CN116938611B - 基于人工智能的信息验证方法及系统 - Google Patents

基于人工智能的信息验证方法及系统 Download PDF

Info

Publication number
CN116938611B
CN116938611B CN202311210030.0A CN202311210030A CN116938611B CN 116938611 B CN116938611 B CN 116938611B CN 202311210030 A CN202311210030 A CN 202311210030A CN 116938611 B CN116938611 B CN 116938611B
Authority
CN
China
Prior art keywords
detection
knowledge
vector
mining
identity
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
Application number
CN202311210030.0A
Other languages
English (en)
Other versions
CN116938611A (zh
Inventor
邵雨洁
马文聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Hongcunxinjie Technology Co ltd
Original Assignee
Suzhou Hongcunxinjie Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Hongcunxinjie Technology Co ltd filed Critical Suzhou Hongcunxinjie Technology Co ltd
Priority to CN202311210030.0A priority Critical patent/CN116938611B/zh
Publication of CN116938611A publication Critical patent/CN116938611A/zh
Application granted granted Critical
Publication of CN116938611B publication Critical patent/CN116938611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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
    • G06V10/74—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
    • G06V10/80—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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/56—Financial cryptography, e.g. electronic payment or e-cash
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2463/00—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00
    • H04L2463/082—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00 applying multi-factor authentication
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例公开了一种基于人工智能的信息验证方法及系统。采用本申请实施例能够响应于针对目标业务的信息验证请求，通过指定用户终端获取待处理多维检测信息，并将待处理多维检测信息加载到完成调试的身份信息验证算法中，得到完成调试的身份信息验证算法输出的当前身份验证观点，最后在当前身份验证观点表征指定用户终端对应的用户通过活体身份验证的前提下向指定用户终端发送目标业务的会话资源。鉴于身份信息验证算法的调试是基于不同身份验证观点调试得到的，因而可以保障身份验证的精准性和全面性，由此输出的当前身份验证观点能够准确完整地表征指定用户终端对应的用户是否通过活体身份验证，以保障会话资源下发的安全性。

Description

基于人工智能的信息验证方法及系统
技术领域
本申请实施例涉及人工智能技术领域，具体涉及信息验证领域，尤其涉及一种基于人工智能的信息验证方法及系统。
背景技术
会话型业务（conversational service）以实时（非存储转发）端到端的信息传送方式提供用户和用户或用户和主机之问的双向通信。随着移动互联网的发展，会话型业务在不同行业的应用越来越普遍，因此，针对这类业务的会话资源安全分析非常重要。
发明内容
本申请实施例提供了一种基于人工智能的信息验证方法及系统以解决或者部分解决背景技术的相关问题。
一方面，本申请实施例提供了一种基于人工智能的信息验证方法，应用于信息验证系统，所述方法包括：
响应于针对目标业务的信息验证请求，通过指定用户终端获取待处理多维检测信息；其中，所述指定用户终端是与所述信息验证请求匹配的用户终端；
将所述待处理多维检测信息加载到完成调试的身份信息验证算法中，得到所述完成调试的身份信息验证算法输出的当前身份验证观点；
在所述当前身份验证观点表征所述指定用户终端对应的用户通过活体身份验证的前提下，向所述指定用户终端发送所述目标业务的会话资源。
在一些方案中，所述身份信息验证算法包括检测知识挖掘模块、第一活体检测验证模块和第二活体检测验证模块，所述身份信息验证算法的调试步骤：
获取过往多维检测信息和身份验证观点，对所述身份验证观点进行观点信息提取得到观点信息；
当所述观点信息包括先验认证观点和第一摇摆验证观点，将所述过往多维检测信息加载到所述检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第一检测知识向量；
将全部所述第一检测知识向量加载到所述第一活体检测验证模块和所述第二活体检测验证模块进行身份验证处理，得到第一身份验证输出结果和第二身份验证输出结果；
基于所述第一身份验证输出结果和所述先验认证观点得到第一身份验证代价变量，以及基于所述第二身份验证输出结果和所述第一摇摆验证观点得到第二身份验证代价变量；
基于所述第一身份验证代价变量和所述第二身份验证代价变量得到全局验证代价变量，基于所述全局验证代价变量改进所述身份信息验证算法的算法参量。
在一些方案中，所述基于所述第一身份验证代价变量和所述第二身份验证代价变量得到全局验证代价变量，基于所述全局验证代价变量改进所述身份信息验证算法的算法参量，包括：
对所述第一身份验证代价变量和所述第二身份验证代价变量进行求和或者基于权重的求和，得到全局验证代价变量；
基于所述全局验证代价变量改进所述身份信息验证算法的算法参量。
在一些方案中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第一检测知识向量皆对应有第一活体检测联合知识向量；第一活体检测验证模块对全部所述第一检测知识向量进行身份验证处理的步骤，包括：
将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第一活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量；
基于首个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一检测知识拼接向量得到所述第一身份验证输出结果；其中，每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第一检测知识向量所得。
在一些方案中，所述将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第一活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量，包括：
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第一过渡知识向量；
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一活体检测联合知识向量进行卷积，得到每个所述第一过渡知识向量所对应的第一卷积知识向量；
将每个所述第一过渡知识向量和每个所述第一卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量。
在一些方案中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第一检测知识向量皆对应有第二活体检测联合知识向量；所述第二活体检测验证模块对全部所述第一检测知识向量进行身份验证处理的步骤，包括：
将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第二活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量；
基于首个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二检测知识拼接向量得到所述第二身份验证输出结果；其中，每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第一检测知识向量所得。
在一些方案中，所述将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第二活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量，包括：
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第二过渡知识向量；
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二活体检测联合知识向量进行卷积，得到每个所述第二过渡知识向量所对应的第二卷积知识向量；
将每个所述第二过渡知识向量和每个所述第二卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量。
在一些方案中，所述基于人工智能的信息验证方法还包括：
当所述观点信息包括第二摇摆验证观点，将所述过往多维检测信息加载到所述检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第二检测知识向量；
将全部所述第二检测知识向量加载到所述第二活体检测验证模块进行身份验证处理，得到身份输出结果；
基于所述身份输出结果和所述第二摇摆验证观点改进所述身份信息验证算法的算法参量。
在一些方案中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第二检测知识向量皆对应有第三活体检测联合知识向量；所述第二活体检测验证模块对全部所述第二检测知识向量进行身份验证处理的步骤，包括：
将每个所述非检测知识挖掘结束周期的所述第二检测知识向量与相应的所述第三活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量；
基于首个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述身份检测聚合向量得到所述身份输出结果；其中，每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述第三活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第二检测知识向量所得。
在一些方案中，所述将每个所述非检测知识挖掘结束周期的所述第二检测知识向量与相应的所述第三活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量，包括：
对每个所述非检测知识挖掘结束周期的所述第二检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第三过渡知识向量；
对每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述第三活体检测联合知识向量进行卷积，得到每个所述第三过渡知识向量所对应的第三卷积知识向量；
将每个所述第三过渡知识向量和每个所述第三卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量。
在一些方案中，所述基于所述身份输出结果和所述第二摇摆验证观点改进所述身份信息验证算法的算法参量，包括：
基于所述身份输出结果和所述第二摇摆验证观点得到第三身份验证代价变量；
基于所述第三身份验证代价变量改进所述身份信息验证算法的算法参量。
在一些方案中，若干个所述检测知识挖掘周期包括检测知识挖掘启动周期和若干个非检测知识挖掘启动周期；所述检测知识挖掘模块对所述过往多维检测信息进行多轮循环的检测知识挖掘的步骤，包括：
对于所述检测知识挖掘启动周期，对所述过往多维检测信息进行检测知识挖掘，得到所述检测知识挖掘启动周期的所述第一检测知识向量；
对于每个所述非检测知识挖掘启动周期，对上一个所述检测知识挖掘周期的检测知识挖掘结果进行检测知识挖掘，得到每个所述非检测知识挖掘启动周期的所述第一检测知识向量。
另一方面，本申请实施例还提供了一种信息验证系统，包括处理器，适于执行计算机程序；计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，以实现上述方法。
另一方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行上述方法。
另一方面，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时实现上述方法。
本申请实施例至少具有如下有益效果：
应用本申请实施例，响应于针对目标业务的信息验证请求，通过指定用户终端获取待处理多维检测信息，并将待处理多维检测信息加载到完成调试的身份信息验证算法中，得到完成调试的身份信息验证算法输出的当前身份验证观点，最后在当前身份验证观点表征指定用户终端对应的用户通过活体身份验证的前提下向指定用户终端发送目标业务的会话资源。鉴于身份信息验证算法的调试是基于不同身份验证观点调试得到的，因而可以保障身份验证的精准性和全面性，由此输出的当前身份验证观点能够准确完整地表征指定用户终端对应的用户是否通过活体身份验证，以保障会话资源下发的安全性。
在获取过往多维检测信息和身份验证观点之后，对身份验证观点进行观点信息提取得到观点信息，当观点信息包括先验认证观点和第一摇摆验证观点，先将过往多维检测信息加载到身份信息验证算法中的检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第一检测知识向量，鉴于第一检测知识向量通过多轮循环的检测知识挖掘所得，由此可以提升身份信息验证算法对新鲜样本的适应性，保障身份信息验证算法的运行性能，进而提升身份信息验证算法的检测知识挖掘质量；在得到每个检测知识挖掘周期的第一检测知识向量之后，将全部第一检测知识向量加载到身份信息验证算法中的第一活体检测验证模块和第二活体检测验证模块进行身份验证处理，得到第一身份验证输出结果和第二身份验证输出结果，接着基于第一身份验证输出结果和先验认证观点得到第一身份验证代价变量，并基于第二身份验证输出结果和第一摇摆验证观点得到第二身份验证代价变量，然后基于第一身份验证代价变量和第二身份验证代价变量得到全局验证代价变量，并基于全局验证代价变量改进身份信息验证算法的算法参量。
鉴于第一身份验证代价变量可以反映第一身份验证输出结果与先验认证观点的误差，第二身份验证代价变量可以反映第二身份验证输出结果与第一摇摆验证观点的误差，鉴于此，通过先验认证观点和第一摇摆验证观点的综合，基于由第一身份验证代价变量和第二身份验证代价变量得到的全局验证代价变量对身份信息验证算法的算法参量进行改进，可并行实现第一活体检测验证模块和第二活体检测验证模块的算法参量改进，使得第一身份验证输出结果尽可能逼近先验认证观点的前提下，第二身份验证输出结果尽可能逼近第一摇摆验证观点，一方面可以提升算法调试的时效性，还可以同时优化第一活体检测验证模块针对局部活体检测信息的身份验证性能以及第二活体检测验证模块针对所有活体检测信息的身份验证性能，进而提升身份信息验证算法一同分析多维检测信息中的局部活体检测信息和所有活体检测信息的精度，确保身份验证的可靠性和抗干扰性。
另外，鉴于先验认证观点可使得身份信息验证算法较佳地确定高确定性的信息验证观点，而确定难度较低的第一摇摆验证观点可以包含所有活体检测信息，可以改善先验认证观点不易采集的短板，基于此，通过先验认证观点和第一摇摆验证观点的综合，可以使得第一活体检测验证模块输出高确定性的信息验证观点信息，并使得第二活体检测验证模块可以输出完整全面的信息验证观点信息，这样可以基于身份信息验证算法准确可靠地确定多维检测信息所对应的全部信息验证结果。
附图说明
为了更清楚地说明本申请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申请实施例的一些实施例，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是本申请实施例提供的一种基于人工智能的信息验证方法的流程示意图。
图2是本申请实施例提供的一种信息验证系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请实施例保护的范围。
请参阅图1，图1是本申请实施例所提供的一种基于人工智能的信息验证方法的流程示意图，该方法应用于信息验证系统，进一步可以包括以下步骤110-步骤130。
步骤110、响应于针对目标业务的信息验证请求，通过指定用户终端获取待处理多维检测信息；其中，所述指定用户终端是与所述信息验证请求匹配的用户终端。
其中，信息验证系统在接收到会话资源安防服务器发送的针对目标业务的信息验证请求时，通过信息验证请求从指定用户终端中获取待处理多维检测信息，该待处理多维检测信息可以是活体用户的不同维度或者不同模态的活体检测信息，比如人脸图像检测数据（包括但不限于面部动态检测数据、虹膜检测数据）、声纹检测数据、指纹检测数据、手写签名检测数据等。
步骤120、将所述待处理多维检测信息加载到完成调试的身份信息验证算法中，得到所述完成调试的身份信息验证算法输出的当前身份验证观点。
其中，身份信息验证算法的调试可以基于身份验证观点调试所得，身份信息验证算法可以用于对待处理多维检测信息进行活体检测和身份验证，从而得到与待处理多维检测信息对应的当前身份验证观点。
步骤130、在所述当前身份验证观点表征所述指定用户终端对应的用户通过活体身份验证的前提下，向所述指定用户终端发送所述目标业务的会话资源。
其中，指定用户终端对应的用户通过活体身份验证的条件可以是：当前身份验证观点表征待处理多维检测信息为活体检测信息而非合成信息，且待处理多维检测信息所对应的活体身份标签存在于预设的已认证身份标签库中。在此基础上，可以确定指定用户终端是由认证用户在操作，因而可以将目标业务的会话资源下发给指定用户终端，以确保会话资源的使用安全性。
在一些可能的应用场景中，以银行在其移动应用程序中使用信息验证系统来确保用户的身份和活体特征为例，以下是各个步骤在这种情况下的详细说明。
步骤110：信息验证请求和指定用户终端获取待处理多维检测信息。
当用户登录银行的移动应用程序时，会话资源安防服务器会向信息验证系统发送信息验证请求。该请求包含了目标业务的相关信息，比如用户要执行的操作（例如转账、查询余额等）。信息验证系统根据请求中的信息，确定需要进行身份验证和活体检测的用户终端，并从相应的用户终端中获取待处理多维检测信息。
在该示例中，假设用户选择进行一笔转账操作。信息验证系统将从该用户正在使用的手机终端中获取待处理的多维检测信息。这些信息可以包括活体用户的不同维度或模态的活体检测数据，例如人脸图像检测数据、声纹检测数据、指纹检测数据、手写签名检测数据等。
步骤120：加载待处理多维检测信息到身份信息验证算法中。
信息验证系统将待处理的多维检测信息加载到已经完成调试的身份信息验证算法中，并运行该算法。通过这个算法，系统将得到当前身份验证观点，即对用户身份的认证评估。
在该示例中，待处理多维检测信息包括了用户的人脸图像和声纹数据。信息验证系统将这些信息输入到已经调试好的身份信息验证算法中，以便对用户进行活体检测和身份验证。该算法会根据待处理的多维检测信息生成一个当前身份验证观点，表示用户的身份验证结果。
步骤130：发送会话资源给指定用户终端。
在当前身份验证观点表明用户通过活体身份验证的前提下，信息验证系统会向指定用户终端发送目标业务的会话资源。这意味着系统确认了指定用户终端是由认证用户操作的，并且确保会话资源的使用安全性。
在该示例中，如果当前身份验证观点表明用户的待处理多维检测信息是活体检测信息（真实的生物特征数据）而非合成信息，并且该信息所对应的活体身份标签存在于预设的已认证身份标签库中，那么可以确定指定用户终端是由认证用户操作的。然后，信息验证系统将会话资源（如转账界面、查询余额页面等）下发给指定用户终端，以确保会话资源的使用安全性。
可见，在银行系统的应用场景下，信息验证系统可以根据用户提供的待处理多维检测信息来进行活体检测和身份验证，并根据验证结果向指定用户终端提供相应的会话资源。这样，银行可以确保只有经过合法认证的用户才能访问和使用敏感业务功能，从而增强了系统的安全性和用户的信任感。
综上，通过实施步骤110-步骤130，响应于针对目标业务的信息验证请求，通过指定用户终端获取待处理多维检测信息，并将待处理多维检测信息加载到完成调试的身份信息验证算法中，得到完成调试的身份信息验证算法输出的当前身份验证观点，最后在当前身份验证观点表征指定用户终端对应的用户通过活体身份验证的前提下向指定用户终端发送目标业务的会话资源。鉴于身份信息验证算法的调试是基于不同身份验证观点调试得到的，因而可以保障身份验证的精准性和全面性，由此输出的当前身份验证观点能够准确完整地表征指定用户终端对应的用户是否通过活体身份验证，以保障会话资源下发的安全性。
在一些可能的示例中，所述身份信息验证算法包括检测知识挖掘模块、第一活体检测验证模块和第二活体检测验证模块，所述身份信息验证算法的调试步骤包括步骤210-步骤250。
步骤210、获取过往多维检测信息和身份验证观点，对所述身份验证观点进行观点信息提取得到观点信息。
其中，过往多维检测信息可以理解为样本多维检测信息或者多维检测训练信息，身份验证观点可以是身份验证结果标签，进一步地，观点信息用于表征身份验证观点的内容。
步骤220、当所述观点信息包括先验认证观点和第一摇摆验证观点，将所述过往多维检测信息加载到所述检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第一检测知识向量。
其中，先验认证观点可以理解为已确定或者确定性较高的验证标签，而摇摆验证观点可以是确定性次于先验认证观点或者确定性较低的验证标签。
其中，检测知识挖掘模块可以是特征提取模块，用于进行多轮迭代的检测特征提取，从而得到过往多维检测信息在若干个检测知识挖掘周期下的第一检测知识向量（第一活体检测特征）。
步骤230、将全部所述第一检测知识向量加载到所述第一活体检测验证模块和所述第二活体检测验证模块进行身份验证处理，得到第一身份验证输出结果和第二身份验证输出结果。
其中，第一活体检测验证模块用于匹配先验认证观点的相关处理，第二活体检测验证模块用于匹配摇摆验证观点的相关处理，基于此，第一身份验证输出结果可以是认证观点预测结果，第二身份验证输出结果可以是摇摆观点预测结果。
步骤240、基于所述第一身份验证输出结果和所述先验认证观点得到第一身份验证代价变量，以及基于所述第二身份验证输出结果和所述第一摇摆验证观点得到第二身份验证代价变量。
其中，身份验证代价变量可以理解为身份验证的训练损失值或者调试损失值，第一身份验证代价变量用于反映第一身份验证输出结果和先验认证观点之间的区别，第二身份验证代价变量用于反映第二身份验证输出结果和第一摇摆验证观点之间的区别。
步骤250、基于所述第一身份验证代价变量和所述第二身份验证代价变量得到全局验证代价变量，基于所述全局验证代价变量改进所述身份信息验证算法的算法参量。
其中，可以通过不同的身份验证代价变量确定出全局验证代价变量，从而基于整体层面对身份信息验证算法的算法参量进行调整和改进处理。
在银行系统的应用场景下，继续对上述步骤210-步骤250进行介绍说明。
步骤210：获取过往多维检测信息和身份验证观点，提取观点信息。
在银行的应用场景中，信息验证系统需要获取过往的多维检测信息和相应的身份验证观点。过往多维检测信息可以是已经进行过活体检测和身份验证的用户数据样本或训练数据，而身份验证观点则是对这些样本进行身份验证后得到的结果标签。通过对身份验证观点进行观点信息提取，可以从中获得与身份验证相关的内容。
例如，信息验证系统可以收集一系列已经成功进行了身份验证的用户数据样本，其中包括他们的人脸图像、声纹数据以及相应的身份验证结果标签。通过对这些样本的身份验证结果进行观点信息提取，可以获得一些关于不同用户身份验证的特征或模式。
步骤220：通过检测知识挖掘模块进行多轮循环的检测知识挖掘。
如果观点信息包括了先验认证观点和第一摇摆验证观点，那么将过往多维检测信息加载到检测知识挖掘模块中进行多轮循环的检测知识挖掘。这个挖掘过程会产生若干个检测知识挖掘周期的第一检测知识向量。
在该示例中，先验认证观点可以是那些对身份验证结果确定性较高的标签，而第一摇摆验证观点则表示对身份验证结果确定性次于先验认证观点的标签。检测知识挖掘模块可能是一个特征提取模块，通过多轮迭代的方式从过往多维检测信息中提取特征，得到一系列关于过往多维检测信息的第一检测知识向量（也可以称为第一活体检测特征）。
步骤230：使用第一活体检测验证模块和第二活体检测验证模块进行身份验证处理。
将全部的第一检测知识向量加载到第一活体检测验证模块和第二活体检测验证模块中进行身份验证处理，得到第一身份验证输出结果和第二身份验证输出结果。
第一活体检测验证模块用于匹配先验认证观点相关的处理，而第二活体检测验证模块用于匹配第一摇摆验证观点相关的处理。基于这两个模块的处理结果，可以得到第一身份验证输出结果（即认证观点的预测结果）和第二身份验证输出结果（即摇摆观点的预测结果）。
步骤240：计算第一身份验证代价变量和第二身份验证代价变量。
基于第一身份验证输出结果和先验认证观点，计算第一身份验证代价变量。同样地，基于第二身份验证输出结果和第一摇摆验证观点，计算第二身份验证代价变量。
身份验证代价变量可以被理解为身份验证的训练损失值或者调试损失值。第一身份验证代价变量反映了第一身份验证输出结果与先验认证观点之间的差异，而第二身份验证代价变量反映了第二身份验证输出结果与第一摇摆验证观点之间的差异。
步骤250：基于第一身份验证代价变量和第二身份验证代价变量得到全局验证代价变量，并改进身份信息验证算法的参数。
根据第一身份验证代价变量和第二身份验证代价变量，计算得到全局验证代价变量。全局验证代价变量可以通过综合考虑身份验证的多个方面，包括先验认证观点和第一摇摆验证观点的差异等。基于全局验证代价变量，可以进行算法参量的调整和改进。通过针对性地优化算法参数，可以提高身份信息验证算法的准确性和稳定性。
在银行应用场景中，信息验证系统通过获取过往多维检测信息和身份验证观点，并提取观点信息。然后，通过检测知识挖掘模块进行循环迭代的特征提取，得到第一检测知识向量。接着，使用第一活体检测验证模块和第二活体检测验证模块进行身份验证处理，并得到相应的身份验证输出结果。根据第一身份验证输出结果、先验认证观点和第二身份验证输出结果、第一摇摆验证观点，计算得到身份验证代价变量。最后，基于全局验证代价变量改进身份信息验证算法的参数，以提高身份验证的准确性和可靠性。
应用步骤210-步骤250，在获取过往多维检测信息和身份验证观点之后，对身份验证观点进行观点信息提取得到观点信息，当观点信息包括先验认证观点和第一摇摆验证观点，先将过往多维检测信息加载到身份信息验证算法中的检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第一检测知识向量，鉴于第一检测知识向量通过多轮循环的检测知识挖掘所得，由此可以提升身份信息验证算法对新鲜样本的适应性，保障身份信息验证算法的运行性能，进而提升身份信息验证算法的检测知识挖掘质量；在得到每个检测知识挖掘周期的第一检测知识向量之后，将全部第一检测知识向量加载到身份信息验证算法中的第一活体检测验证模块和第二活体检测验证模块进行身份验证处理，得到第一身份验证输出结果和第二身份验证输出结果，接着基于第一身份验证输出结果和先验认证观点得到第一身份验证代价变量，并基于第二身份验证输出结果和第一摇摆验证观点得到第二身份验证代价变量，然后基于第一身份验证代价变量和第二身份验证代价变量得到全局验证代价变量，并基于全局验证代价变量改进身份信息验证算法的算法参量。
鉴于第一身份验证代价变量可以反映第一身份验证输出结果与先验认证观点的误差，第二身份验证代价变量可以反映第二身份验证输出结果与第一摇摆验证观点的误差，鉴于此，通过先验认证观点和第一摇摆验证观点的综合，基于由第一身份验证代价变量和第二身份验证代价变量得到的全局验证代价变量对身份信息验证算法的算法参量进行改进，可并行实现第一活体检测验证模块和第二活体检测验证模块的算法参量改进，使得第一身份验证输出结果尽可能逼近先验认证观点的前提下，第二身份验证输出结果尽可能逼近第一摇摆验证观点，一方面可以提升算法调试的时效性，还可以同时优化第一活体检测验证模块针对局部活体检测信息的身份验证性能以及第二活体检测验证模块针对所有活体检测信息的身份验证性能，进而提升身份信息验证算法一同分析多维检测信息中的局部活体检测信息和所有活体检测信息的精度，确保身份验证的可靠性和抗干扰性。
另外，鉴于先验认证观点可使得身份信息验证算法较佳地确定高确定性的信息验证观点，而确定难度较低的第一摇摆验证观点可以包含所有活体检测信息，可以改善先验认证观点不易采集的短板，基于此，通过先验认证观点和第一摇摆验证观点的综合，可以使得第一活体检测验证模块输出高确定性的信息验证观点信息，并使得第二活体检测验证模块可以输出完整全面的信息验证观点信息，这样可以基于身份信息验证算法准确可靠地确定多维检测信息所对应的全部信息验证结果。
在一些示例性实施例中，步骤250中的所述基于所述第一身份验证代价变量和所述第二身份验证代价变量得到全局验证代价变量，基于所述全局验证代价变量改进所述身份信息验证算法的算法参量，可以包括步骤251和步骤252。
步骤251、对所述第一身份验证代价变量和所述第二身份验证代价变量进行求和或者基于权重的求和，得到全局验证代价变量。
步骤252、基于所述全局验证代价变量改进所述身份信息验证算法的算法参量。
其中，可以根据不同身份验证代价变量的重要性进行权重配置，然后进行基于权重的求和，从而得到准确的全局验证代价变量，在此基础上进行身份信息验证算法的算法参量改进，能够考虑不同训练损失的重要性，以提高身份信息验证算法的调试质量。
在银行系统的应用场景下，继续对上述步骤251-步骤252进行介绍说明。
步骤251：对第一身份验证代价变量和第二身份验证代价变量进行求和或基于权重的求和，得到全局验证代价变量。
在银行应用场景中，假设第一身份验证代价变量为A，第二身份验证代价变量为B。可以对这两个代价变量进行简单的求和或者根据其重要性配置权重后进行求和，得到全局验证代价变量。
例如，假设给第一身份验证代价变量配置了权重0.7，而给第二身份验证代价变量配置了权重0.3。则全局验证代价变量可以通过计算0.7*A+0.3*B得到。
步骤252：基于全局验证代价变量改进身份信息验证算法的算法参量。
基于计算得到的全局验证代价变量，可以对身份信息验证算法的算法参量进行改进。
例如，在银行的应用场景中，全局验证代价变量反映了身份验证的整体质量和准确度。如果全局验证代价变量较高，说明身份信息验证算法存在缺陷或不足之处。此时，可以通过调整算法参量来改进算法的性能。改进算法的方式可以是调整模型的超参数、优化特征提取过程、增加训练样本的多样性等。通过根据全局验证代价变量进行实验和调整，可以提高身份信息验证算法的准确性和鲁棒性。
在银行应用场景中，通过求和或基于权重的求和得到全局验证代价变量，该变量综合考虑了第一身份验证代价变量和第二身份验证代价变量的重要性。然后，基于全局验证代价变量，对身份信息验证算法的算法参量进行改进，以提高算法的性能和准确度。这个过程涉及到调整算法超参数、优化特征提取过程等方法，从而增强身份信息验证算法的质量。
在一些示例中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第一检测知识向量皆对应有第一活体检测联合知识向量。其中，活体检测联合知识向量可以理解为活体检测场景下的中间融合向量。在此基础上，就步骤230而言，第一活体检测验证模块对全部所述第一检测知识向量进行身份验证处理的步骤，包括步骤231和步骤232。
步骤231、将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第一活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量。
其中，检测知识拼接向量可以理解为检测知识的融合特征或者融合结果。
步骤232、基于首个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一检测知识拼接向量得到所述第一身份验证输出结果。
本申请实施例中，每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第一检测知识向量所得。
本申请实施例中，通过步骤231和步骤232，能够通过知识向量拼接确定出相应的检测知识拼接向量，然后进一步进行身份验证处理，这样可以通过不同检测知识挖掘周期下的活体特征交互保障第一身份验证输出结果的精度和可信度。
在银行应用场景中，假设有多个非检测知识挖掘周期，每个周期都会生成一个第一检测知识向量。同时，在每个周期中进行活体检测，得到一个相应的第一活体检测联合知识向量。为了融合这些知识，可以将每个非检测知识挖掘周期的第一检测知识向量与相应的第一活体检测联合知识向量进行拼接操作，得到一个第一检测知识拼接向量。这个拼接操作可以是将两个向量在特定维度上进行连接，形成一个新的向量。进一步地，假设有多个非检测知识挖掘周期，可以以第一个非检测知识挖掘周期为起点进行处理。基于第一个非检测知识挖掘周期的第一检测知识拼接向量，可以得到相应的第一身份验证输出结果。这个结果反映了在第一个周期中对身份验证的判断。
可见，通过步骤231和步骤232，采用知识向量拼接的方式，可以确定每个非检测知识挖掘周期下的检测知识拼接向量，并基于此得到第一身份验证输出结果。这样的处理方法能够利用不同检测知识挖掘周期下的活体特征交互，提高第一身份验证输出结果的准确性和可信度。
在一些可选的实施例中，步骤231中的所述将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第一活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量，可以包括步骤2311-步骤2313。
步骤2311、对每个所述非检测知识挖掘结束周期的所述第一检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第一过渡知识向量。
其中，关注层面匹配用于实现通道维度的配对处理或者适配处理，从而得到非检测知识挖掘结束周期的第一知识向量。
步骤2312、对每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一活体检测联合知识向量进行卷积，得到每个所述第一过渡知识向量所对应的第一卷积知识向量。
其中，对第一活体检测联合知识向量进行卷积处理可以实现第一活体检测联合知识向量的特征采样，从而得到相应第一过渡知识向量的第一采样知识向量。
步骤2313、将每个所述第一过渡知识向量和每个所述第一卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量。
其中，通过步骤2311-步骤2313，能够利用关注层面匹配、卷积处理和知识向量拼接以准确完整地获得第一检测知识拼接向量。
在基于银行的应用场景下，对于每个非检测知识挖掘周期的第一检测知识向量，可以进行关注层面匹配的处理。这个匹配过程主要是为了通道维度的配对或适配，从而得到非检测知识挖掘周期的第一知识向量。通过关注层面匹配，可以将不同周期下的第一检测知识向量以合适的方式进行匹配，确保它们在通道维度上具有相似的特征表示。
进一步地，针对每个非检测知识挖掘周期的第一活体检测联合知识向量，可以进行卷积处理。这个处理过程旨在对第一活体检测联合知识向量进行特征采样，得到相应的第一卷积知识向量。通过卷积处理，可以从第一活体检测联合知识向量中提取出重要的特征信息，形成第一卷积知识向量，用于后续的知识融合和拼接。
而后，将每个第一过渡知识向量和每个第一卷积知识向量进行知识向量拼接，得到每个非检测知识挖掘周期的第一检测知识向量所对应的第一检测知识拼接向量。在这一步骤中，将每个第一过渡知识向量和相应的第一卷积知识向量进行拼接操作，得到每个非检测知识挖掘周期的第一检测知识拼接向量。通过将两个知识向量在适当的维度上进行拼接，可以生成一个更加丰富和完整的第一检测知识拼接向量，其中包含了关注层面匹配和卷积处理的结果。
通过步骤2311-步骤2313的处理，可以利用关注层面匹配、卷积处理和知识向量拼接的方式，准确地获取每个非检测知识挖掘周期下的第一检测知识拼接向量。这样的处理方式能够保证在不同周期下获得准确和完整的第一检测知识拼接向量，并为后续的身份验证处理提供更丰富的特征信息。
以下是针对步骤2311-步骤2313的一个更为具体的示例。
在一个银行应用场景下，需要进行客户身份验证。在身份验证过程中，使用了一种基于人脸识别的技术，并且采用了多个非检测知识挖掘周期。
首先，每个非检测知识挖掘周期会产生一个第一检测知识向量，该向量包含了对客户人脸特征的描述。
在步骤2311中，进行关注层面匹配。假设在第一个非检测知识挖掘周期中，得到了一个包含128维特征的第一检测知识向量。然后，在下一个非检测知识挖掘周期，又得到了一个相同维度的第一检测知识向量。
通过关注层面匹配，可以将这两个向量在通道维度上进行匹配或适配处理，确保它们具有相似的特征表示。例如，可以使用通道注意力机制来加权融合不同通道的特征，或者使用卷积神经网络进行通道维度的调整。
接下来，在步骤2312中，对每个非检测知识挖掘周期的第一活体检测联合知识向量进行卷积处理。假设在第一个非检测知识挖掘周期中，得到了一个包含256维特征的第一活体检测联合知识向量。
通过卷积处理，可以从第一活体检测联合知识向量中提取出重要的特征信息，形成一个新的第一卷积知识向量。例如，可以使用卷积层和池化层来进行特征提取和降维，得到一个更具代表性的知识向量。
最后，在步骤2313中，将第一过渡知识向量和第一卷积知识向量进行知识向量拼接。假设经过关注层面匹配后，第一过渡知识向量和第一卷积知识向量都是128维的向量。
通过在适当的维度上将这两个向量进行拼接，得到一个更全面和丰富的第一检测知识拼接向量，它包含了关注层面匹配和卷积处理的结果。
最终，在基于第一个非检测知识挖掘周期的第一检测知识拼接向量的基础上，可以进行第一身份验证输出结果的计算。这个结果将反映在第一个周期中对客户身份验证的判断。
通过整个流程中的关注层面匹配、卷积处理和知识向量拼接，能够在不同的非检测知识挖掘周期下，利用活体特征交互来提高身份验证结果的准确性和可信度。这样的处理方式可以更好地捕捉客户的人脸特征，并提供更丰富的信息用于身份验证过程。
在另一些示例中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第一检测知识向量皆对应有第二活体检测联合知识向量。基于此，就步骤230而言，第二活体检测验证模块对全部所述第一检测知识向量进行身份验证处理的步骤，可以包括步骤230a和步骤230b。
步骤230a、将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第二活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量；
步骤230b、基于首个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二检测知识拼接向量得到所述第二身份验证输出结果。
其中，每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第一检测知识向量所得。
本申请实施例中，通过步骤230a和步骤230b，能够通过知识向量拼接确定出相应的检测知识拼接向量，然后进一步进行身份验证处理，这样可以通过不同检测知识挖掘周期下的活体特征交互保障第二身份验证输出结果的精度和可信度。
在银行的身份验证系统中，采用了基于人脸识别的技术进行客户身份验证。该系统使用了两个非检测知识挖掘周期来提取人脸特征，并进行活体检测。假设第一个非检测知识挖掘周期结束时，得到了一个包含128维特征的第一检测知识向量。同时，在第二个非检测知识挖掘周期中，通过活体检测得到了一个相应的128维第二活体检测联合知识向量。现在，将第一个非检测知识挖掘周期的第一检测知识向量（128维）与第二个非检测知识挖掘周期的第二活体检测联合知识向量（128维）进行拼接，得到一个256维的第二检测知识拼接向量。基于第一个非检测知识挖掘周期的第一检测知识向量对应的第二检测知识拼接向量，可以使用分类模型或阈值判定机制等方法，对客户的身份进行验证。根据预先设定的验证条件，系统可以判断该客户的身份是否合法，并输出相应的第二身份验证结果。通过知识向量拼接和处理，可以获得更丰富和全面的特征表示，从而提高身份验证的准确性和可信度。
在一些可能的示例中，步骤230a中的将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第二活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量，可以包括步骤230a1-步骤230a3。
步骤230a1、对每个所述非检测知识挖掘结束周期的所述第一检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第二过渡知识向量。
步骤230a2、对每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二活体检测联合知识向量进行卷积，得到每个所述第二过渡知识向量所对应的第二卷积知识向量。
步骤230a3、将每个所述第二过渡知识向量和每个所述第二卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量。
其中，通过步骤23a1-步骤23a3，能够利用关注层面匹配、卷积处理和知识向量拼接以准确完整地获得第二检测知识拼接向量。
本申请实施例中，针对第一检测知识拼接向量和第二检测知识拼接向量的关注层面匹配、卷积处理和知识向量拼接是可以同步实现的因而可以提高确定不同检测知识拼接向量的时效性。
对于银行身份验证系统的应用场景，以下是关于步骤230a1-230a3的详细说明。
在步骤230a1中，针对每个非检测知识挖掘周期的第一检测知识向量，进行关注层面匹配。这个过程不仅包括对第一检测知识向量与其他相关信息的比较和匹配，还可以提取出与其他信息相关的重要特征，以获得第二过渡知识向量。
在步骤230a2中，针对每个非检测知识挖掘周期的第一检测知识向量所对应的第二活体检测联合知识向量进行卷积处理。通过应用卷积操作，可以得到第二卷积知识向量。这个过程能够捕捉局部特征和空间结构，从而提取更具表达力的知识特征。
在步骤230a3中，将每个周期的第二过渡知识向量和第二卷积知识向量进行知识向量拼接。通过适当的维度上的拼接，形成每个非检测知识挖掘周期的第二检测知识拼接向量。这样的知识向量融合了关注层面匹配和卷积处理得到的特征，从而提升了身份验证的准确性和可信度。
综上，可以利用关注层面匹配、卷积处理和知识向量拼接等操作方式来获取第二检测知识拼接向量。这些操作能够同步实现，提高了确定不同检测知识拼接向量的时效性，从而增强了身份验证系统的性能和安全性。
在另一些可能的实施例中，上述调试方法还包括步骤260-步骤280。
步骤260、当所述观点信息包括第二摇摆验证观点，将所述过往多维检测信息加载到所述检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第二检测知识向量。
步骤270、将全部所述第二检测知识向量加载到所述第二活体检测验证模块进行身份验证处理，得到身份输出结果。
步骤280、基于所述身份输出结果和所述第二摇摆验证观点改进所述身份信息验证算法的算法参量。
可以理解，在观点信息包括第二摇摆验证观点时，能够基于全部第二检测知识向量进行身份验证处理，从而基于完整全面的身份输出结果来调试身份信息验证算法，提升身份信息验证算法的泛化性。
在另一些示例中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第二检测知识向量皆对应有第三活体检测联合知识向量。基于此，就步骤270而言，第二活体检测验证模块对全部所述第二检测知识向量进行身份验证处理的步骤，包括步骤271和步骤272。
步骤271、将每个所述非检测知识挖掘结束周期的所述第二检测知识向量与相应的所述第三活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量。
其中，身份检测聚合向量可以理解为每个非检测知识挖掘结束周期的所述第二检测知识向量所对应的拼接向量。
步骤272、基于首个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述身份检测聚合向量得到所述身份输出结果。
其中，每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述第三活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第二检测知识向量所得。
本申请实施例中，通过步骤271和步骤272，能够从全局层面出发准确确定身份输出结果。
在银行的身份验证系统中，继续介绍步骤271和步骤272，并以银行应用场景为例进行详细说明。
步骤271：对于每个非检测知识挖掘结束周期的第二检测知识向量，与相应的第三活体检测联合知识向量进行知识向量拼接，得到该周期的身份检测聚合向量。这意味着将第二检测知识向量和第三活体检测联合知识向量按适当的方式进行拼接，生成一个综合的向量表示。
步骤272：基于首个非检测知识挖掘结束周期的第二检测知识向量所对应的身份检测聚合向量，得到身份输出结果。换句话说，通过分析并利用首个周期的身份检测聚合向量，系统能够确定身份输出结果。
需要特别注意的是，每个非检测知识挖掘结束周期的第二检测知识向量所对应的第三活体检测联合知识向量，都是基于当前非检测知识挖掘结束周期的下一个检测知识挖掘周期的第二检测知识向量所得到的。这样的设置可以保证知识的连续性和时效性，使得系统能够从全局层面准确地确定身份输出结果。
在银行应用场景中，通过步骤271和步骤272，可以利用知识向量拼接和基于身份检测聚合向量的分析，从全局角度对客户的身份进行验证和识别。这样的设计能够提高系统的准确性和可靠性，确保正确的身份输出结果。
在一些示例下，步骤271中的所述将每个所述非检测知识挖掘结束周期的所述第二检测知识向量与相应的所述第三活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量，包括步骤2711-步骤2713。
步骤2711、对每个所述非检测知识挖掘结束周期的所述第二检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第三过渡知识向量。
步骤2712、对每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述第三活体检测联合知识向量进行卷积，得到每个所述第三过渡知识向量所对应的第三卷积知识向量。
步骤2713、将每个所述第三过渡知识向量和每个所述第三卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量。
可以理解，在确定身份检测聚合向量时，同样可以基于关注层面匹配、特征卷积和特征拼接实现，因而可以确保身份检测聚合向量的特征表现性能。
在银行的身份验证系统中，假设正在对客户进行身份验证。以下是步骤2711-2713的详细操作流程：
步骤2711：对于每个非检测知识挖掘结束周期的第二检测知识向量，进行关注层面匹配。例如，有一个周期的第二检测知识向量，该向量描述了客户的基本特征，如姓名、年龄、地址等。将这个向量与其他相关信息进行比较和匹配，如客户的历史交易记录、信用评级等。通过关注层面匹配，可以提取出与其他信息相关的重要特征，并获得第三过渡知识向量。
步骤2712：针对每个非检测知识挖掘结束周期的第二检测知识向量所对应的第三活体检测联合知识向量，进行卷积处理。举例来说，将第三活体检测联合知识向量表示为图像数据，并应用卷积操作。通过卷积处理，能够捕捉到图像的局部特征和空间结构，提取出更具表达力的知识特征，并获得第三卷积知识向量。
步骤2713：将每个周期的第三过渡知识向量和第三卷积知识向量进行知识向量拼接，得到每个非检测知识挖掘结束周期的第二检测知识向量所对应的身份检测聚合向量。以向量形式表示，将第三过渡知识向量和第三卷积知识向量按适当维度进行拼接，形成一个综合的向量表示，即身份检测聚合向量。这个向量综合了关注层面匹配提取的特征和卷积处理提取的特征，从而更全面地描述了客户的身份信息。
通过步骤2711-步骤2713的操作，可以在银行应用场景中利用关注层面匹配、特征卷积和特征拼接等方式来确定每个非检测知识挖掘结束周期的第二检测知识向量所对应的身份检测聚合向量。这些操作能够提高聚合向量的特征表现性能，帮助系统更准确地验证客户的身份信息，并加强身份验证系统的效果和安全性。
在一些可能的实施例中，步骤280中的所述基于所述身份输出结果和所述第二摇摆验证观点改进所述身份信息验证算法的算法参量，包括步骤281和步骤282。
步骤281、基于所述身份输出结果和所述第二摇摆验证观点得到第三身份验证代价变量。
步骤282、基于所述第三身份验证代价变量改进所述身份信息验证算法的算法参量。
在另一些示例中，若干个所述检测知识挖掘周期包括检测知识挖掘启动周期和若干个非检测知识挖掘启动周期。基于此，就步骤220而言，检测知识挖掘模块对所述过往多维检测信息进行多轮循环的检测知识挖掘的步骤，可以包括步骤221和步骤222。
步骤221、对于所述检测知识挖掘启动周期，对所述过往多维检测信息进行检测知识挖掘，得到所述检测知识挖掘启动周期的所述第一检测知识向量。
步骤222、对于每个所述非检测知识挖掘启动周期，对上一个所述检测知识挖掘周期的检测知识挖掘结果进行检测知识挖掘，得到每个所述非检测知识挖掘启动周期的所述第一检测知识向量。
本申请实施例中，检测知识挖掘启动周期可以理解为第一个检测知识挖掘周期/阶段，检测知识挖掘结束周期可以理解为最后一个检测知识挖掘周期/阶段。在此基础上，利用不同检测知识挖掘周期之间的特征交互处理，能够保障第一检测知识向量的特征表征深度和全面性。
在银行应用场景中，以步骤221和步骤222为例，更详细地介绍它们的操作流程。
步骤221：对于检测知识挖掘启动周期，进行过往多维检测信息的检测知识挖掘。这意味着针对该周期的历史数据和相关信息进行知识挖掘，以获取第一检测知识向量。例如，在银行应用场景中，可以分析客户的交易记录、账户类型、信用评级等多个维度的信息，并经过适当的算法和模型处理，得到该周期的第一检测知识向量表示。
步骤222：对于每个非检测知识挖掘启动周期，对上一个检测知识挖掘周期的检测知识挖掘结果进行检测知识挖掘。换句话说，利用上一个检测知识挖掘周期获得的知识结果作为输入，继续进行知识挖掘，以获取每个非检测知识挖掘启动周期的第一检测知识向量。这样的设计可以确保不同周期之间的特征交互和连续性，充分利用历史知识来生成新的知识向量。
在银行应用场景中，通过步骤221和步骤222，可以对历史数据进行检测知识挖掘，得到每个周期的第一检测知识向量。这些向量包含了多维度信息的特征表征，例如客户的交易历史、账户类型、信用评级等。通过利用不同检测知识挖掘周期之间的特征交互处理，能够保证第一检测知识向量的特征表达的深度和全面性。这些向量将作为后续步骤的输入，进一步进行身份验证和识别的操作。
请参阅图2，图2是本申请实施例提供的一种信息验证系统的框图，信息验证系统100包括处理器001、通信接口002以及计算机可读存储介质003。其中，处理器001、通信接口002以及计算机可读存储介质003可通过总线或者其它方式连接。其中，通信接口002用于接收和发送数据。计算机可读存储介质003可以存储在信息验证系统的存储器中，计算机可读存储介质003用于存储计算机程序，计算机程序包括程序指令，处理器001用于执行计算机可读存储介质003存储的程序指令。处理器001，也即中央处理器是信息验证系统的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质是信息验证系统中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括信息验证系统中的内置存储介质，当然也可以包括信息验证系统所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了信息验证系统的处理系统。并且，在该存储空间中还存放了适于被处理器001加载并执行的一条或多条的指令，这些指令可以是一个或多个的计算机程序。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器，例如至少一个磁盘存储器；可选的，还可以是至少一个位于远离前述处理器的计算机可读存储介质。
本申请实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。信息验证系统的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该信息验证系统执行上述方法。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请实施例的优选实施例而已，并不用于限制本申请实施例，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。

Claims (8)

1.一种基于人工智能的信息验证方法，其特征在于，应用于信息验证系统，所述方法包括：
响应于针对目标业务的信息验证请求，通过指定用户终端获取待处理多维检测信息；其中，所述指定用户终端是与所述信息验证请求匹配的用户终端；其中，待处理多维检测信息是活体用户的不同维度或者不同模态的活体检测信息，包括人脸图像检测数据、声纹检测数据、指纹检测数据和手写签名检测数据；
将所述待处理多维检测信息加载到完成调试的身份信息验证算法中，得到所述完成调试的身份信息验证算法输出的当前身份验证观点；
在所述当前身份验证观点表征所述指定用户终端对应的用户通过活体身份验证的前提下，向所述指定用户终端发送所述目标业务的会话资源；
其中，所述身份信息验证算法包括检测知识挖掘模块、第一活体检测验证模块和第二活体检测验证模块，所述身份信息验证算法的调试步骤：
获取过往多维检测信息和身份验证观点，对所述身份验证观点进行观点信息提取得到观点信息；
当所述观点信息包括先验认证观点和第一摇摆验证观点，将所述过往多维检测信息加载到所述检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第一检测知识向量；
将全部所述第一检测知识向量加载到所述第一活体检测验证模块和所述第二活体检测验证模块进行身份验证处理，得到第一身份验证输出结果和第二身份验证输出结果；
基于所述第一身份验证输出结果和所述先验认证观点得到第一身份验证代价变量，以及基于所述第二身份验证输出结果和所述第一摇摆验证观点得到第二身份验证代价变量；
基于所述第一身份验证代价变量和所述第二身份验证代价变量得到全局验证代价变量，基于所述全局验证代价变量改进所述身份信息验证算法的算法参量。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一身份验证代价变量和所述第二身份验证代价变量得到全局验证代价变量，基于所述全局验证代价变量改进所述身份信息验证算法的算法参量，包括：
对所述第一身份验证代价变量和所述第二身份验证代价变量进行求和或者基于权重的求和，得到全局验证代价变量；
基于所述全局验证代价变量改进所述身份信息验证算法的算法参量。
3.如权利要求1所述的方法，其特征在于，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第一检测知识向量皆对应有第一活体检测联合知识向量；第一活体检测验证模块对全部所述第一检测知识向量进行身份验证处理的步骤，包括：
将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第一活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量；
基于首个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一检测知识拼接向量得到所述第一身份验证输出结果；其中，每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第一检测知识向量所得；
其中，所述将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第一活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量，包括：
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第一过渡知识向量；
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第一活体检测联合知识向量进行卷积，得到每个所述第一过渡知识向量所对应的第一卷积知识向量；
将每个所述第一过渡知识向量和每个所述第一卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第一检测知识拼接向量。
4.如权利要求1所述的方法，其特征在于，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第一检测知识向量皆对应有第二活体检测联合知识向量；所述第二活体检测验证模块对全部所述第一检测知识向量进行身份验证处理的步骤，包括：
将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第二活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量；
基于首个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二检测知识拼接向量得到所述第二身份验证输出结果；其中，每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第一检测知识向量所得；
其中，所述将每个所述非检测知识挖掘结束周期的所述第一检测知识向量与相应的所述第二活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量，包括：
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第二过渡知识向量；
对每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的所述第二活体检测联合知识向量进行卷积，得到每个所述第二过渡知识向量所对应的第二卷积知识向量；
将每个所述第二过渡知识向量和每个所述第二卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第一检测知识向量所对应的第二检测知识拼接向量。
5.如权利要求1所述的方法，其特征在于，所述基于人工智能的信息验证方法还包括：
当所述观点信息包括第二摇摆验证观点，将所述过往多维检测信息加载到所述检测知识挖掘模块进行多轮循环的检测知识挖掘，得到若干个检测知识挖掘周期的第二检测知识向量；
将全部所述第二检测知识向量加载到所述第二活体检测验证模块进行身份验证处理，得到身份输出结果；
基于所述身份输出结果和所述第二摇摆验证观点改进所述身份信息验证算法的算法参量；
其中，若干个所述检测知识挖掘周期包括检测知识挖掘结束周期和若干个非检测知识挖掘结束周期，每个所述非检测知识挖掘结束周期的所述第二检测知识向量皆对应有第三活体检测联合知识向量；所述第二活体检测验证模块对全部所述第二检测知识向量进行身份验证处理的步骤，包括：
将每个所述非检测知识挖掘结束周期的所述第二检测知识向量与相应的所述第三活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量；
基于首个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述身份检测聚合向量得到所述身份输出结果；其中，每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述第三活体检测联合知识向量，皆基于当前的所述非检测知识挖掘结束周期的下一个所述检测知识挖掘周期的所述第二检测知识向量所得；
其中，所述将每个所述非检测知识挖掘结束周期的所述第二检测知识向量与相应的所述第三活体检测联合知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量，包括：
对每个所述非检测知识挖掘结束周期的所述第二检测知识向量进行关注层面匹配，得到每个所述非检测知识挖掘结束周期的第三过渡知识向量；
对每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的所述第三活体检测联合知识向量进行卷积，得到每个所述第三过渡知识向量所对应的第三卷积知识向量；
将每个所述第三过渡知识向量和每个所述第三卷积知识向量进行知识向量拼接，得到每个所述非检测知识挖掘结束周期的所述第二检测知识向量所对应的身份检测聚合向量；
其中，所述基于所述身份输出结果和所述第二摇摆验证观点改进所述身份信息验证算法的算法参量，包括：
基于所述身份输出结果和所述第二摇摆验证观点得到第三身份验证代价变量；
基于所述第三身份验证代价变量改进所述身份信息验证算法的算法参量。
6.如权利要求1所述的方法，其特征在于，若干个所述检测知识挖掘周期包括检测知识挖掘启动周期和若干个非检测知识挖掘启动周期；所述检测知识挖掘模块对所述过往多维检测信息进行多轮循环的检测知识挖掘的步骤，包括：
对于所述检测知识挖掘启动周期，对所述过往多维检测信息进行检测知识挖掘，得到所述检测知识挖掘启动周期的所述第一检测知识向量；
对于每个所述非检测知识挖掘启动周期，对上一个所述检测知识挖掘周期的检测知识挖掘结果进行检测知识挖掘，得到每个所述非检测知识挖掘启动周期的所述第一检测知识向量。
7.一种信息验证系统，其特征在于，处理器，适于执行计算机程序；计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-6任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器加载并执行权利要求1-6任一项所述的方法。
CN202311210030.0A 2023-09-19 2023-09-19 基于人工智能的信息验证方法及系统 Active CN116938611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311210030.0A CN116938611B (zh) 2023-09-19 2023-09-19 基于人工智能的信息验证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311210030.0A CN116938611B (zh) 2023-09-19 2023-09-19 基于人工智能的信息验证方法及系统

Publications (2)

Publication Number Publication Date
CN116938611A CN116938611A (zh) 2023-10-24
CN116938611B true CN116938611B (zh) 2023-12-12

Family

ID=88384768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311210030.0A Active CN116938611B (zh) 2023-09-19 2023-09-19 基于人工智能的信息验证方法及系统

Country Status (1)

Country Link
CN (1) CN116938611B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376250A (zh) * 2014-12-03 2015-02-25 优化科技（苏州）有限公司 基于音型像特征的真人活体身份验证方法
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到系统
CN110827832A (zh) * 2018-08-14 2020-02-21 上海汇付数据服务有限公司 一种视频身份的识别设备及其方法
CN111753271A (zh) * 2020-06-28 2020-10-09 深圳壹账通智能科技有限公司 基于ai识别的开户身份验证方法、装置、设备及介质
WO2020235782A1 (ko) * 2019-05-20 2020-11-26 (주)누리텔레콤 분산 환경에서의 신원 인증 방법
WO2022073453A1 (zh) * 2020-10-10 2022-04-14 武汉大学 一种面向身份识别的人脸质量感知方法及系统
CN116011640A (zh) * 2022-12-30 2023-04-25 中国联合网络通信集团有限公司 基于用户行为数据的风险预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376250A (zh) * 2014-12-03 2015-02-25 优化科技（苏州）有限公司 基于音型像特征的真人活体身份验证方法
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到系统
CN110827832A (zh) * 2018-08-14 2020-02-21 上海汇付数据服务有限公司 一种视频身份的识别设备及其方法
WO2020235782A1 (ko) * 2019-05-20 2020-11-26 (주)누리텔레콤 분산 환경에서의 신원 인증 방법
CN111753271A (zh) * 2020-06-28 2020-10-09 深圳壹账通智能科技有限公司 基于ai识别的开户身份验证方法、装置、设备及介质
WO2022073453A1 (zh) * 2020-10-10 2022-04-14 武汉大学 一种面向身份识别的人脸质量感知方法及系统
CN116011640A (zh) * 2022-12-30 2023-04-25 中国联合网络通信集团有限公司 基于用户行为数据的风险预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动大数据匿名双向身份认证方法仿真;李怀强;周扬;;计算机仿真(09);全文 *

Also Published As

Publication number Publication date
CN116938611A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN106599772B (zh) 活体验证方法和装置及身份认证方法和装置
JP7163159B2 (ja) オブジェクト認識装置及び方法
CN109660509A (zh) 基于人脸识别的登录方法、装置、系统和存储介质
KR20170002892A (ko) 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치
WO2022022493A1 (zh) 一种判断图像真实性的方法及系统
Smith-Creasey et al. Continuous face authentication scheme for mobile devices with tracking and liveness detection
EP3642776A1 (en) Facial biometrics card emulation for in-store payment authorization
CN112330035A (zh) 风险预测模型的训练方法及装置
Ishikawa et al. Cloud-based Signature Validation Using CNN Inception-ResNet Architecture
Vyanza et al. Design of smart door system for live face recognition based on image processing using principal component analysis and template matching correlation methods
CN116938611B (zh) 基于人工智能的信息验证方法及系统
Benhammadi et al. Embedded fingerprint matching on smart card
KR20200013271A (ko) 딥 러닝 기반의 사용자 몸을 이용한 신원 인식 장치 및 방법
Vibert et al. Security and performance evaluation platform of biometric match on card
CN112199976A (zh) 证件图片生成方法及装置
US20220067151A1 (en) Defense mechanism against component-wise hill climbing using synthetic face generators
CN115906028A (zh) 用户身份验证方法、装置和自助服务终端
CN114373213A (zh) 基于人脸识别的未成年人身份识别方法及装置
CN107015854B (zh) 生物特征采集硬件的控制方法及装置
CN111783742A (zh) 一种防御对抗攻击的图像分类方法、业务决策方法及装置
JP7335651B1 (ja) 顔認証決済システムおよび顔認証決済方法
CN113361554B (zh) 生物特征识别多模态融合方法、装置、存储介质及设备
CN116611069B (zh) 针对于数字化业务软件应用的异常分析方法及ai决策系统
Shrivastava et al. Analysis and performance of face recognition system using Gabor filter bank with HMM model
Vibert et al. Biometric sensor and match-on-card evaluation platform

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