客户身份的验证方法及装置与流程

1.本发明涉及计算机数据处理技术领域，尤指一种客户身份的验证方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.目前，手机银行以及智能柜台等设备终端在业内被广泛使用，登录作为用户与系统交互的第一步操作现依赖人脸识别、指纹识别等登录方式。这种方式往往伴随着处理时间长、造成后台认证系统性能压力大、与面部遮挡物或者面部表情容貌变化存在强关联关系，人脸识别的登录方式深受环境影响等缺陷。
4.综上来看，亟需一种可以克服上述缺陷，能够改进客户身份验证的技术方案。


技术实现要素：

5.为解决现有技术存在的问题，本发明提出了一种客户身份的验证方法及装置。
6.在本发明实施例的第一方面，提出了一种客户身份的验证方法，包括：
7.在客户人工授权后，收集客户生物特征数据，其中，客户生物特征数据至少包括：面部数据及声纹数据；
8.根据所述客户生物特征数据，提取面部特征值及声纹特征值；
9.根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值；
10.在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证。
11.在本发明实施例的第二方面，提出了一种客户身份的验证装置，包括：
12.数据收集模块，用于在客户人工授权后，收集客户生物特征数据，其中，客户生物特征数据至少包括：面部数据及声纹数据；
13.特征值提取模块，用于根据所述客户生物特征数据，提取面部特征值及声纹特征值；
14.组合特征值计算模块，用于根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值；
15.身份验证模块，用于在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证。
16.在本发明实施例的第三方面，提出了一种计算机设备，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计算机程序时实现客户身份的验证方法。
17.在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读
存储介质存储有计算机程序，所述计算机程序被处理器执行时实现客户身份的验证方法。
18.在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现客户身份的验证方法。
19.本发明提出的客户身份的验证方法在客户人工授权后，收集多种类型的客户生物特征数据，如面部、声纹数据；根据所述客户生物特征数据，提取面部特征值及声纹特征值；根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值，该组合特征值可以在面部和声纹的权重之间进行灵活调整；在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证，本发明的生物特征值提取、加权认证模型可以大幅提升系统效率，降低识别响应时间、有效降低大批量并发处理时对服务器的压力，降低错误率；特征值以及样本预处理可以降低环境对识别效果的影响。整体方案可以提高身份验证的灵活性及准确性，满足不同场景下的身份验证，有效降低验证风险，无需客户摘下口罩、手套即可完成身份验证，提高交互性，改善客户体验及满意度。
附图说明
20.为了更清楚地说明本技术实施例技术方案，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，下面描述中的附图是本技术的一些实施例，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它的附图。
21.图1是本发明一实施例的客户身份的验证方法流程示意图。
22.图2是本发明一实施例的客户身份的验证装置架构示意图。
23.图3是本发明另一实施例的客户身份的验证装置架构示意图。
24.图4是本发明一实施例的计算机设备结构示意图。
25.图5是本发明一实施例的阈值与错误率的关系示意图。
具体实施方式
26.下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
27.本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
28.根据本发明的实施方式，提出了一种客户身份的验证方法及装置，涉及计算机数据处理技术领域。本发明利用摄像设备拍摄客户影像联合录音设备采集客户语音，并根据客户影像提取客户当前面部的特征值，根据客户语音提取客户声纹信息。两种生物识别方式相结合的识别方法可以大幅提升系统效率，降低识别响应时间、有效降低大批量并发处理时对服务器的压力。并因为声纹信息的加入，可以适量降低与面部的强关联关系(不可以有任何遮挡物、不可以面容发生变化)。将两者的比例通过测试找到一个最佳配比从而将模型的准确性达到最高(例如60％面部特征值+40％声纹特征值)。后续可以将收集到的客户
面部特征值作为样本训练集，为之后的机器学习、大数据分析例如用户年龄归类等提供数据。
29.在本发明实施例中，需要说明的术语有：
30.声纹识别：声纹是用电声学仪器显示的携带言语信息的声波频谱。声纹识别是生物识别技术的一种，是一种通过声音判别说话人身份的技术。声纹识别技术有两类，即说话人辨认和说话人确认。不同的任务和应用会使用不同的声纹识别技术，如缩小刑侦范围时可能需要辨认技术，而银行交易时则需要确认技术。目前，声纹识别技术已经得到金融监管部门的认可。
31.特征值：ax＝λx，设a是n阶方阵，如果数值λ和n维非零列向量x使关系式ax＝λx成立(即只伸缩不旋转)，那么这样的数λ称为矩阵a的“特征值”。特征值与特征向量表达了一个线性变换的特征，特征向量将一个矩阵进行正交分解，判断出在哪些方向只拉伸不扭曲来简化计算量，得到了特征值与特征向量就是得到了某个矩阵导致的伸缩比例和伸缩方向，其目的主要用于降维。通过特征值的提取，可以更简单直白的将一张图片的关键特征选择出来，例如鼻子、眼睛等，而一些面颊上的皮肤可以被省略。
32.下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
33.图1是本发明一实施例的客户身份的验证方法流程示意图。如图1所示，该方法包括：
34.s1，在客户人工授权后，收集客户生物特征数据，其中，客户生物特征数据至少包括：面部数据及声纹数据；
35.s2，根据所述客户生物特征数据，提取面部特征值及声纹特征值；
36.s3，根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值；
37.s4，在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证。
38.本发明提出的客户身份的验证方法在客户人工授权后，收集多种类型的客户生物特征数据，如面部、声纹数据；根据所述客户生物特征数据，提取面部特征值及声纹特征值；根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值，该组合特征值可以在面部和声纹的权重之间进行灵活调整；在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证，本发明的生物特征值提取、加权认证模型可以大幅提升系统效率，降低识别响应时间、有效降低大批量并发处理时对服务器的压力，降低错误率。特征值以及样本预处理可以降低环境对识别效果的影响。
39.由于公共场合通常要求必须佩戴口罩，并且手接触公共屏幕，例如智能柜台，会带来极大病毒传播风险，这些都是当下使用手机银行或者智能柜台的不便性。本发明通过本发明中算法模型的权重配比，可以在尽可能保证准确率的前提下，调高眼睛、眉毛、声纹等权重可以避免客户摘下口罩、手套等防护用品。大大提高交互性、提升客户满意度。整体方案相比于当下的手机银行面部登录，本发明响应时间快，算法复杂度低，对系统压力小，对环境依赖少，识别准确率高等优点。
40.为了对上述客户身份的验证方法进行更为清楚的解释，下面结合每一步骤来进行
详细说明。
41.s1，在客户人工授权后，收集客户生物特征数据，其中，客户生物特征数据至少包括：面部数据及声纹数据。
42.在实际应用场景中，可以利用手机银行、智能柜台等终端进行客户生物特征的收集。
43.例如，利用终端的前置摄像头进行客户面部信息采集，利用内置麦克风对客户的声纹信息进行采集。
44.在一实施例中，本发明提出的客户身份的验证方法还包括：
45.根据收集到的面部数据，利用图像增强算法进行图像增强；
46.对图像增强后的面部数据进行人脸对齐操作，其中，提取人脸关键点，根据人脸关键点对人脸做对齐校准。
47.具体的，利用图像增强算法可以对收集到的面部数据中低质量的图像进行处理，一般可采用暗光增强、超分辨率、去噪、去除运动模糊等方式进行图像增强，呈现更多的细节，尤其是对人脸来说，增强后可以提升人脸的识别率。
48.进一步的，使用人脸对齐操作，需要通过人脸关键点实现，根据这些关键点对人脸做对齐校准。通常是眼角的位置、鼻子的位置、脸的轮廓点等。原图的人脸可能比较歪，这里根据关键点，使用仿射变换将人脸统一“摆正”，尽量去消除姿势不同带来的误差。
49.在s2中，根据所述客户生物特征数据，提取面部特征值，包括：
50.利用hog算法提取面部特征值，其中，在面部图像中，通过梯度或边缘的方向密度分布描述目标的表象和形状，记录目标的特征值。
51.面部特征值的本质为梯度的统计信息，而梯度主要存在于边缘的地方。对预处理后的人脸利用hog算法可以得到一组特征值，记录描述了五官、轮廓线等信息。
52.在一实施例中，本发明提出的客户身份的验证方法还包括：
53.对声纹数据进行预加重、分帧、加窗的预处理操作，其中，声纹数据中的语音信息采用固定格式，语音内容由客户录入。
54.在实际应用场景中，噪声的避免是无法避免的。在对语音信号进行分析和处理之前，必须对其进行预加重、分帧、加窗等预处理操作。这些操作的目的是消除因为人类发声器官本身和由于采集语音信号的设备所带来的混叠、高次谐波失真、高频等因素，对语音信号质量的影响。尽可能保证后续语音处理得到的信号更均匀、平滑，为信号参数提取提供优质的参数，提高语音处理质量。该语音是基于客户信息的固定文本信息，例如身份证号后六位，电话号码等。
55.在s2中，根据所述客户生物特征数据，提取声纹特征值，包括：
56.利用mfcc算法提取声纹数据的特征，通过降维运算降低声纹数据的维度。
57.mfcc算法为梅尔频率倒谱系数算法，利用该算法进行语音数据的特征提取及降维运算。例如一帧512维度的数据可以通过mfcc得到最重要的40维。
58.在s3中，根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值，包括：
59.建立加权算法模型，所述加权算法模型中设置有每一项面部特征的权重及声纹特征的权重；
60.将所述面部特征值及声纹特征值输入至加权算法模型，确定组合特征值；
61.其中，组合特征值的计算方法为：
62.e＝w1×
e1+w2×
e2；
63.其中，e为组合特征值，w1为面部特征权重，w2为声纹特征权重，e1为面部特征值，e2为声纹特征值。
64.本发明利用loss函数得到的最佳权重值应用于上述加权算法。根据步骤s2得到的面部特征值及声纹特征值，输入到加权算法中，可以得到组合特征值。
65.具体的，面部特征权重还包括：五官的权重、轮廓线的权重；相应的，面部特征值还包括：五官的特征值、轮廓线的特征值。对此，w1，e1可继续拆分至五官层面的多个权重及特征值。
66.在s4中，在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证，包括：
67.根据面部特征权重、声纹特征权重及获取到的客户生物特征数据，通过加权计算得到加权特征值；
68.计算加权特征值与组合特征值的欧氏距离，若大于设定阈值时，判定身份验证失败；若小于或等于设定阈值，判定身份验证通过。
69.在客户登录时，采集客户生物特征数据，计算加权特征值，将加权特征值与该客户的组合特征值进行比较，计算欧氏距离(d)，当欧式距离距离大于设定阈值(th)时，认为是源自不同人，登录失败，小于或等于设定阈值时，则认为是同一个人，允许登录。
70.在一实施例中，本发明提出的客户身份的验证方法还包括：
71.记录获取到的客户生物特征数据及身份验证结果；
72.根据身份验证通过的客户生物特征数据，重新加权计算得到组合特征值；
73.根据身份验证结果调节设定阈值。
74.本发明可以记录客户生物特征数据，方便之后的深度学习、客户信息记录等处理使用。
75.在一具体实施例中，本发明将采用文本相关的声纹识别场景，在客户使用终端进行注册时，利用客户身份证号后六位、手机号、特殊定制数字串等固定的文本内容来记录客户声纹信息与客户信息进行注册绑定。
76.文本相关对于系统登录这类应用场景的好处在于，可以通过用户自主地语音提供客户信息关键部分如身份证后六位这一类固定文本，大幅提高识别准确率和识别的速度并兼顾用户信息安全性、唯一性。
77.在客户完成注册以后，若需要再次登录，通过采集相同文本下的客户语音提供给算法进行验证。声纹识别在数学操作上，就是对输入的声音信号进行数学操作，得到一组声纹特征向量。
78.人脸识别部分将利用终端设备的前置摄像头获取客户影像，并根据客户影像计算出当前面部的特征值，特征值一般在于面部的五官、面部边缘等特殊区域，与用户当时的皮肤状态、面部微表情没有很大的联系。且利用数学方法提取特征值本身就是快速、有效的所以能够大幅提升系统的响应时间。提取到的特征值还可以记录存储下来，为之后的客户信息作为生物特征记录。
79.在提取特征值之前会利用图像增强、语音增强等技术，尽可能让样本拜托环境的影响。例如光照不足，多张人脸，声音嘈杂等。另外所谓征值，就是会尽量减少环境对识别成功率的影响。
80.根据上述两种不同的生物特征识别方法，构建识别算法模型，将面部特征值与声纹特征值作为输入，按照两者不同的权重配比值进行加权向量计算。
81.本发明将登录的加权向量和注册时存储的特征向量进行比较，利用计算欧氏距离(d)，当这个距离大于一定阈值(th)时，认为是源自不同人，小于这个值时，则认为是同一个人。该模型中权重配比的确定直接影响到该模型的准确性，因此在模型构建期间需要结合经验值以及大量数据测试以降低错误率为目标寻找最佳权重值。单一生物特征值有时可能会出现识别不准确的情况，加权认证算法的好处不光在于大幅提升模型准确性，更在于可以个性化设置。比如，客户在公共场所需要佩戴口罩，本发明可以将鼻子以上如眼部特征与声纹特征权重加大以增加客户体验。
82.需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
83.在介绍了本发明示例性实施方式的方法之后，接下来，参考图2对本发明示例性实施方式的客户身份的验证装置进行介绍。
84.客户身份的验证装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
85.基于同一发明构思，本发明还提出了一种客户身份的验证装置，如图2所示，该装置包括：
86.数据收集模块210，用于在客户人工授权后，收集客户生物特征数据，其中，客户生物特征数据至少包括：面部数据及声纹数据；
87.特征值提取模块220，用于根据所述客户生物特征数据，提取面部特征值及声纹特征值；
88.组合特征值计算模块230，用于根据所述面部特征值及声纹特征值，利用加权算法进行加权计算，得到组合特征值；
89.身份验证模块240，用于在验证客户的身份时，获取客户生物特征数据，通过加权计算得到加权特征值，将所述加权特征值与所述组合特征值进行比较，根据比较结果完成身份验证。
90.在一实施例中，参考图3，还包括：图像预处理模块310；
91.其中，所述图像预处理模块用于：
92.根据收集到的面部数据，利用图像增强算法进行图像增强；
93.对图像增强后的面部数据进行人脸对齐操作，其中，提取人脸关键点，根据人脸关键点对人脸做对齐校准。
94.在一实施例中，所述特征值提取模块具体用于：
95.利用hog算法提取面部特征值，其中，在面部图像中，通过梯度或边缘的方向密度分布描述目标的表象和形状，记录目标的特征值。
96.在一实施例中，参考图3，还包括：声纹预处理模块320；
97.其中，所述声纹预处理模块用于：
98.对声纹数据进行预加重、分帧、加窗的预处理操作，其中，声纹数据中的语音信息采用固定格式，语音内容由客户录入。
99.在一实施例中，所述特征值提取模块具体用于：
100.利用mfcc算法提取声纹数据的特征，通过降维运算降低声纹数据的维度。
101.在一实施例中，所述组合特征值计算模块具体用于：
102.建立加权算法模型，所述加权算法模型中设置有每一项面部特征的权重及声纹特征的权重；
103.将所述面部特征值及声纹特征值输入至加权算法模型，确定组合特征值；其中，组合特征值的计算方法为：
104.e＝w1×
e1+w2×
e2；
105.其中，e为组合特征值，w1为面部特征权重，w2为声纹特征权重，e1为面部特征值，e2为声纹特征值。
106.在一实施例中，面部特征权重还包括：五官的权重、轮廓线的权重；
107.相应的，面部特征值还包括：五官的特征值、轮廓线的特征值。
108.在一实施例中，所述身份验证模块具体用于：
109.根据面部特征权重、声纹特征权重及获取到的客户生物特征数据，通过加权计算得到加权特征值；
110.计算加权特征值与组合特征值的欧氏距离，若大于设定阈值时，判定身份验证失败；若小于或等于设定阈值，判定身份验证通过。
111.在一实施例中，参考图3，还包括：记录模块330及调节模块340；
112.其中，所述记录模块用于：
113.记录获取到的客户生物特征数据及身份验证结果；
114.所述组合特征值计算模块还用于：
115.根据身份验证通过的客户生物特征数据，重新加权计算得到组合特征值；
116.所述调节模块用于：
117.根据身份验证结果调节设定阈值。
118.应当注意，尽管在上文详细描述中提及了客户身份的验证装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
119.基于前述发明构思，如图4所示，本发明还提出了一种计算机设备400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序430，所述处理器420执行所述计算机程序430时实现前述客户身份的验证方法。
120.基于前述发明构思，本发明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有计算机程序，所述计算机程序被处理器执行时实现前述客户身份的验证方
法。
121.基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现客户身份的验证方法。
122.为了对上述客户身份的验证方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明。
123.本发明通过硬件设备采集生物特征，如声纹、人脸。由于环境的复杂性、将声纹降噪处理，人脸对准居中、利用图像增强技术进行预处理以提高算法准确率。大量科研结果表明：预处理的结果会直接影响算法模型的准确率，同样一个算法模型，一个没有预处理过得图像的准确率只能在50％，而经过预处理的准确率可以达到75％。因此将硬件采集与特征值提取模块之间加入数据预处理模块至关重要，而预处理算法模型的选取对提升准确率也有很大帮助。
124.在预处理完成后，需要进行特征值提取。具体的，根据预处理后的图像和声纹，需要选取合适的特征值提取模型。以特征脸提取为例：有较早提出且最常应用的hog特征提取，基于c++语言的dlib工具库提取以及准确率高但是复杂度较高的cnn卷及神经网络提取等算法，找到适用于当前场景的算法需要经过验证模型应用于该场景下的准确率进行选取，需要不断的改进实验。
125.由于身份识别使用加权算法模型，本发明通过权重来将声纹信息与面部特征值进行权重配比来提高准确率。
126.更具体的，可以选取具体面部的哪一个区域之间进行配比，用来放大某一特定部位或者方式的作用。例如：20％眼睛+5％眉毛+40％声音+35％其他特征，应用于不能摘口罩需要放大眼睛、眉毛、声音的场景。这就需要用到统计学中的另一个概念loss损失函数，用来描述模型的预测值与真实值之间的差距大小、帮助算法优化参数也就是权重配比。
127.在得到预处理结果、加权算法之后，阈值的选取也很关键。参考图5，阈值选取过小很可能会提升错误拒绝率e
fr
，阈值选取过大会提升错误接受率e
fa
都会影响性能。所以需要结合曲线找到最佳阈值，即等错误率eer，eer为e
fr
＝e
fa
时的错误率，基于eer对应的阈值来判断是否为本人。
128.下面对本发明的面部特征提取阶段及声纹特征提取阶段进行详细说明：
129.面部特征提取：hog特征提取，histogram of oriented gridients，缩写为hog，是目前计算机视觉、模式识别领域很常用的一种描述图像局部纹理的特征。它的主要思想是在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。其本质为：梯度的统计信息，而梯度主要存在于边缘的地方。如五官、轮廓线等。
130.hog实现方法：首先将图像分成小的连通区域，这些连通区域被叫做细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来，就可以构成特征描述符。将这些局部直方图在图像的更大的范围内(叫做区间)进行对比度归一化，可以提高该算法的性能，所采用的方法是：先计算各直方图在这个区间中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。
131.声纹特征提取阶段：可以利用已经成熟的mfcc(梅尔频率倒谱系数算法)进行语音数据的特征提取及降维运算。例如一帧512维度的数据可以通过mfcc得到最重要的40维。
132.mfcc(mel-frequency cepstral coefficients，梅尔频率倒谱系数)。梅尔频率是基于人耳听觉特性提出来的，它与hz频率成非线性对应关系。梅尔频率倒谱系数(mfcc)则是利用它们之间的这种关系，计算得到的hz频谱特征。主要用于语音数据特征提取和降低运算维度。例如：对于一帧有512维(采样点)数据，经过mfcc后可以提取出最重要的40维(一般而言)数据同时也达到了降维的目的。
133.mfcc一般会经过以下步骤：预加重，分帧，加窗，快速傅里叶变换(fft)，梅尔滤波器组，离散余弦变换(dct)。其中，最重要的就是fft和梅尔滤波器组，这两个进行了主要的降维操作。
134.在实际应用场景中，单一的、准确率高的生物识别系统往往都是对环境要求较高(例如某同业手机银行app对背景、光线、面部动作要求极高)、运算量巨大、批量并发处理时对服务器造成很大的压力。且对硬件要求很高、响应时间相对较长等弊端。统计学错误拒绝率为指标，既同一个人被系统误认为非同一个人的概率非常之大，原因就是不满足环境要求。破坏用户体验。本发明的生物特征值提取、加权认证模型可以大幅提升系统效率，降低识别响应时间、有效降低大批量并发处理时对服务器的压力，降低错误率。
135.由于公共场合要求必须佩戴口罩，并且接触公共屏幕，例如智能柜台，会带来极大病毒传播风险，这些都是当下使用手机银行或者智能柜台的不便性。通过本发明中算法模型的权重配比，结合图5所示的阈值关系，可以在尽可能保证准确率的前提下，调高眼睛、眉毛、声纹等权重可以避免客户摘下口罩、手套等防护用品，大大提高交互性、提升客户满意度。
136.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
137.本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
138.本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
139.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
140.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
141.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。