CN112308035A - 图像检测方法、装置、计算机设备和存储介质 - Google Patents

图像检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112308035A
CN112308035A CN202011337405.6A CN202011337405A CN112308035A CN 112308035 A CN112308035 A CN 112308035A CN 202011337405 A CN202011337405 A CN 202011337405A CN 112308035 A CN112308035 A CN 112308035A
Authority
CN
China
Prior art keywords
image
images
different types
detection
consistency verification
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
Application number
CN202011337405.6A
Other languages
English (en)
Inventor
徐江河
吴双
刘世策
姚太平
李博
丁守鸿
李季檩
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011337405.6A priority Critical patent/CN112308035A/zh
Publication of CN112308035A publication Critical patent/CN112308035A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测图像，待检测图像包括至少两种不同类型图像；将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。采用本方法能够提高图像检测结果的安全性和准确性。

Description

图像检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像检测方法、装置、计算机设备和存储介质。
背景技术
随着图像检测技术的发展，出现了活体检测技术，活体检测是在一些身份验证场景确定对象真实生理特征的方法。目前，在进行活体检测时，通常是通过采集到RGB图像，通过RGB图像进行活体检测，然而，使用RGB图像进行活体检测的方法容易受到伪造欺骗比如照片，3D面具等方式的攻击，从而使活体检测结果不够准确，造成安全风险。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测结果准确性的图像检测方法、装置、计算机设备和存储介质。
一种图像检测方法，所述方法包括：
获取待检测图像，待检测图像包括至少两种不同类型图像；
将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；
基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。
一种图像检测装置，所述装置包括：
图像获取模块，用于获取待检测图像，待检测图像包括至少两种不同类型图像；
图像检测模块，用于将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；
结果确定模块，用于基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测图像，待检测图像包括至少两种不同类型图像；
将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；
基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测图像，待检测图像包括至少两种不同类型图像；
将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；
基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。
上述图像检测方法、装置、计算机设备和存储介质，通过获取待检测图像，待检测图像包括至少两种不同类型图像；将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。通过不同分支网络对不同类型的图像进行活体检测，并且对不同类型图像使用分支网络进行图像一致性验证，从而保证不同类型图像的数据一致性，能够对照片等攻击进行有效防御，从而提高了图像检测结果的安全性和准确性。
附图说明
图1为一个实施例中图像检测方法的应用环境图；
图2为一个实施例中图像检测方法的流程示意图；
图3为一个实施例中得到第一图像一致性验证结果的流程示意图；
图4为一个实施例中确定图像检测结果的流程示意图；
图5为一个实施例中得到目标图像一致性验证结果的流程示意图；
图6为一个实施例中得到图像一致性验证结果的流程示意图；
图7为一个实施例中训练图像检测模型的流程示意图；
图8为一个实施例中得到更新图像检测模型的流程示意图；
图9为一个具体实施例中图像检测方法的流程示意图；
图10为一个具体实施例中镜子攻击的示意图；
图11为图10具体实施例中图像检测模型的结构示意图；
图12为一个实施例中图像检测装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例提供的方案涉及人工智能的生物特征识别等技术，具体通过如下实施例进行说明:
本申请提供的图像检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器102获取到终端102采集到的待检测图像，待检测图像包括至少两种不同类型图像；服务器102将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；服务器102基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像检测方法，以该方法应用于图1中的服务器为例进行说明，可以理解的是，该方法也可以应用于终端，本实施例中，该方法包括以下步骤：
步骤204，获取待检测图像，待检测图像包括至少两种不同类型图像。
其中，待检测图像是指需要进行活体检测的图像，该图像可以是通过不同类型摄像头采集到的图像。该活体是指具有真实生理特征的对象，包括人、动物、植物等等。比如，在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作的图像，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。
不同类型图像是指具有不同图像信息的图像，比如，可以通过红外摄像头采集到具体红外信息的红外类型图像，也可以通过RGB(一种颜色标准)摄像头采集到的具有RGB颜色信息的RGB类型图像，也可以通过深度摄像头采集到具体深度信息的深度类型图像，还可以通过其他类型的摄像头采集到其他类型的图像。
具体地，服务器可以获取到通过终端在同一时间上传的待检测图像，该待检测图像包括至少两种不同类型图像。比如，终端通过不同类型的摄像头在同一时间采集到不同类型的图像时，将采集到的不同类型的图像上传大服务器中，服务器获取到终端上传的待检测图像，该待检测图像中可以包括红外类型图像、RGB类型图像和深度类型图像。也可以包括红外类型图像和RGB类型图像或者RGB类型图像和深度类型图像或者红外类型图像和深度类型图像等等。在一个实施例中，服务器也可以获取到在数据库中保存的在同一时间点采集到的待检测图像，该待检测图像包括至少两种不同模态图像，即服务器可以获取到多种模态图像作为待检测图像。
步骤206，将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果。
其中，图像检测模型是指多任务图像检测模型，用于对待检测图像进行活体检测和图像一致性验证。该图像检测模型可以是使用训练样本数据基于神经网络算法进行多任务训练得到的人工智能模型，该训练样本数据可以包括正样本数据和负样本数据。该正样本数据中包括具有真实活体标签的图像和具有图像一致标签的图像，负样本数据中包括具有非真实活体标签的图像和具有图像不一致标签的图像。其中，神经网络算法中神经网络包括输入层、卷积层、归一化(BN)层、全连接层和输出层。其中，激活函数可以使用S型激活函数或者R型激活函数等等，损失函数使用分类任务损失函数，可以包括交叉熵损失函数等等。该神经网络算法可以包括RNN前馈神经网络算法、CNN卷积神经网络算法、长短期记忆网络(Long Short-Term Memory,LSTM)等等。
特征提取网络是指图像检测模型中用于提取图像特征的网络，该特征提取网络可以提取不同类型图像的图像特征，即该特征提取网络中的网络参数是共享的。不同的模型任务使用不同的分支网络进行任务处理。该分支网络包括用于活体检测的至少两个分支网络和用于图像一致性验证的至少一个分支网络。不同类型图像对应有不同的用于活体检测的分支网络。比如RGB类型图像对应RGN活体检测分支网络、深度类型图像对应深度活体检测分支网络、红外类型图像对应红外活体检测分支网络。任意两种不同类型图像对应有用于图像一致性验证的分支网络。比如，RGB类型图像和深度类型图像对应有RGB和深度图像一致性验证分支网络，RGB类型图像和红外类型图像对应有RGB和红外图像一致性验证分支网络，深度类型图像和红外类型图像对应有深度和红外图像一致性验证分支网络。
具体地，服务器将待检测图像输入到图像检测模型中进行多任务处理，该图像检测模型将至少两种不同类型图像同时输入到特征提取网络进行特征提取，得到至少两种不同类型图像分别对应的图像特征，每个类型图像都有对应的图像特征。然后将至少两种不同类型图像分别对应的图像特征分别输入到对应的活体检测分支网络中进行活体检测，得到至少两种不同类型图像对应的活体检测结果，每个类型图像都有对应的活体检测结果。然后同将至少两种不同类型图像分别对应的图像特征输入到对应的图像一致性验证分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果，每两个类型图像都有对应的图像一致性验证结果。活体检测结果用于表征待检测图像是否为活体图像。图像一致性验证结果用于验证不同类型图像的一致性。该活体检测结果包括待检测图像为活体图像和非活体图像，该图像一致性验证结果包括图像一致性验证通过和图像一致性验证未通过。
步骤208，基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。
具体地，当所有不同类型图像对应的活体检测结果都为活体图像以及所有不同类型图像对应的图像一致性验证结果都为图像一致性验证通过时，得到待检测图像对应的图像检测结果为活体图像。当存在体检测结果为非活体图像或者图像一致性验证结果为图像一致性验证未通过时，得到待检测图像对应的图像检测结果为非活体图像。
在上述图像检测方法中，通过获取待检测图像，待检测图像包括至少两种不同类型图像；将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。通过不同分支网络对不同类型的图像进行活体检测，并且对不同类型图像使用分支网络进行图像一致性验证，从而保证不同类型图像的数据一致性，能够对伪造欺骗等攻击进行有效防御，从而提高了图像检测结果的安全性和准确性。
在一个实施例中，如图3所示，步骤204，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果，包括：
步骤302，将至少两种不同类型图像中第一类型图像对应的图像特征输入对应的第一检测分支网络中进行活体检测，得到第一类型图像对应的第一活体检测结果。
其中，第一类型图像是指具有RGB信息的RGB类型图像。第一检测分支网络用于对RGB类型图像进行活体检测。第一活体检测结果包括RGB类型图像为活体图像和非活体图像。
具体地，服务器将第一类型图像对应的图像特征输入到第一检测分支网络中进行活体检测，得到输出的第一活体检测结果。
步骤304，将至少两种不同类型图像中第二类型图像对应的图像特征输入对应的第二检测分支网络中进行活体检测，得到第二类型图像对应的第二活体检测结果。
其中，第二类型图像是指具有深度信息的深度类型图像。第二检测分支网络用于对深度类型图像进行活体检测。第二活体检测结果包括深度类型图像为活体图像和非活体图像。
具体地，服务器将第二类型图像对应的图像特征输入到第二检测分支网络中进行活体检测，得到输出的第二活体检测结果。
步骤306，将第一类型图像对应的图像特征和第二类型图像对应的图像特征输入第一验证分支网络中进行图像一致性验证，得到第一类型图像和第二类型图像对应的第一图像一致性验证结果。
其中，第一验证分支网络用于对第一类型图像和第二类型图像的一致性进行验证。第一图像一致性验证结果用于表征第一类型图像和第二类型图像的一致性验证是否通过，可以包括第一类型图像和第二类型图像的一致性验证通过以及第一类型图像和第二类型图像的一致性验证未通过。
具体地，服务器将第一类型图像对应的图像特征和第二类型图像对应的图像特征进行拼接，得到拼接后的图像特征，将拼接后的图像特征输入到第一验证分支网络中进行图像一致性验证。得到出书的第一图像一致性验证结果。
步骤206，基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果，包括步骤：
基于第一活体检测结果、第二活体检测结果和第一图像一致性验证结果确定待检测图像对应的图像检测结果。
具体地，服务器当第一活体检测结果为活体图像，第二活体检测结果为活体并且第一图像一致性验证结果为图像一致性验证通过时，得到待检测图像对应的图像检测结果为活体图像。
在上述实施例中，通过多任务模型即图像检测模型将不同类型图像使用不同分支网络进行活体检测，并通过第一验证分支网络进行图像一致性验证，然后根据活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果，提高了得到图像检测结果的准确性和效率。
在一个实施例中，如图4所示，步骤304，即在将至少两种不同类型图像中第二类型图像对应的图像特征输入对应的第二检测分支网络中进行活体检测，得到第二类型图像对应的第二活体检测结果之后，还包括：
步骤402，将至少两种不同类型图像中第三类型图像对应的图像特征输入对应的第三检测分支网络中进行活体检测，得到第三类型图像对应的第三活体检测结果。
其中，第三类型图像是指具有红外信息的红外类型图像。第三检测分支网络用于对红外类型图像进行活体检测。第三活体检测结果包括红外类型图像为活体图像和非活体图像。
具体地，服务器图像检测模型中还包括第三检测分支网络，在使用特征提取网络进行特征提取时，同时提取第三类型图像对应的图像特征，然后同时将第三类型图像对应的图像特征输入到对应的第三检测分支网络中进行活体检测，得到第三检测分支网络输出的第三活体检测结果。
该图像检测方法还包括：
步骤404，将第一类型图像对应的图像特征和第三类型图像对应的图像特征输入第二验证分支网络中进行图像一致性验证，得到第一类型图像和第三类型图像对应的第二图像一致性验证结果。
其中，第二验证分支网络用于对第一类型图像和第三类型图像的一致性进行验证。第二图像一致性验证结果用于表征第一类型图像和第三类型图像的一致性验证是否通过，可以包括第一类型图像和第三类型图像的一致性验证通过以及第一类型图像和第三类型图像的一致性验证未通过。
具体地，当第三类型图像为目标类型图像，该目标类型图像是在得到待检测图像对应的图像检测结果后用于进行图像识别的图像时，服务器将第一类型图像对应的图像特征和第三类型图像对应的图像特征进行拼接，得到拼接后的特征，将拼接后的特征输入第二验证分支网络中进行图像一致性验证，得到第一类型图像和第三类型图像对应的第二图像一致性验证结果。
步骤406，基于第一活体检测结果、第二活体检测结果、第三活体检测结果、第一图像一致性验证结果和第二图像一致性验证结果确定待检测图像对应的图像检测结果。
其中，第一活体检测结果是指第一类型图像是否为活体图像的检测结果。第二活体检测结果是指第二类型图像是否为活体图像的检测结果，第三活体检测结果是指第三类型图像是否为活体图像的检测结果。
具体地，当第一类型图像为活体图像、第二类型图像为活体图像、第三类型图像为活体图像、第一图像一致性验证结果为验证通过和第二图像一致性验证结果为验证通过时，得到待检测图像对应的图像检测结果为活体图像。当其中任意类型图像为非活体图像或者验证结果为验证未通过时，得到待检测图像对应的图像检测结果为非活体图像。
在一个实施例中，服务器将第二类型图像对应的图像特征和第三类型图像对应的图像特征输入第三验证分支网络中进行图像一致性验证，得到第二类型图像和第三类型图像对应的第三图像一致性验证结果。然后基于第一活体检测结果、第二活体检测结果、第三活体检测结果、第一图像一致性验证结果、第二图像一致性验证结果和第三图像一致性验证结果确定待检测图像对应的图像检测结果。
在上述实施例中，当待检测图像中包括第三类型图像时，使用第三类型图像进行活体检测和图像一致性验证，当所有分支网络活体检测和图像一致性验证通过时，得到待检测图像为活体图像的检测结果，使得到的图像检测结果更新准确。
在一个实施例中，步骤202，即获取待检测图像，包括步骤：
获取初始视频，对初始视频中各个初始图像进行图像质量检测，得到各个初始图像质量信息；基于各个初始图像质量信息从各个初始图像质量进行图像筛选，得到待检测图像。
其中，初始视频是指需要对视频图像进行检测的视频。图像质量指人们对一幅图像视觉感受的主观评价。通常认为图像质量指被测图像(即目标图像)相对于标准图像(即原图像)在人眼视觉系统中产生误差的程度。图像质量又可分为图像逼真度和图像可懂度。图像逼真度描述所处理的图像和原始图像之间的偏离程度；而图像可懂度则表示人或机器能从图像中抽取有关特征信息的程度。初始图像是指需要进行图像质量检测的图像。初始图像质量信息用于表征初始视频中图像对应的图像质量。
具体地，服务器获取到初始视频，可以是终端通过摄像头实时拍摄视频，并上传服务器的。也可以是服务器获取到预先保存在数据库中的视频。还可以是服务器从互联网中获取到初始视频。然后服务器可以对初始视频中各个初始图像进行图像质量检测，得到各个初始图像质量信息。比如，可以使用预先设置好的图像质量评价指标对初始视频中各个初始图像进行检测。该预先设置好的图像质量评价指标可以包括分辨率、色彩深度和图像失真等。比如，也可以使用预先训练的图像质量评价模型对初始视频中各个初始图像进行图像质量检测，该图像质量评价模型可以是使用卷积神经网络算法训练得到模型。最后服务器从各个初始图像质量信息选取最好的初始图像质量信息，将最好的初始图像质量信息对应的初始图像作为待检测图像。
在上述实施例中，通过对初始图像的图像质量进行检测，然后对初始图像进行筛选，从而得到待检测图像，使得后续对图像进行检测时，能够得到更加准确的检测结果。
在一个实施例中，图像检测模型包括至少两种特征提取网络；如图5所示，步骤204，即通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，包括：
步骤502，将至少两种不同类型图像分别输入对应的特征提取网络中进行特征提取，得到至少两种不同类型图像对应的目标图像特征；其中，至少两种特征提取网络中网络参数之间的损失值小于预设阈值。
其中，至少两种特征提取网络是指每种不同类型图像都对应有特征提取网络，即一种类型图像对应一种特征提取网络。目标图像特征是指不同类型图像输入到对应的特征提取网络后输出的图像特征。预设阈值是预先设置好的损失值阈值。
具体地，服务器将至少两种不同类型图像分别输入对应的特征提取网络中进行特征提取，得到至少两种不同类型图像对应的目标图像特征，该至少两种特征提取网络中网络参数之间的损失值小于预设阈值。即在训练时，当特征提取网络中网络参数之间的损失值小于预设阈值时才能得到训练完成的特征提取网络。
步骤204，即将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果，包括：
步骤504，将至少两种不同类型图像对应的目标图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的目标活体检测结果。
其中，目标活体检测结果是指根据目标图像特征得到的活体检测结果，目标活体检测结果包括非活体图像和活体图像。
具体地，服务器同时将至少两种不同类型图像对应的目标图像特征分别输入对应的分支网络进行活体检测，得到分支网络的输出，即至少两种不同类型图像对应的目标活体检测结果。
步骤506，将至少两种不同类型图像对应的目标图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的目标图像一致性验证结果。
具体地，服务器将至少两种不同类型图像对应的目标图像特征进行两两拼接，即服务器将任意两种不同类型图像对应的目标图像特征进行拼接，然后将拼接后的图像特征输入到对应的分支网络中进行图像一致性验证，得到每个分支网络输出的目标图像一致性验证结果。该目标图像一致性验证结果用于表征两种不同类型图像的一致性。
在上述实施例中，当图像检测模型包括至少两种特征提取网络，通过不同的特征提取网络提取不同类型图像的图像特征，使得提取到的图像特征更加的准确，进而时后续的活体检测结果的图像一致性验证结果更加的准确。
在一个实施例中，如图6所示，步骤204，基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果，包括：
步骤602，通过第一检测分支网络计算至少两种不同类型图像中第一类型图像对应的图像特征与至少两种不同类型图像中第二类型图像对应的图像特征之间的特征相似度。
其中，特征相似度用于表征不同类型图像之间的相似程度，特征相似度越高说明不同类型图像越相似。
具体地，服务器通过第一检测分支网络计算至少两种不同类型图像中第一类型图像对应的图像特征与至少两种不同类型图像中第二类型图像对应的图像特征之间的特征相似度。在一个实施例中，服务器也可以直接使用相似度算法计算第一类型图像对应的图像特征与第二类型图像对应的图像特征之间的特征相似度，相似度算法可以包括距离相似度算法、余弦相似度算法、皮尔逊相关系数算法等等。
步骤604，当特征相似度超过预设图像一致性阈值时，得到第一类型图像与第二类型图像对应的图像一致性验证结果为图像一致性验证通过，图像一致性验证通过用于表示不同类型图像是使用同一个设备在同一时间采集到的图像。
具体地，预设图像一致性阈值是指预先设置好的用于表示图像一致的阈值。在同一设备同一时间面向同一活体对象不同类型的摄像头进行图像采集时，得到的不同类型图像在各个位置的图像特征是基本对齐的，不同类型图像之间只有模态上的差异，而伪造欺骗比如照片，3D面具等方式的攻击图像在图像特征上会有其他类型图像的图像特征差别巨大。基于此，服务器比较特征相似度与预设图像一致性阈值，当特征相似度超过预设图像一致性阈值时，说明该第一类型图像和第二类型图像时使用同一个设备在同一时间采集到同一活体对象的图像，因此，得到第一类型图像与第二类型图像对应的图像一致性验证结果为图像一致性验证通过。当特征相似度未超过预设图像一致性阈值时，说明该第一类型图像和第二类型图像时并不是使用同一个设备在同一时间采集到同一活体对象的图像，得到第一类型图像与第二类型图像对应的图像一致性验证结果为图像一致性验证未通过。
在上述实施例中，通过分支网络计算第一类型图像的图像特征与第二类型图像的图像特征之间的特征相似度，进而根据特征相似度确定第一类型图像和第二类型图像对应的图像一致性验证结果，提高了图像一致验证结果的准确性，并且有效保证了不同类型图像的一致性，从而能够对攻击图像进行有效防御，避免安全问题。
在一个实施例中，图像检测模型包括图像转换网络；在步骤204之前，即在通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果之前，还包括步骤：
图像检测模型将至少两种不同类型图像中第二类型图像输入到图像转换网络中进行图像转换，得到与至少两种不同类型图像中第一类型图像类型一致的转换图像，将转换图像作为第二类型图像。
其中，图像转换网络用于将不同类型图像转换为同一类型的图像，比如，将RGB类型图像转换为深度类型图像或者将RGB类型图像转换为红外图像。转换图像是指将第二类型图像转换后得到的与第一类型图像类型一致的图像。
具体地，服务器中的图像检测模型中还可以包括有图像转换网络，然后将需要进行转换的第二类型图像输入到图像转换网络中进行图像转换，得到输出的与第一类型图像类型一致的转换图像，将该转换图像作为第二类型图像，然后使用第一类型图像和第二类型图像通过图像检测模型进行活体检测。
在一个实施例中，也可以在获取待检测图像之后，直接将需要进行转换的图像进行转换，然后将转换后的图像输入到图像检测模型中进行图像活体检测。
在一个实施例中，在进行图像转换之前，还可以对待检测图像进行预处理，得到预处理后的图像，使用预处理后的图像进行图像检测。比如，将待检测图像中的不同类型图像都缩放至相同尺寸大小，将相同尺寸大小的不同类型图像进行图像检测。
在上述实施例中，通过将不同类型图像转换成同一类型的图像，然后使用同一类型的图像进行图像活体检测，提高了图像活体检测的效率，可以更方便对图像进行活体检测。
在一个实施例中，步骤206，即基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果，包括步骤：
当至少两种不同类型图像为活体图像，图像一致性验证结果为图像一致性验证通过时，得到图像检测结果为活体检测通过。
其中，活体图像是指待检测图像中的对象是活体对象。
具体地，服务器判断当不同类型图像的活体检测结果全为活体图像，并且所有的图像一致性验证结果为图像一致性验证通过时，得到图像检测结果为活体检测通过，即该待检测图像为活体图像。服务器判断当不同类型的图像对应的活体检测结果中存在非活体图像或者图像一致性验证结果中存在图像一致性验证未通过时，得到图像检测结果为活体检测未通过，即待检测图像中存在欺骗或者伪造的类型图像，此时，服务器可以生成图像活体检测未通过信息进行提示。
在一个实施例中，在得到图像检测结果为活体检测通过时，将待检测图像输入中的RGB图像输入到图像识别模型中进行图像识别。其中，图像识别模型可以是人脸识别模型，用于识别出图像中人脸的身份信息，然后基于识别的人脸身份信息可以进行人脸支付验证、人脸开锁验证等等。
在上述实施例中，服务器当至少两种不同类型图像为活体图像，图像一致性验证结果为图像一致性验证通过时，得到图像检测结果为活体检测通过，只有所有分支网络的活体检测结果都为活体图像且图像一致性验证通过时，才能得到活体检测同的检测结果，从而使得到的活体检测结果更新准确。
在一个实施例中，如图7所示，图像检测模型的训练包括以下步骤：
步骤702，获取训练数据集，训练数据集包括至少两种不同类型样本图像和对应的类别标签。
其中，训练数据集是指用于训练图像检测模型的图像数据。类别标签包括活体检测类别标签和图像一致性检测标签，活体检测类别标签用于表示图像对应的活体检测类别，包括活体图像类别和非活体图像类别。图像一致性标签用于表示图像一致性验证对应的类别，包括图像一致性验证通过类别和图像一致性验证未通过类别。
具体地，服务器可以从数据库中获取到训练数据集，该训练数据集中包括至少两种不同类型样本图像和对应的类别标签。比如，训练数据集中包括两种类型样本和对应的类别标签，得到的一组训练样本可以是以(第一类型图像，第一类型图像活体检测标签，第二类型图像，第二类型图像活体检测标签，第一类型图像和第二类型图像对应的图像一致性标签)的存储格式存储到数据库中的，服务器从数据库中直接查找到训练样本。服务器还可以从提供训练数据的服务方服务器中获取到训练数据集。服务器也可以实时通过采集设备采集到训练数据集。
在一个具体的实施例中，服务器可以使用同一设备同一时刻面向同一个活体所获取的深度类型图像、红外类型图像及RGB类型图像，从而得到正样本训练数据。然后获取到镜子攻击图像对应的RGB类型图像、深度类型图像和红外类型图像，得到负样本训练数据，然后根据正样本训练数据和负样本训练数据得到训练数据集。
在一个实施例中，服务器可以只获取到正样本训练数据，即获取到使用同一设备同一时刻面向同一个活体的深度类型图像、红外类型图像及RGB类型图像。然后使用正样本训练数据训练目标图像检测模型，该目标图像检测模型用于检测活体类别图像，其他非活体类别图像统一识别为异常图像。
步骤704，将至少两种不同类型样本图像输入初始化图像检测模型中，初始化图像检测模型通过初始化特征提取网络至少两种不同类型样本图像分别对应的样本图像特征，将至少两种不同类型样本图像分别对应的样本图像特征输入对应的初始化分支网络进行活体检测，得到至少两种不同类型样本图像对应的初始活体检测结果，并基于至少两种不同类型样本图像分别对应的样本图像特征使用对应的初始化分支网络进行图像一致性验证，得到至少两种不同类型样本图像对应的初始图像一致性验证结果。
其中，初始化图像检测模型是指模型参数全部初始化的图像检测模型。初始化特征提取网络是指特征提取网络中网络参数初始化。初始化分支网络是指分支网络中的网络参数初始化。初始活体检测结果是指基于初始化参数得到的活体检测结果。初始图像一致性验证结果是指基于初始化参数得到的图像一致性验证结果。
具体地，服务器在训练图像检测模型时进行前向传播，即将至少两种不同类型样本图像输入初始化图像检测模型中，初始化图像检测模型通过初始化特征提取网络至少两种不同类型样本图像分别对应的样本图像特征，不同类型样本图像有不同的样本图像特征，将至少两种不同类型样本图像分别对应的样本图像特征输入对应的初始化分支网络进行活体检测，得到至少两种不同类型样本图像对应的初始活体检测结果，不同类型样本图像有不同的初始活体检测结果。并基于至少两种不同类型样本图像分别对应的样本图像特征使用对应的初始化分支网络进行图像一致性验证，得到至少两种不同类型样本图像对应的初始图像一致性验证结果，即服务器在进行多任务模型训练时，在模型中同时进行多个任务的前向传播。
步骤706，基于初始活体检测结果和类别标签中对应的活体检测类别标签进行损失计算，得到至少两种不同类型样本图像对应的活体检测损失信息，并基于初始图像一致性验证结果和类别标签中对应的图像一致性类别标签进行损失计算，得到至少两种不同类型样本图像对应的图像一致性验证损失信息。
其中，活体检测损失信息用于表征初始活体检测结果和对应的活体检测类别标签之间的误差。图像一致性验证损失信息用于表征初始图像一致性验证结果与对应的图像一致性类别标签之间的误差。
具体地，服务器使用预先设置好的分类损失函数计算初始活体检测结果和类别标签中对应的活体检测类别标签的误差，得到至少两种不同类型样本图像对应的活体检测损失信息，同时使用预先设置好的分类损失函数计算初始图像一致性验证结果和对应的图像一致性类别标签之间的误差信息，得到图像一致性验证损失信息。其中，分类损失函数可以是交叉熵损失函数。
步骤708，基于至少两种不同类型样本图像对应的活体检测损失信息反向更新对应的初始化分支网络和初始化特征提取网络，并根据图像一致性验证损失信息反向更新对应的初始化分支网络和初始化特征提取网络，得到更新图像检测模型。
其中，更新图像检测模型是指模型中参数更新后的图像检测模型。
具体地，服务器基于反向传播算法使用活体检测损失信息反向更新对应的初始化分支网络和初始化特征提取网络，即更新每个影响活体检测结果的模型参数。并通过基于反向传播算法使用图像一致性验证损失信息反向更新对应的初始化分支网络和初始化特征提取网络，即更新每个影响图像一致性验证结果的模型参数，得到更新图像检测模型。其中，反向传播算法可以是梯度下降算法、共轭梯度算法等等。
步骤710，将更新图像检测模型作为初始图像检测模型，并返回将至少两种不同类型样本图像输入初始化图像检测模型中的步骤，直到训练完成时，得到图像检测模型。
具体地，服务器将更新图像检测模型作为初始图像检测模型，并返回将至少两种不同类型样本图像输入初始化图像检测模型中的步骤进行执行，直到达到训练完成条件时，将最后一次训练得到的更新图像检测模型作为训练完成的图像检测模型。其中，训练完成条件可以是训练达到最大迭代次数、模型参数未发生明显变化或者损失信息达到预先设置好的阈值。然后服务器可以将训练得到的图像检测模型进行部署并使用。
在上述实施例中，通过预先使用训练数据集训练得到的图像检测模型，然后进行部署并使用，提高了图像检测的效率。
在一个实施例中，初始化图像检测模型包括至少两种初始化特征提取网络；
如图8所示，步骤708，即基于至少两种不同类型样本图像对应的活体检测损失信息反向更新对应的初始化分支网络和初始化特征提取网络，并根据图像一致性验证损失信息反向更新对应的初始化分支网络和初始化特征提取网络，得到更新图像检测模型，包括：
步骤802，基于至少两种不同类型样本图像对应的活体检测损失信息更新对应的初始化特征提取网络和对应的初始化分支网络，并根据至少两种不同类型样本图像对应的图像一致性验证损失信息反向更新对应的初始化分支网络和对应的初始化特征提取网络，得到至少两种待确认特征提取网络。
其中，待确认特征提取网络是指需要确认网络参数更新是否准确的特征提取网络。
具体地，服务器使用活体检测损失信息更新对应的初始化特征提取网络和对应的初始化分支网络，比如，活体检测损失信息为RGB类型图像对应的活体检测损失信息，则使用该活体检测损失信息更新提取该RGB类型图像的初始化特征提取网络和进行RGB类型图像活体检测的初始化分支网络。同时使用图像一致性验证损失信息反向更新对应的初始化分支网络和对应的初始化特征提取网络。比如，图像一致性验证损失信息为RGB类型图像和深度类型图像对应的图像一致性验证损失信息，此时使用该图像一致性验证损失信息更新验证RGB类型图像和深度类型图像一致性的初始化分支网络、提取RGB类型图像的初始化特征提取网络和提取深度类型图像的初始化特征提取网络。更新完成后，得到至少两种待确认特征提取网络。
步骤804，计算至少两种待确认特征提取网络中网络参数之间的参数损失值。
具体地，服务器计算至少两种待确认特征提取网络中网络参数之间的参数损失值，即将待确认特征提取网络中网络参数输入到预先设置好的损失函数中计算网络参数之间的误差值。比如，可以使用均方误差损失函数或者平均绝对误差损失函数进行计算第一待确认特征提取网络中每个网络参数与第二待确认特征提取网络中每个网络参数之间的误差值。
步骤806，当参数损失值小于预设参数损失阈值时，得到至少两种更新特征提取网络，基于至少两种更新特征提取网络得到更新图像检测模型。
具体地，预设参数损失阈值是指预先设置好的网络参数之间的误差阈值。服务器比较参数损失值和预设参数损失阈值，当参数损失值小于预设参数损失阈值时，得到至少两种更新特征提取网络，基于至少两种更新特征提取网络得到更新图像检测模型。当参数损失值未小于预设参数损失阈值时，重新进行网络参数的更新或者对网络参数进行调整，直到参数损失值小于预设参数损失阈值。
在上述实施例中，通过计算至少两种待确认特征提取网络中网络参数之间的参数损失值，进而得到至少两种更新特征提取网络，然后基于至少两种更新特征提取网络得到图像检测模型，从而使训练得到的图像检测模型提高了准确性。
在一个具体的实施例中，如图9所示，提供一种图像检测方法，具体包括以下步骤：
步骤902，获取初始视频，对初始视频中各个初始图像进行图像质量检测，得到各个初始图像质量信息，基于各个初始图像质量信息从各个初始图像质量进行图像筛选，得到待检测图像，待检测图像包括至少两种不同类型图像。
步骤904，将待检测图像输入到图像检测模型中，图像检测模型将至少两种不同类型图像中第二类型图像输入到图像转换网络中进行图像转换，得到与至少两种不同类型图像中第一类型图像类型一致的转换图像，将转换图像作为第二类型图像。
步骤906，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像中第一类型图像对应的图像特征输入对应的第一检测分支网络中进行活体检测，得到第一类型图像对应的第一活体检测结果。
步骤908，图像检测模型将至少两种不同类型图像中第二类型图像对应的图像特征输入对应的第二检测分支网络中进行活体检测，得到第二类型图像对应的第二活体检测结果。
步骤910，图像检测模型将至少两种不同类型图像中第三类型图像对应的图像特征输入对应的第三检测分支网络中进行活体检测，得到第三类型图像对应的第三活体检测结果。
步骤912，图像检测模型将第一类型图像对应的图像特征和第二类型图像对应的图像特征输入第一验证分支网络中进行图像一致性验证，得到第一类型图像和第二类型图像对应的第一图像一致性验证结果。
步骤914，图像检测模型将第一类型图像对应的图像特征和第三类型图像对应的图像特征输入第二验证分支网络中进行图像一致性验证，得到第一类型图像和第三类型图像对应的第二图像一致性验证结果。
步骤916，基于第一活体检测结果、第二活体检测结果、第三活体检测结果、第一图像一致性验证结果和第二图像一致性验证结果确定待检测图像对应的图像检测结果。
本申请还提供一种应用场景，该应用场景应用上述的图像检测方法。具体地，该图像检测方法在该应用场景的应用如下：
在人脸身份验证系统中通过供深度(或红外)摄像头、RGB摄像头并利用深度(或红外)图进行人脸活体判断，然后根据人脸活体判断结果进行人脸身份验证。此时，如果使用镜子攻击来攻击人脸身份验证系统，会使得人脸图像活体检测的准确性降低，并且给后续人脸身份识别带来安全风险，如图10所示，为使用镜子攻击的示意图。其中，攻击者利用镜子将伪造的照片提供给RGB摄像头进行拍摄，由于人脸识别通过使用RGB图像进行人脸识别，对伪造的RGB图像活体检测通过，会造成重大的安全风险。然而，在本申请中，将采集的深度人脸图像、RGB人脸图像和红外人脸图像输入到图像检测模型。如图11所示为本申请中图像检测模型的结构示意图，其中，包括输入层、卷积模块、全连接层，输出层以及在训练时使用损失函数进行反向更新，该卷积模块中包括卷积层、BN层和激活函数。此时，图像检测模型通过特征提取网络进行特征提取，然后将深度人脸图像特征输入到深度活体检测网络中进行活体检测，得到深度活体检测结果，同时将RGB人脸图像特征输入到RGB活体检测网络中进行活体检测，得到RGB活体检测结果，同时将RGB人脸图像特征和深度人脸图像特征输入到图像一致验证网络中进行交叉验证，得到RGB人脸图像和深度人脸图像的图像一致验证结果，同时将红外人脸图像特征输入到红外活体检测网络中进行活体检测，得到红外检测结果，同时将红外人脸图像特征和RGB人脸图像特征输入到图像一致验证网络中进行交叉验证，得到红外人脸图像和RGB人脸图像的图像一致验证结果。其中，活体检测网络是以卷积神经网络为基础的模型，比如，可以使用VGG16(Visual Geometry Group Network16，视觉几何群网络)网络、GoogleNet(一种全新的深度学习结构)网络、ResNet(残差网络)网络和MobileNet(应用于移动端的神经网络)网络等等。
此时，由于RGB图像时攻击图像，由于攻击图像的特征与红外图像和深度图像的特征差别较大，从而使得到的红外人脸图像和RGB人脸图像的图像一致验证结果为未通过以及得到的红外人脸图像和RGB人脸图像的图像一致验证结果为未通过，然而得到活体检测结果为活体检测失败，使得到的图像检测结果更加准确，从而避免攻击者对人脸身份验证系统的攻击，保证人脸身份验证系统的安全性，
本申请还提供一种应用场景，该应用场景应用上述的图像检测方法。具体地，该图像检测方法在该应用场景的应用如下：
应用在动物活体图像检测平台中，具体来说：
在同一时间通过不同类型的摄像头拍摄到红外动物图像、RGB动物图像以及深度动物图像，将红外动物图像、RGB动物图像以及深度动物图像输入到动物图像检测模型中，动物图像检测模型通过特征提取网络提取红外动物图像、RGB动物图像以及深度动物图像对应的图像特征，将红外动物图像、RGB动物图像以及深度动物图像输入对应的分支网络进行活体检测，得到红外动物图像、RGB动物图像以及深度动物图像对应的活体检测结果，并基于红外动物图像、RGB动物图像以及深度动物图像对应的图像特征使用对应的分支网络进行图像一致性验证，得到红外动物图像、RGB动物图像以及深度动物图像对应的图像一致性验证结果，当活体检测结果全为动物活体，且图像一致性验证结果为通过时，得到该动物图像活体检测通过，即该动物图像为活体动物图像。
应该理解的是，虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种图像检测装置1200，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：图像获取模块1202、图像检测模块1204和结果确定模块1206，其中：
图像获取模块1202，用于获取待检测图像，待检测图像包括至少两种不同类型图像；
图像检测模块1204，用于将待检测图像输入到图像检测模型中，图像检测模型通过特征提取网络提取至少两种不同类型图像分别对应的图像特征，将至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的活体检测结果，并基于至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的图像一致性验证结果；
结果确定模块1206，用于基于活体检测结果和图像一致性验证结果确定待检测图像对应的图像检测结果。
在一个实施例中，图像检测模块1204，包括：
第一活体检测单元，用于将至少两种不同类型图像中第一类型图像对应的图像特征输入对应的第一检测分支网络中进行活体检测，得到第一类型图像对应的第一活体检测结果；
第二活体检测单元，用于将至少两种不同类型图像中第二类型图像对应的图像特征输入对应的第二检测分支网络中进行活体检测，得到第二类型图像对应的第二活体检测结果；
第一验证单元，用于将第一类型图像对应的图像特征和第二类型图像对应的图像特征输入第一验证分支网络中进行图像一致性验证，得到第一类型图像和第二类型图像对应的第一图像一致性验证结果；
结果确定模块1206还用于基于第一活体检测结果、第二活体检测结果和第一图像一致性验证结果确定待检测图像对应的图像检测结果。
在一个实施例中，图像检测模块1204，还包括：
第三活体检测单元，用于将至少两种不同类型图像中第三类型图像对应的图像特征输入对应的第三检测分支网络中进行活体检测，得到第三类型图像对应的第三活体检测结果；
图像检测装置1200，还包括：
第三验证单元，用于将第一类型图像对应的图像特征和第三类型图像对应的图像特征输入第二验证分支网络中进行图像一致性验证，得到第一类型图像和第三类型图像对应的第二图像一致性验证结果；
结果确定模块1206还用于基于第一活体检测结果、第二活体检测结果、第三活体检测结果、第一图像一致性验证结果和第二图像一致性验证结果确定待检测图像对应的图像检测结果。
在一个实施例中，图像获取模块1202还用于获取初始视频，对初始视频中各个初始图像进行图像质量检测，得到各个初始图像质量信息；基于各个初始图像质量信息从各个初始图像质量进行图像筛选，得到待检测图像。
在一个实施例中，图像检测模型包括至少两种特征提取网络；图像检测模块1204，包括：
目标特征提取单元，用于将至少两种不同类型图像分别输入对应的特征提取网络中进行特征提取，得到至少两种不同类型图像对应的目标图像特征；其中，至少两种特征提取网络中网络参数之间的损失值小于预设阈值；
目标检测结果得到单元，用于将至少两种不同类型图像对应的目标图像特征输入对应的分支网络进行活体检测，得到至少两种不同类型图像对应的目标活体检测结果；
目标验证结果得到单元，用于将至少两种不同类型图像对应的目标图像特征使用对应的分支网络进行图像一致性验证，得到至少两种不同类型图像对应的目标图像一致性验证结果。
在一个实施例中，图像检测模块1204还用于通过第一检测分支网络计算至少两种不同类型图像中第一类型图像对应的图像特征与至少两种不同类型图像中第二类型图像对应的图像特征之间的特征相似度；当特征相似度超过预设图像一致性阈值时，得到第一类型图像与第二类型图像对应的图像一致性验证结果为图像一致性验证通过，图像一致性验证通过用于表示不同类型图像是使用同一个设备在同一时间采集到的图像。
在一个实施例中，图像检测模型包括图像转换网络；图像检测模块1204，还包括：
图像转换单元，用于图像检测模型将至少两种不同类型图像中第二类型图像输入到图像转换网络中进行图像转换，得到与至少两种不同类型图像中第一类型图像类型一致的转换图像，将转换图像作为第二类型图像。
在一个实施例中，结果确定模块1206还用于当至少两种不同类型图像为活体图像，图像一致性验证结果为图像一致性验证通过时，得到图像检测结果为活体检测通过。
在一个实施例中，图像检测装置1200，还包括：
数据获取模块，用于获取训练数据集，训练数据集包括至少两种不同类型样本图像和对应的类别标签；
初始训练模块，用于将至少两种不同类型样本图像输入初始化图像检测模型中，初始化图像检测模型通过初始化特征提取网络至少两种不同类型样本图像分别对应的样本图像特征，将至少两种不同类型样本图像分别对应的样本图像特征输入对应的初始化分支网络进行活体检测，得到至少两种不同类型样本图像对应的初始活体检测结果，并基于至少两种不同类型样本图像分别对应的样本图像特征使用对应的初始化分支网络进行图像一致性验证，得到至少两种不同类型样本图像对应的初始图像一致性验证结果；
损失计算模块，用于基于初始活体检测结果和类别标签中对应的活体检测类别标签进行损失计算，得到至少两种不同类型样本图像对应的活体检测损失信息，并基于初始图像一致性验证结果和类别标签中对应的图像一致性类别标签进行损失计算，得到至少两种不同类型样本图像对应的图像一致性验证损失信息；
更新模块，用于基于至少两种不同类型样本图像对应的活体检测损失信息反向更新对应的初始化分支网络和初始化特征提取网络，并根据图像一致性验证损失信息反向更新对应的初始化分支网络和初始化特征提取网络，得到更新图像检测模型；
模型得到模块，用于将更新图像检测模型作为初始图像检测模型，并返回将至少两种不同类型样本图像输入初始化图像检测模型中的步骤，直到训练完成时，得到图像检测模型。
在一个实施例中，初始化图像检测模型包括至少两种初始化特征提取网络；更新模块，包括：
待确认网络得到单元，用于基于至少两种不同类型样本图像对应的活体检测损失信息更新对应的初始化特征提取网络和对应的初始化分支网络，并根据至少两种不同类型样本图像对应的图像一致性验证损失信息反向更新对应的初始化分支网络和对应的初始化特征提取网络，得到至少两种待确认特征提取网络；
网络确认模单元，用于计算至少两种待确认特征提取网络中网络参数之间的参数损失值；当参数损失值小于预设参数损失阈值时，得到至少两种更新特征提取网络，基于至少两种更新特征提取网络得到更新图像检测模型。
关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。上述图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测图像或者训练数据集等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像检测方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，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各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种图像检测方法，其特征在于，所述方法包括：
获取待检测图像，所述待检测图像包括至少两种不同类型图像；
将所述待检测图像输入到图像检测模型中，所述图像检测模型通过特征提取网络提取所述至少两种不同类型图像分别对应的图像特征，将所述至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到所述至少两种不同类型图像对应的活体检测结果，并基于所述至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的图像一致性验证结果；
基于所述活体检测结果和所述图像一致性验证结果确定所述待检测图像对应的图像检测结果。
2.根据权利要求1所述的方法，其特征在于，将所述至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到所述至少两种不同类型图像对应的活体检测结果，并基于所述至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的图像一致性验证结果，包括：
将所述至少两种不同类型图像中第一类型图像对应的图像特征输入对应的第一检测分支网络中进行活体检测，得到所述第一类型图像对应的第一活体检测结果；
将所述至少两种不同类型图像中第二类型图像对应的图像特征输入对应的第二检测分支网络中进行活体检测，得到所述第二类型图像对应的第二活体检测结果；
将所述第一类型图像对应的图像特征和所述第二类型图像对应的图像特征输入第一验证分支网络中进行图像一致性验证，得到所述第一类型图像和第二类型图像对应的第一图像一致性验证结果；
所述基于所述活体检测结果和所述图像一致性验证结果确定所述待检测图像对应的图像检测结果，包括：
基于所述第一活体检测结果、第二活体检测结果和第一图像一致性验证结果确定所述待检测图像对应的图像检测结果。
3.根据权利要求2所述的方法，其特征在于，在所述将所述至少两种不同类型图像中第二类型图像对应的图像特征输入对应的第二检测分支网络中进行活体检测，得到所述第二类型图像对应的第二活体检测结果之后，还包括：
将所述至少两种不同类型图像中第三类型图像对应的图像特征输入对应的第三检测分支网络中进行活体检测，得到所述第三类型图像对应的第三活体检测结果；
所述方法还包括：
将所述第一类型图像对应的图像特征和所述第三类型图像对应的图像特征输入第二验证分支网络中进行图像一致性验证，得到所述第一类型图像和第三类型图像对应的第二图像一致性验证结果；
基于所述第一活体检测结果、第二活体检测结果、第三活体检测结果、第一图像一致性验证结果和所述第二图像一致性验证结果确定所述待检测图像对应的图像检测结果。
4.根据权利要求1所述的方法，其特征在于，所述获取待检测图像，包括：
获取初始视频，对所述初始视频中各个初始图像进行图像质量检测，得到所述各个初始图像质量信息；
基于所述各个初始图像质量信息从所述各个初始图像质量进行图像筛选，得到待检测图像。
5.根据权利要求1所述的方法，其特征在于，所述图像检测模型包括至少两种特征提取网络；
所述通过特征提取网络提取所述至少两种不同类型图像分别对应的图像特征，包括：
将所述至少两种不同类型图像分别输入对应的特征提取网络中进行特征提取，得到所述至少两种不同类型图像分别对应的目标图像特征；其中，所述至少两种特征提取网络中网络参数之间的损失值小于预设阈值；
所述将所述至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到所述至少两种不同类型图像对应的活体检测结果，并基于所述至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的图像一致性验证结果，包括：
将所述至少两种不同类型图像分别对应的目标图像特征输入对应的分支网络进行活体检测，得到所述至少两种不同类型图像对应的目标活体检测结果；
将所述至少两种不同类型图像分别对应的目标图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的目标图像一致性验证结果。
6.根据权利要求1所述的方法，其特征在于，所述基于所述至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的图像一致性验证结果，包括：
通过第一检测分支网络计算所述至少两种不同类型图像中第一类型图像对应的图像特征与所述至少两种不同类型图像中第二类型图像对应的图像特征之间的特征相似度；
当所述特征相似度超过预设图像一致性阈值时，得到所述第一类型图像与所述第二类型图像对应的图像一致性验证结果为图像一致性验证通过，所述图像一致性验证通过用于表示不同类型图像是使用同一个设备在同一时间采集到的图像。
7.根据权利要求1所述的方法，其特征在于，所述图像检测模型包括图像转换网络；
在所述通过特征提取网络提取所述至少两种不同类型图像分别对应的图像特征，将所述至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到所述至少两种不同类型图像对应的活体检测结果，并基于所述至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的图像一致性验证结果之前，还包括：
所述图像检测模型将所述至少两种不同类型图像中第二类型图像输入到所述图像转换网络中进行图像转换，得到与所述至少两种不同类型图像中第一类型图像类型一致的转换图像，将所述转换图像作为所述第二类型图像。
8.根据权利要求1所述的方法，其特征在于，所述基于所述活体检测结果和所述图像一致性验证结果确定所述待检测图像对应的图像检测结果，包括：
当所述至少两种不同类型图像为活体图像，所述图像一致性验证结果为图像一致性验证通过时，得到所述图像检测结果为活体检测通过。
9.根据权利要求1所述的方法，其特征在于，所述图像检测模型的训练包括以下步骤：
获取训练数据集，所述训练数据集包括至少两种不同类型样本图像和对应的类别标签；
将所述至少两种不同类型样本图像输入初始化图像检测模型中，所述初始化图像检测模型通过初始化特征提取网络至少两种不同类型样本图像分别对应的样本图像特征，将所述至少两种不同类型样本图像分别对应的样本图像特征输入对应的初始化分支网络进行活体检测，得到所述至少两种不同类型样本图像对应的初始活体检测结果，并基于所述至少两种不同类型样本图像分别对应的样本图像特征使用对应的初始化分支网络进行图像一致性验证，得到所述至少两种不同类型样本图像对应的初始图像一致性验证结果；
基于所述初始活体检测结果和所述类别标签中对应的活体检测类别标签进行损失计算，得到所述至少两种不同类型样本图像对应的活体检测损失信息，并基于所述初始图像一致性验证结果和所述类别标签中对应的图像一致性类别标签进行损失计算，得到所述至少两种不同类型样本图像对应的图像一致性验证损失信息；
基于所述至少两种不同类型样本图像对应的活体检测损失信息反向更新对应的初始化分支网络和所述初始化特征提取网络，并根据所述图像一致性验证损失信息反向更新对应的初始化分支网络和所述初始化特征提取网络，得到更新图像检测模型；
将所述更新图像检测模型作为初始图像检测模型，并返回将所述至少两种不同类型样本图像输入初始化图像检测模型中的步骤，直到训练完成时，得到所述图像检测模型。
10.根据权利要求9所述的方法，其特征在于，所述初始化图像检测模型包括至少两种初始化特征提取网络；
所述基于所述至少两种不同类型样本图像对应的活体检测损失信息反向更新对应的初始化分支网络和所述初始化特征提取网络，并根据所述图像一致性验证损失信息反向更新对应的初始化分支网络和所述初始化特征提取网络，得到更新图像检测模型，包括：
基于所述至少两种不同类型样本图像对应的活体检测损失信息更新对应的初始化特征提取网络和对应的初始化分支网络，并根据所述至少两种不同类型样本图像对应的图像一致性验证损失信息反向更新对应的初始化分支网络和对应的初始化特征提取网络，得到至少两种待确认特征提取网络；
计算所述至少两种待确认特征提取网络中网络参数之间的参数损失值；
当所述参数损失值小于预设参数损失阈值时，得到至少两种更新特征提取网络，基于所述至少两种更新特征提取网络得到所述更新图像检测模型。
11.一种图像检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待检测图像，所述待检测图像包括至少两种不同类型图像；
图像检测模块，用于将所述待检测图像输入到图像检测模型中，所述图像检测模型通过特征提取网络提取所述至少两种不同类型图像分别对应的图像特征，将所述至少两种不同类型图像分别对应的图像特征输入对应的分支网络进行活体检测，得到所述至少两种不同类型图像对应的活体检测结果，并基于所述至少两种不同类型图像分别对应的图像特征使用对应的分支网络进行图像一致性验证，得到所述至少两种不同类型图像对应的图像一致性验证结果；
结果确定模块，用于基于所述活体检测结果和所述图像一致性验证结果确定所述待检测图像对应的图像检测结果。
12.根据权利要求11所述的装置，其特征在于，图像检测模块，包括：
相似度计算单元，用于通过第一检测分支网络计算所述至少两种不同类型图像中第一类型图像对应的图像特征与所述至少两种不同类型图像中第二类型图像对应的图像特征之间的特征相似度；
验证单元，用于当所述特征相似度超过预设图像一致性阈值时，得到所述第一类型图像与所述第二类型图像对应的图像一致性验证结果为图像一致性验证通过，所述图像一致性验证通过用于表示不同类型图像是使用同一个设备在同一时间采集到的图像。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：
数据获取模块，用于获取训练数据集，所述训练数据集包括至少两种不同类型样本图像和对应的类别标签；
初始训练模块，用于将所述至少两种不同类型样本图像输入初始化图像检测模型中，所述初始化图像检测模型通过初始化特征提取网络至少两种不同类型样本图像分别对应的样本图像特征，将所述至少两种不同类型样本图像分别对应的样本图像特征输入对应的初始化分支网络进行活体检测，得到所述至少两种不同类型样本图像对应的初始活体检测结果，并基于所述至少两种不同类型样本图像分别对应的样本图像特征使用对应的初始化分支网络进行图像一致性验证，得到所述至少两种不同类型样本图像对应的初始图像一致性验证结果；
损失计算模块，用于基于所述初始活体检测结果和所述类别标签中对应的活体检测类别标签进行损失计算，得到所述至少两种不同类型样本图像对应的活体检测损失信息，并基于所述初始图像一致性验证结果和所述类别标签中对应的图像一致性类别标签进行损失计算，得到所述至少两种不同类型样本图像对应的图像一致性验证损失信息；
更新模块，用于基于所述至少两种不同类型样本图像对应的活体检测损失信息反向更新对应的初始化分支网络和所述初始化特征提取网络，并根据所述图像一致性验证损失信息反向更新对应的初始化分支网络和所述初始化特征提取网络，得到更新图像检测模型；
模型得到模块，用于将所述更新图像检测模型作为初始图像检测模型，并返回将所述至少两种不同类型样本图像输入初始化图像检测模型中的步骤，直到训练完成时，得到所述图像检测模型。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
15.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202011337405.6A 2020-11-25 2020-11-25 图像检测方法、装置、计算机设备和存储介质 Pending CN112308035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011337405.6A CN112308035A (zh) 2020-11-25 2020-11-25 图像检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011337405.6A CN112308035A (zh) 2020-11-25 2020-11-25 图像检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112308035A true CN112308035A (zh) 2021-02-02

Family

ID=74336030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011337405.6A Pending CN112308035A (zh) 2020-11-25 2020-11-25 图像检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112308035A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052150A (zh) * 2021-05-24 2021-06-29 腾讯科技（深圳）有限公司 活体检测方法、装置、电子设备和计算机可读存储介质
CN115311663A (zh) * 2022-08-09 2022-11-08 青岛海信信息科技股份有限公司 一种ocr识别方法和设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052150A (zh) * 2021-05-24 2021-06-29 腾讯科技（深圳）有限公司 活体检测方法、装置、电子设备和计算机可读存储介质
CN113052150B (zh) * 2021-05-24 2021-07-30 腾讯科技（深圳）有限公司 活体检测方法、装置、电子设备和计算机可读存储介质
CN115311663A (zh) * 2022-08-09 2022-11-08 青岛海信信息科技股份有限公司 一种ocr识别方法和设备

Similar Documents

Publication Publication Date Title
US10565433B2 (en) Age invariant face recognition using convolutional neural networks and set distances
CN109948408B (zh) 活性测试方法和设备
CN109711243B (zh) 一种基于深度学习的静态三维人脸活体检测方法
CN107766786B (zh) 活性测试方法和活性测试计算设备
CN109558764B (zh) 人脸识别方法及装置、计算机设备
Dua et al. Biometric iris recognition using radial basis function neural network
CN112801057B (zh) 图像处理方法、装置、计算机设备和存储介质
CN113033519B (zh) 活体检测方法、估算网络处理方法、装置和计算机设备
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
KR20180109664A (ko) 라이브니스 검사 방법 및 장치
CN108388889B (zh) 用于分析人脸图像的方法和装置
CN112818821B (zh) 基于可见光和红外光的人脸采集源检测方法和装置
CN112308035A (zh) 图像检测方法、装置、计算机设备和存储介质
CN113298158A (zh) 数据检测方法、装置、设备及存储介质
JPWO2020079741A1 (ja) 虹彩認証装置、虹彩認証方法、虹彩認証プログラムおよび記録媒体
Caya et al. Recognition of tongue print biometrie using binary robust independent elementary features
CN108875497B (zh) 活体检测的方法、装置及计算机存储介质
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
US20100157040A1 (en) Biometric facial surveillance system
CN114170690A (zh) 活体识别和构建活体识别模型的方法、装置
KR102215535B1 (ko) 신경망을 이용한 안면 부분 이미지 기반 신분 인증 방법 및 이를 수행하는 시스템
CN108875472B (zh) 图像采集装置及基于该图像采集装置的人脸身份验证方法
CN112541576B (zh) Rgb单目图像的生物活体识别神经网络构建方法
CN115830720A (zh) 活体检测方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40039037

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination