CN117113316A - 身份识别方法、装置、计算机设备和存储介质 - Google Patents
身份识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117113316A CN117113316A CN202310802567.XA CN202310802567A CN117113316A CN 117113316 A CN117113316 A CN 117113316A CN 202310802567 A CN202310802567 A CN 202310802567A CN 117113316 A CN117113316 A CN 117113316A
- Authority
- CN
- China
- Prior art keywords
- identification
- identity
- target
- recognition
- accuracy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及一种身份识别方法、装置、计算机设备。所述方法包括:获取身份识别请求携带的业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证得到风险程度;基于场景特征进行识别安全度计算得到识别安全度,并基于场景特征和风险程度进行识别精确度计算得到识别精确度;基于识别安全度和识别精确度在预设模态识别接口集中确定各个目标模态识别接口,基于用户标识获取各个目标模态识别接口分别对应的目标模态身份数据;使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。采用本方法能够提高身份识别准确性。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种身份识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,出现了身份识别技术,用于对用户的身份进行校验。身份识别技术可实现的业务也越来越多,比如手机解锁、门禁考勤、结账付款、机场安检等。传统的身份识别技术是采用生物识别技术,即通过采集个体的生理特征或行为特征进行身份识别。然而,传统的身份识别技术存在一定程度的应用缺陷,容易受到外界影响导致身份识别不准确的问题,比如,因为光线等因素造成的人脸识别精确度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高身份识别准确性的身份识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种身份识别方法。所述方法包括:
获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;
基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;
基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
第二方面,本申请还提供了一种身份识别装置。所述装置包括:
风险验证模块,用于获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;
计算模块,用于基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;
确定模块,用于基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
识别模块,用于使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;
基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;
基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;
基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;
基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;
基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;
基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
上述身份识别方法、装置、计算机设备、存储介质和计算机程序产品,通过对业务场景数据提取场景特征,对用户标识进行风险验证得到用户标识对应的风险程度。使用场景特征和风险程度进行识别安全度计算和识别精确度计算,得到识别安全度和识别精确度,确定了身份识别需要的安全程度和精确程度。然后根据识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集,并通过目标模态识别接口集获取各个目标模态身份数据,使用各个目标模态身份数据分别进行身份识别,得到各个身份识别结果,根据各个身份识别结果得到目标识别结果,实现了根据不同的业务场景的识别安全度和识别精确度采用对应的各个目标模态身份数据对用户进行身份识别,从而提高了身份识别的准确性。
附图说明
图1为一个实施例中身份识别方法的应用环境图;
图2为一个实施例中身份识别方法的流程示意图;
图3为一个实施例身份识别方法步骤的流程示意图;
图4为一个实施例中身份识别装置的结构框图;
图5为一个实施例中计算机设备的内部结构图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的身份识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;终端102基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;终端102基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;终端102将目标模态身份数据发送给服务器104,通过服务器104使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。服务器104将各个身份识别结果返回给终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种身份识别方法,以该方法应用于图1中的服务器为例进行说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤202,获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度。
其中,身份识别请求是指用户终端执行业务处理前需要进行身份识别的请求。业务场景数据是指用户终端待执行业务的业务信息,表征业务的使用场景比如手机解锁、门禁考勤、结账付款等业务使用场景,包括业务标识和业务来源信息。用户标识是指发送身份识别请求的用户终端对应的用户标识。场景特征是业务场景数据中提取的表征业务使用场景的特征数据。风险程度是指用户标识对应的用户属于异常用户的可能程度。
具体地,终端页面展示至少一个应用程序,响应于用户在各个应用程序中目标程序的选择操作,以及对目标应用程序中目标业务标识的选择操作,获取目标应用标识,根据目标应用标识生成业务来源信息,并根据业务来源信息和目标业务标识生成业务场景数据。然后终端获取用户标识,根据业务场景数据和用户标识生成身份识别请求并发送给服务器。
服务器获取身份识别请求携带的业务场景数据和用户标识,将业务场景数据输入到预设特征提取算法,获取业务场景数据对应的场景特征。然后对用户标识进行风险验证,检测用户标识是否属于预设异常用户标识,得到用户标识对应的风险程度。
步骤204,基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度。
其中,识别安全度是指用户终端进行身份识别时的用户信息安全程度。识别精确度是指用户终端进行身份识别时的识别准确程度。
具体地,服务器调用预设安全度识别模型,将场景特征输入到预设安全度识别模型进行识别安全度计算,得到身份识别请求对应的识别安全度。然后终端调用预设精确度识别模型,将场景特征和用户标识对应的风险程度输入预设识别模型进行识别精确度计算,得到身份识别请求对应的识别精确度。
步骤206,基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据。
其中,预设模态识别接口集是指采集用户模态数据的数据采集接口集。用户模态数据是指用户特征数据,一般是指用户的生物特征数据,用于进行身份识别。目标模态识别接口集是指识别安全度和识别精确度对应的用户模态数据的数据采集接口集。目标模态身份数据是指目标模态识别接口集采集的用户模态数据,用于进行身份识别确定用户身份。
具体地,服务器中预先设置有识别安全度和模态识别接口集的关联关系表,包括各个识别安全度关联的模态识别接口。并且服务器中预先设置有识别精确度和模态识别接口集的关联关系表,包括各个识别精确度关联的模态识别接口。服务器根据识别安全度在识别安全度和模态识别接口集的关联关系表中查找对应的模态识别接口。然后根据识别精确度在识别精确度和模态识别接口集的关联关系表中查找对应的模态识别接口。
服务器将识别安全度对应的模态识别接口和识别精确度对应的模态识别接口作为目标识别接口集。服务器根据目标识别接口集生成模态数据采集指令,将模态数据采集指令发送至用户标识对应的用户终端。通过用户终端调用目标模态识别接口集中各个目标模态识别接口,通过各个目标模态识别接口分别采集对应的目标模态身份数据,并将各个目标模态识别接口分别采集的目标模态身份数据发送至服务器。服务器获取用户标识对应的各个目标模态身份数据。
步骤208,使用各个目标模态身份数据调用对应的目标模态识别模型进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
具体地,服务器预先设置有各个模态识别接口对应的模态识别模型,服务器根据目标模态识别接口集在各个模态识别模型中确定各个目标模态识别模型。服务器将各个目标模态身份数据输入到对应的目标模态识别模型进行身份识别,得到各个目标模态身份数据对应的身份识别结果。服务器将各个目标模态身份数据对应的身份识别结果作为身份识别请求对应的目标识别结果。
上述身份识别方法中,通过对业务场景数据提取场景特征,对用户标识进行风险验证得到用户标识对应的风险程度。使用场景特征和风险程度进行识别安全度计算和识别精确度计算,得到识别安全度和识别精确度,确定了身份识别需要的安全程度和精确程度。然后根据识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集,并通过目标模态识别接口集获取各个目标模态身份数据,使用各个目标模态身份数据分别进行身份识别,得到各个身份识别结果,根据各个身份识别结果得到目标识别结果,实现了根据不同的业务场景的识别安全度和识别精确度采用对应的各个目标模态身份数据对用户进行身份识别,从而提高了身份识别的准确性。
在一个实施例中,步骤202,基于业务场景数据提取得到场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度,包括:
从业务场景数据中确定业务来源信息、业务类型和业务操作信息,并将业务来源信息、业务类型和业务操作信息进行向量化,得到业务场景向量;
将业务场景向量进行卷积运算,得到场景特征;
从预设风险等级列表中查找用户标识对应的风险等级,基于风险等级确定用户标识对应的风险程度。
其中,业务操作信息是指待执行业务对应的操作信息。业务场景向量是指向量形式的场景特征数据。
具体地,业务来源信息一般指待执行业务所属的应用程序的标识信息。服务器获取业务场景数据中的业务来源信息、目标业务标识和业务操作信息,业务操作信息可以是操作时间、操作频率等信息。服务器根据目标业务标识确定对应的业务类型。然后服务器将业务来源信息、业务类型和业务操作信息进行向量化处理,得到业务场景向量,然后将业务场景向量进行卷积运算,得到场景特征。
服务器中预先设置有风险等级列表,包括各个预设用户标识对应的风险等级,比如黑名单等风险列表。服务器根据用户标识在预设风险等级列表中查找对应的风险等级,并获取该风险等级对应的风险程度,比如,风险等级1对应的风险程度为0.1。
在一个具体实施例中,服务器在得到用户标识对应的风险程度后,获取用户标识对应的业务操作信息中的操作时间和操作频率等信息。服务器检测到操作时间未在预设业务处理时间范围时,和/或检测业务操作频率超过预设频率阈值时,获取操作时间对应的第一权重信息和/或操作频率对应的第二权重信息。服务器将用户标识对应的风险程度与第一权重信息和/或第二权重信息进行合并计算,得到用户标识对应的目标风险程度。合并计算可以是乘积计算。一般来讲,操作信息未在预设业务处理时间范围内,和/或操作频率超过预设频率阈值时,用户标识对应的风险程度越高。
在一个具体实施例中,服务器可以调用预设异常用户检测模型,预设异常用户检测模型是通过用户标识的历史业务操作信息和历史业务操作类型训练得到的。服务器对业务标识和业务操作信息进行特征提取,得到用户操作特征数据,将用户操作特征数据输入预设异常用户检测模型,得到用户标识对应的风险程度。
本实施例中,通过对业务场景数据机芯向量化和卷积运算得到场景特征,提高了的场景特征的准确性,并且通过确定用户标识对应的风险程度,从而提高了识别安全度和识别精确度的准确性。
在一个实施例中,步骤204,基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度,包括:
将场景特征输入到预设安全度识别模型,通过预设安全度识别模型对场景特征进行卷积运算,得到场景卷积值,对场景卷积值进行全连接运算,输出身份识别请求对应的识别安全度;
将场景特征和风险程度进行拼接,得到拼接特征数据,将拼接特征数据输入到预设精确度识别模型中,通过预设精确度识别模型对拼接特征数据进行向量化,得到拼接特征向量,将拼接特征向量进行卷积运算,得到拼接卷积值,对拼接卷积值进行全连接运算,输出身份识别请求对应的识别精确度。
具体地,服务器在得到场景特征后,调用预设安全度识别模型和预设精确度识别模型。服务器将场景特征输入到预设安全度识别模型,预设安全度识别模型对场景特征进行卷积运算,得到场景卷积值,然后对场景卷积值进行全连接运算,得到身份识别请求对应的识别安全度,比如,识别安全度为90。
服务器将场景特征和风险程度进行拼接,得到拼接特征数据。服务器将拼接特征数据输入到预设精确度识别模型,预设精确度识别模型将拼接特征数据进行向量化处理,得到拼接特征向量,然后对拼接特征向量进行卷积计算,得到拼接卷积值,然后对拼接卷积值进行全连接计算,得到身份识别请求对应的识别精确度,比如,识别精确度为90。
本实施例中,将场景特征输入到预设安全度识别模型,得到所述身份识别请求对应的识别安全度。然后将场景特征和所述风险程度进行拼接,得到拼接特征数据,将拼接特征数据输入到预设精确度识别模型,得到身份识别请求对应的识别精确度,通过使用预设安全度识别模型和预设精确度识别模型提高了识别安全度和识别精确度的准确性。
在一个实施例中,步骤206,基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,包括:
获取身份识别资源,基于身份识别资源确定识别性能指标值;
基于识别性能指标值、识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集。
其中,身份识别资源是指进行身份识别所需的资源信息。识别性能指标是指能满足身份识别资源的性能参数。
具体地,服务器预先设置有身份识别资源与识别性能指标值的关联关系表,服务器根据业务来源信息和业务类别确定身份识别资源,并在身份识别资源与识别性能指标值的关联关系表中获取对应的识别性能指标值。服务器根据识别性能指标值、识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集。具体可以是,服务器根据识别性能指标值在预设模态识别接口集中确定对应的模态识别接口,根据识别安全度在预设模态识别接口集中确定对应的模态识别接口,并根据识别精确度在预设模态识别接口集中确定对应的模态识别接口。服务器将识别性能指标值对应的模态识别接口、识别安全度对应的模态识别接口和识别精确度对应的模态识别接口作为目标模态识别接口集。
本实施例中,通过根据识别性能指标值、识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,实现了对用户的多维度身份识别,提高了身份识别的准确性。
在一个实施例中,如图3所示,预设模态识别接口集包括安全模态识别接口集、精确模态识别接口集和性能模态识别接口集;基于识别性能指标值、识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,包括:
步骤302,基于识别性能指标值在性能模态识别接口集中进行匹配,得到识别性能指标值对应的目标性能模态识别接口;
步骤304,基于识别安全度在安全模态识别接口集中进行匹配,得到识别安全度对应的目标安全模态识别接口;
步骤306,基于识别精确度在精确模态识别接口集中进行匹配,得到识别精确度对应的目标精确模态识别接口;
步骤308,基于目标性能模态识别接口、目标安全模态识别接口和目标精确模态识别接口得到目标模态识别接口集。
其中,安全模态识别接口集是指各个识别安全度对应的模态识别接口。精确模态识别接口集是指各个识别精确度对应的模态识别接口。性能模态识别接口集是指各个识别性能指标值对应的模态识别接口。
具体地,服务器中预先设置有各个识别安全度范围对应的模态识别接口、各个识别精确度范围对应的模态识别接口和各个识别性能指标值范围对应的模态识别接口,得到预设模态识别接口集。
服务器根据识别性能指标值在性能模态识别接口集对应的各个识别性能指标值范围进行匹配,将识别性能指标值所属的识别性能指标值范围对应的性能模态识别接口确定为目标性能模态识别接口。
服务器根据识别安全度在安全模态识别接口集对应的各个识别安全度范围进行匹配,将识别安全度所属的识别安全度范围对应的安全模态识别接口确定为目标安全模态识别接口。
服务器根据识别精确度在精确模态识别接口集对应的各个识别精确度范围进行匹配,将识别精确度所属的识别精确度范围对应的精确模态识别接口确定为目标精确模态识别接口。
服务器将目标性能模态识别接口、目标安全模态识别接口和目标精确模态识别接口作为目标模态识别接口集。
在一个具体实施例中,如表1所示,提供一种预设模态识别接口集列表。表1中指标包括安全性、精确度和性能。安全性表示识别安全度标识、精确度表示识别精确度标识、性能表示识别性能指标值标识。各个模态识别接口对应的模态识别标识包括虹膜识别、静脉识别、人脸识别、指纹识别、掌纹识别和声纹识别等。分数表示各个模态识别接口对应的安全性或精确性或性能。比如,安全性为80对应的模态识别标识为静脉识别,精确度为60对应的模态识别标识为人脸识别,性能为100对应的模态识别标识为虹膜识别,根据静脉识别、人脸识别和虹膜识别得到模态识别标识集。然后服务器获取模态识别标识集对应的目标模态识别接口集,即服务器将静脉识别对应的模态识别接口、人脸识别对应的模态识别接口和虹膜识别对应的模态识别接口作为目标模态识别接口集。
表1
在一个具体实施例中,服务器可以获取管理终端根据预设指标设置模板设置的各个指标对应的指标分数,如表2所示的指标设置模板。
表2
输入指标 | 分数 |
安全 | XXX |
精确 | XXX |
性能 | XXX |
其中,“XXX”表示待输入的指标分数。服务器根据管理端设置的各个指标分数在预设模态识别接口集列表中查找相同的分数,并确定该分数对应的模态识别标识,然后获取对应的模态识别接口。
在一个具体实施例中,当检测到管理端设置的各个指标对应的指标分数在预设模态识别接口集列表中未查找到相同的分数时,模态识别方式规则如下:
规则1:优先取分数相等的模态识别标识;
规则2:无等值匹配分数的,向上取就近分数对应模态识别标识(比如,“精确度为70”,70向上就近分数为80,对应模态识别标识为指纹识别);
规则3:同一指标组合,如果向上取就近分数对应模态识别标识跟已选模态识别标识重复的,则向下取就近分数对应模态识别标识,比如:“安全80,安全70”按规则1和2,得到的模态识别标识集为“静脉识别+静脉识别”中模态识别标识出现重复,则按照原则3,根据“安全70”向下取就近分数对应模态识别标识为“人脸识别”,最终模态识别标识集为“静脉识别+人脸识别”。
本实施例中,通过根据识别性能指标值、识别安全度和识别精确度在对应的模态识别接口集中进行匹配,能够快速确定目标模态识别接口集,从而提高了身份识别的效率。
在一个实施例中,在步骤208,基于各个身份识别结果得到身份识别请求对应的目标识别结果之后,还包括:
当检测到目标识别结果中各个模态为身份识别正确结果时,获取身份识别请求对应的业务执行指令,响应于业务执行指令进行业务处理。
具体地,服务器检测到目标识别结果中各个身份识别结果均为身份识别正确时,根据身份识别请求生成业务执行指令,表示指示用户终端进行业务处理。服务器向身份识别请求对应的用户终端发送业务执行指令,用户终端响应于业务执行指令进行业务处理。
在一个具体实施例中,身份识别方法可应用于金融应用程序的身份识别。用户终端响应于对金融应用程序中登录业务标识的选择操作和操作时间,根据金融应用程序标识、登录业务标识和操作时间生成业务场景数据并获取用户终端对应的用户标识。用户终端根据业务场景数据和用户标识生成身份识别请求,将身份识别请求发送至服务器。
服务器根据身份识别请求中的业务场景数据和用户标识确定目标模态识别接口集为人脸数据采集接口和指纹数据采集接口,服务器根据人脸数据采集接口和指纹数据采集接口生成模态数据采集指令,将模态数据采集指令发送至用户终端。用户终端通过人脸数据采集接口和指纹数据采集接口采集用户的人脸数据和指纹数据,并分别使用人脸数据和指纹数据进行身份识别,得到目标识别结果。一般来说,不同类别的应用程序对应的识别安全性不同,比如,金融类应用程序的识别安全性高于游戏类应用程序的识别安全性高。不同业务类别对应的识别精确度也不同,比如,转账业务的识别精确度高于身份登录业务的识别精确度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的身份识别方法的身份识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个身份识别装置实施例中的具体限定可以参见上文中对于身份识别方法的限定,在此不再赘叙。
在一个实施例中,如图4所示,提供了一种身份识别装置400,包括:风险验证模块402、计算模块404、确定模块406和识别模块408,其中:
风险验证模块402,用于获取身份识别请求,身份识别请求携带业务场景数据和用户标识,基于业务场景数据提取场景特征,并对用户标识进行风险验证,得到用户标识对应的风险程度;
计算模块404,用于基于场景特征进行识别安全度计算,得到身份识别请求对应的识别安全度,并基于场景特征和风险程度进行识别精确度计算,得到身份识别请求对应的识别精确度;
确定模块406,用于基于识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于用户标识获取目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
识别模块408,用于使用各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于各个身份识别结果得到身份识别请求对应的目标识别结果。
在一个实施例中,风险验证模块402,包括:
特征提取单元,用于从业务场景数据中确定业务来源信息、业务类型和业务操作信息,并将业务来源信息、业务类型和业务操作信息进行向量化,得到业务场景向量;将业务场景向量进行卷积运算,得到场景特征;从预设风险等级列表中查找用户标识对应的风险等级,基于风险等级确定用户标识对应的风险程度。
在一个实施例中,计算模块404,包括:
模型计算单元,用于将场景特征输入到预设安全度识别模型,通过预设安全度识别模型对场景特征进行卷积运算,得到场景卷积值,对场景卷积值进行全连接运算,输出身份识别请求对应的识别安全度;将场景特征和风险程度进行拼接,得到拼接特征数据,将拼接特征数据输入到预设精确度识别模型中,通过预设精确度识别模型对拼接特征数据进行向量化,得到拼接特征向量,将拼接特征向量进行卷积运算,得到拼接卷积值,对拼接卷积值进行全连接运算,输出身份识别请求对应的识别精确度。
在一个实施例中,确定模块406,包括:
性能指标单元,用于获取身份识别资源,基于身份识别资源确定识别性能指标值;基于识别性能指标值、识别安全度和识别精确度在预设模态识别接口集中确定目标模态识别接口集。
在一个实施例中,确定模块406,包括:
匹配单元,用于基于识别性能指标值在性能模态识别接口集中进行匹配,得到识别性能指标值对应的目标性能模态识别接口;基于识别安全度在安全模态识别接口集中进行匹配,得到识别安全度对应的目标安全模态识别接口;基于识别精确度在精确模态识别接口集中进行匹配,得到识别精确度对应的目标精确模态识别接口;基于目标性能模态识别接口、目标安全模态识别接口和目标精确模态识别接口得到目标模态识别接口集。
在一个实施例中,身份识别装置400,还包括:
业务处理单元,用于当检测到目标识别结果为身份识别正确结果时,获取身份识别请求对应的业务执行指令,响应于业务执行指令进行业务处理。
上述身份识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储业务场景数用户标识等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种身份识别方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种身份识别方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5-6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种身份识别方法,其特征在于,所述方法包括:
获取身份识别请求,所述身份识别请求携带业务场景数据和用户标识,基于所述业务场景数据提取场景特征,并对所述用户标识进行风险验证,得到所述用户标识对应的风险程度;
基于所述场景特征进行识别安全度计算,得到所述身份识别请求对应的识别安全度,并基于所述场景特征和所述风险程度进行识别精确度计算,得到所述身份识别请求对应的识别精确度;
基于所述识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于所述用户标识获取所述目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
使用所述各个目标模态身份数据调用对应的目标模态识别模型进行身份识别,得到各个身份识别结果,基于所述各个身份识别结果得到所述身份识别请求对应的目标识别结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述业务场景数据提取得到场景特征,并对所述用户标识进行风险验证,得到所述用户标识对应的风险程度,包括:
从所述业务场景数据中确定业务来源信息、业务类型和业务操作信息,并将所述业务来源信息、所述业务类型和所述业务操作信息进行向量化,得到业务场景向量;
将所述业务场景向量进行卷积运算,得到所述场景特征;
从预设风险等级列表中查找所述用户标识对应的风险等级,基于所述风险等级确定所述用户标识对应的风险程度。
3.根据权利要求1所述的方法,其特征在于,所述基于所述场景特征进行识别安全度计算,得到所述身份识别请求对应的识别安全度,并基于所述场景特征和所述风险程度进行识别精确度计算,得到所述身份识别请求对应的识别精确度,包括:
将所述场景特征输入到预设安全度识别模型,通过所述预设安全度识别模型对所述场景特征进行卷积运算,得到场景卷积值,对所述场景卷积值进行全连接运算,输出所述身份识别请求对应的识别安全度;
将所述场景特征和所述风险程度进行拼接,得到拼接特征数据,将所述拼接特征数据输入到预设精确度识别模型中,通过预设精确度识别模型对所述拼接特征数据进行向量化,得到拼接特征向量,将所述拼接特征向量进行卷积运算,得到拼接卷积值,对所述拼接卷积值进行全连接运算,输出所述身份识别请求对应的识别精确度。
4.根据权利要求1所述的方法,其特征在于,所述基于所述识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集,包括:
获取身份识别资源,基于所述身份识别资源确定识别性能指标值;
基于所述识别性能指标值、所述识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集。
5.根据权利要求4所述的方法,其特征在于,所述预设模态识别接口集包括安全模态识别接口集、精确模态识别接口集和性能模态识别接口集;所述基于所述识别性能指标值、所述识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集,包括:
基于所述识别性能指标值在所述性能模态识别接口集中进行匹配,得到所述识别性能指标值对应的目标性能模态识别接口;
基于所述识别安全度在所述安全模态识别接口集中进行匹配,得到所述识别安全度对应的目标安全模态识别接口;
基于所述识别精确度在所述精确模态识别接口集中进行匹配,得到所述识别精确度对应的目标精确模态识别接口;
基于所述目标性能模态识别接口、所述目标安全模态识别接口和所述目标精确模态识别接口得到所述目标模态识别接口集。
6.根据权利要求1所述的方法,其特征在于,在所述基于所述各个身份识别结果得到所述身份识别请求对应的目标识别结果之后,还包括:
当检测到所述目标识别结果为身份识别正确结果时,获取所述身份识别请求对应的业务执行指令,响应于所述业务执行指令进行业务处理。
7.一种身份识别装置,其特征在于,所述装置包括:
风险验证模块,用于获取身份识别请求,所述身份识别请求携带业务场景数据和用户标识,基于所述业务场景数据提取场景特征,并对所述用户标识进行风险验证,得到所述用户标识对应的风险程度;
计算模块,用于基于所述场景特征进行识别安全度计算,得到所述身份识别请求对应的识别安全度,并基于所述场景特征和所述风险程度进行识别精确度计算,得到所述身份识别请求对应的识别精确度;
确定模块,用于基于所述识别安全度和所述识别精确度在预设模态识别接口集中确定目标模态识别接口集,基于所述用户标识获取所述目标模态识别接口集中各个目标模态识别接口分别对应的目标模态身份数据;
识别模块,用于使用所述各个目标模态身份数据调用对应的目标模态识别接口进行身份识别,得到各个身份识别结果,基于所述各个身份识别结果得到所述身份识别请求对应的目标识别结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310802567.XA CN117113316A (zh) | 2023-06-30 | 2023-06-30 | 身份识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310802567.XA CN117113316A (zh) | 2023-06-30 | 2023-06-30 | 身份识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113316A true CN117113316A (zh) | 2023-11-24 |
Family
ID=88793616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310802567.XA Pending CN117113316A (zh) | 2023-06-30 | 2023-06-30 | 身份识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113316A (zh) |
-
2023
- 2023-06-30 CN CN202310802567.XA patent/CN117113316A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
US10846552B1 (en) | Universal object recognition | |
TW202026984A (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
CN113515988B (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN104766062A (zh) | 基于轻量级智能终端的人脸识别***及注册、识别方法 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、***和计算机可读介质 | |
CN110245714B (zh) | 图像识别方法、装置及电子设备 | |
US10997609B1 (en) | Biometric based user identity verification | |
CN111062808B (zh) | ***额度评估方法、装置、计算机设备及存储介质 | |
CN111507285A (zh) | 人脸属性识别方法、装置、计算机设备和存储介质 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN113538070A (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
CN115690672A (zh) | 异常图像识别方法、装置、计算机设备和存储介质 | |
CN112749576B (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
CN117275138A (zh) | 基于自动取款机的身份认证方法、装置、设备和存储介质 | |
CN117237757A (zh) | 一种人脸识别模型训练方法、装置、电子设备及介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113128278A (zh) | 一种图像识别方法及装置 | |
CN115082999A (zh) | 合影图像人物分析方法、装置、计算机设备和存储介质 | |
CN117113316A (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
CN118114123B (zh) | 识别模型的处理方法、装置、计算机设备和存储介质 | |
CN113269176B (zh) | 图像处理模型训练、图像处理方法、装置和计算机设备 | |
CN113436020B (zh) | 违规账户的识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |