CN112633259A - 人脸异常认证的识别方法、装置及电子设备 - Google Patents
人脸异常认证的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112633259A CN112633259A CN202110248674.3A CN202110248674A CN112633259A CN 112633259 A CN112633259 A CN 112633259A CN 202110248674 A CN202110248674 A CN 202110248674A CN 112633259 A CN112633259 A CN 112633259A
- Authority
- CN
- China
- Prior art keywords
- feature
- abnormal
- face
- sample
- recognizer
- 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
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
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (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)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人脸异常认证的识别方法、装置及电子设备，获取异常用户的异常人脸图像；将异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出异常用户的人脸异常类型，其中，人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，人脸异常类型识别器是包含异常检测特征的识别器，其中异常检测特征包括打印照片、屏幕翻拍照片以及面具的特征。这样，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
Description
技术领域
本申请涉及人脸异常认证的识别技术领域，尤其是涉及一种人脸异常认证的识别方法、装置及电子设备。
背景技术
在手机解锁，移动支付，远程身份验证等关键登录系统场景中，刷脸操作成为了最便捷的行为方式之一，相比于密码验证，利用人身份信息进行验证，更加安全且更能代表本人操作，人脸识别以及安全认证检测技术是系统登录过程中最常用的技术。而目前刷脸行为存在被伪造合法用户人脸的异常的风险，如非用户本人利用伪造的包含有用户脸部信息的照片进行伪造验证等，其安全性有待加强。当确定出用户展示出是伪造的人脸验证信息时，系统能否有效识别人脸异常类型，是业界一直存在的难题。
现阶段，目前关于在识别人脸异常的类型的技术上，一般采用让用户配合作相应的动作或者是通过增加其他硬件，如红外、深度、结构光等元器件来识别出人脸异常类型，但是这些方式不仅增加了系统的硬件成本，还存在不能准确快速的识别出人脸异常类型的问题。
发明内容
有鉴于此，本申请的目的在于提供一种人脸异常认证的识别方法、装置及电子设备，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供了一种人脸异常认证的识别方法，所述识别方法包括：
获取异常用户的异常人脸图像；
将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；
其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
在一些实施例中，通过以下步骤训练所述人脸异常类型识别器，其中，所述人脸异常类型识别器包括人脸特征生成器与人脸特征识别器：
从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像；
针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别；
将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器；
将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
在一些实施例中，所述将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器，包括：
将每一张样本图像输入至所述初始化后的特征生成器，确定每一张样本图像对应的样本特征向量；
针对每一张样本图像，将该样本图像对应的样本特征类别与该样本图像对应的特征向量进行对抗学习，对所述特征生成器的参数进行更新；
当预设的损失函数的输入值与输出值一致时，确定所述特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数。
在一些实施例中，通过以下步骤确定所述样本特征向量：
将样本特征图像输入至初始化后的特征生成器，得到初始特征向量；
对所述初始特征向量进行傅里叶变换，得到频谱向量；
将所述初始特征向量与所述频谱向量进行拼接，得到所述样本特征向量。
在一些实施例中，在对所述特征生成器的参数进行更新的过程中，所述特征生成器中各个参数对应的权重系数保持不变。
第二方面，本申请实施例还提供一种人脸异常认证的识别装置，所述识别装置包括：
获取模块，用于获取异常用户的异常人脸图像；
输出模块，用于将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
在一些实施例中，所述的识别装置还包括训练模块，所述训练模块用于通过以下步骤训练所述人脸异常类型识别器，其中，所述人脸异常类型识别器包括人脸特征生成器与人脸特征识别器：
从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像；
针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别；
将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器；
将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
在一些实施例中，所述训练模块在用于所述将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器时，所述训练模块用于：
将每一张样本图像输入至所述初始化后的特征生成器，确定每一张样本图像对应的样本特征向量；
针对每一张样本图像，将该样本图像对应的样本特征类别与该样本图像对应的特征向量进行对抗学习，对所述特征生成器的参数进行更新；
当预设的损失函数的输入值与输出值一致时，确定所述特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的人脸异常认证的识别方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的基于人脸异常认证的识别方法的步骤。
本申请提供了一种人脸异常认证的识别方法、装置及电子设备，获取异常用户的异常人脸图像；将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，所述人脸异常类型识别器是包含所述打印照片、所述屏幕翻拍照片以及所述面具的特征的识别器。
这样，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种人脸异常认证的识别方法的流程图；
图2为本申请实施例所提供的另一种人脸异常认证的识别方法的流程图；
图3为本申请实施例所提供的一种人脸异常认证的识别装置的结构示意图之一；
图4为本申请实施例所提供的一种人脸异常认证的识别装置的结构示意图之二；
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“人脸异常认证的识别”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行人脸异常认证的识别的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种人脸异常认证的识别方法及装置的方案均在本申请保护范围内。
值得注意的是，现阶段，目前关于在识别人脸异常的类型的技术上，一般采用让用户配合作相应的动作或者是通过增加其他硬件，如红外、深度、结构光等元器件来识别出人脸异常类型，但是这些方式不仅增加了系统的硬件成本，还存在不能准确快速的识别出人脸异常类型的问题。
对于此，本申请的一个方面提出了一种人脸异常认证的识别方法，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1，图1为本申请实施例所提供的一种人脸异常认证的识别方法的流程图。如图1中所示，所述识别方法包括：
S101：获取异常用户的异常人脸图像。
该步骤中，当确定出该用户为异常用户时，获取该用户的异常人脸图像。其中，异常人脸图像可包括人脸打印照片图像、电子屏幕翻拍的人脸照片图像以及面具图像等。
其中，在人脸验证过程中，接收到的采集人脸图像并不是来源于用户本身的真是人脸图像，可能是人脸打印照片图像、电子屏幕翻拍的人脸照片图像以及面具图像等，则判定该用户为异常用户。
S102：将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人。
该步骤中，根据步骤S101中获取的异常用户的异常人脸图像之后，将异常用户的异常人脸图像输入到预先训练好的人脸异常类别识别器中，当人脸异常类别识别器中接收到异常人脸图像之后会确定出该异常人脸图像的人脸异常类型。
其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人。
在具体实施中，将异常用户的异常人脸图像输入到人脸异常类型识别器中，人脸异常类型识别器会对异常人脸图像进行判断，确定出该异常人脸图像的异常类型，并将该异常人脸图像的类型进行输出，从而准确的确定出异常人脸图像的异常类型。
本申请提供了一种人脸异常认证的识别方法，获取异常用户的异常人脸图像；将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
这样，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
请参阅图2，图2为本申请实施例所提供的另一种人脸异常认证的识别方法的流程图，如图2中所示，包括：
S201：从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像。
该步骤中，通过摄像装置分别拍摄采集人脸打印照片、屏幕翻拍人脸照片、面具以及真人图像，形成训练的数据集。在数据集中获取多张样本图像，并且，样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像。
S202：针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别。
该步骤中，针对于人脸打印照片和真人人脸、电子屏幕翻拍和真人人脸、面具以及真人人脸，分别设计针对这三种异常方式的神经网络。三个神经网络的主干均采用卷积神经网络（resnet-18）作为样本图像的特征提取器，即异常特征提取器，将三种样本图像类型通过对应的异常特征提取器进行相应的特征提取，在对样本图像进行特征提取之后，将异常特征提取器和异常特征识别器进行对应连接，异常特征识别器对相应的样本图像进行特征识别得到该样本图像对应的样本特征类别。
其中，异常特征提取器用于提取样本图像的特征，异常特征识别器用于对样本图像的特征进行识别。
在具体实施中，举例来讲，第一异常特征提取器提取打印照片对应的图像以及真人图像，第二异常特征提取器提取屏幕翻拍照片对应的图像以及真人图像，第三异常特征提取器提取面具对应的图像以及真人图像。在异常特征提取器对相应的样本图像进行特征提取之后，将第一异常特征提取器、第二异常特征提取器以及第三异常特征提取器与第一异常特征识别器、第二异常特征识别器以及第三异常特征识别器相连接，第一异常特征识别器识别打印照片对应的图像以及真人图像的特征，第二异常特征识别器识别屏幕翻拍照片对应的图像以及真人图像的特征，第三异常特征识别器识别面具对应的图像以及真人图像的特征，得到样本图像对应的样本特征类别。
S203：将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器。
该步骤中，将三种类别的异常特征提取器输出的三种样本特征类别（打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人）与初始化的特征识别器输出的多个样本特征向量进行对抗学习，经过对抗学习后得到训练好的人脸特征生成器。
其中，人脸特征生成器用于生成打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人三种异常类型的特征向量。
上述步骤还包括：（1）将每一张样本图像输入至所述初始化后的特征生成器，确定每一张样本图像对应的样本特征向量。
这里，将每一张样本图像输入到初始化后的特征生成器中获得每一张样本图像对应的样本特征向量。特征生成器是随机产生的，用于随机产生初始特征。
这里通过以下步骤确定样本特征向量：
（a）将样本特征图像输入至初始化后的特征生成器，得到初始特征向量。
这里，初始特征向量是当输入样本特征图像后，特征生成器随机产生的初始特征向量。
（b）对所述初始特征向量进行傅里叶变换，得到频谱向量。
这里，利用傅里叶计算出该初始特征向量的傅里叶变化，并由傅里叶变换求反变换验证计算结果。在时间频域中将初始特征向量与频率相乘，计算其傅里叶变换，实现频谱的平移最后获得频谱向量。
（c）将所述初始特征向量与所述频谱向量进行拼接，得到所述样本特征向量。
这里可以将初始特征向量与频谱特征向量的首尾进行拼接，也可以将初始特征向量与频谱特征向量进行去重拼接等。
（2）针对每一张样本图像，将该样本图像对应的样本特征类别与该样本图像对应的特征向量进行对抗学习，对所述特征生成器的参数进行更新。
这里，对于每一张样本图像，将样本图像对应的特征类别与该样本图像对应的特征向量进行对抗学习，并且对特征生成器中的参数进行更新，可以根据损失函数对特征向量的参数进行更新，当损失函数变化时特征生成器中的参数也随之变化更新。
（3）当预设的损失函数的输入值与输出值一致时，确定所述特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数。
这里，为了保持对抗学习过程中的输入与输出相一致，需设置预设的损失函数的输入值与输出值相一致，则确定出该特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数，设置一个损失函数mseloss，不断减小mseloss可以使得输入和输出保持一致。
在对所述特征生成器的参数进行更新的过程中，所述特征生成器中各个参数对应的权重系数保持不变，此时特征生成器中的网络已经训练完成，特征生成器网络中的权重系数不随反向梯度传播而更新。
S204：将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
该步骤中，将每张样本图像输入到人脸特征生成器中，使得人脸特征生成器获得多个目标特征向量，基于多个目标特征向量对人脸特征识别器进行训练，获得可以对异常类型进行分类的人脸特征识别器。
在具体实施中，人脸特征生成器会根据输入的多张样本图像获得多个目标特征向量，利用目标特征向量对人脸特征识别器进行训练，训练结束后可以使人脸特征识别器对异常图像类型进行分类。
本申请提供了一种人脸异常认证的识别方法，从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像；针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别；将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器；将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
这样，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供一种人脸异常认证的识别方法对应的一种人脸异常认证的识别装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例一种人脸异常认证的识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图3、图4，图3为本申请实施例所提供的一种人脸异常认证的识别装置的结构示意图之一，图4为本申请实施例所提供的一种人脸异常认证的识别装置的结构示意图之二。如图3中所示，识别装置300包括：
获取模块301，用于获取异常用户的异常人脸图像；
输出模块302，用于将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，所述人脸异常类型识别器是包含所述打印照片、所述屏幕翻拍照片以及所述面具的特征的识别器。
可选的，如图4所示，所示识别装置还包括，训练模块303，所述训练模块303用于通过以下步骤训练所述人脸异常类型识别器，其中，所述人脸异常类型识别器包括人脸特征生成器与人脸特征识别器：
从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像；
针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别；
将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器；
将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
可选的，所述训练模块303在用于所述将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器时，所述训练模块303用于：
将每一张样本图像输入至所述初始化后的特征生成器，确定每一张样本图像对应的样本特征向量；
针对每一张样本图像，将该样本图像对应的样本特征类别与该样本图像对应的特征向量进行对抗学习，对所述特征生成器的参数进行更新；
当预设的损失函数的输入值与输出值一致时，确定所述特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数。
可选的，所述训练模块303在用于通过以下步骤确定所述样本特征向量：
将样本特征图像输入至初始化后的特征生成器，得到初始特征向量；
对所述初始特征向量进行傅里叶变换，得到频谱向量；
将所述初始特征向量与所述频谱向量进行拼接，得到所述样本特征向量。
可选的，所述训练模块303在对所述特征生成器的参数进行更新的过程中，所述特征生成器中各个参数对应的权重系数保持不变。
本申请提供了一种人脸异常认证的识别装置，获取模块，用于获取异常用户的异常人脸图像；输出模块，用于将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
这样，通过将异常用户的异常人脸图像输入到训练好的人脸异常类型识别器中，人脸异常类型识别器可以根据包含的异常检测特征准确地识别出人脸异常类型；可以准确的确定出该异常用户的异常人脸所属于的异常类型，提高了对于人脸异常类型判断的准确率。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1以及图2所示方法实施例中的人脸异常认证的识别方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（RandomAccessMemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人脸异常认证的识别方法，其特征在于，所述识别方法包括：
获取异常用户的异常人脸图像；
将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；
其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
2.根据权利要求1所述的识别方法，其特征在于，通过以下步骤训练所述人脸异常类型识别器，其中，所述人脸异常类型识别器包括人脸特征生成器与人脸特征识别器：
从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像；
针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别；
将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器；
将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
3.根据权利要求2所述的识别方法，其特征在于，所述将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器，包括：
将每一张样本图像输入至所述初始化后的特征生成器，确定每一张样本图像对应的样本特征向量；
针对每一张样本图像，将该样本图像对应的样本特征类别与该样本图像对应的特征向量进行对抗学习，对所述特征生成器的参数进行更新；
当预设的损失函数的输入值与输出值一致时，确定所述特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数。
4.根据权利要求3所述的识别方法，其特征在于，通过以下步骤确定所述样本特征向量：
将样本特征图像输入至初始化后的特征生成器，得到初始特征向量；
对所述初始特征向量进行傅里叶变换，得到频谱向量；
将所述初始特征向量与所述频谱向量进行拼接，得到所述样本特征向量。
5.根据权利要求3所述的识别方法，其特征在于，在对所述特征生成器的参数进行更新的过程中，所述特征生成器中各个参数对应的权重系数保持不变。
6.一种人脸异常认证的识别装置，其特征在于，所述识别装置包括：
获取模块，用于获取异常用户的异常人脸图像；
输出模块，用于将所述异常用户的异常人脸图像输入到预先训练好的人脸异常类型识别器中，输出所述异常用户的人脸异常类型，其中，所述人脸异常类型包括打印照片仿造真人、屏幕翻拍照片仿造真人以及面具仿造真人；其中，所述人脸异常类型识别器是包含异常检测特征的识别器，其中所述异常检测特征包括打印照片、所述屏幕翻拍照片以及所述面具的特征。
7.根据权利要求6所述的识别装置，其特征在于，所述的识别装置还包括训练模块，所述训练模块用于通过以下步骤训练所述人脸异常类型识别器，其中，所述人脸异常类型识别器包括人脸特征生成器与人脸特征识别器：
从预先建立的数据集中获取多张样本图像，其中，所述样本图像包括打印照片对应的图像、屏幕翻拍照片对应的图像、面具对应的图像以及真人图像；
针对每一张样本图像，将该样本图像依次输入至对应的顺次连接的异常特征提取器和异常特征识别器，得到该样本图像对应的样本特征类别；
将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器；
将各张样本图像输入至训练好的人脸特征生成器，得出多个目标特征向量，并利用多个目标特征向量对人脸特征识别器进行训练，得到对异常类型分类的人脸特征识别器。
8.根据权利要求6所述的识别装置，其特征在于，所述训练模块在用于所述将每种类别的异常特征提取器输出的样本特征类别与初始化后的特征生成器输出的多个样本特征向量进行对抗学习，确定训练好的人脸特征生成器时，所述训练模块用于：
将每一张样本图像输入至所述初始化后的特征生成器，确定每一张样本图像对应的样本特征向量；
针对每一张样本图像，将该样本图像对应的样本特征类别与该样本图像对应的特征向量进行对抗学习，对所述特征生成器的参数进行更新；
当预设的损失函数的输入值与输出值一致时，确定所述特征生成器训练结束，将当前特征生成器的参数确定为训练好的人脸特征生成器的参数。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一所述的人脸异常认证的识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5中任一所述的人脸异常认证的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110248674.3A CN112633259A (zh) | 2021-03-08 | 2021-03-08 | 人脸异常认证的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110248674.3A CN112633259A (zh) | 2021-03-08 | 2021-03-08 | 人脸异常认证的识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633259A true CN112633259A (zh) | 2021-04-09 |
Family
ID=75297727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110248674.3A Pending CN112633259A (zh) | 2021-03-08 | 2021-03-08 | 人脸异常认证的识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633259A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032828A1 (en) * | 2015-12-18 | 2018-02-01 | Tencent Technology (Shenzhen) Company Limited | Face liveness detection method, terminal, server and storage medium |
| CN108205661A (zh) * | 2017-12-27 | 2018-06-26 | 浩云科技股份有限公司 | 一种基于深度学习的atm机异常人脸检测方法 |
| US20190034746A1 (en) * | 2017-07-28 | 2019-01-31 | Alibaba Group Holding Limited | System and method for identifying re-photographed images |
| CN110210393A (zh) * | 2019-05-31 | 2019-09-06 | 百度在线网络技术（北京）有限公司 | 人脸图像的检测方法和装置 |
| CN111241873A (zh) * | 2018-11-28 | 2020-06-05 | 马上消费金融股份有限公司 | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 |
-
2021
- 2021-03-08 CN CN202110248674.3A patent/CN112633259A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032828A1 (en) * | 2015-12-18 | 2018-02-01 | Tencent Technology (Shenzhen) Company Limited | Face liveness detection method, terminal, server and storage medium |
| US20190034746A1 (en) * | 2017-07-28 | 2019-01-31 | Alibaba Group Holding Limited | System and method for identifying re-photographed images |
| CN108205661A (zh) * | 2017-12-27 | 2018-06-26 | 浩云科技股份有限公司 | 一种基于深度学习的atm机异常人脸检测方法 |
| CN111241873A (zh) * | 2018-11-28 | 2020-06-05 | 马上消费金融股份有限公司 | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 |
| CN110210393A (zh) * | 2019-05-31 | 2019-09-06 | 百度在线网络技术（北京）有限公司 | 人脸图像的检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340008B (zh) | 对抗补丁生成、检测模型训练、对抗补丁防御方法及系统 | |
| CN109190470B (zh) | 行人重识别方法及装置 | |
| CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
| CN108429619A (zh) | 身份认证方法和系统 | |
| CN111861240A (zh) | 可疑用户识别方法、装置、设备及可读存储介质 | |
| CN112052761A (zh) | 一种对抗人脸图像的生成方法和装置 | |
| CN110955874A (zh) | 身份验证方法、装置、计算机设备和存储介质 | |
| JP6969663B2 (ja) | ユーザの撮影装置を識別する装置及び方法 | |
| CN111143813B (zh) | 一种验证问题的生成方法、验证方法及装置 | |
| CN106557732A (zh) | 一种身份认证方法及系统 | |
| CN110458662A (zh) | 反欺诈风控方法及装置 | |
| CN112912887A (zh) | 基于人脸识别的处理方法、装置、设备及可读存储介质 | |
| CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
| CN114448664B (zh) | 钓鱼网页的识别方法、装置、计算机设备及存储介质 | |
| CN112580615B (zh) | 一种活体的认证方法、认证装置及电子设备 | |
| CN112818317A (zh) | 一种浏览过程的监控方法、监控装置及可读存储介质 | |
| CN108921080A (zh) | 图像识别方法、装置及电子设备 | |
| CN110084142B (zh) | 一种用于人脸识别的年龄隐私保护方法及系统 | |
| Surantha et al. | Lightweight face recognition-based portable attendance system with liveness detection | |
| CN112633259A (zh) | 人脸异常认证的识别方法、装置及电子设备 | |
| CN112906676A (zh) | 人脸图像来源的识别方法、装置、存储介质及电子设备 | |
| CN112364850B (zh) | 一种视频质检方法、装置、电子设备及存储介质 | |
| CN112712073A (zh) | 基于眼部变化特征的活体识别方法、识别装置及电子设备 | |
| CN114331791A (zh) | 模型水印生成、模型侵权鉴定方法、装置和计算机设备 | |
| CN111353139A (zh) | 一种持续认证的方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |