一种生物识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种生物识别方法及装置，涉及人工智能领域。本发明专利技术实施例能够提高利用多种生物特征对用户身份进行识别时的识别成功率。该方法包括：获取待识别用户的n种生物特征的特征参数，其中n≥2；利用长短时记忆神经网络LSTM模型，将n种生物特征的特征参数分别进行融合，生成n种生物特征各自对应的高阶特征参数；利用注意力机制，根据n种生物特征各自对应的高阶特征参数，计算n种生物特征的综合特征参数；根据n种生物特征的综合特征参数，对待识别用户的身份进行识别。本发明专利技术应用于身份识别。

【技术实现步骤摘要】
一种生物识别方法及装置
本专利技术涉及人工智能领域，尤其涉及一种生物识别方法及装置。
技术介绍
目前，随着信息技术的不断发展，生物特征识别技术已经被广泛地用于金融支付、个人身份认证排查等领域。对于某些生物特征识别具体的应用场景，很难通过使用单一模态生物特征识别技术来满足它们对身份识别技术性能的要求。因此，利用多模态生物特征来进行生物识别以提高识别精确度已成为本领域的关注焦点。
技术实现思路
本专利技术提供一种生物识别方法及装置，能够提高利用多种生物特征对用户身份进行识别时的识别成功率。为达到上述目的，本专利技术的实施例采用如下技术方案：第一方面，本专利技术实施例提供一种生物识别方法，包括：获取待识别用户的n种生物特征的特征参数，其中n≥2；利用长短时记忆神经网络LSTM模型，将n种生物特征的特征参数分别进行融合，生成n种生物特征各自对应的高阶特征参数；利用注意力机制，根据n种生物特征各自对应的高阶特征参数，计算n种生物特征的综合特征参数；根据n种生物特征的综合特征参数，对待识别用户的身份进行识别。可选的，n种生物特征的特征参数分别为预设长度的一维数列；利用长短时记忆神经网络LSTM模型，将n种生物特征的特征参数分别进行融合，生成n种生物特征各自对应的高阶特征参数，具体包括：将目标生物特征i的特征参数分为K等份，生成K个向量目标生物特征i为n种生物特征中的一种生物特征；将K个向量依次输入对应的LSTM单元，生成目标生物特征i对应的高阶特征参数可选的，LSTM模型为双向LSTM模型；将K个向量依次输入对应的LSTM单元，生成目标生物特征i对应的高阶特征参数具体包括：将向量j输入对应的正向LSTM单元，得到其中向量j为K个向量中的第j个向量；将向量j输入对应的正向LSTM单元，得到将和进行连接，生成可选的，利用注意力机制，根据n种生物特征各自对应的高阶特征参数，计算n种生物特征的综合特征参数，包括：利用m层MLP模型，计算n种生物特征中每种生物特征的注意力权重α1、α2……αn；计算n种生物特征的综合特征参数h*，其中：Hi为生物特征i对应的高阶特征参数，αi。为生物特征i的注意力权重。可选的，利用m层MLP模型，计算n种生物特征中每种生物特征的注意力权重α1、α2……αn，具体包括：利用以下公式生物特征的注意力权重αi：其中……直至Hi为目标生物特征i对应的高阶特征参数，W1,W2,…Wm,b1,b2,…bm是训练参数。第二方面，本专利技术实施例提供一种生物识别装置，包括：获取单元，用于获取待识别用户的n中生物特征的特征参数，其中n≥2；融合特征计算单元，用于利用长短时记忆神经网络LSTM模型，将n种生物特征的特征参数分别进行融合，生成n种生物特征各自对应的高阶特征参数；综合特征计算单元，用于利用注意力机制，根据n中生物特征各自对应的高阶特征参数计算n种生物特征的综合特征参数；识别单元，用于根据n种生物特征的综合特征参数，对待识别用户的身份进行识别。可选的，两种生物特征的特征参数分别为预设长度的一维数列；融合特征计算单元，具体包括特征参数划分子单元以及融合特征生成子单元，其中：特征参数划分子单元，用于将目标生物特征i的特征参数分为K等份，生成K个向量目标生物特征i为n种生物特征中的一种生物特征；融合特征生成子单元，用于将K个向量依次输入对应的LSTM单元，生成目标生物特征i对应的高阶特征参数可选的，LSTM模型为双向LSTM模型；融合特征生成子单元，具体用于将向量j输入对应的正向LSTM单元，得到其中向量j为K个向量中的第j个向量；将向量j输入对应的正向LSTM单元，得到将和进行连接，生成可选的，综合特征计算单元，具体包括：权重计算子单元，综合特征计算子单元；其中，权重计算子单元，用于利用m层MLP模型，计算n种生物特征中每种生物特征的注意力权重α1、α2……αn；综合特征计算子单元，用于计算n种生物特征的综合特征参数h*，其中：Hi为目标生物特征i对应的高阶特征参数，αi为生物特征i的注意力权重。可选的，权重计算子单元，具体用于利用以下公式计算生物特征的注意力权重αi：其中，……直至Hi为目标生物特征i对应的高阶特征参数，W1,W2,…Wm,b1,b2,…bm是训练参数。第三方面，本专利技术实施例提供一种生物识别装置，包括：处理器、存储器、总线和收发器；存储器用于存储计算机执行指令，处理器与存储器通过总线连接，当生物识别装置运行时，处理器执行存储器存储的计算机执行指令，以使生物识别装置执行如上述第一方面所提供的生物识别方法。第四方面，本专利技术实施例提供一种计算机存储介质，包括指令，当其在生物识别装置上运行时，使得生物识别装置执行如上述第一方面所提供的生物识别方法。本专利技术实施例能够结合n种生物特征的各项特征量在识别过程中的重要程度，计算得出n种生物特征的综合特征参数。从而再利用计算得到的综合特征参数对待识别用户的身份进行识别，以提高利用多种生物特征对用户身份进行识别时的识别成功率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，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为本专利技术实施例提供的一种生物识别方法的流程示意图；图2为本专利技术实施例提供的一种LSTM单元的结构示意图；图3为本专利技术实施例提供的生物识别方法的算法流程示意图；图4为本专利技术实施例提供的一种生物识别装置的结构示意图；图5为本专利技术实施例提供的另一种生物识别装置的结构示意图；图6为本专利技术实施例提供的又一种生物识别装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如本专利技术所使用的术语“单元”、“模块”旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，单元可以是，但不限于是：在处理器上运行的处理对象、处理器、可执行文件、执行中的线程、程序和/或计算机。首先，对本专利技术的专利技术原理进行介绍：目前为了保证生物识别的可靠性，多模态生物识别技术逐渐被人们所重视。多模态生物识别技术是指利用多种生物特征来进行生物识别，以提高生物识别的稳定性、准确性和不可伪造性。针对这一情况，现有技术中存在一种身份认证方法和系统，其中提出了一种声纹，指纹人脸联合认证的方法，该方法将三种模态的特征矩阵先合并再一起，然后共同输入到训练该模型的卷积神经网络之中，一起进行训练，然后利用训练好的卷积神经网络模型进行身份识别。这种身份认证方法存在输入的特征矩阵的维数太高导致训练难度大，训练效率低下，训练完成之后的模型在使用时的反应也会相应的慢。另外，这种将多种生物特征的特征矩阵直接进行合并然后输入卷积神经网络中的方法，也无法体现出不同生物特征的重要程度，最终影响识别的精确度。针对上述问题，本专利技术实施例中先对获取到的n种生物特征的特征参数利用LSTM模型进行融合本文档来自技高网...

【技术保护点】
1.一种生物识别方法，其特征在于，包括：获取待识别用户的n种生物特征的特征参数，其中n≥2；利用长短时记忆神经网络LSTM模型，将所述n种生物特征的特征参数分别进行融合，生成所述n种生物特征各自对应的高阶特征参数；利用注意力机制，根据所述n种生物特征各自对应的高阶特征参数，计算所述n种生物特征的综合特征参数；根据所述n种生物特征的综合特征参数，对所述待识别用户的身份进行识别。

【技术特征摘要】
1.一种生物识别方法，其特征在于，包括：获取待识别用户的n种生物特征的特征参数，其中n≥2；利用长短时记忆神经网络LSTM模型，将所述n种生物特征的特征参数分别进行融合，生成所述n种生物特征各自对应的高阶特征参数；利用注意力机制，根据所述n种生物特征各自对应的高阶特征参数，计算所述n种生物特征的综合特征参数；根据所述n种生物特征的综合特征参数，对所述待识别用户的身份进行识别。2.根据权利要求1所述生物识别方法，其特征在于，所述n种生物特征的特征参数分别为预设长度的一维数列；所述利用长短时记忆神经网络LSTM模型，将所述n种生物特征的特征参数分别进行融合，生成所述n种生物特征各自对应的高阶特征参数，具体包括：将目标生物特征i的特征参数分为K等份，生成K个向量所述目标生物特征i为所述n种生物特征中的一种生物特征；将所述K个向量依次输入对应的LSTM单元，生成所述目标生物特征i对应的高阶特征参数3.根据权利要求2所述生物识别方法，其特征在于，所述LSTM模型为双向LSTM模型；所述将所述K个向量依次输入对应的LSTM单元，生成所述目标生物特征i对应的高阶特征参数具体包括：将向量j输入对应的正向LSTM单元，得到其中所述向量j为所述K个向量中的第j个向量；将所述向量j输入对应的正向LSTM单元，得到将所述和所述进行连接，生成4.根据权利要求1所述生物识别方法，其特征在于，所述利用注意力机制，根据所述n种生物特征各自对应的高阶特征参数，计算所述n种生物特征的综合特征参数，包括：利用m层MLP模型，计算所述n种生物特征中每种生物特征的注意力权重α1、α2……αn；计算所述n种生物特征的综合特征参数h*，其中：Hi为生物特征i对应的高阶特征参数，αi为生物特征i的注意力权重。5.根据权利要求4所述生物识别方法，其特征在于，所述利用m层MLP模型，计算所述n种生物特征中每种生物特征的注意力权重α1、α2……αn，具体包括：利用以下公式计算生物特征的注意力权重αi：其中，Hi为目标生物特征i对应的高阶特征参数，W1,W2,…Wm,b1,...

【专利技术属性】
技术研发人员：王波，王栋，徐彧，玄佳兴，贺金红，杨珂，韩庆芝，申海娟，石欣，张宏廷，
申请(专利权)人：国家电网有限公司，国网电子商务有限公司，国网雄安金融科技有限公司，
类型：发明
国别省市：北京,11