CN108875530A - 活体识别方法、活体识别设备、电子设备以及存储介质 - Google Patents

Abstract

一种活体识别方法、活体识别设备、电子设备以及存储介质。该活体识别方法包括：获取待验证对象的人脸图像数据；提取人脸图像数据中的特征数据；采用第一活体识别模型对特征数据进行活体识别；将特征数据进行脱敏处理后加入到样本特征数据库中以更新样本特征数据库，样本特征数据库用于训练第一活体识别模型。该活体识别方法可以提高活体识别的鲁棒性，同时提高活体识别中相关数据的安全性。

Description

活体识别方法、活体识别设备、电子设备以及存储介质

技术领域

本公开实施例涉及一种活体识别方法、活体识别设备、电子设备以及存储介质。

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，其具有非强制性和非接触性等优点。随着人脸识别算法准确度的提升以及大规模并行计算技术的发展，基于人脸识别的应用技术已经逐步商用化，人脸识别系统越来越多地应用于安防、金融领域、电子商务等需要身份验证的场景，例如银行远程开户、门禁系统、远程交易操作验证等。

为了提高人脸识别系统的安全性和可靠性，活体识别技术逐渐成为人脸识别系统的核心技术。活体识别技术可以确定被检测对象是否为有生命的个体，而非照片、视频等无生命的物体，从而可以防止恶意攻击者利用录制的视频、拍摄的照片、3D人脸模型或伪造的面具等方式进行恶意攻击。

发明内容

本公开至少一实施例提供一种活体识别方法，包括：获取待验证对象的人脸图像数据；提取所述人脸图像数据中的特征数据；采用第一活体识别模型对所述特征数据进行活体识别；将所述特征数据进行脱敏处理后加入到样本特征数据库中以更新所述样本特征数据库，所述样本特征数据库用于训练所述第一活体识别模型。

例如，在本公开一实施例提供的活体识别方法中，所述将所述特征数据进行脱敏处理包括：提取所述特征数据中与活体识别相关的数据。

例如，在本公开一实施例提供的活体识别方法中，所述提取所述特征数据中与活体识别相关的数据包括：对所述特征数据进行聚类操作以完成分类；根据分类的结果从所述特征数据中选择与活体识别相关的特征数据。

例如，在本公开一实施例提供的活体识别方法中，所述将所述特征数据进行脱敏处理还包括：对所述特征数据进行加密操作。

例如，在本公开一实施例提供的活体识别方法中，所述将所述特征数据进行脱敏处理还包括：对所述特征数据的标注名称进行加密操作。

例如，本公开一实施例提供的活体识别方法还包括采用更新后的样本特征数据库对所述第一活体识别模型进行训练，得到第二活体识别模型。

例如，本公开一实施例提供的活体识别方法还包括对所述第二活体识别模型进行评估，如果所述第二活体识别模型的活体识别效果优于所述第一活体识别模型，则采用所述第二活体识别模型替换所述第一活体识别模型以完成更新。

例如，在本公开一实施例提供的活体识别方法中，所述对所述第二活体识别模型进行评估包括：采用所述第一活体识别模型对基准化测试数据进行测试得到第一误检率和第一漏检率；采用所述第二活体识别模型对所述基准化测试数据进行测试得到第二误检率和第二漏检率；根据所述第一误检率、所述第一漏检率、所述第二误检率和所述第二漏检率，确定所述第二活体识别模型的活体识别效果是否优于所述第一活体识别模型的活体识别效果。

例如，在本公开一实施例提供的活体识别方法中，所述根据所述第一误检率、所述第一漏检率、所述第二误检率和所述第二漏检率，确定所述第二活体识别模型的活体识别效果是否优于所述第一活体识别模型的活体识别效果，包括：如果所述第二误检率优于所述第一误检率，或/和所述第二漏检率优于所述第一漏检率，则判定所述第二活体识别模型的活体识别效果优于所述第一活体识别模型的活体识别效果。

例如，在本公开一实施例提供的活体识别方法中，所述根据所述第一误检率、所述第一漏检率、所述第二误检率和所述第二漏检率，确定所述第二活体识别模型的活体识别效果是否优于所述第一活体识别模型的活体识别效果，包括：根据所述第一误检率和所述第一漏检率绘制第一接收者操作特征曲线；根据所述第二误检率和所述第二漏检率绘制第二接收者操作特征曲线；如果所述第二接收者操作特征曲线的曲线下面积大于所述第一接收者操作特征曲线的曲线下面积，则判定所述第二活体识别模型的活体识别效果优于所述第一活体识别模型的活体识别效果。

例如，在本公开一实施例提供的活体识别方法中，所述采用第一活体识别模型对所述特征数据进行活体识别包括：如果对所述特征数据进行活体识别的判定分数大于活体阈值，则确定所述待验证对象为活体；如果对所述特征数据进行活体识别的判定分数小于攻击阈值，则确定所述待验证对象为非活体；如果对所述特征数据进行活体识别的判定分数大于或等于所述攻击阈值且小于或等于所述活体阈值，则确定所述待验证对象为待定对象。

例如，在本公开一实施例提供的活体识别方法中，所述采用更新后的样本特征数据库对所述第一活体识别模型进行训练，得到第二活体识别模型包括：复制所述第一活体识别模型；采用所述更新后的样本特征数据库对所述复制的第一活体识别模型进行训练，得到所述第二活体识别模型；其中，在训练期间使用所述第一活体识别模型进行识别操作。

例如，在本公开一实施例提供的活体识别方法中，在对所述第一活体识别模型进行训练的过程中，若所述第一活体识别模型的训练时长超出了预设训练时长，或者训练次数超出了预设训练次数后，则停止所述训练操作；或者，在对所述第一活体识别模型进行训练的过程中，若接收到所述待验证对象的请求指令，则停止所述训练操作并存储当前训练节点。

例如，在本公开一实施例提供的活体识别方法中，所述预设训练时长或所述预设训练次数是根据所述活体识别方法适用的终端的类型确定的。

本公开至少一实施例还提供一种电子设备，包括数据处理装置、活体识别装置和样本特征数据库；所述数据处理装置配置为获取待验证对象的人脸图像数据，并提取所述人脸图像数据中的特征数据；所述活体识别装置配置为采用第一活体识别模型对所述特征数据进行活体识别；所述数据处理装置还配置为将所述特征数据进行脱敏处理后加入到所述样本特征数据库中以更新所述样本特征数据库。

例如，本公开一实施例提供的电子设备还包括图像采集装置，所述图像采集装置配置为采集所述待验证对象的至少一个所述人脸图像数据。

本公开至少一实施例还提供一种存储介质，所述存储介质上存储有可适于处理器执行的计算机指令，且所述计算机指令被所述处理器执行时实施本公开的实施例提供的任一活体识别方法。

本公开至少一实施例还提供一种活体识别设备，包括处理器和存储介质；所述存储介质配置为存储有可适于所述处理器执行的计算机指令，且所述计算机指令被所述处理器执行时实施本公开的实施例提供的任一活体识别方法。

例如，本公开一实施例提供的活体识别设备还包括图像采集装置，所述图像采集装置配置为采集所述待验证对象的至少一个人脸图像数据。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。

图1为本公开的实施例提供的一种活体识别方法的示意图1；

图2为本公开的实施例提供的一种活体识别方法的示意图2；

图3为本公开的实施例提供的一种活体识别方法的示意图3；

图4为本公开的实施例提供的一种活体识别方法的示意图4；

图5为本公开的实施例提供的一种活体识别方法的示意图5；

图6为本公开的实施例提供的一种活体识别方法的示意图6；

图7为本公开的实施例提供的一种活体识别方法的示意图7；

图8为本公开的实施例提供的一种活体识别方法的示意图8；

图9为本公开的实施例提供的一种ROC曲线的示意图；

图10为本公开的实施例提供的一种活体识别方法的流程示意图；

图11为本公开的实施例提供的一种电子设备的示意图；

图12为本公开的实施例提供的一种存储介质的示意图；

图13为本公开的实施例提供的一种活体识别设备的示意图；以及

图14为本公开的实施例提供的另一种活体识别设备的示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

目前，在生物特征识别领域，人脸识别技术逐渐引起人们的关注，成为生物特征识别领域的一个研究热点。人脸识别技术可以应用在许多领域中。在需要高安全级别的应用领域中，除了需要确保被检测对象的人脸相似度符合数据库中存储的人脸信息外，首先需要判断被检测对象是否是一个有生命的生物活体。也就是说，人脸识别系统需要能够防范恶意攻击者使用照片、视频、3D人脸模型或者伪造的面具等方式进行恶意攻击。由此，活体识别技术成为人脸识别技术中的一个研究热点，其可以提高人脸识别的安全性和可靠性。

线下的活体识别设备由于分布范围较广，类型多且版本固件升级困难，所以线下的活体识别设备中采用的活体识别模型存在更新速度慢、鲁棒性差、安全性低等问题。

本公开至少一实施例提供一种活体识别方法，该方法包括：获取待验证对象的人脸图像数据；提取人脸图像数据中的特征数据；采用第一活体识别模型对特征数据进行活体识别；将特征数据进行脱敏处理后加入到样本特征数据库中以更新样本特征数据库，样本特征数据库用于训练第一活体识别模型。

本公开至少一实施例还提供一种对应于上述活体识别方法的活体识别设备、电子设备以及存储介质。

本公开的实施例提供的活体识别方法、活体识别设备、电子设备以及存储介质，可以提高活体识别的鲁棒性，同时提高活体识别中相关数据的安全性，进而可以提高活体识别整体的安全性。

需要说明的是，在本公开的实施例中，线下的活体识别设备可以是至少一定时间内不能联网或不能主动联网的活体识别设备。例如，该活体识别设备可以具有与云端或服务器通信的装置，即具有联网的硬件，但该活体识别设备不会主动进行通信，例如可以在工程师对其进行维护的时候人为地进行联网。又例如，该活体识别设备也可以不具有与云端或服务器通信的装置。以下各实施例与此相同，不再赘述。

下面结合附图对本公开的实施例进行详细说明。

本公开的实施例提供一种活体识别方法，如图1所示，该活体识别方法包括如下操作。

步骤S10：获取待验证对象的人脸图像数据；

步骤S20：提取人脸图像数据中的特征数据；

步骤S30：采用第一活体识别模型对特征数据进行活体识别；以及

步骤S40：将特征数据进行脱敏处理后加入到样本特征数据库中以更新样本特征数据库。

该活体识别方法可以部署在人脸图像采集端处，例如，在安防应用领域，其可以部署在门禁系统、基于人脸识别的身份识别系统等系统中；在金融应用领域，其可以部署在个人终端处，个人终端例如可以包括智能手机、平板电脑、个人计算机等。

例如，对于步骤S10，在一些实施例中，可以采用例如图像采集装置对待验证对象进行图像采集以获得人脸图像数据。例如，图像采集装置可以是门禁系统或身份识别系统等系统中的摄像头，也可以是个人终端上设置的摄像头。又例如，在另一些实施例中，可以直接从例如存储介质中获取某一个待验证对象的人脸图像数据，例如该存储介质中存储的人脸图像数据是预先获得的。也就是说，在执行步骤S10时，如果已经预先获得了待验证对象的人脸图像数据并存储在了存储介质中，则在此步骤中只需要直接调用即可，不需要再对待验证对象进行图像采集。

需要说明的是，在本公开的实施例中，待验证对象包括活体例如真实存在的人；待验证对象还包括进行恶意攻击的攻击样本，例如包括照片、视频、3D人脸模型或伪造的面具等。以下各实施例与此相同，不再赘述。

在步骤S20中，对于在步骤S10中获得的人脸图像数据，例如可以采用STFT特征提取、HOG特征提取等方法或神经网络(如卷积神经网络)提取人脸图像数据中的特征数据，本公开的实施例对特征提取方法不作限制。例如，对应一个待验证对象，人脸图像数据可能有一个或多个。在对一个或多个人脸图像数据进行提取获得的特征数据例如为多个，例如可以包括和活体识别相关的特征数据；又例如，还可以包括和人脸识别相关的特征数据，这部分特征数据在通常情况下是涉及被验证对象的个人隐私信息的，需要保证数据的安全。

例如，人脸图像数据中的特征数据可以为脸部的一些表征能力强的关键点的位置坐标，例如，眼睛、眼角、眉毛、颧骨最高点、鼻子、嘴巴、下巴以及人脸外轮廓等关键点的位置坐标。例如，定位人脸的关键点可以采用传统的人脸关键点定位方法，其基于参数形状模型，根据关键点附近的表观特征，学习出一个参数模型，在使用时迭代地优化关键点的位置，最后得到关键点的位置坐标。或者，定位人脸的特征点也可以采用基于级联回归的方法定位关键点，其能够根据输入的人脸图像数据，实时定位出精准的人脸关键点。又例如，定位人脸的关键点还可以采用级基于深度学习相关算法、主动形状模型相关算法等方法实现。又例如，人脸图像数据中的特征数据还可以为表征脸部表情或姿态的数据。本公开的实施例对此不作限定。

在步骤S30中，将在步骤S20中提取到的特征数据输入到第一活体识别模型中，从而对该特征数据进行活体识别。例如，第一活体识别模型的类型可以采用深度神经网络(DNN)、卷积神经网络(CNN)、支持向量机(SVM)分类器、HAAR分类器以及最邻近规则(KNN)分类器等。本公开的实施例对此不作限定。

例如，如图2所示，在一个实施例中，上述步骤S30可以包括如下操作。

步骤S31：如果对特征数据进行活体识别的判定分数大于活体阈值，则确定待验证对象为活体；

步骤S32：如果对特征数据进行活体识别的判定分数小于攻击阈值，则确定待验证对象为非活体；以及

步骤S33：如果对特征数据进行活体识别的判定分数大于或等于攻击阈值且小于或等于活体阈值，则确定待验证对象为待定对象。

例如，在步骤S30中，可以预先设置一个活体阈值和一个攻击阈值，在采用第一活体识别模型对特征数据进行活体识别时，例如对某一个待验证对象对应的多个特征数据进行活体识别可以得到一个判定分数。

例如，在步骤S31中，如果对特征数据进行活体识别的判定分数大于该活体阈值时，则可以确定待验证对象为活体。例如同时还可以将该多个特征数据的名称标注为活体样本。

例如，在步骤S32中，如果对特征数据进行活体识别的判定分数小于该攻击阈值时，则可以确定待验证对象为非活体，即验证对象为攻击对象。例如同时还可以将该特征数据的名称标注为攻击样本。

需要说明的是，根据采用的第一活体识别模型的类型不同，在此步骤进行判断时，也可能当判定分数小于该活体阈值时确定为活体，可以根据实际情况进行设置，同样也可能当判定分数大于该攻击阈值时确定为非活体，可以根据实际情况进行设置，本公开的实施例对此不作限定。

例如，在步骤S33中，如果对特征数据进行活体识别的判定分数大于或等于攻击阈值且小于或等于活体阈值，则确定待验证对象为待定对象，即不确定待验证对象为活体还是非活体。例如，对于待定对象对应的特征数据可以予以删除而不进行标注存储。

例如，在一些实施例中，在步骤S30中，当对特征数据进行活体识别时，如果多次出现相同的特征数据，例如出现次数超过预先设置的一个值，则将该特征数据判定为非活体，同时将该特征数据的名称标注为攻击样本。

如上所述，在步骤S20中获得的特征数据中包括与人脸识别相关的特征数据，该部分特征数据涉及到被验证对象的个人隐私数据安全，需要对其进行脱敏处理。

例如，在步骤S40中，在将步骤S30中经过活体识别处理后的特征数据加入到样本特征数据库中之前，可以对特征数据进行脱敏处理。需要说明的是，在本公开的实施例中，样本特征数据库包括活体样本特征数据库和攻击样本特征数据库。

例如，如图3所示，在一个实施例中，上述步骤S40可以包括如下操作。

步骤S41：提取特征数据中与活体识别相关的数据；

步骤S42：对特征数据进行加密操作；以及

步骤S43：对特征数据的标注名称进行加密操作。

例如，在步骤S41中，在将特征数据加入到样本特征数据库之前，可以将与活体识别相关的数据提取出来，将其他的特征数据例如与人脸识别相关的特征数据予以删除。采用这种方法可以提高数据的安全性，防止他人窃取与人脸识别相关的个人隐私数据而用以其他非法目的。

例如，如图4所示，具体地，上述步骤S41可以包括如下操作。

步骤S411：对特征数据进行聚类操作以完成分类；以及

步骤S412：根据分类的结果从特征数据中选择与活体识别相关的特征数据。

例如，在步骤S411中，可以采用例如K-means(K均值)聚类算法对特征数据进行聚类操作以完成分类。例如，在步骤S412中，根据在步骤S411中分类的结果，从特征数据中选择与活体识别相关的特征数据。例如，与活体识别相关的特征数据包括与人脸起伏程度、反光程度、摩尔纹等相关的特征数据。例如，经过步骤S41后，仅将与活体识别相关的特征数据以及其对应的标注名称存入样本特征数据库中。

例如，在步骤S42中，在将特征数据加入到样本特征数据库之前还可以对特征数据进行加密操作。例如，可以通过软件加密算法进行加密操作。例如软件加密算法可以采用AES-256、RSA-2048bit。又例如，还可以采用硬件加密手段进行加密操作。需要说明的是，本公开的实施例对采用的软件加密和硬件加密的具体类型不作限定，只要是可以实现数据加密即可。

例如，在步骤S43中，在将特征数据加入到样本特征数据库之前还可以对特征数据的标注名称进行加密操作。例如，可以采用相同的算法对标注名称进行统一替换，例如将活体样本的标注名称统一替换为“G-xxxxx”，而将攻击样本的标注名称统一替换为“A-xxxxx”，其中的后缀“xxxxx”例如可以是自动添加的具有一定含义的数字序列或非重复的随机数字序列。

更进一步地，在一些实施例中，还可以采用进一步的混淆手段对样本数据的标注名称进行进一步的混淆替换。例如，将活体样本的标注名称替换为“e3Gac-xxx”，而将攻击样本的标注名称替换为“tA4vs-xxx”。其中的前缀“e3Gac”和“tA4vs”采用大写字母、小写字母加数字的形式混合而成，例如可以随机生成该前缀，从而可以进一步对特征数据的标注名称进行加密，提高数据的安全性。

在本公开的实施例提供的活体识别方法中，在将经过活体识别处理后的特征数据加入到样本特征数据库之前，先对其进行脱敏处理，可以提高数据的安全性，避免被反向工程破解。

例如，在一些实施例中，该活体识别方法还可以包括步骤S50：采用更新后的样本特征数据库对第一活体识别模型进行训练，得到第二活体识别模型。

采用更新后的样本特征数据库对第一活体识别模型进行训练，能够提高活体识别模型对新出现的非活体攻击的应对能力，有效提高了活体识别准确率。例如，还可以在样本特征数据库中更新的特征数据的数量达到预设数量时，采用更新后的样本特征数据库对第一活体识别模型进行训练。频繁训练活体识别模型将占用大量的计算资源，在样本特征数据库中更新的特征数据达到一定数量的情况下再对活体识别模型进行训练，不仅能够提高活体识别模型的性能，还能够节省计算资源。

例如，如图5所示，上述步骤S50可以包括如下操作。

步骤S51：复制第一活体识别模型。以及

步骤S52：采用更新后的样本特征数据库对复制的第一活体识别模型进行训练，得到第二活体识别模型。

例如，在训练期间使用第一活体识别模型进行活体识别操作。

例如，在步骤S51中，可以在存储介质中专门设置一块地址区间用于存储复制的第一活体识别模型。在训练期间，依然采用原来的第一活体识别模型进行活体识别操作，而复制的第一活体识别模型仅用来执行训练操作。采用这种方式可以避免训练期间对第一活体识别模型的操作影响到活体识别操作，从而使活体识别操作与训练操作可以同时进行，提高了设备的适用性。

例如，在步骤S52中，可以采用SGD(Stochastic Gradient Descent，随机梯度下降法)、Momentum(动量法)、Adam(adaptive moment estimation，自适应矩估计)等方法对复制的第一活体识别模型进行训练，得到第二活体识别模型。需要说明的是，本公开的实施例对采用的训练方法不作限定，只要是可以对第一活体识别模型进行训练即可。

当活体识别方法部署在线下活体识别设备中时，相比于云端服务器，由于线下设备的数据处理能力通常较弱，所以在线下设备中进行训练时，训练规模(训练时间和训练次数)通常较小，即训练时的模型节点保存间隔较短。

例如，在一些实施例中，在对第一活体识别模型进行训练的过程中，若第一活体识别模型的训练时长超出了预设训练时长，或者训练次数超出了预设训练次数后，则停止训练操作，同时存储当前训练的模型节点，以用于下次继续训练时可以从该保存的模型节点开始。例如，上述预设训练时长和预设训练次数可以根据活体识别方法适用的终端的类型确定。例如，如果终端的类型的计算资源相对较强，则预设训练时长和预设训练次数相应的可以设置的较大；如果终端的类型的计算资源相对较弱，则预设训练时长和预设训练次数相应的可以设置的较小，以适用不同终端的计算能力，从而可以提高用户体验。

又例如，在一些实施例中，在对第一活体识别模型进行训练的过程中，若接收到待验证对象的请求指令，则停止训练操作并存储当前训练节点。例如，在训练期间，接收到待验证对象的请求进行活体识别的指令时，则停止训练操作并存储当前训练节点，例如在当长时间没有请求指令时，可以再继续训练操作。采用这种方法是为了将线下设备有限的处理能力优先保证进行活体识别操作，提高用户体验。

例如，为了兼顾用户体验和训练时间，还可以统计线下活体识别设备每天的使用周期，在长时间不被使用的时间段(例如凌晨2点至4点之间)，可以利用绝大多数的计算资源进行模型的训练。例如，在步骤S50中，可以在确定当前时段为可用时段时，采用更新后的样本特征数据库对第一活体识别模型进行训练，其中该可用时段为设备的空闲时段。

在本公开的实施例提供的活体识别方法中，通过脱敏处理可以将涉及个人隐私信息的特征数据予以删除，从而提高数据的安全性。同时通过采用更新后的样本特征数据库对第一活体识别模型进行训练，可以提高该活体识别方法的鲁棒性，使得采用该活体识别方法的设备更安全。

如图6所示，本公开的实施例的一个示例提供的活体识别方法还可以包括如下步骤S60。

步骤S60：对第二活体识别模型进行评估，如果第二活体识别模型的活体识别效果优于第一活体识别模型，则采用第二活体识别模型替换第一活体识别模型以完成更新。

在步骤S60中，例如在经过上述步骤S50得到第二活体识别模型后，可以对第二活体识别模型进行评估，例如，可以在每天固定的一个或多个时间点对当前存储的训练节点对应的第二活体识别模型进行评估。如果第二活体识别模型的活体识别效果优于之前采用的第一活体识别模型，则采用第二活体识别模型替换第一活体识别模型以完成活体识别模型的更新。如果第二活体识别模型的活体识别效果劣于之前采用的第一活体识别模型，则继续采用之前的第一活体识别模型进行活体识别操作，而不进行活体识别模型的替换。

例如，如图7所示，在一个实施例中，上述步骤S60可以包括如下操作。

步骤S61：采用第一活体识别模型对基准化测试数据进行测试得到第一误检率和第一漏检率；

步骤S62：采用第二活体识别模型对基准化测试数据进行测试得到第二误检率和第二漏检率；以及

步骤S63：如果第二误检率优于第一误检率，或/和第二漏检率优于第一漏检率，则判定第二活体识别模型的活体识别效果优于第一活体识别模型的活体识别效果。

例如，可以在存储介质中预先存储基准化测试数据。需要说明的是，在本公开的实施例中，将误检率定义为将活体样本识别为攻击样本的次数与总的测试次数的比值；而将漏检率定义为将攻击样本识别为活体样本的次数与总的测试次数的比值。或者，也可以将误检率定义为将攻击样本识别为活体样本的次数与总的测试次数的比值；而将漏检率定义为将活体样本识别为攻击样本的次数与总的测试次数的比值。本公开的实施例对此不作限定。

例如，如果第二误检率优于第一误检率(即第二误检率小于第一误检率)，或者第二漏检率优于第一漏检率(即第二漏检率小于第一漏检率)，又或者第二误检率优于第一误检率且第二漏检率优于第一漏检率，则判定第二活体识别模型的活体识别效果优于第一活体识别模型的活体识别效果。

例如，如图8所示，在一个实施例中，上述步骤S60还可以包括如下操作。

步骤S64：采用第一活体识别模型对基准化测试数据进行测试得到第一误检率和第一漏检率，并根据第一误检率和第一漏检率绘制第一接收者操作特征曲线；

步骤S65：采用第二活体识别模型对基准化测试数据进行测试得到第二误检率和第二漏检率，并根据第二误检率和第二漏检率绘制第二接收者操作特征曲线；以及

步骤S66：如果第二接收者操作特征曲线的曲线下面积大于第一接收者操作特征曲线的曲线下面积，则判定第二活体识别模型的活体识别效果优于第一活体识别模型的活体识别效果。

下面描述如何绘制接收者操作特征(Receiver Operating Characteristic，ROC)曲线。ROC曲线又称感受性曲线，是指在特定刺激条件下，以被试在不同判断标准下所得的假阳性率为横坐标，以真阳性率为纵坐标，画得的各点的连线。

例如，在如图9所示的ROC曲线中，R1例如为对应于第一活体识别模型的第一接收者操作特征曲线，R2例如为对应于第二活体识别模型的第二接收者操作特征曲线。L1和L2为R1的左边界和右边界分别向横轴作垂线形成的线，而L3和L4为R2的左边界和右边界分别向横轴作垂线形成的线。R1的曲线下面积(Area Under Curve，AUC)为R1、L1、L2以及横轴所围成的图形的面积，同样地，R2的曲线下面积为R2、L3、L4以及横轴所围成的图形的面积。

例如，当R1的曲线下面积大于R2的曲线下面积时，则判定第一活体识别模型的活体识别效果较好，此时不进行活体识别模型的更新。相反地，当R2的曲线下面积大于R1的曲线下面积时，则判定第二活体识别模型的活体识别效果优于第一活体识别模型的活体识别效果，此时采用第二活体识别模型替换第一活体识别模型以完成更新。

例如，以100个基准化测试数据为例，在该100个数据中例如包括70个活体样本数据和30个攻击样本数据。例如，在一次测试中，采用第二活体识别模型对该100个基准化测试数据进行测试，得到如表一所示的测试结果。

表一

类别	识别为攻击样本	识别为活体样本
			攻击样本	25	5
活体样本	15	55

则在这次测试中，可以计算出假阳性率＝(活体样本中被识别为攻击样本的个数)÷(活体样本的总数)＝15÷70＝0.21；真阳性率＝(攻击样本中被识别为攻击样本的个数)÷(攻击样本的总数)＝25÷30＝0.83，从而可以出图9中R2的一个点。例如对不同的基准化测试数据做5次测试，或者对相同的基准化测试数据做5次测试，可以得到5个坐标值，从而可以绘制出R2曲线。同样地，采用第一活体识别模型对基准化测试数据进行测试可以绘制出R1曲线。

需要说明的是，图9中的ROC曲线仅是示意性的，对本公开的实施例不构成限定。例如，还可以通过更多的测试以绘制更多的坐标值，从而使ROC可以更细化。

例如，除了上述通过活体识别将特征数据更新到样本特征数据库中，还可以通过定期的人工维护来补充更加全面的攻击样本以提高活体识别的安全性。例如，在定期的维护中，新的攻击样本也可以反馈给维护方，用于更新到研发的全量数据库中，用于迭代新版本模型，从而可以使下一版本的所有设备都可以适应新的攻击数据。

在本公开的一个实施例中，如图10所示，提供了一种活体识别方法的具体流程。该方法包括图10中所示的操作步骤。

例如，首先可以调用线下活体识别设备进行人脸图像数据的采集操作，然后依次可以执行上述步骤S10、S20、S30。在步骤S30中对特征数据进行活体识别，如果确定为活体样本，则将对应的活体样本经过脱敏处理后加入到活体样本特征数据库中以更新该活体样本特征数据库(步骤S40)；如果确定为攻击样本(即非活体样本)，则将对应的活体样本经过脱敏处理后加入到攻击样本特征数据库中以更新该攻击样本特征数据库(步骤S40)；如果不确定是活体样本还是攻击样本，则继续采集人脸图像数据；如果活体识别失败，同样地，回到第一步继续采集人脸图像数据。

然后可以执行步骤S50对活体识别模型进行训练，例如对复制的第一活体识别模型进行训练得到第二活体识别模型，这样在训练的过程中可采用原来的第一活体识别模型进行活体识别；再通过步骤S60对获得的第二活体识别模型进行评估，如果第二活体识别模型的活体识别效果优于第一活体识别模型，则采用第二活体识别模型替换第一活体识别模型以完成活体识别模型的更新，下次再进行活体识别操作时即采用更新后的活体识别模型。

关于图10中所示的步骤S10、S20、S30、S40、S50、S60的详细描述可以参考上述实施例中的相应描述，这里不再赘述。

本公开的一个实施例还提供一种电子设备10，如图11所示，该电子设备10包括数据处理装置11、活体识别装置12和样本特征数据库14。例如，在一些实施例中，该电子设备10还可以包括训练装置13。

例如，数据处理装置11配置为获取待验证对象的人脸图像数据，并提取人脸图像数据中的特征数据。活体识别装置12配置为采用第一活体识别模型对特征数据进行活体识别，也就是说，活体识别装置12配置为执行上述实施例中的步骤S30。数据处理装置11还配置为将特征数据进行脱敏处理后加入到样本特征数据库14中以更新样本特征数据库14，也就是说，数据处理装置11配置为执行上述实施例中的步骤S10、S20和S40。训练装置13配置为采用更新后的样本特征数据库14对第一活体识别模型进行训练，得到第二活体识别模型，也就是说，训练装置13配置为执行上述实施例中的步骤S50。

在本公开的实施例提供的电子设备中，通过脱敏处理可以将涉及个人隐私信息的特征数据予以删除，从而提高数据的安全性。同时通过采用更新后的样本特征数据库对第一活体识别模型进行训练，可以提高该电子设备进行活体识别的鲁棒性，使得该电子设备更安全。

例如，在本公开实施例的一个示例中，活体识别装置12在进行活体识别时还可以配置为：如果对特征数据进行活体识别的判定分数大于活体阈值，则确定待验证对象为活体；如果对特征数据进行活体识别的判定分数小于攻击阈值，则确定待验证对象为非活体；以及如果对特征数据进行活体识别的判定分数大于或等于攻击阈值且小于或等于活体阈值，则确定待验证对象为待定对象。也就是说，活体识别装置12还可以配置为执行上述实施例中的步骤S31、S32和S33。

例如，在本公开实施例的一个示例中，数据处理装置11在执行步骤S40时还可以配置为：提取特征数据中与活体识别相关的数据；对特征数据进行加密操作；以及对特征数据的标注名称进行加密操作。也就是说，数据处理装置11还可以配置为执行上述实施例中的步骤S41、S42和S43。

例如，在本公开实施例的一个示例中，数据处理装置11在执行步骤S41时还可以配置为：对特征数据进行聚类操作以完成分类；以及根据分类的结果从特征数据中选择与活体识别相关的特征数据。也就是说，数据处理装置11还可以配置为执行上述实施例中的步骤S411和S412。

例如，在本公开实施例的一个示例中，训练装置13在执行步骤S50时还可以配置为：复制第一活体识别模型。以及采用更新后的样本特征数据库对复制的第一活体识别模型进行训练，得到第二活体识别模型。也就是说，训练装置13还可以配置为执行上述实施例中的步骤S51和S52。

例如，在本公开实施例的一个示例中，数据处理装置11还可以配置为：对第二活体识别模型进行评估，如果第二活体识别模型的活体识别效果优于第一活体识别模型，则采用第二活体识别模型替换第一活体识别模型以完成更新。也就是说，数据处理装置11还可以配置为执行上述实施例中的步骤S60。

例如，在一个实施例中，如图11所示，电子设备10还可以包括图像采集装置15。图像采集装置15配置为采集待验证对象的至少一个人脸图像数据。

本公开的实施例提供的电子设备的技术效果可以参考关于活体识别方法的实施例中的相应描述，这里不再赘述。

需要说明的是，本公开实施例中提供的电子设备10中的样本特征数据库可以实现为存储介质。本公开实施例中提供的电子设备10中的数据处理装置11、活体识别装置12和训练装置13都可以实现为包括专用集成电路、硬件(电路)、固件或其他任意组合方式，以实现每个装置期望的功能，例如可以具体实现为数字信号处理器等。

或者，电子设备10中的数据处理装置11、活体识别装置12和训练装置13也都可以实现为包括处理器和存储介质，该存储介质配置为存储有可适于处理器执行的计算机指令，且计算机指令被处理器执行时可以实现每个装置期望的功能。本公开的实施例对此不作限定。

本公开的一个实施例还提供一种存储介质20，如图12所示，该存储介质20上存储有可适于处理器执行的计算机指令21，且计算机指令21被处理器执行时可以实施如本公开的实施例提供的活体识别方法中的操作。

例如，在一个示例中，存储介质20可以设置在计算装置中，该计算装置还可以包括处理器，处理器可以调用存储在存储介质20中的计算机指令21。

本公开的一个实施例还提供一种活体识别设备40，如图13所示，该护体识别装置40包括处理器30和存储介质20。存储介质20上存储有可适于处理器30执行的计算机指令21，且计算机指令21被处理器30执行时可以实施如本公开的实施例提供的活体识别方法中的操作。

例如，在一个实施例中，如图14所示，活体识别设备40还可以包括图像采集装置15，图像采集装置15配置为采集待验证对象的至少一个人脸图像数据。

在本公开的实施例提供的活体识别设备中，通过脱敏处理可以将涉及个人隐私信息的特征数据予以删除，从而提高数据的安全性。同时通过采用更新后的样本特征数据库对第一活体识别模型进行训练，可以提高该活体识别设备进行活体识别的鲁棒性，使得该活体识别设备更安全。

在本公开的各实施例中，处理器可以由通用集成电路芯片或专用集成电路芯片实现，例如该集成电路芯片可以设置在一个主板上，例如在该主板上还可以设置有存储器以及电源电路等；此外，处理器也可以由电路或者采用软件、硬件(电路)、固件或其任意组合方式实现。在本公开的实施例中，处理器可以包括各种计算结构，例如复杂指令集计算机(CISC)结构、精简指令集计算机(RISC)结构或者一种实行多种指令集组合的结构。在一些实施例中，处理器也可以是中央处理器、微处理器，例如X86处理器、ARM处理器，或者可以是图像处理器(GPU)或张量处理器(TPU)，或者可以是数字处理器(DSP)等。

在本公开的实施例中，存储介质例如可以设置在上述主板上，存储介质可以保存处理器执行的指令和/或数据，以及保存运行指令产生的数据等，所产生的数据可以是结构化数据或非结构化数据等。例如，存储介质可以包括一个或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器，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、磁盘、光盘、半导体存储器(例如闪存、阻变存储器等)等。在所述计算机可读存储器上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现本公开实施例中(由处理器实现)期望的功能。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (18)

1.一种活体识别方法，包括：

获取待验证对象的人脸图像数据；

提取所述人脸图像数据中的特征数据；

采用第一活体识别模型对所述特征数据进行活体识别；

将所述特征数据进行脱敏处理后加入到样本特征数据库中以更新所述样本特征数据库，所述样本特征数据库用于训练所述第一活体识别模型。

2.根据权利要求1所述的活体识别方法，其中，所述将所述特征数据进行脱敏处理包括：

提取所述特征数据中与活体识别相关的数据。

3.根据权利要求2所述的活体识别方法，其中，所述提取所述特征数据中与活体识别相关的数据包括：

对所述特征数据进行聚类操作以完成分类；

根据分类的结果从所述特征数据中选择与活体识别相关的特征数据。

4.根据权利要求2所述的活体识别方法，其中，所述将所述特征数据进行脱敏处理还包括：

对所述特征数据进行加密操作。

5.根据权利要求4所述的活体识别方法，其中，所述将所述特征数据进行脱敏处理还包括：

对所述特征数据的标注名称进行加密操作。

6.根据权利要求1所述的活体识别方法，还包括：

采用更新后的样本特征数据库对所述第一活体识别模型进行训练，得到第二活体识别模型。

7.根据权利要求6所述的活体识别方法，还包括：

对所述第二活体识别模型进行评估，如果所述第二活体识别模型的活体识别效果优于所述第一活体识别模型，则采用所述第二活体识别模型替换所述第一活体识别模型以完成更新。

8.根据权利要求7所述的活体识别方法，其中，所述对所述第二活体识别模型进行评估包括：

采用所述第一活体识别模型对基准化测试数据进行测试得到第一误检率和第一漏检率；

采用所述第二活体识别模型对所述基准化测试数据进行测试得到第二误检率和第二漏检率；

根据所述第一误检率、所述第一漏检率、所述第二误检率和所述第二漏检率，确定所述第二活体识别模型的活体识别效果是否优于所述第一活体识别模型的活体识别效果。

9.根据权利要求8所述的活体识别方法，其中，

所述根据所述第一误检率、所述第一漏检率、所述第二误检率和所述第二漏检率，确定所述第二活体识别模型的活体识别效果是否优于所述第一活体识别模型的活体识别效果，包括：

如果所述第二误检率优于所述第一误检率，或/和所述第二漏检率优于所述第一漏检率，则判定所述第二活体识别模型的活体识别效果优于所述第一活体识别模型的活体识别效果。

10.根据权利要求8所述的活体识别方法，其中，

所述根据所述第一误检率、所述第一漏检率、所述第二误检率和所述第二漏检率，确定所述第二活体识别模型的活体识别效果是否优于所述第一活体识别模型的活体识别效果，包括：

根据所述第一误检率和所述第一漏检率绘制第一接收者操作特征曲线；

根据所述第二误检率和所述第二漏检率绘制第二接收者操作特征曲线；

如果所述第二接收者操作特征曲线的曲线下面积大于所述第一接收者操作特征曲线的曲线下面积，则判定所述第二活体识别模型的活体识别效果优于所述第一活体识别模型的活体识别效果。

11.根据权利要求6所述的活体识别方法，其中，所述采用更新后的样本特征数据库对所述第一活体识别模型进行训练，得到第二活体识别模型包括：

复制所述第一活体识别模型；

采用所述更新后的样本特征数据库对所述复制的第一活体识别模型进行训练，得到所述第二活体识别模型；

其中，在训练期间使用所述第一活体识别模型进行识别操作。

12.根据权利要求6-11任一所述的活体识别方法，其中，

在对所述第一活体识别模型进行训练的过程中，若所述第一活体识别模型的训练时长超出了预设训练时长，或者训练次数超出了预设训练次数后，则停止所述训练操作；或者，

在对所述第一活体识别模型进行训练的过程中，若接收到所述待验证对象的请求指令，则停止所述训练操作并存储当前训练节点。

13.根据权利要求12所述的活体识别方法，其中，所述预设训练时长或所述预设训练次数是根据所述活体识别方法适用的终端的类型确定的。

14.一种电子设备，包括数据处理装置、活体识别装置和样本特征数据库；其中，

所述数据处理装置配置为获取待验证对象的人脸图像数据，并提取所述人脸图像数据中的特征数据；

所述活体识别装置配置为采用第一活体识别模型对所述特征数据进行活体识别；

所述数据处理装置还配置为将所述特征数据进行脱敏处理后加入到所述样本特征数据库中以更新所述样本特征数据库。

15.根据权利要求13所述的电子设备，还包括图像采集装置，其中，所述图像采集装置配置为采集所述待验证对象的至少一个所述人脸图像数据。

16.一种存储介质，其中，所述存储介质上存储有可适于处理器执行的计算机指令，且所述计算机指令被所述处理器执行时实施如权利要求1-13任一所述的活体识别方法。

17.一种活体识别设备，包括处理器和存储介质，其中，

所述存储介质配置为存储有可适于所述处理器执行的计算机指令，且所述计算机指令被所述处理器执行时实施如权利要求1-13任一所述的活体识别方法。

18.根据权利要求17所述的活体识别设备，还包括图像采集装置，其中，所述图像采集装置配置为采集所述待验证对象的至少一个人脸图像数据。