CN113255456A - 非主动活体检测方法、装置、电子设备及存储介质 - Google Patents

非主动活体检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113255456A
CN113255456A CN202110467269.0A CN202110467269A CN113255456A CN 113255456 A CN113255456 A CN 113255456A CN 202110467269 A CN202110467269 A CN 202110467269A CN 113255456 A CN113255456 A CN 113255456A
Authority
CN
China
Prior art keywords
reference point
point set
preset
living body
loss value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110467269.0A
Other languages
English (en)
Other versions
CN113255456B (zh
Inventor
刘杰
庄伯金
曾凡涛
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110467269.0A priority Critical patent/CN113255456B/zh
Priority to PCT/CN2021/097078 priority patent/WO2022227191A1/zh
Publication of CN113255456A publication Critical patent/CN113255456A/zh
Application granted granted Critical
Publication of CN113255456B publication Critical patent/CN113255456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及生物识别技术，揭露了一种非主动活体检测方法，包括：获取原始视频截图中的初始参考点集合并进行位置扰动，得到目标参考点集合；根据初始参考点集合和目标参考点集合对原始视频截图进行几何变换，得到目标图像；将原始视频截图、目标图像和初始参考点集合输入至参考点分析网络中，得到预测参考点集合；根据得到的最终检测损失值对非主动活体检测模型进行优化，得到训练好的非主动活体检测模型并对待识别图像识别，得到非主动活体检测结果。此外，本发明还涉及区块链技术，所述目标图像可存储于区块链的节点。本发明还提出一种非主动活体检测装置、电子设备以及计算机可读存储介质。本发明可以解决非主动活体检测的稳定性不高的问题。

Description

非主动活体检测方法、装置、电子设备及存储介质
技术领域
本发明涉及生物识别领域，尤其涉及一种非主动活体检测方法、装置、电子设备及计算机可读存储介质。
背景技术
现在银行中通常通过网络视频通话的方式对申请办理业务的申请人进行审核，但是申请人进行视频通话时的环境多半嘈杂，视频背景中可能出现除申请人以外的背景人脸，例如相框或者海报等包含人脸的非主动活体，则在统计视频背景中的申请人的人脸信息的时候需要对申请人以外的背景人脸进行剔除，以防出现多人误报的情况。
现有技术中，检测背景图像中的非主动活体的方法通常是基于单帧或多帧图像纹理和分析多帧眼睛、嘴巴、头部姿态运动等来判断，基于单帧或多帧图像纹理的方法，其算法稳定性严重依赖图像获取质量和训练数据的完备性，但实际网络视频通话中由于对用户手机型号、通话场景没有限制，采集完备场景的训练数据非常困难，且网络通话图像质量较差，恶劣光照场景尤其严重，因此该类应用场景导致现有的基于单帧或多帧纹理做图像静默活体检测方法稳定性大大降低。
发明内容
本发明提供一种非主动活体检测方法、装置及计算机可读存储介质，其主要目的在于提高非主动活体检测的稳定性。
为实现上述目的，本发明提供的一种非主动活体检测方法，包括：
获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；
对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；
根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
可选地，所述获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合，包括：
将所述原始视频截图映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机选取所述原始视频截图中的多个参考点，生成初始参考点集合。
可选地，所述对所述初始参考点集合进行位置扰动处理，得到目标参考点集合，包括：
获取所述初始参考点集合中各个初始参考点的坐标值，得到所述初始参考点集合对应的初始坐标点集合；
利用扰乱函数对所述初始坐标点集合进行扰乱计算，得到目标坐标点集合；
将所述目标坐标点集合映射至二维直角坐标系，得到目标参考点集合。
可选地，所述根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，包括：
获取所述初始参考点集合中任意一初始参考点的第一任意坐标和所述目标参考点集合中任意一目标参考点的第二任意坐标；
根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵。
可选地，所述根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵，包括：
利用下述几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵：
b＝HaT
其中，H为所述几何变换矩阵，b为所述第二任意坐标，a为所述第一任意坐标，T为固定参数。
可选地，所述根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型，包括：
判断所述最终检测损失值与预设的损失阈值之间的大小；
若所述最终检测损失值小于所述预设的损失阈值，确定所述非主动活体检测模型为训练好的非主动活体检测模型；
若所述最终检测损失值大于或者等于所述预设的损失阈值时，调整所述非主动活体检测模型的内部参数，直至所述最终检测损失值小于所述预设的损失阈值时，得到训练好的非主动活体检测模型。
可选地，所述利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，包括：
利用下述预设的均方根误差损失函数公式计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值：
Figure BDA0003044661150000031
其中，MSE为均方根误差损失值，yi为所述预测参考点，
Figure BDA0003044661150000032
为所述真实参考点，n为所述预测参考点集合中预测参考点的总数，i是指第i个预测参考点。
为了解决上述问题，本发明还提供一种非主动活体检测装置，所述装置包括：
目标图像获取模块，用于获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
参考点分析模块，用于将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
损失值计算模块，用于利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
模型训练模块，用于根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
图像检测模块，用于获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的非主动活体检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的非主动活体检测方法。
本发明实施例通过对原始视频截图中选中的初始参考点集合和经过位置扰动处理得到的目标参考点进行几何变换处理，得到目标图像，根据原始视频截图、目标图像和初始参考点对预设的参考点分析网络进行训练，训练好的参考点分析网络更加注重学习与人脸几何变换相关的信息，可以减少对大量训练数据的依赖，因此可以提高非主动活体检测的稳定性，且本发明实施例中添加了一个二分类网络，提高了精度和泛化性，提高了非主动活体检测的准确性。因此本发明提出的非主动活体检测方法和装置，可以解决非主动活体检测的稳定性不高的问题。
附图说明
图1为本发明一实施例提供的非主动活体检测方法的流程示意图；
图2为本发明一实施例提供的非主动活体检测装置的功能模块图；
图3为本发明一实施例提供的实现所述非主动活体检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种非主动活体检测方法。所述非主动活体检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述非主动活体检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的非主动活体检测方法的流程示意图。在本实施例中，所述非主动活体检测方法包括：
S1、获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合。
本发明实施例中，所述原始视频截图是网络视频通话过程中截取到的图图像，图像中可以包含人脸以及人脸背景。例如，在金融领域中通过网络视频通话进行身份信息审核时截取到的图像。
具体地，所述获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合，包括：
将所述原始视频截图映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机选取所述原始视频截图中的多个参考点，生成初始参考点集合。
可选地，在本发明实施例中，随机选取的参考点的个数为四个。
S2、对所述初始参考点集合进行位置扰动处理，得到目标参考点集合。
本发明实施例中，所述对所述初始参考点集合进行位置扰动处理，得到目标参考点集合，包括：
获取所述初始参考点集合中各个初始参考点的坐标值，得到所述初始参考点集合对应的初始坐标点集合；
利用扰乱函数对所述初始坐标点集合进行扰乱计算，得到目标坐标点集合；
将所述目标坐标点集合映射至二维直角坐标系，得到目标参考点集合。
详细地，本发明实施例中，所述扰乱函数为Hash函数。
S3、根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像。
本发明实施例中，几何变换是指从具有几何结构之集合至其自身或其他此类集合的一种对射，所述几何变换包括图像仿射变换和单应性变换。其中，所述图像仿射变换是在几何中，将一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间，所述单应性变换是将在世界坐标系上的图像映射到像素坐标系上。
进一步地，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，即利用所述几何变换矩阵与所述原始视频截图中的各个像素点的位置做相乘处理，得到几何变换后的像素点并根据所述像素点生成目标图像。
优选地，本方案中采用单应性变换，即生成的几何变换矩阵为单应性矩阵，几何变换处理为单应性变换处理。
具体地，所述根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，包括：
获取所述初始参考点集合中任意一初始参考点的第一任意坐标和所述目标参考点集合中任意一目标参考点的第二任意坐标；
根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵。
进一步地，所述根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵，包括：
所述根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵，包括：
利用下述几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵：
b＝HaT
其中，H为所述几何变换矩阵，b为所述第二任意坐标，a为所述第一任意坐标，T为固定参数。
S4、将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合。
本发明实施例中，将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，通过所述参考点分析网络预测所述原始视频截图上的初始参考点集合在所述目标图像上的位置，并得到预测参考点集合，所述预测参考点集合中包含的预测参考点的坐标为原始视频截图上的初始参考点集合在所述目标图像上的坐标。
其中，所述参考点分析网络可以为深度学习模型。
S5、利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值。
本发明实施例中，所述利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，包括：
利用下述预设的均方根误差损失函数公式计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值：
Figure BDA0003044661150000071
其中，MSE为均方根误差损失值，yi为所述预测参考点，
Figure BDA0003044661150000072
为所述真实参考点，n为所述预测参考点集合中预测参考点的总数，i是指第i个预测参考点。
进一步地，所述将所述均方根损失值与预设的二分类网络的分类损失值进行算数计算，包括将均方根损失值均方根损失值与二分类网络的分类损失值进行求和，得到最终检测损失值，其中，所述二分类网络的分类损失值可以利用交叉熵损失函数进行计算得到。
S6、根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型。
本发明实施例中，所述训练好的非主动活体检测模型用于检测包含人脸的图片中的人脸是否属于非主动活体攻击。
本发明实施例中，所述根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型，包括：
判断所述最终检测损失值与预设的损失阈值之间的大小；
若所述最终检测损失值小于所述预设的损失阈值，确定所述非主动活体检测模型为训练好的非主动活体检测模型；
若所述最终检测损失值大于或者等于所述预设的损失阈值时，调整所述非主动活体检测模型的内部参数，直至所述最终检测损失值小于所述预设的损失阈值时，得到训练好的非主动活体检测模型。
其中，所述非主动活体检测模型的内部参数可以为模型的梯度或者模型的内部参数。
S7、获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
本发明实施例中，预设帧数可以为连续的或者不连续的至少两张图像。
本发明实施例中，所述预设帧数的待识别图像可以为聊天视频中包含人脸的连续多张截图；或者所述预设帧数的待识别图像可以为通过摄像头进行身份验证时截取到的包含人脸的多张截图，该多张截图可以为2D图像。
本发明实施例中，通过将预设帧数的待识别图像输入至非主动活体检测模型中，可以监测出待识别图像中是否包含非主动活体。
本发明实施例通过对原始视频截图中选中的初始参考点集合和经过位置扰动处理得到的目标参考点进行几何变换处理，得到目标图像，根据原始视频截图、目标图像和初始参考点对预设的参考点分析网络进行训练，训练好的参考点分析网络更加注重学习与人脸几何变换相关的信息，可以减少对大量训练数据的依赖，因此可以提高非主动活体检测的稳定性，且本发明实施例中添加了一个二分类网络，提高了精度和泛化性，提高了非主动活体检测的准确性。因此本发明提出的非主动活体检测方法，可以解决非主动活体检测的稳定性不高的问题。
如图2所示，是本发明一实施例提供的非主动活体检测装置的功能模块图。
本发明所述非主动活体检测装置100可以安装于电子设备中。根据实现的功能，所述非主动活体检测装置100可以包括目标图像获取模块101、参考点分析模块102、损失值计算模块103、模型训练模块104及图像检测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述目标图像获取模块101，用于获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
所述参考点分析模块102，用于将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
所述损失值计算模块103，用于利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
所述模型训练模块104，用于根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
所述图像检测模块105，用于获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
详细地，所述非主动活体检测装置100各模块在由电子设备的处理器所执行时，可以实现一种包括下述步骤的非主动活体检测方法：
步骤一、获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合。
本发明实施例中，所述原始视频截图是网络视频通话过程中截取到的图图像，图像中可以包含人脸以及人脸背景。例如，在金融领域中通过网络视频通话进行身份信息审核时截取到的图像。
具体地，所述获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合，包括：
将所述原始视频截图映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机选取所述原始视频截图中的多个参考点，生成初始参考点集合。
可选地，在本发明实施例中，随机选取的参考点的个数为四个。
步骤二、对所述初始参考点集合进行位置扰动处理，得到目标参考点集合。
本发明实施例中，所述对所述初始参考点集合进行位置扰动处理，得到目标参考点集合，包括：
获取所述初始参考点集合中各个初始参考点的坐标值，得到所述初始参考点集合对应的初始坐标点集合；
利用扰乱函数对所述初始坐标点集合进行扰乱计算，得到目标坐标点集合；
将所述目标坐标点集合映射至二维直角坐标系，得到目标参考点集合。
详细地，本发明实施例中，所述扰乱函数为Hash函数。
步骤三、根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像。
本发明实施例中，几何变换是指从具有几何结构之集合至其自身或其他此类集合的一种对射，所述几何变换包括图像仿射变换和单应性变换。其中，所述图像仿射变换是在几何中，将一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间，所述单应性变换是将在世界坐标系上的图像映射到像素坐标系上。
进一步地，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，即利用所述几何变换矩阵与所述原始视频截图中的各个像素点的位置做相乘处理，得到几何变换后的像素点并根据所述像素点生成目标图像。
优选地，本方案中采用单应性变换，即生成的几何变换矩阵为单应性矩阵，几何变换处理为单应性变换处理。
具体地，所述根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，包括：
获取所述初始参考点集合中任意一初始参考点的第一任意坐标和所述目标参考点集合中任意一目标参考点的第二任意坐标；
根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵。
进一步地，所述根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵，包括：
利用下述几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵：
b＝HaT
其中，H为所述几何变换矩阵，b为所述第二任意坐标，a为所述第一任意坐标，T为固定参数。
步骤四、将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合。
本发明实施例中，将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，通过所述参考点分析网络预测所述原始视频截图上的初始参考点集合在所述目标图像上的位置，并得到预测参考点集合，所述预测参考点集合中包含的预测参考点的坐标为原始视频截图上的初始参考点集合在所述目标图像上的坐标。
其中，所述参考点分析网络可以为深度学习模型。
步骤五、利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值。
本发明实施例中，所述利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，包括：
利用下述预设的均方根误差损失函数公式计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值：
Figure BDA0003044661150000121
其中，MSE为均方根误差损失值，yi为所述预测参考点，
Figure BDA0003044661150000122
为所述真实参考点，n为所述预测参考点集合中预测参考点的总数，i是指第i个预测参考点。
进一步地，所述将所述均方根损失值与预设的二分类网络的分类损失值进行算数计算，包括将均方根损失值均方根损失值与二分类网络的分类损失值进行求和，得到最终检测损失值，其中，所述二分类网络的分类损失值可以利用交叉熵损失函数进行计算得到。
步骤六、根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型。
本发明实施例中，所述训练好的非主动活体检测模型用于检测包含人脸的图片中的人脸是否属于非主动活体攻击。
本发明实施例中，所述根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型，包括：
判断所述最终检测损失值与预设的损失阈值之间的大小；
若所述最终检测损失值小于所述预设的损失阈值，确定所述非主动活体检测模型为训练好的非主动活体检测模型；
若所述最终检测损失值大于或者等于所述预设的损失阈值时，调整所述非主动活体检测模型的内部参数，直至所述最终检测损失值小于所述预设的损失阈值时，得到训练好的非主动活体检测模型。
其中，所述非主动活体检测模型的内部参数可以为模型的梯度或者模型的内部参数。
步骤七、获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
本发明实施例中，预设帧数可以为连续的或者不连续的至少两张图像。
本发明实施例中，所述预设帧数的待识别图像可以为聊天视频中包含人脸的连续多张截图；或者所述预设帧数的待识别图像可以为通过摄像头进行身份验证时截取到的包含人脸的多张截图，该多张截图可以为2D图像。
本发明实施例中，通过将预设帧数的待识别图像输入至非主动活体检测模型中，可以监测出待识别图像中是否包含非主动活体。
本发明实施例通过对原始视频截图中选中的初始参考点集合和经过位置扰动处理得到的目标参考点进行几何变换处理，得到目标图像，根据原始视频截图、目标图像和初始参考点对预设的参考点分析网络进行训练，训练好的参考点分析网络更加注重学习与人脸几何变换相关的信息，可以减少对大量训练数据的依赖，因此可以提高非主动活体检测的稳定性，且本发明实施例中添加了一个二分类网络，提高了精度和泛化性，提高了非主动活体检测的准确性。因此本发明提出的非主动活体检测装置，可以解决非主动活体检测的稳定性不高的问题。
如图3所示，是本发明一实施例提供的实现非主动活体检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如非主动活体检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如非主动活体检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如非主动活体检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的非主动活体检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；
对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；
根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；
对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；
根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种非主动活体检测方法，其特征在于，所述方法包括：
获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；
对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；
根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
2.如权利要求1所述的非主动活体检测方法，其特征在于，所述获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合，包括：
将所述原始视频截图映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机选取所述原始视频截图中的多个参考点，生成初始参考点集合。
3.如权利要求1所述的非主动活体检测方法，其特征在于，所述对所述初始参考点集合进行位置扰动处理，得到目标参考点集合，包括：
获取所述初始参考点集合中各个初始参考点的坐标值，得到所述初始参考点集合对应的初始坐标点集合；
利用扰乱函数对所述初始坐标点集合进行扰乱计算，得到目标坐标点集合；
将所述目标坐标点集合映射至二维直角坐标系，得到目标参考点集合。
4.如权利要求1所述的非主动活体检测方法，其特征在于，所述根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，包括：
获取所述初始参考点集合中任意一初始参考点的第一任意坐标和所述目标参考点集合中任意一目标参考点的第二任意坐标；
根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵。
5.如权利要求4所述的非主动活体检测方法，其特征在于，所述根据几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵，包括：
利用下述几何变换公式对初始参考点的坐标和目标参考点的坐标第一任意坐标和第二任意坐标进行计算，得到几何变换矩阵：
b＝HaT
其中，H为所述几何变换矩阵，b为所述第二任意坐标，a为所述第一任意坐标，T为固定参数。
6.如权利要求1所述的非主动活体检测方法，其特征在于，所述根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型，包括：
判断所述最终检测损失值与预设的损失阈值之间的大小；
若所述最终检测损失值小于所述预设的损失阈值，确定所述非主动活体检测模型为训练好的非主动活体检测模型；
若所述最终检测损失值大于或者等于所述预设的损失阈值时，调整所述非主动活体检测模型的内部参数，直至所述最终检测损失值小于所述预设的损失阈值时，得到训练好的非主动活体检测模型。
7.如权利要求1至6中任一项所述的非主动活体检测方法，其特征在于，所述利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，包括：
利用下述预设的均方根误差损失函数公式计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值：
Figure FDA0003044661140000031
其中，MSE为均方根误差损失值，yi为所述预测参考点，
Figure FDA0003044661140000032
为所述真实参考点，n为所述预测参考点集合中预测参考点的总数，i是指第i个预测参考点。
8.一种非主动活体检测装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取原始视频截图，对所述原始视频截图进行参考点选择，得到初始参考点集合；对所述初始参考点集合进行位置扰动处理，得到目标参考点集合；根据所述初始参考点集合和所述目标参考点集合生成几何变换矩阵，利用所述几何变换矩阵对所述原始视频截图进行几何变换处理，得到目标图像；
参考点分析模块，用于将所述原始视频截图、所述目标图像和所述初始参考点集合输入至预设的参考点分析网络中，得到预测参考点集合；
损失值计算模块，用于利用预设的均方根误差损失函数计算所述预测参考点集合中的预测参考点和预设的真实参考点之间的均方根损失值，并将所述均方根损失值与预设的二分类网络的分类损失值进行算术运算，得到最终检测损失值；
模型训练模块，用于根据所述最终检测损失值对由所述参考点分析网络和所述二分类网络构建得到的非主动活体检测模型进行迭代优化处理，得到训练好的非主动活体检测模型；
图像检测模块，用于获取预设帧数的待识别图像，将所述待识别图像输入至所述训练好的非主动活体检测模型中，得到非主动活体检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的非主动活体检测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的非主动活体检测方法。
CN202110467269.0A 2021-04-28 2021-04-28 非主动活体检测方法、装置、电子设备及存储介质 Active CN113255456B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110467269.0A CN113255456B (zh) 2021-04-28 2021-04-28 非主动活体检测方法、装置、电子设备及存储介质
PCT/CN2021/097078 WO2022227191A1 (zh) 2021-04-28 2021-05-30 非主动活体检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110467269.0A CN113255456B (zh) 2021-04-28 2021-04-28 非主动活体检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113255456A true CN113255456A (zh) 2021-08-13
CN113255456B CN113255456B (zh) 2023-08-25

Family

ID=77222076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467269.0A Active CN113255456B (zh) 2021-04-28 2021-04-28 非主动活体检测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN113255456B (zh)
WO (1) WO2022227191A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117579804B (zh) * 2023-11-17 2024-05-14 广东筠诚建筑科技有限公司 一种基于ar的装配式建筑构件预布局体验方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129190B1 (en) * 2013-12-04 2015-09-08 Google Inc. Identifying objects in images
CN110674759A (zh) * 2019-09-26 2020-01-10 深圳市捷顺科技实业股份有限公司 一种基于深度图的单目人脸活体检测方法、装置及设备
US20200151484A1 (en) * 2018-02-13 2020-05-14 Boe Technology Group Co., Ltd. Sample acquisition method, target detection model generation method, target detection method, computing device and computer readable medium

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086691B (zh) * 2018-07-16 2020-02-21 阿里巴巴集团控股有限公司 一种三维脸部活体检测方法、脸部认证识别方法及装置
CN111860055B (zh) * 2019-04-29 2023-10-24 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备
CN111368731B (zh) * 2020-03-04 2023-06-09 上海东普信息科技有限公司 静默活体检测方法、装置、设备及存储介质
CN112215298A (zh) * 2020-10-21 2021-01-12 平安国际智慧城市科技股份有限公司 模型训练方法、装置、设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129190B1 (en) * 2013-12-04 2015-09-08 Google Inc. Identifying objects in images
US20200151484A1 (en) * 2018-02-13 2020-05-14 Boe Technology Group Co., Ltd. Sample acquisition method, target detection model generation method, target detection method, computing device and computer readable medium
CN110674759A (zh) * 2019-09-26 2020-01-10 深圳市捷顺科技实业股份有限公司 一种基于深度图的单目人脸活体检测方法、装置及设备

Also Published As

Publication number Publication date
CN113255456B (zh) 2023-08-25
WO2022227191A1 (zh) 2022-11-03

Similar Documents

Publication Publication Date Title
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN111898538B (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN112446919A (zh) 物体位姿估计方法、装置、电子设备及计算机存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN111985504B (zh) 基于人工智能的翻拍检测方法、装置、设备及介质
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113705461A (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN112507923A (zh) 证件翻拍检测方法、装置、电子设备及介质
CN112347526A (zh) 基于防摄屏的信息安全保护方法、装置、电子设备及介质
CN113887408B (zh) 活化人脸视频的检测方法、装置、设备及存储介质
CN111932595A (zh) 图像配准方法、装置、电子设备及存储介质
CN112862703B (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN114049568A (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN113888500A (zh) 基于人脸图像的炫光程度检测方法、装置、设备及介质
CN113705469A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113888086A (zh) 基于图像识别的物品签收方法、装置、设备及存储介质
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质
CN114973374A (zh) 基于表情的风险评测方法、装置、设备及存储介质
CN113869385A (zh) 基于目标检测的海报比对方法、装置、设备及存储介质
CN113627394A (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN112541436A (zh) 专注度分析方法、装置、电子设备及计算机存储介质

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