CN113052150B - 活体检测方法、装置、电子设备和计算机可读存储介质 - Google Patents

活体检测方法、装置、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN113052150B
CN113052150B CN202110562131.9A CN202110562131A CN113052150B CN 113052150 B CN113052150 B CN 113052150B CN 202110562131 A CN202110562131 A CN 202110562131A CN 113052150 B CN113052150 B CN 113052150B
Authority
CN
China
Prior art keywords
image
sample
feature
living body
information
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
Application number
CN202110562131.9A
Other languages
English (en)
Other versions
CN113052150A (zh
Inventor
姚太平
张克越
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 CN202110562131.9A priority Critical patent/CN113052150B/zh
Publication of CN113052150A publication Critical patent/CN113052150A/zh
Application granted granted Critical
Publication of CN113052150B publication Critical patent/CN113052150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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

Landscapes

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

Abstract

本发明实施例公开了一种活体检测方法、装置、电子设备和计算机可读存储介质；本发明实施例在获取图像样本集合后，对图像样本集合中的图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测；该方案可以提升活体检测的准确率。

Description

活体检测方法、装置、电子设备和计算机可读存储介质
技术领域
本发明涉及通信技术领域，具体涉及一种活体检测方法、装置、电子设备和计算机可读存储介质。
背景技术
近年来，随着图像识别技术的飞速发展，面部识别的应用越来越广泛，由于面部信息的生物特征非常容易获得，面部识别系统很容易受到伪造人脸的攻击，比如，照片攻击或视频攻击等导致安全性问题。而活体检测技术作为面部识别前重要的一环，可以通过抵挡面部攻击来提高面部识别系统的安全性，所谓活体检测可以为检测对象是否具有真实的生理特征，比如，检测人脸图像中的人脸为是否为真实的人脸，还是伪造的人脸攻击，所谓伪造的人脸可以包括打印照片、屏幕播放等方式。现有的活体检测技术往往基于神经网络进行检测。
在对现有技术的研究和实践过程中年，本发明的发明人发现现有的神经网络往往存在的泛化不足的问题，而现有真实活体数据与训练数据在域信息上可能存在差异，也将会使得其在真实活体数据上的准确率下降，因此，会导致活体检测的准确率不足。
发明内容
本发明实施例提供一种活体检测方法、装置、电子设备和计算机可读存储介质、可以提高活体检测的准确率。
一种活体检测方法，包括：
获取图像样本集合，所述图像样本集合包括多个域类型的图像样本；
根据所述图像样本的域类型，对所述图像样本进行分类，得到多个图像样本子集合，并采用所述图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型；
采用所述第一检测模型提取出所述图像样本集合中图像样本的特征，得到每一所述第一检测模型对应的样本特征信息，并确定所述样本特征信息的关联权重，所述关联权重用于指示不同第一检测模型对应的样本特征信息之间的关联关系；
根据所述关联权重对所述样本特征信息进行融合，得到融合后样本特征信息；
采用所述融合后样本特征信息和图像样本集合对所述预设检测模型进行训练，得到第二检测模型，并基于所述第二检测模型对待检测图像进行活体检测。
相应的，本发明实施例提供一种活体检测装置，包括：
获取单元，用于获取图像样本集合，所述图像样本集合包括多个域类型的图像样本；
训练单元，用于根据所述图像样本的域类型，对所述图像样本进行分类，得到多个图像样本子集合，并采用所述图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型；
提取单元，用于采用所述第一检测模型提取出所述图像样本集合中图像样本的特征，得到每一所述第一检测模型对应的样本特征信息，并确定所述样本特征信息的关联权重，所述关联权重用于指示不同第一检测模型对应的样本特征信息之间的关联关系；
融合单元，用于根据所述关联权重对所述样本特征信息进行融合，得到融合后样本特征信息；
检测单元，用于采用所述融合后样本特征信息和图像样本集合对所述预设检测模型进行训练，得到第二检测模型，并基于所述第二检测模型对待检测图像进行活体检测。
可选的，在一些实施例中，所述提取单元，具体可以用于采用所述第一检测模型对所述图像样本集合中每一图像样本进行特征提取，得到所述图像样本的图像特征；根据所述图像特征，确定对应的图像样本中对象的活体预测值；将所述图像样本的图像特征和活体预测值作为所述第一检测模型对应的样本特征信息。
可选的，在一些实施例中，所述融合单元，具体可以用于在所述关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重；根据所述第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一所述图像样本的融合后图像特征；基于所述第二关联权重对每一活体预测值进行加权，并确定加权后的活体预测值之间的关系，得到每一图像样本的样本关联特征；将所述图像样本的融合后图像特征和样本关联特征作为所述融合后样本特征信息。
可选的，在一些实施例中，所述检测单元，具体可以用于采用所述预设检测模型提取所述图像样本集合中每一图像样本的特征，得到所述预设检测模型对应的目标样本特征信息；根据所述融合后样本特征信息和目标样本特征信息，确定所述图像样本集合对应的损失信息；基于所述损失信息，对所述预设检测模型进行收敛，以得到第二检测模型。
可选的，在一些实施例中，所述检测单元，具体可以用于将所述融合后样本特征信息和目标样本特征信息进行对比，以得到所述图像样本集合对应的样本特征损失信息；在所述目标样本特征信息中提取出所述图像样本集合中每一图像样本的活体预测信息，并将所述活体预测信息与所述图像样本中的活体标注信息进行对比，以得到所述图像样本集合对应的活体检测损失信息；将所述样本特征损失信息和活体检测损失信息进行融合，得到所述图像样本集合对应的损失信息。
可选的，在一些实施例中，所述检测单元，具体可以用于在所述目标样本特征信息中提取出每一图像样本对应的目标图像特征和目标样本关联特征；将所述目标图像特征与所述融合后样本特征信息中对应的融合后图像特征进行对比，以得到所述图像样本集合对应的图像特征损失信息；将所述目标样本关联特征与所述融合后样本特征信息中对应的融合后样本关联特征进行对比，以得到所述图像样本集合对应的关联特征损失信息；将所述图像特征损失信息和关联特征损失信息作为所述图像样本集合对应的样本特征损失信息。
可选的，在一些实施例中，所述检测单元，具体可以用于计算所述目标图像特征和所述融合后样本特征信息中对应的融合后图像特征的特征均值；计算所述目标图像特征的特征均值和所述融合后图像特征的特征均值之间的特征差值，得到第一特征差值；基于所述第一特征差值，确定所述图像样本集合对应的图像特征损失信息。
可选的，在一些实施例中，所述检测单元，具体可以用于计算所述目标样本关联特征与所述融合后样本关联特征的特征差值，得到第二特征差值；将所述图像样本集合中每一图像样本对应的第二特征差值进行融合，并将融合后的特征差值作为所述图像样本集合对应的关联特征损失信息。
可选的，在一些实施例中，所述检测单元，具体可以用于在每一图像样本对应的目标图像特征中提取出目标深度图特征，并在每一图像样本对应的目标样本关联特征中提取出目标活体预测值；根据所述目标活体预测值确定对应的图像样本的预测活体类型，并将所述预测活体类型和目标深度图特征作为所述图像样本的活体预测信息。
可选的，在一些实施例中，所述检测单元，具体可以用于获取所述图像样本集合中每一图像样本的活体标注信息，所述活体标注信息包括标注的深度图特征和标注的活体类型；将所述目标深度图特征与对应的图像样本标注的深度图特征进行对比，得到深度图损失信息；将所述预测活体类型与对应的图像样本标注的活体类型进行对比，得到分类损失信息，并将所述深度图损失信息和分类损失信息作为所述图像样本集合对应的活体检测损失信息。
可选的，在一些实施例中，所述提取单元，具体可以用于获取将所述样本特征信息转换为关联特征，并获取所述关联特征对应的预设关联参数；将所述预设关联参数与关联特征进行融合，得到样本特征关联信息；对所述样本特征关联信息进行归一化处理，得到所述样本特征信息的关联权重。
可选的，在一些实施例中，所述检测单元，具体可以用于获取待检测图像，所述待检测图像中包括至少一个用于活体检测的待检测对象；采用所述第二检测模型对所述待检测图像进行特征提取，得到所述待检测对象的活体特征；根据所述活体特征，计算所述待检测对象的活体概率，所述活体概率用于指示所述待检测对象为活体对象的概率；当所述活体概率超过预设概率阈值时，确定所述待检测对象为活体对象。
此外，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序实现本发明实施例提供的活体检测方法。
此外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一种活体检测方法中的步骤。
本发明实施例在获取图像样本集合后，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，然后，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，然后，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，最后，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测；由于该方案通过多个域类型对应的图像样本子集合训练老师模型（第一检测模型），并通过不同的第一检测模型提取出图像样本集合的部分公共知识，并根据这些公共知识的权重进行融合，从而得到融合后样本特征信息，借助知识蒸馏的方式将融合样本特征信息传递给学生模型（第二检测模型），不但充分利用了公共知识泛化效果的好的优势，而且还提升了学生模型预测的准确率，因此，可以提升活体检测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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的附图。
图1是本发明实施例提供的活体检测方法的场景示意图；
图2是本发明实施例提供的活体检测的流程示意图；
图3是本发明实施例提供的原始图像预处理的示意图；
图4是本发明实施例提供的活体检测方法的另一流程示意图；
图5是本发明实施例提供的对待检测图像进行人脸检测的示意图；
图6是本发明实施例提供的通过教师模型训练出学生模型的示意图；
图7是本发明实施例提供的活体检测装置的结构示意图；
图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
本发明实施例提供一种活体检测方法、装置和计算机可读存储介质。其中，该活体检测装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务（Content Delivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
例如，参见图1，以活体检测装置集成在电子设备中为例，电子设备在获取图像样本集合后，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，然后，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，然后，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，最后，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测，从而提升活体检测的准确率。
其中活体检测可以理解为在一些身份验证场景确定对象真实生理特征的方法，比如，在人脸识别应用中，就可以先验证用户是否为真实活体本人操作。通过活体检测可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段。
其中，采用不同的图像样本子集合对预设检测模型进行训练，得到的训练后检测模型，为了区分训练后检测模型，可以称为第一检测模型。采用图像样本集合对预设检测模型进行训练，得到的训练后检测模型，为了区分训练后检测模型，可以称为第二检测模型。对于第一检测模型，也可以理解为教师模型，相应的，第二检测模型就可以为学生模型，学生模型接收教师模型传递的融合后样本特征信息，并进行训练，从而才可以得到第二检测模型，第二检测模型的数量为一个，而第一检测模型的数量可以为多个，不同的图像样本子集合可以训练不同的第一检测模型。
其中，本申请实施例提供的活体检测方法涉及到人工智能领域的计算机视觉技术，即在本申请实施例中，可以利用人工智能的计算机视觉技术对图像样本进行特征提取，以训练第一检测模型和第二检测模型，并基于第二检测模型对待检测图像进行活体检测。
其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。其中，人工智能软件技术主要包括计算机视觉技术、机器学习/深度学习等方向。
其中，计算机视觉技术(Computer Vision，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指通过计算机代替人眼对目标进行识别、测量等的机器视觉，并进一步进行图像处理，使图像经过计算机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、图像识别等技术，还包括常见的人脸识别、人体姿态识别等生物特征识别技术。
其中，可以将第一检测模型和第二检测模型部署在云平台，还可以将融合后样本特征信息存储至云平台。所谓云平台也称云计算平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。
作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。
按照逻辑功能划分，在IaaS（Infrastructure as a Service，基础设施即服务）层上可以部署PaaS(Platform as a Service,平台即服务)层，PaaS层之上再部署SaaS(Software as a Service，软件即服务)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。
以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从活体检测装置的角度进行描述，该活体检测装置具体可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备；其中，该终端可以包括平板电脑、笔记本电脑、以及个人计算机（PC，Personal Computer）、可穿戴设备、虚拟现实设备或其他可以活体检测的智能设备等设备。
一种活体检测方法，包括：
获取图像样本集合，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测。
如图2所示，该活体检测方法的具体流程如下：
101、获取图像样本集合。
其中，图像样本集合包括多个域类型的图像样本。所谓域类型可以理解为不同维度下采集的图像样本，比如，不同光照对应的图像样本和不同背景对应的图像样本等，可以发现，光照和背景就可以为图像样本的域类型。
其中，获取图像样本集合的方式可以包括多种，比如，可以直接获取图像样本集合，或者，当图像样本数量较多或内存较大时，还可以间接获取图像样本集合，具体可以如下：
（1）直接获取图像样本集合。
例如，可以直接接收用户或图像服务商上传的图像样本，从而得到图像样本集合，或者，可以图像样本数据库中筛选出至少一张图像样本，从而得到图像样本集合，或者，可以从互联网上直接获取或爬取多张图像样本，从而得到图像样本集合。
（2）间接获取图像样本集合
例如，可以接收训练请求，该训练请求中携带图像样本或图像样本集合的存储地址，根据存储地址，获取图像样本或图像样本集合，从而得到图像样本集合，或者接收到多张原始图像，对原始图像进行预处理，得到图像样本，从而就可以获取到图像样本集合。
其中，预处理的方式可以有多种，比如，可以在原始图像中识别出对象面部所在区域，得到对象区域，对对象区域进行调整，得到目标区域，在原始图像中裁剪出目标区域，得到目标图像，并采用深度估计网络计算目标图像中对象面部对应的深度图，根据深度图计算结果，生成目标图像的活体标签，并将活体标签添加至目标图像，得到图像样本，以对象区域为人脸区域为例，具体可以如图3所示，或者，当原始图像中标注了活体标签时，可以在原始图像中识别出对象面部所在区域，得到对象区域，对对象区域进行调整，得到目标区域，在原始图像中裁剪出目标区域，得到图像样本，或者，可以对图像样本的尺寸进行处理，譬如，可以调整成预设尺寸，从而得到图像样本集合，或者，还可以将图像样本的图像格式调整成统一的格式。
其中，根据深度图计算结果生成目标图像的活体标签的方式可以有多种，比如，当目标图像存在深度图时，就可以确定该目标图像中的对象为活体对象，当目标图像不存在深度图（即深度图为对应的黑色地图）时，就可以确定该目标图像中对象为非活体对象，从而就可以确定目标图像的活体标签。
其中，图像样本集合中可以包括正样本和负样本，所谓正样本就可以为图像样本中的对象为活体对象的样本，负样本就可以为图像样本中对象为非活体对象（攻击对象）的样本。
其中，对对象区域进行调整可以有多种，比如，可以将对象区域扩大预设倍数，譬如，可以为1.8倍、2倍或者其他倍数。
可选的，在获取到图像样本之后，还可以识别图像样本的域类型，识别的方式可以有多种，比如，可以获取图像样本的属性信息，在属性信息中识别出图像样本的域信息，并根据域信息，确定该图像样本的域类型，或者，还可以直接获取图像样本的域信息，在域信息中识别出对应的图像样本的域类型。
102、根据图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型。
例如，具体可以如下：
A1、根据图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合。
例如，可以将属于同一域类型的图像样本分为一类，从而得到该域类型对应的图像样本子集合，或者，还可以对图像样本集合中的图像样本进行聚类，得到多个图像样本簇，并根据图像样本的域类型，确定每一个图像样本簇对应的域标签，将域标签添加至对应的图像样本簇中，得到图像样本子集合。
A2、采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型。
例如，可以采用预设检测模型对图像样本子集合中的图像样本进行活体检测，得到预测的图像样本的活体检测结果，将预测的活体检测结果与图像样本中的标注的活体类型进行对比，确定图像样本的损失信息，根据图像样本的损失信息，对预设检测模型的参数进行更新，以收敛该预设检测模型，从而得到每一图像样本子集合对应的第一检测模型。
其中，在此需要说明的是，采用不同的图像样本子集合对预设检测模型进行训练，可以得到不同的第一检测模型。
103、采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重。
其中，关联权重用于指示不同第一检测模型对应的样本特征信息之间的关联关系。
其中，样本特征信息可以为第一检测模型在图像样本集合中提取出的公共知识组成的特征信息，该公共知识可以包括每个图像样本的图像特征和样本关联特征等。
其中，具体可以如下：
B1、采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息。
例如，可以采用第一检测模型对图像样本集合中每一图像样本进行特征提取，得到图像样本的图像特征，根据图像特征，确定对应的图像样本中对象的活体预测值，将图像样本的图像特征和活体预测值作为第一检测模型对应的样本特征信息。
其中，图像特征可以为对图像样本进行特征提取过程中的中间层的特征，可以包括图像样本的颜色特征、纹理特征、形状特征、空间关系特征和深度图特征等等。
其中，活体预测值可以为图像样本中对象的活体概率的预测值。
B2、确定样本特征信息的关联权重。
例如，可以通过注意力网络（Attention网络）确定样本特征信息的关联权重，具体可以如下：
采用注意力网络将样本特征信息转换为关联特征，并获取关联特征对应的预设关联参数，将预设关联参数与关联特征进行融合，得到样本特征关联信息。
其中，采用注意力网络Attention网络将样本特征信息转换为关联特征，转换的方式可以有多种，比如，可以将样本特征信息转换为特征向量，然后，基于特征向量构建键向量（k）和值向量（v），然后，令键向量（k）和值向量（v）与特征向量的值相同，将赋值后的键向量（k）和值向量（v）作为关联特征。
在转换为关联特征之后，便可以获取该关联特征对应的预设关联参数，比如，可以在预设查询向量（q）集合中筛选出关联特征对应的查询向量（q）作为预设关联参数，或者，还可以在预设查询向量（q）集合中筛选出样本特征信息对应的查询向量（q）作为预设关联参数。
在获取到预设关联参数之后，将预设关联参数与关联特征进行融合的方式可以有多种，比如，可以将查询向量与每一个关联特征中的键向量（k）进行点积，就可以得到样本特征信息对其他样本特征信息的注意力打分（score），将该注意力打分作为样本特征关联信息。
在得到样本特征关联信息之后，还可以对样本特征关联信息进行归一化处理，从而得到样本特征信息的关联权重，比如，可以对每个样本特征信息对应的注意力打分进行降维，对降维后的注意力打分进行归一化处理，得到每个样本特征信息对应的关联权重。
其中，对注意力打分进行降维的方式可以有多种，比如，可以将注意力打分除以一个特定的数值，该数值可以根据实际应用进行设定，譬如，可以为
Figure 727383DEST_PATH_IMAGE002
，其中k为键向量（K）的维度，从而得到每个样本特征信息对应的降维后的注意力打分。
其中，对降维后的注意力打分进行归一化处理的方式也可以有多种，比如，可以通过softmax函数（归一化指数函数）对样本特征信息的降维后注意力打分进行归一化处理，或者，还可以采用其他归一化的函数进行归一化处理，得到每个样本特征信息对应的关联权重。
其中，采用注意力网络确定样本特征信息的关联权重，主要目的是形成具有泛化的公共知识。
可选的，确定样本特征信息的关联权重，还可以根据图像样本子集合来确定，比如，可以根据样本特征信息对应的图像样本子集合中图像样本的数量或者域类型与图像样本集合的图像样本总数量或总的域类型进行对比，根据对别结果来确定样本特征信息的关联权重，或者，还可以采用其他算法确定样本特征信息的关联权重。
104、根据关联权重对样本特征信息进行融合，得到融合后样本特征信息。
例如，可以在关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重，根据第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一图像样本的融合后图像特征，基于第二关联权重对每一活体预测值进行加权，并确定加权后的活体预测值之间的关系，得到每一图像样本的样本关联特征。
其中，确定加权后的活体预测之间的关系可以有多种方式，比如，可以将加权后的活体预测值转换为对应的一维向量，以每一图像的活体预测值的数量为3个为例，可以计算这三个一维向量之间的余弦角，从而得到该图像样本对应的样本关联特征，具体可以如公式（1）所示：
Figure 815162DEST_PATH_IMAGE004
其中，
Figure 329320DEST_PATH_IMAGE006
为图像样本A的样本关联特征，ti、tj、tk分别为图像样本A的三个加权后的活体预测值。
105、采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测。
其中，具体可以如下：
C1、采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型。
例如，可以采用预设检测模型提取图像样本集合中每一图像样本的特征，得到预设检测模型对应的目标样本特征信息，根据融合后样本特征信息和目标样本特征信息，确定图像样本集合对应的损失信息，基于损失信息，对预设检测模型进行收敛，以得到第二检测模型，具体可以如下：
D1、采用预设检测模型提取图像样本集合中每一图像样本的特征，得到预设检测模型对应的目标样本特征信息。
例如，采用预设检测模型对图像样本集合中每一图像样本进行特征提取，对图像样本进行多次提取，将提取到的图像特征进行融合，得到每一图像样本的目标图像特征，根据目标图像特征确定对应的图像样本中对象的目标活体预测值，分别计算多个目标活体预测值之间的关系，得到目标样本关联特征，将图像样本的目标图像特征和目标样本关联特征作为预设检测模型对应的目标样本特征信息。
D2、根据融合后样本特征信息和目标样本特征信息，确定图像样本集合对应的损失信息。
例如，可以将融合后样本特征信息和目标样本特征信息进行对比，以得到图像样本集合对应的样本特征损失信息，在目标样本特征信息中提取出图像样本集合中每一图像样本的活体预测信息，并将活体预测信息与图像样本中的活体标注信息进行对比，以得到图像样本集合对应的活体检测损失信息，将样本特征损失信息和活体检测损失信息进行融合，得到图像样本集合对应的损失信息，具体可以如下：
（1）将融合后样本特征信息和目标样本特征信息进行对比，以得到图像样本集合对应的样本特征损失信息。
例如，可以在目标样本特征信息中提取出每一图像样本对应的目标图像特征和目标样本关联特征，将目标图像特征与融合样本特征信息中对应的融合后图像特征进行对比，以得到图像样本集合对应的图像特征损失信息，将目标样本关联特征与融合后样本特征信息中对应的融合后样本关联特征进行对比，以得到图像样本集合对应的关联特征损失信息，将图像特征损失信息和关联特征损失信息作为图像样本集合对应的样本特征损失信息。
其中，将目标图像特征与融合样本特征信息中对应的融合后图像特征进行对比的方式可以有多种，比如，可以计算目标图像特征和融合后样本特征信息中的融合后图像特征的特征均值，计算目标图像特征的特征均值与融合后图像特征的特征均值之间的特征差值，得到第一特征差值。基于第一特征差值，确定图像样本集合对应的图像特征损失信息，具体可以如公式（2）所示：
Figure 396633DEST_PATH_IMAGE008
其中，
Figure 679847DEST_PATH_IMAGE010
为图像特征损失信息，
Figure 236730DEST_PATH_IMAGE012
为目标图像特征的特征均值，
Figure 175868DEST_PATH_IMAGE014
为融合后图像特征的特征均值。
其中，将目标样本关联特征与融合后样本特征信息中对应的融合后样本关联特征进行对比的方式可以有多种，比如，可以计算目标样本关联特征与融合后样本特征的特征差值，得到第二特征差值，譬如，第二特征差值可以为余弦角度的差值，将图像样本集合中每一图像样本对应的第二特征差值进行融合，并将融合后的特征差值作为图像样本集合对应的关联特征损失信息，具体可以公式（3）所示：
Figure 601864DEST_PATH_IMAGE016
其中，
Figure 739585DEST_PATH_IMAGE018
为关联特征损失信息，
Figure 405052DEST_PATH_IMAGE020
为第二特征差值，
Figure DEST_PATH_IMAGE022
为目标样本关联特征，
Figure DEST_PATH_IMAGE024
为融合后样本关联特征。
其中，需要说明的是，计算图像特征损失信息和关联特征损失信息可以看作是将融合后样本特征信息这个公共知识通过知识蒸馏的方法传递给学生模型，从而得到第一检测模型，针对公共知识的不同类型，采用不同的蒸馏策略，当公共知识为图像样本的图像特征时，可以公式（1）所示的采用MMD（最大平均差）蒸馏方法传递，当公共知识为样本关联特征时，可以采用公式（2）所示的结构性蒸馏方法传递。当然，对于公共知识的蒸馏传递给学生模型可以使用不同的蒸馏方式，比如基于变分的特征蒸馏，主要目的还是保证蒸馏的有效性。
（2）在目标样本特征信息中提取出图像样本集合中每一图像样本的活体预测信息，并将活体预测信息与图像样本中的活体标注信息进行对比，以得到图像样本集合对应的活体检测损失信息。
例如，具体可以如下：
E1、在目标样本特征信息中提取出图像样本集合中每一图像样本的活体预测信息。
例如，可以在每一图像样本对应的目标图像特征中提取出目标深度图特征，并在每一图像样本对应的目标样本关联特征中提取出目标活体预测值，根据目标活体预测值确定对应的图像样本的预测活体类型，并将预测活体类型和目标深度图特征作为图像样本的活体预测信息。
其中，在目标样本关联特征中提取出目标活体预测值的方式可以有多种，比如，根据目标样本关联特征中的活体预测值之间的关系，计算图像样本的至少一个活体预测值，将这些活体预测值进行融合，就可以得到目标活体预测值。
在得到目标活体预测值之后，便可以确定图像样本的预测活体类型，比如，可以将目标活体预测值与预设活体阈值进行对比，当目标活体预测值超过预设活体阈值时，就可以确定图像样本的预测活体类型为活体，当目标活体预测值未超过预设活体阈值时，就可以确定图像样本的预测活体类型为非活体。
E2、将活体预测信息与图像样本中的活体标注信息进行对比，以得到图像样本集合对应的活体检测损失信息。
例如，可以获取图像样本集合中每一图像样本的活体标注信息，该活体标注信息可以包括标注的深度图特征和标注的活体类型，将目标深度图特征与对应的图像样本标注的深度图特征进行对比，得到深度图损失信息，将预测活体类型与对应的图像样本标注的活体类型进行对比，得到分类损失信息，并将深度图损失和分类损失信息作为图像样本集合对应的活体检测损失信息。
其中，确定深度图损失信息的方式可以有多种，比如，可以采用均方差损失函数根据预测的深度图和标注的深度图计算图像样本的深度图损失信息，或者，还可以采用其他类型的损失函数计算图像样本的深度图损失信息。
其中，对于辅助的深度图监督，还可以采用其他监督方式，比如，可以采用基于纹理的特征提取（Local Binary Pattern，LBP）监督。
其中，确定分类损失信息的方式也可以有多种，比如，可以采用二元交叉嫡损失函数根据预测活体类型和标注的活体类型计算图像样本的分类损失信息，或者，还可以采用其他分类损失函数计算图像样本的分类损失信息。
（3）将样本特征损失信息和活体检测损失信息进行融合，得到图像样本集合对应的损失信息。
例如，可以获取样本特征损失信息和活体检测损失信息对应的损失权重，根据损失权重对样本特征损失信息和活体检测损失信息进行加权，并将加权后的样本特征损失信息和加权后的活体检测损失信息进行融合，得到图像样本集合对应的损失信息，或者，可以将样本特征损失信息进行活体检测损失信息进行拼接，得到图像样本集合对应的损失信息，或者，还可以将样本特征损失信息和活体检测损失信息进行组合，得到图像样本集合对应的损失信息。
D3、基于损失信息，对预设检测模型进行收敛，以得到第二检测模型。
例如，可以基于损失信息，对预设检测模型的网络参数进行更新，比如，可以采用梯度下降算法或者其他算法对预设检测模型的网络参数进行更新，以收敛该预设检测模型，当完成收敛时，就可以得到第二检测模型。
C2、基于第二检测模型对待检测图像进行活体检测。
例如，可以获取待检测图像，该待检测图像包括至少一个用于活体检测的待检测对象，采用第二检测模型对待检测图像进行特征提取，得到待检测对象的活体特征，根据活体特征计算待检测对象的活体概率，该活体概率用于指示待检测对象为活体对象的概率，当活体概率超过预设概率阈值时，确定待检测对象为活体对象，当活体概率未超过预设概率阈值时，确定待检测对象为非活体对象。
其中，获取待检测图像的方式可以有多种，比如，可以直接获取用户上传的用户图像，在用户图像中识别出用于活体检测的检测区域，对该检测区域进行调整，调整的方式可以为放大或者其他调整方式，得到目标区域，在用户图像中将目标区域裁剪下来，就可以得到待检测图像，或者，可以通过图像/视频采集装置采集用户的图像，得到用户图像，然后，在用户图像中识别出用于活体检测的检测区域，对该检测区域进行调整，得到目标区域，在用户图像中将目标区域裁剪下来，就可以得到待检测图像，或者，还可以直接获取用户上传的待检测图像。
在获取到待检测图像之后，便可以采用第二检测模型对待检测图像进行特征提取，特征提取的方式可以有多种，比如，可以直接提取待检测图像的图像特征，并根据图像特征，确定待检测图像对应的图像关联特征，将图像特征和图像关联特征进行融合，得到待检测对象的活体特征。
在得到检测对象的活体特征之后，便可以计算待检测对象的活体概率，计算的方式可以有多种，比如，可以采用分类器计算待检测对象的活体概率，或者，采用其他分类网络计算待检测对象的活体概率。
可选的，在一实施例中，该活体装置还包括将融合后样本特征信息存储至区块链上。
由以上可知，本发明实施例在获取图像样本集合后，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，然后，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，然后，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，最后，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测；由于该方案通过多个域类型对应的图像样本子集合训练老师模型（第一检测模型），并通过不同的第一检测模型提取出图像样本集合的部分公共知识，并根据这些公共知识的权重进行融合，从而得到融合后样本特征信息，借助知识蒸馏的方式将融合样本特征信息传递给学生模型（第二检测模型），不但充分利用了公共知识泛化效果的好的优势，而且还提升了学生模型预测的准确率，因此，可以提升活体检测的准确率。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
在本实施例中，将以该活体检测装置具体集成在电子设备，电子设备为服务器，待检测对象为人脸、第一检测模型为教师模型，第二检测模型为学生模型为例进行说明。
如图4所示，一种活体检测方法，具体流程如下：
201、服务器获取图像样本集合。
例如，服务器可以直接接收用户或图像服务商上传的图像样本，从而得到图像样本集合，或者，可以图像样本数据库中筛选出至少一张图像样本，从而得到图像样本集合，或者，可以从互联网上直接获取或爬取多张图像样本，从而得到图像样本集合。
当图像样本数量较多或内存较大时，服务器可以接收训练请求，该训练请求中携带图像样本或图像样本集合的存储地址，根据存储地址，获取图像样本或图像样本集合，从而得到图像样本集合，或者接收到多张原始图像，在原始图像中识别出对象面部所在区域，得到对象区域，对对象区域进行调整，得到目标区域，在原始图像中裁剪出目标区域，得到目标图像，并采用深度估计网络计算目标图像中对象面部对应的深度图，根据深度图计算结果，生成目标图像的活体标签，并将活体标签添加至目标图像，得到图像样本，或者，当原始图像中标注了活体标签时，可以在原始图像中识别出对象面部所在区域，得到对象区域，将对象区域扩大1.8倍，得到目标区域，在原始图像中裁剪出目标区域，得到图像样本，从而获取图像样本集合，或者，还可以将原始图像的尺寸调整成预设尺寸，从而得到图像样本集合，或者，还可以将原始图像或图像样本的图像格式调整成统一的格式，从而得到图像样本集合。
202、服务器根据图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合。
例如，服务器可以将属于同一域类型的图像样本分为一类，从而得到该域类型对应的图像样本子集合，或者，还可以对图像样本集合中的图像样本进行聚类，得到多个图像样本簇，并根据图像样本的域类型，确定每一个图像样本簇对应的域标签，将域标签添加至对应的图像样本簇中，得到图像样本子集合。
203、服务器采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的教师模型。
例如，服务器可以采用预设检测模型对图像样本子集合中的图像样本进行活体检测，得到预测的图像样本的活体检测结果，将预测的活体检测结果与图像样本中的标注的活体类型进行对比，确定图像样本的损失信息，根据图像样本的损失信息，对预设检测模型的参数进行更新，以收敛该预设检测模型，从而得到每一图像样本子集合对应的教师模型。
204、服务器采用教师提取出图像样本集合中图像样本的特征，得到每一教师模型对应的样本特征信息。
例如，服务器可以采用教师模型对图像样本集合中每一图像样本进行特征提取，得到图像样本的图像特征，根据图像特征，确定对应的图像样本中对象的活体预测值，将图像样本的图像特征和活体预测值作为教师模型对应的样本特征信息。
205、服务器确定样本特征信息的关联权重。
例如，服务器将样本特征信息输入至注意力网络，然后，将样本特征信息转换为特征向量，然后，基于特征向量构建键向量（k）和值向量（v），然后，令键向量（k）和值向量（v）与特征向量的值相同，将赋值后的键向量（k）和值向量（v）作为关联特征。在预设查询向量（q）集合中筛选出关联特征对应的查询向量（q）作为预设关联参数，或者，还可以在预设查询向量（q）集合中筛选出样本特征信息对应的查询向量（q）作为预设关联参数。将查询向量与每一个关联特征中的键向量（k）进行点积，就可以得到样本特征信息对其他样本特征信息的注意力打分（score），将该注意力打分作为样本特征关联信息。将注意力打分除以一个特定的数值，该数值可以根据实际应用进行设定，譬如，可以为
Figure DEST_PATH_IMAGE026
，其中k为键向量（K）的维度，从而得到每个样本特征信息对应的降维后的注意力打分。通过softmax函数对样本特征信息的降维后注意力打分进行归一化处理，得到每个样本特征信息对应的关联权重。
可选的，服务器可以根据样本特征信息对应的图像样本子集合中图像样本的数量或者域类型与图像样本集合的图像样本总数量或总的域类型进行对比，根据对别结果来确定样本特征信息的关联权重。
206、服务器根据关联权重对样本特征信息进行融合，得到融合后样本特征信息。
例如，服务器可以在关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重，根据第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一图像样本的融合后图像特征，基于第二关联权重对每一活体预测值进行加权，将加权后的活体预测值转换为对应的一维向量，分别计算一维向量之间的余弦角，从而得到图像样本对应的样本关联特征，具体可以参考公式（1）所示。
207、服务器采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到学生模型。
例如，服务器采用预设检测模型对图像样本集合中每一图像样本进行特征提取，对图像样本进行多次提取，将提取到的图像特征进行融合，得到每一图像样本的目标图像特征，根据目标图像特征确定对应的图像样本中对象的目标活体预测值，分别计算多个目标活体预测值之间的关系，得到目标样本关联特征，将图像样本的目标图像特征和目标样本关联特征作为预设检测模型对应的目标样本特征信息。
服务器可以在目标样本特征信息中提取出每一图像样本对应的目标图像特征和目标样本关联特征，计算目标图像特征和融合后样本特征信息中的融合后图像特征的特征均值，计算目标图像特征的特征均值与融合后图像特征的特征均值之间的特征差值，得到第一特征差值。基于第一特征差值，确定图像样本集合对应的图像特征损失信息，具体可以如公式（2）所示。
服务器计算目标样本关联特征与融合后样本特征的特征差值，得到第二特征差值，比如，第二特征差值可以为余弦角度的差值，将图像样本集合中每一图像样本对应的第二特征差值进行融合，并将融合后的特征差值作为图像样本集合对应的关联特征损失信息，具体可以公式（3）所示。将图像特征损失信息和关联特征损失信息作为图像样本集合对应的样本特征损失信息。
服务器可以在每一图像样本对应的目标图像特征中提取出目标深度图特征，并根据目标样本关联特征中的活体预测值之间的关系，计算图像样本的至少一个活体预测值，将这些活体预测值进行融合，就可以得到目标活体预测值。将目标活体预测值与预设活体阈值进行对比，当目标活体预测值超过预设活体阈值时，就可以确定图像样本的预测活体类型为活体，当目标活体预测值未超过预设活体阈值时，就可以确定图像样本的预测活体类型为非活体。将预测活体类型和目标深度图特征作为图像样本的活体预测信息。
服务器获取图像样本集合中每一图像样本的活体标注信息，该活体标注信息可以包括标注的深度图特征和标注的活体类型，采用均方差损失函数根据预测的深度图和标注的深度图计算图像样本的深度图损失信息，采用二元交叉嫡损失函数根据预测活体类型和标注的活体类型计算图像样本的分类损失信息，并将深度图损失和分类损失信息作为图像样本集合对应的活体检测损失信息。
服务器可以获取样本特征损失信息和活体检测损失信息对应的损失权重，根据损失权重对样本特征损失信息和活体检测损失信息进行加权，并将加权后的样本特征损失信息和加权后的活体检测损失信息进行融合，得到图像样本集合对应的损失信息，或者，可以将样本特征损失信息进行活体检测损失信息进行拼接，得到图像样本集合对应的损失信息，或者，还可以将样本特征损失信息和活体检测损失信息进行组合，得到图像样本集合对应的损失信息。
服务器可以采用梯度下降算法或者其他算法对预设检测模型的网络参数进行更新，以收敛该预设检测模型，当完成收敛时，就可以得到学生模型。
208、服务器基于学生模型对待检测图像进行活体检测。
例如，服务器可以直接获取用户上传的人脸图像，在人脸图像中识别出用于活体检测的检测区域，将该检测区域扩大1.8倍，得到目标区域，在人脸图像中将目标区域裁剪下来，就可以得到待检测图像。采用学生模型的特征提取网络直接提取待检测图像的图像特征，并根据图像特征，确定待检测图像对应的图像关联特征，将图像特征和图像关联特征进行融合，得到待检测对象的活体特征，采用分类器计算待检测对象的活体概率。当活体概率超过预设概率阈值时，确定待检测对象为真人，当活体概率未超过预设概率阈值时，确定待检测对象为非真人，此时，也可以将待检测图像称为攻击图像，具体可以如图5所示。
其中，本方案可以看作是通过多个源域来训练预设检测模型，分别训练出针对不同域类型上准确率很高的教师模型，以源域（图像子样本）的数量为3个为例，可以如图6所示，采用训练好的3个教师模型TA、TB、TC提取输入样本在各个域模型上的公共知识，然后，再通过注意力网络计算出各个教师模型对应的公共知识（样本特征信息）在最终公共知识中占有的权重wA、wB、wC，接着利用权重线性加权生成公共知识（即融合后样本特征信息），注意力网络的参数是可以优化更新的，因此针对不同的情况可以自动决定应该如何组合形成最有效的公共知识，从而使得传递给学生模型。将公共知识蒸馏传递给学生模型，然后，再采用分类损失函数和辅助的深度图回归损失函数对学生模型进行收敛，从而得到训练后的学生模型，可以发现本方案中学生模型的训练不直接利用图像样本的域标签信息，而是在各个域上分别训练老师模型，将他们的公共知识提取出来，接着借助知识蒸馏，把有用知识多角度、全方位地传递给学生模型，这样不但充分利用公共知识泛化效果好的优势，同时将多个老师模型缩小规模变为一个学生模型，训练容易，收敛迅速，避免了利用域标签信息的添加域判别器方法中对抗训练平衡难以掌握的缺陷。
由以上可知，本实施中服务器在获取图像样本集合后，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，然后，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，然后，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，最后，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测；由于该方案通过多个域类型对应的图像样本子集合训练老师模型（第一检测模型），并通过不同的第一检测模型提取出图像样本集合的部分公共知识，并根据这些公共知识的权重进行融合，从而得到融合后样本特征信息，借助知识蒸馏的方式将融合样本特征信息传递给学生模型（第二检测模型），不但充分利用了公共知识泛化效果的好的优势，而且还提升了学生模型预测的准确率，因此，可以提升活体检测的准确率。
为了更好地实施以上方法，本发明实施例还提供一种活体检测装置，该活体检测装置可以集成在电子设备，比如服务器或终端等设备中，该终端可以包括平板电脑、笔记本电脑和/或个人计算机等。
例如，如图7所示，该活体检测装置可以包括获取单元301、训练单元302、提取单元303、融合单元304和检测单元305，如下：
（1）获取单元301；
获取单元301，用于获取图像样本集合，该图像样本集合包括多个域类型的图像样本。
例如，获取单元301，具体可以用于直接接收用户或图像服务商上传的图像样本，从而得到图像样本集合，或者，可以图像样本数据库中筛选出至少一张图像样本，从而得到图像样本集合，或者，接收到多张原始图像，在原始图像中识别出对象面部所在区域，得到对象区域，对对象区域进行调整，得到目标区域，在原始图像中裁剪出目标区域，得到目标图像，并采用深度估计网络计算目标图像中对象面部对应的深度图，根据深度图计算结果，生成目标图像的活体标签，并将活体标签添加至目标图像，得到图像样本，从而获取图像样本集合。
（2）训练单元302；
训练单元302，用于根据图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型。
例如，训练单元302，具体可以用于将属于同一域类型的图像样本分为一类，从而得到该域类型对应的图像样本子集合，或者，还可以对图像样本集合中的图像样本进行聚类，得到多个图像样本簇，并根据图像样本的域类型，确定每一个图像样本簇对应的域标签，将域标签添加至对应的图像样本簇中，得到图像样本子集合，采用预设检测模型对图像样本子集合中的图像样本进行活体检测，得到预测的图像样本的活体检测结果，将预测的活体检测结果与图像样本中的标注的活体类型进行对比，确定图像样本的损失信息，根据图像样本的损失信息，对预设检测模型的参数进行更新，以收敛该预设检测模型，从而得到每一图像样本子集合对应的第一检测模型。
（3）提取单元303；
提取单元303，用于采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，该关联权重用于指示不同第一检测模型对应的样本特征信息之间的关联关系。
例如，提取单元303，具体可以用于采用第一检测模型对图像样本集合中每一图像样本进行特征提取，得到图像样本的图像特征，根据图像特征，确定对应的图像样本中对象的活体预测值，将图像样本的图像特征和活体预测值作为第一检测模型对应的样本特征信息，采用注意力网络将样本特征信息转换为关联特征，并获取关联特征对应的预设关联参数，将预设关联参数与关联特征进行融合，得到样本特征关联信息。
（4）融合单元304；
融合单元304，用于根据关联权重对样本特征信息进行融合，得到融合后样本特征信息。
例如，融合单元304，具体可以用于在关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重，根据第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一图像样本的融合后图像特征，基于第二关联权重对每一活体预测值进行加权，并确定加权后的活体预测值之间的关系，得到每一图像样本的样本关联特征。
（5）检测单元305；
检测单元305，用于采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测。
例如，检测单元305，具体可以用于采用预设检测模型提取图像样本集合中每一图像样本的特征，得到预设检测模型对应的目标样本特征信息，根据融合后样本特征信息和目标样本特征信息，确定图像样本集合对应的损失信息，基于损失信息，对预设检测模型进行收敛，以得到第二检测模型，获取待检测图像，该待检测图像包括至少一个用于活体检测的待检测对象，采用第二检测模型对待检测图像进行特征提取，得到待检测对象的活体特征，根据活体特征计算待检测对象的活体概率，该活体概率用于指示待检测对象为活体对象的概率，当活体概率超过预设概率阈值时，确定待检测对象为活体对象，当活体概率未超过预设概率阈值时，确定待检测对象为非活体对象。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由以上可知，本实施例在获取单元301获取图像样本集合后，训练单元302根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，然后，提取单元303采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，然后，融合单元304根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，最后，检测单元305采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测；由于该方案通过多个域类型对应的图像样本子集合训练老师模型（第一检测模型），并通过不同的第一检测模型提取出图像样本集合的部分公共知识，并根据这些公共知识的权重进行融合，从而得到融合后样本特征信息，借助知识蒸馏的方式将融合样本特征信息传递给学生模型（第二检测模型），不但充分利用了公共知识泛化效果的好的优势，而且还提升了学生模型预测的准确率，因此，可以提升活体检测的准确率。
本发明实施例还提供一种电子设备，如图8所示，其示出了本发明实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图8中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402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（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取图像样本集合，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测。
例如，电子设备直接接收用户或图像服务商上传的图像样本，从而得到图像样本集合，或者，可以图像样本数据库中筛选出至少一张图像样本，从而得到图像样本集合，或者，接收到多张原始图像，在原始图像中识别出对象面部所在区域，得到对象区域，对对象区域进行调整，得到目标区域，在原始图像中裁剪出目标区域，得到目标图像，并采用深度估计网络计算目标图像中对象面部对应的深度图，根据深度图计算结果，生成目标图像的活体标签，并将活体标签添加至目标图像，得到图像样本，从而获取图像样本集合。
将属于同一域类型的图像样本分为一类，从而得到该域类型对应的图像样本子集合，或者，还可以对图像样本集合中的图像样本进行聚类，得到多个图像样本簇，并根据图像样本的域类型，确定每一个图像样本簇对应的域标签，将域标签添加至对应的图像样本簇中，得到图像样本子集合，采用预设检测模型对图像样本子集合中的图像样本进行活体检测，得到预测的图像样本的活体检测结果，将预测的活体检测结果与图像样本中的标注的活体类型进行对比，确定图像样本的损失信息，根据图像样本的损失信息，对预设检测模型的参数进行更新，以收敛该预设检测模型，从而得到每一图像样本子集合对应的第一检测模型。
采用第一检测模型对图像样本集合中每一图像样本进行特征提取，得到图像样本的图像特征，根据图像特征，确定对应的图像样本中对象的活体预测值，将图像样本的图像特征和活体预测值作为第一检测模型对应的样本特征信息，采用注意力网络将样本特征信息转换为关联特征，并获取关联特征对应的预设关联参数，将预设关联参数与关联特征进行融合，得到样本特征关联信息。在关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重，根据第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一图像样本的融合后图像特征，基于第二关联权重对每一活体预测值进行加权，并确定加权后的活体预测值之间的关系，得到每一图像样本的样本关联特征。采用预设检测模型提取图像样本集合中每一图像样本的特征，得到预设检测模型对应的目标样本特征信息，根据融合后样本特征信息和目标样本特征信息，确定图像样本集合对应的损失信息，基于损失信息，对预设检测模型进行收敛，以得到第二检测模型。
获取待检测图像，该待检测图像包括至少一个用于活体检测的待检测对象，采用第二检测模型对待检测图像进行特征提取，得到待检测对象的活体特征，根据活体特征计算待检测对象的活体概率，该活体概率用于指示待检测对象为活体对象的概率，当活体概率超过预设概率阈值时，确定待检测对象为活体对象，当活体概率未超过预设概率阈值时，确定待检测对象为非活体对象。
以上各个操作的具体实施可参见前面的实施例，在此不作赘述。
由以上可知，本发明实施例在获取图像样本集合后，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，然后，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，然后，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，最后，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测；由于该方案通过多个域类型对应的图像样本子集合训练老师模型（第一检测模型），并通过不同的第一检测模型提取出图像样本集合的部分公共知识，并根据这些公共知识的权重进行融合，从而得到融合后样本特征信息，借助知识蒸馏的方式将融合样本特征信息传递给学生模型（第二检测模型），不但充分利用了公共知识泛化效果的好的优势，而且还提升了学生模型预测的准确率，因此，可以提升活体检测的准确率。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种活体检测方法中的步骤。例如，该指令可以执行如下步骤：
获取图像样本集合，根据图像样本集合中图像样本的域类型，对图像样本进行分类，得到多个图像样本子集合，并采用图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型，采用第一检测模型提取出图像样本集合中图像样本的特征，得到每一第一检测模型对应的样本特征信息，并确定样本特征信息的关联权重，根据关联权重对样本特征信息进行融合，得到融合后样本特征信息，采用融合后样本特征信息和图像样本集合对预设检测模型进行训练，得到第二检测模型，并基于第二检测模型对待检测图像进行活体检测。
例如，电子设备直接接收用户或图像服务商上传的图像样本，从而得到图像样本集合，或者，可以图像样本数据库中筛选出至少一张图像样本，从而得到图像样本集合，或者，接收到多张原始图像，在原始图像中识别出对象面部所在区域，得到对象区域，对对象区域进行调整，得到目标区域，在原始图像中裁剪出目标区域，得到目标图像，并采用深度估计网络计算目标图像中对象面部对应的深度图，根据深度图计算结果，生成目标图像的活体标签，并将活体标签添加至目标图像，得到图像样本，从而获取图像样本集合。
将属于同一域类型的图像样本分为一类，从而得到该域类型对应的图像样本子集合，或者，还可以对图像样本集合中的图像样本进行聚类，得到多个图像样本簇，并根据图像样本的域类型，确定每一个图像样本簇对应的域标签，将域标签添加至对应的图像样本簇中，得到图像样本子集合，采用预设检测模型对图像样本子集合中的图像样本进行活体检测，得到预测的图像样本的活体检测结果，将预测的活体检测结果与图像样本中的标注的活体类型进行对比，确定图像样本的损失信息，根据图像样本的损失信息，对预设检测模型的参数进行更新，以收敛该预设检测模型，从而得到每一图像样本子集合对应的第一检测模型。
采用第一检测模型对图像样本集合中每一图像样本进行特征提取，得到图像样本的图像特征，根据图像特征，确定对应的图像样本中对象的活体预测值，将图像样本的图像特征和活体预测值作为第一检测模型对应的样本特征信息，采用注意力网络将样本特征信息转换为关联特征，并获取关联特征对应的预设关联参数，将预设关联参数与关联特征进行融合，得到样本特征关联信息。在关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重，根据第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一图像样本的融合后图像特征，基于第二关联权重对每一活体预测值进行加权，并确定加权后的活体预测值之间的关系，得到每一图像样本的样本关联特征。采用预设检测模型提取图像样本集合中每一图像样本的特征，得到预设检测模型对应的目标样本特征信息，根据融合后样本特征信息和目标样本特征信息，确定图像样本集合对应的损失信息，基于损失信息，对预设检测模型进行收敛，以得到第二检测模型。
获取待检测图像，该待检测图像包括至少一个用于活体检测的待检测对象，采用第二检测模型对待检测图像进行特征提取，得到待检测对象的活体特征，根据活体特征计算待检测对象的活体概率，该活体概率用于指示待检测对象为活体对象的概率，当活体概率超过预设概率阈值时，确定待检测对象为活体对象，当活体概率未超过预设概率阈值时，确定待检测对象为非活体对象。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本发明实施例所提供的任一种活体检测方法中的步骤，因此，可以实现本发明实施例所提供的任一种活体检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
其中，根据本申请的一个方面，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活体检测方面或者人脸方面的各种可选实现方式中提供的方法。
以上对本发明实施例所提供的一种活体检测方法、装置、电子设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种活体检测方法，其特征在于，包括：
获取图像样本集合，所述图像样本集合包括多个域类型的图像样本；
根据所述图像样本的域类型，对所述图像样本进行分类，得到多个图像样本子集合，并采用所述图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型；
采用所述第一检测模型对所述图像样本集合中每一图像样本进行特征提取，得到所述图像样本的图像特征；
根据所述图像特征，确定对应的图像样本中对象的活体预测值，将所述图像样本的图像特征和活体预测值作为所述第一检测模型对应的样本特征信息，并确定所述样本特征信息的关联权重，所述关联权重用于指示不同第一检测模型对应的样本特征信息之间的关联关系；
根据所述关联权重对所述样本特征信息进行融合，得到融合后样本特征信息；
采用所述融合后样本特征信息和图像样本集合对所述预设检测模型进行训练，得到第二检测模型，并基于所述第二检测模型对待检测图像进行活体检测。
2.根据权利要求1所述的活体检测方法，其特征在于，所述根据所述关联权重对所述样本特征信息进行融合，得到融合后样本特征信息，包括：
在所述关联权重中提取出图像特征对应的第一关联权重和活体预测值对应的第二关联权重；
根据所述第一关联权重对每一图像样本的图像特征进行加权，并将加权后的图像特征进行融合，得到每一所述图像样本的融合后图像特征；
基于所述第二关联权重对每一活体预测值进行加权，并确定加权后的活体预测值之间的关系，得到每一图像样本的样本关联特征；
将所述图像样本的融合后图像特征和样本关联特征作为所述融合后样本特征信息。
3.根据权利要求1所述的活体检测方法，其特征在于，所述采用所述融合后样本特征信息和图像样本集合对所述预设检测模型进行训练，得到第二检测模型，包括：
采用所述预设检测模型提取所述图像样本集合中每一图像样本的特征，得到所述预设检测模型对应的目标样本特征信息；
根据所述融合后样本特征信息和目标样本特征信息，确定所述图像样本集合对应的损失信息；
基于所述损失信息，对所述预设检测模型进行收敛，以得到第二检测模型。
4.根据权利要求3所述的活体检测方法，其特征在于，所述根据所述融合后样本特征信息和目标样本特征信息，确定所述图像样本集合对应的损失信息，包括：
将所述融合后样本特征信息和目标样本特征信息进行对比，以得到所述图像样本集合对应的样本特征损失信息；
在所述目标样本特征信息中提取出所述图像样本集合中每一图像样本的活体预测信息，并将所述活体预测信息与所述图像样本中的活体标注信息进行对比，以得到所述图像样本集合对应的活体检测损失信息；
将所述样本特征损失信息和活体检测损失信息进行融合，得到所述图像样本集合对应的损失信息。
5.根据权利要求4所述的活体检测方法，其特征在于，所述将所述融合后样本特征信息和目标样本特征信息进行对比，以得到所述图像样本集合对应的样本特征损失信息，包括：
在所述目标样本特征信息中提取出每一图像样本对应的目标图像特征和目标样本关联特征；
将所述目标图像特征与所述融合后样本特征信息中对应的融合后图像特征进行对比，以得到所述图像样本集合对应的图像特征损失信息；
将所述目标样本关联特征与所述融合后样本特征信息中对应的融合后样本关联特征进行对比，以得到所述图像样本集合对应的关联特征损失信息；
将所述图像特征损失信息和关联特征损失信息作为所述图像样本集合对应的样本特征损失信息。
6.根据权利要求5所述的活体检测方法，其特征在于，所述将所述目标图像特征与所述融合后样本特征信息中对应的融合后图像特征进行对比，以得到所述图像样本集合对应的图像特征损失信息，包括：
计算所述目标图像特征和所述融合后样本特征信息中对应的融合后图像特征的特征均值；
计算所述目标图像特征的特征均值和所述融合后图像特征的特征均值之间的特征差值，得到第一特征差值；
基于所述第一特征差值，确定所述图像样本集合对应的图像特征损失信息。
7.根据权利要求5所述的活体检测方法，其特征在于，所述将所述目标样本关联特征与所述融合后样本特征信息中对应的融合后样本关联特征进行对比，以得到所述图像样本集合对应的关联特征损失信息，包括：
计算所述目标样本关联特征与所述融合后样本关联特征的特征差值，得到第二特征差值；
将所述图像样本集合中每一图像样本对应的第二特征差值进行融合，并将融合后的特征差值作为所述图像样本集合对应的关联特征损失信息。
8.根据权利要求5所述的活体检测方法，其特征在于，所述在所述目标样本特征信息中提取出所述图像样本集合中每一图像样本的活体预测信息，包括：
在每一图像样本对应的目标图像特征中提取出目标深度图特征，并在每一图像样本对应的目标样本关联特征中提取出目标活体预测值；
根据所述目标活体预测值确定对应的图像样本的预测活体类型，并将所述预测活体类型和目标深度图特征作为所述图像样本的活体预测信息。
9.根据权利要求8所述的活体检测方法，其特征在于，所述将所述活体预测信息与所述图像样本中的活体标注信息进行对比，以得到所述图像样本集合对应的活体检测损失信息，包括：
获取所述图像样本集合中每一图像样本的活体标注信息，所述活体标注信息包括标注的深度图特征和标注的活体类型；
将所述目标深度图特征与对应的图像样本标注的深度图特征进行对比，得到深度图损失信息；
将所述预测活体类型与对应的图像样本标注的活体类型进行对比，得到分类损失信息，并将所述深度图损失信息和分类损失信息作为所述图像样本集合对应的活体检测损失信息。
10.根据权利要求1至2任一项所述的活体检测方法，其特征在于，所述确定所述样本特征信息的关联权重，包括：
将所述样本特征信息转换为关联特征，并获取所述关联特征对应的预设关联参数；
将所述预设关联参数与关联特征进行融合，得到样本特征关联信息；
对所述样本特征关联信息进行归一化处理，得到所述样本特征信息的关联权重。
11.根据权利要求1至2任一项所述的活体检测方法，其特征在于，所述基于所述第二检测模型对待检测图像进行活体检测，包括：
获取待检测图像，所述待检测图像中包括至少一个用于活体检测的待检测对象；
采用所述第二检测模型对所述待检测图像进行特征提取，得到所述待检测对象的活体特征；
根据所述活体特征，计算所述待检测对象的活体概率，所述活体概率用于指示所述待检测对象为活体对象的概率；
当所述活体概率超过预设概率阈值时，确定所述待检测对象为活体对象。
12.一种活体检测装置，其特征在于，包括：
获取单元，用于获取图像样本集合，所述图像样本集合包括多个域类型的图像样本；
训练单元，用于根据所述图像样本的域类型，对所述图像样本进行分类，得到多个图像样本子集合，并采用所述图像样本子集合分别对预设检测模型进行训练，得到每一图像样本子集合对应的第一检测模型；
提取单元，用于采用所述第一检测模型对所述图像样本集合中每一图像样本进行特征提取，得到所述图像样本的图像特征，根据所述图像特征，确定对应的图像样本中对象的活体预测值，将所述图像样本的图像特征和活体预测值作为所述第一检测模型对应的样本特征信息，并确定所述样本特征信息的关联权重，所述关联权重用于指示不同第一检测模型对应的样本特征信息之间的关联关系；
融合单元，用于根据所述关联权重对所述样本特征信息进行融合，得到融合后样本特征信息；
检测单元，用于采用所述融合后样本特征信息和图像样本集合对所述预设检测模型进行训练，得到第二检测模型，并基于所述第二检测模型对待检测图像进行活体检测。
13.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至11任一项所述的活体检测方法中的步骤。
14.一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存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至11任一项所述的活体检测方法中的步骤。
CN202110562131.9A 2021-05-24 2021-05-24 活体检测方法、装置、电子设备和计算机可读存储介质 Active CN113052150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110562131.9A CN113052150B (zh) 2021-05-24 2021-05-24 活体检测方法、装置、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110562131.9A CN113052150B (zh) 2021-05-24 2021-05-24 活体检测方法、装置、电子设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113052150A CN113052150A (zh) 2021-06-29
CN113052150B true CN113052150B (zh) 2021-07-30

Family

ID=76518553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110562131.9A Active CN113052150B (zh) 2021-05-24 2021-05-24 活体检测方法、装置、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113052150B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723554B (zh) * 2021-09-07 2024-05-28 平安银行股份有限公司 模型调度方法、装置、电子设备及计算机可读存储介质
CN114998570B (zh) * 2022-07-19 2023-03-28 上海闪马智能科技有限公司 一种对象检测框的确定方法、装置、存储介质及电子装置
CN116486491A (zh) * 2022-09-07 2023-07-25 支付宝(杭州)信息技术有限公司 活体检测模型训练方法、装置、存储介质以及终端

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384087A (zh) * 2016-09-05 2017-02-08 大连理工大学 一种基于多层网络人体特征的身份识别方法
CN107767335A (zh) * 2017-11-14 2018-03-06 上海易络客网络技术有限公司 一种基于人脸识别特征点定位的图像融合方法及系统
CN111611851A (zh) * 2020-04-10 2020-09-01 北京中科虹霸科技有限公司 模型生成方法、虹膜检测方法及装置
CN111709409A (zh) * 2020-08-20 2020-09-25 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及介质
CN111767900A (zh) * 2020-07-28 2020-10-13 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、计算机设备及存储介质
CN112084917A (zh) * 2020-08-31 2020-12-15 腾讯科技（深圳）有限公司 一种活体检测方法及装置
CN112215157A (zh) * 2020-10-13 2021-01-12 北京中电兴发科技有限公司 一种基于多模型融合的人脸特征降维提取方法
CN112308035A (zh) * 2020-11-25 2021-02-02 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384087A (zh) * 2016-09-05 2017-02-08 大连理工大学 一种基于多层网络人体特征的身份识别方法
CN107767335A (zh) * 2017-11-14 2018-03-06 上海易络客网络技术有限公司 一种基于人脸识别特征点定位的图像融合方法及系统
CN111611851A (zh) * 2020-04-10 2020-09-01 北京中科虹霸科技有限公司 模型生成方法、虹膜检测方法及装置
CN111767900A (zh) * 2020-07-28 2020-10-13 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、计算机设备及存储介质
CN111709409A (zh) * 2020-08-20 2020-09-25 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及介质
CN112084917A (zh) * 2020-08-31 2020-12-15 腾讯科技（深圳）有限公司 一种活体检测方法及装置
CN112215157A (zh) * 2020-10-13 2021-01-12 北京中电兴发科技有限公司 一种基于多模型融合的人脸特征降维提取方法
CN112308035A (zh) * 2020-11-25 2021-02-02 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Live Demonstration: Face Recognition on an Ultra-low Power Event-driven;Qian Liu et al;《IEEE Journal of Solid-State Circuits》;20191231;第1680-1681页 *
基于多模型融合的可见光人脸活体检测方法;聂建军 等;《2020年"网络安全技术与应用创新"研讨会论文集》;20201116;第32-35页 *

Also Published As

Publication number Publication date
CN113052150A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113052150B (zh) 活体检测方法、装置、电子设备和计算机可读存储介质
CN112131978B (zh) 一种视频分类方法、装置、电子设备和存储介质
CN108132968B (zh) 网络文本与图像中关联语义基元的弱监督学习方法
CN110163236B (zh) 模型的训练方法和装置、存储介质、电子装置
Chanti et al. Improving bag-of-visual-words towards effective facial expressive image classification
CN111339343A (zh) 图像检索方法、装置、存储介质及设备
CN111898703B (zh) 多标签视频分类方法、模型训练方法、装置及介质
CN112052759B (zh) 一种活体检测方法和装置
US11823490B2 (en) Non-linear latent to latent model for multi-attribute face editing
CN112633425B (zh) 图像分类方法和装置
CN112418302A (zh) 一种任务预测方法及装置
CN111242019A (zh) 视频内容的检测方法、装置、电子设备以及存储介质
CN113128526B (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN114282059A (zh) 视频检索的方法、装置、设备及存储介质
CN115062709A (zh) 模型优化方法、装置、设备、存储介质及程序产品
CN114581702A (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN113762041A (zh) 视频分类方法、装置、计算机设备和存储介质
CN112750128B (zh) 图像语义分割方法、装置、终端及可读存储介质
CN113076963B (zh) 一种图像识别方法、装置和计算机可读存储介质
CN114973107B (zh) 基于多鉴别器协同和强弱共享机制的无监督跨域视频动作识别方法
CN108596068B (zh) 一种动作识别的方法和装置
CN111651626B (zh) 图像分类方法、装置及可读存储介质
CN114708429A (zh) 图像处理方法、装置、计算机设备及计算机可读存储介质
CN113824989A (zh) 一种视频处理方法、装置和计算机可读存储介质
CN113821687A (zh) 一种内容检索方法、装置和计算机可读存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40046019

Country of ref document: HK