CN111178341A - 一种活体检测方法、装置及设备 - Google Patents

一种活体检测方法、装置及设备 Download PDF

Info

Publication number
CN111178341A
CN111178341A CN202010276947.0A CN202010276947A CN111178341A CN 111178341 A CN111178341 A CN 111178341A CN 202010276947 A CN202010276947 A CN 202010276947A CN 111178341 A CN111178341 A CN 111178341A
Authority
CN
China
Prior art keywords
living body
image
model
probability value
detected
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.)
Granted
Application number
CN202010276947.0A
Other languages
English (en)
Other versions
CN111178341B (zh
Inventor
曹佳炯
李亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202110157641.8A priority Critical patent/CN112800997B/zh
Priority to CN202010276947.0A priority patent/CN111178341B/zh
Publication of CN111178341A publication Critical patent/CN111178341A/zh
Application granted granted Critical
Publication of CN111178341B publication Critical patent/CN111178341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/10—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例公开了一种活体检测方法、装置及设备。该方案包括：获取待检测图像；提取所述待检测图像中的目标人脸图像；利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。

Description

一种活体检测方法、装置及设备
技术领域
本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种活体检测方法、装置及设备。
背景技术
随着计算机技术以及光学成像技术的发展，基于人脸识别技术的用户识别方式正在日渐普及。在人脸识别应用过程中，通常需验证用户是否为真实活体本人操作，以甄别人脸识别时的欺诈行为，保障用户利益。目前。在进行活体检测时，通常会针对用户的人脸区域进行分析、检测，以生成活体识别结果。由于这种活体检测方式并未综合考虑用户的所处环境等因素，从而影响活体检测结果的准确性。
综上所述，如何提升生成的活体检测结果的准确性及有效性，已成为亟待解决的技术问题。
发明内容
有鉴于此，本说明书一个或多个实施例提供了一种活体检测方法、装置及设备，用于提升生成的活体检测结果的准确性及有效性。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种活体检测方法，包括：
获取待检测图像；
提取所述待检测图像中的目标人脸图像；
利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
本说明书实施例提供的一种活体检测模型的生成方法，包括：
获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
本说明书实施例提供的一种活体检测装置，包括：
获取模块，用于获取待检测图像；
第一提取模块，用于提取所述待检测图像中的目标人脸图像；
第一分类模块，用于利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
第二分类模块，用于利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
活体检测结果生成模块，用于根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
本说明书实施例提供的一种活体检测模型的生成装置，包括：
第一获取模块，用于获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
第二获取模块，用于获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
第三获取模块，用于获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
活体检测模型生成模块，用于根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
本说明书实施例提供的一种活体检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待检测图像；
提取所述待检测图像中的目标人脸图像；
利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
本说明书实施例提供的一种活体检测模型的生成设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
本说明书一个实施例实现了能够达到以下有益效果：
通过利用第一分类模型对待检测图像中的目标人脸图像进行活体分类处理，得到第一非活体概率值；并利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值。由于对目标人脸图像进行分析而得到的第一非活体概率值，可以较为准确的反映用户是否在利用打印图像等攻击手段进行用户验证；而对待检测图像进行整体分析而得到的第二非活体概率值，可以较为准确的反映用户所处环境的攻击风险以及用户是否在利用三维面具等攻击手段进行用户验证，从而使得该活体检测方案可以有效、准确的区分多种攻击行为，有利于提升生成的活体检测结果的准确性及有效性。
附图说明
此处所说明的附图用来提供对本说明书一个或多个实施例的进一步理解，构成本说明书一个或多个实施例的一部分，本说明书的示意性实施例及其说明用于解释本说明书一个或多个实施例，并不构成对本说明书一个或多个实施例的不当限定。在附图中：
图1为本说明书实施例提供的一种活体检测方法的应用场景示意图；
图2为本说明书实施例提供的一种活体检测方法的流程示意图；
图3为本说明书实施例提供的一种待检测图像的示意图；
图4为本说明书实施例提供的一种活体检测模型的生成方法的流程示意图；
图5为本说明书实施例提供的对应于图2中方法的一种活体检测装置的结构示意图；
图6为本说明书实施例提供的对应于图4中方法的一种活体检测模型的生成装置的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
现有技术中，在人脸识别应用场景中，通常需验证用户是否为真实活体本人操作，以提升人脸识别操作的安全性。目前，在进行活体检测时，通常会根据设备采集图像中的人脸图像内是否有明显的图片反光及脸部形变等情况，去识别出针对脸部区域的活体攻击行为。由于这种活体检测方式并未综合考虑用户所处环境以及用户的肢体姿态等因素，从而无法判断用户是否处在指定环境（例如，商场环境、商店环境）中进行活体检测操作，也无法判断用户是否在用手举着三维面具，护着佩戴者三维面具去进行活体检测操作，从而影响活体检测结果的准确性。
为了解决现有技术中的缺陷，本方案给出了以下实施例：
图1为本说明书实施例提供的一种活体检测方法的应用场景示意图。如图1所示，当用户101在设备102处进行活体检测操作时，设备102可以采集包含用户101的图像103，以便于基于该图像103及该图像103中的人脸图像及人体图像去生成活体检测结果。在实际应用中，既可以由设备102去生成活体检测结果，也可以由与设备102通信连接的其他设备（图1中未示出）去生成活体检测结果，对此不做具体限定。
接下来，将针对说明书实施例提供的一种活体检测方法结合附图进行具体说明：图2为本说明书实施例提供的一种活体检测方法的流程示意图。从程序角度而言，该流程的执行主体可以为用于进行活体检测的设备或者该设备中搭载的程序。如图2所示，该流程可以包括以下步骤：
步骤202：获取待检测图像。
在本说明书实施例中，当待检测用户在设备处进行活体检测操作时，该设备可以采集该待检测用户的图像作为待检测图像。其中，所述设备既可以为商店里的支持刷脸支付的机具，也可以为登录有用户的个人支付账户的终端设备，在本说明书实施例中，对于采集待检测图像的设备不做具体限制。
步骤204：提取所述待检测图像中的目标人脸图像。
在本说明书实施例中，所述待检测图像中通常会包含待检测用户的人脸图像，因此，可以从所述待检测图像中提取出待检测用户的人脸图像作为目标人脸图像。
在实际应用中，待检测图像中可能会包含多个人脸图像，为避免因对待检测用户以外的其他用户进行活体识别而产生计算资源浪费，在使用设备采集待检测图像时，可以指示待检测用户位于指定位置处，以令待检测用户的人脸图像位于设备采集的待检测图像中的指定区域内，从而可以将从待检测图像中的指定区域内提取到的人脸图像作为目标人脸图像。或者，由于待检测图像中的面积最大的人脸图像通常为待检测用户的人脸图像，因此，也可以将从待检测图像中提取到的面积最大的人脸图像作为目标人脸图像。或者，还可以人为指定待检测图像中的目标人脸图像。
步骤206：利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的。
在本说明书实施例中，所述设备采集图像中既可以包含活体样本图像，也可以包含攻击样本图像。其中，活体样本图像可以指使用设备在各种光照、背景条件下所采集的样本用户处于各种人体姿态下的图像的集合。而攻击样本图像可以指使用设备在各种光照、背景条件下所采集的样本用户利用打印人脸图像、视频及面具等进行活体检测时的处于各种人体姿态下的图像的集合。其中，活体样本图像与攻击样本图像的采集光照、背景条件及包含的人体姿态可以是相同的。
在实际应用中，设备采集图像的采集光照可以包括自然光、办公室内灯光、商场内灯光、卧室内灯光、路灯光等多种光照条件。设备采集图像的背景条件可以包括：街道、办公室、卧室、商场、商店、商业街等多种场景。而样本用户的人体姿态则可以包含手举物品（例如，图片、屏幕、面具）至面部、双手交叉抱在胸前、双手自然下垂，用手摸头等多种姿态。
在本说明书实施例中，可以将从设备采集图像中的活体样本图像中提取出的人脸图像作为活体人脸图像，并设置该活体人脸图像的类别标签为表示活体的标签；以及将从设备采集图像中的攻击样本图像中提取出的人脸图像作为非活体人脸图像，并设置该非活体人脸图像的类别标签为表示非活体的标签。利用该活体人脸图像及该非活体人脸图像对第一卷积神经网络模型进行训练，从而得到训练后的第一分类模型。其中，第一卷积神经网络模型可以采用VGGNet、ResNet(ResidualNeuralNetwork)等实现。该第一卷积神经网络模型可以为二分类模型。
在本说明书实施例中，将目标人脸图像输入训练后的第一分类模型后，该第一分类模型可以输出表示该目标人脸图像属于非活体的概率（即第一非活体概率值）。该第一非活体概率值越高，则可以表示用户在活体检测时，利用打印图片、视频等手段进行攻击验证的概率越大。
步骤208：利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的。
在本说明书实施例中，训练第二分类模型所使用的设备采集图像与步骤206中的设备采集图像可以是相同的，对此不再赘述。因此，可以将设备采集图像中的活体样本图像的类别标签设置为表示活体的标签；以及将设备采集图像中的攻击样本图像的类别标签为表示非活体的标签。利用该设备采集图像中的活体样本图像及攻击样本图像对第二卷积神经网络模型进行训练，从而得到训练后的第二分类模型。其中，第二卷积神经网络模型也可以采用VGGNet、ResNet(ResidualNeuralNetwork)等实现。该第二卷积神经网络模型可以为二分类模型。
在本说明书实施例中，由于该训练后的第二分类模型可以基于图像中的光照信息、用户背景信息及图像全局信息等进行活体分类，从而可以较好地捕捉到用户背景上的攻击元素，例如，手持打印图像进行攻击检测时的打印图像的纸张边缘，手持屏幕播放视频进行攻击时的屏幕边框，头上佩戴的三维面具的边缘，以及用户所在环境并非是指定环境等攻击元素。
在本说明书实施例中，将待检测图像输入训练后的第二分类模型后，该第二分类模型可以输出表示该待检测图像属于攻击图像的概率（即第二非活体概率值）。该第二非活体概率值越高，则可以表示用户在非指定区域内使用打印图像、视频、面具等进行攻击验证的概率越大。
步骤210：根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
在本说明书实施例中，根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果，具体可以包括：对所述第一非活体概率值与第一预设权重之积同所述第二非活体概率值与第二预设权重之积进行求和，得到第一综合非活体概率值；判断所述第一综合非活体概率值是否大于第一阈值；若是，则生成表示所述待检测图像中未包含活体的检测结果；若否，则生成表示所述待检测图像中包含活体的检测结果。其中，第一预设权重与第二预设权重可以根据实际需求而确定，对此不做具体限定。例如，第一预设权重与第二预设权重可以分别为70%及50%，或者，还可以分别为50%及50%。
应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
图2中的方法，由于对目标人脸图像进行分析而得到的第一非活体概率值，可以较为准确的反映用户是否在利用打印图像等攻击手段进行用户验证；而对待检测图像进行整体分析而得到的第二非活体概率值，可以较为准确的反映用户所处环境的攻击风险以及用户是否在利用三维面具等攻击手段进行用户验证，从而使得该活体检测方案可以有效、准确的区分多种攻击行为，从而有利于提升生成的活体检测结果的准确性及有效性。
基于图2中的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
可选的，步骤204：提取待检测图像中的目标人脸图像，具体可以包括：
获取所述待检测图像中的存在目标人脸图像的区域的位置信息，所述区域内存在一个人脸图像；根据所述区域的位置信息，从所述待检测图像中提取所述目标人脸图像。
在本说明书实施例中，所述获取所述待检测图像中的存在目标人脸图像的区域的位置信息，具体可以包括：利用第一目标检测模型对所述待检测图像进行人脸检测，得到所述第一目标检测模型输出的预测人脸框的坐标信息，并将该预测人脸框的坐标信息作为待检测图像中的存在目标人脸图像的区域的位置信息。
在本说明书实施例中，可以预先使用包含人脸图像的样本图像对第一目标检测模型进行训练，从而使得第一目标检测模型可以检测出待检测图像中的预测人脸区域。其中，第一目标检测模型可以采用MTCNN( Multi-task Cascaded Convolutional Networks)、Opencv或者OpenFace等可以生成预测人脸框的模型实现。训练第一目标检测模型与训练第一分类模型所使用的样本图像既可以是相同的，也可以是不同的，对此不做具体限定。
图3为本说明书实施例提供的一种待检测图像的示意图。如图3所示，利用第一目标检测模型对待检测图像301进行人脸检测，可以得到预测人脸框302的坐标信息，提取预测人脸框302中的图像就可以得到目标人脸图像。
在本说明书实施例中，所述根据所述区域的位置信息，从所述待检测图像中提取所述目标人脸图像，具体可以包括：根据所述区域的位置信息，从所述待检测图像中裁剪所述区域内的图像；对裁剪得到的图像进行分辨率转化，将得到的第一预设分辨率的图像作为所述目标人脸图像，以便于第一分类模型对该目标人脸图像进行分类处理。
在实际应用中，在对第一分类模型进行训练时所使用的活体人脸图像及非活体人脸图像的分辨率通常也应为第一预设分辨率。其中，所述第一预设分辨率可以根据实际需求确定，对此不做具体限定。例如，所述第一预设分辨率可以为128*256，或者，128*128等。
在本说明书实施例中，在利用第一目标检测模型对所述待检测图像进行人脸检测之后，还可以包括：
获取所述第一目标检测模型输出的人脸检测结果；当所述人脸检测结果表示在所述待检测图像中未检测到人脸区域时，则生成表示所述待检测图像中未包含活体的检测结果。
在本说明书实施例中，由于在进行活体验证时，通常需对用户人脸图像进行活体检测，因此，当所述人脸检测结果表示在所述待检测图像中未检测到人脸区域时，可以直接生成表示所述待检测图像中未包含活体的检测结果，而无需利用第二分类模型去对待检测图像进行处理，以在保证活体检测结果的准确性的基础上去节省计算资源。
在本说明书实施例中，由于攻击者在利用打印图像、录制视频等进行攻击时，攻击者通常会具有特定的人体姿态，例如，手举物品去遮挡面部等人体姿态等，可见，用户的人体姿态信息也属于区分攻击行为的重要信息来源。
因此，步骤210：根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果之前，还可以包括：
提取所述待检测图像中的目标人体图像，所述目标人体图像中包含所述目标人脸图像。利用第三分类模型对所述目标人体图像进行分类处理，得到第三非活体概率值，所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的。
在本说明书实施例中，训练第三分类模型所使用的设备采集图像与步骤206中的设备采集图像可以是相同的，对此不再赘述。因此，可以将从设备采集图像中的活体样本图像中提取的人体图像（即活体人体图像）的类别标签设置为表示活体的标签；以及将从设备采集图像中的攻击样本图像中提取的人体图像（即非活体人体图像）的类别标签为表示非活体的标签。以便于利用活体人体图像及非活体人体图像对第三卷积神经网络模型进行训练，从而得到训练后的第三分类模型。其中，第三卷积神经网络模型也可以采用VGGNet、ResNet(ResidualNeuralNetwork)等实现。所述第三卷积神经网络模型可以为二分类模型。
在本说明书实施例中，由于该训练后的第三分类模型可以基于用户人体图像进行活体分类，从而可以较好地捕捉到人体姿态中的攻击元素，例如，手持打印图像、屏幕等进行攻击时的人体姿态等攻击元素。
在本说明书实施例中，从所述待检测图像中提取的目标人体图像内至少应包含所述目标人脸图像，即目标人体图像与目标人脸图像对应于同一用户。在实际应用中，所述目标人体图像中还可以包含用户的肢体、躯干等部分的图像。在实际应用中，将目标人体图像输入训练后的第三分类模型后，该第三分类模型可以输出表示该目标人体图像属于攻击图像的概率（即第三非活体概率值）。该第三非活体概率值越高，则可以表示用户在使用打印图像、视频、面具等进行攻击验证的概率越大。
在本说明书实施例中，所述提取所述待检测图像中的目标人体图像，具体可以包括：获取所述待检测图像中的存在目标人体图像的区域的位置信息，所述区域内存在一个人体图像； 根据所述区域的位置信息，从所述待检测图像中提取所述目标人体图像。
其中，获取所述待检测图像中的存在目标人体图像的区域的位置信息，具体可以包括：利用第二目标检测模型对所述待检测图像进行人体检测，得到所述第二目标检测模型输出的预测人体框的坐标信息。
在本说明书实施例中，可以预先使用包含人体图像的样本图像对第二目标检测模型进行训练，从而使得第二目标检测模型可以检测出待检测图像中的预测人体区域。其中，第二目标检测模型可以采用MTCNN( Multi-task Cascaded Convolutional Networks)、Opencv或者OpenFace等可以生成预测人脸框的模型实现。训练第二目标检测模型与训练第一分类模型所使用的样本图像既可以是相同的，也可以是不同的，对此不做具体限定。
图3为本说明书实施例提供的一种待检测图像的示意图。如图3所示，利用第二目标检测模型对待检测图像301进行人体检测，可以得到预测人体框303的坐标信息，提取预测人体框303中的图像就可以得到目标人体图像。
在实际应用中，还可以将目标人体图像转化为第二预设分辨率后，再利用第三分类模型进行分类处理，所述第一预设分辨率可以根据实际需求确定，对此不做具体限定。
在实际应用中，当在待检测图像中未检测到存在人体图像的区域，但可以检测到存在人脸图像的区域时，可知，此时，可以得到第一非活体概率值及第二非活体概率值，但无法得到第三非活体概率，因此，在利用第二目标检测模型对所述待检测图像进行人体检测之后，还可以：获取所述第二目标检测模型输出的人体检测结果；当所述人体检测结果表示在所述待检测图像中未检测到人体区域时，则根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
而当既可以在待检测图像中检测到存在人体图像的区域，又可以检测到存在人脸图像的区域时，步骤210具体可以包括：根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成活体检测结果。
在实际应用中，可以对所述第一非活体概率值与第一预设权重之积、所述第二非活体概率值与第二预设权重之积同所述第三非活体概率值与第三预设权重之积进行求和，得到第二综合非活体概率值；判断所述第二综合非活体概率值是否大于第二阈值；若是，则生成表示所述待检测图像中未包含活体的检测结果；若否，则生成表示所述待检测图像中包含活体的检测结果。其中第一预设权重、第二预设权重及第三预设权重可以根据实际需求而确定，对此不做具体限定。
在本说明书实施例中提供的活体检测方法，通过结合对用户人脸图像、整张图像及用户人体图像进行分析而得到的第一非活体概率值、第二非活体概率值及第三非活体概率值，去生成活体检测结果，使得该活体检测方法可以较好的捕捉到人脸区域、用户背景区域及用户人体姿态等所包含的攻击元素，以提升活体检测结果的准确性。
基于同样的思路，本说明书实施例还提供了一种活体检测模型的生成方法。图4为本说明书实施例提供的一种活体检测模型的生成方法的流程示意图。如图4所示，该流程可以包括：
步骤402：获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的。
在本说明书实施例中，步骤402中的第一分类模型与步骤206中的第一分类模型的功能及训练过程可以是相同的，对此不再赘述。
步骤404：获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的。
在本说明书实施例中，步骤404中的第二分类模型与步骤208中的第二分类模型的功能及训练过程可以是相同的，对此不再赘述。
步骤406：获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果。
在本说明书实施例中，检测结果生成模型可以对所述第一非活体概率值与第一预设权重之积同所述第二非活体概率值与第二预设权重之积进行求和，得到第一综合非活体概率值；判断所述第一综合非活体概率值是否大于第一阈值；若是，则生成表示所述待检测图像中未包含活体的检测结果；若否，则生成表示所述待检测图像中包含活体的检测结果。
步骤408：根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
在本说明书实施例中，步骤408生成的活体检测模型可以用于图2中的活体检测方法中。
步骤408具体可以包括：将第一分类模型及第二分类模型的输出与检测结果生成模型的输入连接，以便于第一分类模型及第二分类模型分别接收目标人脸图像及待检测图像像后，向检测结果生成模型输出第一非活体概率及第二非活体概率。检测结果生成模型接收第一非活体概率及第二非活体概率后，可以输出活体检测结果。
在本说明书实施例中，通过结合第一分类模型及第二分类模型去生成活体检测模型，使得该活体检测模型可以基于对用户脸部信息及用户所处环境信息等进行活体攻击分析，从而既可以通过用户脸部是否有反光、变形等因素去识别用户是否在使用打印人脸图像进行攻击，也可以通过检测用户人脸区域外侧是否有纸张边缘或者屏幕边缘去判断用户是否在进行攻击，以及通过检测用户是否在指定环境内去判断用户是否在进行攻击，从而可以提升生成的活体检测结果的准确性及有效性。
在本说明书实施例中，由于用户的人体姿态信息中通常也会包含部分攻击元素，因此，图4中的方法还可以包括：获取第三分类模型，所述第三分类模型用于对从所述待检测图像中提取出的目标人体图像进行分类处理，以得到第三非活体概率值，所述目标人体图像中包含所述目标人脸图像；其中，所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的。
在本说明书实施例中，图4中方法实施例中的第三分类模型与图2中方法实施例中的第三分类模型的功能及训练过程可以是相同的，对此不再赘述。
对应的，步骤408：具体可以包括：根据所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型。
其中，所述检测结果生成模型具体可用于：根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成针对所述待检测图像的活体检测结果。
在本说明书实施例中，还可以利用模型去提取待检测图像中的目标人脸图像及目标人体图像。因此，图4中的方法还可以包括：
获取第一目标检测模型，所述第一目标检测模型用于对所述待检测图像进行人脸检测，得到所述待检测图像中存在所述目标人脸图像的第一区域的位置信息，以便于基于所述第一区域的位置信息提取所述目标人脸图像。
获取第二目标检测模型，所述第二目标检测模型用于对所述待检测图像进行人体检测，得到所述待检测图像中存在所述目标人体图像的第二区域的位置信息，以便于基于所述第二区域的位置信息提取所述目标人体图像。
在本说明书实施例中，图4中方法实施例中的第一目标检测模型与图2中方法实施例中的第一目标检测模型的功能及训练过程可以是相同的，图4中方法实施例中的第二目标检测模型与图2中方法实施例中的第二目标检测模型的功能及训练过程也可以是相同的，对此不再赘述。
对应的，步骤408可以包括：根据所述第一目标检测模型、所述第二目标检测模型、所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型。
其中，第一目标检测模型的输出可以与第一分类模型的输入连接，第二目标检测模型的输出可以与第三分类模型的输入连接，第一分类模型、第二分类模型及第三分类模型的输出可以分别与检测结果生成模型连接。
在实际应用中，当所述第一目标检测模型在所述待检测图像中未检测到人脸区域时，所述检测结果生成模型还用于生成表示所述待检测图像中未包含活体的检测结果。而当所述第二目标检测模型在所述待检测图像中未检测到人体区域时，则所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。可见第一目标检测模型与第二目标检测模型的输入还可以与检测结果生成模型的输入连接。
基于同样的思路，本说明书实施例还提供了图2中的方法对应的装置。图5为本说明书实施例提供的对应于图2中方法的一种活体检测装置的结构示意图。如图5所示，该装置可以包括：
获取模块502，用于获取待检测图像。
第一提取模块504，用于提取所述待检测图像中的目标人脸图像。
第一分类模块506，用于利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的。
第二分类模块508，用于利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的。
活体检测结果生成模510，用于根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
可选的，图5中的装置，还可以包括：第二提取模块，用于提取所述待检测图像中的目标人体图像，所述目标人体图像中包含所述目标人脸图像；第三分类模块，用于利用第三分类模型对所述目标人体图像进行分类处理，得到第三非活体概率值；所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的；
对应的，活体检测结果生成模块510，具体可以用于：根据第一非活体概率值、第二非活体概率值及第三非活体概率值，生成活体检测结果。
可选的，第一提取模块504，具体可以用于：获取所述待检测图像中的存在目标人脸图像的区域的位置信息，所述区域内存在一个人脸图像；根据所述区域的位置信息，从所述待检测图像中提取所述目标人脸图像。
其中，所述获取所述待检测图像中的存在目标人脸图像的区域的位置信息，具体可以包括：利用第一目标检测模型对所述待检测图像进行人脸检测，得到所述第一目标检测模型输出的预测人脸框的坐标信息。
可选的，图5中的装置，还可以包括：
人脸检测结果获取模块，用于获取所述第一目标检测模型输出的人脸检测结果。
对应的，活体检测结果生成模块510，具体可以用于：当所述人脸检测结果表示在所述待检测图像中未检测到人脸区域时，则生成表示所述待检测图像中未包含活体的检测结果。
可选的，图5中的装置，还可以包括：
第二提取模块，用于提取所述待检测图像中的目标人体图像，所述目标人体图像中包含所述目标人脸图像。
第三分类模块，用于利用第三分类模型对所述目标人体图像进行分类处理，得到第三非活体概率值；所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的。
对应的，活体检测结果生成模块510，具体可以用于：根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成活体检测结果。
其中，第二提取模块，具体可以用于获取所述待检测图像中的存在目标人体图像的区域的位置信息，所述区域内存在一个人体图像； 根据所述区域的位置信息，从所述待检测图像中提取所述目标人体图像。
其中，所述获取所述待检测图像中的存在目标人体图像的区域的位置信息，具体可以包括：利用第二目标检测模型对所述待检测图像进行人体检测，得到所述第二目标检测模型输出的预测人体框的坐标信息。
可选的，图5中的装置，还可以包括：
人体检测结果获取模块，用于获取所述第二目标检测模型输出的人体检测结果。
对应的，活体检测结果生成模块510，具体可以用于当所述人体检测结果表示在所述待检测图像中未检测到人体区域时，则根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
基于同样的思路，本说明书实施例还提供了图4中方法对应的装置。图6为本说明书实施例提供的对应于图4的一种活体检测模型的生成装置的结构示意图。如图6所示，该装置可以包括：
第一获取模块602，用于获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的。
第二获取模块604，用于获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的。
第三获取模块606，用于获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果。
活体检测模型生成模块608，用于根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
可选的，图6中的装置，还可以包括：
第四获取模块，用于获取第三分类模型，所述第三分类模型用于对从所述待检测图像中提取出的目标人体图像进行分类处理，以得到第三非活体概率值，所述目标人体图像中包含所述目标人脸图像；其中，所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的。
对应的，所述活体检测模型生成模块608，具体可以用于：
根据所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型；其中，所述检测结果生成模型具体用于：根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成针对所述待检测图像的活体检测结果。
可选的，图6中的装置，还可以包括：
第五获取模块，用于获取第一目标检测模型，所述第一目标检测模型用于对所述待检测图像进行人脸检测，得到所述待检测图像中存在所述目标人脸图像的第一区域的位置信息，以便于基于所述第一区域的位置信息提取所述目标人脸图像；
第六获取模块，用于获取第二目标检测模型，所述第二目标检测模型用于对所述待检测图像进行人体检测，得到所述待检测图像中存在所述目标人体图像的第二区域的位置信息，以便于基于所述第二区域的位置信息提取所述目标人体图像；
对应的，所述活体检测模型生成模块608，具体可以用于：
根据所述第一目标检测模型、所述第二目标检测模型、所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型。
基于同样的思路，本说明书实施例还提供了图2中的方法对应的一种活体检测设备。该设备可以包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待检测图像。
提取所述待检测图像中的目标人脸图像。
利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的。
利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的。
根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
基于同样的思路，本说明书实施例还提供了图4中的方法对应的一种活体检测模型的生成设备。该设备可以包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
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（Advanced Boolean 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，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书一个或多个实施例是参照根据本说明书一个或多个实施例的方法、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，磁带式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。
本说明书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，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (21)

1.一种活体检测方法，包括：
获取待检测图像；
提取所述待检测图像中的目标人脸图像；
利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
2.如权利要求1所述的方法，所述提取所述待检测图像中的目标人脸图像，具体包括：
获取所述待检测图像中的存在目标人脸图像的区域的位置信息，所述区域内存在一个人脸图像；
根据所述区域的位置信息，从所述待检测图像中提取所述目标人脸图像。
3.如权利要求2所述的方法，所述获取所述待检测图像中的存在目标人脸图像的区域的位置信息，具体包括：
利用第一目标检测模型对所述待检测图像进行人脸检测，得到所述第一目标检测模型输出的预测人脸框的坐标信息。
4.如权利要求3所述的方法，所述利用第一目标检测模型对所述待检测图像进行人脸检测之后，还包括：
获取所述第一目标检测模型输出的人脸检测结果；
当所述人脸检测结果表示在所述待检测图像中未检测到人脸区域时，则生成表示所述待检测图像中未包含活体的检测结果。
5.如权利要求1所述的方法，所述根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果之前，还包括：
提取所述待检测图像中的目标人体图像，所述目标人体图像中包含所述目标人脸图像；
利用第三分类模型对所述目标人体图像进行分类处理，得到第三非活体概率值；所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的；
所述根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果，具体包括：
根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成活体检测结果。
6.如权利要求5所述的方法，所述提取所述待检测图像中的目标人体图像，具体包括：
获取所述待检测图像中的存在目标人体图像的区域的位置信息，所述区域内存在一个人体图像；
根据所述区域的位置信息，从所述待检测图像中提取所述目标人体图像。
7.如权利要求6所述的方法，所述获取所述待检测图像中的存在目标人体图像的区域的位置信息，具体包括：
利用第二目标检测模型对所述待检测图像进行人体检测，得到所述第二目标检测模型输出的预测人体框的坐标信息。
8.如权利要求7所述的方法，所述利用第二目标检测模型对所述待检测图像进行人体检测之后，还包括：
获取所述第二目标检测模型输出的人体检测结果；
当所述人体检测结果表示在所述待检测图像中未检测到人体区域时，则根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
9.如权利要求1或8所述的方法，所述根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果，具体包括：
对所述第一非活体概率值与第一预设权重之积同所述第二非活体概率值与第二预设权重之积进行求和，得到第一综合非活体概率值；
判断所述第一综合非活体概率值是否大于第一阈值；
若是，则生成表示所述待检测图像中未包含活体的检测结果；
若否，则生成表示所述待检测图像中包含活体的检测结果。
10.如权利要求5所述的方法，所述根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成活体检测结果，具体包括：
对所述第一非活体概率值与第一预设权重之积、所述第二非活体概率值与第二预设权重之积同所述第三非活体概率值与第三预设权重之积进行求和，得到第二综合非活体概率值；
判断所述第二综合非活体概率值是否大于第二阈值；
若是，则生成表示所述待检测图像中未包含活体的检测结果；
若否，则生成表示所述待检测图像中包含活体的检测结果。
11.一种活体检测模型的生成方法，包括：
获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
12.如权利要求11所述的方法，还包括：
获取第三分类模型，所述第三分类模型用于对从所述待检测图像中提取出的目标人体图像进行分类处理，以得到第三非活体概率值，所述目标人体图像中包含所述目标人脸图像；其中，所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的；
所述根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型，具体包括：
根据所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型；
其中，所述检测结果生成模型具体用于：根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成针对所述待检测图像的活体检测结果。
13.如权利要求12所述的方法，还包括：
获取第一目标检测模型，所述第一目标检测模型用于对所述待检测图像进行人脸检测，得到所述待检测图像中存在所述目标人脸图像的第一区域的位置信息，以便于基于所述第一区域的位置信息提取所述目标人脸图像；
获取第二目标检测模型，所述第二目标检测模型用于对所述待检测图像进行人体检测，得到所述待检测图像中存在所述目标人体图像的第二区域的位置信息，以便于基于所述第二区域的位置信息提取所述目标人体图像；
所述根据所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型，具体包括：
根据所述第一目标检测模型、所述第二目标检测模型、所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型。
14.如权利要求13所述的方法，当所述第一目标检测模型在所述待检测图像中未检测到人脸区域时，所述检测结果生成模型还用于生成表示所述待检测图像中未包含活体的检测结果。
15.如权利要求13所述的方法，当所述第二目标检测模型在所述待检测图像中未检测到人体区域时，则所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
16.一种活体检测装置，包括：
获取模块，用于获取待检测图像；
第一提取模块，用于提取所述待检测图像中的目标人脸图像；
第一分类模块，用于利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
第二分类模块，用于利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
活体检测结果生成模块，用于根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
17.如权利要求16所述的装置，还包括：
第二提取模块，用于提取所述待检测图像中的目标人体图像，所述目标人体图像中包含所述目标人脸图像；
第三分类模块，用于利用第三分类模型对所述目标人体图像进行分类处理，得到第三非活体概率值；所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的；
所述活体检测结果生成模块，具体用于：
根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成活体检测结果。
18.一种活体检测模型的生成装置，包括：
第一获取模块，用于获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
第二获取模块，用于获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
第三获取模块，用于获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
活体检测模型生成模块，用于根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
19.如权利要求18所述的装置，还包括：
第四获取模块，用于获取第三分类模型，所述第三分类模型用于对从所述待检测图像中提取出的目标人体图像进行分类处理，以得到第三非活体概率值，所述目标人体图像中包含所述目标人脸图像；其中，所述第三分类模型是利用从所述设备采集图像中提取出的活体人体图像及非活体人体图像，对第三卷积神经网络模型进行训练而得到的；
所述活体检测模型生成模块，具体用于：
根据所述第一分类模型、所述第二分类模型、所述第三分类模型及所述检测结果生成模型，生成活体检测模型；
其中，所述检测结果生成模型具体用于：根据所述第一非活体概率值、所述第二非活体概率值及所述第三非活体概率值，生成针对所述待检测图像的活体检测结果。
20.一种活体检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待检测图像；
提取所述待检测图像中的目标人脸图像；
利用第一分类模型对所述目标人脸图像进行分类处理，得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
利用第二分类模型对所述待检测图像进行分类处理，得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
根据所述第一非活体概率值及所述第二非活体概率值，生成活体检测结果。
21.一种活体检测模型的生成设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取第一分类模型，所述第一分类模型用于对从待检测图像中提取出的目标人脸图像进行分类处理，以得到第一非活体概率值；所述第一分类模型是利用从设备采集图像中提取出的活体人脸图像及非活体人脸图像，对第一卷积神经网络模型进行训练而得到的；
获取第二分类模型，所述第二分类模型用于对所述待检测图像进行分类处理，以得到第二非活体概率值；所述第二分类模型是利用所述设备采集图像，对第二卷积神经网络模型进行训练而得到的；
获取检测结果生成模型，所述检测结果生成模型用于根据所述第一非活体概率值及所述第二非活体概率值，生成针对所述待检测图像的活体检测结果；
根据所述第一分类模型、所述第二分类模型及所述检测结果生成模型，生成活体检测模型。
CN202010276947.0A 2020-04-10 2020-04-10 一种活体检测方法、装置及设备 Active CN111178341B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110157641.8A CN112800997B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备
CN202010276947.0A CN111178341B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276947.0A CN111178341B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110157641.8A Division CN112800997B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111178341A true CN111178341A (zh) 2020-05-19
CN111178341B CN111178341B (zh) 2021-01-26

Family

ID=70658435

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010276947.0A Active CN111178341B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备
CN202110157641.8A Active CN112800997B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110157641.8A Active CN112800997B (zh) 2020-04-10 2020-04-10 一种活体检测方法、装置及设备

Country Status (1)

Country Link
CN (2) CN111178341B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111645695A (zh) * 2020-06-28 2020-09-11 北京百度网讯科技有限公司 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质
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
CN112101154A (zh) * 2020-09-02 2020-12-18 腾讯科技（深圳）有限公司 视频分类方法、装置、计算机设备和存储介质
CN112507831A (zh) * 2020-05-22 2021-03-16 支付宝(杭州)信息技术有限公司 活体检测方法、装置、设备和存储介质
CN112559332A (zh) * 2020-07-13 2021-03-26 支付宝(杭州)信息技术有限公司 一种生物特征识别的攻击测试方法、装置及设备
CN112560598A (zh) * 2020-12-02 2021-03-26 支付宝(杭州)信息技术有限公司 一种活体检测方法、装置及设备
CN112613470A (zh) * 2020-12-30 2021-04-06 山东山大鸥玛软件股份有限公司 一种人脸静默活体检测方法、装置、终端及存储介质
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
CN112800941A (zh) * 2021-01-26 2021-05-14 中科人工智能创新技术研究院(青岛)有限公司 基于非对称辅助信息嵌入网络的人脸反欺诈方法及系统
CN113569708A (zh) * 2021-07-23 2021-10-29 北京百度网讯科技有限公司 活体识别方法、装置、电子设备以及存储介质
CN113591615A (zh) * 2021-07-14 2021-11-02 广州敏视数码科技有限公司 一种基于多模型的驾驶员抽烟检测方法
CN113642428A (zh) * 2021-07-29 2021-11-12 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
CN113705594A (zh) * 2020-05-21 2021-11-26 北京沃东天骏信息技术有限公司 一种识别图像的方法和装置
CN113869253A (zh) * 2021-09-29 2021-12-31 北京百度网讯科技有限公司 活体检测方法、训练方法、装置、电子设备及介质
CN114627534A (zh) * 2022-03-15 2022-06-14 平安科技（深圳）有限公司 活体判别方法及电子设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质
CN109670452A (zh) * 2018-12-20 2019-04-23 北京旷视科技有限公司 人脸检测方法、装置、电子设备和人脸检测模型
CN109784148A (zh) * 2018-12-06 2019-05-21 北京飞搜科技有限公司 活体检测方法及装置
CN110472519A (zh) * 2019-07-24 2019-11-19 杭州晟元数据安全技术股份有限公司 一种基于多模型的人脸活体检测方法
US20190354746A1 (en) * 2018-05-18 2019-11-21 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for detecting living body, electronic device, and storage medium
CN110688967A (zh) * 2019-09-30 2020-01-14 上海依图信息技术有限公司 用于静态人脸活体检测的系统以及方法
CN110751069A (zh) * 2019-10-10 2020-02-04 武汉普利商用机器有限公司 一种人脸活体检测方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10452894B2 (en) * 2012-06-26 2019-10-22 Qualcomm Incorporated Systems and method for facial verification
CN116311549A (zh) * 2017-03-27 2023-06-23 北京三星通信技术研究有限公司 活体对象识别方法、设备和计算机可读存储介质
CN107818313B (zh) * 2017-11-20 2019-05-14 腾讯科技（深圳）有限公司 活体识别方法、装置和存储介质
CN109684924B (zh) * 2018-11-21 2022-01-14 奥比中光科技集团股份有限公司 人脸活体检测方法及设备
CN109508694B (zh) * 2018-12-10 2020-10-27 上海众源网络有限公司 一种人脸识别方法及识别装置
CN109840467A (zh) * 2018-12-13 2019-06-04 北京飞搜科技有限公司 一种活体检测方法及系统
CN110333778A (zh) * 2019-05-30 2019-10-15 深圳壹账通智能科技有限公司 基于微表情识别的审批指令生成方法、装置和计算机设备
CN110751025A (zh) * 2019-09-06 2020-02-04 平安普惠企业管理有限公司 基于人脸识别的业务办理方法、装置、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354746A1 (en) * 2018-05-18 2019-11-21 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for detecting living body, electronic device, and storage medium
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质
CN109784148A (zh) * 2018-12-06 2019-05-21 北京飞搜科技有限公司 活体检测方法及装置
CN109670452A (zh) * 2018-12-20 2019-04-23 北京旷视科技有限公司 人脸检测方法、装置、电子设备和人脸检测模型
CN110472519A (zh) * 2019-07-24 2019-11-19 杭州晟元数据安全技术股份有限公司 一种基于多模型的人脸活体检测方法
CN110688967A (zh) * 2019-09-30 2020-01-14 上海依图信息技术有限公司 用于静态人脸活体检测的系统以及方法
CN110751069A (zh) * 2019-10-10 2020-02-04 武汉普利商用机器有限公司 一种人脸活体检测方法及装置

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705594B (zh) * 2020-05-21 2024-05-21 北京沃东天骏信息技术有限公司 一种识别图像的方法和装置
CN113705594A (zh) * 2020-05-21 2021-11-26 北京沃东天骏信息技术有限公司 一种识别图像的方法和装置
CN112507831A (zh) * 2020-05-22 2021-03-16 支付宝(杭州)信息技术有限公司 活体检测方法、装置、设备和存储介质
CN111645695A (zh) * 2020-06-28 2020-09-11 北京百度网讯科技有限公司 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质
CN112559332A (zh) * 2020-07-13 2021-03-26 支付宝(杭州)信息技术有限公司 一种生物特征识别的攻击测试方法、装置及设备
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
CN112101154B (zh) * 2020-09-02 2023-12-15 腾讯科技（深圳）有限公司 视频分类方法、装置、计算机设备和存储介质
CN112101154A (zh) * 2020-09-02 2020-12-18 腾讯科技（深圳）有限公司 视频分类方法、装置、计算机设备和存储介质
CN112560598A (zh) * 2020-12-02 2021-03-26 支付宝(杭州)信息技术有限公司 一种活体检测方法、装置及设备
CN112613470A (zh) * 2020-12-30 2021-04-06 山东山大鸥玛软件股份有限公司 一种人脸静默活体检测方法、装置、终端及存储介质
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
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
CN112800941A (zh) * 2021-01-26 2021-05-14 中科人工智能创新技术研究院(青岛)有限公司 基于非对称辅助信息嵌入网络的人脸反欺诈方法及系统
CN113591615A (zh) * 2021-07-14 2021-11-02 广州敏视数码科技有限公司 一种基于多模型的驾驶员抽烟检测方法
CN113569708A (zh) * 2021-07-23 2021-10-29 北京百度网讯科技有限公司 活体识别方法、装置、电子设备以及存储介质
CN113642428A (zh) * 2021-07-29 2021-11-12 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
CN113642428B (zh) * 2021-07-29 2022-09-27 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
CN113869253A (zh) * 2021-09-29 2021-12-31 北京百度网讯科技有限公司 活体检测方法、训练方法、装置、电子设备及介质
CN114627534A (zh) * 2022-03-15 2022-06-14 平安科技（深圳）有限公司 活体判别方法及电子设备、存储介质

Also Published As

Publication number Publication date
CN111178341B (zh) 2021-01-26
CN112800997A (zh) 2021-05-14
CN112800997B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN111178341B (zh) 一种活体检测方法、装置及设备
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
CN106650662B (zh) 目标对象遮挡检测方法及装置
CN106934376B (zh) 一种图像识别方法、装置及移动终端
CN111626243B (zh) 口罩遮挡人脸的身份识别方法、装置及存储介质
KR101929077B1 (ko) 이미지 식별 방법 및 이미지 식별 장치
CN106663196A (zh) 视频中的计算机显著人物识别
CN111368944B (zh) 翻拍图像、证件照识别、模型训练方法、装置及电子设备
Vazquez-Fernandez et al. Built-in face recognition for smart photo sharing in mobile devices
JPWO2018154709A1 (ja) 動作学習装置、技能判別装置および技能判別システム
CN111027507A (zh) 基于视频数据识别的训练数据集生成方法及装置
CN111680670B (zh) 一种跨模态人头检测方法及装置
CN114238904A (zh) 身份识别方法、双通道超分模型的训练方法及装置
CN114998962A (zh) 一种活体检测以及模型训练方法及装置
CN111444788A (zh) 行为识别的方法、装置及计算机存储介质
Wang et al. Smoking behavior detection algorithm based on YOLOv8-MNC
CN112949516A (zh) 踢被子行为的识别方法和装置
JP2014199506A (ja) 物体検出装置、物体検出方法及びプログラム
CN113221594A (zh) 虹膜识别和吸毒检测方法、装置、可读存储介质及设备
CN111523539A (zh) 一种文字检测方法及装置
CN109447000B (zh) 活体检测方法、污渍检测方法、电子设备及记录介质
CN115546908A (zh) 一种活体检测方法、装置及设备
CN110059576A (zh) 图片的筛选方法、装置和电子设备
CN115578796A (zh) 一种活体检测模型的训练方法、装置、设备及介质
CN108875770B (zh) 行人检测误报数据的标注方法、装置、系统和存储介质

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
GR01 Patent grant
GR01 Patent grant