CN112052759B - 一种活体检测方法和装置 - Google Patents
一种活体检测方法和装置 Download PDFInfo
- Publication number
- CN112052759B CN112052759B CN202010860908.5A CN202010860908A CN112052759B CN 112052759 B CN112052759 B CN 112052759B CN 202010860908 A CN202010860908 A CN 202010860908A CN 112052759 B CN112052759 B CN 112052759B
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- training
- style
- preset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Abstract
本发明实施例公开了一种活体检测方法和装置;本发明实施例在获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并在云平台中采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测;该方案可以大大提升活体检测的准确率。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种活体检测方法和装置。
背景技术
近年来,随着图像识别技术的飞速发展,人脸识别的应用越来越广泛,由于脸部信息的生物特征非常容易获得,人脸识别系统很容易受到伪造人脸的攻击,比如,照片攻击或视频攻击等导致安全性问题。而活体检测技术作为人脸识别前重要的一环,可以通过抵挡人脸攻击来提高人脸识别系统的安全性。现有的活体检测技术往往基于神经网络进行检测。
在对现有技术的研究和实践过程中,本发明的发明人发现现有的神经网络在进行活体检测之前的训练很容易过拟合于训练数据,为了解决过拟合,通常需要对数据样本人工来划定多个不同域类型或风格的数据子集,而人工划分需要花费大量的时间,且划分的准确率较低,从而使得神经网络的泛化性能较差,导致活体检测的准确率大大降低。
发明内容
本发明实施例提供一种活体检测方法和装置,可以提高活体检测的准确率。
一种活体检测方法,包括:
获取检测样本集合,并对所述检测样本集合中的图像样本进行特征提取,得到所述图像样本在多个通道上的图像特征;
将所述图像特征转换为所述图像样本的风格特征,所述风格特征指示所述图像样本的域信息;
根据所述风格特征的通道信息,在所述风格特征中筛选出用于聚类的目标风格特征;
基于所述目标风格特征,对所述图像样本进行聚类,得到多个域类型的图像样本集合;
在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
相应的,本发明实施例提供一种活体检测装置,包括:
获取单元,用于获取检测样本集合,并对所述检测样本集合中的图像样本进行特征提取,得到所述图像样本在多个通道上的图像特征;
转换单元,用于将所述图像特征转换为所述图像样本的风格特征,所述风格特征指示所述图像样本的域信息;
筛选单元,用于根据所述风格特征的通道信息,在所述风格特征中筛选出用于聚类的目标风格特征;
聚类单元,用于基于所述目标风格特征,对所述图像样本进行聚类,得到多个域类型的图像样本集合;
检测单元,用于在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
可选的,在一些实施例中,所述转换单元,具体可以用于获取所述图像特征的通道信息;根据所述图像特征的通道信息,在所述图像特征中筛选出每个通道对应的尺寸特征;基于所述尺寸特征,确定所述图像样本的风格特征和所述风格特征的通道信息。
可选的,在一些实施例中,所述转换单元,具体可以用于根据预设转换策略,将所述尺寸特征转换为所述图像样本的背景特征;基于所述尺寸特征和背景特征,计算所述图像样本的初始风格特征;将所述背景特征和所述初始风格特征进行融合,得到所述图像样本的风格特征;根据所述图像特征的通道信息,确定所述风格特征的通道信息。
可选的,在一些实施例中,所述筛选单元,具体可以用于根据预设筛选策略,在所述风格特征的通道信息中筛选出用于聚类的目标通道;在所述风格特征中筛选出所述目标通道对应的子风格特征;将所述目标通道对应的子风格特征进行融合,得到用于聚类的所述目标风格特征。
可选的,在一些实施例中,所述聚类单元,具体可以用于根据所述图像样本的域类型,在预设预域标签集合中筛选出所述图像样本对应的域标签;所述在所述图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测,包括:在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本、查询样本和所述图像样本对应的域标签对预设活体检测模型进行训练,以对待检测模型进行活体检测。
可选的,在一些实施例中,所述检测单元,具体可以用于在所述图像样本集合中确定出所述训练样本、查询样本、以及所述训练样本和查询样本的域标签;对所述训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征;根据所述训练样本特征、查询样本特征、以及所述训练样本和查询样本的域标签,对所述预设活体检测模型进行收敛;返回执行所述根据预设筛选策略,在所述风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至所述预设活体检测模型收敛完成,得到训练后活体检测模型;基于所述训练后活体检测模型对待检测对象进行活体检测,得到检测结果。
可选的,在一些实施例中,所述检测单元,具体可以用于根据所述训练样本特征和所述训练样本的域标签,对所述预设活体检测模型的网络参数进行更新,得到初始更新网络参数;采用所述查询样本特征、查询样本的域标签和初始更新更新网络参数,对所述网络参数进行更新,得到更新后网络参数;基于所述更新后网络参数,对所述预设活体检测模型进行收敛。
可选的,在一些实施例中,所述检测单元,具体可以用于获取所述预设活体检测模型的网络参数;根据所述训练样本特征、训练样本的域标签和网络参数,确定所述训练样本的损失信息;基于所述训练样本的损失信息,对所述网络参数进行更新,得到初始更新网络参数。
可选的,在一些实施例中,所述检测单元,具体可以用于根据所述训练样本特征和网络参数,采用预设活体检测模型的深度图检测网络对所述训练样本的深度图进行预测,以得到所述训练样本的深度图损失;基于所述训练样本的域标签,确定所述训练样本的分类损失;将所述训练样本特征的特征均值与预设正态特征的特征均值进行对比,得到所述训练样本的均值差异损失;将所述深度图损失、分类损失和均值差异损失进行融合,得到训练样本的损失信息。
可选的,在一些实施例中,所述检测单元,具体可以用于根据所述网络参数,采用所述预设活体检测模型的深度图检测网络对所述训练样本特征进行检测,得到所述训练样本的预测深度图;在所述预测深度图中确定出每一像素的预测深度值,采用深度图损失函数计算所述每一像素的预测深度值与标注的深度值的第一差值的绝对值,将所述第一差值的绝对值作为所述训练样本的深度图损失。
可选的,在一些实施例中,所述检测单元,具体可以用于获取预设正态特征集合,所述预设正态特征集合包括符合正态分布的多个所述预设正态特征;分别对所述训练样本特征和所述预设正态特征进行求和,得到所述训练样本特征值与所述预设正态特征值;根据所述训练样本特征值和所述预设正态特征值,确定所述训练样本特征的特征均值和预设正态特征的特征均值;采用均值差异损失函数计算所述训练样本特征的特征均值与预设正态特征的特征均值的第二差值的绝对值,将所述第二差值的绝对值作为所述训练样本的均值差异损失。可选的,在一些实施例中,所述检测单元,具体可以用于根据所述查询样本特征、查询样本的域标签和初始更新网络参数,确定所述查询样本的损失信息;基于所述查询样本的损失信息,对所述网络参数进行更新,得到所述更新后网络参数。
可选的,在一些实施例中,所述检测单元,具体可以用于对所述待检测对象进行图像采集,得到待检测图像;采用训练后活体检测模型对所述待检测图像进行活体检测,得到所述待检测对象的当前深度图;当所述当前深度图的类型为预设类型时,确定所述待检测对象为活体对象。
可选的,在一些实施例中,所述检测单元,具体可以用于在所述待检测图像中识别出所述待检测对象的脸部区域;根据所述脸部区域,在所述待检测图像中确定出目标区域;在所述待检测图像中裁剪出所述目标区域,得到目标待检测图像;采用所述训练后活体检测模型对所述目标待检测图像进行活体检测,得到所述待检测对象的当前深度图。
此外,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序实现本发明实施例提供的活体检测方法。
此外,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存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种活体检测方法中的步骤。
本发明实施例在获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测;由于该方案通过将图像特征转换为风格特征,采用风格特征,自动对图像样本进行聚类,不需要人工进行划分,而且通过风格特征进行聚类的方式也大大提高了划分的准确率,使得预设活体检测模型的泛化能力增强,因此,可以大大提升活体检测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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是本发明实施例提供的活体检测方法的场景示意图;
图2是本发明实施例提供的活体检测方法的流程示意图;
图3是本发明实施例提供的图像样本聚类的示意图;
图4是本发明实施例提供的元学习的训练方式的流程示意图;
图5是本发明实施例提供的预设活体检测模型的训练示意图;
图6是本发明实施例提供的活体检测方法的另一流程示意图;
图7是本发明实施例提供的活体检测装置的结构示意图;
图8是本发明实施例提供的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活体检测方法、装置和计算机可读存储介质。其中,该活体检测装置可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
例如,参见图1,以活体检测装置集成在电子设备中为例,电子设备在获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
其中,活体检测可以理解为在一些身份验证场景确定对象真实生理特征的方法,比如,在人脸识别应用中,就可以先验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段。
其中,预设活体检测模型可以存储至云平台,对于预设活体检测模型的训练也可以在云平台。所谓云平台也称云计算平台,是指基于硬件资源和软件资源的服务,提供计算、网络和存储能力。云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS(Infrastructure as a Service,基础设施即服务)层上可以部署PaaS(Platform as a Service,平台即服务)层,PaaS层之上再部署SaaS(Software as a Service,软件即服务)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
以下分别进行详细说明。需要说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从活体检测装置的角度进行描述,该活体检测装置具体可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备;其中,该终端可以包括平板电脑、笔记本电脑、以及个人计算机(PC,Personal Computer)、可穿戴设备、虚拟现实设备或其他可以活体检测的智能设备等设备。
一种活体检测方法,包括:
获取检测样本集合,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
如图2所示,该活体检测方法的具体流程如下:
101、获取检测样本集合,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征。
例如,可以直接获取检测样本集合,比如,可以直接从第三方检测服务器中获取检测样本集合,还可以从第三方检测服务器中获取未标注的原始检测样本和原始检测样本对应的检测结果,根据检测结果,对原始检测样本进行标注,得到检测样本集合。还比如,可以接收检测服务商或个人上传的检测样本,得到检测样本集合。当检测样本数量较多或内存较大时,还可以间接获取检测样本集合,比如,第三方检测服务器还可以将检测样本集合存储至第三方数据库,将存储地址发送至活体检测装置,活体检测装置根据存储地址,在第三方数据库中获取检测样本集合,获取到检测样本集合之后,还可以向第三方检测服务器发送提示信息。对于检测样本集合的获取时间,可以为周期性获取,比如,每隔一段时间就从第三方检测服务器中获取检测样本集合,还可以为当检测样本集合累计到一定的数量或存储时,直接或间接从第三方检测服务器中获取检测样本集合。还可以为即时获取,当第三方检测服务器每检测完一个样本时,就将检测样本发送至活体检测装置,得到检测样本集合。检测样本集合中可以包括视频样本和图像样本,当检测样本集合中存在视频样本时,还需要将视频样本转换为图像样本,比如,可以提取视频中的画面帧结合检测结果,得到图像样本,还可以对视频样本进行截屏,将截屏的图像和检测结果作为图像样本。然后,对检测集合中的图像样本进行特征提取,比如,可以采用特征提取网络的一层或多层卷积层对图像样本进行特征提取,譬如,可以采用预训练的ResNet(残差网络)或者其他特征提取网络或特征提取器对图像样本进行特征提取,得到多个通道上的图像特征,该图像特征可以为XCHW,其中C、H和W分别表示特征的通道数、高度和宽度等表示图像样本的边缘信息或纹理信息。
102、将图像特征转换为图像样本的风格特征。
其中,风格特征用于指示图像样本的域信息,所谓域信息可以为理解为图像样本的具体类型,比如,可以为该图像样本的采集样本的类型、图像样本在采集时的光照类型、图像样本的背景类型或分辨率类型等。针对不同图像样本的域信息具体化可以为不同采集设备采集的图像样本、不同光照下的图像样本、不同背景的图像样本或者不同分辨率的图像样本等。
例如,获取图像特征的通道信息,比如,在获取到的图像特征中识别出该图像特征对应的通道数,就可以得到图像特征的通道信息。根据图像特征的通道信息,在图像特征中筛选出每个通道对应的尺寸特征,比如,根据图像特征的通道数,在图像特征中筛选出这个通道数对应的高度特征和宽度特征,譬如,以图像特征为XCHW为例,在C通道下提取图像特征的H和W对应的高度特征和宽度特征,将H和W作为图像特征在C通道下对应的尺寸特征。基于尺寸特征,确定图像样本的风格特征和风格特征的通道信息。比如,根据预设转换策略,将尺寸特征转换为图像样本的背景特征,譬如,预设转换策略可以为如下公式(1):
其中,μi(xCHW)为第i层通道下的背景特征,H和W分别为图像样本的高度特征和宽度特征,xiHW为第i层通道下的尺寸特征。
基于尺寸特征和背景特征,计算图像样本的初始风格特征,比如,可以采用如下公式(2)计算图像样本的初始风格特征:
其中,σi(xCHW)为第i层通道下的背景特征,H和W分别为图像样本的高度特征和宽度特征,∈为固定的计算系数。
通过上述两个公式计算之后,可以得到每层通道下的背景特征和初始风格特征,将背景特征和初始风格特征进行融合,就可以得到图像样本的风格特征,比如,可以基于每层通道下的背景特征和初始风格特征构建全部通道下的风格特征矩阵,具体可以采用如下公式(3)进行构建:
xstyle={μ1(xCHW),σ1(xCHW),……,μc(xCHW),σc(xCHW)} (3)
其中,xstyle为转换后的图像样本在全部通道下的风格特征。
可以发现,风格特征具体可以包括多个子风格特征,其中,子风格特征可以为每个通道下的背景特征和初始风格特征的融合。根据图像特征的通道信息,确定风格特征的通道信息,比如,可以将背景特征和初始风格特征的通道数作为风格特征中每个子风格特征的通道数,进而就可以确定风格特征的通道信息。
103、根据风格特征的通道信息,在风格特征中筛选出用户聚类的目标风格特征。
其中,风格特征中可以包括多个子风格特征,每一层通道都存在一个子风格特征。
例如,根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道,比如,预设筛选策略可以为首次筛选全部的通道作为目标通道,在后续的筛选中随机筛选出预设数量的通道作为目标通道,因此,在图像样本进行第一次聚类时,筛选出目标通道为全部通道,在下一次聚类时,筛选出的目标通道为预设数量的随机选择的通道作为目标通道。根据确定好的目标通道,在风格特征中筛选出目标通道对应的子风格特征,比如,以筛选的目标通道为5个通道为例,只需要在风格特征中筛选出这个5个通道对应的子风格特征,譬如我,可以为5个通道对应的μi(xCHW)和σi(xCHW),将这5个子风格特征进行融合,得到用于聚类的目标风格特征,比如,将这个5个通道对应的μi(xCHW)和σi(xCHW)重新构建风格特征矩阵,将重新构建的风格特征矩阵作为用于聚类的目标风格特征。
其中,除了第一次对图像样本进行聚类以外的聚类时筛选的预设数量的通道可以为不超过全部通道数量的任意数量。
104、基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合。
其中,域类型可以为域信息的类型,比如,可以为图像样本的采集设备类型、采集光照类型、图像背景类型和/或图像分辨率类型等。
例如,基于目标风格特征,对图像样本进行聚类,比如,将特征提取器提取到的图像样本特征转换为图像样本的风格特征之后,在风格特征中筛选出目标风格特征,采用K均值聚类算法或者其他无监督的聚类方法对目标风格特征进行聚类,得到多个域类型的图像样本集合,每一个域类型的图像样本集合都可以为一个检测样本集合的子域。
其中,需要说明的是,第一次对图像样本进行聚类时,目标风格特征可以直接为全部通道下的风格特征,图像样本第一次聚类的过程如图3所示。
可选的,对图像样本进行聚类之后,还可以对聚类后得到的图像样本赋予或添加对应的域标签,比如,根据图像样本集合的域类型,在预设域标签集合中筛选出图像样本对应的域标签,譬如,图像样本集合的域类型为采集设备A或采集光照B类型等,在预设标签集合中筛选出对应的采集设备A或采集光照B类型的域标签等,该域标签中还可以包括图像样本的检测结果,比如,活体对象或者攻击对象等。根据检测结果,对域标签还可以进行赋值,比如,活体对象对应的域标签可以赋值为1,攻击对象对应的域标签可以赋值为0,譬如,图像样本的域标签可以为活体对象(1)-采集光照B或攻击对象(0)-采集光照B等信息。
105、在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
例如,可以在图像样本集合中确定出训练样本和查询样本,并采用训练样本、查询样本和图像样本对应的域标签对预设活体检测模型进行训练,以对待检测模型进行活体检测,比如,在图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签,对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征,根据训练样本特征、查询样本特征、以及训练样本和查询样本的域标签,对预设活体检测模型进行收敛,返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至预设活体检测模型收敛完成,得到训练后活体检测模型,基于训练后活体检测模型对待检测对象进行活体检测,得到检测结果,具体可以如下:
S1、在图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签。
例如,可以根据图像样本集合中的图像样本的数量,根据预设比例或预设数量,在图像样本集合中确定出训练样本和查询样本,比如,图像样本集合中存在3个图像样本,则可以根据预设比例,譬如,以训练样本的比例为2/3,查询样本的比例为1/3为例,则可以随机确定2个图像样本为训练样本,剩下的一个为查询样本,预设数量的也可以采用的相同方式进行确定。当在图像样本集合中确定好训练样本和查询样本之后,就可以根据图像样本集合中的图像样本的域标签,直接确定训练样本和查询样本的域标签。
S2、对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征。
例如,可以采用预训练的特征提取器对训练样本和查询样本进行特征提取,比如,可以采用预训练的ResNet或其他特征提取网络(特征提取器)对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征。
S3、根据训练样本特征、查询样本特征、以及训练样本和查询样本的域标签,对预设活体检测模型进行收敛。
例如,可以根据训练样本特征和训练样本的域标签,对预设活体检测模型的网络参数进行更新,得到初始更新网络参数,采用查询样本特征、查询样本的域标签和初始更新网络参数,对网络参数进行更新,得到更新后网络参数,基于更新后网络参数,对预设活体检测模型进行收敛,具体可以如下:
(1)根据训练样本特征和训练样本的域标签,对预设活体检测模型的网络参数进行更新,得到初始更新网络参数。
其中,训练样本包括标注深度图的图像样本。
例如,可以获取预设活体检测模型的网络参数,根据训练样本特征、训练样本的域标签和网络参数,确定训练样本的损失信息,比如,可以获取深度图损失函数、分类损失函数和最大均值差异损失函数(Maximum Mean Discrepancy,MMD),根据训练样本特征和网络参数,采用预设活体检测模型的深度图检测网络对训练样本的深度图进行预测,以得到训练样本的深度图损失,譬如,根据网络参数,采用预设活体检测模型的深度图检测网络对训练样本特征进行检测,得到训练样本的预测深度图,在预测深度图中确定出每一像素的预测深度值,采用深度图损失函数计算每一像素的预测深度值与标注深度值的第一差值的绝对值,将第一差值的绝对值作为训练样本的深度图损失,深度图损失函数可以如以下公式(4)所示:
ld=||Depth(Enc(x))-depx||1 (4)
其中,x为输入的训练样本,depx为训练样本的标注深度图,Depth(Enc(x))为深度图检测网络预测的训练样本的预测深度图,该公式主要是利用已知的标注深度图和预测深度图计算每个像素值的绝对差值,作为训练样本的深度图损失ld。
可选的,还可以基于训练样本的域标签,确定训练样本的分类损失,比如,可以采用元学习分类器中的分类损失函数,根据训练样本的域标签,计算训练样本的分类损失,分类损失函数可以为以下公式(5)所示:
lc=-yl og(sigmoid(Classifier(Enc(x)))) (5)
其中,x为输入的训练样本,y为对应的域标签,其中,活体对象的域标签对应的数值可以为1,攻击对象的域标签对应的数值可以为0。其中,元学习也可以理解为(Learningto Learn)学会学习,即利用以往的知识经验来指导新任务的学习,具有学会学习的能力。当前的深度学习大部分情况下只能从头开始训练。使用模型微调来学习新任务,效果往往不好,而元学习就是研究如何让神经元很好的利用以往的知识,使得能根据新任务来调整模型本身,是一种模型训练中的优化方式。
可选的,还可以将训练样本特征的均值与预设正态特征的均值进行对比,得到均值差异损失,比如,可以获取预设正态特征集合,预设正态特征集合中包括了符合正态分布的多个预设正态特征,分别对训练样本特征和预设正态特征进行求和,得到训练样本特征值和预设正态特征值,根据训练样本特征值和预设正态特征,确定训练样本特征的特征均值和预设正态特征的特征均值,采用MMD损失函数计算训练样本特征的特征均值与预设正态特征的特征均值的第二差值的绝对值,将第二差值的绝对值作为训练样本的均值差异损失,MMD损失函数的公式(6)可以如下所示:
其中,为训练样本特征的特征值,为预先随机生成的正态分布的正态特征的特征值。对于采用MMD损失函数来说,活体检测模型之所以在遇到跨域的数据集时,性能会大大其本质原因是模型在对这类样本提取特征的特征与训练集的特征存在着分布的差异,导致分类器不能正确的进行判断。之前的活体检测模型中,往往只有深度图损失函数和分类损失函数。而忽略了对数据分布的约束,导致模型的泛化能力弱。本实施例中增加的MMD损失函数将样本特征的每一维度约束在标准正态分布,再利用元学习的框架让模型学会去同样将跨域的样本映射到标准正态分布中,从而提高模型的泛化性。而且,一整个数据集中总会存在少量特别的样本,这些样本会远离样本密集区,导致在聚类的时候会将这些少量样本聚成一类而影响模型的学习。而MMD损失函数可以将这些样本约束到密集区内,增强了聚类的可靠性。
将深度图损失、分类损失和均值差异损失进行融合,得到训练样本的损失信息,比如,可以获取每个损失的权重,对深度图损失、分类损失和均值差异损失进行加权,得到训练样本的损失信息,还可以采用其他融合的方式进行融合,得到训练样本的损失信息。基于训练样本的损失信息,对网络参数进行更新,得到初始更新网络参数,比如,可以根据训练样本的损失信息,利用梯度下降算法对网络参数θ进行求导,得到新的网络参数θ′,将θ′作为初始更新网络参数。
(2)采用查询样本特征、查询样本的域标签和初始更新网络参数,对网络参数进行更新,得到更新后网络参数。
例如,根据查询样本特征、查询样本特征的域标签和初始更新网络参数,确定查询样本的损失信息,比如,可以采用与确定训练样本的损失信息相同的方式来确定查询样本的损失信息,具体的确定过程可以参见上文所述,再此就不再赘述。基于查询样本的损失信息,对网络参数进行更新,得到更新后网络参数,比如,可以根据查询样本的损失信息,利用梯度下降算法对网络参数θ进行求导,得到新的网络参数θ″,将θ″作为更新后网络参数。
其中,采用训练样本对网络参数进行更新,然后再采用查询样本对网络参数再次进行更新,这种训练方式可以为基于元学习的训练方式,主要是利用查询样本的损失函数来指导预设活体检测模型的训练。元学习的训练方式可以如图4所示。
(3)基于更新后网络参数,对预设活体检测模型进行收敛。
例如,基于更新后网络参数,对预设活体检测模型进行收敛,比如,可以根据得到的更新后网络参数,对预设活体检测模型的网络参数调整为更新后网络参数,以完成对预设活体检测进行收敛。
S4、返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至预设活体检测模型收敛完成,得到训练后活体检测模型。
例如,当对预设活体检测模型完成第一收敛之后,返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,得到目标通道,在风格特征中筛选出目标通道对应的子风格特征,将目标通道对应的子风格特征进行融合,得到用于聚类的目标风格特征,基于目标风格特征对图像样本进行聚类,得到多个域类型的图像样本集合,根据图像样本的域类型,在预设域标签集合中筛选出图像样本对应的域标签,在图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签,对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征,根据训练样本特征、训练样本的域标签和网络参数,确定训练样本的损失信息,比如,根据训练样本特征和网络参数,采用预设活体检测模型的深度图检测网络对训练样本的深度图进行预测,以得到训练样本的深度图损失,基于训练样本的域标签,确定训练样本的分类损失,将训练样本特征的特征均值与预设正态特征的特征均值进行对比,得到训练样本的均值差异损失,将深度图损失、分类损失和均值差异损失进行融合,得到训练样本的损失信息。基于训练样本的损失信息,对网络参数进行更新,得到初始更新网络参数,采用查询样本特征、查询样本的域标签和初始更新更新网络参数,对网络参数进行更新,得到更新后网络参数,基于更新后网络参数,对预设活体检测模型进行收敛,直至预设活体检测模型收敛完成,得到训练后活体检测模型,如图5所示。
其中,采用数据迭代的方式对预设活体检测模型进行收敛,主要是因为卷积特征图的每一通道的特征代表着不同的属性,因此聚类所使用的特征不同,能聚类中不同的簇,每个簇表示这个属性的一个类别。而元学习可以通过划分的子域来提高模型对这个属性的鲁棒性,因此,为了提高模型对无关属性的鲁棒性,使得在进行判断的时候不受这些样本的干扰。本实施例中通过在每后续聚类时随机选取卷积层特征的几个通道来进行聚类,提高聚类的多样性。此外,除了初始聚类是将整批数据进行子域的划分,在后续的聚类中都是将正负样本分开进行聚类再进行组合。而无监督的聚类给每一个聚类的标签是随机的,因此,对聚类标签进行重排列来约束此次聚类与之前的聚类不会有过大的偏差。还可以打破原先算法需要域标签的瓶颈并且随机选取特征的方法可以提高聚类的多样性,更有利于元学习框架的学习。
S5、基于训练后活体检测模型对待检测对象进行活体检测,得到检测结果。
例如,对待检测对象进行图像采集,得到待检测图像,比如,可以采用图像采集设备对待检测对象进行图像采集,图像采集设备可以为摄像头和扫描仪等设备,得到待检测图像。采用训练后活体检测模型对待检测图像进行活体检测,得到待检测对象的当前深度图,比如,在待检测图像中识别出待检测对象的脸部区域,根据脸部区域,在待检测图像中确定出目标区域,譬如,根据预设比例,将脸部区域进行扩大,该预设比例可以为1.8倍或者其他倍数,就可以获得更多的背景内容,得到目标区域,在待检测图像中裁剪出目标区域,得到目标待检测图像,采用训练后活体检测模型对目标待检测图像进行活体检测,得到待检测对象的当前深度图。当当前深度图的类型为预设类型时,确定待检测对象为活体对象,比如,可以读取当前深度图的类型,当当前深度图的类型为真实深度图时,就可以确定待检测对象为活体对象,也就是真实的活体,比如,活体的人,当当前深度图的类型为黑色的底图时,就可以确定待检测对象为非活体对象,也就是攻击图像。
由以上可知,本实施例在获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测;由于该方案通过将图像特征转换为风格特征,采用风格特征,自动对图像样本进行聚类,不需要人工进行划分,而且通过风格特征进行聚类的方式也大大提高了划分的准确率,使得预设活体检测模型的泛化能力增强,因此,可以大大提升活体检测的准确率。
根据上面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该活体检测装置具体集成在电子设备,电子设备为服务器,活体检测装置的应用场景为人脸活体检测为例进行说明。
如图6所示,一种活体检测方法,具体流程如下:
201、服务器获取检测样本集合,并对检测样本集合中的人脸图像样本进行特征提取,得到图像样本在多个通道上的图像特征。
例如,服务器可以直接从第三方检测服务器中获取人脸图像的检测样本集合,还可以从第三方检测服务器中获取未标注的人脸图像的原始检测样本和原始检测样本对应的检测结果,根据检测结果,对原始检测样本进行标注,得到检测样本集合,还可以接收检测服务商或个人上传的人脸图像的检测样本,得到检测样本集合。当人脸图像的检测样本数量较多或内存较大时,第三方检测服务器还可以将检测样本集合存储至第三方数据库,将存储地址发送至服务器,服务器根据存储地址,在第三方数据库中获取检测样本集合,获取到检测样本集合之后,还可以向第三方检测服务器发送提示信息。对于人脸图像的检测样本集合可以为周期性获取,比如,每隔一段时间就从第三方检测服务器中获取检测样本集合,还可以为当检测样本集合累计到一定的数量或存储时,直接或间接从第三方检测服务器中获取检测样本集合。还可以为即时获取,当第三方检测服务器每检测完一个样本时,就将检测样本发送至活体检测装置,得到检测样本集合。检测样本集合中可以包括人脸图像的视频样本和图像样本,当检测样本集合中存在视频样本时,还需要将视频样本转换为图像样本,比如,可以提取视频中的画面帧结合检测结果,得到人脸图像样本,还可以对视频样本进行截屏,将截屏的图像和检测结果作为人脸图像样本。然后,采用预训练的ResNet或者其他特征提取网络或特征提取器对人脸图像样本进行特征提取,得到多个通道上的图像特征,该图像特征可以为XCHW,其中C、H和W分别表示特征的通道数、高度和宽度等表示图像样本的边缘信息或纹理信息。
202、服务器将图像特征转换为人脸图像样本的风格特征。
例如,服务器在获取到的图像特征中识别出该图像特征对应的通道数,就可以得到图像特征的通道信息,在C通道下提取图像特征的H和W对应的高度特征和宽度特征,将H和W作为图像特征在C通道下对应的尺寸特征。根据预设转换策略对应的公式(1),将尺寸特征转换为人脸图像样本的背景特征
基于尺寸特征和背景特征,采用公式(2)计算人脸图像样本的初始风格特征。通过上述两个公式计算之后,可以基于每层通道下的背景特征和初始风格特征构建全部通道下的风格特征矩阵,具体可以采用公式(3)进行构建。
可选的,可以将背景特征和初始风格特征的通道数作为风格特征中每个子风格特征的通道数,进而就可以确定风格特征的通道信息。
203、服务器根据风格特征的通道信息,在风格特征中筛选出用户聚类的目标风格特征。
例如,服务器根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道,预设筛选策略可以为首次筛选全部的通道作为目标通道,在后续的筛选中随机筛选出预设数量的通道作为目标通道,因此,在人脸图像样本进行第一次聚类时,筛选出目标通道为全部通道,在下一次聚类时,筛选出的目标通道为预设数量的随机选择的通道作为目标通道。以筛选的目标通道为5个通道为例,只需要在风格特征中筛选出这个5个通道对应的子风格特征,譬如,可以将这个5个通道对应的μi(xCHW)和σi(xCHW)重新构建风格特征矩阵,将重新构建的风格特征矩阵作为用于聚类的目标风格特征。
204、服务器基于目标风格特征,对人脸图像样本进行聚类,得到多个域类型的人脸图像样本集合。
例如,服务器将特征提取器提取到的图像样本特征转换为人脸图像样本的风格特征之后,在风格特征中筛选出目标风格特征,采用K均值聚类算法或者其他无监督的聚类方法对目标风格特征进行聚类,得到多个域类型的人脸图像样本集合。
可选的,服务器还可以根据人脸图像样本集合的域类型,在预设域标签集合中筛选出人脸图像样本对应的域标签,譬如,人脸图像样本集合的域类型为采集设备A或采集光照B类型等,在预设标签集合中筛选出对应的采集设备A或采集光照B类型的域标签等,该域标签中还可以包括人脸图像样本的检测结果,比如,活体对象或者攻击对象等。根据检测结果,对域标签还可以进行赋值,比如,活体对象对应的域标签可以赋值为1,攻击对象对应的域标签可以赋值为0,譬如,人脸图像样本的域标签可以为活体对象(1)-采集光照B或攻击对象(0)-采集光照B等信息。
205、服务器在人脸图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签。
例如,服务器可以根据人脸图像样本集合中的图像样本的数量,根据预设比例或预设数量,在人脸图像样本集合中确定出训练样本和查询样本,当在人脸图像样本集合中确定好训练样本和查询样本之后,就可以根据图像样本集合中的图像样本的域标签,直接确定训练样本和查询样本的域标签。
206、服务器对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征。
例如,服务器可以采用预训练的ResNet或其他特征提取网络(特征提取器)对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征。
207、服务器根据训练样本特征、查询样本特征、以及训练样本和查询样本的域标签,对预设活体检测模型进行收敛。
例如,服务器可以根据训练样本特征和训练样本的域标签,对预设活体检测模型的网络参数进行更新,得到初始更新网络参数,采用查询样本特征、查询样本的域标签和初始更新网络参数,对网络参数进行更新,得到更新后网络参数,基于更新后网络参数,对预设活体检测模型进行收敛,具体可以如下:
(1)服务器根据训练样本特征和训练样本的域标签,对预设活体检测模型的网络参数进行更新,得到初始更新网络参数。
例如,服务器可以获取深度图损失函数、分类损失函数和MMD损失函数,根据网络参数,采用预设活体检测模型的深度图检测网络对训练样本特征进行检测,得到训练样本的预测深度图,在预测深度图中确定出每一个像素的预测深度值,采用公式(4)对应的深度图损失函数计算每一个像素的预测深度值与标注深度值的第一差值的绝对值,近第一差值的绝对值作为训练样本的深度图损失。
可选的,服务器还可以采用公式(5)所示的分类损失函数,对训练样本的特征值进行对数计算,再与训练样本的域标签的数值进行相乘之后取反,就可以得到训练样本的分类损失。
可选的,服务器还可以获取预设正态特征集合,预设正态特征集合中包括了符合正态分布的多个预设正态特征,采用公式(6)所示的MMD损失函数分别对训练样本特征和预设正态特征进行求和,得到训练样本特征值和预设正态特征值,根据训练样本特征值和预设正态特征,确定训练样本特征的特征均值和预设正态特征的特征均值,采用MMD损失函数计算训练样本特征的特征均值与预设正态特征的特征均值的第二差值的绝对值,将第二差值的绝对值作为训练样本的均值差异损失。
可选的,服务器还可以获取每个损失的权重,对深度图损失、分类损失和均值差异损失进行加权,得到训练样本的损失信息,还可以采用其他融合的方式进行融合,得到训练样本的损失信息。根据训练样本的损失信息,利用梯度下降算法对网络参数θ进行求导,得到新的网络参数θ′,将θ′作为初始更新网络参数。
(2)服务器采用查询样本特征、查询样本的域标签和初始更新网络参数,对网络参数进行更新,得到更新后网络参数。
例如,服务器可以采用与确定训练样本的损失信息相同的方式来确定查询样本的损失信息,具体的确定过程可以参见上文所述,再此就不再赘述。根据查询样本的损失信息,利用梯度下降算法对网络参数θ进行求导,得到新的网络参数θ″,将θ″作为更新后网络参数。
(3)服务器基于更新后网络参数,对预设活体检测模型进行收敛。
例如,服务器可以根据得到的更新后网络参数,对预设活体检测模型的网络参数调整为更新后网络参数,以完成对预设活体检测进行收敛。
208、服务器返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至预设活体检测模型收敛完成,得到训练后活体检测模型。
例如,当对预设活体检测模型完成第一收敛之后,服务器返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,得到目标通道,在风格特征中筛选出目标通道对应的子风格特征,将目标通道对应的子风格特征进行融合,得到用于聚类的目标风格特征,基于目标风格特征对人脸图像样本进行聚类,得到多个域类型的人脸图像样本集合,根据人脸图像样本的域类型,在预设域标签集合中筛选出人脸图像样本对应的域标签,在人脸图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签,对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征,根据训练样本特征、训练样本的域标签和网络参数,确定训练样本的损失信息,基于训练样本的损失信息,对网络参数进行更新,得到初始更新网络参数,采用查询样本特征、查询样本的域标签和初始更新更新网络参数,对网络参数进行更新,得到更新后网络参数,基于更新后网络参数,对预设活体检测模型进行收敛,直至预设活体检测模型收敛完成,得到训练后活体检测模型。
209、服务器基于训练后活体检测模型对待检测对象进行人脸活体检测,得到检测结果。
例如,服务器可以采用图像采集设备对待检测对象进行人脸图像采集,图像采集设备可以为摄像头和扫描仪等设备,得到人脸图像的待检测图像。在待检测图像中识别出待检测对象的人脸区域,根据预设比例,将人脸区域进行扩大,该预设比例可以为1.8倍或者其他倍数,就可以获得更多的背景内容,得到目标区域,在待检测图像中裁剪出目标区域,得到目标待检测图像,采用训练后活体检测模型对目标待检测图像进行人脸活体检测,得到待检测对象的当前深度图。读取当前深度图的类型,当当前深度图的类型为真实深度图时,就可以确定待检测对象为人脸活体对象,也就是真实的人脸活体,比如,活体的人,当当前深度图的类型为黑色的底图时,就可以确定待检测对象为非活体对象,也就是攻击图像。
由以上可知,本实施例服务器在获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测;由于该方案通过将图像特征转换为风格特征,采用风格特征,自动对图像样本进行聚类,不需要人工进行划分,而且通过风格特征进行聚类的方式也大大提高了划分的准确率,使得预设活体检测模型的泛化能力增强,因此,可以大大提升活体检测的准确率。
为了更好地实施以上方法,本发明实施例还提供一种活体检测装置,该活体检测装置可以集成在电子设备,比如服务器或终端等设备中,该终端可以包括平板电脑、笔记本电脑和/或个人计算机等。
例如,如图7所示,该活体检测装置可以包括获取单元301、转换单元302、筛选单元303、聚类单元304和检测单元305,如下:
(1)获取单元301;
获取单元301,用于获取检测样本集合,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征。
例如,获取单元301,具体可以用于直接从第三方检测服务器中获取检测样本集合,还可以从第三方检测服务器中获取未标注的原始检测样本和原始检测样本对应的检测结果,根据检测结果,对原始检测样本进行标注,得到检测样本集合。当检测样本数量较多或内存较大时,还可以间接获取检测样本集合。并采用特征提取网络的一层或多层卷积层对图像样本进行特征提取,得到多个通道上的图像特征。
(2)转换单元302;
转换单元302,用于将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息。
例如,转换单元302,具体可以用于获取图像特征的通道信息,根据图像特征的通道信息,在图像特征中筛选出每个通道对应的尺寸特征,基于尺寸特征,确定图像样本的风格特征和所述风格特征的通道信息。
(3)筛选单元303;
筛选单元303,用于根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征。
例如,筛选单元303,具体可以用于根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道,在风格特征中筛选出目标通道对应的子风格特征,将目标通道对应的子风格特征进行融合,得到用于聚类的目标风格特征。
(4)聚类单元304;
聚类单元304,用于基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合。
例如,聚类单元304,具体可以用于采用K均值聚类算法或者其他无监督的聚类方法对目标风格特征进行聚类,得到多个域类型的图像样本集合。
(5)检测单元305;
检测单元305,用于在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
例如,检测单元305,具体可以用于在图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签,对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征,根据训练样本特征、查询样本特征、以及训练样本和查询样本的域标签,对预设活体检测模型进行收敛,返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至预设活体检测模型收敛完成,得到训练后活体检测模型,基于训练后活体检测模型对待检测对象进行活体检测,得到检测结果。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由以上可知,本实施例在获取单元301获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,转换单元302将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,筛选单元303根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,聚类单元304基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,检测单元305在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测;由于该方案通过将图像特征转换为风格特征,采用风格特征,自动对图像样本进行聚类,不需要人工进行划分,而且通过风格特征进行聚类的方式也大大提高了划分的准确率,使得预设活体检测模型的泛化能力增强,因此,可以大大提升活体检测的准确率。
本发明实施例还提供一种电子设备,如图8所示,其示出了本发明实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图8中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402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402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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402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402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取检测样本集合,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
例如,可以直接从第三方检测服务器中获取检测样本集合,还可以从第三方检测服务器中获取未标注的原始检测样本和原始检测样本对应的检测结果,根据检测结果,对原始检测样本进行标注,得到检测样本集合。当检测样本数量较多或内存较大时,还可以间接获取检测样本集合。并采用特征提取网络的一层或多层卷积层对图像样本进行特征提取,得到多个通道上的图像特征。获取图像特征的通道信息,根据图像特征的通道信息,在图像特征中筛选出每个通道对应的尺寸特征,基于尺寸特征,确定图像样本的风格特征和所述风格特征的通道信息。根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道,在风格特征中筛选出目标通道对应的子风格特征,将目标通道对应的子风格特征进行融合,得到用于聚类的目标风格特征。采用K均值聚类算法或者其他无监督的聚类方法对目标风格特征进行聚类,得到多个域类型的图像样本集合。在图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签,对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征,根据训练样本特征、查询样本特征、以及训练样本和查询样本的域标签,对预设活体检测模型进行收敛,返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至预设活体检测模型收敛完成,得到训练后活体检测模型,基于训练后活体检测模型对待检测对象进行活体检测,得到检测结果。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
由以上可知,本发明实施例在获取检测样本集合后,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,然后,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,然后,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测;由于该方案通过将图像特征转换为风格特征,采用风格特征,自动对图像样本进行聚类,不需要人工进行划分,而且通过风格特征进行聚类的方式也大大提高了划分的准确率,使得预设活体检测模型的泛化能力增强,因此,可以大大提升活体检测的准确率。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种活体检测方法中的步骤。例如,该指令可以执行如下步骤:
获取检测样本集合,并对检测样本集合中的图像样本进行特征提取,得到图像样本在多个通道上的图像特征,将图像特征转换为图像样本的风格特征,该风格特征指示图像样本的域信息,根据风格特征的通道信息,在风格特征中筛选出用于聚类的目标风格特征,基于目标风格特征,对图像样本进行聚类,得到多个域类型的图像样本集合,在图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
例如,可以直接从第三方检测服务器中获取检测样本集合,还可以从第三方检测服务器中获取未标注的原始检测样本和原始检测样本对应的检测结果,根据检测结果,对原始检测样本进行标注,得到检测样本集合。当检测样本数量较多或内存较大时,还可以间接获取检测样本集合。并采用特征提取网络的一层或多层卷积层对图像样本进行特征提取,得到多个通道上的图像特征。获取图像特征的通道信息,根据图像特征的通道信息,在图像特征中筛选出每个通道对应的尺寸特征,基于尺寸特征,确定图像样本的风格特征和所述风格特征的通道信息。根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道,在风格特征中筛选出目标通道对应的子风格特征,将目标通道对应的子风格特征进行融合,得到用于聚类的目标风格特征。采用K均值聚类算法或者其他无监督的聚类方法对目标风格特征进行聚类,得到多个域类型的图像样本集合。在图像样本集合中确定出训练样本、查询样本、以及训练样本和查询样本的域标签,对训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征,根据训练样本特征、查询样本特征、以及训练样本和查询样本的域标签,对预设活体检测模型进行收敛,返回执行根据预设筛选策略,在风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至预设活体检测模型收敛完成,得到训练后活体检测模型,基于训练后活体检测模型对待检测对象进行活体检测,得到检测结果。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本发明实施例所提供的任一种活体检测方法中的步骤,因此,可以实现本发明实施例所提供的任一种活体检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
其中,根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述活体检测方面的各种可选实现方式中提供的方法。
以上对本发明实施例所提供的一种活体检测方法、装置和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种活体检测方法,其特征在于,包括:
获取检测样本集合,并对所述检测样本集合中的图像样本进行特征提取,得到所述图像样本在多个通道上的图像特征;
获取所述图像特征的通道信息,并根据所述图像特征的通道信息,确定所述图像样本的风格特征和所述风格特征的通道信息,所述风格特征指示所述图像样本的域信息,所述域信息指所述图像样本的类型;
根据所述风格特征的通道信息,在所述风格特征中筛选出用于聚类的目标风格特征;
基于所述目标风格特征,对所述图像样本进行聚类,得到多个域类型的图像样本集合;
在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
2.根据权利要求1所述的活体检测方法,其特征在于,所述根据所述图像特征的通道信息,确定所述图像样本的风格特征和所述风格特征的通道信息,包括:
根据所述图像特征的通道信息,在所述图像特征中筛选出每个通道对应的尺寸特征;
基于所述尺寸特征,确定所述图像样本的风格特征和所述风格特征的通道信息。
3.根据权利要求2所述的活体检测方法,其特征在于,所述基于所述尺寸特征,确定所述图像样本的风格特征和所述风格特征的通道信息,包括:
根据预设转换策略,将所述尺寸特征转换为所述图像样本的背景特征;
基于所述尺寸特征和背景特征,计算所述图像样本的初始风格特征;
将所述背景特征和所述初始风格特征进行融合,得到所述图像样本的风格特征;
根据所述图像特征的通道信息,确定所述风格特征的通道信息。
4.根据权利要求1所述的活体检测方法,其特征在于,所述风格特征包括至少一个子风格特征,所述根据所述风格特征的通道信息,在所述风格特征中筛选出用于聚类的目标风格特征,包括:
根据预设筛选策略,在所述风格特征的通道信息中筛选出用于聚类的目标通道;
在所述风格特征中筛选出所述目标通道对应的子风格特征;
将所述目标通道对应的子风格特征进行融合,得到用于聚类的所述目标风格特征。
5.根据权利要求4所述的活体检测方法,其特征在于,所述基于所述目标风格特征,对所述图像样本进行聚类,得到多个域类型的图像样本集合之后,还包括:
根据所述图像样本的域类型,在预设域标签集合中筛选出所述图像样本对应的域标签;
所述在所述图像样本集合中确定出训练样本和查询样本,并采用训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测,包括:在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本、查询样本和所述图像样本对应的域标签对预设活体检测模型进行训练,以对待检测模型进行活体检测。
6.根据权利要求5所述的活体检测方法,其特征在于,所述在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本、查询样本和所述图像样本对应的域标签对预设活体检测模型进行训练,以对待检测模型进行活体检测,包括:
在所述图像样本集合中确定出所述训练样本、查询样本、以及所述训练样本和查询样本的域标签;
对所述训练样本和查询样本进行特征提取,得到训练样本特征和查询样本特征;
根据所述训练样本特征、查询样本特征、以及所述训练样本和查询样本的域标签,对所述预设活体检测模型进行收敛;
返回执行所述根据预设筛选策略,在所述风格特征的通道信息中筛选出用于聚类的目标通道的步骤,直至所述预设活体检测模型收敛完成,得到训练后活体检测模型;
基于所述训练后活体检测模型对待检测对象进行活体检测,得到检测结果。
7.根据权利要求6所述的活体检测方法,其特征在于,所述根据所述训练样本特征、查询样本特征、以及所述训练样本和查询样本的域标签,对所述预设活体检测模型进行收敛,包括:
根据所述训练样本特征和所述训练样本的域标签,对所述预设活体检测模型的网络参数进行更新,得到初始更新网络参数;
采用所述查询样本特征、查询样本的域标签和初始更新更新网络参数,对所述网络参数进行更新,得到更新后网络参数;
基于所述更新后网络参数,对所述预设活体检测模型进行收敛。
8.根据权利要求7所述的活体检测方法,其特征在于,所述根据所述训练样本特征和所述训练样本的域标签,对所述预设活体检测模型的网络参数进行更新,得到初始更新网络参数,包括:
获取所述预设活体检测模型的网络参数;
根据所述训练样本特征、训练样本的域标签和网络参数,确定所述训练样本的损失信息;
基于所述训练样本的损失信息,对所述网络参数进行更新,得到初始更新网络参数。
9.根据权利要求8所述的活体检测方法,其特征在于,所述根据所述训练样本特征、训练样本的域标签和网络参数,确定所述训练样本的损失信息,包括:
根据所述训练样本特征和网络参数,采用预设活体检测模型的深度图检测网络对所述训练样本的深度图进行预测,以得到所述训练样本的深度图损失;
基于所述训练样本的域标签,确定所述训练样本的分类损失;
将所述训练样本特征的特征均值与预设正态特征的特征均值进行对比,得到所述训练样本的均值差异损失;
将所述深度图损失、分类损失和均值差异损失进行融合,得到训练样本的损失信息。
10.根据权利要求9所述的活体检测方法,其特征在于,所述训练样本包括标注像素的深度值的图像样本,所述根据所述训练样本特征和网络参数,采用预设活体检测模型的深度图检测网络对所述训练样本的深度图进行预测,以得到所述训练样本的深度图损失,包括:
根据所述网络参数,采用所述预设活体检测模型的深度图检测网络对所述训练样本特征进行检测,得到所述训练样本的预测深度图;
在所述预测深度图中确定出每一像素的预测深度值;
采用深度图损失函数计算所述每一像素的预测深度值与标注的深度值的第一差值的绝对值,将所述第一差值的绝对值作为所述训练样本的深度图损失。
11.根据权利要求9所述的活体检测方法,其特征在于,所述将所述训练样本特征的特征均值与预设正态特征的特征均值进行对比,得到所述训练样本的均值差异损失,包括:
获取预设正态特征集合,所述预设正态特征集合包括符合正态分布的多个所述预设正态特征;
分别对所述训练样本特征和所述预设正态特征进行求和,得到所述训练样本特征值与所述预设正态特征值;
根据所述训练样本特征值和所述预设正态特征值,确定所述训练样本特征的特征均值和预设正态特征的特征均值;
采用均值差异损失函数计算所述训练样本特征的特征均值与预设正态特征的特征均值的第二差值的绝对值,将所述第二差值的绝对值作为所述训练样本的均值差异损失。
12.根据权利要求7所述的活体检测方法,其特征在于,所述采用所述查询样本特征、查询样本的域标签和初始更新更新网络参数,对所述网络参数进行更新,得到更新后网络参数,包括:
根据所述查询样本特征、查询样本的域标签和初始更新网络参数,确定所述查询样本的损失信息;
基于所述查询样本的损失信息,对所述网络参数进行更新,得到所述更新后网络参数。
13.根据权利要求6所述的活体检测方法,其特征在于,所述基于所述训练后活体检测模型对待检测模型进行活体检测,得到检测结果,包括:
对所述待检测对象进行图像采集,得到待检测图像;
采用训练后活体检测模型对所述待检测图像进行活体检测,得到所述待检测对象的当前深度图;
当所述当前深度图的类型为预设类型时,确定所述待检测对象为活体对象。
14.根据权利要求13所述的活体检测方法,其特征在于,所述采用训练后活体检测模型对所述待检测图像进行检测,得到所述待检测对象的当前深度图,包括:
在所述待检测图像中识别出所述待检测对象的脸部区域;
根据所述脸部区域,在所述待检测图像中确定出目标区域;
在所述待检测图像中裁剪出所述目标区域,得到目标待检测图像;
采用所述训练后活体检测模型对所述目标待检测图像进行活体检测,得到所述待检测对象的当前深度图。
15.一种活体检测装置,其特征在于,包括:
获取单元,用于获取检测样本集合,并对所述检测样本集合中的图像样本进行特征提取,得到所述图像样本在多个通道上的图像特征;
转换单元,用于获取所述图像特征的通道信息,并根据所述图像特征的通道信息,确定所述图像样本的风格特征和所述风格特征的通道信息,所述风格特征指示所述图像样本的域信息,所述域信息指所述图像样本的类型;
筛选单元,用于根据所述风格特征的通道信息,在所述风格特征中筛选出用于聚类的目标风格特征;
聚类单元,用于基于所述目标风格特征,对所述图像样本进行聚类,得到多个域类型的图像样本集合;
检测单元,用于在所述图像样本集合中确定出训练样本和查询样本,并采用所述训练样本和查询样本对预设活体检测模型进行训练,以对待检测对象进行活体检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860908.5A CN112052759B (zh) | 2020-08-25 | 2020-08-25 | 一种活体检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860908.5A CN112052759B (zh) | 2020-08-25 | 2020-08-25 | 一种活体检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052759A CN112052759A (zh) | 2020-12-08 |
CN112052759B true CN112052759B (zh) | 2022-09-09 |
Family
ID=73599257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860908.5A Active CN112052759B (zh) | 2020-08-25 | 2020-08-25 | 一种活体检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052759B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507934A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN112733946B (zh) * | 2021-01-14 | 2023-09-19 | 北京市商汤科技开发有限公司 | 一种训练样本的生成方法、装置、电子设备及存储介质 |
CN112861671B (zh) * | 2021-01-27 | 2022-10-21 | 电子科技大学 | 一种对深度伪造人脸图像和视频的鉴别方法 |
CN113033305B (zh) * | 2021-02-21 | 2023-05-12 | 云南联合视觉科技有限公司 | 活体检测方法、装置、终端设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN110008783A (zh) * | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
CN110555481A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 一种人像风格识别方法、装置和计算机可读存储介质 |
CN111368731A (zh) * | 2020-03-04 | 2020-07-03 | 上海东普信息科技有限公司 | 静默活体检测方法、装置、设备及存储介质 |
-
2020
- 2020-08-25 CN CN202010860908.5A patent/CN112052759B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN110008783A (zh) * | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
CN108416324A (zh) * | 2018-03-27 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 用于检测活体的方法和装置 |
CN110555481A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 一种人像风格识别方法、装置和计算机可读存储介质 |
CN111368731A (zh) * | 2020-03-04 | 2020-07-03 | 上海东普信息科技有限公司 | 静默活体检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
A Dataset and Benchmark for Large-Scale Multi-Modal Face Anti-Spoofing;Shifeng Zhang等;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200119;第919-924页 * |
人脸识别活体检测综述;杨巨成等;《天津科技大学学报》;20191219(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052759A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052759B (zh) | 一种活体检测方法和装置 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN111754596B (zh) | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 | |
CN112131978B (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN110990631A (zh) | 视频筛选方法、装置、电子设备和存储介质 | |
CN111292262B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113052150B (zh) | 活体检测方法、装置、电子设备和计算机可读存储介质 | |
EP3671441B1 (en) | Application management method and apparatus, storage medium, and electronic device | |
CN111444826A (zh) | 视频检测方法、装置、存储介质及计算机设备 | |
CN108492301A (zh) | 一种场景分割方法、终端及存储介质 | |
CN112215171A (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN111080746A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN113255617A (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN110457523A (zh) | 封面图片的选取方法、模型的训练方法、装置及介质 | |
CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
KR20220018633A (ko) | 이미지 검색 방법 및 장치 | |
CN114399718B (zh) | 一种视频播放过程中的图像内容识别方法及装置 | |
CN113076963B (zh) | 一种图像识别方法、装置和计算机可读存储介质 | |
CN116978087A (zh) | 模型更新方法、装置、设备、存储介质及程序产品 | |
WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN114332470A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 |
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 |