CN111680563A - 一种活体检测方法、装置、电子设备及存储介质 - Google Patents
一种活体检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111680563A CN111680563A CN202010387773.5A CN202010387773A CN111680563A CN 111680563 A CN111680563 A CN 111680563A CN 202010387773 A CN202010387773 A CN 202010387773A CN 111680563 A CN111680563 A CN 111680563A
- Authority
- CN
- China
- Prior art keywords
- picture
- living body
- target object
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种活体检测方法、装置、电子设备及存储介质,所述的方法包括:获取待检测图片;将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态;本发明能够对具有一定不配合性的待检测对象进行检测,能够快速准确地识别出待检测图片中的待检测对象的活体状态,且适用范围广。
Description
技术领域
本发明涉及活体检测技术领域,尤其涉及一种活体检测方法、装置、电子设备及存储介质。
背景技术
随着现代图像处理技术的发展,图像修改空间的提高,在进行动物(例如犬类)相关服务,尤其是保险业务中需要对拍摄对象进行识别和活体检测以确保对象的真实性;
动物体(例如犬类)的活体检测是指计算机首先对动物体(例如犬只)区域进行目标检测,然后判别检测出的动物体(例如犬只)是真实的还是伪造的,如翻拍的图片、视频等。目前通常是人脸活体检测,无法直接用在动物体(例如犬类)上。而且,动物体(例如犬类)具有自主性,存在一定的不配合性,无法通过指令进行活体检测,需要一种直接基于图片的高效的动物体活体检测方法。
发明内容
为了解决上述技术问题,针对以上问题点,本发明公开了活体检测方法,能够对具有一定不配合性的待检测对象进行检测,能够快速准确地识别出待检测图片中的待检测对象的活体状态,成本低且适用范围广。
为了达到上述发明目的,本发明提供了一种活体检测方法,所述的方法包括:
获取待检测图片;
将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;
基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;
提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;
根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;
基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态。
进一步地,所述基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片,包括:
获取所述目标区域图片的像素尺寸;
判断所述目标区域图片的像素尺寸是否满足第一预设条件;
若满足,则基于预设第一裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片;
若不满足,则基于预设第二裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片。
进一步地,所述提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图,包括:
将所述裁剪图片进行灰度化处理,得到灰度化裁剪图片;
提取所述灰度化裁剪图片的LBP特征,得到第一LBP特征图;
将所述灰度化裁剪图片进行滤波处理,提取进行滤波处理后的所述灰度化裁剪图片的LBP特征,得到第二LBP特征图;
将所述第一LBP特征图和所述第二LBP特征图做差,得到目标特征图,所述目标特征图与所述裁剪图片一一对应。
进一步地,所述根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值,包括:
获取各所述目标特征图对应的特征向量;
将各所述特征向量依次输入所述目标对象活体检测模型,得到与各目标特征图对应的输出结果;
统计所述输出结果为第一预设值的目标特征图的数值;
将所述数值与所述目标特征图的总数相除,得到待检测图片中所述目标对象的活体概率值。
进一步地,所述基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态包括:
判断所述活体概率值是否大于预设阈值;
如果所述活体概率值大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为活体;
如果所述活体概率值不大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为非活体。
进一步地,所述目标对象识别模型通过以下方式训练得到:
获取第一训练数据集,所述第一训练数据集包括多个样本数据,每个样本数据包括样本图片以及从所述样本图片中提取的目标对象所在的区域图片;
将所述样本图片输入初始深度学习模型,基于所述初始深度学习模型的输出和从所述样本图片中提取的目标对象所在的区域图片计算损失值;
基于所述损失值调整所述初始深度学习模型的参数,直至根据所述第一训练数据集中的样本数据和所述初始深度学习模型所确定的损失值达到训练停止条件时,将所述初始深度学习模型作为所述目标对象识别模型。
进一步地,所述目标对象活体检测模型通过以下方式训练得到:
获取第二训练数据集,所述第二训练数据集包括多张样本区域图片;
基于预设剪裁规则对所述样本区域图片进行剪裁,得到至少一张样本裁剪图片;
提取所述样本裁剪图片的LBP特征,所述样本裁剪图片的LBP特征包括活体LBP特征和非活体LBP特征;
根据所述样本裁剪图片的LBP特征构建模型;
将构建的模型作为所述目标对象活体检测模型。
本发明提供了一种活体检测装置,所述的装置包括:
图片获取模块,用于获取待检测图片;
目标区域图片裁剪模块,用于将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;
二次裁剪图片裁剪模块,用于基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;
目标特征图获取模块,用于提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;
活体概率值获取模块,用于根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;
活体状态确定模块,用于基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态。
本发明提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述所述的活体检测方法。
本发明提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述所述的活体检测方法。
实施本发明实施例,具有如下有益效果:
本发明公开的活体检测方法,能够对具有一定不配合性的待检测对象进行检测,能够快速准确地识别出待检测图片中的待检测对象的活体状态,成本低且适用范围广,提高用户体验。
附图说明
为了更清楚地说明本发明所述的活体检测方法、装置、电子设备及存储介质,下面将对实施例所需要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的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种活体检测方法的流程示意图;
图2为本发明实施例提供的一种目标区域图片的剪裁方法的流程示意图;
图3为本发明实施例提供的一种目标特征图的获取方法的流程示意图;
图4为本发明实施例提供的一种活体概率值的获取方法的流程示意图;
图5为本发明实施例提供的一种活体检测装置的结构示意图;
图6为本发明实施例提供的一种用于实现活体检测方法电子设备的结构示意图。
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,所描述的实施例仅仅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做出创造性劳动的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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明适用于动物体的活体检测方法,如犬类的活体检测方法;具体的,通过对待检测图片进行检测识别出目标对象(如犬只)所在的目标区域图片,并对该目标区域图片进行二次剪裁,得到至少一张剪裁图片;通过对剪裁图片进行处理、LBP特征提取以及计算分析,进而确定待检测图片中的目标对象的活体状态。
请参考图1,其所示为本发明实施例提供的一种活体检测方法的流程示图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规;或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序,本申请中的活体检测方法,可以按照实施例或附图所示的方法顺序执行。具体的如图1所示,所述方法包括:
S101,获取待检测图片;
需要说明的是,在本说明书实施例中,待检测图片中可以包括目标对象也可以不包括目标对象;目标对象可以包括但不限于为动物体,具体的,可以为犬类,猫类等动物。
所述待检测图片可以是基于RGB图像和人工智能技术获取的图片。
S103,将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;
在本说明书实施例中,将待检测图片输入目标对象识别模型,识别出所述待检测图片中目标对象的所在区域,裁剪所述目标对象的所在区域得到待检测图片中目标对象所在的目标区域图片。
具体的,所述目标对象识别模型可以包括但不限于为yolov3-tiny识别模型;优选地可以为yolov3-tiny犬只识别模型;
在本说明书实施例中,所述目标对象识别模型可以通过以下方式训练得到;具体的,包括:
S1,获取第一训练数据集,所述第一训练数据集包括多个样本数据,每个样本数据包括样本图片以及从所述样本图片中提取的目标对象所在的区域图片;
在本说明书实施例中,所述第一训练数据集可以包括五千多个样本数据,
具体的,所述样本图片可以包括但不限于用户采集的图片和线上搜索的图片;
在本说明书实施例中,从所述样本图片中提取的目标对象所在的区域图片可以采用目标对象所在区域的标注数据的形式进行展示;
具体的,标注数据可以包括但不限于人工手动标注;在标注过程中通过人工识别目标对象的所在的能够包含目标对象所有特征的区域,该区域的顶点坐标即可以是目标对象所在区域的标注数据;
以目标对象为犬只为例,在标注过程中通过人工识别犬只的头部、鼻尖、尾巴以及四肢等部位的顶点位置,各个顶点位置中以能够包含犬只所有特征的顶点进行标注,得到犬只所在的目标区域图片,该目标区域图片可以为平行四边形图片;具体的,平行四边形的四个顶点坐标即可以是目标对象所在区域的标注数据。
S2,将所述样本图片输入初始深度学习模型,基于所述初始深度学习模型的输出和从所述样本图片中提取的目标对象所在的区域图片计算损失值;
在本说明书实施例中,将样本图片输入初始深度学习模型后,初始深度模型输出样本图片中目标对象所在的第一区域;具体的,可以输出第一区域的第一标注数据;
将所述第一区域的第一标注数据与从所述样本图片中提取的目标对象所在的区域图片的标注数据进行计算,得到损失值;
S3,基于所述损失值调整所述初始深度学习模型的参数,直至根据所述第一训练数据集中的样本数据和所述初始深度学习模型所确定的损失值达到训练停止条件时,将所述初始深度学习模型作为所述目标对象识别模型。
在本说明书实施例中,通过上述计算得到的损失值调整所述初始深度学习模型的参数,该参数用于识别图片中目标对象是所在区域;
经过对初始深度学习模型的参数的训练调整,使得根据所述第一训练数据集中的样本数据和所述初始深度学习模型所确定的损失值达到训练停止条件时或者使得对初始深度学习模型的参数的训练次数达到训练停止条件时,可以将所述初始深度学习模型作为所述目标对象识别模型。
具体的,所述损失值达到训练停止条件时可以是损失值小于预设第三阈值时;训练次数达到训练停止条件时,可以是训练次数达到预设第四阈值时;
具体的,预设第三阈值可以是0.05,预设第四阈值可以是5000。
S105,基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;
如图2所示,在本说明书实施例中,其所示为本说明书实施例提供的一种目标区域图片的剪裁方法的流程示意图;具体的如下:
S201,获取所述目标区域图片的像素尺寸;
在本说明书实施例中,根据待检测图片的大小以及待检测图片中目标对象的大小的不同,其获取到的目标区域图片的像素尺寸均不相同。
S203,判断所述目标区域图片的像素尺寸是否满足第一预设条件;
在本说明书实施例中,第一预设条件可以包括但不限于为目标区域图片的像素尺寸的宽度小于预设第一阈值,或者高度小于预设第二阈值;
具体的,预设第一阈值可以包括但不限于为180像素,预设第二阈值可以包括但不限于为360像素;
也即是目标区域图片的像素尺寸的宽度小于180像素,或高度小于360像素;即可认为目标区域图片的像素尺寸满足第一预设条件。
S205,若满足,则基于预设第一裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片;
在本说明书实施例中,若目标区域图片的像素尺寸满足第一预设条件,则基于预设第一裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片;
在本说明书实施例中,所述预设第一裁剪规则可以包括但不限于为:以宽为目标区域图片的宽/2,高为目标区域图片的高/2,宽偏移量为目标区域图片的宽/3,高偏移量为目标区域图片的高/3进行目标区域图片的剪裁;
S207,若不满足,则基于预设第二裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片。
在本说明书实施例中,若目标区域图片的像素尺寸不满足第一预设条件,则基于预设第二裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片;
在本说明书实施例中,所述预设第二裁剪规则可以包括但不限于为按照固定比例裁剪宽为180像素,高为360像素,宽偏移量为120像素,高偏移量为240像素进行目标区域图片的剪裁。
S107,提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;
如图3所示,在本说明书实施例中,其所示为本说明书实施例提供的一种目标特征图的获取方法的流程示意图;具体的如下:
S301,将所述裁剪图片进行灰度化处理,得到灰度化裁剪图片;
在本说明书实施例中,将各个裁剪图片都进行灰度化处理,得到至少一个灰度化裁剪图片;
S303,提取所述灰度化裁剪图片的LBP特征,得到第一LBP特征图;
在本说明书实施例中,直接提取灰度化裁剪图片的LBP特征,生成第一LBP特征图;
S305,将所述灰度化裁剪图片进行滤波处理,提取进行滤波处理后的所述灰度化裁剪图片的LBP特征,得到第二LBP特征图;
在本说明书实施例中,将灰度化裁剪图片进行中值滤波处理后,再提取滤波处理后的灰度化裁剪图片的LBP特征,生成第二LBP特征图;
S307,将所述第一LBP特征图和所述第二LBP特征图做差,得到目标特征图,所述目标特征图与所述裁剪图片一一对应。
S109,根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;
如图4所示,在本说明书实施例中,其所示为本说明书实施例提供的一种活体概率值的获取方法的流程示意图;具体的如下:
S401,获取各所述目标特征图对应的特征向量;
在本说明书实施例中,提取每个所述目标特征图的特征向量;
S403,将各所述特征向量依次输入所述目标对象活体检测模型,得到与各目标特征图对应的输出结果;
在本说明书实施例中,所述目标对象活体检测模型可以为SVM活体检测模型;
将各个特征向量依次输入训练好的目标对象活体检测模型(如:SVM活体检测模型),输出每张目标特征图的对应的分类结果;其中分类结果分为活体和非活体的分类结果,可以用第一预设值表示活体,用第二预设值表示非活体,也即是各目标特征图对应的输出结果可以为第一预设值(代表活体),输出结果也可以为第二预设值(代表非活体)。
S405,统计所述输出结果为第一预设值的目标特征图的数值;
在本说明书实施例中,第一预设值可以为1;也即是将统计输出结果为1的目标特征图的总个数,即为输出结果为第一预设值的目标特征图的数值;
S407,将所述数值与所述目标特征图的总数相除,得到待检测图片中所述目标对象的活体概率值。
在本说明书实施例中,将输出结果为第一预设值的目标特征图的数值除以所述目标特征图的总数(包括输出结果和第一预设值和输出结果为第二预设值的目标特征图的总数),即可得到待检测图片中所述目标对象的活体概率值;
具体的,所述活体概率值可以指示待检测图片中的目标对象为活体的概率。
在本说明书实施例中,所述目标对象活体检测模型通过以下方式训练得到:具体的,包括:
A1,获取第二训练数据集,所述第二训练数据集包括多张样本裁剪图片;
在本说明书实施例中,所述第二训练数据集可以包括五千多张样本裁剪图片;
所述样本裁剪图片可以为将从所述样本图片中提取的目标对象所在的区域图片按照预设剪裁规则剪裁后得到的图片;
在本说明书实施例中,所述样本裁剪图片可以包含目标对象的部分或全部特征;
具体的,样本裁剪图片可以是样本图片中的标注数据所指示的标注区域;也可以是样本图片中的标注数据所指示的标注区域的部分区域。
A2,提取所述样本裁剪图片的LBP特征,所述样本裁剪图片的LBP特征包括活体LBP特征和非活体LBP特征;
在本说明书实施例中,在提取样本裁剪图片的LBP特征之前,先对所述样本裁剪图片进行灰度化处理;
对所述样本裁剪图片进行灰度化处理之后,可以直接提取灰度化处理后的样本裁剪图片的LBP特征,得到第一LBP特征图;所述第一LBP特征图中包括第一活体特征图和第一非活体特征图;
也可以将灰度化处理后的样本裁剪图片再进行滤波处理,提取滤波处理后的灰度化的样本裁剪图片的LBP特征,得到第二LBP特征图;所述第二LBP特征图中包括第二活体特征图和第二非活体特征图;
将第一LBP特征图和第二LBP特征图做差得到LBP特征图,获取LBP特征图的活体特征图和非活体特征图;其中每个样本裁剪图片的LBP特征图均包括一组由LBP特征图对应的活体特征图和LBP特征图对应的非活体特征图组成的特征图。
A3,根据所述样本裁剪图片的LBP特征构建模型;
在本说明书实施例中,获取样本裁剪图片的LBP特征图中活体特征图的特征向量和非活体特征图特征向量;
将样本裁剪图片的LBP特征图中活体特征图的特征向量和非活体特征图特征向量作为一组数据输入分类器,分类器经过学习、训练对分类器的参数进行调整,直至得到符合分类条件的分类器模型。
A4,将构建的模型作为所述目标对象活体检测模型。
在本说明书实施例中,将符合分类条件的分类器模型作为所述目标对象活体检测模型。
S111,基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态。
在本说明实施例中,所述基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态包括:
判断所述活体概率值是否大于预设阈值;
在本说明书实施例中,预设阈值可以包括但不限于为0.5;预设阈值可以根据不同场景来设定;
如果所述活体概率值大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为活体;
如果所述活体概率值不大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为非活体。
由上述本发明提供的活体检测方法、装置、电子设备及存储介质的实施例可见,本发明实施例获取待检测图片;将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态;利用本说明书实施例提供的技术方案,能够对具有一定不配合性的待检测对象进行检测,能够快速准确地识别出待检测图片中的待检测对象的活体状态,成本低且适用范围广,提高用户体验。
本发明实施例还提供了一种活体检测装置,如图5所示,其所示为本发明实施例提供的一种活体检测装置的结构示意图;具体的,所述的装置包括:
图片获取模块510,用于获取待检测图片;
目标区域图片裁剪模块520,用于将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;
二次裁剪图片裁剪模块530,用于基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;
目标特征图获取模块540,用于提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;
活体概率值获取模块550,用于根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;
活体状态确定模块560,用于基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态。
在本说明书实施例中,所述二次裁剪图片裁剪模块530包括:
第一获取单元,用于获取所述目标区域图片的像素尺寸;
第一判断单元,用于判断所述目标区域图片的像素尺寸是否满足第一预设条件;
第一裁剪单元,用于若满足,则基于预设第一裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片;
第二裁剪单元,用于若不满足,则基于预设第二裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片。
在本说明书实施例中,所述目标特征图获取模块540包括:
灰度化处理单元,用于将所述裁剪图片进行灰度化处理,得到灰度化裁剪图片;
第一提取单元,用于提取所述灰度化裁剪图片的LBP特征,得到第一LBP特征图;
第二提取单元,用于将所述灰度化裁剪图片进行滤波处理,提取进行滤波处理后的所述灰度化裁剪图片的LBP特征,得到第二LBP特征图;
目标特征图获取单元,用于将所述第一LBP特征图和所述第二LBP特征图做差,得到目标特征图,所述目标特征图与所述裁剪图片一一对应。
在本说明书实施例中,所述活体概率值获取模块550包括:
第二获取单元,用于获取各所述目标特征图对应的特征向量;
处理单元,用于将各所述特征向量依次输入所述目标对象活体检测模型,得到与各目标特征图对应的输出结果;
统计单元,用于统计所述输出结果为第一预设值的目标特征图的数值;
活体概率值获取单元,用于将所述数值与所述目标特征图的总数相除,得到待检测图片中所述目标对象的活体概率值。
在本说明书实施例中,所述活体状态确定模块560包括:
第二判断单元,用于判断所述活体概率值是否大于预设阈值;
第一判定单元,用于如果所述活体概率值大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为活体;
第二判定单元,用于如果所述活体概率值不大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为非活体。
在本说明书实施例中,还包括:目标对象识别模型训练模块:所述目标对象识别模型训练模块包括:
第三获取单元,用于获取第一训练数据集,所述第一训练数据集包括多个样本数据,每个样本数据包括样本图片以及从所述样本图片中提取的目标对象所在的区域图片;
第一计算单元,用于将所述样本图片输入初始深度学习模型,基于所述初始深度学习模型的输出和从所述样本图片中提取的目标对象所在的区域图片计算损失值;
参数调整单元,用于基于所述损失值调整所述初始深度学习模型的参数,直至根据所述第一训练数据集中的样本数据和所述初始深度学习模型所确定的损失值达到训练停止条件时,将所述初始深度学习模型作为所述目标对象识别模型。
在本说明书实施例中,还包括:目标对象活体检测模型训练模块:所述目标对象活体检测模型训练模块包括:
第四获取单元,用于获取第二训练数据集,所述第二训练数据集包括多张样本裁剪图片;
第三提取单元,用于提取所述样本裁剪图片的LBP特征,所述样本裁剪图片的LBP特征包括活体LBP特征和非活体LBP特征;
模型构建单元,用于根据所述样本裁剪图片的LBP特征构建模型;
模型获取单元,用于将构建的模型作为所述目标对象活体检测模型。
本发明实施例提供了一种电子设备,所述设备包括处理器和存储器;所述处理器,适于实现一条或一条以上指令;所述存储器,存储有一条或一条以上指令,所述一条或一条以上适于所述处理器加载并执行以实现如上述方法实施例所述的活体检测方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
进一步地,图6示出了一种用于实现本发明实施例所提供的活体检测方法的电子设备的硬件结构示意图,所述电子设备可以参与构成或包含本发明实施例所提供的装置或系统。如图6所示,所述电子设备1可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图6所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,所述电子设备1还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到电子设备1中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中所述的方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种车辆导航方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至电子设备1。上述网络的实例包括但不限于车辆网、互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备1的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(NetworkInterfaceController,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与所述电子设备1的用户界面进行交互。
本发明的实施例还提供了一种计算机可读存储介质,所述存储介质可设置于活体检测终端之中以保存用于实现方法实施例中的一种活体检测方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集可由电子设备的处理器加载并执行以实现上述方法实施例提供的活体检测方法。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且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。
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,对于装置和服务器实施例而言,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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种活体检测方法,其特征在于:所述方法包括:
获取待检测图片;
将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;
基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;
提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;
根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;
基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态。
2.根据权利要求1所述的活体检测方法,其特征在于:所述基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片,包括:
获取所述目标区域图片的像素尺寸;
判断所述目标区域图片的像素尺寸是否满足第一预设条件;
若满足,则基于预设第一裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片;
若不满足,则基于预设第二裁剪规则对所述目标区域图片进行裁剪,得到至少一张裁剪图片。
3.根据权利要求1所述的活体检测方法,其特征在于:所述提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图,包括:
将所述裁剪图片进行灰度化处理,得到灰度化裁剪图片;
提取所述灰度化裁剪图片的LBP特征,得到第一LBP特征图;
将所述灰度化裁剪图片进行滤波处理,提取进行滤波处理后的所述灰度化裁剪图片的LBP特征,得到第二LBP特征图;
将所述第一LBP特征图和所述第二LBP特征图做差,得到目标特征图,所述目标特征图与所述裁剪图片一一对应。
4.根据权利要求1所述的活体检测方法,其特征在于:所述根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值,包括:
获取各所述目标特征图对应的特征向量;
将各所述特征向量依次输入所述目标对象活体检测模型,得到与各目标特征图对应的输出结果;
统计所述输出结果为第一预设值的目标特征图的数值;
将所述数值与所述目标特征图的总数相除,得到待检测图片中所述目标对象的活体概率值。
5.根据权利要求1所述的活体检测方法,其特征在于:所述基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态包括:
判断所述活体概率值是否大于预设阈值;
如果所述活体概率值大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为活体;
如果所述活体概率值不大于预设阈值,则判定所述待检测图片中的所述目标对象的活体状态为非活体。
6.根据权利要求1所述的活体检测方法,其特征在于:所述目标对象识别模型通过以下方式训练得到:
获取第一训练数据集,所述第一训练数据集包括多个样本数据,每个样本数据包括样本图片以及从所述样本图片中提取的目标对象所在的区域图片;
将所述样本图片输入初始深度学习模型,基于所述初始深度学习模型的输出和从所述样本图片中提取的目标对象所在的区域图片计算损失值;
基于所述损失值调整所述初始深度学习模型的参数,直至根据所述第一训练数据集中的样本数据和所述初始深度学习模型所确定的损失值达到训练停止条件时,将所述初始深度学习模型作为所述目标对象识别模型。
7.根据权利要求1所述的活体检测方法,其特征在于:所述目标对象活体检测模型通过以下方式训练得到:
获取第二训练数据集,所述第二训练数据集包括多张样本裁剪图片;
提取所述样本裁剪图片的LBP特征,所述样本裁剪图片的LBP特征包括活体LBP特征和非活体LBP特征;
根据所述样本裁剪图片的LBP特征构建模型;
将构建的模型作为所述目标对象活体检测模型。
8.一种活体检测装置,其特征在于:所述的装置包括:
图片获取模块,用于获取待检测图片;
目标区域图片裁剪模块,用于将待检测图片输入目标对象识别模型,输出得到所述待检测图片中目标对象所在的目标区域图片;
二次裁剪图片裁剪模块,用于基于预设剪裁规则对所述目标区域图片进行剪裁,得到至少一张裁剪图片;
目标特征图获取模块,用于提取所述裁剪图片的LBP特征,并基于所述LBP特征得到与所述裁剪图片一一对应的目标特征图;
活体概率值获取模块,用于根据所述目标特征图和预设的目标对象活体检测模型,获得所述待检测图片中所述目标对象的活体概率值;
活体状态确定模块,用于基于所述活体概率值确定所述待检测图片中所述目标对象的活体状态。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的活体检测方法。
10.一种计算机可读存储介质,其特征在于:所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一所述的活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387773.5A CN111680563B (zh) | 2020-05-09 | 2020-05-09 | 一种活体检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387773.5A CN111680563B (zh) | 2020-05-09 | 2020-05-09 | 一种活体检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680563A true CN111680563A (zh) | 2020-09-18 |
CN111680563B CN111680563B (zh) | 2023-09-19 |
Family
ID=72451898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387773.5A Active CN111680563B (zh) | 2020-05-09 | 2020-05-09 | 一种活体检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680563B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052830A (zh) * | 2020-09-25 | 2020-12-08 | 北京百度网讯科技有限公司 | 人脸检测的方法、装置和计算机存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778518A (zh) * | 2016-11-24 | 2017-05-31 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN110210279A (zh) * | 2018-11-27 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN110705451A (zh) * | 2019-09-27 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、终端及服务器 |
CN110705392A (zh) * | 2019-09-17 | 2020-01-17 | Oppo广东移动通信有限公司 | 一种人脸图像检测方法及装置、存储介质 |
CN110781770A (zh) * | 2019-10-08 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于人脸识别的活体检测方法、装置及设备 |
CN110852285A (zh) * | 2019-11-14 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-09 CN CN202010387773.5A patent/CN111680563B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778518A (zh) * | 2016-11-24 | 2017-05-31 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
CN110210279A (zh) * | 2018-11-27 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN109886282A (zh) * | 2019-02-26 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
CN110705392A (zh) * | 2019-09-17 | 2020-01-17 | Oppo广东移动通信有限公司 | 一种人脸图像检测方法及装置、存储介质 |
CN110705451A (zh) * | 2019-09-27 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、终端及服务器 |
CN110781770A (zh) * | 2019-10-08 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于人脸识别的活体检测方法、装置及设备 |
CN110852285A (zh) * | 2019-11-14 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052830A (zh) * | 2020-09-25 | 2020-12-08 | 北京百度网讯科技有限公司 | 人脸检测的方法、装置和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111680563B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154082B (zh) | 航拍影像自动物体侦测的方法及系统 | |
CN109753928B (zh) | 违章建筑物识别方法和装置 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN109002820B (zh) | 一种车牌识别方法、装置及相关设备 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
US20150356342A1 (en) | Image processing apparatus, image processing method, and storage medium | |
CN112613471B (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
CN111709421A (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
CN112633297A (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN112581446A (zh) | 一种图像的显著性物体检测方法、装置、设备及存储介质 | |
CN111368698B (zh) | 主体识别方法、装置、电子设备及介质 | |
CN111680563B (zh) | 一种活体检测方法、装置、电子设备及存储介质 | |
CN111882559A (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
CN112785550B (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN115423825A (zh) | 跳远距离的获取方法、装置、设备及计算机可读存储介质 | |
CN114255321A (zh) | 采集宠物鼻纹的方法、装置、存储介质及电子设备 | |
CN109934045B (zh) | 行人检测方法和装置 | |
CN111489350A (zh) | 图像检测方法、装置、存储介质及电子装置 | |
CN112861711A (zh) | 区域入侵检测方法、装置、电子设备及存储介质 | |
CN112784713A (zh) | 一种基于图像的猪体重估测方法、系统、设备及存储介质 | |
CN111860344A (zh) | 确定图像中目标对象数量的方法及装置 | |
CN115690092B (zh) | 角膜共聚焦图像中阿米巴包囊的识别与计数方法及装置 | |
CN113903015B (zh) | 车道线识别方法及装置 |
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 |