CN114495292A - 身份识别方法、装置、设备及可读存储介质 - Google Patents
身份识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114495292A CN114495292A CN202111594623.2A CN202111594623A CN114495292A CN 114495292 A CN114495292 A CN 114495292A CN 202111594623 A CN202111594623 A CN 202111594623A CN 114495292 A CN114495292 A CN 114495292A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- biological signals
- feature data
- characteristic data
- 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 59
- 230000004927 fusion Effects 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims description 30
- 230000009471 action Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例提供了一种身份识别方法、装置、设备及可读存储介质，该方法包括：获取待识别的用户的多种生物信号；根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得；根据所述目标融合特征数据，获得所述用户的目标身份信息。
Description
技术领域
本公开实施例涉及计算机技术领域，更具体地，涉及一种身份识别方法、装置、设备及可读存储介质。
背景技术
随着计算机技术的不断发展，在金融、医疗等各种领域中，在获得用户授权的情况下，通过采集用户的生物信号，并基于生物信号进行用户身份识别的身份识别方法得到了广泛应用。
然而，目前在基于生物信号进行用户身份识别时，通常是基于单一的生物信号，例如，基于用户的脸部数据、指纹数据、声音信号等生物信号中的单一生物信号进行识别。该种方式虽然可以较为方便的识别用户身份，然而，单一生物信号往往容易被复制或被伪造，从而可能造成身份识别的结果不够准确。
发明内容
本公开的一个目的是提供一种身份识别方法、装置、设备及计算机可读存储介质的新的技术方案。
根据本公开的第一方面，提供了身份识别方法的一个实施例，包括：
获取待识别的用户的多种生物信号；
根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得；
根据所述目标融合特征数据，获得所述用户的目标身份信息。
可选地，所述根据所述目标融合特征数据，获得所述用户的身份信息，包括：
将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息，其中，所述目标分类器模型用于根据输入的所述目标融合特征数据，预测对应用户的身份信息。
可选地，所述将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息，包括：
获取用户融合特征数据集合，其中，所述用户融合特征数据集合包括至少一条与用户分别对应的用户融合特征数据；
获取所述目标融合特征数据与所述用户融合特征数据集合中每一用户融合特征数据之间的匹配系数；
获取对应匹配系数大于预设阈值的用户的身份信息作为所述目标身份信息。
可选地，所述根据所述多种生物信号，获得所述用户对应的目标融合特征数据，包括：
获取所述多种生物信号中每一种生物信号分别对应的用户动作类别；
对所述多种生物信号中，对应同一用户动作类别的生物信号进行去重处理，得到对应不同用户动作类别的多种差异化生物信号；
获取与所述多种差异化生物信号中每一种生物信号分别对应的多个特征数据；
根据所述多个特征数据，构建所述目标融合特征数据。
可选地，在获得所述多种生物信号之后，所述方法还包括：
对所述多种生物信号中每一种生物信号分别进行移动平均滤波处理以及归一化处理，以去除每一种生物信号中的噪声并降低信号幅度差异。
可选地，所述目标分类器模型通过以下步骤获得：
通过提取样本用户的多种样本生物信号，构建训练样本信号；
使用所述训练样本信号训练初始分类器模型，以获得满足预设收敛条件的所述目标分类器模型。
可选地，所述多种生物信号包括心电信号、脉搏信号、虹膜运动信号、声音信号、唇部运动信号中的至少一项。
根据本公开的第二方面，提供了身份识别装置的一个实施例，包括：
获取模块，用于获取待识别的用户的多种生物信号；
融合特征数据获得模块，用于根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得；
识别模块，用于根据所述目标融合特征数据，获得所述用户的目标身份信息。
根据本公开的第三方面，提供了电子设备的一个实施例，包括本公开的第二方面所述的装置：或者，所述可穿戴设备，包括：
存储器，用于存储可执行的指令；
处理器，用于根据所述指令的控制运行所述电子设备执行如本公开的第一方面所述的方法。
根据本公开的第四方面，提供了计算机可读存储介质的一个实施例，所述计算机可读存储介质存储有可被计算机读取执行的计算机程序，所述计算机程序用于在被所述计算机读取运行时，执行如本公开的第一方面所述的方法。
本公开实施例的一个有益效果在于，根据本公开的实施例，通过获取待识别的生物的多种生物信号，并基于该多种生物信号，构建由与用户对应的、相互之间彼此存在差异性的多个特征数据融合而成的目标融合特征数据，可以根据该目标融合特征数据进行身份识别，准确的识别得到用户的目标身份信息。区别于现有基于单一生物信号进行身份识别的方法，该方法根据用户的多种生物信号，构建新的、区别于现有技术的目标融合特征数据作为识别用户身份的新的生物特征，可以解决现有单一生物信号被复制或被伪造而可能造成的用户身份识别结果不准确的问题。
通过以下参照附图对本说明书的示例性实施例的详细描述，本说明书的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本说明书的实施例，并且连同其说明一起用于解释本说明书的原理。
图1是可用于实现本公开实施例的电子设备的结构示意图。
图2是本公开实施例提供的一种身份识别方法的流程示意图。
图3是本公开实施例提供的一种身份识别装置的原理框图。
图4是本公开实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是可用于实现本公开实施例的电子设备的结构示意图。
该电子设备1000可以是服务器，该服务器可以为物理服务器，也可以为云端服务器，此处不做特殊限制；另外，该电子设备1000也可以为终端设备，例如可以为智能手机、便携式电脑、台式计算机、平板电脑等，在本公开的实施例中，如无特殊说明，以该电子设备1000为服务器进行举例说明。
该电子设备1000可以包括但不限于处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。其中，处理器1100可以是中央处理器CPU、图形处理器GPU、微处理器MCU等，用于执行计算机程序，该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、串行接口、并行接口等。通信装置1400例如能够利用光纤或电缆进行有线通信，或者进行无线通信，具体地可以包括WiFi通信、蓝牙通信、2G/3G/4G/5G通信等。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘、体感输入等。扬声器1700用于输出音频信号。麦克风1800用于采集音频信号。
应用于本公开实施例中，电子设备1000的存储器1200用于存储计算机程序，该计算机程序用于控制所述处理器1100进行操作以实现根据本公开实施例的方法。技术人员可以根据本公开所公开方案设计该计算机程序。该计算机程序如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。该电子设备1000可以安装有智能操作系统(例如Windows、Linux、安卓、IOS等系统)和应用软件。
本领域技术人员应当理解，尽管在图1中示出了电子设备1000的多个装置，但是，本公开实施例的电子设备1000可以仅涉及其中的部分装置，例如，只涉及处理器1100和存储器1200等。
<方法实施例>
请参看图2，其是本公开实施例提供的一种身份识别方法的流程示意图，该实施例可以由电子设备实施，例如，可以由图1所示的电子设备1000实施，该电子设备用于在获得用户授权的情况下，获取待识别的用户的多种生物信号，并根据该多种生物信号，准确的识别得到用户的身份信息。
如图2所示，本实施例的身份识别方法可以包括如下步骤S2100-S2300，以下予以详细说明。
步骤S2100，获取待识别的用户的多种生物信号。
用户的生物信号，是指与用户之间存在唯一性的对应关系的信号数据，基于该生物信号。在本公开的实施例中，用户的多种生物信号，是基于信号采集设备采集的与用户对应的多种类别的生物信号。
在一个实施例中，用户的多种生物信号可以为心电信号、脉搏信号、虹膜运动信号、声音信号、唇部运动信号中的至少一项；其中，心电信号例如可以为心电图信号(ECG，ElectroCardioGram)，脉搏信号例如可以为基于光电容积脉搏波描记法(PPG，PhotoPlethysmoGraphic)采集的反映用户脉搏跳动的PPG信号。
需要说明的是，在具体实施时，用户的多种生物信号在获得用户授权的情况下，基于摄像头、可穿戴设备等各种类型的采集设备获得，其详细采集过程此处不再赘述。另外，在具体实施时，该多种生物信号还可以为用户人脸数据、用户指纹数据、用户步态数据、脑电信号、眼电信号等其他种类的与用户唯一性对应的生物信号，此处不做特殊限定。
步骤S2200，根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得。
在相关技术中，通常是基于单一生物信号进行用户身份识别，例如，基于人脸数据的身份识别方法往往是通过采集用户人脸图像，基于该人脸图像识别得到人脸特征数据并与用户人脸特征数据库中的标准人脸特征数据进行比对，得到用户身份信息。又例如，基于指纹数据的身份识别方法往往是通过采集用户指纹数据，并与用户指纹数据库中的标准用户指纹数据进行比对，得到用户身份信息。
即，相关技术中往往是基于单一生物信号进行用户身份识别，但是，由于采集到的生物信号中的噪声、信号特征的类内变化、类间相关、非普遍性和欺骗攻击等因素的影像，其识别结果往往并不够准确。例如，可以通过伪装用户人脸或者复制用户指纹数据，来欺骗攻击该种类型的身份识别系统，使得身份识别系统给出错误的身份识别结果。
当然，在相关技术中，也有根据多种生物信号进行用户身份识别的方法，但是该种方法往往仅是简单的得到用户的多种生物信号，并预设不同生物信号在识别时所占的权重，通过先将不同生物信号分别与对应种类的生物特征进行匹配计算得到多个分值，再将该多个分值根据对应权重进行加权计算后的数值作为评估用户身份信息的参考。该种方式同样是基于现有生物特征进行用户身份识别，所以其仍然可能存在识别结果不够准确的问题。
为解决该问题，在本公开的实施例中，在采集得到用户的多种生物信号之后，通过提取与该多种生物信号分别对应的多个特征数据，并对该多个特征数据进行融合处理，可以得到用于识别用户身份信息的融合特征数据作为用户的新的生物特征数据，基于该融合特征数据，可以答复提升用户身份识别结果的准确性，以下对如何根据用户的多种生物信号，构建目标融合特征数据进行详细说明。
在一个实施例中，所述根据多种生物信号，获得用户对应的目标融合特征数据，包括：获取多种生物信号中每一种生物信号分别对应的用户动作类别；对多种生物信号中，对应同一用户动作类别的生物信号进行去重处理，得到对应不同用户动作类别的多种差异化生物信号；获取与多种差异化生物信号中每一种生物信号分别对应的多个特征数据；根据该多个特征数据，构建目标融合特征数据。
具体地，在本公开的实施例中，在获得用户的多种生物信号之后，为了进一步提升身份识别结果的准确性，可以预先获取不同种类的生物信号所分别对应的用户动作类别；之后，可以将隶属于相同用户动作类别的生物信号仅保留预设数量，例如，仅保留一种或两种，以获得分别对应不同用户动作类别的差异化的多种差异化生物信号；再通过分别提取该多种差异化生物信号的多个特征数据，并对该多个特征数据进行融合处理，即可得到目标融合特征数据。
在具体实施时，用户生物信号对应的用户动作类别可以通过预先训练得到的信号动作识别模型获得；用户生物信号的特征数据可以基于卷积神经网络模型(CNN，Convolutional Neural Networks)中的卷积层获得；在使用卷积层提取得到分别与该多种差异化生物信号对应的多个特征数据之后，可以对该多个特征数据分别进行上采样或下采样处理，以统一该多个特征数据之间的纬度，并可以基于全连接层进行连接融合处理，以构建得到该目标融合特征数据。
根据以上说明可知，本公开实施例提供的方法，在获得用户的多种生物信号之后，通过进行动作类别去重处理以及特征融合处理，可以构建得到由相互之间存在差异性的多个特征数据融合得到的目标融合特征数据作为用户的新的生物特征，基于该目标融合特征数据进行用户身份识别，可以避免现有基于单一生物信号进行身份识别时，由于单一生物信号的类内变化、类间相关等问题而可能造成的身份识别结果不准确的问题。
需要说明的是，在具体实施时，当然也可以通过其他方法根据该多种生物信号，构建目标融合特征数据。例如，也可以在得到多种生物信号之后，不进行动作类别去重处理，而是直接进行特征提取和特征融合处理，以构建目标融合特征数据，此处不再赘述。
另外，在一个实施例中，为了进一步提升识别结果的准确性，在获取到用户的多种生物信号之后，也可以先对该多种生物信号进行预处理，以去除该多种生物信号中的噪声并降低信号幅度之间的差异，具体地，在获得用户的多种生物信号之后，该方法还包括：对该多种生物信号中每一种生物信号分别进行移动平均滤波处理以及归一化处理，以去除每一种生物信号中的噪声并降低信号幅度差异。
其中，有关如何对生物信号进行滤波处理，例如，移动平均滤波处理以及归一化处理的详细说明此处不再赘述。
步骤S2300，根据所述目标融合特征数据，获得所述用户的目标身份信息。
在经过上述步骤S2100以及步骤S2200构建得到用户的目标融合特征数据之后，即可根据该目标融合特征数据，获得用户的目标身份信息。
在一个实施例中，所述根据目标融合特征数据，获得用户的身份信息，包括：将该目标融合特征数据输入目标分类器模型中，获得目标身份信息，其中，该目标分类器模型用于根据输入的目标融合特征数据，预测对应用户的身份信息。
在具体实施时，所述将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息，包括：获取用户融合特征数据集合，其中，所述用户融合特征数据集合包括至少一条与用户分别对应的用户融合特征数据；获取所述目标融合特征数据与所述用户融合特征数据集合中每一用户融合特征数据之间的匹配系数；获取对应匹配系数大于预设阈值的用户的身份信息作为用户的目标身份信息。
具体地，目标分类器模型是预先训练获得的、用于根据待识别用户的目标融合特征数据，预测用户身份信息的卷积神经网络模型。在具体实施时，该卷积神经网络模型例如可以为基于贝叶斯分类器、随机森林网络模型等网络结构的模型，此处不做特殊限定。
用户融合特征数据集合，可以是预先采集用户的多种生物信号，得到的可以稳定反映用户生物特征的融合特征数据。
在具体实施时，目标分类器模型可以通过以下步骤训练获得：通过提取样本用户的多种样本生物信号，构建训练样本信号；使用该训练样本信号训练初始分类器模型，以获得满足预设收敛条件的目标分类器模型。
具体地，可以预先采集样本用户的多种样本生物信号，并可以在对该多种样本生物信号进行预处理，例如，进行滤波处理、归一化处理等处理后分别提取其对应特征数据并进行融合得到训练样本融合特征数据，再基于该训练样本融合特征数据对初始分类器模型进行训练，在训练的过程中，通过调整模型参数，以得到满足预设收敛条件的目标分类器模型，其中，该预设收敛条件可以根据实际需要进行设置，此处不做特殊限定。
在经过以上方法构建得到目标分类器模型之后，通过将待识别的用户的目标融合特征数据输入该目标分类器模型，由该目标分类器模型分别计算目标融合特征数据与每一用户的用户融合特征的匹配系数，并可以在该匹配系数大于预设阈值的情况下，将对应用户融合特征的用户的身份信息作为识别结果，即作为目标身份识别信息。
综上所述，本公开的实施例提供的身份识别方法，通过获取待识别的生物的多种生物信号，并基于该多种生物信号，构建由与用户对应的、相互之间彼此存在差异性的多个特征数据融合而成的目标融合特征数据，可以根据该目标融合特征数据进行身份识别，准确的识别得到用户的目标身份信息。区别于现有基于单一生物信号进行身份识别的方法，该方法根据用户的多种生物信号，构建新的、区别于现有技术的目标融合特征数据作为识别用户身份的新的生物特征，可以解决现有单一生物信号被复制或被伪造而可能造成的用户身份识别结果不准确的问题
<装置实施例>
与上述方法实施例相对应，在本实施例中，还提供一种身份识别装置，如图3所述，该身份识别装置3000可以包括获取模块3100、融合特征数据获得模块3200和识别模块3300。
该获取模块3100，用于获取待识别的用户的多种生物信号。
该融合特征数据获得模块3200，用于根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得。
在一个实施例中，该融合特征数据获得模块3200在根据所述多种生物信号，获得所述用户对应的目标融合特征数据时，可以用于：获取所述多种生物信号中每一种生物信号分别对应的用户动作类别；对所述多种生物信号中，对应同一用户动作类别的生物信号进行去重处理，得到对应不同用户动作类别的多种差异化生物信号；获取与所述多种差异化生物信号中每一种生物信号分别对应的多个特征数据；根据所述多个特征数据，构建所述目标融合特征数据。
在一个实施例中，该装置3000还包括预处理模块，可以用于：在获得所述多种生物信号之后，对所述多种生物信号中每一种生物信号分别进行移动平均滤波处理以及归一化处理，以去除每一种生物信号中的噪声并降低信号幅度差异。
该识别模块3300，用于根据所述目标融合特征数据，获得所述用户的目标身份信息。
在一个实施例中，该识别模块3300在据所述目标融合特征数据，获得所述用户的目标身份信息时，可以用于：将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息，其中，所述目标分类器模型用于根据输入的所述目标融合特征数据，预测对应用户的身份信息。
在一个实施例中，该识别模块3300在将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息时，可以用于：获取用户融合特征数据集合，其中，所述用户融合特征数据集合包括至少一条与用户分别对应的用户融合特征数据；获取所述目标融合特征数据与所述用户融合特征数据集合中每一用户融合特征数据之间的匹配系数；获取对应匹配系数大于预设阈值的用户的身份信息作为所述目标身份信息。
<设备实施例>
与上述方法实施例相对应，本实施例还提供一种电子设备，如图4所示，该电子设备可以包括处理器420和存储器410，该存储器410用于存储可执行的计算机程序，该处理器420用于根据该计算机程序的控制，执行如以上任意方法实施例的身份识别方法。
以上身份识别装置3000的各模块可以由本实施例中的处理器420执行存储器410存储的计算机程序实现，也可以通过其他电路结构实现，在此不做限定。
<计算机可读存储介质实施例>
本实施例提供了一种计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本说明书任意方法实施例中描述的身份识别方法。
本说明书的一个实施例或者多个实施例可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本说明书的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本说明书实施例操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本说明书的各个方面。
这里参照根据本说明书实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本说明书的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本说明书的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本说明书的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本申请的范围由所附权利要求来限定。
Claims (10)
1.一种身份识别方法，其特征在于，包括：
获取待识别的用户的多种生物信号；
根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得；
根据所述目标融合特征数据，获得所述用户的目标身份信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标融合特征数据，获得所述用户的身份信息，包括：
将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息，其中，所述目标分类器模型用于根据输入的所述目标融合特征数据，预测对应用户的身份信息。
3.根据权利要求2所述的方法，其特征在于，所述将所述目标融合特征数据输入目标分类器模型中，获得所述目标身份信息，包括：
获取用户融合特征数据集合，其中，所述用户融合特征数据集合包括至少一条与用户分别对应的用户融合特征数据；
获取所述目标融合特征数据与所述用户融合特征数据集合中每一用户融合特征数据之间的匹配系数；
获取对应匹配系数大于预设阈值的用户的身份信息作为所述目标身份信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多种生物信号，获得所述用户对应的目标融合特征数据，包括：
获取所述多种生物信号中每一种生物信号分别对应的用户动作类别；
对所述多种生物信号中，对应同一用户动作类别的生物信号进行去重处理，得到对应不同用户动作类别的多种差异化生物信号；
获取与所述多种差异化生物信号中每一种生物信号分别对应的多个特征数据；
根据所述多个特征数据，构建所述目标融合特征数据。
5.根据权利要求3所述的方法，其特征在于，在获得所述多种生物信号之后，所述方法还包括：
对所述多种生物信号中每一种生物信号分别进行移动平均滤波处理以及归一化处理，以去除每一种生物信号中的噪声并降低信号幅度差异。
6.根据权利要求2所述的方法，其特征在于，所述目标分类器模型通过以下步骤获得：
通过提取样本用户的多种样本生物信号，构建训练样本信号；
使用所述训练样本信号训练初始分类器模型，以获得满足预设收敛条件的所述目标分类器模型。
7.根据权利要求1所述的方法，其特征在于，所述多种生物信号包括心电信号、脉搏信号、虹膜运动信号、声音信号、唇部运动信号中的至少一项。
8.一种身份识别装置，其特征在于，包括：
获取模块，用于获取待识别的用户的多种生物信号；
融合特征数据获得模块，用于根据所述多种生物信号，获得所述用户对应的目标融合特征数据，其中，所述目标融合特征数据由与所述用户对应的、相互之间存在差异性的多个特征数据融合获得，所述特征数据根据所述多种生物信号中的对应生物信号获得；
识别模块，用于根据所述目标融合特征数据，获得所述用户的目标身份信息。
9.一种电子设备，其特征在于，包括权利要求8所述的装置：或者，所述电子设备，包括：
存储器，用于存储可执行的指令；
处理器，用于根据所述指令的控制运行所述电子设备执行如权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可被计算机读取执行的计算机程序，所述计算机程序用于在被所述计算机读取运行时，执行根据权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111594623.2A CN114495292A (zh) | 2021-12-23 | 2021-12-23 | 身份识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111594623.2A CN114495292A (zh) | 2021-12-23 | 2021-12-23 | 身份识别方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114495292A true CN114495292A (zh) | 2022-05-13 |
Family
ID=81493985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111594623.2A Pending CN114495292A (zh) | 2021-12-23 | 2021-12-23 | 身份识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114495292A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171708A (zh) * | 2023-11-01 | 2023-12-05 | 小舟科技有限公司 | 一种混合bci系统中的多模式融合方法、系统、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1794266A (zh) * | 2005-12-31 | 2006-06-28 | 清华大学 | 生物特征融合的身份识别和认证方法 |
| CN102810154A (zh) * | 2011-06-02 | 2012-12-05 | 国民技术股份有限公司 | 一种基于可信模块的生物特征采集融合方法和系统 |
| US20120313753A1 (en) * | 2008-03-17 | 2012-12-13 | Ensign Holdings, Llc | Systems and Methods of Identification Based on Biometric Parameters |
| CN105224849A (zh) * | 2015-10-20 | 2016-01-06 | 广州广电运通金融电子股份有限公司 | 一种多生物特征融合身份鉴别方法以及装置 |
| CN110020617A (zh) * | 2019-03-27 | 2019-07-16 | 五邑大学 | 一种基于生物特征的身份识别方法、装置和存储介质 |
| WO2019205369A1 (zh) * | 2018-04-28 | 2019-10-31 | 平安科技（深圳）有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
-
2021
- 2021-12-23 CN CN202111594623.2A patent/CN114495292A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1794266A (zh) * | 2005-12-31 | 2006-06-28 | 清华大学 | 生物特征融合的身份识别和认证方法 |
| US20120313753A1 (en) * | 2008-03-17 | 2012-12-13 | Ensign Holdings, Llc | Systems and Methods of Identification Based on Biometric Parameters |
| CN102810154A (zh) * | 2011-06-02 | 2012-12-05 | 国民技术股份有限公司 | 一种基于可信模块的生物特征采集融合方法和系统 |
| CN105224849A (zh) * | 2015-10-20 | 2016-01-06 | 广州广电运通金融电子股份有限公司 | 一种多生物特征融合身份鉴别方法以及装置 |
| WO2019205369A1 (zh) * | 2018-04-28 | 2019-10-31 | 平安科技（深圳）有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
| CN110020617A (zh) * | 2019-03-27 | 2019-07-16 | 五邑大学 | 一种基于生物特征的身份识别方法、装置和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171708A (zh) * | 2023-11-01 | 2023-12-05 | 小舟科技有限公司 | 一种混合bci系统中的多模式融合方法、系统、设备及介质 |
| CN117171708B (zh) * | 2023-11-01 | 2024-02-23 | 小舟科技有限公司 | 一种混合bci系统中的多模式融合方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mouawad et al. | Robust detection of COVID-19 in cough sounds: using recurrence dynamics and variable Markov model | |
| CN105426713B (zh) | 用于基于触摸事件分析来区分触摸屏使用者的方法和装置 | |
| US11238306B2 (en) | Generating vector representations of code capturing semantic similarity | |
| JP7454105B2 (ja) | 顔画像品質評価方法及び装置、コンピュータ機器並びにコンピュータプログラム | |
| CN104573458B (zh) | 一种基于心电信号的身份识别方法、装置及系统 | |
| Blanco‐Gonzalo et al. | Performance evaluation of handwritten signature recognition in mobile environments | |
| CN107958230B (zh) | 人脸表情识别方法及装置 | |
| US11641352B2 (en) | Apparatus, method and computer program product for biometric recognition | |
| CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN112837466B (zh) | 票据识别方法、装置、设备以及存储介质 | |
| CN107818366A (zh) | 一种基于卷积神经网络的肺音分类方法、系统及用途 | |
| CN107688790A (zh) | 人体行为识别方法、装置、存储介质及电子设备 | |
| KR20200126675A (ko) | 전자 장치 및 이의 제어 방법 | |
| Ghosh et al. | Symptoms-based biometric pattern detection and recognition | |
| CN110363121A (zh) | 指纹图像处理方法及装置、存储介质和电子设备 | |
| US20230419962A1 (en) | System and method for speaker verification for voice assistant | |
| CN109117800A (zh) | 基于卷积神经网络的人脸性别识别方法及系统 | |
| CN114495292A (zh) | 身份识别方法、装置、设备及可读存储介质 | |
| CN116130088A (zh) | 多模态面诊问诊方法、装置及相关设备 | |
| CN113851147B (zh) | 音频识别方法、音频识别模型训练方法、装置、电子设备 | |
| CN114038019A (zh) | 指纹修复模型的训练方法、指纹识别方法、介质及设备 | |
| CN111753656A (zh) | 特征提取方法、装置、设备及计算机可读存储介质 | |
| CN114999458A (zh) | 一种基于语音和视线的多模态免唤醒系统及方法 | |
| CN115131825A (zh) | 人体属性的识别方法、装置、电子设备和存储介质 | |
| CN112784238A (zh) | 一种数据处理方法、装置、电子设备和介质 |
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 |