CN111310528B - 一种图像检测方法、身份验证方法、支付方法及装置 - Google Patents

一种图像检测方法、身份验证方法、支付方法及装置 Download PDF

Info

Publication number
CN111310528B
CN111310528B CN201811519428.1A CN201811519428A CN111310528B CN 111310528 B CN111310528 B CN 111310528B CN 201811519428 A CN201811519428 A CN 201811519428A CN 111310528 B CN111310528 B CN 111310528B
Authority
CN
China
Prior art keywords
image
target image
pixel point
pixel
relative depth
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
Application number
CN201811519428.1A
Other languages
English (en)
Other versions
CN111310528A (zh
Inventor
李威
赵立军
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.)
Mashang Xiaofei Finance Co Ltd
Original Assignee
Mashang Xiaofei Finance 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 Mashang Xiaofei Finance Co Ltd filed Critical Mashang Xiaofei Finance Co Ltd
Priority to CN201811519428.1A priority Critical patent/CN111310528B/zh
Publication of CN111310528A publication Critical patent/CN111310528A/zh
Application granted granted Critical
Publication of CN111310528B publication Critical patent/CN111310528B/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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像检测方法、身份验证方法、支付方法及装置，该方法包括：获取目标图像；将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像。通过本发明提供的图像检测方法，能够较为便捷的得到检测结果，相比于现有技术，无需采集多张连续图像进行分析和计算，可以提高检测效率。

Description

一种图像检测方法、身份验证方法、支付方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像检测方法、身份验证方法、支付方法及装置。
背景技术
随着互联网技术的不断发展，涌现了大量的互联网应用，例如，互联网购物、互联网金融(例如，信贷、理财、支付等)等。为了保证安全性，许多互联网应用都需要对用户进行身份验证。
目前，许多互联网应用都支持自动验证身份，但随之而来的欺诈风险也不断增加，例如，线上贷款自动审批拍摄用户人脸时，一些人将其他人员的照片放置摄像头前进行翻拍，或是在刷脸支付时，一些人将其他人员的照片作为支付依据，等等。
现有技术中通常是基于多帧图片或者视频序列，采用交互式或者非交互式的检测模式，通过分析连续多帧图像中的动作信息，检测图像是三维对象的图像(也即非翻拍图像)还是翻拍图像，但是这种方式计算复杂，且所需时间较长。
发明内容
本发明实施例提供一种图像检测方法、身份验证方法、支付方法及装置，以解决现有技术中检测图像是否为三维对象的图像耗时较长的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种图像检测方法。该方法包括：
获取目标图像；
将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；
根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像。
第二方面，本发明实施例提供了一种身份验证方法。该方法包括：
通过摄像头采集用户图像；
采用上述的图像检测方法，检测所述用户图像是否为三维对象的图像；
若确定所述用户图像为三维对象的图像，则根据所述用户图像进行身份验证。
第三方面，本发明实施例提供了一种支付方法。该方法包括：
通过摄像头采集用户图像；
采用上述的图像检测方法，检测所述用户图像是否为三维对象的图像；
若确定所述用户图像为三维对象的图像，则根据所述用户图像进行支付操作。
第四方面，本发明实施例还提供一种图像检测装置。该图像检测装置包括：
获取模块，用于获取目标图像；
提取模块，将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；
检测模块，用于根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像。
第五方面，本发明实施例还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的图像检测方法的步骤，或者实现上述的身份验证方法的步骤，或者实现上述的支付方法的步骤。
第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像检测方法的步骤，或者实现上述的身份验证方法的步骤，或者实现上述的支付方法的步骤。
本发明实施例中，获取目标图像；将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像，可以较为便捷的得到检测结果，相比于现有技术，无需采集多张连续图像进行分析和计算，可以提高检测效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像检测方法的流程图；
图2是本发明实施例提供的图像中对象显示方向的示意图之一；
图3是本发明实施例提供的图像中对象显示方向的示意图之二；
图4是本发明实施例提供的对称标注像素点对的示意图；
图5是本发明实施例提供的卷积神经网络的结构的示意图；
图6是本发明实施例提供的深度信息提取模型训练的流程图；
图7是本发明实施例提供的身份验证方法的流程图；
图8是本发明实施例提供的支付方法的流程图；
图9是本发明实施例提供的图像检测装置的结构图；
图10是本发明实施例提供的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种图像检测方法。参见图1，图1是本发明实施例提供的图像检测方法的流程图，如图1所示，包括以下步骤：
步骤101、获取目标图像。
本实施例中，上述目标图像可以是原始图像，也即原始的待检测图像，例如，将通过应用程序或是H5界面采集的用户图像作为目标图像；也可以是原始图像经过预处理之后得到的图像，例如，对原始图像进行增强处理之后的图像作为目标图像，或是将剔除了原始图像中包括的背景区域之后的图像作为目标图像，例如，提取原始图像中的人脸区域作为目标图像，等等。
需要说明的是，本实施例在将目标图像输入深度信息提取模型之前，可以将上述目标图像归一化为预设大小，其中，上述预设大小可以根据深度信息提取模型进行设置。
步骤102、将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离。
本实施例中，上述深度信息提取模型可以是基于深度学习网络训练得到的。上述相对深度值用于指示目标图像中的像素点与目标图像中的基准点的相对距离，其中，上述基准点可以是上述深度信息提取模型确定的任意像素点。例如，目标图像中的像素点A的相对深度值用于指示像素点A与基准点的相对距离。
步骤103、根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像。
本实施例中，上述三维对象的图像也即拍摄三维对象所得到的图像，例如，拍摄真实的人所得到的图像。相对的，二维对象的图像可以是指拍摄二维对象得到的图像，例如，翻拍图像。
该步骤中，可以基于预先统计的三维对象的图像的相对深度值分布特征以及二维对象的图像的相对深度值分布特征，确定用于区分三维对象的图像和二维对象的图像的预设阈值，并可以基于目标图像中每个像素点的相对深度值以及预设阈值检测目标图像是否为三维对象的图像；也可以是将上述目标图像中所有像素点的相对深度值输入预先训练的分类器，检测目标图像是否为三维对象的图像，等等。
需要说明的是，在根据所述目标图像中每个像素点的相对深度值，检测所述目标图像为三维对象的图像的情况下，可以说明当前目标图像不是翻拍图像；在根据所述目标图像中每个像素点的相对深度值，检测所述目标图像不为三维对象的图像的情况下，可以说明当前目标图像是翻拍图像。
本发明实施例的图像检测方法，获取目标图像；将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像，可以较为便捷的得到检测结果，相比于现有技术，无需采集多张连续图像进行分析和计算，可以提高检测效率；此外，基于像素点的相对深度值检测目标图像是否为三维对象的图像，可以减少检测结果受环境等干扰因素的影响。
可选的，所述深度信息提取模型为基于深度学习网络和图像样本集训练得到的模型，其中，所述图像样本集中的图像样本包括标注信息，所述标注信息包括所述图像样本中的N组像素点对的相对距离关系，N为正整数。
本实施例中，上述深度学习网络可以是卷积神经网络。上述N的值可以根据实际情况进行合理设置，可选的，为了保证取样的多样性和均衡性，N的取值范围可以为[1，16]。上述像素点对可以是随机标注的像素点对，也可以是按照预设的约束关系标注的像素点对，在此不做限定。
上述像素点对的相对距离关系可以用于指示像素点对中两个像素点的远近关系。例如，某一像素点对包括第一像素点和第二像素点，则该像素点对的相对距离关系可以包括第一像素点相对于第二像素点较近，第一像素点相对于第二像素点较远，或第一像素点和第二像素点的远近关系不确定。实际应用中，可以采用不同取值表示不同的远近关系r，例如，r∈{1，-1，0}，其中，r＝1表示第一像素点相对于第二像素点较近，r＝-1表示第一像素点相对于第二像素点较远，r＝0表示第一像素点和第二像素点的远近关系不确定。
本实施例中，可以预先对图像样本集中的每个图像样本进行标注，例如，为每个图像样本标注N组像素点对，并基于图像样本集中标注后的图像样本对上述深度学习网络进行迭代训练，直至该深度学习网络收敛或饱和。
可选的，所述图像样本集中图像样本中的像素点对包括第一类像素点对和第二类像素点对，其中，所述第一类像素点对为随机标注的像素点对，所述第二类像素点对中的两个像素点所在直线平行于参考方向。
本实施例中，上述第一类像素点对为随机标注的像素点对，例如，可以在图像样本中随机画一条直线，并随机选取直线中的两个像素点作为一组像素点对。上述第二类像素点对可以为按照预设的约束关系标注的像素点对，其中，预设的约束关系可以是在选取图像样本中平行于参考方向的直线上的两个像素点作为一组像素点对。上述参考方向可以是水平方向，或是垂直于图像中对象的显示方向的方向。例如，参见图2，图像中建筑的显示方向如图中第一箭头11所示；或者参见图3，图像中建筑的显示方向如图中第二箭头12所示。
可选的，上述第二类像素点可以是对称标注的，也即关于其所在直线的中心点对称。例如，参见图4，第一像素点21和第二像素点22关于其所在的直线的中心点对称。
需要说明的是，可以是每个图像样本中的N组像素点对均包括第一类像素点对和第二类像素点对；也可以是图像样本集中部分图像样本的N组像素点对为第一类像素点对，部分图像样本的N组像素点对为第二类像素点对；也可以是图像样本集中部分图像样本的N组像素点对包括第一类像素点对和第二类像素点对，部分图像样本的N组像素点对仅包括第一类像素点对，部分图像样本图像的N组像素点对仅包括第二类像素点对，等等，本实施例对此不做限定。
可选的，为了保证采样的均衡性，上述图像样本集中第一类像素点的和第二类像素点对的比例可以近似为1:1。
本发明实施例中利用标注不同类型的像素点对的图像样本集对深度学习网络进行训练，可以提高训练得到的深度信息提取模型提取的相对深度值的准确性，进而提高图像检测结果的准确性。
可选的，用于所述深度信息提取模型训练的损失函数如下：
Figure BDA0001902847890000061
Figure BDA0001902847890000062
其中，L表示损失函数值，ik表示第k组像素点对中的一个像素点，jk表示第k组像素点对中的另一个像素点，rk表示第k组像素点对的相对距离关系，
Figure BDA0001902847890000063
表示ik的相对深度值，zjk表示jk的相对深度值。
本实施例中，N表示图像样本中像素点对的数量，ik和jk分别表示第k组像素点对中的两个像素点，上述rk＝1表示ik相对于jk较近，上述rk＝-1表示ik相对于jk较远，上述rk＝0表示ik和jk的远近关系不确定。
实际应用中，将图像样本输入上述深度信息提取模型可以得到该图像样本的相对深度特征图，其中，相对深度特征图包括图像样本中的各个像素点的相对深度值。上述损失函数可以将上述深度信息提取模型输出的像素点的相对深度值与像素点对的相对距离关系进行映射，从而基于上述像素点对的相对距离关系可以优化上述深度信息提取模型。
可选的，所述深度学习网络为卷积神经网络，所述卷积神经网络包括结构不同的多个残差卷积结构，所述多个残差卷积结构中每个残差卷积结构包括核大小不同的多个卷积网络。
本实施例中，上述残差卷积结构的数量可以根据实际需求进行合理设置。需要说明的是，上述卷积神经网络还可以包括结构相同的多个残差卷积结构。每个残差卷积结构包括的卷积网络的数量也可以根据实际需求进行合理设置，各个卷积网络的核大小也可以根据实际需求进行合理设置。
以下结合距离对本实施例进行说明：
本实施例的卷积神经网络的结构如图5所示，包括卷积网络H以及残差卷积结构A至残差卷积结构，其中，卷积网络H的核大小可以为3x3，残差卷积结构A至残差卷积结构G的参数可以如表1中所示。
表1
残差卷积结构 A B C D E F G
输入/输出 128/64 128/128 128/128 128/256 256/256 256/256 256/128
内部维度 64 32 64 32 32 64 32
Conv1 1x1 1x1 1x1 1x1 1x1 1x1 1x1
Conv2 3x3 3x3 3x3 3x3 3x3 3x3 3x3
Conv3 7x7 7x7 7x7 7x7 7x7 7x7 7x7
Conv4 11x11 11x11 11x11 11x11 11x11 11x11 11x11
在表1中，上述内部维度也即Inner dim，也可称为核个数，用于表示特征图的通道数。上述Conv1至Conv4表示卷积网络的核大小。上述输入表示输入图像的维度，上述输出表示输出图像的维度。
具体的，参见图6，本发明实施例的深度信息提取模型的训练过程可以包括如下步骤：
步骤201、获取用于训练的图像样本。
步骤202、将图像样本输入卷积神经网络。
该步骤中，上述卷积神经网络的结构可以如图5所示。
步骤203、计算相对深度损失。
该步骤中，可以采用上述的损失函数计算损失值，也即上述相对深度损失。
步骤204、判断是否训练饱和。
该步骤中，在训练饱和的情况下，可以执行步骤205，否则可以返回执行步骤201，获取新的图像样本进行训练。
步骤205、保存训练后的卷积神经网络。
该步骤中，训练后的卷积神经网络也即上述深度信息提取模型。
本实施例中卷积神经网络包括结构不同的多个残差卷积结构，多个残差卷积结构中每个残差卷积结构包括核大小不同的多个卷积网络，可以提高训练得到的深度信息提取模型提取的相对深度值的准确性，进而提高图像检测结果的准确性。
可选的，上述步骤103，也即所述根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像，可以包括：
根据所述目标图像中每个像素点的相对深度值，计算平均相对深度值，并在所述平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像；或者
在目标数量与所述目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，其中，所述目标数量为所述目标图像中相对深度值大于第二预设阈值的像素点的数量。
本实施例中，上述第一预设阈值和第二预设阈值可以基于预先统计的三维对象的图像的相对深度值分布特征以及二维对象的图像的相对深度值分布特征进行确定。上述预设比值也可以根据实际情况进行合理设置，例如，0.3、0.2等。
在一实施方式中，可以计算目标图像中所有像素点的相对深度值的平均值，也即上述平均相对深度值，在平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像，否则可以确定目标图像为二维对象的图像，如翻拍图像。
在另一实施方式中，可以统计目标图像中相对深度值大于第二预设阈值的像素点的数量，也即目标数量，并在目标数量与目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，否则可以确定目标图像为二维对象的图像，如翻拍图像。
本实施例在目标图像所有像素点的平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像或是在目标图像中相对深度值大于第二预设阈值的像素点的数量与所述目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，可以提高检测结果的准确性。
可选的，所述三维对象可以为三维人脸；
上述步骤101，也即所述获取目标图像，可以包括：
获取原始图像，其中，所述原始图像包括人脸区域；
对所述原始图像进行预处理，得到目标图像，其中，所述预处理包括提取人脸区域。
本实施例中，可以在获取到包括人脸图像的原始图像之后，提取原始图像中的人脸区域，并将所提取的人脸区域作为目标图像，从而可以减少提取相对深度值的复杂度以及时间开销。
需要说明的是，上述预处理还可以包括图像增强处理，例如，滤波等，本实施例对此不做限定。
可选的，上述步骤102之后，也即所述将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值之后，所述方法还可以包括：
根据所述目标图像中每个像素点的相对深度值和像素值，生成三维图像；
显示所述三维图像。
本实施例中，结合目标图像中每个像素点的相对深度值和像素值，可以生成三维图像，通过展示生成的三维图像，便于用户直观判断目标图像是否为三维对象的图像。
综上，本发明实施例提供的图像检测方法，在翻拍图像检测(例如，人脸翻拍检测)过程中受干扰因素较少，由于本发明实施例并不是在学习翻拍图像与非翻拍图像之间特征差异，不需要涵盖所有的翻拍类型数据集，只是评估三维对象与二维对象的相对深度信息差异，因此，受干扰因素大大降低。此外，本发明实施例提供的图像检测方法由于只涉及到了相对深度信息的评估，该评估在任何场景下设定的预设阈值都可以是一致的，因此不需要进行预设阈值的调整。
本发明实施例还提供一种身份验证方法。参见图7，图7是本发明实施例提供的身份验证方法的流程图，如图7所示，包括以下步骤：
步骤301、通过摄像头采集用户图像。
本实施例中，可以在需要验证用户身份的情况下，通过摄像头采集用户图像，其中，该用户图像可以包括人脸图像。
步骤302、采用上述的图像检测方法，检测所述用户图像是否为三维对象的图像。
本实施例中，该图像检测方法可以实现上述图像检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。通过该图像检测方法可以检侧用户图像是否为三维对象的图像，其中，上述三维对象的图像也即拍摄真实的人所得到的图像。
例如，在通过摄像头采集用户图像之后，可以将采集到的用户图像输入到预先训练的深度信息提取模型中，提取所述用户图像中每个像素点的相对深度值，根据所述用户图像中每个像素点的相对深度值，检测所述用户图像是否为三维对象的图像。
步骤303、若确定所述用户图像为三维对象的图像，则根据所述用户图像进行身份验证。
本实施例中，可以在确定用户图像为三维对象的图像，也即非翻拍的图像的情况下，根据该用户图像进行身份验证。例如，计算该用户图像与预先存储的图像的相似度，若两者的相似度大于预设阈值，则确定身份验证通过，否则身份验证不通过。
需要说明的是，在确定用户图像不为三维对象的图像，也即确定用户图像为翻拍图像的情况下，可以结束流程，或是输出提示信息，该提示信息可以用于提示上述用户图像为翻拍图像。
本发明实施例提供的身份验证方法，通过摄像头采集用户图像；采用上述的图像检测方法，检测所述用户图像是否为三维对象的图像；若确定所述用户图像为三维对象的图像，则根据所述用户图像进行身份验证，可以减少因翻拍图像导致的欺诈风险，提高身份验证的准确性和可靠性。
本发明实施例还提供一种支付方法。参见图8，图8是本发明实施例提供的支付方法的流程图，如图8所示，包括以下步骤：
步骤401、通过摄像头采集用户图像。
本实施例中，可以在需要进行支付的情况下，通过摄像头采集用户图像，其中，该用户图像可以包括人脸图像。
步骤402、采用上述的图像检测方法，检测所述用户图像是否为三维对象的图像。
本实施例中，该图像检测方法可以实现上述图像检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。通过该图像检测方法可以检侧用户图像是否为三维对象的图像，其中，上述三维对象的图像也即拍摄真实的人所得到的图像。
例如，在通过摄像头采集用户图像之后，可以将采集到的用户图像输入到预先训练的深度信息提取模型中，提取所述用户图像中每个像素点的相对深度值，根据所述用户图像中每个像素点的相对深度值，检测所述用户图像是否为三维对象的图像。
步骤405、若确定所述用户图像为三维对象的图像，则根据所述用户图像进行支付操作。
本实施例中，可以在确定用户图像为三维对象的图像，也即非翻拍的图像的情况下，根据该用户图像进行支付操作。例如，根据该用户图像进行身份验证，在身份验证通过的情况下，执行支付操作，或是根据该用户图像获取其对应的账户信息，根据其账户信息执行支付操作，等等。需要说明的是，本实施例对基于用户图像进行支付操作的具体操作过程不做限定。
需要说明的是，在确定用户图像不为三维对象的图像，也即确定用户图像为翻拍图像的情况下，可以结束流程，或是输出提示信息，该提示信息可以用于提示上述用户图像为翻拍图像。
本发明实施例提供的支付方法，通过摄像头采集用户图像；采用上述的图像检测方法，检测所述用户图像是否为三维对象的图像；若确定所述用户图像为三维对象的图像，则根据所述用户图像进行支付操作，可以减少因翻拍图像导致的欺诈风险，提高支付的准确性和可靠性。
参见图9，图9是本发明实施例提供的图像检测装置的结构图。如图9所示，图像检测装置900包括：
获取模块901，用于获取目标图像；
提取模块902，将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；
检测模块903，用于根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像。
可选的，所述深度信息提取模型为基于深度学习网络和图像样本集训练得到的模型，其中，所述图像样本集中的图像样本包括标注信息，所述标注信息包括所述图像样本中的N组像素点对的相对距离关系，N为正整数。
可选的，所述图像样本集中图像样本中的像素点对包括第一类像素点对和第二类像素点对，其中，所述第一类像素点对为随机标注的像素点对，所述第二类像素点对中的两个像素点所在直线平行于参考方向。
可选的，用于所述深度信息提取模型训练的损失函数如下：
Figure BDA0001902847890000121
Figure BDA0001902847890000122
其中，L表示损失函数值，ik表示第k组像素点对中的一个像素点，jk表示第k组像素点对中的另一个像素点，rk表示第k组像素点对的相对距离关系，
Figure BDA0001902847890000123
表示ik的相对深度值，zjk表示jk的相对深度值。
可选的，所述深度学习网络为卷积神经网络，所述卷积神经网络包括结构不同的多个残差卷积结构，所述多个残差卷积结构中每个残差卷积结构包括核大小不同的多个卷积网络。
可选的，所述检测模块具体用于：
根据所述目标图像中每个像素点的相对深度值，计算平均相对深度值，并在所述平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像；或者
在目标数量与所述目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，其中，所述目标数量为所述目标图像中相对深度值大于第二预设阈值的像素点的数量。
可选的，所述三维对象为三维人脸；
所述获取模块具体用于：
获取原始图像，其中，所述原始图像包括人脸区域；
对所述原始图像进行预处理，得到目标图像，其中，所述预处理包括提取人脸区域。
可选的，所述装置还包括：
生成模块，用于所述将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值之后，根据所述目标图像中每个像素点的相对深度值和像素值，生成三维图像；
显示模块，用于显示所述三维图像。
本发明实施例提供的图像检测装置900能够实现上述方法实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例的图像检测装置900，获取模块901，用于获取目标图像；提取模块902，将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；检测模块903，用于根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像，能够较为便捷的得到检测结果，相比于现有技术，无需采集多张连续图像进行分析和计算，可以提高检测效率。
参见图10，图10是本发明实施提供的电子设备的结构图，如图10所示，电子设备1000包括：处理器1001、存储器1002及存储在所述存储器1002上并可在所述处理器上运行的计算机程序，数据发送装置1000中的各个组件通过总线接口1003耦合在一起，所述计算机程序被所述处理器1001执行时实现如下步骤：
获取目标图像；
将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；
根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像。
可选的，所述深度信息提取模型为基于深度学习网络和图像样本集训练得到的模型，其中，所述图像样本集中的图像样本包括标注信息，所述标注信息包括所述图像样本中的N组像素点对的相对距离关系，N为正整数。
可选的，所述图像样本集中图像样本中的像素点对包括第一类像素点对和第二类像素点对，其中，所述第一类像素点对为随机标注的像素点对，所述第二类像素点对中的两个像素点所在直线垂直于参考方向。
可选的，用于所述深度信息提取模型训练的损失函数如下：
Figure BDA0001902847890000141
Figure BDA0001902847890000142
其中，L表示损失函数值，ik表示第k组像素点对中的一个像素点，jk表示第k组像素点对中的另一个像素点，rk表示第k组像素点对的相对距离关系，
Figure BDA0001902847890000143
表示ik的相对深度值，
Figure BDA0001902847890000144
表示jk的相对深度值。
可选的，所述深度学习网络为卷积神经网络，所述卷积神经网络包括结构不同的多个残差卷积结构，所述多个残差卷积结构中每个残差卷积结构包括核大小不同的多个卷积网络。
可选的，所述计算机程序被所述处理器1001执行时还用于：
根据所述目标图像中每个像素点的相对深度值，计算平均相对深度值，并在所述平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像；或者
在目标数量与所述目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，其中，所述目标数量为所述目标图像中相对深度值大于第二预设阈值的像素点的数量。
可选的，所述计算机程序被所述处理器1001执行时还用于：
所述将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值之后，根据所述目标图像中每个像素点的相对深度值和像素值，生成三维图像；
显示所述三维图像。
本发明实施例还提供一种图像检测装置，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述图像检测方法实施例的各个过程，或者实现上述身份验证方法实施例的各个过程，或者实现上述支付方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述图像检测方法实施例的各个过程，或者实现上述身份验证方法实施例的各个过程，或者实现上述支付方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (11)

1.一种图像检测方法，其特征在于，包括：
获取目标图像；
将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；
根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像；
所述根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像，包括：
根据所述目标图像中每个像素点的相对深度值，计算平均相对深度值，并在所述平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像；或者
在目标数量与所述目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，其中，所述目标数量为所述目标图像中相对深度值大于第二预设阈值的像素点的数量。
2.根据权利要求1所述的方法，其特征在于，所述深度信息提取模型为基于深度学习网络和图像样本集训练得到的模型，其中，所述图像样本集中的图像样本包括标注信息，所述标注信息包括所述图像样本中的N组像素点对的相对距离关系，N为正整数。
3.根据权利要求2所述的方法，其特征在于，所述图像样本集中图像样本中的像素点对包括第一类像素点对和第二类像素点对，其中，所述第一类像素点对为随机标注的像素点对，所述第二类像素点对中的两个像素点所在直线垂直于参考方向。
4.根据权利要求2所述的方法，其特征在于，用于所述深度信息提取模型训练的损失函数如下：
Figure FDA0003693539870000011
Figure FDA0003693539870000021
其中，L表示损失函数值，ik表示第k组像素点对中的一个像素点，jk表示第k组像素点对中的另一个像素点，rk表示第k组像素点对的相对距离关系，
Figure FDA0003693539870000022
表示ik的相对深度值，
Figure FDA0003693539870000023
表示jk的相对深度值。
5.根据权利要求2所述的方法，其特征在于，所述深度学习网络为卷积神经网络，所述卷积神经网络包括结构不同的多个残差卷积结构，所述多个残差卷积结构中每个残差卷积结构包括核大小不同的多个卷积网络。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值之后，所述方法还包括：
根据所述目标图像中每个像素点的相对深度值和像素值，生成三维图像；
显示所述三维图像。
7.一种身份验证方法，其特征在于，包括：
通过摄像头采集用户图像；
采用权利要求1至6中任一项所述的图像检测方法，检测所述用户图像是否为三维对象的图像；
若确定所述用户图像为三维对象的图像，则根据所述用户图像进行身份验证。
8.一种支付方法，其特征在于，包括：
通过摄像头采集用户图像；
采用权利要求1至6中任一项所述的图像检测方法，检测所述用户图像是否为三维对象的图像；
若确定所述用户图像为三维对象的图像，则根据所述用户图像进行支付操作。
9.一种图像检测装置，其特征在于，包括：
获取模块，用于获取目标图像；
提取模块，将所述目标图像输入到预先训练的深度信息提取模型中，提取所述目标图像中每个像素点的相对深度值，其中，所述相对深度值用于指示所述目标图像中的像素点与所述目标图像中的基准点的相对距离；
检测模块，用于根据所述目标图像中每个像素点的相对深度值，检测所述目标图像是否为三维对象的图像；
所述检测模块具体用于：
根据所述目标图像中每个像素点的相对深度值，计算平均相对深度值，并在所述平均相对深度值大于或等于第一预设阈值的情况下，确定所述目标图像为三维对象的图像；或者
在目标数量与所述目标图像中总像素点数量的比值达到预设比值的情况下，确定所述目标图像为三维对象的图像，其中，所述目标数量为所述目标图像中相对深度值大于第二预设阈值的像素点的数量。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的图像检测方法的步骤，或者实现如权利要求7所述的身份验证方法的步骤，或者实现如权利要求8所述的支付方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的图像检测方法的步骤，或者实现如权利要求7所述的身份验证方法的步骤，或者实现如权利要求8所述的支付方法的步骤。
CN201811519428.1A 2018-12-12 2018-12-12 一种图像检测方法、身份验证方法、支付方法及装置 Active CN111310528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811519428.1A CN111310528B (zh) 2018-12-12 2018-12-12 一种图像检测方法、身份验证方法、支付方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811519428.1A CN111310528B (zh) 2018-12-12 2018-12-12 一种图像检测方法、身份验证方法、支付方法及装置

Publications (2)

Publication Number Publication Date
CN111310528A CN111310528A (zh) 2020-06-19
CN111310528B true CN111310528B (zh) 2022-08-12

Family

ID=71156509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811519428.1A Active CN111310528B (zh) 2018-12-12 2018-12-12 一种图像检测方法、身份验证方法、支付方法及装置

Country Status (1)

Country Link
CN (1) CN111310528B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233161B (zh) * 2020-10-15 2024-05-17 北京达佳互联信息技术有限公司 手部图像深度确定方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897675A (zh) * 2017-01-24 2017-06-27 上海交通大学 双目视觉深度特征与表观特征相结合的人脸活体检测方法
CN107204010A (zh) * 2017-04-28 2017-09-26 中国科学院计算技术研究所 一种单目图像深度估计方法与系统
CN107285173A (zh) * 2017-07-13 2017-10-24 广州日滨科技发展有限公司 电梯门控制方法、装置和系统
WO2018120027A1 (zh) * 2016-12-30 2018-07-05 深圳前海达闼云端智能科技有限公司 一种障碍物检测方法及装置
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置
CN108805024A (zh) * 2018-04-28 2018-11-13 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005755B (zh) * 2014-04-25 2019-03-29 北京邮电大学 三维人脸识别方法和系统
US10614291B2 (en) * 2015-06-08 2020-04-07 Beijing Kuangshi Technology Co., Ltd. Living body detection method, living body detection system and computer program product
CN107451510B (zh) * 2016-05-30 2023-07-21 北京旷视科技有限公司 活体检测方法和活体检测系统
CN108491805B (zh) * 2018-03-27 2022-02-22 百度在线网络技术（北京）有限公司 身份认证方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120027A1 (zh) * 2016-12-30 2018-07-05 深圳前海达闼云端智能科技有限公司 一种障碍物检测方法及装置
CN106897675A (zh) * 2017-01-24 2017-06-27 上海交通大学 双目视觉深度特征与表观特征相结合的人脸活体检测方法
CN107204010A (zh) * 2017-04-28 2017-09-26 中国科学院计算技术研究所 一种单目图像深度估计方法与系统
CN107285173A (zh) * 2017-07-13 2017-10-24 广州日滨科技发展有限公司 电梯门控制方法、装置和系统
CN108805024A (zh) * 2018-04-28 2018-11-13 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
CN108549886A (zh) * 2018-06-29 2018-09-18 汉王科技股份有限公司 一种人脸活体检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于梯度方向直方图的人脸活体检测方法;孔月萍等;《激光与光电子学进展》;20171020;第237-243页 *

Also Published As

Publication number Publication date
CN111310528A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
EP3916627A1 (en) Living body detection method based on facial recognition, and electronic device and storage medium
JP7490141B2 (ja) 画像検出方法、モデルトレーニング方法、画像検出装置、トレーニング装置、機器及びプログラム
WO2020098250A1 (zh) 字符识别方法、服务器及计算机可读存储介质
CN104978578B (zh) 手机拍照文本图像质量评估方法
US20230085605A1 (en) Face image processing method, apparatus, device, and storage medium
Villalba et al. Smartphone image clustering
CN110569731A (zh) 一种人脸识别方法、装置及电子设备
CN111985281B (zh) 图像生成模型的生成方法、装置及图像生成方法、装置
CN110287862B (zh) 基于深度学习的防偷拍检测方法
CN110827312B (zh) 一种基于协同视觉注意力神经网络的学习方法
CN111340716A (zh) 一种改进双重判别对抗网络模型的图像去模糊方法
CN111079816A (zh) 图像的审核方法、装置和服务器
CN109815823B (zh) 数据处理方法及相关产品
Ling et al. Image quality assessment for free viewpoint video based on mid-level contours feature
CN115620384B (zh) 模型训练方法、眼底图像预测方法及装置
CN115861210B (zh) 一种基于孪生网络的变电站设备异常检测方法和系统
CN114387548A (zh) 视频及活体检测方法、系统、设备、存储介质及程序产品
Qiao et al. Source camera device identification based on raw images
CN115908995A (zh) 数字仪表读数的识别方法、装置、电子设备及存储介质
CN112991159B (zh) 人脸光照质量评估方法、系统、服务器与计算机可读介质
CN110599514A (zh) 图像分割的方法、装置、电子设备及存储介质
CN111310528B (zh) 一种图像检测方法、身份验证方法、支付方法及装置
CN106611417B (zh) 将视觉元素分类为前景或背景的方法及装置
CN116958795A (zh) 翻拍图像的识别方法、装置、电子设备及存储介质
CN115294162B (zh) 目标识别方法、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
GR01 Patent grant
GR01 Patent grant