CN113111810B - 一种目标识别方法和系统 - Google Patents

一种目标识别方法和系统 Download PDF

Info

Publication number
CN113111810B
CN113111810B CN202110423967.0A CN202110423967A CN113111810B CN 113111810 B CN113111810 B CN 113111810B CN 202110423967 A CN202110423967 A CN 202110423967A CN 113111810 B CN113111810 B CN 113111810B
Authority
CN
China
Prior art keywords
color
verification
image
target
relationship
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
CN202110423967.0A
Other languages
English (en)
Other versions
CN113111810A (zh
Inventor
张明文
张天明
赵宁宁
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202110423967.0A priority Critical patent/CN113111810B/zh
Publication of CN113111810A publication Critical patent/CN113111810A/zh
Priority to PCT/CN2022/087565 priority patent/WO2022222904A1/zh
Application granted granted Critical
Publication of CN113111810B publication Critical patent/CN113111810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

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

Abstract

本说明书实施例公开了一种目标识别方法和系统。该方法包括：获取多幅目标图像，多幅目标图像的拍摄时间与照射到目标对象的光照序列中多个光照的照射时间具有对应关系，多个光照有多个颜色，多个颜色包括至少一个基准颜色和至少一个验证颜色，多幅目标图像包括至少一幅验证图像和至少一幅基准图像；对至少一幅基准图像中的每一幅，确定基准图像和每幅验证图像的第一颜色关系；对至少一个基准颜色中的每一个，确定基准颜色和每个验证颜色的第二颜色关系；以及基于至少一个第一颜色关系和至少一个第二颜色关系，确定多幅目标图像的真实性。

Description

一种目标识别方法和系统
技术领域
本说明书涉及图像处理技术领域，特别涉及一种目标识别方法和系统。
背景技术
目标识别是基于图像采集设备获取的目标进行生物识别的技术，例如，以人脸为目标的人脸识别技术，被广泛应用于权限验证、身份验证等应用场景。为了保证目标识别的安全性，需要确定目标图像的真实性。
因此，希望提供一种目标识别的方法和系统，可以确定目标图像的真实性。
发明内容
本说明书实施例之一提供一种目标识别方法，所述方法包括：获取多幅目标图像，所述多幅目标图像的拍摄时间与照射到目标对象的光照序列中多个光照的照射时间具有对应关系，所述多个光照有多个颜色，多个颜色包括至少一个基准颜色和至少一个验证颜色，所述多幅目标图像包括至少一幅验证图像和至少一幅基准图像，至少一幅基准图像的每一幅与至少一幅基准颜色中的一个对应，至少一幅验证图像的每一幅与至少一个验证颜色中的一个对应；对至少一幅基准图像中的每一幅，确定基准图像和每幅验证图像的第一颜色关系；对至少一个基准颜色中的每一个，确定基准颜色和每个验证颜色的第二颜色关系；以及基于至少一个第一颜色关系和至少一个第二颜色关系，确定多幅目标图像的真实性。
本说明书实施例之一提供一种目标识别系统，其特征在于，包括：目标图像获取模块，用于获取多幅目标图像，多幅目标图像的拍摄时间与照射到目标对象的光照序列中多个光照的照射时间具有对应关系，所述多个光照有多个颜色，多个颜色包括至少一个基准颜色和至少一个验证颜色，多幅目标图像包括至少一幅验证图像和至少一幅基准图像，至少一幅基准图像的每一幅与至少一幅基准颜色中的一个对应，至少一幅验证图像的每一幅与至少一个验证颜色中的一个对应；第一颜色关系确定模块，用于对至少一幅基准图像中的每一幅，确定基准图像和每幅验证图像的第一颜色关系；第二颜色关系确定模块，用于对至少一个基准颜色中的每一个，确定基准颜色和每个验证颜色的第二颜色关系；以及验证模块，用于基于至少一个第一颜色关系和至少一个第二颜色关系，确定多幅目标图像的真实性。
本说明书实施例之一提供一种目标识别装置，包括处理器，所述处理器用于执行本说明书披露的目标识别方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书披露的目标识别方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的目标识别系统的应用场景示意图；
图2是根据本说明书一些实施例所示的目标识别方法的示例性流程图；
图3是根据本说明书一些实施例所示的光照序列的示意图；
图4是根据本说明书一些实施例所示的颜色验证模型的结构示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
目标识别是基于图像采集设备获取的目标对象进行生物识别的技术。在一些实施例中，目标对象可以是人脸、指纹、掌纹和瞳孔等。在一些实施例中，目标识别可以应用于权限验证。例如，门禁权限认证和账户支付权限认证等。在一些实施例中，目标识别还可以用于身份验证。例如，员工考勤认证和本人注册身份安全认证。仅作为示例，目标识别可以基于图像采集设备实时采集到的目标图像和预先获取的生物特征进行匹配，从而验证目标身份。
然而，图像采集设备可能被攻击或劫持，攻击者可以上传虚假的目标图像通过身份验证。例如，攻击者A可以在攻击或劫持图像采集设备后，直接上传用户B的人脸图像。目标识别系统基于用户B的人脸图像和预先获取的用户B的人脸生物特征进行人脸识别，从而通过用户B的身份验证。
因此，为了保证目标识别的安全性，需要确定目标图像的真实性，即确定目标图像是图像采集设备在目标识别过程中实时采集到的。
图1是根据本说明书一些实施例所示的目标识别系统的应用场景示意图。如图1所示，目标识别系统100可以包括处理设备110、网络120、终端130和存储设备140。
处理设备110可以用于处理来自目标识别系统100的至少一个组件和/或外部数据源(例如，云数据中心)的数据和/或信息。例如，处理设备110可以确定第一颜色关系和第二颜色关系，以及确定多幅目标图像的真实性等。在处理过程中，处理设备110可以直接或通过网络120从目标识别系统100的其他组件(如存储设备140和/或终端130)获取数据(如指令)和/或将处理后的数据发送给所述其他组件进行存储或显示。
在一些实施例中，处理设备110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，处理设备110可以是分布式系统)。在一些实施例中，处理设备110可以是本地的或者远程的。在一些实施例中，处理设备110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
网络120可以连接系统的各组成部分和/或连接系统与外部部分。网络120使得目标识别系统100中各组成部分之间、目标识别系统100与外部部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。在一些实施例中，目标识别系统100中各部分之间的网络连接可以采用上述一种方式，也可以采取多种方式。在一些实施例中，网络120可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点120-1、120-2、…，通过这些网络接入点，目标识别系统100的一个或多个组件可连接到网络120以交换数据和/或信息。
终端130指用户所使用的一个或多个终端设备或软件。在一些实施例中，终端130可以包括图像采集设备131(例如，摄像头、照相机)，图像采集设备131可以拍摄目标对象，获取多幅目标图像。在一些实施例中，图像采集设备131在拍摄目标对象时，终端130(例如，终端130的屏幕和/或其他灯光发射原件)可以依次发射光照序列中的多个颜色的光照射目标对象。在一些实施例中，终端130可以通过网络120与处理设备110通信，并将拍摄的多幅目标图像发送到处理设备110。在一些实施例中，终端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3、其他具有输入和/或输出功能的设备等或其任意组合。上述示例仅用于说明所述终端130的类型的广泛性而非对其范围的限制。
存储设备140可以用于存储数据(如光照序列、多幅目标图像、第一颜色关系和第二颜色关系等)和/或指令。存储设备140可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备140可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性地，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备140可在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，存储设备140可以集成或包括在目标识别系统100的一个或多个其他组件(例如，处理设备110、终端130或其他可能的组件)中。
在一些实施例中，所述目标识别系统100可以包括目标图像获取模块、第一颜色关系确定模块、第二颜色关系确定模块、验证模块和模型获取模块。
目标图像获取模块可以用于获取多幅目标图像，所述多幅目标图像的拍摄时间与照射到目标对象的光照序列中多个光照的照射时间具有对应关系，所述多个光照有多个颜色，所述多个颜色包括至少一个基准颜色和至少一个验证颜色，所述多幅目标图像包括至少一幅验证图像和至少一幅基准图像，所述至少一幅基准图像的每一幅与所述至少一幅基准颜色中的一个对应，所述至少一幅验证图像的每一幅与所述至少一个验证颜色中的一个对应。在一些实施例中，所述至少一个基准颜色中的一个或多个与所述至少一个验证颜色中的一个或多个相同。
第一颜色关系确定模块可以用于对所述至少一幅基准图像中的每一幅，确定所述基准图像和所述每幅验证图像的第一颜色关系。
在一些实施例中，第一颜色关系确定模块可以提取所述基准图像的基准颜色特征和所述每一幅验证图像的验证颜色特征；以及基于所述基准颜色特征和所述验证颜色特征，确定所述基准图像和所述每一幅验证图像的第一颜色关系。
在一些实施例中，所述至少一幅基准图像中的每一幅和所述至少一幅验证图像中的每一幅组成至少一对图像对，对于所述至少一对图像对中每一对，第一颜色关系确定模块可以基于颜色验证模型处理所述图像对，确定所述图像对中所述基准图像和所述验证图像的第一颜色关系，所述颜色验证模型为预置参数的机器学习模型。在一些实施例中，所述颜色验证模型包括颜色特征提取层和颜色关系确定层，所述颜色特征提取层提取所述图像对的颜色特征；所述颜色关系确定层基于所述图像对的颜色特征，确定所述图像对中所述基准图像和所述验证图像的第一颜色关系。
第二颜色关系确定模块可以用于对所述至少一个基准颜色中的每一个，确定所述基准颜色和每个所述验证颜色的第二颜色关系。
验证模块可以用于基于所述至少一个第一颜色关系和所述至少一个第二颜色关系，确定所述多幅目标图像的真实性。
模型获取模块可以用于获取颜色验证模型。所述颜色验证模型的所述预置参数通过端到端的训练方式获得。在一些实施例中，所述训练过程包括：获取多个训练样本，所述多个训练样本中的每一个包括样本图像对以及样本标签，所述样本标签表示所述样本图像对中的样本图像是否是在相同颜色的光照射下拍摄而成；以及基于所述多个训练样本训练初始颜色验证模型，确定所述颜色验证模型的所述预置参数。
关于目标图像获取模块、第一颜色关系确定模块、第二颜色关系确定模块、验证模块和模型获取模块的更多详细描述可以参见图2-图4，在此不再赘述。
需要注意的是，以上对于目标识别系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的目标图像获取模块、第一颜色关系确定模块、第二颜色关系确定模块、验证模块以及模型获取模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的目标识别方法的示例性流程图的示例性流程图。如图2所示，该流程200包括以下步骤：
步骤210，获取多幅目标图像。所述多幅目标图像的拍摄时间与所述终端照射到目标对象的光照序列中多个光照的照射时间具有对应关系。
在一些实施例中，步骤210可以由目标图像获取模块执行。
所述目标对象指需要进行目标识别的对象。例如目标对象可以是用户的特定身体部位，如面部、指纹、掌纹或瞳孔等。在一些实施例中，所述目标对象指需要进行身份验证和/或权限认证的用户的面部。例如，在网约车应用场景中，平台需要验证接单司机是否为平台审核过的注册司机用户，则所述目标对象是司机的面部。又例如，在人脸支付应用场景中，支付系统需要验证支付人员的支付权限，则所述目标对象是支付人员的面部。
为对所述目标对象进行目标识别，所述终端会被指示发射所述光照序列。所述光照序列包括多个光照，用于照射所述目标对象。所述光照序列中不同光照的颜色可以相同，也可以不同。在一些实施例中，所述多个光照包含至少两个颜色不同的光照，即所述多个光照有多个颜色。
在一些实施例中，所述多个颜色包括至少一个基准颜色和至少一个验证颜色。验证颜色是多个颜色中直接用于验证图像真实性的颜色。基准颜色是多个颜色中用于辅助验证确定目标图像真实性的颜色。关于基准颜色和验证颜色的更多细节可以参见图3及其相关描述，此处不再赘述。
所述光照序列中包含多个光照中每个光照的信息，例如，颜色信息、照射时间等。所述光照序列中多个光照的颜色信息可以采用相同或不同的方式表示。例如，所述多个光照的颜色信息可以用颜色类别来表示。示例的，所述光照序列中多个光照的颜色可以表示为红、黄、绿、紫、青、蓝、红。又例如，所述多个光照的颜色信息可以用颜色参数来表示。例如，所述光照序列中多个光照的颜色可以表示为RGB(255，0，0)、RGB(255，255，0)、RGB(0，255，0)、RGB(255，0，255)、RGB(0，255，255)、RGB(0，0，255)。在一些实施例中，光照序列也可以被称为颜色序列，其包含所述多个光照的颜色信息。
光照序列中多个光照的照射时间可以包括每个光照计划照射目标对象上的开始时间、结束时间、持续时长等或其任意组合。例如，红光照射目标对象的开始时间为14：00、绿光照射目标对象的开始时间为14：02。又例如，红光和绿光照射目标对象的持续时长均为0.1秒。在一些实施例中，不同光照照射目标对象的持续时长可以相同，也可以不同。照射时间可以通过其他方式表示，在此不再赘述。
在一些实施例中，终端可以按照特定顺序依次发射多个光照。在一些实施例中，终端可以通过发光元件发射光照。发光元件可以包括终端内置的发光元件，例如，屏幕、LED灯等。发光元件也可以包括外接的发光元件。例如，外接LED灯、发光二极管等。在一些实施例中，当所述终端被劫持或攻击时，所述终端可能会接受发射光照的指示，但实际并不会发出光照。关于光照序列的更多细节可以参见图3及其相关描述，此处不再赘述。
在一些实施例中，终端或处理设备(例如，目标图像获取模块)可以随机生成或者基于预设规则生成光照序列。例如，终端或处理设备可以从颜色库中随机抽取多个颜色生成光照序列。在一些实施例中，光照序列可以由用户在终端设定、根据目标识别系统100的默认设置确定、或由处理设备通过数据分析确定等。在一些实施例中，终端或者存储设备可以存储所述光照序列。相应的，目标图像获取模块可以通过网络从终端或者存储设备中获取光照序列。
多幅目标图像是用于目标识别的图像。所述多幅目标图像的格式可以包括JointPhotographic Experts Group(JPEG)、Tagged Image File Format(TIFF)、GraphicsInterchange Format(GIF)、Kodak Flash PiX(FPX)、Digital Imaging andCommunications in Medicine(DICOM)等。所述多幅目标图像可以是二维(2D，two-dimensional)图像或三维(3D，three-dimensional)图像。
在一些实施例中，目标图像获取模块可以获取所述多幅目标图像。例如，目标图像获取模块可以通过网络发送获取指令至终端，然后通过网络接收终端发送的多幅目标图像。或者，终端可以将所述多幅目标图像发送至存储设备中进行存储，所述目标图像获取模块可以从所述存储设备中获取所述多幅目标图像。所述目标图像中可能不包含或包含目标。
所述目标图像可以是由终端的图像采集设备拍摄，也可以是基于用户上传的数据(例如，视频或图像)确定。例如，在目标对象验证的过程中，目标识别系统100会给终端下发光照序列。当终端未被劫持或攻击时，终端可以根据所述光照序列依次发射所述多个光照。当终端发出多个光照中某一个时，其图像采集设备可以被指示在该光照的照射时间内采集一幅或多幅图像。或者，终端的图像采集设备可以被指示在所述多个光照的整个照射期间拍摄视频。终端或其他计算设备(例如处理设备110)可以根据各光照的照射时间从视频中截取各光照的照射时间内采集的一幅或多幅图像。所述终端在各个光照的照射时间内采集的一幅或多幅图像可以作为所述多幅目标图像。此时，所述多幅目标图像为所述目标对象在被所述多个光照照射时拍摄的真实图像。可以理解，所述多个光照的照射时间与所述多幅目标图像的拍摄时间之间存在对应关系。若在单个光照的照射时间内采集一幅图像，则该对应关系是一对一；若在单个光照的照射时间内采集多幅图像，则该对应关系是一对多。
当所述终端被劫持时，劫持者可以通过终端设备上传图像或视频。所述上传的图像或视频可以包含目标对象或者其他用户的特定身体部位，和/或其他物体。所述上传的图像或视频可以是由所述终端或者其他终端拍摄的历史图像或视频，或者是合成的图像或视频。所述终端或其他计算设备(例如处理设备110)可以基于所述上传的图像或视频确定所述多幅目标图像。例如，被劫持的终端可以根据所述光照序列中每个光照的照射顺序和/或照射时长，从所述上传的图像或视频中抽取所述每个光照对应的一幅或多幅图像。仅作为示例，所述光照序列中包含依次排列的五个光照，劫持者可以通过终端设备上传五幅图像。终端或其他计算设备会根据所述五幅图像被上传的先后顺序确定五个光照中每个光照对应的图像。又例如，所述光照序列中五个光照的照射时间分别为0.5秒，劫持者可以通过终端上传时长2.5秒的视频。终端或其他计算设备可以将所述被上传的视频分为0-0.5秒、0.5-1秒、1-1.5秒、1.5-2秒和2-2.5秒五段视频，并在每段视频中截取一幅图像。从视频中截取的五幅图像与所述五个光照依次对应。此时，所述多幅图像是被劫持者上传的虚假图像，而非所述目标对象在被所述多个光照照射时拍摄的真实图像。在一些实施例中，若图像是由劫持者通过终端上传，可以将该图像的上传时间或其在视频中拍摄时间视为其拍摄时间。可以理解，当所述终端被劫持时，多个光照的照射时间与多幅图像的拍摄时间之间同样存在对应关系。
如前所述，光照序列中多个光照对应的多个颜色包括至少一个基准颜色和至少一个验证颜色。在一些实施例中，至少一个基准颜色中的一个或多个与至少一个验证颜色中的一个或多个相同。所述多幅目标图像包括至少一幅基准图像和至少一幅验证图像，所述至少一幅基准图像的每幅与所述至少一幅基准颜色中的一个对应，所述至少一幅验证图像的每幅与所述至少一个验证颜色中的一个对应。
对于所述多幅图像中的每一幅，目标图像获取模块可以将光照序列中照射时间与所述图像拍摄时间对应的光照的颜色，作为所述图像对应的颜色。具体的，若光照的照射时间与一幅或多幅图像的拍摄时间相对应，则将所述光照的颜色作为所述一幅或多幅图像对应的颜色。可以理解，当终端未被劫持或攻击时，多幅图像对应的颜色应当和光照序列中多个光照的多个颜色相同。例如，光照序列多个光照的多个颜色是“红、黄、蓝、绿、紫、红”，当终端未被劫持或攻击时，终端获取的多幅图像对应的颜色应该也是“红、黄、蓝、绿、紫、红”。当终端被劫持或攻击时，多幅图像对应的颜色和光照序列中多个光照的多个颜色可能不同。
步骤220，对所述至少一幅基准图像中的每一幅，确定所述基准图像和所述每幅验证图像的第一颜色关系。
在一些实施例中，步骤220可以由第一颜色关系确定模块执行。
基准图像和验证图像之间的第一颜色关系是指基准图像被拍摄时光照的颜色和验证图像被拍摄时光照的颜色之间的关系。第一颜色关系包括相同、不同或相似等。在一些实施例中，第一颜色关系可以用数值表示。例如，相同用“1”表示，不同用“0”表示。
在一些实施例中，基于至少一幅基准图像和至少一幅验证图像确定的至少一个第一颜色关系可以用向量表示，向量中每个元素可以表示至少一幅基准图像中的一幅和至少一幅验证图像中的一幅之间的第一颜色关系。例如，1幅基准图像和5幅验证图像中每一幅的第一颜色关系分别为相同、不同、相同、相同、不同，则1幅基准图像和5幅验证图像的第一颜色关系可以用向量(1,0,1,1,0)表示。
在一些实施例中，基于至少一幅基准图像和至少一幅验证图像确定的至少一个第一颜色关系还可以用验证码表示。验证码中每个位置的子码可以表示至少一幅基准图像中的一幅和至少一幅验证图像中的一幅之间的第一颜色关系。例如，上述1幅基准图像和5幅验证图像的第一颜色关系可以用验证码10110表示。
在一些实施例中，第一颜色关系确定模块可以提取所述基准图像的基准颜色特征和所述每一幅验证图像的验证颜色特征。第一颜色关系确定模块可以进一步基于所述基准颜色特征和所述验证颜色特征，确定所述基准图像和所述每一幅验证图像的第一颜色关系。
基准颜色特征是指基准图像的颜色特征。验证颜色特征是指验证图像的颜色特征。图像的颜色特征是指与图像的颜色相关的信息。图像的颜色包括拍摄图像时光照的颜色、图像中拍摄对象的颜色、图像中背景的颜色等。在一些实施例中，颜色特征可以包括由神经网络提取的深度特征和/或复杂特征。
颜色特征可以通过多种方式表示。在一些实施例中，颜色特征可以基于图像中各像素点在颜色空间中的颜色值表示。颜色空间是使用一组数值描述颜色的数学模型，该组数值中每个数值可以表示颜色特征在颜色空间的每个颜色通道上的颜色值。在一些实施例中，颜色空间可以表示为向量空间，该向量空间的每个维度表示颜色空间的一个颜色通道。颜色特征可以用该向量空间中的向量来表示。在一些实施例中，颜色空间可以包括但不限于RGB颜色空间、Lαβ颜色空间、LMS颜色空间、HSV颜色空间、YCrCb颜色空间和HSL颜色空间等。可以理解，不同的颜色空包含不同的颜色通道。例如，RGB颜色空间包含红色通道R、绿色通道G和蓝色通道B，颜色特征可以用图像中各像素点分别在红色通道R、绿色通道G和蓝色通道B上的颜色值表示。
在一些实施例中，颜色特征可以通过其他方式表示(如，颜色直方图、颜色矩、颜色集等)。例如，对图像中各像素点在颜色空间中的颜色值进行直方图统计，生成表示颜色特征的直方图。又例如，对图像中各像素点在颜色空间中的颜色值进行特定运算(如，均值、平方差等)，将该特定运算的结果表示该图像的颜色特征。
在一些实施例中，第一颜色关系确定模块可以通过颜色特征提取算法和/或颜色验证模型(或其部分)来提取多幅目标图像的颜色特征。颜色特征提取算法包括颜色直方图、颜色矩、颜色集等。例如，第一颜色关系确定模块可以基于图像中各像素点分别在颜色空间的每个颜色通道的颜色值，统计梯度直方图，从而获取颜色直方图。又例如，第一颜色关系确定模块可以将图像分割为多个区域，用图像中各像素点分别在颜色空间的每个颜色通道的颜色值建立的多个区域的二进制索引的集合，以确定所述图像的颜色集。
在一些实施例中，第一颜色关系确定模块可以确定基准图像的基准颜色特征和验证图像的验证颜色特征之间的相似度，基于相似度和阈值确定至少一个第一颜色关系。例如，相似度大于第一阈值则判断为相同，小于第二阈值则判断为不同，或者大于第三阈值小于第一阈值则判断为相似等。其中，第一阈值可以大于第二阈值和第三阈值，第三阈值可以大于第二阈值。在一些实施例中，相似度可以用基准颜色特征和验证颜色特征之间的距离表征。距离可以包括但不限于欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、夹角余弦距离等。
在一些实施例中，第一颜色关系确定模块还可以基于颜色验证模型包含的颜色关系确定层获取第一颜色关系。关于颜色关系确定层的详细描述可以参见图4及其相关描述，在此不再赘述。
步骤230，对至少一个基准颜色中的每一个，确定基准颜色和每个验证颜色的第二颜色关系。
在一些实施例中，步骤230可以由第二颜色关系确定模块执行。
基准颜色和验证颜色的第二颜色关系可以表示这两个颜色是否相同、不同，或者相似。在一些实施例中，第二颜色关系表示方式可以与第一颜色关系类似，在此不再赘述。
在一些实施例中，第二颜色关系确定模块可以基于基准颜色和验证颜色类别或颜色参数，确定其第二颜色关系。例如，如果基准颜色和验证颜色中的类别相同或颜色参数的数值差小于一定阈值，则判断这两个颜色相同，反之则判断这两个颜色不同。
在一些实施例中，第二颜色关系确定模块可以提取基准颜色的颜色模板图像的第一颜色特征和验证颜色的颜色模板图像的第二颜色特征。第二颜色关系确定模块可以进一步基于第一颜色特征和第二颜色特征，确定所述基准颜色和验证颜色的第二颜色关系。例如，第二颜色关系确定模块可以计算第一颜色特征和第二颜色特征之间的相似度以确定所述第二颜色关系。
在一些实施例中，至少一个第一颜色关系和至少一个第二颜色关系存在一对一的对应关系。具体的，基准图像和验证图像之间的第一颜色关系与该基准图像对应的基准颜色和该验证图像对应的验证颜色之间第二颜色关系相对应。
步骤240，基于至少一个第一颜色关系和所述至少一个第二颜色关系，确定所述多幅目标图像的真实性。
在一些实施例中，步骤240可以由验证模块执行。
多幅目标图像的真实性可以反映所述多幅目标图像是否是所述目标对象在多个颜色的光照的照射下拍摄获取的图像。例如，当终端未被劫持或攻击时，其发光元件可以发射多个颜色的光照，同时其图像采集设备可以目标对象进行录像或拍照以获取的所述目标图像。此时，所述目标图像具有真实性。又例如，当终端被劫持或攻击时，所述目标图像是基于攻击者上传的图像或视频获取。此时，所述目标图像不具有真实性。
目标图像的真实性可以用于确定终端的图像采集设备是否被攻击者劫持。例如，所述多幅目标图像中若存在至少一幅目标图像不具有真实性，则说明图像采集设备被劫持。又例如，所述多幅目标图像中若超过预设数量的目标图像不具有真实性，则说明图像采集设备被劫持。
在一些实施例中，验证模块可以基于至少一个第一颜色关系中的部分或全部，和对应的第二颜色关系，确定多幅目标图像的真实性。
在一些实施例中，第一颜色关系和第二颜色关系可以通过向量表示。在一些实施例中，验证模块可以选择至少一个第一颜色关系中的部分或全部构建第一向量，基于被选择的第一颜色关系对应的第二颜色关系构建第二向量。进一步，验证模块可以基于第一向量和第二向量的相似度确定多幅目标图像的真实性。例如，相似度大于第四阈值，则多幅目标图像具有真实性。可以理解的，第一向量和第二向量中元素的排列顺序基于第一颜色关系和第二颜色关系之间的对应关系确定。例如，第一向量A中某第一颜色关系对应的元素为Aij，第二向量B中该第一颜色关系对应的第二颜色关系对应的元素为Bij。
在一些实施例中，第一颜色关系和第二颜色关系还可以通过验证码表示。在一些实施例中，验证模块可以选择至少一个第一颜色关系中的部分或全部构建对应的第一验证码，基于被选择的第一颜色关系对应的第二颜色关系构建对应的第二验证码，确定多幅目标图像的真实性。与第一向量和第二向量类似地，第一验证码和第二验证码中子码的位置基于第一颜色关系和第二颜色关系之间的对应关系确定。例如，第一验证码和第二验证码不同，则多幅目标图像不具有真实性。示例的，第一验证码为10110，第二验证码为10111，则多幅目标图像不具有真实性。又例如，验证模块可以基于第一验证码和第二验证码中子码相同的个数，确定多幅目标图像的真实性。例如，子码相同的个数大于第五阈值，则确定多幅目标图像的真实性，子码相同的个数小于第六阈值，则确定多幅目标图像不具有真实性。示例的，第五阈值为3，第六阈值为1，第一验证码为10110，第二验证码为10111，第一验证码和第二验证码的第一位、第二位、第三位和第四位的子码对应相同，则确定多幅目标图像具有真实性。
如前所述，基准图像和验证图像都是在相同的外界环境光的条件下、被相同的发光元件照射时拍摄的，因此，基于基准图像和验证图像之间的关系确定多幅目标图像的真实性时，可以消除或减弱外界环境光和发光元件的影响，从而提高光照颜色的识别准确率。
在一些实施例中，本说明书一些实施例中针对图像真实性判断设定的预设阈值(例如，第五阈值、第六阈值)可以和拍摄稳定程度相关。拍摄稳定程度是终端的图像采集设备获取目标图像时的稳定程度。在一些实施例中，预设阈值与拍摄稳定程度正相关。可以理解，拍摄稳定程度越高，则获取的目标图像质量越高，基于多幅目标图像提取的颜色特征越能真实反应被拍摄时光照的颜色，则预设阈值越大。在一些实施例中，拍摄稳定度可以基于终端(例如，车载终端或用户终端等)的运动传感器检测到的终端的运动参数衡量。例如，运动传感器检测到的运动速度、震动频率等。示例的，运动参数越大，或者运动参数变化率越大，说明拍摄稳定程度越低。运动传感器可以是检测车辆行驶情况的传感器，车辆可以是目标用户使用的车辆。目标用户是指目标对象所属的用户。例如，目标用户为网约车司机，则运动传感器可以是司机端或者车载终端的运动传感器。
在一些实施例中，预设阈值还可以与拍摄距离和转动角度相关。拍摄距离是图像采集设备获取目标图像时和目标对象之间的距离。转动角度是图像采集设备获取目标图像时目标对象正面与终端屏幕的角度。在一些实施例中，拍摄距离和转动角度都与预设阈值负相关。可以理解，拍摄距离越短，则获取的目标图像质量越高，基于多幅目标图像提取的颜色特征越能真实反应被拍摄时光照的颜色，则预设阈值越大。转动角度越小，则获取的目标图像质量越高，同理，则预设阈值越大。在一些实施例中，拍摄距离和转动角度可以通过图像识别技术基于目标图像确定。
在一些实施例中，验证模块可以对每幅目标图像的拍摄稳定程度、拍摄距离和转动角度进行特定运算(如，求平均、标准差等)，基于特定运算后的拍摄稳定程度、拍摄距离和拍摄角度确定预设阈值。
例如，验证模块获取所述多幅目标图像被获取时所述终端的稳定程度包括获取多幅目标图像中每一幅被拍摄时终端的子稳定程度；对所述多个子稳定程度进行融合，确定所述稳定程度。
又例如，验证模块获取所述多幅目标图像被拍摄时目标对象与所述终端的拍摄距离包括：获取所述多幅目标图像中每一幅被拍摄时目标对象与所述终端的子拍摄距离；对所述多个子拍摄距离进行融合，确定所述拍摄距离。
又例如，验证模块获取所述多幅目标图像被拍摄时所述目标对象相对于所述终端的转动角度包括获取所述多幅目标图像中每一幅被拍摄时所述目标对象相对于所述终端的子转动角度；对所述多个子转动角度进行融合，确定所述转动角度。
在本说明书一些实施例中，目标系别系统100会给终端下发光照序列，并从终端获取与光照序列中多个光照存在对应关系的目标图像。处理设备通过识别目标脸图像被拍摄时光照的颜色，可以确定目标图像是否是在目标对象被光照序列照射下拍摄的图像，进一步确定终端是否被劫持或攻击。可以理解，攻击者在不知道光照序列的情况下，上传的图像或上传的视频中的图像被拍摄时光照的颜色很难与光照序列中的多个光照的颜色相同。即使颜色的种类相同，每个颜色的位置顺序也很难相同。本说明书中披露的方法可以提高攻击者攻击的难度，保证目标识别的安全性。
图3是根据本说明书一些实施例所示的光照序列的示意图。
在一些实施例中，光照序列中光照的多个颜色可以包含至少一个基准颜色和至少一个验证颜色。验证颜色是多个颜色中直接用于验证图像真实性的颜色。基准颜色是多个颜色中用于辅助验证颜色确定目标图像真实性的颜色。例如，基准颜色对应的目标图像(又称基准图像)可以基于验证颜色对应的目标图像(又称为验证图像)确定第一颜色关系。进一步的，验证模块可以基于第一颜色关系确定多幅目标图像的真实性。如图3所示，光照序列e中包含多个基准颜色的光照“红光、绿光、蓝光”，多个验证颜色的光照“黄光、紫光…青光”；光照序列f中包含多个基准颜色的光照“红光、白光…蓝光”，多个验证颜色的光照“红光..绿光”。
在一些实施例中，验证颜色存在多个。所述多个验证颜色可以完全相同。例如，验证颜色可以是红、红、红、红。或者，多个验证颜色也可以完全不同。例如，验证颜色可以是红、黄、蓝、绿、紫。又或者，多个验证颜色还可以部分相同。例如，验证颜色可以是黄、绿、紫、黄、红。与验证颜色类似地，在一些实施例中，基准颜色存在多个，所述多个基准颜色可以完全相同、完全不同或部分相同。在一些实施例中，验证颜色可以仅包含一个颜色，例如绿色。
在一些实施例中，所述至少一个基准颜色和至少一个验证颜色可以根据目标识别系统100的默认设定确定、由用户手动设定，或者由目标图像获取模块确定。例如，目标图像获取模块可以随机选取基准颜色和验证颜色。仅作为示例，目标图像获取模块可以从多个颜色中随机选取部分颜色作为所述至少一个基准颜色，剩余的颜色作为所述至少一个验证颜色。在一些实施例中，目标图像获取模块可以基于预设规则确定所述至少一个基准颜色和所述至少一个验证颜色。所述预设规则可以是关于验证颜色之间关系、基准颜色之间关系，和/或验证颜色和基准颜色之间关系等的规则。例如，所述预设规则为验证颜色可以基于基准颜色融合生成等。
在一些实施例中，至少一个基准颜色中的一个或多个与至少一个验证颜色中的一个或多个相同。至少一个基准颜色和至少一个验证颜色之间可以全部相同或部分相同。例如，至少一个验证颜色中的某一个可以与至少一个基准颜色中特定一个颜色相同。可以理解的，该验证颜色也可以基于至少一个基准颜色确定，即，将该特定基准颜色作为该验证颜色即可。如图3所示，光照序列f中，多个基准颜色“红、白…蓝”和多个验证颜色“红..绿”均包含红色。
在一些实施例中，至少一个基准颜色和至少一个验证颜色还可以存在其他关系，在此不做限制。例如，至少一个基准颜色和所述至少一个验证颜色的色系相同或不同。示例的，至少一个基准颜色属于暖色系的颜色(如，红色、黄色等)，至少一个基准颜色属于冷色系的颜色(如，灰色等)。
在一些实施例中，在所述光照序列中，所述至少一个基准颜色对应的光照可以排列在所述至少一个验证颜色对应的光照的前面或后面。如图3所示，光照序列e中，多个基准颜色的光照“红光、绿光、蓝光”排列在多个验证颜色的光照“黄光、紫光…青光”前面。光照序列f中，多个基准颜色的光照“红光、白光…蓝光”排列在多个验证颜色“红光..绿光”的后面。在一些实施例中，所述至少一个基准颜色对应的光照还可以和所述至少一个验证颜色对应的光照间隔排列，在此不做限制。
图4是根据本说明书一些实施例所示的颜色验证模型的示意图。
在一些实施例中，验证模块可以基于颜色验证模型确定多幅目标图像的真实性。如图3所示，颜色验证模型可以包括颜色特征提取层430和颜色关系确定层460。颜色特征提取层430和颜色关系确定层460可以用于实现步骤220。进一步的，验证模块可以基于所述第一颜色关系和第二颜色关系，确定多幅目标图像的真实性。
在一些实施例中，至少一幅基准图像和至少一幅验证图像可以组成一个或多个图像对。每个图像对包括至少一幅基准图像中的一幅和至少一幅验证图像中一幅。颜色验证模型可以分别对一个或多个图像对进行分析，确定该图像对中基准图像和验证图像之间的第一颜色关系。例如，如图4所示，所述至少一幅基准图像包括“420-1、420-2…420-y”，所述至少一幅验证图像包括“410-1…410-x”。出于说明目的，下文以基准图像420-y和验证图像410-1构成的图像对为例展开。
颜色特征提取层430可以提取基准图像420-y的基准颜色特征和验证图像410-1的验证颜色特征。在一些实施例中，颜色特征提取层430的类型可以包括ResNet、ResNeXt、SE-Net、DenseNet、MobileNet、ShuffleNet、RegNet、EfficientNet或Inception等卷积神经网络(Convolutional Neural Networks,CNN)模型，或循环神经网络模型。
颜色特征提取层430的输入可以是图像对(如，基准图像420-y和验证图像410-1)。例如，可以将基准图像420-y和验证图像410-1拼接后输入颜色特征提取层430。颜色特征提取层430的输出可以是图像对的颜色特征。例如，颜色特征提取层430的输出可以是基准图像420-y的基准颜色特征450-y和验证图像410-1的验证颜色特征440-1。又例如，颜色特征提取层430的输出可以是验证图像410-1的颜色特征440-1和基准图像420-y的颜色特征450-y拼接后的颜色特征。
颜色关系确定层460用于基于图像对的颜色特征，确定图像对的第一颜色关系。例如，验证模块可以将基准图像420-y的基准颜色特征450-y和验证图像410-1的验证颜色特征440-1输入颜色关系确定层460，颜色关系确定层460输出基准图像420-y和验证图像410-1的第一颜色关系。
在一些实施例中，验证模块可以将至少一个基准图像和至少一个验证图像组成的多对图像对一起输入颜色验证模型。颜色验证模型可以同时输出所述多对图像对中每一对的第一颜色关系。在一些实施例中，验证模块可以将所述多对图像对中某一对输入颜色验证模型。颜色验证模型可以输出该对图像对的第一颜色关系。
在一些实施例中，颜色关系确定层460可以是分类模型，包括但不限于全连接层、深度神经网络、决策树等。
在一些实施例中，颜色验证模型为预置参数的机器学习模型。预置参数是指机器学习模型训练过程中，学习到的模型参数。以神经网络为例，模型参数包括权重(Weight)和偏置(bias)等。颜色验证模型的所述预置参数在训练过程确定。例如，模型获取模块可以基于带有标签的多个训练样本训练初始颜色验证模型，以得到颜色验证模型。
训练样本包括带有标签的一个或多个样本图像对。每个样本图像对包括样本目标对象在相同或不同灯光的照射下拍摄的两张目标图像。训练样本的标签可以说明样本图像对被拍摄时光照的颜色是否相同。
在一些实施例中，模型获取模块可以将训练样本输入初始颜色验证模型，通过训练更新初始颜色特征提取层和初始颜色关系确定层的参数，直到更新后的颜色验证模型满足预设条件。更新后的颜色验证模型可以被指定为预置参数的颜色验证模型，换言之，更新后的颜色验证模型可以被指定为训练后的颜色验证模型。预设条件可以是更新后的颜色验证模型的损失函数小于阈值、收敛，或训练迭代次数达到阈值。
在一些实施例中，模型获取模块可以通过端到端的训练方式，训练初始颜色验证模型中的初始颜色特征提取层和初始颜色关系确定层。端到端的训练方式是指将训练样本输入初始模型，并基于初始模型的输出确定损失值，基于所述损失值更新所述初始模型。所述初始模型可能会包含用于执行不同数据处理操作的多个子模型或模块，其会在训练中被视为整体，进行同时更新。例如，在初始颜色验证模型训练中，可以将至少一幅样本基准图像和至少一幅验证图像输入初始颜色特征提取层，基于初始颜色关系确定层的输出结果和标签建立损失函数，基于损失函数对初始颜色验证模型中各初始层的参数进行同时更新。
在一些实施例中，颜色验证模型可以由处理设备或第三方预先训练后保存在存储设备中，处理设备可以从存储设备中直接调用颜色验证模型。
基于第一颜色关系和第二颜色关系确定多幅目标图像的真实性，可以无需识别目标图像被拍摄时光照的类型，直接通过对比颜色特征确定被拍摄时光照的类型是否一致来进行识别，这相当于把颜色识别任务转化为判断颜色是否相同的二分类任务。在一些实施例中，可以使用颜色验证模型来确定第一颜色关系。颜色验证模型的颜色关系确定模型可以只包括数量较少的神经元(例如，两个神经元)来进行颜色是否相同的判断。相比于传统方法中的颜色识别网络，本说明书中披露的颜色验证模型结构更加简单。基于所述颜色验证模型进行的目标对象分析所需要的计算资源(如计算空间)也相对更少，由此可以提高光照颜色的识别效率。同时，模型的输入可以是任意颜色对应的目标图像，与其他需要限定输入颜色种类数量的算法相比，本说明书实施例的适用性更高。而且，使用颜色验证模型可以提高目标图像真实性验证的可靠性，减少或者去除终端设备的性能差异的影响，进一步确定目标图像的真实性。可以理解，不同终端的硬件存在一定差异，例如，不同厂商的终端屏幕发射的相同颜色彩色光在饱和度、亮度等参数上可能会有差异，导致同一种颜色的类内差距比较大。初始颜色验证模型的训练样本可以是由不同性能的终端拍摄的。初始颜色验证模型在训练过程中通过学习，可以使得训练后的颜色验证模型在进行目标对象颜色判断时可以考虑终端性能差异，较为准确地确定目标图像的颜色。此外，当终端未被劫持时，基准图像和验证图像都是在相同的外界环境光的条件下拍摄的。因此，基于颜色验证模型对基准图像和验证图像进行处理，确定多幅目标图像的真实性时，可以消除或减弱外界环境光的影响。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种目标识别方法，所述方法包括：
获取多幅目标图像，所述多幅目标图像的拍摄时间与照射到目标对象的光照序列中多个光照的照射时间具有对应关系，所述多个光照有多个颜色，所述多个颜色包括至少一个基准颜色和至少一个验证颜色，所述多幅目标图像包括至少一幅验证图像和至少一幅基准图像，所述至少一幅基准图像的每一幅与所述至少一幅基准颜色中的一个对应，所述至少一幅验证图像的每一幅与所述至少一个验证颜色中的一个对应；
对所述至少一幅基准图像中的每一幅，确定所述基准图像和所述每幅验证图像的第一颜色关系；
对所述至少一个基准颜色中的每一个，确定所述基准颜色和每个所述验证颜色的第二颜色关系；以及
基于所述至少一个第一颜色关系和所述至少一个第二颜色关系，确定所述多幅目标图像的真实性。
2.根据权利要求1所述的方法，所述至少一个基准颜色中的一个或多个与所述至少一个验证颜色中的一个或多个相同。
3.根据权利要求1所述的方法，所述至少一幅基准图像中的每一幅和所述至少一幅验证图像中的每一幅组成至少一对图像对，
所述对所述至少一幅基准图像中的每一幅，确定所述基准图像和所述每幅验证图像的第一颜色关系包括：
对于所述至少一对图像对中每一对，基于颜色验证模型处理所述图像对，确定所述图像对中所述基准图像和所述验证图像的第一颜色关系，所述颜色验证模型为预置参数的机器学习模型。
4.根据权利要求3所述的方法，所述颜色验证模型包括颜色特征提取层和颜色关系确定层，
所述颜色特征提取层提取所述图像对的颜色特征；
所述颜色关系确定层基于所述图像对的颜色特征，确定所述图像对中所述基准图像和所述验证图像的第一颜色关系。
5.根据权利要求4所述的方法，所述颜色验证模型的所述预置参数通过端到端的训练方式获得。
6.根据权利要求3所述的方法，所述颜色验证模型的所述预置参数通过训练过程生成，所述训练过程包括：
获取多个训练样本，所述多个训练样本中的每一个包括样本图像对以及样本标签，所述样本标签表示所述样本图像对中的样本图像是否是在相同颜色的光照射下拍摄而成；以及
基于所述多个训练样本训练初始颜色验证模型，确定所述颜色验证模型的所述预置参数。
7.根据权利要求1所述的方法，所述对所述至少一幅基准图像中的每一幅，确定所述基准图像和所述每幅验证图像的第一颜色关系包括：
提取所述基准图像的基准颜色特征和所述每一幅验证图像的验证颜色特征；以及
基于所述基准颜色特征和所述验证颜色特征，确定所述基准图像和所述每一幅验证图像的第一颜色关系。
8.一种目标识别系统，其特征在于，包括：
目标图像获取模块，用于获取多幅目标图像，所述多幅目标图像的拍摄时间与照射到目标对象的光照序列中多个光照的照射时间具有对应关系，所述多个光照有多个颜色，所述多个颜色包括至少一个基准颜色和至少一个验证颜色，所述多幅目标图像包括至少一幅验证图像和至少一幅基准图像，所述至少一幅基准图像的每一幅与所述至少一幅基准颜色中的一个对应，所述至少一幅验证图像的每一幅与所述至少一个验证颜色中的一个对应；
第一颜色关系确定模块，用于对所述至少一幅基准图像中的每一幅，确定所述基准图像和所述每幅验证图像的第一颜色关系；
第二颜色关系确定模块，用于对所述至少一个基准颜色中的每一个，确定所述基准颜色和每个所述验证颜色的第二颜色关系；以及
验证模块，用于基于所述至少一个第一颜色关系和所述至少一个第二颜色关系，确定所述多幅目标图像的真实性。
9.一种目标识别装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1至7中任意一项所述的方法。
CN202110423967.0A 2021-04-20 2021-04-20 一种目标识别方法和系统 Active CN113111810B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110423967.0A CN113111810B (zh) 2021-04-20 2021-04-20 一种目标识别方法和系统
PCT/CN2022/087565 WO2022222904A1 (zh) 2021-04-20 2022-04-19 图像验证方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110423967.0A CN113111810B (zh) 2021-04-20 2021-04-20 一种目标识别方法和系统

Publications (2)

Publication Number Publication Date
CN113111810A CN113111810A (zh) 2021-07-13
CN113111810B true CN113111810B (zh) 2023-12-08

Family

ID=76718928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110423967.0A Active CN113111810B (zh) 2021-04-20 2021-04-20 一种目标识别方法和系统

Country Status (1)

Country Link
CN (1) CN113111810B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111806A (zh) * 2021-04-20 2021-07-13 北京嘀嘀无限科技发展有限公司 用于目标识别的方法和系统
WO2022222904A1 (zh) * 2021-04-20 2022-10-27 北京嘀嘀无限科技发展有限公司 图像验证方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088678A1 (zh) * 2015-11-24 2017-06-01 努比亚技术有限公司 长曝光全景图像拍摄装置和方法
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN111353536A (zh) * 2020-02-28 2020-06-30 北京字节跳动网络技术有限公司 图像的标注方法、装置、可读介质和电子设备
CN111523438A (zh) * 2020-04-20 2020-08-11 支付宝实验室(新加坡)有限公司 一种活体识别方法、终端设备和电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088678A1 (zh) * 2015-11-24 2017-06-01 努比亚技术有限公司 长曝光全景图像拍摄装置和方法
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN111353536A (zh) * 2020-02-28 2020-06-30 北京字节跳动网络技术有限公司 图像的标注方法、装置、可读介质和电子设备
CN111523438A (zh) * 2020-04-20 2020-08-11 支付宝实验室(新加坡)有限公司 一种活体识别方法、终端设备和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于颜色相似度量的足球机器人目标识别;白素华;魏立峰;吕薇;;微计算机信息(29);全文 *
织物颜色配准到标准色卡的计算机识别与仿真;陈孝之;谢莉青;;纺织学报(05);全文 *

Also Published As

Publication number Publication date
CN113111810A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
WO2022222575A1 (zh) 用于目标识别的方法和系统
CN109446981B (zh) 一种脸部活体检测、身份认证方法及装置
US11972638B2 (en) Face living body detection method and apparatus, device, and storage medium
CN113111810B (zh) 一种目标识别方法和系统
WO2022222569A1 (zh) 一种目标判别方法和系统
WO2019152983A2 (en) System and apparatus for face anti-spoofing via auxiliary supervision
WO2022222585A1 (zh) 一种目标识别的方法和系统
CN110163078A (zh) 活体检测方法、装置及应用活体检测方法的服务系统
CA3152812A1 (en) Facial recognition method and apparatus
CN104598882A (zh) 用于生物特征验证的电子欺骗检测的方法和系统
KR102145132B1 (ko) 딥러닝을 이용한 대리 면접 예방 방법
CN110956114A (zh) 人脸活体检测方法、装置、检测系统及存储介质
KR20180109664A (ko) 라이브니스 검사 방법 및 장치
CN110059579B (zh) 用于活体检验的方法和装置，电子设备和存储介质
US20210256244A1 (en) Method for authentication or identification of an individual
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
JP2004318248A (ja) 虹彩認証システム及び虹彩認証方法並びに虹彩認証プログラム
CN106991364A (zh) 人脸识别处理方法、装置以及移动终端
CN115147936A (zh) 一种活体检测方法、电子设备、存储介质及程序产品
CN108171205A (zh) 用于识别人脸的方法和装置
WO2022222957A1 (zh) 一种目标识别的方法和系统
CN112308035A (zh) 图像检测方法、装置、计算机设备和存储介质
CN111914646A (zh) 一种基于光场图像序列的双流融合网络虹膜活体检测方法
Hadwiger et al. Towards learned color representations for image splicing detection
WO2022222904A1 (zh) 图像验证方法、系统及存储介质

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