CN110991231B - 活体检测方法、装置、服务器和人脸识别设备 - Google Patents
活体检测方法、装置、服务器和人脸识别设备 Download PDFInfo
- Publication number
- CN110991231B CN110991231B CN201911029402.3A CN201911029402A CN110991231B CN 110991231 B CN110991231 B CN 110991231B CN 201911029402 A CN201911029402 A CN 201911029402A CN 110991231 B CN110991231 B CN 110991231B
- Authority
- CN
- China
- Prior art keywords
- target
- preset
- sample
- probability
- living
- 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.)
- Active
Links
Images
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本说明书提供一种活体检测方法、装置、服务器和人脸识别设备。在一个实施例中,通过先从目标图像数据中获取目标对象的人脸比对特征;再确定并根据目标对象的人脸比对特征,与包含有多个疑似非活体对象的人脸比对特征的预设的攻击图像特征库之间的相似度参数,来判断目标对象是否为疑似非活体对象,进而再确定目标对象是否为活体对象。提高了活体检测的准确度和效率。
Description
技术领域
本说明书属于互联网技术领域,尤其涉及活体检测方法、装置、服务器和人脸识别设备。
背景技术
随着技术的发展,人脸识别的应用越来越广泛,在许多应用场景中,经常会使用人脸识别技术通过对所采集的图像数据进行人脸识别来确定用户的身份,进而为用户提供对应的服务,或者开通相应的权限。
但是,目前出现了一些通过使用包含有他人人脸的照片、视频等,或者套用包含他人人脸的面具等方式来伪装成他人,以蒙混通过人脸识别,对他人的权益安全产生威胁的现象。因此,在一些实施例中,在进行人脸识别之前,通常会先通过预先训练得到的活体检测模型先进行活体检测,以确定所要识别的图像数据中的人脸对象是否是真实的人类的脸,而不是照片、视频或者面具等。
目前,亟需一种较为高效、准确的活体检测方法。
发明内容
本说明书提供了一种活体检测方法、装置、服务器和人脸识别设备,以高效、准确地对目标图像数据进行活体检测。
本说明书提供的一种活体检测方法、装置、服务器和人脸识别设备是这样实现的:
一种活体检测方法,包括:获取目标图像数据,其中,所述目标图像数据包含有目标对象;从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。
一种活体检测装置,包括:第一获取模块,用于获取目标图像数据,其中,所述目标图像数据包含有目标对象;第二获取模块,用于从所述目标图像数据中获取目标对象的人脸比对特征;第一确定模块,用于确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;第二确定模块,用于根据所述相似度参数,确定所述目标对象是否为活体对象。获取模块,用于获取目标图像数据,其中,所述目标图像数据包含有目标对象;处理模块,用于调用预设的活体检测模型,从所述目标图像数据中提取目标特征,并通过所述预设的活体检测模型根据所述目标特征确定出所述目标对象为非活体对象的概率值作为目标概率;第一确定模块,用于确定所述目标特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库包括多个用于指示疑似非活体对象的特征数据;第二确定模块,用于根据所述目标概率,和所述相似度参数,确定所述目标图像数据中的目标对象是否为活体对象。
一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现获取目标图像数据,其中,所述目标图像数据包含有目标对象;从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。
一种人脸识别设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现获取目标图像数据,其中,所述目标图像数据包含有目标对象;从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标图像数据中的目标对象是否为活体对象;在确定所述目标对象不是活体对象的情况下,确定人脸识别失败。
本说明书提供的一种活体检测方法、装置、服务器和人脸识别设备。通过先从目标图像数据中获取目标对象的人脸比对特征;再确定并根据目标对象的人脸比对特征,与包含有多个疑似非活体对象的人脸比对特征的预设的攻击图像特征库之间的相似度参数,来判断目标对象是否为疑似非活体对象,进而再确定目标对象具体是否为活体对象。提高了活体检测的准确度和效率。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是应用本说明书实施例提供的活体检测方法的系统结构组成的一个实施例的示意图;
图2是在一个场景示例中,应用本说明书实施例提供的活体检测方法的一种实施例的示意图;
图3是在一个场景示例中,应用本说明书实施例提供的活体检测方法的一种实施例的示意图;
图4是本说明书的一个实施例提供的活体检测方法的流程示意图;
图5是本说明书的一个实施例提供的活体检测方法的一个实施例示意图;
图6是本说明书的一个实施例提供的活体检测方法的一个实施例示意图;
图7是本说明书的一个实施例提供的服务器的结构组成示意图;
图8是本说明书的一个实施例提供的活体检测装置的结构组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
本说明书实施例提供一种活体检测方法,该方法具体可以应用于包含有服务器和采集终端的系统架构中。具体可以参阅图1所示。其中,所述采集终端布设于某个具体的应用场景中,并通过有线或无线的方式与服务器耦合,以便进行数据交互。通过该系统可以采集该应用场景中包含有的目标对象的目标图像数据,并对所图像数据中的目标对象进行活体检测。
具体的,所述采集终端具体可以用于采集包含有目标对象的目标图像数据,并将所述目标图像数据发送至服务器。所述服务器具体可以用于通过使用人脸比对模型等方式从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。
在本实施例中,所述服务器可以是一种应用于数据处理平台一侧,能够实现数据传输、数据处理等功能的后台业务服务器。具体的,所述服务器可以为一个具有数据运算、存储功能以及网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施方式中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在本实施例中,所述采集终端可以是一种应用于具体的场景区域一侧,能够实现数据采集、数据传输等功能的前端设备。具体地,所述采集终端例如可以为监控摄像头,也可以是安装有摄像头的其他电子设备,例如平板电脑、笔记本电脑、智能手机等。
在一个具体的场景示例中,参阅图2所示,可以将本说明书实施例提供的活体检测方法应用于自动售货机的刷脸支付场景中。
具体的,可以在自动售货机上布设一套人脸识别设备。该人脸设备中具体可以包括有摄像头和处理器。用户在通过自动售货机选中所要购买的商品,进行结账支付时,会触发该人脸识别设备通过摄像头采集包含有该用户人脸的人脸照片,再通过处理器先确定人脸照片中的人脸是否真实的人脸,即是否为活体对象,而不是伪装者使用的包含有的他人人脸的人脸照片或者人脸面具;在确定人脸照片中的人脸为活体对象后,再对该人脸进行具体的人脸识别,以识别确定出该人脸所对应的用户的身份信息。进而,自动售货机可以基于上述人脸识别设备所识别出的用户的身份信息,调用该用户的电子账户完成针对该商品的支付结算。这样用户就可以便捷、高效地完成在自动售货机上的商品的购买和支付了。
在本场景示例中,结合以往的活体检测经验,发现伪装者在企图蒙蔽通过人脸识别时,往往会习惯在一个时间段内,多次使用同一个人脸照片或人脸面具来伪装成同一个人以多次尝试蒙蔽通过人脸识别。基于上述发现,进一步考虑可以在对摄像头所采集的人脸照片进行活体检测时,可以结合利用伪装者的上述行为习惯特点,更加准确、高效地确定出人脸照片中的人脸是否为活体对象。
具体的,可以参阅图3所示,在上述人脸识别设备的处理器接收到摄像头将采集的包含有用户人脸的人脸照片后,会先调用预设的活体检测模型对上述人脸照片进行处理,以提取出对应的目标特征,以及基于该目标特征所确定的目标概率。其中,上述预设的活体检测模型具体可以包括一种事先通过样本数据训练好的针对当前业务场景的人脸照片数据中的目标对象进行活体检测的模型。具体实施时,处理器会将上述人脸照片输入至预设的活体检测模型,并运行该预设的活体检测模型。通过该活体检测模型可以先从所输入的人脸照片中提取出用于表征人脸照片中的目标对象特征的特征数据作为目标特征;再根据该目标特征进行评分,确定出该目标特征所表征的目标对象为非活体对象的概率值作为目标概率。
在本场景示例中,处理器除了会获取上述预设的活体检测模型输出的目标概率外,同时还会将上述人脸照片输入至人脸比对模型中,从上述人脸照片中提取出人脸比对特征。其中,上述人脸比对模型区别与预设的活体检测模型,是一种预先训练建立的,用于提取人脸特征的模型。
在处理器通过上述人脸比对模型提取得到上述人脸比对特征后,进一步,可以根据上述人脸比对特征,结合伪装者的行为习惯特点,从另一个维度对目标对象是否为非活体对象进行判断。
具体的,处理器可以根据针对该业务场景的预设的攻击图像特征库和人脸比对特征,确定出人脸比对特征与上述预设的攻击图像特征库的相似程度,得到对应的相似度参数。其中,上述预设的攻击图像特征库包括多个用于指示疑似非活体对象的人脸特征数据。上述用于指示疑似非活体对象的特征数据具体也可以称为黑样本特征。上述疑似非活体对象具体可以理解为一种相对于普通对象具有较高概率被判定为非活体对象的对象。例如,之前已经被多次识别为非活体对象的某人的人脸等。上述疑似非活体对象具体可以包括非活体对象,也可以包括活体对象。上述预设的攻击图像特征库具体可以理解为预先利用并根据历史上出现过的包含有疑似非活体对象的人脸照片作为黑样本,建立得到的人脸特征数据库。
处理器可以按照预设的计算方式,计算出人脸照片的目标对象的人脸比对特征与上述预设的攻击图像特征库之间的相似度参数。其中,上述相似度参数具体可以用于表征人脸比对特征与预设的攻击图像特征库中用于指示疑似非活体对象的特征数据的近似程度。通常相似度参数的数值越大,越接近1,说明人脸照片的目标对象的人脸比对特征与上述用于指示疑似非活体对象的特征数据越相近,进而可以判断人脸照片中的人脸对象越可能是疑似非活体对象,具有较高的概率是非活体对象。从而可以从另一个维度,为后续最终确定人脸照片中的人脸对象是否为活体对象提供参考。
具体实施时,处理器可以先分别计算目标对象的人脸比对特征与预设的攻击图像特征库中所包含的各个特征数据之间的余弦相似度。具体的,例如,可以按照以下方式计算出人脸比对特征与预设的攻击图像特征库中任意一个特征数据之间的余弦相似度:
其中,fm具体可以表示人脸比对特征,fi具体可以表示预设的攻击图像特征库中编号为i的特征数据,Sm,i具体可以表示目标特征与预设的攻击图像特征库中编号为i的特征数据的余弦相似度,<>具体可以表示内积操作,|| ||2具体可以表示为求模运算。
在得到人脸比对特征与预设的攻击图像特征库中所包含的各个特征数据之间的余弦相似度后,进一步可以根据余弦相似度,从预设的攻击图像特征库中所包含的多个特征数据中筛选出余弦相似度数值最大最接近于1的特征数据作为与人脸比对特征最接近的特征数据,并将人脸比对特征与该特征数据的余弦相似度确定为目标特征与预设的攻击图像特征库之间的相似度参数。
处理器在按照上述方式得到了人脸比对特征与预设的攻击图像特征库之间的相似度参数后,进一步可以同时综合相似度参数,以及基于预设的活体检测模型得到的目标概率这两种基于不同维度得到的参考数据,综合地来判断人脸照片中的人脸对象是否为活体对象。
具体实施时,处理器可以先根据相似度参数,判断人脸照片中的人脸对象是否为疑似活体对象。具体的,服务器可以将相似度参数与预设的相似度阈值进行比较,得到第一比较结果。如果根据第一比较结果,确定相似度参数大于等于所述预设的相似度阈值,说明该目标特征与已经保存于预设的攻击图像特征库中的用于指示疑似非活体对象的特征数据较为相似甚至相同。因此可以基于预设的攻击图像特征库判断该人脸照片中的人脸对象为疑似非活体对象,具有较高的概率为非活体对象。在这种情下,可以选择与较高的概率为非活体对象这种情况对应的数值较小的预设的第一概率值作为匹配的概率阈值。再将目标概率与上述概率阈值进行比较,得到对应的第二比较结果。如果根据第二比较结果,确定目标概率大于等于所述概率阈值,则确定该人脸照片中的人脸对象为非活体对象。如果根据第二比较结果,确定目标概率小于所述概率阈值,则确定该人脸照片中的人脸对象为活体对象。
相反,如果据第一比较结果,确定相似度参数小于所述预设的相似度阈值,说明该目标特征与已经保存于预设的攻击图像特征库中的用于指示疑似非活体对象的特征数据都不是特别相似。因此无法基于预设的攻击图像特征库判断该人脸照片中的人脸对象是否为疑似非活体对象。在这种情况下,可以选择该该种情况对应的数值较大的预设的第二概率值作为匹配的概率阈值。再将目标概率与该概率阈值进行比较,得到对应的第二比较结果。根据第二比较结果确定该人脸照片中的人脸对象是否为活体对象。如果根据第二比较结果,确定目标概率大于等于所述概率阈值,则确定该人脸照片中的人脸对象为非活体对象。如果根据第二比较结果,确定目标概率小于所述概率阈值,则确定该人脸照片中的人脸对象为活体对象。
这样可以通过引入预设的攻击图像特征库,来确定得到人脸照片的目标对象的人脸比对特征与预设的攻击图像特征库的相似度参数;再综合相似度参数,以及基于预设的活体检测模型得到的目标概率更加精准地确定出人脸照片中的人脸对象是否为活体对象。
在处理器按照上述方式确定出所采集的照片中的人脸对象为非活体对象后,确定活体检测不通过,可以判断当前用户可能正在使用包含有的他人人脸的人脸照片或者人脸面具伪装成他人试图调用他人的电子账户来完成所购买商品的支付。这时人脸识别设备会终止对所采集的人脸照片进行进一步的人脸识别,直接判定人脸识别,从而能够有效地防止用户伪装成他人通过人脸识别使用他人的电子账户中的资金数据。
相对的,在处理器按照上述方式确定出所采集的照片中的人脸对象为活体对象后,活体检测通过,可以判断当前所采集的用于进行人脸识别的人脸照片中的人脸是用户真实的人脸。进而人脸识别设备会针对该人脸照片进行具体的人脸识别,识别确定出照片中的人脸所对应的用户的身份信息,再根据所识别出的用户的身份信息进行匹配,调用对应的用户的电子账户来核销支付该用户在自动售货机中选中并购买的商品。
在另一个场景示例中,针对人脸识别设备所应用的自动售货机的刷脸支付场景,可以预先构建能够反映该场景中的疑似非活体对象的预设的攻击图像特征库。
具体实施时,可以先通过摄像头采集某一个时间段内在该业务场景中出现过的包含有真人人脸的人脸照片,可以记为,以及包含有非真人人脸的人脸照片作为样本数据,可以记为X={x1,x2,...,xi,...,xN},其中,xi具体可以表示为样本数据X中编号为i的人脸照片。并将上述样本数据传输至处理器进行进一步处理。
处理器在获得上述样本数据后,可以先通过人脸比对模型对上述样本数据进行处理,提取出对应的人脸特征数据作为样本特征。具体的,可以将上述样本数据输入至人脸比对模型,并运行该人脸比对模型,通过该人脸比对模型提取得到多个样本特征,其中,上述多个样本特征中的各个样本特征分别与一个样本数据对应。例如,对应于输入的样本数据X={x1,x2,...,xi,...,xN},通过上述人脸比对模型得到的样本特征可以记为F={f1,f2,...,fi,...,fN},其中,fi具体可以表示为与样本数据X中编号为i的人脸照片对应的样本特征。
为了保证提取到的样本特征更加准确,在将上述样本数据输入至人脸比对模型进行处理之前,还可以先对上述样本数据进行预处理,得到处理后的样本数据,以提高用于提取样本特征的样本数据的数据质量。具体的,可以先对样本数据中的各个人脸照片及新型人脸检测确定出各个人脸照片中给的人脸区域。再通过针对各个人脸照片中的人脸区域进行关键点回归,确定出各个人脸照片中的多个人脸关键点。例如,分别确定出各个人脸照片中的5个人脸关键点的具体位置。进而可以根据人脸照片中的人脸关键点位置,通过仿射变换进行人脸校准,得到校准后的人脸照片,可以称为标准人脸。进一步,可以依次再对上述标准人脸分别进行减去预设均值,再除以预设方差的数值处理,从而得到质量较高的处理后的样本数据。其中,上述预设均值和预设方程可以根据所采集的样本数据确定。在具体对标准人脸进行上述数值处理时,上述预设均值的具体数值可以设置为127.5,上述预设方差的具体数值可以设置为128.0。当然,上述所列举的预设均值和预设方差只是一种示意性说明。具体实施时,根据具体情况和精度要求,还可以采用其他合适的数值作为上述预设均值、预设方差。对此,本说明书不作限定。
在处理器得到多个样本特征后,可以从上述多个样本特征中筛选出能够指示疑似非活体对象的样本特征作为黑样本特征,进而可以根据上述黑样本建立得到对应的预设的攻击图像特征库。
在本场景示例中,在从多个样本特征中筛选黑样本特征时,可以先分别根据各个样本特征所对应的样本数据确定LBP(Local Binary Pattern)特征。其中,上述LBP特征具体可以理解为一种针对局部二值模式的特征,是一种用于描述图像局部特征的算子。再根据样本数的LBP特征,通过混合高斯模型(GMM)进行数据拟合,得到两个不同的高斯分布,其中,每一个高斯分布中包含有一个或多个样本数据的LBP特征。根据上述两个高斯分布中所包含的样本数据的LBP特征,可以将LBP特征位于同一个高斯分布中给的样本数据划分为一个数据集。从而可以得到与上述两个高斯分布分别对应的第一样本数据集和第二样本数据集两个数据集。进一步,可以利用预设的活体检测模型分别对上述两个样本数据集中的各个样本数据进行处理,得到样本数据集中各个样本数据中的目标对象为非活体对象的概率值作为目标概率。根据第一样本数据集中各个样本数据的目标概率,计算第一样本数据集的目标概率平均值。根据第二样本数据集中各个样本数据的目标概率,计算第二样本数据集的目标概率平均值。再将第一样本数据集的目标概率平均值和第二样本数据集的目标概率平均值进行比较,确定出目标概率平均值较大的数据集作为符合要求的样本数据集。将符合要求的样本数据集的样本特征作为黑样本特征,从而从多个样本特征中筛选出了能够指示疑似活体对象的特征数据。
当然,上述所列举的从多个样本特征中筛选出黑样本特征的方式只是一种示意性说明。具体实施时,根据具体情况和处理要求,还可以采用其他合适的筛选方式从上述多个样本特征中筛选出能够指示疑似活体对象的黑样本特征。例如,还可以基于打标的方式对各个样本数据进行打标,标注出包含有的疑似活体对象的样本数据作为符合要求的样本数据;进而可以从多个样本特征中筛选出上述符合要求的样本数的样本特征作为黑样本特征等。
在本场景示例中,为了减少筛选黑样本特征的数据处理量,提高处理效率,在具体对样本特征进行黑样本特征筛选之前,还可以对样本特征进行初筛。具体的,可以先通过预设的活体检测模型确定出各个样本特征所对应的样本数据的目标概率,再根据目标概率,从多个样本特征中筛选出目标概率值大于预设门槛值的样本数据的样本特征作为后续用于筛选黑样本特征的样本特征。这样,可以提前删除明显不包含有疑似活体对象的样本数据的样本特征,减少后续筛选的数据处理量。其中,上述预设门槛值可以根据具体的业务场景和精度要求灵活设置。对此,本说明书不作限定。
进一步,又考虑到在上述建立的预设的攻击图像特征库中可能会包含有相似或重复相同的黑样本特征。而后续在确定相似度参数时,需要将目标特征与预设的攻击图像特征库中的每一个黑样本特征分别做运算,上述相似或重复相同的黑样本特征显然会增加大量无意义的运算,影响后续数据处理的效率。同时也会对存储资源造成消耗和占用。因此,在得到了预设的攻击图像特征库后,还可以再对预设的攻击图像特征库中相似或重复相同的黑样本特征进行确定,并只保留相似或重复相同的黑样本特征中的一个特征,删除其他的冗余特征。
具体的,可以先将预设的攻击图像特征库所包括的多个黑样本特征中的任意两个进行组合,作为一个黑样本特征组,从而得到多个不同组合的黑样本特征组。分别计算各个黑样本特征组中的两个黑样本特征之间的余弦相似度。根据余弦相似度,筛选出余弦相似度较大,大于预设的相似度阈值的黑样本特征组,作为调整组。进而,可以判断上述调整组中所包含的两个黑样本特征为相似或者重复相同的黑样本特征。对于上述调整组中的两个黑样本特征可以随机筛选出一个特征作为冗余特征,并从预设的攻击图像特征库中筛除该冗余特征。从而可以有效地减少预设的攻击图像特征库中相似或者重复相同的黑样本特征。
在本场景示例中,在得到了上述预设的攻击图像特征库后,为了减少存储压力,还可以将上述预设的攻击图像特征库中给的黑样本特征分别通过哈夫曼编码进行压缩处理,得到压缩后的黑样本特征;再将压缩后的黑样本特征进行存储,有效地降低了存储预设的攻击图像特征库对存储资源的占用。
参阅图4所示,本说明书实施例提供了一种活体检测方法,其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容:
S401:获取目标图像数据,其中,所述目标图像数据包含有目标对象。
在一些实施例中,上述目标图像数据可以理解为一种包含有待检测的目标对象的图像数据。具体的,上述目标图像数据具体可以是照片、图像数据等。对于上述目标图像数据的具体形式类型,本说明书不作限定。
具体实施时,还可以从视频影像等多媒体数据中截取上述目标图像数据。例如,可以从监控视频中截取包含有目标对象的图像帧作为上述目标图像数据等。
在一些实施例中,上述目标对象具体可以根据所对应的应用场景确定。例如,对于刷脸支付的应用场景,上述目标对象可以是用户的人脸数据。对于虹膜打卡的应用场景,上述目标对象可以是用户的虹膜数据。当然,需要说明的是,上述所列举的目标对象只是一种示意性说明。具体实施时,根据具体情况,上述目标对象还可以是其他类型内容的对象数据。对此,本说明书不作限定。
在一些实施例中,具体实施时,可以通过摄像头等影像采集设备采集所针对的业务场景中的包含有目标对象的图像数据作为上述目标图像数据。当然,需要说明的是,上述所列举获取目标图像数据的方式只是一种示意性说明。具体实施时,根据具体情况,还可以采用其他合适的方式来获取目标图像数据。对此,本说明书不作限定。
S403:从所述目标图像数据中获取目标对象的人脸比对特征。
在一些实施例中,具体实施时,可以将上述目标图像数据输入至人脸比对模型中,并运行该人脸比对模型,得到对应的模型输出,作为上述目标图像数据中的目标对象的人脸比对特征。上述人脸比对模型区别与预设的活体检测模型,是一种预先训练建立的,用于提取人脸特征的模型。
在一些实施例中,上述人脸比对特征具体可以包括以下中的一种或多种:人脸部眼睛特征、人脸部嘴角特征、人脸部鼻子特征等等。当然,上述所列举的人脸比对特征只是一种示意性说明。具体实施时,根据具体的应用场景,还可以使用其他类型的特征数据作为人脸比对特征。对此,本说明书不作限定。
S405:确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征。
在本实施例中,上述非活体对象具体可以理解为一种伪装成真人的特征对象的数据对象,例如,包含有真人人脸的图片或者人脸面具等。相对的,上述活体对象区别于非活体对象,具体可以理解为一种真人的特征对象,例如,真人的人脸、真人的虹膜等。
上述疑似非活体对象具体可以理解为上述疑似非活体对象具体可以理解为一种具有较高概率被判定为非活体对象的对象。上述疑似非活体对象具体可以包括非活体对象和活体对象。上述攻击图像具体可以理解为包括有疑似非活体对象的图像数据。
在一些实施例中,上述预设的攻击图像特征库包括多个用于指示疑似非活体对象的特征数据。上述用于指示疑似非活体对象的特征数据具体也可以称为黑样本特征。上述预设的攻击图像特征库具体可以理解为预先利用并根据历史上出现过的包含有疑似非活体对象的图像数据作为黑样本,建立得到的特征数据库。
在一些实施例中,上述相似度参数具体可以用于表征目标对象的人脸比对特征与预设的攻击图像特征库中用于指示疑似非活体对象的特征数据的近似程度。通常相似度参数的数值越大,越接近1,说明目标图像数据中的人脸比对特征与上述用于指示疑似非活体对象的特征数据越相近,进而可以判断目标图像数据中的目标对象可能是疑似非活体对象,具有较高的概率是非活体对象。从而可以从另一个维度,为后续最终判断目标图像数据中的目标对象是否为活体对象提供另一种不同于目标概率的参考数据。
在一些实施例中,上述确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,具体实施时,可以包括以下内容:根据所述人脸比对特征与所述预设的攻击图像特征库,计算所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度;根据所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数。
在一些实施例中,上述根据所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,具体实施时,可以根据人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,找到数值最大的余弦相似度作为人脸比对特征与预设的攻击图像特征库的相似度参数。当然,上述所列举的确定相似度参数的方式只是一种示意性说明。具体实施时,也可以根据人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,计算人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度的平均值作为上述相似度参数。对此,本说明书不作限定。
需要说明的是,上述通过计算确定余弦相似度来衡量近似程度只是一种示意性说明。具体实施时,根据具体的业务场景和精度要求,还可以采用欧氏距离或者马氏距离等替换上述余弦相似度来衡量相似程度,确定对应的相似度参数。
S407:根据所述相似度参数,确定所述目标对象是否为活体对象。
在一些实施例中,具体实施时,可以根据上述相似度参数,判断目标图像数据中的目标对象是否为疑似非活体对象。例如,将上述相似度参数与预设的相似度参数阈值进行比较。如果相似度参数大于等于预设的相似度参数阈值,则可以判断目标图像数据中的目标对象为疑似非活体对象,具有相对较大的概率是非活体对象。在误差允许的情况下,或者针对安全性要求较高的场景中,可以进一步将目标图像数据中的目标对象确定为非活体对象。如果相似度参数小于预设的相似度参数阈值,则可以判断目标图像数据中的目标对象不是疑似非活体对象,具有相对较小的概率是非活体对象。在误差允许的情况下,或者针对安全性要求较低的场景中,可以进一步将目标图像数据中的目标对象确定为活体对象。
基于上述实施例,通过先从目标图像数据中获取目标对象的人脸比对特征;再确定并根据目标对象的人脸比对特征,与包含有多个疑似非活体对象的人脸比对特征的预设的攻击图像特征库之间的相似度参数,来判断目标对象是否为疑似非活体对象,进而再确定目标对象是否为活体对象。提高了活体检测的准确度和效率。
在一些实施例中,为了能够更加准确地判断目标对象是否为活体对象,还可以利用预设的活体检测模型对目标图像数据进行处理,得到目标图像数据中的目标对象为非活体对象的概率值作为目标概率。再综合上述相似度参数和目标概率这两种不同参考数据,来更为准确地确定出目标图像数据中的目标对象是否为活体对象。
具体的,可以先调用预设的活体检测模型,从所述目标图像数据中提取目标特征,并通过所述预设的活体检测模型根据所述目标特征确定出所述目标对象为非活体对象的概率值作为目标概率。
在一些实施例中,上述目标特征区别人脸比对特征,具体可以包括从目标图像数据中提取出的用于判断目标对象是否为活体对象的图像特征数据。例如,图像数据中是否存在手机边框的反光,或者照片纸面的反光等特征。又例如,视频数据中连续的两帧图片中目标对象的关键点(例如,人脸中的嘴角位置点)之间的位移变化特征等等。
在一些实施例中,上述目标概率具体可以包括用于反映目标图像数据中的目标对象不是活体对象的概率值。通常,如果目标概率的数值越大,相应的,目标影像中的目标对象越有可能不是活体对象。相反,如果目标概率的数值越小,相应的,目标影像中的目标对象越有可能是活体对象。
在一些实施例中,上述预设的活体检测模型具体可以包括一种事先已经训练好的针对业务场景中的图像数据进行活体检测的模型。具体实施时,可以将待识别的目标图像数据输入至上述预设的活体检测模型。预设的活体检测模型具体运行时,可以先从所输入的图像数据中提取出对应的图像特征;再根据该图像特征确定该图像特征所对应的目标对象为非活体对象的概率值;进而可以将上述概率值与预设的判定阈值进行比较,当上述概率值大于预设的判定阈值时,则可以判断该目标对象不是活体对象,即非活体对象。相反,当上述概率值小于等于预设的判定阈值时,则可以判断目标对象是活体对象。
在一些实施例中,具体实施时,可以调用在已经训练好的预设的活体检测模型,将所采集的包含有目标对象的目标图像数据输入至上述预设的活体检测模型中,通过运行该活体检测模型可以先从上述目标图像数据中提取出对应的图像特征作为目标特征。进一步,还可以通过上述预设的活体检测模型根据所提取的目标特征,对目标图像数据中的目标对象是否为活体对象进行判断,得到目标对象不是活体对象的概率值作为上述目标概率。其中,上述目标概率值可以作为后续用于判断目标对象是否为活体对象的参考数据的一种。
在一些实施例中,上述根据所述目标概率,和所述相似度参数,确定所述目标图像数据中的目标对象是否为活体对象,参阅图5所示,具体实施时,可以包括以下内容:比较所述相似度参数和预设的相似度阈值,确定所述相似度参数是否大于等于所述预设的相似度阈值,得到对应的第一比较结果;根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值;比较所述目标概率和所述概率阈值,确定所述目标概率是否大于等于所述概率阈值,得到对应的第二比较结果;根据所述第二比较结果,确定所述目标对象是否为活体对象。
其中,上述相似度阈值的具体数值可以根据具体的业务场景和精度要求灵活设置,对此,本说明书不作限定。
在本实施例中,具体实施时,如果根据第一比较结果确定相似度参数大于等于预设的相似度阈值,则可以判断出目标对象为疑似非活体对象。相对的,如果根据第一比较结果确定相似度参数小于预设的相似度阈值,则可以判断出目标对象不是疑似非活体对象。
在本实施例中,考虑到根据第一比较结果可以确定出目标图像数据中的目标对象是否为疑似非活体对象。如果先确定出目标对象为非活体对象,则在基于以往的检测经验进行进一步判断时,该目标对象相对于没有被确定为疑似非活体对象的目标对象具有相对更高的概率为非活体对象。因此,在根据第一比较结果,进一步利用目标概率来最终判读目标对象是否为非活体对象时,可以根据基于第一比较结果所确定的目标对象是疑似非活体对象和不是疑似非活体对象两种不同情况,进行区分,进而针对上述两种不同情况,采用匹配的判断规则(例如选择使用不同的概率阈值,或者不同判断比较方式等)来根据目标概率更加有针对性、准确地对目标对象是否为非活体对象进行判读。
在一些实施例中,上述根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值,具体实施时,可以包括以下内容:根据所述第一比较结果,在确定所述相似度参数大于等于所述预设的相似度阈值的情况下,确定预设的第一概率值作为与所述第一比较结果匹配的概率阈值;根据所述第一比较结果,在确定所述相似度参数小于所述预设的相似度阈值的情况下,确定预设的第二概率值作为与所述第一比较结果匹配的概率阈值;其中,所述预设的第一概率值的数值小于所述预设的第二概率值。
这样在根据第一比较结果确定目标对象为疑似非活体对象,即根据预设的攻击图像特征库已经可以判断出目标对象具有较高的概率是非活体对象的情况下,可以有针对性地选择使用数值相对较小的第一概率值作为匹配的概率阈值,进而利用第一概率阈值对目标概率进行相对较宽松的判断,当目标概率大于等于上述第一概率阈值时,就可以确定该目标对象为非活体对象了。相反,在根据第一比较结果没有确定出目标对象为疑似非活体对象,即根据预设的攻击图像特征库还无法判断出目标对象是否可能具有较高概率是非活体对象的情况下,可以有针对性地选择使用数值相对较大的第二概率值作为匹配的概率阈值,进而可以利用第二概率阈值对目标概率阈值进行相对更为严格的判断,当目标概率大于等于上述第二概率阈值时,才可以确定该目标对象为非活体对象。
在一些实施例中,如果确定出目标图像数据中的目标对象为非活体对象,则可以确定活体检测不通过,进而不再进行下一步的识别确定,拒绝与该目标图像数据所对应的申请请求。如果确定出目标图像数据中的目标对象为活体对象,则可以确定活体检测通过,进一步可以再进行下一步更加具体精细的识别确定,例如,人脸识别或虹膜识别等,根据识别结果再确定是否拒绝与该目标图像数据所对应的申请请求。
基于上述实施例,通过调用预设的活体检测模型,从目标图像数据中提取出对应的目标特征,并基于该目标特征确定出目标图像数据中的目标对象为非活体对象的目标概率;同时,还获取目标图像数据中的目标对象的人脸比对特征,并引入包含有多个用于指示疑似非活体对象的特征数据的预设的攻击图像特征库作为比对标准,以确定目标对象的人脸比对特征与预设的攻击图像特征库的相似度参数;进而再综合上述相似度参数和目标概率这两种不同参考数据,来更为准确地确定出目标图像数据中的目标对象是否为活体对象。从而进一步提高了活体检测的准确度。
在一些实施例中,在确定所述人脸比对特征与预设的攻击图像特征库的相似度参数后,所述方法具体实施时,还可以包括以下内容:使用预设的活体检测模型,确定所述目标图像数据中的目标对象为非活体对象的概率值作为目标概率;相应的,根据所述相似度参数,确定所述目标对象是否为活体对象,具体可以包括:根据所述相似度参数,和所述目标概率,确定所述目标图像数据中的目标对象是否为活体对象。
在一些实施例中,获取目标图像数据中的目标对象的人脸比对特征具体实施时,可以包括:将目标图像数据输入至人脸比对模型中,并运行该人脸比对模型,得到对应的模型输出,将上述模型输出作为所述目标对象的人脸比对特征。
在一些实施例中,上述确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,具体实施时,可以包括以下内容:根据所述人脸比对特征与所述预设的攻击图像特征库,计算所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度;根据所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数。
在一些实施例中,上述根据所述目标概率,和所述相似度参数,确定所述目标图像数据中的目标对象是否为活体对象,具体实施时,可以包括以下内容:比较所述相似度参数和预设的相似度阈值,确定所述相似度参数是否大于等于所述预设的相似度阈值,得到对应的第一比较结果;根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值;比较所述目标概率和所述概率阈值,确定所述目标概率是否大于等于所述概率阈值,得到对应的第二比较结果;根据所述第二比较结果,确定所述目标对象是否为活体对象。
在一些实施例中,上述根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值,具体实施,可以包括以下内容:根据所述第一比较结果,在确定所述相似度参数大于等于所述预设的相似度阈值的情况下,确定预设的第一概率值作为与所述第一比较结果匹配的概率阈值;根据所述第一比较结果,在确定所述相似度参数小于所述预设的相似度阈值的情况下,确定预设的第二概率值作为与所述第一比较结果匹配的概率阈值;其中,所述预设的第一概率值的数值小于所述预设的第二概率值。
在一些实施例中,参阅图6所示,具体可以按照以下方式建立,针对相应的业务场景,预先建立预设的攻击图像特征库。获取样本数据,其中,所述样本数据包括包含有非活体对象的图像数据,和包含有活体对象的图像数据;通过人脸比对模型,从所述样本数据中提取得到多个人脸比对特征作为样本特征;从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征;根据所述黑样本特征,建立所述预设的攻击图像特征库。这样,可以有效地业务场景建立得到对应的能够反映疑似非活体对象的特征的预设的攻击图像特征库。
在一些实施例中,上述从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征,具体实施时,可以包括以下内容:确定所述样本数据的LBP特征;根据所述样本数据的LBP特征,通过混合高斯模型,划分得到第一样本数据集和第二样本数据集;利用预设的活体检测模型,分别确定第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值;根据所述第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值,从所述第一样本数据集和第二样本数据集中选择目标概率平均值大的样本数据集作为符合要求的样本数据集;获取所述符合要求的样本数据集中的样本数据的样本特征作为所述黑样本特征。通过上述实施例,可以较为精准地从大量的样本特征中筛选出能够用于指示疑似非活体对象的黑样本特征。
在一些实施例中,在从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征之前,所述方法具体实施时,还可以包括以下内容:通过预设的活体检测模型根据所述样本数据的样本特征确定出样本数据所对应的目标概率;根据所述样本数据的目标概率,从所述样本特征中删除目标概率小于预设门槛值的样本数据所对应的样本特征。这样,可以先将基于目标概率就能确定明显不能用于指示疑似非活体对象的样本特征剔除,减少了后续筛选黑样本特征的数据处理量,相应地也缩短了处理耗时。
在一些实施例中,在根据所述黑样本特征,建立所述预设的攻击图像特征库后,所述方法具体实施时,还可以包括以下内容:根据所述预设的攻击图像特征库,建立多个黑样本特征组,其中,所述黑样本特征组包括两个黑样本特征;计算黑样本特征组所包括的两个黑样本特征之间的余弦相似度;筛选出余弦相似度大于预设的相似度阈值的黑样本特征组,作为调整组;从所述调整组中筛选出一个黑样本特征,作为冗余特征;从所述预设的攻击图像特征库中删除所述冗余特征。其中,上述冗余特征具体可以理解为一种与预设的攻击图像特征库中所保存的其他黑样本特征相似或者重复的特征数据。
通过上述实施例,可以通过剔除相似或者重复相同的黑样本特征对所建立的预设的攻击图像特征库进行精简,从而降低了保存预设的攻击图像特征库时对存储资源的占用。同时,由于减少了预设的攻击图像特征库中所包含的特征数据的数量,也有助于减少后续在确定目标特征与预设的攻击图像特征库时的数据处理量,提高处理效率。
由上可见,本说明书实施例提供的活体检测方法,通过先从目标图像数据中获取目标对象的人脸比对特征;再确定并根据目标对象的人脸比对特征,与包含有多个疑似非活体对象的人脸比对特征的预设的攻击图像特征库之间的相似度参数,来判断目标对象是否为疑似非活体对象,进而再确定目标对象是否为活体对象。提高了活体检测的准确度和效率。还通过调用预设的活体检测模型,从目标图像数据中提取出对应的目标特征,并基于该目标特征确定出目标图像数据中的目标对象为非活体对象的目标概率;同时,还获取目标图像数据中的目标对象的人脸比对特征,并引入包含有多个用于指示疑似非活体对象的特征数据的预设的攻击图像特征库作为比对标准,以确定目标对象的人脸比对特征与预设的攻击图像特征库的相似度参数;进而再综合上述相似度参数和目标概率这两种不同参考数据,来更为准确地确定出目标图像数据中的目标对象是否为活体对象。从而进一步提高了活体检测的准确度。还通过根据目标图像数据的目标特征与预设的黑样本特征的相似度参数与预设的相似度阈值的比较结果,先确定出目标对象是否为疑似非活体对象;再选择对应匹配的预设概率阈值,与目标概率进行比较,通过区别化处理,更加准确地确定出目标对象是否为活体对象,从而提高了活体检测的准确度。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取目标图像数据,其中,所述目标图像数据包含有目标对象;从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。
为了能够更加准确地完成上述指令,参阅图7所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口701、处理器702以及存储器703,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口701,具体可以用于获取目标图像数据,其中,所述目标图像数据包含有目标对象。
所述处理器702,具体可以用于从所述目标图像数据中获取目标对象的人脸比对特征;
确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。
所述存储器703,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口701可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的80号端口,也可以是负责进行FTP数据通信的21号端口,还可以是负责进行邮件数据通信的25号端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器702可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器703可包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述活体检测方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取目标图像数据,其中,所述目标图像数据包含有目标对象;从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
本说明书还提供了一种人脸识别设备,其中,该人脸识别设备至少包括摄像头和处理器。其中,上述摄像头具体用于获取目标图像数据,其中,所述目标图像数据包含有目标对象的图像数据。上述处理器具体用于从所述目标图像数据中获取目标对象的人脸比对特征;确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;根据所述相似度参数,确定所述目标对象是否为活体对象。上述处理器在确定所述目标对象不是活体对象(例如非活体对象),的情况下,确定人脸识别失败,不再对目标图像数据进行进一步的人脸识别;在确定目标对象是活体对象的情况下,可以对目标影像进行进一步的人脸识别,以确定出与目标影像中的人脸匹配的用户的身份信息。
参阅图8所示,在软件层面上,本说明书实施例还提供了一种活体检测装置,该装置具体可以包括以下的结构模块:
第一获取模块801,具体可以用于获取目标图像数据,其中,所述目标图像数据包含有目标对象。
第二获取模块803,具体可以用于从所述目标图像数据中获取目标对象的人脸比对特征。
第一确定模块805,具体可以用于确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征。
第二确定模块807,具体可以用于根据所述相似度参数,确定所述目标对象是否为活体对象。
在一些实施例中,所述装置具体还可以包括处理模块,所述处理模块具体可以用于使用预设的活体检测模型,确定所述目标图像数据中的目标对象为非活体对象的概率值作为目标概率。相应的,所述第二确定模块具体可以用于根据所述相似度参数,和所述目标概率,确定所述目标图像数据中的目标对象是否为活体对象。
在一些实施例中,所述第一确定模块805具体可以包括以下结构单元:
第一计算单元,具体可以用于根据所述人脸比对特征与所述预设的攻击图像特征库,计算所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度。
第一确定单元,具体可以用于根据所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数。
在一些实施例中,所述第二确定模块806具体可以包括以下结构单元:
第一比较单元,具体可以用于比较所述相似度参数和预设的相似度阈值,确定所述相似度参数是否大于等于所述预设的相似度阈值,得到对应的第一比较结果;
第二确定单元,具体可以用于根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值;
第二比较单元,具体可以用于比较所述目标概率和所述概率阈值,确定所述目标概率是否大于等于所述概率阈值,得到对应的第二比较结果;
第三确定单元,具体可以用于根据所述第二比较结果,确定所述目标对象是否为活体对象。
在一些实施例中,所述第二确定单元具体可以用于根据所述第一比较结果,在确定所述相似度参数大于等于所述预设的相似度阈值的情况下,确定预设的第一概率值作为与所述第一比较结果匹配的概率阈值;根据所述第一比较结果,在确定所述相似度参数小于所述预设的相似度阈值的情况下,确定预设的第二概率值作为与所述第一比较结果匹配的概率阈值;其中,所述预设的第一概率值的数值小于所述预设的第二概率值。
在一些实施例中,所述装置具体还可以包括建立模块,所述建立模块具体可以包括以下结构单元:
获取单元,具体可以用于获取样本数据,其中,所述样本数据包括包含有非活体对象的图像数据,和包含有活体对象的图像数据;
提取单元,具体可以用于通过所述预设的活体检测模型,从所述样本数据中提取得到多个样本特征;
筛选单元,具体可以用于从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征;
建立单元,具体可以用于根据所述黑样本特征,建立所述预设的攻击图像特征库。
在一些实施例中,所述筛选单元具体可以用于确定所述样本数据的LBP特征;根据所述样本数据的LBP特征,通过混合高斯模型,划分得到第一样本数据集和第二样本数据集;利用预设的活体检测模型,分别确定第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值;根据所述第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值,从所述第一样本数据集和第二样本数据集中选择目标概率平均值大的样本数据集作为符合要求的样本数据集;获取所述符合要求的样本数据集中的样本数据的样本特征作为所述黑样本特征。
在一些实施例中,所述建立模块具体还可以包括第一删除单元,具体可以用于通过预设的活体检测模型根据所述样本数据的样本特征确定出样本数据所对应的目标概率;根据所述样本数据的目标概率,从所述样本特征中删除目标概率小于预设门槛值的样本数据所对应的样本特征。
在一些实施例中,所述建立模块具体还可以包括第二删除单元,具体可以用于通过预设的活体检测模型根据所述样本数据确定出样本数据中的目标对象为非活体对象的目标概率;根据所述样本数据的目标概率,从所述样本特征中删除目标概率小于预设门槛值的样本数据所对应的样本特征。
需要说明的是,上述实施例阐明的单元、装置或模块等,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。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置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系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
由上可见,本说明书实施例提供的活体检测装置,通过第二获取模块先从目标图像数据中获取目标对象的人脸比对特征;再通过第一确定模块根据目标对象的人脸比对特征,与包含有多个疑似非活体对象的人脸比对特征的预设的攻击图像特征库之间的相似度参数,进而可以通过第二确定模块根据相似度参数来判断目标对象是否为疑似非活体对象,以确定目标对象是否为活体对象。提高了活体检测的准确度和效率。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上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,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或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。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书的变形和变化不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (18)
1.一种活体检测方法,包括:
获取目标图像数据,其中,所述目标图像数据包含有目标对象;
从所述目标图像数据中获取目标对象的人脸比对特征;
确定所述人脸比对特征与预设的攻击图像特征库的相似度参数;并使用预设的活体检测模型,确定所述目标图像数据中的目标对象为非活体对象的概率值作为目标概率;其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;所述预设的活体检测模型包括一种针对业务场景中的图像数据进行活体检测的模型;
根据所述相似度参数,和所述目标概率,确定所述目标图像数据中的目标对象是否为活体对象。
2.根据权利要求1所述的方法,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数,包括:
根据所述人脸比对特征与所述预设的攻击图像特征库,计算所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度;
根据所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数。
3.根据权利要求1所述的方法,根据所述目标概率,和所述相似度参数,确定所述目标图像数据中的目标对象是否为活体对象,包括:
比较所述相似度参数和预设的相似度阈值,确定所述相似度参数是否大于等于所述预设的相似度阈值,得到对应的第一比较结果;
根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值;
比较所述目标概率和所述概率阈值,确定所述目标概率是否大于等于所述概率阈值,得到对应的第二比较结果;
根据所述第二比较结果,确定所述目标对象是否为活体对象。
4.根据权利要求3所述的方法,根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值,包括:
根据所述第一比较结果,在确定所述相似度参数大于等于所述预设的相似度阈值的情况下,确定预设的第一概率值作为与所述第一比较结果匹配的概率阈值;
根据所述第一比较结果,在确定所述相似度参数小于所述预设的相似度阈值的情况下,确定预设的第二概率值作为与所述第一比较结果匹配的概率阈值;其中,所述预设的第一概率值的数值小于所述预设的第二概率值。
5.根据权利要求1所述的方法,所述预设的攻击图像特征库按照以下方式建立:
获取样本数据,其中,所述样本数据包括包含有非活体对象的图像数据,和包含有活体对象的图像数据;
通过人脸比对模型,从所述样本数据中提取得到多个样本特征;
从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征;
根据所述黑样本特征,建立所述预设的攻击图像特征库。
6.根据权利要求5所述的方法,从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征,包括:
确定所述样本数据的LBP特征;
根据所述样本数据的LBP特征,通过混合高斯模型,划分得到第一样本数据集和第二样本数据集;
利用预设的活体检测模型,分别确定第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值;
根据所述第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值,从所述第一样本数据集和第二样本数据集中选择目标概率平均值大的样本数据集作为符合要求的样本数据集;
获取所述符合要求的样本数据集中的样本数据的样本特征作为所述黑样本特征。
7.根据权利要求5所述的方法,在从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征之前,所述方法还包括:
通过预设的活体检测模型根据所述样本数据确定出样本数据中的目标对象为非活体对象的目标概率;
根据所述样本数据的目标概率,从所述样本特征中删除目标概率小于预设门槛值的样本数据所对应的样本特征。
8.根据权利要求5所述的方法,在根据所述黑样本特征,建立所述预设的攻击图像特征库后,所述方法还包括:
根据所述预设的攻击图像特征库,建立多个黑样本特征组,其中,所述黑样本特征组包括两个黑样本特征;
计算黑样本特征组所包括的两个黑样本特征之间的余弦相似度;
筛选出余弦相似度大于预设的相似度阈值的黑样本特征组,作为调整组;
从所述调整组中筛选出一个黑样本特征,作为冗余特征;
从所述预设的攻击图像特征库中删除所述冗余特征。
9.一种活体检测装置,包括:
第一获取模块,用于获取目标图像数据,其中,所述目标图像数据包含有目标对象;
第二获取模块,用于从所述目标图像数据中获取目标对象的人脸比对特征;
第一确定模块,用于确定所述人脸比对特征与预设的攻击图像特征库的相似度参数;并使用预设的活体检测模型,确定所述目标图像数据中的目标对象为非活体对象的概率值作为目标概率;其中,所述预设的攻击图像特征库中包括多个疑似非活体对象的人脸比对特征;所述预设的活体检测模型包括一种针对业务场景中的图像数据进行活体检测的模型;
第二确定模块,用于根据所述相似度参数,和所述目标概率,确定所述目标图像数据中的目标对象是否为活体对象。
10.根据权利要求9所述的装置,所述第一确定模块包括:
第一计算单元,用于根据所述人脸比对特征与所述预设的攻击图像特征库,计算所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度;
第一确定单元,用于根据所述人脸比对特征与预设的攻击图像特征库中的各个特征数据之间的余弦相似度,确定所述人脸比对特征与预设的攻击图像特征库的相似度参数。
11.根据权利要求9所述的装置,所述第二确定模块包括:
第一比较单元,用于比较所述相似度参数和预设的相似度阈值,确定所述相似度参数是否大于等于所述预设的相似度阈值,得到对应的第一比较结果;
第二确定单元,用于根据所述第一比较结果,确定出与所述第一比较结果匹配的概率阈值;
第二比较单元,用于比较所述目标概率和所述概率阈值,确定所述目标概率是否大于等于所述概率阈值,得到对应的第二比较结果;
第三确定单元,用于根据所述第二比较结果,确定所述目标对象是否为活体对象。
12.根据权利要求11所述的装置,所述第二确定单元具体用于根据所述第一比较结果,在确定所述相似度参数大于等于所述预设的相似度阈值的情况下,确定预设的第一概率值作为与所述第一比较结果匹配的概率阈值;根据所述第一比较结果,在确定所述相似度参数小于所述预设的相似度阈值的情况下,确定预设的第二概率值作为与所述第一比较结果匹配的概率阈值;其中,所述预设的第一概率值的数值小于所述预设的第二概率值。
13.根据权利要求9所述的装置,所述装置还包括建立模块,所述建立模块包括:
获取单元,用于获取样本数据,其中,所述样本数据包括包含有非活体对象的图像数据,和包含有活体对象的图像数据;
提取单元,用于通过人脸比对模型,从所述样本数据中提取得到多个样本特征;
筛选单元,用于从所述多个样本特征中筛选出用于指示疑似非活体对象的特征数据,作为黑样本特征;
建立单元,用于根据所述黑样本特征,建立所述预设的攻击图像特征库。
14.根据权利要求13所述的装置,所述筛选单元具体用于确定所述样本数据的LBP特征;根据所述样本数据的LBP特征,通过混合高斯模型,划分得到第一样本数据集和第二样本数据集;利用预设的活体检测模型,分别确定第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值;根据所述第一样本数据集的目标概率平均值,和第二样本数据集的目标概率平均值,从所述第一样本数据集和第二样本数据集中选择目标概率平均值大的样本数据集作为符合要求的样本数据集;获取所述符合要求的样本数据集中的样本数据的样本特征作为所述黑样本特征。
15.根据权利要求13所述的装置,所述建立模块还包括第一删除单元,用于通过预设的活体检测模型根据所述样本数据确定出样本数据中的目标对象为非活体对象的目标概率;根据所述样本数据的目标概率,从所述样本特征中删除目标概率小于预设门槛值的样本数据所对应的样本特征。
16.根据权利要求13所述的装置,所述建立模块还包括第二删除单元,用于根据所述预设的攻击图像特征库,建立多个黑样本特征组,其中,所述黑样本特征组包括两个黑样本特征;计算黑样本特征组所包括的两个黑样本特征之间的余弦相似度;筛选出余弦相似度大于预设的相似度阈值的黑样本特征组,作为调整组;从所述调整组中筛选出一个黑样本特征,作为冗余特征;从所述预设的攻击图像特征库中删除所述冗余特征。
17.一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至8中任一项所述方法的步骤。
18.一种人脸识别设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至8中任一项所述方法的步骤,以确定用于进行人脸识别的目标图像数据中的目标对象是否为活体对象;在确定所述目标对象不是活体对象的情况下,确定人脸识别失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911029402.3A CN110991231B (zh) | 2019-10-28 | 2019-10-28 | 活体检测方法、装置、服务器和人脸识别设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911029402.3A CN110991231B (zh) | 2019-10-28 | 2019-10-28 | 活体检测方法、装置、服务器和人脸识别设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991231A CN110991231A (zh) | 2020-04-10 |
CN110991231B true CN110991231B (zh) | 2022-06-14 |
Family
ID=70082567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911029402.3A Active CN110991231B (zh) | 2019-10-28 | 2019-10-28 | 活体检测方法、装置、服务器和人脸识别设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991231B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036238A (zh) * | 2020-07-24 | 2020-12-04 | 支付宝实验室(新加坡)有限公司 | 人脸数据处理方法、装置、电子设备及存储介质 |
CN112084858A (zh) * | 2020-08-05 | 2020-12-15 | 广州虎牙科技有限公司 | 对象识别方法和装置、电子设备及存储介质 |
CN111985400A (zh) * | 2020-08-20 | 2020-11-24 | 中国建设银行股份有限公司 | 一种人脸活体识别方法、装置、设备及存储介质 |
CN114067394A (zh) * | 2021-11-09 | 2022-02-18 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
CN116311383B (zh) * | 2023-05-16 | 2023-07-25 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574518A (zh) * | 2016-01-25 | 2016-05-11 | 北京天诚盛业科技有限公司 | 人脸活体检测的方法和装置 |
CN106663203A (zh) * | 2016-11-04 | 2017-05-10 | 深圳市汇顶科技股份有限公司 | 活体指纹识别方法及装置 |
CN108600250A (zh) * | 2018-05-04 | 2018-09-28 | 上海掌门科技有限公司 | 认证方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016084072A1 (en) * | 2014-11-26 | 2016-06-02 | Isityou Ltd. | Anti-spoofing system and methods useful in conjunction therewith |
-
2019
- 2019-10-28 CN CN201911029402.3A patent/CN110991231B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574518A (zh) * | 2016-01-25 | 2016-05-11 | 北京天诚盛业科技有限公司 | 人脸活体检测的方法和装置 |
CN106663203A (zh) * | 2016-11-04 | 2017-05-10 | 深圳市汇顶科技股份有限公司 | 活体指纹识别方法及装置 |
CN108600250A (zh) * | 2018-05-04 | 2018-09-28 | 上海掌门科技有限公司 | 认证方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991231A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN109858371B (zh) | 人脸识别的方法及装置 | |
CN108229297B (zh) | 人脸识别方法和装置、电子设备、计算机存储介质 | |
CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
CN105893920B (zh) | 一种人脸活体检测方法和装置 | |
CN109117714A (zh) | 一种同行人员识别方法、装置、系统及计算机存储介质 | |
CN108875341A (zh) | 一种人脸解锁方法、装置、系统及计算机存储介质 | |
CN111861240A (zh) | 可疑用户识别方法、装置、设备及可读存储介质 | |
CN107169458B (zh) | 数据处理方法、装置及存储介质 | |
CN111091047B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN109829370A (zh) | 人脸识别方法及相关产品 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN110263680B (zh) | 图像处理方法、装置和系统及存储介质 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN109426785A (zh) | 一种人体目标身份识别方法及装置 | |
WO2021051547A1 (zh) | 暴力行为检测方法及系统 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN114677607A (zh) | 基于人脸识别的实时行人统计方法以及装置 | |
CN111339897A (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN110929244A (zh) | 数字化身份识别方法、装置、设备及存储介质 | |
CN111241566A (zh) | 保单管理方法、电子装置、计算机设备及存储介质 | |
CN115223022A (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN113723310B (zh) | 基于神经网络的图像识别方法及相关装置 | |
CN109711287B (zh) | 人脸采集方法及相关产品 | |
WO2018121552A1 (zh) | 基于掌纹数据的业务处理方法、装置、程序及介质 |
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 |