CN112084915A - 模型训练方法、活体检测方法、装置和电子设备 - Google Patents
模型训练方法、活体检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112084915A CN112084915A CN202010894509.0A CN202010894509A CN112084915A CN 112084915 A CN112084915 A CN 112084915A CN 202010894509 A CN202010894509 A CN 202010894509A CN 112084915 A CN112084915 A CN 112084915A
- Authority
- CN
- China
- Prior art keywords
- image
- biological characteristic
- abnormal
- normal
- desensitization
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 115
- 238000012549 training Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000586 desensitisation Methods 0.000 claims abstract description 114
- 230000002159 abnormal effect Effects 0.000 claims abstract description 107
- 238000001727 in vivo Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 36
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 210000003786 sclera Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种基于隐私保护的模型训练方法、活体检测方法、装置和电子设备。所述方法包括：获取正常生物特征图像和异常生物特征图像；分别对正常生物特征图像和异常生物特征图像进行脱敏处理；利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。本说明书实施例可以利用脱敏处理后的生物特征图像对活体检测模型进行训练，使得活体检测模型能够对脱敏图像进行活体检测。
Description
技术领域
本说明书实施例涉及计算机技术领域，特别涉及一种模型训练方法、活体检测方法、装置和电子设备。
背景技术
目前，生物识别技术广泛地应用于各种领域，是进行用户身份认证的主要手段之一。在相关技术中，可以采集生物特征图像；可以利用采集的生物特征图像进行用户身份认证。但是生物识别技术也面临被攻击的问题。例如，一些不法分子有可能伪造生物特征图像，进而利用伪造的生物特征图像进行用户身份认证。为此，可以利用活体检测模型对生物特征图像进行活体检测，以识别所述生物特征图像是否为伪造的生物特征图像。
在上述处理过程中，有可能会造成生物特征图像中隐私信息的泄漏。
发明内容
本说明书实施例提供一种基于隐私保护的模型训练方法、活体检测方法、装置和电子设备，以对生物特征图像中的隐私信息进行保护。本说明书实施例的技术方案如下。
本说明书实施例的第一方面，提供了一种基于隐私保护的模型训练方法，包括：获取正常生物特征图像和异常生物特征图像，所述正常生物特征图像和所述异常生物特征图像均包含隐私信息；分别对正常生物特征图像和异常生物特征图像进行脱敏处理，得到对正常生物特征图像中的隐私信息进行保护后的正常脱敏图像和对异常生物特征图像中的隐私信息进行保护后的异常脱敏图像；利用正常脱敏图像和异常脱敏图像对活体检测模型进行训练。
本说明书实施例的第二方面，提供了一种基于隐私保护的模型训练方法，包括：获取正常生物特征图像和异常生物特征图像；分别对正常生物特征图像和异常生物特征图像进行脱敏处理；利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。
本说明书实施例的第三方面，提供了一种活体检测方法，包括：获取脱敏图像，所述脱敏图像通过对生物特征图像进行脱敏处理得到；利用活体检测模型，对所述脱敏图像进行活体检测，所述活体检测模型基于如第一方面或者第二方面所述方法训练得到。
本说明书实施例的第四方面，提供了一种模型训练装置，包括：获取单元，用于获取正常生物特征图像和异常生物特征图像；脱敏单元，用于分别对正常生物特征图像和异常生物特征图像进行脱敏处理；训练单元，用于利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。
本说明书实施例的第五方面，提供了一种活体检测装置，包括：获取单元，用于获取脱敏图像，所述脱敏图像通过对生物特征图像进行脱敏处理得到；检测单元，用于利用活体检测模型，对脱敏图像进行活体检测，所述活体检测模型基于如第一方面或者第二方面所述方法训练得到。
本说明书实施例的第六方面，提供了一种电子设备，包括：至少一个处理器；存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如第一方面、第二方面或者第三方面所述方法的指令。
本说明书实施例提供的技术方案，可以获取正常生物特征图像和异常生物特征图像；可以分别对正常生物特征图像和异常生物特征图像进行脱敏处理；可以利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。这样一方面，可以利用脱敏处理后的生物特征图像对活体检测模型进行训练，使得活体检测模型能够对脱敏图像进行活体检测。另一方面，通过对生物特征图像进行脱敏处理，可以实现隐私保护。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书实施例中模型训练方法的流程示意图；
图2为本说明书实施例中模型训练方法的流程示意图；
图3为本说明书实施例中活体检测方法的流程示意图；
图4为本说明书实施例中模型训练装置的结构示意图；
图5为本说明书实施例中模型训练装置的结构示意图；
图6为本说明书实施例中活体检测装置的结构示意图；
图7为本说明书实施例中电子设备的结构示意图；
图8为本说明书实施例中对生物特征图像中的隐私区域进行替换的示意图；
图9为本说明书实施例中活体检测方法的示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
生物识别技术广泛地应用于各种领域，是进行用户身份认证的主要手段之一。在相关技术中，可以采集生物特征图像；可以利用采集的生物特征图像进行用户身份认证。但是生物识别技术也面临被攻击的问题。例如，一些不法分子有可能伪造生物特征图像，进而利用伪造的生物特征图像进行用户身份认证。为此，可以利用活体检测模型对生物特征图像进行活体检测，以识别所述生物特征图像是否为伪造的生物特征图像。
另外，随着隐私保护越来越得到重视，为了对生物特征图像中的隐私信息进行保护，在相关技术中，可以对生物特征图像进行脱敏处理，得到脱敏图像。但是由于活体检测模型是基于脱敏处理之前的生物特征图像训练得到的，因而活体检测模型往往对脱敏图像失效，利用活体检测模型无法很好对脱敏图像进行活体检测。
发明人发现，活体检测模型对生物特征图像所进行的活体检测，通常不依赖于生物特征图像中的隐私信息。这样，若利用脱敏图像对活体检测模型进行训练，则训练得到的活体检测模型便可以对脱敏图像进行活体检测，从而兼顾了活体检测和隐私保护。
本说明书实施例提供一种图像处理系统。
在一些实施例中，所述图像处理系统可以包括服务器。所述服务器可以为单个服务器、由多个服务器构成的服务器集群、或者部署在云端的服务器。所述服务器可以获取正常生物特征图像和异常生物特征图像；可以分别对正常生物特征图像和异常生物特征图像进行脱敏处理；可以利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。训练后的活体检测模型可以部署到终端设备或服务器。
在一些实施例中，所述图像处理系统还可以包括终端设备。所述终端设备包括但不限于智能手机、平板电子设备、便携式计算机、人脸识别设备(例如刷脸机)、指纹识别设备(例如指纹机)等。训练后的活体检测模型可以部署到所述终端设备上。这样所述终端设备可以采集生物特征图像；可以对采集的生物特征图像进行脱敏处理，得到脱敏图像；可以利用训练后的活体检测模型对所述脱敏图像进行活体检测，得到活体检测结果。
在一些实施例中，所述图像处理系统还可以包括终端设备。训练后的活体检测模型可以部署到所述服务器上。这样所述终端设备可以采集生物特征图像；可以对采集的生物特征图像进行脱敏处理，得到脱敏图像；可以向服务器发送所述脱敏图像。所述服务器可以接收脱敏图像；可以利用训练后的活体检测模型对所述脱敏图像进行活体检测，得到活体检测结果。
这样一方面，通过对生物特征图像进行脱敏处理，可以实现隐私保护。另一方面，活体检测模型是基于脱敏图像训练得到的，因而利用活体检测模型可以对脱敏图像进行活体检测。本说明书实施例兼顾了活体检测和隐私保护。
请一并参阅图1、图8和图9。本说明书实施例提供一种基于隐私保护的模型训练方法。所述模型训练方法可以应用于所述服务器。所述模型训练方法可以包括以下步骤。
步骤S12：获取正常生物特征图像和异常生物特征图像。
在一些实施例中，所述生物特征图像可以为人脸图像、虹膜图像、指纹图像、或者掌纹图像等。所述生物特征图像中可以包含隐私信息。所述隐私信息可以包括人脸信息、虹膜信息、巩膜信息、指纹信息、掌纹信息、心跳信息、脉搏信息、染色体信息、牙齿咬痕等。
在一些实施例中，所述服务器可以获取一个或多个正常生物特征图像。
所述正常生物特征图像可以为通过对生物特征(例如人脸、虹膜、巩膜、指纹、掌纹、心跳、脉搏、染色体、牙齿咬痕等)进行采集所获得的生物特征图像。具体地，所述终端设备可以包括传感器。所述传感器可以包括摄像头、指纹传感器等。所述终端设备可以控制传感器对人体的生理特征进行采集，得到生物特征图像；可以向所述服务器发送生物特征图像。所述服务器可以接收生物特征图像，作为正常生物特征图像。例如，所述终端设备可以为智能手机。所述智能手机可以包括摄像头。所述智能手机可以提供人机交互界面。在所述人机交互界面上用户可以触发人脸图像获取指令。所述智能手机在接收到人脸图像获取指令后，可以控制所述摄像头给用户的面部进行拍照，得到人脸图像；可以向所述服务器发送人脸图像。所述服务器可以接收人脸图像，作为正常人脸图像。
所述服务器可以直接将接收的生物特征图像作为正常生物特征图像。或者，所述服务器还可以检测生物特征图像的质量；若生物特征图像的质量满足预设条件，可以将接收的生物特征图像作为正常生物特征图像；若生物特征图像的质量不满足预设条件，可以放弃接收的生物特征图像。所述服务器采用的图像质量检测算法例如可以包括：基于边缘数量的图像质量检测、基于灰度标准差的图像质量检测、基于像素梯度的图像质量检测等。在基于边缘数量的图像质量检测中，可以计算图像的边缘数量。边缘数量越多图像质量越好。在基于灰度标准差的图像质量检测中，可以计算图像的灰度标准差。灰度标准差越大图像质量越好。在基于像素梯度的图像质量检测中，可以计算图像的像素梯度。像素梯度越大图像质量越好。
在一些实施例中，所述服务器可以获取一个或多个异常生物特征图像。
所述异常生物特征图像可以为伪造的生物特征图像。所述异常生物特征图像能够对生物识别技术进行攻击。例如，所述终端设备可以包括传感器。所述传感器可以包括摄像头。所述终端设备可以控制摄像头对已有的生物特征图像进行拍摄；可以向服务器发送拍摄的图像。所述服务器可以接收拍摄的图像，作为异常生物特征图像。另举一例，所述服务器还可以直接生成伪造的生物特征图像，作为异常生物特征图像。例如，所述服务器可以利用生成式对抗网络(GAN，Generative Adversarial Networks)生成伪造的生物特征图像。所述生成式对抗网络为一种无监督的机器学习模型，包括生成模型(Generative Model)和判别模型(Discriminative Model)。所述生成模型用于根据服从特定分布(例如随机分布、均匀分布、高斯分布等)的噪声数据生成与真实数据相类似的虚假数据。所述判别模型用于判别输入的数据为真实数据或虚假数据。通过交替训练所述生成模型和所述判别模型，可以实现对所述生成式对抗网络的训练。在实际应用中，所述服务器可以将服从特定分布的噪声数据输入至生成模型，得到伪造的生物特征图像。
步骤S14：分别对正常生物特征图像和异常生物特征图像进行脱敏处理。
在一些实施例中，所述服务器可以识别正常生物特征图像中的隐私区域；可以利用模板图像对正常生物特征图像中的隐私区域进行替换，实现对正常生物特征图像进行脱敏处理。通过对正常生物特征图像进行脱敏处理，可以去除正常生物特征图像中的隐私信息。
所述隐私区域可以为包含隐私信息的区域。所述服务器可以采用特定算法识别正常生物特征图像中的隐私区域。例如，所述服务器可以采用图像分割算法识别正常生物特征图像中的隐私区域。或者，所述服务器还可以利用机器学习模型识别正常生物特征图像中的隐私区域。所述机器学习模型可以包括神经网络模型、MTCNN(Multi-taskConvolutional Neural Network)、Faceness-Net等。
所述模板图像中可以包含虚假的隐私信息。模板图像的类型与正常生物特征图像的类型相同，使得模板图像所包含的虚假隐私信息的类型与正常生物特征图像所包含的隐私信息的类型一致。例如，正常生物特征图像可以为人脸图像，正常生物特征图像中可以包含人脸信息。则模板图像也可以为人脸图像，模板图像中可以包含虚假的人脸信息。另举一例，正常生物特征图像可以为虹膜图像，正常生物特征图像中可以包含虹膜信息。则模板图像也可以为虹膜图像，模板图像中可以包含虚假的虹膜信息。
所述服务器可以生成至少一个模板图像。具体地，所述服务器可以利用生成式对抗网络生成模板图像。所述生成式对抗网络包括生成模型和判别模型。所述服务器可以将服从特定分布的噪声数据输入至生成模型，得到模板图像。所述服务器还可以采用其它方式生成模板图像。例如，所述服务器还可以合成模板图像。具体地，例如，所述服务器可以将多张人脸图像合成为平均脸图像，作为模板图像。或者，所述服务器还可以从模板图像集合中选取至少一个模板图像。所述模板图像集合可以包括多个包含虚假隐私信息的模板图像。所述模板图像集合中的模板图像可以是预先生成的。至于具体的生成方式可以参见前面的描述。
正常生物特征图像的数量可以为一个或多个。所述服务器可以利用同一模板图像对一个或多个正常生物特征图像中的隐私区域进行替换。或者，针对不同的生物特征图像，所述服务器可以利用不同的模板图像对正常生物特征图像中的隐私区域进行替换。在实际应用中，所述服务器可以利用模板图像对正常生物特征图像中的隐私区域进行替换；可以保留正常生物特征图像中除隐私区域以外的非隐私区域(例如背景区域、身体的四肢区域等)。具体地，所述服务器可以利用模板图像对正常生物特征图像中的隐私区域进行遮挡。或者，所述服务器还可以根据模板图像和非隐私区域生成脱敏处理后的正常生物特征图像。
在一些实施例中，所述服务器可以识别异常生物特征图像中的隐私区域；可以利用模板图像对异常生物特征图像中的隐私区域进行替换，实现对异常生物特征图像进行脱敏处理。通过对异常生物特征图像进行脱敏处理，可以去除异常生物特征图像中的隐私信息。
异常生物特征图像的数量可以为一个或多个。所述服务器可以利用同一模板图像对一个或多个异常生物特征图像中的隐私区域进行替换。或者，针对不同的生物特征图像，所述服务器可以利用不同的模板图像对异常生物特征图像中的隐私区域进行替换。在实际应用中，所述服务器可以利用模板图像对异常生物特征图像中的隐私区域进行替换；可以保留异常生物特征图像中除隐私区域以外的非隐私区域(例如背景区域、身体的四肢区域等)。具体地，所述服务器可以利用模板图像对异常生物特征图像中的隐私区域进行遮挡。或者，所述服务器还可以根据模板图像和和非隐私区域生成脱敏处理后的异常生物特征图像。
步骤S16：利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。
在一些实施例中，通过步骤S14，所述服务器可以获得一个或多个脱敏处理后的正常生物特征图像、以及一个或多个脱敏处理后的异常生物特征图像。所述服务器可以将脱敏处理后的正常生物特征图像、以及脱敏处理后的异常生物特征图像作为训练样本；可以利用训练样本对活体检测模型进行训练。所述服务器可以利用梯度下降法或者牛顿法对活体检测模型进行训练。所述活体检测模型可以为神经网络模型、或者支持向量机模型等。
在一些实施例中，所述服务器可以将脱敏处理后的正常生物特征图像作为正常脱敏图像，可以将脱敏处理后的异常生物特征图像作为异常脱敏图像；可以对正常脱敏图像、以及异常脱敏图像进行打标；可以利用打标后的正常脱敏图像以及异常脱敏图像对活体检测模型进行训练。例如，所述服务器可以为正常脱敏图像和异常脱敏图像分别分配黑标签和白标签。
在一些实施例中，所述服务器可以将脱敏处理后的正常生物特征图像作为正常脱敏图像，可以将脱敏处理后的异常生物特征图像作为异常脱敏图像；可以去除正常脱敏图像的脱敏处理痕迹、以及异常脱敏图像的脱敏处理痕迹；可以利用去除痕迹后的正常脱敏图像、和去除痕迹后的异常脱敏图像对活体检测模型进行训练。这样可以提高训练效果。
所述服务器可以利用生成式对抗网络去除正常脱敏图像中的脱敏处理痕迹、以及异常脱敏图像中的脱敏处理痕迹。所述生成式对抗网络包括生成模型和判别模型。所述服务器可以将正常脱敏图像输入至生成模型，得到去除痕迹后的正常脱敏图像；可以将异常脱敏图像输入至生成模型，得到去除痕迹后的异常脱敏图像。当然，所述服务器还可以采用其它方式去除正常脱敏图像中的脱敏处理痕迹、以及异常脱敏图像中的脱敏处理痕迹。例如，所述服务器还可以对正常脱敏图像中的脱敏处理边缘进行模糊化处理、以及对异常脱敏图像中的脱敏处理边缘进行模糊化处理。
本说明书实施例的基于隐私保护的模型训练方法，可以利用脱敏处理后的生物特征图像对活体检测模型进行训练，使得活体检测模型能够对脱敏图像进行活体检测。
请参阅图2。本说明书实施例还提供另一种基于隐私保护的模型训练方法。所述模型训练方法可以应用于所述服务器。所述模型训练方法可以包括以下步骤。
步骤S22：获取正常生物特征图像和异常生物特征图像，所述正常生物特征图像和所述异常生物特征图像均包含隐私信息。
步骤S24：分别对正常生物特征图像和异常生物特征图像进行脱敏处理，得到对正常生物特征图像中的隐私信息进行保护后的正常脱敏图像和对异常生物特征图像中的隐私信息进行保护后的异常脱敏图像。
步骤S26：利用正常脱敏图像和异常脱敏图像对活体检测模型进行训练。
本说明书实施例的基于隐私保护的模型训练方法，可以利用脱敏处理后的生物特征图像对活体检测模型进行训练，使得活体检测模型能够对脱敏图像进行活体检测。
请一并参阅图3和图9。本说明书实施例提供一种活体检测方法。所述活体检测方法可以应用于所述终端设备或者所述服务器。所述活体检测方法可以包括以下步骤。
步骤S32：获取脱敏图像，所述脱敏图像通过对生物特征图像进行脱敏处理得到。
步骤S34：利用活体检测模型，对所述脱敏图像进行活体检测。
在一些实施例中，所述活体检测方法可以应用于终端设备。
所述终端设备可以获取生物特征图像；可以对所述生物特征图像进行脱敏处理，得到脱敏图像；可以利用活体检测模型，对所述脱敏图像进行活体检测，得到活体检测结果。
所述终端设备获取生物特征图像，例如可以包括：
1)控制传感器对生理特征进行采集；
2)控制摄像头对已有的生物特征图像进行拍摄；
3)利用生成式对抗网络生成生物特征图像。
所述终端设备可以识别生物特征图像中的隐私区域；可以利用模板图像对生物特征图像中的隐私区域进行替换，得到脱敏图像。所述隐私区域可以包含隐私信息，所述模板图像可以包含虚假的隐私信息。所述终端设备可以将所述脱敏图像输入至活体检测模型，得到活体检测结果。所述活体检测模型可以基于图1或图2所对应的模型训练方法训练得到。
所述活体检测结果可以为分值。所述分值用于表示生物特征图像为异常生物特征图像的概率。或者，所述活体检测结果还可以为类别。所述类别可以为第一类别或者第二类别。所述第一类别用于表示生物特征图像为正常生物特征图像。所述第二类别用于表示生物特征图像为异常生物特征图像。
在一些实施例中，所述活体检测方法还可以应用于服务器。
所述终端设备可以获取生物特征图像；可以对所述生物特征图像进行脱敏处理，得到脱敏图像；可以向所述服务器发送所述脱敏图像。所述服务器可以接收所述脱敏图像；可以利用活体检测模型，对所述脱敏图像进行活体检测，得到活体检测结果。
所述终端设备获取生物特征图像，例如可以包括：
1)控制传感器对人体的生理特征进行采集；
2)控制摄像头对已有的生物特征图像进行拍摄；
3)利用生成式对抗网络生成生物特征图像。
所述终端设备可以识别生物特征图像中的隐私区域；可以利用模板图像对生物特征图像中的隐私区域进行替换，得到脱敏图像。所述隐私区域可以包含隐私信息，所述模板图像可以包含虚假的隐私信息。所述服务器可以将所述脱敏图像输入至活体检测模型，得到活体检测结果。所述活体检测模型可以基于图1或图2所对应的模型训练方法训练得到。
所述活体检测结果可以为分值。所述分值用于表示生物特征图像为异常生物特征图像的概率。或者，所述活体检测结果还可以为类别。所述类别可以为第一类别或者第二类别。所述第一类别用于表示生物特征图像为正常生物特征图像。所述第二类别用于表示生物特征图像为异常生物特征图像。
本说明书实施例的活体检测方法，可以利用活体检测模型对脱敏图像进行活体检测，从而兼顾了活体检测和隐私保护。
请参阅图4。本说明书实施例还提供一种模型训练装置，包括：
获取单元42，用于获取正常生物特征图像和异常生物特征图像；
脱敏单元44，用于分别对正常生物特征图像和异常生物特征图像进行脱敏处理；
训练单元46，用于利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。
请参阅图5。本说明书实施例还提供另一种模型训练装置，包括：
获取单元52，用于获取正常生物特征图像和异常生物特征图像，所述正常生物特征图像和所述异常生物特征图像均包含隐私信息；
脱敏单元54，用于分别对正常生物特征图像和异常生物特征图像进行脱敏处理，得到对正常生物特征图像中的隐私信息进行保护后的正常脱敏图像和对异常生物特征图像中的隐私信息进行保护后的异常脱敏图像；
训练单元56，用于利用正常脱敏图像和异常脱敏图像对活体检测模型进行训练。
请参阅图6。本说明书实施例还提供一种活体检测装置，包括：
获取单元62，用于获取脱敏图像，所述脱敏图像通过对生物特征图像进行脱敏处理得到；
检测单元64，用于利用活体检测模型，对所述脱敏图像进行活体检测，所述活体检测模型基于图1或图2所对应的模型训练方法训练得到。
下面介绍本说明书电子设备的一个实施例。图7是该实施例中电子设备的硬件结构示意图。如图7所示，该电子设备可以包括一个或多个(图中仅示出一个)处理器、存储器和传输模块。当然，本领域普通技术人员可以理解，图7所示的硬件结构仅为示意，其并不对上述电子设备的硬件结构造成限定。在实际中该电子设备还可以包括比图7所示更多或者更少的组件单元；或者，具有与图7所示不同的配置。
所述存储器可以包括高速随机存储器；或者，还可以包括非易失性存储器，例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。当然，所述存储器还可以包括远程设置的网络存储器。所述远程设置的网络存储器可以通过诸如互联网、企业内部网、局域网、移动通信网等网络连接至所述区块链客户端。所述存储器可以用于存储应用软件的程序指令或模块，例如用于实现本说明书图1、图2或图3所对应实施例的程序指令或模块。
所述处理器可以按任何适当的方式实现。例如，所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以读取并执行所述存储器中的程序指令或模块。
所述传输模块可以用于经由网络进行数据传输，例如经由诸如互联网、企业内部网、局域网、移动通信网等网络进行数据传输。
本说明书还提供计算机存储介质的一个实施例。所述计算机存储介质包括但不限于随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard Disk Drive,HDD)、存储卡(Memory Card)等等。所述计算机存储介质存储有计算机程序指令。在所述计算机程序指令被执行时实现：本说明书图1、图2或图3所对应实施例中的图像处理方法。
需要说明的是，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或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它实施例的不同之处。另外，可以理解的是，本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (15)
1.一种基于隐私保护的模型训练方法，包括：
获取正常生物特征图像和异常生物特征图像，所述正常生物特征图像和所述异常生物特征图像均包含隐私信息；
分别对正常生物特征图像和异常生物特征图像进行脱敏处理，得到对正常生物特征图像中的隐私信息进行保护后的正常脱敏图像和对异常生物特征图像中的隐私信息进行保护后的异常脱敏图像；
利用正常脱敏图像和异常脱敏图像对活体检测模型进行训练。
2.如权利要求1所述的方法，所述正常生物特征图像通过对生物特征进行采集得到，所述异常生物特征图像通过伪造得到。
3.如权利要求1所述的方法，所述分别对正常生物特征图像和异常生物特征图像进行脱敏处理，包括：
识别正常生物特征和异常生物特征图像中的隐私区域；
利用模板图像分别对正常生物特征图像和异常生物特征图像中的隐私区域进行替换。
4.一种基于隐私保护的模型训练方法，包括：
获取正常生物特征图像和异常生物特征图像；
分别对正常生物特征图像和异常生物特征图像进行脱敏处理；
利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。
5.如权利要求4所述的方法，所述正常生物特征图像通过对生物特征进行采集得到，所述异常生物特征图像通过伪造得到。
6.如权利要求4所述的方法，所述分别对正常生物特征图像和异常生物特征图像进行脱敏处理，包括：
识别正常生物特征和异常生物特征图像中的隐私区域；
利用模板图像分别对正常生物特征图像和异常生物特征图像中的隐私区域进行替换。
7.如权利要求4所述的方法，所述利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练，包括：
以脱敏处理后的正常生物特征图像为正常脱敏图像，以脱敏处理后的异常生物特征图像为异常脱敏图像，去除正常脱敏图像和异常脱敏图像中的脱敏处理痕迹；
利用去除痕迹后的正常脱敏图像和异常脱敏图像对活体检测模型进行训练。
8.一种活体检测方法，包括：
获取脱敏图像，所述脱敏图像通过对生物特征图像进行脱敏处理得到；
利用活体检测模型，对所述脱敏图像进行活体检测，所述活体检测模型基于如权利要求1-7中任一项方法训练得到。
9.如权利要求8所述的方法，所述方法应用于终端设备；所述获取脱敏图像，包括：
获取生物特征图像；
对所述生物特征图像进行脱敏处理，得到脱敏图像。
10.如权利要求9所述的方法，所述对所述生物特征图像进行脱敏处理，包括：
识别所述生物特征图像中的隐私区域；
利用模板图像对所述生物特征图像中的隐私区域进行替换，得到脱敏图像。
11.如权利要求8所述的方法，所述方法应用于服务器；所述获取脱敏图像，包括：
接收终端设备发来的脱敏图像。
12.一种基于隐私保护的模型训练装置，包括：
获取单元，用于获取正常生物特征图像和异常生物特征图像，所述正常生物特征图像和所述异常生物特征图像均包含隐私信息；
脱敏单元，用于分别对正常生物特征图像和异常生物特征图像进行脱敏处理，得到对正常生物特征图像中的隐私信息进行保护后的正常脱敏图像和对异常生物特征图像中的隐私信息进行保护后的异常脱敏图像；
训练单元，用于利用正常脱敏图像和异常脱敏图像对活体检测模型进行训练。
13.一种基于隐私保护的模型训练装置，包括：
获取单元，用于获取正常生物特征图像和异常生物特征图像；
脱敏单元，用于分别对正常生物特征图像和异常生物特征图像进行脱敏处理；
训练单元，用于利用脱敏处理后的正常生物特征图像和异常生物特征图像对活体检测模型进行训练。
14.一种活体检测装置，包括：
获取单元，用于获取脱敏图像，所述脱敏图像通过对生物特征图像进行脱敏处理得到；
检测单元，用于利用活体检测模型，对所述脱敏图像进行活体检测，所述活体检测模型基于如权利要求1-7中任一项方法训练得到。
15.一种电子设备，包括：
至少一个处理器；
存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-11中任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010894509.0A CN112084915A (zh) | 2020-08-31 | 2020-08-31 | 模型训练方法、活体检测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010894509.0A CN112084915A (zh) | 2020-08-31 | 2020-08-31 | 模型训练方法、活体检测方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112084915A true CN112084915A (zh) | 2020-12-15 |
Family
ID=73731215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010894509.0A Pending CN112084915A (zh) | 2020-08-31 | 2020-08-31 | 模型训练方法、活体检测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084915A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723215A (zh) * | 2021-08-06 | 2021-11-30 | 浙江大华技术股份有限公司 | 活体检测网络的训练方法、活体检测方法及装置 |
| CN113850717A (zh) * | 2021-11-30 | 2021-12-28 | 北京爱笔科技有限公司 | 一种图像处理方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273698A (zh) * | 2017-07-06 | 2017-10-20 | 武靖 | 人工智能训练标准库的处理与检测方法、系统 |
| CN108875676A (zh) * | 2018-06-28 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测方法、装置及系统 |
| CN108875530A (zh) * | 2018-01-12 | 2018-11-23 | 北京旷视科技有限公司 | 活体识别方法、活体识别设备、电子设备以及存储介质 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
| CN109840467A (zh) * | 2018-12-13 | 2019-06-04 | 北京飞搜科技有限公司 | 一种活体检测方法及系统 |
| CN109872282A (zh) * | 2019-01-16 | 2019-06-11 | 众安信息技术服务有限公司 | 一种基于计算机视觉的图像脱敏方法与系统 |
| CN110059569A (zh) * | 2019-03-21 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 活体检测方法和装置、模型评估方法和装置 |
| CN110472487A (zh) * | 2019-07-03 | 2019-11-19 | 平安科技（深圳）有限公司 | 活体用户检测方法、装置、计算机设备和存储介质 |
| CN110633577A (zh) * | 2019-08-22 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 文本脱敏方法以及装置 |
| CN110737651A (zh) * | 2019-09-29 | 2020-01-31 | 武汉海昌信息技术有限公司 | 一种可还原脱敏的数据清洗及交换办法 |
| CN111126216A (zh) * | 2019-12-13 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 风险检测方法、装置及设备 |
-
2020
- 2020-08-31 CN CN202010894509.0A patent/CN112084915A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273698A (zh) * | 2017-07-06 | 2017-10-20 | 武靖 | 人工智能训练标准库的处理与检测方法、系统 |
| CN108875530A (zh) * | 2018-01-12 | 2018-11-23 | 北京旷视科技有限公司 | 活体识别方法、活体识别设备、电子设备以及存储介质 |
| CN108875676A (zh) * | 2018-06-28 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测方法、装置及系统 |
| CN109086718A (zh) * | 2018-08-02 | 2018-12-25 | 深圳市华付信息技术有限公司 | 活体检测方法、装置、计算机设备及存储介质 |
| CN109840467A (zh) * | 2018-12-13 | 2019-06-04 | 北京飞搜科技有限公司 | 一种活体检测方法及系统 |
| CN109872282A (zh) * | 2019-01-16 | 2019-06-11 | 众安信息技术服务有限公司 | 一种基于计算机视觉的图像脱敏方法与系统 |
| CN110059569A (zh) * | 2019-03-21 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 活体检测方法和装置、模型评估方法和装置 |
| CN110472487A (zh) * | 2019-07-03 | 2019-11-19 | 平安科技（深圳）有限公司 | 活体用户检测方法、装置、计算机设备和存储介质 |
| CN110633577A (zh) * | 2019-08-22 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 文本脱敏方法以及装置 |
| CN110737651A (zh) * | 2019-09-29 | 2020-01-31 | 武汉海昌信息技术有限公司 | 一种可还原脱敏的数据清洗及交换办法 |
| CN111126216A (zh) * | 2019-12-13 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 风险检测方法、装置及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723215A (zh) * | 2021-08-06 | 2021-11-30 | 浙江大华技术股份有限公司 | 活体检测网络的训练方法、活体检测方法及装置 |
| CN113850717A (zh) * | 2021-11-30 | 2021-12-28 | 北京爱笔科技有限公司 | 一种图像处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nogueira et al. | Evaluating software-based fingerprint liveness detection using convolutional networks and local binary patterns | |
| Qiu et al. | Finger vein presentation attack detection using total variation decomposition | |
| CN111783629B (zh) | 一种面向对抗样本攻击的人脸活体检测方法及装置 | |
| CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
| CN107368827B (zh) | 字符识别方法及装置、用户设备、服务器 | |
| WO2014210334A1 (en) | Machine learning enchanced by human measurements | |
| JP6933356B2 (ja) | 画像処理方法及び装置、システム | |
| CN109416734B (zh) | 用于虹膜图像编码的自适应量化方法 | |
| WO2020195732A1 (ja) | 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体 | |
| Awad et al. | Impact of some biometric modalities on forensic science | |
| Wagh et al. | Eyelids, eyelashes detection algorithm and hough transform method for noise removal in iris recognition | |
| CN112084915A (zh) | 模型训练方法、活体检测方法、装置和电子设备 | |
| CN111966219B (zh) | 一种眼动跟踪方法、装置、设备及存储介质 | |
| CN108875549B (zh) | 图像识别方法、装置、系统及计算机存储介质 | |
| Tapia et al. | Semantic segmentation of periocular near-infra-red eye images under alcohol effects | |
| CN108875530A (zh) | 活体识别方法、活体识别设备、电子设备以及存储介质 | |
| CN112861743B (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
| CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
| CN111860057A (zh) | 人脸图像模糊和活体检测方法、装置、存储介质及设备 | |
| Dhruva et al. | Novel algorithm for image processing based hand gesture recognition and its application in security | |
| CN113268769A (zh) | 基于随机混淆的生物特征数据处理方法、系统及存储介质 | |
| Fourati et al. | Face anti-spoofing with image quality assessment | |
| CN108875467B (zh) | 活体检测的方法、装置及计算机存储介质 | |
| CN110458024B (zh) | 活体检测方法及装置和电子设备 | |
| CN114663930A (zh) | 一种活体检测方法、装置、终端设备及存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043011 Country of ref document: HK |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
| RJ01 | Rejection of invention patent application after publication |