WO2026016591A1 - 身份识别方法、装置、设备、介质及程序产品 - Google Patents

身份识别方法、装置、设备、介质及程序产品

Info

Publication number
WO2026016591A1
WO2026016591A1 PCT/CN2025/093224 CN2025093224W WO2026016591A1 WO 2026016591 A1 WO2026016591 A1 WO 2026016591A1 CN 2025093224 W CN2025093224 W CN 2025093224W WO 2026016591 A1 WO2026016591 A1 WO 2026016591A1
Authority
WO
WIPO (PCT)
Prior art keywords
biometric
biometrics
current
identity information
similarity
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
PCT/CN2025/093224
Other languages
English (en)
French (fr)
Inventor
王军
侯锦坤
郭润增
王少鸣
张菁芸
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.)
Tencent Technology (Shenzhen) Co Ltd
Original Assignee
Tencent Technology (Shenzhen) 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 Tencent Technology (Shenzhen) Co Ltd filed Critical Tencent Technology (Shenzhen) Co Ltd
Publication of WO2026016591A1 publication Critical patent/WO2026016591A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Definitions

  • This application relates to the field of Internet technology, and in particular to an identity recognition method, apparatus, device, medium, and program product.
  • object identification has been applied to more and more business scenarios, such as payment scenarios and membership points scenarios, thereby making life more convenient for individuals.
  • servers used for identity verification can store a biometric feature for each object, such as palm print, facial features, or iris features.
  • a terminal device can capture an image of an object's current biometric features and send it to the server.
  • the server extracts features from the image to obtain the object's current biometric features.
  • the server can identify the object based on these current biometric features and the biometric features of N objects; this identification method can be called 1vN identity verification. If the 1vN identification method successfully identifies the object, the server can use this information for payments, membership points, etc.
  • the server needs to guide the object to enter their mobile phone number on the terminal device to determine the object's stored biometric features corresponding to that number, and then identify the object based on both the object's current and stored biometric features; this identification method can be called 1v1 identity verification.
  • 1v1 identity verification has slightly lower requirements than 1vN identity verification.
  • the identity verification stage achieved through 1v1 identity verification is also known as the 1v1 verification stage or the 1v1 mobile phone number verification stage.
  • This application provides an identity recognition method, apparatus, device, medium, and program product, which can improve the user experience.
  • embodiments of this application provide an identity recognition method, comprising: obtaining the current biometric features of a first object; recognizing the identity information of the first object based on the current biometric features and the first biometric features of N objects respectively; wherein, N is a positive integer; if the recognition of the identity information of the first object based on the current biometric features and the first biometric features of N objects fails, then recognizing the identity information of the first object based on the current biometric features and the second biometric features of N objects respectively.
  • an identity recognition device including: an acquisition module and an identity recognition module, wherein the acquisition module is used to acquire the current biometric features of a first object; the identity recognition module is used to: recognize the identity information of the first object based on the current biometric features and the first biometric features of N objects respectively; wherein N is a positive integer; if the recognition of the identity information of the first object based on the current biometric features and the first biometric features of N objects fails, then the identity information of the first object is recognized based on the current biometric features and the second biometric features of N objects respectively.
  • the identity recognition module is specifically used to: identify the identity information of the first object based on the current biometrics and the second biometrics of each of the N objects.
  • the identity recognition module is specifically used to: detect a second object among N objects that is suspected to be the first object; if there is a second object among the N objects and the second object has a second biometric feature, then the identity information of the first object is identified based on the current biometric feature and the second biometric feature of the second object.
  • the identity recognition module is specifically used to: reduce the first similarity threshold used to identify the identity information of the first object based on the current biometric feature and the first biometric features of each of the N objects, to obtain a second similarity threshold; calculate the similarity between the current biometric feature and the first biometric features of each of the N objects; and identify the object among the N objects whose similarity is greater than the second similarity threshold as the second object.
  • the identity recognition module is specifically used to: reduce the first scoring threshold used to identify the identity information of the first object based on the current biometric feature and the first biometric features of each of the N objects, and obtain a second scoring threshold; calculate the similarity between the current biometric feature and the first biometric features of each of the N objects, and determine the similarity score corresponding to each similarity; and identify the object among the N objects whose similarity score is greater than the second scoring threshold as the second object.
  • the identity recognition module is specifically used to: if the second object has multiple second biometric features, calculate the similarity between the current biometric feature and each of the second biometric features of the second object; and identify the identity information of the first object based on the similarity between the current biometric feature and each of the second biometric features of the second object.
  • the identity recognition module is specifically used to: if the second object has multiple second biometric features, calculate the similarity between the current biometric feature and the multiple second biometric features of the second object in descending order of quality of the biometric feature images corresponding to each of the multiple second biometric features; if the similarity between the current biometric feature and the target second biometric feature of the second object is greater than a third similarity threshold, use the identity information of the second object as the identity information of the first object, and stop calculating the similarity between the current biometric feature and other second biometric features of the second object.
  • the identity recognition module is also used to: if there is no second object among the N objects, then recognize the identity information of the first object based on the terminal identifier of the first object.
  • the identity recognition module is also used to: if the second object does not have a second biometric feature, then identify the identity information of the first object based on the terminal identifier of the first object.
  • the identity recognition module is specifically used to: detect the activation status of the biometric recognition-related functions of the first object based on the terminal identifier of the first object; if the first object has activated the biometric recognition-related functions, then identify the identity information of the first object based on the current biometrics and the first biometrics of the first object.
  • the device further includes a storage model for: if the identity information of the first object is successfully identified based on the current biometrics and the first biometrics of the first object, then the current biometrics is used as the second biometrics of the first object, and the second biometrics of the first object is stored.
  • the device further includes a determining model for determining the quality score of the current biometric image corresponding to the current biometric before the storage model uses the current biometric as the second biometric of the first object and stores the second biometric of the first object; correspondingly, the storage model is specifically used to: if the quality score of the current biometric image is greater than a preset score, then use the current biometric as the second biometric of the first object and store the second biometric of the first object.
  • Figure 4 is a schematic diagram of biometric image selection provided in an embodiment of this application.
  • FIG. 7 is a flowchart of another identity recognition method provided in an embodiment of this application.
  • Figure 9 is a schematic block diagram of an electronic device 900 provided in an embodiment of this application.
  • module refers to a computer program or part of a computer program that has a predetermined function and works with other related parts to achieve a predetermined goal, and can be implemented wholly or partially using software, hardware (such as processing circuitry or memory), or a combination thereof.
  • a processor or multiple processors or memory
  • each module or unit can be part of an overall module or unit that includes the functionality of that module or unit.
  • Internet technology refers to an information technology developed on the basis of computer technology. It connects individual computers or networks to form a specific network system and realizes the transmission and sharing of information.
  • mobile payment can be realized after object identification is performed through terminal devices, such as a swipe device and a payment backend server.
  • terminal devices such as a swipe device and a payment backend server.
  • Instant messaging clients are communication tools based on internet technology, allowing users to communicate in real time via text, voice, video, and other methods. Common instant messaging clients include WeChat, QQ, and WeChat Work, but are not limited to these. These communication tools typically offer features such as instant messaging, voice calls, video calls, and file transfer, enabling users to communicate and collaborate conveniently.
  • the main approach is to train the neural network model used in the 1vN identity recognition stage by augmenting the training data.
  • This improves the model's generalization ability and robustness.
  • more training data on object pose and environment is needed to train the neural network model, so that even if the object's pose and environment change, it can still be identified.
  • this training data may not cover all pose and environment changes, leading to the possibility of failure in the 1vN identity recognition method; on the other hand, augmenting the training data increases the training cost.
  • a backend server can store multiple biometric features of an object, such as biometric features of the object in different postures or environments. This allows the system to bypass the 1v1 phone number verification stage after a 1vN identification failure, instead adding a second biometric verification step. Only if this second biometric verification fails will the system proceed to the 1v1 phone number verification stage. If the second biometric verification is successful, the 1v1 phone number verification stage can be skipped, thus shortening the identification time and eliminating the need for UI interaction by the object, ultimately improving the user experience.
  • the terminal device 110 may have an application (APP) installed to implement biometric recognition-related functions.
  • biometric recognition-related functions may include, but are not limited to, payment, membership points, and free power bank rental based on identity information obtained through biometric recognition.
  • biometric identification-related functions can be applied to payment applications, membership applications, power bank rental applications, etc., but are not limited to these.
  • the payment application can be any application that supports payment functionality; for example, the payment application can be an instant messaging client with payment capabilities.
  • a camera module is installed on the terminal device 110 for acquiring biometric images.
  • the camera module may include an image acquisition device and a communication device.
  • the image acquisition device may be, for example, a 3D camera, in which hardware and software related to image quality detection may be added, including a depth camera and an infrared camera.
  • the communication device may be at least one of a wireless communication device (e.g., Bluetooth) and a wired communication device.
  • the terminal device 110 may include, but is not limited to: mobile phones, computers, smart voice interaction devices, smartwatches, virtual reality (VR), augmented reality (AR), smart home appliances, vehicle terminals, aircraft, point of sale (POS) terminals, cash registers, self-checkout systems, and QR code (payment code) boxes.
  • VR virtual reality
  • AR augmented reality
  • POS point of sale
  • QR code payment code
  • the backend server 120 can be the backend server corresponding to an application that implements biometric identification-related functions, such as a payment backend server.
  • the backend server 120 can also be the backend server corresponding to a mini-program that implements biometric identification-related functions.
  • the backend server can be the backend server corresponding to a membership points mini-program or a power bank rental mini-program.
  • the backend server 120 can be a standalone physical server, a server cluster or distributed system consisting of multiple physical servers, or a cloud server that provides basic cloud computing services such as cloud services, cloud databases, cloud computing, cloud functions, cloud storage, network services, cloud communication, middleware services, domain name services, security services, content delivery networks (CDN), and big data and artificial intelligence platforms.
  • cloud services such as cloud services, cloud databases, cloud computing, cloud functions, cloud storage, network services, cloud communication, middleware services, domain name services, security services, content delivery networks (CDN), and big data and artificial intelligence platforms.
  • the backend server 120 can obtain the current biometric features of the first object; based on the current biometric features and the first biometric features of each of the N objects, the identity information of the first object is identified; where N is a positive integer; if the identification of the identity information of the first object based on the current biometric features and the first biometric features of each of the N objects fails, the identity information of the first object is identified based on the current biometric features and the second biometric features of each of the N objects.
  • Figure 1 illustrates a terminal device.
  • the system architecture may include multiple terminal devices, all of which are connected to the backend server 120.
  • the system architecture used in the embodiments of this application is not limited to the system architecture shown in Figure 1.
  • Figure 2 is a flowchart of an identity recognition method provided in an embodiment of this application.
  • the method can be a backend server corresponding to an application that implements biometric recognition-related functions.
  • the backend server can be a payment backend server, a membership points mini-program, or a power bank rental mini-program, but it is not limited to these.
  • the method can include:
  • One possible approach is for the backend server to obtain the current biometric image of the first object; then, feature extraction is performed on the current biometric image to obtain the current biometric features of the first object.
  • the terminal device can capture a current biometric image of the first object using a camera module and send the image to a backend server.
  • a palm-swiping device can capture a current biometric image of the first object using its camera module and send the image to a backend server.
  • the backend server can input the currently acquired biometric image into a first neural network model to obtain the current biometric features of the first object.
  • the backend server can preprocess the current biometric image before inputting it into the first neural network model. Accordingly, the backend server can input the preprocessed current biometric image into the first neural network model to obtain the current biometric features of the first object.
  • the preprocessing includes at least one of the following, but is not limited to: image denoising and image enhancement.
  • the first neural network model can be a convolutional neural network (CNN), a recurrent neural network (RNN), a long short-term memory network (LSTM), a gated recurrent unit (GRU), a bidirectional long short-term memory network (BiLSTM), a bidirectional gated recurrent unit (BiGRU), a transformer, or a bidirectional encoder representation from transformers (BERT) model, but is not limited to these.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • LSTM long short-term memory network
  • GRU gated recurrent unit
  • BiLSTM bidirectional long short-term memory network
  • BiGRU bidirectional gated recurrent unit
  • transformer or a bidirectional encoder representation from transformers (BERT) model, but is not limited to these.
  • the terminal device can acquire the current biometric image of the first object through the camera module; and extract features from the current biometric image to obtain the current biometric features of the first object; the backend server receives the current biometric features of the first object sent by the terminal device.
  • the difference between feasible method two and feasible method one is that in feasible method two, the terminal device extracts features from the currently acquired biometric image, while in feasible method one, the backend server extracts features from the currently acquired biometric image. Therefore, the feature extraction method used by the terminal device for the currently acquired biometric image can refer to the feature extraction method used by the backend server, and will not be elaborated further.
  • the current biometrics of the first object can be fingerprint features, palm print features, iris features, facial features, etc., but are not limited to these.
  • S220 Based on the current biometric features and the first biometric features of each of the N objects, identify the identity information of the first object; where N is a positive integer;
  • the backend server has stored the first biometric features of each of the N objects.
  • the first biometric feature refers to the biometric feature used in the 1vN identity verification and 1v1 mobile phone number verification processes.
  • the first biometric feature is the biometric feature that has been stored for that object in the existing technology.
  • Each object has one first biometric feature.
  • the first biometric feature is also referred to as the master biometric feature or main feature.
  • the backend server can store one palm print feature for each of N objects for use in subsequent 1vN identity recognition and 1v1 mobile phone number verification processes.
  • the backend server can obtain multiple biometric features of that object, but only stores the best quality biometric feature of that object as the first biometric feature of that object.
  • the backend server can input the current biometrics of the first object and the first biometrics of the object into a second neural network model to obtain the similarity between the current biometrics of the first object and the first biometrics of the object, and identify the identity information of the first object based on the similarity and a first similarity threshold.
  • the backend server stores not only the object's first biometric feature, but also the object's identity information, where the object's identity information corresponds to the object's first biometric feature.
  • the backend server uses the identity information of the object corresponding to the first biometrics of the object as the identity information of the first object.
  • the backend server uses the identity information of the object corresponding to the first biometrics of the object as the identity information of the first object.
  • the second neural network model can be a CNN, RNN, LSTM, GRU, BiLSTM, BiGRU, Transformer, BERT model, but is not limited to these.
  • the backend server can input the current biometrics of the first object and the first biometrics of the object into a third neural network model to obtain a similarity score between the current biometrics of the first object and the first biometrics of the object, and identify the identity information of the first object based on the similarity score and the score threshold.
  • the backend server can use a third neural network model to calculate the similarity between the current biometrics of the first object and the first biometrics of the object, and determine the similarity score between the current biometrics of the first object and the first biometrics of the object based on the similarity.
  • the backend server stores not only the object's first biometric feature, but also the object's identity information, where the object's identity information corresponds to the object's first biometric feature.
  • the backend server uses the identity information of the object corresponding to the first biometrics of the object as the identity information of the first object.
  • the backend server uses the identity information of the object corresponding to the first biometrics of the object as the identity information of the first object.
  • the identity information of the first object includes at least one of the following, but is not limited to: basic information, contact information, account information, and address information.
  • S220 is the 1vN identity verification process.
  • the backend server has stored the second biometric features of each of the N objects.
  • the second biometric feature refers to the biometric feature used in the identity verification process proposed in this application embodiment; that is, the second biometric feature is not a biometric feature already stored for the object in the prior art.
  • Each object may have one or more second biometric features.
  • the second biometric feature is also referred to as a secondary biometric feature or sub-feature.
  • the biometric feature provided in this application embodiment is a palm print feature
  • the first biometric feature and multiple second biometric features of an object can be palm print features corresponding to palm print feature images collected from different angles.
  • the third similarity threshold may be less than or equal to the first similarity threshold mentioned above, but is not limited thereto.
  • the backend server uses the identity information of the object corresponding to the second biometric feature of the first object as the identity information of the first object.
  • the backend server uses the identity information of the object corresponding to the second biometric feature of the first object as the identity information of the first object.
  • the third scoring threshold may be less than or equal to the first scoring threshold mentioned above.
  • the fifth neural network model can be a CNN, RNN, LSTM, GRU, BiLSTM, BiGRU, Transformer, BERT model, but is not limited to these.
  • the backend server does not need to identify the identity information of the first object based on the current biometrics of the first object and the second biometrics of each object. Instead, it identifies the identity information of the first object based on the current biometrics of the first object and the second biometrics of the second object, thereby improving the efficiency of identity recognition.
  • the backend server can reduce the first similarity threshold used to identify the identity information of the first object based on the current biometrics of the first object and the first biometrics of each of the N objects, and obtain a second similarity threshold; calculate the similarity between the current biometrics of the first object and the first biometrics of each of the N objects; and determine the object among the N objects whose similarity is greater than the second similarity threshold as the second object.
  • the backend server can determine the adjustment range of the first similarity threshold based on the actual situation, and try to ensure that the second object selected using the second similarity threshold is the first object.
  • the backend server can reduce the first scoring threshold used to identify the identity information of the first object based on the current biometrics of the first object and the first biometrics of each of the N objects, and obtain a second scoring threshold; calculate the similarity between the current biometrics of the first object and the first biometrics of each of the N objects, determine the similarity scores corresponding to these similarities, and identify the objects among the N objects whose similarity scores are greater than the second scoring threshold as the second object.
  • the backend server can determine the adjustment range of the second scoring threshold based on the actual situation, in order to ensure as much as possible that the second object selected using the second scoring threshold is the first object.
  • the way the backend server identifies the identity information of the first object based on the current biometric feature of the first object and the second biometric feature of the second object can be understood as a 1v1 identity recognition method based on the second biometric feature.
  • the requirements of the 1v1 identity recognition method are usually slightly lower than those of the 1vN identity recognition method. Therefore, as mentioned above, the third similarity threshold can be less than the first similarity threshold, and the third score threshold can be less than the first score threshold.
  • the backend server stores two second biometric features of object 1: facial features when wearing a mask and facial features when wearing glasses. Both of these biometric features correspond to object 1's identity information.
  • the backend server obtains object 1's current facial features, and the similarity between the current facial features and the facial features when wearing a mask is 90%, which is greater than the third similarity threshold of 80%. Then, the backend server can determine object 1's identity information based on the correspondence between the facial features when wearing a mask and object 1's identity information.
  • the identity information of the first object is identified based on the similarity between the current biometrics of the first object and each second biometric of the second object, including: if the similarity score between the current biometrics of the first object and any second biometric of the second object is greater than a third score threshold, then the backend server uses the identity information of the object corresponding to the second biometric as the identity information of the first object.
  • the backend server stores two second biometric features of object 1: palmprint features when the lower left side of the palm is obscured, and palmprint features when the lower right side of the palm is obscured. Both of these biometric features correspond to object 1's identity information.
  • the backend server obtains object 1's current palmprint features, and the similarity score between the current palmprint features and the palmprint features when the lower left side of the palm is obscured is 9, which is greater than the third score threshold of 8. Then, the backend server can determine object 1's identity information based on the correspondence between the palmprint features when the lower left side of the palm is obscured and object 1's identity information.
  • the backend server stores two second biometric features of object 1: facial features when wearing a mask and facial features when wearing glasses. Both biometric features correspond to object 1's identity information.
  • the backend server obtains object 1's current facial features, and the similarity score between the current facial features and the facial features when wearing a mask is 9, which is greater than the third score threshold of 8. Then, the backend server can determine object 1's identity information based on the correspondence between the facial features when wearing a mask and object 1's identity information.
  • the backend server can calculate the similarity between the current biometric feature of the first object and multiple second biometric features of the second object in descending order of the quality of the images collected for each of the multiple second biometric features. If the similarity between the current biometric feature of the first object and the target second biometric feature of the second object is greater than a third similarity threshold, the backend server will use the identity information of the second object as the identity information of the first object and stop calculating the similarity between the current biometric feature of the first object and other second biometric features of the second object.
  • the backend server does not need to calculate the similarity between each second biometric feature of the second object and the current biometric feature of the first object. Instead, it calculates the similarity between the second biometric feature of the second object and the current biometric feature of the first object according to the quality order of the biometric feature images corresponding to each second biometric feature from high to low. As long as there is a similarity between the current biometric feature of the first object and a certain second biometric feature of the second object that is greater than the third similarity threshold, the similarity calculation can be stopped, thereby improving the efficiency of identity recognition.
  • the backend server can input any biometric image into the neural network model to obtain the quality score of the biometric image.
  • this application may refer to the neural network model here as the sixth neural network model.
  • the backend server can calculate the similarity score between the current biometric feature of the first object and multiple second biometric features of the second object in descending order of the quality of the images collected for each of the multiple second biometric features. If the similarity score between the current biometric feature of the first object and the target second biometric feature of the second object is greater than a third score threshold, the backend server will use the identity information of the second object as the identity information of the first object and stop calculating the similarity score between the current biometric feature of the first object and other second biometric features of the second object.
  • an object suspected to be the first object can be identified. This allows for the determination of the object's second biometric feature, and a comparison is made between the first object's current biometric feature and its second biometric feature to identify the first object's identity information.
  • an object suspected to be the first object is first identified. Then, the object's biometric features in other postures or environments are determined, and the first object's current biometric feature is compared with its features in those other postures or environments to identify the first object's identity information.
  • the backend server stores the palm print features of object 1 in both unobstructed and partially obstructed states.
  • the backend server obtains the current palm print features of object 1, it first uses a 1vN identity verification method to identify object 1. This includes comparing the current palm print features of object 1 with the palm print features of object 1 in the unobstructed state to identify object 1. If the identity verification of object 1 fails, and suppose the backend server detects object 1 by relaxing the identity verification conditions in the 1vN identity verification process, then the backend server can compare the current palm print features of object 1 with the stored palm print features in the partially obstructed state to identify object 1.
  • the backend server stores the facial features of object 1 with and without a mask.
  • the backend server obtains the current facial features of object 1, it first uses a 1vN identity verification method to identify object 1. This includes comparing the current facial features of object 1 with the facial features of object 1 without a mask. If the identity verification of object 1 fails, and suppose the backend server detects object 1 by relaxing the identity verification conditions in the 1vN verification process, then the backend server can compare the current facial features of object 1 with the stored facial features of object 1 with a mask to identify object 1.
  • the backend server can identify the identity information of the first object based on the terminal identifier of the first object.
  • the backend server can identify the first object's identity information based on the first object's terminal identifier.
  • the terminal identifier of the first object can be the mobile phone number of the first object, such as the last four digits of the mobile phone number, but is not limited to this.
  • the identification of the first object based on the terminal identifier of the first object includes: the backend server detecting the activation status of the first object's biometric identification-related functions based on the terminal identifier of the first object; if the first object has activated the biometric identification-related functions, the backend server identifies the identity information of the first object based on the first object's current biometrics and the first biometrics of the first object.
  • the activation status of the biometric identification-related functions of the first object includes two cases: the first object has activated the biometric identification-related functions and the first object has not activated the biometric identification-related functions.
  • the backend server identifies the identity information of the first object based on the first object's current biometrics and the first object's first biometrics, which refers to the current 1v1 identity recognition method.
  • the backend server identifies the identity information of the first object based on the similarity between the current biometric feature of the first object and the first biometric feature of the first object, including: if the similarity between the current biometric feature of the first object and the first biometric feature of the first object is greater than a fourth similarity threshold, then the backend server uses the identity information of the object corresponding to the first biometric feature as the identity information of the first object.
  • the backend server identifies the identity information of the first object based on the similarity between the current biometric feature of the first object and the first biometric feature of the first object, including: if the similarity between the current biometric feature of the first object and the first biometric feature of the first object is greater than or equal to a fourth similarity threshold, then the backend server uses the identity information of the object corresponding to the first biometric feature as the identity information of the first object.
  • the fourth similarity threshold is less than the first similarity threshold, but this is not the only possibility.
  • the backend server identifies the identity information of the first object based on the similarity between the current biometric feature of the first object and the first biometric feature of the first object, including: if the similarity score between the current biometric feature of the first object and the first biometric feature of the first object is greater than a fourth score threshold, then the backend server uses the identity information of the object corresponding to the first biometric feature as the identity information of the first object.
  • the backend server identifies the identity information of the first object based on the similarity between the current biometric feature of the first object and the first biometric feature of the first object, including: if the similarity score between the current biometric feature of the first object and the first biometric feature of the first object is greater than or equal to a fourth score threshold, then the backend server uses the identity information of the object corresponding to the first biometric feature as the identity information of the first object.
  • the fourth scoring threshold is less than the first scoring threshold, but this is not the only one.
  • the backend server can use the first object's current biometrics as its secondary biometrics and store it for subsequent identification of that object or other objects.
  • the backend server will use the first object's current biometrics as the first object's second biometrics and store the first object's second biometrics.
  • the backend server before the backend server uses the current biometrics of the first object as the second biometrics of the first object and stores the second biometrics of the first object, it can determine the quality score of the current biometric image corresponding to the current biometrics of the first object; accordingly, if the quality score of the current biometric image is greater than a preset score, the backend server uses the current biometrics of the first object as the second biometrics of the first object and stores the second biometrics of the first object.
  • the backend server can input the currently acquired biometric image into a neural network model to obtain a quality score for the currently acquired biometric image.
  • this neural network model can be referred to as the sixth neural network model.
  • the backend server can obtain training samples of the sixth neural network model; and train the sixth neural network model using the training samples of the sixth neural network model.
  • each training sample of the sixth neural network model may include: a biometric image to be scored and the actual quality score of the biometric image, wherein the actual quality score can serve as a sample label.
  • the training device may employ supervised training; for example, it may input the biometric image to be scored into the sixth neural network model and output the predicted quality score corresponding to the biometric image. Further, the training device may calculate a loss based on the predicted and actual quality scores included in all training samples, and adjust the parameters of the sixth neural network model based on this loss until the training iterations reach a preset number or the loss reaches its minimum value, at which point training stops.
  • the training device may use any of the following loss functions when training the sixth neural network model, but is not limited to: L1 loss function, mean squared error (MSE) loss function, cross-entropy loss function, etc.
  • L1 loss function mean squared error (MSE) loss function
  • MSE mean squared error
  • cross-entropy loss function etc.
  • Figure 3 is a schematic diagram of the sixth neural network model provided in the embodiment of this application.
  • the sixth neural network model may include: convolutional layers, residual layers and fully connected layers.
  • the loss function of the sixth neural network model can be as follows:
  • X represents the biometric image
  • f( ⁇ ) represents the objective function
  • Y represents the actual quality score corresponding to the biometric image, which serves as the sample label
  • M-1 represents the number of samples.
  • the sample labels for each training sample can be manually labeled or labeled automatically.
  • the training device can acquire M biometric images of a third object, where M is an integer greater than 1; select the highest quality target biometric image from the M biometric images; calculate the similarity between the target biometric image and the other M-1 biometric images (excluding the target biometric image); and combine the similarity scores of the other M-1 biometric images and the target biometric image to form M-1 training samples for the neural network model.
  • each training sample of the neural network model includes: a biometric image and its similarity score to the target biometric image, which can be used as the actual quality score of the biometric image.
  • the backend server can use a quality recognition module or software to select the highest quality target biometric image from the M biometric images, but is not limited to this.
  • Figure 4 is a schematic diagram of biometric image selection provided in an embodiment of this application.
  • the biometric image library can store multiple biometric images of at least one object.
  • the backend server can use a quality recognition module or software to identify the highest quality biometric image and the remaining biometric images of each object.
  • the backend server can use a quality recognition module or software to identify the highest quality biometric image and the remaining M-1 biometric images of the object.
  • the backend server can use a similarity calculation network or module to calculate the similarity between the target biometric image and the other M-1 biometric images (excluding the target biometric image) among the M biometric images.
  • the similarity between the other M-1 biometric images and the target biometric image is then used to form the M-1 training samples of the neural network model.
  • Figure 5 is a schematic diagram of the generation of training samples provided in the embodiment of this application.
  • the backend server can use a similarity calculation network or module to convert the target biometric image of an object into an embedding vector, and convert the remaining M-1 biometric images of the object into M-1 embedding vectors.
  • the Eulerian distance between the embedding vector corresponding to the target biometric image and each of the M-1 embedding vectors can be calculated.
  • the M-1 Eulerian distances are normalized to obtain the quality scores corresponding to the M-1 biometric images, which are the similarities between the other M-1 biometric images and the target biometric image.
  • the similarities between the other M-1 biometric images and the target biometric image are used to form M-1 training samples of the neural network model, and these training samples are stored in the training database.
  • Figure 6 is a schematic diagram of preprocessing and model training provided in an embodiment of this application.
  • the preprocessing process includes: the biometric image library can store multiple biometric images of at least one object; the backend server can use a quality recognition module or software to identify the highest quality biometric image of the object and the remaining M-1 biometric images of the object; the backend server can use a similarity calculation network or module to convert the target biometric image of an object into an embedding vector, and convert the remaining M-1 biometric images of the object into M-1 embedding vectors; further, the Euclidean distance between the embedding vector corresponding to the target biometric image and each of the M-1 embedding vectors can be calculated, and the M-1 Euclidean distances can be normalized to obtain the similarity between the other M-1 biometric images and the target biometric image; finally, the similarity between the other M-1 biometric images and the target biometric image is used to form M-1 training samples for the neural network model, and these training samples are stored in the training samples
  • the embodiments of this application can calculate the similarity between M-1 biometric images of the same object under different postures or environments and the highest quality biometric image of that object. For any biometric image among the M-1 biometric images, the higher the similarity, the higher the quality of the biometric image; the lower the similarity, the lower the quality.
  • the role of the sixth neural network model is to select biometric images of the same object under different postures or environments. Therefore, the training samples with the aforementioned automated annotation are consistent with the role of the sixth neural network model. These training samples can be used to train the sixth neural network model, enabling it to select biometric images of the same object under different postures or environments, and thus allowing these biometric images to be applied in the subsequent identity recognition process.
  • the storage method of the second biometric features of the above N objects is the same as that of the first object.
  • the object's current biometric features are used as the second biometric features and stored.
  • the backend server can trigger the first object to enable biometric recognition functions.
  • the backend server can use the first object's current biometrics as its first biometrics and store it. In other words, if the first object is a new object, the backend server can use its first biometrics as its primary biometrics and store it.
  • embodiments of this application may limit the number of second biometric features for each object to reduce the complexity of the identity recognition system.
  • a backend server can store up to five secondary biometrics of an object. If the number of secondary biometrics exceeds this limit, the backend server can choose to delete some of the secondary biometrics.
  • the identification of the first object fails based on the current biometrics of the first object and the second biometrics of each of the N objects, then the identification of the first object is performed based on the terminal identifier of the first object.
  • the backend server will identify the identity information of the first object based on the terminal identifier of the first object.
  • This application provides an identity recognition method, including: obtaining the current biometric features of a first object; recognizing the identity information of the first object based on the current biometric features of the first object and the first biometric features of N objects; wherein N is a positive integer; if the recognition of the identity information of the first object based on the current biometric features of the first object and the first biometric features of N objects fails, then the identity information of the first object is recognized based on the current biometric features of the first object and the second biometric features of N objects. Since when the 1vN identity recognition method fails to recognize the first object, it does not directly enter the current 1v1 phone number verification stage, but instead adds a stage for identity verification through the second biometric feature.
  • the identity verification stage provided in this application is an automated stage, which has a shorter recognition time compared to the 1v1 phone number verification stage. Therefore, the identity recognition method provided in this application can shorten the identity recognition time and eliminate the need for UI interaction by the object, ultimately improving the user experience.
  • the first and second biometric features can be biometric features extracted from biometric images of the object taken in different poses or environments. Therefore, the essential meaning of the identity recognition method provided in this application is that the backend server can store the biometric features of the same object in different poses or environments. During identity recognition, the backend server can compare the current biometric features of the same object with those in different poses or environments to identify the object's identity information. This approach can improve the accuracy of identity recognition.
  • Figure 7 is a flowchart of another identity recognition method provided in an embodiment of this application.
  • the method can be a backend server corresponding to an application that implements biometric recognition-related functions.
  • the backend server can be a payment backend server, a membership points mini-program, or a power bank rental mini-program, but it is not limited to these.
  • the method can include:
  • S702 Based on the current biometrics of the first object and the first biometrics of each of the N objects, identify the identity information of the first object; where N is a positive integer;
  • S703 Determine whether the identity information of the first object has been successfully recognized; if the recognition is successful, execute S704; if the recognition fails, execute S705.
  • S704 Execute subsequent tasks based on the identity information of the first object
  • S705 Relax the identity recognition conditions of the 1vN identity recognition method, and determine whether there is a second object among the N objects that is suspected to be the first object; if there is a second object, then execute S706; if there is no second object, then execute S709.
  • S707 Identify the identity information of the first object based on the current biometrics of the first object and the second biometrics of the second object;
  • S708 Determine whether the identity information of the first object has been successfully recognized; if the recognition is successful, execute S704; if the recognition fails, execute S709.
  • S710 Detect the activation status of biometric identification related functions of the first object based on the terminal identifier of the first object; if the first object has activated the biometric identification related functions, then execute S711; if the first object has not activated the biometric identification related functions, then execute S714.
  • terminal identifier of the first object corresponds to the activation status of the biometric identification-related functions of the first object.
  • S711 Identify the identity information of the first object based on the current biometrics of the first object and the first biometrics of the first object;
  • identity recognition method involved in S711 is the current 1v1 identity recognition method.
  • identity recognition method please refer to the above text. This application embodiment will not repeat it here.
  • S712 Determine whether the identity information of the first object has been successfully recognized; if the recognition is successful, then execute S713;
  • the backend server can trigger the terminal device to re-collect the biometric image of the first object, but this is not limited to this.
  • S713 Use the current biometrics of the first object as the second biometrics of the first object, and store the second biometrics of the first object;
  • S714 Trigger the first object to enable biometric recognition related functions, and use the current biometrics of the first object as the first biometrics of the first object, and store the first biometrics of the first object.
  • the identity recognition method provided in this application avoids directly entering the 1v1 phone number verification stage after a 1vN identity recognition failure. Instead, it adds a second biometric verification step.
  • the 1v1 phone number verification stage only begins if the second biometric verification fails. If the second biometric verification is successful, the 1v1 phone number verification stage is unnecessary, thus shortening the identity recognition time and eliminating the need for UI interaction, ultimately improving the user experience. Furthermore, it avoids the high training costs and incomplete coverage issues associated with identity recognition methods that rely on augmented data training.
  • FIG 8 is a schematic diagram of an identity recognition device 800 provided in an embodiment of this application.
  • the device 800 includes an acquisition module 810 and an identity recognition module 820.
  • the acquisition module 810 is used to acquire the current biometric features of a first object.
  • the identity recognition module 820 is used to: recognize the identity information of the first object based on the current biometric features of the first object and the first biometric features of N objects; where N is a positive integer; if the recognition of the identity information of the first object based on the current biometric features of the first object and the first biometric features of N objects fails, then the identity information of the first object is recognized based on the current biometric features of the first object and the second biometric features of N objects.
  • the identity recognition module 820 is specifically used to: recognize the identity information of the first object based on the current biometrics of the first object and the second biometrics of each of the N objects.
  • the identity recognition module 820 is specifically used to: detect a second object among N objects that is suspected to be the first object; if there is a second object among the N objects and the second object has a second biometric feature, then the identity information of the first object is recognized based on the current biometric feature of the first object and the second biometric feature of the second object.
  • the identity recognition module 820 is specifically used to: reduce the first similarity threshold used when recognizing the identity information of the first object based on the current biometrics of the first object and the first biometrics of each of the N objects, to obtain a second similarity threshold; calculate the similarity between the current biometrics of the first object and the first biometrics of each of the N objects; and identify the object among the N objects whose similarity is greater than the second similarity threshold as the second object.
  • the identity recognition module 820 is specifically used to: if the second object has multiple second biometric features, calculate the similarity between the current biometric feature of the first object and each second biometric feature of the second object; and recognize the identity information of the first object based on the similarity between the current biometric feature of the first object and each second biometric feature of the second object.
  • the identity recognition module 820 is specifically used to: if the second object has multiple second biometric features, calculate the similarity between the current biometric feature of the first object and multiple second biometric features of the second object in descending order of quality of the biometric feature images corresponding to each of the multiple second biometric features; if the similarity between the current biometric feature of the first object and the target second biometric feature of the second object is greater than a third similarity threshold, use the identity information of the second object as the identity information of the first object, and stop calculating the similarity between the current biometric feature of the first object and other second biometric features of the second object.
  • the identity recognition module 820 is also used to: if there is no second object among the N objects, then recognize the identity information of the first object based on the terminal identifier of the first object.
  • the identity recognition module 820 is also used to: if the second object does not have a second biometric feature, then identify the identity information of the first object based on the terminal identifier of the first object.
  • the identity recognition module 820 is specifically used to: detect the activation status of the biometric recognition-related functions of the first object based on the terminal identifier of the first object; if the first object has activated the biometric recognition-related functions, then identify the identity information of the first object based on the current biometrics of the first object and the first biometrics of the first object.
  • the device 800 further includes a storage model 830 for: if the identity information of the first object is successfully identified based on the current biometrics of the first object and the first biometrics of the first object, then the current biometrics of the first object is used as the second biometrics of the first object, and the second biometrics of the first object is stored.
  • the device 800 further includes a determination model 840, used to determine the quality score of the current biometric image corresponding to the current biometric of the first object before the storage model 830 uses the current biometric of the first object as the second biometric of the first object and stores the second biometric of the first object; correspondingly, the storage model 830 is specifically used to: if the quality score of the current biometric image is greater than a preset score, then use the current biometric of the first object as the second biometric of the first object and store the second biometric of the first object.
  • a determination model 840 used to determine the quality score of the current biometric image corresponding to the current biometric of the first object before the storage model 830 uses the current biometric of the first object as the second biometric of the first object and stores the second biometric of the first object.
  • model 840 is specifically used to: input the current biometric image into a neural network model to obtain a quality score for the current biometric image.
  • the device 800 further includes a training model 850, and the acquisition module 810 is also used to acquire training samples of the neural network model; the training model 850 is used to train the neural network model using the training samples of the neural network model.
  • the acquisition module 810 is specifically used to: acquire M biometric images of the third object; where M is an integer greater than 1; select the target biometric image with the highest quality among the M biometric images; calculate the similarity between the other M-1 biometric images (excluding the target biometric image) and the target biometric image; and form M-1 training samples for the neural network model by combining the similarity between the other M-1 biometric images and the target biometric image.
  • the device 800 also includes a triggering model 860, wherein if the first object has not enabled biometric identification-related functions, the triggering model 860 is used to trigger the first object to enable biometric identification-related functions.
  • the storage model 830 is also used to use the current biometrics of the first object as the first biometrics of the first object and store the first biometrics of the first object.
  • the acquisition module 810 is specifically used to: acquire the current biometric image of the first object; and extract features from the current biometric image to obtain the current biometric features of the first object.
  • the device embodiments and method embodiments can correspond to each other, and similar descriptions can be referred to the method embodiments. To avoid repetition, they will not be repeated here.
  • the device 800 shown in FIG8 can execute the method embodiments corresponding to FIG2 and FIG7, and the foregoing and other operations and/or functions of each module in the device 800 are respectively to implement the corresponding processes in the methods in FIG2 and FIG7. For the sake of brevity, they will not be repeated here.
  • the apparatus 800 of this application embodiment has been described above from the perspective of functional modules in conjunction with the accompanying drawings. It should be understood that this functional module can be implemented in hardware, in software instructions, or in a combination of hardware and software modules. Specifically, the steps of the method embodiments in this application can be completed by integrated logic circuits in the processor's hardware and/or by software instructions. The steps of the method disclosed in this application embodiment can be directly embodied as being executed by a hardware decoding processor, or by a combination of hardware and software modules in the decoding processor.
  • the software module can be located in a mature storage medium in the art, such as random access memory, flash memory, read-only memory, programmable read-only memory, electrically erasable programmable memory, registers, etc. This storage medium is located in memory, and the processor reads information from the memory and, in conjunction with its hardware, completes the steps in the above method embodiments.
  • FIG. 9 is a schematic block diagram of an electronic device 900 provided in an embodiment of this application.
  • the electronic device 900 may be the aforementioned backend server, but is not limited thereto.
  • the electronic device 900 may include:
  • the system includes a memory 910 and a processor 920.
  • the memory 910 stores a computer program 930 and transfers the computer program 930 to the processor 920.
  • the processor 920 can retrieve and run the computer program 930 from the memory 910 to implement the methods described in the embodiments of this application.
  • the processor 920 can be used to execute the steps in the above method according to the instructions in the computer program 930.
  • the processor 920 may include, but is not limited to:
  • DSPs digital signal processors
  • ASICs application-specific integrated circuits
  • FPGAs field-programmable gate arrays
  • the memory 910 includes, but is not limited to:
  • Non-volatile memory can be read-only memory (ROM), programmable read-only memory (PROM), erasable programmable read-only memory (EPROM), electrically erasable programmable read-only memory (EEPROM), or flash memory.
  • Volatile memory can be random access memory (RAM), used as an external cache.
  • RAM random access memory
  • SRAM Static Random Access Memory
  • DRAM Dynamic Random Access Memory
  • SDRAM Synchronous DRAM
  • DDR SDRAM Double Data Rate SDRAM
  • ESDRAM Double Data Rate SDRAM
  • ESDRAM Synchronous DRAM
  • SLDRAM Synchronous Link DRAM
  • DR RAM Direct Rambus RAM
  • the computer program 930 may be divided into one or more modules, which are stored in the memory 910 and executed by the processor 920 to perform the method provided in this application.
  • the one or more modules may be a series of computer program instruction segments capable of performing specific functions, which describe the execution process of the computer program 930 in the electronic device.
  • the electronic device 900 may further include:
  • Transceiver 940 which can be connected to processor 920 or memory 910.
  • the processor 920 can control the transceiver 940 to communicate with other devices; specifically, it can send information or data to other devices or receive information or data sent by other devices.
  • the transceiver 940 may include a transmitter and a receiver.
  • the transceiver 940 may further include antennas, and the number of antennas may be one or more.
  • a bus system which includes a data bus, a power bus, a control bus, and a status signal bus.
  • a computer storage medium that stores a computer program thereon, which, when executed by a computer, enables the computer to perform the methods of the above-described method embodiments.
  • embodiments of this application also provide a computer program product containing instructions that, when executed by a computer, cause the computer to perform the methods of the above-described method embodiments.
  • a computer program product or computer program comprising computer instructions stored in a computer-readable storage medium.
  • a processor of a computer device reads the computer instructions from the computer-readable storage medium and executes the computer instructions, causing the computer device to perform the method described in the above-described method embodiments.
  • This computer program product includes one or more computer instructions.
  • the computer can be a general-purpose computer, a special-purpose computer, a computer network, or other programmable device.
  • the computer instructions can be stored in a computer-readable storage medium or transmitted from one computer-readable storage medium to another.
  • the computer instructions can be transmitted from one website, computer, server, or data center to another via wired (e.g., coaxial cable, fiber optic, digital subscriber line (DSL)) or wireless (e.g., infrared, wireless, microwave, etc.) means.
  • the computer-readable storage medium can be any available medium accessible to a computer or a data storage device such as a server or data center that integrates one or more available media.
  • the available media can be magnetic media (e.g., floppy disks, hard disks, magnetic tapes), optical media (e.g., digital video discs (DVDs)), or semiconductor media (e.g., solid-state disks (SSDs)).
  • modules and algorithm steps of the various examples described in conjunction with the embodiments disclosed herein can be implemented in electronic hardware, or a combination of computer software and electronic hardware. Whether these functions are implemented in hardware or software depends on the specific application and design constraints of the technical solution. Those skilled in the art can use different methods to implement the described functions for each specific application, but such implementation should not be considered beyond the scope of this application.
  • the modules described as separate components may or may not be physically separate.
  • the components shown as modules may or may not be physical modules; that is, they may be located in one place or distributed across multiple network units. Some or all of the modules can be selected to implement the solution of this embodiment according to actual needs.
  • the functional modules in the various embodiments of this application may be integrated into one processing module, or each module may exist physically separately, or two or more modules may be integrated into one module.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请提供了一种身份识别方法、装置、设备、介质及程序产品，可以涉及互联网技术，该方法包括：获取第一对象的当前生物特征；基于当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；若基于第一对象的当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于第一对象的当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。从而可以提高对象体验感。

Description

身份识别方法、装置、设备、介质及程序产品
本申请要求于2024年07月16日提交中国专利局、申请号为202410959766.6、发明名称为“身份识别方法、装置、设备、介质及程序产品”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请实施例涉及互联网技术领域，尤其涉及一种身份识别方法、装置、设备、介质及程序产品。
背景技术
随着互联网技术的不断发展，对象身份识别应用到了越来越多的业务场景，如支付场景、会员积分场景等等，从而便利了对象生活。
目前用于实现身份识别的服务器可以存储每个对象的一个生物特征，比如，掌纹特征、人脸特征、或者虹膜特征等等。终端设备可以采集某个对象的当前生物特征图像，并将该图像发送给服务器；服务器对该图像进行特征提取，得到该对象的当前生物特征；进一步地，服务器可以基于该当前生物特征和N个对象的生物特征，对该对象进行身份信息识别；该身份信息识别方式可以被称为1vN身份识别方式；如果通过1vN身份识别方式对该对象的身份信息识别成功，那么服务器可以基于该对象的身份信息进行支付、会员积分等；如果通过1vN身份识别方式对该对象的身份信息识别失败，那么服务器需要引导对象在上述终端设备上输入手机号，以确定该手机号对应的该对象的已被存储的生物特征，并基于该对象的当前生物特征和该对象的已被存储的生物特征对该对象进行身份信息识别；该身份信息识别方式可以被称为1v1身份识别方式，通常1v1身份识别方式相对于1vN身份识别方式的识别要求略低。通过1v1身份识别方式实现的身份识别阶段也被称为1v1加验阶段或1v1手机号加验阶段。
然而，在一些复杂场景下，由于对象姿态、环境因素等影响，例如，在掌纹识别场景下，由于掌纹角度的影响，导致部分手掌区域的特征不明显，或者，由于环境变化，比如手掌出现污渍情况，导致部分手掌区域的特征不明显甚至丢失。从而导致通过1vN身份识别方式对该对象的身份信息识别失败，进而经常需要进行1v1手机号加验阶段，导致身份识别时间较长，并且需要对象进行用户界面(User Interface，UI)交互，最终导致对象体验感不佳的问题。
发明内容
本申请实施例提供一种身份识别方法、装置、设备、介质及程序产品，从而可以提高对象体验感。
第一方面，本申请实施例提供一种身份识别方法，包括：获取第一对象的当前生物特征；基于当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；若基于当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。
第二方面，本申请实施例提供一种身份识别装置，包括：获取模块和身份识别模块，其中，获取模块用于获取第一对象的当前生物特征；身份识别模块用于：基于当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；若基于当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块具体用于：基于当前生物特征和N个对象中的每个对象各自的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块具体用于：检测N个对象中疑似是第一对象的第二对象；若N个对象中存在第二对象，且第二对象具有第二生物特征，则基于当前生物特征和第二对象的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块具体用于：调小基于当前生物特征和N个对象各自的第一生物特征对第一对象的身份信息进行识别时所使用的第一相似度阈值，得到第二相似度阈值；计算当前生物特征与N个对象各自的第一生物特征的相似度；将N个对象中相似度大于第二相似度阈值的对象确定为第二对象。
在一些可实现方式中，身份识别模块具体用于：调小基于当前生物特征和N个对象各自的第一生物特征对第一对象的身份信息进行识别时所使用的第一得分阈值，得到第二得分阈值；计算当前生物特征与N个对象各自的第一生物特征的相似度，并确定每个相似度对应的相似度得分；将N个对象中相似度得分大于第二得分阈值的对象确定为第二对象。
在一些可实现方式中，身份识别模块具体用于：若第二对象具有多个第二生物特征，则计算当前生物特征与第二对象的每个第二生物特征的相似度；基于当前生物特征和第二对象的每个第二生物特征的相似度，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块具体用于：若第二对象具有多个第二生物特征，则按照多个第二生物特征各自对应的生物特征采集图像由高至低的质量顺序，依次计算当前生物特征与第二对象的多个第二生物特征的相似度；若当前生物特征与第二对象的目标第二生物特征的相似度大于第三相似度阈值，则将第二对象的身份信息作为第一对象的身份信息，并停止计算当前生物特征与第二对象的其他第二生物特征的相似度。
在一些可实现方式中，身份识别模块还用于：若N个对象中不存在第二对象，则基于第一对象的终端标识对第一对象进行身份信息识别。
在一些可实现方式中，身份识别模块还用于：若第二对象不具有第二生物特征，则基于第一对象的终端标识对第一对象进行身份信息识别。
在一些可实现方式中，身份识别模块具体用于：基于第一对象的终端标识检测第一对象的生物特征识别相关功能的开通情况；若第一对象已开通生物特征识别相关功能，则基于当前生物特征与第一对象的第一生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，该装置还包括存储模型，用于：若基于当前生物特征与第一对象的第一生物特征对第一对象的身份信息识别成功，则将当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。
在一些可实现方式中，该装置还包括确定模型，用于在存储模型将当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征之前，确定当前生物特征对应的当前生物特征采集图像的质量得分；相应的，存储模型具体用于：若当前生物特征采集图像的质量得分大于预设得分，则将当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。
在一些可实现方式中，确定模型具体用于：将当前生物特征采集图像输入神经网络模型，得到当前生物特征采集图像的质量得分。
在一些可实现方式中，该装置还包括训练模型，获取模块还用于获取神经网络模型的训练样本；训练模型用于通过神经网络模型的训练样本，训练神经网络模型。
在一些可实现方式中，获取模块具体用于：获取第三对象的M幅生物特征图像；其中，M为大于1的整数；选择M幅生物特征图像中质量最高的目标生物特征图像；计算M幅生物特征图像中除目标生物特征图像以外的其他M-1幅生物特征图像分别与目标生物特征图像的相似度；将其他M-1幅生物特征图像以及其他M-1幅生物特征图像各自与目标生物特征图像的相似度组成神经网络模型的M-1个训练样本。
在一些可实现方式中，该装置还包括触发模型，其中，若第一对象未开通生物特征识别相关功能，则触发模型用于触发第一对象开通生物特征识别相关功能。
在一些可实现方式中，若第一对象未开通生物特征识别相关功能，则存储模型还用于将当前生物特征作为第一对象的第一生物特征，并存储第一对象的第一生物特征。
在一些可实现方式中，获取模块具体用于：获取第一对象的当前生物特征采集图像；对当前生物特征采集图像进行特征提取，得到第一对象的当前生物特征。
第三方面，本申请实施例提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或其各实现方式中的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，用于存储计算机程序，计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
第六方面，本申请实施例提供一种计算机程序，计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
通过本申请提供的技术方案，使得在通过1vN方式对对象身份识别失败后，不直接进入1v1手机号加验阶段，而是增加通过第二生物特征进行加验身份识别的环节，只有在该环节加验失败时，才进入1v1手机号加验阶段，当通过第二生物特征识别成功时，无需进入1v1手机号加验阶段，从而可以缩短身份识别时间，并且可以无需对象进行UI交互，最终提高对象体验感。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例涉及的一种系统架构示意图；
图2为本申请实施例提供的一种身份识别方法的流程图；
图3为本申请实施例提供的第六神经网络模型的示意图；
图4为本申请实施例提供的生物特征图像选择示意图；
图5为本申请实施例提供的训练样本的生成示意图；
图6为本申请实施例提供的预处理和模型训练示意图；
图7为本申请实施例提供的另一种身份识别方法的流程图；
图8为本申请实施例提供的一种身份识别装置800的示意图；
图9是本申请实施例提供的电子设备900的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明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、产品或服务器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。
本申请实施例中，术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分，并与其他相关部分一起工作以实现预定目标，并且可以通过使用软件、硬件(如处理电路或存储器)或其组合来全部或部分实现。同样的，一个处理器(或多个处理器或存储器)可以用来实现一个或多个模块或单元。此外，每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。
本申请实施例可以涉及互联网技术中的移动支付，例如刷掌支付。
其中，互联网技术是指在计算机技术的基础上开发建立的一种信息技术，它通过将个别的电脑或网络联系在一起，共同构成特定的网络系统，并实现信息的传输和共享。
移动支付是指移动客户端利用手机等电子产品来进行电子货币支付，移动支付将互联网、终端设备、金融机构有效地联合起来，形成了一个新型的支付体系。移动支付开创了新的支付方式，使电子货币开始普及。
刷掌支付技术是一种基于生物识别技术的支付方式，其主要利用掌纹识别技术来实现支付。掌纹识别技术通过扫描手掌的纹理特征，提取出独特的掌纹特征，与预先存储的掌纹特征进行比对，以验证对象身份，并完成支付。刷掌支付技术的优点在于其高安全性和高精准度。每个人的掌纹都是独一无二的，因此很难被复制或伪造，这大大提高了支付的安全性。同时，掌纹识别技术也具有很高的识别精度，能够准确判断对象身份，减少误判和错误支付的风险。此外，刷掌支付技术还具有便捷性。对象无需携带任何实体卡片或手机，只需将手掌放置在刷掌支付设备上即可完成支付，这大大简化了支付流程，提高了支付效率。
刷掌支付技术还可以采用掌纹+掌静脉识别技术，能够适应复杂的光线环境，提高支付效率的同时也简化了对象操作。
在本申请实施例中，可以通过终端设备，如刷掌设备和支付后台服务器进行对象身份识别之后，进而实现移动支付。
应理解的是，本申请实施例可以不限于涉及互联网技术中的移动支付，例如可以涉及互联网技术中的会员积分、刷掌实现免租金租借充电宝等技术。
在介绍本申请技术方案之前，下面先对本申请的相关知识进行说明：
一、生物特征，是指与生物体相关的独特、可测量的物理或行为特性，这些特性可以用于识别或验证对象身份。常见的生物特征包括：指纹特征、掌纹特征、虹膜特征、人脸特征等等。
二、1vN身份识别方式，指的是基于当前获取到的一个当前生物特征和N个已存储生物特征进行身份识别的方式，具体可以计算该当前生物特征和N个已存储生物特征中的每个生物特征的相似度，选择N个已存储生物特征中对应相似度大于相似度阈值的生物特征，并将该生物特征对应的对象身份信息作为当前生物特征对应的对象的身份信息。
三、1v1身份识别方式，指的是基于当前获取到的一个当前生物特征和一个已存储生物特征进行身份识别的方式，具体可以计算该当前生物特征和一个已存储生物特征的相似度，若该相似度大于相似度阈值，则将该生物特征对应的对象身份信息作为当前生物特征对应的对象的身份信息。
四、刷掌支付：一种通过用户的手掌纹理进行支付认证的支付方式。
五、即时通信客户端，是一种基于互联网技术的通信工具，允许用户之间实时地通过文字、语音、视频等方式进行交流。常见的即时通信客户端包括微信、QQ、企业微信等，但不限于此。这些通信工具通常提供即时消息、语音通话、视频通话、文件传输等功能，使用户能够方便地进行交流和协作。
下面将对本申请实施例所要解决的技术问题、发明构思和系统架构进行说明：
如上所述，在一些复杂场景下，由于对象姿态、环境因素等影响，例如，在掌纹识别场景下，由于掌纹角度的影响，导致部分手掌区域的特征不明显，或者，由于环境变化，比如手掌出现污渍情况，导致部分手掌区域的特征不明显甚至丢失。从而导致通过1vN身份识别方式对该对象的身份信息识别失败，进而经常需要进行1v1手机号加验阶段，导致身份识别时间较长，并且需要对象进行UI交互，最终导致对象体验感不佳的问题。
在相关技术中，对于这类由于对象姿态、环境等原因导致身份识别的情况，主要通过增广训练数据对1vN身份识别阶段所采用的神经网络模型进行训练，来提升模型的泛化能力和鲁棒性，具体地，需要获得更多对象姿态、环境下的训练数据来训练神经网络模型，以使得即使对象姿态、环境等因素发生了变化，也可以对对象进行身份识别。但是实际情况下，一方面，这些训练数据可能无法覆盖到所有的姿态、环境变化情况，导致1vN身份识别方式仍然存在失败的可能；另一方面，训练数据的增广会造成训练成本增大。
为了解决上述技术问题，本申请提出后台服务器可以存储一个对象的多个生物特征，例如可以存储该对象在不同姿态或者不同环境下的生物特征，使得在通过1vN方式对对象身份识别失败后，不直接进入1v1手机号加验阶段，而是增加通过第二生物特征进行加验身份识别的环节，只有在该环节加验失败时，才进入1v1手机号加验阶段，当通过第二生物特征识别成功时，无需进入1v1手机号加验阶段，从而可以缩短身份识别时间，并且可以无需对象进行UI交互，最终提高对象体验感。
在一些可实现方式中，本申请实施例的系统架构如图1所示。
图1为本申请实施例涉及的一种系统架构示意图，终端设备110和后台服务器120。其中，终端设备110和后台服务器120可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
其中，终端设备110上可以安装有用于实现生物特征识别相关功能的应用(Application，APP)。所谓生物特征识别相关功能可以是基于生物特征识别得到的身份信息进行的支付、会员积分、免租金租借充电宝等功能，但不限于此。
在一些可实现方式中，生物特征识别相关功能的应用可以是支付应用、会员应用，租借充电宝应用等，但不限于此。
在一些可实现方式中，支付应用可以是支持支付功能的任何应用，例如，该支付应用可以是具有支付功能的即时通信客户端。
在一些可实现方式中，终端设备110上安装有摄像头模组，用于采集生物特征图像，该摄像头模组中可以包括图像采集器件和通信器件；图像采集器件例如可以是三维摄像头，其中可以添加与图像质量检测相关的软硬件，包括深度相机和红外相机；通信器件可以为无线通信器件(例如蓝牙)和有线通信器件中的至少一种。
在一些可实现方式中，终端设备110可以包括但不限于：手机、电脑、智能语音交互设备、智能手表、虚拟现实(Virtual Reality，VR)、增强现实(Augmented Reality，AR)、智能家电、车载终端、飞行器、销售点终端(Point of Sale，POS)机、收银机、自助结账系统、扫码(支付码)盒子等。
在一些可实现方式中，后台服务器120可以是用于实现生物特征识别相关功能的应用对应的后台服务器，例如是支付后台服务器，后台服务器120还可以是用于实现生物特征识别相关功能的小程序对应的后台服务器，例如，当生物特征识别相关功能的应用是即时通信客户端时，该后台服务器可以是会员积分小程序或者租借充电宝小程序对应的后台服务器。
在一些可实现方式中，后台服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、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、内容分发网络(Content Delivery Network，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。
其中，后台服务器120可以获取第一对象的当前生物特征；基于当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；若基于当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。
图1示例性地示出了一个终端设备，可选地，该系统架构中可以包括多个终端设备，这些终端设备均与后台服务器120连接，总之，本申请实施例所应用的系统架构不限于图1所示的系统架构。
在介绍本申请实施例之前，需要说明的是，本申请实施例涉及的信息，包括：生物特征、对象身份信息、生物特征图像等等均为经相关对象授权或者经过各方充分授权的，且相关信息的收集、使用和处理均遵守相关国家和地区的相关法律法规和标准。
下面将对本申请实施例进行详细阐述：
图2为本申请实施例提供的一种身份识别方法的流程图，如图2所示，该方法可以是用于实现生物特征识别相关功能的应用对应的后台服务器，例如该后台服务器可以是支付后台服务器、会员积分小程序或者租借充电宝小程序对应的后台服务器，但不限于此，如图2所示，该方法可以包括：
S210：获取第一对象的当前生物特征；
可实现方式一，后台服务器可以获取第一对象的当前生物特征采集图像；对当前生物特征采集图像进行特征提取，得到第一对象的当前生物特征。
在一些可实现方式中，终端设备可以通过摄像模组采集第一对象的当前生物特征采集图像，并将该当前生物特征采集图像发送给后台服务器。例如，刷掌设备可以通过其上的摄像模组采集第一对象的当前生物特征采集图像，并将该当前生物特征采集图像发送给后台服务器。
在一些可实现方式中，后台服务器可以将当前生物特征采集图像输入第一神经网络模型，以得到第一对象的当前生物特征。
在一些可实现方式中，后台服务器在将当前生物特征采集图像输入第一神经网络模型之前，可以对当前生物特征采集图像进行预处理，相应的，后台服务器可以将预处理后的当前生物特征采集图像输入第一神经网络模型，以得到第一对象的当前生物特征。
在一些可实现方式中，所述预处理包括以下至少一项，但不限于此：图像去噪、图像增强。
在一些可实现方式中，该第一神经网络模型可以是卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network,RNN)、长短时记忆网络(Long Short-Term Memory,LSTM)、门控循环单元(Gated Recurrent Unit,GRU)、双向长短时记忆网络(Bidirectional LSTM,BiLSTM)、双向门控循环单元(Bidirectional GRU,BiGRU)、变换器(Transformer)、基于变换器的双向编码器表示(Bidirectional Encoder Representations from Transformers，BERT)模型，但不限于此。
可实现方式二，终端设备可以通过摄像模组采集第一对象的当前生物特征采集图像；并对当前生物特征采集图像进行特征提取，得到第一对象的当前生物特征；后台服务器接收该终端设备发送的第一对象的当前生物特征。
应理解的是，可实现方式二与可实现方式一的区别在于：在可实现方式二中是由终端设备对当前生物特征采集图像进行特征提取，而在可实现方式一中是由后台服务器对当前生物特征采集图像进行特征提取。基于此，终端设备对当前生物特征采集图像的特征提取方式可以参考后台服务器对当前生物特征采集图像的特征提取方式，对此不再赘述。
在一些可实现方式中，第一对象的当前生物特征可以是指纹特征、掌纹特征、虹膜特征、人脸特征等等，但不限于此。
S220：基于当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；
应理解的是，后台服务器已存储N个对象各自的第一生物特征。对于N个对象中的每个对象，该对象的第一生物特征指的是在1vN身份识别环节和1v1手机号加验环节所使用的生物特征，也就是说，第一生物特征是现有技术中该对象已被存储的生物特征。其中，每个对象具有一个第一生物特征。其中，第一生物特征也被称为主生物特征或者主特征。
例如，假设本申请实施例中的生物特征指的是掌纹特征，那么后台服务器可以存储N个对象各自的一个掌纹特征，以供后续进行1vN身份识别环节和1v1手机号加验环节使用。
应理解的是，对于N个对象中的每个对象，后台服务器可以获取该对象的多个生物特征，但仅存储该对象的质量最好的一个生物特征作为该对象的第一生物特征。
在一些可实现方式中，针对N个对象中的每个对象，后台服务器可以将第一对象的当前生物特征与该对象的第一生物特征输入第二神经网络模型，得到第一对象的当前生物特征与该对象的第一生物特征的相似度，并基于该相似度和第一相似度阈值对第一对象的身份信息进行识别。
应理解的是，针对N个对象中的每个对象，后台服务器除了存储该对象的第一生物特征以外，还存储该对象的身份信息，其中，该对象的身份信息与该对象的第一生物特征具有对应关系。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第一生物特征的相似度大于第一相似度阈值，则后台服务器将该对象的第一生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第一生物特征的相似度大于或等于第一相似度阈值，则后台服务器将该对象的第一生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，该第二神经网络模型可以是CNN、RNN、LSTM、GRU、BiLSTM、BiGRU、Transformer、BERT模型，但不限于此。
在一些可实现方式中，针对N个对象中的每个对象，后台服务器可以将第一对象的当前生物特征与该对象的第一生物特征输入第三神经网络模型，得到第一对象的当前生物特征与该对象的第一生物特征的相似度得分，并基于该相似度得分和得分阈值对第一对象的身份信息进行识别。
在一些可实现方式中，针对N个对象中的每个对象，后台服务器利用第三神经网络模型可以计算第一对象的当前生物特征与该对象的第一生物特征的相似度，并基于该相似度确定第一对象的当前生物特征与该对象的第一生物特征的相似度得分。
在一些可实现方式中，【0,1】的相似度区间可以被划分为多个子区间，每个子区间对应一个相似度得分，基于此，后台服务器利用第三神经网络模型确定第一对象的当前生物特征与该对象的第一生物特征的相似度对应的相似度子区间，并将该子区间对应的相似度得分，确定为第一对象的当前生物特征与该对象的第一生物特征的相似度得分。
例如，假设相似度【0,1】被划分为10个子区间，分别是[0,0.1],(0.1,0.2],(0.2,0.3],(0.3,0.4],(0.4,0.5],(0.5,0.6],(0.6,0.7],(0.7,0.8],(0.8,0.9],(0.9,1]，它们分别对应的相似度得分分别是：1,2,3,4,5,6,7,8,9,10。
应理解的是，针对N个对象中的每个对象，后台服务器除了存储该对象的第一生物特征以外，还存储该对象的身份信息，其中，该对象的身份信息与该对象的第一生物特征具有对应关系。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第一生物特征的相似度得分大于第一得分阈值，则后台服务器将该对象的第一生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第一生物特征的相似度得分大于或等于第一得分阈值，则后台服务器将该对象的第一生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，该第三神经网络模型可以是CNN、RNN、LSTM、GRU、BiLSTM、BiGRU、Transformer、BERT模型，但不限于此。
应理解的是，第一对象的身份信息用于实现后续的支付任务、会员积分任务或者免租金租借充电宝任务等等。
在一些可实现方式中，第一对象的身份信息包括以下至少一项信息，但不限于此：基本信息、联系方式、账户信息、地址信息。
在一些可实现方式中，第一对象的基本信息包括以下至少一项信息，但不限于此：第一对象的姓名、性别、年龄、身份证号。
在一些可实现方式中，第一对象的联系方式包括以下至少一项信息，但不限于此：第一对象的电话号码、邮箱地址。
在一些可实现方式中，第一对象的账户方式包括以下至少一项信息，但不限于此：第三方支付帐号、银行卡信息、即时通信客户端支付账号。
应理解的是，S220是1vN身份识别环节。
S230：若基于当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。
应理解的是，后台服务器已存储N个对象各自的第二生物特征。对于N个对象中的每个对象，该对象的第二生物特征指的是在本申请实施例所提出的加验身份识别环节所使用的生物特征，也就是说，第二生物特征不是现有技术中该对象已被存储的生物特征。其中，每个对象可以具有一个或多个第二生物特征。其中，第二生物特征也被称为次生物特征或者次特征。
在一些可实现方式中，针对任一个对象，该对象的第一生物特征与第二生物特征可以是基于该对象在不同姿态或不同环境下所采集的生物特征图像所提取到的生物特征。假设该对象包括多个第二生物特征，这些第二生物特征也可以是基于该对象在不同姿态或不同环境下所采集的生物特征图像所提取到的生物特征。
例如，假设本申请实施例所提供的生物特征是掌纹特征，那么某个对象的第一生物特征和多个第二生物特征可以分别是在不同角度采集的掌纹特征图像对应的掌纹特征。
例如，假设本申请实施例所提供的生物特征是掌纹特征，那么某个对象的第一生物特征和多个第二生物特征可以分别是在无遮挡情况下和局部区域被遮挡情况下采集的掌纹特征图像对应的掌纹特征。
例如，假设本申请实施例所提供的生物特征是人脸特征，那么某个对象的第一生物特征和多个第二生物特征可以分别是在不同角度采集的人脸特征图像对应的人脸特征。
例如，假设本申请实施例所提供的生物特征是人脸特征，那么某个对象的第一生物特征和一个第二生物特征可以分别是该对象在未戴口罩情况下和戴口罩情况下采集的人脸特征图像对应的人脸特征。
在一些可实现方式中，后台服务器可以基于第一对象的当前生物特征和N个对象中的每个对象各自的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，针对N个对象中的每个对象，针对该对象的每个第二生物特征，后台服务器可以将第一对象的当前生物特征与该对象的第二生物特征输入第四神经网络模型，得到第一对象的当前生物特征与该对象的第二生物特征的相似度，并基于该相似度和第三相似度阈值对第一对象的身份信息进行识别。
应理解的是，针对N个对象中的每个对象，后台服务器除了存储该对象的第二生物特征以外，还存储该对象的身份信息，其中，该对象的身份信息与该对象的第二生物特征具有对应关系。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第二生物特征的相似度大于第三相似度阈值，则后台服务器将该对象的第二生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第二生物特征的相似度大于或等于第三相似度阈值，则后台服务器将该对象的第二生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，该第三相似度阈值可以小于或等于上述第一相似度阈值，但不限于此。
在一些可实现方式中，该第四神经网络模型可以是CNN、RNN、LSTM、GRU、BiLSTM、BiGRU、Transformer、BERT模型，但不限于此。
在一些可实现方式中，针对N个对象中的每个对象，后台服务器可以将第一对象的当前生物特征与该对象的第二生物特征输入第五神经网络模型，得到第一对象的当前生物特征与该对象的第二生物特征的相似度得分，并基于该相似度得分和得分阈值对第一对象的身份信息进行识别。
在一些可实现方式中，针对N个对象中的每个对象，后台服务器利用第五神经网络模型可以计算第一对象的当前生物特征与该对象的第二生物特征的相似度，并基于该相似度确定第一对象的当前生物特征与该对象的第二生物特征的相似度得分。
在一些可实现方式中，【0,1】的相似度区间可以被划分为多个子区间，每个子区间对应一个相似度得分，基于此，后台服务器利用第五神经网络模型确定第一对象的当前生物特征与该对象的第二生物特征的相似度对应的相似度子区间，并将该子区间对应的相似度得分，确定为第一对象的当前生物特征与该对象的第二生物特征的相似度得分。
例如，假设相似度【0,1】被划分为10个子区间，分别是[0,0.1],(0.1,0.2],(0.2,0.3],(0.3,0.4],(0.4,0.5],(0.5,0.6],(0.6,0.7],(0.7,0.8],(0.8,0.9],(0.9,1]，它们分别对应的相似度得分分别是：1,2,3,4,5,6,7,8,9,10。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第二生物特征的相似度得分大于第三得分阈值，则后台服务器将该对象的第二生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，针对N个对象中的每个对象，若第一对象的当前生物特征与该对象的第二生物特征的相似度得分大于或等于第三得分阈值，则后台服务器将该对象的第二生物特征对应的该对象的身份信息作为该第一对象的身份信息。
在一些可实现方式中，该第三得分阈值可以小于或等于上述第一得分阈值。
在一些可实现方式中，该第五神经网络模型可以是CNN、RNN、LSTM、GRU、BiLSTM、BiGRU、Transformer、BERT模型，但不限于此。
在一些可实现方式中，后台服务器可以检测N个对象中疑似是第一对象的第二对象；若N个对象中存在第二对象，且第二对象具有第二生物特征，则后台服务器基于第一对象的当前生物特征和第二对象的第二生物特征，对第一对象的身份信息进行识别。
需要说明的是，在该实现方式中，后台服务器无需基于第一对象的当前生物特征和每个对象的第二生物特征，对第一对象的身份信息进行识别，而是基于第一对象的当前生物特征和第二对象的第二生物特征，对第一对象的身份信息进行识别，从而可以提高身份识别效率。
在一些可实现方式中，后台服务器可以调小基于第一对象的当前生物特征和N个对象各自的第一生物特征对第一对象的身份信息进行识别时所使用的第一相似度阈值，得到第二相似度阈值；计算第一对象的当前生物特征与N个对象各自的第一生物特征的相似度；将N个对象中相似度大于第二相似度阈值的对象确定为第二对象。
应理解的是，后台服务器可以根据实际情况确定第一相似度阈值的调整幅度，尽量保证利用第二相似度阈值所选中的第二对象就是第一对象。
例如，假设第一相似度阈值是0.9，第二相似度阈值是0.8，假设第一对象的当前生物特征与N个对象各自的第一生物特征的相似度均小于0.9，当第一相似度阈值被调小后，假设第一对象的当前生物特征与N个对象中的对象1的第一生物特征的相似度大于0.8，那么可以将该对象1确定为第一对象。
在一些可实现方式中，后台服务器可以调小基于第一对象的当前生物特征和N个对象各自的第一生物特征对第一对象的身份信息进行识别时所使用的第一得分阈值，得到第二得分阈值；计算第一对象的当前生物特征与N个对象各自的第一生物特征的相似度，并确定这些相似度对应的相似度得分，并将N个对象中相似度得分大于第二得分阈值的对象确定为第二对象。
应理解的是，后台服务器可以根据实际情况确定第二得分阈值的调整幅度，尽量保证利用第二得分阈值所选中的第二对象就是第一对象。
例如，假设第一得分阈值是9，第二得分阈值是8，假设第一对象的当前生物特征与N个对象各自的第一生物特征的相似度得分均小于9，当第一得分阈值被调小后，假设第一对象的当前生物特征与N个对象中的对象1的第一生物特征的相似度得分大于8，那么可以将该对象1确定为第一对象。
在一些可实现方式中，若第二对象具有一个第二生物特征，则后台服务器计算第一对象的当前生物特征与第二对象的该第二生物特征的相似度；基于第一对象的当前生物特征和第二对象的该第二生物特征的相似度，对第一对象的身份信息进行识别。
在一些可实现方式中，基于第一对象的当前生物特征和第二对象的该第二生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和该第二生物特征的相似度大于第三相似度阈值，则后台服务器将该第二生物特征对应的对象的身份信息作为第一对象的身份信息。
在一些可实现方式中，基于第一对象的当前生物特征和第二对象的该第二生物特征的相似度，对第一对象的身份信息进行识别，包括：后台服务器计算第一对象的当前生物特征和该第二生物特征的相似度得分，若第一对象的当前生物特征和该第二生物特征的相似度得分大于第三得分阈值，则后台服务器将该第二生物特征对应的对象的身份信息作为第一对象的身份信息。
需要说明的是，若第二对象具有一个第二生物特征，则后台服务器基于第一对象的当前生物特征和第二对象的第二生物特征，对第一对象的身份信息进行识别的方式可以被理解为是基于第二生物特征的1v1身份识别方式，而通常1v1身份识别方式的要求略低于1vN身份识别方式的要求，因此，如上所述，第三相似度阈值可以小于第一相似度阈值，第三得分阈值可以小于第一得分阈值。
在一些可实现方式中，若第二对象具有多个第二生物特征，则后台服务器计算第一对象的当前生物特征与第二对象的每个第二生物特征的相似度；基于第一对象的当前生物特征和第二对象的每个第二生物特征的相似度，对第一对象的身份信息进行识别。
在一些可实现方式中，基于第一对象的当前生物特征和第二对象的每个第二生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和第二对象的任一个第二生物特征的相似度大于第三相似度阈值，则后台服务器将该第二生物特征对应的对象的身份信息作为第一对象的身份信息。
例如，假设后台服务器存储了对象1的两个第二生物特征，分别是：在掌心左下方被遮挡的情况下的掌纹特征、在掌心右下方被遮挡的情况下的掌纹特征，这两个生物特征均与对象1的身份信息对应。假设后台服务器获取到对象1的当前掌纹特征，并且当前掌纹特征与在掌心左下方被遮挡的情况下的掌纹特征的相似度是90％，大于第三相似度阈值80％，那么后台服务器可以基于在掌心左下方被遮挡的情况下的掌纹特征与对象1的身份信息的对应关系，确定对象1的身份信息。
例如，假设后台服务器存储了对象1的两个第二生物特征，分别是：在戴口罩的情况下的人脸特征、在戴眼镜情况下的人脸特征，这两个生物特征均与对象1的身份信息对应。假设后台服务器获取到对象1的当前人脸特征，并且当前人脸特征与在戴口罩的情况下的人脸特征的相似度是90％，大于第三相似度阈值80％，那么后台服务器可以基于在戴口罩的情况下的人脸特征与对象1的身份信息的对应关系，确定对象1的身份信息。
在一些可实现方式中，基于第一对象的当前生物特征和第二对象的每个第二生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和第二对象的任一个第二生物特征的相似度得分大于第三得分阈值，则后台服务器将该第二生物特征对应的对象的身份信息作为第一对象的身份信息。
例如，假设后台服务器存储了对象1的两个第二生物特征，分别是：在掌心左下方被遮挡的情况下的掌纹特征、在掌心右下方被遮挡的情况下的掌纹特征，这两个生物特征均与对象1的身份信息对应。假设后台服务器获取到对象1的当前掌纹特征，并且当前掌纹特征与在掌心左下方被遮挡的情况下的掌纹特征的相似度得分是9，大于第三得分阈值8，那么后台服务器可以基于在掌心左下方被遮挡的情况下的掌纹特征与对象1的身份信息的对应关系，确定对象1的身份信息。
例如，假设后台服务器存储了对象1的两个第二生物特征，分别是：在戴口罩的情况下的人脸特征、在戴眼镜情况下的人脸特征，这两个生物特征均与对象1的身份信息对应。假设后台服务器获取到对象1的当前人脸特征，并且当前人脸特征与在戴口罩的情况下的人脸特征的相似度得分是9，大于第三得分阈值8，那么后台服务器可以基于在戴口罩的情况下的人脸特征与对象1的身份信息的对应关系，确定对象1的身份信息。
在一些可实现方式中，若第二对象具有多个第二生物特征，则后台服务器可以按照多个第二生物特征各自对应的生物特征采集图像由高至低的质量顺序，依次计算第一对象的当前生物特征与第二对象的多个第二生物特征的相似度；若第一对象的当前生物特征与第二对象的目标第二生物特征的相似度大于第三相似度阈值，则后台服务器将第二对象的身份信息作为第一对象的身份信息，并停止计算第一对象的当前生物特征与第二对象的其他第二生物特征的相似度。
应理解的是，在该实现方式中，后台服务器可以无需计算第二对象的每个第二生物特征与第一对象的当前生物特征的相似度，而是按照各个第二生物特征对应的生物特征采集图像由高至低的质量顺序，计算第二对象的第二生物特征与第一对象的当前生物特征的相似度，只要存在第一对象的当前生物特征与第二对象的某个第二生物特征的相似度大于第三相似度阈值，那么并可以停止计算相似度，从而可以提高身份识别效率。
在一些可实现方式中，后台服务器可以将任一个生物特征采集图像输入神经网络模型，得到该生物特征采集图像的质量得分，为了对该神经网络模型和上文中其他神经网络模型进行区分，本申请可以将这里的神经网络模型称为第六神经网络模型。
在一些可实现方式中，该第六神经网络模型可以是CNN、RNN、LSTM、GRU、BiLSTM、BiGRU、Transformer、BERT模型，但不限于此。
在一些可实现方式中，若第二对象具有多个第二生物特征，则后台服务器可以按照多个第二生物特征各自对应的生物特征采集图像由高至低的质量顺序，依次计算第一对象的当前生物特征与第二对象的多个第二生物特征的相似度得分；若第一对象的当前生物特征与第二对象的目标第二生物特征的相似度得分大于第三得分阈值，则后台服务器将第二对象的身份信息作为第一对象的身份信息，并停止计算第一对象的当前生物特征与第二对象的其他第二生物特征的相似度得分。
应理解的是，在该实现方式中，后台服务器可以无需计算第二对象的每个第二生物特征与第一对象的当前生物特征的相似度得分，而是按照各个第二生物特征对应的生物特征采集图像由高至低的质量顺序，计算第二对象的第二生物特征与第一对象的当前生物特征的相似度得分，只要存在第一对象的当前生物特征与第二对象的某个第二生物特征的相似度得分大于第三得分阈值，那么并可以停止计算相似度得分，从而可以提高身份识别效率。
应理解的是，在本申请实施例中，通过放宽1vN身份识别环节的身份识别条件，以识别疑似是第一对象的对象，进而可以确定该对象的第二生物特征，并对第一对象的当前生物特征与该对象的第二生物特征进行比对，以识别第一对象的身份信息。换句话讲，通过放宽1vN身份识别环节的身份识别条件，先识别疑似是第一对象的对象，然后确定该对象在其他姿态或者环境下的生物特征，并对第一对象的当前生物特征与该对象的在其他姿态或者环境下进行比对，以识别第一对象的身份信息。这一做法遵循的原理是：通常由于对象的环境、姿态等变化，导致对象的生物特征发现略微变化，使得无法通过目前的1vN身份识别方式识别到对象的身份信息，但即使对象的姿态、环境发生变化，在这些情况下所拍摄的生物特征图像仍然是同一对象的生物特征图像，因此，该对象的当前生物特征和该对象的已存储的生物特征存在本质的一致性，这种一致性保证了本申请的顺利实施。
例如，假设后台服务器存储了对象1在无遮挡以及部分被遮挡情况下的掌纹特征，当后台服务器获取到对象1的当前掌纹特征时，后台服务器先采用1vN身份识别方式对该对象1进行身份识别，其中，包括后台服务器对对象1的当前掌纹特征与对象1在无遮挡情况下的掌纹特征进行比对，以对对象1进行身份识别。如果对对象1身份识别失败，并且假设后台服务器通过放宽1vN身份识别环节的身份识别条件检测到了对象1，那么后台服务器可以对该对象1的当前掌纹特征和已存储的在部分被遮挡情况下的掌纹特征进行比对，以对对象1进行身份识别。
例如，假设后台服务器存储了对象1在未戴口罩以及戴口罩情况下的人脸特征，当后台服务器获取到对象1的当前人脸特征时，后台服务器先采用1vN身份识别方式对该对象1进行身份识别，其中，包括后台服务器对对象1的当前人脸特征与对象1在未戴口罩情况下的人脸特征进行比对，以对对象1进行身份识别。如果对对象1身份识别失败，并且假设后台服务器通过放宽1vN身份识别环节的身份识别条件检测到了对象1，那么后台服务器可以对该对象1的当前人脸特征和已存储的在戴口罩情况下的人脸特征进行比对，以对对象1进行身份识别。
在一些可实现方式中，若N个对象中不存在第二对象，则后台服务器可以基于第一对象的终端标识对第一对象进行身份信息识别。
在一些可实现方式中，若第二对象不具有第二生物特征，则后台服务器可以基于第一对象的终端标识对第一对象进行身份信息识别。
在一些可实现方式中，第一对象的终端标识可以是第一对象的手机号，例如是手机号的后四位，但不限于此。
在一些可实现方式中，基于第一对象的终端标识对第一对象进行身份信息识别，包括：后台服务器基于第一对象的终端标识检测第一对象的生物特征识别相关功能的开通情况；若第一对象已开通生物特征识别相关功能，则后台服务器基于第一对象的当前生物特征与第一对象的第一生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，第一对象的生物特征识别相关功能的开通情况包括：第一对象已开通生物特征识别相关功能和第一对象未开通生物特征识别相关功能两种情况。
在一些可实现方式中，后台服务器基于第一对象的当前生物特征与第一对象的第一生物特征，对第一对象的身份信息进行识别指的是目前的1v1身份识别方式。
在一些可实现方式中，后台服务器基于第一对象的当前生物特征和第一对象的第一生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和第一对象的第一生物特征的相似度大于第四相似度阈值，则后台服务器将该第一生物特征对应的对象的身份信息作为第一对象的身份信息。
在一些可实现方式中，后台服务器基于第一对象的当前生物特征和第一对象的第一生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和第一对象的第一生物特征的相似度大于或等于第四相似度阈值，则后台服务器将该第一生物特征对应的对象的身份信息作为第一对象的身份信息。
在一些可实现方式中，该第四相似度阈值小于第一相似度阈值，但不限于此。
在一些可实现方式中，后台服务器基于第一对象的当前生物特征和第一对象的第一生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和第一对象的第一生物特征的相似度得分大于第四得分阈值，则后台服务器将该第一生物特征对应的对象的身份信息作为第一对象的身份信息。
在一些可实现方式中，后台服务器基于第一对象的当前生物特征和第一对象的第一生物特征的相似度，对第一对象的身份信息进行识别，包括：若第一对象的当前生物特征和第一对象的第一生物特征的相似度得分大于或等于第四得分阈值，则后台服务器将该第一生物特征对应的对象的身份信息作为第一对象的身份信息。
在一些可实现方式中，该第四得分阈值小于第一得分阈值，但不限于此。
在一些可实现方式中，若第一对象已开通生物特征识别相关功能，且后台服务器基于第一对象的当前生物特征与第一对象的第一生物特征对第一对象的身份信息识别成功，则将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。换句话讲，后台服务器可以将第一对象的当前生物特征作为第一对象的次生物特征，并对该生物特征进行存储，以便后续对该对象或者其他对象进行身份识别。
在一些可实现方式中，只要第一对象已开通生物特征识别相关功能，且后台服务器基于第一对象的当前生物特征与第一对象的第一生物特征对第一对象的身份信息识别成功，则后台服务器将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。
在另一些可实现方式中，后台服务器将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征之前，可以确定第一对象的当前生物特征对应的当前生物特征采集图像的质量得分；相应的，若当前生物特征采集图像的质量得分大于预设得分，则后台服务器将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。
应理解的是，通过该可实现方式可以使得后台服务器存储质量较高的生物特征，以提高身份识别的准确率。
在一些可实现方式中，后台服务器可以将当前生物特征采集图像输入神经网络模型，得到当前生物特征采集图像的质量得分。
如上所述，该神经网络模型可以被称为第六神经网络模型。
在一些可实现方式中，后台服务器可以获取第六神经网络模型的训练样本；通过第六神经网络模型的训练样本，训练第六神经网络模型。
在一些可实现方式中，该第六神经网络模型的每个训练样本可以包括：待打分生物特征采集图像、该生物特征采集图像的实际质量得分，其中，该实际质量得分可以作为样本标签。训练设备可以采用有监督训练方式，例如，其可以将待打分生物特征采集图像输入第六神经网络模型，输出待打分生物特征采集图像对应的预测质量得分。进一步地，训练设备可以基于全部训练样本所包括的预测质量得分和实际质量得分计算损失，基于该损失调整第六神经网络模型的参数，直到训练次数达到预设次数，或者损失达到最小值为止时，停止训练。
在一些可实现方式中，训练设备在训练第六神经网络模型时，其利用的损失函数可以是以下任一项，但不限于此：L1损失函数、均方误差(Mean Squared Error，MSE)损失函数、交叉熵损失(CrossEntropyLoss)函数等等。
例如，图3为本申请实施例提供的第六神经网络模型的示意图，如图3所示，该第六神经网络模型可以包括：卷积层、残差层和全连接层。
例如，第六神经网络模型的损失函数可以如下：
其中，X表示生物特征图像，f(·)表示目标函数，Y表示生物特征图像对应的实际质量得分，其作为样本标签，M-1表示样本数量。
在一些可实现方式中，上述每个训练样本的样本标签可以是人工标注的，也可以采用自动化方式标注，下面对这种自动化标注方式进行说明：
在一些可实现方式中，训练设备可以获取第三对象的M幅生物特征图像；其中，M为大于1的整数；选择M幅生物特征图像中质量最高的目标生物特征图像；计算M幅生物特征图像中除目标生物特征图像以外的其他M-1幅生物特征图像分别与目标生物特征图像的相似度；将其他M-1幅生物特征图像以及其他M-1幅生物特征图像各自与目标生物特征图像的相似度组成神经网络模型的M-1个训练样本。换句话讲，神经网络模型的每个训练样本包括：一副生物特征图像以及该图像与目标生物特征图像的相似度，该相似度可以作为该生物特征图像的实际质量得分。
在一些可实现方式中，后台服务器可以利用质量识别模块或软件选择M幅生物特征图像中质量最高的目标生物特征图像，但不限于此。
例如，图4为本申请实施例提供的生物特征图像选择示意图，如图4所示，生物特征图像库中可以存储至少一个对象的多幅生物特征图像，后台服务器可以利用质量识别模块或软件识别每个对象的质量最高的生物特征图像和其余生物特征图像，其中，图4以某个对象包括M幅生物特征图像为例，后台服务器可以利用质量识别模块或软件识别该对象的质量最高的生物特征图像和其余M-1幅生物特征图像。
在一些可实现方式中，后台服务器可以利用相似度计算网络或模块，计算M幅生物特征图像中除目标生物特征图像以外的其他M-1幅生物特征图像分别与目标生物特征图像的相似度，并将其他M-1幅生物特征图像以及其他M-1幅生物特征图像各自与目标生物特征图像的相似度组成神经网络模型的M-1个训练样本。
例如，图5为本申请实施例提供的训练样本的生成示意图，如图5所示，后台服务器可以利用相似度计算网络或模块将某个对象的目标生物特征图像转化为嵌入向量，并将该对象的其余M-1幅生物特征图像转化为M-1个嵌入向量，进一步地可以计算目标生物特征图像对应的嵌入向量与M-1个嵌入向量中每个嵌入向量的欧拉距离，对M-1个欧拉距离进行归一化处理，得到M-1幅生物特征图像分别对应的质量得分，也就是其他M-1幅生物特征图像分别与目标生物特征图像的相似度，最后将其他M-1幅生物特征图像以及其他M-1幅生物特征图像各自与目标生物特征图像的相似度组成神经网络模型的M-1个训练样本，将这些训练样本存储至训练数据库中。
例如，图6为本申请实施例提供的预处理和模型训练示意图，如图6所示，预处理过程包括：生物特征图像库中可以存储至少一个对象的多幅生物特征图像，后台服务器可以利用质量识别模块或软件识别对象的质量最高的生物特征图像和该对象的其余M-1幅生物特征图像；后台服务器可以利用相似度计算网络或模块将某个对象的目标生物特征图像转化为嵌入向量，并将该对象的其余M-1幅生物特征图像转化为M-1个嵌入向量，进一步地可以计算目标生物特征图像对应的嵌入向量与M-1个嵌入向量中每个嵌入向量的欧拉距离，对M-1个欧拉距离进行归一化处理，得到其他M-1幅生物特征图像分别与目标生物特征图像的相似度，最后将其他M-1幅生物特征图像以及其他M-1幅生物特征图像各自与目标生物特征图像的相似度组成神经网络模型的M-1个训练样本，将这些训练样本存储至训练数据库中。模型训练过程包括：后台服务器可以利用训练数据库中的训练样本训练第六神经网络模型。
应理解的是，本申请实施例可以计算同一对象在不同姿态或者环境等情况下的M-1幅生物特征图像和该对象的质量最高的生物特征图像的相似度，对于M-1幅生物特征图像中的任一幅生物特征图像，其对应的相似度越大，说明该生物特征图像的质量越高，其对应的相似度越小，说明该生物特征图像的质量越低。而第六神经网络模型的作用就是选择同一对象在不同姿态或者环境等情况下的生物特征图像，因此通过上述自动化标注的训练样本与第六神经网络模型的作用相符，这些训练样本可以用于训练第六神经网络模型，使得第六神经网络模型可以用于选择同一对象在不同姿态或者环境等情况下的生物特征图像，进而使得这些生物特征图像可以应用于后续的身份识别过程中。
应理解的是，上述N个对象的第二生物特征的存储方式与第一对象的第二生物特征的存储方式相同，均是在通过目前1v1身份识别方式对对象的身份信息识别成功之后，将对象的当前生物特征作为第二生物特征，并对该第二生物特征进行存储。
在一些可实现方式中，若第一对象未开通生物特征识别相关功能，则后台服务器可以触发第一对象开通生物特征识别相关功能。
在一些可实现方式中，若第一对象未开通生物特征识别相关功能，则后台服务器可以将第一对象的当前生物特征作为第一对象的第一生物特征，并存储第一对象的第一生物特征。换句话讲，该第一对象是新对象，后台服务器可以将该第一对象的第一生物特征作为该第一对象的主生物特征，并对其进行存储。
在一些可实现方式中，本申请实施例可以对每个对象的第二生物特征的数量进行限制，以降低身份识别系统的复杂度。
例如，后台服务器可以最多存储一个对象的5个第二生物特征，超过该数量的第二生物特征，后台服务器可以选择对某些第二生物特征进行删除。
在一些可实现方式中，若基于第一对象的当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息识别失败，则基于第一对象的终端标识对第一对象进行身份信息识别。
换句话讲，如果采用本申请实施例提供的加验身份识别方式对第一对象的身份信息识别失败，那么后台服务器才基于第一对象的终端标识对第一对象进行身份信息识别。关于如何基于第一对象的终端标识对第一对象进行身份信息识别，可以参考上文，本申请实施例对此不再赘述。
本申请实施例提供一种身份识别方法，包括：获取第一对象的当前生物特征；基于第一对象的当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；若基于第一对象的当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于第一对象的当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。由于当采用1vN身份识别方式对第一对象的身份识别失败时，不直接进入目前的1v1手机号加验环节，而是增加通过第二生物特征进行加验身份识别的环节，只有在该环节加验失败时，才进入目前的1v1手机号加验阶段，而当通过第二生物特征识别成功时，无需进入1v1手机号加验阶段，本申请实施例提供的加验身份识别环节是自动化环节，其相对于1v1手机号加验阶段，识别时间较短，因此，通过本申请实施例提供的身份识别方式可以缩短身份识别时间，并且可以无需对象进行UI交互，最终提高对象体验感。
应理解的是，针对任一个对象，该对象的第一生物特征与第二生物特征可以是基于该对象在不同姿态或不同环境下所采集的生物特征图像所提取到的生物特征。因此，本申请实施例所提供的身份识别方法实质意义是：后台服务器可以存储同一对象在不同姿态或环境下的生物特征，在进行身份识别时，后台服务器可以对同一对象的当前生物特征和不同姿态或环境下的生物特征进行比对，以识别该对象的身份信息，这种方式可以提高身份识别命中率。
下面通过一个示例对本申请实施例提供的身份识别方法进行示例性说明：
例如，图7为本申请实施例提供的另一种身份识别方法的流程图，如图7所示，该方法可以是用于实现生物特征识别相关功能的应用对应的后台服务器，例如该后台服务器可以是支付后台服务器、会员积分小程序或者租借充电宝小程序对应的后台服务器，但不限于此，如图7所示，该方法可以包括：
S701：获取第一对象的当前生物特征；
应理解的是，关于S701的解释说明可以参考S210的解释说明，本申请实施例对此不再赘述。
S702：基于第一对象的当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；
应理解的是，关于S702的解释说明可以参考S220的解释说明，本申请实施例对此不再赘述。
S703：判断对第一对象的身份信息是否识别成功；若识别成功，则执行S704；若识别失败，则执行S705；
S704：基于第一对象的身份信息执行后续任务；
在一些可实现方式中，后续任务可以是支付任务、会员积分任务或者免租金租借充电宝任务等等，但不限于此。
S705：放宽1vN身份识别方式的身份识别条件，并判断N个对象中是否存在疑似是第一对象的第二对象；若存在第二对象，则执行S706；若不存在第二对象，则执行S709；
在一些可实现方式中，关于身份识别条件的放宽方式以及第二对象的确定方式可以参考S230下面的解释说明，本申请实施例对此不再赘述。
S706：判断第二对象是否存在第二生物特征；若存在第二生物特征，则执行S707；若不存在，则执行S709；
应理解的是，关于第二生物特征的解释说明可以参考S230的解释说明，本申请实施例对此不再赘述。
S707：基于第一对象的当前生物特征和第二对象的第二生物特征，对第一对象的身份信息进行识别；
应理解的是，关于S770的解释说明可以参考S230的解释说明，本申请实施例对此不再赘述。
S708：判断对第一对象的身份信息是否识别成功；若识别成功，则执行S704；若识别失败，则执行S709；
S709：获取第一对象的终端标识；
S710：基于第一对象的终端标识检测第一对象的生物特征识别相关功能的开通情况；若第一对象已开通生物特征识别相关功能，则执行S711；若第一对象未开通生物特征识别相关功能，则执行S714；
应理解的是，第一对象的终端标识与第一对象的生物特征识别相关功能的开通情况具有对应关系。
S711：基于第一对象的当前生物特征与第一对象的第一生物特征，对第一对象的身份信息进行识别；
应理解的是，S711涉及的身份识别方式是目前的1v1身份识别方式，关于该方式的解释说明可以参考上文，本申请实施例对此不再赘述。
S712：判断对第一对象的身份信息是否识别成功；若识别成功，则执行S713；
在一些可实现方式中，若通过1v1身份识别方式对第一对象的身份信息识别失败，则后台服务器可以触发终端设备重新采集第一对象的生物特征图像，但不限于此。
S713：将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征；
应理解的是，关于S713的解释说明可以参考S230下方的解释说明，本申请实施例对此不再赘述。
S714：触发第一对象开通生物特征识别相关功能，并将第一对象的当前生物特征作为第一对象的第一生物特征，并存储第一对象的第一生物特征。
应理解的是，关于S714的解释说明可以参考S230下方的解释说明，本申请实施例对此不再赘述。
通过本申请实施例提供的身份识别方法，使得在通过1vN方式对对象身份识别失败后，不直接进入1v1手机号加验阶段，而是增加通过第二生物特征进行加验身份识别的环节，只有在该环节加验失败时，才进入1v1手机号加验阶段，当通过第二生物特征识别成功时，无需进入1v1手机号加验阶段，从而可以缩短身份识别时间，并且可以无需对象进行UI交互，最终提高对象体验感。同时可以避免通过扩增数据训练实现的身份识别方式导致的训练成本高以及覆盖不全面的问题。
以上结合附图详细描述了本申请的优选实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。又例如，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容。
还应理解，在本申请的各种方法实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上文对本申请实施例提供的方法进行了说明，下面对本申请实施例提供的身份识别装置进行说明。
图8为本申请实施例提供的一种身份识别装置800的示意图，如图8所示，该装置800包括：获取模块810和身份识别模块820，其中，获取模块810用于获取第一对象的当前生物特征；身份识别模块820用于：基于第一对象的当前生物特征与N个对象各自的第一生物特征，对第一对象的身份信息进行识别；其中，N为正整数；若基于第一对象的当前生物特征与N个对象各自的第一生物特征对第一对象的身份信息识别失败，则基于第一对象的当前生物特征和N个对象各自的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块820具体用于：基于第一对象的当前生物特征和N个对象中的每个对象各自的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块820具体用于：检测N个对象中疑似是第一对象的第二对象；若N个对象中存在第二对象，且第二对象具有第二生物特征，则基于第一对象的当前生物特征和第二对象的第二生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块820具体用于：调小基于第一对象的当前生物特征和N个对象各自的第一生物特征对第一对象的身份信息进行识别时所使用的第一相似度阈值，得到第二相似度阈值；计算第一对象的当前生物特征与N个对象各自的第一生物特征的相似度；将N个对象中相似度大于第二相似度阈值的对象确定为第二对象。
在一些可实现方式中，身份识别模块820具体用于：若第二对象具有多个第二生物特征，则计算第一对象的当前生物特征与第二对象的每个第二生物特征的相似度；基于第一对象的当前生物特征和第二对象的每个第二生物特征的相似度，对第一对象的身份信息进行识别。
在一些可实现方式中，身份识别模块820具体用于：若第二对象具有多个第二生物特征，则按照多个第二生物特征各自对应的生物特征采集图像由高至低的质量顺序，依次计算第一对象的当前生物特征与第二对象的多个第二生物特征的相似度；若第一对象的当前生物特征与第二对象的目标第二生物特征的相似度大于第三相似度阈值，则将第二对象的身份信息作为第一对象的身份信息，并停止计算第一对象的当前生物特征与第二对象的其他第二生物特征的相似度。
在一些可实现方式中，身份识别模块820还用于：若N个对象中不存在第二对象，则基于第一对象的终端标识对第一对象进行身份信息识别。
在一些可实现方式中，身份识别模块820还用于：若第二对象不具有第二生物特征，则基于第一对象的终端标识对第一对象进行身份信息识别。
在一些可实现方式中，身份识别模块820具体用于：基于第一对象的终端标识检测第一对象的生物特征识别相关功能的开通情况；若第一对象已开通生物特征识别相关功能，则基于第一对象的当前生物特征与第一对象的第一生物特征，对第一对象的身份信息进行识别。
在一些可实现方式中，该装置800还包括存储模型830，用于：若基于第一对象的当前生物特征与第一对象的第一生物特征对第一对象的身份信息识别成功，则将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。
在一些可实现方式中，该装置800还包括确定模型840，用于在存储模型830将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征之前，确定第一对象的当前生物特征对应的当前生物特征采集图像的质量得分；相应的，存储模型830具体用于：若当前生物特征采集图像的质量得分大于预设得分，则将第一对象的当前生物特征作为第一对象的第二生物特征，并存储第一对象的第二生物特征。
在一些可实现方式中，确定模型840具体用于：将当前生物特征采集图像输入神经网络模型，得到当前生物特征采集图像的质量得分。
在一些可实现方式中，该装置800还包括训练模型850，获取模块810还用于获取神经网络模型的训练样本；训练模型850用于通过神经网络模型的训练样本，训练神经网络模型。
在一些可实现方式中，获取模块810具体用于：获取第三对象的M幅生物特征图像；其中，M为大于1的整数；选择M幅生物特征图像中质量最高的目标生物特征图像；计算M幅生物特征图像中除目标生物特征图像以外的其他M-1幅生物特征图像分别与目标生物特征图像的相似度；将其他M-1幅生物特征图像以及其他M-1幅生物特征图像各自与目标生物特征图像的相似度组成神经网络模型的M-1个训练样本。
在一些可实现方式中，该装置800还包括触发模型860，其中，若第一对象未开通生物特征识别相关功能，则触发模型860用于触发第一对象开通生物特征识别相关功能。
在一些可实现方式中，若第一对象未开通生物特征识别相关功能，则存储模型830还用于将第一对象的当前生物特征作为第一对象的第一生物特征，并存储第一对象的第一生物特征。
在一些可实现方式中，获取模块810具体用于：获取第一对象的当前生物特征采集图像；对当前生物特征采集图像进行特征提取，得到第一对象的当前生物特征。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图8所示的装置800可以执行图2、图7对应的方法实施例，并且装置800中的各个模块的前述和其它操作和/或功能分别为了实现图2、图7中的各个方法中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置800。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图9是本申请实施例提供的电子设备900的示意性框图。该电子设备900可以是上述后台服务器，但不限于此。如图9所示，该电子设备900可包括：
存储器910和处理器920，该存储器910用于存储计算机程序930，并将该计算机程序930传输给该处理器920。换言之，该处理器920可以从存储器910中调用并运行计算机程序930，以实现本申请实施例中的方法。
例如，该处理器920可用于根据该计算机程序930中的指令执行上述方法中的步骤。
在本申请的一些实施例中，该处理器920可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中，该存储器910包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序930可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器910中，并由该处理器920执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序930在该电子设备中的执行过程。
如图9所示，该电子设备900还可包括：
收发器940，该收发器940可连接至该处理器920或存储器910。
其中，处理器920可以控制该收发器940与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器940可以包括发射机和接收机。收发器940还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备900中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
根据本申请的一个方面，提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
根据本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法实施例的方法。
换言之，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (22)

  1. 一种身份识别方法，其特征在于，包括：
    获取第一对象的当前生物特征；
    基于所述当前生物特征与N个对象各自的第一生物特征，对所述第一对象的身份信息进行识别；其中，N为正整数；
    若基于所述当前生物特征与所述N个对象各自的第一生物特征对所述第一对象的身份信息识别失败，则基于所述当前生物特征和所述N个对象各自的第二生物特征，对所述第一对象的身份信息进行识别。
  2. 根据权利要求1所述的方法，其特征在于，所述基于所述当前生物特征和所述N个对象各自的第二生物特征，对所述第一对象的身份信息进行识别，包括：
    基于所述当前生物特征和所述N个对象中的每个对象各自的第二生物特征，对所述第一对象的身份信息进行识别。
  3. 根据权利要求1所述的方法，其特征在于，所述基于所述当前生物特征和所述N个对象各自的第二生物特征，对所述第一对象的身份信息进行识别，包括：
    检测所述N个对象中疑似是所述第一对象的第二对象；
    若所述N个对象中存在所述第二对象，且所述第二对象具有第二生物特征，则基于所述当前生物特征和所述第二对象的第二生物特征，对所述第一对象的身份信息进行识别。
  4. 根据权利要求3所述的方法，其特征在于，所述检测所述N个对象中疑似是所述第一对象的第二对象，包括：
    调小基于所述当前生物特征和所述N个对象各自的第一生物特征对所述第一对象的身份信息进行识别时所使用的第一相似度阈值，得到第二相似度阈值；
    计算所述当前生物特征与所述N个对象各自的第一生物特征的相似度；
    将所述N个对象中所述相似度大于所述第二相似度阈值的对象确定为所述第二对象。
  5. 根据权利要求3所述的方法，其特征在于，所述检测所述N个对象中疑似是所述第一对象的第二对象，包括：
    调小基于所述当前生物特征和所述N个对象各自的第一生物特征对第一对象的身份信息进行识别时所使用的第一得分阈值，得到第二得分阈值；
    计算所述当前生物特征与所述N个对象各自的第一生物特征的相似度，并确定每个相似度对应的相似度得分；
    将所述N个对象中相似度得分大于所述第二得分阈值的对象确定为所述第二对象。
  6. 根据权利要求3-5任一项所述的方法，其特征在于，所述基于所述当前生物特征和所述第二对象的第二生物特征，对所述第一对象的身份信息进行识别，包括：
    若所述第二对象具有多个第二生物特征，则计算所述当前生物特征与所述第二对象的每个第二生物特征的相似度；
    基于所述当前生物特征和所述第二对象的每个第二生物特征的相似度，对所述第一对象的身份信息进行识别。
  7. 根据权利要求3-5任一项所述的方法，其特征在于，所述基于所述当前生物特征和所述第二对象的第二生物特征，对所述第一对象的身份信息进行识别，包括：
    若所述第二对象具有多个第二生物特征，则按照所述多个第二生物特征各自对应的生物特征采集图像由高至低的质量顺序，依次计算所述当前生物特征与所述第二对象的多个第二生物特征的相似度；
    若所述当前生物特征与所述第二对象的目标第二生物特征的相似度大于第三相似度阈值，则将所述第二对象的身份信息作为所述第一对象的身份信息，并停止计算所述当前生物特征与所述第二对象的其他第二生物特征的相似度。
  8. 根据权利要求3-5任一项所述的方法，其特征在于，还包括：
    若所述N个对象中不存在所述第二对象，则基于所述第一对象的终端标识对所述第一对象进行身份信息识别。
  9. 根据权利要求3-5任一项所述的方法，其特征在于，还包括：
    若所述第二对象不具有第二生物特征，则基于所述第一对象的终端标识对所述第一对象进行身份信息识别。
  10. 根据权利要求1-9任一项所述的方法，其特征在于，所述基于所述第一对象的终端标识对所述第一对象进行身份信息识别，包括：
    基于所述第一对象的终端标识检测所述第一对象的生物特征识别相关功能的开通情况；
    若所述第一对象已开通生物特征识别相关功能，则基于所述当前生物特征与所述第一对象的第一生物特征，对所述第一对象的身份信息进行识别。
  11. 根据权利要求10所述的方法，其特征在于，还包括：
    若基于所述当前生物特征与所述第一对象的第一生物特征对所述第一对象的身份信息识别成功，则将所述当前生物特征作为所述第一对象的第二生物特征，并存储所述第一对象的第二生物特征。
  12. 根据权利要求11所述的方法，其特征在于，所述将所述当前生物特征作为所述第一对象的第二生物特征，并存储所述第一对象的第二生物特征之前，还包括：
    确定所述当前生物特征对应的当前生物特征采集图像的质量得分；
    所述将所述当前生物特征作为所述第一对象的第二生物特征，并存储所述第一对象的第二生物特征，包括：
    若所述当前生物特征采集图像的质量得分大于预设得分，则将所述当前生物特征作为所述第一对象的第二生物特征，并存储所述第一对象的第二生物特征。
  13. 根据权利要求12所述的方法，其特征在于，所述确定所述当前生物特征对应的当前生物特征采集图像的质量得分，包括：
    将所述当前生物特征采集图像输入神经网络模型，得到所述当前生物特征采集图像的质量得分。
  14. 根据权利要求13所述的方法，其特征在于，还包括：
    获取所述神经网络模型的训练样本；
    通过所述神经网络模型的训练样本，训练所述神经网络模型。
  15. 根据权利要求14所述的方法，其特征在于，所述获取所述神经网络模型的训练样本，包括：
    获取第三对象的M幅生物特征图像；其中，M为大于1的整数；
    选择所述M幅生物特征图像中质量最高的目标生物特征图像；
    计算所述M幅生物特征图像中除所述目标生物特征图像以外的其他M-1幅生物特征图像分别与所述目标生物特征图像的相似度；
    将所述其他M-1幅生物特征图像以及所述其他M-1幅生物特征图像各自与所述目标生物特征图像的相似度组成所述神经网络模型的M-1个训练样本。
  16. 根据权利要求10所述的方法，其特征在于，还包括：
    若所述第一对象未开通生物特征识别相关功能，则触发所述第一对象开通所述生物特征识别相关功能。
  17. 根据权利要求10所述的方法，其特征在于，还包括：
    若所述第一对象未开通生物特征识别相关功能，则将所述当前生物特征作为所述第一对象的第一生物特征，并存储所述第一对象的第一生物特征。
  18. 根据权利要求1-17任一项所述的方法，其特征在于，所述获取第一对象的当前生物特征，包括：
    获取所述第一对象的当前生物特征采集图像；
    对所述当前生物特征采集图像进行特征提取，得到所述当前生物特征。
  19. 一种身份识别装置，其特征在于，包括：
    获取模块，用于获取第一对象的当前生物特征；
    身份识别模块，用于：
    基于所述当前生物特征与N个对象各自的第一生物特征，对所述第一对象的身份信息进行识别；其中，N为正整数；
    若基于所述当前生物特征与所述N个对象各自的第一生物特征对所述第一对象的身份信息识别失败，则基于所述当前生物特征和所述N个对象各自的第二生物特征，对所述第一对象的身份信息进行识别。
  20. 一种电子设备，其特征在于，包括：
    处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1至18中任一项所述的方法。
  21. 一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1至18中任一项所述的方法。
  22. 一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至18中任一项所述的方法。
PCT/CN2025/093224 2024-07-16 2025-05-07 身份识别方法、装置、设备、介质及程序产品 Pending WO2026016591A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410959766.6A CN121351051A (zh) 2024-07-16 2024-07-16 身份识别方法、装置、设备、介质及程序产品
CN202410959766.6 2024-07-16

Publications (1)

Publication Number Publication Date
WO2026016591A1 true WO2026016591A1 (zh) 2026-01-22

Family

ID=98396681

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2025/093224 Pending WO2026016591A1 (zh) 2024-07-16 2025-05-07 身份识别方法、装置、设备、介质及程序产品

Country Status (2)

Country Link
CN (1) CN121351051A (zh)
WO (1) WO2026016591A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229915A (zh) * 2017-05-26 2017-10-03 北京小米移动软件有限公司 生物特征识别方法、装置、设备及存储介质
US10693872B1 (en) * 2019-05-17 2020-06-23 Q5ID, Inc. Identity verification system
CN111581625A (zh) * 2020-06-12 2020-08-25 支付宝(杭州)信息技术有限公司 一种用户身份识别方法、装置及电子设备
CN112434274A (zh) * 2020-12-09 2021-03-02 建信金融科技有限责任公司 一种身份识别方法、装置、电子设备及存储介质
CN113643489A (zh) * 2021-06-22 2021-11-12 华录智达科技股份有限公司 一种基于人脸识别的公交pos机
CN115661948A (zh) * 2022-12-15 2023-01-31 云丁网络技术(北京)有限公司 用户身份认证方法、装置及电子设备
CN117635974A (zh) * 2022-08-09 2024-03-01 腾讯科技（深圳）有限公司 身份识别方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229915A (zh) * 2017-05-26 2017-10-03 北京小米移动软件有限公司 生物特征识别方法、装置、设备及存储介质
US10693872B1 (en) * 2019-05-17 2020-06-23 Q5ID, Inc. Identity verification system
CN111581625A (zh) * 2020-06-12 2020-08-25 支付宝(杭州)信息技术有限公司 一种用户身份识别方法、装置及电子设备
CN112434274A (zh) * 2020-12-09 2021-03-02 建信金融科技有限责任公司 一种身份识别方法、装置、电子设备及存储介质
CN113643489A (zh) * 2021-06-22 2021-11-12 华录智达科技股份有限公司 一种基于人脸识别的公交pos机
CN117635974A (zh) * 2022-08-09 2024-03-01 腾讯科技（深圳）有限公司 身份识别方法、装置、计算机设备和存储介质
CN115661948A (zh) * 2022-12-15 2023-01-31 云丁网络技术(北京)有限公司 用户身份认证方法、装置及电子设备

Also Published As

Publication number Publication date
CN121351051A (zh) 2026-01-16

Similar Documents

Publication Publication Date Title
US11669607B2 (en) ID verification with a mobile device
CN109886697B (zh) 基于表情组别的操作确定方法、装置及电子设备
CN107093066B (zh) 业务实现方法和装置
US20220375259A1 (en) Artificial intelligence for passive liveness detection
CN111539740A (zh) 一种支付方法、装置及设备
CN110298667A (zh) 基于人脸识别的支付处理方法、装置及存储介质
CN105468950A (zh) 身份认证方法、装置、终端及服务器
CN107679860A (zh) 一种用户认证的方法、装置、设备和计算机存储介质
TWI786977B (zh) 手指真偽識別方法、電子裝置及存儲介質
CN112418189B (zh) 戴口罩人脸识别方法、装置、设备以及存储介质
US20220164423A1 (en) Method and apparatus for user recognition
CN112396004B (zh) 用于人脸识别的方法、装置和计算机可读存储介质
KR102197334B1 (ko) 신경망을 이용한 신분증 진위 판단 방법 및 이를 수행하는 서버
CN116311650A (zh) 基于智能门禁的视线跟踪与手势识别的人机交互方法
WO2025077574A1 (zh) 掌纹识别方法、装置及存储介质
KR20230056648A (ko) 분산 데이터베이스 기반의 신분증 인식을 위한 신경망 학습 방법 및 서버
CN116188845A (zh) 对抗攻击的检测方法及系统
CN116266419A (zh) 一种活体检测方法、装置和计算机设备
KR102215535B1 (ko) 신경망을 이용한 안면 부분 이미지 기반 신분 인증 방법 및 이를 수행하는 시스템
US20260046285A1 (en) Enhanced authentication using a secure document
CN116563898A (zh) 基于GhostNet网络的掌静脉图像识别方法、装置、设备及介质
KR102240495B1 (ko) 신분 인증 부정 사용자 차등 관리 방법 및 서버
CN114067141A (zh) 生物特征的识别方法及装置、电子设备、存储介质
CN117274727B (zh) 生物特征信息的处理方法、电子设备及可读存储介质
CN118470351A (zh) 通信方法、装置、终端及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25839912

Country of ref document: EP

Kind code of ref document: A1