CN113569707A - 活体检测方法、装置、电子设备以及存储介质 - Google Patents

活体检测方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN113569707A
CN113569707A CN202110838104.XA CN202110838104A CN113569707A CN 113569707 A CN113569707 A CN 113569707A CN 202110838104 A CN202110838104 A CN 202110838104A CN 113569707 A CN113569707 A CN 113569707A
Authority
CN
China
Prior art keywords
image
detected
detection
living body
detection object
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110838104.XA
Other languages
English (en)
Inventor
王珂尧
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110838104.XA priority Critical patent/CN113569707A/zh
Publication of CN113569707A publication Critical patent/CN113569707A/zh
Pending legal-status Critical Current

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

Landscapes

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

Abstract

本公开提供了一种活体检测方法、装置、电子设备以及存储介质，本公开涉及为人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别等场景。具体实现方案为：获取待检测图像，待检测图像包括检测对象；利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图；获取待检测图像对应的频域图像，利用活体检测模型的第二提取层从频域图像中提取第二特征图；基于第一特征图和第二特征图确定检测对象的活体检测结果。上述方法基于灰度信息和频域信息这两个维度的信息为依据进行活体检测，可以活体检测方法提升针对通过拍摄检测对象的实物照片所获得的待检测图像的泛化能力，提高活体检测结果的准确性和可靠性。

Description

活体检测方法、装置、电子设备以及存储介质
技术领域
本公开涉及为人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别等场景。
背景技术
活体检测是指区分一张图像是否为通过拍摄真实对象得到的，现有的活体检测方式，通常是采用基于深度学习技术的活体检测算法进行对图像中的检测对象进行活体检测。然而，现有的活体检测算法在一些应用场景的泛化能力较差，例如，如果待检测图像是通过拍摄检测对象的实物照片获得的，那么现有的活体检测算法便无法较准确是判断出检测对象是否为活体。
发明内容
本公开提供了一种活体检测方法、装置、电子设备以及存储介质。
根据本公开的第一方面，提供了一种活体检测方法，包括：
获取待检测图像，待检测图像包括检测对象；
利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图；
获取待检测图像对应的频域图像，利用活体检测模型的第二提取层从频域图像中提取第二特征图；
基于第一特征图和第二特征图确定检测对象的活体检测结果。
根据本公开的第二方面，提供了一种活体检测装置，包括：
图像获取模块，用于获取待检测图像，待检测图像包括检测对象；
第一特征获取模块，用于利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图；
第二特征获取模块，用于获取待检测图像对应的频域图像，利用活体检测模型的第二提取层从频域图像中提取第二特征图；
检测模块，用于基于第一特征图和第二特征图确定检测对象的活体检测结果。
根据本公开的第三方面，提供了一种电子设备，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上述的活体检测方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的活体检测方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的活体检测方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本公开提供的技术方案带来的有益效果是：
在本公开的技术方案中，活体检测方法综合考虑了RGB形式的待检测图像的特征图和待检测图像对应的频域图像的特征特对活体检测的影响，基于灰度信息和频域信息这两个维度的信息为依据进行活体检测，可以活体检测方法提升针对通过拍摄检测对象的实物照片所获得的待检测图像的泛化能力，提高活体检测结果的准确性和可靠性。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示出了本公开实施例提供的活体检测模型的示例性的结构示意图；
图2示出了本公开实施例提供的一种活体检测方法的流程示意图；
图3示出了本公开实施例提供的另一种活体检测方法的流程示意图；
图4示出了本公开实施例提供的一种活体检测装置的结构示意图之一；
图5示出了本公开实施例提供的一种活体检测装置的结构示意图之二；
图6示出了可以用来实施本公开实施例提供的活体检测方法的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
活体检测是指区分一张图像是否为通过拍摄真实对象得到的，现有的活体检测方式，通常是采用基于深度学习技术的活体检测算法进行对图像中的检测对象进行活体检测。然而，现有的活体检测算法在一些应用场景的泛化能力较差，例如，如果待检测图像是通过拍摄检测对象的实物照片获得的，那么现有的活体检测算法便无法较准确是判断出检测对象是否为活体。
本公开实施例提供的活体检测方法、装置、电子设备以及存储介质，旨在解决现有技术的如上技术问题中的至少一个。
本公开提供了一种预训练的活体检测模型，基于该活体检测模型可以本公开提供的活体检测方法。本公开实施例可以获取一系列的图像作为训练集，基于训练集对活体检测模型进行训练。训练集可以包括活体图像和攻击图像，其中，活体图像是指包含的检测对象是活体的图像，攻击图像是指包含的检测对象是非活体的图像。若图像基于拍摄真实的检测对象而获得的，则图像中的检测对象可以被认定为是活体，该图像为活体图像；若图像是基于拍摄非真实的检测对象而获得的，则图像中的检测对象可以被认定为是非活体，该图像为非活体图像。例如，若图像是基于拍摄的检测对象的照片而获得的，则图像中的检测对象可以被认定为是非活体，该图像为非活体图像。其中，照片可能是检测对象的实物照片，也可能是基于电子设备的屏幕所展示的电子照片。
在训练活体检测模型时，将训练集中的各图像输入到活体检测模型，利用活体检测模型检测输入的图像中的检测对象是否为活体，根据检测结果的准确率来调整活体检测模型的参数，当检测结果的准确率达到预设准确率阈值时，结束训练过程。
图1示出了本公开实施例提供的活体检测模型的示例性的结构示意图，如图1所示，活体检测模型包括第一提取层和第二提取层，第一提取层可以用于从待检测图像中提取第一特征图，第二提取层可以用于从待检测图像对应的频域图像中提取第二特征图。
可选地，活体检测模型还可以包括特征拼接层，特征拼接层可以将第一特征图和第二特征图在预设维度上进行拼接，得到拼接特征图。
可选地，将拼接特征图输入到活体检测模型的检测层，利用检测层输出检测对象属于活体的概率，检测层包括全连接层和归一化指数函数层。
图2示出了本公开实施例提供的一种活体检测方法的流程示意图，如图2所示，该方法主要可以包括以下步骤：
S210：获取待检测图像。
在本公开实施例中，待检测图像包括检测对象，其中，检测对象可以是任一种类型的被检测物。例如，检测对象可以是人物、动物、植物、自然景观和建筑物等。
在本公开实施例中，若待检测图像是基于拍摄真实的检测对象而获得的，则待检测图像中的检测对象可以被认定为是活体；若待检测图像是基于拍摄非真实的检测对象而获得的，则待检测图像中的检测对象可以被认定为是非活体。例如，若待检测图像是基于拍摄的检测对象的照片而获得的，则待检测图像中的检测对象可以被认定为是非活体，该照片可能是检测对象的实物照片，也可能是基于电子设备的屏幕所展示的电子照片。
可选地，本公开实施例可以从包含检测对象的原始图像中，识别出检测对象的关键特征区域；在原始图像中分割出包含关键特征区域的有效图像，并将有效图像作为待检测图像，待检测图像的尺寸为关键特征区域的尺寸的预设倍数。
S220：利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图。
在本公开实施例中，待检测图像可以是RGB图像，第一提取层可以是任意一种能够在RGB图像中提取特征的模型，例如，第一提取层可以是以MobileNet(MobileNet V1或MobileNet V2)为主干网络的卷积神经网络模型，当然，第一提取层也可以是其他类型的模型，此处不再列举。
可选地，本公开实施例在利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图之前，可以对对待检测图像中的像素值进行归一化处理，以将待检测图像中每个像素点的像素值调整到预设数值范围内。
可选地，本公开实施例在利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图之前，将待检测图像的尺寸调整为预设尺寸。
S230：获取待检测图像对应的频域图像，利用活体检测模型的第二提取层从频域图像中提取第二特征图。
可以理解，频域图像是RGB图像变换到频域后的函数以图像形式表示出来。本公开实施例可以通过预设的图像转换方式，将待检测图像转换为对应的频域图像。
图像的频率是表征图像中像素点的灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。对图像而言，图像的边缘部分是突变部分，变化较快，因此反应在频域上是高频分量；图像的噪声大部分情况下是高频部分；图像平缓变化部分则为低频分量。在本公开实施例中，将待检测图像转换为频域图像，实际上就是将待检测图像从灰度分布转化到频率分布上来观察图像的特征。
本公开的发明人经研究发现，对基于拍摄非真实的检测对象而获得的待检测图像，其对应的频域图像上会存在较多的高频分量，经进一步研究发现，上述的待检测图像通常是是基于拍摄的检测对象的照片(如检测对象的实物照片或电子照片)而获得的，由于照片上会存在反光，这就会导致待检测图像上的部分像素点的灰度值较大，进而待检测图像对应的频域图像上会存在与灰度值较大的像素点对应的高频分量，通过步骤S230所提取的第二特征图可以包含与该高频分量对应的特征。
在本公开实施例中，第二提取层可以是任意一种能够在频域图像中提取特征的模型。一般来说，频域图像所包含的信息较少，一般可以采用结构比较简单的模型来进行频域图像的特征提取，例如，可以将包含预设数量的卷积层和池化层(如10个卷积层和5个池化层)的神经网络模型，作为进行频域图像的特征提取的模型，当然，第一提取层也可以是其他类型的模型，此处不再列举。
可选地，本公开实施例在获取待检测图像对应的频域图像时，可以对待检测图像进行傅里叶变换，得到待检测图像对应的频域图像。
S240：基于第一特征图和第二特征图确定检测对象的活体检测结果。
本公开实施例综合了RGB形式的待检测图像的特征图和待检测图像对应的频域图像的特征特对活体检测的影响，基于两种特征图对待检测图像中的检测对象进行活体检测。可以理解，活体检测结果可以包括“检测对象是活体”和“检测对象不是活体”，针对每个待检测图像，步骤S240可以输入两种检测结果中的其中一个。
可选地，本公开实施例可以对第一特征图和第二特征图在预设维度上进行拼接，得到拼接特征图；基于拼接特征图确定检测对象的活体检测结果。
本公开实施例提供的活体检测方法，综合考虑了RGB形式的待检测图像的特征图和待检测图像对应的频域图像的特征特对活体检测的影响，基于灰度信息和频域信息这两个维度的信息为依据进行活体检测，可以活体检测方法提升针对通过拍摄检测对象的实物照片所获得的待检测图像的泛化能力，提高活体检测结果的准确性和可靠性。
图3示出了本公开实施例提供的另一种活体检测方法的流程示意图，如图3所示，该方法主要可以包括以下步骤：
S310：从包含检测对象的原始图像中，识别出检测对象的关键特征区域。
本公开实施例中，可以从原始图像获取待检测图像，其中，原始图像可能是拍摄真实的检测对象而获得的图像，也可能是拍摄非真实的检测对象而获得的图像。原始图像的获取途径可以根据实际的应用场景而定，以检测对象是人物为例，在考勤、门禁、安防、金融支付等场景中，需要通过拍摄设备来获取包含人物的人脸区域的图像，该场景中拍摄设备所拍摄的图像即可以被视为包含检测对象的原始图像。
本公开实施例可以基于检测对象的类型，预先定义检测对象的关键特征区域。继续以检测对象是人物为例，人物的关键特征区域可以是人脸区域，因此，步骤S310可以从原始图像中识别出人物的人脸区域。可选地，本公开实施例可以针对检测对象的关键特征区域预先定义多个预设类型的关键点，在识别检测对象的关键特征区域时，可以在包含检测对象的原始图像中，确定出检测对象上的多个预设类型的关键点的位置信息；基于多个预设类型的关键点的位置信息，从原始图像中识别出检测对象的关键特征区域。以多个预设类型的关键点的位置信息来确定关键特征区域，可以提升关键特征区域识别过程的效率和准确度。
以检测对象是人物、关键特征区域是人脸区域为例，可针对人脸区域预先定义多个预设类型的关键点，例如，可以针对人脸区域预先定义72个类型的关键点。在本公开实施例中，可以将原始图像输入到预先训练好的人脸关键点检测模型，通过人脸关键点检测模型确定出多个预设类型的关键点的位置信息，具体来说，可以在原始图像上设置一个坐标系，关键点的位置信息可用坐标来表示，例如，72个关键点的位置信息可以分别表示为(x1,y1)…(x72,y72)。
在确定出检测对象上的多个预设类型的关键点的坐标之后；基于多个坐标从原始图像中识别出人脸区域。以原始图像和待检测图形均为矩形为例，可以将原始图像上的坐标系的原点设置在原始图像的左下顶点上，在所有关键点的坐标值中确定出最小横坐标值xmin、最大横坐标值xmax、最小纵坐标值ymin，最大纵坐标值ymax。将(xmin，ymin)和(xma，ymax)这两个点作为人脸区域的两个对角点，从而确定出人脸区域。
S320：在原始图像中分割出包含关键特征区域的有效图像，并将有效图像作为待检测图像。
在本公开实施例中，可以基于关键特征区域的尺寸确定出有效图像的尺寸，具体来说，待检测图像的尺寸为关键特征区域的尺寸的预设倍数，也就是说，待检测图像的尺寸为关键特征区域的尺寸的预设倍数。以关键特征区域是矩形区域为例，当要求待检测图像的长宽尺寸为关键特征区域的长宽尺寸的3倍时，可以确定过出一个长宽尺寸分别是关键特征区域的长宽尺寸的3倍、且包含该关键特征区域的有效区域，在原始图像中分割出该有效区域作为待检测图像。当待检测图像是基于拍摄的检测对象的照片而获得的时，以对应的尺寸是待检测图像的尺寸的预设倍数的有效图像作为待检测图像，可以确保待检测图像包含更多的反光，有助于后续步骤得到的第二特征图包含更多的高频分量，提升活体识别结果的准确性。
S330：对待检测图像中的像素值进行归一化处理，以将待检测图像中每个像素点的像素值调整到预设数值范围内。
在本公开实施例中，预设数值范围可以根据实际的设计需要而定，例如，可以将待检测图像中每个像素点的像素值调整到0的附近。可选地，可以将待检测图像中每个像素点的像素值减去128之后，再除以256，使每个像素点的像素值在[-0.5,0.5]之间。通过将待检测图像中的像素值进行归一化处理，可以提升后续提取特征图过程的便捷性。
S340：将待检测图像的尺寸调整为预设尺寸。
可以理解，本公开实施例中的预设尺寸可以基于活体检测模型训练过程中所使用的训练集而定，例如，可以将待检测图像的尺寸调整为224x224。调整待检测图像的尺寸的目的是为了与目标检测模型训练过程统一，增强活体检测模型的鲁棒性。
S350：利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图。
在本公开实施例中，步骤S350的描述可以参照上述步骤S220中的描述，此处不再赘述。
S360：对待检测图像进行傅里叶变换，得到待检测图像对应的频域图像。
如前文所述，通过步骤S340将待检测图像的尺寸调整为预设尺寸，在S360中，可以对具有预设尺寸的待检测图像进行傅里叶变换，得到待检测图像对应的频域图像。
通过傅里叶变换得到待检测图像对应的频域图像，可以将待检测图像从灰度分布转化到频率分布上来观察图像的特征。频域图像可以看做待检测图像的梯度的分布图，从频域图像上我们可能会看到的明暗不一的亮点，实际是上待检测图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小。在本公开实施例中，步骤S360的其他描述可以参照上述步骤S230中的描述，此处不再赘述。
S370：利用活体检测模型的第二提取层从频域图像中提取第二特征图。
在本公开实施例中，步骤S360的提取第二特征图的描述可以参照上述步骤S230中对应的描述，此处不再赘述。
S380：对第一特征图和第二特征图在预设维度上进行拼接，得到拼接特征图。
本公开实施例所采用的特征图的拼接方式，可以根据实际的设计需要而定。可选地，活体检测模型包括特征拼接层，可以将第一特征图和第二特征图输入到特征拼接层，通过特征拼接层将第一特征图和第二特征图在预设维度上进行拼接，得到拼接特征图。可选地，特征拼接层可以Concat层，Concat层可以将第一特征图和第二特征图在channel或num维度上进行拼接。
S390：基于拼接特征图确定检测对象的活体检测结果。
本公开实施例综合了RGB形式的待检测图像的特征图和待检测图像对应的频域图像的特征特对活体检测的影响，基于两种特征图得到的拼接特征图对待检测图像中的检测对象进行活体检测。可以理解，活体检测结果可以包括“检测对象是活体”和“检测对象不是活体”，针对每个待检测图像，步骤S240可以输入两种检测结果中的其中一个。
可选地，本公开实施例可以将拼接特征图输入到活体检测模型的检测层，利用检测层输出检测对象属于活体的概率；基于概率和预设的概率阈值，确定检测对象的活体检测结果。其中，检测层可以包括全连接层和归一化指数函数层(Softmax层)。
本公开实施例可以根据实际的设计需要设置一个概率阈值，当检测对象属于活体的概率大于或等于概率阈值时，可以确定活体检测结果为“检测对象是活体”；当检测对象属于活体的概率小于概率阈值时，可以确定活体检测结果为“检测对象不是活体”。
基于与上述的活体检测方法相同的原理，图4示出了本公开实施例提供的一种活体检测装置的结构示意图之一。如图4所示，活体检测装置400包括图像获取模块410、第一特征获取模块420、第二特征获取模块430和检测模块440。
图像获取模块410用于获取待检测图像，待检测图像包括检测对象。
第一特征获取模块420，用于利用预训练的活体检测模型的第一提取层从待检测图像中提取第一特征图。
第二特征获取模块430用于获取待检测图像对应的频域图像，利用活体检测模型的第二提取层从频域图像中提取第二特征图。
检测模块440用于基于第一特征图和第二特征图确定检测对象的活体检测结果。
本公开实施例提供的活体检测装置，综合考虑了RGB形式的待检测图像的特征图和待检测图像对应的频域图像的特征特对活体检测的影响，基于灰度信息和频域信息这两个维度的信息为依据进行活体检测，可以活体检测方法提升针对通过拍摄检测对象的实物照片所获得的待检测图像的泛化能力，提高活体检测结果的准确性和可靠性。
在本公开实施例中，图像获取模块410在用于获取待检测图像时，具体用于：
从包含检测对象的原始图像中，识别出检测对象的关键特征区域；
在原始图像中分割出包含关键特征区域的有效图像，并将有效图像作为待检测图像，待检测图像的尺寸为关键特征区域的尺寸的预设倍数。
在本公开实施例中，图像获取模块410在用于从包含检测对象的原始图像中，识别出检测对象的关键特征区域时，具体用于：
在包含检测对象的原始图像中，确定出检测对象上的多个预设类型的关键点的位置信息；
基于多个预设类型的关键点的位置信息，从原始图像中识别出检测对象的关键特征区域。
在本公开实施例中，第二特征获取模块430在用于获取待检测图像对应的频域图像时，具体用于：
对待检测图像进行傅里叶变换，得到待检测图像对应的频域图像。
在本公开实施例中，检测模块440在用于基于第一特征图和第二特征图确定检测对象的活体检测结果时，具体用于：
对第一特征图和第二特征图在预设维度上进行拼接，得到拼接特征图；
基于拼接特征图确定检测对象的活体检测结果。
在本公开实施例中，检测模块440在用于基于拼接特征图确定检测对象的活体检测结果时，具体用于：
将拼接特征图输入到活体检测模型的检测层，利用检测层输出检测对象属于活体的概率，检测层包括全连接层和归一化指数函数层；
基于概率和预设的概率阈值，确定检测对象的活体检测结果。
图5示出了本公开实施例提供的一种活体检测装置的结构示意图之二，在本公开实施例中，如图5所示，活体检测装置500在包括获取模块510、第一特征获取模块520、第二特征获取模块530和检测模块540和预处理模块550，获取模块510的作用与图4中的获取模块410的作用相同，第一特征获取模块520的作用与图4中的第一特征获取模块420的作用相同，第二特征获取模块530的作用与图4中的第二特征获取模块430的作用相同，检测模块540的作用与图4中的检测模块440的作用相同，此处不再赘述。其中，预处理模块550用于：对待检测图像中的像素值进行归一化处理，以将待检测图像中每个像素点的像素值调整到预设数值范围内；和/或，将待检测图像的尺寸调整为预设尺寸。
可以理解的是，本公开实施例中的活体检测装置的上述各模块具有实现上述的活体检测方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述活体检测装置的各模块的功能描述具体可以参见上述的活体检测方法的对应描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开实施例提供的活体检测方法的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如活体检测方法。例如，在一些实施例中，活体检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的活体检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行活体检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种活体检测方法，包括：
获取待检测图像，所述待检测图像包括检测对象；
利用预训练的活体检测模型的第一提取层从所述待检测图像中提取第一特征图；
获取所述待检测图像对应的频域图像，利用所述活体检测模型的第二提取层从所述频域图像中提取第二特征图；
基于所述第一特征图和所述第二特征图确定所述检测对象的活体检测结果。
2.根据权利要求1所述的方法，其中，所述获取待检测图像，包括：
从包含检测对象的原始图像中，识别出所述检测对象的关键特征区域；
在所述原始图像中分割出包含所述关键特征区域的有效图像，并将所述有效图像作为待检测图像，所述待检测图像的尺寸为所述关键特征区域的尺寸的预设倍数。
3.根据权利要求2所述的方法，其中，所述从包含检测对象的原始图像中，识别出所述检测对象的关键特征区域，包括：
在包含检测对象的原始图像中，确定出所述检测对象上的多个预设类型的关键点的位置信息；
基于所述多个预设类型的关键点的位置信息，从所述原始图像中识别出所述检测对象的关键特征区域。
4.根据权利要求1所述的方法，在所述利用预训练的活体检测模型的第一提取层从所述待检测图像中提取第一特征图之前，还包括：
对所述待检测图像中的像素值进行归一化处理，以将所述待检测图像中每个像素点的像素值调整到预设数值范围内；
和/或，将所述待检测图像的尺寸调整为预设尺寸。
5.根据权利要求1所述的方法，其中，所述获取所述待检测图像对应的频域图像，包括：
对所述待检测图像进行傅里叶变换，得到所述待检测图像对应的频域图像。
6.根据权利要求1至5中任一项所述的方法，其中，所述基于所述第一特征图和所述第二特征图确定所述检测对象的活体检测结果，包括：
对所述第一特征图和所述第二特征图在预设维度上进行拼接，得到拼接特征图；
基于所述拼接特征图确定所述检测对象的活体检测结果。
7.根据权利要求6所述的方法，其中，所述基于所述拼接特征图确定所述检测对象的活体检测结果，包括：
将所述拼接特征图输入到所述活体检测模型的检测层，利用检测层输出所述检测对象属于活体的概率，所述检测层包括全连接层和归一化指数函数层；
基于所述概率和预设的概率阈值，确定所述检测对象的活体检测结果。
8.一种活体检测装置，包括：
图像获取模块，用于获取待检测图像，所述待检测图像包括检测对象；
第一特征获取模块，用于利用预训练的活体检测模型的第一提取层从所述待检测图像中提取第一特征图；
第二特征获取模块，用于获取所述待检测图像对应的频域图像，利用所述活体检测模型的第二提取层从所述频域图像中提取第二特征图；
检测模块，用于基于所述第一特征图和所述第二特征图确定所述检测对象的活体检测结果。
9.根据权利要求8所述的装置，其中，所述图像获取模块在用于获取待检测图像时，具体用于：
从包含检测对象的原始图像中，识别出所述检测对象的关键特征区域；
在所述原始图像中分割出包含所述关键特征区域的有效图像，并将所述有效图像作为待检测图像，所述待检测图像的尺寸为所述关键特征区域的尺寸的预设倍数。
10.根据权利要求9所述的装置，其中，所述图像获取模块在用于从包含检测对象的原始图像中，识别出所述检测对象的关键特征区域时，具体用于：
在包含检测对象的原始图像中，确定出所述检测对象上的多个预设类型的关键点的位置信息；
基于所述多个预设类型的关键点的位置信息，从所述原始图像中识别出所述检测对象的关键特征区域。
11.根据权利要求8所述的装置，还包括预处理模块，所述预处理模块用于：
在所述利用预训练的活体检测模型的第一提取层从所述待检测图像中提取第一特征图之前，还包括：
对所述待检测图像中的像素值进行归一化处理，以将所述待检测图像中每个像素点的像素值调整到预设数值范围内；
和/或，将所述待检测图像的尺寸调整为预设尺寸。
12.根据权利要求8所述的装置，其中，所述第二特征获取模块在用于获取所述待检测图像对应的频域图像时，具体用于：
对所述待检测图像进行傅里叶变换，得到所述待检测图像对应的频域图像。
13.根据权利要求8至12中任一项所述的装置，其中，所述检测模块在用于基于所述第一特征图和所述第二特征图确定所述检测对象的活体检测结果时，具体用于：
对所述第一特征图和所述第二特征图在预设维度上进行拼接，得到拼接特征图；
基于所述拼接特征图确定所述检测对象的活体检测结果。
14.根据权利要求13所述的装置，其中，所述检测模块在用于基于所述拼接特征图确定所述检测对象的活体检测结果时，具体用于：
将所述拼接特征图输入到所述活体检测模型的检测层，利用检测层输出所述检测对象属于活体的概率，所述检测层包括全连接层和归一化指数函数层；
基于所述概率和预设的概率阈值，确定所述检测对象的活体检测结果。
15.一种电子设备，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权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202110838104.XA 2021-07-23 2021-07-23 活体检测方法、装置、电子设备以及存储介质 Pending CN113569707A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110838104.XA CN113569707A (zh) 2021-07-23 2021-07-23 活体检测方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110838104.XA CN113569707A (zh) 2021-07-23 2021-07-23 活体检测方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN113569707A true CN113569707A (zh) 2021-10-29

Family

ID=78166864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110838104.XA Pending CN113569707A (zh) 2021-07-23 2021-07-23 活体检测方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113569707A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933294A (zh) * 2021-11-08 2022-01-14 中国联合网络通信集团有限公司 浓度检测方法及装置
CN114202806A (zh) * 2021-11-26 2022-03-18 北京百度网讯科技有限公司 活体检测方法、装置、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3364343A1 (en) * 2017-02-17 2018-08-22 Cogisen SRL Method for image processing for object detection
CN109344716A (zh) * 2018-08-31 2019-02-15 深圳前海达闼云端智能科技有限公司 活体检测模型的训练方法、检测方法、装置、介质及设备
CN111666901A (zh) * 2020-06-09 2020-09-15 创新奇智(北京)科技有限公司 一种活体人脸检测方法、装置、电子设备及存储介质
CN111814682A (zh) * 2020-07-09 2020-10-23 泰康保险集团股份有限公司 人脸活体检测方法及装置
CN112464690A (zh) * 2019-09-06 2021-03-09 广州虎牙科技有限公司 活体识别方法、装置、电子设备及可读存储介质
CN112801057A (zh) * 2021-04-02 2021-05-14 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN113033465A (zh) * 2021-04-13 2021-06-25 北京百度网讯科技有限公司 活体检测模型训练方法、装置、设备以及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3364343A1 (en) * 2017-02-17 2018-08-22 Cogisen SRL Method for image processing for object detection
CN109344716A (zh) * 2018-08-31 2019-02-15 深圳前海达闼云端智能科技有限公司 活体检测模型的训练方法、检测方法、装置、介质及设备
CN112464690A (zh) * 2019-09-06 2021-03-09 广州虎牙科技有限公司 活体识别方法、装置、电子设备及可读存储介质
CN111666901A (zh) * 2020-06-09 2020-09-15 创新奇智(北京)科技有限公司 一种活体人脸检测方法、装置、电子设备及存储介质
CN111814682A (zh) * 2020-07-09 2020-10-23 泰康保险集团股份有限公司 人脸活体检测方法及装置
CN112801057A (zh) * 2021-04-02 2021-05-14 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN113033465A (zh) * 2021-04-13 2021-06-25 北京百度网讯科技有限公司 活体检测模型训练方法、装置、设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
袁海聪;李松斌;邓浩江;: "一种基于多特征融合的二维人脸欺诈检测方法", 计算机应用与软件, no. 02 *
马思源;郑涵;郭文;: "应用深度光学应变特征图的人脸活体检测", 中国图象图形学报, no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113933294A (zh) * 2021-11-08 2022-01-14 中国联合网络通信集团有限公司 浓度检测方法及装置
CN114202806A (zh) * 2021-11-26 2022-03-18 北京百度网讯科技有限公司 活体检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN113033465B (zh) 活体检测模型训练方法、装置、设备以及存储介质
CN113343826B (zh) 人脸活体检测模型的训练方法、人脸活体检测方法及装置
CN112949767B (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN113971751A (zh) 训练特征提取模型、检测相似图像的方法和装置
CN112989995B (zh) 文本检测方法、装置及电子设备
CN113221771A (zh) 活体人脸识别方法、装置、设备、存储介质及程序产品
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
CN113569707A (zh) 活体检测方法、装置、电子设备以及存储介质
CN112507897A (zh) 跨模态人脸识别方法、装置、设备及存储介质
CN113705361A (zh) 活体检测模型的方法、装置及电子设备
CN116403083A (zh) 图像的处理方法、装置、电子设备及存储介质
CN111814682A (zh) 人脸活体检测方法及装置
CN114140320B (zh) 图像迁移方法和图像迁移模型的训练方法、装置
CN113920023B (zh) 图像处理方法及装置、计算机可读介质和电子设备
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN113869253A (zh) 活体检测方法、训练方法、装置、电子设备及介质
CN116863521A (zh) 人脸活体检测方法、模型训练方法、装置、设备、介质
CN115116111B (zh) 抗扰动人脸活体检测模型训练方法、装置及电子设备
CN117079150A (zh) 基于图像分割的海洋锋检测方法和装置
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN116052288A (zh) 活体检测模型训练方法、活体检测方法、装置和电子设备
CN113657364B (zh) 用于识别文字标志的方法、装置、设备以及存储介质
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN115019057A (zh) 图像特征提取模型确定方法及装置、图像识别方法及装置
CN114067394A (zh) 人脸活体检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination