CN117789272A - 身份验证方法、装置、设备及存储介质 - Google Patents

Abstract

本发明属于身份校验领域，公开了一种身份验证方法、装置、设备及存储介质。包括：在接收到身份验证指令时，根据身份验证参数信息生成随机动作信息，以使用户基于随机动作信息进行身份验证，并获取用户的身份验证视频；根据随机动作信息对身份验证视频进行视频验证，得到验证结果；在验证结果为视频验证通过时，获取用户的三维人脸模型；根据三维人脸模型对身份验证视频进行身份验证，得到身份验证结果。本发明是让用户基于随机动作信息进行身份验证，并通过用户的三维人脸模型进行身份验证，相对于现有的通过常用身份验证动作和用户照片进行身份验证的方式，本发明上述方式能够避免通过提前采集的动作进行身份验证，提高身份验证效率。

Description

身份验证方法、装置、设备及存储介质

技术领域

本发明涉及身份校验技术领域，尤其涉及一种身份验证方法、装置、设备及存储介质。

背景技术

随着互联网金融的发展，传统金融贷款的身份审核流程大都转移到线上自动审核执行，因此，身份验证场景(确定用户对象的真实性)在金融保险、银行证券等领域得到越来越多关注。假脸攻击对人脸活体检测巨大的威胁也越来越大。除此之外，人们对自身的隐私数据越来越重视。现实生活中人们会面临一些需要进行身份验证的场景，比如在进行支付，或者进行个人账号登录和找回密码时，为了保证用户数据的安全性，应用程序多是通过活体检测的方式，即对用户进行人脸识别，进而执行业务。人脸识别具有非接触式、方便易用等特点，为了预防安全攻击，活体检测技术应运而生，通过多样化的技术手段，区分真实人脸与伪造人脸，保障信息安全。但是目前已有的活体检验却存在着以下局限：通常是设备端提示用户张张嘴，摇摇头，眨眨眼进行配合验证，此类方法存在以下问题：当攻击用户采用提前录制的带有上述动作的攻击视频时往往容易绕过动作活体验证。因此，如何避免身份验证被绕过，提高身份验证效率成为了亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种身份验证方法、装置、设备及存储介质，旨在解决现有技术身份验证容易被绕过，身份验证效率不高的技术问题。

为实现上述目的，本发明提供了一种身份验证方法，所述方法包括以下步骤：

在接收到身份验证指令时，获取身份验证参数信息；

根据所述身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；

根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；

在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；

根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。

可选地，所述根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果的步骤，包括：

根据所述身份验证视频确定人脸图像序列；

确定所述人脸图像序列中各个待检测人脸图像对应的动作信息；

根据所述动作信息和所述三维人脸模型确定目标人脸图像；

基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果。

可选地，所述根据所述动作信息和所述三维人脸模型确定目标人脸图像的步骤，包括：

根据所述动作信息对所述三维人脸模型进行空间调整，得到目标三维人脸模型；

对所述目标三维人脸模型进行透视投影，得到二维人脸图像；

基于所述目标三维人脸模型对所述二维人脸图像进行纹理映射，得到目标人脸图像。

可选地，所述基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果的步骤，包括：

对所述目标人脸图像进行特征提取，得到第一特征向量；

对所述待检测人脸图像进行特征提取，得到第二特征向量；

分别对所述第一特征向量和所述第二特征向量进行标准化，得到第三特征向量和第四特征向量；

确定所述第三特征向量和所述第四特征向量的余弦相似度；

根据所述余弦相似度确定身份验证结果。

可选地，所述根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果的步骤，包括：

确定所述身份验证视频对应的人脸图像序列；

对所述人脸图像序列进行人脸检测，得到人脸检测序列；

根据所述人脸图像序列对所述人脸检测序列进行外扩，得到目标人脸图像序列；

根据所述目标人脸图像序列确定所述用户的目标动作信息，所述目标动作信息包括用户的目标动作以及所述目标动作对应的目标持续时长；

根据所述目标动作、所述目标持续时长和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。

可选地，所述在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型的步骤之前，还包括：

获取用户注册时的真实人脸图像；

对所述真实人脸图像进行人脸面部特征提取，得到特征提取结果；

将所述特征提取结果输入至预设人脸三维重建模型，以使所述预设人脸三维重建模型基于所述特征提取结果进行三维人脸重建，得到所述用户的三维人脸模型。

可选地，所述随机动作信息包括身份验证动作以及所述身份验证动作对应的持续时长；

所述根据所述身份验证参数信息生成随机动作信息的步骤，包括：

根据所述身份验证参数信息确定时间戳和设备参数信息；

将所述时间戳和所述设备参数信息输入至预设随机动作生成模型，得到所述预设随机动作生成模型输出的随机动作信息。

此外，为实现上述目的，本发明还提供一种身份验证装置，所述装置包括：

获取模块，用于在接收到身份验证指令时，获取身份验证参数信息；

随机动作生成模块，用于根据所述身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；

视频验证模块，用于根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；

三维人脸模型获取模块，用于在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；

身份验证模块，用于根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。

此外，为实现上述目的，本发明还提出一种身份验证设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的身份验证程序，所述身份验证程序配置为实现如上文所述的身份验证方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有身份验证程序，所述身份验证程序被处理器执行时实现如上文所述的身份验证方法的步骤。

本发明在接收到身份验证指令时，获取身份验证参数信息；根据身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。由于本发明是让用户基于随机动作信息进行身份验证，并且通过用户的三维人脸模型对用户进行身份验证，相对于现有的通过常用身份验证动作和用户照片进行身份验证的方式，本发明上述方式能够避免通过提前采集的动作进行身份验证，提高身份验证效率。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的身份验证设备的结构示意图；

图2为本发明身份验证方法第一实施例的流程示意图；

图3为本发明身份验证方法第二实施例的流程示意图；

图4为本发明身份验证方法第三实施例的流程示意图；

图5为本发明身份验证装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的身份验证设备结构示意图。

如图1所示，该身份验证设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyb oard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fid elity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Me mory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对身份验证设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及身份验证程序。

在图1所示的身份验证设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明身份验证设备中的处理器1001、存储器1005可以设置在身份验证设备中，所述身份验证设备通过处理器1001调用存储器1005中存储的身份验证程序，并执行本发明实施例提供的身份验证方法。

基于上述身份验证设备，本发明实施例提供了一种身份验证方法，参照图2，图2为本发明身份验证方法第一实施例的流程示意图。

本实施例中，所述身份验证方法包括以下步骤：

步骤S10：在接收到身份验证指令时，获取身份验证参数信息。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或身份验证设备。以下以所述身份验证设备为例，对本实施例及下述各实施例进行说明。

需要说明的是，所述身份验证指令可以是用户触发的进行活体身份检测的命令，即通过人脸识别进行身份验证。所述身份验证参数信息可以包括当前时间戳以及身份验证设备的设备参数，所述设备参数可以包括设备型号、设备ip、CPU、版本等信息。用于随机生成随机动作信息。

步骤S20：根据所述身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频。

需要说明的是，所述根据所述身份验证参数信息生成随机动作信息可以是通过预设随机动作生成模型根据所述身份验证参数信息生成随机动作信息。所述预设随机动作生成模型可以是预先训练的根据所述身份验证参数信息随机生成多个动作以及各个动作对应的保持时间的模型。所述随机动作信息可以包括多个动作以及各个动作对应的保持时间，例如：点头，向左转头并保持3秒，点头并保持5秒，用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频可以是在身份验证设备上以文字或者示范视频的方式展示所述随机动作信息，以使用户基于展示的文字或者示范视频进行身份验证，并录制用户的身份验证过程，得到身份验证视频。

进一步的，为了避免恶意用户通过提前录制的特定动作视频绕过身份验证，提高身份验证效率，所述随机动作信息包括身份验证动作以及所述身份验证动作对应的持续时长，所述根据所述身份验证参数信息生成随机动作信息的步骤，包括：

根据所述身份验证参数信息确定时间戳和设备参数信息；

将所述时间戳和所述设备参数信息输入至预设随机动作生成模型，得到所述预设随机动作生成模型输出的随机动作信息。

需要说明的是，所述设备参数信息包括设备型号、设备ip、CPU、版本等信息。所述预设随机动作生成模型可以是预先训练的根据时间戳和设备参数信息随机生成随机动作信息的模型。

步骤S30：根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。

需要说明的是，所述根据所述随机动作信息对所述身份验证视频进行视频验证可以是验证所述身份验证视频中用户执行的动作和各个动作的保持时间以及动作顺序是否为所述随机动作信息中的动作，并且动作的保持时间和动作顺序是否相同。本实施例在视频验证阶段，采用随机生成的可变动作组合可以极大地增加身份验证设备被攻击的难度。

步骤S40：在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型。

需要说明的是，所述验证结果为视频验证通过即表明用户完全按照所述随机动作信息中的动作要求完成了身份验证。所述三维人脸模型可以是根据用户注册时上传的正脸图像或身份证照上的照片通过三维人脸重建得到的三维人脸模型。

进一步的，为了准确验证用户各个动作对应的人脸图像，所述步骤S40之前，可包括：获取用户注册时的真实人脸图像；

对所述真实人脸图像进行人脸面部特征提取，得到特征提取结果；

将所述特征提取结果输入至预设人脸三维重建模型，以使所述预设人脸三维重建模型基于所述特征提取结果进行三维人脸重建，得到所述用户的三维人脸模型。

需要说明的是，所述真实人脸图像可以是用户在注册进行人脸验证时采集的图片和上传的证件照片。所述对所述真实人脸图像进行人脸面部特征提取，得到特征提取结果可以是采用人脸关键点检测算法标定所述真实人脸图像中的关键面部特征，即得到特征提取结果。所述预设人脸三维重建模型可以是预先训练的用于根据真实的二维照片生成用户的三维人脸模型的模型。

在具体实施中，通过用户提供的真实人脸图像，采用人脸关键点检测算法标定真实人脸图像中的关键面部特征。随后将提取到的关键面部特征，输入预设人脸三维重建模型中，所述预设人脸三维重建模型可以是YC3DFace三维人脸建模模型，通过预设人脸三维重建模型还原出用户的高度详细的三维人脸模型，包括形状、纹理等。具体地，通过预设人脸三维重建模型将单张正脸图像编码为三维网格，保留了面部细节和纹理信息。训练过程中，形状和纹理损失函数确保生成的三维人脸模型与真实人脸尽可能相似。在后续进行身份验证时，可以通过姿态变换和渲染技术，可以从生成的三维人脸模型中合成其他角度的侧脸图像，通过计算机图形学方法，将该三维人脸模型投影到不同角度，实现从正面到侧脸的平滑过渡。这样便成功重建出用户的二维侧脸图像，为身份核验提供了更多角度的数据支持。

步骤S50：根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。

需要说明的是，所述根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果可以是确定所述身份验证视频中各个图像帧的目标动作，然后通过三维人脸模型确定目标动作对应的二维图像，所述二维图像中包括所述目标动作对应的观察视角下的人脸，将所述二维图像中的人脸与所述目标动作对应的图像帧中的人脸进行对比，若人脸对比成功，则说明是用户本人。

本实施例在接收到身份验证指令时，获取身份验证参数信息；根据身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。由于本实施例是让用户基于随机动作信息进行身份验证，并且通过用户的三维人脸模型对用户进行身份验证，相对于现有的通过常用身份验证动作和用户照片进行身份验证的方式，本实施例上述方式能够避免通过提前采集的动作进行身份验证，提高身份验证效率。

参考图3，图3为本发明身份验证方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S30包括：

步骤S301：确定所述身份验证视频对应的人脸图像序列。

需要说明的是，所述人脸图像序列可以是所述身份验证视频中的各个视频帧按照时间顺序构成的人脸图像序列。

步骤S302：对所述人脸图像序列进行人脸检测，得到人脸检测序列。

需要说明的是，所述对所述人脸图像序列进行人脸检测，得到人脸检测序列可以是对所述人脸图像序列中的各个视频帧进行人脸检测，得到人脸图像序列中各个视频帧对应的人脸图像，根据所述人脸图像得到人脸检测序列。

在具体实施中，将所述人脸图像序列输入至人脸检测网络中，以进行人脸检测操作。人脸检测网络对所述人脸图像序列中的各个图像进行人脸关键点定位，包括人脸的左边界点、右边界点、额头中心点和鼻梁中心点等。根据定位的所述人脸关键点确定人脸检测框，所述人脸检测框包括从所述人脸图像序列中提取得到的人脸图像，根据所述人脸检测框确定人脸图像序列。

步骤S303：根据所述人脸图像序列对所述人脸检测序列进行外扩，得到目标人脸图像序列。

需要说明的是，为了避免人脸没有被完全的提取至人脸检测框中，即人脸检测序列中，需要在所述人脸检测序列中人脸检测框的基础上，进行图像的外扩，以确保人脸图像序列中包含完整的人脸图像，所述根据所述人脸图像序列对所述人脸检测序列进行外扩可以是对人脸检测序列中的人脸检测框，在高度上外扩原人脸检测框高度的1/2，在宽度上外扩原人脸检测框宽度的1/4，得到外扩后的人脸检测框，根据外扩后的人脸检测框得到目标人脸图像序列。

在具体实施中，对所述人脸图像序列进行人脸检测，得到由人脸检测确定的人脸检测框组成的人脸检测序列后，还需要对该人脸检测序列中的人脸检测框向四周进行外扩，将外扩后的人脸检测框从人脸图像中裁出，得到目标人脸图像序列。具体的，先确定人脸检测框的坐标为(x1，y1，x2，y2)，其中，所述人脸检测框的宽度为w，高度为h，x1为人脸检测框宽度方向的坐标最小值，x2为人脸检测框宽度方向的坐标最大值，y1为人脸检测框高度方向的坐标最小值，y2为人脸检测框高度方向的坐标最大值，然后对x1和x2按照人脸检测框宽度w的四分之一进行外扩，对y1和y2按照人脸检测框高度h的二分之一进行外扩，得到外扩后的人脸检测框的坐标(x1-1/4w，y1-1/2h，x2+1/4w，y2+1/2h)。

步骤S304：根据所述目标人脸图像序列确定所述用户的目标动作信息，所述目标动作信息包括用户的目标动作以及所述目标动作对应的目标持续时长。

需要说明的是，所述根据所述目标人脸图像序列确定所述用户的目标动作信息可以是对所述目标人脸图像序列中的各个图像进行人脸关键点检测，得到各个图像帧的人脸关键点，根据所述人脸关键点确定用户的动作、各个动作的持续时长以及动作之间的顺序，即目标动作信息。

在具体实施中，对目标人脸图像序列进行人脸关键点定位，得到106个人脸关键点坐标。从106个人脸关键点坐标中选取人脸左边界点A(x1，y1)、人脸右边界点C(x2，y2)、额头中心点B(x3，y3)和鼻梁中心点D(x4，y4)，嘴巴上边界点E(x5，y5)，嘴巴下边界F(x6，y6)等，根据以上的相邻各帧的关键点计算得到人脸运动的幅度，判断人脸的动作，再根据动作的持续时长和动作的顺序得到目标动作信息。例如，根据嘴巴上边界点E(x5，y5)，嘴巴下边界F(x6，y6)，可以计算出嘴巴张嘴的幅度，依据预设的张嘴阈值，可以判断用户是否有张嘴动作。

步骤S305：根据所述目标动作、所述目标持续时长和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。

需要说明的是，所述根据所述目标动作、所述目标持续时长和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果可以是验证所述身份验证视频中用户执行的动作、动作的保持时长和动作之间的顺序是否符合所述随机动作信息中规定的动作、动作持续时长以及顺序。若与随机动作信息中的动作一致，则验证结果为视频验证通过，进行下一步的身份验证，否则，判定视频验证不通过，提示用户按照随机动作信息执行对应的动作，进行身份验证。

本实施例确定所述身份验证视频对应的人脸图像序列；对所述人脸图像序列进行人脸检测，得到人脸检测序列；根据所述人脸图像序列对所述人脸检测序列进行外扩，得到目标人脸图像序列；根据所述目标人脸图像序列确定所述用户的目标动作信息，所述目标动作信息包括用户的目标动作以及所述目标动作对应的目标持续时长；根据所述目标动作、所述目标持续时长和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。本实施例根据身份验证视频确定目标动作信息，然后根据所述目标动作信息和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。能够确保用户是基于所述随机动作信息进行的身份验证，提高身份验证的准确性。

参考图4，图4为本发明身份验证方法第三实施例的流程示意图。

基于上述各实施例，在本实施例中，所述步骤S50，还包括：

步骤S501：根据所述身份验证视频确定人脸图像序列。

需要说明的是，所述人脸图像序列可以是所述身份验证视频中的各个视频帧按照时间顺序构成的人脸图像序列。

步骤S502：确定所述人脸图像序列中各个待检测人脸图像对应的动作信息。

需要说明的是，所述待检测人脸图像可以是所述人脸图像序列中的图像。所述确定所述人脸图像序列中各个待检测人脸图像对应的动作信息可以参照上述实施例中确定目标人脸图像序列中用户的目标动作信息的步骤，本实施例再次不再赘述。或者是将上述实施例中的目标动作信息作为所述动作信息。

步骤S503：根据所述动作信息和所述三维人脸模型确定目标人脸图像。

需要说明的是，所述根据所述动作信息和所述三维人脸模型确定目标人脸图像可以是根据所述动作信息对应的观察视角从所述三维人脸模型中还原出所述观察视角下的二维图像，得到目标人脸图像。

需要说明的是，为了提高身份验证效率，所述步骤S503，可包括：根据所述动作信息对所述三维人脸模型进行空间调整，得到目标三维人脸模型；

对所述目标三维人脸模型进行透视投影，得到二维人脸图像；

基于所述目标三维人脸模型对所述二维人脸图像进行纹理映射，得到目标人脸图像。

需要说明的是，所述根据所述动作信息对所述三维人脸模型进行空间调整可以是对所述三维人脸模型进行旋转、平移和缩放等变换，得到所述动作信息对应视角下的视图，此时的三维人脸模型即为所述目标三维人脸模型。所述对所述目标三维人脸模型进行透视投影，得到二维人脸图像可以是使用透视矩阵将所述目标三维人脸模型映射到二维平面上，得到二维人脸图像。所述基于所述目标三维人脸模型对所述二维人脸图像进行纹理映射，得到目标人脸图像可以是为了使投影后的图像更加逼真，需要将目标三维人脸模型的纹理信息映射到投影后的二维人脸图像上。这个过程涉及到将目标三维人脸模型表面的纹理贴合到对应的二维坐标上，以保留面部细节和特征。纹理映射对于模拟皮肤、毛发等细节至关重要，使得生成的图像更加真实。其中，处理投影过程中引入的失真或变形，这涉及到细节的调整，可能需要使用几何细分、法线贴图等方法。这些技术有助于维持模型在各个角度下的真实性，处理由于透视投影而引起的图像畸变，确保生成的侧脸图像质量和准确度。

应理解的是，三维人脸模型是在一个特定的三维坐标系中表示的，而不同的观察角度可能需要不同的坐标系。因此，在投影之前必须对三维人脸模型进行调整，进行旋转、平移和缩放等变换，以适应目标角度的视图(即动作信息对应的角度视图，例如，动作为左转头，则所述目标角度的视图可以是用户的右边侧脸图像)。这确保了模型的几何结构在新的观察方向下得以准确映射。在透视投影中，使用透视矩阵将目标三维人脸模型映射到二维平面上。透视投影模拟了人眼对物体的观察方式，使得远处的物体在图像中显得较小，而近处的物体显得较大，以获得更真实的视觉效果。这是为了反映物体在视觉上的深度感知，使得投影后的图像更接近实际观察场景。为了使投影后的二维人脸图像更加逼真，需要将目标三维人脸模型的纹理信息映射到投影后的二维人脸图像上。这个过程涉及到将目标三维人脸模型表面的纹理贴合到对应的二维坐标上，以保留面部细节和特征。纹理映射对于模拟皮肤、毛发等细节至关重要，使得生成的目标人脸图像更加真实。

步骤S504：基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果。

需要说明的是，所述基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果可以是对比所述目标人脸图像和所述待检测人脸图像中的人脸是否为同一用户，若是，则身份验证结果为验证通过。

在具体实施中，身份验证设备确定身份验证视频对应的动作，然后根据三维人脸模型还原出用户各个动作对应的真实人脸图像，即目标人脸图像，根据所述目标人脸图像对身份验证视频中的人脸进行验证。

进一步的，为了得到更加准确的身份验证结果，所述步骤S504，可包括：对所述目标人脸图像进行特征提取，得到第一特征向量；

对所述待检测人脸图像进行特征提取，得到第二特征向量；

分别对所述第一特征向量和所述第二特征向量进行标准化，得到第三特征向量和第四特征向量；

确定所述第三特征向量和所述第四特征向量的余弦相似度；

根据所述余弦相似度确定身份验证结果。

需要说明的是，所述对所述目标人脸图像进行特征提取可以是通过深度卷积神经网络(CNN)对目标人脸图像进行特征提取，并将提取到的特征转化为高维的特征向量，即第一特征向量，所述第一特征向量中包含了丰富的人脸信息。对所述待检测人脸图像进行特征提取，得到第二特征向量同理。所述分别对所述第一特征向量和所述第二特征向量进行标准化，得到第三特征向量和第四特征向量包括L2范数归一化，以确保特征向量的模长为1，提高特征的可区分性，具体可以是根据以下算法分别对所述第一特征向量和所述第二特征向量进行标准化，得到第三特征向量和第四特征向量：

L2归一化公式：

其中，用于表征经过L2归一化后的向量，x用于表征原始的n维向量，||x||₂用于表征x的L2范数，也称Euclidean范数，计算方式是将向量每个分量的平方相加，然后取平方根，即/>

需要说明的是，所述确定所述第三特征向量和所述第四特征向量的余弦相似度可以是通过以下公式确定所述第三特征向量和所述第四特征向量的余弦相似度：

其中，A和B用于表征两个待对比的特征向量，·用于表征向量的点积操作，即将两个向量对应分量相乘后再相加，||A||和||B||分别用于表征A和B的L2范数。

所述根据所述余弦相似度确定身份验证结果可以是预先设置一个预设阈值，在所述余弦相似度大于所述预设阈值时，判定所述目标人脸图像和所述待检测人脸图像中的人脸为同一用户，若各个动作对应的目标人脸图像和待检测人脸图像中的人均判定为同一用户，则身份验证通过，否则，身份验证失败。

在具体实施中，为了进一步优化度量学习，本实施例中采用ArcFace人脸比对算法进行身份验证，其中引入了角度余弦间隔和余弦权重。角度余弦间隔和余弦权重有助于调整余弦相似度的度量方式，使相似度计算更加灵活和可控。通过角度余弦间隔，ArcFace人脸比对算法能够将相似度计算限制在特定的角度范围内，提高了模型的稳定性。通过度量学习得到的度量函数，ArcFace计算两个人脸特征向量之间的相似度得分。这个相似度分数可以用于人脸比对、识别或验证任务。通常，如果两个人脸特征向量的相似度得分高于一个预定的阈值，则它们被认为是同一个人脸。

本实施例根据所述身份验证视频确定人脸图像序列；确定所述人脸图像序列中各个待检测人脸图像对应的动作信息；根据所述动作信息和所述三维人脸模型确定目标人脸图像；基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果。本实施例根据所述身份验证视频确定用户执行的动作，根据所述动作信息和所述三维人脸模型确定目标人脸图像。根据目标人脸图像进行身份验证，能够提高身份验证效率。

参照图5，图5为本发明身份验证装置第一实施例的结构框图。

如图5所示，本发明实施例提出的身份验证装置包括：

获取模块10，用于在接收到身份验证指令时，获取身份验证参数信息；

随机动作生成模块20，用于根据所述身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；

视频验证模块30，用于根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；

三维人脸模型获取模块40，用于在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；

身份验证模块50，用于根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。

本实施例在接收到身份验证指令时，获取身份验证参数信息；根据身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。由于本实施例是让用户基于随机动作信息进行身份验证，并且通过用户的三维人脸模型对用户进行身份验证，相对于现有的通过常用身份验证动作和用户照片进行身份验证的方式，本实施例上述方式能够避免通过提前采集的动作进行身份验证，提高身份验证效率。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的身份验证方法，此处不再赘述。

基于本发明上述身份验证装置第一实施例，提出本发明身份验证装置的第二实施例。

在本实施例中，所述身份验证模块50，还用于根据所述身份验证视频确定人脸图像序列；

确定所述人脸图像序列中各个待检测人脸图像对应的动作信息；

根据所述动作信息和所述三维人脸模型确定目标人脸图像；

基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果。

进一步的，所述身份验证模块50，还用于根据所述动作信息对所述三维人脸模型进行空间调整，得到目标三维人脸模型；

对所述目标三维人脸模型进行透视投影，得到二维人脸图像；

基于所述目标三维人脸模型对所述二维人脸图像进行纹理映射，得到目标人脸图像。

进一步的，所述身份验证模块50，还用于对所述目标人脸图像进行特征提取，得到第一特征向量；

对所述待检测人脸图像进行特征提取，得到第二特征向量；

分别对所述第一特征向量和所述第二特征向量进行标准化，得到第三特征向量和第四特征向量；

确定所述第三特征向量和所述第四特征向量的余弦相似度；

根据所述余弦相似度确定身份验证结果。

进一步的，所述视频验证模块30，还用于确定所述身份验证视频对应的人脸图像序列；

对所述人脸图像序列进行人脸检测，得到人脸检测序列；

根据所述人脸图像序列对所述人脸检测序列进行外扩，得到目标人脸图像序列；

根据所述目标人脸图像序列确定所述用户的目标动作信息，所述目标动作信息包括用户的目标动作以及所述目标动作对应的目标持续时长；

根据所述目标动作、所述目标持续时长和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。

进一步的，所述三维人脸模型获取模块40，还用于获取用户注册时的真实人脸图像；

对所述真实人脸图像进行人脸面部特征提取，得到特征提取结果；

将所述特征提取结果输入至预设人脸三维重建模型，以使所述预设人脸三维重建模型基于所述特征提取结果进行三维人脸重建，得到所述用户的三维人脸模型。

进一步的，所述随机动作生成模块10，还用于根据所述身份验证参数信息确定时间戳和设备参数信息；

将所述时间戳和所述设备参数信息输入至预设随机动作生成模型，得到所述预设随机动作生成模型输出的随机动作信息。

本发明身份验证装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有身份验证程序，所述身份验证程序被处理器执行时实现如上文所述的身份验证方法的步骤。

需要说明的是，在本文中，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、物品或者***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、物品或者***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种身份验证方法，其特征在于，所述身份验证方法包括以下步骤：

在接收到身份验证指令时，获取身份验证参数信息；

根据所述身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；

根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；

在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；

根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。

2.如权利要求1所述的身份验证方法，其特征在于，所述根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果的步骤，包括：

根据所述身份验证视频确定人脸图像序列；

确定所述人脸图像序列中各个待检测人脸图像对应的动作信息；

根据所述动作信息和所述三维人脸模型确定目标人脸图像；

基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果。

3.如权利要求2所述的身份验证方法，其特征在于，所述根据所述动作信息和所述三维人脸模型确定目标人脸图像的步骤，包括：

根据所述动作信息对所述三维人脸模型进行空间调整，得到目标三维人脸模型；

对所述目标三维人脸模型进行透视投影，得到二维人脸图像；

基于所述目标三维人脸模型对所述二维人脸图像进行纹理映射，得到目标人脸图像。

4.如权利要求2所述的身份验证方法，其特征在于，所述基于所述目标人脸图像和所述待检测人脸图像进行身份验证，得到身份验证结果的步骤，包括：

对所述目标人脸图像进行特征提取，得到第一特征向量；

对所述待检测人脸图像进行特征提取，得到第二特征向量；

分别对所述第一特征向量和所述第二特征向量进行标准化，得到第三特征向量和第四特征向量；

确定所述第三特征向量和所述第四特征向量的余弦相似度；

根据所述余弦相似度确定身份验证结果。

5.如权利要求1-4任一项所述的身份验证方法，其特征在于，所述根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果的步骤，包括：

确定所述身份验证视频对应的人脸图像序列；

对所述人脸图像序列进行人脸检测，得到人脸检测序列；

根据所述人脸图像序列对所述人脸检测序列进行外扩，得到目标人脸图像序列；

根据所述目标人脸图像序列确定所述用户的目标动作信息，所述目标动作信息包括用户的目标动作以及所述目标动作对应的目标持续时长；

根据所述目标动作、所述目标持续时长和所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果。

6.如权利要求1-4任一项所述的身份验证方法，其特征在于，所述在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型的步骤之前，还包括：

获取用户注册时的真实人脸图像；

对所述真实人脸图像进行人脸面部特征提取，得到特征提取结果；

将所述特征提取结果输入至预设人脸三维重建模型，以使所述预设人脸三维重建模型基于所述特征提取结果进行三维人脸重建，得到所述用户的三维人脸模型。

7.如权利要求1-4任一项所述的身份验证方法，其特征在于，所述随机动作信息包括身份验证动作以及所述身份验证动作对应的持续时长；

所述根据所述身份验证参数信息生成随机动作信息的步骤，包括：

根据所述身份验证参数信息确定时间戳和设备参数信息；

将所述时间戳和所述设备参数信息输入至预设随机动作生成模型，得到所述预设随机动作生成模型输出的随机动作信息。

8.一种身份验证装置，其特征在于，所述身份验证装置包括：

获取模块，用于在接收到身份验证指令时，获取身份验证参数信息；

随机动作生成模块，用于根据所述身份验证参数信息生成随机动作信息，以使用户基于所述随机动作信息进行身份验证，并获取用户的身份验证视频；

视频验证模块，用于根据所述随机动作信息对所述身份验证视频进行视频验证，得到验证结果；

三维人脸模型获取模块，用于在所述验证结果为视频验证通过时，获取所述用户的三维人脸模型；

身份验证模块，用于根据所述三维人脸模型对所述身份验证视频进行身份验证，得到身份验证结果。

9.一种身份验证设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的身份验证程序，所述身份验证程序配置为实现如权利要求1至7中任一项所述的身份验证方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有身份验证程序，所述身份验证程序被处理器执行时实现如权利要求1至7任一项所述的身份验证方法的步骤。