CN114238047A - 活体算法性能评测方法、装置、设备和存储介质 - Google Patents
活体算法性能评测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114238047A CN114238047A CN202111400785.8A CN202111400785A CN114238047A CN 114238047 A CN114238047 A CN 114238047A CN 202111400785 A CN202111400785 A CN 202111400785A CN 114238047 A CN114238047 A CN 114238047A
- Authority
- CN
- China
- Prior art keywords
- detection
- sample
- evaluated
- living body
- environmental condition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种活体算法性能评测方法、装置、设备、存储介质和计算机程序产品。所述方法包括:获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;利用待评测活体算法分别对各样本图像进行检测,获得各检测结果;根据各检测结果,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率;根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。更加全面的考虑影响活体检测结果的重要因素,有效提高了对活体算法的测试准确性。
Description
技术领域
本申请涉及人工智能识别分类技术领域,特别是涉及一种活体算法性能评测方法、装置、设备、存储介质和计算机程序产品。
背景技术
随着计算机视觉技术的发展,越来越多的认证系统基于活体识别验证活体的身份,而采用的活体算法的性能好坏,直接决定了认证系统安全性的高低。
传统技术中,是直接查看活体算法厂商提供的说明,或者采用几张图片进行简单测试。然而,算法厂商提供的算法测试结果不一定准确,采用几张图片进行测试也存在较大耦合性,存在测试准确性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高测试准确性的活体算法性能评测方法、装置、设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种活体算法性能评测方法。所述方法包括:
获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;
利用待评测活体算法分别对各所述样本图像进行检测,获得各检测结果;
根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率;
根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度。
在其中一个实施例中,所述样本类型包括至少两种类型的攻击样本;
所述根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率,包括:
根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测的准确比例,所述子检测准确率包括所述准确比例;
对各所述环境条件对应的所述准确比例进行汇总,得到所述待评测活体算法对各类型的攻击样本的检测准确率。
在其中一个实施例中,所述样本类型包括至少两种类型的攻击样本;
所述根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率,包括:
根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,所述子检测准确率包括所述准确数;
根据对各所述环境条件对应的所述准确数,以及各所述环境条件下进行检测的样本图像总数,分别计算获得所述待评测活体算法对各类型的攻击样本的检测准确率。
在其中一个实施例中,所述根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度,包括:
根据各所述检测结果,获取所述待评测活体算法对在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长;
根据各所述环境条件对应的检测时长,以及各所述环境条件的环境系数,获得所述待评测活体算法的检测速度。
在其中一个实施例中,所述样本类型包括正样本类型;根据各所述检测结果,获取所述待评测活体算法对在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长,包括:
根据各所述检测结果,获取所述待评测活体算法对正样本类型的各图像样本分别在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长。
在其中一个实施例中,根据各所述环境条件对应的检测时长,以及各所述环境条件的环境系数,获得所述待评测活体算法的检测速度,包括:
所述待评测活体算法的检测速度,为各所述环境条件对应的检测时长的加权求和值,各所述环境条件对应的检测时长的加权权重,分别为各所述环境条件的所述环境系数。
第二方面,本申请还提供了一种活体算法性能评测装置。所述装置包括:
图像获取模块,用于获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;
图像测试模块,用于利用待评测活体算法分别对各所述样本图像进行检测,获得各检测结果;
准确率评测模块,用于根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率;
检测速度评测模块,用于根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度。
在其中一个实施例中,所述样本类型包括至少两种类型的攻击样本;所述准确率评测模块根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测的准确比例,所述子检测准确率包括所述准确比例;对各所述环境条件对应的所述准确比例进行汇总,得到所述待评测活体算法对各类型的攻击样本的检测准确率。
在其中一个实施例中,所述样本类型包括至少两种类型的攻击样本;所述准确率评测模块根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,所述子检测准确率包括所述准确数;根据对各所述环境条件对应的所述准确数,以及各所述环境条件下进行检测的样本图像总数,分别计算获得所述待评测活体算法对各类型的攻击样本的检测准确率。
在其中一个实施例中,所述检测速度评测模块根据各所述检测结果,获取所述待评测活体算法对在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长;根据各所述环境条件对应的检测时长,以及各所述环境条件的环境系数,获得所述待评测活体算法的检测速度。
在其中一个实施例中,所述样本类型包括正样本类型;所述检测速度评测模块根据各所述检测结果,获取所述待评测活体算法对正样本类型的各图像样本分别在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长。
在其中一个实施例中,所述待评测活体算法的检测速度,为各所述环境条件对应的检测时长的加权求和值,各所述环境条件对应的检测时长的加权权重,分别为各所述环境条件的所述环境系数。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;
利用待评测活体算法分别对各所述样本图像进行检测,获得各检测结果;
根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率;
根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;
利用待评测活体算法分别对各所述样本图像进行检测,获得各检测结果;
根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率;
根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度。
上述活体算法性能评测方法、装置、设备、存储介质和计算机程序产品,获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像,然后利用待评测活体算法分别对各样本图像进行测试。根据测试数据,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率。同时,还根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。通过获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像用作算法检测,并根据检测结果分析样本图像的子检测准确率以及各样本类型的样本的检测准确率,还结合检测时长统计算法的检测速度,结合不同样本类型和环境条件对待评测活体算法进行检测准确率和检测速度两项性能的评估,样本类型和环境条件的扩展,以及分析检测准确率和检测速度两项性能,能够更加全面的考虑影响活体检测结果的重要因素,有效提高了对活体算法的测试准确性。
附图说明
图1为一个实施例中活体算法性能评测方法的应用环境图;
图2为一个实施例中活体算法性能评测方法的流程示意图;
图3为一个实施例中根据各检测结果获得待评测活体算法对各样本类型的样本的检测准确率的流程示意图;
图4为另一个实施例中根据各检测结果获得待评测活体算法对各样本类型的样本的检测准确率的流程示意图;
图5为一个实施例中根据各检测结果获得待评测活体算法的检测速度的流程示意图;
图6为一个实施例中活体算法性能评测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例提供的活体算法性能评测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102含有摄像头且设置有待评测活体算法,在多种环境下对多种样本类型的样本分别拍摄样本图像,例如可通过聚光灯、光照强度测量仪和卷尺等工具调节样本的拍摄光照环境以及与摄像头的拍摄距离,终端102利用待测评算法对各样本图像进行检测,获取对应的检测结果。终端102可以是将检测结果发送至服务器104,由服务器根据检测结果进行算法性能评测,得到性能评测结果,性能评测结果具体包含算法对各样本类型的样本的检测准确率,以及算法的检测速度。终端102也可以是直接根据检测结果进行算法性能评测后,将性能评测结果发送至服务器104进行存储。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种活体算法性能评测方法,以该方法应用于图1中的终端102为例进行说明,该方法包括以下步骤:
步骤S110:获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像。
其中,环境条件、样本类型以及样本数量都不是唯一的,可根据实际需要进行选择。可以是通过终端的摄像头在同一个环境条件下对不同类型的样本进行拍摄后,换一个环境条件再对不同类型的样本进行拍摄,从而得到多种环境下对多种样本类型的样本分别拍摄的样本图像;也可以是通过终端的摄像头对同一个样本进行不同环境下的拍摄后,换一个样本再进行不同环境下的拍摄,同样可得到多种环境下对多种样本类型的样本分别拍摄的样本图像。
具体地,环境条件可包括拍摄角度、光照环境和拍摄距离等,样本类型可包括测试正样本和测试负样本。测试正样本可以是真人、动物等,测试正样本还可进行假发、眼镜等配件的装饰。测试负样本可包括2D攻击样本和3D攻击样本。2D攻击样本可包括图片和视频,3D攻击样本可包括面具、半脸面具、头套、头模以及半身头模等,还可进行假发,眼镜等配件的装饰。可以是利用带窗帘的房间对样本进行测试,结合聚光灯调整光照环境,同时可以利用光照强度测量仪来对样本的具体拍摄位置的光照强度进行检测。此外,还可通过卷尺测量样本与摄像头之间的距离。可以采用多个点位对每个样本进行不同角度的测试,拍摄不同光照环境、不同距离时的样本,从而得到每个样本在不同环境条件下的样本图像。
进一步地,光照环境可包括正常光照、向光、背光、暗光和侧向光等环境。样本到摄像头之间的拍摄距离可以是采用40cm、60cm、80cm和100cm等距离。其中,可将打开房间窗帘且不打开聚光灯时的场景作为正常光照环境;将拉上房间窗帘,把聚光灯移到样本侧面,光线照射到样本侧面的场景作为侧向光环境;将拉上房间窗帘,聚光灯移到样本对面,光线照射到样本正面的场景作为向光环境;将拉上房间窗帘,聚光灯移到样本后面,光线照射到样本后面的场景作为背光环境;以及将拉上窗帘,关闭聚光灯的场景作为暗光环境。
步骤S120:利用待评测活体算法分别对各样本图像进行检测,获得各检测结果。终端在通过摄像头拍摄得到不同环境下各类型样本的样本图像之后,利用算法分别对每个样本图像进行检测,得到对各样本图像的检测结果。例如,对于图片样本,算法对相应的样本图像的检测结果可能是图片,也可能是头模等其他结果。对于面具,算法对相应的样本图像的检测结果可能是面具,也可能是图片等其他结果。如果得到的检测结果与实际的样本类型一致,则说明算法对此次的样本图像检测准确,反之则不准确。此外,检测结果还可包括对样本图像的检测时长。
步骤S130:根据各检测结果,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率。
其中,终端根据检测结果,统计算法对每一种类型样本在不同环境条件下拍摄的样本图像的检测情况,记录同一类型样本在不同环境下的子检测准确率,再综合样本在不同环境下的子检测准确率进行汇总,得到算法对同一类型样本的检测准确率。此外,终端还可以根据检测结果,统计算法对相同环境条件下不同类型样本拍摄的样本图像的检测情况,记录相同环境条件下不同类型样本的检测准确率,方便进行数据分析。
具体地,针对同一种类型的样本,可以在不同环境条件下都拍摄预定数量的样本图像。终端根据检测结果以及样本图像的数量,来统计算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率。以环境条件包括光照环境和拍摄距离为例,对于其中一种类型的样本,可以分别记录在某个拍摄距离下,不同光照环境时拍摄的样本图像的子检测准确率,然后汇总相同拍摄距离下,所有光照环境时拍摄的样本图像的检测准确率。最后,终端再结合该类型样本在各拍摄距离下,所有光照环境时拍摄的样本图像的子检测准确率进行汇总,得到算法对该类型样本的检测准确率。
在一个实施例中,如图3所示,样本类型包括至少两种类型的攻击样本;步骤S130包括步骤S132和步骤S134。
步骤S132:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测的准确比例,子检测准确率包括准确比例。
具体地,对于2D样本,其包含的攻击样本可以是图片和视频,对于3D样本,其包含的攻击样本可以是头套、面具、头模等。以头套为例,可以在每种环境条件下拍摄50张样本图像,在算法对不同环境条件下对头套拍摄的所有样本图像进行检测后,统计各环境条件下对头套拍摄的样本图像进行检测准确的数量,然后除以50便可以得到头套在各环境条件下得到的样本图像进行检测的准确比例。同理,可统计得到算法对其他各攻击样本在各环境条件下得到的样本图像进行检测的准确比例。
步骤S134:对各环境条件对应的准确比例进行汇总,得到待评测活体算法对各类型的攻击样本的检测准确率。
在得到不同类型攻击样本在各环境条件下得到的样本图像进行检测的准确比例后,将同一种类型攻击样本在所有环境条件下得到的样本图像进行检测的准确比例进行汇总求平均,便可得到算法对该类型攻击样本的检测准确率。
在另一个实施例中,如图4所示,样本类型包括至少两种类型的攻击样本;步骤S130包括步骤S136和步骤S138。
步骤S136:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,子检测准确率包括准确数。同样以头套为例,在算法对不同环境条件下对头套拍摄的所有样本图像进行检测后,统计各环境条件下对头套拍摄的样本图像进行检测准确的准确数。
步骤S138:根据对各环境条件对应的准确数,以及各环境条件下进行检测的样本图像总数,分别计算获得待评测活体算法对各类型的攻击样本的检测准确率。
对应地,同样以头套在每个环境条件下拍摄50张样本图像为例,采用4种拍摄距离、5种光照环境进行组合,得到20种环境条件,则对头套总共拍摄得到的样本图像总数为1000。终端统计算法对各种环境条件下对头套拍摄的样本图像进行检测的准确数,得到头套的总准确数,然后将总准确数除以1000便得到算法对头套的检测准确率。同理,可得到算法对其他类型攻击样本的检测准确率。
步骤S140:根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。
具体地,终端可以是针对每一种类型的样本,统计算法分别在各环境条件下对样本拍摄的样本图像的检测时长,然后分别进行汇总,得到算法对各类型样本的检测速度。此外,终端也可以是只统计测试正样本在各环境条件下拍摄的样本图像的检测时长然后进行汇总,将测试正样本在不同环境条件下拍摄的样本图像进行检测的总检测时长作为算法的检测速度。进一步地,以统计测试正样本在各环境条件下拍摄的样本图像检测的总检测时长为作为算法的检测速度为例,在计算算法的检测速度时,可以是直接将测试正样本在不同环境条件下拍摄的样本图像的检测时长进行求和,得到的总检测时长作为算法的检测速度;也可以是将测试正样本在不同环境条件下拍摄的样本图像的检测时长乘以相应的环境系数,然后进行求和得到总检测时长作为算法的检测速度。其中,环境系数的具体取值并不唯一,可以是根据相应环境条件实际的使用频率确定,也可以是预先设置的固定值。
此外,终端还可以是根据各检测结果,从不同类型样本在各环境条件下对样本拍摄的样本图像的检测时长中,分别统计每种类型样本中测试正确的总时长,作为相应类型样本的准确检测速度,以及分别统计每种类型样本中测试错误的总时长,作为相应类型样本的错误检测速度,可以用作对算法的准确检测速度和错误检测速度进行分析。
具体地,在一个实施例中,如图5所示,步骤S140包括步骤S142和步骤S144。
步骤S142:根据各检测结果,获取待评测活体算法对在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长。
终端可以是统计算法分别在各环境条件下对各种类型样本拍摄的样本图像的检测时长,也可以是只统计测试正样本在各环境条件下拍摄的样本图像的检测时长。具体地,本实施例中,样本类型包括正样本类型;步骤S142包括:根据各检测结果,获取待评测活体算法对正样本类型的各图像样本分别在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长。
步骤S144:根据各环境条件对应的检测时长,以及各环境条件的环境系数,获得待评测活体算法的检测速度。具体地,待评测活体算法的检测速度,为各环境条件对应的检测时长的加权求和值,各环境条件对应的检测时长的加权权重,分别为各环境条件的环境系数。
上述活体算法性能评测方法,通过结合不同样本类型和环境条件对待评测活体算法进行检测准确率和检测速度两项性能的评估,更加全面的考虑影响活体检测结果的重要因素,有效提高了对活体算法的测试准确性。
为便于更好地理解上述活体算法性能评测方法,下面结合具体实施例进行详细解释说明。
现有的活体算法测评方式是厂商有进行简单的测试,采用几张图片、视频或者个别的头模、头套进行检测。在活体算法检测中,光照环境、样本与摄像头距离、甚至是头模、头套的材质等都会对结果有影响。假设有A、B两个头模,同时有甲、乙两套算法。现有情况如下:
对头模A进行检测,甲算法检测正确,乙算法检测错误。该结果并不能说明甲算法在检测结果比乙好。可能在对头模B进行检测的时候,甲算法检测错误,乙算法检测正确。所以需要对大量样本进行检测,然后统计结果。现有的评测方法存在较大耦合性,结果可行度较低。因此,有必要提出一个较完善的活体算法性能评测方法。该方法中的相关术语解释如下:
人脸检测:对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸。
人脸检测算法:人脸检测用到的算法,简称人脸算法。
活体检测:验证用户是否为真实活体本人操作。
活体检测算法:活体检测使用的算法,简称活体算法。
检测结果准确率:算法检测正确的个数/检测的总个数。
检测速度:算法运行到返回结果的时间。
正样本:真人
负样本:非真人,指图片、视频、面具、头模、头套等。
活体算法性能评测主要分为检测结果准确率和检测速度两方面各大算法进行评测。
检测结果准确率:采用正负样本在不同光照环境和距离下进行检测,对结果进行统计。
检测速度:采用正样本在不同光照环境、最佳距离60–80cm下进行检测,对检测时间进行统计。
测试负样本:负样本有2D攻击样本和3D攻击样本。2D攻击样本包括图片和视频;3D攻击样本包括面具、半脸面具、头套、头模以及半身头模,另外可进行假发、眼镜等配件的装饰。
测试正样本:真人进行测试,另外可进行假发、眼镜等配件的装饰。
光照环境:光照环境分正常光照、向光、背光、暗光和侧向光共五种情况。
距离:采用不用样本到摄像头距离进行测试:如40cm、60cm、80cm和100cm。
相对于传统的测评方法,本申请提出的活体算法性能评测方法具有以下改进:
1、增加样本量。
2、每个样本采用5个点位,不同角度进行测试。
3、每次测试时间为10-15s。
4、光照对检测结果影响较大,检测时采用在不同光照环境下进行测试。
5、距离对检测结果有部分影响,检测时采用在不同距离下进行测试。
6、光照对检测时间有较大影响,检测时间统计时,采用系数进行相乘,更符合实际情况。
本申请提出的活体算法性能评测方法的测试指标如表1所示。
表1
采用的测试工具包括:
1、一台待检测的设备,含3D摄像头和算法。
2、聚光灯,用来调节光照环境。
3、光照强度测量仪,测具体位置的光照强度。
4、人脸图片、人脸视频各若干个,作为2D攻击样例。
5、人脸面具、人脸半脸面具、头套、头模、半身头模各若干个,作为3D攻击样例。
6、真人几位,做正向样例。
7、卷尺,测量样例与设备之间的距离。
8、一个带窗帘的小房间,用来控制正常光和暗光环境。
光照环境包括:
1、正常光,不需要打灯,打开房间窗帘,避免太阳光照射。
2、侧向光,拉上房间窗帘,把聚光灯移到样本侧面,光线照射到样本侧面。
3、向光,把聚光灯移到样本对面,光线照射到样本正面。
4、背光,把聚光灯移到样本后面,光线照射到样本后面。
5.暗光,拉上窗帘,关闭聚光灯。
测试方法为:把待检测设备放于桌子上,负向样本或者正向样本位于设备前方,根据需要测量的光照环境,调整聚光灯位置,用光照强度测量仪测量光照的强度。
检测准确率测试:
本测试总共选取2D和3D不同种类攻击样本(图片10例、视频10例、头套10例、半脸面具10例、面具10例、头模10例、半身头模10例)以及3个真人进行测试,测试在光照为正常光照、向光、背光、暗光和侧向光等五种情形下,以及不同距离下,每个样本/点位测试约10~15秒(每种3D样本有左右上下中5个点位),结果如表2至表4。
表2
表3
表4
其中,表格数字第一个表示正确样例个数,第二个表示样例总数。
检测速度测试:
在对应的环境下,针对每个真人测试十次检测的时间,记录下时间,计算平均值。结果如表5所示,单位为ms。
表5
由于不同光照在实际使用中出现的频率不同,我们对不同光照的平均时间再采用不同的系数相乘后相加:检测时间=正常光平均时间*正常光系数+向光平均时间*向光系数+背光平均时间*背光系数+侧向光平均时间*侧向光系数+暗光平均时间*暗光系数。
其中,每个系数根据实际使用情况中出现的频率进行统计获得,或者使用参考系数:正常光系数=0.4,向光系数=0.2,背光系数=0.2,侧向光系数=0.1,暗光系数=0.1。(正常取值范围在参考系数上下波动0.5)
在上面表格中,使用参考系数进行计算,检测时间=106.7*0.4+113.6*0.2+107.2*0.2+115.9*0.1+117.9*0.1=110.22。
检测结果如下:
检测准确率如表6所示。
表6
检测速度:110.22ms。
本申请提出的活体算法性能评测方法,对检测结果有较大影响因素进行了全方位的考虑,调整光照环境和距离进行测试。
光照环境模拟:
1、正常光,不需要打灯,打开房间窗帘,避免太阳光照射。
2、侧向光,拉上房间窗帘,把聚光灯移到样本侧面,光线照射到样本侧面。
3、向光,把聚光灯移到样本对面,光线照射到样本正面。
4、背光,把聚光灯移到样本后面,光线照射到样本后面。
5、暗光,拉上窗帘,关闭聚光灯。
在统计时间的时候根据使用频率不同采取不同的比例系统进行统计。检测时间=正常光平均时间*正常光系数+向光平均时间*向光系数+背光平均时间*背光系数+侧向光平均时间*侧向光系数+暗光平均时间*暗光系数。其中,参考系数:正常光系数=0.4,向光系数=0.2,背光系数=0.2,侧向光系=0.1,暗光系数=0.1。(正常取值范围在参考系数上下波动0.5)。
其中,检测速度可以直接关注正常光下的使用时间作为评测标准。实际测试中,光照是最主要的影响检测速度的因素,因此本方法采用不同光照环境下的检测时间与使用频率系数相乘后再相加得出最终时间,更有实际意义。
上述活体算法性能评测方法,对影响结果因素考虑较全面,对使用频率不同的情况,对不同光照环境采用不同的系数来统计算法的检测速度,结果更准确。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的活体算法性能评测方法的活体算法性能评测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个活体算法性能评测装置实施例中的具体限定可以参见上文中对活体算法性能评测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种活体算法性能评测装置,包括:图像获取模块110、图像测试模块120、准确率评测模块130和检测速度评测模块140,其中:
图像获取模块110,用于获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像。
图像测试模块120,用于利用待评测活体算法分别对各样本图像进行检测,获得各检测结果。
准确率评测模块130,用于根据各检测结果,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率。
检测速度评测模块140,用于根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括至少两种类型的攻击样本;准确率评测模块130根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测的准确比例,子检测准确率包括准确比例;对各环境条件对应的准确比例进行汇总,得到待评测活体算法对各类型的攻击样本的检测准确率。
在另一个实施例中,样本类型包括至少两种类型的攻击样本;准确率评测模块130根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,子检测准确率包括准确数;根据对各环境条件对应的准确数,以及各环境条件下进行检测的样本图像总数,分别计算获得待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,检测速度评测模块140根据各检测结果,获取待评测活体算法对在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长;根据各环境条件对应的检测时长,以及各环境条件的环境系数,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括正样本类型;检测速度评测模块140根据各检测结果,获取待评测活体算法对正样本类型的各图像样本分别在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长。
在一个实施例中,待评测活体算法的检测速度,为各环境条件对应的检测时长的加权求和值,各环境条件对应的检测时长的加权权重,分别为各环境条件的环境系数。
上述活体算法性能评测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种活体算法性能评测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;利用待评测活体算法分别对各样本图像进行检测,获得各检测结果;根据各检测结果,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率;根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括至少两种类型的攻击样本;处理器执行计算机程序时还实现以下步骤:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测的准确比例,子检测准确率包括准确比例;对各环境条件对应的准确比例进行汇总,得到待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,样本类型包括至少两种类型的攻击样本;处理器执行计算机程序时还实现以下步骤:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,子检测准确率包括准确数;根据对各环境条件对应的准确数,以及各环境条件下进行检测的样本图像总数,分别计算获得待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各检测结果,获取待评测活体算法对在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长;根据各环境条件对应的检测时长,以及各环境条件的环境系数,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括正样本类型;处理器执行计算机程序时还实现以下步骤:根据各检测结果,获取待评测活体算法对正样本类型的各图像样本分别在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:待评测活体算法的检测速度,为各环境条件对应的检测时长的加权求和值,各环境条件对应的检测时长的加权权重,分别为各环境条件的环境系数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;利用待评测活体算法分别对各样本图像进行检测,获得各检测结果;根据各检测结果,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率;根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括至少两种类型的攻击样本;计算机程序被处理器执行时还实现以下步骤:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测的准确比例,子检测准确率包括准确比例;对各环境条件对应的准确比例进行汇总,得到待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,样本类型包括至少两种类型的攻击样本;计算机程序被处理器执行时还实现以下步骤:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,子检测准确率包括准确数;根据对各环境条件对应的准确数,以及各环境条件下进行检测的样本图像总数,分别计算获得待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各检测结果,获取待评测活体算法对在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长;根据各环境条件对应的检测时长,以及各环境条件的环境系数,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括正样本类型;计算机程序被处理器执行时还实现以下步骤:根据各检测结果,获取待评测活体算法对正样本类型的各图像样本分别在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:待评测活体算法的检测速度,为各环境条件对应的检测时长的加权求和值,各环境条件对应的检测时长的加权权重,分别为各环境条件的环境系数。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;利用待评测活体算法分别对各样本图像进行检测,获得各检测结果;根据各检测结果,分析确定待评测活体算法对各样本类型在各环境条件下得到的样本图像进行检测的子检测准确率,并根据各子检测准确率,分析获得待评测活体算法对各样本类型的样本的检测准确率;根据各检测结果,统计确定待评测活体算法分别在各环境条件下的检测时长,并根据各检测时长,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括至少两种类型的攻击样本;计算机程序被处理器执行时还实现以下步骤:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测的准确比例,子检测准确率包括准确比例;对各环境条件对应的准确比例进行汇总,得到待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,样本类型包括至少两种类型的攻击样本;计算机程序被处理器执行时还实现以下步骤:根据各检测结果,统计待评测活体算法对各类型的攻击样本在各环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,子检测准确率包括准确数;根据对各环境条件对应的准确数,以及各环境条件下进行检测的样本图像总数,分别计算获得待评测活体算法对各类型的攻击样本的检测准确率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各检测结果,获取待评测活体算法对在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长;根据各环境条件对应的检测时长,以及各环境条件的环境系数,获得待评测活体算法的检测速度。
在一个实施例中,样本类型包括正样本类型;计算机程序被处理器执行时还实现以下步骤:根据各检测结果,获取待评测活体算法对正样本类型的各图像样本分别在各环境条件下得到的样本图像进行检测的检测时长,获得各环境条件对应的检测时长。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:待评测活体算法的检测速度,为各环境条件对应的检测时长的加权求和值,各环境条件对应的检测时长的加权权重,分别为各环境条件的环境系数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种活体算法性能评测方法,其特征在于,所述方法包括:
获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;
利用待评测活体算法分别对各所述样本图像进行检测,获得各检测结果;
根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率;
根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度。
2.根据权利要求1所述的方法,其特征在于,所述样本类型包括至少两种类型的攻击样本;
所述根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率,包括:
根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测的准确比例,所述子检测准确率包括所述准确比例;
对各所述环境条件对应的所述准确比例进行汇总,得到所述待评测活体算法对各类型的攻击样本的检测准确率。
3.根据权利要求1所述的方法,其特征在于,所述样本类型包括至少两种类型的攻击样本;
所述根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率,包括:
根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,所述子检测准确率包括所述准确数;
根据对各所述环境条件对应的所述准确数,以及各所述环境条件下进行检测的样本图像总数,分别计算获得所述待评测活体算法对各类型的攻击样本的检测准确率。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度,包括:
根据各所述检测结果,获取所述待评测活体算法对在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长;
根据各所述环境条件对应的检测时长,以及各所述环境条件的环境系数,获得所述待评测活体算法的检测速度。
5.根据权利要求4所述的方法,其特征在于,所述样本类型包括正样本类型;
根据各所述检测结果,获取所述待评测活体算法对在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长,包括:
根据各所述检测结果,获取所述待评测活体算法对正样本类型的各图像样本分别在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长。
6.根据权利要求4所述的方法,其特征在于,根据各所述环境条件对应的检测时长,以及各所述环境条件的环境系数,获得所述待评测活体算法的检测速度,包括:
所述待评测活体算法的检测速度,为各所述环境条件对应的检测时长的加权求和值,各所述环境条件对应的检测时长的加权权重,分别为各所述环境条件的所述环境系数。
7.一种活体算法性能评测装置,其特征在于,所述装置包括:
图像获取模块,用于获取在多种环境条件下分别对多种样本类型的样本分别拍摄得到的样本图像;
图像测试模块,用于利用待评测活体算法分别对各所述样本图像进行检测,获得各检测结果;
准确率评测模块,用于根据各所述检测结果,分析确定所述待评测活体算法对各所述样本类型在各所述环境条件下得到的样本图像进行检测的子检测准确率,并根据各所述子检测准确率,分析获得所述待评测活体算法对各所述样本类型的样本的检测准确率;
检测速度评测模块,用于根据各所述检测结果,统计确定所述待评测活体算法分别在各所述环境条件下的检测时长,并根据各所述检测时长,获得所述待评测活体算法的检测速度。
8.根据权利要求7所述的装置,其特征在于,所述样本类型包括至少两种类型的攻击样本;所述准确率评测模块根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测的准确比例,所述子检测准确率包括所述准确比例;对各所述环境条件对应的所述准确比例进行汇总,得到所述待评测活体算法对各类型的攻击样本的检测准确率。
9.根据权利要求7所述的装置,其特征在于,所述样本类型包括至少两种类型的攻击样本;所述准确率评测模块根据各所述检测结果,统计所述待评测活体算法对各类型的攻击样本在各所述环境条件下得到的样本图像进行检测得到的测试结果为准确的准确数,所述子检测准确率包括所述准确数;根据对各所述环境条件对应的所述准确数,以及各所述环境条件下进行检测的样本图像总数,分别计算获得所述待评测活体算法对各类型的攻击样本的检测准确率。
10.根据权利要求7所述的装置,其特征在于,所述检测速度评测模块根据各所述检测结果,获取所述待评测活体算法对在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长;根据各所述环境条件对应的检测时长,以及各所述环境条件的环境系数,获得所述待评测活体算法的检测速度。
11.根据权利要求10所述的装置,其特征在于,所述样本类型包括正样本类型;所述检测速度评测模块根据各所述检测结果,获取所述待评测活体算法对正样本类型的各图像样本分别在各所述环境条件下得到的样本图像进行检测的检测时长,获得各所述环境条件对应的检测时长。
12.根据权利要求10所述的装置,其特征在于,所述待评测活体算法的检测速度,为各所述环境条件对应的检测时长的加权求和值,各所述环境条件对应的检测时长的加权权重,分别为各所述环境条件的所述环境系数。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
15.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111400785.8A CN114238047A (zh) | 2021-11-19 | 2021-11-19 | 活体算法性能评测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111400785.8A CN114238047A (zh) | 2021-11-19 | 2021-11-19 | 活体算法性能评测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114238047A true CN114238047A (zh) | 2022-03-25 |
Family
ID=80750881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111400785.8A Pending CN114238047A (zh) | 2021-11-19 | 2021-11-19 | 活体算法性能评测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238047A (zh) |
-
2021
- 2021-11-19 CN CN202111400785.8A patent/CN114238047A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
CN105719188B (zh) | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 | |
CN106030661B (zh) | 视野独立的3d场景纹理化背景 | |
WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
CN110163889A (zh) | 目标跟踪方法、目标跟踪装置、目标跟踪设备 | |
CN108319953A (zh) | 目标对象的遮挡检测方法及装置、电子设备及存储介质 | |
CN107316029B (zh) | 一种活体验证方法及设备 | |
CN109376592A (zh) | 活体检测方法、装置和计算机可读存储介质 | |
CN108538311A (zh) | 音频分类方法、装置及计算机可读存储介质 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
TWI707243B (zh) | 基於眼球跟蹤之活體檢測的方法、裝置及系統 | |
CN110298230A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
CN109934065A (zh) | 一种用于手势识别的方法和装置 | |
CN109376631A (zh) | 一种基于神经网络的回环检测方法及装置 | |
CN107194361A (zh) | 二维姿势检测方法及装置 | |
CN109766755A (zh) | 人脸识别方法及相关产品 | |
CN111666925B (zh) | 一种人脸识别模型的训练方法及装置 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN111104833A (zh) | 用于活体检验的方法和装置,存储介质和电子设备 | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
CN108229494A (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
CN113076903A (zh) | 一种目标行为检测方法、系统、计算机设备及机器可读介质 | |
CN110532746A (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN108875500A (zh) | 行人再识别方法、装置、系统及存储介质 | |
CN110059569A (zh) | 活体检测方法和装置、模型评估方法和装置 |
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 |