[发明专利]身份验证方法、装置及设备

说明书

本申请公开了一种身份验证方法、装置及设备，属于人机交互领域。所述方法包括：采集用户的原始特征；调用身份验证模型提取原始特征中的主属性特征向量，主属性特征向量是将原始特征中的m‑1种域差异特征进行选择性解耦的无偏特征表示，m为大于2的整数；根据主属性特征向量进行无偏身份验证得到身份验证结果；根据身份验证结果进行目标操作。本申请能够尽可能地消除了多种域差异特征对身份验证过程的影响，即便原始特征中存在域差异特征，也能够准确地实现身份验证。

技术领域

本申请涉及人工智能领域，特别涉及一种身份验证方法、装置及设备。

背景技术

身份验证技术是指通过计算机系统中的一定手段，对用户身份进行确认的技术。常见的身份验证技术包括：人脸识别、指纹识别、终端姿态识别等等。

以人脸识别为例，服务器中设置有神经网络模型。当采集到待验证用户的人脸图像后，调用神经网络模型对人脸图像进行验证；当验证成功时，确定出待验证用户的身份；当验证失败时，反馈错误通知。其中，神经网络模型是预先通过训练集训练得到的。

但上述神经网络模型可能会误学习出有偏预测。比如，当用户开始蓄胡子、戴眼镜或因季节改变穿衣时，该神经网络模型的验证就可能失败。

发明内容

本申请实施例提供了一种身份验证方法、装置及设备，可以解决相关技术中的神经网络模型可能会误学习出有偏预测的问题。所述技术方案如下：

根据本申请的一个方面，提供了一种身份验证方法，所述方法包括：

采集用户的原始特征，所述原始特征中存在m-1种域差异特征，m为大于2的整数；

提取所述原始特征中的主属性特征向量；所述主属性特征向量是将所述原始特征中的m-1种域差异特征进行选择性解耦的无偏特征表示，m为大于2的整数；

根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果；

根据所述身份验证结果进行目标操作。

在一个可能的设计中，调用身份验证模型对所述原始特征进行特征提取，得到所述原始特征中的主属性特征向量；其中，所述身份验证模型包括：

第一对抗生成网络；或，所述第一对抗生成网络和第二对抗生成网络；

其中，所述第一对抗生成网络是基于因果关系对所述m-1种域差异特征进行选择性解耦所训练得到的网络，所述第二对抗生成网络是对所述第一对抗生成网络提取到的不同属性的属性特征向量进行随机组合后进行加性对抗训练得到的网络，所述属性包括身份和所述m-1种域差异。

根据本申请的一个方面，提供了一种第一对抗生成网络的训练方法，所述第一对抗生成网络包括m个生成器G₁至G_m，每个所述生成器G_j对应m个判别器G_j1至G_jm，第j个生成器G_j用于学习第j个属性的特征，所述属性包括身份和m-1种域差异，i，j，j’∈[m]，所述方法包括：

固定所有生成器G_i，优化所有判别器D_ij来使得输出逼近与所述第j个属性对应的标签y_i；

固定所有判别器D_ij，优化所有生成器G_i来使得输出逼近与所述第j个属性对应的（1-y_i）；

其中，若第a个属性和第b个属性存在因果关系，则所述判别器D_ab的输出损失不进行反向传播。