用户身份验证方法、装置、设备、介质和产品与流程

1.本技术涉及生物识别技术领域，特别是涉及一种用户身份验证方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.互联网技术加速了银行支付业务的发展，改变了人们的支付习惯，使用手机线上支付也逐渐成为主流。与此同时，随着科技的发展，通过智能设备、计算机伪装技术的“人群”不断的冲击着支付安全防线。银行线上支付业务迫切需要构建新的安全防线，银行的安全认证正在面临严峻的挑战。
3.目前，常用的安全认证方法为指纹识别，但是，指纹识别具有接触性，每一次使用指纹时都会在指纹采集头上留下用户的指纹印痕，而这些指纹痕迹存在被用来复制指纹的可能性，因此，指纹识别方法存在一定的安全隐患。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高身份识别过程的安全性的用户身份验证方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种用户身份验证方法，所述方法包括：
6.获取待验证用户的实时行走视频；
7.按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；
8.基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；
9.通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。
10.在其中一个实施例中，所述通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证，包括：
11.将所述第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值，所述目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，所述目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度；
12.判断所述目标输出值是否在预设输出范围内，若所述目标输出值在所述预设输出范围内，则确定所述待验证用户通过身份验证。
13.在其中一个实施例中，所述人体关节点坐标数据包括多个坐标轴上的坐标值；所述基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，包括：
14.获取每帧图片中每个坐标轴上的坐标值的最大值和最小值；
15.基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的
归一化数据；
16.基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。
17.在其中一个实施例中，所述基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征，包括：
18.基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；
19.基于所述先后顺序，将所有图片的初始步态生物特征依次相连，得到所述第一目标步态生物特征。
20.在其中一个实施例中，所述人体姿态估计网络包括按顺序依次连接的多个层结构，所述多个层结构中第3个层结构为基础处理层结构，所述基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，所述第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为所述第二relu激活函数层的输入数据。
21.在其中一个实施例中，所述方法还包括：
22.获取目标用户的历史行走视频；
23.基于所述历史行走视频，确定目标用户的第二目标步态生物特征；
24.将所述第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；
25.判断所述目标损失值是否在预设损失范围内，若所述目标损失值在所述预设损失范围内，则确定所述初始长短期记忆模型收敛，并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。
26.第二方面，本技术还提供了一种用户身份验证装置，所述装置包括：
27.获取模块，用于获取待验证用户的实时行走视频；
28.输入模块，用于按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；
29.确定模块，用于基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；
30.身份验证模块，用于通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。
31.第三方面，本技术还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的任意一个实施例中的方法的步骤。
32.第四方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
33.第五方面，本技术还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
34.上述用户身份验证方法、装置、计算机设备、存储介质和计算机程序产品，获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，第一目标步态生物特征表征待验证用户的行走姿态；通过将第一目标步态生物特征输入目标长短期记忆模型，对待验证用户的身份进行验证。本技术提供的方法，利用用户的步态生物特征对用户进行身份验证，不需要用户与设备进行接触，能够提高身份识别过程的安全性。
附图说明
35.图1为一个实施例中用户身份验证方法的流程示意图；
36.图2为一个实施例中身份通过验证的方法的流程示意图；
37.图3为一个实施例中处理神经单元的示意图；
38.图4为一个实施例中基本块的示意图；
39.图5为一个实施例中用户身份验证装置的结构框图；
40.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
41.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
42.在一个实施例中，如图1所示，提供了一种用户身份验证方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
43.s102、获取待验证用户的实时行走视频。
44.其中，终端通过待验证用户的设备摄像头获取待验证用户的实时走路视频。
45.s104、按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据。
46.其中，每输入一帧图片至人体姿态估计网络，人体姿态估计网络都会从图片中获取预设人体关节点的人体关节点坐标数据，预设人体关节点可以包括头、脖子、左肩、右肩、左手肘、右手肘、左腕、右腕、左胯、右胯、左膝盖、右膝盖、左脚踝以及右脚踝，本技术实施例对此不作具体限定。
47.s106、基于先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，第一目标步态生物特征表征待验证用户的行走姿态。
48.其中，步态生物特征包括人的行走姿态中不易被模仿的生物特征，步态生物特征可以包括人的双臂摆动幅度、人的双臂与躯干的夹角、双腿的步幅、双腿之间的夹角以及两肩之间的高度差，本技术实施例对此不作具体限定。
49.具体地，在获取到每张图片的所有人体关节点坐标数据之后，对该图片的每个人
体关节点坐标数据进行归一化处理得到归一化数据，并基于该图片的所有归一化数据得到该图片的初始步态生物特征，将所有图片对应的初始步态生物特征进行综合处理得到待验证用户的第一目标步态生物特征。
50.s108、通过将第一目标步态生物特征输入目标长短期记忆模型，对待验证用户的身份进行验证。
51.其中，长短期记忆模型(long short-term memory，lstm)是一种时间循环网络，该网络在处理具有时间依赖的数据时有很大的优势。
52.目标长短期记忆模型用于确定待验证用户的行走姿态和目标用户的行走姿态间的相似程度，在相似程度达到一定要求时，则说明待验证用户就是目标用户。
53.上述用户身份验证方法中，获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，第一目标步态生物特征表征待验证用户的行走姿态；通过将第一目标步态生物特征输入目标长短期记忆模型，对待验证用户的身份进行验证。本技术提供的方法，利用用户的步态生物特征对用户进行身份验证，不需要用户与设备进行接触，能够提高身份识别过程的安全性。
54.在一些实施例中，如图2所示，通过将第一目标步态生物特征输入目标长短期记忆模型，对待验证用户的身份进行验证，包括：
55.s202、将第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值，目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度。
56.具体地，将目标用户的历史行走视频中的所有图片输入至人体姿态估计网络，得到第二目标步态生物特征，然后利用第二目标步态生物特征训练初始长短期记忆模型，得到目标长短期记忆模型。
57.s204、判断目标输出值是否在预设输出范围内，若目标输出值在预设输出范围内，则确定待验证用户通过身份验证。
58.其中，若目标输出值在预设输出范围内，则说明待验证用户和目标用户为同一个用户，此时可以通过对待验证用户身份的验证。
59.本步骤中，利用长短期记忆模型对待验证用户的身份进行验证，使得验证结果更加准确。
60.在一些实施例中，人体关节点坐标数据包括多个坐标轴上的坐标值；基于先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，包括：获取每帧图片中每个坐标轴上的坐标值的最大值和最小值；基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的归一化数据；基于先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。
61.具体地，先以人体头部关节点为中心，将所有人体关节点坐标数据缩放到预设比例，例如，将所有人体关节点坐标数据缩放到1280*720尺寸的大小维度。然后使用下列公式将缩放后的数据进行归一化处理：
[0062][0063]
式中，xi为坐标值，yi为xi经过归一化后的归一化数据，为某帧图片中xi所在坐标轴上的所有坐标值的最小值，为某帧图片中xi所在坐标轴上的所有坐标值的最大值。
[0064]
本步骤中，通过对人体关节点坐标数据进行归一化处理，能够消除人体在图片中位置的偏差，使数据更具代表性。
[0065]
在一些实施例中，基于先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征，包括：基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；基于先后顺序，将所有图片的初始步态生物特征依次相连，得到第一目标步态生物特征。
[0066]
其中，每帧图片中的初始步态生物特征只能表征该图片中静态的行走姿态，在按照图片的先后顺序，将所有图片的初始步态生物特征依次相连后，得到的第一目标步态生物特征能够表征整个实时行走视频中动态的行走姿态。
[0067]
本步骤中，通过将所有的初始步态生物特征处理为第一目标步态生物特征，使得对于待验证用户的行走姿态的表征更加准确。
[0068]
在一些实施例中，人体姿态估计网络包括按顺序依次连接的多个层结构，多个层结构中第3个层结构为基础处理层结构，基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为第二relu激活函数层的输入数据。
[0069]
其中，第3个层结构的处理神经单元如图3所示，其中，basic block(基本块)中的卷积核为反卷积神经网络算子7
×
7involution(内卷)卷积核，basic block如图4所示。
[0070]
本步骤中，由于内卷卷积核具有空间特异性和通道不变性，采用内卷卷积核作为basic block的卷积核，可以扩大感受野来提高获取人体关节点坐标数据的准确率，并且还可以保证参数量和计算量不会变大。
[0071]
在一些实施例中，该方法还包括：获取目标用户的历史行走视频；基于历史行走视频，确定目标用户的第二目标步态生物特征；将第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；判断目标损失值是否在预设损失范围内，若目标损失值在预设损失范围内，则确定初始长短期记忆模型收敛，并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。
[0072]
本步骤中，若目标损失值不在预设损失范围内，则在调整初始长短期记忆模型的训练方向和训练步长后，重新将第二目标步态生物特征输入初始长短期记忆模型，直至目标损失值在预设损失范围内。
[0073]
本步骤中，通过损失值判断模型是否收敛，使得训练出来的模型更加准确。
[0074]
在一个实施例中，提供了另一种用户身份验证方法，包括以下内容：
[0075]
(1)获取目标用户的历史行走视频，按照历史行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据，基于先后顺序和所有图片的人体关节点坐标数据，确定目标用户的第二目标步态生物特征。
[0076]
具体地，由目标用户输入一段本人的侧面走路视频，对视频进行逐帧分析，从每一帧图片中获取目标用户走路姿态的关节点信息，将关节点信息输入人体姿态估计网络，得到没帧图片对应的步态生物特征。判断视频是否结束，若未结束则获取下一帧图片，重复进行步态特征获取，直至视频结束。将所有图片的步态特征进行综合处理，最终生成目标用户的第二目标步态生物特征。
[0077]
(2)将第二目标步态生物特征输入初始长短期记忆模型，对初始长短期记忆模型进行训练，并通过输出的损失值判断模型是否收敛，在模型收敛时，将收敛的模型确定为目标长短期记忆模型。
[0078]
(3)获取待验证用户的实时行走视频，按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据，基于先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征。
[0079]
其中，人体姿态估计网络为输入通道数为48的hrnet神经网络，现有的方法大多都是提取图像的低分辨率特征，然后从低分辨率恢复高分辨率进行预测，但是在恢复高分辨率表征时，会丢失信息。而hrnet整个过程都保持高分辨率网络，这是它有很高准确率的原因。不同hrnet的准确率如表1所示：
[0080]
表1：
[0081]
方法输入尺寸参数量计算量准确率hrnet-w48269x19263.6m14.6g75.1hrnet-w48384x28863.6m32.9g76.3inhrnet269x19238.2m8.8g74.9inhrnet384x28838.2m19.7g76.1
[0082]
传统的convolution卷积核具有空间不变性和通道特异性，这就限制了卷积核的感受野，很难捕捉到长距离的特征依赖。而involution卷积核则是空间特异性和通道不变性，空间特异性的设计可以扩大感受野来提高准确率，同时通道不变性又保证了参数量和计算量不会变大。因此，对比传统的轻量化方法，使用involution卷积核既能保证准确率，又能降低模型规模。
[0083]
(4)将第一目标步态生物特征输入目标长短期记忆模型，若输出值在预设输出范围内，则说明待验证用户即为目标用户。
[0084]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的
步骤或者阶段的至少一部分轮流或者交替地执行。
[0085]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的用户身份验证方法的用户身份验证装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个用户身份验证装置实施例中的具体限定可以参见上文中对于用户身份验证方法的限定，在此不再赘述。
[0086]
在一个实施例中，如图5所示，提供了一种用户身份验证装置500，包括：获取模块501、输入模块502、确定模块503和身份验证模块504，其中：
[0087]
获取模块501，用于获取待验证用户的实时行走视频。
[0088]
输入模块502，用于按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据。
[0089]
确定模块503，用于基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态。
[0090]
身份验证模块504，用于通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。
[0091]
在一些实施例中，身份验证模块504，还用于：将所述第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值，所述目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，所述目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度；判断所述目标输出值是否在预设输出范围内，若所述目标输出值在所述预设输出范围内，则确定所述待验证用户通过身份验证。
[0092]
在一些实施例中，确定模块503，包括：
[0093]
获取单元，用于获取每帧图片中每个坐标轴上的坐标值的最大值和最小值。
[0094]
计算单元，用于基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的归一化数据。
[0095]
处理单元，用于基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。
[0096]
在一些实施例中，处理化单元，还用于：基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；基于所述先后顺序，将所有图片的初始步态生物特征依次相连，得到所述第一目标步态生物特征。
[0097]
在一些实施例中，用户身份验证装置500，具体用于：人体姿态估计网络包括按顺序依次连接的多个层结构，所述多个层结构中第3个层结构为基础处理层结构，所述基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，所述第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为所述第二relu激活函数层的输入数据。
[0098]
在一些实施例中，用户身份验证装置500，还用于：获取目标用户的历史行走视频；基于所述历史行走视频，确定目标用户的第二目标步态生物特征；将所述第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；判断所述目标损失值是否在预设损失范围内，若所述目标损失值在所述预设损失范围内，则确定所述初始长短期记忆模型收敛，
并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。
[0099]
上述用户身份验证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0100]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户身份验证方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0101]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0102]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。
[0103]
在一个实施例中，处理器执行计算机程序时所实现的通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证，包括：将所述第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值，所述目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，所述目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度；判断所述目标输出值是否在预设输出范围内，若所述目标输出值在所述预设输出范围内，则确定所述待验证用户通过身份验证。
[0104]
在一个实施例中，处理器执行计算机程序时所实现的人体关节点坐标数据包括多个坐标轴上的坐标值；所述基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，包括：获取每帧图片中每个坐标轴上的坐标值的最大值和最小值；基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的归一化数据；基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。
[0105]
在一个实施例中，处理器执行计算机程序时所实现的基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征，包括：基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；基于所述先后顺序，将所有图片的初始步态生物特征依次相连，得到所述第一目标步态生物特征。
[0106]
在一个实施例中，处理器执行计算机程序时所实现的人体姿态估计网络包括按顺序依次连接的多个层结构，所述多个层结构中第3个层结构为基础处理层结构，所述基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，所述第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为所述第二relu激活函数层的输入数据。
[0107]
在一个实施例中，处理器执行计算机程序时所实现的方法还包括：获取目标用户的历史行走视频；基于所述历史行走视频，确定目标用户的第二目标步态生物特征；将所述第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；判断所述目标损失值是否在预设损失范围内，若所述目标损失值在所述预设损失范围内，则确定所述初始长短期记忆模型收敛，并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。
[0108]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。
[0109]
在一个实施例中，计算机程序被处理器执行时所实现的通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证，包括：将所述第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值，所述目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，所述目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度；判断所述目标输出值是否在预设输出范围内，若所述目标输出值在所述预设输出范围内，则确定所述待验证用户通过身份验证。
[0110]
在一个实施例中，计算机程序被处理器执行时所实现的人体关节点坐标数据包括多个坐标轴上的坐标值；所述基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，包括：获取每帧图片中每个坐标轴上的坐标值的最大值和最小值；基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的归一化数据；基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。
[0111]
在一个实施例中，计算机程序被处理器执行时所实现的基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征，包括：基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；基于所述先后顺序，将所有图片的初始步态生物特征依次相连，得到所述第
一目标步态生物特征。
[0112]
在一个实施例中，计算机程序被处理器执行时所实现的人体姿态估计网络包括按顺序依次连接的多个层结构，所述多个层结构中第3个层结构为基础处理层结构，所述基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，所述第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为所述第二relu激活函数层的输入数据。
[0113]
在一个实施例中，计算机程序被处理器执行时所实现的方法还包括：获取目标用户的历史行走视频；基于所述历史行走视频，确定目标用户的第二目标步态生物特征；将所述第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；判断所述目标损失值是否在预设损失范围内，若所述目标损失值在所述预设损失范围内，则确定所述初始长短期记忆模型收敛，并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。
[0114]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。
[0115]
在一个实施例中，计算机程序被处理器执行时所实现的通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证，包括：将所述第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值，所述目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，所述目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度；判断所述目标输出值是否在预设输出范围内，若所述目标输出值在所述预设输出范围内，则确定所述待验证用户通过身份验证。
[0116]
在一个实施例中，计算机程序被处理器执行时所实现的人体关节点坐标数据包括多个坐标轴上的坐标值；所述基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，包括：获取每帧图片中每个坐标轴上的坐标值的最大值和最小值；基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的归一化数据；基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。
[0117]
在一个实施例中，计算机程序被处理器执行时所实现的基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征，包括：基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；基于所述先后顺序，将所有图片的初始步态生物特征依次相连，得到所述第一目标步态生物特征。
[0118]
在一个实施例中，计算机程序被处理器执行时所实现的人体姿态估计网络包括按顺序依次连接的多个层结构，所述多个层结构中第3个层结构为基础处理层结构，所述基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活
函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，所述第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为所述第二relu激活函数层的输入数据。
[0119]
在一个实施例中，计算机程序被处理器执行时所实现的方法还包括：获取目标用户的历史行走视频；基于所述历史行走视频，确定目标用户的第二目标步态生物特征；将所述第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；判断所述目标损失值是否在预设损失范围内，若所述目标损失值在所述预设损失范围内，则确定所述初始长短期记忆模型收敛，并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。
[0120]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0121]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0122]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0123]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种用户身份验证方法，其特征在于，所述方法包括：获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。2.根据权利要求1所述的方法，其特征在于，所述通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证，包括：将所述第一目标步态生物特征输入目标长短期记忆模型，得到目标输出值
，
所述目标长短期记忆模型是根据目标用户的第二目标步态生物特征训练得到的，所述目标输出值表征待验证用户的行走姿态和目标用户的行走姿态间的相似程度；判断所述目标输出值是否在预设输出范围内，若所述目标输出值在所述预设输出范围内，则确定所述待验证用户通过身份验证。3.根据权利要求1所述的方法，其特征在于，所述人体关节点坐标数据包括多个坐标轴上的坐标值；所述基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，包括：获取每帧图片中每个坐标轴上的坐标值的最大值和最小值；基于每个坐标轴对应的最大值和最小值，计算每个坐标轴上的每个坐标值对应的归一化数据；基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征。4.根据权利要求3所述的方法，其特征在于，所述基于所述先后顺序，对所有图片各自每个坐标轴相应的所有归一化数据进行处理，获得待验证用户的第一目标步态生物特征，包括：基于每帧图片的每个坐标轴相应的所有归一化数据，确定每帧图片的初始步态生物特征；基于所述先后顺序，将所有图片的初始步态生物特征依次相连，得到所述第一目标步态生物特征。5.根据权利要求1所述的方法，其特征在于，所述人体姿态估计网络包括按顺序依次连接的多个层结构，所述多个层结构中第3个层结构为基础处理层结构，所述基础处理层结构包括依次连接的7*7的第一反卷积神经网络层、第一批归一化层、第一relu激活函数层、7*7的第二反卷积神经网络层、第二批归一化层和第二relu激活函数层；其中，所述第一反卷积神经网络层的输入数据与第二批归一化层的输出数据之间作线性相加，相应的线性相加结果作为所述第二relu激活函数层的输入数据。6.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取目标用户的历史行走视频；基于所述历史行走视频，确定目标用户的第二目标步态生物特征；
将所述第二目标步态生物特征输入初始长短期记忆模型，得到目标损失值；判断所述目标损失值是否在预设损失范围内，若所述目标损失值在所述预设损失范围内，则确定所述初始长短期记忆模型收敛，并将收敛后的初始长短期记忆模型确定为目标长短期记忆模型。7.一种用户身份验证装置，其特征在于，所述装置包括：获取模块，用于获取待验证用户的实时行走视频；输入模块，用于按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；确定模块，用于基于所述先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，所述第一目标步态生物特征表征所述待验证用户的行走姿态；身份验证模块，用于通过将所述第一目标步态生物特征输入目标长短期记忆模型，对所述待验证用户的身份进行验证。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种用户身份验证方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取待验证用户的实时行走视频；按照实时行走视频中每帧图片的先后顺序，将所有图片依次输入至人体姿态估计网络，得到每帧图片中的每个人体关节点的人体关节点坐标数据；基于先后顺序和所有图片的人体关节点坐标数据，确定待验证用户的第一目标步态生物特征，第一目标步态生物特征表征待验证用户的行走姿态；通过将第一目标步态生物特征输入目标长短期记忆模型，对待验证用户的身份进行验证。本申请提供的方法，利用用户的步态生物特征对用户进行身份验证，不需要用户与设备进行接触，能够提高身份识别过程的安全性。能够提高身份识别过程的安全性。能够提高身份识别过程的安全性。


技术研发人员：姜康 朱李悦
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.08
技术公布日：2023/10/8