CN112036386A - Tee环境下使用相机相近帧进行活体检测的方法及装置 - Google Patents
Tee环境下使用相机相近帧进行活体检测的方法及装置 Download PDFInfo
- Publication number
- CN112036386A CN112036386A CN202011219932.7A CN202011219932A CN112036386A CN 112036386 A CN112036386 A CN 112036386A CN 202011219932 A CN202011219932 A CN 202011219932A CN 112036386 A CN112036386 A CN 112036386A
- Authority
- CN
- China
- Prior art keywords
- image sequence
- images
- difference
- target object
- living body
- 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
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种TEE环境下使用相机相近帧进行活体检测的方法、装置及电子设备,涉及数据处理技术领域。该方法包括:获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列;分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列;将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型;在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。通过本申请的方案,提高了TEE环境下活体检测的准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及TEE环境下使用相机相近帧进行活体检测的技术。
背景技术
当前手机设备的人脸识别方案趋势是全部放入TEE TEE(Trusted executionenvironment,可信执行环境)环境完成。在TEE环境中设备可使用的资源极其有限,以高通sm7250为例,默认可以使用的内存空间<50M且只能使用单核cpu,安全性高的视频流的活体检测方案完全无法运行。现下的单帧图像活体检测方案又非常难降低SAR。
目前手机设备搭载人脸识已成大趋势,各大公司也已经制定各平台人脸识别的相关标准,比如Google就对Android手机的人脸识别各等级的SAR指标作了规定,弱等级(weaktier)要求SAR 低于20%,强等级要求低于7%,并且同时要求人脸识别的整个管道安全,管道安全要求攻击者在入侵内核和平台后既无法读取原始生物识别数据,也无法将合成数据注入管道以影响身份验证决策,目前移动设备只有TEE环境可以实现管道安全。因此在手机上目前只能在TEE环境运行人脸识别算法。
TEE环境因为其极其有限的软硬件资源,导致目前没有非常有效的SAR方案,Google因此也因此将其Android手机SAR指标定得较低。TEE下通常只有10-50M的运行时可用内存空间,并且无法使用动态库。具体流程是高通等平台商提供平台可用的TEE环境和编译套件,包括TEE环境可用的安全相机,然后各算法提供开发商基于此编译套件开发基于此TEE环境的TA,在TA中实现人脸识别功能,实现的人脸识别功能中就包含本文所述的活体检测算法。
非TEE环境下的人脸识别方案非常多,其中不乏各项指标都很高的方案。但是受限于TEE环境的苛刻软硬件环境,比如只有几十M的内存,不能使用动态库,因此非TEE下的人脸识别方案都不可用。
TEE环境下已有的活体检测方案为单帧图片方案,即使用电子照片和3d模型进行单帧图片样本采样并进行算法编写和模型训练,最终部署在TEE环境中依然采样单帧图片进行活体检测。
针对上述问题,亟需一种全新的TEE环境下使用相机相近帧进行活体检测的技术。
发明内容
有鉴于此,本发明实施例提供一种TEE环境下使用相机相近帧进行活体检测的方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序,至少部分的解决现有技术中存在的问题。
第一方面,本发明实施例提供了一种TEE环境下使用相机相近帧进行活体检测的方法,包括:
获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧;
分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像;
将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中;
在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。
根据本公开实施例的一种具体实现方式,所述基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测,包括:
利用相机拍摄M个目标对象形成的连续图像帧;
基于所述M个连续图像帧,形成3M个通道图像;
对所述3M个通道图像进行差值计算,形成3*(M-1)个差值通道图像;
将所述3*(M-1)个差值通道图像输入到所述分类模型中,进而判断相机新拍摄到的目标对象是否为活体。
根据本公开实施例的一种具体实现方式,所述获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,包括:
按照预设的晃动幅度对处于活体状态下的目标对象进行拍摄;
对拍摄得到的图像按照预设的采样频率进行采样操作,形成第一图像序列。
根据本公开实施例的一种具体实现方式,所述获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,包括:
按照预设的晃动幅度对处于非活体状态下的目标对象进行拍摄;
对拍摄得到的图像按照预设的采样频率进行采样操作,形成第二图像序列。
根据本公开实施例的一种具体实现方式,所述非活体状态下的目标对象为目标对象的电子照片或3d模型。
根据本公开实施例的一种具体实现方式,所述分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,包括:
对第一图像序列中的N个图像进行通道变换,形成包含3N个图像的第一通道图像序列;
对3N个图像中的相邻的通道图像进行差值计算,得到包含3*(N-1)个图像的第一差值图像序列。
根据本公开实施例的一种具体实现方式,所述分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,包括:
对第二图像序列中的N个图像进行通道变换,形成包含3N个图像的第二通道图像序列;
对3N个图像中的相邻的通道图像进行差值计算,得到包含3*(N-1)个图像的第二差值图像序列。
根据本公开实施例的一种具体实现方式,N和M的值为3。
第二方面,本发明实施例还提供了一种TEE环境下使用相机相近帧进行活体检测的装置,包括:
获取模块,用于获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧;
计算模块,用于分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像;
训练模块,用于将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中;
检测模块,用于在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
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执行前述任第一方面或第一方面的任一实现方式所述的TEE环境下使用相机相近帧进行活体检测的方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行前述第一方面或第一方面的任一实现方式所述的TEE环境下使用相机相近帧进行活体检测的方法。
第五方面,本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行前述第一方面或第一方面的任一实现方式所述的TEE环境下使用相机相近帧进行活体检测的方法。
本发明实施例提供的TEE环境下使用相机相近帧进行活体检测的方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序,包括获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧;分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像;将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中;在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。本方案使用多帧(例如,3帧)相近帧图像的变化来训练模型学习活体特征,有效的模拟了人类肉眼判定是否活体的方式。相比于既有的单帧图片方案,能够大幅降低SAR。并且在TEE下本方案因为只使用多帧数据,也能够在苛刻的TEE软硬件环境下工作良好。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种TEE环境下使用相机相近帧进行活体检测的流程示意图;
图2为本发明实施例提供的另一种TEE环境下使用相机相近帧进行活体检测的流程示意图;
图3为本发明实施例提供的另一种TEE环境下使用相机相近帧进行活体检测的流程示意图;
图4为本发明实施例提供的另一种TEE环境下使用相机相近帧进行活体检测的流程示意图;
图5为本发明实施例提供的一种TEE环境下使用相机相近帧进行活体检测的装置结构示意图;
图6为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种TEE环境下使用相机相近帧进行活体检测的方法。本实施例提供的TEE环境下使用相机相近帧进行活体检测的方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种TEE环境下使用相机相近帧进行活体检测的方法,包括如下步骤:
S101,获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧。
当前手机设备的人脸识别方案趋势是全部放入TEE环境完成。在TEE环境中设备可使用的资源极其有限,以高通sm7250为例,默认可以使用的内存空间<50M且只能使用单核cpu,安全性高的视频流的活体检测方案完全无法运行。现下的单帧图像活体检测方案又非常难降低SAR。
实验中发现人脸手持移动设备在摄像机前相近帧的图像改变与使用非活体(电子照片、3d模型)在同条件下采样的相近帧有明显不同。比如手机晃动会导致摄像头角度略微变化,期间面部表情的细微变化,这些变化体现在相近帧上活体与非活体是有显著不同的,因此,利用将采样的相近帧作为样本用于训练模型以学习此差异可以得到优秀的活体检测模型,从而大幅降低欺骗接受率。
相关术语解释
活体检测:通过摄像头等传感器图像利用活体检测算法检测摄像头前是否为活体,主要用于区分是真人还是照片、3d模型等非活体。属于人脸识别算法中的一个模块。
SAR: 全称Spoof Acceptance Rate,用于衡量生物识别模型接受事先记录的已知良好样本的概率。例如,对于手机的人脸解锁,该指标会衡量使用已经拍摄的人像照片或者3d模型成功解锁用户手机的概率。在一定程度上衡量了该设备搭载的活体检测算法的能力,这是手机安全性的重要指标。值越低越代表越不容易被攻破,安全性越高。
TEE: 全称trusted execution environment,它是移动设备(智能手机、平板电脑、智能电视)CPU上的一块区域。这块区域的作用是给数据和代码的执行提供一个更安全的空间,并保证它们的机密性和完整性。TEE下软硬件资源极大受限,以高通sm7250为例,默认可以使用的内存空间<50M且只能使用单核cpu,也无法加载动态库。
TA: 全称Trusted Application,是在TEE上运行的应用,可信应用之间通过密码学技术保证它们之间是隔离开的,不会随意读取和操作其它可信应用的数据。另外,可信应用在执行前需要做完整性验证,保证应用没有被篡改。
管道安全:Google在定义Android手机安全性标准的时候要求弱层级及以上的等级整个人脸识别的管道安全,管道安全要求攻击者在入侵内核和平台后既无法读取原始生物识别数据,也无法将合成数据注入管道以影响身份验证决策,也就是摄像机采样到运算再到上层解锁都需要安全保护。高通等厂商针对此要求开发了安全相机,从TEE中利用TA启动初始化并保护摄像机,从而实现管道安全。同时这也就要求了人脸识别算法必须运行在TEE环境中。因为有此限制,当下市面上搭载人脸识别功能的Android手机很少有通过Google弱等级以上安全认证的。
AI引擎: 运行人工智能算法的引擎,比如流行的TensorFlow,Keras,MXNet,PyTorch等,可以训练算法模型,也可以部署以运行训练好的算法模型。
参见图2,目标对象可以是人,也可以是人的部分,例如,人脸,或者,目标对象也可以时其他具有生命特征的生物的全部或部分。以人为例,可以用相机拍摄真实人的连续的N个图像,形成第一图像序列,同时,还可以基于人的电子照片或3d模型进行图像拍摄,形成第二图像序列。
在利用相机等摄像设备采样的过程中,可以按照预设的方式模拟手持的轻微晃动,此处的晃动可以导致摄像头相近帧出现角度和光照方面的差异,是模型训练的重要捕捉点之一。作为一种方式,可以每秒采样9帧,三帧为一组,每秒采样得到三组原始图片,进而通过这种方式得到第一图像序列和第二图像序列。
S102,分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像。
在进行步骤S102中的差值计算之前,还可以对第一图像序列和第二图像序列中的图像执行预处理操作,作为一种方式,预处理主要是以设备采样的到的每组素材作为单位进行处理:
a. 将第一图像序列和所述第二图像序列中的原始图片头像区域抠出,并统一调整大小为200x200的rgb图像。
b. 根据采样设备来源将每组素材打标为真人1,非真人0。
c. 将每组的三帧图片按照预设的方式转换成训练算法可使用的训练素材。
在执行步骤c的过程中,作为一种方式,参见图3,所述第一图像序列和所述第二图像序列中输入原始图片以组为单位,每组三帧,转换后输出为一张每个像素点有六个通道的新图,以图3中转换后的训练样本中的像素点1为例,各通道计算如下:
B11(训练样本) = B211-B111
G12(训练样本) = G212-G112
R13(训练样本) = R213-R113
B14(训练样本) = B311-B211
G15(训练样本) = G312-G212
R16(训练样本) = R313-R213
操作过程主要就是后一帧的各个像素点减去前一帧的各个像素点得到两张图,然后拼合起来。
通过这种方式,能够得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像。
S103,将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中。
获得第一差值图像序列和第二差值图像序列之后,可以将所述第一差值图像序列和所述第二差值图像序列作为训练样本,输入到预先设置的分类模型中进行训练。分类模型可以是现有技术中存在的能够进行分类计算的模型(例如,卷积网络模型),通过这种方式,能够有效的对处于活体状态和非活体状态的目标对象进行分类和鉴别。
S104,在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。
具体的,参见图4,可以利用相机拍摄M个目标对象形成的连续图像帧;基于所述M个连续图像帧,形成3M个通道图像;对所述3M个通道图像进行差值计算,形成3*(M-1)个差值通道图像;将所述3*(M-1)个差值通道图像输入到所述分类模型中,进而判断相机新拍摄到的目标对象是否为活体。
通过上述实施例的内容,能够在TEE环境资源有效的情况下,有效的对活体进行检测,从而提高了活体检测的效率。
根据本公开实施例的一种具体实现方式,所述获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,包括:
按照预设的晃动幅度对处于活体状态下的目标对象进行拍摄;
对拍摄得到的图像按照预设的采样频率进行采样操作,形成第一图像序列。
根据本公开实施例的一种具体实现方式,所述获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,包括:
按照预设的晃动幅度对处于非活体状态下的目标对象进行拍摄;
对拍摄得到的图像按照预设的采样频率进行采样操作,形成第二图像序列。
根据本公开实施例的一种具体实现方式,所述非活体状态下的目标对象为目标对象的电子照片或3d模型。
根据本公开实施例的一种具体实现方式,所述分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,包括:
对第一图像序列中的N个图像进行通道变换,形成包含3N个图像的第一通道图像序列;
对3N个图像中的相邻的通道图像进行差值计算,得到包含3*(N-1)个图像的第一差值图像序列。
根据本公开实施例的一种具体实现方式,所述分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,包括:
对第二图像序列中的N个图像进行通道变换,形成包含3N个图像的第二通道图像序列;
对3N个图像中的相邻的通道图像进行差值计算,得到包含3*(N-1)个图像的第二差值图像序列。
根据本公开实施例的一种具体实现方式,N和M的值为3。
与上面的方法实施例相对应,参见图5,本公开还提供了一种TEE环境下使用相机相近帧进行活体检测的装置50,包括:
获取模块501,用于获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧;
计算模块502,用于分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像;
训练模块503,用于将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中;
检测模块504,用于在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中TEE环境下使用相机相近帧进行活体检测的方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的TEE环境下使用相机相近帧进行活体检测的方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
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,可轻易想到的变化或替换,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TEE环境下使用相机相近帧进行活体检测的方法,其特征在于,包括:
获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧;
分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像;
将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中;
在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。
2.根据权利要求1所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于,所述基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测,包括:
利用相机拍摄M个目标对象形成的连续图像帧;
基于所述M个连续图像帧,形成3M个通道图像;
对所述3M个通道图像进行差值计算,形成3*(M-1)个差值通道图像;
将所述3*(M-1)个差值通道图像输入到所述分类模型中,进而判断相机新拍摄到的目标对象是否为活体。
3.根据权利要求1所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于,所述获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,包括:
按照预设的晃动幅度对处于活体状态下的目标对象进行拍摄;
对拍摄得到的图像按照预设的采样频率进行采样操作,形成第一图像序列。
4.根据权利要求1所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于,所述获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,包括:
按照预设的晃动幅度对处于非活体状态下的目标对象进行拍摄;
对拍摄得到的图像按照预设的采样频率进行采样操作,形成第二图像序列。
5.根据权利要求1所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于:
所述非活体状态下的目标对象为目标对象的电子照片或3d模型。
6.根据权利要求1所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于,所述分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,包括:
对第一图像序列中的N个图像进行通道变换,形成包含3N个图像的第一通道图像序列;
对3N个图像中的相邻的通道图像进行差值计算,得到包含3*(N-1)个图像的第一差值图像序列。
7.根据权利要求1所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于,所述分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,包括:
对第二图像序列中的N个图像进行通道变换,形成包含3N个图像的第二通道图像序列;
对3N个图像中的相邻的通道图像进行差值计算,得到包含3*(N-1)个图像的第二差值图像序列。
8.根据权利要求2所述的TEE环境下使用相机相近帧进行活体检测的方法,其特征在于:
N和M的值为3。
9.一种TEE环境下使用相机相近帧进行活体检测的装置,其特征在于,包括:
获取模块,用于获取包含目标对象在活体状态下拍摄的第一图像序列和目标对象在非活体状态下形成的第二图像序列,所述第一图像序列和所述第二图像序列分别包含N个连续拍摄形成的图像帧;
计算模块,用于分别对所述第一图像序列和所述第二图像序列中的图像执行差值计算,得到第一差值图像序列和第二差值图像序列,所述第一差值图像序列和所述第二差值图像序列分别包含N-1个图像;
训练模块,用于将所述第一差值图像序列和所述第二差值图像序列作为训练样本,对预先设置的分类模型进行数据训练,得到训练后的符合预设精度的分类模型,以便于将训练后的分类模型部署到TEE环境中;
检测模块,用于在TEE环境中,基于训练后的分类模型,对相机新拍摄到的目标对象是否为活体进行检测。
10.一种电子设备,其特征在于,所述电子设备包括:
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执行前述权利要求1-8任一所述的TEE环境下使用相机相近帧进行活体检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219932.7A CN112036386A (zh) | 2020-11-05 | 2020-11-05 | Tee环境下使用相机相近帧进行活体检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219932.7A CN112036386A (zh) | 2020-11-05 | 2020-11-05 | Tee环境下使用相机相近帧进行活体检测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036386A true CN112036386A (zh) | 2020-12-04 |
Family
ID=73572951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011219932.7A Pending CN112036386A (zh) | 2020-11-05 | 2020-11-05 | Tee环境下使用相机相近帧进行活体检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036386A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1862487A (zh) * | 2006-06-15 | 2006-11-15 | 北京中星微电子有限公司 | 基于人脸认证的屏幕保护方法及装置 |
US20160217338A1 (en) * | 2015-01-26 | 2016-07-28 | Alibaba Group Holding Limited | Method and device for face in-vivo detection |
CN107122744A (zh) * | 2017-04-28 | 2017-09-01 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测系统及方法 |
US20190205517A1 (en) * | 2017-12-29 | 2019-07-04 | KeyLemon S.A. | Method used in a mobile equipment with a Trusted Execution Environment for authenticating a user based on his face |
CN110765923A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
CN111046365A (zh) * | 2019-12-16 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 人脸图像传输方法、数值转移方法、装置及电子设备 |
-
2020
- 2020-11-05 CN CN202011219932.7A patent/CN112036386A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1862487A (zh) * | 2006-06-15 | 2006-11-15 | 北京中星微电子有限公司 | 基于人脸认证的屏幕保护方法及装置 |
US20160217338A1 (en) * | 2015-01-26 | 2016-07-28 | Alibaba Group Holding Limited | Method and device for face in-vivo detection |
CN107122744A (zh) * | 2017-04-28 | 2017-09-01 | 武汉神目信息技术有限公司 | 一种基于人脸识别的活体检测系统及方法 |
US20190205517A1 (en) * | 2017-12-29 | 2019-07-04 | KeyLemon S.A. | Method used in a mobile equipment with a Trusted Execution Environment for authenticating a user based on his face |
CN110765923A (zh) * | 2019-10-18 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
CN111046365A (zh) * | 2019-12-16 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 人脸图像传输方法、数值转移方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
CN110399848A (zh) | 视频封面生成方法、装置及电子设备 | |
CN110619314A (zh) | 安全帽检测方法、装置及电子设备 | |
CN111275784B (zh) | 生成图像的方法和装置 | |
CN110287891B (zh) | 基于人体关键点的手势控制方法、装置及电子设备 | |
CN110070551B (zh) | 视频图像的渲染方法、装置和电子设备 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN111222509A (zh) | 目标检测方法、装置及电子设备 | |
CN110287816B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
CN110288532B (zh) | 生成全身图像的方法、装置、设备及计算机可读存储介质 | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN110060324B (zh) | 图像渲染方法、装置及电子设备 | |
CN116681765A (zh) | 图像内标识位置确定方法、模型训练方法、装置及设备 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN112036386A (zh) | Tee环境下使用相机相近帧进行活体检测的方法及装置 | |
CN111681267B (zh) | 基于图像识别的轨道防侵入方法 | |
CN114049403A (zh) | 一种多角度三维人脸重建方法、装置及存储介质 | |
CN111124862B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN114494379A (zh) | 基于fpfh的凸包辅助三维点云配准方法、设备及介质 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN113408488B (zh) | 基于胶囊网络的火焰目标识别方法、设备及介质 | |
CN111079472A (zh) | 图像对比方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |