CN112183156A - 一种活体检测方法和设备 - Google Patents

一种活体检测方法和设备 Download PDF

Info

Publication number
CN112183156A
CN112183156A CN201910588980.4A CN201910588980A CN112183156A CN 112183156 A CN112183156 A CN 112183156A CN 201910588980 A CN201910588980 A CN 201910588980A CN 112183156 A CN112183156 A CN 112183156A
Authority
CN
China
Prior art keywords
pixel difference
picture
relative positions
pair
node
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
Application number
CN201910588980.4A
Other languages
English (en)
Other versions
CN112183156B (zh
Inventor
邹保珠
任志浩
华丛一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201910588980.4A priority Critical patent/CN112183156B/zh
Publication of CN112183156A publication Critical patent/CN112183156A/zh
Application granted granted Critical
Publication of CN112183156B publication Critical patent/CN112183156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种活体检测方法和设备，其中方法包括：预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树；根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述检测对象的像素差特征向量；根据所述目标检测图片的像素差特征向量，判断所述目标检测图片是否来自活体。应用本申请公开的技术方案，能够提高活体检测的准确度，且运算开销小。

Description

一种活体检测方法和设备
技术领域
本申请涉及数字图像处理技术领域，特别涉及一种活体检测方法和设备。
背景技术
活体检测是为了防止恶意者将伪造的他人生物特征用于身份认证，在生物特征识别过程中，针对待认证样本是否具有生命特征进行检测的技术。
目前，人脸活体检测技术主要有交互式动作(用户配合指令完成相应的动作，如微笑、朗读等)、3D成像(多目成像、结构光等)、热红外和多光谱等。交互式指令需要用户配合，用户体验差，也难以防备视频攻击(一旦获取所有指令可针对性的录制视频)，热红外仪器成本贵且易受温度影响，而3D方法，对设备精度要求高，应用限制多，实现的效果并不理想。部分实现方案也利用红外成像，检测虹膜、嘴唇等特征信息，还有捕捉微表情等方法，但此类方法对硬件要求较高，算法亦相对复杂。近年来，也有不少专利都采用了机器学习的方法，利用纹理特征进行检测。
发明人在实现本发明的过程中发现：现有的基于图片的纹理信息实现活体检测的方案检测准确度、运算开销以及实现复杂度等方面存在问题，具体分析如下：
上述活体检测的方案具体实现时，需要在提取特征之前把图片归一化为固定大小，在该归一化的过程中，采用插值了操作会导致纹理信息损失，从而影响检测的准确性。另外，上述方案通常使用的方向梯度直方图(Histogram of Oriented Gradient，HOG)和局部二值模式特征(Local Binary Patterns，LBP)特征都是人工设置的特征，因此，会在一定程度上影响检测的准确性。
发明内容
本发明的主要目的在于提供一种活体检测方法和设备，能够提高活体检测准确度。
为了达到上述目的，本发明实施例提出的技术方案为：
一种活体检测方法，包括：
预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树；
根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述检测对象的像素差特征向量；
根据所述目标检测图片的像素差特征向量，判断所述目标检测图片是否来自活体。
较佳地，所述生成预设第一数量棵像素差特征决策树包括：
按照预设的像素差特征训练深度，构建每棵所述像素差特征决策树；
其中，在生成所述像素差特征决策树中的每个内部节点时，在预设的标准检测对象模板中，选择第二数量对相对位置；每对所述相对位置由两个位置组成；
对于每对相对位置，计算所述样本图片集合的每张图片在该对相对位置的像素差，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值，根据该对相对位置的像素差阈值和所述样本图片集合的每张图片在该对相对位置的像素差，确定在该对相对位置下所述样本图片集合的每张图片所属的子节点，得到相应的左子节点图片集合和右子节点图片集合；根据所述左子节点图片集合和右子节点图片集合中每张图片的标签，计算该对相对位置对应的均方误差MSE；
从所述第二数量对相对位置中，根据所述MSE，选择出一对相对位置并设置为当前内部节点使用的一对相对位置，将该对相对位置对应的像素差阈值，设置为当前内部节点使用的像素差阈值。
较佳地，所述选择第二数量对相对位置包括：
按照一对相对位置中的每个位置的选择概率服从期望为(0，0)和标准差为(0.25，0.25)的独立相同的二维正态分布的原则，在所述标准检测对象模板中，选择所述第二数量对相对位置；其中，每个所述位置(x，y)的x轴坐标和y轴坐标的取值范围均为[-1,1]。
较佳地，所述计算所述样本图片集合的每张图片在该对相对位置的像素差包括：
对于所述样本图片集合的每张图片，利用标准检测对象模板，采用相似变换的方式进行图像校准，通过相似变换的逆变换，将每对所述相对位置转换为在该图片中的绝对位置，根据对所述绝对位置的取整结果，计算该对相对位置对应的两个绝对位置的像素差值，得到该图片在该对相对位置的像素差。
较佳地，所述确定在该对相对位置下所述样本图片集合中每张图片所属的子节点包括：
将所述样本图片集合的每张图片在该对相对位置的像素差，与该对相对位置的像素差阈值进行比较，将像素差小于等于该像素差阈值的图片分配到左子节点图片集合，将像素差大于该像素差阈值的图片分配到右子节点图片集合。
较佳地，所述计算该对相对位置对应的均方误差MSE包括：
计算所述左子节点图片集合中所有图片的标签平均值，以及所述右子节点图片集合中所有图片标签的平均值；
对于所述左子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
对于所述右子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
计算所述左子节点图片集合的所述均方误差与所述右子节点图片集合的所述均方误差的和，得到该对相对位置对应的均方误差MSE。
较佳地，所述根据所述MSE，选择出一对相对位置包括：
从所述第二数量对相对位置中，选择出最小所述MSE对应的一对相对位置。
较佳地，当所述图片来自活体时，所述图片的标签为1；当所述图片不是来自活体时，所述图片的标签为-1。
较佳地，所述根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树包括：
对于每棵所述像素差特征决策树，当所述目标检测图片遍历到该像素差特征决策树上的一个内部节点时，根据该内部节点所使用的一对相对位置，以及对应的像素差阈值，确定所述目标检测图片所属的子节点，将该子节点确定为所述目标检测图片需要遍历的下一节点；在所述目标检测图片遍历到该像素差特征决策树的叶子节点时，将所述目标检测图片在该叶子节点位置的像素差特征值设置为1，将所述目标检测图片在该像素差特征决策树中未被遍历到的叶子节点，将位置的像素差特征值设置为0；串联所述目标检测图片在该像素差特征决策树中所有叶子节点上的像素差特征值，得到所述目标检测图片在该像素差特征决策树的像素差特征向量。
较佳地，所述检测对象为人脸。
较佳地，所述判断所述目标检测图片是否来自活体包括：
将所述目标检测图片的像素差特征向量，输入至预先训练的支持向量机分类器分类器，得到所述目标检测图片是否来自活体的判断结果。
本发明还提供一种活体检测设备，包括：处理器，所述处理器用于：
预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树；
根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述检测对象的像素差特征向量；
根据所述检测对象的像素差特征向量，判断所述目标检测图片是否来自活体。
较佳地，所述处理器具体用于：
按照预设的像素差特征训练深度，构建每棵所述像素差特征决策树；
其中，在生成所述像素差特征决策树中的每个内部节点时，在预设的标准检测对象模板中，选择第二数量对相对位置；每对所述相对位置由两个位置组成；
对于每对相对位置，计算所述样本图片集合的每张图片在该对相对位置的像素差，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值，根据该对相对位置的像素差阈值和所述样本图片集合的每张图片在该对相对位置的像素差，确定在该对相对位置下所述样本图片集合的每张图片所属的子节点，得到相应的左子节点图片集合和右子节点图片集合；根据所述左子节点图片集合和右子节点图片集合中每张图片的标签，计算该对相对位置对应的均方误差MSE；
从所述第二数量对相对位置中，根据所述MSE，选择出一对相对位置并设置为当前内部节点使用的一对相对位置，将该对相对位置对应的像素差阈值，设置为当前内部节点使用的像素差阈值。
较佳地，所述处理器具体用于：
按照一对相对位置中的每个位置的选择概率服从期望为(0，0)和标准差为(0.25，0.25)的独立相同的二维正态分布的原则，在所述标准检测对象模板中，选择所述第二数量对相对位置；其中，每个所述位置(x，y)的x轴坐标和y轴坐标的取值范围均为[-1,1]。
较佳地，所述处理器具体用于：
对于所述样本图片集合的每张图片，利用标准检测对象模板，采用相似变换的方式进行图像校准，通过相似变换的逆变换，将每对所述相对位置转换为在该图片中的绝对位置，根据对所述绝对位置的取整结果，计算该对相对位置对应的两个绝对位置的像素差值，得到该图片在该对相对位置的像素差。
较佳地，所述处理器具体用于：
将所述样本图片集合的每张图片在该对相对位置的像素差，与该对相对位置的像素差阈值进行比较，将像素差小于等于该像素差阈值的图片分配到左子节点图片集合，将像素差大于该像素差阈值的图片分配到右子节点图片集合。
较佳地，所述处理器具体用于：计算所述左子节点图片集合中所有图片的标签平均值，以及所述右子节点图片集合中所有图片标签的平均值；
对于所述左子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
对于所述右子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
计算所述左子节点图片集合的所述均方误差与所述右子节点图片集合的所述均方误差的和，得到该对相对位置对应的均方误差MSE。
较佳地，所述处理器具体用于：
从所述第二数量对相对位置中，选择出最小所述MSE对应的一对相对位置。
较佳地，当所述图片来自活体时，所述图片的标签为1；当所述图片不是来自活体时，所述图片的标签为-1。
较佳地，所述处理器具体用于：
对于每棵所述像素差特征决策树，当所述目标检测图片遍历到该像素差特征决策树上的一个内部节点时，根据该内部节点所使用的一对相对位置，以及对应的像素差阈值，确定所述目标检测图片所属的子节点，将该子节点确定为所述目标检测图片需要遍历的下一节点；在所述目标检测图片遍历到该像素差特征决策树的叶子节点时，将所述目标检测图片在该叶子节点位置的像素差特征值设置为1，将所述目标检测图片在该像素差特征决策树中未被遍历到的叶子节点，将位置的像素差特征值设置为0；串联所述目标检测图片在该像素差特征决策树中所有叶子节点上的像素差特征值，得到所述目标检测图片在该像素差特征决策树的像素差特征向量。
较佳地，所述检测对象为人脸。
较佳地，所述处理器具体用于：
将所述目标检测图片的像素差特征向量，输入至预先训练的支持向量机分类器分类器，得到所述目标检测图片是否来自活体的判断结果。
本申请还公开了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的活体检测方法的步骤。
本申请还公开了一种电子设备，包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
本申请提出的活体检测方案中，预先训练生成的像素差特征决策树，并在对目标检测图片进行检测时，根据该目标检测图片和所述像素差特征决策树，得到该目标检测图片的像素差特征向量；最后再基于该像素差特征向量，对该目标检测图片是否来自活体进行判断。如此，通过基于决策树，实现目标检测图片的像素差特征向量的提取，使得用于活体判断的像素差特征向量不是人工设置，而是通过训练数据学习到的。这样，一方面，基于像素差特征向量进行活体判断，能够正确区分活体图像，有效提高活体检测的准确度；另一方面，由于仅需要利用预先训练的决策树，对目标检测图片进行像素差特征的提取，可以有效避免：传统的基于纹理信息的方案由于归一化处理导致纹理信息损失对检测准确度的影响，并且也不需要人工设置特征，从而还可以有效减少运算开销，提高检测效率，改善用户体验。
附图说明
图1为本发明实施例的方法流程示意图；
图2为本发明实施例实现的图片的像素差特征向量示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。
发明人在实现本发明的过程中发现：真人人脸皮肤对近红外光的反射具有显著且稳定的统计特性，所形成的单色分量人脸灰度图中灰度值分布具有均匀性和连续性等特点，灰度值不存在剧烈的变化。而照片等假人脸的灰度图恰恰相反。因此，根据人脸图片不同位置的灰度值的差别，可以很好的区分真假人脸。基于此，为提高检测准确度，本发明将基于目标检测图片的像素差特征，进行活体检测。
图1为本发明实施例的方法流程示意图，如图1所示，该实施例实现的活体检测方法主要包括：
步骤101、预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树。
本步骤用于预先基于样本图片生成预设数量的像素差特征决策树，以便在后续步骤中，为目标检测图片生成像素差特征向量。
所述第一数量大于等于1，具体可由本领域技术人员综合考虑运算复杂度和检测准确度要求，设置合理数值。
在实际应用中，所述检测对象可由本领域技术人员根据实际需要设置，例如，所述检测对象可以是人脸，但不限于此，也可以是动物的脸，或者是其他需要活体检测的生物对象。
较佳地，步骤101中可以采用下述方法生成所述像素差特征决策树：
按照预设的像素差特征训练深度，构建每棵所述像素差特征决策树。
其中，在生成所述像素差特征决策树中的每个内部节点时，可以采用下述方法，确定该内部节点使用的一对相对位置以及所使用的像素差阈值：
步骤a1、在预设的标准检测对象模板中，选择第二数量对相对位置。
这里，每对对相对位置由两个位置点组成。
所述第二数量用于限定需要选择多少对相对位置，具体可由本领域技术人员根据实际需要设置合适大小。
较佳地，为了进一步提高检测准确度，可以按照一对相对位置中的每个位置的选择概率服从期望为(0，0)和标准差为(0.25，0.25)的独立相同的二维正态分布的原则，在所述标准检测对象模板中，选择所述第二数量对相对位置；其中，每个所述位置(x，y)的x轴坐标和y轴坐标的取值范围均为[-1,1]。
步骤a2、对于每对所述相对位置，计算所述样本图片集合的每张图片在该对相对位置的像素差，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值，根据该对相对位置的像素差阈值和所述样本图片集合的每张图片在该对相对位置的像素差，确定在该对相对位置下所述样本图片集合的每张图片所属的子节点，得到相应的左子节点图片集合和右子节点图片集合；根据所述左子节点图片集合和右子节点图片集合中每张图片的标签，计算该对相对位置对应的均方误差(MSE)。
较佳地，步骤a2中可以采用下述方法计算所述样本图片集合的每张图片在该对相对位置的像素差：
对于所述样本图片集合的每张图片，利用标准检测对象模板，采用相似变换的方式进行图像校准，通过相似变换的逆变换，将每对所述相对位置转换为在该图片中的绝对位置，根据对所述绝对位置的取整结果，计算该对相对位置对应的两个绝对位置的像素差值，得到该图片在该对相对位置的像素差。
具体地，上述方法中可以采用下述方法确定在该对相对位置下所述样本图片集合中每张图片所属的子节点：
将所述样本图片集合的每张图片在该对相对位置的像素差，与该对相对位置的像素差阈值进行比较，将像素差小于等于该像素差阈值的图片分配到左子节点图片集合，将像素差大于该像素差阈值的图片分配到右子节点图片集合。
较佳地，为了方便实现，步骤a2中对于一对相对位置，可以采用随机选择的方式，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值。但不限于此，例如，也可以选择一定范围的中间像素差取值中随机选择一个，作为像素差阈值。
较佳地，步骤a2中可以采用下述方法计算该对相对位置对应的均方误差(MSE)：
步骤b1、计算所述左子节点图片集合中所有图片的标签平均值，以及所述右子节点图片集合中所有图片标签的平均值。
步骤b2、对于所述左子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
对于所述右子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差。
步骤b3、计算所述左子节点图片集合的所述均方误差与所述右子节点图片集合的所述均方误差的和，得到该对相对位置对应的均方误差MSE。
步骤a3、从所述第二数量对相对位置中，根据所述MSE，选择出一对相对位置并设置为当前内部节点使用的一对相对位置，将该对相对位置对应的像素差阈值，设置为当前内部节点使用的像素差阈值。
较佳地，为了提高所生成的像素差特征决策树的精确度，可以采用极小化MSE方法，根据所述MSE，选择出一对相对位置，具体如下：
从所述第二数量对相对位置中，选择出最小所述MSE对应的一对相对位置。
在实际应用中，对于样本图片的标签，可以用1和-1表示。较佳地，为了方便计算，可以采用下述方法实现：当所述图片来自活体时，所述图片的标签为1；当所述图片不是来自活体时，所述图片的标签为-1。
上述只是一种较佳的标签表示示例，但不限于此，可以选择其他数值，只要方便区分图片来自活体或假体，并利于计算即可。
步骤102、根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述检测对象的像素差特征向量。
具体地，步骤102中可以采用下述方法根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树：
对于每棵所述像素差特征决策树，当所述目标检测图片遍历到该像素差特征决策树上的一个内部节点时，根据该内部节点所使用的一对相对位置，以及对应的像素差阈值，确定所述目标检测图片所属的子节点，将该子节点确定为所述目标检测图片需要遍历的下一节点；在所述目标检测图片遍历到该像素差特征决策树的叶子节点时，将所述目标检测图片在该叶子节点位置的像素差特征值设置为1，将所述目标检测图片在该像素差特征决策树中未被遍历到的叶子节点，将位置的像素差特征值设置为0；串联所述目标检测图片在该像素差特征决策树中所有叶子节点上的像素差特征值，得到所述目标检测图片在该像素差特征决策树的像素差特征向量。
上述方法中确定图片所属子节点的具体方法与生成像素差特征决策树时采用的方法相同，在此不再赘述。
假设步骤101中生成了T棵像素差特征决策树。对于一张图片I和一棵决策树，根据每个内部节点的位置点对P和像素差阈值Q，判断图片I最终落到哪个叶节点上。对于深度为d的决策树，共有2d个叶节点。使用2d维的二值向量来表示图片落在哪个叶节点上。连接T棵树的二值特征向量，即可得到图片I的T×2d维的像素差特征向量F，如图2所示，其中T＝2，d＝3。
步骤103、根据所述检测对象的像素差特征向量，判断所述目标检测图片是否来自活体。
较佳地，为了进一步提高准确度和检测效率，可以采用下述方法判断所述目标检测图片是否来自活体：
将所述检测对象的像素差特征向量，输入至预先训练的支持向量机(SVM)分类器，得到所述目标检测图片是否来自活体的判断结果。
这里需要说明的是，支持向量机分类器为机器学习中的一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，支持向量机还包括核技巧，这使它成为实质上的非线性分类器。虽然可以使用投票方法根据决策树的判断结果来进行分类，但支持向量机有更准确的判决力。使用像素差特征向量F训练线性支持向量机分类器，对真人人脸和假体进行分类。虽然F向量的维度较大，例如T＝128、d＝5时，F的维度为4096维，但F具有稀疏性和二值性：因为每张图片只会落在一棵决策树的一个叶节点上，所以F只有T个位置的值为1，其余位置的值为0，在用线性支持向量机分类时，实际的计算量很小。
本发明实施例还提供一种活体检测设备，包括：处理器，所述处理器用于：
预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树；
根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述检测对象的像素差特征向量；
根据所述检测对象的像素差特征向量，判断所述目标检测图片是否来自活体。
较佳地，所述处理器具体用于：
按照预设的像素差特征训练深度，构建每棵所述像素差特征决策树；
其中，在生成所述像素差特征决策树中的每个内部节点时，在预设的标准检测对象模板中，选择第二数量对相对位置；
对于每对相对位置，计算所述样本图片集合的每张图片在该对相对位置的像素差，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值，根据该对相对位置的像素差阈值和所述样本图片集合的每张图片在该对相对位置的像素差，确定在该对相对位置下所述样本图片集合的每张图片所属的子节点，得到相应的左子节点图片集合和右子节点图片集合；根据所述左子节点图片集合和右子节点图片集合中每张图片的标签，计算该对相对位置对应的均方误差MSE；
从所述第二数量对相对位置中，根据所述MSE，选择出一对相对位置并设置为当前内部节点使用的一对相对位置，将该对相对位置对应的像素差阈值，设置为当前内部节点使用的像素差阈值。
较佳地，：所述处理器具体用于：
按照一对相对位置中的每个位置的选择概率服从期望为(0，0)和标准差为(0.25，0.25)的独立相同的二维正态分布的原则，在所述标准检测对象模板中，选择所述第二数量对相对位置；其中，每个所述位置(x，y)的x轴坐标和y轴坐标的取值范围均为[-1,1]。
较佳地，所述处理器具体用于：
对于所述样本图片集合的每张图片，利用标准检测对象模板，采用相似变换的方式进行图像校准，通过相似变换的逆变换，将每对所述相对位置转换为在该图片中的绝对位置，根据对所述绝对位置的取整结果，计算该对相对位置对应的两个绝对位置的像素差值，得到该图片在该对相对位置的像素差。
较佳地，所述处理器具体用于：
将所述样本图片集合的每张图片在该对相对位置的像素差，与该对相对位置的像素差阈值进行比较，将像素差小于等于该像素差阈值的图片分配到左子节点图片集合，将像素差大于该像素差阈值的图片分配到右子节点图片集合。
较佳地，所述处理器具体用于：计算所述左子节点图片集合中所有图片的标签平均值，以及所述右子节点图片集合中所有图片标签的平均值；
对于所述左子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
对于所述右子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
计算所述左子节点图片集合的所述均方误差与所述右子节点图片集合的所述均方误差的和，得到该对相对位置对应的均方误差MSE。
较佳地，所述处理器具体用于：
从所述第二数量对相对位置中，选择出最小所述MSE对应的一对相对位置。
较佳地，当所述图片来自活体时，所述图片的标签为1；当所述图片不是来自活体时，所述图片的标签为-1。
较佳地，所述处理器具体用于：
对于每棵所述像素差特征决策树，当所述目标检测图片遍历到该像素差特征决策树上的一个内部节点时，根据该内部节点所使用的一对相对位置，以及对应的像素差阈值，确定所述目标检测图片所属的子节点，将该子节点确定为所述目标检测图片需要遍历的下一节点；在所述目标检测图片遍历到该像素差特征决策树的叶子节点时，将所述目标检测图片在该叶子节点位置的像素差特征值设置为1，将所述目标检测图片在该像素差特征决策树中未被遍历到的叶子节点，将位置的像素差特征值设置为0；串联所述目标检测图片在该像素差特征决策树中所有叶子节点上的像素差特征值，得到所述目标检测图片在该像素差特征决策树的像素差特征向量。
较佳地，所述检测对象为人脸。
较佳地，所述处理器具体用于：
将所述检测对象的像素差特征向量，输入至预先训练的支持向量机分类器，得到所述目标检测图片是否来自活体的判断结果
由上述技术方案可见，本申请提出的活体检测方案中，预先训练生成的像素差特征决策树，并在对目标检测图片进行检测时，根据该目标检测图片和所述像素差特征决策树，得到该目标检测图片的像素差特征向量；最后再基于该像素差特征向量，对该目标检测图片是否来自活体进行判断。如此，通过基于决策树，实现目标检测图片的像素差特征向量的提取，使得用于活体判断的像素差特征向量不是人工设置，而是通过训练数据学习到的。这样，一方面，基于像素差特征向量进行活体判断，能够正确区分活体图像，提高活体检测的准确度，另一方面，由于仅需要利用预先训练的决策树，对目标检测图片进行像素差特征的提取，可以有效减少运算开销，提高检测效率，改善用户体验。
此外，本发明实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的活体检测方法的步骤。
此外，本发明实施例还提供了一种电子设备，包括如上所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (24)

1.一种活体检测方法，其特征在于，包括：
预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树；
根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述目标检测图片的像素差特征向量；
根据所述目标检测图片的像素差特征向量，判断所述目标检测图片是否来自活体。
2.如权利要求1所述的方法，其特征在于：所述生成预设第一数量棵像素差特征决策树包括：
按照预设的像素差特征训练深度，构建每棵所述像素差特征决策树；
其中，在生成所述像素差特征决策树中的每个内部节点时，在预设的标准检测对象模板中，选择第二数量对相对位置；每对所述相对位置由两个位置组成；
对于每对相对位置，计算所述样本图片集合的每张图片在该对相对位置的像素差，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值，根据该对相对位置的像素差阈值和所述样本图片集合的每张图片在该对相对位置的像素差，确定在该对相对位置下所述样本图片集合的每张图片所属的子节点，得到相应的左子节点图片集合和右子节点图片集合；根据所述左子节点图片集合和右子节点图片集合中每张图片的标签，计算该对相对位置对应的均方误差MSE；
从所述第二数量对相对位置中，根据所述MSE，选择出一对相对位置并设置为当前内部节点使用的一对相对位置，将该对相对位置对应的像素差阈值，设置为当前内部节点使用的像素差阈值。
3.如权利要求2所述的方法，其特征在于：所述选择第二数量对相对位置包括：
按照一对相对位置中的每个位置的选择概率服从期望为(0，0)和标准差为(0.25，0.25)的独立相同的二维正态分布的原则，在所述标准检测对象模板中，选择所述第二数量对相对位置；其中，每个所述位置(x，y)的x轴坐标和y轴坐标的取值范围均为[-1,1]。
4.如权利要求2所述的方法，其特征在于：所述计算所述样本图片集合的每张图片在该对相对位置的像素差包括：
对于所述样本图片集合的每张图片，利用标准检测对象模板，采用相似变换的方式进行图像校准，通过相似变换的逆变换，将每对所述相对位置转换为在该图片中的绝对位置，根据对所述绝对位置的取整结果，计算该对相对位置对应的两个绝对位置的像素差值，得到该图片在该对相对位置的像素差。
5.如权利要求2所述的方法，其特征在于：所述确定在该对相对位置下所述样本图片集合中每张图片所属的子节点包括：
将所述样本图片集合的每张图片在该对相对位置的像素差，与该对相对位置的像素差阈值进行比较，将像素差小于等于该像素差阈值的图片分配到左子节点图片集合，将像素差大于该像素差阈值的图片分配到右子节点图片集合。
6.如权利要求2所述的方法，其特征在于：所述计算该对相对位置对应的均方误差MSE包括：
计算所述左子节点图片集合中所有图片的标签平均值，以及所述右子节点图片集合中所有图片标签的平均值；
对于所述左子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
对于所述右子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
计算所述左子节点图片集合的所述均方误差与所述右子节点图片集合的所述均方误差的和，得到该对相对位置对应的均方误差MSE。
7.如权利要求2所述的方法，其特征在于：所述根据所述MSE，选择出一对相对位置包括：
从所述第二数量对相对位置中，选择出最小所述MSE对应的一对相对位置。
8.如权利要求2所述的方法，其特征在于：当所述图片来自活体时，所述图片的标签为1；当所述图片不是来自活体时，所述图片的标签为-1。
9.如权利要求2所述的方法，其特征在于：所述根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树包括：
对于每棵所述像素差特征决策树，当所述目标检测图片遍历到该像素差特征决策树上的一个内部节点时，根据该内部节点所使用的一对相对位置，以及对应的像素差阈值，确定所述目标检测图片所属的子节点，将该子节点确定为所述目标检测图片需要遍历的下一节点；当所述目标检测图片遍历到该像素差特征决策树的叶子节点时，将所述目标检测图片在该叶子节点位置的像素差特征值设置为1，将所述目标检测图片在该像素差特征决策树中未被遍历到的叶子节点，将位置的像素差特征值设置为0；串联所述目标检测图片在该像素差特征决策树中所有叶子节点上的像素差特征值，得到所述目标检测图片在该像素差特征决策树的像素差特征向量。
10.如权利要求1所述的方法，其特征在于：所述判断所述目标检测图片是否来自活体包括：
将所述目标检测图片的像素差特征向量，输入至预先训练的支持向量机分类器分类器，得到所述目标检测图片是否来自活体的判断结果。
11.如权利要求1所述的方法，其特征在于：所述检测对象为人脸。
12.一种活体检测设备，其特征在于，包括：处理器，所述处理器用于：
预先根据检测对象的样本图片集合，生成预设第一数量棵像素差特征决策树；
根据所述检测对象的目标检测图片，遍历每棵所述像素差特征决策树，得到相应的像素差特征向量；连接所有所述像素差特征向量，得到所述目标检测图片的像素差特征向量；
根据所述目标检测图片的像素差特征向量，判断所述目标检测图片是否来自活体。
13.如权利要求12所述的设备，其特征在于：所述处理器具体用于：
按照预设的像素差特征训练深度，构建每棵所述像素差特征决策树；
其中，在生成所述像素差特征决策树中的每个内部节点时，在预设的标准检测对象模板中，选择第二数量对相对位置；每对所述相对位置由两个位置组成；
对于每对相对位置，计算所述样本图片集合的每张图片在该对相对位置的像素差，从该对相对位置对应的所述像素差中选择一个像素差值，作为该对相对位置的像素差阈值，根据该对相对位置的像素差阈值和所述样本图片集合的每张图片在该对相对位置的像素差，确定在该对相对位置下所述样本图片集合的每张图片所属的子节点，得到相应的左子节点图片集合和右子节点图片集合；根据所述左子节点图片集合和右子节点图片集合中每张图片的标签，计算该对相对位置对应的均方误差MSE；
从所述第二数量对相对位置中，根据所述MSE，选择出一对相对位置并设置为当前内部节点使用的一对相对位置，将该对相对位置对应的像素差阈值，设置为当前内部节点使用的像素差阈值。
14.如权利要求13所述的设备，其特征在于：所述处理器具体用于：
按照一对相对位置中的每个位置的选择概率服从期望为(0，0)和标准差为(0.25，0.25)的独立相同的二维正态分布的原则，在所述标准检测对象模板中，选择所述第二数量对相对位置；其中，每个所述位置(x，y)的x轴坐标和y轴坐标的取值范围均为[-1,1]。
15.如权利要求13所述的设备，其特征在于：所述处理器具体用于：
对于所述样本图片集合的每张图片，利用标准检测对象模板，采用相似变换的方式进行图像校准，通过相似变换的逆变换，将每对所述相对位置转换为在该图片中的绝对位置，根据对所述绝对位置的取整结果，计算该对相对位置对应的两个绝对位置的像素差值，得到该图片在该对相对位置的像素差。
16.如权利要求13所述的设备，其特征在于：所述处理器具体用于：
将所述样本图片集合的每张图片在该对相对位置的像素差，与该对相对位置的像素差阈值进行比较，将像素差小于等于该像素差阈值的图片分配到左子节点图片集合，将像素差大于该像素差阈值的图片分配到右子节点图片集合。
17.如权利要求13所述的设备，其特征在于：所述处理器具体用于：计算所述左子节点图片集合中所有图片的标签平均值，以及所述右子节点图片集合中所有图片标签的平均值；
对于所述左子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
对于所述右子节点图片集合，计算本集合中每张图片的标签与本集合对应的所述平均值的差值的平方，并对本集合的所有图片的所述平方值求和，得到本集合对应的均方误差；
计算所述左子节点图片集合的所述均方误差与所述右子节点图片集合的所述均方误差的和，得到该对相对位置对应的均方误差MSE。
18.如权利要求13所述的设备，其特征在于：所述处理器具体用于：
从所述第二数量对相对位置中，选择出最小所述MSE对应的一对相对位置。
19.如权利要求13所述的设备，其特征在于：当所述图片来自活体时，所述图片的标签为1；当所述图片不是来自活体时，所述图片的标签为-1。
20.如权利要求13所述的设备，其特征在于：所述处理器具体用于：
对于每棵所述像素差特征决策树，当所述目标检测图片遍历到该像素差特征决策树上的一个内部节点时，根据该内部节点所使用的一对相对位置，以及对应的像素差阈值，确定所述目标检测图片所属的子节点，将该子节点确定为所述目标检测图片需要遍历的下一节点；当所述目标检测图片遍历到该像素差特征决策树的叶子节点时，将所述目标检测图片在该叶子节点位置的像素差特征值设置为1，将所述目标检测图片在该像素差特征决策树中未被遍历到的叶子节点，将位置的像素差特征值设置为0；串联所述目标检测图片在该像素差特征决策树中所有叶子节点上的像素差特征值，得到所述目标检测图片在该像素差特征决策树的像素差特征向量。
21.如权利要求12所述的设备，其特征在于：所述检测对象为人脸。
22.如权利要求12所述的设备，其特征在于：所述处理器具体用于：
将所述目标检测图片的像素差特征向量，输入至预先训练的支持向量机分类器分类器，得到所述目标检测图片是否来自活体的判断结果。
23.一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至11中任一项所述的活体检测方法的步骤。
24.一种电子设备，其特征在于，包括如权利要求23所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
CN201910588980.4A 2019-07-02 2019-07-02 一种活体检测方法和设备 Active CN112183156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910588980.4A CN112183156B (zh) 2019-07-02 2019-07-02 一种活体检测方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910588980.4A CN112183156B (zh) 2019-07-02 2019-07-02 一种活体检测方法和设备

Publications (2)

Publication Number Publication Date
CN112183156A true CN112183156A (zh) 2021-01-05
CN112183156B CN112183156B (zh) 2023-08-11

Family

ID=73915019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910588980.4A Active CN112183156B (zh) 2019-07-02 2019-07-02 一种活体检测方法和设备

Country Status (1)

Country Link
CN (1) CN112183156B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080025580A1 (en) * 2006-07-31 2008-01-31 Lumidigm, Inc. Biometrics with spatiospectral spoof detection
CN106407908A (zh) * 2016-08-31 2017-02-15 广州市百果园网络科技有限公司 一种训练模型生成方法、人脸检测方法及装置
CN106446772A (zh) * 2016-08-11 2017-02-22 天津大学 一种人脸识别系统中的防欺骗方法
WO2018061786A1 (ja) * 2016-09-27 2018-04-05 株式会社日立製作所 生体認証装置
CN107992794A (zh) * 2016-12-30 2018-05-04 腾讯科技（深圳）有限公司 一种活体检测方法、装置和存储介质
US20190095701A1 (en) * 2017-09-27 2019-03-28 Lenovo (Beijing) Co., Ltd. Living-body detection method, device and storage medium

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080025580A1 (en) * 2006-07-31 2008-01-31 Lumidigm, Inc. Biometrics with spatiospectral spoof detection
CN106446772A (zh) * 2016-08-11 2017-02-22 天津大学 一种人脸识别系统中的防欺骗方法
CN106407908A (zh) * 2016-08-31 2017-02-15 广州市百果园网络科技有限公司 一种训练模型生成方法、人脸检测方法及装置
WO2018061786A1 (ja) * 2016-09-27 2018-04-05 株式会社日立製作所 生体認証装置
CN107992794A (zh) * 2016-12-30 2018-05-04 腾讯科技（深圳）有限公司 一种活体检测方法、装置和存储介质
US20190095701A1 (en) * 2017-09-27 2019-03-28 Lenovo (Beijing) Co., Ltd. Living-body detection method, device and storage medium

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
K. MHOU等: "Face spoof detection using light reflection in moderate to low lighting", 2017 2ND ASIA-PACIFIC CONFERENCE ON INTELLIGENT ROBOT SYSTEMS (ACIRS) *
蒋尚达: "基于视频的活体人脸检测算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 2018 *

Also Published As

Publication number Publication date
CN112183156B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
KR102596897B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN105335722B (zh) 一种基于深度图像信息的检测系统及方法
Kusakunniran et al. Recognizing gaits across views through correlated motion co-clustering
Lei et al. An efficient 3D face recognition approach based on the fusion of novel local low-level features
CN105740775B (zh) 一种三维人脸活体识别方法及其装置
CN105740780B (zh) 人脸活体检测的方法和装置
Bedagkar-Gala et al. Multiple person re-identification using part based spatio-temporal color appearance model
CN108549836B (zh) 照片的翻拍检测方法、装置、设备及可读存储介质
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
Wang et al. Head pose estimation with combined 2D SIFT and 3D HOG features
JP6071002B2 (ja) 信頼度取得装置、信頼度取得方法および信頼度取得プログラム
CN111178252A (zh) 多特征融合的身份识别方法
CN112016402A (zh) 基于无监督学习的行人重识别领域自适应方法及装置
Bedagkar-Gala et al. Gait-assisted person re-identification in wide area surveillance
CN114724218A (zh) 视频检测方法、装置、设备及介质
Alsawwaf et al. In your face: person identification through ratios and distances between facial features
TWI731919B (zh) 圖像識別方法與裝置及度量學習方法與裝置
Szankin et al. Influence of thermal imagery resolution on accuracy of deep learning based face recognition
KR101789979B1 (ko) 그래디언트 방향 정보에 기반한 하우스도르프 거리 계산 방법
Jia et al. View-invariant gait authentication based on silhouette contours analysis and view estimation
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
CN109461220A (zh) 签到方法、装置及系统
CN112183156B (zh) 一种活体检测方法和设备
Chen et al. Illumination processing in face recognition
TWI632509B (zh) 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質

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