乘客身份的验证方法及装置、计算机可读存储介质与流程

本申请涉及通讯
技术领域：
，尤其涉及一种乘客身份的验证方法及装置、计算机可读存储介质。
背景技术：
：出于对安全问题的考虑，需要对乘客进行人证一致性的检查。比如，在乘坐高铁的乘客进站时，工作人员需要验证乘客的身份以确保为本人乘车。在相关技术中，通常由相关工作人员人工来验证乘客的身份；或者基于乘客携带的身份证上的照片和实时拍摄的人脸信息进行对比来验证该乘客的身份。然而，相关技术中验证身份的方式需要乘客提供身份证(向工作人员出示身份证或在自动检票闸机上刷身份证)，导致验证身份的过程繁琐复杂，效率低下，并且容易造成客流拥堵。技术实现要素：有鉴于此，本申请提供一种乘客身份的验证方法及装置、计算机可读存储介质，可以简化验证身份的过程，从而提高验证身份的效率。为实现上述目的，本申请提供技术方案如下：根据本申请的第一方面，提出了一种乘客身份的验证方法，包括：将当前距离出发时刻的时长在预设间隔时长之内的乘客划分至可验证乘客集合中；获取目标乘客的目标人脸信息，并将所述目标人脸信息输入人脸特征提取模型以得到所述目标人脸信息的特征向量，所述人脸特征提取模型用于将人脸信息转换成相应的特征向量；将得到的特征向量输入人脸识别模型；所述人脸识别模型基于所述可验证乘客集合中各乘客标识和相应的证件特征向量的对应关系训练得到，所述可验证乘客集合中各乘客的证件特征向量由所述人脸特征提取模型转换相应的证件照片信息得到；根据所述人脸识别模型的输出结果判定所述目标乘客是否通过验证。根据本申请的第二方面，提出了一种乘客身份的验证装置，包括：划分单元，将当前距离出发时刻的时长在预设间隔时长之内的乘客划分至可验证乘客集合中；获取单元，获取目标乘客的目标人脸信息，并将所述目标人脸信息输入人脸特征提取模型以得到所述目标人脸信息的特征向量，所述人脸特征提取模型用于将人脸信息转换成相应的特征向量；输入单元，将得到的特征向量输入人脸识别模型；所述人脸识别模型基于所述可验证乘客集合中各乘客标识和相应的证件特征向量的对应关系训练得到，所述可验证乘客集合中各乘客的证件特征向量由所述人脸特征提取模型转换相应的证件照片信息得到；判定单元，根据所述人脸识别模型的输出结果判定所述目标乘客是否通过验证。根据本申请的第三方面，提出了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述技术方案中任一项所述方法的步骤。由以上技术方案可见，本申请通过将人脸识别应用到验证乘客身份的场景中，使得乘客只需要刷脸即可完成验证过程，而无需乘客向工作人员出示证件或在扫描证件的设备上刷证件以验证身份，有助于简化乘客验证身份的操作，提升验证身份的效率和用户体验，改善客流拥堵的问题。而在验证乘客身份进行人脸识别的过程中，仅需识别出目标乘客是否为离出发时间在预设间隔时长内的可验证乘客(可验证乘客仅仅为所有需要验证身份的乘客中的小部分)；同时，通过进一步将机器学习模型应用于上述人脸识别中，可以进一步提高人脸识别的效率和准确性，从而提高后续验证乘客身份的效率。附图说明图1是相关技术中乘客验证身份的示意图。图2是本申请一示例性实施例示出的一种乘客身份的验证方法的流程图。图3是本申请一示例性实施例示出的另一种乘客身份的验证方法的流程图。图4是本申请一示例性实施例示出的乘客验证身份的示意图。图5是本申请一示例性实施例示出的一种电子设备的结构示意图。图6是本申请一示例性实施例示出的一种乘客身份的验证装置的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。在相关技术中，可以基于乘客携带的身份证上的照片和实时拍摄的人脸信息进行对比来验证该乘客的身份。请参见图1，以乘坐高铁的乘客进站为例：乘客p1在经过闸机时需要进行刷脸和刷身份证以验证身份。具体的，乘客p1需要将身份证30放置于身份证照片的扫描区域20，以使得闸机采集身份证30上的照片；同时，摄像头10拍摄乘客p1的脸部信息；再将拍摄的脸部信息和采集到的照片进行对比，若两者相匹配则判定验证通过(闸门打开，允许乘客p1进站)，否则判定验证失败(闸门保持关闭，拒绝乘客p1进站)。可见，在相关技术中，乘客在进站进行身份验证时必须执行刷身份证这一步骤，而刷身份证的步骤往往需要乘客停留在闸机前，使得验证身份的过程效率低下，客流量较大时容易造成客流拥堵。因此，本申请通过对验证乘客身份的方式予以改进，以解决相关技术中存在的上述技术问题。下面结合实施例进行详细说明。请参见图2，图2是本申请一示例性实施例示出的一种乘客身份的验证方法的流程图，该方法应用于身份验证设备，可以包括以下步骤：步骤202，将当前距离出发时刻的时长在预设间隔时长之内的乘客划分至可验证乘客集合中。在本实施例中，可通过乘客标识来区分可验证乘客集合中的各个乘客。其中，可以根据购票时间对各乘客进行排序，以将乘客的序号作为相应的标识；或者将乘客的姓名作为相应的标识；或者将乘客的证件编号(例如身份证号)作为相应的标识；或者将上述方式的组合形式作为相应的标识，比如，以乘客姓名+身份证号的组合形式作为乘客标识。当然，本申请并不对乘客标识的具体形式进行限制。所述可验证乘客集合用于记录当前距离出发时刻的时长在预设间隔时长之内的可验证乘客。以高铁为例，乘客的出发时刻(可以理解为乘车时刻)即该乘客乘坐的高铁的出发时刻；假定预设间隔时长为2小时(车站可以规定仅距离出发时刻在该预设间隔时长之内的乘客才可以进站)，那么，当前距离出发时刻在2小时之内的乘客属于可验证乘客。比如，当前时刻为8:00，乘客a乘坐的高铁a的出发时刻为9:30，乘客b乘坐的高铁b的出发时刻为10:30；那么乘客a属于可验证乘客，乘客b不属于可验证乘客。当然，预设间隔时长的具体取值可以根据实际情况灵活设置，本申请并不对此进行限制。在一实施例中，可以基于“时间”来更新可验证乘客集合，即所述可验证乘客集合被按照预设周期进行更新。具体的，可以预先根据购票记录确定对应于各个时间段的待验证乘客集合，各个待验证乘客集合对应的时间段的起始时刻为更新所述可验证乘客集合的时刻，且间隔时长为所述预设间隔时长；那么，在划分乘客至可验证乘客集合时，可以先确定当前更新所述可验证乘客集合的时刻对应的时间段，再将确定出的时间段对应的待验证乘客集合作为所述可验证乘客集合。可见，在基于“时间”更新可验证乘客集合的方式中，相邻时间段的起始时刻之间的间隔时长即为更新可验证乘客集合的周期，而更新可验证乘客集合的预设周期可以根据实际情况灵活设置，比如可以设置为预设周期与车次的密集程度呈反比(例如，当某一时间段内出发的车次较多时，可以将该时间段内更新可验证乘客集合的预设周期设置为较小值)。举例而言，假定火车站中当天第一趟高铁的出发时刻为4:00，预设间隔时长为2小时，预设周期为10min；那么可以预先根据乘客的购票记录确定以下时间段对应的待验证乘客集合：2:00-4:00；2:10-4:10；2:20-4:20……因为更新可验证乘客集合的周期为10min，所以更新可验证乘客集合的时刻为2:00、2:10、2:20……比如当前时刻为2:10(此时为更新可验证乘客集合的时刻)，那么可以将时间段2:10-4:10对应的待验证乘客集合作为可验证乘客集合。其中，相对于当前时刻，预先确定之后的待验证乘客集合的数量可以根据实际情况灵活设定，本申请并不对此进行限制。比如，可以设定提前确定在当前时刻之后相邻3个周期的待验证乘客集合；例如，承接于上述举例，可以提前确定在2:10之后相邻3个周期的待验证乘客集合，即分别确定对应于时间段2:20-4:20、2:30-4:30、2:40-4:40的待验证乘客集合。在另一实施例中，可以基于“事件”来更新可验证乘客集合，即所述可验证乘客集合在特定更新时刻被进行更新，所述特定更新时刻在出发时刻之前，且距离该出发时刻的时长为所述预设间隔时长。同样的，可以预先根据购票记录确定对应于各个时间段的待验证乘客集合，各个待验证乘客集合对应的时间段的起始时刻为更新所述可验证乘客集合的时刻，且间隔时长为所述预设间隔时长；那么，在划分乘客至可验证乘客集合时，可以先确定当前更新所述可验证乘客集合的时刻对应的时间段，再将确定出的时间段对应的待验证乘客集合作为所述可验证乘客集合。可见，在基于“事件”更新可验证乘客集合的方式中，各个时间段的终止时刻即为出发时刻。例如，假定火车站中当天各高铁的出发时刻分别为4:00、4:15、4:40、5:00……，预设间隔时长为2小时；那么可以预先根据乘客的购票记录确定以下时间段对应的待验证乘客集合：2:00-4:00、2:15-4:15、2:40-4:40、3:00-5:00……即更新可验证乘客集合的时刻(特定更新时刻)分别为2:00、2:15、2:40、3:00……比如当前时刻为2:10，此时不存在在2小时内出发的高铁(即不存在相应的可验证乘客)，因此可以不更新可验证乘客集合；又比如当前时刻为2:15，此时存在在2小时内出发的高铁(即乘坐该高铁的乘客属于可验证乘客)，那么可以将时间段2:15-4:15对应的待验证乘客集合作为可验证乘客集合。其中，相对于当前时刻，预先确定之后的待验证乘客集合的数量可以根据实际情况灵活设定，本申请并不对此进行限制。比如，可以设定提前确定在当前时刻之后相邻3个时间段的待验证乘客集合；例如，承接于上述举例，假定当前时刻为2:00，那么可以提前确定在2:00之后相邻3个时间段的待验证乘客集合，即分别确定对应于时间段2:15-4:15、2:40-4:40、3:00-5:00的待验证乘客集合。由此可见，在本申请的技术方案中，通过划定出可验证乘客集合来缩小查找范围，可以提高查找与目标人脸信息相匹配的乘客的效率，从而可以提高后续验证乘客身份的效率。需要说明的是，也可以实时更新可验证乘客集合，而非通过提前确定待验证乘客集合来更新可验证乘客集合。同时，在实时更新可验证乘客集合时，可以删除其中已经通过验证的乘客，从而进一步缩小查找范围。步骤204，获取目标乘客的目标人脸信息，并将所述目标人脸信息输入人脸特征提取模型以得到所述目标人脸信息的特征向量。步骤206，将得到的特征向量输入人脸识别模型。在本实施例中，基于机器学习模型进行人脸识别的方式在小规模人脸数据集上已经可以达到非常高的准确率，而本申请通过配置可验证乘客集合的机制缩小了人脸数据集，使得机器学习模型进行人脸识别的准确率可以达到验证乘客身份的精度要求；因此，可以进一步通过机器学习模型进行人脸识别来实现对乘客身份的验证。具体的，可以将所述目标人脸信息输入人脸特征提取模型以得到所述目标人脸信息的特征向量，所述人脸特征提取模型用于将人脸信息转换成相应的特征向量；再将得到的特征向量输入人脸识别模型以输出与该特征向量对应的乘客(以乘客标识的形式)；所述人脸识别模型基于所述可验证乘客集合中各乘客标识和相应的证件特征向量的对应关系训练得到，所述可验证乘客集合中各乘客的证件特征向量由所述人脸特征提取模型转换相应的证件照片(例如，可以是身份证照片，可通过与公安部门合作以获取身份证照片)信息得到。需要说明的是，由于上述两实施例(包括基于“时间”更新可验证乘客集合和基于“事件”更新可验证乘客集合两种方式)中可以预先确定对应于各个时间段的待验证乘客集合，因此，对应于各个预先确定的待验证乘客集合的人脸识别模型(可基于待验证乘客集合中各乘客和相应的证件特征向量的对应关系训练得到)也可以预先训练生成。本申请在利用划定可验证乘客集合缩小查找范围的基础上，进一步通过人脸特征提取模型和人脸识别模型来识别与目标人脸信息对应的乘客，可以提高识别效率，从而提高后续验证乘客身份的效率。步骤208，根据所述人脸识别模型的输出结果判定所述目标乘客是否通过验证。在本实施例中，当所述输出结果中包含置信度超过预设阈值的乘客时，可确定该乘客为与目标人脸信息的特征向量对应的乘客(即目标乘客)，那么说明可验证乘客集合中存在目标乘客，因此可以判定所述目标乘客通过验证。在本实施例中，还可与相关安全部门合作，引入黑名单人脸数据用于存储犯罪分子等威胁乘客安全的人员的人脸数据(比如，以特征向量的形式存储)。那么当与所述目标人脸信息相匹配的证件照片信息属于预设黑名单中的人脸数据时，可以生成安全警报信息并输出生成的安全警报信息，以提示工作人员采取相应的措施(例如，由人工安检确认或移交公安部门处理)。由以上技术方案可见，本申请通过将人脸识别应用到验证乘客身份的场景中，使得乘客只需要刷脸即可完成验证过程，而无需乘客向工作人员出示证件或在扫描证件的设备上刷证件以验证身份，有助于简化乘客验证身份的操作，提升验证身份的效率和用户体验，改善客流拥堵的问题。同时，在验证乘客身份进行人脸识别的过程中，仅需识别出目标乘客是否为离出发时间在预设间隔时长内的可验证乘客(可验证乘客仅仅为所有需要验证身份的乘客中的小部分)；同时，通过进一步将机器学习模型应用于上述人脸识别中，可以进一步提高人脸识别的效率和准确性，从而提高后续验证乘客身份的效率。在本申请的技术方案中，任何记录有用户购票记录和需要验证用户身份的场景，均可以采用本申请的身份验证方法，并属于本申请技术方案的保护范围之内。为了便于理解，下面以高铁的乘客在进站时验证身份的场景为例，对本申请的技术方案进行详细说明。图3是本申请一示例性实施例示出的另一种乘客身份的验证方法的流程图，该方法应用于门禁设备(例如闸机等)，可以包括以下步骤：步骤302，划分可验证乘客集合。在本实施例中，车站可以规定仅当前距离出发时刻的时长在预设间隔时长之内的可验证乘客才可以进站接受身份验证。那么，可以划分出一可验证乘客集合用于记录所有可验证乘客，以用于后续判断目标乘客是否属于该可验证乘客集合。通过划定出可验证乘客集合来缩小查找范围，可以提高后续查找与目标人脸信息相匹配的乘客的效率，从而可以提高验证乘客身份的效率。步骤304，获取目标人脸信息。在本实施例中，可由门禁设备中配置的摄像头采集目标乘客的目标人脸信息。步骤306，提取特征向量。步骤308，输入人脸识别模型。在本实施例中，基于机器学习模型进行人脸识别的方式在小规模人脸数据集上已经可以达到非常高的准确率，而本申请通过配置可验证乘客集合的机制缩小了人脸数据集，使得机器学习模型进行人脸识别的准确率可以达到验证乘客身份的精度要求；因此，可以进一步通过机器学习模型进行人脸识别来提高查找操作的效率。具体的，可以配置人脸特征提取模型和人脸识别模型。其中，针对人脸特征提取模型，可基于海量人脸数据训练得到，以用于将人脸信息转换成相应的特征向量。针对人脸识别模型，可基于可验证乘客集合中各乘客标识和相应的证件特征向量的对应关系训练得到，而可验证乘客集合中各乘客的证件特征向量可由人脸特征提取模型转换相应的证件照片信息得到；该人脸识别模型可采用逻辑回归、支持向量机等算法。同时，对于人脸识别模型，由于在本申请的技术方案中需要对可验证乘客集合进行动态更新，所以也需要相应地对人脸识别模型进行动态更新。下面结合描述动态更新可验证乘客集合的内容，对动态更新人脸识别模型的方式进行详细描述。在一实施例中，可基于“时间”更新可验证乘客集合，即可按照预设周期更新可验证乘客集合。具体的，可以预先根据购票记录确定对应于各个时间段的待验证乘客集合(各个待验证乘客集合对应的时间段的起始时刻为更新可验证乘客集合的时刻，且间隔时长为预设间隔时长)；同时，获取各个待验证乘客集合中乘客的证件照片信息，并通过人脸特征提取模型将证件照片信息转换成相应的特征向量，存储于各自的证件特征向量集合中以用于训练相应的人脸识别模型。那么，当需要更新可验证乘客集合时(即到达更新可验证乘客集合的时刻，同时也为更新人脸识别模型的时刻)，将当前时刻对应的时间段的待验证乘客集合作为可验证乘客集合。当然，更新可验证乘客集合的预设周期可根据实际情况灵活设置，本申请并不对此进行限制。比如可以设置为预设周期与车次的密集程度呈反比。例如，在一种情况下，当某一时间段内出发的车次较多时，可以将该时间段内更新可验证乘客集合的预设周期设置为较小值；在另一种情况下，当某一时间段内出发的车次较少时，可以将该时间段内更新可验证乘客集合的预设周期设置为较大值。另外，相对于当前时刻，预先确定之后的待验证乘客集合的数量可以根据实际情况灵活设定，本申请并不对此进行限制。比如，可以设定提前确定在当前时刻之后相邻3个周期的待验证乘客集合。举例而言，假定火车站中当天第一趟高铁的出发时刻为8:00，预设间隔时长为2小时(即仅当前距离出发时刻在2小时之内的乘客属于可验证乘客)，预设周期为5min，提前确定在当前时刻之后相邻的10个周期的待验证乘客集合。那么，在当前时刻为8:00时，可以预先确定的待验证乘客集合和训练出相应的人脸识别模型如表1所示：时间段待验证乘客集合人脸识别模型8:05-10:05待验证乘客集合1人脸识别模型18:10-10:10待验证乘客集合2人脸识别模型28:15-10:15待验证乘客集合3人脸识别模型3………………8:50-10:50待验证乘客集合10人脸识别模型10表1例如，在当前时刻为8:15时，将待验证乘客集合3作为可验证乘客集合；相应的，采用人脸识别模型3来识别目标人脸信息的特征向量。需要说明的是，为了提高训练人脸识别模型的效率，可以预先获取当天所有乘坐高铁的乘客的证件照片信息，并通过人脸特征提取模型将获取到的证件照片信息转换成特征向量存储于本地缓存区。在另一实施例中，可以基于“事件”来更新可验证乘客集合，即在特定更新时刻更新可验证乘客集合，特定更新时刻为在出发时刻之前且相隔该出发时刻的时长为预设间隔时长的时刻。具体的，可以预先根据购票记录确定对应于各个时间段的待验证乘客集合(各个待验证乘客集合对应的时间段的起始时刻为更新可验证乘客集合的时刻，且间隔时长为预设间隔时长)；同时，获取各个待验证乘客集合中乘客的证件照片信息，并通过人脸特征提取模型将证件照片信息转换成相应的特征向量，存储于各自的证件特征向量集合中以用于训练相应的人脸识别模型。那么，当需要更新可验证乘客集合时(即到达特定更新时刻时，同时也为更新人脸识别模型的时刻)，将当前时刻对应的时间段的待验证乘客集合作为可验证乘客集合。其中，相对于当前时刻，预先确定之后的待验证乘客集合的数量可以根据实际情况灵活设定，本申请并不对此进行限制。比如，可以设定提前确定在当前时刻之后相邻3个时间段的待验证乘客集合。举例而言，假定预设间隔时长为2小时，提前确定在当前时刻之后相邻3个时间段的待验证乘客集合，火车站中当天高铁的出发时刻如表2所示：车次出发时刻高铁a10:00高铁b10:15高铁c10:25高铁d10:50…………表2那么，在当前时刻为8:00时，可以提前生成的待验证乘客集合和训练出相应的人脸识别模型如表3所示：时间段待验证乘客集合人脸识别模型8:15-10:15待验证乘客集合1人脸识别模型18:25-10:25待验证乘客集合2人脸识别模型28:50-10:50待验证乘客集合3人脸识别模型3表3其中，特定更新时刻分别为：8:15、8:25、8:50。比如，当时间到达8:15(对应于时间段8:15-10:15)时，将待验证乘客集合1作为可验证乘客集合；相应的，采用人脸识别模型1来识别目标人脸信息的特征向量。在又一实施例中，还可以实时更新可验证乘客集合和人脸识别模型，而非通过提前确定待验证乘客集合来更新可验证乘客集合和人脸识别模型。同时，在实时更新可验证乘客集合时，可以删除其中已经通过验证的乘客。步骤310，判断是否存在对应的乘客，若存在，则转入步骤312，否则转入步骤314。在本实施例中，将步骤306得到的特征向量输入可验证乘客集合对应的人脸识别模型(即基于可验证乘客集合中各乘客和相应的证件特征向量的对应关系训练得到的人脸识别模型)，以确定与该特征向量对应的乘客，即确定与目标人脸信息对应的乘客。当所述输出结果中包含置信度超过预设阈值的乘客时，可确定该乘客为与目标人脸信息的特征向量对应的乘客(即目标乘客)，那么说明可验证乘客集合中存在目标乘客，因此可以判定所述目标乘客通过验证。当然，预设阈值的具体取值可根据实际情况灵活设定，本申请并不对此进行限制。举例而言，假定预设阈值为75％，在一种情况下，人脸识别模型的输出结果如表4所示：乘客置信度乘客a80％乘客b9％乘客c5％乘客d1％…………表4由于乘客a的置信度超过了预设阈值75％，可确定乘客a为与目标人脸信息的特征向量对应的乘客，即识别出目标乘客为乘客a，属于可验证乘客集合；那么，可判定目标乘客通过验证。在另一种情况下，假定人脸识别模型的输出结果如表5所示：乘客置信度乘客a5％乘客b4％乘客c3％乘客d2.5％…………表5由于输出结果中各乘客的置信度均没有超过预设阈值75％，可确定人脸识别模型并没有识别出与目标人脸信息的特征向量对应的乘客，即目标乘客不属于可验证乘客集合；那么，可判定目标乘客验证失败。在本实施例中，还可与相关安全部门合作，引入黑名单人脸数据用于存储犯罪分子等威胁乘客安全的人员的人脸数据(比如，以特征向量的形式存储)。那么当与所述目标人脸信息相匹配的证件照片信息属于预设黑名单中的人脸数据时，可以生成安全警报信息并输出生成的安全警报信息，以提示工作人员采取相应的措施(例如，由人工安检确认或移交公安部门处理)。步骤312，判定验证通过。步骤314，判定验证失败。在本实施例中，如图4所示，通过本申请的技术方案，乘客p1只需要在经过闸机时接受摄像头10拍摄下脸部信息即可，而无需执行刷证件的操作，从而简化了乘客验证身份的操作，有利于提升验证身份的效率和用户体验，改善客流拥堵的问题。在本申请的技术方案中，考虑到因部分乘客的证件照片的拍摄时间较为久远，导致照片与本人实际脸部信息不相符而验证失败的问题，可以提示乘客前往人工验证通道来完成身份的验证。由以上技术方案可见，本申请通过将人脸识别应用到验证乘客身份的场景中，使得乘客只需要刷脸即可完成验证过程，而无需乘客向工作人员出示证件或在扫描证件的设备上刷证件以验证身份，有助于简化乘客验证身份的操作，提升验证身份的效率和用户体验，改善客流拥堵的问题。同时，在验证乘客身份进行人脸识别的过程中，仅需识别出目标乘客是否为离出发时间在预设间隔时长内的可验证乘客(可验证乘客仅仅为所有需要验证身份的乘客中的小部分)；同时，通过进一步将机器学习模型应用于上述人脸识别中，可以进一步提高人脸识别的效率和准确性，从而提高后续验证乘客身份的效率。图5示出了根据本申请的一示例性实施例的电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器502、内部总线504、网络接口506、内存508以及非易失性存储器510，当然还可能包括其他业务所需要的硬件。处理器502从非易失性存储器510中读取对应的计算机程序到内存508中然后运行，在逻辑层面上形成乘客身份的验证装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。请参考图6，在软件实施方式中，该乘客身份的验证装置可以包括划分单元601、获取单元602、输入单元603和判定单元604。其中：划分单元601，将当前距离出发时刻的时长在预设间隔时长之内的乘客划分至可验证乘客集合中；获取单元602，获取目标乘客的目标人脸信息，并将所述目标人脸信息输入人脸特征提取模型以得到所述目标人脸信息的特征向量，所述人脸特征提取模型用于将人脸信息转换成相应的特征向量；输入单元603，将得到的特征向量输入人脸识别模型；所述人脸识别模型基于所述可验证乘客集合中各乘客标识和相应的证件特征向量的对应关系训练得到，所述可验证乘客集合中各乘客的证件特征向量由所述人脸特征提取模型转换相应的证件照片信息得到；判定单元604，根据所述人脸识别模型的输出结果判定所述目标乘客是否通过验证。可选的，所述可验证乘客集合被按照预设周期进行更新。可选的，所述可验证乘客集合在特定更新时刻被进行更新，所述特定更新时刻在出发时刻之前，且距离该出发时刻的时长为所述预设间隔时长。可选的，还包括：确定单元605，预先根据购票记录确定对应于各个时间段的待验证乘客集合，各个待验证乘客集合对应的时间段的起始时刻为更新所述可验证乘客集合的时刻，且间隔时长为所述预设间隔时长；所述划分单元601具体用于：确定当前更新所述可验证乘客集合的时刻对应的时间段；将确定出的时间段对应的待验证乘客集合作为所述可验证乘客集合。可选的，所述判定单元具体用于：当所述输出结果中包含置信度超过预设阈值的乘客时，判定所述目标乘客通过验证。可选的，还包括：生成单元606，当与所述目标人脸信息相匹配的证件照片信息属于预设黑名单中的人脸数据时，生成安全警报信息；输出单元607，输出生成的安全警报信息。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由乘客身份的验证装置的处理器执行以完成上述方法，该方法可以包括：将当前距离出发时刻的时长在预设间隔时长之内的乘客划分至可验证乘客集合中；获取目标乘客的目标人脸信息，并将所述目标人脸信息输入人脸特征提取模型以得到所述目标人脸信息的特征向量，所述人脸特征提取模型用于将人脸信息转换成相应的特征向量；将得到的特征向量输入人脸识别模型；所述人脸识别模型基于所述可验证乘客集合中各乘客标识和相应的证件特征向量的对应关系训练得到，所述可验证乘客集合中各乘客的证件特征向量由所述人脸特征提取模型转换相应的证件照片信息得到；根据所述人脸识别模型的输出结果判定所述目标乘客是否通过验证。可选的，所述可验证乘客集合被按照预设周期进行更新。可选的，所述可验证乘客集合在特定更新时刻被进行更新，所述特定更新时刻在出发时刻之前，且距离该出发时刻的时长为所述预设间隔时长。可选的，还包括：预先根据购票记录确定对应于各个时间段的待验证乘客集合，各个待验证乘客集合对应的时间段的起始时刻为更新所述可验证乘客集合的时刻，且间隔时长为所述预设间隔时长；所述将当前距离出发时刻的时长在预设间隔时长之内的乘客划分至可验证乘客集合中，包括：确定当前更新所述可验证乘客集合的时刻对应的时间段；将确定出的时间段对应的待验证乘客集合作为所述可验证乘客集合。可选的，所述根据所述人脸识别模型的输出结果判定所述目标乘客是否通过验证，包括：当所述输出结果中包含置信度超过预设阈值的乘客时，判定所述目标乘客通过验证。可选的，还包括：当与所述目标人脸信息相匹配的证件照片信息属于预设黑名单中的人脸数据时，生成安全警报信息；输出生成的安全警报信息。其中，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等，本申请并不对此进行限制。以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。当前第1页12