用于自助终端的智能身份验证方法及装置与流程

本技术涉及人工智能，具体涉及一种用于自助终端的智能身份验证方法及装置。

背景技术：

1、随着智能科技的迅速发展，银行自助终端机应运而生并在用户使用率中占据较高的占比。自助终端机的设计理念是“24小时昼夜服务”，用户可以根据自己的日程安排来选择办理业务的时间，这样做既有效解决了网点工作人员下班后便无法办理业务的问题，又有效缓解了银行网点人流量过大而导致的拥趸问题；自助终端机的工作效率通常高于人工操作效率，同时增加一台自助终端机的时间及经济成本远远低于聘请一名工作人员，其简便直观的操作为广大用户提供了轻松、便利、体贴的服务。

2、自助终端机的身份核验过程：首先将用户的身份证放置证件识别处，然后将自助终端机的镜头对准用户进行现场拍照，最后将身份证头像和现场拍摄采集的图像进行对照比对后核对用户的身份。自助终端机现有的身份核验技术能够达到一定的准确性，但仍然存在较大的挑战：用户在利用自助终端机办理业务的首要步骤是身份核验，然而身份证人像和现场拍摄图像的比对过程通常会花费较长时间，并且偶尔会出现由于长时间识别不出而导致的界面卡顿的现象，网点业务人员最终只能通过关机重启的方式重新办理业务，这样不仅影响了用户体验，而且降低了网点业务人员的工作效率。

技术实现思路

1、针对现有技术中的问题，本技术实施例提供一种用于自助终端的智能身份验证方法及装置，能够至少部分地解决现有技术中存在的问题。

2、一方面，本技术实施例提供一种用于自助终端的智能身份验证方法，包括：

3、获取利用自助终端摄像头拍摄的一对用户身份证头像和现场用户的人脸图像；

4、将所述用户身份证头像和所述现场用户的人脸图像输入预先训练好的智能身份验证模型，得到所述智能身份验证模型输出的验证结果；

5、其中，所述预先训练好的智能身份验证模型利用两个孪生的卷积神经网络模块分别对所述用户身份证头像和所述现场用户的人脸图像进行编码，得到两个编码后的特征向量，然后对两个编码后的特征向量进行全连接，得到全连接后的特征向量，对所述全连接后的特征向量进行计算，得到验证结果。

6、在一些实施例中，所述卷积神经网络模块为多尺度宽度卷积残差网络模块。

7、在一些实施例中，所述卷积神经网络模块对所述用户身份证头像/现场用户的人脸图像进行编码，得到编码后的特征向量包括：

8、对所述用户身份证头像/现场用户的人脸图像依次进行批归一化、mish激活、二分通道卷积以及dropblock操作，得到第一特征图；

9、继续对所述第一特征向量依次进行批归一化、mish激活、二分通道卷积以及dropblock操作，得到第二特征图；

10、将所述第二特征图与所述用户身份证头像/现场用户的人脸图像进行逐像素相加，得到编码后的特征向量。

11、在一些实施例中，所述二分通道卷积操作用于提取图像的特征，所述二分通道卷积操作提取图像的特征包括：

12、分别利用当前层卷积网络的前n/2个卷积核和后n/2个卷积核对输入图像进行卷积，得到两个特征图，其中，n为当前层卷积网络的卷积核数量；

13、将该两个特征图以及所述输入图像进行拼接，得到拼接图；

14、利用卷积核大小为1×1的卷积网络对所述拼接图进行卷积操作，得到增强图像。

15、在一些实施例中，在所述二分通道卷积操作中，利用mish函数激活神经元。

16、在一些实施例中，所述智能身份验证模型的训练过程如下：

17、获取图像集中成对的用户身份证头像和现场用户人脸图像，其中，一部分成对的用户身份证头像和现场用户人脸图像是同一用户的，另一部分成对的用户身份证头像和现场用户人脸图像不是同一用户的；

18、对于每对所述用户身份证头像和现场用户人脸图像，根据该对用户身份证头像和现场用户人脸图像以及该对用户身份证头像和现场用户人脸图像的标签，对预设的孪生神经网络模型进行训练，直至得到所述预先训练好的智能身份验证模型。

19、在一些实施例中，所述预设的孪生神经网络模型使用二值交叉熵损失函数计算用户身份证头像和现场用户人脸图像之间的相似度分数。

20、另一方面，本技术提供一种用于自助终端的智能身份验证装置，包括：

21、获取模块，用于获取利用自助终端摄像头拍摄的一对用户身份证头像和现场用户的人脸图像；

22、验证模块，用于将所述用户身份证头像和所述现场用户的人脸图像输入预先训练好的智能身份验证模型，得到所述智能身份验证模型输出的验证结果；

23、其中，所述预先训练好的智能身份验证模型利用两个孪生的卷积神经网络模块分别对所述用户身份证头像和所述现场用户的人脸图像进行编码，得到两个编码后的特征向量，然后对两个编码后的特征向量进行全连接，得到全连接后的特征向量，对所述全连接后的特征向量进行计算，得到验证结果。

24、在一些实施例中，所述卷积神经网络模块为多尺度宽度卷积残差网络模块。

25、在一些实施例中，所述卷积神经网络模块对所述用户身份证头像/现场用户的人脸图像进行编码，得到编码后的特征向量包括：

26、对所述用户身份证头像/现场用户的人脸图像依次进行批归一化、mish激活、二分通道卷积以及dropblock操作，得到第一特征图；

27、继续对所述第一特征向量依次进行批归一化、mish激活、二分通道卷积以及dropblock操作，得到第二特征图；

28、将所述第二特征图与所述用户身份证头像/现场用户的人脸图像进行逐像素相加，得到编码后的特征向量。

29、在一些实施例中，所述二分通道卷积操作用于提取图像的特征，所述二分通道卷积操作提取图像的特征包括：

30、分别利用当前层卷积网络的前n/2个卷积核和后n/2个卷积核对输入图像进行卷积，得到两个特征图，其中，n为当前层卷积网络的卷积核数量；

31、将该两个特征图以及所述输入图像进行拼接，得到拼接图；

32、利用卷积核大小为1×1的卷积网络对所述拼接图进行卷积操作，得到增强图像。

33、在一些实施例中，在所述二分通道卷积操作中，利用mish函数激活神经元。

34、在一些实施例中，所述装置还包括模型训练模块，所述模型训练模块用于：

35、获取图像集中成对的用户身份证头像和现场用户人脸图像，其中，一部分成对的用户身份证头像和现场用户人脸图像是同一用户的，另一部分成对的用户身份证头像和现场用户人脸图像不是同一用户的；

36、对于每对所述用户身份证头像和现场用户人脸图像，根据该对用户身份证头像和现场用户人脸图像以及该对用户身份证头像和现场用户人脸图像的标签，对预设的孪生神经网络模型进行训练，直至得到所述预先训练好的智能身份验证模型。

37、在一些实施例中，所述预设的孪生神经网络模型使用二值交叉熵损失函数计算用户身份证头像和现场用户人脸图像之间的相似度分数。

38、本技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的用于自助终端的智能身份验证方法的步骤。

39、本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述的用于自助终端的智能身份验证方法的步骤。

40、本技术实施例提供的用于自助终端的智能身份验证方法及装置，通过获取利用自助终端摄像头拍摄的一对用户身份证头像和现场用户的人脸图像；将所述用户身份证头像和所述现场用户的人脸图像输入预先训练好的智能身份验证模型，得到所述智能身份验证模型输出的验证结果；其中，所述预先训练好的智能身份验证模型利用两个孪生的卷积神经网络模块分别对所述用户身份证头像和所述现场用户的人脸图像进行编码，得到两个编码后的特征向量，然后对两个编码后的特征向量进行全连接，得到全连接后的特征向量，对所述全连接后的特征向量进行计算，得到验证结果。这样，采用孪生神经网络的设计思想建立智能身份验证模型，从两幅图像的语义相似性上学习来估测两者的差距，因此能够较为理想地实现用户的身份证头像和现场拍摄的人脸图像之间的对比。