基于联邦活体检测模型的身份识别方法、装置、设备和介质与流程
本发明涉及金融科技(fintech)技术领域，尤其涉及基于联邦活体检测模型的身份识别方法、装置、设备和介质。
背景技术：
近年来，互联网金融科技(fintech)的飞速发展，越来越多的技术(大数据、分布式、区块链blockchain、人工智能等)应用在金融领域。
金融领域为了保证金融业务操作的安全性，需要进行活体识别，活体识别是通过活体检测设备实现的，活体检测设备包括红外传感器、扫描仪等等，这样的活体检测方法需要的设备成本较高，部分机构采用活体检测模型实现活体检测实现的，当前活体检测模型大都是采用本地的训练样本进行活体检测模型训练，活体检测模型的训练需要大量的训练样本。然而，在现实场景中，很少有企业能够拥有大量的且覆盖足够多样本类型的训练样本，由于训练样本的数据量不足导致训练出来的活体检测模型识别准确率低。
技术实现要素：
本发明的主要目的在于提出一种基于联邦活体检测模型的身份识别方法、装置、设备和介质，旨在解决当前活体检测模型训练样本不足，导致活体检测模型学习不到位识别准确率低，若通过共享数据进行模型训练存在隐私数据泄漏的风险。
为实现上述目的，本发明提供一种基于联邦活体检测模型的身份识别方法，所述基于联邦活体检测模型的身份识别方法包括如下步骤：
在接收到活体检测请求时，获取预设采集装置采集到的图像信息；
对所述图像信息进行预处理，获得待检测的活体特征图像；
调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息，其中，所述联邦活体检测模型为基于协调端发送的联合梯度对本地的初始活体检测模型迭代训练获得，所述联合梯度是协调端基于多方节点的模型梯度处理生成。
可选地，所述调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息的步骤之前，所述方法包括：
获取初始活体检测模型，将本地存储中的图像信息进行标记形成训练样本集；
从所述训练样本集中抽取训练样本组，通过所述训练样本组训练所述初始活体检测模型，获得训练后的活体检测模型和活体特征向量；
通过预设损失函数处理所述活体特征向量，获得损失值，并将所述损失值发送至协调端，以使所述协调端分析所述损失值确定训练后的活体检测模型是否收敛；
在接收到所述协调端发送的模型收敛提示时，将训练得到的活体检测模型作为联邦活体检测模型。
可选地，所述获取初始活体检测模型，将本地存储中的图像信息进行标记形成训练样本集的步骤，包括：
在接收到活体检测模型训练指令时，输出配置页面，其中，所述配置页面用于配置活体检测模型的模型种类，所述模型种类包括防翻拍检测模型、红外检测模型、动作检测模型、闪光活体检测模型和3d活体检测模型；
若本地存储中不存在所述模型种类对应的初始活体检测模型，则发送模型获取指令至协调端，以使协调端反馈所述模型种类对应的初始活体检测模型；
接收协调端发生的初始活体检测模型，获取本地存储中所述模型种类对应的图像信息，标记所述图像信息形成训练样本集。
可选地，所述从所述训练样本集中抽取训练样本组，通过所述训练样本组训练所述初始活体检测模型，获得训练后的活体检测模型和活体特征向量的步骤，包括：
从所述训练样本集中随机抽取一个训练样本作为锚点示例，根据所述锚点示例关联的标记信息选择正例示例和负例示例，将所述锚点示例、所述正例示例和所述负例示例作为一个训练样本组；
通过所述训练样本组训练所述初始活体检测模型，获得模型梯度，并将所述模型梯度发送至协调端，以使所述协调端基于多方节点的模型梯度处理，获得联合梯度；
接收所述协调端发送的联合梯度，根据所述联合梯度更新所述初始活体检测模型，得到训练后的活体检测模型和活体特征向量。
可选地，所述通过预设损失函数处理所述活体特征向量，获得损失值，并将所述损失值发送至协调端，以使所述协调端分析所述损失值确定训练后的活体检测模型是否收敛的步骤，包括：
提取所述锚点示例对应的锚点特征向量，提取所述正例示例对应的正例特征向量，提取所述负例示例对应的负例特征向量；
计算所述锚点特征向量与所述正例特征向量之间的第一欧式距离，所述锚点特征向量与所述负例特征向量之间的第二欧式距离；
将所述第一欧式距离与所述第二欧式距离输入至预设损失函数，获得损失值，将所述损失值发送至协调端，以通过所述协调端分析所述损失值确定训练后的活体检测模型是否收敛。
可选地，所述调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息的步骤，包括：
调用联邦活体检测模型对所述活体特征图像进行识别，获得活体特征向量，将所述活体特征向量与预设特征向量进行比对；
获取与所述活体特征向量匹配的目标特征向量，获取所述目标特征向量关联的活体身份信息，将所述活体身份信息作为所述活体特征图像对应的活体身份信息。
可选地，所述调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息的步骤之后，所述方法还包括：
在所述活体身份信息识别错误时，输出标注提示，提示用户对所述图像信息进行标注；
将标注之后的图像信息作为训练样本，根据所述训练样本训练所述联邦活体检测模型获得模型梯度，并将所述模型梯度发送至协调端，以使所述协调端基于多方节点的模型梯度处理，获得联合梯度；
接收所述协调端发送的联合梯度，根据所述联合梯度更新所述联邦活体检测模型。
此外，为实现上述目的，本发明还提供一种基于联邦活体检测模型的身份识别装置，所述基于联邦活体检测模型的身份识别装置包括：
信息获取模块，用于在接收到活体检测请求时，获取预设采集装置采集到的图像信息；
处理获取模块，用于对所述图像信息进行预处理，获得待检测的活体特征图像；
调用识别模块，用于调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息，其中，所述联邦活体检测模型为基于协调端发送的联合梯度对本地的初始活体检测模型迭代训练获得，所述联合梯度是协调端基于多方节点的模型梯度处理生成。
此外，为实现上述目的，本发明还提供一种基于联邦活体检测模型的身份识别设备，所述基于联邦活体检测模型的身份识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于联邦活体检测模型的身份识别对应的计算机程序，所述基于联邦活体检测模型的身份识别对应的计算机程序被所述处理器执行时实现如上所述的基于联邦活体检测模型的身份识别方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于联邦活体检测模型的身份识别对应的计算机程序，所述基于联邦活体检测模型的身份识别对应的计算机程序被处理器执行时实现如上所述的基于联邦活体检测模型的身份识别方法的步骤。
本发明提供一种基于联邦活体检测模型的身份识别方法、装置、设备和介质，本发明实施例中在接收到活体检测请求时，获取预设采集装置采集到的图像信息；对所述图像信息进行预处理，获得待检测的活体特征图像；调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息，其中，所述联邦活体检测模型为基于协调端发送的联合梯度对本地的初始活体检测模型迭代训练获得，所述联合梯度是协调端基于多方节点的模型梯度处理生成。本发明实施例中基于联邦活体检测模型的身份识别方法，通过联盟链中各个节点联合训练的方式，使得多方能够在不泄露自己数据隐私的情况下活体检测模型充分学习，提高了活体检测模型识别的准确率和泛化能力。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明基于联邦活体检测模型的身份识别方法第一实施例中构建联邦活体检测模型的流程示意图；
图3为本发明基于联邦活体检测模型的身份识别方法第一实施例的具体场景示意图；
图4为本发明基于联邦活体检测模型的身份识别方法第一实施例的流程示意图；
图5为本发明基于联邦活体检测模型的身份识别装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例基于联邦活体检测模型的身份识别设备可以是协调端设备，如图1所示，该基于联邦活体检测模型的身份识别设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作网络通信模块、用户接口模块以及基于联邦活体检测模型的身份识别对应的计算机程序。
在图1所示的设备中，网络接口1004主要用于连接后台协调端，与后台协调端进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于联邦活体检测模型的身份识别对应的计算机程序，并执行下述基于联邦活体检测模型的身份识别方法中的操作。
基于上述硬件结构，提出本发明基于联邦活体检测模型的身份识别方法实施例。
在接收到活体检测请求时，获取预设采集装置采集到的图像信息；
对所述图像信息进行预处理，获得待检测的活体特征图像；
调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息，其中，所述联邦活体检测模型为基于协调端发送的联合梯度对本地的初始活体检测模型迭代训练获得，所述联合梯度是协调端基于多方节点的模型梯度处理生成。
本实施例中基于联邦活体检测模型的身份识别方法应用于金融行业的金融机构(银行机构、保险机构、证券机构等)中的基于联邦活体检测模型的身份识别设备，基于联邦活体检测模型的身份识别设备是联盟链中的一个节点、终端或者客户端。
在本实施例的步骤执行之前，终端预先构建联邦活体检测模型，参照图2，基于联邦活体检测模型的身份识别方法第一实施例中构建联邦活体检测模型的流程示意图；具体地，包括：
步骤s01，获取初始活体检测模型，将本地存储中的图像信息进行标记形成训练样本集；
客户端获取初始活体检测模型(初始活体检测模型是指待训练的模型，初始活体检测模型的种类不作具体地限定，例如，初始活体检测模型可以是防翻拍检测模型、红外检测模型、动作检测模型、闪光活体检测模型和3d活体检测模型等等)，客户端根据初始活体检测模型的模型种类获取本地存储中的图像信息，客户端输出标记提示，用户标记图像信息，客户端将用户标记的图像信息组成训练样本集，以进行模型训练。
步骤s02，从所述训练样本集中抽取训练样本组，通过所述训练样本组训练所述初始活体检测模型，获得训练后的活体检测模型和活体特征向量；
客户端从训练样本集中抽取训练样本组进行模型训练，具体地，包括：
从所述训练样本集中随机抽取一个训练样本作为锚点示例，根据所述锚点示例关联的标记信息选择正例示例和负例示例，将所述锚点示例、所述正例示例和所述负例示例作为一个训练样本组；
通过所述训练样本组训练所述初始活体检测模型，获得模型梯度，并将所述模型梯度发送至协调端，以使所述协调端基于多方节点的模型梯度处理，获得联合梯度；
接收所述协调端发送的联合梯度，根据所述联合梯度更新所述初始活体检测模型，得到训练后的活体检测模型和活体特征向量。
即，客户端从训练样本集中随机选择一个训练样本作为锚点示例，客户端根据锚点示例关联的标记信息选择正例示例和负例示例，客户端将锚点示例、正例示例和负例示例作为一个训练样本组，具体地，客户端将训练样本中标记信息为活体的作为一类，将训练样本中标记信息为非活体的作为另一类，客户端随机选择一个训练样本作为锚点示例，客户端选择一个与锚点示例同一类别的训练样本作为正例示例，客户端选择一个与锚点示例不同类别的训练样本作为负例示例，客户端将锚点示例、正例示例和负例示例作为一个训练样本组；例如，每个训练样本组包含三个id:(锚点示例(anc_id)，正例示例(pos_id)，负例示例(neg_id))。
客户端通过训练样本组训练初始活体检测模型，获得模型梯度，客户端将模型梯度发送至协调端，以使协调端基于多方节点的模型梯度处理，获得联合梯度；客户端接收协调端发送的联合梯度，客户端根据联合梯度更新初始活体检测模型，得到训练后的活体检测模型和活体特征向量。
步骤s03，通过预设损失函数处理所述活体特征向量，获得损失值，并将所述损失值发送至协调端，以使所述协调端分析所述损失值确定训练后的活体检测模型是否收敛；
客户端通过预设损失函数(预设损失函数是指根据模型构建的确定模型是否收敛的函数)处理活体特征向量，获得损失值，客户端将损失值发送至协调端，以使所述协调端分析损失值确定训练后的活体检测模型是否收敛，具体地，包括：
提取所述锚点示例对应的锚点特征向量，提取所述正例示例对应的正例特征向量，提取所述负例示例对应的负例特征向量；
计算所述锚点特征向量与所述正例特征向量之间的第一欧式距离，所述锚点特征向量与所述负例特征向量之间的第二欧式距离；
将所述第一欧式距离与所述第二欧式距离输入至预设损失函数，获得损失值，将所述损失值发送至协调端，以通过所述协调端分析所述损失值确定训练后的活体检测模型是否收敛。
即，客户端提取锚点示例对应的锚点特征向量，提取正例示例对应的正例特征向量和提取负例示例对应的负例特征向量；客户端计算锚点特征向量与所述正例特征向量之间的第一欧式距离，客户端锚点特征向量与负例特征向量之间的第二欧式距离；客户端将所述第一欧式距离与所述第二欧式距离输入至预设损失函数，获得损失值，客户端将所述损失值发送至协调端，以通过所述协调端分析所述损失值确定训练后的活体检测模型是否收敛。
步骤s04，在接收到所述协调端发送的模型收敛提示时，将训练得到的活体检测模型作为联邦活体检测模型。
客户端在接收到所述协调端发送的模型收敛提示时，将训练得到的活体检测模型作为联邦活体检测模型。本实施例中通过联邦建立活体检测模型，在保证数据安全性的前提下，使得模型充分学习，以提高活体识别准确性。
具体地，参照图3，图3为本发明基于联邦活体检测模型的身份识别方法第一实施例的具体场景示意图。
客户端a(又叫参与方a)和客户端b(又叫参与方b)，客户端a和客户端b各自拥有一些图像信息，客户端a和客户端b将本地存储中的图像信息进行标记形成训练样本集，训练样本集中包含活体训练样本和非活体训练样本，分别为
客户端a和客户端b根据初始的活体检测模型，从训练样本集中抽取训练样本组，每个训练样本组中包含三个训练样本id:(a,p,n)，客户端a和客户端b通过训练样本组训练初始活体检测模型，获得训练后的活体检测模型和活体特征向量，客户端a和客户端b处理训练样本提取训练样本的特征向量(特征向量的维度相同，特征向量通常为128维、256维或者512维)。例如，客户端a返回的特征向量记为
loss＝max(d(a,p)-d(a,n)+margin,0)
客户端根据本地初始的活体检测模型和损失值进行梯度计算，并根据梯度计算的结果更新本地的活体检测模型。客户端将损失值发送至协调端，以使所述协调端分析损失值确定训练后的活体检测模型是否收敛；在接收到协调端发送的模型收敛提示时，将训练得到的活体检测模型作为联邦活体检测模型。
本发明实施例中通过联盟链中各个节点联合训练的方式，使得多方能够在不泄露自己数据隐私的情况下活体检测模型充分学习，提高了活体检测模型识别的准确率。在银行机构等金融机构内采用上述基于联邦活体检测模型的身份识别方式，进行活体检测模型训练，通过训练的活体检测模型进行活体识别，提高了活体识别的准确率。
参照图4，图4为本发明基于联邦活体检测模型的身份识别方法第一实施例的流程示意图，在本实施例中所述基于联邦活体检测模型的身份识别方法包括：
步骤s10，在接收到活体检测请求时，获取预设采集装置采集到的图像信息。
客户端接收活体检测请求，活体检测请求的触发方式不作具体限定，即，活体检测请求可以是用户主动触发的，例如，用户点击客户端显示页面上的“身份识别”按键，主动触发活体检测请求；此外，活体检测请求还可以是自动触发的，例如，身份识别设备预先设置:接收到图像信息时，自动触发活体检测请求。客户端接收活体检测请求，客户端获取预设采集装置采集到的图像信息。
步骤s20，对所述图像信息进行预处理，获得待检测的活体特征图像。
客户端对图像信息进行预处理，本实施例中图像信息预处理的方式不作具体限定，客户端可以根据图像信息的种类、颜色、大小确定设置预处理步骤，例如，客户端图像进行灰度处理或者二值化处理，客户端获取图像信息预处理之后得到的待检测的活体特征图像。
步骤s30，调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息，其中，所述联邦活体检测模型为基于协调端发送的联合梯度对本地的初始活体检测模型迭代训练获得，所述联合梯度是协调端基于多方节点的模型梯度处理生成。
具体地，包括：
调用联邦活体检测模型对所述活体特征图像进行识别，获得活体特征向量，将所述活体特征向量与预设特征向量进行比对；
获取与所述活体特征向量匹配的目标特征向量，获取所述目标特征向量关联的活体身份信息，将所述活体身份信息作为所述活体特征图像对应的活体身份信息。
即，客户端调用联邦活体检测模型对活体特征图像进行识别，获得活体特征向量，客户端将活体特征向量与预设特征向量(预设特征向量是指预先进行身份标识的特征向量)进行比对；获取与所述活体特征向量匹配的目标特征向量，获取所述目标特征向量关联的活体身份信息，将所述活体身份信息作为所述活体特征图像对应的活体身份信息。此外，若不存在与活体特征向量相匹配的目标特征向量，则输出提示信息。
本发明实施例中基于联邦活体检测模型的身份识别方法，通过联盟链中各个节点联合训练的方式，使得多方能够在不泄露自己数据隐私的情况下活体检测模型充分学习，提高了活体检测模型识别的准确率和泛化能力。
进一步地，基于本发明基于联邦活体检测模型的身份识别方法第一实施例，提出本发明基于联邦活体检测模型的身份识别方法第二实施例。
本实施例是第一实施例中步骤s01的细化步骤，本实施例与上述实施例的区别在于：
在接收到活体检测模型训练指令时，输出配置页面，其中，所述配置页面用于配置活体检测模型的模型种类，所述模型种类包括防翻拍检测模型、红外检测模型、动作检测模型、闪光活体检测模型和3d活体检测模型；
若本地存储中不存在所述模型种类对应的初始活体检测模型，则发送模型获取指令至协调端，以使协调端反馈所述模型种类对应的初始活体检测模型；
接收协调端发生的初始活体检测模型，获取本地存储中所述模型种类对应的图像信息，标记所述图像信息形成训练样本集。
客户端在接收到活体检测模型训练指令时，客户端输出配置页面，其中，配置页面用于配置模型种类，模型种类包括防翻拍检测模型、红外检测模型、动作检测模型、闪光活体检测模型和3d活体检测模型；用户在配置页码中输入模型种类，客户端判断本地存储中不存在模型种类对应的初始活体检测模型，若本地存储中存在所述模型种类对应的初始活体检测模型，客户端获取本地存储中所述模型种类对应的图像信息，标记所述图像信息形成训练样本集。若客户端本地存储中不存在模型种类对应的初始活体检测模型，客户端则发送模型获取指令至协调端，以使协调端反馈所述模型种类对应的初始活体检测模型；客户端接收协调端发生的初始活体检测模型，获取本地存储中所述模型种类对应的图像信息，标记所述图像信息形成训练样本集。
本实施例中客户端中没有初始的活体检测模型，协调端将初始的活体检测模型发送至客户端，以使各个客户端利用本地的训练样本，各自进行训练，有效地防止用户信息的泄漏，保证了数据安全性。
进一步地，基于本发明基于联邦活体检测模型的身份识别方法上述实施例，提出本发明基于联邦活体检测模型的身份识别方法第三实施例。
本实施例是第一实施例中步骤s30之后的步骤，本实施例与上述实施例的区别在于：
在所述活体身份信息识别错误时，输出标注提示，提示用户对所述图像信息进行标注；
将标注之后的图像信息作为训练样本，根据所述训练样本训练所述联邦活体检测模型获得模型梯度，并将所述模型梯度发送至协调端，以使所述协调端基于多方节点的模型梯度处理，获得联合梯度；
接收所述协调端发送的联合梯度，根据所述联合梯度更新所述联邦活体检测模型。
本实施例中，在活体身份信息识别错误时，客户端输出标注提示，提示用户对图像信息进行标注(用户标记为活体数据和非活体数据)；客户端将标注之后的图像信息作为训练样本，客户端根据训练样本训练联邦活体检测模型获得模型梯度，客户端将模型梯度发送至协调端，以使协调端基于多方节点的模型梯度，处理生成联合梯度；客户端接收协调端发送的联合梯度，客户端根据联合梯度更新联邦活体检测模型。
本实施例中客户端通过活体检测模型进行活体识别，出现识别错误时，对联邦活体检测模型进行二次训练，提高了活体检测模型的训练准确性。
参照图5，本发明还提供一种基于联邦活体检测模型的身份识别装置，所述基于联邦活体检测模型的身份识别装置包括：
信息获取模块10，用于在接收到活体检测请求时，获取预设采集装置采集到的图像信息；
处理获取模块20，用于对所述图像信息进行预处理，获得待检测的活体特征图像；
调用识别模块30，用于调用联邦活体检测模型对所述活体特征图像进行识别，获得所述活体特征图像对应的活体身份信息，其中，所述联邦活体检测模型为基于协调端发送的联合梯度对本地的初始活体检测模型迭代训练获得，所述联合梯度是协调端基于多方节点的模型梯度处理生成。
在一实施例中，所述基于联邦活体检测模型的身份识别装置，包括：
获取标记模块，用于获取初始活体检测模型，将本地存储中的图像信息进行标记形成训练样本集；
样本抽取模块，用于从所述训练样本集中抽取训练样本组，通过所述训练样本组训练所述初始活体检测模型，获得训练后的活体检测模型和活体特征向量；
处理发送模块，用于通过预设损失函数处理所述活体特征向量，获得损失值，并将所述损失值发送至协调端，以使所述协调端分析所述损失值确定训练后的活体检测模型是否收敛；
接收训练模块，用于在接收到所述协调端发送的模型收敛提示时，将训练得到的活体检测模型作为联邦活体检测模型。
在一实施例中，所述获取标记模块，包括：
接收输出单元，用于在接收到活体检测模型训练指令时，输出配置页面，其中，所述配置页面用于配置活体检测模型的模型种类，所述模型种类包括防翻拍检测模型、红外检测模型、动作检测模型、闪光活体检测模型和3d活体检测模型；
指令发送单元，用于若本地存储中不存在所述模型种类对应的初始活体检测模型，则发送模型获取指令至协调端，以使协调端反馈所述模型种类对应的初始活体检测模型；
接收标记单元，用于接收协调端发生的初始活体检测模型，获取本地存储中所述模型种类对应的图像信息，标记所述图像信息形成训练样本集。
在一实施例中，所述样本抽取模块，包括：
样本抽取单元，用于从所述训练样本集中随机抽取一个训练样本作为锚点示例，根据所述锚点示例关联的标记信息选择正例示例和负例示例，将所述锚点示例、所述正例示例和所述负例示例作为一个训练样本组；
模型训练单元，用于通过所述训练样本组训练所述初始活体检测模型，获得模型梯度，并将所述模型梯度发送至协调端，以使所述协调端基于多方节点的模型梯度处理，获得联合梯度；
接收更新单元，用于接收所述协调端发送的联合梯度，根据所述联合梯度更新所述初始活体检测模型，得到训练后的活体检测模型和活体特征向量。
在一实施例中，所述处理发送模块，包括：
提取处理单元，用于提取所述锚点示例对应的锚点特征向量，提取所述正例示例对应的正例特征向量，提取所述负例示例对应的负例特征向量；
距离计算单元，用于计算所述锚点特征向量与所述正例特征向量之间的第一欧式距离，所述锚点特征向量与所述负例特征向量之间的第二欧式距离；
输入获取单元，用于将所述第一欧式距离与所述第二欧式距离输入至预设损失函数，获得损失值，将所述损失值发送至协调端，以通过所述协调端分析所述损失值确定训练后的活体检测模型是否收敛。
在一实施例中，所述调用识别模块，包括：
模型调用单元，用于调用联邦活体检测模型对所述活体特征图像进行识别，获得活体特征向量，将所述活体特征向量与预设特征向量进行比对；
匹配识别单元，用于获取与所述活体特征向量匹配的目标特征向量，获取所述目标特征向量关联的活体身份信息，将所述活体身份信息作为所述活体特征图像对应的活体身份信息。
在一实施例中，所述的基于联邦活体检测模型的身份识别装置，包括：
输出标记模块，用于在所述活体身份信息识别错误时，输出标注提示，提示用户对所述图像信息进行标注；
训练发送模块，用于将标注之后的图像信息作为训练样本，根据所述训练样本训练所述联邦活体检测模型获得模型梯度，并将所述模型梯度发送至协调端，以使所述协调端基于多方节点的模型梯度处理，获得联合梯度；
接收更新模块，用于接收所述协调端发送的联合梯度，根据所述联合梯度更新所述联邦活体检测模型。
其中，在所述处基于联邦活体检测模型的身份识别装置被执行时所实现的方法可参照本发明基于联邦活体检测模型的身份识别方法各个实施例，此处不再赘述。
本发明实施例中，基于联邦活体检测模型的身份识别装置通过联盟链中各个节点共享特征向量，联合训练的方式，使得多方能够在不泄露自己数据隐私的情况下活体检测模型充分学习，提高了活体检测模型识别的准确率。在银行机构等金融机构内采用上述基于联邦活体检测模型的身份识别方式，进行活体检测模型训练，通过训练的活体检测模型进行活体识别，提高了活体识别的准确率。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有基于联邦活体检测模型的身份识别对应的计算机程序，所述基于联邦活体检测模型的身份识别对应的计算机程序被处理器执行时实现如上所述的基于联邦活体检测模型的身份识别方法的步骤。
其中，在所述处理器上运行的基于联邦活体检测模型的身份识别对应的计算机程序被执行时所实现的方法可参照本发明基于联邦活体检测模型的身份识别方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，协调端，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！