CN112989937B - 用户身份验证的方法和装置 - Google Patents
用户身份验证的方法和装置 Download PDFInfo
- Publication number
- CN112989937B CN112989937B CN202110167798.9A CN202110167798A CN112989937B CN 112989937 B CN112989937 B CN 112989937B CN 202110167798 A CN202110167798 A CN 202110167798A CN 112989937 B CN112989937 B CN 112989937B
- Authority
- CN
- China
- Prior art keywords
- user
- face recognition
- face
- threshold
- current
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书实施例提供了用户身份验证的方法和装置。该方法首先采集用户的人脸图像,然后获取用户进行人脸识别时产生的关联行为特征;再根据所述关联行为特征,得到用户概率值;根据所述人脸图像对所述用户进行身份验证;如果验证失败,则判断所述用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
Description
技术领域
本说明书一个或多个实施例涉及电子信息技术,尤其涉及用户身份验证的方法和装置。
背景技术
在人机交互中,越来越多的场景应用到人脸识别技术来进行用户的身份验证。在进行验证时,对采集到的人脸图像进行验证,如果验证成功,则用户的身份验证成功,从而用户可以进行后续的业务,比如进行付款处理等。
然而,目前利用人脸识别技术进行身份验证的成功率较低。
发明内容
本说明书一个或多个实施例描述了用户身份验证的方法和装置,能够提高用户身份验证的成功率。
根据第一方面,提供了一种用户身份验证的方法,包括:
采集用户的人脸图像;
获取用户进行当前人脸识别时产生的当前关联行为特征;
根据所述当前关联行为特征,得到当前用户概率值;
根据所述人脸图像对所述用户进行身份验证;
如果验证失败,则判断所述当前用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
在本说明书的一个实施例中,所述根据所述当前关联行为特征,得到当前用户概率值,包括:
将所述当前关联行为特征输入预先训练好的用户身份识别模型中;所述用户身份识别模型通过至少两组样本集训练得到,每一组样本集中包括作为输入的样本关联行为特征以及作为输出的样本用户概率值;
得到由所述用户身份识别模型输出的所述当前用户概率值。
在本说明书的一个实施例中,关联行为特征包括如下中的至少一项:
用户进行人脸识别时使用的设备标识;
用户进行人脸识别时使用的局域网的网络标识;
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果。
在本说明书的一个实施例中,所述根据所述人脸图像对所述用户进行身份验证包括:
得到所述人脸图像的图像特征;
根据所述图像特征计算出第一识别分值;
判断所述第一识别分值是否小于预设的第一人脸识别阈值;
如果小于,则身份验证失败;
在所述身份验证失败之后,并在再次进行人脸识别处理之前,进一步包括:
判断所述第一识别分值是否大于预设的第二人脸识别阈值;其中,第二人脸识别阈值小于第一人脸识别阈值;
如果大于,则执行所述再次进行人脸识别处理。
在本说明书的一个实施例中,所述当前用户概率值大于第一预定值,所述第一预定值大于所述关联行为阈值;
所述再次进行人脸识别处理,包括:
确定导致身份验证失败的识别项目;
根据所述识别项目,形成人脸图像采集要求;
基于人脸图像采集要求,再次进行人脸识别。
在本说明书的一个实施例中,所述当前用户概率值大于第一预定值且小于第一预定值,所述第一预定值大于所述关联行为阈值;
所述再次进行人脸识别处理,包括:
利用第三人脸识别阈值,再次进行人脸识别;其中,所述第三人脸识别阈值小于上一次进行人脸识别时所利用的第一人脸识别阈值。
在本说明书的一个实施例中,所述当前用户概率值小于第一预定值;所述第一预定值大于所述关联行为阈值;
所述再次进行人脸识别处理,包括:
利用上一次人脸识别时所采用的识别要求,再次进行人脸识别。
在本说明书的一个实施例中,在判断出所述当前用户概率值不大于预定的关联行为阈值时,进一步包括:
通知用户身份验证失败。
根据第二方面,提供了一种用户身份验证的装置,包括:
采集模块,配置为采集用户的人脸图像;
获取模块,配置为获取用户进行当前人脸识别时产生的当前关联行为特征;
计算模块,配置为根据所述当前关联行为特征,得到当前用户概率值;
验证模块,配置为根据所述人脸图像对所述用户进行身份验证;如果验证失败,则判断所述当前用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
在本说明书的一个实施例中,所述计算模块被配置为执行如下处理:
将所述当前关联行为特征输入预先训练好的用户身份识别模型中;所述用户身份识别模型通过至少两组样本集训练得到,每一组样本集中包括作为输入的样本关联行为特征以及作为输出的样本用户概率值;
得到由所述用户身份识别模型输出的所述当前用户概率值。
在本说明书的一个实施例中,关联行为特征包括如下中的至少一项:
用户进行人脸识别时使用的设备标识;
用户进行人脸识别时使用的局域网的网络标识;
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果。
在本说明书的一个实施例中,所述验证模块被配置为执行如下处理:
得到所述人脸图像的图像特征;
根据所述图像特征计算出第一识别分值;
判断所述第一识别分值是否小于预设的第一人脸识别阈值;
如果小于,则身份验证失败;
进一步包括:
判断模块,配置为判断所述第一识别分值是否大于预设的第二人脸识别阈值;其中,第二人脸识别阈值小于第一人脸识别阈值;如果大于,则执行所述再次进行人脸识别处理。
在本说明书的一个实施例中,所述当前用户概率值大于第一预定值,所述第一预定值大于所述关联行为阈值;
所述验证模块被配置为执行如下处理:
确定导致身份验证失败的识别项目;
根据所述识别项目,形成人脸图像采集要求;
基于人脸图像采集要求,再次进行人脸识别。
在本说明书的一个实施例中,所述当前用户概率值大于第一预定值且小于第一预定值,所述第一预定值大于所述关联行为阈值;
所述验证模块被配置为执行如下处理:
利用第三人脸识别阈值,再次进行人脸识别;其中,所述第三人脸识别阈值小于上一次进行人脸识别时所利用的第一人脸识别阈值。
在本说明书的一个实施例中,所述当前用户概率值小于第一预定值;所述第一预定值大于所述关联行为阈值;
所述验证模块被配置为执行如下处理:
利用上一次人脸识别时所采用的识别要求,再次进行人脸识别。
在本说明书的一个实施例中,进一步包括:
通知模块,配置为在判断出所述当前用户概率值不大于预定的关联行为阈值时,通知用户身份验证失败。
根据第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
根据第四方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现本说明书任一实施例所述的方法。
根据本说明书实施例提供的用户身份验证的方法和装置,如果对用户身份的验证失败,并且判断出用户概率值大于预设的关联行为阈值之后,用户就可以再次进行人脸识别。这样,在用户身份验证的过程中,不再单纯依靠人脸识别进行用户身份验证,而是将人脸识别和用户概率值两种验证方式进行结合来验证用户身份,从而提高了用户身份验证的成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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示出了本说明书一个实施例中用户身份验证的方法的流程图。
图2示出了本说明书一个实施例中人脸识别装置的一种结构示意图。
图3示出了本说明书一个实施例中人脸识别装置的另一种结构示意图。
图4示出了本说明书一个实施例中人脸识别装置的又一种结构示意图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
在现有的利用人脸识别技术进行用户身份验证的过程中,通常是对采集到的人脸图像进行验证,例如将采集到的人脸图像与预先保存的人脸图像进行比对,或将采集到的两张人脸图像进行比对;然后通过人脸识别算法来对用户的身份进行验证,如果比对分数(即比对结果)高于一阈值,则验证成功,否则验证失败。
然而,当用户在进行人脸图像的采集过程中,如果存在姿势角度比较大、表情姿态不太正常、光线过暗或过亮以及外貌特征形态的改变等问题,往往会降低用户的人脸识别的成功率。也就是说,虽然用户是合法用户,但是仅仅依靠人脸图像进行识别,仍然大概率会导致用户的身份验证失败。
对用户身份验证的过程进行分析可知,用户在进行人脸识别的过程中,仅依靠人脸图像的识别来表征用户对于提高用户身份验证的成功率是不够的。也就是说,在存在某些原因影响到人脸的采集时,可以考虑增加一些关联行为特征来证明此时进行人脸采集的用户身份,然后根据关联行为特征能够大概率确定此时进行人脸采集的用户身份是本人时,可以再次进行人脸识别处理,从而可以避免因一次采集和比对(即一次人脸识别处理)而导致用户身份验证的成功率较低,即能够提高用户身份验证的成功率。
下面描述本说明书所提供构思的具体实现方式。
图1示出根据一个实施例的人脸识别方法的流程图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图1,该方法包括:
步骤101:采集用户的人脸图像;
步骤103:获取用户进行人脸识别时产生的当前关联行为特征;
步骤105:根据当前关联行为特征,得到当前用户概率值;
步骤107:根据人脸图像对用户进行身份验证;
步骤109:如果验证失败,则判断当前用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
可见,在上述图1所示过程中,如果对用户身份的验证失败,并且判断出用户概率值大于预设的关联行为阈值之后,用户就可以再次进行人脸识别。这样,在用户身份验证的过程中,不再单纯依靠人脸识别进行用户身份验证,而是将人脸识别和用户概率值两种验证方式进行结合来验证用户身份,从而提高了用户身份验证的成功率。
下面对图1所示的各个步骤进行说明。
在本说明书的一个实施例中,步骤101中采集用户的人脸图像可以是通过具有摄像头的终端设备进行采集,该终端设备可以是手机、平板电脑以及其它一些刷脸设备等。
接下来,在步骤103中,获取用户进行人脸识别时产生的当前关联行为特征。
用户的人脸图像能够唯一表征一个用户。而在用户进行人脸识别时,还存在很多其他因素(称之为关联行为特征)虽然不能唯一表征一个用户,但是也能从一个角度,大概率地体现是否为用户本人。因此,在本步骤中,获取用户进行人脸识别时产生的当前关联行为特征,以便后续能够基于当前关联行为特征辅助人脸识别,共同确定是否为用户本人。
在本说明书的一个实施例中,步骤103中的关联行为特征包括如下中的至少一项:
关联行为特征1、用户进行人脸识别时使用的设备标识。
因为同一个用户用于进行各次人脸识别的设备比如手机通常是固定的,因此,用户进行人脸识别时使用的设备标识能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
在关联行为特征1中,如果用户进行人脸识别时使用的设备标识是本人用户的常用设备唯一标识,则可以确定当前用户是本人用户的概率为1,反之则确定当前用户是本人用户的概率为0,即确定当前用户为非本人用户。在一些实施方式中,常用设备唯一标识可以是当前用户的常用设备的国际移动用户识别码(International Mobile SubscriberIdentification Number,IMSI)
关联行为特征2、用户进行人脸识别时使用的局域网的网络标识。
因为同一个用户用于进行各次人脸识别时使用的局域网通常是固定的,比如,用户通常会通过家里的局域网或者公司的局域网进行人脸识别,因此,用户进行人脸识别时使用的局域网的网络标识能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
在关联行为特征2中,如果用户进行人脸识别时使用的局域网的网络标识是本人用户的常用局域网的网络标识,则可以确定当前用户是本人用户的概率为1,反之则确定当前用户是本人用户的概率为0,即确定当前用户为非本人用户。
关联行为特征3、用户进行人脸识别时的位置信息。
因为同一个用户用于进行各次人脸识别时所处的位置通常是固定的,比如,用户通常在家里或者公司进行人脸识别,因此,用户进行人脸识别时的位置信息能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
在关联行为特征3中,如果用户进行人脸识别时的位置信息是预先存储的用户的常用位置信息,则可以确定当前用户是本人用户的概率为1,反之则确定当前用户是本人用户的概率为0,即确定当前用户为非本人用户。
关联行为特征4、用户的历史刷脸成功率。
同一个用户在进行各次人脸识别时,因为是用户本人,历史刷脸成功率应该比较高,因此,用户的历史刷脸成功率能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
在关联行为特征4中,如果用户的历史刷脸成功率较高(比如高于50%)时,所确定出的用户概率值为(0.5,1)中的一个数值;如果用户的历史刷脸成功率较低(比如低于50%)时,所确定出的用户概率值为(0,0.5)中的一个数值。
关联行为特征5、用户的历史密码解锁成功率。
同一个用户在进行各次人脸识别时,因为是用户本人,对进行人脸识别时使用的设备的历史密码解锁成功率应该比较高,因此,对进行人脸识别时使用的设备的历史密码解锁成功率能够作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
在关联行为特征5中,如果用户的历史密码解锁成功率较高(比如高于50%)时,所确定出的用户概率值为(0.5,1)中的一个数值;如果用户的历史密码解锁成功率较低(比如低于50%)时,所确定出的用户概率值为(0,0.5)中的一个数值。
需要说明的是,上述关联行为特征1至5均属于用户在使用当前设备的历史核身的指标数据,指标数据在此可以理解为:在当前设备中的历史某一时间段,具有明确结果的数据(例如历史刷脸成功率是多少,历史密码解锁成功率是多少)。
在实际应用时,通常是将上述关联行为特征1至5中的至少两者进行结合,并根据结合后的关联行为特征来确定当前用户概率值,如此可以进一步增加对当前用户概率值计算的准确度。
关联行为特征6、用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据。
在关联行为特征6中,该传感器序列数据包括但不限于陀螺仪序列数据、加速度传感器序列数据、磁力计序列数据和触屏传感器序列数据等,这些传感器序列数据能够较好地表征出用户的持机操作***持机、屏幕按压力度、屏幕按压面积和屏幕滑动速度等操作习惯。基于这些传感器序列数据可以确定出当前用户概率值(即(0,1)中的一个数值),其中,传感器序列数据可以理解为:在当前设备中的历史某一时间段,当前设备中包括的上述传感器随时间变化而感知的数据,这些传感器序列数据不具有明确结果。
关联行为特征7、用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果;
用户进行人脸识别时,用户使用的设备会记录有很多组历史核身序列数据,可以根据历史核身序列数据反映的历史验证成功与否的结果来作为与用户人脸识别操作所关联的关联行为特征,从而从一个角度体现是否为用户本人。
历史核身序列数据中包括的时间是指进行核身行为的时间;核身行为例如可以包括支付、登录、打卡等,核身产品例如可以包括刷脸、指纹、密码等,核身结果包括成功或者失败,这些维度的数据按照时间顺序组成核身序列数据。
在本说明书的一个实施例中,步骤105可以是利用机器学习算法对关联行为特征计算得到用户概率值,也可以是利用其它普通算法对关联行为特征进行计算得到用户概率值。为了提高用户概率值计算的准确度,本说明书的一个实施例采用机器学习算法。
具体地,步骤105包括如下步骤:
将当前关联行为特征输入预先训练好的用户身份识别模型中;用户身份识别模型通过至少两组样本集训练得到,每一组样本集中包括作为输入的样本关联行为特征以及作为输出的样本用户概率值;
得到由用户身份识别模型输出的当前用户概率值。
也就是说,利用机器学习方法并给予至少两组样本集,对预设的用户身份识别模型中的模型参数进行优化训练,将模型参数最优的用户身份识别模型确定为训练好的用户身份识别模型。
在本说明书的一个实施例中,样本关联行为特征可以采用上文提及到的关联行为特征1至7中的至少一项,在此不进行赘述。
基于上述对关联行为特征的分析可知,指标数据、传感器序列数据和历史核身序列数据均不相同,因此需要通过不同的机器学习模型对这三种类型的数据进行训练,在此不对这些机器学习模型的具体结构进行限定。因此,本说明书实施例中的用户身份识别模型可以理解为是包括这三种机器学习模型。为了提高样本关联行为特征对应的样本用户概率值的准确度,针对每一组样本集,将当前样本集包括的三个样本用户概率值进行融合,并将融合后得到的用户概率值确定为当前样本集包括的最终的样本用户概率值。具体的融合方式可以是wide&deep结构,也可以是设置权重的方式,在此不进行限定。
具体地,步骤107包括如下步骤:
得到人脸图像的图像特征;
根据图像特征计算出第一识别分值;
判断第一识别分值是否小于预设的第一人脸识别阈值;
如果小于,则身份验证失败。
在本说明书的一个实施例中,在步骤109中身份验证失败之后,并在再次进行人脸识别处理之前,进一步包括:
判断第一识别分值是否大于预设的第二人脸识别阈值;其中,第二人脸识别阈值小于第一人脸识别阈值;
如果大于,则执行再次进行人脸识别处理。
在本实施例中,如果用户在进行人脸识别时,得到的第一识别分值不大于第二人脸识别阈值(该第二人脸识别阈值相当于是人脸识别的“及格线”,例如可以是60%),则可以大概率判断出此时的用户为非本人用户,从安全系数的角度出发,即使计算出的用户概率值大于预设的关联行为阈值,即从关联行为特征角度即使大概率体现是同一个用户,此时也不再给该用户下一次的人脸识别机会,即输出身份验证失败的结果。反之,如果得到的第一识别分值虽然小于预设的第一人脸识别阈值,但是也较高,即大于第二人脸识别阈值,即和第一人脸识别阈值具有较小的差距,则可以从关联行为特征角度出发,验证是否为用户本人,即如果计算出的用户概率值大于预设的关联行为阈值,此时可以再给该用户下一次的人脸识别机会。
需要说明的是,人脸识别阈值的选取也会影响用户身份验证的成功率。具体来说,如果人脸识别阈值选取较高,即人脸识别算法调节较紧,则会导致本人用户的比对通过率较低,这会使得用户的体验较差;如果人脸识别阈值选取较低,即人脸识别算法调节较松,则会导致非本人用户也可能通过,即非本人用户的误识别率会升高,这会引发一定的安全问题。因此,无论是人脸识别阈值选取较高还是较低,都会导致用户身份验证的成功率较低。也就是说,用户身份验证的成功率可以理解为是本人用户的比对通过率和非本人用户的误识别率的综合考量,例如用户身份验证的成功率高可以表示本人用户的比对通过率高且非本人用户的误识别率低。
在身份验证失败后,并在判断出当前用户概率值大于预定的关联行为阈值时,会再次进行人脸识别。也就是说,在判断出用户概率值大于预定的关联行为阈值时,用户可以进行再一次的人脸识别的机会。由于在进行第一次人脸识别处理时,通过设置阈值比对的方式可以实现限制非本人用户的误识别率,因此可以通过对用户进行再一次人脸识别的机会来增加本人用户的比对通过率,从而可以提高用户身份验证的成功率。
在本说明书的一个实施例中,步骤109中的“再次进行人脸识别处理”至少包括如下几种情形所对应的人脸识别处理:
情形一:计算出的当前用户概率值大于第一预定值,第一预定值大于预设的关联行为阈值。
在情形一中,由于当前用户概率值不仅大于预设的关联行为阈值,而且还大于比关联行为阈值大的第一预定值,说明得到的用户概率值较高,即表明此时进行人脸识别的用户为本人用户的概率较高,值得给予用户下一次的人脸识别机会,而且可以放宽下一次人脸识别的条件。这种方式不会较大地影响到用户身份验证过程中的安全系数,因此可以稍牺牲一些安全系数,来有效地提高本人用户的比对通过率。
在该情形一下,适当降低人脸识别的难度来提高下一次本人用户的比对通过率的实现方式至少包括如下方式中的任一项:
方式一、降低人脸图像的采集要求。
在该方式一中,具体地,步骤109中再次进行人脸识别处理可以包括如下步骤:
步骤一、确定导致身份验证失败的识别项目。
在步骤一中,可以利用预先训练好的人脸识别模型确定导致用户身份验证失败的识别项目。例如,第一次人脸识别过程中所采用的识别项目包括:摇头、点头、眨眼和正对屏幕。用户在完成第一次人脸识别处理后,预先训练好的人脸识别模型可以对这些识别项目进行分析,以分析出哪些识别项目所对应的识别分值不高或低于预设的识别阈值,从而确定出该些识别项目。例如,确定出导致身份验证失败的识别项目为摇头。
步骤二、根据识别项目,形成人脸图像采集要求。
在步骤二中,接步骤一举例,在确定出导致身份验证失败的识别项目为摇头后,可以选择将摇头这一识别项目作为下一次人脸识别处理的人脸图像采集要求中的识别项目,同时其它识别项目(即点头、眨眼和正对屏幕)在下一次人脸识别处理时,不会被采用。如此通过降低人脸图像采集要求的方式,来提高本人用户的比对通过率。
在一些实现方式中,还可以将第一次人脸识别处理所采用的人脸图像采集要求作为下一次人脸识别处理所采用的人脸图像采集要求,不过针对导致身份验证失败的识别项目而言,在进行下一次人脸识别处理时,可以多识别几次。如此也可以认为是降低了人脸图像采集要求,从而提高了本人用户的比对通过率。
在一些实现方式中,还可以将除摇头这一识别项目外的识别项目作为下一次人脸识别处理的人脸图像采集要求中的识别项目,同时摇头这一识别项目在下一次人脸识别处理时,不会被采用。如此通过降低人脸图像采集要求的方式,来提高本人用户的比对通过率。
在一些实现方式中,人脸图像采集要求可能不单纯包括简单的识别项目,还可以包括与该识别项目相对应的文案提示。例如,第一次人脸识别处理的人脸图像采集要求包括:摇头和与摇头对应的文案提示,点头和与点头对应的文案提示、眨眼和与眨眼对应的文案提示、以及正对屏幕和与正对屏幕对应的文案提示。在预先训练好的人脸识别模型识别出导致身份验证失败的识别项目为摇头时,还会分析出具体是摇头的什么原因导致的,例如摇头的幅度(过大还是过小)或摇头的频率(过快还是过慢)。因此,第一次人脸识别处理的人脸图像采集要求包括的与摇头对应的文案提示可能只是“请摇摇头”,而降低人脸图像采集要求后,下一次人脸识别处理的人脸图像采集要求包括的与摇头对应的文案提示可以是“请将头缓慢摇动”或“请将头摇动的幅度增大”等,在此不进行枚举。如此通过降低人脸图像采集要求的方式,来提高本人用户的比对通过率。也就是说,导致身份验证失败的识别项目对应的文案提示在下一次人脸识别处理的人脸图像采集要求时会向用户传递地更加精准,如此可以提高本人用户的比对通过率。
步骤三、基于人脸图像采集要求,再次进行人脸识别。
在步骤三中,通过降低人脸图像采集要求的方式,对用户再次进行人脸识别时,可以有效地提高本人用户的比对通过率。
方式二、降低人脸识别阈值。
在该方式二中,步骤109中再次进行人脸识别处理可以包括如下步骤:
利用第三人脸识别阈值,再次进行人脸识别;其中,第二人脸识别阈值小于上一次进行人脸识别时所利用的第一人脸识别阈值。
在该实施例中,通过适当降低人脸识别阈值的方式,提高了本人用户的比对通过率。例如,第一人脸识别阈值为90%,第一识别分值为85%,那么第三人脸识别阈值为处于第一识别分值和第一人脸识别阈值之间的一个数值,例如可以为88%。
在此需要说明的是,第三人脸识别阈值并非随意或随机进行预设,第三人脸识别阈值是基于预先训练好的人脸识别模型的受试者工作特征ROC曲线来确定的在第一识别分值和第一人脸识别阈值之间的最佳阈值,具体的确定过程在此不进行赘述。
需要说明的是,为了进一步提高用户身份验证的成功率,可以将情形一和情形二所对应的人脸识别处理进行结合(即采用同时降低人脸图像采集要求和降低人脸识别阈值的方式),如此可以更加提高了本人用户的比对通过率,从而可以提高用户身份验证的成功率。
情形二:当前用户概率值小于第一预定值;第一预定值大于关联行为阈值。
在情形二中,由于当前用户概率值虽然大于预设的关联行为阈值,但是小于比关联行为阈值大的第一预定值,说明得到的用户概率值不太高,即表明此时进行人脸识别的用户为本人用户的概率不太高,但是也值得给予用户下一次的人脸识别机会,下一次人脸识别的条件可以跟本次人脸识别条件相同。
在该情形二下,具体地,步骤109中再次进行人脸识别处理可以包括如下步骤:
利用上一次人脸识别时所采用的识别要求,再次进行人脸识别。
由于情形二所对应的本人用户的概率不太高,因此出于保证一定的安全系数的角度出发,下一次进行的人脸识别处理的识别要求应当和上一次进行的人脸识别处理的识别要求相同。也就是说,在情形二中,只是通过增加人脸识别次数(即由现有技术中的一次识别比对变为情形二中的两次识别比对),如此也可以提高本人用户的比对通过率。
当然,在一些实现方式中,还可以通过增加下一次人脸识别处理过程中人脸图像采集的次数,来提高本人用户的比对通过率。
例如,步骤109中再次进行人脸识别处理可以包括如下步骤:
采集至少两次人脸图像;
针对每一次采集到的人脸图像,将当前人脸图像输入预先训练好的人脸识别模型中,得到与当前人脸图像对应的识别分值;
如果存在至少一次采集到的人脸图像对应的识别分值不低于该人脸识别模型设定的第三人脸识别阈值,则确定人脸识别成功,否则确定人脸识别失败。
再例如,步骤109中再次进行人脸识别处理还可以包括如下步骤:
采集至少两次人脸图像;
针对每一次采集到的人脸图像,将当前人脸图像输入预先训练好的人脸识别模型中,得到与当前人脸图像对应的识别分值;
如果每一次采集到的人脸图像对应的识别分值均不低于该人脸识别模型设定的第一识别阈值,则确定人脸识别成功,否则确定人脸识别失败。
至此,本说明书实施例实现了提高用户身份验证的成功率的处理。
需要进一步说明的是,在采用将用户的关联行为特征输入预先训练好的用户身份识别模型得到用户概率值的方案时,上述方法的执行主体可以将每次用户的身份验证记录加入到该用户身份模型的训练数据库中,以用于更新模型特征或用作模型训练优化。
综上,根据本说明书提供的一个或多个用户身份验证的方法实施例,可以至少得到如下的有益效果:
1、在对用户身份的验证失败,并且判断出用户概率值大于预设的关联行为阈值之后,用户就可以再次进行人脸识别。这样,在用户身份验证的过程中,不再单纯依靠人脸识别进行用户身份验证,而是将人脸识别和用户概率值两种验证方式进行结合来验证用户身份,从而提高了用户身份验证的成功率。其中,用户概率值是根据用户的关联行为特征来确定的,在大概率确定此时进行人脸采集的用户身份是本人时,可以再次进行人脸识别处理,从而可以避免因一次采集和比对(即一次人脸识别处理)而导致用户身份验证的成功率较低,即能够提高用户身份验证的成功率。
2、能够根据不同类型的样本关联行为特征(即指标数据和传感器序列数据)对预定的用户身份识别模型进行训练,从而可以提高样本关联行为特征对应的样本用户概率值的准确度。
3、能够进一步通过降低人脸图像采集要求和/或降低人脸识别阈值的方式,来提高本人用户的比对通过率,从而可以提高用户身份验证的成功率。
在本说明书的一个实施例中,提出了一种用户身份验证的装置,参见图2,包括:
采集模块201,配置为采集用户的人脸图像;
获取模块203,配置为获取用户进行当前人脸识别时产生的当前关联行为特征;
计算模块205,配置为根据当前关联行为特征,得到当前用户概率值;
验证模块207,配置为根据人脸图像对用户进行身份验证;如果验证失败,则判断当前用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
在本说明书提出的装置的一个实施例中,计算模块205被配置为执行如下处理:
将当前关联行为特征输入预先训练好的用户身份识别模型中;用户身份识别模型通过至少两组样本集训练得到,每一组样本集中包括作为输入的样本关联行为特征以及作为输出的样本用户概率值;
得到由用户身份识别模型输出的当前用户概率值。
在本说明书提出的装置的一个实施例中,关联行为特征包括如下中的至少一项:
用户进行人脸识别时使用的设备标识;
用户进行人脸识别时使用的局域网的网络标识;
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果。
在本说明书提出的装置的一个实施例中,参见图3,验证模块207被配置为执行如下处理:
得到人脸图像的图像特征;
根据图像特征计算出第一识别分值;
判断第一识别分值是否小于预设的第一人脸识别阈值;
如果小于,则身份验证失败;
进一步包括:
判断模块301,配置为判断第一识别分值是否大于预设的第二人脸识别阈值;其中,第二人脸识别阈值小于第一人脸识别阈值;如果大于,则执行再次进行人脸识别处理。
在本说明书提出的装置的一个实施例中,当前用户概率值大于第一预定值,第一预定值大于关联行为阈值;
验证模块被配置为执行如下处理:
确定导致身份验证失败的识别项目;
根据识别项目,形成人脸图像采集要求;
基于人脸图像采集要求,再次进行人脸识别。
在本说明书提出的装置的一个实施例中,当前用户概率值大于第一预定值且小于第一预定值,第一预定值大于关联行为阈值;
验证模块被配置为执行如下处理:
利用第三人脸识别阈值,再次进行人脸识别;其中,第二人脸识别阈值小于上一次进行人脸识别时所利用的第一人脸识别阈值。
在本说明书提出的装置的一个实施例中,当前用户概率值小于第一预定值;第一预定值大于关联行为阈值;
验证模块被配置为执行如下处理:
利用上一次人脸识别时所采用的识别要求,再次进行人脸识别。
在本说明书提出的装置的一个实施例中,参见图4,进一步包括:通知模块401,配置为在判断出当前用户概率值不大于预定的关联行为阈值时,通知用户身份验证失败。
在本说明书的一个实施例中,上述用户身份验证的装置可以被集成在用于人脸识别的终端设备中,或者也可以被集成在一个与用于人脸识别的终端设备相连的独立的设备或服务器中。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当计算机程序在计算机中执行时,令计算机执行本说明书任一实施例中所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,存储器中存储有可执行代码,处理器执行可执行代码时,实现本说明书任一实施例中所描述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (18)
1.用户身份验证的方法,包括:
采集用户的人脸图像;
获取用户进行当前人脸识别时产生的当前关联行为特征;
根据所述当前关联行为特征,得到当前用户概率值;
根据所述人脸图像对所述用户进行身份验证;
如果验证失败,则判断所述当前用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
2.根据权利要求1所述的方法,所述根据所述当前关联行为特征,得到当前用户概率值,包括:
将所述当前关联行为特征输入预先训练好的用户身份识别模型中;所述用户身份识别模型通过至少两组样本集训练得到,每一组样本集中包括作为输入的样本关联行为特征以及作为输出的样本用户概率值;
得到由所述用户身份识别模型输出的所述当前用户概率值。
3.根据权利要求2所述的方法,关联行为特征包括如下中的至少一项:
用户进行人脸识别时使用的设备标识;
用户进行人脸识别时使用的局域网的网络标识;
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果。
4.根据权利要求1所述的方法,
所述根据所述人脸图像对所述用户进行身份验证包括:
得到所述人脸图像的图像特征;
根据所述图像特征计算出第一识别分值;
判断所述第一识别分值是否小于预设的第一人脸识别阈值;
如果小于,则身份验证失败;
在所述身份验证失败之后,并在再次进行人脸识别处理之前,进一步包括:
判断所述第一识别分值是否大于预设的第二人脸识别阈值;其中,第二人脸识别阈值小于第一人脸识别阈值;
如果大于,则执行所述再次进行人脸识别处理。
5.根据权利要求1所述的方法,所述当前用户概率值大于第一预定值,所述第一预定值大于所述关联行为阈值;
所述再次进行人脸识别处理,包括:
确定导致身份验证失败的识别项目;
根据所述识别项目,形成人脸图像采集要求;
基于人脸图像采集要求,再次进行人脸识别。
6.根据权利要求1所述的方法,所述当前用户概率值大于第一预定值,所述第一预定值大于所述关联行为阈值;
所述再次进行人脸识别处理,包括:
利用第三人脸识别阈值,再次进行人脸识别;其中,所述第三人脸识别阈值小于上一次进行人脸识别时所利用的第一人脸识别阈值。
7.根据权利要求1所述的方法,所述当前用户概率值小于第一预定值;所述第一预定值大于所述关联行为阈值;
所述再次进行人脸识别处理,包括:
利用上一次人脸识别时所采用的识别要求,再次进行人脸识别。
8.根据权利要求1至7中任一项所述的方法,在判断出所述当前用户概率值不大于预定的关联行为阈值时,进一步包括:
通知用户身份验证失败。
9.用户身份验证的装置,包括:
采集模块,配置为采集用户的人脸图像;
获取模块,配置为获取用户进行当前人脸识别时产生的当前关联行为特征;
计算模块,配置为根据所述当前关联行为特征,得到当前用户概率值;
验证模块,配置为根据所述人脸图像对所述用户进行身份验证;如果验证失败,则判断所述当前用户概率值是否大于预设的关联行为阈值,如果是,则再次进行人脸识别处理。
10.根据权利要求9所述的装置,所述计算模块被配置为执行如下处理:
将所述当前关联行为特征输入预先训练好的用户身份识别模型中;所述用户身份识别模型通过至少两组样本集训练得到,每一组样本集中包括作为输入的样本关联行为特征以及作为输出的样本用户概率值;
得到由所述用户身份识别模型输出的所述当前用户概率值。
11.根据权利要求10所述的装置,关联行为特征包括如下中的至少一项:
用户进行人脸识别时使用的设备标识;
用户进行人脸识别时使用的局域网的网络标识;
用户进行人脸识别时的位置信息;
用户的历史刷脸成功率;
用户对进行人脸识别时使用的设备的历史密码解锁成功率;
用户进行人脸识别时由用户使用的设备采集的对应用户操作的传感器序列数据;
用户进行人脸识别时由用户使用的设备记录的至少两组历史核身序列数据;每一组历史核身序列数据中包括:时间、核身行为、核身产品及核身结果。
12.根据权利要求9所述的装置,
所述验证模块被配置为执行如下处理:
得到所述人脸图像的图像特征;
根据所述图像特征计算出第一识别分值;
判断所述第一识别分值是否小于预设的第一人脸识别阈值;
如果小于,则身份验证失败;
进一步包括:
判断模块,配置为判断所述第一识别分值是否大于预设的第二人脸识别阈值;其中,第二人脸识别阈值小于第一人脸识别阈值;如果大于,则执行所述再次进行人脸识别处理。
13.根据权利要求9所述的装置,所述当前用户概率值大于第一预定值,所述第一预定值大于所述关联行为阈值;
所述验证模块被配置为执行如下处理:
确定导致身份验证失败的识别项目;
根据所述识别项目,形成人脸图像采集要求;
基于人脸图像采集要求,再次进行人脸识别。
14.根据权利要求9所述的装置,所述当前用户概率值大于第一预定值且小于第一预定值,所述第一预定值大于所述关联行为阈值;
所述验证模块被配置为执行如下处理:
利用第三人脸识别阈值,再次进行人脸识别;其中,所述第三人脸识别阈值小于上一次进行人脸识别时所利用的第一人脸识别阈值。
15.根据权利要求9所述的装置,所述当前用户概率值小于第一预定值;所述第一预定值大于所述关联行为阈值;
所述验证模块被配置为执行如下处理:
利用上一次人脸识别时所采用的识别要求,再次进行人脸识别。
16.根据权利要求9至15中任一项所述的装置,进一步包括:
通知模块,配置为在判断出所述用户概率值不大于预定的关联行为阈值时,通知用户身份验证失败。
17.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1至8中任一项所述的方法。
18.一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167798.9A CN112989937B (zh) | 2021-02-07 | 2021-02-07 | 用户身份验证的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167798.9A CN112989937B (zh) | 2021-02-07 | 2021-02-07 | 用户身份验证的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989937A CN112989937A (zh) | 2021-06-18 |
CN112989937B true CN112989937B (zh) | 2022-05-06 |
Family
ID=76348789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110167798.9A Active CN112989937B (zh) | 2021-02-07 | 2021-02-07 | 用户身份验证的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989937B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578100A (zh) * | 2021-06-21 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 支付验证方式的识别方法、装置、电子设备和存储介质 |
CN115497146B (zh) * | 2022-10-18 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 模型的训练方法和装置、身份验证方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407098A (zh) * | 2015-11-26 | 2016-03-16 | 小米科技有限责任公司 | 身份验证方法及装置 |
CN108335099A (zh) * | 2018-03-25 | 2018-07-27 | 湛江正信科技服务有限公司 | 移动支付的方法、装置、移动终端及存储介质 |
CN110443098A (zh) * | 2018-05-04 | 2019-11-12 | 北京京东尚科信息技术有限公司 | 身份验证***、方法、装置和计算机可读存储介质 |
CN110008821B (zh) * | 2019-02-02 | 2023-07-18 | 创新先进技术有限公司 | 一种预测人像底图更新的方法和设备 |
CN113051981B (zh) * | 2019-12-28 | 2024-03-26 | 浙江宇视科技有限公司 | 人脸识别方法及装置 |
CN111552937A (zh) * | 2020-04-28 | 2020-08-18 | 深圳壹账通智能科技有限公司 | 用户身份验证方法、装置、介质、电子设备 |
-
2021
- 2021-02-07 CN CN202110167798.9A patent/CN112989937B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112989937A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2523149B1 (en) | A method and system for association and decision fusion of multimodal inputs | |
KR101997371B1 (ko) | 신원 인증 방법 및 장치, 단말기 및 서버 | |
US11176231B2 (en) | Identifying and authenticating users based on passive factors determined from sensor data | |
KR102036978B1 (ko) | 라이브니스 검출 방법 및 디바이스, 및 아이덴티티 인증 방법 및 디바이스 | |
JP5228872B2 (ja) | 生体認証装置、生体認証方法及び生体認証用コンピュータプログラムならびにコンピュータシステム | |
Liu et al. | User evaluation of lightweight user authentication with a single tri-axis accelerometer | |
JP4762805B2 (ja) | 生体認証方法及び生体認証システム | |
JP7163159B2 (ja) | オブジェクト認識装置及び方法 | |
US20170046508A1 (en) | Biometric authentication using gesture | |
US20210004451A1 (en) | Step-up authentication | |
WO2020006252A1 (en) | Biometric authentication | |
CN109756458B (zh) | 身份认证方法和*** | |
CN112989937B (zh) | 用户身份验证的方法和装置 | |
CN103761502A (zh) | 安全认证装置和方法 | |
CN107506629B (zh) | 解锁控制方法及相关产品 | |
CN107577930B (zh) | 一种触屏终端的解锁检测方法及触屏终端 | |
US11494474B2 (en) | Brain activity-based authentication | |
JP2015138449A (ja) | 個人認証装置、個人認証方法及びプログラム | |
CN105631397A (zh) | 生物认证方法和生物认证设备 | |
JP6267025B2 (ja) | 通信端末及び通信端末の認証方法 | |
CN105407069B (zh) | 活体认证方法、装置、客户端设备及服务器 | |
CN111611437A (zh) | 一种防止人脸声纹验证替换攻击的方法及装置 | |
CN112036894B (zh) | 利用虹膜特征及动作特征进行身份确认的方法及*** | |
JP3590285B2 (ja) | 生体情報認識装置およびその方法 | |
JP2018128736A (ja) | 顔認証システム、顔認証方法、及び顔認証プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |