移动终端的生物特征认证识别检测方法、装置和设备制造方法及图纸

本申请实施例公开了一种移动终端的生物特征认证识别检测方法、装置和电子设备，该方法包括：获取移动终端在进行生物特征认证识别时的传感器数据；基于该传感器数据和攻击判别模型判别是否发生攻击；其中，该攻击判别模型基于传感器训练数据训练得到。

Biometric authentication identification detection method, device and device for mobile terminal

The present application embodiment discloses a biometric authentication identification detection method, a device and an electronic device for a mobile terminal, which includes: obtaining the sensor data of a mobile terminal at the time of biometric authentication and recognition; based on the sensor data and an attack discrimination model to determine whether an attack occurs; in which the attack is judged to be an attack. The other models are trained based on sensor training data.

【技术实现步骤摘要】
移动终端的生物特征认证识别检测方法、装置和设备
本申请涉及计算机软件
，尤其涉及一种移动终端的生物特征认证识别检测方法、装置和电子设备。
技术介绍
生物认证系统的使用安全性，一直是人们普遍关注的问题。以人脸识别系统为例，在人脸识别系统中，最常见的欺骗方式是假冒攻击或复制攻击，即冒名顶替者使用某种具有相同表现形式的假冒特征来入侵系统。目前，常用的假冒攻击手段主要有照片(或经处理的图像)、视频和三维模型等针对人脸识别系统的假冒攻击问题，主要依靠活体检测技术。现有的活体检测方法有三维深度信息分析，眨眼等生理行为检测，面部表情与语音交互，傅立叶频谱分析，热红外线等。眨眼生理行为检测，面部表情与语音交互通常要求用户眨眨眼，张张嘴或是念一段随机产生的语音。这些活体检测方式是有效的检测方式，但需要依赖于用户的配合。
技术实现思路
本申请实施例的目的是提供一种移动终端的生物特征认证识别检测方法、装置及电子设备，能够减少对用户配合的依赖，或不依赖于用户的配合，达到增强生物特征认证识别的安全性的效果，在增强用户体验的同时，为用户提供更好的安全性保障。为解决上述技术问题，本申请实施例是这样实现的：第一方面，提出了一种移动终端的生物特征认证识别检测方法的方法，该方法包括：获取移动终端在进行生物特征认证识别时的传感器数据；基于该传感器数据和攻击判别模型判别是否发生攻击；其中，该攻击判别模型基于传感器训练数据训练得到。第二方面，提出了一种生物特征认证识别检测装置，该装置包括：获取单元，获取移动终端在进行生物特征认证识别时的传感器数据；攻击判别单元，基于该传感器数据和攻击判别模型判别是否发生攻击；其中，该攻击判别模型基于传感器训练数据训练得到。第三方面，提出了一种电子设备，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：获取移动终端在进行生物特征认证识别时的传感器数据；基于该传感器数据和攻击判别模型判别是否发生攻击；其中，该攻击判别模型基于传感器训练数据训练得到。第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：获取移动终端在进行生物特征认证识别时的传感器数据；基于该传感器数据和攻击判别模型判别是否发生攻击；其中，该攻击判别模型基于传感器训练数据训练得到。由以上本申请实施例提供的技术方案可见，本申请实施例方案至少具备如下一种技术效果：通过获取移动终端在生物特征认证识别中采集传感器数据，并基于传感器分类模型对传感器数据进行攻击判别，从而能够在减少对用户配合的依赖，或不依赖于用户的配合的情况下，达到增强生物特征认证识别的安全性的效果，在增强用户体验的同时，为用户提供更好的安全性保障。附图说明为了更清楚地说明本申请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性的前提下，还可以根据这些附图获得其他的附图。图1是本申请的一个实施例移动终端的生物特征认证识别检测的方法流程图。图2是本申请的一个实施例移动终端的生物特征认证识别检测的交互流程图。图3是本申请的一个实施例生物特征认证识别的训练及预测的流程示意图。图4是本申请的一个实施例电子设备的结构示意图。图5是本申请的一个实施例生物特征认证识别检测装置的结构示意图。具体实施方式为了使本
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。图1是本申请的一个实施例移动终端的生物特征认证识别检测方法流程图。图1的方法可由移动终端中的生物特征认证识别检测装置或生物特征认证识别检测应用，或者说，图1的方法可由移动终端执行。S110，获取移动终端在进行生物特征认证识别时传感器数据。应理解，在本申请实施例中，生物特征认证识别可包括多种认证识别方式，例如，人脸特征认证识别、语音特征认证识别、手势输入特征认证识别，等等。本申请实施例的方案可适用于各种生物特征认证识别，对此不作限制。应理解，对于不同风险等级的用户，采集的传感器数据的时长可以相同，也可以不同。可选地，在步骤S110中，可基于用户的风险等级，确定需要采集的传感器数据的时长，风险等级越高，需要采集的传感器数据的时长越长。例如，假设用户风险等级分为低风险用户、普通风险用户和高风险用户三类，对于低风险等级的用户，可规定采集时长为3秒；对于普通风险等级的用户，可规定采集时长为5秒；对于高风险等级的用户，可规定采集时长为7秒，等等。图2是本申请的一个实施例移动终端的六维参量示意图。应理解，三轴陀螺仪可分别感应移动终端的左右倾斜角度(Roll)、前后倾斜角度(Pitch)和左右摇摆角度(Yaw)的全方位动态信息；三轴加速器可感应移动终端在立体空间三个方向(x轴、y轴、z轴)以及前后、左右、上下三个方向上的加速。三轴陀螺仪是检测角度旋转和平衡的，其测量的数据可称为陀螺仪数据，三轴加速器是检测横向加速的，其测量的数据可称为加速度传感器数据。当然，三轴陀螺仪和三轴加速器二者可统称六轴陀螺仪。应理解，在本申请实施例中，获取移动终端的传感器数据时，可获取如图2所示的陀螺仪数据和/或加速度传感器数据。S120，基于该传感器数据和攻击判别模型判别是否发生攻击。其中，该攻击判别模型基于传感器训练数据训练得到。应理解，在本申请实施例中，用户在进行生物特征认证识别时，对于正常用户和假冒攻击用户，其传感器数据会存在差异。以人脸认证识别为例，如果假冒攻击用户通过照片(或经处理的图像)、视频和三维模型等假冒攻击手段进行认证识别，其认证时的传感器数据显然有别于正常用户进行认证识别时的传感器数据。基于这个思路，在本申请实施例中，基于传感器数据和攻击判别模型，可判别该传感器数据对应的生物特征认证识别过程中是否发生攻击。应理解，基于该传感器数据和攻击判别模型判别是否发生攻击，具体地，可以将传感器数据作为攻击判别模型的输入，以判别是否发生攻击，或者，可基于传感器数据进行数据处理，得到处理后的传感器数据，再将处理后的传感器数据作为攻击判别模型的输入，以判别是否发生攻击。具体地，该攻击判别模型的输出结果，可以是发生攻击的概率，或者是发生攻击的概率区间，或者是发生攻击的风险等级，或者直接是否发生攻击，等等。基于输出结果，可直接判别是否发生攻击；或者，基于输出结果经过一定的转换处理，可判别是否发生攻击；或者，基于该输出结果，结合其它模型、规则等因素来判别是否发生攻击。一种攻击判别模型的概率分段及发生攻击的风险等级如表1所示：表1：模型概率分段发生攻击风险等级[0.5,1]超高风险[0.4,0.5]高风险[0.3,0.4]中风险[0,0.3]低风险经过线上实际测试，在判别阈值设置为0.4(即概率0.4以上判别为本文档来自技高网...

【技术保护点】
1.一种移动终端的生物特征认证识别检测方法，包括：获取移动终端在进行生物特征认证识别时的传感器数据；基于所述传感器数据和攻击判别模型判别是否发生攻击；其中，所述攻击判别模型基于传感器训练数据训练得到。

【技术特征摘要】
1.一种移动终端的生物特征认证识别检测方法，包括：获取移动终端在进行生物特征认证识别时的传感器数据；基于所述传感器数据和攻击判别模型判别是否发生攻击；其中，所述攻击判别模型基于传感器训练数据训练得到。2.如权利要求1所述的方法，所述方法还包括：获取所述移动终端对应的用户的风险等级和/或所述移动终端的型号数据；基于所述传感器数据和攻击判别模型判别是否发生攻击，包括：基于所述移动终端对应的用户的风险等级和/或所述移动终端的型号数据、所述传感器数据以及所述攻击判别模型，判别是否发生攻击；其中，所述攻击判别模型使用移动终端对应的用户的风险等级和/或所述移动终端的型号下的传感器训练数据进行训练。3.如权利要求1所述的方法，攻击判别模型包括多个，每个判别攻击模型分别对应不同的移动终端型号；其中，基于所述传感器数据和攻击判别模型判别是否发生攻击，包括：基于所述传感器数据和所述移动终端的型号对应的攻击判别模型判别是否发生攻击。4.如权利要求1或3所述的方法，攻击判别模型具有不同的判别阈值，所述判别阈值基于移动终端对应的用户的风险等级进行设置。5.如权利要求1所述的方法，基于所述传感器数据和攻击判别模型判别是否发生攻击，包括：对所述传感器数据进行预处理，得到经过预处理后的传感器数据，所述预处理包括如下至少一种：滤波操作、边界检测操作、长度归一化操作；基于所述预处理后的传感器数据和所述攻击判别模型判别是否发生攻击；其中，所述攻击判别模型基于经过预处理后的传感器训练数据训练得到。6.如权利要求1或5所述的方法，基于所述传感器数据和攻击判别模型判别是否发生攻击，包括：基于传感器数据进行特征提取，得到经过特征提取后的传感器数据；基于所述经过特征提取后的传感器数据和所述攻击判别模型判别是否发生攻击；其中，所述攻击判别模...

【专利技术属性】
技术研发人员：傅欣艺，李哲，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY