CN117708784A - 一种身份核验方法、装置、电子设备及存储介质 - Google Patents
一种身份核验方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117708784A CN117708784A CN202311619402.5A CN202311619402A CN117708784A CN 117708784 A CN117708784 A CN 117708784A CN 202311619402 A CN202311619402 A CN 202311619402A CN 117708784 A CN117708784 A CN 117708784A
- Authority
- CN
- China
- Prior art keywords
- image
- identity verification
- similarity value
- character
- target user
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007635 classification algorithm Methods 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种身份核验方法、装置、电子设备及存储介质,属于图像处理技术领域,用以解决身份核验准确率较低的问题。所述方法包括:获取目标用户视频的各帧图像中,与核验所述目标用户相关的第一图像;将所述第一图像输入预训练的分割模型,输出第二图像,通过预设模版对所述第二图像进行定位抠图,得到所述第二图像对应的每个字符图片;将所述第二图像对应的每个字符图片输入预训练的分类算法模型,输出所述每个字符图片与所述目标用户的身份核验信息的相似度值;将多个所述相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据所述整体相似度值,对所述目标用户进行身份核验。
Description
技术领域
本申请涉及图形处理技术领域,尤其涉及一种身份核验方法、装置、电子设备及存储介质。
背景技术
在视频业务办理过程中,需要对用户的身份、证件、资料等信息进行实时核验,其中,核验身份时,对相关证件的字符校对是核验的一个关键环节。
在相关技术中,获取用户身份信息之后,一般都是利用光学字符识别OCR技术来识别身份字符信息,但是,通常摄像头录制视频时,很多低配置手机的图像质量较差,OCR技术也无法正确识别信息,导致身份核验准确率较低。
发明内容
本申请实施例的目的是提供一种身份核验方法、装置、电子设备及存储介质,用以解决身份核验准确率较低的问题。
为解决上述技术问题,本申请实施例是这样实现的:
一方面,本申请实施例提供一种身份核验方法,包括:
获取目标用户视频的各帧图像中,与核验所述目标用户相关的第一图像;
将所述第一图像输入预训练的分割模型,输出第二图像,通过预设模版对所述第二图像进行定位抠图,得到所述第二图像对应的每个字符图片;
将所述第二图像对应的每个字符图片输入预训练的分类算法模型,输出所述每个字符图片与所述目标用户的身份核验信息的相似度值;
将多个所述相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据所述整体相似度值,对所述目标用户进行身份核验。
另一方面,本申请实施例提供一种身份核验装置,包括:
获取模块,用于获取目标用户视频的各帧图像中,与核验所述目标用户相关的第一图像;
分割模块,用于将所述第一图像输入预训练的分割模型,输出第二图像,通过预设模版对所述第二图像进行定位抠图,得到所述第二图像对应的每个字符图片;
分类算法模块,用于将所述第二图像对应的每个字符图片输入预训练的分类算法模型,输出所述每个字符图片与所述目标用户的身份核验信息的相似度值;
核验模块,用于将多个所述相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据所述整体相似度值,对所述目标用户进行身份核验。
再一方面,本申请实施例提供一种电子设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述身份核验方法。
再一方面,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,所述计算机程序能够被处理器执行以实现上述身份核验方法。
采用本申请实施例的技术方案,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。相较于现有技术中,通过获取第一图像中所有字符的整体图片,识别字符信息,本申请能够利用分割模型和预设模版直接获得每个字符对应的字符图片,并且无需对每个字符图片中的字符进行文字识别,而是通过分类算法模型计算每个字符图片对应的相似度值,将每个字符图片的最小相似度值作为第一图像的整体相似度值,相比识别含有所有字符的整体图片,计算每个字符图片和目标用户的身份核验信息的相似度值,更能够提高身份核验的准确率。
附图说明
为了更清楚地说明本申请一个或多个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,下面描述中的附图仅仅是本申请一个或多个实施例中记载的一些实施例,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是根据本申请一实施例的一种身份核验方法的示意性流程图;
图2是根据本申请另一实施例的一种身份核验方法的示意性流程图
图3是根据本申请一实施例的一种身份核验装置的示意性框图;
图4是根据本申请一实施例的一种身份核验设备的硬件结构示意图。
具体实施方式
本申请实施例提供一种身份核验方法、装置、电子设备及存储介质,用以解决身份核验准确率低的问题。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供的身份核验方法可由电子设备执行,或者由安装于电子设备中的软件执行,具体地,电子设备可以是终端设备或者服务端设备。其中,终端设备可以包括智能手机、笔记本电脑、智能可穿戴设备、车载终端等,服务器设备可以包括独立的物理服务器、由多个服务器组成的服务器集群或者能够进行云计算的云服务器。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的一种身份核验方法、装置、电子设备及存储介质进行详细地说明。
图1是根据本申请一实施例的一种身份核验方法的示意性流程图,如图1所示,身份核验方法包括以下步骤:
S102,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像。
第一图像,指的是获取目标用户视频信息后,在视频信息的各帧图像中,确定和目标用户相关的图像为第一图像。作为一个示例,在视频业务办理过程中,大部分用户会携带含有身份信息的相关证件或资料,通过摄像装备实时获取包含相关证件的视频帧,将视频帧中的一帧作为第一图像,用于后续对用户的身份进行核验。
S104,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片。
将上述步骤102中获取的第一图像输入预先训练好的分割模型中,基于分割模型,输出第一图像通过分割后的第二图像,利用预设模版将第二图像进行定位抠图,得到第二图像中和目标用户身份信息相关的每个字符的字符图片,其中,字符图片包括数字图片或者是字母图片。
需要说明的是,分割模型能够对第一图像进行实例分割并对第一图像做矫正处理,最终输出第二图像,按照预设模版对第二图像对应的每个字符图片进行定位抠图处理,得到第二图像对应的每个字符图片,其中,第二图像对应的每个字符图片也就是第一图像的每个字符图片。
可见,分割模型可以分割出第一图像中的每个字符图片,相比直接检测第一图像的字符区域,若是第一图像不清晰,对字符区域的文字识别容易出现误差,通过分割模型和预设模版,识别每个字符图片,能够提升获取第一图像相关字符的准确率。
S106,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值。
将第二图像输入训练好的分类算法模型,通过分类算法模型,可以输出第二图像对应的每个字符图片的相似度值,该相似度值表征每个字符图片和目标用户的身份核验信息的相似度,其中,目标用户的身份核验信息,包括目标用户真实的含有身份信息的相关证件信息,例如,数字信息或者是字母信息等。
相较于通过检测第一图像的字符区域,再对字符区域进行文字识别,利用分类算法,对每个字符图片进行分类,并计算对应的相似度值,更能够提高识别第一图像中字符的准确性,进而提高对目标用户的核验效率。
S108,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。
根据步骤106中第一图像对应的每个字符图片的相似度值,确定多个相似度值中符合预设条件的第一相似度值,将第一相似度值作为整体相似度值,也就是将第一相似度值作为第一图像和目标用户的身份核验信息的相似度值。根据整体的相似度值,核验目标用户的身份信息。
需要说明的是,当输出的多个相似度值中有一个为0,整体相似度值就为0,那么针对步骤102中目标用户视频的各帧图像,继续获取第一图像之外的其它图像输入模型进行训练,根据最终模型的输出结果,对目标用户进行身份核验。
采用本申请实施例的技术方案,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。相较于现有技术中,通过获取第一图像中所有字符的整体图片,识别字符信息,本申请能够利用分割模型和预设模版直接获得每个字符对应的字符图片,并且无需对每个字符图片中的字符进行文字识别,而是通过分类算法模型计算每个字符图片对应的相似度值,将每个字符图片的最小相似度值作为第一图像的整体相似度值,相比识别含有所有字符的整体图片,计算每个字符图片和目标用户的身份核验信息的相似度值,更能够提高身份核验的准确率。
在一个实施例中,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片(即S104),可执行如下步骤A1-A3:
步骤A1:通过实例分割技术,对第一图像进行分割,得到分割后的第三图像。
实例分割技术,包括:利用神经网络,检测目标图像的位置和信息,并将目标图像和相邻的图像区分开。
根据实例分割技术,对包含目标用户的身份核验信息的第一图像进行实例分割,得到具有身份核验信息的第三图像。例如,用户在办理业务时,截取带有相关证件的用户图像即第一图像,其中,第一图像包括用户和相关证件,通过实例分割处理对第一图片进行实例分割得到第三图像,此时,第三图像仅包括相关证件,能够过滤掉和目标用户身份核验信息无关的内容,对目标用户的身份核验更加精准。
步骤A2:将第三图像进行变换矫正处理,确定处理后的第二图像。
将步骤A1中包含身份核验信息的第三图像,做变换矫正处理,如,沿用上述示例,获取的第三图像中,用户携带的相关证件可能是不规则的,或者方向是不正确的,需要对第三图像按照预设规则进行变换矫正,得到正确的便于识别的第二图像,其中,预设规则可以根据***中目标用户相关证件的尺寸大小进行预设。通过对第三图像进行拉伸、放大、缩小等调整,确定符合预设规则的第二图像,后续能够准确的提取第二图像中的每个字符图片。
步骤A3:对第二图像按照预设模版进行定位抠图,得到第二图像对应的每个字符图片。
获得上述步骤中符合预设规则的第二图像后,将第二图像对应的字符图片,按照预设模版中的位置信息,对每个字符图片进行抠图处理,确定第二图像对应的每个字符图片。
本实施例中,通过预训练的分割模型,对第一图像进行实例分割处理,确定分割后的第三图像,并按照预设的规则,对第三图像进行矫正,输出符合要求的第二图像,能够使下述通过预设模版定位抠图的结果更加准确。根据预设模版,对第二图像对应的每个字符信息定位抠图,得到第二图像对应的每个字符图片,可见,第二图像对应的每个字符图片也就是第一图像对应的每个字符图片,能够提取处理后的第一图像中每个字符的字符图片,达到提高验证目标用户的第一图像中每个字符的准确率的效果。
在一个实施例中,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值(即S106),可执行如下步骤B1-B2:
步骤B1:根据第二图像对应的每个字符图片,和身份核验信息对应的每个字符的对应关系,并基于目标检测算法,计算第二图像对应的每个字符图片和身份核验信息对应的每个字符的概率值。
第二图像对应的每个字符图片和身份核验信息对应的每个字符,应该是一一对应的关系,即第二图像中的第一个字符和身份核验信息中的第一个字符是对应的。
分类算法,包括目标检测算法,具体的,该算法可以确定每个字符图片的位置,并识别字符图片,目标检测算法多采用检测算法(You Only Look Once v8,YOLOv8),定位出每个字符图片中字符的特征信息并进行分类,结合神经网络,利用算法计算出每个字符图片对应的概率值。
在分类算法模型识别分割后的字符图片特征信息后,通过分类算法模型中的分类算法计算每个字符图片和目标用户的身份核验信息的概率值,最终输出每个字符图片和身份核验信息对应的字符的概率值。示例性地,当目标字符图片是包含数字“7”的图片,将该目标字符图片输入分类算法模型中,可以计算出目标字符图片“7”的概率值,具体的,当身份核验信息对应的该位置的字符是“7”的概率值为0.4,那么输出目标字符的概率值就是0.4,如果当身份核验信息对应的该位置的字符是“5”的概率值为0.4,那么输出的目标字符的概率值就是0,以此计算每个目标字符图片和身份核验信息中对应的字符的概率值。
步骤B2:基于概率值,确定每个字符图片与目标用户的身份核验信息的相似度值。
本实施例中,通过预训练的分类算法模型,得到第二图像中的每个字符图片的特征信息,并通过字符图片和目标用户的身份核验信息的字符的概率值计算,输出每个字符图片和目标用户的身份核验信息的概率值,该概率值用于表征每个字符图片与目标用户的身份核验信息的相似度值。可见,通过预训练的分类算法模型,将第二图像中每个字符图片的信息进行识别,并且计算出唯一的概率值,提高了识别字符图片信息的准确性。
在一个实施例中,将第三图像进行变换矫正处理,确定处理后的第二图像,(即步骤A2),具体可执行如下步骤A21-A22:
步骤A21:按照预设模板中的尺寸信息对第三图像进行抠图处理。
预设尺寸包括按照目标用户的身份核验信息的相关证件的尺寸比例,进行预设。
由上述步骤A1可知,第三图像是进行实例分割后的图像,对第三图像按照相关证件预设模板中的尺寸比例信息进行抠图处理,可以得到和目标用户的身份核验信息相关证件尺寸比例一致的图像,便于比较。
步骤A22:对第三图像进行变换矫正,得到符合尺寸信息的第二图像。
根据步骤A21进行抠图处理后的第三图像,可能存在角度问题或者方向不正确等的不规则图形,将抠图处理后的第三图像矫正为规则的图像。作为一个示例,抠图处理后的第三图像,通过开源计算机视觉库(Open Source Computer Vision Library,OpenCV)拟合多边形,具体的,多边形逼近的函数approxPolyDP把不规则的图像拟合为四边形,再通过透视变换函数warpPerspective把四边形转换为矩形,第三图像被矫正后,第三图像上的字符信息也一起被矫正,提高第三图像中字符图片信息的辨识度。
需要说明的是,对第二图像按照预设模版进行定位抠图,得到第二图像对应的每个字符图片(即步骤A3),具体可执行如下步骤A31-A32:
步骤A31:基于预设模板中的位置信息,确定第二图像中的每个字符位置。
预设模板不仅包括上述的尺寸信息,还包括标记的位置信息,即对用户的身份核验信息对应的每个字符的位置进行标记。
上述矫正处理之后的第二图像,符合模版的尺寸大小,根据预设模版标记的位置信息,能够确定第二图像中每个字符图像的位置。
步骤A32:根据每个字符位置,提取第二图像对应的每个字符图片。
本实施例中,通过对第三图像进行抠图和变换矫正处理,输出符合预设模版尺寸比例的第二图像,再根据预设模版中提前标记的位置信息,确定第二图像中每个字符位置,最后达到提取第二图像中每个字符图片的目的,其中,提取的每个字符图片用于后续对每个字符做分类计算。
在一个实施例中,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值;根据整体相似度值,对目标用户进行身份核验(即S108),具体可执行如下步骤C1-C3:
步骤C1:根据每个字符图片与目标用户的身份核验信息的相似度值,确定每个字符图片的相似度值中的最小相似度值。
由步骤106中输出的每个字符图片与目标用户的身份核验信息的相似度值,可知,每个字符图片均对应一个相似度值,通过各个相似度值的比对,确定输出的所有字符图片中相似度值最小的相似度值。
步骤C2:将最小相似度值,作为第一图像与目标用户的身份核验信息的整体相似度值。
根据木桶原理,其中最小的相似度值代表第一图像的整体相似度值。例如,18位数字中,17位数字的相似度都是90%,而其中一位数字的相似度只有50%,那么整体相似度也只能是50%。
步骤C3:当整体相似度值大于或等于阈值时,确定目标用户的身份核验通过;当整体相似度值小于阈值时,确定目标用户的身份核验不通过。
其中,相似度值没有绝对意义,而是在批量测量的数据结果中选择最优的数据作为阈值,当相似度值等于或者大于阈值时,目标用户的身份核验通过;当整体相似度值小于阈值时,目标用户的身份核验不通过。具体的,通过大量用户的身份核验相似度值,等于或者大于某个数值时,用户的身份核验通过,小于某个数值时,用户的身份核验不通过,该数值便作为阈值,目标用户的整体相似度值和该数值进行比对,确定目标用户的身份核验结果。
本实施例中,根据每个字符图片和目标用户的身份核验信息的相似度值,确定其中最小相似度值,将最小相似度值最为第一图像的整体相似度值,根据整体相似度值和阈值的比较,对目标用户进行身份核验。
在一个实施例中,分割模型的训练,具体可执行如下步骤D1-D5:
步骤D1:获取多个用户的第一图像。
示例性地,可以采用不同用户的4000张不同旋转角度和清晰度的相关证件的正反面图片,即第一图像作为训练数据集。
步骤D2:通过实例分割技术,对第一图像进行分割,得到分割后的第四图像。
利用实例分割技术,对获取的每个第一图像分别进行实例分割,具体的,可以对上述示例中的4000张图像通过YOLOv8算法按照预设模板进行分割,得到包含相关证件的第四图像。
步骤D3:将第四图像进行变换矫正处理,确定处理后的第五图像。
通过步骤D2获取的第四图像,按照预设模版的尺寸比例大小,确定多个第五图像,具体的,可以根据OpenCV技术拟合多边形,对第四图像进行调整。
步骤D4:基于第一图像和第五图像,对分割模型进行训练,得到训练后的分割模型。
通过获取的多个第一图像和经过分割、抠图以及矫正处理之后的第五图像,进行比对训练,当第一图像通过分割模型,输出的第五图像和预设的第一图像中证件信息的大小尺寸一致,即模型训练成功,若不一致,调整YOLOv8算法和OpenCV中的参数,对模型进行迭代训练,直到训练成功。
本实施例中,获取多个用户不同类型的第一图像,分别对每个第一图像进行性实例分割,得到相关证件的第四图像,对第四图像经过变换矫正处理,提取符合预设尺寸和规则的第五图像。根据获取的数据集,通过不断调整YOLOv8和OpenCV的相关参数对模型进行训练,直到获取到的第五图像和第一图像中的相关证件尺寸规则一致。通过训练好的分割模型,可以直接将获取的目标用户的第一图像进行处理,确定符合预设规则的第二图像,便于提取第二图像中的信息。
在一个实施例中,分类算法模型的训练,具体可执行如下步骤E1-E4:
步骤E1:获取多个不同类型的字符图片和第一身份核验信息。
获取多个不同清晰度和完整度的字符图片作为分类算法模型的训练集,满足相关证件中第一图像经过抠图变换后的图像清晰度及完整度的场景。例如,若计算11个不同字符图片的相似度值,可以获取5500张与11个字符图片相关的不同类型清晰度和完整度的图片,不同字符的字符图片各500张,输入模型中进行训练,其中,第一身份核验信息为11个不同字符。
步骤E2:将多个字符图片输入预训练的分类算法模型。
步骤E3:根据目标检测算法,计算每个字符图片的概率值,根据概率值,输出每个字符图片和第一身份核验信息的相似度值。
目标检测算法即分类算法,可以采用YOLOv8算法,提取数据集中每个字符图片的特征,并计算每个字符图片的概率值,此概率值表征每个字符图片和第一身份核验信息的相似度值。
步骤E4:基于多个字符图片和相似度值,对分类算法模型进行训练,得到训练后的分类算法模型。
通过数据集中的字符图片,以及通过分类算法模型输出的字符图片和第一身份核验信息的相似度值,对模型进行训练,具体的,通过YOLOv8算法提取字符图片的特征,并计算字符图片的概率值,经过多次训练即调整YOLOv8中的参数,直到当输入字符的字符图片和第一身份核验信息相同,字符图片和第一身份核验信息的概率值一致且固定;同时,当字符图片和第一身份核验信息不同,字符图片和第一身份核验信息的概率值为0,模型训练成功。
需要说明的是,可以利用反向传播对模型做进一步的训练,如可以通过计算损失函数对于每个参数的梯度,指导神经网络中参数的更新。
本实施例中,通过获取多个不同类型的字符图片作为分类算法模型的训练数据集,将获取的多个字符图片输入分类算法模型中,利用分类算法计算每个字符图片对应的相似度值,通过不断的调整分类算法中的参数信息,训练模型,只要输入的字符图片和第一身份核验信息相同,即使相同字符的字符图片的清晰度和尺寸规格不同,也可以输出相同的相似度值,模型训练成功。根据分类算法模型能够将字符图片进行分类,区分出是何种字符,并且可以确定每个字符图片和第一身份核验信息的相似度值,当目标用户对应的字符图片输入该训练好的分类算法模型中,可以输出字符图片和第一身份核验信息的相似度值,无需对字符进行文字识别,通过分类算法可以识别字符图片的信息。
图2是根据本申请另一实施例的一种身份核验方法的示意性流程图,如图3所示,该方法包括以下步骤:
S201,获取目标用户的视频帧。
S202,根据视频帧,确定视频帧中与核验目标用户相关的第一图像。
S203,将第一图像输入预训练的分割模型。
S204,利用实例分割技术,对第一图像进行分割,得到第二图像。
S205,通过第二图像做变换矫正处理,预训练的分割模型输出第三图像。
S206,按照预设的模版对第三图像进行定位抠图,得到第三图像中对应的每个字符图片。
通过预设模版对每个字符图片进行定位,能够准确的确定第三图像中的各个字符图片。
S207,将每个字符图片输入预训练的分类算法模型。
S208,通过分类算法对每个字符图片进行特征的提取并计算概率值。
分类算法采用YOLOv8算法,针对每个字符图片分类提取特征并计算和目标用户的身份核验信息的概率值,将概率值作为相似度值。
S209,根据每个字符图片的概率值,确定字符图片中最小的概率值。
S210,用最小的概率值表征第一图像和目标用户的身份核验信息的整体相似度值。
S211,基于整体相似度值,对目标用户进行身份核验。
上述S201到至S211的具体过程在上述实施例中已进行详细说明,此处不再赘述。
采用本申请实施例的技术方案,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。相较于现有技术中,通过获取第一图像中所有字符的整体图片,识别字符信息,本申请能够利用分割模型和预设模版直接获得每个字符对应的字符图片,并且无需对每个字符图片中的字符进行文字识别,而是通过分类算法模型计算每个字符图片对应的相似度值,将每个字符图片的最小相似度值作为第一图像的整体相似度值,相比识别含有所有字符的整体图片,计算每个字符图片和目标用户的身份核验信息的相似度值,更能够提高身份核验的准确率。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本申请实施例提供的身份核验方法,基于同样的思路,本申请实施例还提供一种身份核验装置。
图3是根据本申请一实施例的一种身份核验装置的示意性框图,如图3所示,该装置包括:
获取模块31,用于获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像;
分割模块32,用于将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片;
分类算法模块33,用于将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值;
核验模块34,用于将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。
在一个实施例中,分割模块32,包括,
通过实例分割技术,对第一图像进行分割,得到分割后的第三图像;将第三图像进行变换矫正处理,确定处理后的第二图像;对第二图像按照预设模版进行定位抠图,得到第二图像对应的每个字符图片。
在一个实施例中,分类算法模块33,包括,
根据第二图像对应的每个字符图片,和身份核验信息对应的每个字符的对应关系,并基于目标检测算法,计算第二图像对应的每个字符图片和身份核验信息对应的每个字符的概率值;基于概率值,确定每个字符图片与目标用户的身份核验信息的相似度值。
在一个实施例中,分割模块32,还包括,
按照预设模板中的尺寸信息对第三图像进行抠图处理;对第三图像进行变换矫正,得到符合尺寸信息的第二图像;基于预设模板中的位置信息,确定第二图像中的每个字符位置;根据每个字符位置,提取第二图像对应的每个字符图片
在一个实施例中,核验模块34,包括,
根据每个字符图片与目标用户的身份核验信息的相似度值,确定每个字符图片的相似度值中的最小相似度值;将最小相似度值,作为第一图像与目标用户的身份核验信息的整体相似度值;当整体相似度值大于或等于阈值时,确定目标用户的身份核验通过;当整体相似度值小于阈值时,确定目标用户的身份核验不通过。
在一个实施例中,该装置还包括分割模型的训练:
获取多个用户的第一图像;通过实例分割技术,对第一图像进行分割,得到分割后的第四图像;将第四图像进行变换矫正处理,确定处理后的第五图像;基于第一图像和第五图像,对分割模型进行训练,得到训练后的分割模型。
在一个实施例中,该装置还包括分类算法模型的训练:
获取多个不同类型的字符图片和第一身份核验信息;将多个字符图片输入预训练的分类算法模型;根据目标检测算法,计算每个字符图片的概率值,根据概率值,输出每个字符和第一身份核验信息的相似度值;基于多个字符图片和相似度值,对分类算法模型进行训练,得到训练后的分类算法模型。
采用本申请实施例的技术方案,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。相较于现有技术中,通过获取第一图像中所有字符的整体图片,识别字符信息,本申请能够利用分割模型和预设模版直接获得每个字符对应的字符图片,并且无需对每个字符图片中的字符进行文字识别,而是通过分类算法模型计算每个字符图片对应的相似度值,将每个字符图片的最小相似度值作为第一图像的整体相似度值,相比识别含有所有字符的整体图片,计算每个字符图片和目标用户的身份核验信息的相似度值,更能够提高身份核验的准确率。
本领域的技术人员应可理解,图3中的身份核验装置能够用来实现前文所述的身份核验方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本申请实施例还提供一种身份核验的设备,如图4所示。身份核验的设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器401和存储器402,存储器402中可以存储有一个或一个以上存储应用程序或数据。其中,存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对身份核验设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器402通信,在身份核验设备上执行存储器402中的一系列计算机可执行指令。身份核验设备还可以包括一个或一个以上电源403,一个或一个以上有线或无线网络接口404,一个或一个以上输入输出接口405,一个或一个以上键盘406。
具体在本实施例中,身份核验设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对身份核验设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像;
将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片;
将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值;
将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。
采用本申请实施例的技术方案,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。相较于现有技术中,通过获取第一图像中所有字符的整体图片,识别字符信息,本申请能够利用分割模型和预设模版直接获得每个字符对应的字符图片,并且无需对每个字符图片中的字符进行文字识别,而是通过分类算法模型计算每个字符图片对应的相似度值,将每个字符图片的最小相似度值作为第一图像的整体相似度值,相比识别含有所有字符的整体图片,计算每个字符图片和目标用户的身份核验信息的相似度值,更能够提高身份核验的准确率。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述身份核验方法实施例的各个过程,并具体用于执行:
获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像;
将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片;
将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值;
将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。
采用本申请实施例的技术方案,获取目标用户视频的各帧图像中,与核验目标用户相关的第一图像,将第一图像输入预训练的分割模型,输出第二图像,通过预设模版对第二图像进行定位抠图,得到第二图像对应的每个字符图片,将第二图像对应的每个字符图片输入预训练的分类算法模型,输出每个字符图片与目标用户的身份核验信息的相似度值,将多个相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据整体相似度值,对目标用户进行身份核验。相较于现有技术中,通过获取第一图像中所有字符的整体图片,识别字符信息,本申请能够利用分割模型和预设模版直接获得每个字符对应的字符图片,并且无需对每个字符图片中的字符进行文字识别,而是通过分类算法模型计算每个字符图片对应的相似度值,将每个字符图片的最小相似度值作为第一图像的整体相似度值,相比识别含有所有字符的整体图片,计算每个字符图片和目标用户的身份核验信息的相似度值,更能够提高身份核验的准确率。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请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***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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种身份核验方法,其特征在于,所述方法包括:
获取目标用户视频的各帧图像中,与核验所述目标用户相关的第一图像;
将所述第一图像输入预训练的分割模型,输出第二图像,通过预设模版对所述第二图像进行定位抠图,得到所述第二图像对应的每个字符图片;
将所述第二图像对应的每个字符图片输入预训练的分类算法模型,输出所述每个字符图片与所述目标用户的身份核验信息的相似度值;
将多个所述相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据所述整体相似度值,对所述目标用户进行身份核验。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一图像输入预训练的分割模型,输出所述第二图像,通过预设模版对所述第二图像进行定位抠图,得到第二图像对应的每个字符图片,包括:
通过实例分割技术,对所述第一图像进行分割,得到分割后的第三图像;
将所述第三图像进行变换矫正处理,确定处理后的第二图像;
对所述第二图像按照预设模版进行定位抠图,得到第二图像对应的每个字符图片。
3.根据权利要求1所述的方法,其特征在于,所述将所述第二图像对应的每个字符图片输入预训练的分类算法模型,输出所述每个字符图片与目标用户的身份核验信息的相似度值,包括:
根据所述第二图像对应的每个字符图片,和所述身份核验信息对应的每个字符的对应关系,并基于目标检测算法,计算所述第二图像对应的每个字符图片和所述身份核验信息对应的每个字符的概率值;
基于所述概率值,确定所述每个字符图片与目标用户的身份核验信息的相似度值。
4.根据权利要求2所述的方法,其特征在于,所述将所述第三图像进行变换矫正处理,确定处理后的第二图像,对所述第二图像按照预设模版进行定位抠图,得到第二图像对应的每个字符图片,包括:
按照所述预设模板中的尺寸信息对所述第三图像进行抠图处理;
对所述第三图像进行变换矫正,得到符合所述尺寸信息的所述第二图像;
基于所述预设模板中的位置信息,确定所述第二图像中的每个字符位置;
根据所述每个字符位置,提取所述第二图像对应的每个字符图片。
5.根据权利要求1所述的方法,其特征在于,所述将多个所述相似度值中符合预设条件的第一相似度值,作为整体相似度值;根据所述整体相似度值,对所述目标用户进行身份核验,包括:
根据所述每个字符图片与所述目标用户的身份核验信息的相似度值,确定所述每个字符图片的相似度值中的最小相似度值;
将所述最小相似度值,作为所述第一图像与所述目标用户的身份核验信息的整体相似度值;
当所述整体相似度值大于或等于阈值时,确定所述目标用户的身份核验通过;当所述整体相似度值小于所述阈值时,确定所述目标用户的身份核验不通过。
6.根据权利要求1所述的方法,其特征在于,所述分割模型的训练,包括:
获取多个用户的所述第一图像;
通过实例分割技术,对所述第一图像进行分割,得到分割后的第四图像;
将所述第四图像进行变换矫正处理,确定处理后的所述第五图像;
基于所述第一图像和所述第五图像,对所述分割模型进行训练,得到训练后的所述分割模型。
7.根据权利要求1所述的方法,其特征在于,所述分类算法模型的训练,包括:
获取多个不同类型的字符图片和第一身份核验信息;
将多个所述字符图片输入预训练的分类算法模型;
根据目标检测算法,计算每个所述字符图片的概率值,根据所述概率值,输出每个所述字符和所述第一身份核验信息的相似度值;
基于多个所述字符图片和所述相似度值,对所述分类算法模型进行训练,得到训练后的所述分类算法模型。
8.一种图像的核验装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户视频的各帧图像中,与核验所述目标用户相关的第一图像;
分割模块,用于将所述第一图像输入预训练的分割模型,输出第二图像,通过预设模版对所述第二图像进行定位抠图,得到所述第二图像对应的每个字符图片;
分类算法模块,用于将所述第二图像对应的每个字符图片输入预训练的分类算法模型,输出所述每个字符图片与所述目标用户的身份核验信息的相似度值;
核验模块,用于将多个所述相似度值中符合预设条件的第一相似度值,作为整体相似度值,根据所述整体相似度值,对所述目标用户进行身份核验。
9.一种电子设备,其特征在于,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求1-7任一项所述的一种身份核验方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质用于存储计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-7任一项所述的一种身份核验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311619402.5A CN117708784A (zh) | 2023-11-29 | 2023-11-29 | 一种身份核验方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311619402.5A CN117708784A (zh) | 2023-11-29 | 2023-11-29 | 一种身份核验方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708784A true CN117708784A (zh) | 2024-03-15 |
Family
ID=90156173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311619402.5A Pending CN117708784A (zh) | 2023-11-29 | 2023-11-29 | 一种身份核验方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708784A (zh) |
-
2023
- 2023-11-29 CN CN202311619402.5A patent/CN117708784A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN107578439B (zh) | 生成目标图像的方法、装置及设备 | |
US9811760B2 (en) | Online per-feature descriptor customization | |
CN108734106B (zh) | 基于对比的快速暴恐视频识别方法 | |
CN111242124B (zh) | 一种证件分类方法、装置及设备 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN109063776B (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
CN111783770B (zh) | 图像的矫正方法、装置和计算机可读存储介质 | |
CN111914908B (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN109447023B (zh) | 确定图像相似度的方法、视频场景切换识别方法及装置 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN113221897B (zh) | 图像矫正方法、图像文本识别方法、身份验证方法及装置 | |
CN113536875A (zh) | 证件图像识别方法、装置、计算机设备和存储介质 | |
CN110660091A (zh) | 一种图像配准处理方法、装置和拍照批改作业*** | |
CN113111687A (zh) | 数据处理方法、***及电子设备 | |
CN117708784A (zh) | 一种身份核验方法、装置、电子设备及存储介质 | |
CN116071804A (zh) | 人脸识别的方法、装置和电子设备 | |
CN114065868B (zh) | 文本检测模型的训练方法、文本检测方法及装置 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN115410281A (zh) | 电子签名识别方法、装置、设备及存储介质 | |
CN115063826A (zh) | 一种基于深度学习的移动端驾驶证识别方法和*** | |
CN112487943A (zh) | 关键帧去重的方法、装置和电子设备 | |
US10796197B2 (en) | Automatic method and system for similar images and image fragments detection basing on image content | |
CN113627124A (zh) | 一种针对字体迁移模型的处理方法、装置、电子设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 228, 2nd Floor, No. 5 Guanghua Road, Zhangjiawan Town, Tongzhou District, Beijing, 101113 Applicant after: BEIJING ZHONGGUANCUN KEJIN TECHNOLOGY Co.,Ltd. Address before: 130, 1st Floor, Building 5, Courtyard 1, Shangdi Fourth Street, Haidian District, Beijing, 100085 Applicant before: BEIJING ZHONGGUANCUN KEJIN TECHNOLOGY Co.,Ltd. Country or region before: China |