身份检测方法、设备和可读介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种身份检测方法、一种检测方法、一种终端设备和一种机器可读介质。


背景技术：

2.随着深度学习技术的发展，人工智能(artificial intelligence，ai)图像识别取得了巨大的进步，人工智能的图像识别能力已经超出了人类。不仅如此，人工智能还在围棋、自动驾驶、计算机辅助诊断等多个领域发挥了巨大的作用，推动了社会的进步。
3.目前可通过图像进行对象的身份识别，然而识别往往不够准确，精度较差。


技术实现要素：

4.本技术实施例提供了一种身份检测方法，以准确识别不同的对象。
5.相应的，本技术实施例还提供了一种检测方法、一种电子设备和一种机器可读介质，用以保证上述方法的实现及应用。
6.为了解决上述问题，本技术实施例公开了一种身份检测方法，包括：
7.提供检测页面，所述检测页面包括上传控件；
8.响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像；
9.将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：多级特征向量；
10.采用所述特征向量与基准特征向量进行比对，确定检测结果，所述检测结果包括：检测目标对象成功或检测目标对象失败；
11.在所述检测页面中显示所述检测结果。
12.可选的，所述将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，包括：
13.将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量；
14.从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。
15.可选的，所述采用所述特征向量与基准特征向量进行比对，确定检测结果，包括：
16.将全身特征向量和全身基准特征向量进行比对，确定第一比对结果；
17.在判断所述第一比对结果不满足第一条件的情况下，确定检测结果为检测目标对象失败；
18.在判断所述第一比对结果满足第一条件的情况下，采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果；
19.在判断所述第二比对结果不满足第二条件的情况下，确定检测结果为检测目标对象失败；
20.在判断所述第二比对结果满足第二条件的情况下，确定检测结果为检测目标对象
成功，所述目标对象为基准特征向量对应的对象。
21.可选的，所述将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，还包括：
22.在判断所述第二比对结果满足第二条件的情况下，从所述至少一张图像中截取关键特征图像；
23.将所述关键特征图像输入到第三检测模型中，得到关键特征向量，所述关键特征依据对象的种类确定。
24.可选的，所述采用所述特征向量与基准特征向量进行比对，确定检测结果，包括：
25.将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果；
26.在判断所述第三比对结果不满足第三条件的情况下，确定检测结果为检测目标对象失败；
27.在判断所述第三比对结果满足第三条件的情况下，确定检测结果为检测目标对象成功，所述目标对象为基准特征向量对应的对象。
28.可选的，还包括：响应于对所述检测页面中识别控件的触发，获取目标对象的目标信息，以依据所述目标信息确定目标对象的基准特征向量。
29.可选的，还包括：在所述检测页面中显示目标对象的目标图像和待检测对象的检测图像；在所述目标图像和检测图像中分别标记出比对位置。
30.本技术实施例还公开了一种检测方法，所述方法包括：
31.提供检测页面，所述检测页面包括上传控件；
32.响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像；
33.上传所述至少一张检测图像到服务端，以便在所述服务端依据检测模型确定待检测对象的特征向量，并与基准特征向量进行比对，确定检测结果；
34.接收检测结果，并在所述检测页面中显示所述检测结果。
35.本技术实施例还公开了一种检测方法，所述方法包括：
36.接收待检测对象的至少一张检测图像，并确定目标对象；
37.将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：全身特征向量和面部特征向量；
38.采用所述特征向量与基准特征向量进行比对，确定检测结果，所述检测结果包括相同或不同；
39.发送所述检测结果。
40.本技术实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本技术实施例所述的方法。
41.本技术实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本技术实施例所述的方法。
42.与现有技术相比，本技术实施例包括以下优点：
43.在本技术实施例中，可提供检测页面，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像，从而能够上传图像来便捷的检测对象，可将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：多级特征向量，通过多
级特征向量进行级联特征检测，采用所述特征向量与基准特征向量进行比对，确定检测结果，然后在检测页面中显示检测结果，从而能够通过多级特征快速的检索对象，进行识别，提高处理效率。
附图说明
44.图1是本技术实施例的一种身份检测方法实施例的步骤流程图；
45.图2a是本技术实施例的一种检测页面示例的示意图；
46.图2b是本技术实施例的另一种身份检测方法的步骤流程图；
47.图3a是本技术实施例的另一种检测页面示例的示意图；
48.图3b是本技术的另一种身份检测方法实施例的步骤流程图；
49.图4a是本技术实施例的再一种检测页面示例的示意图；
50.图4b是本技术的再一种身份检测方法实施例的步骤流程图；
51.图5是本技术实施例的一种检测交互示例的示意图；
52.图6是本技术一实施例提供的装置的结构示意图。
具体实施方式
53.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
54.本技术实施例可应用于对象的身份检测场景中，例如动物检测、人员检测、手工制品检测等场景中。其中，可通过级联特征(cascaded feature)检测，实现多种特征的级联检测，检测相应的对象。所述级联特征检测，即组合多种特征按一定规则进行串行分析，确定对象是否是同一对象。可训练多个检测模型，不同的检测检测模型对待检测对象的检测图像进行检测，确定相应的特征向量。不同模型检测出的特征为级联特征，如依次为全身、面部等特征，从而逐级检测特征，提高检测的准确性。
55.本技术实施例的检测模型为特征检测模型，其可为各种神经网络、机器学习模型，例如采用残差网络(residual network，resnet)模型，如resnet18，resnet50等，或者可采用其他分类模型、特征提取模型，本技术实施例对此不做限定。其中，在级联特征检测场景下，可训练多个检测模型，不同的检测模型可检测不同的对象特征。从而通过多种特征进行级联特征检测，提高检测的准确性。在模型训练的过程中，可针对不同特征设置训练集，训练集中的训练样本与所需检测的特征相关。特征可基于所识别的对象确定，例如对于对象，可包括全身特征、面部特征以及其他关键特征，其他关键特征可基于对象类型确定，比如狗的关键特征为鼻纹，猫的关键特征为花色等。训练模型可包括多个模型，如包括第一训练模型、第二训练模型、第三训练模型等，具体可依据所需的特征确定。其中，不同的训练模型可为相同的模型训练得到，也可采用不同的模型训练得到。
56.在完成模型训练后可基于多种模型进行级联特征检测，其可应用于针对对象的检索、识别、比对等多种场景中。以下实施例以对象为对象为例进行论述。
57.参照图1，示出了本技术实施例的一种身份检测方法的步骤流程图。
58.步骤102，提供检测页面，所述检测页面包括上传控件。
59.步骤104，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像。
60.检测页面用于进行对象的检测，可提供上传控件，该上传控件用于上传待检测对象的检测图像。相应的，上传控件可包括拍摄控件和获取控件。基于拍摄控件可调用摄像头拍摄待检测对象的检测图像。而获取控件可获取设备本地或网络侧的检测图像，例如调用相册应用的接口获取相册应用中的图像，又如获取该应用本地相册的图像等。
61.针对待检测对象，可通过上传控件获取至少一张检测图像，其中，检测图像的数量可依据所需检测的级联特征确定，则若一张检测图像可提供所需的各种特征，则仅需提供一张图像，又如若一张图像无法提供所需的各种特征，则可针对所需的特征确定相应的图像并上传。例如在动物检测中，级联特征依次为全身、面部、鼻纹(身体花纹)等，则可提供全身图像和面部图像，鼻纹可从面部图像中获取，也可单独提供鼻纹图像等。
62.本技术实施例中，检测页面可提供针对对象的检索、识别、比对等多种功能。在检索功能下，仅需提供待检测对象的至少一张检测图像。而在识别、比对功能下，还需提供目标对象的目标信息，如名称、标识、图像等。相应在检测页面中可包括识别控件，该识别控件用于获取所需识别的目标对象的目标信息，如名称、标识等。以动物识别为例，可识别两只动物是否是同一只动物，则目标对象的目标信息包括对象名字、对象标识等，还可动物品种等。在对比的场景下，上传控件还可接收目标对象的目标图像，如目标对象的目标图像。便于判断两个对象是否是同一个对象。
63.步骤106，将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：多级特征向量。
64.步骤108，确定目标对象的基准特征向量，采用所述特征向量与基准特征向量进行比对，确定检测结果，所述检测结果包括：检测目标对象成功或检测目标对象失败。
65.在获取到至少一张检测图像后，可将检测图像输入到对应的检测模型中，获取对应的特征向量。本技术实施例可实现级联特征检测，相应的检测模型的处理也可为逐级检测。例如，将第一检测图像输入到第一检测模型中，得到第一级特征向量，将所述第一级特征向量与存储的第一级特征向量进行比对；若不符合第一条件，则确定未检测到目标对象的检测结果。若符合第一条件，则将第二检测图像输入到第二检测模型中，得到第二级特征向量，将第二级特征向量与存储的第二级特征向量进行比对，判断是否满足第二条件。以此类推，逐级进行检测，若不符合相应提交，则结果为未检测到目标对象，可停止检测，减少资源的浪费。若结果为符合相应条件，可继续进行下一级的检测，通过多级检测，得到检测结果，提高准确性。所述检测结果包括：检测目标对象成功或检测目标对象失败。例如，检测到对象为数据库中某一指定对象，又如检测对象与目标对象匹配等，均可的得到检测目标对象成功的检测结果。又如，未在数据库中检测到对象，又如检测对象与目标对象不匹配等均可的得到检测目标对象失败的检测结果。
66.本技术实施例中，对于对象而言，级联特征依次包括：全身特征、面部特征和关键特征，而关键特征可依据对象确定。在一个可选实施例中，所述将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，包括：将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量；从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。所述采用所述特征向量与基准特征向量进行比对，确定检测结果，包括：将全身特征向量和全身基准特征向量进行比对，确定第一比对结果；在判断所述第一比对结果不满足第一条件的情况下，确定检测结果为检测目标
对象失败即未检测到目标对象；在判断所述第一比对结果满足第一条件的情况下，采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果；在判断所述第二比对结果不满足第二条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象；在判断所述第二比对结果满足第二条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。所述将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，还包括：在判断所述第二比对结果满足第二条件的情况下，从所述至少一张图像中截取关键特征图像；将所述关键特征图像输入到第三检测模型中，得到关键特征向量，所述关键特征依据对象的种类确定。所述采用所述特征向量与基准特征向量进行比对，确定检测结果，包括：将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果；在判断所述第三比对结果不满足第三条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象；在判断所述第三比对结果满足第三条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。
67.其中，特征的比对可为多种方式，例如确定两个特征向量的距离，又如确定两个特征向量的相似度。相应的比对条件也可为多种，如距离小于距离阈值，又如相似度大于相似度阈值等，具体可依据需求确定。
68.其中，在进行级联检测时，可基于上一级比对结果，确定是否执行下一级检测。因此，在一个可选实施例中，将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量；将全身特征向量和全身基准特征向量进行比对，确定第一比对结果。在判断所述第一比对结果不满足第一条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象；在判断所述第一比对结果满足第一条件的情况下，从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果；在判断所述第二比对结果不满足第二条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象；在判断所述第二比对结果满足第二条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。
69.以对象为例，可以将全身特征作为第一级特征，因此可将全身图像输入到第一检测模型中，通过该第一检测模型可提取出待检测对象的全身特征向量。然后将该全身特征向量与全身基准特征向量进行比对，其中，在不确定目标对象的情况下，全身基准特征可为数据库中存储的各全身基准特征。
70.为了加快检索的进度，还可建立基准特征的编码本，建立特征向量库。其中，可预先对已知对象进行级联特征检测，将检测图像输入到多个检测模型中，依次检测相应的特征向量，然后可针对每一级特征建立编码本，该编码本可基于特征向量建立，如基于特征向量的内容等，然后基于编码本创建特征向量库。后续可从特征向量库中检索相应的特征向量并进行比对。
71.基于全身特征向量与全身基准特征向量进行比对，可得到相应的第一比对结果。如两个向量之间的距离、相似度等作为比对结果。然后与相应的阈值进行比较来确定是否满足相应的条件。或者将与阈值进行比较的结果作为比对结果等。在判断所述第一比对结果不满足第一条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象。在判断所述第一比对结果满足第一条件的情况下，确定可能检测到目标对象，而是否确实检
测到目标对象，还需要进行下一级判断。其中，在检索的场景下，可能检测到一个或多个目标对象，此后可在这一个或多个目标对象的下一级基准特征向量中进行比较，从而能够缩小比对的范围。可以从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量，然后采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果，在判断所述第二比对结果不满足第二条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象；在判断所述第二比对结果满足第二条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。为了更准确的判断，在第二级检测、比对后，还可执行第三级检测，从所述至少一张图像中截取关键特征图像；将所述关键特征图像输入到第三检测模型中，得到关键特征向量，所述关键特征依据对象的种类确定。将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果；在判断所述第三比对结果不满足第三条件的情况下，确定检测结果为检测目标对象失败即未检测到目标对象；在判断所述第三比对结果满足第三条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。以上以三级特征为例，实际处理中还可依据需求设置第四级、第五级等多级检、比对，本技术实施例对此不做限制。
72.通过级联特征比对，确定相应的检测结果，如未检测到目标对象，检测到目标对象等。针对检测到目标对象的情况，还可获取目标对象的目标信息，如对象名字、对象标识、对象品种等基本信息、图像等各种信息，添加到检测结果中。
73.步骤110，在所述检测页面中显示所述检测结果。
74.可以在检测页面中显示检测结果。在另外一些实施例中，在检测时还可基于特征定位到在图像中的位置，并在图像中进行标记。然后可所述检测页面中显示目标对象的目标图像和待检测对象的检测图像；在所述目标图像和检测图像中分别标记出比对位置。从而显示出两个对象为同一对象或不同对象的原因。例如可基于关键特征进行定位和标记，从而能够获知得到相应检测结果的原因。
75.综上，可提供检测页面，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像，从而能够上传图像来便捷的检测对象，可将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：多级特征向量，通过多级特征向量进行级联特征检测，采用所述特征向量与基准特征向量进行比对，确定检测结果，然后在检测页面中显示检测结果，从而能够通过多级特征快速的检索对象，进行识别，提高处理效率。
76.在上述实施例的基础上，本技术实施例还提供了一种对象身份检索系统，提供针对对象的检索服务，可以检测一个对象是否为已登记的已知对象。例如在路上捡到走失的对象后，可拍摄该对象的图像，然后在对象身份检索系统的检索页面上传，已确定是否为已登记的已知对象。
77.参照图2a，示出了本技术实施例的一种检测页面示例的示意图。
78.参照图2b，示出了本技术的一种对象检索方法实施例的步骤流程图。
79.步骤202，显示检测页面，所述检测页面包括上传控件。
80.步骤204，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像。
81.对象身份检索系统可提供检索页面，通过手机、平板电脑，笔记本电脑等多种终端均可访问。如图2a示出了一种检索页面的示例。如左侧的检索页面，可提供上传控件，响应
于对所述上传控件的触发，获取待检测对象的至少一张检测图像。
82.步骤206，将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量。
83.第一检测模型可针对全身特征进行检测，例如采用残差网络模型，通过包含全身图像的样本数据训练得到第一检测模型。通过第一检测模型对全身图像进行分析处理，得到相应的全身特征向量。
84.步骤208，将全身特征向量和全身基准特征向量进行比对，确定第一比对结果。
85.在未特定指定某类对象时，可采用该全身特征向量在特征向量库中检索各全身基准特征向量，其中，特征向量库还可包括全身特征的编码本，可基于该编码本快速检索到一个或多个全身基准特征向量进行比对，得到对应的第一比对结果。其中，比对过程中可计算全身特征向量和全身基准特征向量的向量距离，也可计算全身特征向量和全身基准特征向量的相似度等，然后与相应的阈值比较确定第一比对结果。
86.步骤210，判断所述第一比对结果是否满足第一条件。
87.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第一条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第一条件。若是，则执行步骤212；若否，则执行步骤226。
88.步骤212，从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。
89.第二检测模型可针对面部特征进行检测，例如采用残差网络模型，通过包含面部图像的样本数据训练得到第二检测模型。通过第二检测模型对面部图像进行分析处理，得到相应的面部特征向量。其中，在一些示例中，可从全身图像中提取面部图像，而后输入到第二检测模型中检测。在另外一些示例中，还可单独上传面部图像，从而截取面部所在区域的图像，然后检测面部特征向量。
90.步骤214，采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果。
91.在第一级特征进行比对时，可以确定出部分比较相似的目标对象，则后续可获取这些目标对象的面部基准特征向量。比对过程中可计算面部特征向量和面部基准特征向量的向量距离，也可计算面部特征向量和面部基准特征向量的相似度等，然后与相应的阈值比较确定第二比对结果。
92.步骤216，判断所述第二比对结果是否满足第二条件。
93.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第二条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第二条件。若是，则执行步骤218；若否，则执行步骤226。
94.步骤218，从所述至少一张图像中截取关键特征图像，将所述关键特征图像输入到第三检测模型中，得到关键特征向量。
95.第三检测模型可针对关键特征进行检测，所述关键特征依据对象的种类确定。例如对象为狗，狗的关键特征为鼻纹，对于猫而言，其鼻部由于占比较小且纹路不够明显，所以鼻纹作为判别依据的重要性有所下降，因此可猫身上的毛色花纹作为关键特征。又如对于豹子，也可采用特定花纹组合作为关键特征。
96.在全身特征和面部特征均检测比较相似的基础上，可进一步对关键特征进行检测、比对。因此可提取关键特征图像，如从全身图像中提取毛色花纹的图像，又如从面部图像中截取鼻纹图像，或者也可直接获取关键特征图像等。通过第三检测模型的处理得到关键特征向量。
97.步骤220，将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果。
98.通过面部特征比可进一步缩小比较相似的目标对象的范围，则后续可获取这些面部特征仍然匹配的目标对象的关键基准特征向量。比对过程中可计算关键特征向量和关键基准特征向量的向量距离，也可计算关键特征向量和关键基准特征向量的相似度等，然后与相应的阈值比较确定第三比对结果。
99.步骤222，判断所述第三比对结果是否满足第三条件。
100.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第三条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第三条件。若是，则执行步骤224；若否，则执行步骤226。
101.步骤224，确定检测结果为检测目标对象成功，所述目标对象为基准特征向量对应的对象。
102.其中，如果第三比对结果满足第三条件的对象为多个，可筛选向量距离最小或相似度最大的对象为目标对象，从而反馈该目标对象为检测结果。当然，在其他示例中也可均进行反馈，本技术实施例对此不做限制。其中，可获取该目标对象在数据库中存储的对象信息，如目标对象的名称、标识、图像等数据，添加到检测结果中。
103.步骤226，确定检测结果为检测目标对象失败，即未检测到目标对象。
104.在任一级确定未检测到目标对象后，可以不执行下一级特征的提取和比对，从而能够节省资源。
105.步骤228，在所述检测页面中显示所述检测结果。
106.可在所述检测页面中显示所述检测结果。如图2a的示例中，检测结果显示如右侧的页面示例所示。可以显示该目标对象的目标信息，如名称等，还可显示该目标对象的图像。检测页面还可提供通知控件，如图2a中“通知主人”控件，从而在动物走失、物品遗失的情况下，能够快速联系主人。以上通知控件也可在用户对动物进行走失申报、物品遗失申报等基础上再提供，具体依据需求确定。
107.在上述实施例的基础上，本技术实施例还提供了一种对象身份检索系统，提供针对对象的识别服务，可以检测一个对象是否为特定的已知对象。从而针对系统中某一指定对象进行比对，确定是否为同一对象。
108.参照图3a，示出了本技术实施例的一种检测页面示例的示意图。
109.参照图3b，示出了本技术的一种对象识别方法实施例的步骤流程图。
110.步骤302，显示检测页面，所述检测页面包括上传控件。
111.步骤304，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像。
112.对象身份检索系统可提供检索页面，通过手机、平板电脑，笔记本电脑等多种终端均可访问。如图3a示出了一种检索页面的示例。如左侧的检索页面，可提供上传控件，响应于对所述上传控件的触发，获取待检测对象的至少一张检测图像。
113.步骤306，响应于对所述检测页面中识别控件的触发，获取目标对象的目标信息。
114.针对系统中指定对象进行识别时，还可通过识别控件提供指定的目标对象的目标信息。如对象名称、对象标识、对象品种等。其中，对象标识为该对象在系统中的唯一标识，通过对象标识可唯一对应到一个对象。在一些对象走失，对象主人确定的场景中可以便捷的而确定是否为一个指定的对象。因此，如果有一个以上指定的对象，也可通过识别控件上传，从而在至少一个指定的目标对象中检索。
115.步骤308，依据所述目标信息确定目标对象的基准特征向量，所述基准特征向量包括：全身基准特征向量、面部基准特征向量和关键基准特征向量。
116.基于目标信息确定对象标识，然后可在系统中确定出目标对象的基准特征向量，所述基准特征向量包括：全身基准特征向量、面部基准特征向量和关键基准特征向量。
117.步骤310，将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量。
118.第一检测模型可针对全身特征进行检测，例如采用残差网络模型，通过包含全身图像的样本数据训练得到第一检测模型。通过第一检测模型对全身图像进行分析处理，得到相应的全身特征向量。
119.步骤312，将全身特征向量和全身基准特征向量进行比对，确定第一比对结果。
120.比对过程中可计算全身特征向量和全身基准特征向量的向量距离，也可计算全身特征向量和全身基准特征向量的相似度等，然后与相应的阈值比较确定第一比对结果。
121.步骤314，判断所述第一比对结果是否满足第一条件。
122.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第一条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第一条件。若是，则执行步骤316；若否，则执行步骤330。
123.步骤316，从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。
124.第二检测模型可针对面部特征进行检测，例如采用残差网络模型，通过包含面部图像的样本数据训练得到第二检测模型。通过第二检测模型对面部图像进行分析处理，得到相应的面部特征向量。其中，在一些示例中，可从全身图像中提取面部图像，而后输入到第二检测模型中检测。在另外一些示例中，还可单独上传面部图像，从而截取面部所在区域的图像，然后检测面部特征向量。
125.步骤318，采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果。
126.在第一级特征进行比对时，可以确定出部分比较相似的目标对象，则后续可获取这些目标对象的面部基准特征向量。比对过程中可计算面部特征向量和面部基准特征向量的向量距离，也可计算面部特征向量和面部基准特征向量的相似度等，然后与相应的阈值比较确定第二比对结果。
127.步骤320，判断所述第二比对结果是否满足第二条件。
128.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第二条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第二条件。若是，则执行步骤322；若否，则执行步骤330。
129.步骤322，从所述至少一张图像中截取关键特征图像，将所述关键特征图像输入到第三检测模型中，得到关键特征向量。所述关键特征依据对象的种类确定。
130.第三检测模型可针对关键特征进行检测，所述关键特征依据对象的种类确定。例如狗的关键特征为鼻纹，对于猫而言，其鼻部由于占比较小且纹路不够明显，所以鼻纹作为判别依据的重要性有所下降，因此可猫身上的毛色花纹作为关键特征。又如对于豹子，也可采用特定花纹组合作为关键特征。
131.在全身特征和面部特征均检测比较相似的基础上，可进一步对关键特征进行检测、比对。因此可提取关键特征图像，如从全身图像中提取毛色花纹的图像，又如从面部图像中截取鼻纹图像，或者也可直接获取关键特征图像等。通过第三检测模型的处理得到关键特征向量。
132.步骤324，将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果。
133.通过面部特征比可进一步缩小比较相似的目标对象的范围，则后续可获取这些面部特征仍然匹配的目标对象的关键基准特征向量。比对过程中可计算关键特征向量和关键基准特征向量的向量距离，也可计算关键特征向量和关键基准特征向量的相似度等，然后与相应的阈值比较确定第三比对结果。
134.步骤326，判断所述第三比对结果是否满足第三条件。
135.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第三条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第三条件。若是，则执行步骤328；若否，则执行步骤330。
136.步骤328，确定检测结果为检测目标对象成功，所述目标对象为基准特征向量对应的对象。其中，可获取该目标对象在数据库中存储的对象信息，如目标对象的名称、标识、图像等数据，添加到检测结果中。
137.步骤330，确定检测结果为检测目标对象失败，即未检测到目标对象。
138.在任一级确定未检测到目标对象后，可以不执行下一级特征的提取和比对，从而能够节省资源。
139.步骤332，在所述检测页面中显示所述检测结果。
140.可在所述检测页面中显示所述检测结果。如图3a的示例中，检测结果显示如右侧的页面示例所示。可以显示比对成功。如果是多个目标对象中确定，则可显示其确定的目标对象的目标信息，如名称等，还可显示该目标对象的图像。检测页面还可提供通知控件，如图3a中“通知主人”控件，从而在对象走失的情况下，能够快速联系主人。以上通知控件也可在用户对对象进行走失申报的基础上再提供，具体依据需求确定。
141.在上述实施例的基础上，本技术实施例还提供了一种对象身份检索系统，提供针对对象的比对服务，可以检测一个对象是否为指定对象。也可上传需要比对的目标对象的图像，从而对两个对象进行比对。
142.参照图4a，示出了本技术实施例的一种检测页面示例的示意图。
143.参照图4b，示出了本技术的一种对象识别方法实施例的步骤流程图。
144.步骤402，显示检测页面，所述检测页面包括上传控件。
145.步骤404，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像。
146.对象身份检索系统可提供检索页面，通过手机、平板电脑，笔记本电脑等多种终端均可访问。如图3a示出了一种检索页面的示例。如左侧的检索页面，可提供上传控件，响应于对所述上传控件的触发，获取待检测对象的至少一张检测图像。
147.步骤406，响应于对所述检测页面中比对控件的触发，上传目标对象的至少一张检测图像。
148.这对两个对象进行比对，且目标对象之前未在系统分析特征的情况，还可提供比对口控件，通过比对控件上传目标对象的至少一张检测图像。
149.步骤408，将待检测对象的全身图像和目标对象的全身图像分别输入到第一检测模型中，分别确定对应全身特征向量和全身基准特征向量。
150.第一检测模型可针对全身特征进行检测，例如采用残差网络模型，通过包含全身图像的样本数据训练得到第一检测模型。通过第一检测模型对全身图像进行分析处理，得到相应的全身特征向量。从而得到待检测对象的全身特征向量，以及目标对象的全身基准特征向量。
151.步骤410，将全身特征向量和全身基准特征向量进行比对，确定第一比对结果。
152.比对过程中可计算全身特征向量和全身基准特征向量的向量距离，也可计算全身特征向量和全身基准特征向量的相似度等，然后与相应的阈值比较确定第一比对结果。
153.步骤412，判断所述第一比对结果是否满足第一条件。
154.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第一条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第一条件。若是，则执行步骤414；若否，则执行步骤428。
155.步骤414，分别截取待检测对象的面部图像和目标对象的面部图像，分别输入到第二检测模型中，分别得到对应面部特征向量和面部基准特征向量。
156.第二检测模型可针对面部特征进行检测，例如采用残差网络模型，通过包含面部图像的样本数据训练得到第二检测模型。通过第二检测模型对面部图像进行分析处理，得到相应的面部特征向量。其中，在一些示例中，可从全身图像中提取面部图像，而后输入到第二检测模型中检测。在另外一些示例中，还可单独上传面部图像，从而截取面部所在区域的图像，然后检测面部特征向量。可得到待检测对象的面部特征向量和目标对象的面部基准特征向量。
157.步骤416，采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果。
158.比对过程中可计算面部特征向量和面部基准特征向量的向量距离，也可计算面部特征向量和面部基准特征向量的相似度等，然后与相应的阈值比较确定第二比对结果。
159.步骤418，判断所述第二比对结果是否满足第二条件。
160.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第二条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第二条件。若是，则执行步骤420；若否，则执行步骤428。
161.步骤420，分别截取待检测对象的关键特征图像和目标对象的关键特征图像，输入到第三检测模型中，分别得到对应关键特征向量和关键基准特征向量。所述关键特征依据对象的种类确定。
162.第三检测模型可针对关键特征进行检测，所述关键特征依据对象的种类确定。例如狗的关键特征为鼻纹，对于猫而言，其鼻部由于占比较小且纹路不够明显，所以鼻纹作为判别依据的重要性有所下降，因此可猫身上的毛色花纹作为关键特征。又如对于豹子，也可采用特定花纹组合作为关键特征。
163.在全身特征和面部特征均检测比较相似的基础上，可进一步对关键特征进行检测、比对。因此可提取关键特征图像，如从全身图像中提取毛色花纹的图像，又如从面部图像中截取鼻纹图像，或者也可直接获取关键特征图像等。通过第三检测模型的处理得到关键特征向量。
164.步骤422，将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果。
165.比对过程中可计算关键特征向量和关键基准特征向量的向量距离，也可计算关键特征向量和关键基准特征向量的相似度等，然后与相应的阈值比较确定第三比对结果。
166.步骤424，判断所述第三比对结果是否满足第三条件。
167.若向量距离小于距离阈值，或相似度大于相似度阈值，可确定满足第三条件。若向量距离不大于距离阈值，或相似度小于相似度阈值，可确定不满足第三条件。若是，则执行步骤426；若否，则执行步骤428。
168.步骤426，确定检测结果为检测目标对象成功，所述目标对象为基准特征向量对应的对象。
169.步骤428，确定检测结果为检测目标对象失败，即未检测到目标对象。
170.在任一级确定未检测到目标对象后，可以不执行下一级特征的提取和比对，从而能够节省资源。
171.步骤430，在所述检测页面中显示所述检测结果。
172.可在所述检测页面中显示所述检测结果。如图3a的示例中，检测结果显示如右侧的页面示例所示。可以显示比对成功。
173.步骤432，在所述检测页面中显示目标对象的目标图像和待检测对象的检测图像，在所述目标图像和检测图像中分别标记出比对位置。
174.本技术实施例中，还可在图像中定位特征的位置，如定位关键特征向量对应在图像中的位置，并在图像中标记处于位置。从而可在目标对象的目标图像和待检测对象的检测图像中标记出匹配的特征对应的位置，用户能够直观的确定是同一对象或不同对象的原因。
175.上述各实施例以对象检测为例，实际处理中还可应用于其他检测场景中。例如在针对一些手工制品、古董等，群体相似但又具有个体特征的比对识别场景均可使用。以上各实施例可有服务端或终端设备独立执行，也可由服务端和终端设备交互实现，具体依据需求设置，本技术实施例对此不做限制。
176.以下提供一种交互实现的实施例，如图5所示：
177.步骤502，服务端提供检测页面，所述检测页面包括上传控件。可在客户端显示该检测页面。
178.步骤504，客户端响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像。
179.步骤506，客户端上传所述至少一张检测图像到服务端，以便在所述服务端依据检测模型确定待检测对象的特征向量，并与基准特征向量进行比对，确定检测结果。
180.步骤508，服务端将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：全身特征向量和面部特征向量。
181.步骤510，服务端采用所述特征向量与基准特征向量进行比对，确定检测结果，所述检测结果包括相同或不同；
182.可进行级联特征检测，因此可将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量；将全身特征向量和全身基准特征向量进行比对，确定第一比对结果。在判断所述第一比对结果不满足第一条件的情况下，确定检测结果为检测目标对象失败，即未检测到目标对象；在判断所述第一比对结果满足第一条件的情况下，从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果；在判断所述第二比对结果不满足第二条件的情况下，确定检测结果为检测目标对象失败，即未检测到目标对象；在判断所述第二比对结果满足第二条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。
183.了更准确的判断，在第二级检测、比对后，还可执行第三级检测，从所述至少一张图像中截取关键特征图像；将所述关键特征图像输入到第三检测模型中，得到关键特征向量，所述关键特征依据对象的种类确定。将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果；在判断所述第三比对结果不满足第三条件的情况下，确定检测结果为检测目标对象失败，即未检测到目标对象；在判断所述第三比对结果满足第三条件的情况下，确定检测结果为检测目标对象成功，即基准特征向量对应对象为目标对象。以上以三级特征为例，实际处理中还可依据需求设置第四级、第五级等多级检、比对，本技术实施例对此不做限制。
184.步骤512，服务端发送所述检测结果。
185.步骤514，客户端在所述检测页面中显示该检测结果。
186.从而能够便捷的基于图像进行对象比对，确定是否为同一对象。
187.本技术实施例提供了一种级联特征比对方式，综合利用了宠物全身、面部以及鼻部的图像信息，解决的鼻纹特征的单一问题，提高了识别技术的鲁棒性以及准确性。对于猫而言，其鼻部由于占比较小且纹路不够明显，所以鼻纹作为判别依据的重要性有所下降，但是猫身上的毛色花纹以及面部特征较为有区分度，综合利用三种特征，从而加强了识别时的约束条件，能够对于猫等其他对象的身份进行识别，灵活的基于对象的关键特征进行识别。
188.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术实施例并不受所描述的动作顺序的限制，因为依据本技术实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本技术实施例所必须的。
189.在上述实施例的基础上，本实施例还提供了一种身份检测装置，应用于终端设备、服务端设备等电子设备中。
190.页面提供模块，用于提供检测页面，所述检测页面包括上传控件。
191.页面响应模块，用于响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像。
192.特征提取模块，用于将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：多级特征向量。。
193.比对模块，用于采用所述特征向量与基准特征向量进行比对，确定检测结果。
194.结果显示模块，用于在所述检测页面中显示所述检测结果。
195.综上，可提供检测页面，响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像，从而能够上传图像来便捷的检测对象，可将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：多级特征向量，通过多级特征向量进行级联特征检测，采用所述特征向量与基准特征向量进行比对，确定检测结果，然后在检测页面中显示检测结果，从而能够通过多级特征快速的检索对象，进行识别，提高处理效率。
196.一个可选实施例中，所述特征提取模块，包括：
197.第一特征提取子模块，用于将至少一张检测图像中的全身图像输入到第一检测模型中，确定全身特征向量。
198.第二特征提取子模块，用于从所述至少一张检测图像中截取面部图像，将所述面部图像输入到第二检测模型中，得到面部特征向量。
199.第三特征提取子模块，用于在判断所述第二比对结果满足第二条件的情况下，从所述至少一张图像中截取关键特征图像；将所述关键特征图像输入到第三检测模型中，得到关键特征向量，所述关键特征依据对象的种类确定。
200.所述比对模块，包括：
201.第一比对子模块，用于将全身特征向量和全身基准特征向量进行比对，确定第一比对结果；在判断所述第一比对结果不满足第一条件的情况下，确定检测结果为未检测到目标对象；在判断所述第一比对结果满足第一条件的情况下，触发第二比对模块。
202.第二比对子模块，用于采用所述面部特征向量和面部基准特征向量进行比对，确定第二比对结果；在判断所述第二比对结果不满足第二条件的情况下，确定检测结果为未检测到目标对象；确定检测结果为基准特征向量对应对象为目标对象。还可在判断所述第二比对结果满足第二条件的情况下，触发第三比对模块。
203.第三比对子模块，用于将所述关键特征向量和所述目标对象的关键基准特征向量进行比对，确定第三比对结果；在判断所述第三比对结果不满足第三条件的情况下，确定检测结果为未检测到目标对象；在判断所述第三比对结果满足第三条件的情况下，确定检测结果为基准特征向量对应对象为目标对象。
204.所述页面响应模块，还用于响应于对所述检测页面中识别控件的触发，获取目标对象的目标信息，以依据所述目标信息确定目标对象的基准特征向量。
205.所述结果显示模块，还用于在所述检测页面中显示目标对象的目标图像和待检测对象的检测图像；在所述目标图像和检测图像中分别标记出比对位置。
206.本技术实施例还提供了一种检测装置，应用于客户端的电子设备中。
207.显示模块，用于提供检测页面，所述检测页面包括上传控件；以及，接收检测结果，并在所述检测页面中显示所述检测结果
208.上传模块，用于响应于对所述上传控件的触发，确定待检测对象的至少一张检测图像；上传所述至少一张检测图像到服务端，以便在所述服务端依据检测模型确定待检测对象的特征向量，并与基准特征向量进行比对，确定检测结果。
209.本技术实施例还提供了一种检测装置，应用于服务端的电子设备中。
210.通信模块，用于接收待检测对象的至少一张检测图像，并确定目标对象；以及发送所述检测结果；
211.检测模块，用于将所述至少一张检测图像输入到检测模型中，确定对应的特征向量，所述特征向量包括：全身特征向量和面部特征向量；采用所述特征向量与基准特征向量进行比对，确定检测结果，所述检测结果包括相同或不同。
212.本技术实施例提供了一种级联特征比对方式，综合利用了宠物全身、面部以及鼻部的图像信息，解决的鼻纹特征的单一问题，提高了识别技术的鲁棒性以及准确性。对于猫而言，其鼻部由于占比较小且纹路不够明显，所以鼻纹作为判别依据的重要性有所下降，但是猫身上的毛色花纹以及面部特征较为有区分度，综合利用三种特征，从而加强了识别时的约束条件，能够对于猫等其他对象的身份进行识别，灵活的基于对象的关键特征进行识别。
213.本技术实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本技术实施例中各方法步骤的指令(instructions)。
214.本技术实施例提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。本技术实施例中，所述电子设备包括终端设备、服务器(集群)等各类型的设备。
215.本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括数据中心内的终端设备、服务器(集群)等电子设备。图6示意性地示出了可被用于实现本技术中所述的各个实施例的示例性装置600。
216.对于一个实施例，图6示出了示例性装置600，该装置具有一个或多个处理器602、被耦合到(一个或多个)处理器602中的至少一个的控制模块(芯片组)604、被耦合到控制模块604的存储器606、被耦合到控制模块604的非易失性存储器(nvm)/存储设备608、被耦合到控制模块604的一个或多个输入/输出设备610，以及被耦合到控制模块604的网络接口612。
217.处理器602可包括一个或多个单核或多核处理器，处理器602可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置600能够作为本技术实施例中所述终端设备、服务器(集群)等设备。
218.在一些实施例中，装置600可包括具有指令614的一个或多个计算机可读介质(例如，存储器606或nvm/存储设备608)以及与该一个或多个计算机可读介质相合并被配置为执行指令614以实现模块从而执行本公开中所述的动作的一个或多个处理器602。
219.对于一个实施例，控制模块604可包括任意适当的接口控制器，以向(一个或多个)处理器602中的至少一个和/或与控制模块604通信的任意适当的设备或组件提供任意适当的接口。
220.控制模块604可包括存储器控制器模块，以向存储器606提供接口。存储器控制器
模块可以是硬件模块、软件模块和/或固件模块。
221.存储器606可被用于例如为装置600加载和存储数据和/或指令614。对于一个实施例，存储器606可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，存储器606可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。
222.对于一个实施例，控制模块604可包括一个或多个输入/输出控制器，以向nvm/存储设备608及(一个或多个)输入/输出设备610提供接口。
223.例如，nvm/存储设备608可被用于存储数据和/或指令614。nvm/存储设备608可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
224.nvm/存储设备608可包括在物理上作为装置600被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，nvm/存储设备608可通过网络经由(一个或多个)输入/输出设备610进行访问。
225.(一个或多个)输入/输出设备610可为装置600提供接口以与任意其他适当的设备通信，输入/输出设备610可以包括通信组件、音频组件、传感器组件等。网络接口612可为装置600提供接口以通过一个或多个网络通信，装置600可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如wifi、2g、3g、4g、5g等，或它们的组合进行无线通信。
226.对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
227.在各个实施例中，装置600可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置600可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置600包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。
228.其中，检测装置中可采用主控芯片作为处理器或控制模块，传感器数据、位置信息等存储到存储器或nvm/存储设备中，传感器组可作为输入/输出设备，通信接口可包括网络接口。
229.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
230.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
231.本技术实施例是参照根据本技术实施例的方法、终端设备(系统)、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终端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终端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。
232.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终端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。
233.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终端设备上，使得在计算机或其他可编程终端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终端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。
234.尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
235.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
236.以上对本技术所提供的一种身份检测方法、一种检测方法、一种终端设备和一种机器可读介质，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。