CN113920590A - 活体检测方法、装置、设备及可读存储介质 - Google Patents

活体检测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113920590A
CN113920590A CN202111261091.0A CN202111261091A CN113920590A CN 113920590 A CN113920590 A CN 113920590A CN 202111261091 A CN202111261091 A CN 202111261091A CN 113920590 A CN113920590 A CN 113920590A
Authority
CN
China
Prior art keywords
detected
living body
user
body detection
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.)
Pending
Application number
CN202111261091.0A
Other languages
English (en)
Inventor
郑松辉
周军
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 Bank Co Ltd
Original Assignee
Ping An Bank 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 Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202111261091.0A priority Critical patent/CN113920590A/zh
Publication of CN113920590A publication Critical patent/CN113920590A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

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

本发明涉及人工智能领域，揭露一种活体检测方法，包括：获取待检测用户的待检测信息，对待检测信息进行特征提取，得到待检测用户特征；将待检测用户特征输入至预构建活体检测森林，得到待检测用户特征的活体风险概率；根据活体风险概率生成待检测用户特征的活体检测结果。本发明还涉及一种区块链技术，活体检测结果可以存储在区块链节点中。本发明还提出一种活体检测装置、设备以及介质。本发明可以提高活体检测的准确性。

Description

活体检测方法、装置、设备及可读存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种活体检测方法、装置、电子设备及可读存储介质。
背景技术
活体检测是指采用面部关键特征定位和面部跟踪等技术，对实时采集的图片或视频进行真人活体校验(即检验图片或视频中的人物是否为真人)的方法。
目前常用的活体检测技术为静默活体检测技术，然而，现有技术中，在采集到待识别图像，并对待识别图像进行静默活体检测时，通常需要根据伪造人脸的类别设计具体的特征，并对于一些高清哑光的照片难以抵御，也难以防止眼部、嘴部挖洞的面具攻击，使用范围窄，在活体检测时无法准确识别用户是否存在异常，进而使得正常用户被拦截或异常用户被放行的情况出现，导致活体检测的准确性较低。
发明内容
本发明提供一种活体检测方法、装置、电子设备及计算机介质，其主要目的是为了提高活体检测的准确性。
为实现上述目的，本发明提供的一种活体检测方法，包括：
获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征；
将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率；
根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
可选地，所述对所述待检测信息进行特征提取，得到待检测用户特征，包括：
将所述待检测信息中的数据拆分为多个维度数据；
计算每个所述维度数据在所述待检测信息中的权重，将所述权重大于预设阈值的维度数据作为所述待检测信息的特征，将得到的所有所述待检测信息的特征组合为待检测用户特征。
可选地，所述预构建活体检测森林包括多个活体检测树，所述活体检测树的训练过程如下：
获取预设训练数据集中的历史特征，根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点；
根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类，得到多个叶子节点；
利用所述活体检测树中的激活函数计算每个所述叶子节点的基尼系数；
判断所述基尼系数是否满足预设条件；
若所述基尼系数不满足预设条件，调整所述活体检测树的参数，并返回执行根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类的步骤；
若所述基尼系数满足预设条件，则得到训练完成的活体检测树。
可选地，所述根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点，包括：
利用所述决策层中的决策算法计算所述训练数据集中多个历史特征的信息增益值；
将所述信息增益值最高的历史特征作为所述根节点。
可选地，所述将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率，包括：
利用预构建活体检测森林中多个活体检测树计算所述待检测用户特征的多个风险概率；
计算多个所述风险概率的平均风险概率，将所述平均风险概率作为所述待检测用户特征的活体风险概率。
可选地，所述根据所述活体风险概率生成所述待检测用户特征的活体检测结果之后，所述方法还包括：
将所述待检测用户特征的活体风险概率与预设误识率进行比较，根据比较结果确定所述待检测用户特征所属的风险等级；
根据所述风险等级及所述检测结果得到所述待检测用户特征对应的门禁通行结果。
可选地，所述获取待检测用户的待检测信息，包括：
获取待检测用户的人脸图像，对所述人脸图像进行数字化处理，得到数字图片；
对所述数字图片进行直方图均衡操作，得到均衡图片；
对所述均衡图片进行锐化平滑操作，得到增强图片；
对所述增强图片进行归一化操作，得到待检测用户的待检测信息。
为了解决上述问题，本发明还提供一种活体检测装置，所述装置包括：
检测信息特征提取模块，用于获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征；
活体风险概率检测模块，用于将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率；
活体检测结果获取模块，用于根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
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，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的活体检测方法。
为了解决上述问题，本发明还提供一种计算机介质，所述计算机介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的活体检测方法。
本发明实施例中，通过利用预构建活体检测森林检测出待检测用户特征的活体风险概率，根据所述活体风险概率生成所述待检测用户特征的活体检测结果，由于预构建活体检测森林中包括了多颗检测树，且活体检测森林汇集了所有检测树提取的特征，使得活体检测森林在对用户特征进行活体检测时，可以得到较为准确的结果，从而可以智能自动化的识别出风险概率较高的用户，提高活体检测的准确性。因此本发明实施例提出的活体检测方法、装置、电子设备及可存储介质可以提高活体检测的准确性。
附图说明
图1为本发明一实施例提供的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活体检测装置的模块示意图；
图3为本发明一实施例提供的实现活体检测方法的电子设备的内部结构示意图；
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。
本发明实施例提供一种活体检测方法。所述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所示的本发明一实施例提供的活体检测方法的流程示意图，在本发明实施例中，所述活体检测方法包括：
S1、获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征。
本发明实施例中，所述待检测信息是指待检测用户准备进出目标封闭区域时扫描的待检测用户人脸图像，得到的包括但不限于待检测用户的年龄、性别、教育情况、工作时长、工作领域等信息。
本发明实施例中，通过对所述待检测信息进行特征提取，以减少所述待检测信息中的数据量，提高后续数据处理的速度。
详细地，所述对所述待检测信息进行特征提取，得到待检测用户特征，包括：
将所述待检测信息中的数据拆分为多个维度数据；
计算每个所述维度数据在所述待检测信息中的权重，将所述权重大于预设阈值的维度数据作为所述待检测信息的特征，将得到的所有所述待检测信息的特征组合为待检测用户特征。
其中，将待检测信息中的数据拆分为多个维度数据，具体是将所述待检测信息中的数据进行类别划分的过程。比如，所述对用户A进行数据拆分后可以得到用户A的年龄、性别、教育情况、工作领域及工作时长等多个维度数据。
所述维度数据在所述待检测信息中的权重可以通过熵值法计算，即通过熵值法判断每个所述维度数据在所述待检测信中的离散程度，若所述离散程度越大，则表示所述维度数据在所述待检测信息中的权重越大。
进一步地，为提高待检测用户特征的隐私性和安全性，待检测用户特征还可存储于数据库或区块链节点中。
本发明实施例中，接收所述待检测信息之前，首先对所述人脸图像进行预处理,可以避免由于采集环境的不同(如光照明暗程度及设备性能的优劣等)，造成的存在灰度、噪点及对比度不够等缺点，并增强图片中的轮廓信息，突出图片的细节变化，得到特征更加清晰的人脸图像。
详细地，所述获取待检测用户的待检测信息，包括：
获取待检测用户的人脸图像，对所述人脸图像进行数字化处理，得到数字图片；
对所述数字图片进行直方图均衡操作，得到均衡图片；
对所述均衡图片进行锐化平滑操作，得到增强图片；
对所述增强图片进行归一化操作，得到待检测用户的待检测信息。
本发明一实施例中，所述待检测用户的人脸图像可以通过预设摄像头对待检测用户进行图像采集。
本发明实施例中，所述活体检测森林的作用是根据采集用户的人脸面部特征，进而判断所述用户的人脸是否为真实人脸防止活体攻击。
进一步地，所述预构建活体检测森林包括多个活体检测树，所述活体检测树的训练过程如下：
获取预设训练数据集中的历史特征，根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点；
根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类，得到多个叶子节点；
利用所述活体检测树中的激活函数计算每个所述叶子节点的基尼系数；
判断所述基尼系数是否满足预设条件；
若所述基尼系数不满足预设条件，调整所述活体检测树的参数，并返回执行根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类的步骤；
若所述基尼系数满足预设条件，则得到训练完成的活体检测树。本发明实施例中，可以通过以下操作得到训练数据集。
获取多个用户的历史信息，对所述历史信息进行特征提取，得到历史特征集；
从所述历史特征集中随机选取预设数量的特征组成训练数据集。
本发明一实施例中，多个用户的历史信息包括但不限于多个用户的年龄、性别、教育情况、工作时长、工作领域等信息。
本发明实施例中，可以从所述历史特征集中随机选取预设数量的特征作为后续模型训练的训练数据。
本发明实施例中，所述基尼系数可以通过下述公式得到：
Figure BDA0003325534720000061
其中，所述G为基尼系数，所述k为每个活体检测树中参数类别的数量，所述P为第i类参数数量占总参数数量的比例。
本实施例中，基尼系数用于评价所述活体检测树输出的用户特征是否完整，以及评价每个叶子节点的特征是否为最优特征，因此，所述预设条件可以设置为所述基尼系数是否小于预设的活体检测树深度。具体的，若所述基尼系数不小于所述活体检测树深度，则表示所述基尼系数不满足预设条件，若所述基尼系数小于所述活体检测树深度，则表示所述基尼系数满足预设条件。
经过反复实验和计算，优选的，活体检测树深度可以设置为Depth＝20，当深度为20所述活体检测树输出的用户特征最完整，若深度过大会使得计算复杂度增加，计算速度减慢导致效率降低。
进一步地，所述根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点，包括：
利用所述决策层中的决策算法计算所述训练数据集中多个历史特征的信息增益值；
将所述信息增益值最高的历史特征作为所述根节点。
具体地，所述决策算法包括：
Figure BDA0003325534720000071
其中，Ci表示历史特征的信息增益值，Ei表示历史特征中第i个特征的特征向量期望，
Figure BDA0003325534720000072
表示历史特征中第i个特征的特征期望的特征向量协方差，trace()表示空间滤波函数。本发明实施例中，所述信息增益值是特征选择的一个重要指标，所述信息增益值越大，说明该特征越重要，且该特征携带的信息越多。
S2、将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率。
本发明实施例中，所述活体风险概率是指待检测用户特征为真实人脸的的平均风险概率。
详细地，所述将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率，包括：
利用预构建活体检测森林中多个活体检测树计算所述待检测用户特征的多个风险概率；
计算多个所述风险概率的平均风险概率，将所述平均风险概率作为所述待检测用户特征的活体风险概率。
本发明实施例中，若所述活体检测森林中有4棵活体检测树，将所述待检测用户特征分别输入至4棵活体检测树中，得到所述待检测用户特征的4个风险概率分别为：0.60、0.68、0.64、0.58，计算4个风险概率的平均风险概率为：(0.60+0.68+0.64+0.58)/4＝0.62。
S3、根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
本发明实施例中，所述活体检测结果是指待检测用户是否为真实的人脸。具体的，可以根据活体风险概率与预设风险概率进行对比，根据对比结果判断待检测用户是否为真实人脸。
例如，根据所述活体风险概率生成所述待检测用户特征的活体检测结果，即将所述活体风险概率大于等于预设风险概率的待检测用户的检测结果确定为真实人脸；将所述活体风险概率小于预设风险概率的待检测用户的检测结果确定为虚假人脸，其中，所述预设风险概率可以为0.65。
进一步地，所述根据所述活体风险概率生成所述待检测用户特征的活体检测结果之后，所述方法还包括：
将所述待检测用户特征的活体风险概率与预设误识率进行比较，根据比较结果确定所述待检测用户特征所属的风险等级；
根据所述风险等级及所述检测结果得到所述待检测用户特征对应的门禁通行结果。
本发明实施例中，所述误识率是指将图片中用户的眨眼、张嘴、摇头及点头等操作误识为指定人员的概率，例如，将用户A错误识别为用户B的概率，所述预设误识率可以利用所述ROC曲线设置，其中，所述ROC曲线包括横坐标和纵坐标，所述横坐标代表的是特异度，该指标越低就代表误判率越低；所述纵坐标代表的是灵敏度，该指标越高代表诊断的准确率越高，所以总的来看越是靠近ROC曲线的左上角的点，其诊断效果越好。
所述ROC曲线上最靠近左上角的ROC曲线上的点其灵敏度和特异度之和最大，这个点或是其邻近点常被称为诊断参考值，这些点被称为最佳临界点，点上的值被称为最佳临界值。
本发明实施例中，所述最佳临界值可以分别对应四个风险等级(即正常等级、低风险等级、中风险等级及高风险等级)，所述最佳临界值对应的误识率分别为0.69(正常等级)、0.75(低风险等级)、0.8(中风险等级)、0.88(高风险等级)。
具体的，在识别到待检测用户为真实人脸时，若待检测用户的活体风险概率为0.56，低于预设误识率0.69，则确定待检测用户为正常等级，门禁通行结果为正常放行；在识别到待检测用户为真实人脸时，若待检测用户的活体风险概率为0.71，低于预设误识率0.75，则确定待检测用户为低风险等级，且识别待检测用户为真实人脸时门禁通行结果为正常放行，并在待检测用户进入目标区域时对待检测用户进行实时标记及轨迹追踪；在识别到待检测用户为虚假人脸时，直接确定待检测用户风险等级为中高风险等级，进一步的，还可以将用户推送给标注人员进行事后筛查记录，可以在识别待检测用户的面部特征时，提醒用户是虚假人脸或是冒充人脸，进而进行预警拦截，提高抗活体攻击的能力。
本发明实施例中，通过利用预构建活体检测森林检测出待检测用户特征的活体风险概率，根据所述活体风险概率生成所述待检测用户特征的活体检测结果，由于预构建活体检测森林中包括了多颗检测树，且活体检测森林汇集了所有检测树提取的特征，使得活体检测森林在对用户特征进行活体检测时，可以得到较为准确的结果，从而可以智能自动化的识别出风险概率较高的用户，提高活体检测的准确性。因此本发明实施例提出的活体检测方法可以提高活体检测的准确性。
如图2所示，是本发明活体检测装置的功能模块图。
本发明所述活体检测装置100可以安装于电子设备中。根据实现的功能，所述活体检测装置可以包括检测信息特征提取模块101、活体风险概率检测模块102、活体检测结果获取模块103，本发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：
所述检测信息特征提取模块101，用于获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征。
本发明实施例中，所述待检测信息是指待检测用户准备进出目标封闭区域时扫描的待检测用户人脸图像，得到包括但不限于待检测用户的年龄、性别、教育情况、工作时长、工作领域等信息。
本发明实施例中，通过对所述待检测信息进行特征提取，以减少所述待检测信息中的数据量，提高后续数据处理的速度。
详细地，所述检测信息特征提取模块101通过执行下述操作对所述待检测信息进行特征提取，得到待检测用户特征，包括：
将所述待检测信息中的数据拆分为多个维度数据；
计算每个所述维度数据在所述待检测信息中的权重，将所述权重大于预设阈值的维度数据作为所述待检测信息的特征，将得到的所有所述待检测信息的特征组合为待检测用户特征。
其中，将待检测信息中的数据拆分为多个维度数据，具体是将所述待检测信息中的数据进行类别划分的过程。比如，所述对用户A进行数据拆分后可以得到用户A的年龄、性别、教育情况、工作领域及工作时长等多个维度数据。
所述维度数据在所述待检测信息中的权重可以通过熵值法计算，即通过熵值法判断每个所述维度数据在所述待检测信中的离散程度，若所述离散程度越大，则表示所述维度数据在所述待检测信息中的权重越大。
进一步地，为提高待检测用户特征的隐私性和安全性，待检测用户特征还可存储于数据库或区块链节点中。
本发明实施例中，接收所述待检测信息之前，首先对所述人脸图像进行预处理,可以避免由于采集环境的不同(如光照明暗程度及设备性能的优劣等)，造成的存在灰度、噪点及对比度不够等缺点，并增强图片中的轮廓信息，突出图片的细节变化，得到特征更加清晰的人脸图像。
详细地，所述获取待检测用户的待检测信息，包括：
获取待检测用户的人脸图像，对所述人脸图像进行数字化处理，得到数字图片；
对所述数字图片进行直方图均衡操作，得到均衡图片；
对所述均衡图片进行锐化平滑操作，得到增强图片；
对所述增强图片进行归一化操作，得到待检测用户的待检测信息。
本发明一实施例中，所述待检测用户的人脸图像可以通过预设摄像头对待检测用户进行图像采集。本发明实施例中，所述活体检测森林的作用是根据采集用户的人脸面部特征，进而判断所述用户的人脸是否为真实人脸防止活体攻击。
进一步地，所述预构建活体检测森林包括多个活体检测树，所述活体检测树的训练过程如下：
获取预设训练数据集中的历史特征，根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点；
根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类，得到多个叶子节点；
利用所述活体检测树中的激活函数计算每个所述叶子节点的基尼系数；
判断所述基尼系数是否满足预设条件；
若所述基尼系数不满足预设条件，调整所述活体检测树的参数，并返回执行根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类的步骤；
若所述基尼系数满足预设条件，则得到训练完成的活体检测树。
本发明实施例中，可以通过以下操作得到训练数据集。
获取多个用户的历史信息，对所述历史信息进行特征提取，得到历史特征集；
从所述历史特征集中随机选取预设数量的特征组成训练数据集。
本发明一实施例中，多个用户的历史信息包括但不限于多个用户的年龄、性别、教育情况、工作时长、工作领域等信息。
本发明实施例中，可以从所述历史特征集中随机选取预设数量的特征作为后续模型训练的训练数据。
本发明实施例中，所述基尼系数可以通过下述公式得到：
Figure BDA0003325534720000111
其中，所述G为基尼系数，所述k为每个活体检测树中参数类别的数量，所述P为第i类参数数量占总参数数量的比例。
本实施例中，基尼系数用于评价所述活体检测树输出的用户特征是否完整，以及评价每个叶子节点的特征是否为最优特征，因此，所述预设条件可以设置为所述基尼系数是否小于预设的活体检测树深度。具体的，若所述基尼系数不小于所述活体检测树深度，则表示所述基尼系数不满足预设条件，若所述基尼系数小于所述活体检测树深度，则表示所述基尼系数满足预设条件。
经过反复实验和计算，优选的，活体检测树深度可以设置为Depth＝20，当深度为20所述活体检测树输出的用户特征最完整，若深度过大会使得计算复杂度增加，计算速度减慢导致效率降低。
进一步地，所述根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点，包括：
利用所述决策层中的决策算法计算所述训练数据集中多个历史特征的信息增益值；
将所述信息增益值最高的历史特征作为所述根节点。
具体地，所述决策算法包括：
Figure BDA0003325534720000121
其中，Ci表示历史特征的信息增益值，Ei表示历史特征中第i个特征的特征向量期望，
Figure BDA0003325534720000122
表示历史特征中第i个特征的特征期望的特征向量协方差，trace()表示空间滤波函数。本发明实施例中，所述信息增益值是特征选择的一个重要指标，所述信息增益值越大，说明该特征越重要，且该特征携带的信息越多。
所述活体风险概率检测102，用于将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率。
本发明实施例中，所述活体风险概率是指待检测用户特征为真实人脸的的平均风险概率。
详细地，所述活体风险概率检测102通过执行下述操作将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率，包括：
利用预构建活体检测森林中多个活体检测树计算所述待检测用户特征的多个风险概率；
计算多个所述风险概率的平均风险概率，将所述平均风险概率作为所述待检测用户特征的活体风险概率。
本发明实施例中，若所述活体检测森林中有4棵活体检测树，将所述待检测用户特征分别输入至4棵活体检测树中，得到所述待检测用户特征的4个风险概率分别为：0.60、0.68、0.64、0.58，计算4个风险概率的平均风险概率为：(0.60+0.68+0.64+0.58)/4＝0.62。
所述活体检测结果获取模块103，用于根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
本发明实施例中，所述活体检测结果是指待检测用户是否为真实的人脸。具体的，可以根据活体风险概率与预设风险概率进行对比，根据对比结果判断待检测用户是否为真实人脸。
例如，根据所述活体风险概率生成所述待检测用户特征的活体检测结果，即将所述活体风险概率大于等于预设风险概率的待检测用户的检测结果确定为真实人脸；将所述活体风险概率小于预设风险概率的待检测用户的检测结果确定为虚假人脸，其中，所述预设风险概率可以为0.65。
进一步地，所述活体检测结果获取模块还用于：
根据所述活体风险概率生成所述待检测用户特征的活体检测结果之后，将所述待检测用户特征的活体风险概率与预设误识率进行比较，根据比较结果确定所述待检测用户特征所属的风险等级；
根据所述风险等级及所述检测结果得到所述待检测用户特征对应的门禁通行结果。
本发明实施例中，所述误识率是指将图片中用户的眨眼、张嘴、摇头及点头等操作误识为为指定人员的概率，例如，将用户A错误识别为用户B的概率，所述预设误识率可以利用所述ROC曲线设置，其中，所述ROC曲线包括横坐标和纵坐标，所述横坐标代表的是特异度，该指标越低就代表误判率越低；所述纵坐标代表的是灵敏度，该指标越高代表诊断的准确率越高，所以总的来看越是靠近ROC曲线的左上角的点，其诊断效果越好。
所述ROC曲线上最靠近左上角的ROC曲线上的点其灵敏度和特异度之和最大，这个点或是其邻近点常被称为诊断参考值，这些点被称为最佳临界点，点上的值被称为最佳临界值。
本发明实施例中，所述最佳临界值可以分别对应四个风险等级(即正常等级、低风险等级、中风险等级及高风险等级)，所述最佳临界值对应的误识率分别为0.69(正常等级)、0.75(低风险等级)、0.8(中风险等级)、0.88(高风险等级)。
具体的，在识别到待检测用户为真实人脸时，若待检测用户的活体风险概率为0.56，低于预设误识率0.69，则确定待检测用户为正常等级，门禁通行结果为正常放行；在识别到待检测用户为真实人脸时，若待检测用户的活体风险概率为0.71，低于预设误识率0.75，则确定待检测用户为低风险等级，且识别待检测用户为真实人脸时门禁通行结果为正常放行，并在待检测用户进入目标区域时对待检测用户进行实时标记及轨迹追踪；在识别到待检测用户为虚假人脸时，直接确定待检测用户风险等级为中高风险等级，进一步的，还可以将用户推送给标注人员进行事后筛查记录，可以在识别待检测用户的面部特征时，提醒用户是虚假人脸或是冒充人脸，进而进行预警拦截，提高抗活体攻击的能力。
本发明实施例中，通过利用预构建活体检测森林检测出待检测用户特征的活体风险概率，根据所述活体风险概率生成所述待检测用户特征的活体检测结果，由于预构建活体检测森林中包括了多颗检测树，且活体检测森林汇集了所有检测树提取的特征，使得活体检测森林在对用户特征进行活体检测时，可以得到较为准确的结果，从而可以智能自动化的识别出风险概率较高的用户，提高活体检测的准确性。因此本发明实施例提出的活体检测装置可以提高活体检测的准确性。
如图3所示，是本发明实现活体检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，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，如活体检测程序。
其中，所述存储器11至少包括一种类型的介质，所述介质包括闪存、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、本地磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，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的应用软件及各类数据，例如活体检测程序的代码等，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，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，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。所述通信总线12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。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
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。
可选地，所述通信接口13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与其他电子设备之间建立通信连接。
可选地，所述通信接口13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。
所述电子设备中的所述存储器11存储的活体检测程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征；
将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率；
根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
具体地，所述处理器10对上述计算机程序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取介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携待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)。
本发明实施例还可以提供一种计算机介质，所述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：
获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征；
将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率；
根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
进一步地，所述计算机可用介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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)

1.一种活体检测方法，其特征在于，所述方法包括：
获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征；
将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率；
根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
2.如权利要求1所述的活体检测方法，其特征在于，所述对所述待检测信息进行特征提取，得到待检测用户特征，包括：
将所述待检测信息中的数据拆分为多个维度数据；
计算每个所述维度数据在所述待检测信息中的权重，将所述权重大于预设阈值的维度数据作为所述待检测信息的特征，将得到的所有所述待检测信息的特征组合为待检测用户特征。
3.如权利要求1所述的活体检测方法，其特征在于，所述预构建活体检测森林包括多个活体检测树，所述活体检测树的训练过程如下：
获取预设训练数据集中的历史特征，根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点；
根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类，得到多个叶子节点；
利用所述活体检测树中的激活函数计算每个所述叶子节点的基尼系数；
判断所述基尼系数是否满足预设条件；
若所述基尼系数不满足预设条件，调整所述活体检测树的参数，并返回执行根据所述根节点，利用所述活体检测树中分类层对所述训练数据集中剩余历史特征进行分类的步骤；
若所述基尼系数满足预设条件，则得到训练完成的活体检测树。
4.如权利要求3所述的活体检测方法，其特征在于，所述根据预设训练数据集中的历史特征，利用所述预构建的活体检测树中的决策层从所述历史特征中选取根节点，包括：
利用所述决策层中的决策算法计算所述训练数据集中多个历史特征的信息增益值；
将所述信息增益值最高的历史特征作为所述根节点。
5.如权利要求1所述的活体检测方法，其特征在于，所述将所述待检测用户特征输入至预构建活体检测森林，得到所述待检测用户特征的活体风险概率，包括：
利用预构建活体检测森林中多个活体检测树计算所述待检测用户特征的多个风险概率；
计算多个所述风险概率的平均风险概率，将所述平均风险概率作为所述待检测用户特征的活体风险概率。
6.如权利要求1所述的活体检测方法，其特征在于，所述根据所述活体风险概率生成所述待检测用户特征的活体检测结果之后，所述方法还包括：
将所述待检测用户特征的活体风险概率与预设误识率进行比较，根据比较结果确定所述待检测用户特征所属的风险等级；
根据所述风险等级及所述检测结果得到所述待检测用户特征对应的门禁通行结果。
7.如权利要求1所述的活体检测方法，其特征在于，所述获取待检测用户的待检测信息，包括：
获取待检测用户的人脸图像，对所述人脸图像进行数字化处理，得到数字图片；
对所述数字图片进行直方图均衡操作，得到均衡图片；
对所述均衡图片进行锐化平滑操作，得到增强图片；
对所述增强图片进行归一化操作，得到待检测用户的待检测信息。
8.一种活体检测装置，其特征在于，所述装置包括：
检测信息特征提取模块，用于获取待检测用户的待检测信息，对所述待检测信息进行特征提取，得到待检测用户特征；
活体风险概率检测模块，用于将所述待检测用户特征输入至所述活体检测森林，得到所述待检测用户特征的活体风险概率；
活体检测结果获取模块，用于根据所述活体风险概率生成所述待检测用户特征的活体检测结果。
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计算机程序指令，所述计算机程序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中任一项所述的活体检测方法。
10.一种计算机介质，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中任一项所述的活体检测方法。
CN202111261091.0A 2021-10-28 2021-10-28 活体检测方法、装置、设备及可读存储介质 Pending CN113920590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111261091.0A CN113920590A (zh) 2021-10-28 2021-10-28 活体检测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111261091.0A CN113920590A (zh) 2021-10-28 2021-10-28 活体检测方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN113920590A true CN113920590A (zh) 2022-01-11

Family

ID=79243186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111261091.0A Pending CN113920590A (zh) 2021-10-28 2021-10-28 活体检测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113920590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071835A (zh) * 2023-04-07 2023-05-05 平安银行股份有限公司 人脸识别攻击事后筛查的方法、装置和电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071835A (zh) * 2023-04-07 2023-05-05 平安银行股份有限公司 人脸识别攻击事后筛查的方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN112395978B (zh) 行为检测方法、装置及计算机可读存储介质
WO2022213465A1 (zh) 基于神经网络的图像识别方法、装置、电子设备及介质
CN112507922B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN111785384A (zh) 基于人工智能的异常数据识别方法及相关设备
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN111651440A (zh) 用户信息判别方法、装置及计算机可读存储介质
WO2021114633A1 (zh) 一种图像可信度的确定方法、装置及电子设备、存储介质
CN113705469B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112581227A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN115034315B (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
CN116681923A (zh) 一种基于人工智能的眼科疾病自动分类方法及系统
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
CN112634017A (zh) 远程开卡激活方法、装置、电子设备及计算机存储介质
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN113920590A (zh) 活体检测方法、装置、设备及可读存储介质
CN112906671B (zh) 面审虚假图片识别方法、装置、电子设备及存储介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN113792672A (zh) 公共场所健康码获取方法、装置、设备及介质
CN112329666A (zh) 人脸识别方法、装置、电子设备及存储介质
CN111583215A (zh) 损伤图像智能定损方法、装置、电子设备及存储介质
CN114662095B (zh) 基于操作数据的安全监测方法、装置、设备及存储介质
CN114202768B (zh) 保单理赔风险评估方法、装置、电子设备及存储介质
CN114463685B (zh) 行为识别方法、装置、电子设备及存储介质
CN115760438A (zh) 数字化动态核保系统、方法、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