CN111368721B - 身份识别的处理方法、装置、电子设备及存储介质 - Google Patents
身份识别的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111368721B CN111368721B CN202010139638.9A CN202010139638A CN111368721B CN 111368721 B CN111368721 B CN 111368721B CN 202010139638 A CN202010139638 A CN 202010139638A CN 111368721 B CN111368721 B CN 111368721B
- Authority
- CN
- China
- Prior art keywords
- user
- identity
- identification
- identified
- recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种身份识别的处理方法、装置、电子设备及存储介质;方法包括:基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别;根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误;将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户,更新所述用户特征库中对应所述可疑用户的特征的置信度阈值;基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,并利用所述可疑用户的更新的特征更新所述用户特征库。通过本发明,能够提高身份识别的安全性。
Description
技术领域
本发明涉及人工智能和安全技术,尤其涉及一种身份识别的处理方法、装置、电子设备及存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
身份识别是人工智能的典型应用,通过已注册人脸对待识别用户进行身份鉴权,典型地如门禁***,识别出待识别用户的身份,并根据是否是已注册用户来决定是否开门。
目前身份识别已经广泛应用在公寓,办公大楼等场景,但是目前的身份识别***的都没有自我进化的能力,需要依赖人工介入,识别精度和效率上不可不可避免地受到影响。
发明内容
本发明实施例提供一种身份识别的处理方法、装置、电子设备及存储介质,能够根据识别错误进行自适应的修复,保证身份识别的良好的鲁棒性和精确性。
本发明实施例的技术方案是这样实现的:
本发明实施例提供一种身份识别的处理方法,包括:
基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别;
根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误;
将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户,更新所述用户特征库中对应所述可疑用户的特征的置信度阈值;
基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,并利用所述可疑用户的更新的特征更新所述用户特征库。
本发明实施例提供一种身份识别处理装置,包括:
身份识别模块,用于基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别;
错误检测模块,用于根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误;
置信度阈值更新模块,用于将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户,更新所述用户特征库中对应所述可疑用户的特征的置信度阈值;
特征更新模块,用于基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,并利用所述可疑用户的更新的特征更新所述用户特征库。
在上述方案中,所述身份识别模块,还用于:
对所述待识别用户进行离线身份识别;或者,分别对所述待识别用户进行离线身份识别和在线身份识别。
在上述方案中,所述身份识别模块,还用于:
通过身份识别终端中运行的第一身份识别模型,识别出对应所述待识别用户的身份特征,并确定所述身份特征与所述用户特征库中各个已注册用户的特征之间的相似度;
将相似度超出置信度阈值的特征所对应的已注册用户的身份信息,确定为所述待识别用户的身份信息;
向所述待识别用户赋予对应识别出的已注册用户的权限,并通过所述身份识别终端中的第二身份识别模型对所述待识别用户进行身份识别;
其中,所述第一身份识别模型的识别速度高于所述第二身份识别模型,所述第二身份识别模型的识别精度高于所述第一身份识别模型。
在上述方案中,所述身份识别模块,还用于:
通过所述身份识别终端中的第二身份识别模型,识别出对应所述待识别用户的身份特征,并确定所述身份特征与所述用户特征库中各个已注册用户的特征之间的相似度;
将相似度超出置信度阈值的特征所对应的已注册用户的身份信息,确定为所述待识别用户的身份信息。
在上述方案中,所述身份识别模块,还用于:
当通过所述第一身份识别模型对所述待识别用户进行身份识别通过时,确定所述用户特征库中与所述待识别用户的身份特征匹配的特征的数目;
当所述数目超过特征数目阈值时,确定将继续通过所述第二身份识别模型对所述待识别用户进行身份识别。
在上述方案中,所述身份识别模块,还用于:
通过身份识别终端中运行的第一身份识别模型对所述待识别用户进行身份识别;
当识别出所述待识别用户为所述用户特征库中的已注册用户时,向所述待识别用户赋予对应识别出的已注册用户的权限;
通过所述身份识别终端中运行的第二身份识别模型对所述待识别用户进行身份识别;
当所述第一身份识别模型与所述第二身份识别模型的识别结果不一致时,继续通过调用后台身份识别***对所述待识别用户进行在线身份识别。
在上述方案中,所述身份识别模块,还用于:
获取所述后台身份识别***的总资源占用量,所述总资源占用量是进行在线身份识别所消耗的资源的总和;
当所述后台身份识别***的总资源占用量不超出资源占用量阈值时,确定通过调用所述后台身份识别***对所述待识别用户进行在线身份识别。
在上述方案中,当所述识别结果包括通过离线身份识别得到的身份信息,且所述离线身份识别的过程中使用的模型包括第一身份识别模型和第二身份识别模型时,所述错误检测模块,还用于:
当满足以下条件至少之一时,确定所述待识别用户的离线身份识别的过程中出现识别错误:
通过所述第一身份识别模型对所述待识别用户进行身份识别得到的身份信息,与通过所述第二身份识别模型对所述待识别用户进行身份识别得到的身份信息不一致;
通过所述第一身份识别模型对所述待识别用户进行身份识别得到身份信息,且接收到所述待识别用户针对所述身份信息的识别错误反馈;
通过所述第一身份识别模型对所述待识别用户进行身份识别得到身份信息,并发送至对应所述身份信息的用户,且接收到对应所述身份信息的用户的识别错误反馈。
在上述方案中,当所述识别结果包括通过离线身份识别和在线身份识别得到的身份信息时,所述错误检测模块,还用于:
当通过所述离线身份识别和所述在线身份识别能够识别出相同的已注册用户的身份信息,且接收到识别出的已注册用户的识别错误反馈时时,确定所述离线身份识别和所述在线身份识别的过程中出现识别错误;
当所述离线身份识别出的身份信息和所述在线身份识别出的身份信息不一致时,确定所述离线身份识别和所述在线身份识别中的至少一个出现识别出错。
在上述方案中,所述置信度阈值更新模块,还用于:
当进行离线身份识别出现识别错误时,将所述用户特征库中所涉及的以下已注册用户至少之一标记为可疑用户:通过离线身份识别错误识别出的已注册用户;所述待识别用户对应的正确的已注册用户;
当进行在线身份识别出现识别错误时,将以下已注册用户至少之一作为可疑用户:通过在线身份识别错误识别出的已注册用户;所述待识别用户对应的正确的已注册用户。
在上述方案中,所述置信度阈值更新模块,还用于:
根据所述可疑用户所涉及到的识别错误的次数,确定与所述次数正相关的梯度值;
将所述梯度值与对应所述可疑用户的特征的置信度阈值的加和,作为所述可疑用户的新置信度阈值;
将所述新置信度阈值发送到用于进行所述离线身份识别的身份识别终端,以更新所述身份识别终端中的对应所述可疑用户的特征的置信度阈值。
在上述方案中,所述特征更新模块,还用于:
基于所述更新的置信度阈值对所述新待识别用户进行离线身份识别,以获取所述新待识别用户的身份特征;
在所述用户特征库中查找所述可疑用户的特征,且所述查找到的特征与所述新待识别用户的身份特征之间的相似度超过所述更新的置信度阈值,以将所述新待识别用户的身份特征作为所述可疑用户的更新的特征。
在上述方案中,所述特征更新模块,还用于:
针对所述用户特征库中已经更新了特征的可疑用户执行以下处理:
将所述可疑用户的更新的置信度阈值恢复为对应所述可疑用户的特征的置信度阈值,并取消所述可疑用户的标记。
本发明实施例提供一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本发明实施例提供的身份识别的处理方法。
本发明实施例提供一种存储介质,存储有可执行指令,用于引起处理器执行时,实现本发明实施例提供的身份识别的处理方法。
本发明实施例具有以下有益效果:
通过对识别结果进行检测能快速发现用户身份识别出错的情形,对于检测到的识别错误,更新对应的置信度阈值并且更新对应特征以进行自动地修复,从而确保后续身份识别过程不出现同样的错误,提高身份识别的鲁棒性与准确性。
附图说明
图1A-1B是本发明实施例提供的身份识别的处理***架构100的一个可选的结构示意图;
图2是本发明实施例提供的应用身份识别的处理方法的电子设备的一个可选的结构示意图;
图3A-3E是本发明实施例提供的身份识别的处理方法的一个可选的流程示意图;
图4是本发明实施例提供的身份识别的处理***的架构图;
图5是本发明实施例提供的发现识别出错的场景示意图;
图6是本发明实施例提供的通过高精度辅助模型进行身份识别的流程图;
图7是本发明实施例提供的通过后台身份识别***进行身份识别的流程图;
图8A是本发明实施例提供的身份识别出错的惩罚处理流程图;
图8B是本发明实施例提供的身份识别出错的恢复处理流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的用户,不代表针对用户的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
(1)身份识别:将待识别用户的生物特征(人脸、指纹、声纹、虹膜)中的至少一种,与已注册用户的生物特征匹配,以确定待识别用户是否是注册用户、以及具体是哪个注册用户的过程。
(2)置信度阈值:当待识别用户的身份特征与特征库内已注册用户的特征的相似度超过置信度阈值时,身份识别模型将所述待识别用户判断为该已注册用户。
(3)人脸门禁机:人脸识别门禁控制设备,通过人脸识别门禁控制设备对待识别用户进行身份识别,在本实施例中,该人脸识别门禁控制设备基于安卓平台。
(4)识别出错:指待识别用户A被识别成了用户B,识别出的身份出现错误,即待识别用户A被识别为其他已注册用户,或者待识别用户A被识别为未注册用户。
相关技术中直接通过离线或者在线识别的方式,识别摄像头捕捉到的待识别用户的身份特征,在识别过程中,将身份特征与特征库中的特征进行匹配,通过匹配的方式获取待识别用户的身份信息,而无法检测出识别出错的情形,部分身份识别***会将识别结果推送给用户,这样能够发现部分识别出错的情形,但是也没有自动修复的功能,无法对出错场景作出自动化的处理和修正,因而无法降低识别出错的概率。
本发明实施例提供一种身份识别的处理方法、装置、电子设备和存储介质,能够解决相关技术中无法检测识别出错的情形,且无法对身份识别过程进行自动修复的技术问题。
为方便描述本发明实施例,首先说明本发明实施例提供的电子设备,在一些实施例中,本发明实施例提供的电子设备的类型既包括用于进行身份识别的终端(即身份识别终端),也包括服务器。即通过由多个终端和至少一个服务器构成的身份识别***实现本发明实施例提供的身份识别处理方法。
参见图1A,图1A是本发明实施例提供的身份识别的处理***100的一个可选的结构示意图,终端400通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合,本发明实施例提供的身份识别的处理方法中涉及到离线识别与在线识别协作处理的方式,终端400接收待识别用户的数据,提取对应的身份特征,与特征库500中的特征进行离线匹配,以对身份特征进行离线识别,并将采集的用户数据发送至服务器200,或者远程调用服务器200来对待识别用户进行精度更高的在线身份识别,当两次识别结果不一致的时候,确定两次识别中至少出现了一次识别错误,并获取识别错误所涉及到的可疑用户,通过用户管理***600对特征库中可疑用户的置信度阈值进行调整,增加识别难度,将可疑用户的更新的置信度阈值发送至终端400,以在离线身份识别的过程中基于更新的置信度阈值进行识别,从而获取到可信特征,并利用可疑用户的可信特征来更新特征库中的特征,终端400中的图形界面显示识别结果,这里的识别结果可以是离线识别出的身份信息。
在图1A示出的身份识别***的架构中通过服务器来作为管理者,借助于服务器的高效处理能力,可以及时感知身份识别错误并进行快速的修复。
在另一些实施例中,本发明实施例提供的电子设备的类型也可以仅仅是终端,相应地,作为图1A示出的身份识别***的替代方案,是身份识别***也可以仅仅通过多个终端实现(即不设置服务器),多个终端可以通过随机方式或选举方式(例如基于硬件资源和网络资源的选举操作,确定处理能力最高的终端)作为管理者以实现如图1A示出的服务器的功能,参见图1B,选举出的管理终端400-1用于实现图1A中的服务器的功能,工作终端400-2图1A中终端的功能,这种架构的***能够摆脱对网络中服务器的依赖,可以实现在安全性要求高的生产环境(例如,限制外部网络连接)或者外部网络连接状况不佳(例如到互联网的接入存储明显的延迟且传输速度有限)的生产环境中的快速部署和使用。
以电子设备是终端为例,参见图2,图2是本发明实施例提供的应用身份识别的处理方法的电子设备的一个可选的结构示意图,图2所示的终端400包括:至少一个处理器410、存储器450、至少一个网络接口420和用户接口430。终端400中的各个组件通过总线***440耦合在一起。可理解,总线***440用于实现这些组件之间的连接通信。总线***440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。但是为了清楚说明起见,在图2中将各种总线都标为总线***440。
处理器410可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),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,其中,通用处理器可以是微处理器或者任何常规的处理器等。
用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置432,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器450可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器450可选地包括在物理位置上远离处理器410的一个或多个存储设备。
存储器450包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Me mory),易失性存储器可以是随机存取存储器(RAM,Random Access Memor y)。本发明实施例描述的存储器450旨在包括任意适合类型的存储器。
在一些实施例中,存储器450能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作***451,包括用于处理各种基本***服务和执行硬件相关任务的***程序,例如框架层、核心库层、驱动层等,用于实现各种首次业务以及处理基于硬件的任务;
网络通信模块452,用于经由一个或多个(有线或无线)网络接口420到达其他计算设备,示例性的网络接口420包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
呈现模块453,用于经由一个或多个与用户接口430相关联的输出装置431(例如,显示屏、扬声器等)使得能够呈现信息(例如,用于操作***设备和显示内容和信息的用户接口);
输入处理模块454,用于对一个或多个来自一个或多个输入装置432之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
可以理解地,根据如图2所示的终端的实施,对于电子设备是服务器的情况,可以参考图2示出的具体结构而实施,并省略其中对于服务器不必要的部分,例如用户接口430。
下面说明本发明实施例提供的身份识别处理装置,在一些实施例中,本发明实施例提供的身份识别处理装置可以采用软件方式实现,其中包括一系列的模块,对于图1A-1B示出的身份识别***来说,当终端和服务器植入身份识别处理装置中的模块时,可以实现本发明实施例提供的身份识别的处理方法。
作为示例,图2示出了存储在存储器450中的身份识别处理装置455,其可以是程序和插件等形式的软件,包括以下软件模块:身份识别模块4551、错误检测模块4552、置信度阈值更新模块4553以及特征更新模块4554,这里的身份识别处理装置是455是存储在终端400中的,由于身份识别的处理方法是通过终端400和服务器200协同实现的,分别通过终端400实现离线识别,通过服务器200实现在线识别,因此,服务器200中也运行有以下软件模块:身份识别模块、错误检测模块、置信度阈值更新模块以及特征更新模块,这些模块是逻辑上的,关于终端、服务器的执行的每个步骤都可以对应有一个单独的模块,也可以将逻辑上相互关联的处理实现为一个模块,终端和服务器可以实施身份识别处理装置中的全部模块,例如,身份识别处理装置可以实施为统一的软件包,终端和服务器安装软件包并运行与自身角色相应的功能模块,身份识别处理装置还可以实施为分别对应终端、服务器的软件包,终端和服务器各自部署相应的软件包来实现下文中对应终端以及服务器的处理。因此根据所实现的功能可以进行任意的组合或进一步拆分,将在下文中说明各个模块的功能。
在另一些实施例中,本发明实施例提供的身份识别处理装置455可以采用硬件方式实现,作为示例,本发明实施例提供的身份识别处理装置455可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的身份识别的处理方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable LogicDevice)、复杂可编程逻辑器件(CPL D,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
下面将说明本发明实施例提供的身份识别的处理方法,并将以图1A示出的身份识别***为例进行说明。可以理解地,根据对下文的理解,对于上文所述的仅由多个终端组成的身份识别处理***,其中作为管理者的终端可以通过执行下文所述的服务器的相关处理而实施身份识别的处理方法。
参见图3A,图3A是本发明实施例提供的身份识别的处理方法的一个可选的流程示意图,将结合图3A示出的步骤进行说明。
在步骤101中,基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别。
这里的用户特征库是通过用户信息管理***来维护的,用户信息管理***收集各个用户的注册信息,这个过程是发生在用户注册阶段,例如,在门禁设备开始工作之前就收集需要通过门禁的用户的图像以获取这些需要进行注册的用户的特征,存放用户的身份特征,以后续进行身份识别时与待识别用户的身份特征匹配,例如,待识别用户的身份特征与特征A匹配,则特征A所对应的已注册用户是待识别用户的身份。
在一些实施例中,步骤101中对待识别用户进行身份识别,可以通过以下技术方案实现,终端对待识别用户进行离线身份识别(步骤101A);或者,分别通过终端对待识别用户进行离线身份识别和通过服务器对待识别用户进行在线身份识别(步骤101B)。
这里对待识别用户进行离线身份识别是通过图1A中的终端400实现的,这里的在线身份识别是通过图1A中的服务器200实现的,终端400具体为身份识别终端,服务器200中具体设置有后台身份识别***。
参见图3B,基于图3A,图3B是本发明实施例提供的身份识别的处理方法的一个可选的流程示意图,步骤101A中对待识别用户进行离线身份识别可以通过步骤1011A-1012A实现,将结合图3B示出的步骤进行说明。
在步骤1011A中,通过身份识别终端中运行的第一身份识别模型,识别出对应待识别用户的身份特征,并确定身份特征与用户特征库中各个已注册用户的特征之间的相似度。
在一些实施例中,第一身份识别模型是用于进行快速识别的身份识别模型,通过第一身份识别模型进行识别的过程中可以识别出特征库中的多个特征,这些特征分别与待识别用户的身份特征的相似度超过置信度阈值,这时选择相似度最高的特征对应的已注册用户作为识别出的身份信息。
这里的身份特征以及特征库中的特征可以是各种类型的特征,例如脸部特征、声音特征以及指纹特征等等,如果待识别用户的身份特征是脸部特征时,匹配所用到的特征库中的特征也是脸部特征,因此,通过用户信息管理***对特征库中的对应各个已注册用户的各个类型的特征进行管理,对应每一个已注册用户,会对应有各种类型的特征作为存档,以及对应各个特征的置信度阈值,作为匹配计算后是否赋予权限的依据。
在步骤1012A中,当在用户特征库中存在与识别出的身份特征之间的相似度超出置信度阈值的特征时,终端将与身份特征之间的相似度超过置信度阈值的特征所对应的已注册用户,确定为待识别用户的身份信息。
这里,各个已注册用户的特征对应设置有置信度阈值,可以是统一设置,可以个性化设置,最简单的实施方式是将与特征库所有特征进行匹配后判断通过身份识别的置信度阈值统一设为一个值,还可以个性化设置基于不同特征进行身份识别的置信度阈值。
在一些实施例中,对于一幢大楼而言,会需要设定多个身份验证设备以获取进入不同房间或者办公室的权限,对于保洁室而言,基于各个特征进行身份识别的置信度阈值较低,对于机密办公室而言,基于各个特征进行身份识别的置信度阈值较高,即基于各个特征进行身份识别的置信度阈值与身份验证设备所赋予的权限的保密程度对应,这里的保密程度是身份验证设备所管辖的通过权限的保密程度,例如进入保洁室的保密程度以及进入机密办公室的保密程度。
在执行完上述步骤1011A-1012A中的技术方案之后,还可以执行以下技术方案:向待识别用户赋予对应识别出的已注册用户的权限,并通过身份识别终端中的第二身份识别模型对待识别用户进行身份识别;其中,第一身份识别模型的识别速度高于第二身份识别模型,第二身份识别模型的识别精度高于第一身份识别模型。
这里的身份识别终端根据服务场景可以是各种类型,例如门禁机、智能锁、电脑、智能手机等,当身份识别终端是门禁机时,对于不同的已注册用户可以提前注册不同的权限,例如,对于用户A的权限是允许通过门禁机,甚至在不同的时间段,对于同一个门禁机而言,会允许不同的用户通过门禁机,这是通过在不同的时间段激活特征库中不同的特征来实现的,例如,设定已注册用户中的第一部分用户可以在第一时间段内具有通过门禁机的权限,第二部分用户可以在第二时间段内具有通过门禁机的权限,用户在不对应的时间段内是不具有通过门禁机的权限的,因此,在第一时间段内,门禁机中的第一身份识别模型仅调用特征库中的对应第一部分用户的特征,而不是将所有特征作为进行相似度匹配计算的特征,在第二时间段内,门禁机中的第一身份识别模型仅调用特征库中的对应第二部分用户的特征,而不是将所有特征作为进行相似度匹配计算的特征,这样分时间段对不同的已注册用户赋予通过的权限,如果身份验证设备是电脑时,对于用户A的权限可以是电脑开机,或者是特殊文件夹的开启,同样的可以对不同的已注册用户设定不同的使用时间段,对于未注册用户而言,在身份识别模型正常工作的情况下是不会被赋予相应权限的。
上述通过身份识别终端中的第二身份识别模型对待识别用户进行身份识别,可以通过以下技术方案实现,通过身份识别终端中的第二身份识别模型,识别出对应待识别用户的身份特征,并确定身份特征与用户特征库中各个已注册用户的特征之间的相似度;当用户特征库中存在超出置信度阈值的特征时,将与识别出的身份特征之间的相似度超过置信度阈值的特征所对应的已注册用户,确定为待识别用户的身份信息。
在一些实施例中,第二身份识别模型与第一身份识别模型类似,均是进行离线身份识别,第二身份识别模型和第一身份识别模型均运行于身份识别终端,通过第二身份识别模型对待识别用户进行识别的目的是为了检测赋予权限所进行的身份识别(通过第一身份识别模型所进行的身份识别)是否出错,由于第二身份识别模型不需要及时反映出是否赋予权限给待识别用户,因此,第二身份识别模型的识别速度不需要很快,识别速度低于第一身份识别模型,第二身份识别模型的识别精度高于第一身份识别模型,从而通过精确识别来检测第一身份识别模型进行身份识别的过程中是否出错。
在一些实施例中,在通过身份识别终端中的第二身份识别模型对待识别用户进行身份识别之前,还需要执行以下技术方案,当通过第一身份识别模型对待识别用户进行身份识别通过时,确定用户特征库中与待识别用户的身份特征匹配的特征的数目;当数目超过特征数目阈值时,确定通过第二身份识别模型对待识别用户进行身份识别。
这里,当通过第一身份识别模型对待识别用户进行身份识别通过,表征识别出待识别用户对应的已注册用户,通过第二身份识别模型进行身份识别执行条件可以有以下限定方式,可以默认设置在所有情况下,都在通过第一身份识别模型进行身份识别之后,均用第二身份识别模型进行辅助的身份识别,还可以限定,根据第一身份识别模型进行身份识别所获得与身份特征之间的相似度超过置信度阈值的特征的数目,来判断是否需要通过第二身份识别模型进行身份识别。当超过置信度阈值的特征的数目超过特征数目阈值时,确定特征库中有多个特征与身份特征相似,表征针对该待识别用户所进行的身份识别过程不可靠,确定通过第二身份识别模型对待识别用户进行第二次身份识别。
参见图3C,基于图3A,图3C是本发明实施例提供的身份识别的处理方法的一个可选的流程示意图,步骤101B中分别对待识别用户进行离线身份识别和在线身份识别可以通过步骤1011B-1014B实现,将结合图3B示出的步骤进行说明。
在步骤1011B中,通过身份识别终端中运行的第一身份识别模型对待识别用户进行身份识别。
在步骤1012B中,当识别出待识别用户为用户特征库中的已注册用户时,向待识别用户赋予对应识别出的已注册用户的权限。
在步骤1013B中,通过身份识别终端中运行的第二身份识别模型对待识别用户进行身份识别。
这里通过身份识别终端中运行的第一身份识别模型对待识别用户进行身份识别的过程可以参考上述实施例中的实施方式,并且,通过身份识别终端中运行的第二身份识别模型对待识别用户进行身份识别的过程也可以参考上述实施例中的实施方式。
在步骤1014B中,当第一身份识别模型与第二身份识别模型的识别结果不一致时,通过调用后台身份识别***对待识别用户进行在线身份识别。
在一些实施例中,当第一身份识别模型与第二身份识别模型的识别结果不一致时,可以确定在第一身份识别模型的识别结果和第二身份识别模型的识别结果中至少有一个结果是出错的,因此,调用后台身份识别***对待识别用户进行在线身份识别,这里,调用后台身份识别***对待识别用户进行在线身份识别的限定条件通过以下两个条件进行限定,第一个限定条件是后台身份识别***的总资源占用量,第二个限定条件是离线身份识别中两个模型对相同的待识别用户的识别结果是否一致。
在一些实施例中,在通过调用后台身份识别***对待识别用户进行在线身份识别之前,还会执行以下技术方案,获取后台身份识别***的总资源占用量,总资源占用量是进行在线身份识别所消耗的资源的总和;当后台身份识别***的总资源占用量不超出资源占用量阈值时,确定通过调用后台身份识别***对待识别用户进行在线身份识别。
在一些实施例中,响应多个身份识别终端的在线身份识别请求,可以分别确定来自于每个身份识别终端的在线身份识别请求所占用的资源占用量,进而确定所有身份识别终端针对于后台身份识别***的总资源占用量,当总资源占用量没有超过资源占用量阈值时,默认为在所有的情况下都使用后台身份识别***进行更加精确的身份识别,但是当总资源占用量超过了资源占用量阈值时,则尽在两次离线身份识别结果不一致的情况下,调用后台身份识别***对待识别用户进行在线身份识别。
在步骤102中,根据对应得到的识别结果,检测待识别用户的身份识别过程中出现的识别错误。
这里根据对应得到的识别结果,检测待识别用户的身份识别过程中出现的识别错误同样也是通过身份识别终端(终端)和后台身份识别***(部署于服务器)两者共同完成的,有的实施方式是通过终端来完成,有的实施方式是通过服务器执行,有的实施方式是结合终端和服务器来执行的。
在一些实施例中,当识别结果包括通过离线身份识别得到的身份信息,且离线身份识别的过程中使用的模型包括第一身份识别模型和第二身份识别模型时,步骤102中根据对应得到的识别结果,检测待识别用户的身份识别过程中出现的识别错误,可以通过以下技术方案实现,当满足以下条件至少之一时,身份识别终端确定待识别用户的离线身份识别的过程中出现识别错误:通过身份识别终端中的第一身份识别模型对待识别用户进行身份识别得到的身份信息,与通过身份识别终端中的第二身份识别模型对待识别用户进行身份识别得到的身份信息不一致;通过身份识别终端中的第一身份识别模型对待识别用户进行身份识别得到身份信息,且身份识别终端接收到待识别用户针对身份信息的识别错误反馈;通过身份识别终端中的第一身份识别模型对待识别用户进行身份识别得到身份信息,并通过服务器发送至对应身份信息的用户,且通过服务器接收到对应身份信息的用户的识别错误反馈。
在一些实施例中,通过第一身份识别模型对待识别用户进行身份识别得到的身份信息,与通过第二身份识别模型对待识别用户进行身份识别得到的身份信息不一致,这里两次身份识别得到的身份信息不一致,可以表征在第一身份识别模型的识别过程中和第二身份识别模型的识别过程中,至少存在一个识别过程出现错误,或者两次识别过程中均出现了错误,例如,第一身份识别模型将待识别用户A识别为已注册用户B,第二身份识别模型将待识别用户A识别为已注册用户A,此时是第一身份识别模型识别过程中出现识别错误,例如,第一身份识别模型将待识别用户A识别为已注册用户B,第二身份识别模型将待识别用户A识别为已注册用户C,此时是第一身份识别模型识别过程中出现识别错误,或者第一身份识别模型和第二身份识别模型的识别过程中均出现错误。
在一些实施例中,通过身份识别终端中的第一身份识别模型对待识别用户进行身份识别得到身份信息,且身份识别终端接收到待识别用户针对身份信息的识别错误反馈,这里是通过第一身份识别模型对待识别用户进行身份识别得到身份信息,并在身份识别终端上显示了身份信息,例如,对待识别用户A进行身份识别,并将识别结果用户B的个人信息显示在身份识别终端的图形界面,可以直接通过身份验证设备上提供给待识别用户的进行反馈的按钮,接收待识别用户针对身份信息的反馈,可以提供报错按钮,响应于接收到来自于待识别用户的针对身份信息的错误反馈,可以表征第一身份识别模型在身份识别的过程中出现错误。
在一些实施例中,通过身份识别终端中的第一身份识别模型对待识别用户进行身份识别得到身份信息,并通过服务器发送至对应身份信息的用户,且通过服务器接收到对应身份信息的用户的识别错误反馈,这里是通过第一身份识别模型对待识别用户进行身份识别得到身份信息,并将身份信息发送返回至服务器,以使服务器将身份识别信息发送给身份信息所指向的用户,例如,第一身份识别模型对待识别用户进行离线身份识别,将待识别用户A识别为已注册用户B,进而将身份识别结果发送至已注册用户B,已注册用户B在收到身份识别结果后,自然而然的会意识到第一身份识别模型的识别过程中出现了错误,错误地将其他用户识别为自己,具体的,可以是身份识别终端查询特征库中对应特征的身份管理信息,并请求服务器将身份识别结果发送至对应的用户。
在一些实施例中,当识别结果包括通过离线身份识别和在线身份识别得到的身份信息时,在步骤102中,根据对应得到的识别结果,检测待识别用户的身份识别过程中出现的识别错误,可以通过以下技术方案实现,当通过身份识别终端所进行的离线身份识别和服务器中的后台身份识别***所进行的在线身份识别能够识别出相同的已注册用户的身份信息,且服务器接收到识别出的已注册用户的识别错误反馈时时,服务器确定离线身份识别和在线身份识别的过程中出现识别错误;当身份识别终端进行离线身份识别所识别出的身份信息和后台身份识别***进行在线身份识别所识别出的身份信息不一致时,确定离线身份识别和在线身份识别中的至少一个出现识别出错。
在一些实施例中,当通过身份识别终端所进行的离线身份识别和服务器中的后台身份识别***所进行的在线身份识别能够识别出在用户特征库中相同的已注册用户的身份信息时,通过服务器向识别出的已注册用户发送识别结果,且服务器接收到识别出的已注册用户的识别错误反馈时,这里的错误反馈即为该用户没有通过身份识别终端请求进行离线身份识别,服务器则确定离线身份识别和在线身份识别的过程中出现识别错误,例如,离线身份识别将待识别用户A识别为已注册用户B,在线身份识别也将待识别用户A识别为已注册用户B,后台身份识别***将识别结果发送给已注册用户B,接收到识别出的已注册用户B的识别错误反馈,已注册用户B没有通过身份识别终端请求进行离线身份识别。
在一些实施例中,当离线身份识别出的身份信息和在线身份识别出的身份信息不一致时,确定离线身份识别和在线身份识别中的至少一个出现识别出错,例如,离线身份识别将待识别用户A识别为已注册用户B,在线身份识别将待识别用户A识别为已注册用户A,此时是离线身份识别的识别过程中出现识别错误,例如,离线身份识别将待识别用户A识别为已注册用户B,在线身份识别将待识别用户A识别为已注册用户C,此时是离线身份识别的识别过程中出现识别错误,或者离线身份识别和在线身份识别的识别过程中均出现错误。
在步骤103中,将识别错误在用户特征库中所涉及的已注册用户标记为可疑用户,更新用户特征库中对应可疑用户的特征的置信度阈值。
这里,标记可疑用户的过程同样是通过身份识别终端(终端)和后台身份识别***(部署于服务器)两者共同完成的,有的实施方式是通过终端来完成,有的实施方式是通过服务器执行,有的实施方式是结合终端和服务器来执行的,以将已注册用户标记为可疑用户是将该用户加入可疑用户名单。
参见图3D,基于图3A,图3D是本发明实施例提供的身份识别的处理方法的一个可选的流程示意图,步骤103中将识别错误在用户特征库中所涉及的已注册用户标记为可疑用户可以通过步骤1031-1032实现,将结合图3D示出的步骤进行说明。
在步骤1031中,当进行离线身份识别出现识别错误时,将用户特征库中所涉及的以下已注册用户至少之一标记为可疑用户:通过离线身份识别错误识别出的已注册用户;待识别用户对应的正确的已注册用户。
在一些实施例中,当通过身份识别终端进行离线身份识别出现识别错误时,用于进行离线身份识别的身份识别终端呈现识别出的身份信息,且身份识别终端接收到所述待识别用户的错误反馈时,身份识别终端将错误反馈发送至服务器,以使服务器将所述待识别用户确定为可疑用户,即待识别用户对应的正确的已注册用户,服务器将在出现所述识别错误的离线身份识别中被识别出的已注册用户确定为可疑用户,即错误的识别结果所指向的已注册用户。
在步骤1032中,当进行在线身份识别出现识别错误时,将以下已注册用户至少之一作为可疑用户:通过在线身份识别错误识别出的已注册用户;待识别用户对应的正确的已注册用户。
在一些实施例中,当通过服务器中的后台身份识别***进行在线身份识别出现识别错误时,服务器将在出现识别错误的在线身份识别中被识别出的已注册用户确定为可疑用户,还可以将待识别用户对应的正确的已注册用户也作为可疑用户,对于前者可以将识别结果直接发送至识别结果所指向的已注册用户,接收已注册用户的错误反馈,对于后者,可以基于身份识别终端所接收到的待识别用户的直接反馈,并将反馈结果发送至后台身份识别***,因而后台身份识别***出现错误时,还可以将待识别用户对应的正确的已注册用户作为可疑用户。
在一些实施例中,步骤103中更新用户特征库中对应可疑用户的特征的置信度阈值,可以通过以下技术方案实现,服务器根据可疑用户所涉及到的识别错误的次数,确定与次数正相关的梯度值;服务器将梯度值与对应可疑用户的特征的置信度阈值的加和,作为可疑用户的新置信度阈值;在执行完上述技术方案之后,还可以执行以下技术方案,服务器将新置信度阈值发送到用于进行离线身份识别的身份识别终端,以更新身份识别终端中的对应可疑用户的特征的原始置信度阈值。
在一些实施例中,服务器根据可疑用户所涉及到的识别错误的次数,确定与次数正相关的梯度值,例如,对于已注册用户A已经被多次涉及到身份识别的识别错误中,已注册用户A可以是被错误识别为已注册用户B,还可以是已注册用户B被错误识别为已注册用户A,还可以是已注册用户A未被识别出来,类似于上述情形,确定与上述次数正相关的梯度值,例如,出现了2次,梯度值为10分,出现了4次,梯度值为20分,将梯度值与可疑用户的原始置信度阈值的加和,作为可疑用户的新置信度阈值,当原始置信度阈值为40分时,出现2次识别错误后,将该可疑用户的新置信度阈值确定为50分,当原始置信度阈值为40分时,出现4次识别错误后,将该可疑用户的新置信度阈值确定为60分,在执行完上述技术方案之后,还可以执行以下技术方案,服务器将新置信度阈值发送到用于进行离线身份识别的身份识别终端,以更新身份识别终端中的原始置信度阈值,用新置信度阈值来更新之前的置信度阈值,使得后续识别过程中,基于更新后的置信度阈值来进行身份识别以及授权。
在步骤104中,基于更新的置信度阈值对新待识别用户进行身份识别,以获取可疑用户的更新的特征,并利用可疑用户的更新的特征更新用户特征库。
这里,基于更新的置信度阈值对新待识别用户进行身份识别,以获取可疑用户的更新的特征,并利用可疑用户的更新的特征更新用户特征库的过程同样是通过身份识别终端(终端)和后台身份识别***(部署于服务器)两者共同完成的,有的实施方式是通过终端来完成,有的实施方式是通过服务器执行,有的实施方式是结合终端和服务器来执行的。
在一些实施例中,步骤104中基于更新的置信度阈值对新待识别用户进行身份识别,以获取可疑用户的更新的特征,可以通过以下技术方案实现,身份识别终端基于更新的置信度阈值对新待识别用户进行离线身份识别,以获取新待识别用户的身份特征;身份识别终端在用户特征库中查找可疑用户的特征,且查找到的特征与新待识别用户的身份特征之间的相似度超过更新的置信度阈值,以将新待识别用户的身份特征发送至服务器,以使服务器将新待识别用户的身份特征作为可疑用户的更新的特征。
在一些实施例中,身份识别终端基于更新的置信度阈值对新待识别用户进行离线身份识别,以获取新待识别用户的身份特征,由于更新的置信度阈值更高,因此待识别用户若想通过身份识别,身份识别模型必须要接收到图像质量高的待识别用户的图像数据,在用户特征库中查找可疑用户的特征,且查找到的特征与新待识别用户的身份特征之间的相似度超过更新的置信度阈值,以将新待识别用户的身份特征发送至服务器,以使服务器将新待识别用户的身份特征作为可疑用户的更新的特征,只有提取出准确的身份特征,才能在匹配过程中身份识别通过获取授权,因此,在更新的置信度阈值的基础上,通过身份识别的身份特征可以作为可信特征。
在一些实施例中,在执行完步骤104中,还可以执行以下技术方案,针对用户特征库中已经更新了特征的可疑用户执行以下处理:服务器将可疑用户的更新的置信度阈值恢复为对应可疑用户的特征的置信度阈值,并取消可疑用户的标记。
在一些实施例中,针对用户特征库中已经更新了特征的可疑用户执行以下处理:服务器将可疑用户的更新的置信度阈值恢复为原始置信度阈值,并取消可疑用户的标记,这相当于是可疑用户的置信度阈值的恢复过程,由于获取到的用户的可信特征,从而在后续识别的过程中出现识别出错的概率会降低,从而为了不影响用户的身份识别的体验,将更新的置信度阈值恢复到原始置信度阈值。
参见图3E,图3E是本发明实施例提供的身份识别的处理方法的交互流程示意图,身份识别终端接收到待识别用户A的数据之后,这里的数据可以是声音数据、图像数据等能够表征待识别用户A的身份的数据,通过身份识别终端中的第一身份识别模型对待识别用户A进行身份识别(快速离线身份识别),当身份识别时得到的与待识别用户A的身份特征相似的特征数目超过特征数目阈值的时候,需要通过身份识别终端中的第二身份识别模型对待识别用户A进行第二次离线身份识别(精确离线身份识别),当两次离线身份识别的识别结果不一致的时候,例如,第一次将用户A识别用户B,第二次将用户A识别为用户A,确定其中至少一次身份识别出现了识别错误,将识别错误所涉及到的用户(用户A和用户B)标识为可疑用户,当两次离线身份识别的识别结果一致时,继续调用后台身份识别***对待识别用户A进行在线身份识别,刚上线身份识别的识别结果与离线身份识别的识别结果不一致的时候,例如,离线身份识别将用户A识别用户B,在线身份识别将用户A识别为用户A,将可疑用户发送到用户管理***,以可疑用户为用户B作为例子进行说明,用户管理***用于维护用户身份信息、以及维护与管理已注册用户的特征库,通过用户管理***来更新对应可疑用户的特征的置信度阈值,并将更新的置信度阈值重新返回至各个离线的身份识别终端,以及在线的后台身份识别***,对新待识别用户B进行离线身份识别,若识别通过,则将识别得到的身份特征作为可疑用户B的可信特征,发送至用户管理***,以使用户管理***基于可信特征对用户特征库进行更新,并将可疑用户B对应的额特征的置信度阈值恢复至原始的置信度阈值。
下面,将说明本发明实施例在一个实际的应用场景中的示例性应用。
参见图4,图4是本发明实施例提供的身份识别的处理***的架构图,以身份识别终端为门禁机,身份特征为人脸特征作为示例进行说明,所有门禁机都和同一个人脸服务统一后台进行交互。
每台门禁机支持离线的人脸识别,并且每次识别成功后会将识别数据(识别结果)发送给后台身份识别***,每台门禁机包含两个人脸识别模型:通用高准确率模型(第一身份识别模型)、高精度辅助模型(第二身份识别模型),通用高准确率模型识别速度快并且准确率满足一般场景需求,高精度辅助模型识别比较慢但是对于相似的特征区分能力更强,待识别用户只要通过了高准确率模型的识别,门禁机就会给他开门,保证正常的用户体验,开门场景下待识别用户A会被识别为已注册用户A,或者待识别用户A被识别已注册为用户B。
后台身份识别***里包含一个服务器重度模型,更加耗时,但是识别精度更加准确,直接将所有的门禁机识别成功数据发送给后台身份识别***会非常耗费服务器资源,在门禁机数量比较多的场景下尤甚,因此,在总资源占用量不超过资源占用量阈值时,可以直接将所有的门禁机识别成功数据发送给后台身份识别***,在总资源占用量超过资源占用量阈值时,判断离线身份识别的结果是否不一致,当两个离线身份识别结果仍为一致时,继续利用后台身份识别***对待识别用户进行在线身份识别,当两个离线身份识别结果不一致时,便不占用服务器资源进行在线身份识别。
只要用户开门成功,就会将开门成功的信息通过识别结果推送***发送到出错涉及到的用户,如果用户发现识别出错,可以立即点击反馈按钮,例如,门禁显示识别出的用户身份(例如注用户在注册是使用的人脸图像),如果用户A发现被错误识别为B,则可以在门禁机或用户A的客户端反馈,当待识别用户A被识别为已注册用户B开门时,通过识别结果推送***用户B会接收到开门成功信息,但是用户B此时没有经过门禁机,因此通过用户B的客户端反馈错误,对于后台身份识别***也识别出错的场景,最终还能通过用户反馈这个路径来甄别识别出错的案例,开门没有成功分几种情况:如果识别出来了用户A,但是没有开门,也会将推送结果给用户A,如果没有识别出来是谁,导致没有开门,则不会有其他流程。
只要发现离线身份识别或者在线身份识别中出错了,会将涉及到的用户加入到可疑用户管理***中的可疑用户名单并且下发给所有的门禁机,当被标识为可疑用户的用户来识别时,门禁机会提高他们通过门禁机的置信度阈值,并且名单中会有识别出错次数的统计,识别出错次数越多,置信度阈值会变得越高,对可疑用户提高置信度阈值后会降低他们的门禁体验,但是当这些用户认真使用门禁机后,门禁机捕捉到清晰可信的脸部数据后,客户端的两个离线模型和后台重度模型都会获取到比较高的相似度,当相似度超过置信度阈值时,门禁机会将此时的用户脸部数据特征提取出来,发送给可信用户特征***并且将此用户从可疑用户名单中删除,然后同步到所有人脸门禁机,此时用户再次来识别,会很容易命中那个新的可信特征,大大提升用户的开门体验。
参见图5,图5是本发明实施例提供的发现识别出错的场景示意图,待识别用户尝试刷脸开门,识别成功之后门禁机会赋予待识别用户进门的权限,这个过程是通过第一身份识别模型实现的,身份识别通过后,会基于相似特征的数量来决定是否需要通过第二身份识别模型进行辅助身份识别,相似特征数量超过一定阈值指的是:和待识别用户的身份特征比较相似的特征数量是否超过特征数目阈值,具体表现为对当前待识别用户的图像进行特征提取,得到当前待识别用户对应的特征F,将F与特征库中的特征对比,发现特征库里有多个特征F1、F2、F3、F4都和特征F相似度很高(超过开门的置信度阈值),此时如果特征数目阈值是4,则认为当前待识别用户的图像对应的特征库中的相似特征数量超过了阈值4,会启用进一步的高精度模型(第二身份识别模型)来二次对比匹配,由于计算资源的不同,当计算资源充足的情形下,无论高精度辅助的识别结果如何,都会发到后台身份识别***进行识别,当计算资源不充足时,只在本地两个模型识别出相同结果时,再调用后台身份识别***,当后台身份识别***也无法发现的出错案例,只能通过推送给用户来让用户反馈,即使存在恶意反馈的用户,也不会造成非常大的影响,在上述三次识别的过程中,但凡出现与上一个模型识别结果不一致的情形,均将出错中所涉及到的用户标识为可疑用户,图5中的高精度辅助模型(第二身份识别模型)是一个运行在门禁机本地的,特征点数量是普通模型(第一身份识别模型)1.5倍的识别模型,特点是精度比普通模型高,但是识别时间也比普通模型高很多,不太合适用在给用户开门这种即时识别场景,但是可以用来辅助判断普通模型识别是否出错。
参见图6,图6是本发明实施例提供的通过高精度辅助模型进行身份识别的流程图,通用高准确率模型(第一身份识别模型)将待识别用户A的图像数据识别为用户B,用户B会接收到识别结果,此时用户B可以通过小程序给出反馈,待识别用户A也可以通过门禁设备直接反馈,如果通用高准确率模型(第一身份识别模型)和高精度辅助模型(第二身份识别模型)都将用户A识别成了用户B,也会将图像数据发送给后台身份识别***,此过程是异步的,此时门已经打开了,不会影响用户的正常开门体验,后台身份识别***的精度是普通模型的精度的两倍甚至更高,其精准度更高但是识别时耗更久,也不适合用于在门禁机上运行并给出实时结果,因此,将这个模型运行在一个带有图像处理加速的服务器上面。
参见图7,图7是本发明实施例提供的通过后台身份识别***进行身份识别的流程图,门禁机本地的高精度辅助模型(第二身份识别模型)将用户C识别为用户D,将用户C的图像数据发送给后台身份识别***,如果后台身份识别***也将用户C识别为用户D,将识别结果推送给涉及到用户D,如果后台身份识别***将用户C识别为用户E,则将将用户E和用户D均标记为可疑用户,并推送给所有的门禁机。
参见图8A,图8A是本发明实施例提供的身份识别出错的惩罚处理流程图,用户被加入到可疑名单被标识为可疑用户后,下次过来开门时由于开门置信度阈值变高了导致开门时间变长,或者无法开门,于是门禁机的摄像头会接收到更加质量更高的待识别图像数据,从而提高门禁机进行身份识别的准确率,参见图8B,图8B是本发明实施例提供的身份识别出错的恢复处理流程图,只要门禁机接收到高质量的待识别图像数据,即图像数据中的人脸正面面对摄像头、图像中的人脸处于摄像头比较居中的位置、以及图像中的人脸处于相对静止的状态,此时待识别图像数据的清晰度高且人脸较大,接收到高质量的待识别图像数据并且相似度达到置信度阈值,就会自动将用户从可疑名单中删除,并且将他的开门置信度阈值恢复成正常值,从而不进一步影响用户后续开门体验,只要用户有可信特征,后续用户再来开门,其开门体验将大大提升,通过本发明实施例提供的方法能快速发现现用户识别出错的案例,对于识别出错的场景,身份识别的处理***会自动处理出错场景,不会对用户的正常开门体验产生太大的影响,且整个过程不需要人工参与介入,从而整个门禁***获得了更大的容错性以及更高的安全性。
下面继续说明本发明实施例提供的身份识别处理装置455的实施为软件模块的示例性结构,在一些实施例中,如图2所示,存储在存储器450的身份识别处理装置455中的软件模块可以包括:身份识别模块4551,用于基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别;错误检测模块4552,用于根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误;置信度阈值更新模块4553,用于将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户,更新所述用户特征库中对应所述可疑用户的特征的置信度阈值;特征更新模块4554,用于基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,并利用所述可疑用户的更新的特征更新所述用户特征库。
在一些实施例中,所述身份识别模块4551,还用于:对所述待识别用户进行离线身份识别;或者,分别对所述待识别用户进行离线身份识别和在线身份识别。
在一些实施例中,所述身份识别模块4551,还用于:通过身份识别终端中运行的第一身份识别模型,识别出对应所述待识别用户的身份特征,并确定所述身份特征与所述用户特征库中各个已注册用户的特征之间的相似度;将相似度超出置信度阈值的特征所对应的已注册用户的身份信息,确定为所述待识别用户的身份信息;向所述待识别用户赋予对应识别出的已注册用户的权限,并通过所述身份识别终端中的第二身份识别模型对所述待识别用户进行身份识别;其中,所述第一身份识别模型的识别速度高于所述第二身份识别模型,所述第二身份识别模型的识别精度高于所述第一身份识别模型。
在一些实施例中,所述身份识别模块4551,还用于:通过所述身份识别终端中的第二身份识别模型,识别出对应所述待识别用户的身份特征,并确定所述身份特征与所述用户特征库中各个已注册用户的特征之间的相似度;将相似度超出置信度阈值的特征所对应的已注册用户的身份信息,确定为所述待识别用户的身份信息。
在一些实施例中,所述身份识别模块4551,还用于:当通过所述第一身份识别模型对所述待识别用户进行身份识别通过时,确定所述用户特征库中与所述待识别用户的身份特征匹配的特征的数目;当所述数目超过特征数目阈值时,确定将继续通过所述第二身份识别模型对所述待识别用户进行身份识别。
在一些实施例中,所述身份识别模块4551,还用于:通过身份识别终端中运行的第一身份识别模型对所述待识别用户进行身份识别;当识别出所述待识别用户为所述用户特征库中的已注册用户时,向所述待识别用户赋予对应识别出的已注册用户的权限;通过所述身份识别终端中运行的第二身份识别模型对所述待识别用户进行身份识别;当所述第一身份识别模型与所述第二身份识别模型的识别结果不一致时,继续通过调用后台身份识别***对所述待识别用户进行在线身份识别。
在一些实施例中,所述身份识别模块4551,还用于:获取所述后台身份识别***的总资源占用量,所述总资源占用量是进行在线身份识别所消耗的资源的总和;当所述后台身份识别***的总资源占用量不超出资源占用量阈值时,确定通过调用所述后台身份识别***对所述待识别用户进行在线身份识别。
在一些实施例中,当所述识别结果包括通过离线身份识别得到的身份信息,且所述离线身份识别的过程中使用的模型包括第一身份识别模型和第二身份识别模型时,所述错误检测模块4552,还用于:当满足以下条件至少之一时,确定所述待识别用户的离线身份识别的过程中出现识别错误:通过所述第一身份识别模型对所述待识别用户进行身份识别得到的身份信息,与通过所述第二身份识别模型对所述待识别用户进行身份识别得到的身份信息不一致;通过所述第一身份识别模型对所述待识别用户进行身份识别得到身份信息,且接收到所述待识别用户针对所述身份信息的识别错误反馈;通过所述第一身份识别模型对所述待识别用户进行身份识别得到身份信息,并发送至对应所述身份信息的用户,且接收到对应所述身份信息的用户的识别错误反馈。
在一些实施例中,当所述识别结果包括通过离线身份识别和在线身份识别得到的身份信息时,所述错误检测模块4552,还用于:当通过所述离线身份识别和所述在线身份识别能够识别出相同的已注册用户的身份信息,且接收到识别出的已注册用户的识别错误反馈时时,确定所述离线身份识别和所述在线身份识别的过程中出现识别错误;当所述离线身份识别出的身份信息和所述在线身份识别出的身份信息不一致时,确定所述离线身份识别和所述在线身份识别中的至少一个出现识别出错。
在一些实施例中,所述置信度阈值更新模块4553,还用于:当进行离线身份识别出现识别错误时,将所述用户特征库中所涉及的以下已注册用户至少之一标记为可疑用户:通过离线身份识别错误识别出的已注册用户;所述待识别用户对应的正确的已注册用户;当进行在线身份识别出现识别错误时,将以下已注册用户至少之一作为可疑用户:通过在线身份识别错误识别出的已注册用户;所述待识别用户对应的正确的已注册用户。
在一些实施例中,所述置信度阈值更新模块4553,还用于:根据所述可疑用户所涉及到的识别错误的次数,确定与所述次数正相关的梯度值;将所述梯度值与对应所述可疑用户的特征的置信度阈值的加和,作为所述可疑用户的新置信度阈值;将所述新置信度阈值发送到用于进行所述离线身份识别的身份识别终端,以更新所述身份识别终端中的对应所述可疑用户的特征的置信度阈值。
在一些实施例中,所述特征更新模块4554,还用于:基于所述更新的置信度阈值对所述新待识别用户进行离线身份识别,以获取所述新待识别用户的身份特征;在所述用户特征库中查找所述可疑用户的特征,且所述查找到的特征与所述新待识别用户的身份特征之间的相似度超过所述更新的置信度阈值,以将新待识别用户的身份特征作为所述可疑用户的更新的特征。
在一些实施例中,所述特征更新模块4554,还用于:针对所述用户特征库中已经更新了特征的可疑用户执行以下处理:将所述可疑用户的更新的置信度阈值恢复为对应所述可疑用户的特征的置信度阈值,并取消所述可疑用户的标记。
本发明实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本发明实施例提供的方法,例如,如图3A-3E示出的身份识别的处理方法。
在一些实施例中,存储介质可以是FRAM、ROM、PROM、EPROM、EE PROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件***中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(H TML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述,通过本发明实施例对识别结果进行检测,以发现用户身份识别出错的情形,对于检测到的识别错误,更新对应的置信度阈值并且更新对应特征以进行自动修复,从而不会影响正常的身份识别过程,并提高身份识别的安全性与准确性。
以上所述,仅为本发明的实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (16)
1.一种身份识别的处理方法,其特征在于,所述方法包括:
基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别;
根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误;
将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户;
根据所述可疑用户所涉及到的识别错误的次数,确定与所述次数正相关的梯度值;
将所述梯度值与对应所述可疑用户的特征的置信度阈值的加和,作为所述可疑用户的更新的置信度阈值;
基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,并
利用所述可疑用户的更新的特征更新所述用户特征库。
2.根据权利要求1所述的方法,其特征在于,所述对待识别用户进行身份识别,包括:
对所述待识别用户进行离线身份识别;或者,分别对所述待识别用户进行离线身份识别和在线身份识别。
3.根据权利要求2所述的方法,其特征在于,所述对所述待识别用户进行离线身份识别,包括:
通过身份识别终端中运行的第一身份识别模型,识别出对应所述待识别用户的身份特征,并确定所述身份特征与所述用户特征库中各个已注册用户的特征之间的相似度;
将相似度超出置信度阈值的特征所对应的已注册用户的身份信息,确定为所述待识别用户的身份信息;
所述方法还包括:
向所述待识别用户赋予对应识别出的已注册用户的权限,并通过所述身份识别终端中的第二身份识别模型对所述待识别用户进行身份识别;
其中,所述第一身份识别模型的识别速度高于所述第二身份识别模型,所述第二身份识别模型的识别精度高于所述第一身份识别模型。
4.根据权利要求3所述的方法,其特征在于,
所述通过所述身份识别终端中的第二身份识别模型对所述待识别用户进行身份识别,包括:
通过所述身份识别终端中的第二身份识别模型,识别出对应所述待识别用户的身份特征,并确定所述身份特征与所述用户特征库中各个已注册用户的特征之间的相似度;
将相似度超出置信度阈值的特征所对应的已注册用户的身份信息,确定为所述待识别用户的身份信息。
5.根据权利要求3所述的方法,其特征在于,在通过所述身份识别终端中的第二身份识别模型对所述待识别用户进行身份识别之前,所述方法还包括:
当通过所述第一身份识别模型对所述待识别用户进行身份识别通过时,确定所述用户特征库中与所述待识别用户的身份特征匹配的特征的数目;
当所述数目超过特征数目阈值时,确定将继续通过所述第二身份识别模型对所述待识别用户进行身份识别。
6.根据权利要求2所述的方法,其特征在于,所述分别对所述待识别用户进行离线身份识别和在线身份识别,包括:
通过身份识别终端中运行的第一身份识别模型对所述待识别用户进行身份识别;
当识别出所述待识别用户为所述用户特征库中的已注册用户时,向所述待识别用户赋予对应识别出的已注册用户的权限;
通过所述身份识别终端中运行的第二身份识别模型对所述待识别用户进行身份识别;
当所述第一身份识别模型与所述第二身份识别模型的识别结果不一致时,继续通过调用后台身份识别***对所述待识别用户进行在线身份识别。
7.根据权利要求6所述的方法,在通过调用后台身份识别***对所述待识别用户进行在线身份识别之前,所述方法还包括:
获取所述后台身份识别***的总资源占用量,所述总资源占用量是进行在线身份识别所消耗的资源的总和;
当所述后台身份识别***的总资源占用量不超出资源占用量阈值时,确定将通过调用所述后台身份识别***对所述待识别用户进行在线身份识别。
8.根据权利要求1所述的方法,其特征在于,
当所述识别结果包括通过离线身份识别得到的身份信息,且所述离线身份识别的过程中使用的模型包括第一身份识别模型和第二身份识别模型时,所述根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误,包括:
当满足以下条件至少之一时,确定所述待识别用户的离线身份识别的过程中出现识别错误:
通过所述第一身份识别模型对所述待识别用户进行身份识别得到的身份信息,与通过所述第二身份识别模型对所述待识别用户进行身份识别得到的身份信息不一致;
通过所述第一身份识别模型对所述待识别用户进行身份识别得到身份信息,且接收到所述待识别用户针对所述身份信息的识别错误反馈;
通过所述第一身份识别模型对所述待识别用户进行身份识别得到身份信息,并发送至对应所述身份信息的用户,且接收到对应所述身份信息的用户的识别错误反馈。
9.根据权利要求1所述的方法,其特征在于,
当所述识别结果包括通过离线身份识别和在线身份识别得到的身份信息时,所述根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误,包括:
当通过所述离线身份识别和所述在线身份识别能够识别出相同的已注册用户的身份信息,且接收到识别出的已注册用户的识别错误反馈时,确定所述离线身份识别和所述在线身份识别的过程中出现识别错误;
当所述离线身份识别出的身份信息和所述在线身份识别出的身份信息不一致时,确定所述离线身份识别和所述在线身份识别中的至少一个出现识别出错。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户,包括:
当进行离线身份识别出现识别错误时,将所述用户特征库中所涉及的以下已注册用户至少之一标记为可疑用户:通过离线身份识别错误识别出的已注册用户;所述待识别用户对应的正确的已注册用户;
当进行在线身份识别出现识别错误时,将以下已注册用户至少之一作为可疑用户:通过在线身份识别错误识别出的已注册用户;所述待识别用户对应的正确的已注册用户。
11.根据权利要求1至9任一项所述的方法,其特征在于,在所述将所述梯度值与对应所述可疑用户的特征的置信度阈值的加和,作为所述可疑用户的更新的置信度阈值之后,所述方法还包括:
将所述更新的置信度阈值发送到用于进行离线身份识别的身份识别终端,以更新所述身份识别终端中对应所述可疑用户的特征的置信度阈值。
12.根据权利要求1至9任一项所述的方法,其特征在于,所述基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,包括:
基于所述更新的置信度阈值对所述新待识别用户进行离线身份识别,以获取所述新待识别用户的身份特征;
在所述用户特征库中查找所述可疑用户的特征,且所述查找到的特征与所述新待识别用户的身份特征之间的相似度超过所述更新的置信度阈值,以将所述新待识别用户的身份特征作为所述可疑用户的更新的特征。
13.根据权利要求12所述的方法,其特征在于,在利用所述可疑用户的更新的特征更新所述用户特征库之后,所述方法还包括:
针对所述用户特征库中已经更新了特征的可疑用户执行以下处理:
将所述可疑用户的更新的置信度阈值恢复为对应所述可疑用户的特征的置信度阈值,并取消所述可疑用户的标记。
14.一种身份识别处理装置,其特征在于,包括:
身份识别模块,用于基于用户特征库中多个已注册用户的特征以及对应的置信度阈值,对待识别用户进行身份识别;
错误检测模块,用于根据对应得到的识别结果,检测所述待识别用户的身份识别过程中出现的识别错误;
置信度阈值更新模块,用于将所述识别错误在所述用户特征库中所涉及的已注册用户标记为可疑用户;根据所述可疑用户所涉及到的识别错误的次数,确定与所述次数正相关的梯度值;将所述梯度值与对应所述可疑用户的特征的置信度阈值的加和,作为所述可疑用户的更新的置信度阈值;
特征更新模块,用于基于所述更新的置信度阈值对新待识别用户进行身份识别,以获取所述可疑用户的更新的特征,并
利用所述可疑用户的更新的特征更新所述用户特征库。
15.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至13任一项所述的身份识别的处理方法。
16.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于被处理器执行时,实现权利要求1至13任一项所述的身份识别的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139638.9A CN111368721B (zh) | 2020-03-03 | 2020-03-03 | 身份识别的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139638.9A CN111368721B (zh) | 2020-03-03 | 2020-03-03 | 身份识别的处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368721A CN111368721A (zh) | 2020-07-03 |
CN111368721B true CN111368721B (zh) | 2023-05-05 |
Family
ID=71207016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010139638.9A Active CN111368721B (zh) | 2020-03-03 | 2020-03-03 | 身份识别的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368721B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650071B (zh) * | 2020-12-21 | 2023-01-13 | 道亿科技医疗健康(海南)有限公司 | 一种基于人工智能的智能决策***与方法 |
CN113469012B (zh) * | 2021-06-28 | 2024-05-03 | 广州云从鼎望科技有限公司 | 用户刷脸验证的方法、***、介质及装置 |
CN114140861A (zh) * | 2021-12-13 | 2022-03-04 | 中电云数智科技有限公司 | 人脸检测去重的方法与装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216884A (zh) * | 2007-12-29 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸认证的方法及*** |
WO2019236284A1 (en) * | 2018-06-03 | 2019-12-12 | Apple Inc. | Multiple enrollments in facial recognition |
CN110688901A (zh) * | 2019-08-26 | 2020-01-14 | 苏宁云计算有限公司 | 一种人脸识别方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10089521B2 (en) * | 2016-09-02 | 2018-10-02 | VeriHelp, Inc. | Identity verification via validated facial recognition and graph database |
CN109145145A (zh) * | 2017-06-16 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种数据更新方法、客户端及电子设备 |
US10970516B2 (en) * | 2017-10-25 | 2021-04-06 | Synaptics Incorporated | Systems and methods for biometric recognition |
CN108446387A (zh) * | 2018-03-22 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于更新人脸注册库的方法和装置 |
CN108549881A (zh) * | 2018-05-02 | 2018-09-18 | 杭州创匠信息科技有限公司 | 证件文字的识别方法和装置 |
CN108470169A (zh) * | 2018-05-23 | 2018-08-31 | 国政通科技股份有限公司 | 人脸识别***及方法 |
CN108960209B (zh) * | 2018-08-09 | 2023-07-21 | 腾讯科技(深圳)有限公司 | 身份识别方法、装置及计算机可读存储介质 |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和*** |
CN109920435B (zh) * | 2019-04-09 | 2021-04-06 | 厦门快商通信息咨询有限公司 | 一种声纹识别方法及声纹识别装置 |
-
2020
- 2020-03-03 CN CN202010139638.9A patent/CN111368721B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216884A (zh) * | 2007-12-29 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸认证的方法及*** |
WO2019236284A1 (en) * | 2018-06-03 | 2019-12-12 | Apple Inc. | Multiple enrollments in facial recognition |
CN110688901A (zh) * | 2019-08-26 | 2020-01-14 | 苏宁云计算有限公司 | 一种人脸识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111368721A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368721B (zh) | 身份识别的处理方法、装置、电子设备及存储介质 | |
WO2018155920A1 (en) | Method and apparatus for authenticating users in internet of things environment | |
CN102137077A (zh) | 访问控制***和采用计算机***控制访问权限的方法 | |
CN104008321A (zh) | 移动终端的基于指纹识别用户权限的判别方法和判断*** | |
CN108804006B (zh) | 用于可穿戴设备的解锁方法、装置、设备和存储介质 | |
CN101751535A (zh) | 通过应用程序数据访问分类进行的数据损失保护 | |
CN104077516A (zh) | 一种生物认证方法及终端 | |
CN109271762B (zh) | 基于滑块验证码的用户认证方法及装置 | |
CN111191207A (zh) | 电子文件的控制方法、装置、计算机设备及存储介质 | |
US11403875B2 (en) | Processing method of learning face recognition by artificial intelligence module | |
CN112149093A (zh) | 一种基于浏览器指纹的身份认证***和方法 | |
CN109508522A (zh) | 一种数据清除方法、装置、存储介质及终端 | |
CN114268453A (zh) | 电力***解锁方法、装置、计算机设备和存储介质 | |
CN104937602B (zh) | 一种隐私保护的方法及电子设备 | |
CN110546638A (zh) | 生物特征认证的改进 | |
CN109885994B (zh) | 一种离线身份认证***、设备及计算机可读存储介质 | |
López et al. | A supervised ml biometric continuous authentication system for industry 4.0 | |
CN115311694A (zh) | 一种指纹解锁方法、装置、设备及存储介质 | |
US11334654B2 (en) | Dynamic enhanced security based on biometric authentication | |
CN111339829B (zh) | 用户身份鉴定方法、装置、计算机设备和存储介质 | |
CN111916086B (zh) | 语音交互控制方法、装置、计算机设备和存储介质 | |
KR102060563B1 (ko) | 음성 및 안면 데이터를 이용한 인증 제공 방법 및 장치 | |
JP6714283B1 (ja) | 電子解錠管理システム及びプログラム | |
CN113095110B (zh) | 人脸数据动态入库的方法、装置、介质及电子设备 | |
US11734956B2 (en) | Processing circuit and processing method applied to face recognition system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40025923 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |