述卷积神经网络模型以输出对应的第一预测值和第二预测值，基于所述第一预测值和第二预测值对所述卷积神经网络模型进行迭代更新直至所述指定损失函数的损失值满足预设条件时结束训练；其中，所述指定损失函数包括第一损失函数和第二损失函数；所述第一损失函数表征所述样本人脸图像对应的第一标签值与所述卷积神经网络模型对应输出的第一预测值之间的差值，以及样本人脸图像对应的第二标签值与所述卷积神经网络模型对应输出的第二预测值之间的差值；所述第二损失函数表征输入所述卷积神经网络模型的样本人脸图像对应的第一预测值偏离第一标签值的程度大小，以及第二预测值偏离第二标签值的程度大小。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~6任一项所述基于人脸识别方式的银行用户身份验证方法。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行权利要求1~6任一项所述基于人脸识别方式的银行用户身份验证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311030394.0A CN116739608B (zh) | 2023-08-16 | 2023-08-16 | 基于人脸识别方式的银行用户身份验证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311030394.0A CN116739608B (zh) | 2023-08-16 | 2023-08-16 | 基于人脸识别方式的银行用户身份验证方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116739608A CN116739608A (zh) | 2023-09-12 |
| CN116739608B true CN116739608B (zh) | 2023-12-26 |
Family
ID=87915504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311030394.0A Active CN116739608B (zh) | 2023-08-16 | 2023-08-16 | 基于人脸识别方式的银行用户身份验证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739608B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065127A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术（北京）有限公司 | 雾天图像中人脸的识别方法和识别装置 |
| CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
| CN105931193A (zh) * | 2016-04-01 | 2016-09-07 | 南京理工大学 | 一种基于暗通道先验的夜间交通卡口图像增强方法 |
| CN106157267A (zh) * | 2016-07-12 | 2016-11-23 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
| CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
| CN111311502A (zh) * | 2019-09-04 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 使用双向加权融合处理雾天图像的方法 |
| CN112529813A (zh) * | 2020-12-18 | 2021-03-19 | 四川云从天府人工智能科技有限公司 | 图像去雾处理方法、装置及计算机存储介质 |
| CN112991197A (zh) * | 2021-02-08 | 2021-06-18 | 新疆大学 | 一种基于暗通道的细节保留的低照度视频增强方法及装置 |
| CN115034990A (zh) * | 2022-06-09 | 2022-09-09 | 未鲲(上海)科技服务有限公司 | 实时场景下的图像去雾处理方法、装置、设备及介质 |
| CN115760645A (zh) * | 2022-12-09 | 2023-03-07 | 天翼物联科技有限公司 | 门禁图像增强方法、装置、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107615332A (zh) * | 2015-05-22 | 2018-01-19 | 三菱电机株式会社 | 图像处理装置、图像处理方法、程序、记录有该程序的记录介质、影像拍摄装置和影像记录再现装置 |
| CN108509862B (zh) * | 2018-03-09 | 2022-03-25 | 华南理工大学 | 抗角度与遮挡干扰的快速人脸识别方法 |
| CN108765309B (zh) * | 2018-04-26 | 2022-05-17 | 西安汇智信息科技有限公司 | 基于暗通道的线状自适应改进全局大气光的图像去雾方法 |
-
2023
- 2023-08-16 CN CN202311030394.0A patent/CN116739608B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065127A (zh) * | 2012-12-30 | 2013-04-24 | 信帧电子技术（北京）有限公司 | 雾天图像中人脸的识别方法和识别装置 |
| CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
| CN105931193A (zh) * | 2016-04-01 | 2016-09-07 | 南京理工大学 | 一种基于暗通道先验的夜间交通卡口图像增强方法 |
| CN106157267A (zh) * | 2016-07-12 | 2016-11-23 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
| CN111311502A (zh) * | 2019-09-04 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 使用双向加权融合处理雾天图像的方法 |
| CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
| CN112529813A (zh) * | 2020-12-18 | 2021-03-19 | 四川云从天府人工智能科技有限公司 | 图像去雾处理方法、装置及计算机存储介质 |
| CN112991197A (zh) * | 2021-02-08 | 2021-06-18 | 新疆大学 | 一种基于暗通道的细节保留的低照度视频增强方法及装置 |
| CN115034990A (zh) * | 2022-06-09 | 2022-09-09 | 未鲲(上海)科技服务有限公司 | 实时场景下的图像去雾处理方法、装置、设备及介质 |
| CN115760645A (zh) * | 2022-12-09 | 2023-03-07 | 天翼物联科技有限公司 | 门禁图像增强方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的人脸识别技术研究;刘施乐;;电子制作(24);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116739608A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734162B (zh) | 商品图像中目标识别方法、系统、设备及存储介质 | |
| CN108491805B (zh) | 身份认证方法和装置 | |
| CN108229296B (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
| CN108256479B (zh) | 人脸跟踪方法和装置 | |
| CN108416326B (zh) | 人脸识别方法和装置 | |
| WO2019020103A1 (zh) | 目标识别方法、装置、存储介质和电子设备 | |
| CN111355941B (zh) | 图像颜色实时校正方法、装置和系统 | |
| CN107895377B (zh) | 一种前景目标提取方法、装置、设备及存储介质 | |
| CN110222703B (zh) | 图像轮廓识别方法、装置、设备和介质 | |
| CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| CN110363121B (zh) | 指纹图像处理方法及装置、存储介质和电子设备 | |
| CN111178357B (zh) | 车牌识别方法、系统、设备和存储介质 | |
| CN103383732A (zh) | 图像处理方法和装置 | |
| CN112528866A (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
| CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
| CN112464803A (zh) | 图像比较方法和装置 | |
| CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN109145752B (zh) | 用于评估对象检测和跟踪算法的方法、装置、设备和介质 | |
| CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
| CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
| KR101700030B1 (ko) | 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN116739608B (zh) | 基于人脸识别方式的银行用户身份验证方法及系统 | |
| CN112634182A (zh) | 一种基于光场的图像校正方法、装置、设备及存储介质 | |
| CN117315758A (zh) | 面部表情的检测方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |