CN111091388B - 活体检测方法和装置、人脸支付方法和装置、电子设备 - Google Patents
活体检测方法和装置、人脸支付方法和装置、电子设备 Download PDFInfo
- Publication number
- CN111091388B CN111091388B CN202010098540.3A CN202010098540A CN111091388B CN 111091388 B CN111091388 B CN 111091388B CN 202010098540 A CN202010098540 A CN 202010098540A CN 111091388 B CN111091388 B CN 111091388B
- Authority
- CN
- China
- Prior art keywords
- user
- score
- preset control
- images
- credibility
- 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
- 238000000034 method Methods 0.000 title claims abstract description 156
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 230000008569 process Effects 0.000 claims abstract description 92
- 238000003860 storage Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000001727 in vivo Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 210000001508 eye Anatomy 0.000 description 14
- 230000009471 action Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 5
- 238000010146 3D printing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Human Computer Interaction (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书一个实施例提了一种活体检测方法和装置、人脸支付方法和装置、电子设备,其中活体检测方法包括:获取待测用户点击预设控件过程中的多幅用户图像。多幅用户图像分别在待测用户点击预设控件过程中的不同时刻采集得到。根据多幅用户图像计算可信度信息,可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项。第一分值表示由待测用户本人点击所述预设控件的可信程度,第二分值表示待测用户未佩戴伪装面具的可信程度,第三分值表示待测用户点击预设控件时注视预设控件的可信程度,第四分值表示基于多幅用户图像确定待测用户为活体的可信程度。根据计算的可信度信息,判断待测用户是否通过活体检测。
Description
技术领域
本文件涉及计算机设备领域,尤其涉及一种活体检测方法和装置、人脸支付方法和装置、电子设备。
背景技术
在人脸识别过程中,可以通过活体检测的方式确定用户是否为真实活体,从而保障用户利益。目前进行活体检测时,可以指示用户执行眨眼、点头、张嘴等动作,并根据用户的执行结果判断用户是否通过活体检测。然而,仅仅依靠用户执行指定动作的方式进行活体检测,比较容易被破解,导致活体检测的准确率降低。比如伪装用户在佩戴3D面具时,通过手指在眼睛处晃动的方式,可以在一定概率上破解眨眼动作。基于此,有必要提供一种技术方案,以提高对用户进行活体检测的准确率。
发明内容
本说明书一个实施例的目的是提供一种活体检测方法和装置、人脸支付方法和装置、电子设备,以提高对用户进行活体检测的准确率。
为达到上述技术目的,本说明书一个实施例是这样实现的:
本说明书一个实施例提供了一种活体检测方法,包括:获取待测用户点击预设控件过程中的多幅用户图像。所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到。根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项。所述第一分值表示由所述待测用户本人点击所述预设控件的可信程度,所述第二分值表示所述待测用户未佩戴伪装面具的可信程度,所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度,所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度。根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
本说明书一个实施例提供了一种人脸支付方法,包括:在人脸支付页面上显示预设控件。通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像。所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到。根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项。所述第一分值表示由所述待支付用户本人点击所述预设控件的可信程度,所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度,所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度,所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度。根据计算的所述可信度信息,判断是否执行支付操作。
本说明书一个实施例提供了一种活体检测方法,包括:在终端设备显示预设控件后,获取待测用户的多幅用户图像。所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到。根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项。所述第一分值表示所述待测用户未佩戴伪装面具的可信程度,所述第二分值表示所述待测用户注视所述预设控件的可信程度,所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度。根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
本说明书一个实施例提供了一种人脸支付方法,包括:在人脸支付页面上显示预设控件。通过摄像头采集待支付用户的多幅用户图像。所述多幅用户图像在显示所述预设控件后的不同时刻采集得到。根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项。所述第一分值表示所述待支付用户未佩戴伪装面具的可信程度,所述第二分值表示所述待支付用户注视所述预设控件的可信程度,所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度。根据计算的所述可信度信息,判断是否执行支付操作。
本说明书一个实施例提供了一种活体检测装置,包括:第一获取模块,获取待测用户点击预设控件过程中的多幅用户图像。所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到。第一计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项。所述第一分值表示由所述待测用户本人点击所述预设控件的可信程度,所述第二分值表示所述待测用户未佩戴伪装面具的可信程度,所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度,所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度。第一判断模块,根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
本说明书一个实施例提供了一种人脸支付装置,包括:第一显示模块,在人脸支付页面上显示预设控件。第二获取模块,通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像。所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到。第二计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项。所述第一分值表示由所述待支付用户本人点击所述预设控件的可信程度,所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度,所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度,所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度。第二判断模块,根据计算的所述可信度信息,判断是否执行支付操作。
本说明书一个实施例提供了一种活体检测装置,包括:第三获取模块,在终端设备显示预设控件后,获取待测用户的多幅用户图像。所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到。第三计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项。所述第一分值表示所述待测用户未佩戴伪装面具的可信程度,所述第二分值表示所述待测用户注视所述预设控件的可信程度,所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度。第三判断模块,根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
本说明书一个实施例提供了一种人脸支付装置,包括:第二显示模块,在人脸支付页面上显示预设控件。第四获取模块,通过摄像头采集待支付用户的多幅用户图像。所述多幅用户图像在显示所述预设控件后的不同时刻采集得到。第四计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项。所述第一分值表示所述待支付用户未佩戴伪装面具的可信程度,所述第二分值表示所述待支付用户注视所述预设控件的可信程度,所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度。第四判断模块,根据计算的所述可信度信息,判断是否执行支付操作。
本说明书一个实施例提供了一种电子设备,包括:处理器以及被安排成存储计算机可执行指令的存储器。所述计算机可执行指令在被执行时使所述处理器实现上述活体检测方法或者人脸支付方法的步骤。
本说明书一个实施例提供了一种存储介质,用于存储计算机可执行指令。所述计算机可执行指令在被执行时实现上述活体检测方法或者人脸支付方法的步骤。
附图说明
为了更清楚地说明本说明书一个或多个实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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为本说明书一实施例提供的活体检测的应用场景示意图;
图2为本说明书一实施例提供的活体检测方法的流程示意图;
图3为本说明书一实施例提供的计算第三分值的示意图;
图4为本说明书一实施例提供的人脸支付方法的流程示意图;
图5为本说明书一实施例提供的活体检测装置的模块组成示意图;
图6为本说明书一实施例提供的人脸支付装置的模块组成示意图;
图7为本说明书一实施例提供的电子设备的结构示意图。
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一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
本说明书一个实施例的目的是提供一种活体检测方法和装置、人脸支付方法和装置、电子设备、存储介质,以提高对用户进行活体检测的准确率。
图1为本说明书一实施例提供的活体检测的应用场景示意图,该应用场景同样适用于人脸支付。如图1所示,该场景包括终端设备和后台设备,终端设备包括但不限于如图1中所示的平板电脑101、手机102、台式电脑103、笔记本电脑104,还可以包括线下支付时商家进行扫码的扫码设备等。后台设备包括但不限于如图1中所示的服务器200。终端设备和后台设备之间通过网络进行数据通信。
本实施例中的活体检测方法可以应用在终端设备上,由终端设备执行,也可以应用在后台设备上,由后台设备执行。应用在终端设备上的执行过程和应用在后台设备上的执行过程相同,因此后文以应用在终端设备上为例进行说明。图2为本说明书一实施例提供的活体检测方法的流程示意图,如图2所示,该流程包括以下步骤:
步骤S202,获取待测用户点击预设控件过程中的多幅用户图像;其中,该多幅用户图像分别在待测用户点击预设控件过程中的不同时刻采集得到;
步骤S204,根据该多幅用户图像计算可信度信息,可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;
其中,第一分值表示由待测用户本人点击预设控件的可信程度;第二分值表示待测用户未佩戴伪装面具的可信程度;第三分值表示待测用户点击预设控件时注视预设控件的可信程度;第四分值表示基于多幅用户图像确定待测用户为活体的可信程度;
步骤S206,根据计算的可信度信息,判断待测用户是否通过活体检测。
本实施例中,首先获取待测用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待测用户本人点击预设控件的可信程度,待测用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断待测用户是否通过活体检测。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否通过活体检测,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率。
上述步骤S202中,获取待测用户点击预设控件过程中的多幅用户图像。该多幅用户图像分别在待测用户点击预设控件过程中的不同时刻采集得到。具体地,终端设备上显示有预设控件,比如显示有电子红包,并提示用户进行点击。在用户点击预设控件的过程中,终端设备通过摄像头每间隔设定时长采集至少一幅用户图像,从而采集得到待测用户点击预设控件过程中的多幅用户图像。其中,设定时长可以为100毫秒或200毫秒,这里不做限定。每次采集时,可以采集一幅用户图像,也可以连续采集多幅用户图像。
本实施例中,用户点击预设控件的过程至少包括预设控件开始显示到用户点击控件完毕这一时间范围。能够理解,由于用户图像在待测用户点击预设控件过程中的不同时刻采集得到,因此用户图像能够反映用户点击预设控件的过程信息,比如反映用户点击预设控件过程中的肢体动作变化、眼神变化等信息。
上述步骤S204中,根据获取的多幅用户图像,计算可信度信息。可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项。本实施例中,可以根据活体检测场景确定可信度信息的具体内容,比如,当对用户进行活体检测的准确率要求不高时,可以确定可信度信息包括第一分值、第二分值、第三分值和第四分值中的一项或两项,当对用户进行活体检测的准确率要求很高时,可以确定可信度信息包括第一分值、第二分值、第三分值和第四分值中的三项或全部。其中,尽管可信度信息包括第一分值、第二分值、第三分值和第四分值中的一项或两项,相比于现有技术中基于单维度的活体检测方式也能够大大提高活体检测的准确率。
一种情况下,上述可信度信息包括第一分值,则步骤S204,根据多幅用户图像计算可信度信息,具体为:
(a1)针对每幅用户图像,计算该幅用户图像中待测用户的各个预设人体关节的位置坐标;其中,位置坐标指预设人体关节在用户图像中的坐标;
(a2)根据各幅用户图像对应的位置坐标和预设控件投射到用户图像所在的平面中的位置坐标,计算由待测用户本人点击预设控件的概率值,根据该概率值生成第一分值。
上述动作(a1)中,可以针对每幅用户图像,计算该幅用户图像中待测用户的各个预设人体关节的位置坐标,该位置坐标指的是预设人体关节在用户图像中的坐标。一个示例中,预设人体关节包括肩膀、手肘、手腕、手指等关节。可以通过现有的关节坐标定位技术在用户图像中识别出来待测用户的预设人体关节,然后在用户图像中建立坐标系,在该坐标系下确定待测用户的预设人体关节的位置坐标。
上述动作(a2)中,首先,将预设控件投射到用户图像所在的平面中,从而得到预设控件对应的位置坐标,并将该位置坐标标记在每幅用户图像中,从而,在每幅用户图像中标记待测用户的各个预设关节的位置坐标和预设控件的位置坐标。
然后,针对每幅用户图像,计算该幅用户图像中每个预设关节的位置坐标与预设控件的位置坐标之间的距离值,得到该幅用户图像对应的多个距离值,每个距离值对应一个预设关节。根据每幅图像对应的多个距离值,确定该多个距离值的变化规律。最后,通过数据分析的方式或者人工的方式判断该多个距离值的变化规律符合第一距离值变化规律的概率值,该概率值即为由待测用户本人点击预设控件的概率值。将该概率值乘以100作为第一分值。其中,第一距离值变化规律表示由用户本人点击预设控件时各幅用户图像中的各个距离值的变化规律。
第一距离值变化规律通过以下方式获得:由试验用户本人多次点击预设控件,每次点击过程中通过同步骤S202同样的方式获取多幅用户图像,按照前述的方式在每幅图像中标记试验用户的预设关节的位置坐标和预设控件的位置坐标,并在每幅图像中计算每个预设关节的位置坐标与预设控件的位置坐标之间的距离值,得到每幅图像对应的多个距离值,每个距离值对应一个预设关节。根据一次点击过程中各幅图像对应的多个距离值,确定该次点击对应的距离值变化规律,通过数学统计的方式根据各次点击对应的距离值变化规律,确定第一距离值变化规律。
一个例子中,预设关节包括手腕和食指尖,步骤S202获取的用户图像的数量为3幅。在第一幅用户图像中,手腕距离预设控件的距离为5,食指尖距离预设控件的距离为3,第二幅用户图像中,手腕距离预设控件的距离为4,食指尖距离预设控件的距离为2,第三幅用户图像中,手腕距离预设控件的距离为3,食指尖距离预设控件的距离为0,则确定该多个距离值的变化规律为:每个距离值逐渐变小,且每次变小量至少为1。另一方面,获取第一距离值变化规律,第一预设值变化规律为:每个距离值逐渐变小,且每次变小量至少为1.2,则确定该多个距离值的变化规律符合第一距离值变化规律的概率值为1/1.2=0.83,从而由待测用户本人点击预设控件的概率值为0.83,第一分值为83分。
可见,通过上述动作(a1)和(a2),能够基于多幅用户图像中预设人体关节的位置变化情况准确确定由待测用户本人点击预设控件的概率,从而得到第一分值,该过程主要基于数据统计的方式实现,简单快速。
一种情况下,上述可信度信息包括第二分值,则步骤S204,根据多幅用户图像计算可信度信息,具体为:
(b1)从多幅用户图像中选取符合第一预设图像要求的第一目标图像,将第一目标图像输入至预先训练的面具识别模型,通过面具识别模型从第一目标图像中获取待测用户的眼部图像或者嘴部图像;
(b2)通过面具识别模型,根据获取的图像计算待测用户未佩戴伪装面具的概率值,根据该概率值生成第二分值。
具体地,预先训练有面具识别模型,该面具识别模型包括神经网络模型,该面具识别模型根据未佩戴伪装面具的第一用户的用户图像和佩戴伪装面具的第二用户的用户图像训练得到,该模型可以输出用户未佩戴伪装面具的概率值。
该模型包括输入层、图像裁剪层、图像特征比对层和输出层。输入层用于获取输入的用户图像,图像裁剪层用于对输入的图像进行裁剪,得到眼部图像或嘴部图像。以裁剪得到眼部图像为例,图像特征比对层用于从眼部图像中提取图像特征,将该特征与预先训练得到的佩戴有伪装面具的图像特征进行比对,以及,将该特征与预先训练得到的未佩戴有伪装面具的图像特征进行比对,根据两次对比得到的比对结果生成用户未佩戴伪装面具的概率值,输出层用于输出该概率值。
该模型训练时,可以将未佩戴伪装面具的第一用户的用户图像作为正样本,将佩戴伪装面具的第二用户的用户图像作为负样本,同时在正样本中标注最终输出的概率值为100%,在负样本中标注最终输出的概率值为0%。首先训练模型中的图像裁剪层,使得该图像裁剪层可以准确定位用户的眼睛位置和嘴部位置,从而进行图像裁剪。然后训练图像特征比对层,利用图像特征比对层提取图像裁剪层裁剪得到的图像的图像特征,然后基于正负样本中标记的概率值,训练图像特征比对层中的各个系数,使得训练好的图像特征比对层可以根据提取得到的特征准确计算得到正负样本中标记的概率值。最后训练输出层,可以用通用的方式训练输出层,保证输出层准确输出图像特征比对层计算得到的概率值。
本实施例中,首先从多幅用户图像中选取符合第一预设图像要求的第一目标图像,第一预设图像要求包括人脸面积占比要求和清晰度要求,符合第一预设图像要求的第一目标图像中,待测用户的人脸面积占图像面积的占比大于一定值,且第一目标图像的清晰度大于一定值,从而保证第一目标图像尽可能为用户的正脸且清晰的图像。
然后,将第一目标图像输入至预先训练的面具识别模型,通过面具识别模型从第一目标图像中获取待测用户的眼部图像或者嘴部图像,最后,通过面具识别模型,根据提取的眼部图像或者嘴部图像计算待测用户未佩戴伪装面具的概率值。当第一目标图像的数量为1个时,则提取的眼部图像或者嘴部图像的数量也为1个,相应地确定得到一个概率值。当第一目标图像的数量为多个时,则提取的眼部图像或者嘴部图像的数量也为多个,相应地提取的每个图像均对应一个概率值。当概率值有一个时,将该概率值乘以100即为第二分值,当概率值有多个时,将每个概率值乘以100,然后求多个乘积的平均值,该平均值即为第二分值。
可见,通过上述动作(b1)和(b2),能够通过面具识别模型确定第二分值,第二分值表示待测用户未佩戴伪装面具的可信程度,面具识别模型可以通过神经网络模型训练得到,因此计算得到的第二分值准确率高。
一种情况下,上述可信度信息包括第三分值,则步骤S204,根据多幅用户图像计算可信度信息,具体为:
(c1)针对每幅用户图像,确定该幅用户图像对应的待测用户的视线,并确定该视线投射在显示有预设控件的屏幕上形成的视线落点,并计算该视线落点与预设控件之间的第一距离;
(c2)根据各幅用户图像对应的第一距离,确定待测用户点击预设控件时的视线落点与预设控件之间的第二距离,根据第二距离生成第三分值。
首先,针对每幅用户图像,可以通过已有的视线检测算法,根据该幅用户图像中用户的头部姿态和眼球姿态,确定该幅用户图像对应的待测用户的视线,该视线可以通过带有方向的射线来表示。确定好视线之后,确定该幅用户图像对应的待测用户的视线投射在显示有预设控件的屏幕上形成的视线落点。比如,将待测用户的视线模拟成一根带有方向的射线,该射线落在显示有预设控件的屏幕上形成的点即为视线落点。然后,在显示有预设控件的屏幕上计算视线落点与预设控件之间的第一距离。能够理解,每幅用户图像都对应一个视线落点,从而对应一个第一距离。
图3为本说明书一实施例提供的计算第三分值的示意图,如图3所示,针对任意一幅用户图像,都能够根据该图像中用户的头部姿态和眼球姿态确定用户视线,从而确定用户视线投射在显示有预设控件的屏幕上形成的视线落点A,并计算该视线落点A与预设控件B之间的第一距离S。图3中以手机显示预设控件为例进行示意。
然后,统计每幅用户图像对应的第一距离,确定待测用户点击预设控件时的视线落点与预设控件之间的第二距离。比如,若多幅用户图像中存在某幅用户图像表示用户正在点击预设控件,则将该幅用户图像对应的第一距离作为第二距离,若多幅用户图像中不存在某幅用户图像表示用户正在点击预设控件,则取各个第一距离中的最小值作为第二距离。根据第二距离生成第三分值时,第二距离越小,生成的第三分值越高,比如,计算预设距离值减去第二距离的差值,然后计算该差值占预设距离值的占比,该占比乘以100即为第三分值。该预设距离值为能够允许的用户视线落点与预设控件之间的最大距离。
可见,通过上述动作(c1)和(c2),能够根据待测用户的视线落点与预设控件之间的距离生成第三分值,第三分值表示待测用户点击预设控件时注视预设控件的可信程度,计算过程简单,计算结果准确。
一种情况下,上述可信度信息包括第四分值,则步骤S204,根据多幅用户图像计算可信度信息,具体为:
(d1)从多幅图像中选取符合第二预设图像要求的第二目标图像;
(d2)通过预设的活体检测算法,基于第二目标图像确定待测用户为活体的概率值,根据该概率值生成第四分值。
具体地,首先从多幅用户图像中选取符合第二预设图像要求的第二目标图像,第二预设图像要求包括人脸面积占比要求和清晰度要求,符合第二预设图像要求的第二目标图像中,待测用户的人脸面积占图像面积的占比大于一定值,且第二目标图像的清晰度大于一定值,从而保证第二目标图像尽可能为用户的正脸且清晰的图像。第二预设图像要求可以与上述的第一预设图像要求相同。
然后,通过预设的活体检测算法,基于第二目标图像确定待测用户为活体的概率值,根据该概率值生成第四分值。该活体检测算法可以为现有的基于图像的活体检测算法。一种情况下,第二目标图像的数量为一幅,则确定得到一个概率值,将该概率值乘以100即为第四分值。另一种情况下,第二目标图像的数量为多幅,则确定得到多个概率值,将该多个概率值的平均值乘以100即为第四分值。
可见,通过上述动作(c1)和(c2),能够借助已有的活体检测算法确定第四分值,第四分值表示基于多幅用户图像确定待测用户为活体的可信程度,计算过程简单,计算结果准确。
在通过步骤S204计算得到可信度信息后,执行步骤S206,根据计算的可信度信息,判断待测用户是否通过活体检测。该步骤具体为:对计算的各个分值进行加权求和,得到总分值,若该总分值满足对应的预设分值要求,则确定待测用户通过活体检测,反之,确定待测用户未通过活体检测。比如,设置每个分值的权重系数,从而对计算到的各个分值进行加权求和,得到总分值,若总分值大于等于一定值,则确定待测用户通过活体检测,若总分值小于一定值,则确定待测用户未通过活体检测。
本实施例中的活体检测方法还可以用在人脸支付场景下,从而形成一种人脸支付方法。本实施例中的人脸支付方法可以应用在终端设备上,由终端设备执行。图4为本说明书一实施例提供的人脸支付方法的流程示意图,如图4所示,该流程包括以下步骤:
步骤S502,在人脸支付页面上显示预设控件;
步骤S504,通过摄像头采集待支付用户点击预设控件过程中的多幅用户图像;其中,多幅用户图像在待支付用户点击预设控件过程中的不同时刻采集得到;
步骤S506,根据多幅用户图像计算可信度信息,可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;
其中,第一分值表示由待支付用户本人点击预设控件的可信程度;第二分值表示待支付用户未佩戴伪装面具的可信程度;第三分值表示待支付用户点击预设控件时注视预设控件的可信程度;第四分值表示基于多幅用户图像确定待支付用户为活体的可信程度;
步骤S508,根据计算的可信度信息,判断是否执行支付操作。
上述步骤S502中,终端设备显示人脸支付页面,并在人脸支付页面上显示预设控件,该预设控件可以为电子红包。终端设备还提示用户点击电子红包。该预设控件还可以为确定按钮等。
上述步骤S504中,通过摄像头采集待支付用户点击预设控件过程中的多幅用户图像具体为:终端设备在待支付用户点击预设控件过程中,通过摄像头每间隔设定时长采集至少一幅用户图像,以采集得到待支付用户点击预设控件过程中的多幅用户图像。
上述步骤S506计算可信度信息的过程可以参考图2关于步骤S204的描述,这里不再重复。
上述步骤S508中,根据计算的可信度信息,判断是否执行支付操作,具体为:对计算的各个分值进行加权求和,得到总分值,若总分值满足对应的预设分值要求,则执行支付操作,反之,提示人脸识别失败。比如,设置每个分值的权重系数,从而对计算到的各个分值进行加权求和,得到总分值,若总分值大于等于一定值,则执行支付操作,若总分值小于一定值,则提示人脸识别失败。
本实施例中,首先获取待支付用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待支付用户本人点击预设控件的可信程度,待支付用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断是否执行支付操作。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否为活体,从而判断是否执行支付操作,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率,提高用户支付的安全性。
本实施例中所涉及的伪装面具可以为3D面具,用于将佩戴面具的用户伪装成目标用户,从而使得该用户通过针对目标用户设置的活体检测以及人脸支付验证过程。本实施例通过显示红包的方式进行活体检测以及人脸支付,能够在用户无感的情况下进行活体检测。本实施例中的活体检测以及人脸支付方法,能够克服多种攻击手段,比如高清大图攻击、3D打印面具攻击、3D打印攻击等多种攻击算法。
进一步地,本说明书一实施例中还提供了一种活体检测方法,包括以下步骤100至步骤300。
步骤100,在终端设备显示预设控件后,获取待测用户的多幅用户图像;其中,多幅用户图像分别在终端设备显示预设控件后的不同时刻采集得到。
该步骤的具体过程可以参考前述获取多幅用户图像的过程,比如在显示预设控件后每隔设定时长获取至少一幅用户图像,从而得到多幅用户图像。
步骤200,根据获取的多幅用户图像计算可信度信息,可信度信息包括第一分值、第二分值和第三分值中的至少一项。第一分值表示待测用户未佩戴伪装面具的可信程度。第二分值表示待测用户注视预设控件的可信程度。第三分值表示基于多幅用户图像确定待测用户为活体的可信程度。
这里与图2中的方法的区别在于,可以计算表示待测用户注视预设控件的可信程度的分值,该分值为第二分值。具体计算过程为:计算每幅用户图像对应的待测用户的视线落点与预设控件之间的距离,从多幅用户图像中获取待测用户的视线落点与预设控件之间的最短距离,根据该最短距离确定第二分值,比如最短距离越小,第二分值越高。这里表示待测用户未佩戴伪装面具的可信程度的分值的计算过程,以及,表示基于多幅用户图像确定待测用户为活体的可信程度的分值的计算过程,可以参考前述图2的描述,这里不再重复。
步骤300,根据计算的可信度信息,判断待测用户是否通过活体检测。
比如,对计算的各个分值进行加权求和,得到总分值,若总分值满足对应的预设分值要求,则确定通过活体检测,反之,未通过活体检测。
通过本实施例中的方法,能够根据用户在多个维度上的可信程度判断用户是否通过活体检测,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率。
进一步地,本说明书一实施例中还提供了一种人脸支付方法,包括以下步骤400至步骤700。
步骤400,在人脸支付页面上显示预设控件。该预设控件可以为红包。
步骤500,通过摄像头采集待支付用户的多幅用户图像,该多幅用户图像在显示预设控件后的不同时刻采集得到。
该步骤的具体过程可以参考前述获取多幅用户图像的过程,比如在显示预设控件后每隔设定时长获取至少一幅用户图像,从而得到多幅用户图像。
步骤600,根据多幅用户图像计算可信度信息,可信度信息包括第一分值、第二分值和第三分值中的至少一项。第一分值表示待支付用户未佩戴伪装面具的可信程度,第二分值表示待支付用户注视预设控件的可信程度,第三分值表示基于多幅用户图像确定待支付用户为活体的可信程度。
该步骤可以参考上述步骤200的描述,这里不再重复。
步骤700,根据计算的可信度信息,判断是否执行支付操作。
比如,对计算的各个分值进行加权求和,得到总分值,若总分值满足对应的预设分值要求,则执行支付操作,反之,提示人脸识别失败。
通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否为活体,从而判断是否执行支付操作,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率,提高用户支付的安全性。
图5为本说明书一实施例提供的活体检测装置的模块组成示意图,该装置能够实现前述的活体检测方法的各个过程并达到相同的效果。如图5所示,该装置包括:
第一获取模块61,获取待测用户点击预设控件过程中的多幅用户图像;其中,所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到;
第一计算模块62,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;
其中,所述第一分值表示由所述待测用户本人点击所述预设控件的可信程度;所述第二分值表示所述待测用户未佩戴伪装面具的可信程度;所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
第一判断模块63,根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
可选地,所述可信度信息包括所述第一分值;第一计算模块62具体用于:针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成所述第一分值。
可选地,所述可信度信息包括所述第二分值;第一计算模块62具体用于:从所述多幅用户图像中选取符合第一预设图像要求的第一目标图像,将所述第一目标图像输入至预先训练的面具识别模型,通过所述面具识别模型从所述第一目标图像中获取所述待测用户的眼部图像或者嘴部图像;通过所述面具识别模型,根据获取的图像计算所述待测用户未佩戴伪装面具的概率值,根据所述概率值生成所述第二分值;其中,所述面具识别模型包括神经网络模型,所述面具识别模型根据未佩戴伪装面具的第一用户的用户图像和佩戴伪装面具的第二用户的用户图像训练得到。
可选地,所述可信度信息包括所述第三分值;第一计算模块62具体用于:针对每幅所述用户图像,确定该幅所述用户图像对应的所述待测用户的视线投射在显示有所述预设控件的屏幕上形成的视线落点,并计算该视线落点与所述预设控件之间的第一距离;根据各幅所述用户图像对应的所述第一距离,确定所述待测用户点击所述预设控件时的视线落点与所述预设控件之间的第二距离,根据所述第二距离生成所述第三分值。
可选地,所述可信度信息包括所述第四分值;第一计算模块62具体用于:从所述多幅图像中选取符合第二预设图像要求的第二目标图像;通过预设的活体检测算法,基于所述第二目标图像确定所述待测用户为活体的概率值,根据该概率值生成所述第四分值。
可选地,第一判断模块63具体用于:对计算的各个分值进行加权求和,得到总分值;若所述总分值满足对应的预设分值要求,则确定所述待测用户通过活体检测,反之,确定所述待测用户未通过活体检测。
本实施例中,首先获取待测用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待测用户本人点击预设控件的可信程度,待测用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断待测用户是否通过活体检测。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否通过活体检测,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率。
需要说明的是,本实施例中的活体检测装置能够实现前述的活体检测方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
图6为本说明书一实施例提供的人脸支付装置的模块组成示意图,该装置能够实现前述的人脸支付方法的各个过程并达到相同的效果。如图6所示,该装置包括:
第一显示模块71,在人脸支付页面上显示预设控件;
第二获取模块72,通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像;其中,所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到;
第二计算模块73,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;其中,所述第一分值表示由所述待支付用户本人点击所述预设控件的可信程度;所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
第二判断模块74,根据计算的所述可信度信息,判断是否执行支付操作。
可选地,第二获取模块72具体用于:在待支付用户点击所述预设控件过程中,通过摄像头每间隔设定时长采集至少一幅用户图像,以采集得到待支付用户点击所述预设控件过程中的多幅用户图像。
可选地,第二判断模块74具体用于:对计算的各个分值进行加权求和,得到总分值;若所述总分值满足对应的预设分值要求,则执行支付操作,反之,提示人脸识别失败。
可选地,所述预设控件包括电子红包。
本实施例中,首先获取待支付用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待支付用户本人点击预设控件的可信程度,待支付用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断是否执行支付操作。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否为活体,从而判断是否执行支付操作,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率,提高用户支付的安全性。
需要说明的是,本实施例中的人脸支付装置能够实现前述的人脸支付方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
本实施例还提供了一种活体检测装置,包括:第三获取模块,在终端设备显示预设控件后,获取待测用户的多幅用户图像;其中,所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到;第三计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项;其中,所述第一分值表示所述待测用户未佩戴伪装面具的可信程度;所述第二分值表示所述待测用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;第三判断模块,根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
通过本实施例中的装置,能够根据用户在多个维度上的可信程度判断用户是否通过活体检测,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率。
需要说明的是,本实施例中的装置能够实现前述的活体检测方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
本实施例还提供了一种人脸支付装置,包括:第二显示模块,在人脸支付页面上显示预设控件;第四获取模块,通过摄像头采集待支付用户的多幅用户图像;其中,所述多幅用户图像在显示所述预设控件后的不同时刻采集得到;第四计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项;其中,所述第一分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第二分值表示所述待支付用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;第四判断模块,根据计算的所述可信度信息,判断是否执行支付操作。
通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否为活体,从而判断是否执行支付操作,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率,提高用户支付的安全性。
需要说明的是,本实施例中的人脸支付装置能够实现前述的人脸支付方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种电子设备,图7为本说明书一实施例提供的电子设备的结构示意图,如图7所示,电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在电子设备上执行存储器902中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906等。
在一个具体的实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待测用户点击预设控件过程中的多幅用户图像;其中,所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;
其中,所述第一分值表示由所述待测用户本人点击所述预设控件的可信程度;所述第二分值表示所述待测用户未佩戴伪装面具的可信程度;所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
可选地,计算机可执行指令在被执行时,所述可信度信息包括所述第一分值;根据所述多幅用户图像计算可信度信息,包括:针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成所述第一分值。
可选地,计算机可执行指令在被执行时,所述可信度信息包括所述第二分值;根据所述多幅用户图像计算可信度信息,包括:从所述多幅用户图像中选取符合第一预设图像要求的第一目标图像,将所述第一目标图像输入至预先训练的面具识别模型,通过所述面具识别模型从所述第一目标图像中获取所述待测用户的眼部图像或者嘴部图像;通过所述面具识别模型,根据获取的图像计算所述待测用户未佩戴伪装面具的概率值,根据所述概率值生成所述第二分值;其中,所述面具识别模型包括神经网络模型,所述面具识别模型根据未佩戴伪装面具的第一用户的用户图像和佩戴伪装面具的第二用户的用户图像训练得到。
可选地,计算机可执行指令在被执行时,所述可信度信息包括所述第三分值;根据所述多幅用户图像计算可信度信息,包括:针对每幅所述用户图像,确定该幅所述用户图像对应的所述待测用户的视线投射在显示有所述预设控件的屏幕上形成的视线落点,并计算该视线落点与所述预设控件之间的第一距离;根据各幅所述用户图像对应的所述第一距离,确定所述待测用户点击所述预设控件时的视线落点与所述预设控件之间的第二距离,根据所述第二距离生成所述第三分值。
可选地,计算机可执行指令在被执行时,所述可信度信息包括所述第四分值;根据所述多幅用户图像计算可信度信息,包括:从所述多幅图像中选取符合第二预设图像要求的第二目标图像;通过预设的活体检测算法,基于所述第二目标图像确定所述待测用户为活体的概率值,根据该概率值生成所述第四分值。
可选地,计算机可执行指令在被执行时,根据所述可信度信息,判断所述待测用户是否通过活体检测,包括:对计算的各个分值进行加权求和,得到总分值;若所述总分值满足对应的预设分值要求,则确定所述待测用户通过活体检测,反之,确定所述待测用户未通过活体检测。
本实施例中,首先获取待测用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待测用户本人点击预设控件的可信程度,待测用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断待测用户是否通过活体检测。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否通过活体检测,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率。
需要说明的是,本实施例中的电子设备能够实现前述的活体检测方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
在一个具体的实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
在人脸支付页面上显示预设控件;
通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像;其中,所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;其中,所述第一分值表示由所述待支付用户本人点击所述预设控件的可信程度;所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
根据计算的所述可信度信息,判断是否执行支付操作。
可选地,计算机可执行指令在被执行时,通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像,包括:在待支付用户点击所述预设控件过程中,通过摄像头每间隔设定时长采集至少一幅用户图像,以采集得到待支付用户点击所述预设控件过程中的多幅用户图像。
可选地,计算机可执行指令在被执行时,根据所述可信度信息,判断是否执行支付操作,包括:对计算的各个分值进行加权求和,得到总分值;若所述总分值满足对应的预设分值要求,则执行支付操作,反之,提示人脸识别失败。
可选地,计算机可执行指令在被执行时,所述预设控件包括电子红包。
本实施例中,首先获取待支付用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待支付用户本人点击预设控件的可信程度,待支付用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断是否执行支付操作。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否为活体,从而判断是否执行支付操作,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率,提高用户支付的安全性。
需要说明的是,本实施例中的电子设备能够实现前述的人脸支付方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
在一个具体的实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
在终端设备显示预设控件后,获取待测用户的多幅用户图像;其中,所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项;
其中,所述第一分值表示所述待测用户未佩戴伪装面具的可信程度;所述第二分值表示所述待测用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
需要说明的是,本实施例中的电子设备能够实现前述的活体检测方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
在一个具体的实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
在人脸支付页面上显示预设控件;
通过摄像头采集待支付用户的多幅用户图像;其中,所述多幅用户图像在显示所述预设控件后的不同时刻采集得到;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项;
其中,所述第一分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第二分值表示所述待支付用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
根据计算的所述可信度信息,判断是否执行支付操作。
需要说明的是,本实施例中的电子设备能够实现前述的人脸支付方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取待测用户点击预设控件过程中的多幅用户图像;其中,所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;
其中,所述第一分值表示由所述待测用户本人点击所述预设控件的可信程度;所述第二分值表示所述待测用户未佩戴伪装面具的可信程度;所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述可信度信息包括所述第一分值;根据所述多幅用户图像计算可信度信息,包括:针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成所述第一分值。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述可信度信息包括所述第二分值;根据所述多幅用户图像计算可信度信息,包括:从所述多幅用户图像中选取符合第一预设图像要求的第一目标图像,将所述第一目标图像输入至预先训练的面具识别模型,通过所述面具识别模型从所述第一目标图像中获取所述待测用户的眼部图像或者嘴部图像;通过所述面具识别模型,根据获取的图像计算所述待测用户未佩戴伪装面具的概率值,根据所述概率值生成所述第二分值;其中,所述面具识别模型包括神经网络模型,所述面具识别模型根据未佩戴伪装面具的第一用户的用户图像和佩戴伪装面具的第二用户的用户图像训练得到。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述可信度信息包括所述第三分值;根据所述多幅用户图像计算可信度信息,包括:针对每幅所述用户图像,确定该幅所述用户图像对应的所述待测用户的视线投射在显示有所述预设控件的屏幕上形成的视线落点,并计算该视线落点与所述预设控件之间的第一距离;根据各幅所述用户图像对应的所述第一距离,确定所述待测用户点击所述预设控件时的视线落点与所述预设控件之间的第二距离,根据所述第二距离生成所述第三分值。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述可信度信息包括所述第四分值;根据所述多幅用户图像计算可信度信息,包括:从所述多幅图像中选取符合第二预设图像要求的第二目标图像;通过预设的活体检测算法,基于所述第二目标图像确定所述待测用户为活体的概率值,根据该概率值生成所述第四分值。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,根据所述可信度信息,判断所述待测用户是否通过活体检测,包括:对计算的各个分值进行加权求和,得到总分值;若所述总分值满足对应的预设分值要求,则确定所述待测用户通过活体检测,反之,确定所述待测用户未通过活体检测。
本实施例中,首先获取待测用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待测用户本人点击预设控件的可信程度,待测用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断待测用户是否通过活体检测。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否通过活体检测,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率。
需要说明的是,本实施例中的存储介质能够实现前述的活体检测方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
在人脸支付页面上显示预设控件;
通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像;其中,所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值、第三分值和第四分值中的至少一项;其中,所述第一分值表示由所述待支付用户本人点击所述预设控件的可信程度;所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
根据计算的所述可信度信息,判断是否执行支付操作。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像,包括:在待支付用户点击所述预设控件过程中,通过摄像头每间隔设定时长采集至少一幅用户图像,以采集得到待支付用户点击所述预设控件过程中的多幅用户图像。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,根据所述可信度信息,判断是否执行支付操作,包括:对计算的各个分值进行加权求和,得到总分值;若所述总分值满足对应的预设分值要求,则执行支付操作,反之,提示人脸识别失败。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述预设控件包括电子红包。
本实施例中,首先获取待支付用户点击预设控件过程中的多幅用户图像,然后根据该多幅用户图像,计算可信度信息,可信度信息可以表示用户在多个维度上的可信程度,比如待支付用户本人点击预设控件的可信程度,待支付用户点击预设控件时注视预设控件的可信程度等,最后,根据计算的可信度信息,判断是否执行支付操作。可见,通过本实施例,能够根据用户在多个维度上的可信程度判断用户是否为活体,从而判断是否执行支付操作,从而避免基于单维度的活体检测方式所带来的检测准确率低的问题,提高对用户进行活体检测的准确率,提高用户支付的安全性。
需要说明的是,本实施例中的存储介质能够实现前述的人脸支付方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:在终端设备显示预设控件后,获取待测用户的多幅用户图像;其中,所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到;根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项;其中,所述第一分值表示所述待测用户未佩戴伪装面具的可信程度;所述第二分值表示所述待测用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
需要说明的是,本实施例中的存储介质能够实现前述的活体检测方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本说明书另一实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:在人脸支付页面上显示预设控件;通过摄像头采集待支付用户的多幅用户图像;其中,所述多幅用户图像在显示所述预设控件后的不同时刻采集得到;根据所述多幅用户图像计算可信度信息,所述可信度信息包括第一分值、第二分值和第三分值中的至少一项;其中,所述第一分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第二分值表示所述待支付用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;根据计算的所述可信度信息,判断是否执行支付操作。
需要说明的是,本实施例中的存储介质能够实现前述的人脸支付方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制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 Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。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。
上述实施例阐明的系统、装置、模块或单元,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。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书的一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书的实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的一个或多个实施例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、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同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。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本说明书的实施例可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (17)
1.一种活体检测方法,包括:
获取待测用户点击预设控件过程中的多幅用户图像;其中,所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到;
针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;
根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
根据所述多幅用户图像计算可信度信息,所述可信度信息还包括:第二分值、第三分值和第四分值;其中,所述第二分值表示所述待测用户未佩戴伪装面具的可信程度;所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
2.根据权利要求1所述的方法,所述可信度信息包括所述第二分值;根据所述多幅用户图像计算可信度信息,包括:
从所述多幅用户图像中选取符合第一预设图像要求的第一目标图像,将所述第一目标图像输入至预先训练的面具识别模型,通过所述面具识别模型从所述第一目标图像中获取所述待测用户的眼部图像或者嘴部图像;
通过所述面具识别模型,根据获取的图像计算所述待测用户未佩戴伪装面具的概率值,根据所述概率值生成所述第二分值;
其中,所述面具识别模型包括神经网络模型,所述面具识别模型根据未佩戴伪装面具的第一用户的用户图像和佩戴伪装面具的第二用户的用户图像训练得到。
3.根据权利要求1所述的方法,所述可信度信息包括所述第三分值;根据所述多幅用户图像计算可信度信息,包括:
针对每幅所述用户图像,确定该幅所述用户图像对应的所述待测用户的视线投射在显示有所述预设控件的屏幕上形成的视线落点,并计算该视线落点与所述预设控件之间的第一距离;
根据各幅所述用户图像对应的所述第一距离,确定所述待测用户点击所述预设控件时的视线落点与所述预设控件之间的第二距离,根据所述第二距离生成所述第三分值。
4.根据权利要求1所述的方法,所述可信度信息包括所述第四分值;根据所述多幅用户图像计算可信度信息,包括:
从所述多幅图像中选取符合第二预设图像要求的第二目标图像;
通过预设的活体检测算法,基于所述第二目标图像确定所述待测用户为活体的概率值,根据该概率值生成所述第四分值。
5.根据权利要求1至4任一项所述的方法,根据所述可信度信息,判断所述待测用户是否通过活体检测,包括:
对计算的各个分值进行加权求和,得到总分值;
若所述总分值满足对应的预设分值要求,则确定所述待测用户通过活体检测,反之,确定所述待测用户未通过活体检测。
6.一种人脸支付方法,包括:
在人脸支付页面上显示预设控件;
通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像;其中,所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到;
针对每幅所述用户图像,计算该幅所述用户图像中待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;
根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
根据所述多幅用户图像计算可信度信息,所述可信度信息还包括:第二分值、第三分值和第四分值;其中,所述第一分值表示由所述待支付用户本人点击所述预设控件的可信程度;所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
根据计算的所述可信度信息,判断是否执行支付操作。
7.根据权利要求6所述的方法,通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像,包括:
在待支付用户点击所述预设控件过程中,通过摄像头每间隔设定时长采集至少一幅用户图像,以采集得到待支付用户点击所述预设控件过程中的多幅用户图像。
8.根据权利要求6所述的方法,根据所述可信度信息,判断是否执行支付操作,包括:
对计算的各个分值进行加权求和,得到总分值;
若所述总分值满足对应的预设分值要求,则执行支付操作,反之,提示人脸识别失败。
9.根据权利要求6至8任一项所述的方法,所述预设控件包括电子红包。
10.一种活体检测方法,包括:
在终端设备显示预设控件后,获取待测用户的多幅用户图像;其中,所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到;
针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;
根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
根据所述多幅用户图像计算可信度信息,所述可信度信息还包括:第二分值和第三分值;
其中,所述第二分值表示所述待测用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
11.一种人脸支付方法,包括:
在人脸支付页面上显示预设控件;
通过摄像头采集待支付用户的多幅用户图像;其中,所述多幅用户图像在显示所述预设控件后的不同时刻采集得到;
针对每幅所述用户图像,计算该幅所述用户图像中待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;
根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
根据所述多幅用户图像计算可信度信息,所述可信度信息包括:第二分值和第三分值;
其中,所述第二分值表示所述待支付用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
根据计算的所述可信度信息,判断是否执行支付操作。
12.一种活体检测装置,包括:
第一获取模块,获取待测用户点击预设控件过程中的多幅用户图像;其中,所述多幅用户图像分别在所述待测用户点击所述预设控件过程中的不同时刻采集得到;
第一生成模块,用于针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
第一计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括:第二分值、第三分值和第四分值;
其中,所述第二分值表示所述待测用户未佩戴伪装面具的可信程度;所述第三分值表示所述待测用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
第一判断模块,根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
13.一种人脸支付装置,包括:
第一显示模块,在人脸支付页面上显示预设控件;
第二获取模块,通过摄像头采集待支付用户点击所述预设控件过程中的多幅用户图像;其中,所述多幅用户图像在所述待支付用户点击所述预设控件过程中的不同时刻采集得到;
第二生成模块,用于针对每幅所述用户图像,计算该幅所述用户图像中待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
第二计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息还包括:第二分值、第三分值和第四分值;其中,所述第二分值表示所述待支付用户未佩戴伪装面具的可信程度;所述第三分值表示所述待支付用户点击所述预设控件时注视所述预设控件的可信程度;所述第四分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
第二判断模块,根据计算的所述可信度信息,判断是否执行支付操作。
14.一种活体检测装置,包括:
第三获取模块,在终端设备显示预设控件后,获取待测用户的多幅用户图像;其中,所述多幅用户图像分别在所述终端设备显示所述预设控件后的不同时刻采集得到;
第三生成模块,用于针对每幅所述用户图像,计算该幅所述用户图像中所述待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
第三计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括:第二分值和第三分值;
其中,所述第二分值表示所述待测用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待测用户为活体的可信程度;
第三判断模块,根据计算的所述可信度信息,判断所述待测用户是否通过活体检测。
15.一种人脸支付装置,包括:
第二显示模块,在人脸支付页面上显示预设控件;
第四获取模块,通过摄像头采集待支付用户的多幅用户图像;其中,所述多幅用户图像在显示所述预设控件后的不同时刻采集得到;
第四生成模块,用于针对每幅所述用户图像,计算该幅所述用户图像中待测用户的各个预设人体关节的位置坐标;其中,所述位置坐标指所述预设人体关节在所述用户图像中的坐标;根据各幅所述用户图像对应的所述位置坐标和所述预设控件投射到所述用户图像所在的平面中的位置坐标,计算由所述待测用户本人点击所述预设控件的概率值,根据所述概率值生成第一分值;
第四计算模块,根据所述多幅用户图像计算可信度信息,所述可信度信息包括:第二分值和第三分值;
其中,所述第二分值表示所述待支付用户注视所述预设控件的可信程度;所述第三分值表示基于所述多幅用户图像确定所述待支付用户为活体的可信程度;
第四判断模块,根据计算的所述可信度信息,判断是否执行支付操作。
16.一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1至5任一项所述的方法的步骤,或者实现上述权利要求6至9任一项所述的方法的步骤,或者实现上述权利要求10所述的方法的步骤,或者实现上述权利要求11所述的方法的步骤。
17.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现上述权利要求1至5任一项所述的方法的步骤,或者实现上述权利要求6至9任一项所述的方法的步骤,或者实现上述权利要求10所述的方法的步骤,或者实现上述权利要求11所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098540.3A CN111091388B (zh) | 2020-02-18 | 2020-02-18 | 活体检测方法和装置、人脸支付方法和装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098540.3A CN111091388B (zh) | 2020-02-18 | 2020-02-18 | 活体检测方法和装置、人脸支付方法和装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091388A CN111091388A (zh) | 2020-05-01 |
CN111091388B true CN111091388B (zh) | 2024-02-09 |
Family
ID=70400014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098540.3A Active CN111091388B (zh) | 2020-02-18 | 2020-02-18 | 活体检测方法和装置、人脸支付方法和装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091388B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150159B (zh) * | 2020-05-22 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 一种基于人脸识别的支付方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243376A (zh) * | 2015-11-06 | 2016-01-13 | 北京汉王智远科技有限公司 | 一种活体检测方法和装置 |
CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
CN108509857A (zh) * | 2018-03-06 | 2018-09-07 | 达闼科技(北京)有限公司 | 人脸活体检测方法、电子设备和计算机程序产品 |
WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技(深圳)有限公司 | 身份识别方法、计算机设备及存储介质 |
CN109960913A (zh) * | 2017-12-25 | 2019-07-02 | 上海聚虹光电科技有限公司 | 一种基于用户交互的活体检测方法 |
WO2019192261A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875688B (zh) * | 2018-06-28 | 2022-06-10 | 北京旷视科技有限公司 | 一种活体检测方法、装置、系统及存储介质 |
-
2020
- 2020-02-18 CN CN202010098540.3A patent/CN111091388B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243376A (zh) * | 2015-11-06 | 2016-01-13 | 北京汉王智远科技有限公司 | 一种活体检测方法和装置 |
CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
CN107194376A (zh) * | 2017-06-21 | 2017-09-22 | 北京市威富安防科技有限公司 | 面具造假卷积神经网络训练方法及人脸活体检测方法 |
WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技(深圳)有限公司 | 身份识别方法、计算机设备及存储介质 |
CN109960913A (zh) * | 2017-12-25 | 2019-07-02 | 上海聚虹光电科技有限公司 | 一种基于用户交互的活体检测方法 |
CN108509857A (zh) * | 2018-03-06 | 2018-09-07 | 达闼科技(北京)有限公司 | 人脸活体检测方法、电子设备和计算机程序产品 |
WO2019192261A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111091388A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3872699B1 (en) | Face liveness detection method and apparatus, and electronic device | |
CN108764133B (zh) | 图像识别方法、装置及系统 | |
Braunagel et al. | Driver-activity recognition in the context of conditionally autonomous driving | |
US10614289B2 (en) | Facial tracking with classifiers | |
KR100947990B1 (ko) | 차영상 엔트로피를 이용한 시선 추적 장치 및 그 방법 | |
CN109101919B (zh) | 用于生成信息的方法和装置 | |
CN109191802B (zh) | 用于视力保护提示的方法、装置、系统和存储介质 | |
Jäger et al. | Deep eyedentification: Biometric identification using micro-movements of the eye | |
Meena | A study on hand gesture recognition technique | |
US20160171340A1 (en) | Labeling component parts of objects and detecting component properties in imaging data | |
CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
US10168790B2 (en) | Method and device for enabling virtual reality interaction with gesture control | |
US10254831B2 (en) | System and method for detecting a gaze of a viewer | |
CN111091112B (zh) | 活体检测方法及装置 | |
CN111160251B (zh) | 一种活体识别方法及装置 | |
Handouyahia et al. | Sign language recognition using moment-based size functions | |
KR102094953B1 (ko) | 시선 추적 방법 및 이를 수행하기 위한 단말 | |
CN111091388B (zh) | 活体检测方法和装置、人脸支付方法和装置、电子设备 | |
CN110059569B (zh) | 活体检测方法和装置、模型评估方法和装置 | |
US10713847B2 (en) | Method and device for interacting with virtual objects | |
KR101869304B1 (ko) | 컴퓨터를 이용한 수화어 인식시스템, 방법 및 인식프로그램 | |
CN114461078A (zh) | 一种基于人工智能的人机交互方法 | |
Lei | Eye tracking calibration on mobile devices | |
CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 | |
CN115857678B (zh) | 眼动测试方法、装置、设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40029286 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |