CN109858381A - 活体检测方法、装置、计算机设备和存储介质 - Google Patents
活体检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109858381A CN109858381A CN201910007311.3A CN201910007311A CN109858381A CN 109858381 A CN109858381 A CN 109858381A CN 201910007311 A CN201910007311 A CN 201910007311A CN 109858381 A CN109858381 A CN 109858381A
- Authority
- CN
- China
- Prior art keywords
- detected
- living body
- vivo detection
- image
- facial image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001574 biopsy Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 185
- 238000001727 in vivo Methods 0.000 claims abstract description 173
- 230000001815 facial effect Effects 0.000 claims abstract description 119
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 49
- 230000001755 vocal effect Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及人工智能技术领域，提供了一种活体检测方法、装置、计算机设备和存储介质。其中方法包括：获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定所述待检测人脸图像的场景类别；从所述待检测人脸图像中提取与所述场景类别对应的图像特征；获取所述场景类别对应的活体检测模型，将所述图像特征输入到所述活体检测模型中，得到所述待检测人脸图像对应的活体概率预测值；根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果。采用本本申请的方法能够提高活体检测的准确性。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种活体检测方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，出现了人脸识别技术，然而目前人脸识别技术能识别人脸图像的身份但无法准确辨别所输入人脸的真伪。为了能够自动地、高效地辨别图像真伪抵抗欺骗攻击以确保系统安全，提出了活体检测技术，所谓的活体检测，通俗地将，就是在人脸识别的过程中判断这张人脸对应的是否为活人。
传统的活体检测方式中，可利用摄像头来采集用户图片，并按照预定的统一方式对用户图片进行特征提取，进而根据提取出的特征确定用户是否为活体，这种方式，由于没有对场景进行区别，，导致得到的检测结果的准确性会比较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高活体检测准确性的活体检测方法、装置、计算机设备和存储介质。
一种活体检测方法，所述方法包括：
获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定所述待检测人脸图像的场景类别；
从所述待检测人脸图像中提取与所述场景类别对应的图像特征；
获取所述场景类别对应的活体检测模型，将所述图像特征输入到所述活体检测模型中，得到所述待检测人脸图像对应的活体概率预测值；
根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果。
在其中一个实施例中，所述从所述待检测人脸图像中提取与所述场景类别对应的图像特征，包括：
获取所述场景类别对应的特征提取模型；
将所述待检测人脸图像输入至所述特征提取模型，得到与所述场景类别对应的图像特征。
在其中一个实施例中，所述根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果，包括：
当所述活体概率预测值不超过预设阈值时，确定所述活体检测结果为非活体；
当所述活体概率预测值超过预测阈值时，确定所述活体检测结果为疑似活体；
在所述根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果之后，包括：
当所述活体检测结果为疑似活体时，获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证。
在其中一个实施例中，所述获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证，包括：
获取所述待检测用户朗读随机文本时的音频数据；
将采集的所述音频数据转换成文本，与所述随机文本进行比对，当比对成功时，对所述音频数据提取声纹特征；
获取所述待检测用户对应的预先存储的声纹特征；
将提取到的所述声纹特征与所述预先存储的声纹特征进行比对，当比对成功时，判定所述待检测用户为活体。
在其中一个实施例中，所述获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证，包括：
获取所述待检测用户朗读随机文本时的视频数据；
从所述视频数据对应的每帧视频图像中提取嘴唇轮廓特征；
将所述嘴唇轮廓特征输入已训练的唇语识别模型，得到所述待检测用户的唇语信息；
当所述唇语信息与所述随机文本一致时，判定所述待检测用户为活体。
在其中一个实施例中，所述活体检测模型的生成步骤包括：
获取所述场景类别对应的训练样本集合，所述训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值；
确定所述场景类别对应的初始活体检测模型的模型结构信息，以及初始化所述初始活体检测模型的模型参数；
根据所述场景类别从所述训练样本中的样本人脸图像提取对应的样本图像特征；
将所述样本图像特征输入所述初始活体检测模型，得到所述样本人脸图像对应的样本活体概率预测值；
基于所述样本活体概率预测值与所述训练样本中的活体概率值之间的差异，调整所述初始活体检测模型的模型参数，得到目标活体检测模型；
将所述目标活体检测模型确定为所述场景类别对应的活体检测模型。
一种活体检测装置，所述装置包括：
场景类别确定模块，用于获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定所述待检测人脸图像的场景类别；
图像特征提取模块，用于从所述待检测人脸图像中提取与所述场景类别对应的图像特征；
活体概率预测值获得模块，用于获取所述场景类别对应的活体检测模型，将所述图像特征输入到所述活体检测模型中，得到所述待检测人脸图像对应的活体概率预测值；
活体检测结果确定模块，用于根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果。
在其中一个实施例中，所述图像特征提取模块还用于获取所述场景类别对应的特征提取模型；将所述待检测人脸图像输入至所述特征提取模型，得到与所述场景类别对应的图像特征。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意实施例所述的活体检测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意实施例所述的活体检测方法的步骤。
上述活体检测方法、装置、计算机设备和存储介质，首先获取待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别，然后从待检测人脸图像中提取与场景类别对应的图像特征，接着获取待检测图片的场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到活体概率预测值，最后根据活体概率预测值确定活体检测结果，本申请中，根据不同的场景类别提取对应的图像特征，能够提取到准确的符合场景要求的图像特征，进一步将提取到的图像特征输入到与场景类别对应的活体检测模型进行活体概率预测，使得得到的活体概率预测值的准确性大大提升，因此，本申请可以提高活体检测的准确性。
附图说明
图1为一个实施例中活体检测方法的应用场景图；
图2为一个实施例中活体检测方法的流程示意图；
图3为一个实施例中活体检测模型的生成步骤的流程示意图；
图4为另一个实施例中活体检测方法的流程示意图；
图5为一个实施例中活体检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的活体检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可通过摄像头采集待检测用户的人脸图像，然后将采集的图像发送至服务器104，服务器104获取到待检测用户的人脸图像后，首先采用预先训练的场景分类模型确定该人脸图像所属的场景类别，在确定了场景类别后，从该人脸图像中提取与场景类别对应的图像特征，然后将提取的图像特征输入到场景类别对应的已训练好的活体检测模型中，以得到活体概率预测值，最后比较活体检测概率值与预设阈值之间的大小关系，从而得到待检测用户的活体检测结果。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种活体检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别。
其中，待检测用户指的是需要进行活体检测的用户；待检测用户的待检测图像指的是对待检测用户采集的用于作为活体检测的图像；场景分类模型用于对人脸图像的场景类别进行判定，可通过将各个场景类别下的图片作为训练样本进行有监督的模型训练得到；场景类别指的是待检测图片对应的采集场景，如可包括不同的采集端，如高、中、低端手机摄像头等采集场景。
具体地，终端对待检测用户的人脸图像进行采集，然后将采集的待检测人脸图像发送至服务器，服务器在获取到待检测人脸图像后，将待检测人脸图像输入到预先训练的场景分类模型中，从而得到待检测人脸图像的场景类别。
步骤S204，从待检测人脸图像中提取与场景类别对应的图像特征。
具体地，对于不同的场景类别，由于采集图像的效果并不同，因此提取的图像特征并不相同，例如，在在高端摄像头对应的场景类别下，可从待检测图片中提取纹理特征作为图像特征；在低端摄像头对应的场景类别下，由于采集的图像清晰度不高，可以从待检测图片中提取摩尔纹作为图像特征。
在一个实施例中，可预先训练图像特征提取模型，在提取图像特征时，将待检测人脸图像输入至图像特征提取模型中，从而得到图像特征。在另一实施例中，可采用DoG(difference of Gaussian)滤波器对待检测图像进行滤波预处理获取其中的中频带信息，采用傅立叶变换器从预处理过的二维图像中提取出傅立叶变换特征作为图像特征。
步骤S206，获取场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到待检测人脸图像对应的活体概率预测值。
具体地，由于每一个场景类别下确定是否为活体时提取的图像特征不同，因此，可对不同的场景训练不同的活体检测模型，在获取到图像特征后，将图像特征输入到与场景类别对应的活体检测模型中，从而得到活体概率预测值。活体检测模型用于预测待检测图片的活体概率预测值，可通过机器学习的方法训练得到，其中，机器学习方法包括但不限于决策树、逻辑回归、朴素贝叶斯、神经网络等等。其中，活体概率预测值用于表征待检测用户为活体用户的可能性大小，活体概率预测值越小表示待检测用户为活体的可能性越小。
在一个实施例中，活体检测模型可以为通过对神经网络进行训练得到的模型，其中，神经网络包括至少一个卷积层、池化层及全连接层，将图像特征输入到活体检测模型中，得到待检测人脸图像对应的活体概率预测值，包括：首先将图像特征输入到卷积层，通过卷积层进行卷积运算得到第一特征矩阵，然后将第一特征矩阵输入到池化层，通过池化层对第一特征矩阵中的每个向量中最大的权重进行投影得到归一化的第二特征矩阵，将第二特征矩阵输入到全连接层，通过全连接层对第二特征矩阵进行计算得到活体概率预测值。
步骤S208，根据活体概率预测值，确定待检测人脸图像对应的活体检测结果。
具体地，可以先确定一个预设阈值，该预设阈值可以是由技术人员人工设定的，也可以是基于对大量样本数据进行统计分析后所得到的。服务器可以根据活体概率预测值与该预设阈值的大小关系确定待检测
在一个实施例中，当活体概率预测值不超过该预设阈值时，确定活体检测结果为非活体；当活体检测概率超过该预设阈值时，确定活体检测结果为活体。
上述活体检测方法中，服务器首先获取待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别，然后从待检测人脸图像中提取与场景类别对应的图像特征，接着服务器获取待检测图片的场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到活体概率预测值，最后根据活体概率预测值确定活体检测结果，本申请中，根据不同的场景类别提取对应的图像特征，能够提取到准确的符合场景要求的图像特征，进一步将提取到的图像特征输入到与场景类别对应的活体检测模型进行活体概率预测，使得得到的活体概率预测值的准确性大大提升，因此，本申请可以提高活体检测的准确性。
在一个实施例中，从待检测人脸图像中提取与场景类别对应的图像特征，包括：获取场景类别对应的特征提取模型；将待检测人脸图像输入至特征提取模型，得到与场景类别对应的图像特征。
本实施例中，由于不同的场景下需要提取的特征并不相同，因此，可预先对各个场景类别分别训练一个特征提取模型，以用于对各个场景下的人脸图像进行特征提取。在训练好特性提取模型后，可将各个特征提取模型分别与其对应的场景类别建立对应关系。服务器在获取到待检测人脸图像的场景类别后，可根据场景类别与特征提取模型之间的对应关系获取到与该场景类别对应的特征提取模型，然后将待检测人脸图像输入到该特征提取模型中，从而得到与该场景类别对应的图像特征。
在一个实施例中，特征提取模型，可以是卷积神经网络，卷积神经网络(Convolutional Neural Network，CNN)可以包括至少一个卷积层、池化层、激励函数层，其中，卷积层用于提取图像特征，池化层可以用于对输入的信息进行下采样(Down Sample)，以压缩数据和参数的量，减少过拟合，激励函数层用于对输入的信息进行非线性计算。卷积层的计算方法可参照以下公式：
conv＝σ(imgMat°W+b)
其中，σ表示激活函数，imgMat表示灰度图像矩阵，W表示卷积核，°表示卷积操作，b表示偏置值。
在具体实施例时，可首先利用Sobel—Gx卷积核来对待检测人脸图像做卷积，即上述公式中的imgMat°W，得到一个矩阵，其中，卷积核的大小可以根据需要进行确定，例如可以是3X3的卷积核，然后将所得结果中的每个元素都加上b(偏置值)，并将所得结果中的每个元素都输入到激活函数，最终得到提取的图像特征，其中，激活函数可以取sigmoid函数如下式所示：
f(x)＝1/(1+e-x)
在一个实施例中，每个场景类别对应的特征提取模型均可按照以下方式训练得到；获取该场景类别下的人脸图像集合；确定初始特征提取模型的模型结构信息和初始生成对抗网络的网络结构信息，以及初始化该初始特征提取模型的模型参数和该初始生成对抗网络的网络参数；对于人脸图像集合中的人脸图像，执行以下调参步骤：将该人脸图像输入初始特征提取模型，得到与该人脸图像对应的图像特征；将所得到的图像特征输入初始生成器，得到生成人脸图像；基于所得到的生成人脸图像和该活体人脸图像之间的相似度，调整初始特征提取模型和初始生成器的参数；将调整后的初始特征提取模型确定为特征提取模型。
其中，上述初始生成器是初始生成对抗网络中的生成器，初始生成对抗网络可以是为了训练特征提取模型而预先确定的包括初始生成器和初始判别器的生成对抗网络(GAN，Generative Adversarial Networks)，其中，初始生成器用于生成图像，初始判别器用于确定所输入的图像是生成图像还是真实图像。
进一步，在具体实施时，可以以所得到的生成人脸图像和该活体人脸图像之间的相似度最大化为目标设定目标函数，然后采用预设优化算法，调整初始特征提取模型和初始生成器的参数以对目标函数进行优化，并在满足预设训练结束条件的情况下，结束调参步骤。例如，预设训练结束条件可以包括但不限于：训练时间超过预设时长、执行调参步骤的次数超过预设次数、所得到的生成人脸图像和该活体人脸图像之间的相似度大于预设相似度阈值。
在一个实施例中，根据活体概率预测值，确定待检测人脸图像对应的活体检测结果，包括：当活体概率预测值不超过预设阈值时，确定活体检测结果为非活体；当活体概率预测值超过预测阈值时，确定活体检测结果为疑似活体；在根据活体概率预测值，确定待检测人脸图像对应的活体检测结果之后，上述方法还包括：当活体检测结果为疑似活体时，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证。
具体地，服务器判断活体概率预测值是否超过预设阈值，若否，则判定待检测用户为非活体，在这种情况下，待检测图像通常为对待检测用户的照片采集的人脸图像；若是，则说明待检测用户为疑似活体，当待检测用户为疑似活体时，待检测图像有可能是对待检测用户本人采集的活体人脸图像，也有可能为对待检测用户的活体人脸视频进行拍照而得到的图像，当待检测图像为对活体人脸视频进行拍照而得到的图像时，待检测用户为非活体用户。本实施例中，通过将活体概率预测值超过预设阈值的待检测照片确定为疑似活体，可以防止他人使用待检测用户的活体人脸视频进行活体检测从而构成对人脸识别系统的欺诈。
进一步，本实施例中，当活体检测结果为疑似活体时，获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证以确认待检测用户是否为活体。预设的指令包括但不限于是指示待检测用户进行朗读的指令、指示待检测用户做出预设的动作的指令。
上述实施例中，通过设置预设阈值，将活体概率预测值不超过该预设阈值的确定为非活体，从而可以快速判断出使用待检测用户照片来进行活体检测的欺诈行为，同时将活体概率预测值超过该预设阈值的确定为疑似活体并进行进一步验证，可有效地排除使用待检测用户活体人脸视频进行活体检测的欺诈行为，从而最大限度地保证人脸识别系统的安全性。
在一个实施例中，当活体检测结果为疑似活体时，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证，包括：获取待检测用户朗读随机文本时的音频数据；将采集的音频数据转换成文本，与随机文本进行比对，当比对成功时，对音频数据提取声纹特征；获取待检测用户对应的预先存储的声纹特征；将提取到的声纹特征与预先存储的声纹特征进行比对，当比对成功时，判定待检测用户为活体。
具体地，服务随机生成一个文本，该文本可以是数字或文字中的至少一种，然后将生成的文本发送至终端，终端对接收的文本进行显示，并指示待检测用户进行朗读，采集待检测用户按照该指令朗读时音频数据，发送至服务器，服务器在接收到音频数据后，将音频数据转换为文本，与之前生成的随机文本进行比对，当比对成功时，说明此时朗读该文本的为活体用户，因为文本是事先生成的，无法事先进行录制，但是在这种情况下，仍然可能出现其他人使用待检测用户的活体人脸视频进行活体检测并使用自身的语音进行朗读的情况，因此，在比对成功后，服务器还可以从音频中提取声纹特征，然后根据待检测用户的用户标识查找其预先存储的声纹特征，将两个声纹特征进行比对，若比对成功，则判定为活体用户，若比对不成功，则很可能为其他人使用待检测用户的活体人脸视频来进行活体检测。其中，待检测用户的声纹特征可以为从待检测用户进行用户注册时录制的音频中提取的特征。在进行声纹特征提取时，可利用梅尔倒谱系数进行提取。
上述实施例中，通过判断待检测用户能否正确的朗读随机文本以及判断待检测用户的声纹特征是否正确来对疑似活体的用户做进一步的活体检测验证，可以保证活体检测的准确性，有效地防止使用活体人脸视频对人脸识别系统进行欺诈的情况。
在一个实施例中，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证，包括：获取待检测用户朗读随机文本时的视频数据；从视频数据对应的每帧视频图像中提取嘴唇轮廓特征；将嘴唇轮廓特征输入已训练的唇语识别模型，得到待检测用户的唇语信息；当唇语信息与随机文本一致时，判定待检测用户为活体。
具体地，服务器端随机生成文本，可以是文字和数字中的至少一种，并发送至终端，终端对该文本进行显示，并指示待检测用户进行朗读，在待检测用户按照该指令朗读的过程中，终端进行视频录制，并将视频数据发送至服务器，服务器在接收到该视频数据后，对于视频中的每一帧图像，服务器首先进行人脸检测，然后进行唇部区域定位，最后对定位出的唇部区域进行特征提取，得到嘴唇轮廓特征，其中，进行唇部区域定位时，可以采用基于像素的提取方法，例如基于光流的方法、基于特征唇和能量序列的方法等等，进一步，服务器将提取到的嘴唇轮廓特征输入已训练的唇语识别模型识别鉴别对象的唇语信息，最后判断唇语信息与之前生成的随机文本是否一致，若是，则判断待检测用户为活体。可以理解，本实施例中的唇语识别模型可采用现有技术的模型训练方法得到，本申请再次不赘述。
上述实施例中，通过获取待检测用户朗读随机文本时的视频，从视频中提取嘴唇轮廓特征，并进行唇语识别，来判断待检测用户所朗读是否正确，由于文本是随机生成的，用户无法预知所需要朗读的文本，因此无法进行视频伪造，可以有效地防止使用活体人脸视频对人脸识别系统进行欺诈的情况。
在一个实施例中，如图3所示，活体检测模型的训练步骤包括：
步骤S302，获取场景类别对应的训练样本集合，训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值。
其中，训练样本集中的样本人脸图像包括对活体人脸采集的图像以及对非活体人脸(例如打印的人脸照片)采集的图像，对活体人脸采集的图像，其对应的活体概率值为100％，而对非活体人脸采集的图像，其活体概率值为0。
本实施例中，对不同场景类别的活体检测模型进行训练时，需采集该场景下的图像作为训练样本，以使得训练得到的活体检测模型能够更加准确的预测活体概率值。
步骤S304，确定场景类别对应的初始活体检测模型的模型结构信息，以及初始化初始活体检测模型的模型参数。
具体地，初始活体检测模型可以是各种可以实现分类功能的机器学习模型，对于不同类型的模型，所需要确定的模型结构信息也不相同。例如，初始活体检测模型可以为决策树、逻辑回归、朴素贝叶斯、神经网络等等。
进一步，可以将初始活体检测模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。
步骤S306，根据场景类别从训练样本中的样本人脸图像提取对应的样本图像特征。
具体地，对不同的场景类别训练活体检测模型时，从样本人脸图像中提取与该场景类别对应的样本图像特征，例如，在用高端摄像头采集人脸图像的场景下，可以提取纹理特征作为样本人脸图像。
步骤S308，将样本图像特征输入初始活体检测模型，得到样本人脸图像对应的样本活体概率预测值。
步骤S310，基于样本活体概率预测值与训练样本中的活体概率值之间的差异，调整初始活体检测模型的模型参数，得到目标活体检测模型。
步骤S312，将目标活体检测模型确定为场景类别对应的活体检测模型。
具体地，将样本图像特征输入到初始活体检测模型中可以得到活体概率预测值，然后利用预设的损失函数(例如，L1范数或者L2范数等)计算活体概率预测值与该训练样本中的活体概率值之间的差异，以及基于计算所得的差异调整上述初始活体检测模型的模型参数，当满足预设训练结束条件的情况时，得到目标活体检测模型。本实施例中，可以采用各种实现方式基于计算所得的差异调整上述初始活体检测模型的模型参数。例如，可以采用BP算法或者SGD算法来调整初始活体检测模型的模型参数。进一步，将目标活体检测模型确定为该场景类型对应的活体检测模型。
在一个实施例中，如图4所示，提供了一种活体检测方法，包括以下步骤：
步骤S402，获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别。
步骤S404，获取场景类别对应的特征提取模型，将待检测人脸图像输入至特征提取模型，得到与场景类别对应的图像特征。
步骤S406，获取场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到待检测人脸图像对应的活体概率预测值。
步骤S408，判断活体概率预测值是否大于预设阈值，若否，则进入步骤S410；若是，则进入步骤S412。
步骤S410，确定活体检测结果为非活体。
步骤S412，获取待检测用户朗读随机文本时的音频数据。
步骤S414，将采集的音频数据转换成文本，与随机文本进行比对，当比对成功时，对音频数据提取声纹特征。
步骤S416，获取待检测用户对应的预先存储的声纹特征。
步骤S418，将提取到的声纹特征与预先存储的声纹特征进行比对，当比对成功时，判定待检测用户为活体。
关于步骤S402-S418的解释可参见上述实施例中的解释，本申请在此不赘述。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种活体检测装置500，包括：
场景类别确定模块502，用于获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别；
图像特征提取模块504，用于从待检测人脸图像中提取与场景类别对应的图像特征；
活体概率预测值获得模块506，用于获取场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到待检测人脸图像对应的活体概率预测值；
活体检测结果确定模块508，用于根据活体概率预测值，确定待检测人脸图像对应的活体检测结果。
在一个实施例中，图像特征提取模块还用于获取场景类别对应的特征提取模型；将待检测人脸图像输入至特征提取模型，得到与场景类别对应的图像特征。
在一个实施例中，活体检测结果确定模块还用于当活体概率预测值不超过预设阈值时，确定活体检测结果为非活体；当活体概率预测值超过预测阈值时，确定活体检测结果为疑似活体；上述装置还包括：验证模块，用于当活体检测结果为疑似活体时，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证。
在一个实施例中，上述验证模块还用于获取待检测用户朗读随机文本时的音频数据；将采集的音频数据转换成文本，与随机文本进行比对，当比对成功时，对音频数据提取声纹特征；获取待检测用户对应的预先存储的声纹特征；将提取到的声纹特征与预先存储的声纹特征进行比对，当比对成功时，判定待检测用户为活体。
在一个实施例中，上述验证模块还用于获取待检测用户朗读随机文本时的视频数据；从视频数据对应的每帧视频图像中提取嘴唇轮廓特征；将嘴唇轮廓特征输入已训练的唇语识别模型，得到待检测用户的唇语信息；当唇语信息与随机文本一致时，判定待检测用户为活体。
在一个实施例中，活体检测模型的生成步骤包括：获取场景类别对应的训练样本集合，训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值；确定场景类别对应的初始活体检测模型的模型结构信息，以及初始化初始活体检测模型的模型参数；根据场景类别从训练样本中的样本人脸图像提取对应的样本图像特征；将样本图像特征输入初始活体检测模型，得到样本人脸图像对应的样本活体概率预测值；基于样本活体概率预测值与训练样本中的活体概率值之间的差异，调整初始活体检测模型的模型参数，得到目标活体检测模型；将目标活体检测模型确定为场景类别对应的活体检测模型。
关于活体检测装置的具体限定可以参见上文中对于活体检测方法的限定，在此不再赘述。上述活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储活体检测过程中的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种活体检测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别；从待检测人脸图像中提取与场景类别对应的图像特征；获取场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到待检测人脸图像对应的活体概率预测值；根据活体概率预测值，确定待检测人脸图像对应的活体检测结果。
在一个实施例中，从待检测人脸图像中提取与场景类别对应的图像特征，包括：获取场景类别对应的特征提取模型；将待检测人脸图像输入至特征提取模型，得到与场景类别对应的图像特征。
在一个实施例中，根据活体概率预测值，确定待检测人脸图像对应的活体检测结果，包括：当活体概率预测值不超过预设阈值时，确定活体检测结果为非活体；当活体概率预测值超过预测阈值时，确定活体检测结果为疑似活体；在根据活体概率预测值，确定待检测人脸图像对应的活体检测结果之后，处理器执行计算机程序时还实现以下步骤：当活体检测结果为疑似活体时，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证。
在一个实施例中，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证，包括：获取待检测用户朗读随机文本时的音频数据；将采集的音频数据转换成文本，与随机文本进行比对，当比对成功时，对音频数据提取声纹特征；获取待检测用户对应的预先存储的声纹特征；将提取到的声纹特征与预先存储的声纹特征进行比对，当比对成功时，判定待检测用户为活体。
在一个实施例中，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证，包括：获取待检测用户朗读随机文本时的视频数据；从视频数据对应的每帧视频图像中提取嘴唇轮廓特征；将嘴唇轮廓特征输入已训练的唇语识别模型，得到待检测用户的唇语信息；当唇语信息与随机文本一致时，判定待检测用户为活体。
在一个实施例中，活体检测模型的生成步骤包括：获取场景类别对应的训练样本集合，训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值；确定场景类别对应的初始活体检测模型的模型结构信息，以及初始化初始活体检测模型的模型参数；根据场景类别从训练样本中的样本人脸图像提取对应的样本图像特征；将样本图像特征输入初始活体检测模型，得到样本人脸图像对应的样本活体概率预测值；基于样本活体概率预测值与训练样本中的活体概率值之间的差异，调整初始活体检测模型的模型参数，得到目标活体检测模型；将目标活体检测模型确定为场景类别对应的活体检测模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定待检测人脸图像的场景类别；从待检测人脸图像中提取与场景类别对应的图像特征；获取场景类别对应的活体检测模型，将图像特征输入到活体检测模型中，得到待检测人脸图像对应的活体概率预测值；根据活体概率预测值，确定待检测人脸图像对应的活体检测结果。
在一个实施例中，从待检测人脸图像中提取与场景类别对应的图像特征，包括：获取场景类别对应的特征提取模型；将待检测人脸图像输入至特征提取模型，得到与场景类别对应的图像特征。
在一个实施例中，根据活体概率预测值，确定待检测人脸图像对应的活体检测结果，包括：当活体概率预测值不超过预设阈值时，确定活体检测结果为非活体；当活体概率预测值超过预测阈值时，确定活体检测结果为疑似活体；在根据活体概率预测值，确定待检测人脸图像对应的活体检测结果之后，计算机程序被处理器执行时还实现以下步骤：当活体检测结果为疑似活体时，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证。
在一个实施例中，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证，包括：获取待检测用户朗读随机文本时的音频数据；将采集的音频数据转换成文本，与随机文本进行比对，当比对成功时，对音频数据提取声纹特征；获取待检测用户对应的预先存储的声纹特征；将提取到的声纹特征与预先存储的声纹特征进行比对，当比对成功时，判定待检测用户为活体。
在一个实施例中，获取待检测用户按照预设指令进行验证时的验证数据，根据验证数据对待检测用户的活体检测结果进行验证，包括：获取待检测用户朗读随机文本时的视频数据；从视频数据对应的每帧视频图像中提取嘴唇轮廓特征；将嘴唇轮廓特征输入已训练的唇语识别模型，得到待检测用户的唇语信息；当唇语信息与随机文本一致时，判定待检测用户为活体。
在一个实施例中，活体检测模型的生成步骤包括：获取场景类别对应的训练样本集合，训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值；确定场景类别对应的初始活体检测模型的模型结构信息，以及初始化初始活体检测模型的模型参数；根据场景类别从训练样本中的样本人脸图像提取对应的样本图像特征；将样本图像特征输入初始活体检测模型，得到样本人脸图像对应的样本活体概率预测值；基于样本活体概率预测值与训练样本中的活体概率值之间的差异，调整初始活体检测模型的模型参数，得到目标活体检测模型；将目标活体检测模型确定为场景类别对应的活体检测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种活体检测方法，所述方法包括：
获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定所述待检测人脸图像的场景类别；
从所述待检测人脸图像中提取与所述场景类别对应的图像特征；
获取所述场景类别对应的活体检测模型，将所述图像特征输入到所述活体检测模型中，得到所述待检测人脸图像对应的活体概率预测值；
根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果。
2.根据权利要求1所述的方法，其特征在于，所述从所述待检测人脸图像中提取与所述场景类别对应的图像特征，包括：
获取所述场景类别对应的特征提取模型；
将所述待检测人脸图像输入至所述特征提取模型，得到与所述场景类别对应的图像特征。
3.根据权利要求1所述的方法，其特征在于，所述根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果，包括：
当所述活体概率预测值不超过预设阈值时，确定所述活体检测结果为非活体；
当所述活体概率预测值超过预测阈值时，确定所述活体检测结果为疑似活体；
在所述根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果之后，包括：
当所述活体检测结果为疑似活体时，获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证。
4.根据权利要求3所述的方法，其特征在于，所述获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证，包括：
获取所述待检测用户朗读随机文本时的音频数据；
将获取的所述音频数据转换成文本，与所述随机文本进行比对，当比对成功时，对所述音频数据提取声纹特征；
获取所述待检测用户对应的预先存储的声纹特征；
将提取到的所述声纹特征与所述预先存储的声纹特征进行比对，当比对成功时，判定所述待检测用户为活体。
5.根据权利要求3所述的方法，所述获取所述待检测用户按照预设指令进行验证时的验证数据，根据所述验证数据对所述待检测用户的活体检测结果进行验证，包括：
获取所述待检测用户朗读随机文本时的视频数据；
从所述视频数据对应的每帧视频图像中提取嘴唇轮廓特征；
将所述嘴唇轮廓特征输入已训练的唇语识别模型，得到所述待检测用户的唇语信息；
当所述唇语信息与所述随机文本一致时，判定所述待检测用户为活体。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述活体检测模型的生成步骤包括：
获取所述场景类别对应的训练样本集合，所述训练样本集合中每个训练样本包括样本人脸图像和对应的活体概率值；
确定所述场景类别对应的初始活体检测模型的模型结构信息，以及初始化所述初始活体检测模型的模型参数；
根据所述场景类别从所述训练样本中的样本人脸图像提取对应的样本图像特征；
将所述样本图像特征输入所述初始活体检测模型，得到所述样本人脸图像对应的样本活体概率预测值；
基于所述样本活体概率预测值与所述训练样本中的活体概率值之间的差异，调整所述初始活体检测模型的模型参数，得到目标活体检测模型；
将所述目标活体检测模型确定为所述场景类别对应的活体检测模型。
7.一种活体检测装置，其特征在于，所述装置包括：
场景类别确定模块，用于获取待检测用户对应的待检测人脸图像，根据预先训练的场景分类模型确定所述待检测人脸图像的场景类别；
图像特征提取模块，用于从所述待检测人脸图像中提取与所述场景类别对应的图像特征；
活体概率预测值获得模块，用于获取所述场景类别对应的活体检测模型，将所述图像特征输入到所述活体检测模型中，得到所述待检测人脸图像对应的活体概率预测值；
活体检测结果确定模块，用于根据所述活体概率预测值，确定所述待检测人脸图像对应的活体检测结果。
8.根据权利要求7所述的装置，其特征在于，所述图像特征提取模块还用于获取所述场景类别对应的特征提取模型；将所述待检测人脸图像输入至所述特征提取模型，得到与所述场景类别对应的图像特征。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910007311.3A CN109858381A (zh) | 2019-01-04 | 2019-01-04 | 活体检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910007311.3A CN109858381A (zh) | 2019-01-04 | 2019-01-04 | 活体检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858381A true CN109858381A (zh) | 2019-06-07 |
Family
ID=66893896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910007311.3A Pending CN109858381A (zh) | 2019-01-04 | 2019-01-04 | 活体检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858381A (zh) |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458024A (zh) * | 2019-07-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 活体检测方法及装置和电子设备 |
| CN110520865A (zh) * | 2019-06-27 | 2019-11-29 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| CN110738103A (zh) * | 2019-09-04 | 2020-01-31 | 北京奇艺世纪科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
| CN111046804A (zh) * | 2019-12-13 | 2020-04-21 | 北京旷视科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| CN111061369A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 交互方法、装置、设备及存储介质 |
| CN111091047A (zh) * | 2019-10-28 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 活体检测方法、装置、服务器和人脸识别设备 |
| CN111144425A (zh) * | 2019-12-27 | 2020-05-12 | 五八有限公司 | 检测拍屏图片的方法、装置、电子设备及存储介质 |
| CN111325105A (zh) * | 2020-01-22 | 2020-06-23 | 上海眼控科技股份有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN111325185A (zh) * | 2020-03-20 | 2020-06-23 | 上海看看智能科技有限公司 | 人脸防欺诈方法及系统 |
| CN111368681A (zh) * | 2020-02-27 | 2020-07-03 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
| CN111881726A (zh) * | 2020-06-15 | 2020-11-03 | 马上消费金融股份有限公司 | 一种活体检测方法、装置及存储介质 |
| CN112016505A (zh) * | 2020-09-03 | 2020-12-01 | 平安科技（深圳）有限公司 | 基于人脸图像的活体检测方法、设备、存储介质及装置 |
| CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN112183167A (zh) * | 2019-07-04 | 2021-01-05 | 钉钉控股（开曼）有限公司 | 考勤方法、认证方法、活体检测方法、装置及设备 |
| CN112580615A (zh) * | 2021-02-26 | 2021-03-30 | 北京远鉴信息技术有限公司 | 一种活体的认证方法、认证装置及电子设备 |
| CN112613457A (zh) * | 2020-12-29 | 2021-04-06 | 招联消费金融有限公司 | 图像采集方式检测方法、装置、计算机设备和存储介质 |
| CN112633100A (zh) * | 2020-12-14 | 2021-04-09 | 深兰科技（上海）有限公司 | 行为识别方法、装置、电子设备和存储介质 |
| CN112633201A (zh) * | 2020-12-29 | 2021-04-09 | 交通银行股份有限公司 | 一种多模态活体检测方法、装置、计算机设备及存储介质 |
| CN112651327A (zh) * | 2020-12-22 | 2021-04-13 | 平安普惠企业管理有限公司 | 一种无感的活体检测方法、装置、计算机设备及存储介质 |
| CN112766162A (zh) * | 2021-01-20 | 2021-05-07 | 北京市商汤科技开发有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
| CN113111750A (zh) * | 2021-03-31 | 2021-07-13 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
| WO2021151317A1 (zh) * | 2020-08-06 | 2021-08-05 | 平安科技（深圳）有限公司 | 活体检测方法、装置、电子设备及存储介质 |
| CN113239902A (zh) * | 2021-07-08 | 2021-08-10 | 中国人民解放军国防科技大学 | 一种基于双判别器生成对抗网络的唇语识别方法及装置 |
| CN113496475A (zh) * | 2020-03-19 | 2021-10-12 | 杭州海康慧影科技有限公司 | 内窥镜摄像系统中的成像方法、装置及计算机设备 |
| CN113643283A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 一种人体衰老状况的检测方法、装置、设备及存储介质 |
| CN113792662A (zh) * | 2021-09-15 | 2021-12-14 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备以及存储介质 |
| CN113963425A (zh) * | 2021-12-22 | 2022-01-21 | 北京的卢深视科技有限公司 | 人脸活体检测系统的测试方法、装置及存储介质 |
| CN114399005A (zh) * | 2022-03-10 | 2022-04-26 | 深圳市声扬科技有限公司 | 一种活体检测模型的训练方法、装置、设备及存储介质 |
| CN114627319A (zh) * | 2022-05-16 | 2022-06-14 | 杭州闪马智擎科技有限公司 | 目标数据的上报方法、装置、存储介质及电子装置 |
| WO2023065744A1 (zh) * | 2021-10-18 | 2023-04-27 | 中国银联股份有限公司 | 一种人脸识别方法、装置、设备以及存储介质 |
| CN112149476B (zh) * | 2019-06-28 | 2024-06-21 | 京东科技信息技术有限公司 | 目标检测方法、装置、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009009403A (ja) * | 2007-06-28 | 2009-01-15 | Canon Inc | 生体認証装置及び生体検知方法 |
| CN106651937A (zh) * | 2016-10-19 | 2017-05-10 | 成都电科智达科技有限公司 | 一种基于超像素和场景预测的小型无人机目标检测方法 |
| CN107545241A (zh) * | 2017-07-19 | 2018-01-05 | 百度在线网络技术（北京）有限公司 | 神经网络模型训练及活体检测方法、装置及存储介质 |
| WO2018133791A1 (zh) * | 2017-01-19 | 2018-07-26 | 腾讯科技（深圳）有限公司 | 一种基于视频分析的活体判别方法、系统及存储介质 |
| CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
| WO2018197835A1 (en) * | 2017-04-26 | 2018-11-01 | Blippar.Com Limited | Apparatus and method for open-set object recognition |
-
2019
- 2019-01-04 CN CN201910007311.3A patent/CN109858381A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009009403A (ja) * | 2007-06-28 | 2009-01-15 | Canon Inc | 生体認証装置及び生体検知方法 |
| CN106651937A (zh) * | 2016-10-19 | 2017-05-10 | 成都电科智达科技有限公司 | 一种基于超像素和场景预测的小型无人机目标检测方法 |
| WO2018133791A1 (zh) * | 2017-01-19 | 2018-07-26 | 腾讯科技（深圳）有限公司 | 一种基于视频分析的活体判别方法、系统及存储介质 |
| WO2018197835A1 (en) * | 2017-04-26 | 2018-11-01 | Blippar.Com Limited | Apparatus and method for open-set object recognition |
| CN107545241A (zh) * | 2017-07-19 | 2018-01-05 | 百度在线网络技术（北京）有限公司 | 神经网络模型训练及活体检测方法、装置及存储介质 |
| CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| SHEJIN THAVALENGAL等: ""Iris liveness detection for next generation smartphones"", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》, 31 May 2016 (2016-05-31) * |
| 李四维;: "智能手机生物识别应用研究", 广东通信技术, no. 06, 15 June 2018 (2018-06-15) * |
| 汤鹏杰;谭云兰;李金忠;: "融合图像场景及物体先验知识的图像描述生成模型", 中国图象图形学报, no. 09, 16 September 2017 (2017-09-16) * |
| 龙敏;佟越洋;: "应用卷积神经网络的人脸活体检测算法研究", 计算机科学与探索, no. 10, 24 April 2018 (2018-04-24) * |
Cited By (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110520865A (zh) * | 2019-06-27 | 2019-11-29 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
| CN112149476B (zh) * | 2019-06-28 | 2024-06-21 | 京东科技信息技术有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN112183167B (zh) * | 2019-07-04 | 2023-09-22 | 钉钉控股（开曼）有限公司 | 考勤方法、认证方法、活体检测方法、装置及设备 |
| CN112183167A (zh) * | 2019-07-04 | 2021-01-05 | 钉钉控股（开曼）有限公司 | 考勤方法、认证方法、活体检测方法、装置及设备 |
| CN110458024A (zh) * | 2019-07-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 活体检测方法及装置和电子设备 |
| CN110738103A (zh) * | 2019-09-04 | 2020-01-31 | 北京奇艺世纪科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
| CN111091047B (zh) * | 2019-10-28 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 活体检测方法、装置、服务器和人脸识别设备 |
| CN111091047A (zh) * | 2019-10-28 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 活体检测方法、装置、服务器和人脸识别设备 |
| CN111061369A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 交互方法、装置、设备及存储介质 |
| CN111046804A (zh) * | 2019-12-13 | 2020-04-21 | 北京旷视科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| CN111144425B (zh) * | 2019-12-27 | 2024-02-23 | 五八有限公司 | 检测拍屏图片的方法、装置、电子设备及存储介质 |
| CN111144425A (zh) * | 2019-12-27 | 2020-05-12 | 五八有限公司 | 检测拍屏图片的方法、装置、电子设备及存储介质 |
| CN111325105A (zh) * | 2020-01-22 | 2020-06-23 | 上海眼控科技股份有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN111368681A (zh) * | 2020-02-27 | 2020-07-03 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
| CN111368681B (zh) * | 2020-02-27 | 2023-09-01 | 深圳数联天下智能科技有限公司 | 基于多点定位的活体甄别方法、装置、设备及存储介质 |
| CN113496475B (zh) * | 2020-03-19 | 2024-04-09 | 杭州海康慧影科技有限公司 | 内窥镜摄像系统中的成像方法、装置及计算机设备 |
| CN113496475A (zh) * | 2020-03-19 | 2021-10-12 | 杭州海康慧影科技有限公司 | 内窥镜摄像系统中的成像方法、装置及计算机设备 |
| CN111325185B (zh) * | 2020-03-20 | 2023-06-23 | 上海看看智能科技有限公司 | 人脸防欺诈方法及系统 |
| CN111325185A (zh) * | 2020-03-20 | 2020-06-23 | 上海看看智能科技有限公司 | 人脸防欺诈方法及系统 |
| CN111881726A (zh) * | 2020-06-15 | 2020-11-03 | 马上消费金融股份有限公司 | 一种活体检测方法、装置及存储介质 |
| WO2021151317A1 (zh) * | 2020-08-06 | 2021-08-05 | 平安科技（深圳）有限公司 | 活体检测方法、装置、电子设备及存储介质 |
| CN112016505A (zh) * | 2020-09-03 | 2020-12-01 | 平安科技（深圳）有限公司 | 基于人脸图像的活体检测方法、设备、存储介质及装置 |
| CN112016505B (zh) * | 2020-09-03 | 2024-05-28 | 平安科技（深圳）有限公司 | 基于人脸图像的活体检测方法、设备、存储介质及装置 |
| CN112633100B (zh) * | 2020-12-14 | 2023-08-08 | 深兰人工智能应用研究院(山东)有限公司 | 行为识别方法、装置、电子设备和存储介质 |
| CN112633100A (zh) * | 2020-12-14 | 2021-04-09 | 深兰科技（上海）有限公司 | 行为识别方法、装置、电子设备和存储介质 |
| CN112651327A (zh) * | 2020-12-22 | 2021-04-13 | 平安普惠企业管理有限公司 | 一种无感的活体检测方法、装置、计算机设备及存储介质 |
| CN112613457A (zh) * | 2020-12-29 | 2021-04-06 | 招联消费金融有限公司 | 图像采集方式检测方法、装置、计算机设备和存储介质 |
| CN112633201A (zh) * | 2020-12-29 | 2021-04-09 | 交通银行股份有限公司 | 一种多模态活体检测方法、装置、计算机设备及存储介质 |
| CN112613457B (zh) * | 2020-12-29 | 2024-04-09 | 招联消费金融股份有限公司 | 图像采集方式检测方法、装置、计算机设备和存储介质 |
| CN112766162B (zh) * | 2021-01-20 | 2023-12-22 | 北京市商汤科技开发有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
| CN112766162A (zh) * | 2021-01-20 | 2021-05-07 | 北京市商汤科技开发有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
| CN112580615B (zh) * | 2021-02-26 | 2021-06-18 | 北京远鉴信息技术有限公司 | 一种活体的认证方法、认证装置及电子设备 |
| CN112580615A (zh) * | 2021-02-26 | 2021-03-30 | 北京远鉴信息技术有限公司 | 一种活体的认证方法、认证装置及电子设备 |
| CN113111750A (zh) * | 2021-03-31 | 2021-07-13 | 智慧眼科技股份有限公司 | 人脸活体检测方法、装置、计算机设备及存储介质 |
| CN113239902A (zh) * | 2021-07-08 | 2021-08-10 | 中国人民解放军国防科技大学 | 一种基于双判别器生成对抗网络的唇语识别方法及装置 |
| CN113239902B (zh) * | 2021-07-08 | 2021-09-28 | 中国人民解放军国防科技大学 | 一种基于双判别器生成对抗网络的唇语识别方法及装置 |
| CN113643283A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 一种人体衰老状况的检测方法、装置、设备及存储介质 |
| CN113792662A (zh) * | 2021-09-15 | 2021-12-14 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备以及存储介质 |
| CN113792662B (zh) * | 2021-09-15 | 2024-05-21 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备以及存储介质 |
| WO2023065744A1 (zh) * | 2021-10-18 | 2023-04-27 | 中国银联股份有限公司 | 一种人脸识别方法、装置、设备以及存储介质 |
| CN113963425A (zh) * | 2021-12-22 | 2022-01-21 | 北京的卢深视科技有限公司 | 人脸活体检测系统的测试方法、装置及存储介质 |
| CN114399005B (zh) * | 2022-03-10 | 2022-07-12 | 深圳市声扬科技有限公司 | 一种活体检测模型的训练方法、装置、设备及存储介质 |
| CN114399005A (zh) * | 2022-03-10 | 2022-04-26 | 深圳市声扬科技有限公司 | 一种活体检测模型的训练方法、装置、设备及存储介质 |
| CN114627319A (zh) * | 2022-05-16 | 2022-06-14 | 杭州闪马智擎科技有限公司 | 目标数据的上报方法、装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858381A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
| CN110490076A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
| CN111310731B (zh) | 基于人工智能的视频推荐方法、装置、设备及存储介质 | |
| CN109767261A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
| CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
| CN111160313B (zh) | 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 | |
| CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
| CN109934300B (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
| CN109409060A (zh) | 身份验证方法、系统和计算机可读存储介质 | |
| CN110428399A (zh) | 用于检测图像的方法、装置、设备和存储介质 | |
| CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
| CN106874922B (zh) | 一种确定业务参数的方法及装置 | |
| CN111027400A (zh) | 一种活体检测方法及装置 | |
| CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
| CN111046755A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
| CN110334637A (zh) | 人脸活体检测方法、装置及存储介质 | |
| CN110837901A (zh) | 云试驾预约审核方法及装置、存储介质、云服务器 | |
| CN110753264A (zh) | 视频生成方法、装置及设备 | |
| CN113139915A (zh) | 人像修复模型的训练方法和装置、电子设备 | |
| CN112308035A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN108197593B (zh) | 基于三点定位方法的多尺寸人脸表情识别方法及装置 | |
| CN111241945A (zh) | 人脸识别性能的测试方法、装置、计算机设备及存储介质 | |
| CN110569707A (zh) | 一种身份识别方法和电子设备 | |
| CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 |
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 |