身份验证的拍摄参数的优化方法、装置及电子设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种身份验证的拍摄参数的优化方法、装置及电子设备。

背景技术

目前，在金融领域，越来越多的金融公司或机构选择在线身份验证的方式来验证用户的身份，证明“你是你”。这类验证方式采用拍摄用户的身份证件，并且采集用户的人脸图像进行匹配验证的方式，来验证用户的人脸图像中的人脸是否和用户的身份证件上的人脸一致，以及用户的身份证件是否是真实证件，从而证明“你是你”。这类产品也叫企业电子身份认证信息(electronic Know Your Customer，eKYC)系统。

eKYC在实际应用过程中通常需要用户拍摄身份证件并采集用户的人脸图像。然而，用户在拍摄身份证件过程中，往往会因为主观(用户熟练程度)或客观(光线、环境的影响)的原因难以一次就拍摄出图像质量较好的身份证件和人脸照片。在这种情况下，就需要用户多次拍摄身份证件和人脸图像，直到拍摄出图像质量符合系统识别能力的照片。在此过程中，如果用户多次拍摄身份证件和人脸图像都不通过，则会导致用户身份验证失败，进而影响用户的体验。

发明内容

本说明书实施例的目的是提供了一种身份验证的拍摄参数的优化方法、装置及电子设备，以解决现有技术中用户在身份验证时，通常会由于用户多次拍摄身份证件和人脸图像都不通过，则会导致用户身份验证失败，进而影响用户的体验的问题。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，提出了一种身份验证的拍摄参数的优化方法，包括：

获取目标用户的人脸图像和所述目标用户的证件图像；

基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

第二方面，提出了一种身份验证的拍摄参数的优化装置，包括：

图像获取模块，获取目标用户的人脸图像和所述目标用户的证件图像；

身份验证模块，基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

参数获取模块，如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

参数预测模块，将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

第三方面，提出了一种电子设备，该电子设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取目标用户的人脸图像和所述目标用户的证件图像；

基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

获取目标用户的人脸图像和所述目标用户的证件图像；

基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

本说明书实施例采用上述技术方案至少可以达到下述技术效果：

采用本说明书实施例提供的方法，在对用户进行身份验证时，能够获取目标用户的人脸图像和目标用户的证件图像；并基于目标用户的人脸图像和所述目标用户的证件图像，对目标用户进行身份验证；如果基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败，则获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数；最后，将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数，以基于目标拍摄参数优化目标用户进行身份验证时的拍摄参数。

其中，多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以多个参数中除目标参数以外的其它参数为特征训练得到的，目标参数为多个参数中的任意一个参数。由于能够针对身份验证流程中主要参数因子进行建模，得到证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型，实现以机器学习的方式来预测身份验证流程中的主要参数的优选值，进而使得身份验证流程中的各主要参数能够达到对用户体验较优的状态，从而提高用户进行身份验证的通过率以及用户体验。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本文件，并不构成对本文件的不当限定。在附图中：

图1为本说明书一个实施例提供的一种身份验证的拍摄参数的优化方法的实现流程示意图；

图2为本说明书一个实施例提供的身份验证的拍摄参数的优化方法中各参数模型的训练流程示意图；

图3为本说明书一个实施例提供的身份验证的拍摄参数的优化方法中应用于实际场景中的流程示意图；

图4为本说明书一个实施例提供的身份验证的拍摄参数的优化方法中应用于实际场景中的流程示意图；

图5为本说明书一个实施例提供的一种身份验证的拍摄参数的优化装置的结构示意图；

图6为本说明书一个实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本文件中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文件保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

为解决现有技术中用户在身份验证时，通常会由于用户多次拍摄身份证件和人脸图像都不通过，则会导致用户身份验证失败，进而影响用户的体验的问题，本说明书实施例提供一种身份验证的拍摄参数的优化方法。采用本说明书实施例提供的方法，在对用户进行身份验证时，能够获取目标用户的人脸图像和目标用户的证件图像；并基于目标用户的人脸图像和所述目标用户的证件图像，对目标用户进行身份验证；如果基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败，则获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数；最后，将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数，以基于目标拍摄参数优化目标用户进行身份验证时的拍摄参数。

其中，多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以多个参数中除目标参数以外的其它参数为特征训练得到的，目标参数为多个参数中的任意一个参数。由于能够针对身份验证流程中主要参数因子进行建模，得到证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型，实现以机器学习的方式来预测身份验证流程中的主要参数的优选值，进而使得身份验证流程中的各主要参数能够达到对用户体验较优的状态，从而提高用户进行身份验证的通过率以及用户体验。

本说明书实施例提供的身份验证的拍摄参数的优化方法的执行主体可以但不限于终端设备、服务器、个人电脑等能够被配置为执行本发明实施例提供的该方法终端中的至少一种。

为便于描述，下文以该方法的执行主体为能够执行该方法的终端设备为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为终端设备只是一种示例性的说明，并不应理解为对该方法的限定。

具体地，本说明书一个或多个实施例提供的一种身份验证的拍摄参数的优化方法的实现流程示意图如图1所示，包括：

S110，获取目标用户的人脸图像和目标用户的证件图像。

应理解，在目标用户进行身份验证时，通常需要验证目标用户的身份的真实性，即证明目标用户没有被其他人所冒民顶替，也是为了保障目标用户的合法权益。而对目标用户进行身份验证的具体实现方式通常是获取目标用户上传的证件(比如身份证件、护照等能够证明用户身份的证件)图像和采集的目标用户的人脸图像，进而判断目标用户的人脸图像中的人脸是否与目标用户的证件图像中的人脸一致。

S120，基于目标用户的人脸图像和目标用户的证件图像，对目标用户进行身份验证。

基于目标用户的人脸图像和目标用户的证件图像，对目标用户进行身份验证，具体可以获取目标用户的人脸图像中的人脸和目标用户的证件图像中的人脸，再确定目标用户的人脸图像中的人脸和目标用户的证件图像中的人脸是否相匹配(即是否一致)，即相似度是否大于或等于预设的相似度阈值，比如相似度是否达到百分之八十以上。如果目标用户的人脸图像中的人脸和目标用户的证件图像中的人脸相匹配，则可通过对目标用户的身份验证；而如果目标用户的人脸图像中的人脸和目标用户的证件图像中的人脸不匹配，则可确定对目标用户的身份验证失败。

S130，如果基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败，则获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数。

应理解，为了避免多次采集的目标用户的人脸图像和证件图像都不匹配，导致目标用户的身份验证出现多次失败，进而影响目标用户的使用体验，本说明书实施例可设置一个预设阈值，该预设阈值用于指示目标用户的身份验证出现几次失败之后就可触发获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数，进而进入优化目标用户进行身份验证时的参数的模式。其中，预设阈值可以设置为1，也可设置为大于1的整数，当预设阈值设置为1时，只要确定目标用户的身份验证出现失败，即可进入优化目标用户进行身份验证时的参数的模式中。

具体地，如果基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败，则获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数，包括：

如果基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败的次数大于或等于预设阈值，则获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数。

S140，将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数，以基于目标拍摄参数优化目标用户进行身份验证时的拍摄参数。

其中，多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以多个参数中除目标参数以外的其它参数为特征训练得到的，目标参数为所述多个参数中的任意一个参数。

其中，人脸质量阈值用于判断采集的人脸质量是否合格的阈值；证件质量阈值用于决策采集的证件图像的质量是否合格的阈值；比对阈值用于决策证件图像中的人脸和人脸图像中的人脸是否一致的阈值。

具体地，上述证件质量阈值的预测模型为以多次身份验证时的证件质量阈值为标签且以多个参数中除证件质量以外的参数为特征训练得到的；人脸质量阈值的预测模型为以多次身份验证时的人脸质量阈值为标签且以多个参数中除人脸质量阈值以外的参数为特征训练得到的；证件图片和人脸图片之间的比对阈值的预测模型为以多次身份验证时的证件图片和人脸图片之间的比对阈值为标签且以多个参数中除证件图片和人脸图片之间的比对阈值以外的参数为特征训练得到的。

可选地，多个参数的预测模型还可包括下述至少一种：

屏幕亮度的预测模型，屏幕亮度的预测模型为以多次身份验证时的屏幕亮度值为标签且以多个参数中除屏幕亮度以外的其它参数为特征训练得到的；

文案的预测模型，文案的预测模型为以多次身份验证时的文案为标签且以多个参数中除文案以外的其它参数为特征训练得到的；

颜色样式的预测模型，颜色样式的预测模型为以多次身份验证时的颜色样式为标签且以多个参数中除颜色样式以外的其它参数为特征训练得到的；

证件伪造阈值的预测模型，证件伪造阈值的预测模型为以多次身份验证时的证件伪造阈值为标签且以多个参数中除证件伪造阈值以外的其它参数为特征训练得到的。

其中，上述屏幕亮度是目标用户进行身份验证时使用的终端的屏幕亮度；文案具体是用于指引目标用户完成身份验证的文案；颜色样式是目标用户进行身份验证时身份验证页面的颜色样式；证件伪造阈值是指目标用户进行身份验证时能够确定目标用户的证件图像是伪造的阈值。

如图2所示，为本说明书一个实施例提供的身份验证的拍摄参数的优化方法中各参数模型的训练流程示意图，在图2中，多个参数的预测模型(图2简称为参数模型)包括：屏幕亮度参数的预测模型(图2简称为屏幕亮度模型)、文案的预测模型(图2简称为文案模型)、证件质量阈值的预测模型(图2简称为证件质量阈值模型)、比对阈值的预测模型(图2简称为比对阈值模型)、人脸质量阈值的预测模型(图2简称为人脸质量阈值模型)以及其他参数模型(包括但不限于颜色样式的预测模型和证件伪造阈值的预测模型)。

以屏幕亮度参数的预测模型为例，该屏幕亮度参数的预测模型的训练过程可包括：首先，采集历史时间段内多次身份验证时，上述所列举的所有参数(包括环境参数)和用户行为数据作为特征，以历史时间段内身份验证成功的屏幕亮度为标签，其他参数为特征；然后，基于上述多次身份验证时，以身份验证成功的屏幕亮度为标签，以其他参数(除屏幕亮度参数以外的其它所有参数)为特征训练得到屏幕亮度参数的预测模型(具体可以是一个回归模型)。

其它参数的预测模型的训练过程类似，本说明书实施例在此不再赘述。

可选地，为了进一步提高目标用户进行身份验证时的安全级别，本说明书实施例在优化目标用户进行身份验证时的拍摄参数时，可基于目标用户的行为特征数据和目标用户进行身份验证时的拍摄参数确定是否存在安全风险。具体地，将目标用户的行为特征数据和目标用户进行身份验证时的第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数，包括：

确定目标用户在身份验证时的是否存在安全风险，安全风险包括身份验证设备的安全风险和被攻击的安全风险中的至少一种；

如果目标用户在身份验证时不存在安全风险，则将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数。

可选地，将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数，包括：

从目标用户的行为特征数据和第一拍摄参数中，提取出目标用户进行身份验证时的第一证件质量阈值、第一人脸质量阈值和第一证件质量和第一人脸质量之间的第一比对阈值以及环境参数；

将第一人脸质量阈值、第一比对阈值以及环境参数输入到证件质量阈值的预测模型中，输出与第一人脸质量阈值和第一比对阈值相匹配的目标证件质量阈值；

将第一人脸质量阈值、第一比对阈值以及环境参数输入到人脸质量阈值的预测模型中，输出与第一人脸质量阈值和第一比对阈值相匹配的目标人脸质量阈值；

将第一证件质量阈值、第一人脸质量阈值以及环境参数输入到比对阈值的预测模型中，输出与第一证件质量阈值和第一人脸质量阈值相匹配的目标比对阈值。

其中，环境参数包括但不限于目标用户进行身份验证时的环境亮度、环境压力、环境湿度、设备温度、时间等参数。

可选地，为了提高目标用户身份验证的通过率，在将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数之后，本说明书实施例提供的方法还包括：

按照目标拍摄参数，调整目标用户进行身份验证时的拍摄参数；

在调整目标用户进行身份验证时的拍摄参数之后，获取目标用户的人脸图像和证件图像；

基于调整拍摄参数后的目标用户的人脸图像和证件图像，对目标用户进行身份验证。

可选地，可通过判断当前的第一拍摄参数值和预测出的优选参数值之间的差距，产出参数的调整方案，如果两者差距超过一定的阈值，则对当前的第一拍摄参数值进行调整，否则，则可以不必调整。特别的，该优选参数值可以是最优参数值。

具体地，按照目标拍摄参数，调整目标用户进行身份验证时的拍摄参数，包括：

基于目标拍摄参数和第一拍摄参数，分别确定第一证件质量阈值和目标证件质量阈值之间的证件质量差值、第一人脸质量阈值和目标人力质量阈值之间的人脸质量差值、以及第一比对阈值和目标比对阈值之间的比对差值；

如果证件质量差值大于或等于证件质量阈值，则按照目标证件质量阈值调整目标用户进行身份验证时的证件质量阈值；

如果人脸质量差值大于或等于人脸质量阈值，则按照目标人脸质量阈值调整目标用户进行身份验证时的人脸质量阈值；

如果比对差值大于或等于比对阈值，则按照目标比对阈值调整目标用户进行身份验证时的比对阈值。

如图3和图4所示，为本说明书一个实施例提供的身份验证的拍摄参数的优化方法中应用于实际场景中的流程示意图。

其中，图3为确定基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败的次数大于或等于预设阈值之后对目标用户进行身份验证时的拍摄参数进行优化的过程示意图，包括：

S1，实时采集目标用户历史时间段内进行身份验证时拍摄的证件图像，人脸图像，环境参数等参数数据，并记录到参数库中；

S2，当目标用户身份验证的失败次数超过预设阈值时，触发启动优化参数流程后，读取目标用户的近期行为特征数据；

S3，将目标用户的近期行为特征数据和目标用户进行身份验证时的拍摄参数，输入参数模型组进行预测，获得一组优化后的参数调整方案；

S4，按照优化后的参数调整方案调整目标用户进行身份验证时的拍摄参数，引导目标用户再次完成身份验证直至通过身份验证。

如图4所示，为本说明书实施例提供的一套完整的身份验证的拍摄参数的优化方法中应用于实际场景中的流程示意图，包括：

S41，当启动优化参数流程时，判断当前环境是否存在安全风险，包括设备的安全性和用户攻击的风险程度；

S42，如果当前环境不存在安全性风险，才启动优化参数流程，将近期所有数据输入参数模型中的各个参数模型，预测各个参数在当前环境下的优选值；

S43，通过判断当前环境下的参数真实值和预测出的参数的优选值之间的差距，确定待调整的参数。具体可以采用对比参数的优选值和参数真实值之间比值大小，来决定调整哪个参数；

S44，输出参数调整方案。

应理解，在步骤S42中的各个参数在当前环境下的优选值可通过多种方式确定，本说明书实施例对此不作限制。特别的，该参数在当前环境下的优选值可以是对应参数的最优值。

采用本说明书实施例提供的方法，在对用户进行身份验证时，能够获取目标用户的人脸图像和目标用户的证件图像；并基于目标用户的人脸图像和目标用户的证件图像，对目标用户进行身份验证；如果基于目标用户的人脸图像和证件图像，对目标用户的身份验证失败，则获取目标用户在预设时间段内的行为特征数据以及目标用户进行身份验证时的第一拍摄参数；最后，将目标用户的行为特征数据和第一拍摄参数，输入到多个参数的预测模型中，分别输出与目标用户的行为特征数据和第一拍摄参数相匹配的目标拍摄参数，以基于目标拍摄参数优化目标用户进行身份验证时的拍摄参数。

其中，多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以多个参数中除目标参数以外的其它参数为特征训练得到的，目标参数为多个参数中的任意一个参数。由于能够针对身份验证流程中主要参数因子进行建模，得到证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型，实现以机器学习的方式来预测身份验证流程中的主要参数的优选值，进而使得身份验证流程中的各主要参数能够达到对用户体验较优的状态，从而提高用户进行身份验证的通过率以及用户体验。

图5是本说明书一个或多个实施例提供的一种身份验证的拍摄参数的优化装置500的结构示意图，包括：

图像获取模块510，获取目标用户的人脸图像和所述目标用户的证件图像；

身份验证模块520，基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

参数获取模块530，如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

参数预测模块540，将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

可选地，在一种实施方式中，所述参数预测模块540，用于：

确定所述目标用户在身份验证时的是否存在安全风险，所述安全风险包括身份验证设备的安全风险和被攻击的安全风险中的至少一种；

如果所述目标用户在身份验证时不存在安全风险，则将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数。

可选地，在一种实施方式中，所述参数预测模块540，用于：

从所述目标用户的行为特征数据和所述第一拍摄参数中，提取出所述目标用户进行身份验证时的第一证件质量阈值、第一人脸质量阈值和第一证件质量和所述第一人脸质量之间的第一比对阈值以及环境参数；

将所述第一人脸质量阈值、所述第一比对阈值以及所述环境参数输入到所述证件质量阈值的预测模型中，输出与所述第一人脸质量阈值和所述第一比对阈值相匹配的目标证件质量阈值；

将所述第一人脸质量阈值、所述第一比对阈值以及所述环境参数输入到所述人脸质量阈值的预测模型中，输出与所述第一人脸质量阈值和所述第一比对阈值相匹配的目标人脸质量阈值；

将所述第一证件质量阈值、所述第一人脸质量阈值以及所述环境参数输入到所述比对阈值的预测模型中，输出与所述第一证件质量阈值和所述第一人脸质量阈值相匹配的目标比对阈值。

可选地，在一种实施方式中，所述装置还包括：

参数调整模块，按照所述目标拍摄参数，调整所述目标用户进行身份验证时的拍摄参数；

图像获取模块，在调整所述目标用户进行身份验证时的拍摄参数之后，获取所述目标用户的人脸图像和证件图像；

身份验证模块，基于调整拍摄参数后的所述目标用户的人脸图像和证件图像，对所述目标用户进行身份验证。

可选地，在一种实施方式中，所述参数调整模块，用于：

基于所述目标拍摄参数和所述第一拍摄参数，分别确定所述第一证件质量阈值和所述目标证件质量阈值之间的证件质量差值、所述第一人脸质量阈值和所述目标人力质量阈值之间的人脸质量差值、以及所述第一比对阈值和所述目标比对阈值之间的比对差值；

如果所述证件质量差值大于或等于证件质量阈值，则按照所述目标证件质量阈值调整所述目标用户进行身份验证时的证件质量阈值；

如果所述人脸质量差值大于或等于人脸质量阈值，则按照所述目标人脸质量阈值调整所述目标用户进行身份验证时的人脸质量阈值；

如果所述比对差值大于或等于比对阈值，则按照所述目标比对阈值调整所述目标用户进行身份验证时的比对阈值。

可选地，在一种实施方式中，所述参数获取模块530，用于：

如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败的次数大于或等于预设阈值，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数。

可选地，在一种实施方式中，所述多个参数的预测模型还包括下述至少一种：

屏幕亮度的预测模型，所述屏幕亮度的预测模型为以多次身份验证时的屏幕亮度值为标签且以所述多个参数中除所述屏幕亮度以外的其它参数为特征训练得到的；

文案的预测模型，所述文案的预测模型为以多次身份验证时的文案为标签且以所述多个参数中除所述文案以外的其它参数为特征训练得到的；

颜色样式的预测模型，所述颜色样式的预测模型为以多次身份验证时的颜色样式为标签且以所述多个参数中除所述颜色样式以外的其它参数为特征训练得到的；

证件伪造阈值的预测模型，所述证件伪造阈值的预测模型为以多次身份验证时的证件伪造阈值为标签且以所述多个参数中除所述证件伪造阈值以外的其它参数为特征训练得到的。

身份验证的拍摄参数的优化装置500能够实现图1～图4的方法实施例的方法，具体可参考图1所示实施例的身份验证的拍摄参数的优化方法，不再赘述。

图6是本说明书的一个实施例提供的电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成身份验证的拍摄参数的优化装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取目标用户的人脸图像和所述目标用户的证件图像；

基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

上述如本说明书图1所示实施例揭示的身份验证的拍摄参数的优化方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1的方法，并实现基于身份验证的拍摄参数的优化装置在图1所示实施例的功能，本说明书实施例在此不再赘述。

当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：

获取目标用户的人脸图像和所述目标用户的证件图像；

基于所述目标用户的人脸图像和所述目标用户的证件图像，对所述目标用户进行身份验证；

如果基于所述目标用户的人脸图像和证件图像，对所述目标用户的身份验证失败，则获取所述目标用户在预设时间段内的行为特征数据以及所述目标用户进行身份验证时的第一拍摄参数；

将所述目标用户的行为特征数据和所述第一拍摄参数，输入到多个参数的预测模型中，分别输出与所述目标用户的行为特征数据和所述第一拍摄参数相匹配的目标拍摄参数，以基于所述目标拍摄参数优化所述目标用户进行身份验证时的拍摄参数；

其中，所述多个参数的预测模型至少包括证件质量阈值的预测模型、人脸质量阈值的预测模型和证件图片和人脸图片之间的比对阈值的预测模型；目标参数的预测模型为以多次身份验证时的目标参数的参数值为标签、且以所述多个参数中除所述目标参数以外的其它参数为特征训练得到的，所述目标参数为所述多个参数中的任意一个参数。

总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。