ES2879928T3 - Método y aparato para crear una base de datos de características biométricas - Google Patents

Método y aparato para crear una base de datos de características biométricas Download PDF

Info

Publication number
ES2879928T3
ES2879928T3 ES18756045T ES18756045T ES2879928T3 ES 2879928 T3 ES2879928 T3 ES 2879928T3 ES 18756045 T ES18756045 T ES 18756045T ES 18756045 T ES18756045 T ES 18756045T ES 2879928 T3 ES2879928 T3 ES 2879928T3
Authority
ES
Spain
Prior art keywords
biometric
frequency
database
attribute
facial
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
ES18756045T
Other languages
English (en)
Inventor
fen Zhai
Chunlei Gu
Lei Lu
Yanghui Liu
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.)
Advanced New Technologies Co Ltd
Original Assignee
Advanced New Technologies 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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Application granted granted Critical
Publication of ES2879928T3 publication Critical patent/ES2879928T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
    • G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Accounting & Taxation (AREA)
  • Library & Information Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Un método para construir una base de datos de características biométricas adecuada para realizar el reconocimiento biométrico de un usuario, en donde el método comprende: obtener (100) al menos dos atributos de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, en donde los al menos dos atributos de frecuencia de utilización comprenden un primer atributo de frecuencia de utilización y un segundo atributo de frecuencia de utilización, siendo la primera frecuencia de utilización un número de coincidencias exitosas dentro de un período de tiempo y el segundo atributo de frecuencia de utilización un momento en el que la característica biométrica se ha cotejado con éxito más recientemente; generar una indicación de una frecuencia de éxito de cotejo de cada característica biométrica en función de los al menos dos atributos de frecuencia de utilización, en donde la indicación de la frecuencia de éxito de cotejo de cada característica biométrica es una suma ponderada de los al menos dos atributos de frecuencia de utilización de la característica biométrica, calculándose la frecuencia de éxito de cotejo como una suma ponderada del primer atributo de frecuencia de utilización y del segundo atributo de frecuencia de utilización; y ordenar (102) las características biométricas en orden descendente de la frecuencia de éxito de cotejo; con lo que, como resultado de la ordenación, la base de datos de características biométricas proporciona (606) acceso prioritario a una característica biométrica que tiene una frecuencia de éxito de cotejo más alta, de modo que la característica biométrica que tiene la frecuencia de éxito de cotejo más alta se selecciona primero en respuesta a una solicitud de una característica biométrica de un usuario.

Description

DESCRIPCIÓN
Método y aparato para crear una base de datos de características biométricas
REFERENCIA CRUZADA A SOLICITUDES RELACIONADAS
Esta patente reivindica la prioridad a la solicitud de patente china N.° 201710637558.4, presentada el 31 de julio de 2017.
CAMPO TÉCNICO
La presente descripción se refiere al campo de las tecnologías informáticas y, en particular, a un método y un aparato de construcción de bases de datos de características biométricas.
ANTECEDENTES
En la tecnología de identificación biométrica, se utiliza un ordenador para identificar a un usuario en función de características fisiológicas (tales como la huella dactilar, el iris, la fisonomía o el ADN) o de características de comportamiento (tales como la forma de andar o el hábito de pulsar las teclas del usuario). Por ejemplo, el reconocimiento de huellas dactilares, el reconocimiento facial, el reconocimiento del iris, etc., son todos ellos identificación biométrica.
Cuando se utiliza la tecnología de identificación biométrica para identificar a un usuario, normalmente se puede almacenar una característica en una base de datos de características biométricas. Por lo tanto, una característica biométrica del usuario generada durante el registro inicial se almacena en la base de datos. Cuando se realiza la identificación, la característica biométrica del usuario que se identifica se puede comparar con las características de la base de datos de características biométricas para identificar al usuario.
Falaye Adeyinka Adesuyi, "Secure Authentication for Mobile Banking Using Facial Recognition", 1 de enero de 2013, describe un sistema actual de banca móvil en Nigeria. El sistema consiste en una autentificación bidireccional (nombre de usuario y contraseña) que puede ser olvidada o robada. Los autores proponen una autentificación segura para la banca móvil utilizando el reconocimiento facial con el efecto de mejorar el sistema existente y, de este modo, dar soporte a la actualización de la sociedad sin dinero en efectivo. Se presenta una visión general y las limitaciones del sistema actual. A continuación, se presentan los diseños de alto nivel del sistema propuesto. A continuación, se simula el sistema utilizando el lenguaje de programación java y se prueba utilizando bases de datos simuladas de las comisiones de comunicación de Nigeria (NCC) y del banco proveedor. Se comprobó que el sistema funciona con un tiempo de respuesta máximo de siete minutos y una tasa de falsa aceptación (FAR) del 3%. Se cree que la combinación de este sistema con una o más formas de tecnologías biométricas, tales como las venas de los dedos o el iris, entre otras, proporcionará una plataforma a prueba de fraudes para la banca por teléfono móvil.
Robin Schumacher, "MySQL: A Practical Look at the MySQL Query Cache", 17 de julio de 2017, describe una comparación de las estrategias de almacenamiento en caché de memoria utilizadas por una serie de proveedores de bases de datos con MySQL, y se centra en la caché de consultas de MySQL con un análisis de por qué su enfoque único para el almacenamiento en caché de memoria puede pagar cuantiosos dividendos de rendimiento cuando es utilizado correctamente por los administradores de bases de datos y los analistas de rendimiento.
Anónimo, "Understanding MySQL Query Cache - Taos", 10 de abril de 2013, describe cómo se puede ajustar la caché de consulta de MySQL. La caché de consulta de MySQL se describe como un potencial para causar un aumento de velocidad o una ralentización significativa para una carga de trabajo de base de datos respectiva. Anónimo, "Cache replacement policies - Wikipedia", 9 de junio de 2017, describe los algoritmos de la caché como instrucciones de optimización, o algoritmos, que un programa de ordenador o una estructura mantenida por el hardware puede utilizar para gestionar una caché de información almacenada en el ordenador. Se describe que el almacenamiento en caché mejora el rendimiento al mantener los elementos de datos recientes o utilizados con frecuencia en ubicaciones de memoria que son más rápidas o computacionalmente más baratas de acceder que los almacenes de memoria normales. Cuando una caché está llena, un algoritmo debe elegir qué elementos descartar para hacer sitio a los nuevos. Se describen varias políticas.
RESUMEN
En vista de lo anterior, una o más implementaciones de la presente memoria descriptiva proporcionan un método de construcción de una base de datos de características biométricas y un aparato para acelerar la identificación biométrica. La invención se define en las reivindicaciones adjuntas.
La una o más implementaciones de la presente memoria descriptiva se llevan a cabo utilizando las siguientes soluciones técnicas:
De acuerdo con un primer aspecto, se proporciona un método de construcción de una base de datos de características biométricas, y el método incluye lo siguiente: obtener un atributo de frecuencia de utilización de cada característica biométrica en una base de datos de características, donde el atributo de frecuencia de utilización se utiliza para indicar la frecuencia de éxito de cotejo de la característica biométrica; y ordenar las características biométricas en orden descendente de frecuencia de éxito de cotejo en función del atributo de frecuencia de utilización, de modo que para realizar el reconocimiento, el cotejo y la comparación se utilice preferiblemente una característica biométrica con mayor frecuencia.
De acuerdo con un segundo aspecto, se proporciona un método de pago por reconocimiento facial, y el método incluye lo siguiente: obtener una característica facial que se reconozca de un pagador; comparar las características faciales en una base de datos de características faciales con la característica facial que se reconoce sobre la base de rangos de características, donde los rangos de características se obtienen después de que las características faciales se ordenen en función de los atributos de frecuencia de utilización de las características faciales, y una característica facial con mayor frecuencia de utilización se utiliza preferiblemente para realizar el cotejo y la comparación; y cuando se obtiene una característica facial coincidente, realizar el pago mediante la utilización de una cuenta de pago correspondiente a la característica facial.
De acuerdo con un tercer aspecto, se proporciona un aparato de construcción de bases de datos de características biométricas, y el aparato incluye lo siguiente: un módulo de adquisición de parámetros, configurado para obtener un atributo de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, donde el atributo de frecuencia de utilización se utiliza para indicar la frecuencia de éxito de cotejo de la característica biométrica; y un módulo de ordenación de características, configurado para ordenar las características biométricas en orden descendente de frecuencia de éxito de cotejo en función del atributo de frecuencia de utilización, de modo que para realizar el reconocimiento, el cotejo y la comparación se utilice preferiblemente una característica biométrica con mayor frecuencia.
De acuerdo con un cuarto aspecto, se proporciona un dispositivo de procesamiento de datos. El dispositivo incluye una memoria, un procesador y una instrucción de ordenador, la instrucción de ordenador se almacena en la memoria y se puede ejecutar en el procesador, y el procesador ejecuta la instrucción para implementar las etapas siguientes: obtener un atributo de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, donde el atributo de la frecuencia de utilización se utiliza para indicar la frecuencia de éxito de cotejo de la característica biométrica; y ordenar las características biométricas en orden descendente de la frecuencia de éxito de cotejo en función del atributo de la frecuencia de utilización, de modo que para realizar el reconocimiento, el cotejo y la comparación se utilice preferiblemente una característica biométrica con mayor frecuencia.
De acuerdo con el método y el aparato de construcción de la base de datos de características biométricas en una o más implementaciones de la presente memoria descriptiva, las características biométricas se disponen en orden descendente de frecuencia de éxito de cotejo. Si una característica biométrica se compara con éxito de forma frecuente o se acaba de cotejar con éxito, la característica se puede cotejar con éxito durante el cotejo posterior. Durante el reconocimiento de características, la comparación se realiza preferiblemente entre las características con mayor frecuencia para encontrar rápidamente una característica coincidente.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
Para describir las soluciones técnicas en una o más implementaciones de la presente memoria descriptiva, o en la tecnología existente con mayor claridad, a continuación, se describen de forma breve los dibujos adjuntos para describir las implementaciones o la tecnología existente. Aparentemente, los dibujos adjuntos en la siguiente descripción simplemente muestran algunas implementaciones descritas en una o más implementaciones de la presente memoria descriptiva, y un experto en la técnica todavía puede obtener otros dibujos a partir de estos dibujos adjuntos sin esfuerzos creativos.
La FIG. 1 es un diagrama de flujo que ilustra un método de construcción de una base de datos de características biométricas, de acuerdo con una o más implementaciones de la presente memoria descriptiva;
La FIG. 2 es un diagrama que ilustra un sistema de aplicación de pago por reconocimiento facial, de acuerdo con una o más implementaciones de la presente memoria descriptiva;
La FIG. 3 es un diagrama de flujo que ilustra un método de pago por reconocimiento facial, de acuerdo con una o más implementaciones de la presente memoria descriptiva;
La FIG. 4 es un diagrama estructural que ilustra un aparato de construcción de bases de datos de características biométricas, de acuerdo con una o más implementaciones de la presente memoria descriptiva; La FIG. 5 es un diagrama estructural que ilustra un aparato de construcción de bases de datos de características biométricas, de acuerdo con una o más implementaciones de la presente memoria descriptiva; y
La FIG. 6 es un diagrama de flujo que ilustra un ejemplo de un método implementado por ordenador para identificar y proporcionar acceso prioritario a características biométricas en función de la frecuencia de utilización, de acuerdo con una implementación de la presente descripción.
DESCRIPCIÓN DE LAS FORMAS DE REALIZACIÓN
Para que un experto en la técnica comprenda mejor las soluciones técnicas de una o más implementaciones de la presente memoria descriptiva, a continuación, se describen de forma clara y completa las soluciones técnicas de una o más implementaciones de la presente memoria descriptiva con referencia a los dibujos adjuntos. Aparentemente, las implementaciones descritas son meramente algunas, pero no todas las implementaciones de la presente memoria descriptiva.
La identificación biométrica se puede realizar para identificar a un usuario. En una aplicación real, se puede utilizar una base de datos de características biométricas que incluya características biométricas de varios usuarios. Cuando se realiza la identificación, se puede comparar una característica biométrica de un usuario que se identifica con las características de la base de datos de características biométricas para obtener una identidad del usuario. Durante la comparación, la característica biométrica del usuario se puede comparar con las características de la base de datos de características biométricas, una por una, en función de los rangos de las características. Un método de construcción de una base de datos de características biométricas proporcionado por una o más implementaciones de la presente memoria descriptiva se puede utilizar para ordenar las características biométricas en la base de datos de características biométricas, de modo que una característica coincidente se pueda encontrar más rápidamente cuando la característica biométrica se compara con las características ordenadas una por una.
La FIG. 1 ilustra un método de construcción de una base de datos de características biométricas en un ejemplo. El método puede incluir las siguientes etapas.
Etapa 100: Obtener un atributo de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, donde el atributo de frecuencia de utilización se utiliza para indicar la frecuencia de éxito de cotejo de la característica biométrica.
Etapa 102: Ordenar las características biométricas en orden descendente de frecuencia de éxito de cotejo en función del atributo de frecuencia de utilización, de modo que, para realizar el reconocimiento, el cotejo y la comparación se utilice preferiblemente una característica biométrica con mayor frecuencia.
En el método de ordenación de características de este ejemplo, una característica con mayor frecuencia de éxito de cotejo se puede ordenar en la parte delantera, de modo que la comparación se pueda realizar preferiblemente con esta característica en un proceso de reconocimiento de características. Por ejemplo, la característica con mayor frecuencia de éxito de cotejo puede ser una característica que se ha cotejado con éxito recientemente con una característica que se reconoce, o puede ser una característica que se compara con éxito de forma frecuente con la característica que se reconoce. Si una característica biométrica se compara con éxito de forma frecuente o se acaba de cotejar con éxito, la característica se puede cotejar con éxito durante el cotejo posterior. Durante el reconocimiento de características, la comparación se realiza preferiblemente entre las características con mayor frecuencia para encontrar rápidamente una característica coincidente.
En el siguiente ejemplo de reconocimiento facial en la identificación biométrica, se utiliza el pago por reconocimiento facial como ejemplo para la descripción. Sin embargo, se puede entender que también se puede aplicar otro tipo de identificación biométrica al método de construcción de una base de datos de características biométricas en una o más implementaciones de la presente memoria descriptiva, y una característica biométrica se puede aplicar a varios escenarios de aplicación, por ejemplo, el reconocimiento facial también se puede aplicar a un servicio distinto del pago.
El reconocimiento facial se puede aplicar al pago fuera de línea. Por ejemplo, durante el pago con tarjeta de crédito o el pago con código QR, un usuario necesita llevar una tarjeta de crédito o un teléfono inteligente e interactuar con una máquina. Por ejemplo, durante el pago con código QR, el usuario necesita llevar un teléfono inteligente para abrir una aplicación de pago, y una máquina POS de un comerciante escanea un código QR, de modo que el pago se complete. Estos medios de pago son relativamente complicados.
El pago por reconocimiento facial significa aplicar el reconocimiento facial al pago, y su concepto existe desde hace mucho tiempo. El reconocimiento facial se ha convertido en algo muy preciso tras años de desarrollo, pero hay que tener muy en cuenta si se va a utilizar el reconocimiento facial para el pago. Debido a que la precisión y la velocidad deben ser muy altas durante el pago por reconocimiento facial en el escenario de pago fuera de línea, el reconocimiento facial aún no se ha utilizado en un escenario de pago real. Si el pago por reconocimiento facial se aplica al escenario de pago fuera de línea, el usuario no necesita llevar una tarjeta de crédito o un teléfono inteligente, acelerando de este modo el pago. El siguiente ejemplo puede proporcionar un método de pago por reconocimiento facial para satisfacer las necesidades de rendimiento de un escenario de pago por reconocimiento facial.
La FIG. 2 ilustra un diagrama de un sistema de aplicación de pago por reconocimiento facial. Según se muestra en la FIG 2, el sistema puede incluir un dispositivo de procesamiento de datos 11 de una entidad de pago, un terminal inteligente 13 de un usuario 12, y una caja 14 de un comerciante. El dispositivo de procesamiento de datos 11 puede ser un servidor de segundo plano de la entidad de pago. En este ejemplo, el usuario 12 es el que paga y se puede denominar como pagador. El terminal inteligente 13 puede ser un teléfono inteligente.
Con referencia al procedimiento mostrado en la FIG. 2 y la FIG. 3, se describe cómo el usuario 12 activa una función de pago por reconocimiento facial y paga utilizando la función de pago por reconocimiento facial. Según se muestra en la FIG 3, el procedimiento puede incluir las siguientes etapas.
Etapa 300: El usuario solicita, mediante el terminal inteligente, a la entidad de pago que active una función de pago por reconocimiento facial, y envía una característica facial y una cuenta de pago a la entidad de pago.
Por ejemplo, el pagador 12 puede solicitar la activación del pago por reconocimiento facial en el teléfono inteligente 13 utilizando un cliente de la entidad de pago en el teléfono, y enviar una cuenta de pago y una característica facial del usuario a la entidad de pago. La cuenta de pago puede ayudar a la entidad de pago a identificar al usuario, y la característica facial puede ser grabada por el usuario, por ejemplo, utilizando una cámara del teléfono móvil. El dispositivo de procesamiento de datos 11 de la entidad de pago puede recibir la característica facial y la cuenta de pago.
En la presente etapa, la entidad de pago puede verificar además la característica facial. Por ejemplo, se puede realizar un cotejo con una red de seguridad pública. Si el cotejo falla, no se puede activar el pago por reconocimiento facial, de modo que no se reciba la característica facial de otro usuario. Si el cotejo tiene éxito, se realiza la etapa 302.
Etapa 302: La entidad de pago construye una relación de mapeo entre la característica facial y la cuenta de pago, y asigna un código de verificación correspondiente al usuario.
En este ejemplo, el código de verificación puede tener varias formas. Por ejemplo, el código de verificación puede ser dígitos del 0 al 9, o el código de verificación puede ser una combinación de dígitos y letras. Por ejemplo, se puede extender del 0 al 9 y de la A a la F hexadecimales. Diferentes códigos de verificación se pueden asignar a diferentes pagadores. Por ejemplo, cuando un pagador U1 activa el pago por reconocimiento facial, se puede asignar al pagador U1 un código de verificación 000011. Cuando un pagador U2 activa el pago por reconocimiento facial, se puede asignar al pagador U2 un código de verificación 111235.
Además, la entidad de pago puede obtener un código de verificación que se asignará al pagador a partir de un conjunto de códigos de verificación, y el conjunto de códigos de verificación incluye varios códigos de verificación que se asignarán a un conjunto de pagadores. Cuando el número de pagadores en el conjunto de pagadores aumenta, el número de dígitos del código de verificación asignado al pagador también aumenta. Por ejemplo, inicialmente, tanto el número de pagadores registrados como el número de dígitos del código de verificación en el conjunto de códigos de verificación son pequeños, y el código de verificación puede ser normalmente un código de verificación de seis dígitos. A medida que aumenta el número de pagadores registrados, los códigos de verificación originales pueden ser insuficientes, y el número de dígitos del código de verificación se puede aumentar. Es decir, se asignan a los usuarios códigos de verificación de varios dígitos con 0 a 9 y A a F hexadecimales.
Etapa 304: La entidad de pago determina una base de datos de características faciales correspondiente al código de verificación.
En este ejemplo, se pueden asignar diferentes códigos de verificación a diferentes personas, y se mapean diferentes códigos de verificación a diferentes bases de datos de características faciales, almacenando de este modo por separado las características faciales de diferentes personas.
En un ejemplo, el dispositivo de procesamiento de datos 11 de la entidad de pago puede utilizar un algoritmo de mapeo hash para generar un valor hash realizando una operación de función hash sobre un código de verificación, y determinar una base de datos de características faciales correspondiente al valor hash como una base de datos de características faciales correspondiente al código de verificación.
Por ejemplo, si un valor hash objetivo es R1R2 R3 que tiene tres dígitos, y un código de verificación es (num1, num2, num3, num4, num5, num6) que tiene seis dígitos, una función hash para calcular un valor hash utilizando el código de verificación es de la siguiente manera: R1 = num3; R2= una mantisa o parte fraccionaria positiva de (num2+num4+num6); y R3= una mantisa o parte fraccionaria positiva de (un número primoxnum1+un número primoxnum5).
Cabe destacar que la función hash anterior es sólo un ejemplo, y que puede haber muchos tipos de funciones hash. Los detalles no se enumeran en este documento. Por ejemplo, pueden existir 1000 valores hash calculados, y en consecuencia, habrá 1000 bases de datos de características faciales. Un valor hash correspondiente se calcula utilizando un código de verificación, y una base de datos de características faciales correspondiente al valor hash se puede utilizar como base de datos de características faciales correspondiente al código de verificación.
Etapa 306: La entidad de pago almacena la característica facial registrada por el usuario en la base de datos de características faciales correspondiente al código de verificación asignado al usuario.
Por ejemplo, cuando el pagador U1 activa el pago por reconocimiento facial, la entidad de pago asigna un código de verificación 000011 al pagador U1. Se obtiene un valor hash realizando el cálculo de la función hash en el código de verificación, y la característica facial transmitida por el pagador U1 en la etapa 300 se almacena en una base de datos correspondiente al valor hash.
El usuario activa con éxito la función de pago por reconocimiento facial realizando las etapas 300 a 306. Además, se asignan diferentes códigos de verificación a diferentes usuarios, y las características faciales de diferentes usuarios se pueden almacenar en diferentes bases de datos de características faciales, de modo que las características faciales similares se pueden almacenar por separado.
Por ejemplo, cuando el pagador U1 y el pagador U2 activan el pago por reconocimiento facial, una similitud entre las características faciales (por ejemplo, las características faciales pueden ser imágenes faciales tomadas por los usuarios mediante el uso de cámaras) transmitidas por el pagador U1 y el pagador U2 a la entidad de pago es relativamente alta debido a la luz, el ángulo, el maquillaje, etc. El dispositivo de procesamiento de datos de la entidad de pago puede almacenar por separado las características faciales de los dos pagadores en diferentes bases de datos, en función de diferentes códigos de verificación asignados al pagador U1 y al pagador U2, con el fin de evitar una coincidencia confusa de las características faciales cuando se realice posteriormente el pago por reconocimiento facial. Sin embargo, diferentes códigos de verificación también pueden corresponder a un mismo valor hash y, en consecuencia, las características faciales de diferentes usuarios también se pueden almacenar en una misma base de datos de características faciales.
A continuación, se describe cómo aplicar la función de pago por reconocimiento facial para realizar el pago. Si un usuario está comprando en la tienda de un comerciante, durante el pago, el usuario puede seleccionar una función de pago por reconocimiento facial en una caja 14 del comerciante cuando la caja 14 admite el pago por reconocimiento facial.
Etapa 308: El usuario introduce el código de verificación en la caja y proporciona una característica facial a través del reconocimiento facial.
En la presente etapa, el pagador puede facilitar la característica facial a la caja del comerciante, y la característica facial puede ser una característica facial proporcionada para la entidad de pago cuando se activa el pago por reconocimiento facial.
Etapa 310: La caja solicita a la entidad de pago que realice la deducción de la tasa para el pago por reconocimiento facial, y envía la característica facial y el código de verificación del usuario recibido en la etapa 308.
Etapa 312: La entidad de pago determina la base de datos de características faciales correspondiente en función del código de verificación.
Por ejemplo, la entidad de pago puede obtener, mediante un algoritmo hash, un valor hash correspondiente al código de verificación en función del código de verificación que facilita el pagador a la caja del comerciante, y puede obtener la base de datos de características faciales correspondiente al valor hash. Además, al recibir una solicitud de pago del comerciante, la entidad de pago puede verificar además una señal para la autentificación de seguridad.
Etapa 314: La entidad de pago compara las características faciales de la base de datos de características faciales con la característica facial que se reconoce en función de los rangos de características, donde los rangos de características se obtienen después de que las características faciales se ordenen en función de los atributos de frecuencia de utilización de las características faciales, y una característica facial con mayor frecuencia de utilización se utiliza preferiblemente para realizar el cotejo y la comparación.
En este ejemplo, las características faciales de la base de datos de características faciales se pueden ordenar en función de los atributos de frecuencia de utilización. Por ejemplo, el atributo de frecuencia de utilización puede incluir al menos uno de los siguientes parámetros de atributo: el número de veces de utilización y el último momento de utilización. El número de veces de utilización puede ser el número de veces de cotejo con éxito dentro de un período de tiempo, y el último momento de utilización puede ser un momento en el que la característica facial se ha cotejado con éxito recientemente. Ciertamente, el número de veces de utilización anterior y el último momento de utilización son simplemente ejemplos del atributo de frecuencia de utilización, y puede existir otro atributo de frecuencia de utilización.
Por ejemplo, las características faciales se ordenan en función del número de veces de utilización y del último momento de utilización. Los dos parámetros se pueden ponderar para realizar la ordenación, y una característica facial recientemente coincidente con el mayor número de veces de utilización se dispone en la parte delantera de la base de datos de características faciales. Por ejemplo, la suma ponderada se puede realizar en al menos dos parámetros de atributos incluidos en el atributo de frecuencia de utilización, tal como el número de veces de utilización y el último momento de utilización, y un valor obtenido mediante la suma ponderada se puede denominar como un valor de atributo de frecuencia. Las características faciales se pueden ordenar en función del valor del atributo de frecuencia. Por ejemplo, si una mayor frecuencia de éxito de cotejo indica un mayor valor de atributos de frecuencia, las características faciales se pueden ordenar en orden descendente de valores de atributo de frecuencia. Una característica facial con mayor frecuencia de éxito de cotejo (por ejemplo, con el número mayor de coincidencias con éxito o con la última coincidencia con éxito) se utiliza preferiblemente para realizar el cotejo y la comparación en función de los rangos de características. Las características faciales se comparan de forma secuencial con la característica facial que se reconoce, y la característica facial que se reconoce es la característica facial del pagador recibida en la etapa 310.
Etapa 316: Cuando se obtiene una característica facial coincidente, la entidad de pago realiza el pago utilizando una cuenta de pago correspondiente a la característica facial.
En este ejemplo, cuando la característica facial que coincide con el pagador se busca en una base de datos de características faciales, se utiliza preferiblemente una característica facial con mayor frecuencia de utilización para realizar el cotejo y la comparación. De este modo, se puede encontrar rápidamente una característica facial coincidente y acelerar el pago por reconocimiento facial.
Además, una vez obtenida la característica facial coincidente, se puede actualizar un atributo de frecuencia de utilización de la característica facial. Por ejemplo, el número de veces de utilización de la característica facial coincidente se puede incrementar en uno, y el último momento de utilización se puede actualizar a un momento en el que la última coincidencia tiene éxito. El dispositivo de procesamiento de datos de la entidad de pago puede reordenar además las características faciales en la base de datos de características faciales en función del atributo de frecuencia de utilización actualizado para ordenar una característica facial con alta frecuencia en la parte delantera.
Además, la entidad de pago puede establecer un máximo único o un límite de pago por día para el usuario en el pago por reconocimiento facial para controlar los riesgos de las transacciones, y puede supervisar además los datos de las transacciones en tiempo real para detectar una excepción de datos y controlar los riesgos.
Etapa 318: La entidad de pago devuelve al terminal inteligente del usuario un mensaje que indica el éxito de la deducción de la tasa.
En el método de pago por reconocimiento facial de este ejemplo, las características faciales de la base de datos de características faciales se ordenan en función de la frecuencia de utilización de la cara, y los rangos de características se actualizan durante el cotejo, acelerando de este modo el reconocimiento facial. Además, las diferentes características faciales se pueden almacenar por separado en diferentes bases de datos de características faciales en función de los códigos de verificación. Por ejemplo, las características faciales similares correspondientes a diferentes valores hash se almacenan en diferentes bases de datos para evitar un error en el reconocimiento de rostros similares en el reconocimiento facial, y mejorar la precisión del pago del reconocimiento facial.
En el procedimiento anterior de la FIG 3, no sólo se almacenan por separado diferentes características faciales mediante la utilización de códigos de verificación, sino que también se dispone en la parte delantera una característica facial con alta frecuencia de utilización. En otro ejemplo, se puede utilizar una de las dos soluciones siguientes. Por ejemplo, las características faciales no se almacenan por separado en diferentes bases de datos mediante el uso de códigos de verificación, sino que una característica facial con alta frecuencia de utilización se ordena en la parte delantera, acelerando de este modo el pago por reconocimiento facial. Como alternativa, una característica facial con alta frecuencia de utilización se puede no ordenar en la parte delantera, pero diferentes características faciales se almacenan por separado en diferentes bases de datos mediante lea utilización de códigos de verificación, mejorando de este modo la precisión del reconocimiento facial.
En otro ejemplo, si el usuario olvida un código de verificación, puede volver a solicitar el establecimiento de un nuevo código de verificación. Por ejemplo, el pagador puede enviar una solicitud de restablecimiento del código de verificación a la entidad de pago utilizando el terminal inteligente, y el dispositivo de procesamiento de datos de la entidad de pago puede volver a asignar un nuevo código de verificación al pagador en función de la solicitud de restablecimiento del código de verificación. Además, la característica facial del pagador se almacena en una base de datos de características faciales correspondiente al nuevo código de verificación, y se elimina una característica facial de la base de datos de características faciales original.
En otro ejemplo, los "códigos de verificación y las bases de datos de características faciales correspondientes a los códigos de verificación" se pueden establecer además para diferentes comerciantes. Por ejemplo, a un determinado comerciante le corresponden N bases de datos de características faciales. Las características faciales de los visitantes frecuentes del comerciante se pueden almacenar en estas bases de datos, y los códigos de verificación asignados a los visitantes frecuentes se pueden mapear a estas bases de datos de características faciales. Por ejemplo, cuando el pagador solicita el pago, se puede incluir un ID del comerciante además del código de verificación. En función del ID del comerciante, el dispositivo de procesamiento de datos de la entidad de pago puede buscar una base de datos de características faciales correspondiente al código de verificación en las N bases de datos de características faciales.
Para implementar el método de construcción de una base de datos de características biométricas anterior, una o más implementaciones de la presente memoria descriptiva proporcionan además un aparato de construcción de bases de datos de características biométricas. El aparato puede ser, por ejemplo, el dispositivo de procesamiento de datos 11 de la entidad de pago de la FIG. 2, de modo que el dispositivo de procesamiento de datos 11 puede ejecutar el método de pago por reconocimiento facial en la una o más implementaciones de la presente memoria descriptiva. Según se muestra en la FIG. 4, el aparato puede incluir un módulo de adquisición de parámetros 41 y un módulo de ordenación de características 42.
El módulo de adquisición de parámetros 41 se configura para obtener un atributo de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, donde el atributo de frecuencia de utilización se utiliza para indicar la frecuencia de éxito de cotejo de la característica biométrica.
El módulo de ordenación de características 42 se configura para que ordene las características biométricas en orden descendente de frecuencia de éxito de cotejo en función del atributo de frecuencia de utilización, de modo que, para realizar el reconocimiento, el cotejo y la comparación se utilice preferiblemente una característica biométrica con mayor frecuencia.
En un ejemplo, el módulo de adquisición de parámetros 41 se configura para obtener al menos uno de los siguientes parámetros de atributos de cada característica biométrica: el número de veces de utilización y el último momento de utilización.
En un ejemplo, el módulo de ordenación de características 42 se configura para realizar una suma ponderada en los al menos dos parámetros de atributos para obtener un valor de atributo de frecuencia cuando el atributo de frecuencia de utilización incluye al menos dos parámetros de atributos; y ordenar las características biométricas en función del valor del atributo de frecuencia.
Según se muestra en la FIG. 5, el aparato puede incluir además un módulo de cotejo y comparación 43, configurado para comparar las características biométricas con una característica biométrica que se reconoce en función de los rangos de características en la base de datos de características biométricas, donde se utiliza preferiblemente una característica biométrica con mayor frecuencia de éxito de cotejo para realizar el cotejo y la comparación.
El módulo de adquisición de parámetros 41 se configura además para actualizar un atributo de frecuencia de utilización de la característica biométrica después de obtener una característica biométrica coincidente.
El módulo de ordenación de características 42 se configura además para reordenar las características biométricas en la base de datos de características biométricas en función del atributo de frecuencia de utilización actualizado.
Los aparatos o módulos descritos en las implementaciones anteriores se pueden implementar mediante un chip o una entidad informática o se pueden implementar por un producto con una función determinada. Un dispositivo de implementación típico es un ordenador, y el ordenador puede ser un ordenador personal, un ordenador portátil, un teléfono móvil, un teléfono con cámara, un teléfono inteligente, un asistente digital personal, un reproductor multimedia, un dispositivo de navegación, un dispositivo de recepción y envío de correos electrónicos, una consola de juegos, un ordenador tipo tableta, un dispositivo para llevar puesto o cualquier combinación de estos dispositivos.
Para facilitar la descripción, el aparato anterior se describe dividiendo las funciones en diversos módulos. Ciertamente, en una o más implementaciones de la presente memoria descriptiva, se puede implementar una función de cada módulo en una o más piezas de software y/o hardware.
Una secuencia de ejecución de las etapas del procedimiento mostrado en la FIG. 3 no se limita a la secuencia del diagrama de flujo. Además, las descripciones de las etapas se pueden implementar en forma de software, hardware o una combinación de los mismos. Por ejemplo, un experto en la técnica puede implementar las descripciones en forma de código de software, y el código puede ser una instrucción ejecutable por ordenador que puede implementar funciones lógicas correspondientes a las etapas. Cuando se implementa en forma de software, la instrucción ejecutable se puede almacenar en una memoria y se puede ejecutar por un procesador en un dispositivo.
Por ejemplo, en correspondencia con el método anterior, la una o más implementaciones de la presente memoria descriptiva proporcionan un dispositivo de procesamiento de datos, y el dispositivo puede ser, por ejemplo, el dispositivo de procesamiento de datos 11 de la entidad de pago de la FIG. 2. El dispositivo puede incluir un procesador, una memoria y una instrucción de ordenador. La instrucción de ordenador se almacena en la memoria y se puede ejecutar en el procesador, y el procesador ejecuta la instrucción para implementar las siguientes etapas: obtener un atributo de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, donde el atributo de frecuencia de utilización se utiliza para indicar la frecuencia de éxito de cotejo de la característica biométrica; y ordenar las características biométricas en orden descendente de frecuencia de éxito de cotejo en función del atributo de frecuencia de utilización, de modo que para realizar el reconocimiento, el cotejo y la comparación se utilice preferiblemente una característica biométrica con mayor frecuencia.
Cabe destacar que el término "incluye", "tiene" o cualquier otra variante pretende abarcar una inclusión no exclusiva, por lo que un proceso, un método, una mercancía o un dispositivo que incluye una serie de elementos no sólo incluye esos elementos, sino que también incluye otros elementos que no se enumeran de forma expresa, o incluye además elementos inherentes a dicho proceso, método, mercancía o dispositivo. Un elemento descrito por "incluye un..." incluye, además, sin más limitaciones, otro elemento idéntico en el proceso, método, producto o dispositivo que incluye el elemento.
Un experto en la técnica debería entender que la una o más implementaciones de la presente memoria descriptiva se pueden proporcionar como un método, un sistema o un producto de programa de ordenador. Por consiguiente, la una o más implementaciones de la presente memoria descriptiva pueden ser implementaciones sólo de hardware, implementaciones sólo de software, o implementaciones con una combinación de software y hardware. Además, la una o más implementaciones de la presente memoria descriptiva pueden utilizar una forma de un producto de programa de ordenador implementado en uno o más medios de almacenamiento utilizables por ordenador (incluyendo, pero sin limitarse a, una memoria de disco magnético, un CD-ROM, una memoria óptica, etc.) que incluyen código de programa utilizable por ordenador.
La una o más implementaciones de la presente memoria descriptiva se pueden describir en el contexto general de una instrucción de ordenador ejecutable, ejecutable por un ordenador, por ejemplo, un módulo de programa. Por lo general, el módulo de programa incluye una rutina, un programa, un objeto, un componente, una estructura de datos, etc., para ejecutar una tarea particular o implementar un tipo de datos abstracto particular. Las una o más implementaciones de la presente memoria descriptiva también se pueden poner en práctica en entornos informáticos distribuidos. En los entornos informáticos distribuidos, las tareas se realizan por dispositivos de procesamiento remotos que se conectan a través de una red de comunicaciones. En un entorno informático distribuido, el módulo de programa se puede situar en medios de almacenamiento informático tanto locales como remotos, incluyendo dispositivos de almacenamiento.
Las implementaciones en la presente memoria descriptiva se describen de forma progresiva. Para las partes iguales o similares en las implementaciones, se puede hacer referencia a estas implementaciones. Cada una de las implementaciones se centra en una diferencia con respecto a otras implementaciones. En particular, una implementación de un dispositivo de procesamiento de datos es similar a una implementación de un método, y por consiguiente, se describe brevemente. Para las partes relacionadas, se puede hacer referencia a las descripciones parciales en la implementación del método.
Las implementaciones de la presente memoria descriptiva se han descrito anteriormente. En algunos casos, las acciones o etapas descritas en las reivindicaciones se pueden llevar a cabo en un orden diferente al de las implementaciones y los resultados deseados se pueden seguir alcanzando. Además, el proceso representado en los dibujos adjuntos no se muestra necesariamente en un orden particular para lograr los resultados deseados. En algunas formas de realización, se pueden llevar a cabo o pueden ser ventajosos el procesamiento multitarea y el procesamiento en paralelo.
Las descripciones anteriores son sólo implementaciones de ejemplo de una o más implementaciones de la presente memoria descriptiva, pero no pretenden limitar una o más implementaciones de la presente memoria descriptiva.
La FIG. 6 es un diagrama de flujo que ilustra un ejemplo de un método 600 implementado por ordenador para identificar y proporcionar acceso prioritario a características biométricas en función de la frecuencia de utilización, de acuerdo con una implementación de la presente descripción. Por claridad de presentación, la descripción que sigue describe de forma general el método 600 en el contexto de las otras figuras de esta descripción. Sin embargo, se entenderá que el método 600 se puede realizar, por ejemplo, por cualquier sistema, entorno, software y hardware, o una combinación de sistemas, entornos, software y hardware, según corresponda. En algunas implementaciones, diversas etapas del método 600 se pueden ejecutar en paralelo, en combinación, en bucles, o en cualquier orden.
En 602, se determina un atributo de frecuencia de utilización para cada característica biométrica en una base de datos de características biométricas. El atributo de frecuencia de utilización indica una frecuencia de éxito de cotejo del cotejo de la característica biométrica con un usuario que tiene la característica biométrica. La característica biométrica puede ser, por ejemplo, una característica facial. La frecuencia de éxito de cotejo puede identificar, por ejemplo, un número de veces o un porcentaje de éxito que el reconocimiento facial u otros tipos de técnicas biométricas han hecho coincidir a un usuario con su información biométrica.
En algunas implementaciones, el atributo de frecuencia de utilización puede ser una función matemática de al menos un número de veces que se ha solicitado la característica biométrica o un momento de utilización más reciente en que la característica biométrica fue coincidente. Por ejemplo, se puede calcular matemáticamente una puntuación en función de las frecuencias de utilización o las tasas de éxito. Las puntuaciones también se pueden ver afectadas por cómo de reciente han conducido a la coincidencia diversos tipos de características biométricas. A partir de 602, el método 600 pasa a 604.
En 604, las características biométricas del usuario se clasifican en orden descendente del atributo de frecuencia de utilización. La clasificación se puede basar, por ejemplo, en un orden descendente de los atributos de frecuencia de utilización para un usuario determinado.
En algunas implementaciones, la clasificación de las características biométricas del usuario en orden descendente del atributo de frecuencia de utilización puede incluir una utilización de sumas ponderadas para la clasificación. Por ejemplo, se puede realizar una suma ponderada en al menos dos atributos de frecuencia de utilización para características biométricas para obtener un valor de atributo de frecuencia cuando el atributo de frecuencia de utilización comprende al menos dos atributos de frecuencia de utilización. En algunas implementaciones, se puede realizar una suma ponderada en al menos dos parámetros de atributos incluidos en el atributo de frecuencia de utilización, tal como el número de veces de utilización y el último momento que se utilizó. Un valor obtenido a través de la suma ponderada se puede denominar como un valor de atributo de frecuencia. Las características biométricas se pueden clasificar a continuación en función de la suma ponderada. A partir de 604, el método 600 pasa a 606.
En 606, las características biométricas en la base de datos de características biométricas se almacenan en orden descendente. El almacenamiento incluye proporcionar acceso prioritario a la característica biométrica que tenga un valor más alto del atributo de frecuencia de utilización, de modo que la característica biométrica se selecciona primero en respuesta a una solicitud de la característica biométrica del usuario. Después de 606, el procedimiento 600 finaliza.
En algunas implementaciones, el método 600 puede incluir además etapas para comparar y reordenar las características biométricas. Por ejemplo, una característica biométrica determinada del usuario se puede comparar con una característica biométrica dada en la base de datos de características biométricas. Un atributo de frecuencia de utilización de la característica biométrica determinada se puede actualizar cuando se determina una coincidencia en función de la comparación. Las características biométricas en la base de datos de características biométricas se pueden reordenar en función de un atributo de frecuencia de utilización actualizado. Por ejemplo, la base de datos se puede ajustar para provocar la selección de características biométricas de alta tasa de éxito sobre las características biométricas con menos éxito.
En algunas implementaciones, el método 600 puede incluir además etapas para realizar un pago en función de una comparación de una característica facial. Por ejemplo, se puede obtener una característica facial de un pagador. La característica facial obtenida de un pagador se puede comparar con las características faciales de una base de datos de características faciales. Cuando se obtiene una característica facial coincidente, se realiza un pago utilizando una cuenta de pago correspondiente a la característica facial. Por ejemplo, la persona que está a punto de pagar un pedido (o de recoger un pedido) puede ser verificada mediante técnicas biométricas.
En algunas implementaciones, el método 600 puede incluir además etapas para determinar una característica facial que se va a utilizar en función de un código de verificación. Por ejemplo, un código de verificación asignado al pagador se puede obtener a partir de diferentes códigos de verificación asignados a diferentes pagadores. Una base de datos de características faciales particular que se utilizará para comparar las características faciales se puede determinar en función del código de verificación y a partir de un conjunto de bases de datos de características faciales. Por ejemplo, las características faciales de un cliente que está a punto de completar una transacción se pueden comprobar en función de un código de verificación asociado con uno o más de los clientes y la transacción. El código de verificación puede ser suministrado por el cliente, escaneado por escáneres en las proximidades del cliente, obtenido de Internet o se puede proporcionar de alguna otra manera.
La presente descripción describe técnicas para identificar y proporcionar acceso prioritario a características biométricas en función de la frecuencia de utilización y de las tasas de éxito. Por ejemplo, no todas las características biométricas tienen la misma tasa de éxito o frecuencia de utilización durante el proceso de verificación o identificación de un ser humano, tal como un usuario, un cliente o un empleado. Se puede lograr una mayor tasa de éxito y una mayor seguridad si, por ejemplo, las características biométricas de mayor frecuencia o mayor tasa de éxito se ordenan en la base de datos para una selección prioritaria sobre las características biométricas menos eficaces.
Las formas de realización y las operaciones descritas en esta memoria descriptiva se pueden implementar en circuitos electrónicos digitales, o en software, firmware o hardware, incluyendo las estructuras descritas en esta memoria descriptiva o en combinaciones de una o más de ellas. Las operaciones se pueden implementar como operaciones realizadas por un aparato de procesamiento de datos sobre datos almacenados en uno o más dispositivos de almacenamiento legibles por ordenador o recibidos de otras fuentes. Un aparato de procesamiento de datos, ordenador o dispositivo informático puede abarcar aparatos, dispositivos y máquinas para el procesamiento de datos, incluyendo a modo de ejemplo un procesador programable, un ordenador, un sistema en un chip, o múltiples o combinaciones de los anteriores. El aparato puede incluir circuitos lógicos de propósito especial, por ejemplo, una unidad central de procesamiento (CPU), una matriz de puertas programables en campo (FPGA) o un circuito integrado de aplicación específica (ASIC). El aparato también puede incluir código que crea un entorno de ejecución para el programa informático en cuestión, por ejemplo, código que constituye el firmware del procesador, una pila de protocolos, un sistema de gestión de bases de datos, un sistema operativo (por ejemplo, un sistema operativo o una combinación de sistemas operativos), un entorno de ejecución multiplataforma, una máquina virtual, o una combinación de uno o más de ellos. El aparato y el entorno de ejecución pueden realizar diversas infraestructuras de modelos de computación diferentes, tales como servicios web, computación distribuida e infraestructuras de computación en red.
Un programa informático (también conocido, por ejemplo, como programa, software, aplicación de software, módulo de software, unidad de software, script o código) se puede escribir en cualquier forma de lenguaje de programación, incluyendo lenguajes compilados o interpretados, lenguajes declarativos o procedimentales, y se puede implementar en cualquier forma, incluyendo como un programa independiente o como un módulo, componente, subrutina, objeto u otra unidad adecuada para su utilización en un entorno informático. Un programa se puede almacenar en una parte de un archivo que contiene otros programas o datos (por ejemplo, uno o más scripts almacenados en un documento de lenguaje de marcas), en un único archivo dedicado al programa en cuestión, o en múltiples archivos coordinados (por ejemplo, archivos que almacenan uno o más módulos, subprogramas o partes de código). Un programa informático se puede ejecutar en un ordenador o en varios ordenadores situados en un mismo sitio o distribuidos en varios sitios e interconectados por una red de comunicación.
Los procesadores para la ejecución de un programa informático incluyen, a modo de ejemplo, tanto los microprocesadores de propósito general como los de propósito especial, y uno o varios procesadores de cualquier clase de ordenador digital. Por lo general, un procesador recibirá instrucciones y datos de una memoria de sólo lectura, de una memoria de acceso aleatorio o de ambas. Los elementos esenciales de un ordenador son un procesador para realizar acciones de acuerdo con las instrucciones y uno o más dispositivos de memoria para almacenar instrucciones y datos. Por lo general, un ordenador también incluirá, o se acoplará de forma operativa para recibir datos desde o transferir datos a, o ambos, uno o más dispositivos de almacenamiento masivo para almacenar datos. Un ordenador se puede integrar en otro dispositivo, por ejemplo, un dispositivo móvil, un asistente digital personal (PDA), una consola de juegos, un receptor del sistema de posicionamiento global (GPS) o un dispositivo de almacenamiento portátil. Los dispositivos adecuados para almacenar las instrucciones y los datos del programa informático incluyen pero no limitan memorias no volátiles, medios y dispositivos de memoria, incluyendo, a modo de ejemplo, dispositivos de memoria de semiconductores, discos magnéticos y discos magneto-ópticos. El procesador y la memoria se pueden complementar por, o incorporar en, circuitos lógicos de propósito especial.
Los dispositivos móviles pueden incluir teléfonos, equipos de usuario (UE), teléfonos móviles (por ejemplo, teléfonos inteligentes), tabletas, dispositivos para llevar puestos (por ejemplo, relojes inteligentes y gafas inteligentes), dispositivos implantados dentro del cuerpo humano (por ejemplo, biosensores, implantes cocleares), u otros tipos de dispositivos móviles. Los dispositivos móviles se pueden comunicar de forma inalámbrica (por ejemplo, utilizando señales de radiofrecuencia (RF)) con diversas redes de comunicación (descritas a continuación). Los dispositivos móviles pueden incluir sensores para determinar las características del entorno actual del dispositivo móvil. Los sensores pueden incluir cámaras, micrófonos, sensores de proximidad, sensores GPS, sensores de movimiento, acelerómetros, sensores de luz ambiental, sensores de humedad, giroscopios, brújulas, barómetros, sensores de huellas dactilares, sistemas de reconocimiento facial, sensores de RF (por ejemplo, radios Wi-Fi y celulares), sensores térmicos u otros tipos de sensores. Por ejemplo, las cámaras pueden incluir una cámara orientada hacia delante o hacia atrás con lentes móviles o fijas, un flash, un sensor de imagen y un procesador de imágenes. La cámara puede ser una cámara de megapíxeles que puede capturar detalles para el reconocimiento facial y/o del iris. La cámara, junto con un procesador de datos y la información de autentificación almacenada en la memoria o a la que se accede de forma remota, puede formar un sistema de reconocimiento facial. El sistema de reconocimiento facial o uno o más sensores, por ejemplo, micrófonos, sensores de movimiento, acelerómetros, sensores GPS o sensores RF, se pueden utilizar para la autentificación del usuario.
Para posibilitar la interacción con un usuario, las formas de realización se pueden implementar en un ordenador que tenga un dispositivo de visualización y un dispositivo de entrada, por ejemplo, una pantalla de cristal líquido (LCD) o un diodo orgánico de emisión de luz (OLED)/realidad virtual (VR)/realidad aumentada (AR) para mostrar información al usuario y una pantalla táctil, un teclado y un dispositivo señalador mediante el cual el usuario pueda proporcionar información al ordenador. También se pueden utilizar otras clases de dispositivos para posibilitar la interacción con el usuario; por ejemplo, la retroalimentación que se proporciona al usuario puede ser cualquier forma de retroalimentación sensorial, por ejemplo, retroalimentación visual, auditiva o táctil; y la entrada del usuario se puede recibir de cualquier forma, incluyendo entrada acústica, verbal o táctil. Además, un ordenador puede interactuar con un usuario enviando documentos a y recibiendo documentos de un dispositivo utilizado por el usuario; por ejemplo, enviando páginas web a un navegador web en un dispositivo cliente del usuario en respuesta a las solicitudes recibidas del navegador web.
Las formas de realización se pueden implementar utilizando dispositivos informáticos interconectados por cualquier forma o medio de comunicación de datos digital cableado o inalámbrico (o una combinación de los mismos), por ejemplo, una red de comunicación. Ejemplos de dispositivos interconectados son un cliente y un servidor generalmente remotos entre sí que suelen interactuar a través de una red de comunicación. Un cliente, por ejemplo, un dispositivo móvil, puede realizar transacciones por sí mismo, con un servidor, o a través de un servidor, por ejemplo, realizando transacciones de compra, venta, pago, regalo, envío o préstamo, o autorizando las mismas. Dichas transacciones se pueden realizar en tiempo real, de tal manera que una acción y una respuesta sean temporalmente próximas; por ejemplo, un individuo percibe que la acción y la respuesta se producen, en esencia, de forma simultánea, la diferencia de tiempo para una respuesta que sigue a la acción del individuo es inferior a 1 milisegundo (ms) o inferior a 1 segundo (s), o la respuesta es sin retraso intencionado teniendo en cuenta las limitaciones de procesamiento del sistema.
Los ejemplos de redes de comunicación incluyen, pero no limitan una red de área local (LAN), una red de acceso de radio (RAN), una red de área metropolitana (MAN) y una red de área amplia (WAN). La red de comunicación puede incluir la totalidad o una parte de Internet, otra red de comunicación o una combinación de redes de comunicación. La información se puede transmitir en la red de comunicación de acuerdo con varios protocolos y estándares, incluyendo evolución a largo plazo (LTE), 5G, IEEE 802, protocolo internet (IP) u otros protocolos o combinaciones de protocolos. La red de comunicación puede transmitir voz, vídeo, datos biométricos o de autentificación, u otra información entre los dispositivos informáticos conectados.
Las características descritas como implementaciones separadas se pueden implementar, en combinación, en una única implementación, mientras que las características descritas como una única implementación se pueden implementar en múltiples implementaciones, por separado, o en cualquier subcombinación adecuada. Las operaciones descritas y reivindicadas en un orden particular no se deben entender como que se requiere ese orden particular, ni que se deban realizar todas las operaciones ilustradas (algunas operaciones pueden ser opcionales). Según el caso, se puede realizar la multitarea o el procesamiento en paralelo (o una combinación de multitarea y procesamiento en paralelo).

Claims (4)

REIVINDICACIONES
1. Un método para construir una base de datos de características biométricas adecuada para realizar el reconocimiento biométrico de un usuario, en donde el método comprende:
obtener (100) al menos dos atributos de frecuencia de utilización de cada característica biométrica en una base de datos de características biométricas, en donde los al menos dos atributos de frecuencia de utilización comprenden un primer atributo de frecuencia de utilización y un segundo atributo de frecuencia de utilización, siendo la primera frecuencia de utilización un número de coincidencias exitosas dentro de un período de tiempo y el segundo atributo de frecuencia de utilización un momento en el que la característica biométrica se ha cotejado con éxito más recientemente;
generar una indicación de una frecuencia de éxito de cotejo de cada característica biométrica en función de los al menos dos atributos de frecuencia de utilización, en donde la indicación de la frecuencia de éxito de cotejo de cada característica biométrica es una suma ponderada de los al menos dos atributos de frecuencia de utilización de la característica biométrica, calculándose la frecuencia de éxito de cotejo como una suma ponderada del primer atributo de frecuencia de utilización y del segundo atributo de frecuencia de utilización; y
ordenar (102) las características biométricas en orden descendente de la frecuencia de éxito de cotejo;
con lo que, como resultado de la ordenación, la base de datos de características biométricas proporciona (606) acceso prioritario a una característica biométrica que tiene una frecuencia de éxito de cotejo más alta, de modo que la característica biométrica que tiene la frecuencia de éxito de cotejo más alta se selecciona primero en respuesta a una solicitud de una característica biométrica de un usuario.
2. El procedimiento de acuerdo con la reivindicación 1, donde el procedimiento comprende además:
comparar las características biométricas con una característica biométrica obtenida en función de los rangos de características en la base de datos de características biométricas, obtenida la característica biométrica en función del reconocimiento de un usuario, en donde una característica biométrica con mayor frecuencia de éxito de cotejo se utiliza preferiblemente para realizar el cotejo y la comparación, los rangos de características se obtienen después de que las características biométricas se ordenen en función de los respectivos atributos de frecuencia de utilización de las características biométricas;
actualizar un atributo de frecuencia de utilización respectivo de la característica biométrica después de obtener una característica biométrica coincidente; y
reordenar las características biométricas en la base de datos de características biométricas en función del atributo de frecuencia de utilización respectivo actualizado.
3. El método de acuerdo con la reivindicación 1, en donde las características biométricas de la base de datos de características biométricas comprenden características faciales.
4. Un aparato para construir una base de datos de características biométricas, en donde el aparato comprende varios módulos configurados para realizar el método de acuerdo con una de las reivindicaciones 1 a 3.
ES18756045T 2017-07-31 2018-07-30 Método y aparato para crear una base de datos de características biométricas Active ES2879928T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710637558.4A CN107491965B (zh) 2017-07-31 2017-07-31 一种生物特征库的建立方法和装置
PCT/US2018/044370 WO2019027896A1 (en) 2017-07-31 2018-07-30 METHOD AND APPARATUS FOR BASING BIOMETRIC CHARACTERISTIC DATA BASE

Publications (1)

Publication Number Publication Date
ES2879928T3 true ES2879928T3 (es) 2021-11-23

Family

ID=60644817

Family Applications (1)

Application Number Title Priority Date Filing Date
ES18756045T Active ES2879928T3 (es) 2017-07-31 2018-07-30 Método y aparato para crear una base de datos de características biométricas

Country Status (11)

Country Link
US (3) US10789593B2 (es)
EP (2) EP3639196B1 (es)
JP (1) JP6961003B2 (es)
KR (1) KR102228253B1 (es)
CN (1) CN107491965B (es)
ES (1) ES2879928T3 (es)
PH (1) PH12019501777A1 (es)
PL (1) PL3639196T3 (es)
SG (1) SG11201906844RA (es)
TW (1) TWI706354B (es)
WO (1) WO2019027896A1 (es)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491965B (zh) 2017-07-31 2020-07-10 阿里巴巴集团控股有限公司 一种生物特征库的建立方法和装置
CN109492560A (zh) * 2018-10-26 2019-03-19 深圳力维智联技术有限公司 基于时间尺度的人脸图像特征融合方法、装置和存储介质
CN109684918A (zh) * 2018-11-14 2019-04-26 南宁学院 一种高速物体识别系统
CN110033278B (zh) * 2019-03-27 2023-06-23 创新先进技术有限公司 风险识别方法和装置
CN110599639B (zh) * 2019-08-13 2021-05-07 深圳市天彦通信股份有限公司 身份验证方法及相关产品
CN110532934A (zh) * 2019-08-26 2019-12-03 恒大智慧科技有限公司 一种人脸底库更新方法、装置、计算机设备及存储介质
CN110705990A (zh) * 2019-09-18 2020-01-17 北京三快在线科技有限公司 验证方法、装置、终端及存储介质
WO2021214970A1 (ja) * 2020-04-24 2021-10-28 日本電気株式会社 情報処理装置、システム、顔画像の更新方法及び記憶媒体
CN112330312B (zh) * 2020-11-17 2021-12-10 农夫铺子发展集团有限公司 基于区块链支付和面部识别的数据处理方法及大数据平台
CN112667840B (zh) * 2020-12-22 2024-05-28 中国银联股份有限公司 特征样本库构建方法、通行识别方法、装置及存储介质
CN113505279A (zh) * 2021-07-08 2021-10-15 上海银欣高新技术发展股份有限公司 生物特征的高速比对方法、系统、介质及装置
US20240176857A1 (en) * 2022-11-28 2024-05-30 Mastercard International Incorporated Authentication for biometric checkout using rba modeling

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6889198B2 (en) 1998-01-30 2005-05-03 Citicorp Development Center, Inc. Method and system for tracking smart card loyalty points
JP3219148B2 (ja) 1998-11-26 2001-10-15 日本電気株式会社 データメモリ装置
US6507912B1 (en) 1999-01-27 2003-01-14 International Business Machines Corporation Protection of biometric data via key-dependent sampling
JP2001266151A (ja) * 2000-03-17 2001-09-28 Toshiba Corp 個人識別装置および個人識別方法
JP3586431B2 (ja) 2001-02-28 2004-11-10 松下電器産業株式会社 個人認証方法および装置
US8548927B2 (en) 2001-07-10 2013-10-01 Xatra Fund Mx, Llc Biometric registration for facilitating an RF transaction
JP2005149344A (ja) * 2003-11-19 2005-06-09 Ricoh Co Ltd 指紋認証装置及び指紋認証処理プログラム
JP4576132B2 (ja) * 2004-02-25 2010-11-04 株式会社リコー 認証方法及び認証装置
JP4671838B2 (ja) * 2005-10-31 2011-04-20 日立オムロンターミナルソリューションズ株式会社 現金自動取引装置
US20070174173A1 (en) 2006-01-21 2007-07-26 Brucato Steven J Method for displaying market data and entering trading orders
JP2007206942A (ja) * 2006-02-01 2007-08-16 Konica Minolta Business Technologies Inc 生体認証装置及び生体認証方法
US20070252001A1 (en) 2006-04-25 2007-11-01 Kail Kevin J Access control system with RFID and biometric facial recognition
US20070290800A1 (en) 2006-06-05 2007-12-20 Fuller Milton E Biometric identification and authentication system using electromagnetic frequency response
JP2008276359A (ja) * 2007-04-26 2008-11-13 Murata Mach Ltd 個人認証装置
CN101689235B (zh) * 2007-07-09 2012-07-18 富士通株式会社 用户认证装置以及用户认证方法
KR20080109694A (ko) * 2008-10-31 2008-12-17 주식회사 비즈모델라인 사용자 생체정보 비교를 통한 정보제공방법
JP5813282B2 (ja) * 2009-06-19 2015-11-17 日本電信電話株式会社 情報照合装置、情報照合方法及びプログラム
JP5691669B2 (ja) 2011-03-08 2015-04-01 富士通株式会社 生体情報処理装置、生体情報処理方法、および生体情報処理プログラム
US9020207B2 (en) * 2011-06-07 2015-04-28 Accenture Global Services Limited Biometric authentication technology
KR101316805B1 (ko) * 2013-05-22 2013-10-11 주식회사 파이브지티 자동 얼굴 위치 추적 및 얼굴 인식 방법 및 시스템
US20150073998A1 (en) * 2013-09-09 2015-03-12 Apple Inc. Use of a Biometric Image in Online Commerce
CN105205365B (zh) * 2014-05-26 2020-05-05 创新先进技术有限公司 一种生物特征信息的注册和认证方法及装置
CN104240347B (zh) * 2014-09-12 2016-10-12 福建省智慧物联网研究院有限责任公司 基于图像识别的入场身份认证系统
EP2998881B1 (en) * 2014-09-18 2018-07-25 Amplidata NV A computer implemented method for dynamic sharding
US20160089052A1 (en) 2014-09-26 2016-03-31 Industry-University Cooperation Foundation Hanyang University Method and device for measuring biometric data using uwb radar
KR101627936B1 (ko) * 2014-10-25 2016-06-07 박남태 영상표시 장치의 음성제어를 이용한 보안 입력 방법 및 장치
CN105631178B (zh) 2014-10-29 2018-10-16 中国石油天然气股份有限公司 双台肩钻具接头的极限工作扭矩的确定方法
US20160189162A1 (en) * 2014-12-29 2016-06-30 Toshiba Tec Kabushiki Kaisha Information processing system, and storage medium which stores information processing program
CN109002773B (zh) * 2015-02-12 2022-05-03 深圳市汇顶科技股份有限公司 指纹认证方法、系统及支持指纹认证功能的终端
CN105631278A (zh) * 2015-06-24 2016-06-01 宇龙计算机通信科技(深圳)有限公司 身份验证方法及装置
WO2017190175A1 (en) * 2016-05-06 2017-11-09 Othera Pty Ltd Methods and systems for blockchain based "segmented risk based securities"
CN106203319B (zh) * 2016-07-05 2019-07-02 北京小米移动软件有限公司 指纹匹配方法和装置
JP6907475B2 (ja) 2016-07-15 2021-07-21 富士フイルムビジネスイノベーション株式会社 生体情報測定装置、及び生体情報測定プログラム
CN106507301A (zh) * 2016-10-26 2017-03-15 朱育盼 认证方法和装置
CN106650657A (zh) * 2016-12-16 2017-05-10 广东工业大学 一种基于全脸二进制匹配的身份验证方法及装置
CN107491965B (zh) 2017-07-31 2020-07-10 阿里巴巴集团控股有限公司 一种生物特征库的建立方法和装置

Also Published As

Publication number Publication date
US20190034935A1 (en) 2019-01-31
EP3639196B1 (en) 2021-04-21
CN107491965B (zh) 2020-07-10
US10789593B2 (en) 2020-09-29
US11270310B2 (en) 2022-03-08
TW201911170A (zh) 2019-03-16
JP2020513121A (ja) 2020-04-30
EP3639196A1 (en) 2020-04-22
KR102228253B1 (ko) 2021-03-18
TWI706354B (zh) 2020-10-01
CN107491965A (zh) 2017-12-19
PH12019501777A1 (en) 2020-07-06
US11544711B2 (en) 2023-01-03
JP6961003B2 (ja) 2021-11-05
SG11201906844RA (en) 2019-08-27
WO2019027896A1 (en) 2019-02-07
PL3639196T3 (pl) 2021-09-27
KR20200002785A (ko) 2020-01-08
EP3879444A1 (en) 2021-09-15
US20200126088A1 (en) 2020-04-23
US20210012351A1 (en) 2021-01-14

Similar Documents

Publication Publication Date Title
ES2879928T3 (es) Método y aparato para crear una base de datos de características biométricas
KR102693434B1 (ko) 전자 결제 기능을 제공하는 전자 장치 및 그의 동작 방법
CN107665426B (zh) 使用生物特征认证进行支付的方法和电子设备
US10534901B2 (en) User authentication method and apparatus using infrared ray (IR) image
JP6875521B2 (ja) バイオメトリック特徴に基づくセキュリティ検証のための方法および装置
US11915247B2 (en) Optimized dunning using machine-learned model
JP2020525964A (ja) 店内支払い許可のための顔バイオメトリクスカードエミュレーション
TW202001719A (zh) 支付處理方法、裝置及伺服器
US20240242222A1 (en) System, method, and computer-accessible medium for geo-fenced zones
US20240070484A1 (en) Machine learning model training and deployment pipeline
KR102639361B1 (ko) 메타버스 환경과 연계하여 금융 거래 서비스를 제공하는 시스템 및 그 동작 방법
US20230186307A1 (en) Method for enhancing transaction security
RU2659744C1 (ru) Способ верификации платежной транзакции посредством персонального устройства покупателя
Guo et al. Outlook for mobile biometrics
AU2017274659A1 (en) Quick access display