CN112528908A - 活体检测方法、装置、电子设备及存储介质 - Google Patents
活体检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112528908A CN112528908A CN202011508401.XA CN202011508401A CN112528908A CN 112528908 A CN112528908 A CN 112528908A CN 202011508401 A CN202011508401 A CN 202011508401A CN 112528908 A CN112528908 A CN 112528908A
- Authority
- CN
- China
- Prior art keywords
- face
- network
- living body
- image set
- training
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000001727 in vivo Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 78
- 238000000034 method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000001574 biopsy Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别技术，揭露一种活体检测方法，包括：获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。本发明还涉及区块链技术，所述待检测图像集等可以存储在区块链节点中。本发明还揭露一种活体检测装置、电子设备及存储介质。本发明可以减少活体检测时消耗的计算资源并提高活体检测准确率。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种活体检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人脸识别、解锁等技术在金融、门禁、移动设备等场景中应用广泛，人脸鉴伪技术近些年得到人们越来越多的关注，一个正常工作的人脸识别系统，除了实现识别身份以外，还需要具备活体检测的功能。
通用活体检测方法主要利用传统图像识别算法进行检测，定位到图像中的人脸后选用多种判定模型进行活体判别，这种检测方法对于数量及类别众多的攻击图片，需要消耗大量计算资源且准确率较低。
发明内容
本发明提供一种活体检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决传统图像识别算法进行活体检测时消耗大量计算资源且准确率较低的问题。
为实现上述目的，本发明提供的一种活体检测方法，包括：
获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
可选地，所述获取待检测图像集之前，所述方法还包括：
构建包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型；
利用训练图像集对所述人脸分类网络进行训练；
当所述人脸分类模型的训练次数达到第一预设次数时，利用所述训练图像集对所述人脸分类网络及所述人脸定位网络进行联合训练；
当所述人脸分类网络及所述人脸定位网络的联合训练次数达到第二预设次数时，利用所述训练图像集对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行联合训练，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
可选地，所述利用所述训练图像集对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行联合训练，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型，包括：
利用所述人脸分类网络对所述训练图像集进行分类，得到人脸训练集，计算所述人脸训练集和预设的真实标签之间的第一损失值；
利用所述人脸定位网络对所述人脸训练集进行定位，得到脸部区域训练图，并计算所述脸部区域训练图的人脸尺度集和人脸位置偏移集，分别计算所述人脸尺度集和预设的真实尺度集之间的第二损失值及计算所述人脸位置偏移集和预设的真实位置偏移集之间的第三损失值；
利用所述活体检测网络对所述脸部区域训练图进行检测，得到预测活体检测集，计算所述预测活体检测集和预设的真实活体检测集之间的第四损失值；
利用预设的权重对所述第一损失值、第二损失值、第三损失值和第四损失值进行串联处理，得到联合损失值；
若所述联合损失值大于预设的阈值时，对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行调整更新，直到所述联合损失值小于或者等于预设的阈值时，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
可选地，所述计算所述人脸训练集和预设的真实标签之间的第一损失值，包括：
利用如下第一损失函数计算所述第一损失值Lc：
其中，α和β是第一损失函数的超参数，Yx,y表示所述真实标签中坐标(x， y)的灰度值，
表示所述人脸训练集中坐标(x，y)的灰度值，N为所述人脸训练集中的样本数量。
可选地，所述计算所述人脸尺度集和预设的真实尺度集之间的第二损失值，包括：
利用如下第二损失函数计算所述第二损失值Lsize：
其中，|A∪B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相交的面积，|A∩B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相并的面积，|Ac|是所述人脸尺度集中图片与所述真实尺度集中图片之间的最小闭包的面积。
可选地，所述计算人脸位置偏移集和预设的真实位置偏移集之间的第三损失值，包括：
利用如下第三损失函数计算所述第三损失值Loff：
其中，x是第K个真实位置偏移与人脸位置偏移的差值，M为真实中心偏移量图的样本数。
可选地，所述计算所述预测活体检测集和预设的真实活体检测集之间的第四损失值，包括：
利用如下第四损失函数计算所述第四损失值
其中，
为所述预测活体检测集，Y为所述真实活体检测集，Q为所述预测活体检测集的样本数量，λ表示误差因子。
为了解决上述问题，本发明还提供一种活体检测装置，所述装置包括：
人脸分类模块，用于获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
人脸定位模块，用于利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
活体检测模块，用于利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
结果生成模块，用于将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的活体检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的活体检测方法。
本发明实施例通过对待检测图像集进行获取检测之前，先通过人脸分类网络及人脸定位网络从待检测图像集中筛选出具有人脸的人脸图像集，并进一步从所述人脸图像集中定位到脸部区域图像集，利用活体检测网络对所述脸部区域图像集进行活体检测处理可以较少活体检测中消耗的计算资源，并可以提高活体检测准确率。因此，本发明提出的活体检测方法、装置及计算机可读存储介质，可以提高活体检测方法的效率，解决传统图像识别算法进行活体检测时消耗大量计算资源且准确率较低的问题。
附图说明
图1为本发明实施例提供的活体检测方法中模型训练的方法流程示意图；
图2为本发明实施例提供的利用训练完成的模型对待检测图像集执行活体检测方法的流程示意图；
图3为本发明实施例提供的活体检测装置的模块示意图；
图4为本发明实施例提供的实现活体检测方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种活体检测方法，所述活体检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述活体检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，图1为本发明实施例提供的活体检测方法中模型训练方法的流程示意图。在本实施例中，所述模型训练方法包括：
S1、构建包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
本发明实施例中，所述人脸分类网络可以是MobileNet网络(移动端网络)，所述人脸定位网络是Coarse-to-fine CNN网络(粗定位卷积神经网络)，以及所述活体检测网络是是采用linear核的SVM(支持向量机)分类器。
S2、利用训练图像集对所述人脸分类网络进行训练。
本发明实施例中，所述训练图像集包含多张含有人脸的照片。
详细地，本发明利用所述人脸分类网络对所述训练图像集执行分类，得到人脸训练集，并利用如下第一损失函数计算所述人脸训练图像与预设的真实人脸标签之间的第一损失值Lcls:
其中，α和β是第一损失函数的超参数，Yx,y表示所述真实标签中坐标(x， y)的灰度值，
表示所述人脸训练集中坐标(x，y)的灰度值，N为所述人脸训练集中的样本数量。
当所述第一损失值Lcls大于第一标准值时，本发明实施例调整所述人脸分类网络的参数并重新执行利用训练图像集对所述人脸分类网络进行训练，直到对所述人脸分类网络进行训练的次数达到第一预设次数。
S3、当所述人脸分类模型的训练次数达到第一预设次数时，利用所述训练图像集对所述人脸分类网络及所述人脸定位网络进行联合训练。
本发明实施例利用所述人脸分类网络对所述训练图像集进行分类，生成人脸训练集，并利用所述人脸定位网络对所述人脸训练集进行脸部区域定位，得到脸部区域图像集，并计算所述脸部区域图像集中的人脸尺度集及人脸位置偏移集。进一步地，本发明实施例利用下述联合损失函数计算所述脸部区域图像集与预设脸部区域标签的联合损失值Ldet：
Ldet＝Lcls+λsizeLsize+λoffLoff
其中，Lsize是人脸尺度损失值，|A∪B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相交的面积，|A∩B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相并的面积，|Ac|是所述人脸尺度集中图片与所述真实尺度集中图片之间的最小闭包的面积，Loff为人脸位置偏移损失值， x是第K个真实位置偏移与人脸位置偏移的差值，此外，λsize及λoff为预设权重，本发明实施例中，所述λsize＝1，以及所述λoff＝0.1。
当所述联合损失值Ldet大于第二标准值时，本发明实施例调整所述人脸分类网络以及所述人脸定位网络的参数并重新执行利用所述训练图像集对所述人脸分类网络及所述人脸定位网络进行联合训练，直到训练的次数达到第二预设次数。
S4、当所述人脸分类网络及所述人脸定位网络的联合训练次数达到第二预设次数时，利用所述训练图像集对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行联合训练，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
详细地，所述S4包括：
利用所述人脸分类网络对所述训练图像集进行分类，得到人脸训练集，计算所述人脸训练集和预设的真实标签之间的第一损失值；
利用所述人脸定位网络对所述人脸训练集进行定位，得到脸部区域训练图，并计算所述脸部区域训练图的人脸尺度集和人脸位置偏移集，分别计算所述人脸尺度集和预设的真实尺度集之间的第二损失值及计算所述人脸位置偏移集和预设的真实位置偏移集之间的第三损失值；利用所述活体检测网络对所述训练图像集进行检测，得到预测活体检测集，计算所述预测活体检测集和预设的真实活体检测集之间的第四损失值；
利用预设的权重对所述第一损失值、第二损失值、第三损失值和第四损失值进行串联处理，得到联合损失值，若所述联合损失值大于预设的阈值时，对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行调整更新，直到所述联合损失值小于或者等于预设的阈值时，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
同上所述，所述计算所述人脸训练集和预设的真实标签之间的第一损失值，包括：
利用如下第一损失函数计算所述第一损失值：
其中，α和β是第一损失函数的超参数，Yx,y表示所述真实标签中坐标(x， y)的灰度值，
表示所述人脸训练集中坐标(x，y)的灰度值，N为所述人脸训练集中的样本数量。
进一步地，同上所述所述计算所述人脸尺度集和预设的真实尺度集之间的第二损失值，包括：
利用如下第二损失函数计算所述第二损失值Lsize：
其中，|A∪B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相交的面积，|A∩B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相并的面积，|Ac|是所述人脸尺度集中图片与所述真实尺度集中图片之间的最小闭包的面积。
进一步地，同上所述，所述计算人脸位置偏移集和预设的真实位置偏移集之间的第三损失值，包括：
利用如下第三损失函数计算所述第三损失值Loff：
其中，x是第K个真实位置偏移与人脸位置偏移的差值，M为真实中心偏移量图的样本数。
进一步地，所述计算所述预测活体检测集和预设的真实活体检测集之间的第四损失值，包括：
利用如下第四损失函数计算所述第四损失值
其中，
为所述预测活体检测集，Y为所述真实活体检测集，Q为所述预测活体检测集的样本数量，λ表示误差因子。
具体地，所述利用预设的权重对所述第一损失值、第二损失值、第三损失值和第四损失值进行串联处理，得到联合损失值，包括：
其中，L为联合损失值，λsize，λoff为预设的权重，可以分别取值为1和 0.1。
将所述联合损失值与预设的阈值进行比较，若所述联合损失值大于预设的阈值时，对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行调整更新，直到所述联合损失值小于或者等于预设的阈值时，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
参阅图2所示，为本发明实施例提供的利用训练完成的模型对待检测图像集执行活体检测方法的流程示意图。本发明实施例中，所述活体检测方法包括：
S10、获取待检测图像集，利用所述人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集。
本发明实施例中，所述待检测图像集中可以包括摄像头拍摄的人脸视频中的视频帧。本发明其中一个实施例中，所述待检测图像集等可以存储在区块链节点中。
S20、利用所述人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集。
本发明实施例中，利用人脸定位模型对所述人脸图像集进行人脸定位操作，得到所述人脸尺度集和所述人脸位置偏移集，所述人脸尺度集用于确定所述人脸图像集中人脸区域的大概位置，所述人脸位置偏移量用于对所述人脸尺度集微调，最后得到脸部区域图像集。
S30、利用所述活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果。
本发明实施例中，将所述脸部区域图像集输入至所述活体检测网络进行活体检测处理，得到多个检测结果，其中，所述检测结果为经过所述活体检测网络检测处理后判断为活体的概率值。
S40、将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
本发明实施例中，利用预设的加权公式对所述多个检测结果执行加权平均，包括：
P(cls)＝a*RAcls+b*Recls+c*Rdcls
其中，P(cls)为检测概率值，RAcls、Recls和Rdcls为经过所述活体检测网络检测处理后判断为活体的概率值，a、b和c为预设的权重。
具体地，结合预设的判定公式将所述检测概率值与预设的检测阈值进行比较，得到所述待检测图像集的活体检测结果，包括：
所述判定公式为：
其中，y为判定结果，N为预设的检测阈值。
优选地，本发明实施例中，N为0.65。
本发明实施例通过对待检测图像集进行获取检测之前，先通过人脸分类网络及人脸定位网络从待检测图像集中筛选出具有人脸的人脸图像集，并进一步从所述人脸图像集中定位到脸部区域图像集，利用活体检测网络对所述脸部区域图像集进行活体检测处理可以较少活体检测中消耗的计算资源，并可以提高活体检测准确率。因此，本发明提出的活体检测方法、装置及计算机可读存储介质，可以提高活体检测方法的效率，解决传统图像识别算法进行活体检测时消耗大量计算资源且准确率较低的问题。
如图3所示，是本发明实施例提供的活体检测装置的模块示意图。
本发明所述活体检测装置100可以安装于电子设备中。根据实现的功能，所述活体检测装置100可以包括人脸分类模块101、人脸定位模块102、活体检测模块103、结果生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述人脸分类模块101，用于获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
所述人脸定位模块102，用于利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
所述活体检测模块103，用于利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
所述结果生成模块104，用于将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
本发明实施例中，所述活体检测装置100中的各个模块在使用时，可以实现如图2所示的所述活体检测方法，并产生相同的有益效果，这里不再赘述。
如图4所示，是本发明实现活体检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如活体检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字 (SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器 11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如活体检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器 10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行活体检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器 10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是 LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的活体检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的，例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
进一步地，所述计算机可用存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种活体检测方法，其特征在于，所述方法包括：
获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
2.如权利要求1所述的活体检测方法，其特征在于，所述获取待检测图像集之前，所述方法还包括：
构建包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型；
利用训练图像集对所述人脸分类网络进行训练；
当所述人脸分类模型的训练次数达到第一预设次数时，利用所述训练图像集对所述人脸分类网络及所述人脸定位网络进行联合训练；
当所述人脸分类网络及所述人脸定位网络的联合训练次数达到第二预设次数时，利用所述训练图像集对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行联合训练，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
3.如权利要求2所述的活体检测方法，其特征在于，所述利用所述训练图像集对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行联合训练，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型，包括：
利用所述人脸分类网络对所述训练图像集进行分类，得到人脸训练集，计算所述人脸训练集和预设的真实标签之间的第一损失值；
利用所述人脸定位网络对所述人脸训练集进行定位，得到脸部区域训练图，并计算所述脸部区域训练图的人脸尺度集和人脸位置偏移集，分别计算所述人脸尺度集和预设的真实尺度集之间的第二损失值及计算所述人脸位置偏移集和预设的真实位置偏移集之间的第三损失值；
利用所述活体检测网络对所述脸部区域训练图进行检测，得到预测活体检测集，计算所述预测活体检测集和预设的真实活体检测集之间的第四损失值；
利用预设的权重对所述第一损失值、第二损失值、第三损失值和第四损失值进行串联处理，得到联合损失值；
若所述联合损失值大于预设的阈值时，对所述人脸分类网络、所述人脸定位网络以及所述活体检测网络进行调整更新，直到所述联合损失值小于或者等于预设的阈值时，得到训练完成的包括所述人脸分类网络、所述人脸定位网络以及所述活体检测网络的人脸活体判断模型。
4.如权利要求3所述的活体检测方法，其特征在于，所述计算所述人脸训练集和预设的真实标签之间的第一损失值，包括：
利用如下第一损失函数计算所述第一损失值Lc：
其中，α和β是第一损失函数的超参数，Yx,y表示所述真实标签中坐标(x，y)的灰度值，
表示所述人脸训练集中坐标(x，y)的灰度值，N为所述人脸训练集中的样本数量。
5.如权利要求3所述的活体检测方法，其特征在于，所述计算所述人脸尺度集和预设的真实尺度集之间的第二损失值，包括：
利用如下第二损失函数计算所述第二损失值Lsize：
其中，|A∪B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相交的面积，|A∩B|是所述人脸尺度集中图片与所述真实尺度集中图片之间相并的面积，|Ac|是所述人脸尺度集中图片与所述真实尺度集中图片之间的最小闭包的面积。
6.如权利要求3所述的活体检测方法，其特征在于，所述计算人脸位置偏移集和预设的真实位置偏移集之间的第三损失值，包括：
利用如下第三损失函数计算所述第三损失值Loff：
其中，x是第K个真实位置偏移与人脸位置偏移的差值，M为真实中心偏移量图的样本数。
7.如权利要求3所述的活体检测方法，其特征在于，所述计算所述预测活体检测集和预设的真实活体检测集之间的第四损失值，包括：
利用如下第四损失函数计算所述第四损失值
其中，
为所述预测活体检测集，Y为所述真实活体检测集，Q为所述预测活体检测集的样本数量，λ表示误差因子。
8.一种活体检测装置，其特征在于，所述装置包括：
人脸分类模块，用于获取待检测图像集，利用人脸分类网络对所述待检测图像集进行分类处理，筛选得到人脸图像集；
人脸定位模块，用于利用人脸定位网络对所述人脸图像集执行人脸定位操作，得到脸部区域图像集；
活体检测模块，用于利用活体检测网络对所述脸部区域图像集进行活体检测处理，得到多个检测结果；
结果生成模块，用于将所述多个检测结果执行加权平均，得到所述待检测图像集的活体检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的活体检测方法。
10.一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如权利要求1至7中任一项所述的活体检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011508401.XA CN112528908B (zh) | 2020-12-18 | 活体检测方法、装置、电子设备及存储介质 | |
| PCT/CN2021/083721 WO2022126914A1 (zh) | 2020-12-18 | 2021-03-30 | 活体检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011508401.XA CN112528908B (zh) | 2020-12-18 | 活体检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528908A true CN112528908A (zh) | 2021-03-19 |
| CN112528908B CN112528908B (zh) | 2024-06-28 |
Family
ID=
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159202A (zh) * | 2021-04-28 | 2021-07-23 | 平安科技（深圳）有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN113887408A (zh) * | 2021-09-30 | 2022-01-04 | 平安银行股份有限公司 | 活化人脸视频的检测方法、装置、设备及存储介质 |
| WO2022126914A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技（深圳）有限公司 | 活体检测方法、装置、电子设备及存储介质 |
| WO2023071121A1 (zh) * | 2021-10-26 | 2023-05-04 | 苏州浪潮智能科技有限公司 | 一种基于多模型融合的目标检测方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599856A (zh) * | 2016-12-19 | 2017-04-26 | 四川长虹电器股份有限公司 | 一种联合人脸检测、定位和识别的方法 |
| CN110941986A (zh) * | 2019-10-10 | 2020-03-31 | 平安科技（深圳）有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
| CN111914775A (zh) * | 2020-08-06 | 2020-11-10 | 平安科技（深圳）有限公司 | 活体检测方法、装置、电子设备及存储介质 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599856A (zh) * | 2016-12-19 | 2017-04-26 | 四川长虹电器股份有限公司 | 一种联合人脸检测、定位和识别的方法 |
| CN110941986A (zh) * | 2019-10-10 | 2020-03-31 | 平安科技（深圳）有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
| CN111914775A (zh) * | 2020-08-06 | 2020-11-10 | 平安科技（深圳）有限公司 | 活体检测方法、装置、电子设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022126914A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技（深圳）有限公司 | 活体检测方法、装置、电子设备及存储介质 |
| CN113159202A (zh) * | 2021-04-28 | 2021-07-23 | 平安科技（深圳）有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN113159202B (zh) * | 2021-04-28 | 2023-09-26 | 平安科技（深圳）有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN113887408A (zh) * | 2021-09-30 | 2022-01-04 | 平安银行股份有限公司 | 活化人脸视频的检测方法、装置、设备及存储介质 |
| CN113887408B (zh) * | 2021-09-30 | 2024-04-23 | 平安银行股份有限公司 | 活化人脸视频的检测方法、装置、设备及存储介质 |
| WO2023071121A1 (zh) * | 2021-10-26 | 2023-05-04 | 苏州浪潮智能科技有限公司 | 一种基于多模型融合的目标检测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022126914A1 (zh) | 2022-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN112446919A (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN111860652B (zh) | 基于图像检测的动物体重测量方法、装置、设备及介质 | |
| CN112100425A (zh) | 基于人工智能的标签标注方法、装置、电子设备及介质 | |
| CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
| CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
| CN112528909A (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN112347526A (zh) | 基于防摄屏的信息安全保护方法、装置、电子设备及介质 | |
| CN113554008A (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
| CN113657385B (zh) | 一种电子计量装置的数据检测方法、装置及电子设备 | |
| CN114494800A (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
| CN113065607A (zh) | 图像检测方法、装置、电子设备及介质 | |
| CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 | |
| CN112528908B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN115972198A (zh) | 一种非完全信息条件下的机械臂视觉抓取方法与装置 | |
| CN112528908A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| CN112434601B (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
| CN114864043A (zh) | 基于vr设备的认知训练方法、装置及介质 |
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 |