CN114202805A - 活体检测方法、装置、电子设备及存储介质 - Google Patents
活体检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114202805A CN114202805A CN202111404822.2A CN202111404822A CN114202805A CN 114202805 A CN114202805 A CN 114202805A CN 202111404822 A CN202111404822 A CN 202111404822A CN 114202805 A CN114202805 A CN 114202805A
- Authority
- CN
- China
- Prior art keywords
- feature map
- living body
- feature
- body detection
- target
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000000605 extraction Methods 0.000 claims abstract description 78
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000011176 pooling Methods 0.000 claims abstract description 42
- 238000001727 in vivo Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 57
- 238000005070 sampling Methods 0.000 claims description 47
- 238000010586 diagram Methods 0.000 claims description 40
- 238000001574 biopsy Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种活体检测方法、装置、电子设备及存储介质，涉及人工智能领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、活体检测等场景。方案为：对获取的输入图像进行特征提取得到第一特征图和第二特征图；将第一特征图和第二特征图进行特征融合，得到融合特征图；采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图，并对目标特征图进行活体检测。由此，无需对输入图像中的目标对象的脸部图像进行外扩和调整，避免了脸部图像的特征丢失，同时，通过第一池化层对融合特征进行尺寸调整，实现了融合特征的归一化，避免了特征不对齐的情况，提升了活体检测结果的可靠性和鲁棒性。
Description
技术领域
本公开涉及人工智能领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、活体检测等场景，尤其涉及活体检测方法、装置、电子设备及存储介质。
背景技术
随着人脸识别技术的不断发展，在各类身份认证系统中，通过人脸识别技术对用户身份进行认证的应用越来越普及。对于采用人脸识别技术进行身份认证的系统而言，通常需要对用户进行人脸验证和活体检测。其中，活体检测，用于确认采集到的人脸图像等数据是否来自用户本人，而非回放或者伪造材料。
发明内容
本公开提供了一种用于活体检测方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种活体检测方法，包括：获取输入图像；对所述输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；将所述第一特征图和所述第二特征图进行特征融合，以得到融合特征图；采用活体检测模型的第一池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；对所述目标特征图进行活体检测，以确定所述输入图像中的目标对象是否为活体。
根据本公开的另一方面，提供了一种活体检测装置，包括：获取模块，用于获取输入图像；提取模块，用于对所述输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；融合模块，用于将所述第一特征图和所述第二特征图进行特征融合，以得到融合特征图；调整模块，用于采用活体检测模型的第一池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；检测模块，用于对所述目标特征图进行活体检测，以确定所述输入图像中的目标对象是否为活体。
根据本公开的另一方面，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本公开第一方面实施例所述的方法。
根据本公开的另一方面，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本公开第一方面实施例所述的方法。
根据本公开的另一方面，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本公开第一方面实施例所述的方法。
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。
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为本公开实施例一所提供的活体检测方法的流程示意图；
图2为本公开实施例二所提供的活体检测方法的流程示意图；
图3为本公开实施例三所提供的活体检测方法的流程示意图；
图4为本公开实施例四所提供的活体检测方法的流程示意图；
图5为本公开实施例五所提供的活体检测方法的流程示意图；
图6为本公开实施例的活体检测方法的流程示意图；
图7为本公开实施例六所提供的活体检测装置的结构示意图；
图8示出了可以用来实施本公开的实施例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。
相关技术中，活体检测方法会将人脸外扩一定倍数后，调整成固定大小后输入活体检测模型进行检测，而外扩的倍数以及最终调整成的尺寸大小这两个超参会在很大程度上影响活体检测模型的性能，手工设置的超参可能不能完全适应各种不同情况的数据，无法达到很高的鲁棒性。
针对上述问题，本公开提出一种活体检测方法、装置、电子设备及存储介质。
下面参考附图描述本公开实施例的活体检测方法、装置、电子设备及存储介质。
图1为本公开实施例一所提供的活体检测方法的流程示意图。
本公开实施例以该活体检测方法被配置于活体检测装置中来举例说明，该活体检测装置可以应用于任一电子设备中，以使该电子设备可以执行活体检测功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该活体检测方法可以包括以下步骤：
步骤101，获取输入图像。
在本公开实施例中，输入图像为包含目标对象脸部的图像，其中，目标对象可以为人，或者也可以为动物，本公开对此并不做限制。
在本公开实施例中，对输入图像的类型不作限制，比如，输入图像可以为NIR(nearinfrared，近红外)图像，或者，输入图像也可以为RGB图像、TIR(thermal infrared，热感红外)图像等。
在本公开实施例中，输入图像可以从现有的测试集获取，或者，输入图像可以在线采集，比如可以通过网络爬虫技术，在线采集目标对象的脸部图像，或者，输入图像也可以为实时采集的目标对象的脸部图像，或者，输入图像也可以为人工合成的图像，等等，本公开实施例对此并不做限制。
步骤102，对输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图。
为了获取输入图像对应的不同感受野的特征图，在本公开实施例中，可对输入图像以第一降采样率进行特征提取得到第一特征图，同时，对输入以第二降采样率进行特征提取以得到第二特征图。
步骤103，将第一特征图和第二特征图进行特征融合，以得到融合特征图。
在本公开实施例中，可对第一特征图与第二特征图进行特征融合，以得到融合图像。
步骤104，采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图。
在本公开实施例中，可将融合特征输入至活体检测模型的第一池化层，第一池化层可对融合特征图执行最大池化，进行尺寸调整，得到符合固定尺寸的目标特征图。
步骤105，对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。
在本公开实施例中，可以根据目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。比如，为了提升检测结果的准确性，可以采用深度学习技术，对输入图像进行活体检测。
综上，通过获取输入图像；对输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；将第一特征图和第二特征图进行特征融合，以得到融合特征图；采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。由此，无需对输入图像中的目标对象的脸部图像进行外扩和调整，避免了脸部图像的特征丢失，同时，通过活体检测模型的第一池化层对融合特征进行尺寸调整，实现了融合特征的归一化，避免了特征不对齐的情况，提升了活体检测结果的可靠性和鲁棒性。
为了清楚说明本公开上述实施例中是如何采用活体检测模型的池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图的，本公开还提出一种活体检测方法。
图2为本公开实施例二所提供的活体检测方法的流程示意图。
如图2所示，该活体检测方法可以包括以下步骤：
步骤201，获取输入图像。
步骤202，对输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图。
步骤203，将第一特征图和第二特征图进行特征融合，以得到融合特征图。
在本公开实施例的一种可能的实现方式中，可以将第一特征图与第二特征图进行拼接，得到融合特征图。例如，可以将第一特征图与第二特征图在通道(channel)维度方向进行相加或拼接，得到融合特征图。
在本公开实施例的另一种可能的实现方式中，可以将第一特征图与第二特征图进行拼接，得到拼接特征图，比如，可以将第一特征图与第二特征图在通道(channel)维度方向进行拼接，得到拼接特征图，之后，可将拼接特征图输入卷积层，以融合得到上述融合特征图。
由此，可以实现根据多种方式，对第一特征图与第一特征图进行融合，可提升该方法的灵活性和适用性。
步骤204，将融合特征图输入活体检测模型的区域生成网络RPN进行感兴趣区域预测，以从融合特征图中确定多个感兴趣区域的特征子图。
在本公开实施例中，可将融合特征图输入活体检测模型的RPN网络(RegionProposal Network，区域生成网络)进行感兴趣区域预测，以从融合特征图中确定多个感兴趣区域的特征子图。
步骤205，将多个感兴趣区域的特征子图输入活体检测模型的池化层进行尺寸调整，以得到各感兴趣区域符合固定尺寸的目标特征图。
进而，将多个感兴趣区域的特征子图输入活体检测模型的池化层，池化层可对非均匀尺寸的感兴趣区域的特征子图执行最大池化，进行尺寸调整，以得到各感兴趣区域符合固定尺寸的目标特征图。
步骤206，对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。
需要说明的是，步骤201至202的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
综上，通过将融合特征图输入活体检测模型的RPN网络进行感兴趣区域预测，以从融合特征图中确定多个感兴趣区域的特征子图；将多个感兴趣区域的特征子图输入活体检测模型的池化层进行尺寸调整，以得到各感兴趣区域符合固定尺寸的目标特征图。由此，通过活体检测模型的池化层可对融合特征图进行尺寸调整，实现了融合特征的归一化，避免了特征不对齐的情况，提升了活体检测结果的可靠性和鲁棒性。
为了清楚地说明本公开实施例中如何对输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图以得到第二特征图，本公开还提出一种活体检测方法。
图3为本公开实施例三所提供的活体检测方法的流程示意图。
步骤301，获取输入图像。
步骤302，将输入图像输入至第一卷积层进行特征提取，以得到中间特征图。
为了避免特征丢失，在本公开实施例中，第一卷积层可包括多个堆叠的卷积层，多个堆叠的卷积层可对输入图像进行浅层特征提取，得到中间特征图。
步骤303，采用第二卷积层对中间特征图以第一降采样率进行特征提取，得到第一特征图。
为了获取不同感受野的特征图，进一步地，可采用第二卷积层对中间特征图以第一降采样率进行特征提取，得到第一特征图。
步骤304，采用第二池化层对中间特征图以第二降采样率进行特征提取，以得到第二特征图。
同理，采用第二池化层对中间特征图以第二降采样率进行特征提取，以得到第二特征图。
需要说明的是，第一降采样率可大于第二降采样率，第二降采样率也可以大于第一降采样率，本公开对此不做具体限制。
步骤305，将第一特征图和第二特征图进行特征融合，以得到融合特征图。
步骤306，采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图。
步骤307，对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。
需要说明的是，步骤301、步骤305至307的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
综上，通过将输入图像输入至第一卷积层进行特征提取，以得到中间特征图；采用第二卷积层对中间特征图以第一降采样率进行特征提取，得到第一特征图；采用第二池化层对中间特征图以第二降采样率进行特征提取，以得到第二特征图，由此，通过不同降采样率对中间特征图进行特征提取，可获得不同感受野的特征图。
为了清楚说明本公开上述实施例中是如何对所述目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体，本公开还提出一种活体检测方法。
图4为本公开实施例四所提供的活体检测方法的流程示意图。
步骤401，获取输入图像。
步骤402，对输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图。
步骤403，将第一特征图和第二特征图进行特征融合，以得到融合特征图。
步骤404，采用活体检测模型的第一池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图。
步骤405，采用活体检测模型的深度特征提取网络对目标特征图进行深度特征提取，以得到深度特征图。
在本公开实施例中，可以采用活体检测模型中的深度特征提取网络，对目标特征图进行深度特征提取，得到深度特征图。比如，深度特征提取网络可以为轻量化网络，比如，MobileNetv3等。
步骤406，采用活体检测模型中的预测层对深度特征图进行分类，得到输入图像中的目标对象的分类概率。
在本公开实施例中，可以采用活体检测模型中的预测层，对深度特征图进行分类，得到脸部图像中目标对象的分类概率。比如，预测层可以包括分类器，通过分类器对深度特征图进行分类，得到脸部图像中目标对象的分类概率。
步骤407，根据分类概率，确定目标对象是否为活体。
在本公开实施例中，可以根据分类概率，确定目标对象是否为活体。例如，可以判断分类概率是否大于设定概率阈值(比如0.5)，响应于分类概率大于设定概率阈值，确定目标对象为活体，响应于分类概率未大于设定概率阈值，确定目标对象为非活体。
需要说明的是，步骤401至404的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
综上，通过采用活体检测模型的深度特征提取网络对目标特征图进行深度特征提取，以得到深度特征图；采用活体检测模型中的预测层对深度特征图进行分类，得到输入图像中的目标对象的分类概率；根据分类概率，确定目标对象是否为活体。由此，基于深度学习技术，对目标特征图进行活体检测，可以提升检测结果的准确性和可靠性。并且，无需对目标对象的脸部图像进行外扩和调整，且目标特征图是根据第一池化层对融合特征图进行尺寸调整得到的，避免了特征丢失和不对齐的情况，从而提升了模型检测的准确性和鲁棒性。
为了清楚说明本公开上述任一实施例中是如何获取输入图像的，本公开还提出一种活体检测方法。
图5为本公开实施例五所提供的活体检测方法的流程示意图。
如图5所示，该活体检测方法可以包括以下步骤：
步骤501，获取待检测的目标图像。
在本公开实施例中，目标图像可以从现有的测试集获取，或者，目标图像可以在线采集，比如可以通过网络爬虫技术，在线采集包含目标对象的脸部的目标图像，或者，目标图像也可以为实时采集的包含目标对象的脸部的图像，或者，目标图像也可以为人工合成的图像，等等，本公开实施例对此并不做限制。
步骤502，根据设定图像尺寸，对目标图像进行缩放处理，以得到输入图像。
在本公开实施例的一种可能实现方式中，活体检测模型的输入尺寸可以具有设定要求，为了便于活体检测，输入图像需符合设定的图像尺寸，可以根据设定尺寸的输入图像对活体检测模型进行训练。
相应地，将输入图像输入活体检测模型之前，可根据设定图像尺寸，对目标图像进行缩放处理，得到输入图像。
比如，目标图像的尺寸为1920*1080，可将目标图像的长边缩放至512*288，其中，512为设定图像的长边对应的尺寸。
其中，需要说明的是，在本公开实施例中，对目标图像进行缩放处理与仅对目标图像中的目标对象的脸部进行外扩和调整是不同的，对目标图像进行缩放处理不会造成目标对象的脸部的特征丢失。
步骤503，对输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图。
步骤504，将第一特征图和所述第二特征图进行特征融合，以得到融合特征图。
步骤505，采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图。
步骤506，对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。
需要说明的是，步骤503至506的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
综上，通过获取待检测的目标图像；根据设定图像尺寸，对目标图像进行缩放处理，以得到输入图像，由此，根据设定图像尺寸对目标对象进行缩放处理，可得到符合设定尺寸的输入图像，避免了对输入图像中的目标对象的脸部图像进行外扩和调整而导致的特征丢失，从而提高了活体检测结果的可靠性和鲁棒性。
为了更加清楚地说明上述实施例，现举例进行说明。
如图6所示，为了满足活体检测模型的输入尺寸的设定要求，可将包含人脸的全图，按长边缩放至512的比率，对全图进行缩放处理，作为活体检测模型的输入，将两个叠加的卷积层“conv2d，channel＝64，kernel_size＝5*5，stride＝2”与“conv2d，channel＝128，kernel_size＝3*3，stride＝2”作为活体检测模型的第一卷积层对输入图像进行特征提取，以得到中间特征图，将中间特征图经过“conv2d，channel＝512，kernel_size＝1*1，stride＝1”与“conv2d，channel＝256，kernel_size＝3*3，stride＝2”实现以第一降采样率进行特征提取，得到第一特征图，同时，将中间特征图经过“pool2d，channel＝512，kernel_size＝3*3，stride＝2”实现以第二降采样率进行特征提取，以得到第二特征图，进而，第一特征图与第二特征图经过“concat layer”实现第一特征图与第二特征图在通道维度方向的拼接，得到拼接特征图，之后，可将拼接特征图输入卷积层“conv2d，channel＝256，kernel_size＝3*3，stride＝1”，以融合得到融合特征图，接着，将融合特征图经过第一池化层“Roi pooling”进行尺寸调整，以得到符合固定尺寸的目标特征图“Image_RPN”，将目标特征图经过深度特征提取网络“MobileNet v3”进行深度特征提取，以得到深度特征图，采用活体检测模型中的预测层对深度特征图进行分类，得到输入图像中的目标对象的分类概率，根据分类概率，确定目标对象是否为活体。
本公开实施例的活体检测方法，通过获取输入图像；对输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；将第一特征图和第二特征图进行特征融合，以得到融合特征图；采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。由此，无需对目标对象的脸部图像进行外扩和调整，避免了脸部图像的特征丢失，同时，通过活体检测模型的第一池化层对融合特征进行尺寸调整，实现了融合特征的归一化，避免了特征不对齐的情况，提升了活体检测结果的可靠性和鲁棒性。
与上述图1至图6实施例提供的活体检测方法相对应，本公开还提供一种活体检测装置，由于本公开实施例提供的活体检测装置与上述图1至图6实施例提供的活体检测方法相对应，因此在活体检测方法的实施方式也适用于本公开实施例提供的活体检测装置，在本公开实施例中不再详细描述。
图7为本公开实施例六所提供的活体检测装置的结构示意图。
如图7所示，该活体检测装置700可以包括：获取模块710、提取模块720、融合模块730、调整模块740和检测模块750。
其中，获取模块710，用于获取输入图像；提取模块720，用于对输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；融合模块730，用于将第一特征图和第二特征图进行特征融合，以得到融合特征图；调整模块740，用于采用活体检测模型的第一池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；检测模块750，用于对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。
作为本公开实施例的一种可能实现方式，调整模块740，用于：将融合特征图输入活体检测模型的区域生成网络RPN进行感兴趣区域预测，以从融合特征图中确定多个感兴趣区域的特征子图；将多个感兴趣区域的特征子图输入活体检测模型的池化层进行尺寸调整，以得到各感兴趣区域符合固定尺寸的目标特征图。
作为本公开实施例的一种可能实现方式，活体检测模型还包括第一卷积层、第二卷积层以及第二池化层，提取模块720，用于：将输入图像输入至第一卷积层进行特征提取，以得到中间特征图；采用第二卷积层对中间特征图以第一降采样率进行特征提取，得到第一特征图；采用第二池化层对中间特征图以第二降采样率进行特征提取，以得到第二特征图。
作为本公开实施例的一种可能实现方式，检测模块750，用于：采用活体检测模型的深度特征提取网络对目标特征图进行深度特征提取，以得到深度特征图；采用活体检测模型中的预测层对深度特征图进行分类，得到输入图像中的目标对象的分类概率；根据分类概率，确定目标对象是否为活体。
作为本公开实施例的一种可能实现方式，融合模块730，用于：将第一特征图与第二特征图进行拼接，得到融合特征图。
作为本公开实施例的一种可能实现方式，融合模块730，用于将第一特征图与第二特征图进行拼接，得到拼接图像；将拼接图像输入卷积层，以融合得到融合特征图。
作为本公开实施例的一种可能实现方式，获取模块710，用于：获取待检测的目标图像；根据设定图像尺寸，对目标图像进行缩放处理，以得到输入图像。
本公开实施例的活体检测装置，通过获取输入图像；对输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；将第一特征图和第二特征图进行特征融合，以得到融合特征图；采用活体检测模型的第一池化层对融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；对目标特征图进行活体检测，以确定输入图像中的目标对象是否为活体。由此，无需对目标对象的脸部图像进行外扩和调整，避免了脸部图像的特征丢失，同时，通过活体检测模型的第一池化层对融合特征进行尺寸调整，实现了融合特征的归一化，避免了特征不对齐的情况，提升了活体检测结果的可靠性和鲁棒性。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
为了实现上述实施例，本公开还提供一种电子设备，该电子设备可以包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开上述任一实施例提出的活体检测方法。
为了实现上述实施例，本公开还提供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，计算机指令用于使计算机执行本公开上述任一实施例提出的活体检测方法。
为了实现上述实施例，本公开还提供一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本公开上述任一实施例提出的活体检测方法。
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8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801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801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)、互联网和区块链网络。
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。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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，本发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：
获取输入图像；
对所述输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；
将所述第一特征图和所述第二特征图进行特征融合，以得到融合特征图；
采用活体检测模型的第一池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；
对所述目标特征图进行活体检测，以确定所述输入图像中的目标对象是否为活体。
2.根据权利要求1所述的方法，其中，所述采用活体检测模型的池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图，包括：
将所述融合特征图输入所述活体检测模型的区域生成网络RPN进行感兴趣区域预测，以从所述融合特征图中确定多个感兴趣区域的特征子图；
将所述多个感兴趣区域的特征子图输入所述活体检测模型的池化层进行尺寸调整，以得到各所述感兴趣区域符合固定尺寸的目标特征图。
3.根据权利要求1所述的方法，其中，所述活体检测模型还包括第一卷积层、第二卷积层以及第二池化层，所述对所述输入图像以第一降采样率进行特征提取得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图，包括：
将所述输入图像输入至所述第一卷积层进行特征提取，以得到中间特征图；
采用所述第二卷积层对所述中间特征图以第一降采样率进行特征提取，以得到第一特征图；
采用所述第二池化层对所述中间特征图以第二降采样率进行特征提取，以得到第二特征图。
4.根据权利要求1所述的方法，其中，所述对所述目标特征图进行活体检测，以确定所述输入图像中的目标对象是否为活体，包括：
采用所述活体检测模型的深度特征提取网络对所述目标特征图进行深度特征提取，以得到深度特征图；
采用所述活体检测模型中的预测层对所述深度特征图进行分类，以得到所述输入图像中的目标对象的分类概率；
根据所述分类概率，确定所述目标对象是否为活体。
5.根据权利要求1-4任一项所述的方法，其中，所述将所述第一特征图和所述第二特征图进行特征融合，以得到融合特征图，包括：
将所述第一特征图与所述第二特征图进行拼接，得到所述融合特征图。
6.根据权利要求1-4任一项所述的方法，其中，所述将所述第一特征图和所述第二特征图进行特征融合，以得到融合特征图，包括：
将所述第一特征图与所述第二特征图进行拼接，得到所述拼接图像；
将所述拼接图像输入卷积层，以融合得到所述融合特征图。
7.根据权利要求1-4任一项所述的方法，其中，所述获取输入图像，包括：
获取待检测的目标图像；
根据设定图像尺寸，对所述目标图像进行缩放处理，以得到所述输入图像。
8.一种活体检测装置，包括：
获取模块，用于获取输入图像；
提取模块，用于对所述输入图像以第一降采样率进行特征提取以得到第一特征图，以及以第二降采样率进行特征提取以得到第二特征图；
融合模块，用于将所述第一特征图和所述第二特征图进行特征融合，以得到融合特征图；
调整模块，用于采用活体检测模型的第一池化层对所述融合特征图进行尺寸调整，以得到符合固定尺寸的目标特征图；
检测模块，用于对所述目标特征图进行活体检测，以确定所述输入图像中的目标对象是否为活体。
9.根据权利要求8所述的装置，其中，所述调整模块，用于：
将所述融合特征图输入所述活体检测模型的区域生成网络RPN进行感兴趣区域预测，以从所述融合特征图中确定多个感兴趣区域的特征子图；
将所述多个感兴趣区域的特征子图输入所述活体检测模型的池化层进行尺寸调整，以得到各所述感兴趣区域符合固定尺寸的目标特征图。
10.根据权利要求8所述的装置，其中，所述活体检测模型还包括第一卷积层、第二卷积层以及第二池化层，所述提取模块，用于：
将所述输入图像输入至所述第一卷积层进行特征提取，以得到中间特征图；
采用所述第二卷积层对所述中间特征图以第一降采样率进行特征提取，以得到第一特征图；
采用所述第二池化层对所述中间特征图以第二降采样率进行特征提取，以得到第二特征图。
11.根据权利要求8所述的装置，其中，所述检测模块，用于：
采用所述活体检测模型的深度特征提取网络对所述目标特征图进行深度特征提取，以得到深度特征图；
采用所述活体检测模型中的预测层对所述深度特征图进行分类，以得到所述输入图像中的目标对象的分类概率；
根据所述分类概率，确定所述目标对象是否为活体。
12.根据权利要求8-11任一项所述的装置，其中，所述融合模块，用于：
将所述第一特征图与所述第二特征图进行拼接，得到所述融合特征图。
13.根据权利要求8-11任一项所述的装置，其中，所述融合模块，用于：
将所述第一特征图与所述第二特征图进行拼接，得到所述拼接图像；
将所述拼接图像输入卷积层，以融合得到所述融合特征图。
14.根据权利要求8-11任一项所述的装置，其中，所述获取模块，用于：
获取待检测的目标图像；
根据设定图像尺寸，对所述目标图像进行缩放处理，以得到所述输入图像。
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中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111404822.2A CN114202805A (zh) | 2021-11-24 | 2021-11-24 | 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 |
|---|---|---|---|
| CN202111404822.2A CN114202805A (zh) | 2021-11-24 | 2021-11-24 | 活体检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202805A true CN114202805A (zh) | 2022-03-18 |
Family
ID=80648723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111404822.2A Pending CN114202805A (zh) | 2021-11-24 | 2021-11-24 | 活体检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202805A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740686A (zh) * | 2019-01-09 | 2019-05-10 | 中南大学 | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 |
| WO2020088029A1 (zh) * | 2018-10-29 | 2020-05-07 | 北京三快在线科技有限公司 | 活体检验方法、存储介质和电子设备 |
| 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 |
| WO2020199593A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技（深圳）有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
| CN112070041A (zh) * | 2020-09-14 | 2020-12-11 | 北京印刷学院 | 一种基于cnn深度学习模型的活体人脸检测方法和装置 |
| WO2021068322A1 (zh) * | 2019-10-10 | 2021-04-15 | 平安科技（深圳）有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
| CN113033519A (zh) * | 2021-05-25 | 2021-06-25 | 腾讯科技（深圳）有限公司 | 活体检测方法、估算网络处理方法、装置和计算机设备 |
| CN113435408A (zh) * | 2021-07-21 | 2021-09-24 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
| CN113642639A (zh) * | 2021-08-12 | 2021-11-12 | 云知声智能科技股份有限公司 | 活体检测方法、装置、设备和存储介质 |
| CN113657245A (zh) * | 2021-08-13 | 2021-11-16 | 亮风台（上海）信息科技有限公司 | 一种用于人脸活体检测的方法、设备、介质及程序产品 |
-
2021
- 2021-11-24 CN CN202111404822.2A patent/CN114202805A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020088029A1 (zh) * | 2018-10-29 | 2020-05-07 | 北京三快在线科技有限公司 | 活体检验方法、存储介质和电子设备 |
| CN109740686A (zh) * | 2019-01-09 | 2019-05-10 | 中南大学 | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 |
| WO2020199593A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技（深圳）有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
| WO2021068322A1 (zh) * | 2019-10-10 | 2021-04-15 | 平安科技（深圳）有限公司 | 活体检测模型的训练方法、装置、计算机设备和存储介质 |
| 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 |
| CN112070041A (zh) * | 2020-09-14 | 2020-12-11 | 北京印刷学院 | 一种基于cnn深度学习模型的活体人脸检测方法和装置 |
| CN113033519A (zh) * | 2021-05-25 | 2021-06-25 | 腾讯科技（深圳）有限公司 | 活体检测方法、估算网络处理方法、装置和计算机设备 |
| CN113435408A (zh) * | 2021-07-21 | 2021-09-24 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
| CN113642639A (zh) * | 2021-08-12 | 2021-11-12 | 云知声智能科技股份有限公司 | 活体检测方法、装置、设备和存储介质 |
| CN113657245A (zh) * | 2021-08-13 | 2021-11-16 | 亮风台（上海）信息科技有限公司 | 一种用于人脸活体检测的方法、设备、介质及程序产品 |
Non-Patent Citations (2)
| Title |
|---|
| 张云;李岚;: "基于级联卷积神经网络的人脸特征点识别算法实现", 兰州理工大学学报, no. 03, 15 June 2020 (2020-06-15) * |
| 李莉;: "基于Gabor小波和动态LBP的人脸活体检测", 电子世界, no. 01, 15 January 2020 (2020-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11436739B2 (en) | Method, apparatus, and storage medium for processing video image | |
| US11321593B2 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
| CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
| CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
| CN113343826A (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 | |
| EP4123594A2 (en) | Object detection method and apparatus, computer-readable storage medium, and computer program product | |
| CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
| CN113221771A (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
| CN113177892A (zh) | 生成图像修复模型的方法、设备、介质及程序产品 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN114333038B (zh) | 对象识别模型的训练方法和对象识别方法、装置、设备 | |
| CN114140852B (zh) | 图像检测方法和装置 | |
| 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 | |
| CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
| CN114202805A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN115249281A (zh) | 图像遮挡和模型训练方法、装置、设备以及存储介质 | |
| CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
| CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
| CN114140320A (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
| CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
| CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
| CN113378774A (zh) | 手势识别方法、装置、设备、存储介质以及程序产品 | |
| CN113343997A (zh) | 光学字符识别方法、装置、电子设备和存储介质 |
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 |