CN112699811B - 活体检测方法、装置、设备、储存介质及程序产品 - Google Patents
活体检测方法、装置、设备、储存介质及程序产品 Download PDFInfo
- Publication number
- CN112699811B CN112699811B CN202011638444.XA CN202011638444A CN112699811B CN 112699811 B CN112699811 B CN 112699811B CN 202011638444 A CN202011638444 A CN 202011638444A CN 112699811 B CN112699811 B CN 112699811B
- Authority
- CN
- China
- Prior art keywords
- sample
- living body
- positive
- body detection
- negative
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 155
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008560 physiological behavior Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种活体检测方法、装置、设备、储存介质及程序产品,在活体检测方法中,通过获取待检测的图像数据,之后将图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,最后输出该活体检测结果。该活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型。本方法中,根据待检测的图像数据,利用活体检测模型进行处理,相较于现有的活体检测方法,有效的提高了活体检测的准确度以及鲁棒性,降低了获取图像数据的成本。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种活体检测方法、装置、设备、储存介质及程序产品。
背景技术
随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用,活体检测在近年来得到了越来越多的关注。活体检测指的是通过计算机判别检测到的人脸是真实的人脸,还是伪造的人脸,例如合法用户图片、提前拍摄的视频等。
现有技术中,活体检测方法主要通过从一张或者多张照片中获取可以有效区分活体与非活体的特征,包括人工设计的特征和深度神经网络学习的特征等,根据这些特征判别输入的是否为活体。
然而,现有技术获取的特征较单一,容易受到光照干扰、背景干扰、遮挡等外界因素的影响,导致活体检测的准确度以及鲁棒性较低。
发明内容
本申请提供一种活体检测方法、装置、设备、储存介质及程序产品,以解决现有技术获取的特征较单一,容易受到光照干扰、背景干扰、遮挡等外界因素的影响,导致活体检测的准确度以及鲁棒性较低的问题。
第一方面,本申请实施例提供一种活体检测方法,包括:
获取待检测的图像数据;
将所述图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,所述活体检测结果用于指示所述图像数据是否为活体数据,所述活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对;
输出所述活体检测结果。
在第一方面的一种可能设计中,所述方法还包括:
获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,样本包括彩色图像,红外图像以及深度图像中的至少一种,其中,N为大于1的正整数;
根据所述N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将所述训练模型确定为所述活体检测模型。
可选的,所述根据所述N个用户的样本数据,基于卷积神经网络进行迭代训练,包括:
在基于卷积神经网络训练的过程中,每次迭代训练时随机选择n个样本标识;
从预先获取的N个用户的样本数据中,为每个样本标识获取一个活体样本和一个非活体样本,得到n个正负样本对,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,其中,n为大于1的正整数;
从所述n个样本标识中选择出两个样本标识,并将所述两个样本标识对应的正样本确定正正样本对,将所述两个样本标识对应的负样本确定为负负样本对;
将所述n个样本标识,所述n个正负样本对,所述正正样本对以及所述负负样本对作为本次迭代训练的样本集合进行迭代训练,其中,所述正正样本对与所述负负样本对的数量相同,且小于正负样本对的数量。
可选的,每次迭代训练对应的样本集合中,正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2:1:1。
在第一方面的另一种可能设计中,所述待检测的图像数据包括彩色图像,红外图像以及深度图像中的至少一种。
第二方面,本申请实施例提供一种活体检测装置,包括:获取模块,处理模块以及输出模块;
所述获取模块,用于获取待检测的图像数据;
所述处理模块,用于将所述图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,所述活体检测结果用于指示所述图像数据是否为活体数据,所述活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对;
所述输出模块,用于输出所述活体检测结果。
在第二方面的一种可能设计中,所述获取模块,还用于获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,样本包括彩色图像,红外图像以及深度图像中的至少一种,其中,N为大于1的正整数;所述处理模块,还用于根据所述N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将所述训练模型确定为所述活体检测模型。
可选的,所述处理模块,具体用于:
在基于卷积神经网络训练的过程中,每次迭代训练时随机选择n个样本标识;
从预先获取的N个用户的样本数据中,为每个样本标识获取一个活体样本和一个非活体样本,得到n个正负样本对,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,其中,n为大于1的正整数;
从所述n个样本标识中选择出两个样本标识,并将所述两个样本标识对应的正样本确定正正样本对,将所述两个样本标识对应的负样本确定为负负样本对;
将所述n个样本标识,所述n个正负样本对,所述正正样本对以及所述负负样本对作为本次迭代训练的样本集合进行迭代训练,其中,所述正正样本对与所述负负样本对的数量相同,且小于正负样本对的数量。
可选的,每次迭代训练对应的样本集合中,正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2:1:1。
可选的,所述待检测的图像数据包括彩色图像,红外图像以及深度图像中的至少一种。
第三方面,本申请实施例提供一种电子设备,包括:处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令,所述处理器执行所述计算机程序指令时用于实现第一方面以及各可能设计提供的方法。
第四方面,本申请实施例可提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面以及各可能设计提供的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时用于实现第一方面以及各可能设计提供的方法。
本申请实施例提供的活体检测方法、装置、设备、储存介质及程序产品,在活体检测方法中,通过获取待检测的图像数据,之后将图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,最后输出该活体检测结果。该活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对。本方法中,根据待检测的图像数据,利用活体检测模型进行处理,相较于现有的活体检测方法,能够有效避免光线、环境等外界因素对活体检测的影响,提高了准确度以及鲁棒性。并且,能够用现有的图像数据进行活体检测,降低了获取图像数据的成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的活体检测方法的一种应用场景示意图;
图2为本申请实施例提供的活体检测方法实施例一的流程示意图;
图3为本申请实施例提供的活体检测方法实施例二的流程示意图;
图4为本申请实施例提供的活体检测装置的结构示意图;
图5为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在介绍本申请的实施例之前,首先对本申请的背景技术进行解释说明。
随着社会的发展,人们一直在不断完善身份认证技术。最原始的身份鉴定手段是锁和钥匙,身份认证技术发展到现代社会则是有了智能IC卡、密码键盘等诸多方式。然而这些身份认证技术都比较容易被伪造或者破解,安全性低。随着物联网在生活中的进一步普及,身份认证技术的安全性对制造商和用户来说仍然是一个相当大的挑战。因此,安全专家已转向研究生物识别技术,相较于早期的身份识别技术,生物特征识别是一种新的智能识别方法,该技术以生物固有的生理行为进行识别,如人脸、静脉、指纹、音色、姿势等特点,是验证目标有效性的自动化识别方法。
如今生物识别的身份验证方法已经被应用在各个行业中,与指纹、虹膜等生物特征相比,人脸特征最容易获得,因此人脸识别以其高效、快捷、方便的特点在金融、门禁、移动设备等日常生活中得到广泛的应用,一度将其的关注度推到了顶峰。然而,目前人脸识别技术虽然能够识别人脸图像的身份,却不能准确识别输入人脸的真实性。因此,如何自动有效地识别出图像的真实性、抵抗欺骗攻击、保证系统的安全性成为人脸识别技术中迫切需要解决的问题。如果人脸识别技术的安全性和可靠性如果得不到保障,那么可能会给用户带来无法弥补的损失。
为了使得人脸识别技术的安全性和可靠性得到更高的保障,活体检测便应运而生。活体检测旨在使得机器拥有“识真”的能力,通过计算机判别检测的人脸是真实的人脸,还是伪造的人脸攻击,例如合法用户图片、提前拍摄的视频等。
现有技术中,活体检测方法主要通过从一张或者多张照片中获取可以有效区分活体与非活体的特征,包括人工设计的特征和深度神经网络学习的特征等,根据这些特征判别输入的是否为活体。无需用户进行额外的配合,只需要用户在摄像头前停留数秒完成人脸的采集,即可进行活体检测。然而,现有技术获取的特征较单一,容易受到光照干扰、背景干扰、遮挡等外界因素的影响,导致活体检测的准确度以及鲁棒性较低。
针对上述问题,本申请的发明构思如下:在活体检测时,在目前的方案中,由于获取的特征较单一,容易受到外界因素的影响,导致活体检测的准确度以及鲁棒性较低。基于此,发明人发现,如果能获取一个活体检测模型,该活体检测模型能够获取图像数据更多的特征,综合多种特征进行活体检测,则可以解决现有技术中容易受到外界因素影响的问题,达到提高活体检测的准确度以及鲁棒性的目的。
示例性的,本申请实施例提供的活体检测方法可以应用于图1所示的一种应用场景示意图中。图1为本申请实施例提供的活体检测方法的一种应用场景示意图,用以解决上述技术问题。如图1所示,电子设备可通过运行软件等方式在屏幕上显示活体检测界面,便于用户获取活体检测结果。常规的处理方式,电子设备可以从自身储存的数据中选取活体检测所需要的图像数据,或者,可以是从云端或者服务器中下载并存储图像数据,也可以是从图像采集设备中获取图像数据,还可以是接收用户输入的图像数据。其中,图像采集设备可以为单彩色摄像头、双目摄像头以及3d结构光摄像头。电子设备获取图像数据之后,根据活体检测模型对该图像数据进行处理,从而获得活体检测结果。
综上所述,作为本申请提供的技术方案的执行主体的电子设备可以是手机、电脑以及其他智能终端等等任一具备数据处理以及人机交互能力的设备,也可以是云端,或者服务器等具有处理功能实体,本申请对此不做过多限制。
下面,通过具体实施例对本申请的技术方案进行详细说明。
需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请实施例提供的活体检测方法实施例一的流程示意图。如图2所示,该活体检测方法可以包括如下步骤:
S101:获取待检测的图像数据。
在本申请实施例中,电子设备需要获取待检测的图像数据,以便于后续对该图像数据进行处理,得到活体检测结果。
在本步骤中,电子设备可以从图像采集设备获取待检测的图像数据。具体的,电子设备与图像采集设备连接,获取图像采集设备采集的图像数据,方便电子设备后续对其进行处理。电子设备还可以通过通信网络与图像采集设备进行通信,获取图像采集设备采集的图像数据。
进一步的,电子设备可以从云端或者服务器中获取待检测的图像数据。具体的,电子设备可以向云端或者服务器发送获取图像数据指令,云端或者服务器收到该指令后,将图像数据发送给电子设备,方便电子设备对其进行处理。云端或者服务器也可以主动向电子设备发送图像数据,电子设备接收到该图像数据并对其进行储存和处理。
其中,待检测的图像数据包括彩色图像,红外图像以及深度图像中的至少一种。
S102:将图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果。
在本步骤中,电子设备获取到图像数据后,将图像数据输入活体检测模型中,活体检测模型根据图像数据对其进行分析处理,获取活体检测结果。
其中,活体检测结果用于指示图像数据是否为活体数据。示例性的,可以将图像数据通过活体检测界面的导入框导入到活体检测模型中进行处理,也可以由电子设备自动获取图像数据并输入活体检测模型中进行处理,活体检测模型对输入的图像数据进行分析处理,得到活体检测结果。
本申请实施例不对活体检测模型获取图像数据的具体方式进行限定,其可以根据实际需求确定。
具体的,活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对。活体检测模型具体训练过程由下文实施例给出。
S103:输出活体检测结果。
在本步骤中,电子设备通过活体检测模型获取活体检测结果,输出该活体检测结果,并将该活体检测结果在活体检测界面进行展示。
示例性的,若该活体检测结果指示该图像数据为活体数据,则电子设备在活体检测界面在界面上显示该活体检测结果,如图像数据为活体数据;若该活体检测结果指示该图像数据为非活体数据,则电子设备在活体检测界面在界面上显示该活体检测结果,如图像数据为非活体数据。
可选的,电子设备还可以将活体检测结果通过活体检测界面生成文档进行保存。电子设备还可以与打印设备连接,通过活体检测界面将该活体检测结果进行打印。
本申请实施例不对活体检测结果输出的具体方式进行限定,其可以根据实际需求确定。
本申请实施例提供的活体检测方法,通过获取待检测的图像数据,之后将图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,最后输出该活体检测结果。该活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对。根据待检测的图像数据,利用活体检测模型进行处理,相较于现有的活体检测方法,能够有效避免光线、环境等外界因素对活体检测的影响,提高了准确度以及鲁棒性。并且,能够用现有的图像数据进行活体检测,不需要特定类型的设备采集图像数据,降低了获取图像数据的成本。
示例性的,在上述实施例的基础上,图3为本申请实施例提供的活体检测方法实施例二的流程示意图。如图3所示,活体检测模型具体训练过程可以包括如下步骤:
S201:获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本。
在本申请实施例中,为了对待检测的图像数据进行活体检测,首先电子设备需要构建活体检测模型,并对该活体检测模型进行训练,保证其正确性。
在本步骤中,电子设备首先需要获取N个用户的样本数据,具体的,电子设备可以从自身储存的数据中获取样本数据,进而对其进行后续分析。电子设备还可以从云端或者服务器中获取样本数据,进而对获取到的样本数据进行处理。
进一步的,电子设备可以从图像采集设备获取样本数据。具体的,电子设备与图像采集设备连接,获取图像采集设备采集的样本数据,方便电子设备后续对其进行处理。电子设备还可以通过通信网络与图像采集设备进行通信,获取图像采集设备采集的样本数据。
其中,为了能够使得活体检测模型能够检测图像数据是否为活体数据,因此用于训练活体检测模型的每个用户的样本数据中都需要包括至少一个活体样本和至少一个非活体样本。活体样本指的是用户站在图像采集设备前,图像采集设备采集到的用户的样本数据。非活体样本指的是图像采集设备采集到的伪造的用户的样本数据,举例来说,如在图像采集设备前播放提前拍摄好的用户的视频,模拟用户的动作,使得图像采集设备采集视频中的样本数据。或者在图像采集设备前放置用户的照片,使得图像采集设备采集照片的样本数据。
具体的,样本包括彩色图像,红外图像以及深度图像中的至少一种。
其中,N为大于1的正整数。
S202:根据N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将训练模型确定为活体检测模型。
在本步骤中,为了忽略不同用户本身的差异,使得活体检测模型获取更具区分性的活体特征,因此需要从预先获取的N个用户的样本数据中,随机挑选n个用户的样本数据,每个用户的样本数据对应一个样本标识,并为每个样本标识随机获取一个活体样本和一个非活体样本,得到n个正负样本对。
其中,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,n为大于1的正整数。
进一步的,电子设备从n个样本标识中随机选择出两个样本标识,其中,每个样本标识中含有一个活体样本和一个非活体样本。将两个样本标识对应的正样本确定正正样本对,将两个样本标识对应的负样本确定为负负样本对。
示例性的,电子设备从n个样本标识中随机选择出两个样本标识,分别为样本标识A和样本标识B,其中样本标识A中包含活体样本1和非活体样本1;样本标识B中包含活体样本2和非活体样本2。将活体样本1与活体样本2进行组合构成正正样本对,将非活体样本1和非活体样本2进行组合构成负负样本对。
其中,经过上述正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2:1:1。
进一步的,将n个样本标识,n个正负样本对,正正样本对以及负负样本对作为本次迭代训练的样本集合进行迭代训练。
其中,正正样本对与负负样本对的数量相同,且小于正负样本对的数量。正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2∶1∶1。
进一步的,电子设备利用卷积神经网络提取样本集合中正负样本对、正正样本对以及负负样本对的特征(xi,xj),利用损失函数计算网络损失L。其中,损失函数由对比损失函数L1和正负样本的二分类损失函数L2组成,是L1和L2的和,且可以通过权重系数调节L1和L2之间的不同权重,可以表示为L=L1+αL2。
其中,α表示的是权重系数。
具体的,对比损失函数L1是样本集合中正负样本对、正正样本对以及负负样本对的损失函数之和,可以用公式L1=Lpo+Loo+Lpp表示。样本集合中的正负样本对通过对比损失函数Lpo计算损失,对比损失函数Lpo可以表示为其中,xp代表活体样本的特征,xo代表非活体样本的特征,m代表预设距离。对于样本集合中的正负样本对来说,对比损失函数Lpo目标是加大正负样本对的内部距离,举例来说,如果正负样本对中的活体样本和非活体样本相似度很高,可以利用损失函数Lpo增大两者的区分度。样本集合中的正正样本对或负负样本对通过对比损失函数Lpp或Loo计算损失,对比损失函数Lpp以及Loo可以表示为/>或者/>其中,xp1代表正正样本对中第一个活体样本的特征,xp2代表正正样本对中第二个活体样本的特征,xo1代表负负样本对中第一个非活体样本的特征,xo2代表负负样本对中第二个非活体样本的特征。对于样本集合中的正正样本对或负负样本对来说,对比损失函数Lpp和Loo目标是缩小样本对的内部差异。举例来说,由于受到光照干扰、背景干扰、遮挡等外界因素以及用户本身的影响,活体样本间或者非活体样本间的相似度很低,可以利用对比损失函数Lpp和Loo提高活体样本间或者非活体样本间的相似度。
具体的,正负样本的二分类损失函数L2(也可以称为交叉熵损失函数)能够进一步提升活体样本以及非活体样本类内特征的聚合度,扩大类间特征差异。其中,正负样本的二分类损失函数L2可以采用softmax的各种变种形式,示例性的,如AM-Softmax Loss等,能够本申请不对二分类损失函数的具体表示形式进行限定。
进一步的,电子设备基于误差反向传播(Error Back Propagation,BP)算法进行迭代训练,当训练模型的损失函数达到预设值时,则认为该训练模型满足预设的收敛条件,停止训练并将该训练模型确定为活体检测模型。其中,预设值可以由用户根据实际需求进行具体限定,本申请实施例对此不进行具体限定。
本申请实施例提供的活体检测方法,通过获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,之后根据N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将训练模型确定为活体检测模型。通过根据用户的样本数据进行迭代训练,从而获取训练好的活体检测模型,为接下来对图像数据进行检测奠定了基础,保证了后续检测的准确性。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图4为本申请实施例提供的活体检测装置的结构示意图。如图4所示,该活体检测装置包括:获取模块41,处理模块42以及输出模块43。
获取模块41,用于获取待检测的图像数据;
处理模块42,用于将图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,活体检测结果用于指示图像数据是否为活体数据,活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对;
输出模块43,用于输出活体检测结果。
在本申请实施例一种可能设计中,获取模块41,还用于获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,样本包括彩色图像,红外图像以及深度图像中的至少一种,其中,N为大于1的正整数;处理模块42,还用于根据N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将训练模型确定为活体检测模型。
可选的,处理模块42,具体用于:
在基于卷积神经网络训练的过程中,每次迭代训练时随机选择n个样本标识;
从预先获取的N个用户的样本数据中,为每个样本标识获取一个活体样本和一个非活体样本,得到n个正负样本对,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,其中,n为大于1的正整数;
从n个样本标识中选择出两个样本标识,并将两个样本标识对应的正样本确定正正样本对,将两个样本标识对应的负样本确定为负负样本对;
将n个样本标识,n个正负样本对,正正样本对以及负负样本对作为本次迭代训练的样本集合进行迭代训练,其中,正正样本对与负负样本对的数量相同,且小于正负样本对的数量。
可选的,每次迭代训练对应的样本集合中,正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2:1:1。
可选的,待检测的图像数据包括彩色图像,红外图像以及深度图像中的至少一种。
本申请实施例提供的活体检测装置,可用于执行上述实施例中的活体检测方法,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图5为本申请实施例提供的电子设备的结构示意图。如图5所示,该电子设备可以包括:处理器51、存储器52、通信接口53、显示器54及存储在所述存储器上并可在处理器上运行的计算机程序指令,所述处理器执行所述计算机程序指令时实现前述任一实施例提供的活体检测方法。
可选的,电子设备还可以包括与其他设备进行交互的接口。
可选的,该电子设备的上述各个器件之间可以通过系统总线连接。
存储器52可以是单独的存储单元,也可以是集成在处理器中的存储单元。处理器的数量为一个或者多个。
通信接口53用于实现数据库访问装置与其他设备之间的通信。
显示器54用于显示处理器51的处理结果以及和人机交互。可选的,显示器54可以显示活体检测界面,该活体检测界面可以包括图形、文本、图标、视频及其它们的任意组合。在一些实施例中,显示器54可以为电子设备的前面板;在另一些实施例中,显示器54可以是柔性显示屏,设置在电子设备的弯曲表面上或折叠面上。甚至,显示器54还可以设置成非矩形的不规则图形的显示屏,也即异形屏。显示器54可以采用液晶显示屏(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等材质制备。
应理解,处理器51可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
系统总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。存储器可能包含随机存取存储器(randomaccess memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储器(存储介质)包括:只读存储器(英文:read-only memory,简称:ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文:magnetic tape)、软盘(英文:floppydisk)、光盘(英文:optical disc)及其任意组合。
本申请实施例提供的电子设备,可用于执行上述任一方法实施例提供的活体检测方法,其实现原理和技术效果类似,在此不再赘述。
本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行上述活体检测方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
可选的,将可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存储介质中,至少一个处理器可以从该计算机可读存储介质中读取该计算机程序,所述至少一个处理器执行所述计算机程序时可实现上述活体检测方法。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (8)
1.一种活体检测方法,其特征在于,包括:
获取待检测的图像数据;
将所述图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,所述活体检测结果用于指示所述图像数据是否为活体数据,所述活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对;其中,每个用户的样本数据对应一个样本标识;
输出所述活体检测结果;
获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,样本包括彩色图像,红外图像以及深度图像中的至少一种,其中,N为大于1的正整数;
根据所述N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将所述训练模型确定为所述活体检测模型;
所述根据所述N个用户的样本数据,基于卷积神经网络进行迭代训练,包括:
在基于卷积神经网络训练的过程中,每次迭代训练时随机选择n个样本标识;
从预先获取的N个用户的样本数据中,为每个样本标识获取一个活体样本和一个非活体样本,得到n个正负样本对,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,其中,n为大于1的正整数;
从所述n个样本标识中选择出两个样本标识,并将所述两个样本标识对应的正样本确定正正样本对,将所述两个样本标识对应的负样本确定为负负样本对;
将所述n个样本标识,所述n个正负样本对,所述正正样本对以及所述负负样本对作为本次迭代训练的样本集合进行迭代训练,其中,所述正正样本对与所述负负样本对的数量相同,且小于正负样本对的数量。
2.根据权利要求1所述的方法,其特征在于,每次迭代训练对应的样本集合中,正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2:1:1。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述待检测的图像数据包括彩色图像,红外图像以及深度图像中的至少一种。
4.一种活体检测装置,其特征在于,包括:获取模块,处理模块以及输出模块;
所述获取模块,用于获取待检测的图像数据;
所述处理模块,用于将所述图像数据输入预先训练的活体检测模型中进行处理,得到活体检测结果,所述活体检测结果用于指示所述图像数据是否为活体数据,所述活体检测模型是利用卷积神经网络对多个样本集合进行迭代训练得到的可识别图像是否为活体的模型,每个样本集合中包括多个样本标识,每个样本标识对应的正负样本对,正正样本对以及负负样本对;其中,每个用户的样本数据对应一个样本标识;
所述输出模块,用于输出所述活体检测结果;
所述获取模块,还用于获取N个用户的样本数据,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,样本包括彩色图像,红外图像以及深度图像中的至少一种,其中,N为大于1的正整数;所述处理模块,还用于根据所述N个用户的样本数据,基于卷积神经网络进行迭代训练,直至得到的训练模型满足预设的收敛条件,将所述训练模型确定为所述活体检测模型;
所述处理模块,具体用于:
在基于卷积神经网络训练的过程中,每次迭代训练时随机选择n个样本标识;
从预先获取的N个用户的样本数据中,为每个样本标识获取一个活体样本和一个非活体样本,得到n个正负样本对,每个用户的样本数据中都包括至少一个活体样本和至少一个非活体样本,其中,n为大于1的正整数;
从所述n个样本标识中选择出两个样本标识,并将所述两个样本标识对应的正样本确定正正样本对,将所述两个样本标识对应的负样本确定为负负样本对;
将所述n个样本标识,所述n个正负样本对,所述正正样本对以及所述负负样本对作为本次迭代训练的样本集合进行迭代训练,其中,所述正正样本对与所述负负样本对的数量相同,且小于正负样本对的数量。
5.根据权利要求4所述的装置,其特征在于,每次迭代训练对应的样本集合中,正负样本对的数量,正正样本对的数量,以及负负样本对的数量的比例为2:1:1。
6.根据权利要求4至5任一项所述的装置,其特征在于,所述待检测的图像数据包括彩色图像,红外图像以及深度图像中的至少一种。
7.一种电子设备,包括:处理器、存储器、通信接口、显示器及存储在所述存储器上并可在处理器上运行的计算机程序指令,其特征在于,所述处理器执行所述计算机程序指令时用于实现如权利要求1至3任一项所述的活体检测方法。
8.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至3任一项所述的活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638444.XA CN112699811B (zh) | 2020-12-31 | 2020-12-31 | 活体检测方法、装置、设备、储存介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638444.XA CN112699811B (zh) | 2020-12-31 | 2020-12-31 | 活体检测方法、装置、设备、储存介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699811A CN112699811A (zh) | 2021-04-23 |
CN112699811B true CN112699811B (zh) | 2023-11-03 |
Family
ID=75513945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011638444.XA Active CN112699811B (zh) | 2020-12-31 | 2020-12-31 | 活体检测方法、装置、设备、储存介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699811B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505682B (zh) * | 2021-07-02 | 2024-07-02 | 杭州萤石软件有限公司 | 活体检测方法及装置 |
CN116721315B (zh) * | 2023-08-08 | 2023-12-01 | 腾讯科技(深圳)有限公司 | 活体检测模型的训练方法、装置、介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN108875508A (zh) * | 2017-11-23 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测算法更新方法、装置、客户端、服务器及系统 |
CN109117744A (zh) * | 2018-07-20 | 2019-01-01 | 杭州电子科技大学 | 一种用于人脸验证的孪生神经网络训练方法 |
CN109635770A (zh) * | 2018-12-20 | 2019-04-16 | 上海瑾盛通信科技有限公司 | 活体检测方法、装置、存储介质及电子设备 |
CN110222486A (zh) * | 2019-05-18 | 2019-09-10 | 王�锋 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
CN110363111A (zh) * | 2019-06-27 | 2019-10-22 | 平安科技(深圳)有限公司 | 基于镜头失真原理的人脸活体检测方法、装置及存储介质 |
CN111126223A (zh) * | 2019-12-16 | 2020-05-08 | 山西大学 | 基于光流引导特征的视频行人再识别方法 |
CN111382643A (zh) * | 2018-12-30 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种手势检测方法、装置、设备及存储介质 |
CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 |
CN112085041A (zh) * | 2019-06-12 | 2020-12-15 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、训练装置和电子设备 |
-
2020
- 2020-12-31 CN CN202011638444.XA patent/CN112699811B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875508A (zh) * | 2017-11-23 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测算法更新方法、装置、客户端、服务器及系统 |
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
WO2019114580A1 (zh) * | 2017-12-13 | 2019-06-20 | 深圳励飞科技有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN109117744A (zh) * | 2018-07-20 | 2019-01-01 | 杭州电子科技大学 | 一种用于人脸验证的孪生神经网络训练方法 |
CN109635770A (zh) * | 2018-12-20 | 2019-04-16 | 上海瑾盛通信科技有限公司 | 活体检测方法、装置、存储介质及电子设备 |
WO2020125623A1 (zh) * | 2018-12-20 | 2020-06-25 | 上海瑾盛通信科技有限公司 | 活体检测方法、装置、存储介质及电子设备 |
CN111382643A (zh) * | 2018-12-30 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种手势检测方法、装置、设备及存储介质 |
CN110222486A (zh) * | 2019-05-18 | 2019-09-10 | 王�锋 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
CN112085041A (zh) * | 2019-06-12 | 2020-12-15 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、训练装置和电子设备 |
CN110363111A (zh) * | 2019-06-27 | 2019-10-22 | 平安科技(深圳)有限公司 | 基于镜头失真原理的人脸活体检测方法、装置及存储介质 |
CN111126223A (zh) * | 2019-12-16 | 2020-05-08 | 山西大学 | 基于光流引导特征的视频行人再识别方法 |
CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 |
Non-Patent Citations (4)
Title |
---|
Deep Anomaly Detection for Generalized Face Anti-Spoofing;Daniel Perez-Cabo等;《CVPR》;1-10 * |
Deep anomaly detection for;Deniel Perez-cabo等;《arXiv:1904.08241》;1-10 * |
活体虹膜检测技术研究;马遇伯;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2017(08)期);I138-277 * |
深度人脸识别算法研究和系统设计;毛颖;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2019(06)期);I138-524 * |
Also Published As
Publication number | Publication date |
---|---|
CN112699811A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699103B2 (en) | Living body detecting method and apparatus, device and storage medium | |
CN107844748B (zh) | 身份验证方法、装置、存储介质和计算机设备 | |
CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
EP2336949B1 (en) | Apparatus and method for registering plurality of facial images for face recognition | |
US11756336B2 (en) | Iris authentication device, iris authentication method, and recording medium | |
CN112699811B (zh) | 活体检测方法、装置、设备、储存介质及程序产品 | |
CN105678242B (zh) | 手持证件模式下的对焦方法和装置 | |
CN109389098B (zh) | 一种基于唇语识别的验证方法以及系统 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112989299A (zh) | 一种交互式身份识别方法、系统、设备及介质 | |
CN103984415B (zh) | 一种信息处理方法及电子设备 | |
CN112395580A (zh) | 一种认证方法、装置、系统、存储介质和计算机设备 | |
CN105897747B (zh) | 基于数字生物签名的数据存储方法、装置及智能设备 | |
CN116468113A (zh) | 活体检测模型的训练方法、活体检测方法和系统 | |
CN108596127B (zh) | 一种指纹识别方法、身份验证方法及装置和身份核验机 | |
CN113743194A (zh) | 人脸静默活体检测方法、装置、电子设备及存储介质 | |
CN112597810A (zh) | 身份证明文件认证方法和系统 | |
CN115690920B (zh) | 医疗身份认证的可信活体检测方法及相关设备 | |
CN211349389U (zh) | 一种基于三目图像采集装置的人脸识别认证系统 | |
Grinchuk et al. | Training a multimodal neural network to determine the authenticity of images | |
US20240153126A1 (en) | Automatic image cropping using a reference feature | |
WO2024042674A1 (ja) | 情報処理装置、認証方法および記憶媒体 | |
CN116978067A (zh) | 指纹识别的方法和装置 | |
CN118230429A (zh) | 人脸声纹交互式活体检测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |