CN111291586A - 活体检测方法、装置、电子设备及计算机可读存储介质 - Google Patents

活体检测方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111291586A
CN111291586A CN201811485559.2A CN201811485559A CN111291586A CN 111291586 A CN111291586 A CN 111291586A CN 201811485559 A CN201811485559 A CN 201811485559A CN 111291586 A CN111291586 A CN 111291586A
Authority
CN
China
Prior art keywords
image
detected
living body
face
body detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811485559.2A
Other languages
English (en)
Inventor
杨凯
暴天鹏
吴立威
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201811485559.2A priority Critical patent/CN111291586A/zh
Publication of CN111291586A publication Critical patent/CN111291586A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V40/10—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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开实施例涉及一种活体检测方法、装置及存储介质，其中方法包括：获取待检测图像；对所述待检测图像进行伪造线索检测，获得伪造线索检测结果；确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。本公开实施例基于待检测图像和注册模板之间的匹配结果得到活体检测的最终结果，提高了活体检测算法的检测精度。

Description

活体检测方法、装置、电子设备及计算机可读存储介质
技术领域
本公开涉及图像处理技术领域，特别是涉及一种活体检测方法、装置、电子设备及计算机可读存储介质。
背景技术
人脸识别技术作为一种有效的身份认证与识别技术，由于其具有方便易用、用户友好性、非接触式等特点，目前得到了广泛的应用，如智能视频、安防监控、移动设备解锁、门禁闸机解锁、人脸支付等等。随着深度学习技术的快速发展，人脸识别的准确度已经能够超越指纹识别的准确度。然而，相比于指纹，人脸数据更容易获取，人脸识别系统也容易受到一些非法用户的攻击，如何提高人脸识别系统的安全性成为本领域广泛关注的问题。
发明内容
本公开实施例提供一种活体检测技术方案，能够提高人脸识别的安全性。
第一方面，本公开实施例提供了一种活体检测方法，该方法包括：获取待检测图像；对所述待检测图像进行活体检测处理，获得伪造线索检测结果；确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
可选地，所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：对所述待检测图像进行特征提取处理，得到活体特征数据；基于所述活体特征数据，检测伪造线索信息；基于所述伪造线索信息的检测结果，得到所述伪造线索检测结果。
可选地，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：确定所述待检测图像和所述注册模板之间的相似度。
可选地，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
可选地，所述注册模板包括注册图像；在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，还包括：分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
可选地，在所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果之前，所述方法还包括：从存储器中获取所述待检测图像对应的注册模板。
可选地，所述活体检测方法还包括：对所述待检测图像进行转正处理，得到转正处理后的待检测图像；所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
可选地，所述基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果，包括：基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
可选地，所述活体检测方法还包括：基于所述待检测图像对应的注册模板，对所述待检测图像进行身份验证，得到身份验证结果。
可选地，所述活体检测方法还包括：在所述身份验证结果为通过身份验证且所述活体检测最终检测为活体的情况下，执行解锁或支付操作。
可选地，所述待检测图像是通过单目摄像头、双目摄像头和3D摄像头中的一种摄像头采集得到的。
可选地，所述方法是利用活体检测神经网络实现的，所述方法还包括：利用所述活体检测神经网络对训练数据集中的样本图像进行处理，得到所述样本图像的活体检测结果；基于所述样本图像的活体检测结果和所述样本图像的标注信息，调整所述活体检测神经网络的网络参数。
第二方面，本公开实施例提供了一种活体检测装置，该装置包括：获取单元，用于获取待检测图像；检测单元，用于对所述待检测图像进行伪造线索检测，获得伪造线索检测结果；确定单元，用于确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；综合单元，用于基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
可选地，所述检测单元用于，对所述待检测图像进行特征提取处理，得到活体特征数据；基于所述活体特征数据，检测伪造线索信息；基于所述伪造线索信息的检测结果，得到所述伪造线索检测结果。
可选地，所述确定单元用于，确定所述待检测图像和所述注册模板之间的相似度。
可选地，所述确定单元用于，基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
可选地，所述装置还包括特征提取单元，所述注册模板包括注册图像；所述特征提取单元用于，在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
可选地，所述获取单元还用于在所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果之前，从存储器中获取所述待检测图像对应的注册模板。
可选地，所述装置还包括转正单元，所述转正单元用于，对所述待检测图像进行转正处理，得到转正处理后的待检测图像；所述检测单元用于，对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
可选地，所述综合单元用于，基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
可选地，所述装置还包括身份验证单元，所述身份验证单元用于，基于所述待检测图像对应的注册模板，对所述待检测图像进行身份验证，得到身份验证结果。
可选地，所述装置还包括解锁支付单元，所述解锁支付单元用于，在所述身份验证结果为通过身份验证且所述活体检测最终检测为活体的情况下，执行解锁或支付操作。
可选地，所述待检测图像是通过单目摄像头、双目摄像头和3D摄像头中的一种摄像头采集得到的。
可选地，所述装置是利用活体检测神经网络实现的，所述装置还包括训练单元，所述训练单元用于，利用所述活体检测神经网络对训练数据集中的样本图像进行处理，得到所述样本图像的活体检测结果；基于所述样本图像的活体检测结果和所述样本图像的标注信息，调整所述活体检测神经网络的网络参数。
第三方面，本公开实施例提供了一种电子设备，该电子设备包括处理器和存储器，其中，所述存储器用于存储应用程序代码，所述处理器用于调用所述程序代码，执行本公开任一实施例所述活体检测方法的步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述程序被处理器执行时使所述处理器执行本公开任一实施例所述活体检测方法的步骤。
第五方面，本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述程序被处理器执行时使所述处理器执行本公开任一实施例所述活体检测方法的步骤。
可选地，所述计算机程序产品包括的计算机程序存储在非易失性存储介质上。
基于本公开上述实施例提供的活体检测方法、装置、电子设备以及计算机可读存储介质，获取待检测图像，对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，并基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果，能够降低不法分子利用3D假人假冒真人而成功绕过活体检测的风险，并提高人脸识别的安全性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的活体检测方法示意流程图；
图2是本公开实施例提供的从待检测视频流选取待检测图像的流程示意图；
图3是本公开实施例提供的活体检测神经网络模型的示例性示意图；
图4是本公开实施例提供的活体检测装置的结构示意图；
图5是本公开实施例提供的活体检测装置的另一结构示意图；
图6是本公开实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本公开。如在本公开说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本公开说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本公开实施例提供一种活体检测方法，该方法可由手机、台式电脑、膝上计算机、可穿戴设备等具备图像处理功能的终端设备或服务器实现，此处不作限定。为了便于理解，下文将活体检测方法的执行主体称为活体检测装置。
请参见图1，图1是本公开实施例提供的活体检测方法的示意流程图。
101、获取待检测图像。
在一可能的实现方式中，可以利用摄像装置拍摄得到静态的图像，如常见的JPEG，TI FF，BMP，GI F，PNG，RAW等格式的图片。也可以利用摄像装置拍摄得到连续的视频流，再从拍摄得到的视频流中选取一帧或多帧图像，相应地，待检测图像可以为静态图像或者视频帧图像，例如，活体检测装置上设置有摄像装置，活体检测装置通过摄像装置进行静态图像或视频流采集，得到待检测图像，本公开实施例对此不做限定。
在另一可能的实现方式中，活体检测装置接收其他设备发送的待检测图像，例如，活体检测装置接收设置有摄像装置的终端设备发送的待检测图像，其中，可选地，终端设备可以向活体检测装置(例如服务器)发送待检测图像，其中，该待检测图像可以是摄像装置采集到的静态图像或者是从摄像装置采集到的视频序列中选帧得到的视频帧图像；或者，终端设备向活体检测装置发送包括待检测图像的视频序列，活体检测装置在接收到终端设备发送的视频序列之后，通过选帧得到待检测图像；或者，终端设备可以对待检测图像进行特征提取处理，得到待检测图像的特征数据，并向活体检测装置发送待检测图像的特征数据，相应地，活体检测装置接收到终端设备发送的待检测图像的特征数据，并基于接收到的特征数据对待检测图像进行伪造线索检测，此时，在步骤101中，活体检测装置获取待检测图像的特征数据。可选地，该待检测图像可以携带在活体检测请求或身份认证请求或其他消息中发送，本公开实施例对此不做限定。
在本公开实施例中，所述摄像装置可以是如下摄像头中的任意一种：单目摄像头、双目摄像头和3D摄像头，其中，双目摄像头可以是同模态双目摄像头或者跨模态双目摄像头。相应地，所述待检测图像是通过单目摄像头、双目摄像头和3D摄像头中的任意一种摄像头采集得到的。可选地，在待检测图像是通过单目摄像头采集的情况下，待检测图像可以是一幅图像。可选地，在待检测图像是通过双目摄像头采集的情况下，待检测图像可以是包括两幅图像的图像对，例如包括左视图和右视图的图像对。可选地，在待检测图像是通过3D摄像头采集的情况下，待检测图像包括RGB等类型的图像和对应的深度图，但本公开实施例对此不做限定。
在一可能的实现方式中，若待检测图像是从摄像装置拍摄的视频流中选帧得到的，则从视频流中筛选出待检测图像可以通过如下方式实现：基于图像的关键点信息和图像质量，从视频流包括的多帧图像中选择一帧或多帧图像。例如，利用预先设定的人脸关键点模型确定所述待检测视频每一帧或者间隔若干帧图像的头部姿态，并确定所述待检测视频每一帧或者间隔若干帧图像的图像质量，其中，图像质量可以基于图像清晰度、图像亮度、图像曝光度、图像对比度、人脸完整度、人脸是否有遮挡等一种或任意多种因素的组合来进行考量，最后，综合头部姿态和图像质量，选择头部姿态端正(例如人脸朝向与正向之间的角度较小)且图像质量较高的一帧或者多帧图像作为所述待检测图像。
在另一可能的实现方式中，从视频流中筛选出待检测图像的方式还可以通过如下方式实现：通过判断图像中的人脸朝向是否正面朝向、是否处于闭眼状态、是否处于张嘴状态、是否出现运动模糊或者对焦模糊等一种或多种因素的任意组合，对图像进行评估，并从视频流包括的多帧图像中选出一张或多张满足预设标准的图像作为待检测图像。
在一可能的实现方式中，上述预先设定的人脸关键点模型可以是深度神经网络，例如卷积神经网络，例如可以是LeNet、AlexNet、GoogLeNet、VGGNet、ResNet等任意神经网络模型，或者，人脸关键点模型也可以是基于其他机器学习方法的模型，本公开实施例对人脸关键点模型的具体实现不作限定。
可选地，在人脸关键点模型通过神经网络实现的情况下，可以通过如下方式训练获得人脸关键点模型：利用带标注的人脸样本图片对人脸关键点模型进行训练，直至满足第一训练完成条件，获得训练好的人脸关键点模型。其中，第一训练完成条件，例如可以包括但不限于，达到预设训练次数，或者神经网络从人脸图像测试集中正确检测出人脸关键点的概率满足预设条件，等等。
102、对所述待检测图像进行伪造线索检测，获得伪造线索检测结果。
在一可能的实现方式中，步骤102可以通过如下方式实现：对所述待检测图像进行特征提取处理，得到活体特征数据；基于所述活体特征数据，检测伪造线索信息，得到所述伪造线索检测结果。
在一可能的实现方式中，对所述待检测图像进行特征提取处理，得到活体特征数据，其中所述活体特征包括下列中的一项或任意多项的组合：局部二值模式特征、稀疏编码直方图特征、颜色特征、全图特征、区域特征、细节特征。具体应用中，可以根据应用场景中可能出现的伪造人脸线索信息确定提取的特征类型。应理解，上述提取的特征的例子仅仅用于举例说明，不应构成具体限定。
局部二值模式(LBP,Local Binary Patterns)特征主要用于度量和提取图像局部的纹理信息，对光照有不变性。利用局部二值模型特征，可以突出待检测图像中的边缘部位的信息。例如纸质图片的边缘和屏幕的边缘。
稀疏编码直方图(HSC，Histogram of Sparse Code)特征包括利用稀疏编码原理提取图像特征的方法，利用稀疏编码直方图特征，可以更加明显的反映出待检测图像中的反光信息和模糊信息。
颜色(RGB，Red Green Blue)特征包括图像中不同颜色的特征，利用颜色特征，可以提取出待检测图像中的不同目标物体的形状、轮廓等信息。
图像的全图特征包括图像中全部区域的特征，基于全图特征，可以提取到待检测图像中各区域中可能存在的伪造信息。
图像的区域特征包括图像中检测出的面部所在区域中的特征，基于区域特征，可以提取到待检测图像中反光、屏幕摩尔纹的边缘等伪造信息。
图像的细节特征包括图像中设定的细节区域或形状，基于细节特征，可以提取到待检测图像中不同细节部分的伪造信息。
利用不同的图像特征方法，可以更加全面地提取到待检测图像中不同伪造方式下的伪造信息。
在另一可能的实现方式中，可以基于其他方式对待检测图像进行伪造线索检测，本公开实施例对伪造线索检测的具体实现不做限定。
在本公开实施例中，可以直接对待检测图像进行伪造线索检测，或者对待检测图像进行预处理，并对预处理后的待检测图像进行伪造线索检测，其中，可选地，该预处理包括裁剪、旋转、缩放、转正、亮度调整等一种或任意多种处理的组合。
在一可能的实现方式中，活体检测方法还包括：对所述待检测图像进行转正处理，得到转正处理后的待检测图像；对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
其中，所述转正处理是将所述待检测图像中的人脸进行转正操作。可选地，基于待检测图像中检测到的多个人脸关键点的位置信息，在保持人脸关键点之间的相对空间关系不变的情况下，从整体上调整所述待检测图像中的人脸面部朝向，从而使得所述待检测图像中的所述人脸面部为正面朝向，但本申请实施例对转正处理的具体实现不做限定。这样，在对所述待检测图像进行转正处理后再进行伪造线索检测处理，有利于提高活体检测的准确度。
在一可能的实现方式中，在获取到视频流之后，对所述视频流进行选帧操作，得到待检测图像，并对筛选出来的待检测图像进行预处理，然后对预处理后的待检测图像与注册图像进行匹配处理。其中，可选地，所述预处理包括转正处理或其他处理。参见图2所示的例子，通过人脸关键模型对待检测视频流进行选帧，例如，从待检测视频流中选择人脸朝向较为正面且质量较好的图像作为所述待检测图像，并通过所述人脸关键模型对所述待检测图像进行校正处理，使得所述待检测图像中的人脸朝向为正面朝向。通过上述方式，可以提高从待检测视频流中获取的待检测图像的质量，从而提高活体检测的准确性。103、确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果。
在一可能的实现方式中，活体检测方法还包括：获取待检测图像对应的注册模板。可选地，活体检测装置存储有一个或多个注册模板，相应地，活体检测装置从存储器获取待检测图像对应的注册模板。所述注册模板是用户在注册账号时生成的，例如，终端设备在用户注册的过程中采集用户人脸图像，基于采集到的用户人脸图像生成注册模板，并存储该注册模板。再例如，终端设备在用户注册的过程中生成注册模板，并将该注册模板上传至服务器，服务器在接收到终端设备上传的注册模板后将其存储。可选地，活体检测装置从其他装置处获取待检测图像对应的注册模板，例如，活体检测装置从网络设备存储的数据库获取待检测图像对应的注册模板，本公开实施例对获取待检测图像对应的注册模板的方式不做限定。
可选地，活体检测装置仅存储一个注册模板，例如终端设备存储注册用户(例如终端设备的所有者)的注册模板，此时，活体检测装置可以将本地存储的注册模板确定为待检测图像对应的注册模板。可选地，活体检测装置(例如终端设备或服务器)的本地数据库中存储有多个用户的注册模板，每个注册模板关联用户信息，例如用户账号、用户昵称等信息，相应地，活体检测装置可以依据待检测图像对应的用户信息确定待检测图像对应的注册模板。可选地，网络设备的数据库中存储有多个终端设备中每个终端设备的注册模板，每个注册模板关联用户信息或终端信息，例如用户账号、用户昵称、终端设备标识等信息，相应地，活体检测装置向存储有数据库的网络设备发送携带待检测图像对应的用户或终端信息的请求，网络设备依据请求中携带的信息确定待检测图像对应的注册模板，本公开实施例对确定待检测图像对应的注册模板的具体实现不做限定。
在本公开实施例中，可选地，注册模板可以包括注册的用户信息，例如至少一个用户人脸图像和/或用户人脸特征信息(或称为用户人脸属性信息)，其中，用户人脸特征信息可以包括通过对一个用户人脸图像进行特征提取处理得到的特征数据，例如特征矩阵、特征向量或特征图，也可以包括通过对用户的多个人脸图像进行特征提取得到的特征数据，即多个特征数据，也可以包括通过对用户的多个人脸图像进行特征提取得到的多个特征数据进行处理得到的处理结果，例如，通过对多个特征数据进行融合处理或者平均处理得到的处理结果，等等，本公开实施例对此不做限定。
在步骤103中，可以确定待检测图像和注册模板是否匹配，即是否对应于同一个人。在本公开实施例中，可以通过多种方式确定待检测图像和注册模板是否匹配。在一可能的实现方式中，活体检测装置可以向其他设备(例如存储有注册模板的网络设备)发送携带待检测图像的匹配请求，其他设备确定待检测图像与待检测图像对应的注册模板之间的匹配结果，并返回携带该匹配结果的匹配响应。活体检测装置依据接收到的匹配响应确定待检测图像和所述待检测图像对应的注册模板是否匹配。
在另一可能的实现方式中，步骤103确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：确定所述待检测图像和所述注册模板之间的相似度。
可选地，注册模板包括用户人脸图像，相应地，可以确定待检测图像与注册模板包括的用户人脸图像之间的相似度。可选地，注册模板包括人脸特征数据，相应地，可以确定待检测图像的人脸特征数据与注册模板包括的人脸特征数据之间的相似度。本公开实施例对确定待检测图像和注册模板之间的相似度的具体实现不做限定。
在一可能的实现方式中，基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
在一可能的实现方式中，所述注册模板包括注册图像；在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，还包括：分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
在另一可能的实现方式中，注册模板包括第二人脸特征数据，相应地，可以对待检测图像进行人脸特征提取，得到第一人脸特征数据，并确定第一人脸特征数据和第二人脸特征数据之间的相似度。
在一可能的实现方式中，比较所述第一人脸特征和所述第二人脸特征，从而确定所述待检测图像和所述注册图像之间的相似度。进一步地，可以通过确定所述第一人脸特征和所述第二人脸特征之间的余弦相似度，得到所述待检测图像和所述注册图像之间的相似度，此处不做具体限定。在一可能的实现方式中，若待检测图像是通过单目摄像头采集到的，则可以确定单目摄像头采集到的RGB或其他类型的图像与注册模板之间的匹配结果；若待检测图像是通过3D摄像头采集到的，则可以确定待检测图像中的RGB或其他类型的二维图像与注册模板之间的匹配结果，而无需使用深度图；若所述待检测图像是通过双目摄像头采集到的，其中所述双目摄像头可以是的跨模态摄像头，也可以是同模态摄像头，例如双目摄像头包括：可见光与红外摄像头，可见光与可见光摄像头，红外与红外摄像头、或者可见光与双通摄像头，等等，则可以将所述待检测图像中包括的两个图像和所述注册模板中的对应信息进行比对，或者通过对待检测图像中包括的两个图像的特征数据进行处理后与注册模板进行比对，本公开实施例对此不做限定。
在本公开实施例中，步骤102和步骤103可以并行执行，或者以任意前后顺序执行，本公开实施例对步骤102和103的执行顺序不做限定。
104、基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
在步骤104中，可以综合伪造线索检测结果和匹配结果，得到待检测图像的活体检测结果。
在一可能的实现方式中，步骤104包括：基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
在一个例子中，根据以下公式对所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度进行融合，从而确定所述待检测图像的活体检测结果，
Slive＝Ssimilarity*Soriginal_live (1)
其中，Slive为最终确定待检测图像中的人物为真人的概率，Ssimilarity为所述待检测图像与注册模板之间的相似度，Soriginal_live为不存在伪造线索的概率。
由公式可知，Slive的数值是由Ssimilarity和Soriginal_live共同确定的，只有当Soriginal_live和Soriginal_live都足够大，所述待检测图像包括的人脸才能被确定为真实人脸。
基于本公开实施例提供的活体检测方法，通过对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，并基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。本公开实施例在对待检测图像进行活体检测的同时还比较了待检测图像和注册图像的相似度，能够降低不法分子利用3D假人假冒真人而成功绕过活体检测的风险，并提高人脸识别的安全性。
在本公开提供的活体检测方法中，可选地，所述方法是利用活体检测神经网络实现的。例如，利用融合了伪造线索检测神经网络和人脸比对神经网络的多分支深度神经网络模型来实现本公开实施例提供的活体检测方法。参见图3，图3是本公开实施例提供的活体检测神经网络模型的示例性示意图。该活体检测神经网络包括三个分支，在第一个分支中，伪造线索检测神经网络对所述待检测图像进行特征提取并分类，最后将分类结果经过softmax操作后，得到待检测图像不存在伪造线索的概率Soriginal_live或者待检测图像存在伪造线索的概率；在第二个分支和第三个分支中，人脸比对神经网络对待检测图像和注册图像分别进行特征提取，并且基于待检测图像的特征数据和注册图像的特征数据，得到待检测图像和注册图像之间的相似度Ssimilarity。最后，基于伪造线索检测神经网络的输出和人脸比对提取神经网络的输出，得到待检测图像中的人脸为真人或假人的概率。
可选地，还可以为伪造线索检测结果和匹配结果之间分配不同的权重，并基于伪造线索检测结果和匹配结果及其权重，确定最终的活体检测结果。例如，所述活体检测神经网络可以是以活体检测神经网络为主分支，以人脸比对神经网络为辅分支的神经网络。再例如，伪造线索检测结果的权重大于匹配结果的权重，但本公开实施例对此不做限定。
可选地，在利用上述活体检测神经网络进行活体检测之前，还包括：训练活体检测神经网络。在一可能的实现方式中，所述方法还包括：利用所述活体检测神经网络对训练数据集中的样本图像进行处理，得到所述样本图像的活体检测结果；基于所述样本图像的活体检测结果和所述样本图像的标注信息，调整所述活体检测神经网络的网络参数。
可选地，可通过单独对每一分支进行训练，再将训练好的各个分支进行组合，最终得到所述活体检测神经网络。或者，对活体检测神经网络中的各个分支进行联合训练，本公开实施例对此不做限定。
例如，可以通过如下训练活体检测神经网络：预先利用包括标注了真人或假人的多个样本图像对所述伪造线索检测神经网络进行训练，直至满足预设的第一训练完成条件，获得训练好的伪造线索检测神经网络。其中，第一训练完成条件，例如包括但不限于，达到预设训练次数，或所述活体检测神经网络分辨真人和假人的正确率满足预设阈值。应理解，上述例子仅仅用于举例，不应构成具体限定。
再例如，利用包括同一个人的人脸图像集和不同人的人脸图像集训练人脸比对神经网络。在一个例子中，利用包含多个人脸样本图像的训练集对所述人脸比对神经网络进行训练，直至满足预设的第二训练完成条件，获得训练好的人脸比对神经网络。其中，第二训练完成条件，例如包括但不限于，达到预设训练次数，所述人脸比对神经网络对同一个人的人脸图像之间的相似度超过第一预设阈值，或所述人脸比对神经网络对不同人的人脸图像之间的相似度低于第二预设阈值。应理解，上述例子仅仅用于举例，不应构成具体限定。
再例如，在得到训练好的伪造线索检测神经网络和人脸比对神经网络之后，可以将训练好的伪造神经网络和人脸比对神经网络进行组合得到活体检测神经网络，并利用训练集中的样本图像训练活体检测神经网络，即基于样本图像对应的网络损失调整活体检测神经网络中的伪造线索检测神经网络和/或人脸比对神经网络的网络参数，本公开实施例对此不做限定。
进一步示例，所述伪造线索检测神经网络和所述人脸比对神经网络可以是LeNet、AlexNet、GoogLeNet、VGGNet、ResNet等任意神经网络模型中的一种或者多种组合。应理解，上述活体检测神经网络和人脸比对神经网络还可以是其他神经网络模型，这里仅仅用于举例，不应构成具体限定。
在一可能的实现方式中，活体检测方法还包括：基于所述待检测图像对应的注册模板，对所述待检测图像进行身份验证，得到身份验证结果。
在本公开实施例中，可选地，活体检测装置可以在接收到用户请求后执行上述活体检测方法，其中，用户请求可以用于请求执行解锁、支付或其他操作。例如，终端设备在检测到用户发出的解锁、支付或其他操作指令后，执行上述活体检测方法。再例如，服务器在接收到终端设备发送的活体检测请求或身份验证请求之后，执行上述活体检测方法，其中，可选地，终端设备可以在检测到用户发出的解锁、支付或其他操作指令后发送上述请求，本公开实施例对此不做限定。
在一可能的实现方式中，活体检测装置为终端设备，此时，在所述身份验证结果为通过身份验证且所述活体检测结果为活体的情况下，执行解锁或支付等操作。
在另一可能的实现方式中，活体检测装置为服务器，此时，在所述身份验证结果为通过身份验证且所述活体检测结果为活体的情况下，向终端设备发送指示解锁或支付等操作的指示信息。
在另一可能的实现方式中，所述活体检测方法还包括：在身份验证结果为未通过身份验证或者活体检测结果为假体的情况下，拒绝用户请求或发送指示用户未通过活体检测的指示信息，可选地，终端设备还可以输出指示未通过活体检测的提示信息，本公开实施例对此不做限定。
在另一可能的实现方式中，也可以不进行身份验证而仅基于活体检测结果确定是否允许用户请求。例如，在活体检测结果为活体的情况下，执行用户请求的解锁或支付等操作，或发送指示执行用户请求的解锁或支付等操作的指示信息。再例如，在活体检测结果为假体的情况下，拒绝用户请求，或发送指示用户未通过活体检测的指示信息。
在另一可能的实现方式中，可以先执行上述活体检测流程，并依据活体检测的结果确定是否进行身份验证。例如，在活体检测结果为活体的情况下，进行身份验证，并依据身份验证结果确定是否允许用户请求。再例如，在活体检测结果为假体的情况下，不进行身份验证而直接拒绝用户请求或发送指示用户未通过活体检测的指示信息。
在另一可能的实现方式中，可以先执行身份验证流程，并在确定通过身份验证的情况下执行上述活体检测流程，本公开实施例对此不做限定。
在相关技术的人脸识别系统中，活体检测模块和人脸识别模块是相互独立的模块。然而，不法分子可以在利用高逼真的3D假人模型欺骗了活体检测之后，再设置断点，将3D假人模型的照片更换成所要攻击的用户的人脸照片，从而能够成功攻破人脸识别系统。为预防此类攻击手段，本公开实施例在对所述待检测图像进行伪造线索检测(即初步的活体检测)的同时，还确定所述待检测图像的中人脸和注册模板是否来自同一个人。只有在所述待检测图像中不存在伪造线索且所述待检测图像中的人脸和所述注册模板来自同一个人的情况下，才判定该待检测图像中的人物为活体。通过本公开实施例的融合人脸相似度的活体检测方法，能够有效地杜绝上述高逼真3D假人对活体检测模块的攻击，从而提高人脸识别系统的安全性。
本公开实施例还提供了活体检测装置。图4是本公开实施例提供的活体检测装置的结构示意图。该装置包括：获取单元401、检测单元402、确定单元403以及综合单元404。
获取单元401，用于获取待检测图像。
在一可能的实现方式中，可以利用摄像装置拍摄得到静态的图像，如常见的JPEG，TI FF，BMP，GIF，PNG，RAW等格式的图片。也可以利用摄像装置拍摄得到连续的视频流，再从拍摄得到的视频流中选取一帧或多帧图像，相应地，待检测图像可以为静态图像或者视频帧图像，例如，活体检测装置上设置有摄像装置，活体检测装置通过摄像装置进行静态图像或视频流采集，得到待检测图像，本公开实施例对此不做限定。
在另一可能的实现方式中，活体检测装置接收其他设备发送的待检测图像，例如，活体检测装置接收设置有摄像装置的终端设备发送的待检测图像，其中，可选地，终端设备可以向活体检测装置(例如服务器)发送待检测图像，其中，该待检测图像可以是摄像装置采集到的静态图像或者是从摄像装置采集到的视频序列中选帧得到的视频帧图像；或者，终端设备向活体检测装置发送包括待检测图像的视频序列，活体检测装置在接收到终端设备发送的视频序列之后，通过选帧得到待检测图像；或者，终端设备可以对待检测图像进行特征提取处理，得到待检测图像的特征数据，并向活体检测装置发送待检测图像的特征数据，相应地，活体检测装置接收到终端设备发送的待检测图像的特征数据，并基于接收到的特征数据对待检测图像进行伪造线索检测，此时，在步骤101中，活体检测装置获取待检测图像的特征数据。可选地，该待检测图像可以携带在活体检测请求或身份认证请求或其他消息中发送，本公开实施例对此不做限定。
在本公开实施例中，所述摄像装置可以是如下摄像头中的任意一种：单目摄像头、双目摄像头和3D摄像头，其中，双目摄像头可以是同模态双目摄像头或者跨模态双目摄像头。相应地，所述待检测图像是通过单目摄像头、双目摄像头和3D摄像头中的任意一种摄像头采集得到的。可选地，在待检测图像是通过单目摄像头采集的情况下，待检测图像可以是一幅图像。可选地，在待检测图像是通过双目摄像头采集的情况下，待检测图像可以是包括两幅图像的图像对，例如包括左视图和右视图的图像对。可选地，在待检测图像是通过3D摄像头采集的情况下，待检测图像包括RGB等类型的图像和对应的深度图，但本公开实施例对此不做限定。
在一可能的实现方式中，若待检测图像是从摄像装置拍摄的视频流中选帧得到的，则对视频流进行选帧操作，从而得到待检测图像，所述选帧处理可以通过如下方式实现：基于图像的关键点信息和图像质量，从视频流包括的多帧图像中选择一帧或多帧图像。例如，利用预先设定的人脸关键点模型确定所述待检测视频每一帧或者间隔若干帧图像的头部姿态，并确定所述待检测视频每一帧或者间隔若干帧图像的图像质量，其中，图像质量可以基于图像清晰度、图像亮度、图像曝光度、图像对比度、人脸完整度、人脸是否有遮挡等一种或任意多种因素的组合来进行考量，最后，综合头部姿态和图像质量，选择头部姿态端正(例如人脸朝向与正向之间的角度较小)且图像质量较高的一帧或者多帧图像作为所述待检测图像。
在另一可能的实现方式中，所述选帧处理还可以通过如下方式实现：通过判断图像中的人脸朝向是否正面朝向、是否处于闭眼状态、是否处于张嘴状态、是否出现运动模糊或者对焦模糊等一种或多种因素的任意组合，对图像进行评估，并从视频流包括的多帧图像中选出一张或多张满足预设标准的图像作为待检测图像。
在一可能的实现方式中，上述预先设定的人脸关键点模型可以是深度神经网络，例如卷积神经网络，例如可以是LeNet、AlexNet、GoogLeNet、VGGNet、ResNet等任意神经网络模型，或者，人脸关键点模型也可以是基于其他机器学习方法的模型，本公开实施例对人脸关键点模型的具体实现不作限定。
可选地，在人脸关键点模型通过神经网络实现的情况下，可以通过如下方式训练获得人脸关键点模型：利用带标注的人脸样本图片对人脸关键点模型进行训练，直至满足第一训练完成条件，获得训练好的人脸关键点模型。其中，第一训练完成条件，例如可以包括但不限于，达到预设训练次数，或者神经网络从人脸图像测试集中正确检测出人脸关键点的概率满足预设条件，等等。
检测单元402，用于对所述待检测图像进行伪造线索检测，获得伪造线索检测结果。
在一可能的实现方式中，所述检测单元402用于，对所述待检测图像进行特征提取处理，得到活体特征数据；基于所述活体特征数据，检测伪造线索信息；基于所述伪造线索信息的检测结果，得到所述伪造线索检测结果。
在一可能的实现方式中，对所述待检测图像进行特征提取处理，得到活体特征数据，其中所述活体特征包括下列中的一项或任意多项的组合：局部二值模式特征、稀疏编码直方图特征、颜色特征、全图特征、区域特征、细节特征。具体应用中，可以根据应用场景中可能出现的伪造人脸线索信息确定提取的特征类型。应理解，上述提取的特征的例子仅仅用于举例说明，不应构成具体限定。
局部二值模式(LBP,Local Binary Patterns)特征主要用于度量和提取图像局部的纹理信息，对光照有不变性。利用局部二值模型特征，可以突出待检测图像中的边缘部位的信息。例如纸质图片的边缘和屏幕的边缘。
稀疏编码直方图(HSC，Histogram of Sparse Code)特征包括利用稀疏编码原理提取图像特征的方法，利用稀疏编码直方图特征，可以更加明显的反映出待检测图像中的反光信息和模糊信息。
颜色(RGB，Red Green Blue)特征包括图像中不同颜色的特征，利用颜色特征，可以提取出待检测图像中的不同目标物体的形状、轮廓等信息。
图像的全图特征包括图像中全部区域的特征，基于全图特征，可以提取到待检测图像中各区域中可能存在的伪造信息。
图像的区域特征包括图像中检测出的面部所在区域中的特征，基于区域特征，可以提取到待检测图像中反光、屏幕摩尔纹的边缘等伪造信息。
图像的细节特征包括图像中设定的细节区域或形状，基于细节特征，可以提取到待检测图像中不同细节部分的伪造信息。
利用不同的图像特征方法，可以更加全面地提取到待检测图像中不同伪造方式下的伪造信息。
在另一可能的实现方式中，可以基于其他方式对待检测图像进行伪造线索检测，本公开实施例对伪造线索检测的具体实现不做限定。
在本公开实施例中，可以直接对待检测图像进行伪造线索检测，或者对待检测图像进行预处理，并对预处理后的待检测图像进行伪造线索检测，其中，可选地，该预处理包括裁剪、旋转、缩放、转正、亮度调整等一种或任意多种处理的组合。
在一可能的实现方式中，参见图5，所述装置还包括转正单元502，所述转正单元502用于，对所述待检测图像进行转正处理，得到转正处理后的待检测图像；所述检测单元用于，对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
其中，所述转正处理是将所述待检测图像中的人脸进行转正操作。可选地，基于待检测图像中检测到的多个人脸关键点的位置信息，在保持人脸关键点之间的相对空间关系不变的情况下，从整体上调整所述待检测图像中的人脸面部朝向，从而使得所述待检测图像中的所述人脸面部为正面朝向，但本申请实施例对转正处理的具体实现不做限定。
这样，在对所述待检测图像进行转正处理后再进行伪造线索检测处理，有利于提高活体检测的准确度。
确定单元403，用于确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果。
在一可能的实现方式中，所述获取单元401用于，获取待检测图像对应的注册模板。可选地，活体检测装置存储有一个或多个注册模板，相应地，活体检测装置从存储器获取待检测图像对应的注册模板。所述注册模板是用户在注册账号时生成的，例如，终端设备在用户注册的过程中采集用户人脸图像，基于采集到的用户人脸图像生成注册模板，并存储该注册模板。再例如，终端设备在用户注册的过程中生成注册模板，并将该注册模板上传至服务器，服务器在接收到终端设备上传的注册模板后将其存储。可选地，活体检测装置从其他装置处获取待检测图像对应的注册模板，例如，活体检测装置从网络设备存储的数据库获取待检测图像对应的注册模板，本公开实施例对获取待检测图像对应的注册模板的方式不做限定。
可选地，活体检测装置仅存储一个注册模板，例如终端设备存储注册用户(例如终端设备的所有者)的注册模板，此时，活体检测装置可以将本地存储的注册模板确定为待检测图像对应的注册模板。可选地，活体检测装置(例如终端设备或服务器)的本地数据库中存储有多个用户的注册模板，每个注册模板关联用户信息，例如用户账号、用户昵称等信息，相应地，活体检测装置可以依据待检测图像对应的用户信息确定待检测图像对应的注册模板。可选地，网络设备的数据库中存储有多个终端设备中每个终端设备的注册模板，每个注册模板关联用户信息或终端信息，例如用户账号、用户昵称、终端设备标识等信息，相应地，活体检测装置向存储有数据库的网络设备发送携带待检测图像对应的用户或终端信息的请求，网络设备依据请求中携带的信息确定待检测图像对应的注册模板，本公开实施例对确定待检测图像对应的注册模板的具体实现不做限定。
在本公开实施例中，可选地，注册模板可以包括注册的用户信息，例如至少一个用户人脸图像和/或用户人脸特征信息(或称为用户人脸属性信息)，其中，用户人脸特征信息可以包括通过对一个用户人脸图像进行特征提取处理得到的特征数据，例如特征矩阵、特征向量或特征图，也可以包括通过对用户的多个人脸图像进行特征提取得到的特征数据，即多个特征数据，也可以包括通过对用户的多个人脸图像进行特征提取得到的多个特征数据进行处理得到的处理结果，例如，通过对多个特征数据进行融合处理或者平均处理得到的处理结果，等等，本公开实施例对此不做限定。
在确定单元403中，可以确定待检测图像和注册模板是否匹配，即是否对应于同一个人。在本公开实施例中，可以通过多种方式确定待检测图像和注册模板是否匹配。在一可能的实现方式中，确定单元403可以向其他设备(例如存储有注册模板的网络设备)发送携带待检测图像的匹配请求，其他设备确定待检测图像与待检测图像对应的注册模板之间的匹配结果，并返回携带该匹配结果的匹配响应。确定单元403依据接收到的匹配响应确定待检测图像和所述待检测图像对应的注册模板是否匹配。
在另一可能的实现方式中，所述确定单元403用于，确定所述待检测图像和所述注册模板之间的相似度。
可选地，注册模板包括用户人脸图像，相应地，可以确定待检测图像与注册模板包括的用户人脸图像之间的相似度。可选地，注册模板包括人脸特征数据，相应地，可以确定待检测图像的人脸特征数据与注册模板包括的人脸特征数据之间的相似度。本公开实施例对确定待检测图像和注册模板之间的相似度的具体实现不做限定。
在另一可能的实现方式中，所述确定单元403用于，基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
在一可能的实现方式中，参见图5，所述装置还包括特征提取单元501，所述注册模板包括注册图像；所述特征提取单元用于，在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
在另一可能的实现方式中，注册模板包括第二人脸特征数据，相应地，可以对待检测图像进行人脸特征提取，得到第一人脸特征数据，并确定第一人脸特征数据和第二人脸特征数据之间的相似度。
在一可能的实现方式中，比较所述第一人脸特征和所述第二人脸特征，从而确定所述待检测图像和所述注册图像之间的相似度。进一步地，可以通过确定所述第一人脸特征和所述第二人脸特征之间的余弦相似度，得到所述待检测图像和所述注册图像之间的相似度，此处不做具体限定。
在一可能的实现方式中，在获取到视频流之后，对所述视频流进行选帧操作，得到待检测图像，并对筛选出来的待检测图像进行预处理，然后对预处理后的待检测图像与注册图像进行匹配处理。其中，可选地，所述预处理包括转正处理或其他处理。参见图2所示的例子，通过人脸关键模型对待检测视频流进行选帧，例如，从待检测视频流中选择人脸朝向较为正面且质量较好的图像作为所述待检测图像，并通过所述人脸关键模型对所述待检测图像进行校正处理，使得所述待检测图像中的人脸朝向为正面朝向。通过上述方式，可以提高从待检测视频流中获取的待检测图像的质量，从而提高活体检测的准确性。
在一可能的实现方式中，若待检测图像是通过单目摄像头采集到的，则可以确定单目摄像头采集到的RGB或其他类型的图像与注册模板之间的匹配结果；若待检测图像是通过3D摄像头采集到的，则可以确定待检测图像中的RGB或其他类型的二维图像与注册模板之间的匹配结果，而无需使用深度图；若所述待检测图像是通过双目摄像头采集到的，其中所述双目摄像头可以是的跨模态摄像头，也可以是同模态摄像头，例如双目摄像头包括：可见光与红外摄像头，可见光与可见光摄像头，红外与红外摄像头、或者可见光与双通摄像头，等等，则可以将所述待检测图像中包括的两个图像和所述注册模板中的对应信息进行比对，或者通过对待检测图像中包括的两个图像的特征数据进行处理后与注册模板进行比对，本公开实施例对此不做限定。
综合单元404，用于基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
所述综合单元404，可以综合伪造线索检测结果和匹配结果，得到待检测图像的活体检测结果。
在一可能的实现方式中，所述综合单元404用于，基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
在一个例子中，根据公式(1)对所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度进行融合，从而确定所述待检测图像的活体检测结果。
基于本公开实施例提供的活体检测装置，通过对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，并基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。本公开实施例在对待检测图像进行活体检测的同时还比较了待检测图像和注册图像的相似度，能够降低不法分子利用3D假人假冒真人而成功绕过活体检测的风险，并提高人脸识别的安全性。
在本公开提供的活体检测装置中，可选地，所述装置是利用活体检测神经网络实现的。例如，本公开实施例提供的活体检测装置利用融合了伪造线索检测神经网络和人脸比对神经网络的多分支深度神经网络模型。参见图3，图3是本公开实施例提供的活体检测神经网络模型的示例性示意图。该活体检测神经网络包括三个分支，在第一个分支中，伪造线索检测神经网络对所述待检测图像进行特征提取并分类，最后将分类结果经过softmax操作后，得到待检测图像不存在伪造线索的概率Soriginal_live或者待检测图像存在伪造线索的概率；在第二个分支和第三个分支中，人脸比对神经网络对待检测图像和注册图像分别进行特征提取，并且基于待检测图像的特征数据和注册图像的特征数据，得到待检测图像和注册图像之间的相似度Ssimilarity。最后，基于伪造线索检测神经网络的输出和人脸比对提取神经网络的输出，得到待检测图像中的人脸为真人或假人的概率。
可选地，还可以为伪造线索检测结果和匹配结果之间分配不同的权重，并基于伪造线索检测结果和匹配结果及其权重，确定最终的活体检测结果。例如，所述活体检测神经网络可以是以活体检测神经网络为主分支，以人脸比对神经网络为辅分支的神经网络。再例如，伪造线索检测结果的权重大于匹配结果的权重，但本公开实施例对此不做限定。
可选地，参见图5，所述装置还包括训练单元505，所述训练单元505用于在利用上述活体检测神经网络进行活体检测之前，还包括：训练活体检测神经网络。在一可能的实现方式中，训练单元505用于，利用所述活体检测神经网络对训练数据集中的样本图像进行处理，得到所述样本图像的活体检测结果；基于所述样本图像的活体检测结果和所述样本图像的标注信息，调整所述活体检测神经网络的网络参数。
可选地，训练单元505可通过单独对每一分支进行训练，再将训练好的各个分支进行组合，最终得到所述活体检测神经网络。或者，对活体检测神经网络中的各个分支进行联合训练，本公开实施例对此不做限定。
例如，训练单元505可以通过如下训练活体检测神经网络：预先利用包括标注了真人或假人的多个样本图像对所述伪造线索检测神经网络进行训练，直至满足预设的第一训练完成条件，获得训练好的伪造线索检测神经网络。其中，第一训练完成条件，例如包括但不限于，达到预设训练次数，或所述活体检测神经网络分辨真人和假人的正确率满足预设阈值。应理解，上述例子仅仅用于举例，不应构成具体限定。
再例如，训练单元505利用包括同一个人的人脸图像集和不同人的人脸图像集训练人脸比对神经网络。在一个例子中，利用包含多个人脸样本图像的训练集对所述人脸比对神经网络进行训练，直至满足预设的第二训练完成条件，获得训练好的人脸比对神经网络。其中，第二训练完成条件，例如包括但不限于，达到预设训练次数，所述人脸比对神经网络对同一个人的人脸图像之间的相似度超过第一预设阈值，或所述人脸比对神经网络对不同人的人脸图像之间的相似度低于第二预设阈值。应理解，上述例子仅仅用于举例，不应构成具体限定。
再例如，训练单元505在得到训练好的伪造线索检测神经网络和人脸比对神经网络之后，可以将训练好的伪造神经网络和人脸比对神经网络进行组合得到活体检测神经网络，并利用训练集中的样本图像训练活体检测神经网络，即基于样本图像对应的网络损失调整活体检测神经网络中的伪造线索检测神经网络和/或人脸比对神经网络的网络参数，本公开实施例对此不做限定。
进一步示例，所述伪造线索检测神经网络和所述人脸比对神经网络可以是LeNet、AlexNet、GoogLeNet、VGGNet、ResNet等任意神经网络模型中的一种或者多种组合。应理解，上述活体检测神经网络和人脸比对神经网络还可以是其他神经网络模型，这里仅仅用于举例，不应构成具体限定。
在一可能的实现方式中，参见图5，所述装置还包括身份验证单元503，所述身份验证单元503用于，基于所述待检测图像对应的注册模板，对所述待检测图像进行身份验证，得到身份验证结果。
在本公开实施例中，可选地，身份验证单元503可以在接收到用户请求后执行上述活体检测方法，其中，用户请求可以用于请求执行解锁、支付或其他操作。例如，终端设备在检测到用户发出的解锁、支付或其他操作指令后，执行上述活体检测方法。再例如，服务器在接收到终端设备发送的活体检测请求或身份验证请求之后，执行上述活体检测方法，其中，可选地，终端设备可以在检测到用户发出的解锁、支付或其他操作指令后发送上述请求，本公开实施例对此不做限定。
在一可能的实现方式中，参见图5，所述装置还包括解锁支付单元504，所述解锁支付单元504用于，在所述身份验证结果为通过身份验证且所述活体检测最终检测为活体的情况下，执行解锁或支付操作。
在另一可能的实现方式中，活体检测装置为服务器，此时，所述解锁支付单元504用于在所述身份验证结果为通过身份验证且所述活体检测结果为活体的情况下，向终端设备发送指示解锁或支付等操作的指示信息。
在另一可能的实现方式中，所述解锁支付单元504还用于，在身份验证结果为未通过身份验证或者活体检测结果为假体的情况下，拒绝用户请求或发送指示用户未通过活体检测的指示信息，可选地，终端设备还可以输出指示未通过活体检测的提示信息，本公开实施例对此不做限定。
在另一可能的实现方式中，也可以不进行身份验证而仅基于活体检测结果确定是否允许用户请求。例如，在活体检测结果为活体的情况下，执行用户请求的解锁或支付等操作，或发送指示执行用户请求的解锁或支付等操作的指示信息。再例如，在活体检测结果为假体的情况下，拒绝用户请求，或发送指示用户未通过活体检测的指示信息。
在另一可能的实现方式中，可以先执行上述各单元的执行流程，并依据活体检测的结果确定是否进行身份验证。例如，在活体检测结果为活体的情况下，进行身份验证，并依据身份验证结果确定是否允许用户请求。再例如，在活体检测结果为假体的情况下，不进行身份验证而直接拒绝用户请求或发送指示用户未通过活体检测的指示信息。
在另一可能的实现方式中，可以先执行身份验证流程，并在确定通过身份验证的情况下执行上述活体检测流程，本公开实施例对此不做限定。
在相关技术的人脸识别系统中，活体检测模块和人脸识别模块是相互独立的模块。然而，不法分子可以在利用高逼真的3D假人模型欺骗了活体检测之后，再设置断点，将3D假人模型的照片更换成所要攻击的用户的人脸照片，从而能够成功攻破人脸识别系统。为预防此类攻击手段，本公开实施例在对所述待检测图像进行伪造线索检测(即初步的活体检测)的同时，还确定所述待检测图像的中人脸和注册模板是否来自同一个人。只有在所述待检测图像中不存在伪造线索且所述待检测图像中的人脸和所述注册模板来自同一个人的情况下，才判定该待检测图像中的人物为活体。通过本公开实施例的融合人脸相似度的活体检测方法，能够有效地杜绝上述高逼真3D假人对活体检测模块的攻击，从而提高人脸识别系统的安全性。
另外，本公开实施例提供了一种电子设备，图6是本公开实施例提供的电子设备的结构框图。下面参考图6，其示出了适于用来实现本公开实施例的终端设备或服务器的电子设备的结构示意图。该电子设备包括：处理器601和存储器604，其中，所述存储器604用于存储应用程序代码，所述处理器601用于调用所述程序代码，执行本公开任一实施例所述活体检测方法的步骤。
可选地，该电子设备还包括；一个或多个输入设备602，一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器602用于存储指令，处理器601用于执行存储器602存储的指令。其中，处理器601被配置用于调用所述程序指令执行：
获取待检测图像；对所述待检测图像进行活体检测处理，获得伪造线索检测结果；确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
在一可能的实现方式中，所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：对所述待检测图像进行特征提取处理，得到活体特征数据；基于所述活体特征数据，检测伪造线索信息；基于所述伪造线索信息的检测结果，得到所述伪造线索检测结果。
在一可能的实现方式中，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：确定所述待检测图像和所述注册模板之间的相似度。
在一可能的实现方式中，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
在一可能的实现方式中，所述注册模板包括注册图像；在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，还包括：分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
在一可能的实现方式中，在所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果之前，所述方法还包括：从存储器中获取所述待检测图像对应的注册模板。
在一可能的实现方式中，所述活体检测方法还包括：对所述待检测图像进行转正处理，得到转正处理后的待检测图像；所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
在一可能的实现方式中，所述基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果，包括：基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
在一可能的实现方式中，所述活体检测方法还包括：基于所述待检测图像对应的注册模板，对所述待检测图像进行身份验证，得到身份验证结果。
在一可能的实现方式中，所述活体检测方法还包括：在所述身份验证结果为通过身份验证且所述活体检测最终检测为活体的情况下，执行解锁或支付操作。
在一可能的实现方式中，所述待检测图像是通过单目摄像头、双目摄像头和3D摄像头中的一种摄像头采集得到的。
在一可能的实现方式中，所述方法是利用活体检测神经网络实现的，所述方法还包括：利用所述活体检测神经网络对训练数据集中的样本图像进行处理，得到所述样本图像的活体检测结果；基于所述样本图像的活体检测结果和所述样本图像的标注信息，调整所述活体检测神经网络的网络参数。
应当理解，在本公开实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括移动手机、便携式计算机、监控摄像头等，输出设备603可以包括显示器(LCD等)。
该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。
在一些实现方式中，本公开实施例中所描述的电子设备用于执行上文描述的活体检测方法，相应地，处理器601用于执行本公开实施例提供的活体检测方法的各个实施例中的步骤和/或流程，在此不再赘述。在本公开的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：
获取待检测图像；对所述待检测图像进行活体检测处理，获得伪造线索检测结果；确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
在一可能的实现方式中，所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：对所述待检测图像进行特征提取处理，得到活体特征数据；基于所述活体特征数据，检测伪造线索信息；基于所述伪造线索信息的检测结果，得到所述伪造线索检测结果。
在一可能的实现方式中，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：确定所述待检测图像和所述注册模板之间的相似度。
在一可能的实现方式中，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
在一可能的实现方式中，所述注册模板包括注册图像；在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，还包括：分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
在一可能的实现方式中，在所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果之前，所述方法还包括：从存储器中获取所述待检测图像对应的注册模板。
在一可能的实现方式中，所述活体检测方法还包括：对所述待检测图像进行转正处理，得到转正处理后的待检测图像；所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
在一可能的实现方式中，所述基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果，包括：基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
在一可能的实现方式中，所述活体检测方法还包括：基于所述待检测图像对应的注册模板，对所述待检测图像进行身份验证，得到身份验证结果。
在一可能的实现方式中，所述活体检测方法还包括：在所述身份验证结果为通过身份验证且所述活体检测最终检测为活体的情况下，执行解锁或支付操作。
在一可能的实现方式中，所述待检测图像是通过单目摄像头、双目摄像头和3D摄像头中的一种摄像头采集得到的。
在一可能的实现方式中，所述方法是利用活体检测神经网络实现的，所述方法还包括：利用所述活体检测神经网络对训练数据集中的样本图像进行处理，得到所述样本图像的活体检测结果；基于所述样本图像的活体检测结果和所述样本图像的标注信息，调整所述活体检测神经网络的网络参数。
在一些实现方式中，本公开实施例中所描述的计算机可读存储介质中的计算机程序产品用于执行上文描述的活体检测方法中的各个实施例中的步骤和/或流程，在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的电子设备的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述电子设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的服务器、设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，也可执行发明实施例所描述的电子设备的实现方式，在此不再赘述。
在本公开所提供的几个实施例中，应该理解到，所揭露的服务器、设备和方法，可以通过其它的方式实现。例如，以上所描述的服务器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。另外，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，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本公开实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种活体检测方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像进行伪造线索检测，获得伪造线索检测结果；
确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；
基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：
对所述待检测图像进行特征提取处理，得到活体特征数据；
基于所述活体特征数据进行伪造线索信息的检测，得到所述伪造线索检测结果。
3.根据权利要求1或2所述的方法，其特征在于，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：
确定所述待检测图像和所述注册模板之间的相似度。
4.根据权利要求3所述的方法，其特征在于，所述确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果，包括：
基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果。
5.根据权利要求4所述的方法，其特征在于，所述注册模板包括注册图像；
在所述基于所述待检测图像的第一人脸特征数据和所述注册模板对应的第二人脸特征数据，确定所述待检测图像和所述注册模板的匹配结果之前，还包括：分别对所述待检测图像和所述注册图像进行人脸特征提取，得到所述第一人脸特征数据和所述第二人脸特征数据，其中，所述注册图像和所述待检测图像是利用相同的神经网络模块进行所述人脸特征提取的。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对所述待检测图像进行转正处理，得到转正处理后的待检测图像；
所述对所述待检测图像进行伪造线索检测，获得伪造线索检测结果，包括：
对所述转正处理后的待检测图像进行伪造线索检测，得到伪造线索检测结果。
7.根据权利要求1-6任一权利要求所述的方法，其特征在于，所述基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果，包括：
基于所述伪造线索检测结果包括的活体概率和所述匹配结果包括的相似度之间的乘积，确定所述待检测图像的活体检测结果。
8.一种活体检测装置，其特征在于，包括：
获取单元，用于获取待检测图像；
检测单元，用于对所述待检测图像进行伪造线索检测，获得伪造线索检测结果；
确定单元，用于确定所述待检测图像和所述待检测图像对应的注册模板之间的匹配结果；
综合单元，用于基于所述伪造线索检测结果和所述匹配结果，得到所述待检测图像的活体检测结果。
9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储应用程序代码，所述处理器用于调用所述程序代码，执行如权利要求1-7任一权利要求所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述程序被处理器执行时使所述处理器执行如权利要求1-7任一权利要求所述的方法。
CN201811485559.2A 2018-12-06 2018-12-06 活体检测方法、装置、电子设备及计算机可读存储介质 Pending CN111291586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811485559.2A CN111291586A (zh) 2018-12-06 2018-12-06 活体检测方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811485559.2A CN111291586A (zh) 2018-12-06 2018-12-06 活体检测方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111291586A true CN111291586A (zh) 2020-06-16

Family

ID=71025621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811485559.2A Pending CN111291586A (zh) 2018-12-06 2018-12-06 活体检测方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111291586A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033530A (zh) * 2021-05-31 2021-06-25 成都新希望金融信息有限公司 证件翻拍检测方法、装置、电子设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107077615A (zh) * 2017-01-12 2017-08-18 厦门中控生物识别信息技术有限公司 指纹防伪方法和设备
WO2017181899A1 (zh) * 2016-04-21 2017-10-26 腾讯科技（深圳）有限公司 一种人脸活体验证方法及装置
CN108229499A (zh) * 2017-10-30 2018-06-29 北京市商汤科技开发有限公司 证件识别方法及装置、电子设备和存储介质
CN108229326A (zh) * 2017-03-16 2018-06-29 北京市商汤科技开发有限公司 人脸防伪检测方法和系统、电子设备、程序和介质
CN108491806A (zh) * 2018-03-28 2018-09-04 成都信达智胜科技有限公司 一种快速人脸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017181899A1 (zh) * 2016-04-21 2017-10-26 腾讯科技（深圳）有限公司 一种人脸活体验证方法及装置
CN107077615A (zh) * 2017-01-12 2017-08-18 厦门中控生物识别信息技术有限公司 指纹防伪方法和设备
CN108229326A (zh) * 2017-03-16 2018-06-29 北京市商汤科技开发有限公司 人脸防伪检测方法和系统、电子设备、程序和介质
CN108229499A (zh) * 2017-10-30 2018-06-29 北京市商汤科技开发有限公司 证件识别方法及装置、电子设备和存储介质
CN108491806A (zh) * 2018-03-28 2018-09-04 成都信达智胜科技有限公司 一种快速人脸识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033530A (zh) * 2021-05-31 2021-06-25 成都新希望金融信息有限公司 证件翻拍检测方法、装置、电子设备及可读存储介质
CN113033530B (zh) * 2021-05-31 2022-02-22 成都新希望金融信息有限公司 证件翻拍检测方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
KR102324706B1 (ko) 얼굴인식 잠금해제 방법 및 장치, 기기, 매체
US11288504B2 (en) Iris liveness detection for mobile devices
US20210287026A1 (en) Method and apparatus with liveness verification
CN108985134B (zh) 基于双目摄像机的人脸活体检测及刷脸交易方法及系统
KR102406432B1 (ko) 신원 인증 방법 및 장치, 전자 기기 및 저장 매체
US7715596B2 (en) Method for controlling photographs of people
WO2019134536A1 (zh) 基于神经网络模型的人脸活体检测
US7327860B2 (en) Conjunctival scans for personal identification
CN106529414A (zh) 一种通过图像比对实现结果认证的方法
CN110008813B (zh) 基于活体检测技术的人脸识别方法和系统
WO2016084072A1 (en) Anti-spoofing system and methods useful in conjunction therewith
WO2022062379A1 (zh) 图像检测方法和相关装置、设备、存储介质、计算机程序
CN110570549B (zh) 一种智能开锁方法及相应的装置
CN112507889A (zh) 一种校验证件与持证人的方法及系统
CN112818722A (zh) 模块化动态可配置的活体人脸识别系统
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
KR102038576B1 (ko) 홍채 인식 시스템의 부정행위 검출 방법
CN111767879A (zh) 一种活体检测方法
CN112308035A (zh) 图像检测方法、装置、计算机设备和存储介质
CN111291586A (zh) 活体检测方法、装置、电子设备及计算机可读存储介质
CN112069915A (zh) 一种具有人脸识别系统的atm机
CN113901423B (zh) 一种基于人脸识别的智能安防设备控制方法和系统
CN111860343B (zh) 确定人脸对比结果的方法及装置
CN109784029A (zh) 一种防伪证书的制作方法、防伪系统及验证方法
Habib Iris Anti-Spoofing Using Image Quality Measures

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