CN108875467A - 活体检测的方法、装置及计算机存储介质 - Google Patents
活体检测的方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN108875467A CN108875467A CN201710413340.0A CN201710413340A CN108875467A CN 108875467 A CN108875467 A CN 108875467A CN 201710413340 A CN201710413340 A CN 201710413340A CN 108875467 A CN108875467 A CN 108875467A
- Authority
- CN
- China
- Prior art keywords
- image
- verified
- reproduction
- pixel
- screen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种活体检测的方法、装置及计算机存储介质，该方法包括：获取待验证对象的图像；利用已经训练好的神经网络，得到所述待验证对象的图像的热力图；根据所述热力图，确定所述待验证对象的图像的翻拍分数；根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。由此可见，本发明实施例的活体检测的方法可以根据图像的热力图得到其翻拍分数，并根据该翻拍分数确定是否为屏幕翻拍图像，能够降低对非活体的误识别率，进而能够保证活体识别的有效性，防止假体攻击。
Description
技术领域
本发明涉及人工智能领域，更具体地涉及一种活体检测的方法、装置及计算机存储介质。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别综合运用了数字图像、视频处理、模式识别、计算机视觉等多种技术。当前，人脸识别系统越来越多地应用于安防、金融、社保等需要身份验证的领域中的场景，如银行远程开户、线上交易操作验证、无人值守的门禁系统、线上社保办理和领取、远程医保办理等等。
然而目前的人脸识别技术可能被不法分子攻击，对于伪造的人脸和真正的人脸区分度不高。例如对显示照片的手机屏幕进行识别时，可能会将假的人脸误识别为真实的人脸。这样会导致人脸识别的误识别率较高。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种活体检测的方法、装置及计算机存储介质，能够降低活体检测中的误识别率。
根据本发明的第一方面，提供了一种活体检测的方法，包括：
获取待验证对象的图像；
利用已经训练好的神经网络，得到所述待验证对象的图像的热力图；
根据所述热力图，确定所述待验证对象的图像的翻拍分数；
根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。
示例性地，在所述利用已经训练好的神经网络，得到所述待验证对象的图像的热力图之前，还包括：
将所述待验证对象的图像按比例缩放到第一预定尺寸；
将所述第一预定尺寸的图像的外围补充像素点以获得第二预定尺寸的图像；
所述利用已经训练好的神经网络，得到所述待验证对象的图像的热力图，包括：
将所述第二预定尺寸的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
示例性地，所述利用已经训练好的神经网络，得到所述待验证对象的图像的热力图，包括：
将所述待验证对象的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
示例性地，所述神经网络通过以下方式训练得到：
根据多个样本图像，通过训练得到所述神经网络，其中，每个样本图像中的每个像素具有标注信息。
示例性地，所述样本图像中的至少部分像素具有第一标注信息，所述第一标注信息表示所述至少部分像素具有屏幕属性；
和/或，所述样本图像中的至少部分像素具有第二标注信息，所述第二标注信息表示所述至少部分像素具有非屏幕属性。
示例性地，所述样本图像具有第三标注信息，所述第三标注信息表示所述样本图像具有一个子区域，所述子区域内的像素具有屏幕属性，所述子区域外的像素具有非屏幕属性。
示例性地，所述热力图用于表示所述待验证对象的图像中的每一个像素的屏幕属性概率，
所述根据所述热力图，确定所述待验证对象的图像的翻拍分数，包括：计算所述热力图中的所有像素的屏幕属性概率的平均值，并将所述平均值作为所述翻拍分数。
示例性地，所述根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，包括：
若所述翻拍分数大于预先设定的阈值，则所述待验证对象的图像为屏幕翻拍图像；
若所述翻拍分数小于或等于所述预先设定的阈值，则所述待验证对象的图像为非屏幕翻拍图像。
第二方面，提供了一种活体检测的装置，包括：
获取模块，用于获取待验证对象的图像；
处理模块，用于利用已经训练好的神经网络，得到所述待验证对象的图像的热力图；
确定模块，用于根据所述热力图，确定所述待验证对象的图像的翻拍分数；
判断模块，用于根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。
示例性地，还包括：
缩放模块，用于：将所述待验证对象的图像按比例缩放到第一预定尺寸；并将所述第一预定尺寸的图像的外围补充像素点以获得第二预定尺寸的图像；
其中，所述处理模块具体用于：将所述第二预定尺寸的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
示例性地，还包括训练模块，用于：
根据多个样本图像，通过训练得到所述神经网络，其中，每个样本图像中的每个像素具有标注信息。
示例性地，所述样本图像中的至少部分像素具有第一标注信息，所述第一标注信息表示所述至少部分像素具有屏幕属性；
和/或，所述样本图像中的至少部分像素具有第二标注信息，所述第二标注信息表示所述至少部分像素具有非屏幕属性。
示例性地，所述样本图像具有第三标注信息，所述第三标注信息表示所述样本图像具有一个子区域，所述子区域内的像素具有屏幕属性，所述子区域外的像素具有非屏幕属性。
示例性地，所述热力图用于表示所述待验证对象的图像中的每一个像素的屏幕属性概率，所述确定模块，具体用于：
计算所述热力图中的所有像素的屏幕属性概率的平均值，并将所述平均值作为所述翻拍分数。
示例性地，所述判断模块，具体用于：
若所述翻拍分数大于预先设定的阈值，则所述待验证对象的图像为屏幕翻拍图像，相应地所述待验证对象为非活体；
若所述翻拍分数小于或等于所述预先设定的阈值，则所述待验证对象的图像为非屏幕翻拍图像。
该装置能够用于实现前述第一方面及其各种示例的活体检测的方法。
第三方面，提供了一种活体检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面及各个示例所述方法的步骤。
第四方面，提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面及各个示例所述方法的步骤。
由此可见，本发明实施例的活体检测的方法可以根据图像的热力图得到其翻拍分数，并根据该翻拍分数确定是否为屏幕翻拍图像，能够降低对非活体的误识别率，进而能够保证活体识别的有效性，防止假体攻击。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本发明实施例的电子设备的一个示意性框图；
图2是本发明实施例的活体检测的方法的一个示意性流程图；
图3是本发明实施例的活体检测的方法的另一个示意性流程图；
图4是本发明实施例的缩放的一个示意图；
图5是本发明实施例的活体检测的装置的一个示意性框图；
图6是本发明实施例的活体检测的装置的另一个示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
本发明实施例可以应用于电子设备，图1所示为本发明实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或更多个处理器102、一个或更多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或更多个非图像传感器114，这些组件通过总线系统112和/或其它形式互连。应当注意，图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
所述处理器102可以包括CPU 1021和GPU 1022或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，例如现场可编程门阵列(Field－Programmable GateArray，FPGA)或进阶精简指令集机器(Advanced RISC(Reduced Instruction SetComputer)Machine，ARM)等，并且处理器102可以控制所述电子设备10中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或更多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器1041和/或非易失性存储器1042。所述易失性存储器1041例如可以包括随机存取存储器(Random Access Memory，RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器1042例如可以包括只读存储器(Read-Only Memory，ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或更多个计算机程序指令，处理器102可以运行所述程序指令，以实现各种期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或更多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或更多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
当注意，图1所示的电子设备10的组件和结构只是示例性的，尽管图1示出的电子设备10包括多个不同的装置，但是根据需要，其中的一些装置可以不是必须的，其中的一些装置的数量可以更多等等，本发明对此不限定。
图2是本发明实施例的活体检测的方法的一个示意性流程图。图2所示的方法包括：
S101，获取待验证对象的图像。
示例性地，待验证对象的图像可以是输入图像，或者，可以是通过图像采集装置所采集到的图像。
举例来说，该待验证对象的图像可以是用户手持电子设备的图像，其中该电子设备显示有人脸图像。可理解，该待验证对象的图像包括三部分：电子设备所显示的为屏幕图像，电子设备的边框为边框图像，其余部分为周围背景图像。
作为一个实施例，S101可以包括：获取待验证对象的图像，并通过人脸检测确定所述待验证对象的图像中存在人脸。可理解，如果该待验证对象的图像中不存在人脸，则可以重新获取待验证对象的图像。
S102，利用已经训练好的神经网络，得到所述待验证对象的图像的热力图。
作为一种实现方式，可以将所述待验证对象的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
举例来说，若待验证对象的图像的尺寸满足已经训练好的神经网络要求输入图像的尺寸，则可以将该待验证对象的图像输入该神经网络，得到相应的热力图。
作为另一种实现方式，如图3所示，在S102之前，还可以包括：
S1021，将所述待验证对象的图像按比例缩放到第一预定尺寸。
S1022，将所述第一预定尺寸的图像的外围补充像素点以获得第二预定尺寸的图像。
相应地，在S102中，可以将所述第二预定尺寸的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
示例性地，若待验证对象的图像为灰度图，在S1022中所补充的像素点可以是灰度值为0的像素点。若待验证对象的图像为彩色图，在S1022中所补充的像素点可以是RGB为(0,0,0)的像素点。应注意，所补充的像素点也可以具有其他的灰度值或RGB，本发明对此不限定。
其中，第二预定尺寸可以是已经训练好的神经网络要求输入图像的尺寸。示例性地，可以假设第二预定尺寸为L1×L2。
为了举例详细地描述S1021和S1022，本发明实施例假设L1＝L2＝L。也就是说，假设第二预定尺寸是边长为规定值L的正方形。例如，规定值L为256。具体地，在S1021中可以将所述待验证对象的图像的长边缩放至所述规定值L，并在S1022中将缩放后的图像的短边的两侧进行像素点填充，从而得到具有第二预定尺寸的图像。
其中，在S1021中应对待验证对象的图像进行等比例缩放，当其长边缩放至规定值L时，其短边也相应地被缩放。若待验证对象的图像的尺寸为a×b，且a>b。将该待验证对象的图像的长边缩放至L后，缩放后的图像的尺寸(即第一预定尺寸)为L×(b/a)L，参照图4，缩放后的待验证对象的图像的长边尺寸(即图4中所示的竖直方向尺寸)为L，短边尺寸(即图4中所示的水平方向尺寸)为(b/a)L。在S1022中可以在该缩放后的图像的短边两侧(即图4中所示的左右两侧)进行补充像素点，且填充的宽度均为(L-(b/a)L)/2。那么，填充后的图像即为具有第二预定尺寸(L×L)的图像。
举例来说，若L＝256，那么可以将待验证对象的图像的长边缩放至256，随后将图像居中并在短边两侧补充像素点，使得图像成为边长为256的正方形。
示例性地，在S102中，可以利用已经训练好的神经网络，得到该图像的热力图，其中，该热力图用于表示所述待验证对象的图像中的每一个像素的屏幕属性概率。
示例性地，针对某一个像素来说，例如像素A，可以通过神经网络，计算该像素的屏幕属性置信概率，如可以计算出该像素属于屏幕的概率为P1，属于边框的概率为P2，属于周围背景的概率为P3。若P1>P2且P1>P3，则将该像素A在热力图中表示为“屏幕”，且其屏幕属性概率为P1。
作为一个实施例，可以在本发明实施例的方法之前通过训练得到上述的神经网络。具体地，可以根据多个样本图像，通过训练得到所述神经网络，其中，每个样本图像中的每个像素具有标注信息。标注信息可以表示对应的像素具有屏幕属性或具有非屏幕属性。
作为一种实现方式，所述样本图像中的至少部分像素具有第一标注信息，所述第一标注信息表示所述至少部分像素具有屏幕属性。和/或，所述样本图像中的至少部分像素具有第二标注信息，所述第二标注信息表示所述至少部分像素具有非屏幕属性。
作为另一种实现方式，所述样本图像具有第三标注信息，所述第三标注信息表示所述样本图像具有一个子区域，所述子区域内的像素具有屏幕属性，所述子区域外的像素具有非屏幕属性。
可以收集所需的多个样本图像，该多个样本图像中包括屏幕翻拍的样本图像。针对任意一张样本图像来说，可以对其中的每个像素进行标注，其标注信息表示相应的像素具有屏幕属性或非屏幕属性；或者，可以对样本图像中的区域进行标注，其标注信息表示该区域中的所有像素具有屏幕属性或非屏幕属性，这样无需对每个像素进行标注，从而能够提高标注的效率。
示例性地，可以划出该样本图像中的一个多边形区域，该多边形区域的标注信息表示位于该多边形区域中的每个像素具有屏幕属性。相应地，该样本图像中除去该多边形区域之外的其他区域中的每个像素具有非屏幕属性。
在训练过程中，可以根据标注好的样本图像，训练神经网络对每个像素判断输出屏幕属性的得分。由于输出得分与原始的样本图像中的像素一一对应，因此可以由这些得分得到一张原始的样本图像的热力图。
S103，根据所述热力图，确定所述待验证对象的图像的翻拍分数。
其中，热力图用于表示所述图像中的每一个像素的屏幕属性概率。具体地，S103可以包括：计算所述热力图中的所有像素的屏幕属性概率的平均值，并将所述平均值作为所述翻拍分数。其中，翻拍分数为0至1之间的数值。
S104，根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。
具体地，可以将翻拍分数与预先设定的阈值进行比较，以确定待验证对象的图像是否为屏幕翻拍图像。其中，可以根据应用场景的属性来设定该阈值。不同的应用场景所设定的阈值可以相等或不相等。
若所述翻拍分数大于预先设定的阈值，则所述待验证对象的图像为屏幕翻拍图像，相应地，可以确定待验证对象为非活体。若所述翻拍分数小于或等于所述预先设定的阈值，则所述待验证对象的图像为非屏幕翻拍图像，随后可以采用其他的活体检测方法判断待验证对象是否为活体。例如，该阈值可以等于0.01。
由此可见，本发明实施例的活体检测的方法可以根据图像的热力图得到其翻拍分数，并根据该翻拍分数确定是否为屏幕翻拍图像，能够降低对非活体的误识别率，进而能够保证活体识别的有效性，防止假体攻击。
图5是本发明实施例的活体检测的装置的一个示意性框图。图5所示的装置50包括获取模块501、处理模块502、确定模块503和判断模块504。
获取模块501，用于获取待验证对象的图像；
处理模块502，用于利用已经训练好的神经网络，得到所述待验证对象的图像的热力图；
确定模块503，用于根据处理模块502得到的所述热力图，确定所述待验证对象的图像的翻拍分数；
判断模块504，用于根据确定模块503确定的所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。
示例性地，处理模块502可以具体用于：将所述待验证对象的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
示例性地，如图6所示，还可以包括缩放模块5021。该缩放模块5021可以用于：将所述待验证对象的图像按比例缩放到第一预定尺寸；并将所述第一预定尺寸的图像的外围补充像素点以获得第二预定尺寸的图像。相应地，处理模块502可以具体用于：将所述第二预定尺寸的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
示例性地，如图6所示，还可以包括训练模块505，用于：根据多个样本图像，通过训练得到所述神经网络，其中，每个样本图像中的每个像素具有标注信息。
示例性地，所述样本图像中的至少部分像素具有第一标注信息，所述第一标注信息表示所述至少部分像素具有屏幕属性；
和/或，所述样本图像中的至少部分像素具有第二标注信息，所述第二标注信息表示所述至少部分像素具有非屏幕属性。
示例性地，所述样本图像具有第三标注信息，所述第三标注信息表示所述样本图像具有一个子区域，所述子区域内的像素具有屏幕属性，所述子区域外的像素具有非屏幕属性。
示例性地，所述热力图用于表示所述待验证对象的图像中的每一个像素的屏幕属性概率，确定模块503可以具体用于：计算所述热力图中的所有像素的屏幕属性概率的平均值，并将所述平均值作为所述翻拍分数。
示例性地，判断模块504可以具体用于：
若所述翻拍分数大于预先设定的阈值，则所述待验证对象的图像为屏幕翻拍图像，相应地所述待验证对象为非活体；
若所述翻拍分数小于或等于所述预先设定的阈值，则所述待验证对象的图像为非屏幕翻拍图像。
图5或图6所示的装置50能够实现前述图2或图3所示的活体检测的方法，为避免重复，这里不再赘述。
另外，本发明实施例还提供了另一种活体检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，处理器执行所述程序时实现前述图2或图3所示方法的步骤。
另外，本发明实施例还提供了一种电子设备，该电子设备可以包括图5或图6所示的装置50。该电子设备可以实现前述图2或图3所示的方法。
另外，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序。当所述计算机程序由处理器执行时，可以实现前述图2或图3所示方法的步骤。例如，该计算机存储介质为计算机可读存储介质。
由此可见，本发明实施例的活体检测的方法可以根据图像的热力图得到其翻拍分数，并根据该翻拍分数确定是否为屏幕翻拍图像，能够降低对非活体的误识别率，进而能够保证活体识别的有效性，防止假体攻击。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种活体检测的方法，其特征在于，包括：
获取待验证对象的图像；
利用已经训练好的神经网络，得到所述待验证对象的图像的热力图；
根据所述热力图，确定所述待验证对象的图像的翻拍分数；
根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。
2.根据权利要求1所述的方法，其特征在于，
在所述利用已经训练好的神经网络，得到所述待验证对象的图像的热力图之前，还包括：
将所述待验证对象的图像按比例缩放到第一预定尺寸；
将所述第一预定尺寸的图像的外围补充像素点以获得第二预定尺寸的图像；
所述利用已经训练好的神经网络，得到所述待验证对象的图像的热力图，包括：
将所述第二预定尺寸的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
3.根据权利要求1所述的方法，其特征在于，所述利用已经训练好的神经网络，得到所述待验证对象的图像的热力图，包括：
将所述待验证对象的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述神经网络通过以下方式训练得到：
根据多个样本图像，通过训练得到所述神经网络，其中，每个样本图像中的每个像素具有标注信息。
5.根据权利要求4所述的方法，其特征在于，
所述样本图像中的至少部分像素具有第一标注信息，所述第一标注信息表示所述至少部分像素具有屏幕属性；
和/或，所述样本图像中的至少部分像素具有第二标注信息，所述第二标注信息表示所述至少部分像素具有非屏幕属性。
6.根据权利要求4所述的方法，其特征在于，
所述样本图像具有第三标注信息，所述第三标注信息表示所述样本图像具有一个子区域，所述子区域内的像素具有屏幕属性，所述子区域外的像素具有非屏幕属性。
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述热力图用于表示所述待验证对象的图像中的每一个像素的屏幕属性概率，
所述根据所述热力图，确定所述待验证对象的图像的翻拍分数，包括：计算所述热力图中的所有像素的屏幕属性概率的平均值，并将所述平均值作为所述翻拍分数。
8.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，包括：
若所述翻拍分数大于预先设定的阈值，则所述待验证对象的图像为屏幕翻拍图像；
若所述翻拍分数小于或等于所述预先设定的阈值，则所述待验证对象的图像为非屏幕翻拍图像。
9.一种活体检测的装置，其特征在于，包括：
获取模块，用于获取待验证对象的图像；
处理模块，用于利用已经训练好的神经网络，得到所述待验证对象的图像的热力图；
确定模块，用于根据所述热力图，确定所述待验证对象的图像的翻拍分数；
判断模块，用于根据所述翻拍分数，判断所述待验证对象的图像是否为屏幕翻拍图像，当所述待验证对象的图像为屏幕翻拍图像时，确定所述待验证对象为非活体。
10.根据权利要求9所述的装置，其特征在于，还包括：
缩放模块，用于：将所述待验证对象的图像按比例缩放到第一预定尺寸；并将所述第一预定尺寸的图像的外围补充像素点以获得第二预定尺寸的图像；
其中，所述处理模块具体用于：将所述第二预定尺寸的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
11.根据权利要求9所述的装置，其特征在于，所述处理模块具体用于：
将所述待验证对象的图像输入到所述已经训练好的神经网络，得到所述待验证对象的图像的所述热力图。
12.根据权利要求9至11中任一项所述的装置，其特征在于，还包括训练模块，用于：
根据多个样本图像，通过训练得到所述神经网络，其中，每个样本图像中的每个像素具有标注信息。
13.根据权利要求12所述的装置，其特征在于，
所述样本图像中的至少部分像素具有第一标注信息，所述第一标注信息表示所述至少部分像素具有屏幕属性；
和/或，所述样本图像中的至少部分像素具有第二标注信息，所述第二标注信息表示所述至少部分像素具有非屏幕属性。
14.根据权利要求12所述的装置，其特征在于，
所述样本图像具有第三标注信息，所述第三标注信息表示所述样本图像具有一个子区域，所述子区域内的像素具有屏幕属性，所述子区域外的像素具有非屏幕属性。
15.根据权利要求9至11中任一项所述的装置，其特征在于，所述热力图用于表示所述待验证对象的图像中的每一个像素的屏幕属性概率，所述确定模块，具体用于：
计算所述热力图中的所有像素的屏幕属性概率的平均值，并将所述平均值作为所述翻拍分数。
16.根据权利要求9至11中任一项所述的装置，其特征在于，所述判断模块，具体用于：
若所述翻拍分数大于预先设定的阈值，则所述待验证对象的图像为屏幕翻拍图像，相应地所述待验证对象为非活体；
若所述翻拍分数小于或等于所述预先设定的阈值，则所述待验证对象的图像为非屏幕翻拍图像。
17.一种活体检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述方法的步骤。
18.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710413340.0A CN108875467B (zh) | 2017-06-05 | 2017-06-05 | 活体检测的方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710413340.0A CN108875467B (zh) | 2017-06-05 | 2017-06-05 | 活体检测的方法、装置及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875467A true CN108875467A (zh) | 2018-11-23 |
| CN108875467B CN108875467B (zh) | 2020-12-25 |
Family
ID=64321053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710413340.0A Active CN108875467B (zh) | 2017-06-05 | 2017-06-05 | 活体检测的方法、装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875467B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
| CN111507262A (zh) * | 2020-04-17 | 2020-08-07 | 北京百度网讯科技有限公司 | 用于检测活体的方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060215883A1 (en) * | 2005-03-25 | 2006-09-28 | Samsung Electronics Co., Ltd. | Biometric identification apparatus and method using bio signals and artificial neural network |
| CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
| CN104966070A (zh) * | 2015-06-30 | 2015-10-07 | 北京汉王智远科技有限公司 | 基于人脸识别的活体检测方法和装置 |
| CN105354554A (zh) * | 2015-11-12 | 2016-02-24 | 西安电子科技大学 | 基于颜色和奇异值特征的人脸活体检测方法 |
| CN105389553A (zh) * | 2015-11-06 | 2016-03-09 | 北京汉王智远科技有限公司 | 一种活体检测方法和装置 |
| CN106203305A (zh) * | 2016-06-30 | 2016-12-07 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
| CN106599829A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于主动近红外光的人脸防伪算法 |
| CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
-
2017
- 2017-06-05 CN CN201710413340.0A patent/CN108875467B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060215883A1 (en) * | 2005-03-25 | 2006-09-28 | Samsung Electronics Co., Ltd. | Biometric identification apparatus and method using bio signals and artificial neural network |
| CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
| CN104966070A (zh) * | 2015-06-30 | 2015-10-07 | 北京汉王智远科技有限公司 | 基于人脸识别的活体检测方法和装置 |
| CN105389553A (zh) * | 2015-11-06 | 2016-03-09 | 北京汉王智远科技有限公司 | 一种活体检测方法和装置 |
| CN105354554A (zh) * | 2015-11-12 | 2016-02-24 | 西安电子科技大学 | 基于颜色和奇异值特征的人脸活体检测方法 |
| CN106203305A (zh) * | 2016-06-30 | 2016-12-07 | 北京旷视科技有限公司 | 人脸活体检测方法和装置 |
| CN106599829A (zh) * | 2016-12-09 | 2017-04-26 | 杭州宇泛智能科技有限公司 | 基于主动近红外光的人脸防伪算法 |
| CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886275A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 翻拍图像识别方法、装置、计算机设备和存储介质 |
| CN111507262A (zh) * | 2020-04-17 | 2020-08-07 | 北京百度网讯科技有限公司 | 用于检测活体的方法和装置 |
| CN111507262B (zh) * | 2020-04-17 | 2023-12-08 | 北京百度网讯科技有限公司 | 用于检测活体的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875467B (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711243B (zh) | 一种基于深度学习的静态三维人脸活体检测方法 | |
| CN112215180B (zh) | 一种活体检测方法及装置 | |
| CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
| CN105518709B (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
| CN108875676A (zh) | 活体检测方法、装置及系统 | |
| CN109522790A (zh) | 人体属性识别方法、装置、存储介质及电子设备 | |
| US20160328623A1 (en) | Liveness testing methods and apparatuses and image processing methods and apparatuses | |
| CN109117700A (zh) | 脸部验证方法和设备 | |
| CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
| CN103383723A (zh) | 用于生物特征验证的电子欺骗检测的方法和系统 | |
| CN106203305A (zh) | 人脸活体检测方法和装置 | |
| CN110059666B (zh) | 一种注意力检测方法及装置 | |
| CN108734057A (zh) | 活体检测的方法、装置及计算机存储介质 | |
| CN108875535A (zh) | 图像检测方法、装置和系统及存储介质 | |
| CN110222566A (zh) | 一种人脸特征的获取方法、装置、终端及存储介质 | |
| CN108734052A (zh) | 文字检测方法、装置和系统 | |
| CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
| CN109508636A (zh) | 车辆属性识别方法、装置、存储介质及电子设备 | |
| CN108875470A (zh) | 对访客进行登记的方法、装置及计算机存储介质 | |
| CN108875509A (zh) | 活体检测方法、装置和系统及存储介质 | |
| CN110688878B (zh) | 活体识别检测方法、装置、介质及电子设备 | |
| CN108921209A (zh) | 图片识别方法、装置及电子设备 | |
| CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
| CN108875467A (zh) | 活体检测的方法、装置及计算机存储介质 | |
| EP3958170A1 (en) | Method and apparatus with liveness detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |