CN116824676A - 数字身份信息的生成方法、应用方法、装置、系统及设备 - Google Patents
数字身份信息的生成方法、应用方法、装置、系统及设备 Download PDFInfo
- Publication number
- CN116824676A CN116824676A CN202310835479.XA CN202310835479A CN116824676A CN 116824676 A CN116824676 A CN 116824676A CN 202310835479 A CN202310835479 A CN 202310835479A CN 116824676 A CN116824676 A CN 116824676A
- Authority
- CN
- China
- Prior art keywords
- digital identity
- facial feature
- information
- identity information
- verified
- 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 152
- 230000001815 facial effect Effects 0.000 claims abstract description 402
- 238000012800 visualization Methods 0.000 claims description 41
- 230000009467 reduction Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 13
- 238000012795 verification Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种数字身份信息的生成方法、应用方法、装置、系统及设备,通过获取目标对象的面部图像;将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记;即本发明实施例通过将目标对象的实际面部特征作为数字身份,提高了后续数字身份使用的准确性和可靠性,并且使用时只需要进行一次面部扫描即可,不需要输入或记忆任何密码或其他信息,提高效率。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种数字身份信息的生成方法、应用方法、装置、系统及设备。
背景技术
数字身份是一种由数字标识符和相关数据组成的实体,用于唯一地识别和验证个人的身份。数字身份的安全性和可信度对于保护用户隐私和预防身份盗窃具有重要意义。
目前在区块链领域中,数字身份通常是使用密码学技术来生成和保护,生成数字身份需要使用密码学算法来创建数字证书或公钥加密系统,数字证书是一种包含身份信息和公钥的数字文件,用于验证身份和加密通信,公钥加密系统则使用非对称加密算法,其中有两个密钥,一个公钥和一个私钥,用于加密和解密数据。
但是,使用密码学方式生成的数字身份,因数字间不具备任何可解释的含义,难以记忆,且在后续使用过程中的准确性、可靠性以及验证效率均有待提高。
发明内容
本发明的实施例提供了一种数字身份信息的生成方法、应用方法、装置、系统及设备,以解决目前的数字身份信息不利于记忆,且在后续使用过程中的准确性、可靠性以及验证效率均有待提高的技术问题。
第一方面,本发明的实施例提供了一种数字身份信息的生成方法,其特征在于,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;所述方法包括:获取目标对象的面部图像;将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记。
在一些实施例中,所述将所述面部图像输入到所述训练好的面部特征编码器中之前,还包括:基于面部图像样本集采用对比学习的方式对待训练的面部特征编码模型进行训练,获得训练好的面部特征编码模型,其中,所述面部特征编码模型包括面部编码层和线性变换层,所述面部编码层为视觉注意力模型,所述视觉注意力模型包括图像嵌入层和基于注意力机制的编码器,所述图像嵌入层包括预设个数的预设尺寸的卷积核;确定所述训练好的面部特征编码模型中的视觉注意力模型为所述训练好的面部特征编码器。
在一些实施例中,所述基于面部图像样本集采用对比学习的方式对待训练的面部特征编码模型进行训练,包括:获取预设批次数量对象对应的面部图像样本,并对每个对象的面部图像样本进行数据增强;将每个数据增强后的面部图像样本输入到面部特征编码模型中的视觉注意力模型中,输出每个数据增强后的面部图像样本对应的面部特征样本值;根据各面部特征样本值计算每个正样本对、每个负样本对之间的特征相似度,其中,所述正样本对是指来自于同一对象的数据增强后的面部图像样本,所述负样本对是指来自于不同对象的数据增强后的面部图像样本;根据每个正阳本对、每个负样本对之间的特征相似度计算归一化对比交叉熵损失,并基于所述归一化对比交叉熵损失更新所述面部特征编码模型的模型参数。
在一些实施例中,所述已登记对象的登记数字身份信息包括多个类别,每个类别有对应的类别面部特征编码信息;所述计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度,包括:根据所述当前面部特征编码信息与每个类别的类别面部特征编码信息之间的相似度,确定所述当前面部特征编码信息对应的目标类别;计算所述当前面部特征编码信息与所述目标类别下的登记数字身份信息之间的相似度。
在一些实施例中,所述根据所述当前面部特征编码信息与每个类别的类别面部特征编码信息之间的相似度之前,还包括:基于特征投影层将所述已登记对象的登记数字身份信息划分为多个类别,并确定每个类别的中心面部特征编码信息为所述类别面部特征编码信息。
在一些实施例中,所述方法还包括:在存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息对应的目标已登记对象的目标数字身份信息。
第二方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,应用于区块链网络中的监管节点,所述方法包括:基于目标对象的数字身份信息创建区块链网络中的区块链账户;将所述目标对象的相关信息上链存储到所述区块链账户中。
第三方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,应用于区块链网络中的监管节点,所述方法包括:接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息;根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息;对所述待验证面部特征编码信息进行降维可视化处理,并与已登记对象的登记数字身份信息降维可视化处理结果进行匹配,获得可解释性结果,所述可解释性结果用于表征所述目标对象匹配目标已登记对象;基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证;将所述数字身份可信凭证返回给客户端,以使所述客户端将所述数字身份可信凭证发送给服务端。
第四方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,应用于客户端,所述方法包括:向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;接收所述监管节点返回的数字身份可信凭证,其中,所述数字身份可信凭证是所述监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对所述待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;将所述数字身份可信凭证发送给服务端,以使所述服务端根据所述数字身份可信凭证从区块链网络的区块链账户中获取目标对象的相关信息。
第五方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,应用于服务端,所述方法包括:接收客户端发送的数字身份可信凭证,其中,所述数字身份可信凭证是区块链网络的监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对目标对象的待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
第六方面,本发明提供一种数字身份信息的生成装置,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;所述生成装置包括:图像获取模块,用于获取目标对象的面部图像;第一编码模块,用于将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;第一计算模块,用于计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;第一确定模块,用于在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记。
第七方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,应用于区块链网络中的监管节点,所述应用装置包括:账户注册模块,用于基于目标对象的数字身份信息创建区块链网络中的区块链账户;信息上链模块,用于将所述目标对象的相关信息上链存储到所述区块链账户中。
第八方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,应用于区块链网络中的监管节点,所述应用装置包括:第一接收模块,用于接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;第二编码模块,用于将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息;第二计算模块,用于根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息;降维可视化模块,用于对所述待验证面部特征编码信息进行降维可视化处理,获得可解释性结果,所述可解释性结果用于表征目标对象匹配所述目标已登记对象;凭证生成模块,用于基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证;第一发送模块,用于将所述数字身份可信凭证返回给客户端,以使所述客户端将所述数字身份可信凭证发送给服务端。
第九方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,应用于客户端,所述应用装置包括:第二发送模块,用于向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;第二接收模块,用于接收所述监管节点返回的数字身份可信凭证,其中,所述数字身份可信凭证是所述监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对所述待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;第二发送模块,还用于将所述数字身份可信凭证发送给服务端,以使所述服务端根据所述数字身份可信凭证从区块链网络的区块链账户中获取目标对象的相关信息。
第十方面,本发明提供一种基于第一方面任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,应用于服务端,所述应用装置包括:第三接收模块,用于接收客户端发送的数字身份可信凭证,其中,所述数字身份可信凭证是区块链网络的监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对目标对象的待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;信息获取模块,用于根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
第十一方面,本发明提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现如第一方面任一项所述的数字身份信息的生成方法的步骤,或者实现如第二方面-第五方面任一项所述的数字身份信息的应用方法的步骤。
第十二方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一项所述的数字身份信息的生成方法的步骤,或者实现如第二方面-第五方面任一项所述的数字身份信息的应用方法的步骤。
本发明实施例提供的数字身份信息的生成方法、应用方法、装置、系统及设备,其中,生成方法应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;通过获取目标对象的面部图像;将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记;即本发明实施例通过将目标对象的实际面部特征作为数字身份,提高了后续数字身份使用的准确性和可靠性,并且使用时只需要进行一次面部扫描即可,不需要输入或记忆任何密码或其他信息。
附图说明
图1为本发明实施例提供的一种数字身份信息的生成方法的流程示意图;
图2为本发明实施例提供的另一种数字身份信息的生成方法的流程示意图;
图3为图2所示实施例中步骤S201的详细流程图;
图4为本发明实施例提供的一种基于对比学习的面部编码器的训练过程框图;
图5为本发明实施例提供的一种patch Embedding层的结构示意图;
图6为图1所示实施例中步骤S103的详细流程示意图;
图7为本发明实施例提供的一种基于面部特征目录分类的数字身份生成的流程框图;
图8为本发明实施例提供的一种数字身份信息的应用方法的流程示意图;
图9为本发明实施例提供的一种数字身份生成及应用的流程框图;
图10为本发明实施例提供的另一种数字身份信息的应用方法的交互示意图;
图11a为本发明实施例提供的一种登记数字身份信息的特征值二维坐标的可视化示意图;
图11b为本发明实施例提供的一种登记数字身份信息的特征值三维坐标的可视化示意图;
图12为本发明实施例提供的一种待验证面部特征编码信息的示意图;
图13a为本发明实施例提供的一种将待验证面部特征编码值的二维可视化结果与图11a的二维可视化结果的匹配示意图;
图13b为本发明实施例提供的一种将待验证面部特征编码值的三维可视化结果与图11b的三维可视化结果的匹配示意图;
图14为本发明实施例提供的一种数字身份可信凭证的结构示意图;
图15为本发明实施例提供的另一种数字身份信息的应用方法的流程示意图;
图16为本发明实施例提供的再一种数字身份信息的应用方法的流程示意图;
图17为本发明实施例提供的又一种数字身份信息的应用方法的流程示意图;
图18为本发明实施例提供的另一种数字身份生成及应用的流程框图;
图19为本发明实施例提供的一种数字身份信息的生成装置的结构示意图;
图20为本发明实施例提供的一种数字身份信息的应用装置的结构示意图;
图21为本发明实施例提供的另一种数字身份信息的应用装置的结构示意图;
图22为本发明实施例提供的再一种数字身份信息的应用装置的结构示意图;
图23为本发明实施例提供的又一种数字身份信息的应用装置的结构示意图
图24为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
数字身份是一种由数字标识符和相关数据组成的实体,用于唯一地识别和验证个人的身份。数字身份的安全性和可信度对于保护用户隐私和预防身份盗窃具有重要意义。随着数字技术的不断发展和普及,数字身份的需求日益增长,成为数字经济和数字化社会发展的重要支撑。
目前在区块链领域中,数字身份通常是使用密码学技术来生成和保护,生成数字身份需要使用密码学算法来创建数字证书或公钥加密系统,其中数字证书是一种包含身份信息和公钥的数字文件,用于验证身份和加密通信,公钥加密系统则使用非对称加密算法,其中有两个密钥,一个公钥和一个私钥,用于加密和解密数据。另外,还有一种数字身份是基于用户基本信息和用户生物特征信息的。
但是,使用密码学方式生成数字身份,或者基于用户基本信息和用户生物特征信息的数字身份,对于大多数人来说较难记忆,同时,所生成的数字身份与现实生活中所使用的身份证明方式不同,其数字间不具备任何可解释的含义。其在后续使用过程中的准确性、可靠性以及效率均有待提高。
针对上述技术问题,本发明的技术构思在于:通过提取目标对象的实际面部特征作为数字身份,相比于传统密码学生成的数字身份具有更高的准确性和可靠性,并且在后续使用时,只需进行一次面部扫描即可,不需要输入或记忆任何密码或其他信息,提高效率。
图1为本发明实施例提供的一种数字身份信息的生成方法的流程示意图,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息。如图1所示,该数字身份信息生成方法包括:
步骤S101、获取目标对象的面部图像。
具体地,目标对象可通过客户端(如手机、摄像器等)采集面部图像,并将采集的面部图像发送给区块链网络上的监管节点。
步骤S102、将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息。
具体地,监管节点上已经预先部署了已经训练好的面部特征编码器,可对目标对象的面部图像进行编码,获得当前面部特征编码信息,其中,面部特征编码信息通常为具体像素值,因此,面部特征编码信息亦可称为面部特征编码值。
在使用训练好的面部特征编码器之前,需要对待训练的面部特征编码器进行训练,可通过对比学习的方式,或者迁移学习并微调的方式训练面部特征编码器。
步骤S103、计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度。
具体地,登记数字身份信息可理解为已登记对象的面部图像通过训练好的面部特征编码器所提取出的面部特征编码值。为了满足监管和审计等需求,可以将所有登记数字身份信息形成面部特征目录,从而便于监管节点对不同面部特征编码值(即数字身份)的管理和维护。本步骤中,计算目标对象的当前面部特征编码值和面部特征目录下的每个面部特征编码值之间的余弦相似度。
步骤S104、在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记。
具体地,若当前面部特征编码值与所有登记数字身份信息之间的相似度均不大于预设阈值,说明该目标对象的当前面部特征编码值与所有的登记数字身份信息相差较大,更进一步说明该目标对象还没有在监管节点上登记过数字身份信息,因此,可以将当前面部特征编码值作为目标对象的数字身份信息,并将其登记到监管节点上。
需要说明的是,预设阈值可以根据本领域技术人员的经验设定,本发明对此不做限制。
在一些实施例中,所述方法还包括:在存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息对应的目标已登记对象的目标数字身份信息。
具体地,若存在一个登记数字身份信息与当前面部特征编码值之间的相似度大于预设阈值的情况,说明该目标对象的当前面部特征编码值与某个已登记对象的登记数字身份信息较为相似,可认为是同一个对象,则说明该目标对象已经在监管节点上登记过数字身份信息,目标对象可直接利用相应的登记数字身份信息进行后续业务处理。
本发明实施例提供的数字身份信息的生成方法,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;通过获取目标对象的面部图像;将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记;本发明实施例是将目标对象的实际面部特征作为数字身份,相比于传统密码学生成的数字身份,能够提供更为准确和可靠的身份验证,另外,使用面部特征作为数字身份还可以提高身份验证的速度和效率,即只需要进行一次面部扫描即可完成身份验证,不需要输入或记忆任何密码或其他信息。
在上述实施例的基础上,图2为本发明实施例提供的另一种数字身份信息的生成方法的流程示意图,如图2所示,在步骤S102之前,还包括如下步骤:
步骤S201、基于面部图像样本集采用对比学习的方式对待训练的面部特征编码模型进行训练,获得训练好的面部特征编码模型。
其中,所述面部特征编码模型包括面部编码层和线性变换层,所述面部编码层为视觉注意力模型,所述视觉注意力模型包括图像嵌入层和基于注意力机制的编码器,所述图像嵌入层包括预设个数的预设尺寸的卷积核。
具体地,面部图像样本集可理解为由无标签的面部图像样本构成的集合;可根据该面部图像样本集采用对比学习的方式对面部特征编码模型进行自监督训练;面部特征编码模型包括面部编码层和线性变换层,其中,面部编码层采用视觉注意力(VisionTransformer,简称VIT)模型,该VIT模型包括图像嵌入层(patch Embedding)和基于注意力机制的编码器(Transformer编码器),本发明实施例对图像嵌入层(patch Embedding)进行了优化,即将图像嵌入层由传统的大卷积核更改为了预设个数的预设尺寸的卷积核,预设尺寸为较小尺寸的卷积核,使用多个小卷积核可以在相同感受野的前提下减少模型的参数,同时提供更好的泛化能力和特征提取能力。
另外,面部编码层还可以是50层深度的卷积神经网络(ResNet50)、层级结构的注意力模型(Swin Transformer)等。
步骤S202、确定所述训练好的面部特征编码模型中的视觉注意力模型为所述训练好的面部特征编码器。
具体地,获得训练好的面部特征编码模型后,不再需要面部特征编码模型中的线性变换层,而是直接利用面部特征编码层,如前所述的视觉注意力模型作为训练好的面部特征编码器,并将其部署在监管节点上,从而实现后续数字身份信息的生成及应用。
在一些实施例中,图3为图2所示实施例中步骤S201的详细流程图,如图3所示,所述步骤S201包括如下步骤:
步骤S301、获取预设批次数量对象对应的面部图像样本,并对每个对象的面部图像样本进行数据增强。
步骤S302、将每个数据增强后的面部图像样本输入到面部特征编码模型中的视觉注意力模型中,输出每个数据增强后的面部图像样本对应的面部特征样本值。
步骤S303、根据各面部特征样本值计算每个正样本对、每个负样本对之间的特征相似度,其中,所述正样本对是指来自于同一对象的数据增强后的面部图像样本,所述负样本对是指来自于不同对象的数据增强后的面部图像样本。
步骤S304、根据每个正阳本对、每个负样本对之间的特征相似度计算归一化对比交叉熵损失,并基于所述归一化对比交叉熵损失更新所述面部特征编码模型的模型参数。
具体地,采用对比学习和数据增强的方式实现面部编码模型的自监督训练,其原理是通过训练编码器,使得编码器对于一张图像和其经过数据增强变换后的图像编码更近,和其他图像及其他图像数据增强变换后的图像特征编码更远。图4为本发明实施例提供的一种基于对比学习的面部编码器的训练过程框图,如图4所示,主要包括数据增强、面部编码层、线性变换层以及基于相似度计算的损失函数的四部分内容。
如图4所示,每次迭代训练时,首先将预设批次数量(Batch Size)对象的面部图像样本,进行数据增强,其中,数据增强是指对原始图像数据进行各种形式的变换和扰动,如旋转、裁剪、翻转和缩放变换等,从而实现训练集扩展,使得模型能够更好地学习数据的不变性和可变性,提高模型的鲁棒性和泛化能力,减少对训练数据的过拟合程度。
然后,将每个数据增强后的面部图像样本输入到面部编码层,获得对应的面部特征样本值。其中,面部编码层使用VIT作为面部特征提取器,VIT主要由图像嵌入层(patchEmbedding)和Transformer编码器构成,其中图像嵌入层用于实现面部特征的分片嵌入,Transformer编码器包括归一化层(Norm)、多头注意力机制层(Multi-Head Attention)、全连接层等;patch Embedding通常使用p*p的卷积运算将图像分成n个patch,通常将p设置为16并将原始图像转换为14*14个768维的特征向量,再与class token和每个patch的位置向量(position Embedding)进行合并和相加。
更进一步的说,在patch Embedding层,通过试验分析面部特征的细粒度及输入图像局部特征对面部特征提取结果的影响程度,本实施例使用了4个3*3卷积和1*1卷积堆叠的方式来获取一维图像序列,与传统的14*14的大卷积核相比,使用多个小卷积核可以在相同感受野的前提下减少模型的参数,该感受野的计算公式如(1)所示。图5为本发明实施例提供的一种patch Embedding层的结构示意图,可将该层得到的197*768的特征矩阵作为参数传入到Transformer编码器中,经过归一化、自注意力层和残差等变换即可得到该图像的编码值,通过使用6个Transformer编码器堆叠,其中每个Trm编码器自注意力层使用6头的注意力机制来生成最终图像的嵌入表示。
F(i)=(F(i+1)-1)·Stride+Ksize (1)
其中,F(i)为第i层感受野,stride为第i层的步距,Ksize为卷积核或池化核尺寸。
然后,线性变换层主要由全连接层和Relu激活层构成,将上述面部编码层得到的面部特征编码值,作为该全连接线性神经网络的输入,将其投影到另一个向量空间,这个向量空间可以更好的捕捉到输入数据的结构和关系。更进一步的,每个输入数据会通过不同的数据增强方式进行处理,例如随机裁剪、颜色抖动等;然后,线性变换层会将这些增强后的数据映射到同一个特征空间中,从而使它们可以进行比较和对比,以便模型学习更加丰富和鲁棒的特征表示。
线性变换层计算公式(2)所示:
z=W(2)·MAx(0,W(1)x+b1)+b2 (2)
其中W(1)和W(2)为权重参数,b1和b2为偏置项,Max(a,b)为Relu激活函数,用于获取较大值。
然后,进行基于相似度计算的损失函数计算。模型优化的目的是学习一个相似度函数来计算两个样本之间的相似度或距离。使得在该函数下,同类别的样本之间的距离较小,不同类别的样本之间的距离较大。其实现过程主要通过计算对比损失并通过两个网络进行反向传播。当来自同一图像的投影相似时,对比损失减少。相反当来自不同图像投影时,对比损失增加。投影之间的相似度计算方法可以是任意的,本实施例使用余弦相似度评价面部图像特征值之间的距离,使用NT-Xent loss作为损失函数,具体公式如(3)所示。
其中,Zi和Zj为两张图像最终的编码值,t为可以调节的Temperature参数,它能够scale输入并扩展余弦相似度[-1,1]这个范围。
基于相似度的损失函数计算公式如(4)所示:
该损失函数等价于获取二次增强的图像与该对中第一张图像相似的概率。其中分母中的项表示其他图片增强后获得的图片,也就是所有的负类图像集合,exp表示取对数,Si,j即为公式(3)两张图像余弦相似度的计算方法。
最终的目标优化函数如公式(5)所示:
上述公式为计算每个Batch里面的所有pair的损失之和取平均,其中l(i,j)即为公式(4)中的损失函数计算,N表示所有的pair对,即Batch size。
另外,本申请实施例中的面部特征编码模型所使用的超参数如表1所示:
表1
参数描述 | 数值 |
DROPOUT率 | 0.2 |
Batch值 | 128 |
Epochs值 | 100 |
α值 | 0.0001 |
λ值 | 0.03 |
β值 | 0.999 |
Encoder数 | 6 |
MHSA数 | 6 |
Embedding_Dim | 768 |
在前述实施例的基础上,通过对比学习的方式对面部特征编码模型进行自监督训练,并且对面部特征面部编码模型中的VIT中的patch Embedding进行优化,以实现区块链领域非密码学方式的身份隐藏功能及基于面部特征的数字化实现方法。
在上述实施例的基础上,图6为图1所示实施例中步骤S103的详细流程示意图,所述已登记对象的登记数字身份信息包括多个类别,每个类别有对应的类别面部特征编码信息。如图6所示,步骤S103包括如下步骤:
步骤S601、根据所述当前面部特征编码信息与每个类别的类别面部特征编码信息之间的相似度,确定所述当前面部特征编码信息对应的目标类别。
具体地,监管节点上的所有已登记数字身份信息(面部特征目录)包括多个类别,每个类别有其对应的类别面部特征编码值;本步骤中,计算目标对象的当前面部特征编码值与每个类别对应的类别面部特征编码之间的余弦相似度,确定相似度最大的目标类别。
步骤S602、计算所述当前面部特征编码信息与所述目标类别下的登记数字身份信息之间的相似度。
具体地,计算目标对象的当前面部特征编码值与该目标类别下的所有登记数字身份信息之间的余弦相似度,若不存在相似度大于预设阈值的情况,则确定目标对象的当前面部特征编码值为目标对象的数字身份信息,并登记到监管节点上,若存在相似度大于预设阈值的情况下,则确定目标对象对应的目标已登记对象的目标登记数字身份信息,该目标登记数字身份信息就是目标对象的数字身份,后续可使用该目标登记数字身份信息进行业务处理。
继续参考图6所示,在一些实施例中,所述步骤S601之前,还包括步骤S600:基于特征投影层将所述已登记对象的登记数字身份信息划分为多个类别,并确定每个类别的中心面部特征编码信息为所述类别面部特征编码信息。
图7为本发明实施例提供的一种基于面部特征目录分类的数字身份生成的流程框图,如图7所示,通过特征投影层将监管节点上的面部特征目录投影到不同类别中,形成不同的面部特征类别,如类别A、B、C等,每个类别下包括至少一个已登记对象的登记数字身份,每个类别使用投影层计算出的中心编码值表示。将目标对象的面部图像输入到面部特征编码器中,输出当前面部特征编码值,将当前面部特征编码值首先与面部特征目录中的类别进行相似度计算,若得到当前面部特征编码值所属类别A后,再与类别A中的所有面部特征进行相似度计算,可以有效提高数字身份信息在生成时,监管节点的校验效率。
在前述实施例的基础上,考虑到随着登记数字身份信息的对象数量的增加,监管节点维护的面部特征目录也呈现指数上涨的趋势,本实施例采用多层线性变换,将面部特征目录进行特征划分并使用类别标签进行标记,提高在面部编码值相似度计算过程中的效率。
图8为本发明实施例提供的一种数字身份信息的应用方法的流程示意图,应用于区块链网络中的监管节点,其中,数字身份信息是基于前述实施例的数字身份信息的生成方法所生成的。如图8所示,该数字身份信息的应用方法包括:
步骤S801、基于目标对象的数字身份信息创建区块链网络中的区块链账户。
步骤S802、将所述目标对象的相关信息上链存储到所述区块链账户中。
具体地,在确定出目标对象的数字身份信息后,可以使用该数字身份进行区块链账户的注册,并将目标对象的个人信息和个人资产信息以区块链智能合约的方式存储到相应的区块链账户中,其中,个人信息包括医疗数据、税务数据、教育数据和消费数据等,个人资产信息包括身份证明、个人护照、个人房产信息和数字资产信息等。
图9为本发明实施例提供的一种数字身份生成及应用的流程框图,如图9所示,首先采用对比学习的方式对面部特征编码模型进行自监督训练,并将训练好的面部特征编码模型中的面部特征编码器部署到区块链网络中的监管节点;用户D的面部图像输入到监管节点上的面部特征编码器,进行面部特征编码,输出当前面部特征编码值;根据监管节点上的面部特征目录对该当前面部特征编码值进行校验,即计算当前面部特征编码值与面部特征目录下的所有登记数字身份信息之间的相似度,若不存在相似度大于预设阈值,则确定当前面部特征编码值为目标对象的数字身份信息,若存在相似度大于预设阈值,则确定与当前面部特征编码值最相似的登记数字身份信息,该登记数字身份信息即为用户D的数字身份;该数字身份作为链上数字身份使用,该数字账户下存储着对应账户的个人信息和资产信息,并保存在区块链智能合约中,可以作为后续应用场景中的数字身份账户使用。
在前述实施例的基础上,通过将目标对象的实际面部特征作为数字身份,并基于数字身份创建区块链账户,并在区块链账户中存储目标对象的相关信息,从而实现链上身份基于面部特征的数字化实现和区块链账户身份的非密码学隐私保护功能。
图10为本发明实施例提供的另一种数字身份信息的应用方法的交互示意图,其中,数字身份信息是基于前述实施例的数字身份信息的生成方法所生成的。如图10所示,该数字身份信息的应用方法包括:
步骤S1001、客户端向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像。
相对应的,监管节点接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像。
在实际应用场景中,有些机构需要验证用户的真实身份,有些机构需要验证用户的真实身份和获悉用户的相关隐私信息等。此时,用户可实时采集自身的面部图像,即待验证面部图像,将待验证面部图像携带在可信凭证获取请求中,发送给监管节点。
步骤S1002、监管节点将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息。
具体地,监管节点将可信凭证获取请求中的待验证面部图像,输入到基于对比学习训练好的面部特征编码器中,输出待验证面部特征编码信息。
步骤S1003、监管节点根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息。
具体地,监管节点计算待验证面部特征编码值与每个登记数字身份信息之间的余弦相似度,若存在余弦相似度大于预设阈值,则确定待验证面部特征编码值对应的目标已登记对象,以及该目标已登记对象对应的目标登记数字身份信息。
步骤S1004、监管节点对所述待验证面部特征编码信息进行降维可视化处理,并与已登记对象的登记数字身份信息降维可视化处理结果进行匹配,获得可解释性结果,所述可解释性结果用于表征所述目标对象匹配目标已登记对象。
具体地,监管节点上的登记数字身份信息(面部特征编码值)是高维度特征值,通过对这些登记数字身份信息进行降维处理,获得对应的降至二维或三维坐标,通过使用局部欧几里得距离来描述高维空间(768维)中曲面的方法,即将数据点之间的距离表示为概率分布,然后通过最小化原始数据与降维后数据之间的距离误差来找到一个在低维空间中保持原始数据流形结构的表示。当得到面部特征编码值降维后的二维和三维坐标后,使用plotly等方法对上述坐标进行交互式可视化展示,可使用不同颜色或形状来表示不同对象不同面部表情及装饰下的面部特征编码值。
举例来说,假设监管节点上已登记对象有30名(测试者1、测试者2、测试者3……测试者30),每名测试者不断改变面部表情及面部佩戴装饰的面部图像30到40组,并通过前述的面部特征编码器得到30到40组的768维的面部特征编码值,30名测试者共计1076组面部特征编码值。首先对这1076组面部特征编码值进行降维处理,获得特征值二维坐标如表2所示,获得特征值三维坐标如表3所示。
表2
表3
x | y | z | 测试者 | |
0 | 0.265660 | 2.741614 | 4.707718 | 测试者1 |
1 | -1.371263 | 1.396341 | 6.263566 | 测试者1 |
2 | 0.731102 | 3.044538 | 6.235900 | 测试者1 |
3 | 0.804297 | 2.530373 | 4.567465 | 测试者1 |
4 | -0.575597 | 0.462298 | 7.275027 | 测试者1 |
…… | …… | …… | …… | …… |
1074 | 1.675404 | 0.583477 | 5.179176 | 测试者30 |
1075 | 1.754593 | 0.148041 | 5.496091 | 测试者30 |
1076 | 1.631016 | 0.426701 | 5.117219 | 测试者30 |
在获得表2所示的特征值二维坐标和表3所示的特征值三维坐标后,对其进行可视化处理,如图11a为本发明实施例提供的一种登记数字身份信息的特征值二维坐标的可视化示意图,图11b为本发明实施例提供的一种登记数字身份信息的特征值三维坐标的可视化示意图,从图11a和图11b可以看出,对于同一名测试者其不同面部表情得到的面部特征编码值在二维和三维空间下处于同一个簇中,也就是说,本实施例的基于对比学习训练得到的面部特征编码器具有精准的面部特征编码能力,并且可以有效的分辨出不同测试者的面部特征编码。
在通过步骤S1002获取到目标对象的待验证面部特征编码值后,如图12为本发明实施例提供的一种待验证面部特征编码信息的示意图;对其进行降维可视化处理,并与已登记对象的登记数字身份信息降维可视化处理结果(即图11a和图11b)进行匹配,获得目标对象的待验证面部特征编码值对应的特征值二维可视化和特征值三维可视化,如图13a为本发明实施例提供的一种将待验证面部特征编码值的二维可视化结果与图11a的二维可视化结果的匹配示意图,图13b为本发明实施例提供的一种将待验证面部特征编码值的三维可视化结果与图11b的三维可视化结果的匹配示意图,由图13a和图13b可以看出,目标对象的待验证面部特征编码值被归到测试者1所在的簇中(如图13a和图13b中的方框),说明目标对象对应测试者1,目标对象的数字身份对应测试者1的目标登记数字身份信息。
步骤S1005、监管节点基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证。
具体地,将上述可解释性结果及目标登记数字身份信息进行整合,得到数字身份(面部特征)可信凭证,如图14为本发明实施例提供的一种数字身份可信凭证的结构示意图。在确定目标对象归属于测试者1时,将测试者1的登记数字身份信息(即测试者1的面部原始特征值)与图13a、图13b所示的可解释性结果组合成相应的面部特征可信凭证,另外,还可以通过可解释性结果智能生成可信凭证文本描述(如图14中的文字部分),用于描述面部特征编码器提取的待验证面部特征编码值属于测试者1。
步骤S1006、监管节点将所述数字身份可信凭证返回给客户端。
相对应的,在客户端侧,接收所述监管节点返回的数字身份可信凭证。
步骤S1007、客户端将所述数字身份可信凭证发送给服务端。
相对应的,在服务端侧,接收客户端发送的数字身份可信凭证。
步骤S1008、服务端根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
具体地,若服务端(如银行、酒店和司法部分等机构的服务端)需要验证用户的真实身份,则服务端获取到数字身份可信凭证后,并对其进行校验通过后,通过用户的数字身份获取到区块链智能合约中用户的身份证明相关信息。若服务端(执法监管、远程医疗和保险理赔等业务需要数据共享)需要验证用户的真实身份和用户的相关隐私信息,则服务端获取到数字身份可信凭证后,并对其进行校验通过后,通过用户的数字身份获取到区块链智能合约中用户的身份证明信息和个人隐私信息等。
在前述实施例的基础上,在确定目标对象的数字身份信息后,可基于该数字身份生成可信凭证,并将可信凭证应用到身份验证或者数据共享等多种场景下,相比于传统密码学生成的数字身份,能够提供更为准确和可靠的身份验证,并且使用面部特征作为数字身份还可以提高身份验证的速度和效率,即只需要进行一次面部扫描即可完成身份验证,不需要输入或记忆任何密码或其他信息。
图15为本发明实施例提供的另一种数字身份信息的应用方法的流程示意图,应用于区块链网络中的监管节点,该方法包括:
步骤S1501、接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像。
步骤S1502、将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息。
步骤S1503、根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息。
步骤S1504、对所述待验证面部特征编码信息进行降维可视化处理,并与已登记对象的登记数字身份信息降维可视化处理结果进行匹配,获得可解释性结果,所述可解释性结果用于表征所述目标对象匹配目标已登记对象。
步骤S1505、基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证。
步骤S1506、将所述数字身份可信凭证返回给客户端,以使所述客户端将所述数字身份可信凭证发送给服务端。
本发明实施例提供的数字身份信息的应用方法,应用于区块链网络中的监管节点,其实现原理和技术效果与图10所示实施例类似,此处不再赘述。
图16为本发明实施例提供的再一种数字身份信息的应用方法的流程示意图,应用于客户端,该方法包括:
步骤S1601、向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像
步骤S1602、接收所述监管节点返回的数字身份可信凭证,其中,所述数字身份可信凭证是所述监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对所述待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象。
步骤S1603、将所述数字身份可信凭证发送给服务端,以使所述服务端根据所述数字身份可信凭证从区块链网络的区块链账户中获取目标对象的相关信息。
本发明实施例提供的数字身份信息的应用方法,应用于客户端,其实现原理和技术效果与图10所示实施例类似,此处不再赘述。
图17为本发明实施例提供的又一种数字身份信息的应用方法的流程示意图,应用于服务端,该方法包括:
步骤S1701、接收客户端发送的数字身份可信凭证,其中,所述数字身份可信凭证是区块链网络的监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对目标对象的待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象。
步骤S1702、根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
本发明实施例提供的数字身份信息的应用方法,应用于服务端,其实现原理和技术效果与图10所示实施例类似,此处不再赘述。
图18为本发明实施例提供的另一种数字身份生成及应用的流程框图,假设用户D需要确定其数字身份,并需要基于数字身份进行区块链账户注册,应用到身份验证、数据共享等场景中。如图18所示:
首先确定数字身份及账户注册:
用户D通过所述对比学习得到的面部特征编码器生成面部编码特征值,并由监管节点与其维护的面部特征目录进行相似度计算,如果不存在特定距离内的面部特征值,即为用户D创建新的基于面部特征的数字身份,用户D通过该数字身份将个人信息上传到区块链的智能合约中,个人信息主要包括账户信息和资产信息,用于后续的身份验证和数据共享所使用。
场景一:身份验证应用
身份验证主要包括银行、酒店和司法部门等,其需求为验证用户的真实身份。因此本应用场景中,首先用户D通过监管节点校验本人面部特征,即通过面部特征提取器生成当前的面部特征编码值,监管节点拿到用户D当前的面部特征编码值后,与其维护的面部特征目录进行相似度计算,找到用户D注册时生成的面部特征编码值,并将该编码值与面部特征(数字身份)可信凭证一同返回给用户D。用户D将监管节点给出的上述凭证和注册时使用的面部特征编码值提供给需要身份验证的机构(银行、酒店或司法部门),上述机构校验可解释性凭证后通过Alice的数字身份获取到区块链智能合约中用户D身份证明相关信息。
场景二:数据共享应用
数据共享主要包括执法监管、远程医疗和保险理赔等业务,其需求为验证用户的真实身份和用户的相关隐私信息。本应用场景中首先用户D通过监管节点校验本人面部特征,即通过面部特征提取器生成当前的面部特征编码值,监管节点拿到用户D当前的面部特征编码值后,与其维护的面部特征目录进行相似度计算,找到用户D注册时生成的面部特征编码值,并将该编码值与面部特征(数字身份)可信凭证一同返回给用户D。用户D将监管节点给出的上述可信凭证和注册时使用的面部特征编码值提供给需要身份验证的机构(保险公司、执法局或医疗部门),上述机构校验可信凭证后通过用户D的数字身份获取到区块链智能合约中用户D身份证明信息和用户D的个人隐私信息(包括医疗数据、教育数据、资产数据等)。上述应用在获取用户D的个人隐私数据的过程中实现了对用户D身份的隐私保护功能。
综上,本发明实施例通过将实际面部特征值作为数字身份,实现了基于面部特征的账户身份数字化表示及区块链领域非密码学方式的身份隐藏能力;通过面部编码值目录子类别划分的方式提高在面部编码值相似度计算过程中的效率;对所述面部特征编码器生成的面部特征编码值(数字身份)进行降维可解释性分析,并将分析结果和智能生成文本进行整合作为数字身份可信凭证使用,可应用到各种实际场景中,具有普适性和高扩展性
图19为本发明实施例提供的一种数字身份信息的生成装置的结构示意图,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;如图19所示,该生成装置包括:
图像获取模块1901,用于获取目标对象的面部图像;第一编码模块1902,用于将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;第一计算模块1903,用于计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;第一确定模块1904,用于在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记。
在一些实施例中,所述第一编码模块1902,还用于:基于面部图像样本集采用对比学习的方式对待训练的面部特征编码模型进行训练,获得训练好的面部特征编码模型,其中,所述面部特征编码模型包括面部编码层和线性变换层,所述面部编码层为视觉注意力模型,所述视觉注意力模型包括图像嵌入层和基于注意力机制的编码器,所述图像嵌入层包括预设个数的预设尺寸的卷积核;确定所述训练好的面部特征编码模型中的视觉注意力模型为所述训练好的面部特征编码器。
在一些实施例中,所述第一编码模块1902,具体用于:获取预设批次数量对象对应的面部图像样本,并对每个对象的面部图像样本进行数据增强;将每个数据增强后的面部图像样本输入到面部特征编码模型中的视觉注意力模型中,输出每个数据增强后的面部图像样本对应的面部特征样本值;根据各面部特征样本值计算每个正样本对、每个负样本对之间的特征相似度,其中,所述正样本对是指来自于同一对象的数据增强后的面部图像样本,所述负样本对是指来自于不同对象的数据增强后的面部图像样本;根据每个正阳本对、每个负样本对之间的特征相似度计算归一化对比交叉熵损失,并基于所述归一化对比交叉熵损失更新所述面部特征编码模型的模型参数。
在一些实施例中,所述已登记对象的登记数字身份信息包括多个类别,每个类别有对应的类别面部特征编码信息;所述第一计算模块1903,具体用于:根据所述当前面部特征编码信息与每个类别的类别面部特征编码信息之间的相似度,确定所述当前面部特征编码信息对应的目标类别;计算所述当前面部特征编码信息与所述目标类别下的登记数字身份信息之间的相似度。
在一些实施例中,所述第一计算模块1903,还用于:基于特征投影层将所述已登记对象的登记数字身份信息划分为多个类别,并确定每个类别的中心面部特征编码信息为所述类别面部特征编码信息。
在一些实施例中,所述第一确定模块1904,还用于:在存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息对应的目标已登记对象的目标数字身份信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的数字身份信息的生成装置的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
图20为本发明实施例提供的一种数字身份信息的应用装置的结构示意图,应用于区块链网络中的监管节点,其中,数字身份信息是基于前述实施例的数字身份信息的生成方法所生成的,如图20所示,该应用装置包括:
账户注册模块2001,用于基于目标对象的数字身份信息创建区块链网络中的区块链账户;信息上链模块2002,用于将所述目标对象的相关信息上链存储到所述区块链账户中。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的数字身份信息的应用装置的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
图21为本发明实施例提供的另一种数字身份信息的应用装置的结构示意图,应用于区块链网络中的监管节点,其中,数字身份信息是基于前述实施例的数字身份信息的生成方法所生成的;如图21所示,该应用装置包括:
第一接收模块2101,用于接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;第二编码模块2102,用于将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息;第二计算模块2103,用于根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息;降维可视化模块2104,用于对所述待验证面部特征编码信息进行降维可视化处理,获得可解释性结果,所述可解释性结果用于表征目标对象匹配所述目标已登记对象;凭证生成模块2105,用于基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证;第一发送模块2106,用于将所述数字身份可信凭证返回给客户端,以使所述客户端将所述数字身份可信凭证发送给服务端。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的数字身份信息的应用装置的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
图22为本发明实施例提供的再一种数字身份信息的应用装置的结构示意图,应用于应用于客户端,其中,数字身份信息是基于前述实施例的数字身份信息的生成方法所生成的;如图22所示,该应用装置包括:
第二发送模块2201,用于向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;第二接收模块2202,用于接收所述监管节点返回的数字身份可信凭证,其中,所述数字身份可信凭证是所述监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对所述待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;第二发送模块2201,还用于将所述数字身份可信凭证发送给服务端,以使所述服务端根据所述数字身份可信凭证从区块链网络的区块链账户中获取目标对象的相关信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的数字身份信息的应用装置的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
图23为本发明实施例提供的又一种数字身份信息的应用装置的结构示意图,应用于服务端,其中,数字身份信息是基于前述实施例的数字身份信息的生成方法所生成的;如图23所示,该应用装置包括:
第三接收模块2301,用于接收客户端发送的数字身份可信凭证,其中,所述数字身份可信凭证是区块链网络的监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对目标对象的待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;信息获取模块2302,用于根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的数字身份信息的应用装置的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
图24为本发明实施例提供的一种电子设备的硬件结构示意图。如图24所示,该电子设备包括处理器2401、通信接口2402、存储器2403和通信总线2404,其中,处理器2401,通信接口2402,存储器2403通过通信总线2404完成相互间的通信,
存储器2403,用于存放计算机程序;
在本发明一个实施例中,处理器2401,用于执行存储器2403上所存放的程序时,实现前述任意一个方法实施例提供的数字身份信息的生成方法的步骤或者数字身份信息的应用方法的步骤。
本发明实施例提供的电子设备,其实现原理和技术效果与上述实施例类似,此处不再赘述。
上述存储器2403可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器2403具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如,用于程序代码的存储空间可以包括分别用于实现上面的方法中的各个步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,光盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为便携式或者固定存储单元。该存储单元可以具有与上述电子设备中的存储器2403类似布置的存储段或者存储空间等。程序代码可以例如以适当形式进行压缩。通常,存储单元包括用于执行根据本发明的实施例的方法步骤的程序,即可以由例如诸如2401之类的处理器读取的代码,这些代码当由电子设备运行时,导致该电子设备执行上面所描述的方法中的各个步骤。
本发明的实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现如上所述的数字身份信息的生成方法和数字身份信息的应用方法的步骤。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的;也可以是单独存在,而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (17)
1.一种数字身份信息的生成方法,其特征在于,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;所述方法包括:
获取目标对象的面部图像;
将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;
计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;
在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记。
2.根据权利要求1所述的方法,其特征在于,所述将所述面部图像输入到所述训练好的面部特征编码器中之前,还包括:
基于面部图像样本集采用对比学习的方式对待训练的面部特征编码模型进行训练,获得训练好的面部特征编码模型,其中,所述面部特征编码模型包括面部编码层和线性变换层,所述面部编码层为视觉注意力模型,所述视觉注意力模型包括图像嵌入层和基于注意力机制的编码器,所述图像嵌入层包括预设个数的预设尺寸的卷积核;
确定所述训练好的面部特征编码模型中的视觉注意力模型为所述训练好的面部特征编码器。
3.根据权利要求2所述的方法,其特征在于,所述基于面部图像样本集采用对比学习的方式对待训练的面部特征编码模型进行训练,包括:
获取预设批次数量对象对应的面部图像样本,并对每个对象的面部图像样本进行数据增强;
将每个数据增强后的面部图像样本输入到面部特征编码模型中的视觉注意力模型中,输出每个数据增强后的面部图像样本对应的面部特征样本值;
根据各面部特征样本值计算每个正样本对、每个负样本对之间的特征相似度,其中,所述正样本对是指来自于同一对象的数据增强后的面部图像样本,所述负样本对是指来自于不同对象的数据增强后的面部图像样本;
根据每个正阳本对、每个负样本对之间的特征相似度计算归一化对比交叉熵损失,并基于所述归一化对比交叉熵损失更新所述面部特征编码模型的模型参数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述已登记对象的登记数字身份信息包括多个类别,每个类别有对应的类别面部特征编码信息;所述计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度,包括:
根据所述当前面部特征编码信息与每个类别的类别面部特征编码信息之间的相似度,确定所述当前面部特征编码信息对应的目标类别;
计算所述当前面部特征编码信息与所述目标类别下的登记数字身份信息之间的相似度。
5.根据权利要求4所述的方法,其特征在于,所述根据所述当前面部特征编码信息与每个类别的类别面部特征编码信息之间的相似度之前,还包括:
基于特征投影层将所述已登记对象的登记数字身份信息划分为多个类别,并确定每个类别的中心面部特征编码信息为所述类别面部特征编码信息。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
在存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息对应的目标已登记对象的目标数字身份信息。
7.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,其特征在于,应用于区块链网络中的监管节点,所述方法包括:
基于目标对象的数字身份信息创建区块链网络中的区块链账户;
将所述目标对象的相关信息上链存储到所述区块链账户中。
8.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,其特征在于,应用于区块链网络中的监管节点,所述方法包括:
接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;
将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息;
根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息;
对所述待验证面部特征编码信息进行降维可视化处理,并与已登记对象的登记数字身份信息降维可视化处理结果进行匹配,获得可解释性结果,所述可解释性结果用于表征所述目标对象匹配目标已登记对象;
基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证;
将所述数字身份可信凭证返回给客户端,以使所述客户端将所述数字身份可信凭证发送给服务端。
9.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,其特征在于,应用于客户端,所述方法包括:
向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;
接收所述监管节点返回的数字身份可信凭证,其中,所述数字身份可信凭证是所述监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对所述待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;
将所述数字身份可信凭证发送给服务端,以使所述服务端根据所述数字身份可信凭证从区块链网络的区块链账户中获取目标对象的相关信息。
10.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用方法,其特征在于,应用于服务端,所述方法包括:
接收客户端发送的数字身份可信凭证,其中,所述数字身份可信凭证是区块链网络的监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对目标对象的待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;
根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
11.一种数字身份信息的生成装置,其特征在于,应用于区块链网络中的监管节点,所述监管节点部署有训练好的面部特征编码器,并存储有已登记对象的登记数字身份信息;所述生成装置包括:
图像获取模块,用于获取目标对象的面部图像;
第一编码模块,用于将所述面部图像输入到所述训练好的面部特征编码器中,输出当前面部特征编码信息;
第一计算模块,用于计算所述当前面部特征编码信息与每个所述登记数字身份信息之间相似度;
第一确定模块,用于在不存在相似度大于预设阈值的情况下,确定所述当前面部特征编码信息为目标对象的数字身份信息,并将所述目标对象的数字身份信息进行登记。
12.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,其特征在于,应用于区块链网络中的监管节点,所述应用装置包括:
账户注册模块,用于基于目标对象的数字身份信息创建区块链网络中的区块链账户;
信息上链模块,用于将所述目标对象的相关信息上链存储到所述区块链账户中。
13.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,其特征在于,应用于区块链网络中的监管节点,所述应用装置包括:
第一接收模块,用于接收客户端发送的可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;
第二编码模块,用于将所述待验证面部图像输入到训练好的面部特征编码器中,输出待验证面部特征编码信息;
第二计算模块,用于根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度,确定所述所述待验证面部特征编码信息对应的目标已登记对象及目标登记数字身份信息;
降维可视化模块,用于对所述待验证面部特征编码信息进行降维可视化处理,获得可解释性结果,所述可解释性结果用于表征目标对象匹配所述目标已登记对象;
凭证生成模块,用于基于所述目标登记数字身份信息和所述可解释性结果生成数字身份可信凭证;
第一发送模块,用于将所述数字身份可信凭证返回给客户端,以使所述客户端将所述数字身份可信凭证发送给服务端。
14.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,其特征在于,应用于客户端,所述应用装置包括:
第二发送模块,用于向区块链网络中的监管节点发送可信凭证获取请求,所述可信凭证获取请求包括目标对象的待验证面部图像;
第二接收模块,用于接收所述监管节点返回的数字身份可信凭证,其中,所述数字身份可信凭证是所述监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对所述待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;
第二发送模块,还用于将所述数字身份可信凭证发送给服务端,以使所述服务端根据所述数字身份可信凭证从区块链网络的区块链账户中获取目标对象的相关信息。
15.一种基于权利要求1-6任一项所述数字身份信息的生成方法所生成的数字身份信息的应用装置,其特征在于,应用于服务端,所述应用装置包括:
第三接收模块,用于接收客户端发送的数字身份可信凭证,其中,所述数字身份可信凭证是区块链网络的监管节点根据目标登记数字身份信息和可解释性结果生成,所述目标登记数字身份信息是根据所述待验证面部特征编码信息与每个登记数字身份信息之间的相似度确定的,所述待验证面部特征编码信息是基于训练好的面部特征编码器对目标对象的待验证面部图像进行特征提取获得的,所述可解释性结果是对待验证面部特征编码信息进行降维可视化处理获得的,用于表征所述目标对象匹配目标已登记对象;
信息获取模块,用于根据所述数字身份可信凭证从区块链网络对应的区块链账户中,获取目标对象的相关信息。
16.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如权利要求1-6任一项所述的数字身份信息的生成方法的步骤,或者实现如权利要求7-10任一项所述的数字身份信息的应用方法的步骤。
17.一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任一项所述的数字身份信息的生成方法的步骤,或者实现如权利要求7-10任一项所述的数字身份信息的应用方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835479.XA CN116824676A (zh) | 2023-07-07 | 2023-07-07 | 数字身份信息的生成方法、应用方法、装置、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835479.XA CN116824676A (zh) | 2023-07-07 | 2023-07-07 | 数字身份信息的生成方法、应用方法、装置、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116824676A true CN116824676A (zh) | 2023-09-29 |
Family
ID=88127335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310835479.XA Pending CN116824676A (zh) | 2023-07-07 | 2023-07-07 | 数字身份信息的生成方法、应用方法、装置、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807604A (zh) * | 2024-03-01 | 2024-04-02 | 天津华来科技股份有限公司 | 固件文件系统中开源组件cve漏洞检测方法 |
-
2023
- 2023-07-07 CN CN202310835479.XA patent/CN116824676A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807604A (zh) * | 2024-03-01 | 2024-04-02 | 天津华来科技股份有限公司 | 固件文件系统中开源组件cve漏洞检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110892693B (zh) | 用于生物特征识别的系统和方法 | |
Wang et al. | A partial Hadamard transform approach to the design of cancelable fingerprint templates containing binary biometric representations | |
EP1825418B1 (en) | Fingerprint biometric machine | |
Abdullahi et al. | Fractal coding-based robust and alignment-free fingerprint image hashing | |
Kumar et al. | Privacy preserving security using biometrics in cloud computing | |
US8542886B2 (en) | System for secure face identification (SCIFI) and methods useful in conjunction therewith | |
CN109948320B (zh) | 基于区块链的身份识别管理方法、装置、介质及电子设备 | |
WO2019047567A1 (zh) | 服务提供方法、装置、存储介质和计算设备 | |
US20200285836A1 (en) | Systems and methods for secure user logins with facial recognition and blockchain | |
CN107395369B (zh) | 面向移动互联网自带设备的认证方法、访问方法及系统 | |
CN116776386B (zh) | 一种云服务数据信息安全管理方法及系统 | |
CN116824676A (zh) | 数字身份信息的生成方法、应用方法、装置、系统及设备 | |
Ramya et al. | An efficient Minkowski distance-based matching with Merkle hash tree authentication for biometric recognition in cloud computing | |
Ouyang et al. | A semi-fragile watermarking tamper localization method based on QDFT and multi-view fusion | |
Shakil et al. | BAMCloud: a cloud based Mobile biometric authentication framework | |
Salman et al. | Valid Blockchain-Based E-Voting Using Elliptic Curve and Homomorphic Encryption. | |
Ouyang et al. | Blockchain-Assisted Verifiable and Secure Remote Sensing Image Retrieval in Cloud Environment | |
Gayathri et al. | Fisher-Yates chaotic shuffling based visual cryptography scheme for multimodal biometric authentication | |
CN114863430A (zh) | 一种人口信息自动纠错方法、设备及其存储介质 | |
Ameh et al. | Securing cardless automated teller machine transactions using bimodal authentication system | |
Ramya et al. | A comparative analysis of similarity distance measure functions for biocryptic authentication in cloud databases | |
Osadchy et al. | G en F ace: Improving Cyber Security Using Realistic Synthetic Face Generation | |
US12010234B2 (en) | System and method to generate a unique security proof for secure accessing of data | |
CN114553684B (zh) | 网点运维方法、装置、计算机设备、存储介质 | |
Ding et al. | An efficient privacy-preserving palmprint authentication scheme based on ElGamal |
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 |