CN117892280A - 视频双因子身份认证方法、系统、电子设备及存储介质 - Google Patents

视频双因子身份认证方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN117892280A
CN117892280A CN202311864021.3A CN202311864021A CN117892280A CN 117892280 A CN117892280 A CN 117892280A CN 202311864021 A CN202311864021 A CN 202311864021A CN 117892280 A CN117892280 A CN 117892280A
Authority
CN
China
Prior art keywords
mouth
face
mouth shape
feature
gesture
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
Application number
CN202311864021.3A
Other languages
English (en)
Inventor
罗思维
张艳霞
房新彦
唐君
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.)
Tianyi IoT Technology Co Ltd
Original Assignee
Tianyi IoT 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 Tianyi IoT Technology Co Ltd filed Critical Tianyi IoT Technology Co Ltd
Priority to CN202311864021.3A priority Critical patent/CN117892280A/zh
Publication of CN117892280A publication Critical patent/CN117892280A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V40/107—Static hand or arm
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请实施例提供了一种视频双因子动态认证方法、系统、电子设备及存储介质，属于人工智能技术领域。本申请通过先获取静态的人脸图像数据，对人脸图像数据进行人脸特征提取处理得到对象人脸特征，根据对象人脸特征进行人脸识别，当人脸识别通过，表明其为系统用户，进一步通过摄像头采集动态的视频数据，对视频数据进行第一处理得到口型特征，以及对视频数据进行第二处理得到手势语义特征，然后根据口型特征和手势语义特征双因子分析对应的密码字符串，根据密码字符串进行身份认证，得到身份认证结果。本申请通过利用视频数据中的口型和手势的组合获得复杂度更高的密码输入形式，提高攻击者欺骗验证的难度，从而提高身份认证的安全性。

Description

视频双因子身份认证方法、系统、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种视频双因子动态认证方法、系统、电子设备及存储介质。
背景技术
目前人脸识别的使用场景越来越多，因为使用人脸鉴权方便且快速，操作门槛低。但实际上人脸门禁也存在不安全因素，一些人脸门禁不支持活体检测功能，某些条件下可使用照片或视频“欺骗验证”。相关技术中，为提高人脸识别的安全性，会在人脸识别的基础上，结合手势识别来实现密码输入，一定程度上完善人脸识别不支持活体检测的功能，提高身份认证的安全性。手势认不具备明显的身份特征，攻击者可以使用用户照片和其他用户的手势组合尝试进行身份认证，因此，这种身份认证方式安全性较低。
发明内容
本申请实施例的主要目的在于提出一种视频双因子动态认证方法、系统、电子设备及存储介质，旨在提高身份认证的安全性。
为实现上述目的，本申请实施例的一方面提出了一种视频双因子动态认证方法，包括以下步骤：
通过摄像头获取人脸图像数据；
对所述人脸图像数据进行人脸特征提取处理得到对象人脸特征；
根据所述对象人脸特征进行人脸识别，当人脸识别通过，则通过摄像头采集视频数据；
对所述视频数据进行第一处理得到口型特征，以及对所述视频数据进行第二处理得到手势语义特征；
根据所述口型特征和所述手势语义特征确定密码字符串；
根据所述密码字符串进行身份认证，得到身份认证结果。
在一些实施例中，所述对所述视频数据进行第一处理得到口型特征，包括以下步骤：
对所述视频数据中的每个图像帧进行脸部特征识别和分割处理，得到脸部图像序列；
将所述脸部图像序列中的每一张图像输入嘴部关键点定位模型，得到多个嘴部关键点坐标；
根据多个所述嘴部关键点坐标确定所述脸部图像序列中的每一张图像的口型特征。
在一些实施例中，多个所述嘴部关键点坐标包括左嘴角点坐标、右嘴角点坐标、上嘴唇点坐标和下嘴唇点坐标，所述根据多个所述嘴部关键点坐标确定所述脸部图像序列中的每一张图像的口型特征，包括以下步骤：
根据所述左嘴角点坐标和所述右嘴角点坐标确定口型宽度；
根据所述上嘴唇点坐标和所述下嘴唇点坐标确定口型长度；
根据所述口型宽度和所述口型长度确定张嘴程度比值；
将所述张嘴程度比值与预设的对象嘴型比值进行对比，当所述张嘴程度比值大于所述对象嘴型比值，则确定口型特征为未张嘴，反之，口型特征为张嘴。
在一些实施例中，所述对所述视频数据进行第二处理得到手势语义特征，包括以下步骤：
根据所述对象人脸特征中的肤色特征确定肤色似然图；
根据所述肤色似然图对所述视频数据中的图像帧进行手部特征识别和分割处理，得到手部二值化图像；
将所述手部二值化图像输入基于卷积神经网络的手势识别模型，得到手势语义特征。
在一些实施例中，所述根据所述口型特征和所述手势语义特征确定密码字符串，包括以下步骤：
判断当前帧图像的口型特征是否为张嘴；
当所述口型特征为张嘴，则对视频数据中的当前帧图像进行第二处理确定对应的手势语义特征；
当所述口型特征为未张嘴，则不对视频数据中的当前帧图像进行第二处理；
根据经过第二处理得到的多个手势语义特征确定密码字符串。
在一些实施例中，所述根据经过第二处理得到的多个手势语义特征确定密码字符串包括以下步骤：
将经过第二处理得到的多个手势语义特征组合为手势特征序列；
检验所述手势特征序列中是否存在连续相同的手势语义特征的异常序列片段；
当存在异常序列片段，则对所述异常序列片段进行去重操作，得到新的手势特征序列；
根据新的手势特征序列确定密码字符串。
在一些实施例中，所述根据所述密码字符串进行身份认证，得到身份认证结果，包括以下步骤：
根据所述对象人脸特征获取对象预设密码；
将所述密码字符串与所述对象预设密码进行比较，当所述密码字符串与所述对象预设密码相同，则身份认证结果为通过。
为实现上述目的，本申请实施例的另一方面提出了一种视频双因子动态认证系统，包括：
第一模块，用于通过摄像头获取人脸图像数据；
第二模块，用于对所述人脸图像数据进行人脸特征提取处理得到对象人脸特征；
第三模块，用于根据所述对象人脸特征进行人脸识别，当人脸识别通过，则通过摄像头采集视频数据；
第四模块，用于对所述视频数据进行第一处理得到口型特征，以及对所述视频数据进行第二处理得到手势语义特征；
第五模块，用于根据所述口型特征和所述手势语义特征确定密码字符串；
第六模块，用于根据所述密码字符串进行身份认证，得到身份认证结果。
为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述实施例所述的视频双因子动态认证方法。
为实现上述目的，本申请实施例的另一方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例所述的视频双因子动态认证方法。
本申请提出的视频双因子动态认证方法、系统、电子设备及存储介质，其通过先获取静态的人脸图像数据，对人脸图像数据进行人脸特征提取处理得到对象人脸特征，根据对象人脸特征进行人脸识别，当人脸识别通过，表明其为系统用户，进一步通过摄像头采集动态的视频数据，对视频数据进行第一处理得到口型特征，以及对视频数据进行第二处理得到手势语义特征，然后根据口型特征和手势语义特征双因子分析对应的密码字符串，根据密码字符串进行身份认证，得到身份认证结果。本申请通过利用视频数据中的口型和手势的组合获得复杂度更高的密码输入形式，提高攻击者欺骗验证的难度，从而提高身份认证的安全性。
附图说明
图1是本申请实施例提供的视频双因子动态认证方法的流程图；
图2是图1中的步骤S104中对视频数据进行第一处理得到口型特征序列步骤的流程图；
图3是图2中的步骤S203的流程图；
图4是图1中的步骤S104中对视频数据进行第二处理得到手势语义特征步骤的流程图；
图5是图1中的步骤S105的流程图；
图6是图5中的步骤S504的流程图；
图7是图1中的步骤S106的流程图；
图8是本申请实施例提供的视频双因子动态认证系统示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图；
图10是本申请实施例提供的视频双因子动态认证方法的应用场景示意图；
图11是本申请实施例提供的基于视频输入的密码字符串识别流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
图像描述(Image Caption)为图像生成自然语言描述，并利用所生成的描述帮助应用程序理解图像视觉场景中表达的语义。例如，图像描述可以将图像检索转换为文本检索，用于对图像进行分类并改善图像检索结果。人们通常只需快速浏览一下即可描述图像视觉场景的细节，而自动为图像添加描述则是一项全面而艰巨的计算机视觉任务，需要将图像中包含的复杂信息转换为自然语言描述。与普通的计算机视觉任务相比，图像字幕不仅需要从图像中识别对象，而且还需要将识别出的对象与自然语义相关联并以自然语言进行描述。因此，图像描述需要人们提取图像的深层特征，与语义特征关联并转换用于生成描述。
卷积神经网络(Convolutional Neural Networks,CNN)：是一类包含卷积计算且具有深度结构的前馈神经网络，可通过标注的训练数据进行监督学习，从而完成视觉图像识别及目标检测等任务。
深度学习：深度学习是学习样本数据(如图像、语音、文本)的内在规律和表示层次，从而让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，被广泛应用于人工智能领域，其中卷积神经网络是深度学习中的常用结构。
肤色似然图是肤色检测中的一种图像，它可以表示肤色像素属于前景(即人脸)的概率。如果某个像素点的颜色非常接近肤色，则它的肤色似然值就接近于1，表明这个像素很可能属于人脸。如果一个像素点的颜色与肤色相差较大，则其肤色似然值会接近于0，表明这个像素不太可能属于人脸。在肤色检测中，肤色似然图是一个非常重要的中间结果。通过肤色似然图，可以将原始的图像转化为一个二值图像(只有前景和背景两种颜色)，以便于后续的人脸检测和处理。
大津算法是一种图像二值化算法，也被称为最大类间方差法，其作用是确定将图像分成黑白两个部分的阈值。具体来说，大津算法会对图像的灰度值进行阈值分割二值化。如果输入的是彩色图像，需要先将其转化为灰度图再进行计算。大津算法的目标是找出一个灰度值阈值，使得该阈值以上和以下的像素的方差和最大。方差代表像素的离散程度，方差越大，像素的分布越分散，即相关性越低，黑白越分明
基于此，本申请实施例提供了一种视频双因子动态认证方法、系统、电子设备及存储介质，旨在提高身份认证的安全性。
本申请实施例提供的视频双因子动态认证方法、系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的视频双因子动态认证方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的视频双因子动态认证方法，涉及人工智能技术领域。本申请实施例提供的视频双因子动态认证方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现视频双因子动态认证方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的视频双因子动态认证方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，通过摄像头获取人脸图像数据；
步骤S102，对人脸图像数据进行人脸特征提取处理得到对象人脸特征；
步骤S103，根据对象人脸特征进行人脸识别，当人脸识别通过，则通过摄像头采集视频数据；
步骤S104，对视频数据进行第一处理得到口型特征，以及对视频数据进行第二处理得到手势语义特征；
步骤S105，根据口型特征和手势语义特征确定密码字符串；
步骤S106，根据密码字符串进行身份认证，得到身份认证结果。
本申请实施例所示意的步骤S101至步骤S106，通过先获取静态的人脸图像数据，对人脸图像数据进行人脸特征提取处理得到对象人脸特征，根据对象人脸特征进行人脸识别，当人脸识别通过，表明其为系统用户，进一步通过摄像头采集动态的视频数据，对视频数据进行第一处理得到口型特征，以及对视频数据进行第二处理得到手势语义特征，然后根据口型特征和手势语义特征双因子分析对应的密码字符串，根据密码字符串进行身份认证，得到身份认证结果。本实施例通过利用视频数据中的口型和手势的组合获得复杂度更高的密码输入形式，提高攻击者欺骗验证的难度，从而提高身份认证的安全性。
根据本申请一些实施例，结合图10，本申请的视频双因子动态认证方法的应用场景进行说明。本申请视频双因子动态认证方法应用于后台服务器集群中，后台服务器集群包括算法服务器和密码管理服务器，后台服务器集群与摄像头终端连接，具体的身份认证流程如下：
用户出现在摄像头终端前，摄像头终端启动人脸抓拍获取静态的人脸图像数据；
摄像头终端将人脸图像数据发送至算法服务器，算法服务器根据人脸图像数据进行人脸识别特征分析，并根据将人脸识别结果作为用户账号(用户ID)输入至密码管理服务器进行匹配，如果密码管理服务器存在相同的用户账号，表明用户人脸识别通过，反之，人脸识别不通过；
人脸识别通过后，算法服务器触发摄像头终端二次采集图像数据；
摄像头终端将包含完整图像帧的视频数据传输至算法服务器；
算法服务器对视频数据中图像帧分别进行第一处理和第二处理得到口型特征和手势语义特征，并根据处理结果确定图像帧中所表征的字符，将字符进行拼接得到完整的密码字符串，将密码字符串作为用户密码传至密码管理服务器；
密码管理服务器根据用户ID对应的预存密码进行身份认证，然后将验证结果反馈至用户。
在一些实施例的步骤S101中，人脸图像数据指由摄像头终端朝向用户脸部拍摄，由各个像素的深度值共同表示人脸的数据。
在一些实施例的步骤S102中，可以采用常用的人脸特征提取算法提取人脸图像数据中所包含的用户的人脸特征信息(即对象人脸特征)。人脸特征提取算法可以是基于几何特征的方法、基于代数特征的方法和基于深度学习的方法等。基于几何特征的方法是通过提取面部特征点的位置、距离、角度等几何信息来描述人脸特征。基于代数特征的方法是将人脸图像看作一个矩阵，通过代数运算提取特征，例如主成分分析(PCA)和线性判别分析(LDA)等方法可以通过降维处理提取人脸的主要特征。基于深度学习的方法是通过深度学习方式训练深度神经网络，可以学习到人脸图像的复杂特征表示，例如，利用卷积神经网络(CNN)实现人脸识别任务中。
在一些实施例的步骤S103中，将对象人脸特征与服务器中预存的人脸特征进行匹配，当服务器中存在与对象人脸特征相同的特征，表明当前对象为系统的目标用户，例如，当门禁系统获取到的照片通过宿舍门禁系统的人脸识别后，表明照片中的用户为该宿舍的住户。
在一些实施例的步骤S104中，可以采用口型识别算法对视频数据进行第一处理得到视频数据中的口型特征，口型识别算法可以是基于卷积神经网络构建的用于识别嘴部特征的目标识别模型，例如，YOLO模型，口型识别算法可以先基于识别人脸的目标识别模型识别视频数据中图像帧的人脸部分得到人脸检测框，然后利用识别口型的目标识别模型对人脸检测框中的部分图像进行检测得到唇部检测框，同时输出的唇部检测框对应有唇部特征，然后可以通过分类器对唇部特征进行分类得到分类结果，分类结果即为口型特征，分类结果可以是张嘴或者不张嘴，在判定张嘴的情况下也可以进一步判定口型特征所对应的数字或者字母。可以采用手势识别算法对视频数据进行第二处理得到视频数据中的手势特征，手势识别算法采用图像描述技术，可以是基于卷积神经网络构建的用于识别手部特征的目标识别模型，手势识别算法可以利用目标识别模型识别视频数据中图像帧进行手部识别，得到手部检测框，然后通过分类器对检测框的特征进行分类得到分类结果，分类结果即为手势语义特征，分类结果可以是手势所对应的数字或者字母。
请参阅图2，在一些实施例中，步骤S104中，对视频数据进行第一处理得到口型特征序列这一步骤，可以包括但不限于包括步骤S201至步骤S203：
步骤S201，对视频数据中的每个图像帧进行脸部特征识别和分割处理，得到脸部图像序列；
步骤S202，将脸部图像序列中的每一张图像输入嘴部关键点定位模型，得到多个嘴部关键点坐标；
步骤S203，根据多个嘴部关键点坐标确定脸部图像序列中的每一张图像的口型特征。
在本实施例中，将视频数据中的每个图像帧输入基于人脸识别模型识别，得到的人脸部分的检测框，对该检测框进行裁剪得到图像帧中的脸部图像，视频数据中所有图像帧的脸部图像构成脸部图像序列。然后将脸部图像序列中的脸部图像依次输入至已训练完成的嘴部关键点定位模型进行人脸关键点定位，得到图像的多个嘴部关键点坐标。可以采用几何形态分析算法对多个嘴部关键点坐标进行分析后通过分类器进行分类，得到脸部图像序列中的每一张图像的口型特征。
可以理解的是，嘴部关键点可以训练模型时定义，可以包括左嘴角点、右嘴角点、上嘴唇点和下嘴唇点等。嘴部关键点定位模型训练过程具体为：对输入的人脸图像进行预处理，包括灰度化、缩放、旋转等操作，以便更好地训练神经网络；可以采用类似于人脸识别或人脸检测的神经网络结构，例如VGG、ResNet等，也可以自定义神经网络结构，例如卷积层、池化层、全连接层等来确定模型的网络结构；使用人脸图像和标记好的嘴部关键点位置数据对神经网络进行训练；使用梯度下降等优化算法来更新神经网络的权重和偏置项，以最小化预测的关键点位置与真实位置之间的误差，通过训练数据不断更新网络参数，得到嘴部关键点定位模型。
请参阅图3，在一些实施例中，多个嘴部关键点坐标包括左嘴角点坐标、右嘴角点坐标、上嘴唇点坐标和下嘴唇点坐标，步骤S203中，根据多个嘴部关键点坐标确定脸部图像序列中的每一张图像的口型特征这一步骤，可以包括但不限于包括步骤S301至步骤S304：
步骤S301，根据左嘴角点坐标和右嘴角点坐标确定口型宽度；
步骤S302，根据上嘴唇点坐标和下嘴唇点坐标确定口型长度；
步骤S303，根据口型宽度和口型长度确定张嘴程度比值；
步骤S304，将张嘴程度比值与预设的对象嘴型比值进行对比，当张嘴程度比值大于对象嘴型比值，则确定口型特征为未张嘴，反之，口型特征为张嘴。
示例性地，左嘴角点坐标为a1，右嘴角点坐标为a2，上嘴唇点坐标为b1，下嘴唇点坐标为b2，张嘴程度比值计算公式如下：
将张嘴程度比值输入分类器进行分类判定，得到张嘴或未张嘴的口型特征。在分类器中，将张嘴程度比值与预设的对象嘴型比值进行对比，当张嘴程度比值大于对象嘴型比值，则确定口型特征为未张嘴，反之，口型特征为张嘴。
需要说明的是，预设的对象嘴型比值可以由对应的用户嘴巴完全闭合情况下的嘴巴宽度与嘴巴长度之比与阈值系数的乘积得到，阈值系数可以采用自适应机制，根据准确的识别结果反馈调整分类器得到，通过个性化设置对象嘴型比值能够提高针对用户口型识别的准确性。
请参阅图4，在一些实施例中，步骤S104中，对视频数据进行第二处理得到手势语义特征这一步骤，可以包括但不限于包括步骤S401至步骤S403：
步骤S401，根据对象人脸特征中的肤色特征确定肤色似然图；
步骤S402，根据肤色似然图对视频数据中的图像帧进行手部特征识别和分割处理，得到手部二值化图像；
步骤S403，将手部二值化图像输入基于卷积神经网络的手势识别模型，得到手势语义特征。
在本实施例中，获取上述人脸特征提取算法计算过程中生成的肤色似然图，然后用大津算法对图像中的手部图像进行识别，得到手部二值化图像,去除噪声后完成手势分割，再利用卷积神经网络的特征提取功能提取特征向量,最后使用随机森林分类器对提取到特征向量进行分类，从而得到手势语义特征。卷积神经网络具有分层学习的能力,能够收集图片上更具代表性的信息,随机森林对样本和特征选择具有随机性,并且对每个决策树结果进行了平均,不易出现过拟合问题。
肤色似然图生成算法中有单高斯、混合高斯、贝叶斯模型和椭圆模型等。以椭圆模型为例，经过大量的皮肤统计信息可知，如果将皮肤信息映射到YCrCb空间，则在CrCb二维空间中这些皮肤像素点近似成一个椭圆分布。因此如果得到了一个CrCb的椭圆，下次来一个坐标(Cr,Cb)我们只需判断其是否在椭圆内(包括边界)，如果是，则可以判断其为皮肤像素点，否则就是非皮肤像素点，椭圆模型如下：
在一些实施例的步骤S105中，通过结合口型特征和手势语义特征可以确定密码字符串，口型特征主要用于判断对应时序的手势语义特征是否为准确的密码字符，手势语义特征主要用于确定形成密码字符串的各个字符。
请参阅图5，在一些实施例中，步骤S105中，根据口型特征和手势语义特征确定密码字符串这一步骤，可以包括但不限于包括步骤S501至步骤S502：
步骤S501，判断当前帧图像的口型特征是否为张嘴；
步骤S502，当口型特征为张嘴，则对视频数据中的当前帧图像进行第二处理确定对应的手势语义特征；
步骤S503，当口型特征为未张嘴，则不对视频数据中的当前帧图像进行第二处理；
步骤S504，根据经过第二处理得到的多个手势语义特征确定密码字符串。
在本实施例中，采集到视频数据之后，可以先依次对视频数据中的每个图像帧进行第一处理，从而判断当前处理时序的图像帧中口型特征是否为张嘴，如果张嘴，则利用对该图像帧进行第二处理得到当前时序的手势语义特征，如果未张嘴，则可以标记该图像帧为无效帧，不对该图像帧进行第二处理。对视频数据中的每个图像帧执行上述处理逻辑，能够得到有效的手势语义特征，从而确定对应的密码字符串。本实施例中，通过先对视频数据中的图像帧进行口型识别，再当前帧张嘴的情况下再对该图像帧进行第二处理，如果未张嘴，则不对该图像帧进行第二处理，能够在不影响手势识别的情况下减少计算机运算量，提高手势识别效率。
请参阅图6，在一些实施例中，步骤504可以包括但不限于包括步骤S601至步骤S602：
步骤S601，将经过第二处理得到的多个手势语义特征组合为手势特征序列；
步骤S602，检验手势特征序列中是否存在连续相同的手势语义特征的异常序列片段；
步骤S603，当存在异常序列片段，则对异常序列片段进行去重操作，得到新的手势特征序列；
步骤S604，根据新的手势特征序列确定密码字符串。
在本实施例中，考虑到用户在比划手势时，每个手势所持续的时间不同，为避免重复识别同一个手势的图像帧，进而提高手势识别的准确率，可以检验手势特征序列中是否存在连续相同的手势语义特征，如果存在连续相同的手势语义特征，则将连续相同的手势语义特征删除为一个手势语义特征，然后再根据新的手势特征序列确定密码字符串。
具体地，结合图11，本申请实施例用户基于视频输入的密码字符串识别流程如下：
S010、建立空的密码字符串和临时识别结果字符串；
S020、向后服务器传输入完整的视频流；
S030、根据该视频流得到包含口型和手势的图像序列；
S040、向算法服务器输入图像序列的下一帧图像；
S050、对图像序列中的当前帧图像进行识别用户口型的第一处理，得到口型识别结果；
S060、根据口型识别结果判断用户是否张嘴；
S070、如果未张嘴，则丢弃该图像帧，返回步骤S040；
S080、如果张嘴，则对该帧图像进行识别用户静态手势的第二处理，得到手势识别结果；
S090、根据手势识别结果判断用户手势是否为空；
S110、如果手势识别结果不为空，则判断是否与临时识别字符串中前序帧的识别结果相同；
S111、如果与临时识别结果字符串中前序识别结果相同，则判定为同一输入，将当前图像帧丢弃，返回步骤S040；、
S112、如果与前序识别结果不同，则更新临时识别结果字符串数据，并拼接到密码字符串中，返回步骤S040；
S120、如果手势识别结果为空，则确定全部识别结束，输出密码字符串。
在另一种示例中，用户基于视频输入的密码字符串识别流程也可以为：分别对视频数据中的每帧图像进行第一处理和第二处理，得到口型特征序列和手势特征序列，口型特征序列包括采集到的每帧图像的口型特征，手势特征序列包括采集到的每帧图像的手势语义特征。确定口型特征序列中口型特征为未张嘴的图像编号。根据图像编号将手势特征序列中对应的手势语义特征删除，得到更新后的手势特征序列。检验手势特征序列中是否存在连续相同的手势语义特征的异常序列片段，当存在异常序列片段，则对异常序列片段进行去重操作，得到二次更新后的手势特征序列。根据手势特征序列中所包含的手势语义特征确定对应字符，从而确定密码字符串。
在一些实施例的步骤S106中，获得用户输入的密码字符串后，可以根据用户预设在服务器中的密码进行身份认证，从而得到身份认证结果。
请参阅图7，在一些实施例中，步骤S106可以包括但不限于包括步骤S701至步骤S702：
步骤S701，根据对象人脸特征获取对象预设密码；
步骤S702，将密码字符串与对象预设密码进行比较，当密码字符串与对象预设密码相同，则身份认证结果为通过。
在本实施例中，在得到对象人脸特征后，将对象人脸特征作为用户ID在服务器中查找提前存储的对象预设密码，将密码字符串与对象预设密码进行比较，当密码字符串与对象预设密码相同，则用户通过身份认证。
在本申请使用智能图像算法组合来获得复杂度更高的用户密码，并且允许用户在输入密码特征时主动增加干扰，增加了欺骗验证和重放攻击的难度和消耗，相较于原先单一人脸识别方式，提高了身份认证安全性。
请参阅图8，本申请实施例还提供一种视频双因子动态认证系统，包括：
第一模块，用于通过摄像头获取人脸图像数据；
第二模块，用于对人脸图像数据进行人脸特征提取处理得到对象人脸特征；
第三模块，用于根据对象人脸特征进行人脸识别，当人脸识别通过，则通过摄像头采集视频数据；
第四模块，用于对视频数据进行第一处理得到口型特征，以及对视频数据进行第二处理得到手势语义特征；
第五模块，用于根据口型特征和手势语义特征确定密码字符串；
第六模块，用于根据密码字符串进行身份认证，得到身份认证结果。
可以理解的是，上述视频双因子动态认证方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述视频双因子动态认证方法实施例相同，并且达到的有益效果与上述视频双因子动态认证方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述视频双因子动态认证方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的视频双因子动态认证方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述视频双因子动态认证方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种视频双因子动态认证方法，其特征在于，包括以下步骤：
通过摄像头获取人脸图像数据；
对所述人脸图像数据进行人脸特征提取处理得到对象人脸特征；
根据所述对象人脸特征进行人脸识别，当人脸识别通过，则通过摄像头采集视频数据；
对所述视频数据进行第一处理得到口型特征，以及对所述视频数据进行第二处理得到手势语义特征；
根据所述口型特征和所述手势语义特征确定密码字符串；
根据所述密码字符串进行身份认证，得到身份认证结果。
2.根据权利要求1所述的视频双因子动态认证方法，其特征在于，所述对所述视频数据进行第一处理得到口型特征，包括以下步骤：
对所述视频数据中的每个图像帧进行脸部特征识别和分割处理，得到脸部图像序列；
将所述脸部图像序列中的每一张图像输入嘴部关键点定位模型，得到多个嘴部关键点坐标；
根据多个所述嘴部关键点坐标确定所述脸部图像序列中的每一张图像的口型特征。
3.根据权利要求2所述的视频双因子动态认证方法，其特征在于，多个所述嘴部关键点坐标包括左嘴角点坐标、右嘴角点坐标、上嘴唇点坐标和下嘴唇点坐标，所述根据多个所述嘴部关键点坐标确定所述脸部图像序列中的每一张图像的口型特征，包括以下步骤：
根据所述左嘴角点坐标和所述右嘴角点坐标确定口型宽度；
根据所述上嘴唇点坐标和所述下嘴唇点坐标确定口型长度；
根据所述口型宽度和所述口型长度确定张嘴程度比值；
将所述张嘴程度比值与预设的对象嘴型比值进行对比，当所述张嘴程度比值大于所述对象嘴型比值，则确定口型特征为未张嘴，反之，口型特征为张嘴。
4.根据权利要求1所述的视频双因子动态认证方法，其特征在于，所述对所述视频数据进行第二处理得到手势语义特征，包括以下步骤：
根据所述对象人脸特征中的肤色特征确定肤色似然图；
根据所述肤色似然图对所述视频数据中的图像帧进行手部特征识别和分割处理，得到手部二值化图像；
将所述手部二值化图像输入基于卷积神经网络的手势识别模型，得到手势语义特征。
5.根据权利要求4所述的视频双因子动态认证方法，其特征在于，所述根据所述口型特征和所述手势语义特征确定密码字符串，包括以下步骤：
判断当前帧图像的口型特征是否为张嘴；
当所述口型特征为张嘴，则对视频数据中的当前帧图像进行第二处理确定对应的手势语义特征；
当所述口型特征为未张嘴，则不对视频数据中的当前帧图像进行第二处理；
根据经过第二处理得到的多个手势语义特征确定密码字符串。
6.根据权利要求5所述的视频双因子动态认证方法，其特征在于，所述根据经过第二处理得到的多个手势语义特征确定密码字符串包括以下步骤：
将经过第二处理得到的多个手势语义特征组合为手势特征序列；
检验所述手势特征序列中是否存在连续相同的手势语义特征的异常序列片段；
当存在异常序列片段，则对所述异常序列片段进行去重操作，得到新的手势特征序列；
根据新的手势特征序列确定密码字符串。
7.根据权利要求1至5任一项所述的视频双因子动态认证方法，其特征在于，所述根据所述密码字符串进行身份认证，得到身份认证结果，包括以下步骤：
根据所述对象人脸特征获取对象预设密码；
将所述密码字符串与所述对象预设密码进行比较，当所述密码字符串与所述对象预设密码相同，则身份认证结果为通过。
8.一种视频双因子动态认证系统，其特征在于，包括：
第一模块，用于通过摄像头获取人脸图像数据；
第二模块，用于对所述人脸图像数据进行人脸特征提取处理得到对象人脸特征；
第三模块，用于根据所述对象人脸特征进行人脸识别，当人脸识别通过，则通过摄像头采集视频数据；
第四模块，用于对所述视频数据进行第一处理得到口型特征，以及对所述视频数据进行第二处理得到手势语义特征；
第五模块，用于根据所述口型特征和所述手势语义特征确定密码字符串；
第六模块，用于根据所述密码字符串进行身份认证，得到身份认证结果。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的视频双因子动态认证方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的视频双因子动态认证方法的步骤。
CN202311864021.3A 2023-12-29 2023-12-29 视频双因子身份认证方法、系统、电子设备及存储介质 Pending CN117892280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311864021.3A CN117892280A (zh) 2023-12-29 2023-12-29 视频双因子身份认证方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311864021.3A CN117892280A (zh) 2023-12-29 2023-12-29 视频双因子身份认证方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117892280A true CN117892280A (zh) 2024-04-16

Family

ID=90639019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311864021.3A Pending CN117892280A (zh) 2023-12-29 2023-12-29 视频双因子身份认证方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117892280A (zh)

Similar Documents

Publication Publication Date Title
EP3084682B1 (en) System and method for identifying faces in unconstrained media
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
WO2021139324A1 (zh) 图像识别方法、装置、计算机可读存储介质及电子设备
WO2019033525A1 (zh) Au特征识别方法、装置及存储介质
WO2019033571A1 (zh) 面部特征点检测方法、装置及存储介质
US20150007295A1 (en) Biometric-based authentication method, apparatus and system
CN107633204A (zh) 人脸遮挡检测方法、装置及存储介质
US20220327189A1 (en) Personalized biometric anti-spoofing protection using machine learning and enrollment data
CN108108711B (zh) 人脸布控方法、电子设备及存储介质
WO2022246989A1 (zh) 一种数据识别方法、装置、设备及可读存储介质
CN115186303B (zh) 一种基于大数据云平台的金融签章安全管理方法及系统
CN115050064A (zh) 人脸活体检测方法、装置、设备及介质
CN111914769A (zh) 用户合法性判定方法、装置、计算机可读存储介质及设备
CN107944363A (zh) 人脸图像处理方法、系统及服务器
CN114448664A (zh) 钓鱼网页的识别方法、装置、计算机设备及存储介质
CN117058723B (zh) 掌纹识别方法、装置及存储介质
Reddy et al. Comparison of HOG and fisherfaces based face recognition system using MATLAB
CN117892280A (zh) 视频双因子身份认证方法、系统、电子设备及存储介质
CN114882582A (zh) 基于联邦学习模式的步态识别模型训练方法与系统
CN115966030A (zh) 图像处理方法、装置及智能终端
CN113190819A (zh) 基于活体融合特征的认证方法、装置及计算机设备
CN113065010A (zh) 标牌图像管理方法、装置、计算机设备和存储介质
CN113762249A (zh) 图像攻击检测、图像攻击检测模型训练方法和装置
CN115082873A (zh) 基于通路融合的图像识别方法、装置及存储介质

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