CN109840467A - 一种活体检测方法及系统 - Google Patents

Abstract

本发明实施例提供一种活体检测方法及系统。其中，方法包括：将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；根据所述输出结果，判定所述待检测对象是否为活体；其中，所述训练好的活体检测模型通过以下步骤进行训练：基于生成式对抗网络，生成负样本训练集；通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；其中，所述负样本为攻击图像，所述正样本为真实图像。本发明实施例提供的方法及系统，不需要收集大量攻击照片，自身就能够产生大量训练数据，解决活体检测中负样本过少的问题，使得活体检测识别准确率高，可适用范围广。

Description

一种活体检测方法及系统

技术领域

本发明实施例涉及活体检测技术领域，尤其涉及一种活体检测方法及系统。

背景技术

活体检测是通常应用在身份验证等场合中的以确定待检测对象的真实生理特征的方法，能够确定待检测对象是否为真实活体本人，可有效抵御照片、换脸、面具、遮挡和屏幕翻拍等常见的攻击手段，以保证身份验证的准确性。

通常，活体检测有以下几种方式：

方式1、采用指令式的交互方式，通过发出指令指导待检测对象做出一系列规定动作或者表情，然后与预设的动作或者表情进行比对，根据比对结果来判断待检测对象是否为活体。但这种方式的缺陷在于通过下达指令的方式导致交互不友好且活体检测时间长，从而导致待检测对象的使用感差，并且，在待检测对象不配合的情况下，该方式无法进行检测。

方式2、基于三维图像建模技术的方式，但这种方式的缺陷在于计算量大，且需使用3D摄像头，成本较高。

方式3、基于红外技术的方式，但这种方式的缺陷在于成本高、对设备硬件要求苛刻。

方式4、基于深度学习的方式，但这种方式的缺陷在于数据匮乏且不够泛化，从而训练得到的模型容易过拟合且泛化能力差，准确率较低。

发明内容

针对现有技术中存在的技术问题，本发明实施例提供一种活体检测方法及系统。

第一方面，本发明实施例提供一种活体检测方法，包括：

将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；

根据所述输出结果，判定所述待检测对象是否为活体；

其中，所述训练好的活体检测模型通过以下步骤进行训练：

基于生成式对抗网络，生成负样本训练集；

通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；

其中，所述负样本为攻击图像，所述正样本为真实图像

第二方面，本发明实施例提供一种活体检测系统，包括：

输出结果获取模块，用于将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；

活体判定模块，用于根据所述输出结果，判定所述待检测对象是否为活体；

其中，所述训练好的活体检测模型通过以下步骤进行训练：

基于生成式对抗网络，生成负样本训练集；

通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；

其中，所述负样本为攻击图像，所述正样本为真实图像。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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如第一方面所提供的方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提供的一种活体检测方法及系统，通过生成式对抗网络生成负样本训练集，并通过正样本训练集和负样本训练集对活体检测模型进行训练，从而得到训练好的活体检测模型，进而将待检测对象的人脸图像输入至训练好的活体检测模型，并根据训练好的活体检测模型的输出结果判定待检测对象是否为活体。不需要收集大量攻击照片，自身就能够产生大量训练数据，解决活体检测中负样本过少的问题，使得活体检测识别准确率高，可适用范围广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种活体检测方法流程图；

图2为本发明实施例提供的一种活体检测系统的结构示意图；

图3为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种活体检测方法流程图，如图1所示，该方法包括：

步骤101，将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果。

首先，对步骤101中的技术名词进行解释。待检测对象的人脸图像，为活体检测系统通过摄像头等设备拍摄到的包含待检测对象的人脸的图像，该图像可以为直接对活人进行拍摄得到的一次图像(也可称为真实图像)，也可为对手机屏幕中的人脸图像、电脑屏幕中的人脸图像和打印出的纸质人脸图像等进行拍摄得到的二次图像(也可称为攻击图像)。简而言之，真实图像的拍摄对象为活人，攻击图像的拍摄对象不为活人。

训练好的活体检测模型为对活体检测模型进行训练后所得到的一种神经网络模型，将待检测对象的人脸图像输入至训练好的活体检测模型，可以得到训练好的活体检测模型的输出结果，通常，输出结果为待检测对象的人脸图像属于真实图像的概率或属于攻击图像的概率。

步骤102，根据所述输出结果，判定所述待检测对象是否为活体。

可以理解的是，通过将待检测对象的人脸图像属于真实图像的概率或属于攻击图像的概率与相应的阈值进行比对，可以判定待检测对象的人脸图像为真实图像还是攻击图像，若为真实图像，则判定待检测对象为活人。

其中，所述训练好的活体检测模型通过以下步骤进行训练：

基于生成式对抗网络，生成负样本训练集；

通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；

其中，所述负样本为攻击图像，所述正样本为真实图像。

需要说明的是，本发明实施例为一种基于深度学习的活体检测方法，而此种方法会由于数据(特别地，为攻击图像数据)的匮乏且不够泛化，造成活体检测模型过拟合、泛化能力差且准确率低。而为了解决上述问题，本发明实施例通过生成式对抗网络，生成负样本训练集，即包含多个攻击图像的样本集，并通过正样本训练集和负样本训练集对活体检测模型进行训练，从而得到训练好的活体检测模型。其中，需要说明的是，正样本训练集为包含多个真实图像的样本集。

进一步地，对生成式对抗网络进行进一步说明：

生成式对抗网络是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。生成式对抗网络至少包括两个模块：生成器和判别器。通过生成器和判别器的互相博弈学习，可以使得生成器产生较好的即满足条件的输出，而这个输出即为本发明实施例中生成的负样本训练集。

本发明实施例提供的方法，通过生成式对抗网络生成负样本训练集，并通过正样本训练集和负样本训练集对活体检测模型进行训练，从而得到训练好的活体检测模型，进而将待检测对象的人脸图像输入至训练好的活体检测模型，并根据训练好的活体检测模型的输出结果判定待检测对象是否为活体。不需要收集大量攻击照片，自身就能够产生大量训练数据，解决活体检测中负样本过少的问题，使得活体检测识别准确率高，可适用范围广。

在上述各实施例的基础上，训练好的活体检测模型为基于深度学习的二分类模型。

需要说明的是，二分类模型指的是输出结果仅为两类，例如，输出结果为：待检测对象是为活体的概率为1、待检测对象是为活体的概率为0。

在上述各实施例的基础上，本发明实施例对负样本训练集的生成过程进行说明。即，基于生成式对抗网络，生成负样本训练集，包括：

获取攻击图像集。

具体地，获取多张攻击图像，组成攻击图像集。这多张攻击图像可以是对手机屏幕中的人脸图像的翻拍、对电脑屏幕中的人脸图像的翻拍和打印出的纸质人脸图像等。

通过所述攻击图像集和生成式对抗网络中的判别器，对所述生成式对抗网络中的生成器进行训练，得到训练好的生成器。

具体地，本发明实施例中的生成式对抗网络包括两个模块：生成器和判别器。通过生成器和判别器的互相博弈学习，对生成器进行训练，从而得到训练好的生成器，进而可以使得训练好的生成器能够产生较好的即满足条件的输出，而这个输出即为本发明实施例中生成的负样本训练集。

基于所述训练好的生成器，生成负样本训练集。

具体地，对于训练好的生成器，输入一个随机噪声，就可输出一个负样本即攻击图像，通过多次输入随机噪声，即可输出多个负样本，组成负样本训练集。

在上述各实施例的基础上，本发明实施例对训练好的生成器的训练过程进行说明。即，通过所述攻击图像集和生成式对抗网络中的判别器，对所述生成式对抗网络中的生成器进行训练，得到训练好的生成器，包括：

通过所述攻击图像集，对生成式对抗网络中的生成器进行训练，得到训练后的生成器。

具体地，通过攻击图像集，对生成式对抗网络中的生成器进行训练，即，使得生成器学习攻击图像集中攻击图像的特征，得到训练后的生成器。

将随机噪声输入至所述训练后的生成器中，获取所述训练后的生成器的第一输出结果。

具体地，将随机噪声输入至训练后的生成器中，由于训练后的生成器学习到了攻击图像集中攻击图像的特征，因此，训练后的生成器会输出一张具有攻击图像集中攻击图像的特征的第一输出结果，即合成图像。

将所述第一输出结果和所述攻击图像集输入至所述生成式对抗网络中的判别器，获取所述判别器的第二输出结果，并当所述第二输出结果不满足预设条件时对所述训练后的生成器进行再训练，以使得所述第二输出结果满足所述预设条件，得到训练好的生成器。

可以理解的是，仅通过攻击图像集对生成器进行训练得到的训练后的生成器所输出的合成图像和和攻击图像集中的攻击图像还不够相似，因此，此处需要结合生成式对抗网络中的判别器，来对训练后的生成器进行再训练，使得再训练后的生成器所输出的合成图像和和攻击图像集中的攻击图像更相似。

进一步地，判别器就用来判断训练后的生成器所输出的合成图像和和攻击图像集中的攻击图像的相似度，进而根据相似度来判断是否对训练后的生成器进行再训练。此时，第二输出结果指的就是训练后的生成器所输出的合成图像和和攻击图像集中的攻击图像的相似度，当相似度不满足预设条件时，例如相似度小于80％时，对训练后的生成器进行再训练，直至相似度不小于80％，将此时进行再训练所得到的生成器作为训练好的生成器。通过训练好的生成器，可以得到包含大量攻击图像的负样本训练集。

在上述各实施例的基础上，上述实施例中提到的生成器和所述判别器均为神经网络，其中，生成器由多个卷积层和多个反卷积层构成，判别器由多个卷积层和多个全连接层构成。

图2为本发明实施例提供的一种活体检测系统的结构示意图，如图2所示，该系统包括：

输出结果获取模块201，用于将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；

活体判定模块202，用于根据所述输出结果，判定所述待检测对象是否为活体；

其中，所述训练好的活体检测模型通过以下步骤进行训练：

基于生成式对抗网络，生成负样本训练集；

通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；

其中，所述负样本为攻击图像，所述正样本为真实图像。

本发明实施例提供的系统，具体执行上述各方法实施例流程，具体请详见上述各方法实施例的内容，此处不再赘述。本发明实施例提供的系统，通过生成式对抗网络生成负样本训练集，并通过正样本训练集和负样本训练集对活体检测模型进行训练，从而得到训练好的活体检测模型，进而将待检测对象的人脸图像输入至训练好的活体检测模型，并根据训练好的活体检测模型的输出结果判定待检测对象是否为活体。不需要收集大量攻击照片，自身就能够产生大量训练数据，解决活体检测中负样本过少的问题，使得活体检测识别准确率高，可适用范围广。

图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的方法，例如包括：将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；根据所述输出结果，判定所述待检测对象是否为活体。

此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；根据所述输出结果，判定所述待检测对象是否为活体。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种活体检测方法，其特征在于，包括：

将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；

根据所述输出结果，判定所述待检测对象是否为活体；

其中，所述训练好的活体检测模型通过以下步骤进行训练：

基于生成式对抗网络，生成负样本训练集；

通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；

其中，所述负样本为攻击图像，所述正样本为真实图像。

2.根据权利要求1所述的方法，其特征在于，所述训练好的活体检测模型为基于深度学习的二分类模型。

3.根据权利要求1所述的方法，其特征在于，基于生成式对抗网络，生成负样本训练集，包括：

获取攻击图像集；

通过所述攻击图像集和生成式对抗网络中的判别器，对所述生成式对抗网络中的生成器进行训练，得到训练好的生成器；

基于所述训练好的生成器，生成负样本训练集。

4.根据权利要求3所述的方法，其特征在于，通过所述攻击图像集和生成式对抗网络中的判别器，对所述生成式对抗网络中的生成器进行训练，得到训练好的生成器，包括：

通过所述攻击图像集，对生成式对抗网络中的生成器进行训练，得到训练后的生成器；

将随机噪声输入至所述训练后的生成器中，获取所述训练后的生成器的第一输出结果；

将所述第一输出结果和所述攻击图像集输入至所述生成式对抗网络中的判别器，获取所述判别器的第二输出结果，并当所述第二输出结果不满足预设条件时对所述训练后的生成器进行再训练，以使得所述第二输出结果满足所述预设条件，得到训练好的生成器。

5.根据权利要求3所述的方法，其特征在于，所述生成器和所述判别器均为神经网络。

6.根据权利要求5所述的方法，其特征在于，所述生成器由多个卷积层和多个反卷积层构成。

7.根据权利要求5所述的方法，其特征在于，所述判别器由多个卷积层和多个全连接层构成。

8.一种活体检测系统，其特征在于，包括：

输出结果获取模块，用于将待检测对象的人脸图像输入至训练好的活体检测模型，获取所述训练好的活体检测模型的输出结果；

活体判定模块，用于根据所述输出结果，判定所述待检测对象是否为活体；

其中，所述训练好的活体检测模型通过以下步骤进行训练：

基于生成式对抗网络，生成负样本训练集；

通过正样本训练集和所述负样本训练集，对所述活体检测模型进行训练，得到所述训练好的活体检测模型；

其中，所述负样本为攻击图像，所述正样本为真实图像。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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如权利要求1至7任一项所述方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。