CN114550244A - 一种活体检测方法、装置及设备 - Google Patents
一种活体检测方法、装置及设备 Download PDFInfo
- Publication number
- CN114550244A CN114550244A CN202210128806.3A CN202210128806A CN114550244A CN 114550244 A CN114550244 A CN 114550244A CN 202210128806 A CN202210128806 A CN 202210128806A CN 114550244 A CN114550244 A CN 114550244A
- Authority
- CN
- China
- Prior art keywords
- image
- living body
- probability value
- detected
- preset
- 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 168
- 239000013598 vector Substances 0.000 claims abstract description 174
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims description 116
- 238000003709 image segmentation Methods 0.000 claims description 86
- 238000012549 training Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 31
- 238000013145 classification model Methods 0.000 claims description 27
- 238000001727 in vivo Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001680 brushing effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 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
- G06F18/22—Matching criteria, e.g. proximity measures
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
本说明书实施例中公开了一种活体检测方法、装置及设备。该方案可以包括：获取待检测图像中的人脸区域及背景区域分别对应的第一非活体概率值及第二非活体概率值，以及，确定该背景区域的目标特征向量与各个非活体图像样本中的背景区域对应的预存特征向量之间的最大相似度，从而可以根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
Description
技术领域
本申请涉及计算机视觉及图像处理技术领域，尤其涉及一种活体检测方法、装置及设备。
背景技术
随着计算机技术以及光学成像技术的发展，基于人脸识别技术的用户识别方式正在日渐普及。在人脸识别应用过程中，通常需要验证用户是否为真实活体本人操作，以甄别人脸识别时的欺诈行为，保障用户利益。目前。在进行活体检测时，通常会针对设备采集图像中的人脸区域进行分析、检测，以生成活体识别结果，但往往不会去结合设备采集图像中的背景区域进行活体识别，从而并未综合考虑用户所处的环境对于活体检测结果的影响。
因此，如何结合图像背景信息去提升活体检测结果的准确性及有效性，已成为亟待解决的技术问题。
发明内容
本说明书实施例提供的一种活体检测方法、装置及设备，能够结合图像背景信息去提升活体检测结果的准确性及有效性。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种活体检测方法，包括：
获取根据待检测图像中的人脸区域确定出的第一非活体概率值；
获取根据所述待检测图像中的背景区域确定出的第二非活体概率值；
对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；
确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量；
根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
本说明书实施例提供的一种活体检测装置，包括：
第一获取模块，用于获取根据待检测图像中的人脸区域确定出的第一非活体概率值；
第二获取模块，用于获取根据所述待检测图像中的背景区域确定出的第二非活体概率值；
特征提取模块，用于对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；
最大相似度确定模块，用于确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量；
活体检测结果生成模块，用于根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
本说明书实施例提供的一种活体检测设备，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：
获取根据待检测图像中的人脸区域确定出的第一非活体概率值；
获取根据所述待检测图像中的背景区域确定出的第二非活体概率值；
对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；
确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量；
根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
本说明书中提供的至少一个实施例能够实现以下有益效果：
根据待检测图像中的人脸区域及背景区域分别确定第一非活体概率值及第二非活体概率值，以及，确定该背景区域的目标特征向量与各个非活体图像样本(即攻击样本)中的背景区域对应的预存特征向量之间的最大相似度，以根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。由于所述第二非活体概率值可以反映根据待检测图像的背景区域所预测出的待检测图像中不包含活体的概率，而所述最大相似度可以表示待检测图像的背景区域与大量已识别的攻击样本之间的相似程度，以用于反映待检测图像中不包含活体的概率，从而使得该方案能够充分结合待检测图像中的背景区域信息生成活体检测结果，有利于提升生成的活体检测结果的准确性及有效性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例中提供的一种活体检测方法的整体方案流程示意图；
图2为本说明书实施例提供的一种活体检测方法的流程示意图；
图3为本说明书实施例提供的一张待检测图像的人脸区域及背景区域的示意图；
图4为本说明书实施例提供的对应于图2中的活体检测方法的泳道流程示意图；
图5为本说明书实施例提供的对应于图2的一种活体检测装置的结构示意图；
图6为本说明书实施例提供的对应于图2的一种活体检测设备的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
现有技术中，随着人脸识别技术的广泛应用，风险也伴随而来。例如，不法分子利用打印照片、播放视频等形式，在人脸识别过程中进行作弊、攻击。为了解决这类问题，活体检测技术应运而生。利用活体检测技术能够识别在进行人脸识别操作的是真实活体本人，还是通过使用打印照片、硅胶面具、播放视频等手段进行攻击的不法分子。
目前，常用的活体检测技术通常只关注人脸区域，通过对人脸区域中包含的信息进行分析处理，往往可以规避大部分的较为简单的攻击行为带来的风险。不过不法分子往往会使用更加复杂的技术进行作弊、攻击，因此，可能已经很难在人脸区域中捕捉到攻击的痕迹，从而影响生成的活体检测结果的准确性及有效性。
在实际应用中，由于待检测图像中的人脸区域以外的背景区域中也可能会隐含许多攻击的线索，例如，由于不法分子可能会持续在同一环境内进行作弊、攻击，则可以通过待检测图像中的背景区域所包含的环境信息来判断本次刷脸的攻击风险。另外，对于固定的用户，其刷脸的场景往往是固定的，因此，若该用户本次刷脸的场景发生了比较大的变化，那么本次刷脸也很有可能存在攻击风险。基于此，如何充分利用图像背景信息，提升活体检测算法在高难度攻击上的性能，成为了人们关注的问题。
为了解决现有技术中的缺陷，本方案给出了以下实施例：
图1为本说明书实施例中提供的一种活体检测方法的整体方案流程示意图。
如图1所示，当用户101需要在设备102处进行人脸识别时，设备102可以对用户101进行图像采集，以得到待检测图像。在实际应用中，可以直接利用设备102针对待处理图像执行本说明书实施例中提供的活体检测方法，或者，设备102也可以将待处理图像发送至服务器103，以利用服务器103针对待处理图像执行本说明书实施例中提供的活体检测方法，对此不作具体限定。其中，设备102与服务器103可以分别为用于人脸识别或者用于活体检测的应用程序的客户端及服务端。
为便于理解，以利用服务器103针对待处理图像执行本说明书实施例中提供的活体检测方法为例进行解释说明。假定，服务器103接收到了待处理图像，则服务器103可以针对待处理图像进行前景及背景分割，以确定待检测图像中的人脸区域(即前景区域)及背景区域。后续，则可以获取根据待检测图像中的人脸区域确定出的第一非活体概率值，以及，获取根据所述待检测图像中的背景区域确定出的第二非活体概率值。对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度，其中，所述预存特征向量可以为非活体图像样本(即攻击样本)中的背景区域的特征向量。以根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
图1中的方案，通过将待检测图像的前景和背景分割开来，并分别基于前景和背景生成第一非活体概率值与第二非活体概率值，以及，结合待检测图像的背景区域与大量已识别的攻击样本之间的相似程度，确定活体检测结果，从而能够充分结合待检测图像中的背景区域信息生成活体检测结果，有利于提升活体检测方法在高难度攻击上的防御能力，以便于保障生成的活体检测结果的准确性及有效性。
接下来，将针对说明书实施例提供的一种活体检测方法结合附图进行具体说明：
图2为本说明书实施例提供的一种活体检测方法的流程示意图。从程序角度而言，该流程的执行主体可以为用于进行活体检测的设备，例如，图1中的设备102或服务器103，或者，也可以为上述设备搭载的应用程序，如图2所示，该流程可以包括以下步骤：
步骤202：获取根据待检测图像中的人脸区域确定出的第一非活体概率值。
本说明书实施例中，待检测图像可以为待检测用户在进行人脸识别或活体检测操作时，利用设备针对该待检测用户采集的图像。在实际应用中，所述设备既可以为商店里的支持刷脸支付的机具，也可以为用户终端设备，对此不作具体限定。
本说明书实施例中，待检测图像中的人脸区域可以为待检测图像中的前景区域，所述待检测图像的人脸区域中通常应包含在人脸识别过程中的主体(即待检测用户)。具体的，所述待检测图像的人脸区域中可以包含待检测用户的人脸、躯体等身体部位，除此之外，还可以包含待检测用户手持的物件等。不过，为保证人脸识别及活体检测的有效性，待检测图像的人脸区域中至少应用包含待检测用户的人脸图像。
为便于理解，本说明书实施例提供了一张待检测图像的人脸区域及背景区域的示意图，如图3所示，待检测图像中可以包含不规则的人脸区域301及不规则的背景区域302。其中，人脸区域301可以包含用户面部、胸部、上肢等部位的图像，而背景区域302则可以为待检测图像中的人脸区域301以外的区域，背景区域302中可以包含有用户所处的环境信息，例如，用户身侧的五角星状的指示牌。
本说明书实施例中，可以单独根据待检测图像中的人脸区域进行活体检测，以确定第一非活体概率值。其中，所述第一非活体概率值可以用于反映根据待检测图像中的人脸区域确定的待检测图像中不包含活体用户的概率，即用于反映人脸识别过程中存在欺诈、作弊、攻击行为的可能性。
步骤204：获取根据所述待检测图像中的背景区域确定出的第二非活体概率值。
本说明书实施例中，待检测图像中的背景区域可以为待检测图像中除了前景区域以外的其他区域，待检测图像的背景区域中通常可以包含待检测用户所处的环境信息，例如，用户周围的窗户、门、货架、标识牌等。
本说明书实施例中，可以单独的根据待检测图像中的背景区域进行活体检测，以确定第二非活体概率值。其中，所述第二非活体概率值可以用于反映根据待检测图像中的背景区域确定的待检测图像中不包含活体用户的概率，即用于反映存在欺诈、作弊、攻击行为的可能性。
步骤206：对所述待检测图像中的背景区域进行特征提取，得到目标特征向量。
本说明书实施例中，可以从待检测图像中提取背景区域中的图像，对提取到的背景区域的图像进行特征化处理后得到的向量数据可以作为目标特征向量，该目标特征向量中包含了所述背景区域的图像中的大量的特征信息，从而可以用于衡量所述背景区域的图像与其他攻击背景图像之间的相似度，进而便于确定待检测图像中不包含活体的概率。通常情况下，所述背景区域的图像与其他攻击背景图像之间的相似度越高，则待检测图像中不包含活体的概率越大。
步骤208：确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量。
本说明书实施例中，非活体图像样本(即攻击图像样本)可以为在不法分子使用欺诈、作弊、攻击手段进行人脸识别的过程中所采集到的图像，例如，不法分子在租赁房屋内进行攻击性的人脸识别时所采集到的图像等，这些非活体图像样本中的背景区域通常包含有攻击信息。因此，可以对非活体图像样本的背景区域进行特征提取，以得到包含攻击信息的预存特征向量，从而可以基于该预存特征向量与所述目标特征向量之间的相似度，去衡量攻击图像样本与待检测图像的背景区域中的图像之间的相似度，进而便于确定待检测图像中不包含活体的概率。
在实际应用中，可以计算所述目标特征向量与各个预存特征向量之间的相似度，将计算得到的多个相似度中的最大值作为最大相似度即可。其中，所述目标特征向量与各个预存特征向量之间的相似度可以为余弦相似度。
步骤210：根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
本说明书实施例中，所述第一非活体概率值可以反映根据待检测图像的前景区域确定的待检测图像中不包含活体的可能性；所述第二非活体概率值可以反映根据待检测图像的背景区域确定的待检测图像中不包含活体的可能性；所述最大相似度可以反映待检测图像的背景区域与攻击图像的背景区域之间的相似性，进而可以用于确定待检测图像中不包含活体的可能性。
基于此，可以根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，确定待检测图像中不包含活体的可能性，以得到针对待检测图像的活体检测结果。其中，所述第一非活体概率值、所述第二非活体概率值及所述最大相似度分别与待检测图像中不包含活体的可能性成正比。
图2中的方案，通过根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。由于所述第二非活体概率值可以反映根据待检测图像的背景区域所预测出的待检测图像中不包含活体的概率，而所述最大相似度可以表示待检测图像的背景区域与大量已识别的攻击样本之间的相似程度，以用于反映待检测图像中不包含活体的概率，从而使得该方案能够充分结合待检测图像中的背景区域信息生成活体检测结果，有利于提升生成的活体检测结果的准确性及有效性。
基于图2中的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
本说明书实施例中，由于需要分别基于待检测图像的前景区域及背景区域进行活体检测，因此，需要对待检测图像的前景区域及背景区域进行分割。
基于此，步骤202：获取根据待检测图像中的人脸区域确定出的第一非活体概率值之前，还可以包括：
利用图像分割模型对待检测图像进行分割处理，得到所述待检测图像中的人脸区域及所述待检测图像中的背景区域；所述待检测图像中的背景区域为所述所述待检测图像中的所述人脸区域以外的区域；所述图像分割模型是基于第一预设损失函数，利用携带有预设图像分割结果的图像样本，对深度学习模型进行训练而得到的。
其中，所述第一预设损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度，以及，表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度，所述特征图像子区域为所述图像分割模型对所述图像样本进行分割处理的过程中生成的特征图像中的部分区域。
本说明书实施例中，图像分割可以为根据图像内容对指定区域(例如，前景区域、背景区域、指定物体等)进行标记的计算机视觉任务。在实际应用中，可以利用图像分割模型将图像中属于同一类别或同一个体的东西划分在一起，并将各个子部分区分开来，从而实现像素级别的图像分割。
具体的，由于本申请需要对图像中的人脸区域(即前景)及背景区域进行分割，因此，可以预先使用携带有预设图像分割结果的图像样本对图像分割模型进行训练。其中，预设图像分割结果可以指对图像样本的人脸区域或背景区域的标注信息。值得注意的是，图像样本的人脸区域中除了包含样本用户的面部图像以外，还可以包含样本用户的颈部、胸部、四肢及样本用户手持的物体等。而图像样本的背景区域则可以指图像样本中的前景区域以外的区域。
本说明书实施例中，可以利用现有的图像分割模型对待检测图像进行分割处理，以得到所述待检测图像中的人脸区域及背景区域。不过由于现有技术中在对图像分割模型进行训练时，使用的损失函数通常仅用于表征图像分割模型输出的预测图像分割结果与图像样本的预设图像分割结果之间的偏差程度，从而令现有的图像分割模型所分割得到的前景区域及背景区域的准确性存在不足。基于此，为克服现有的图像分割模型的上述缺陷，本说明书实施例中，对训练图像分割模型所使用的损失函数进行了优化。
具体的，在现有的图像分割模型的损失函数的基础上，令图像分割模型的损失函数还能够用于表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度，所述特征图像子区域为所述图像分割模型对所述图像样本进行分割处理的过程中生成的特征图像中的部分区域。
在实际应用中，在利用图像样本对图像分割模型进行训练时，图像分割模型的全连接层会生成图像样本的特征图谱，且该特征图谱可以区分图像样本的前景区域及背景区域，因此，可以将所述特征图谱作为特征图像。其中，所述特征图谱中的前景区域中的各个子区域(即特征图像子区域)的分类类型相同，所述特征图谱中的背景区域中的各个子区域(即特征图像子区域)的分类类型也相同，但所述特征图谱中的前景区域与背景区域中的子区域的分类类型不同。
在实际应用中，所述特征图像子区域可以是从特征图像中随机选择的预设尺寸的区域，该预设尺寸可以根据实际需求进行设置，对此不作具体限定，例如，预设尺寸可以为长和宽均为4(像素)的区域等。而用于搭建图像分割模型的深度学习模型可以采用UNET网络结构实现，当然，该深度学习模型也可以为其他类型的卷积神经网络，对此不作具体限定。
本说明书实施例中，由于相同分类类型的特征图像子区域的特征通常具有一致性，因此，可以令图像分割模型的损失函数去表征根据预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度，并通过在训练过程中令图像分割模型的损失函数最小化，以使得图像分割模型输出的具有相同分类标签(即前景类型标签或背景类型标签)的区域特征具有连续性，从而有利于提升图像分割模型的准确性。
为便于理解，本说明书实施例中，还提供了图像分割模型的损失函数的公式。
具体的，所述第一预设损失函数可以包括第一损失函数及第二损失函数；所述第一损失函数可以用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度，在实际应用中，所述第一损失函数可以采用欧式距离损失函数实现。所述第二损失函数可以用于表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度。
所述第一预设损失函数的公式可以为：L12＝N*L1+M*L2。
所述第一损失函数的公式可以为：
所述第二损失函数的公式可以为：
其中，L12可以表示由第一损失函数及第二损失函数搭建的第一预设损失函数，N与M可以为正数。y1可以表示图像分割模型输出的预测图像分割结果，GT可以表示图像样本的预设图像分割结果；L1可以表示y1与GT之间的偏差程度，具体的，
可以表示y1与GT的各个分量之差的平方和的平方根。R1可以表示一个所述特征图像子区域的特征向量，R2可以表示另一个所述特征图像子区域的特征向量，且R1与R2表示的两个特征图像子区域的分类类型是相同的；L2可以表示R1与R2之间的偏差程度，
可以表示R1与R2的各个分量之差的平方和的平方根。
本说明书实施例中，第一预设损失函数可以为第一损失函数及第二损失函数的加权和，通过在图像分割模型的训练过程中，令该第一预设损失函数最小化，以一次性利用两个功能不同的第一损失函数及第二损失函数对图像分割模型进行优化，从而不仅有利于提升训练得到的图像分割模型的准确性，还有利于提升图像分割模型的训练效率。
本说明书实施例中，还可以利用现有技术，去根据待检测图像中的人脸区域确定第一非活体概率值。
具体的，步骤202：获取根据待检测图像中的人脸区域确定出的第一非活体概率值，可以包括：
利用第一活体检测模型对所述待检测图像中的人脸区域内的图像进行活体检测，得到第一非活体概率值；所述第一活体检测模型是利用设备采集图像样本中的人脸区域内的图像，对第一分类模型进行训练而得到的。
本说明书实施例中，第一活体检测模型可以采用的二分类的第一分类模型实现。在实际应用中，所述第一分类模型既可以采用ResNet18网络结构实现，也可以采用其他基于卷积神经网络的分类模型实现，对此不作具体限定。
本说明书实施例中，在对第一分类模型进行训练以得到第一活体检测模型之前，需要预先准备训练样本。具体的，可以先获取设备采集图像样本，该设备采集图像样本既可以是从合法的图像数据库处获取的包含活体人脸的图像样本及不包含活体人脸的图像样本(即攻击图像样本)，或者，也可以是基于用户授权而在用户进行人脸识别过程中采集到的图像样本，对此不作具体限定。
对设备采集图像样本的人脸区域(即前景区域)及背景区域进行分割，提取设备采集图像样本中的人脸区域内的图像作为训练样本，并为该训练样本设置表示包含活体的标签数据或者不包含活体的标签数据。基于二分类损失函数，利用携带有标签数据的训练样本对第一分类模型进行训练，所述第一分类模型则可以输出预测得到的训练样本中不包含活体的概率值(即非活体概率值)，若训练后的第一分类模型的预测准确性符合需求，则可以作为第一活体检测模型使用。步骤202中，可以将待检测图像中的人脸区域内的图像输入第一活体检测模型，该第一活体检测模型输出的不包含活体的概率值即为第一非活体概率值。
本说明书实施例中，在根据待检测图像中的背景区域确定第二非活体概率值时，也可以基于活体检测模型实现。
具体的，步骤204：获取根据所述待检测图像中的背景区域确定出的第二非活体概率值，可以包括：
利用第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测，得到第二非活体概率值；所述第二活体检测模型是基于第二预设损失函数，利用携带有预设活体分类结果的背景图像样本，对第二分类模型进行训练而得到的；所述背景图像样本为设备采集图像样本中的背景区域内的图像。
本说明书实施例中，第二活体检测模型可以采用的二分类的第二分类模型实现。在实际应用中，所述第二分类模型既可以采用ResNet18网络结构实现，也可以采用其他基于卷积神经网络的分类模型实现，对此不作具体限定。
本说明书实施例中，在获取训练第二分类模型所需使用的训练样本时，可以先对设备采集图像样本的前景区域(即人脸区域)及背景区域进行分割，提取设备采集图像样本中的背景区域内的图像作为训练样本，并为该训练样本设置表示包含活体的标签数据或者不包含活体的标签数据，该标签数据可以作为该训练样本的预设活体分类结果。
现有技术中，训练第二分类模型以得到第二活体检测模型时所使用的第二预设损失函数，通常可以用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度。基于这种损失函数，能够使得第二活体检测模型输出的第二非活体概率值的准确性得到保障。
不过，由于本说明书实施例中，还需要对待检测图像中的背景区域进行特征提取以得到目标特征向量，而第二活体检测模型在对待检测图像中的背景区域的图像进行分类的过程中通常也会生成该目标特征向量，因此，可以利用第二活体检测模型提取该目标特征向量。而为提升利用第二活体检测模型提取的目标特征向量的准确性，本说明书实施例中，还对第二预设损失函数进行了优化。
具体的，在现有的分类模型的二分类损失函数的基础上，可以令第二预设损失函数还能够用于表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度。
在实际应用中，第二分类模型的最后一层为输出层，可以用于输出背景图像样本中不包含活体的概率，而与该输出层直接连接的网络层通常为全连接层，该全连接层不仅能够将第二分类模型的前边的网络层提取到的背景图像样本的特征数据综合起来，还能够对背景图像样本的特征数据进行聚类处理，以得到背景图像样本的各个预设类别的图像特征向量；该全连接层还可以将背景图像样本的各个预设类别的图像特征向量发送至输出层，以作为输出层的输入特征。
所述第二分类模型的模型参数中通常也会包含各个预设类别的图像特征聚类中心，所述各个预设类别的图像特征聚类中心可以为第二分类模型的训练过程中生成的，其中，任意一个预设类别的图像特征聚类中心可以为该预设类别的背景图像样本的特征数据的聚类中心。
本说明书实施例中，由于第二预设损失函数能够用于表征背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度，因此，以最小化第二预设损失函数为目标对第二分类模型训练后，可以保障相同的背景图像在特征空间中尽量接近，后续若利用第二分类模型生成目标特征向量及预存特征向量，则能够提升确定出的目标特征向量与预存特征向量之间的最大相似度的准确性，以保障基于该最大相似度生成的活体检测结果的准确性。
具体的，所述第二预设损失函数可以包括第三损失函数及第四损失函数。所述第三损失函数可以用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度；所述第三损失函数可以为现有的二分类损失函数，例如，交叉熵损失函数等。所述第四损失函数则可以用于表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度。
所述第二预设损失函数的公式可以为：L34＝X*L3+Z*L4。
所述第三损失函数的公式可以为：L3＝CrossEntropy(p,y2)。
所述第四损失函数的公式可以为：
其中，L34可以表示由第三损失函数及第四损失函数搭建的第二预设损失函数，X与Z可以为正数。y2可以表示第二活体检测模型输出的预测活体分类结果，p可以表示背景图像样本的预设活体分类结果，CrossEntropy()表示交叉熵损失函数，L3表示p与y2之间的偏差程度。fi可以表示所述背景图像样本的第i类的图像特征向量，ci可以表示第i类的图像特征聚类中心，L4可以表示fi与ci之间的偏差程度，
可以表示所述背景图像样本的图像特征向量与图像特征聚类中心的各个分量之差的平方和的平方根，i为大于1的正整数。
本说明书实施例中，第二预设损失函数可以为第三损失函数及第四损失函数的加权和，通过在第二活体检测模型的训练过程中，令该第二预设损失函数最小化，以一次性利用两个功能不同的第三损失函数及第四损失函数对第二活体检测模型进行优化，从而有利于提升第二活体检测模型的训练效率。
本说明书实施例中，还提供了利用第二活体检测模型提取目标特征向量及目标特征向量的实现方式。
具体的，步骤206：对所述待检测图像中的背景区域进行特征提取，得到目标特征向量，可以包括：
提取所述第二活体检测模型的全连接层的第一输入特征向量，得到目标特征向量；所述目标特征向量是在利用所述第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测的过程中生成的。
本说明书实施例中，在利用第二活体检测模型对待检测图像中的背景区域内的图像进行活体检测的过程中，由于第二活体检测模型的全连接层能够将前边的网络层提取到的图像特征数据综合起来，因此，可以提取所述第二活体检测模型的全连接层的输入特征向量(即第一输入特征向量)，以作为待检测图像中的背景区域内的图像的特征向量，从而得到目标特征向量。该目标特征向量中包含有待检测图像中的背景区域内的图像的大量的特征信息。
在实际应用中，所述第二活体检测模型中可以包含一个或多个全连接层，因此，既可以利用第二活体检测模型中的任意一个全连接层去提取目标特征向量，也可以利用与输出层连接的全连接层去提取目标特征向量，对此不作具体限定。
同理，步骤206：确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度之前，还可以包括：
利用所述第二活体检测模型对所述非活体图像样本中的背景区域内的图像进行活体检测，提取所述第二活体检测模型的全连接层的第二输入特征向量，得到所述预存特征向量。
本说明书实施例中，利用所述第二活体检测模型提取目标特征向量与预存特征向量时采用的原理可以是相同的，即用于提取第二输入特征向量与第一输入特征向量的全连接层通常是同一全连接层，从而有利于提升后续确定出的目标特征向量与预存特征向量之间的最大相似度的准确性，进而有利于提升生成的活体检测结果的准确性。
在实际应用中，非活体图像样本可以是预先已经识别的不法分子在进行攻击性的活体识别过程中采集到的图像，这些非活体图像样本的背景区域内的图像通常会包含攻击信息，因此，可以利用预先训练好的图分割模型对非活体图像样本的前景及背景进行分割，以提取非活体图像样本的背景区域内的图像，进而可以提取并存储所述非活体图像样本中的背景区域内的图像的特征数据，以得到包含攻击信息的预存特征向量。若待检测图像的背景区域对应的目标特征向量与预存特征向量之间的最大相似度较大，则可以表示待检测图像的背景区域包含较多的攻击信息，从而可以表示待检测图像中不包含活体而存在攻击、作弊行为的可能性较高。
在实际应用中，在识别出新的攻击场景后，可以定期新增在该攻击场景中采集的非活体图像样本，通过提取并存储新增的非活体图像样本的预存特征向量，以实现对预存特征向量集合的更新。后续，当基于更新后的预存特征向量集合进行活体检测时，就能够将新增的攻击场景纳入识别范围，方便快捷且成本低。
当然，也可以利用第二活体检测模型以外的其他模型或方式去提取目标特征向量及预存特征向量，但通常应保证针对目标特征向量及目标特征向量的提取方式是相同的，以保障生成的活体检测结果的准确性。
本说明书实施例中，步骤210：根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果，具体可以包括：
计算所述第一非活体概率值与第一预设权重之积，得到第一加权概率值。
计算所述第二非活体概率值与第二预设权重之积，得到第二加权概率值。
计算所述第一加权概率值与所述第二加权概率值之和同所述最大相似度之积，得到目标非活体概率值。
判断所述目标非活体概率值是否大于预设阈值，得到判断结果。
若所述判断结果表示所述目标非活体概率值大于预设阈值，则生成表示所述待检测图像中不包含活体的检测结果。
若所述判断结果表示所述目标非活体概率值小于等于预设阈值，则生成表示所述待检测图像中包含活体的检测结果。
其中，第一预设权重与第二预设权重通常均为正数，以保障所述第一非活体概率值、所述第二非活体概率值及所述最大相似度与目标非活体概率值均成正比。本说明书实施例中，第一预设权重与第二预设权重可以根据实际需求自行设置，例如，分别设置为0.6及0.4或者0.7及0.3，对此不作具体限定。
本说明书实施例中，由于所述第二非活体概率值可以反映根据待检测图像的背景区域所预测出的待检测图像中不包含活体的概率，而所述最大相似度可以表示待检测图像的背景区域与大量已识别的攻击样本之间的相似程度，以用于反映待检测图像中不包含活体的概率，从而使得该方案能够充分结合待检测图像中的背景区域信息生成活体检测结果，有利于提升生成的活体检测结果的准确性及有效性。
图4为本说明书实施例提供的对应于图2中的活体检测方法的泳道流程示意图。如图2所示，该活体检测流程可以涉及图像采集设备、活体检测设备等执行主体。
在图像采集阶段，图像采集设备可以在用户进行人脸识别过程中采集待检测图像，发送该待检测图像至活体检测设备。
在活体检测阶段，活体检测设备可以利用图像分割模型对接收到的待检测图像进行分割处理，得到待检测图像中的人脸区域及背景区域。以及，利用第一活体检测模型对所述待检测图像中的人脸区域内的图像进行活体检测，得到第一非活体概率值。利用第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测，得到第二非活体概率值，以及，提取所述第二活体检测模型的全连接层的第一输入特征向量，得到目标特征向量。
确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度，其中，预存特征向量为利用所述第二活体检测模型对所述非活体图像样本中的背景区域内的图像进行活体检测，而提取的所述第二活体检测模型的全连接层的第二输入特征向量。
根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，确定目标非活体概率值，其中，第一非活体概率值、所述第二非活体概率值及所述最大相似度均与目标非活体概率值成正比。判断目标非活体概率值是否大于预设阈值，若是，则可以生成表示待检测图像中不包含活体的检测结果，否则，可以生成表示待检测图像中包含活体的检测结果。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图5为本说明书实施例提供的对应于图2的一种活体检测装置的结构示意图。如图5所示，该装置可以包括：
第一获取模块502，用于获取根据待检测图像中的人脸区域确定出的第一非活体概率值。
第二获取模块504，用于获取根据所述待检测图像中的背景区域确定出的第二非活体概率值。
特征提取模块506，用于对所述待检测图像中的背景区域进行特征提取，得到目标特征向量。
最大相似度确定模块508，用于确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量。
活体检测结果生成模块510，用于根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
基于图5的装置，本说明书实施例还提供了该装置的一些具体实施方案，下面进行说明。
可选的，图5中的装置，还可以包括：
图像分割模块，用于利用图像分割模型对待检测图像进行分割处理，得到所述待检测图像中的人脸区域及所述待检测图像中的背景区域；所述待检测图像中的背景区域为所述所述待检测图像中的所述人脸区域以外的区域；所述图像分割模型是基于第一预设损失函数，利用携带有预设图像分割结果的图像样本，对深度学习模型进行训练而得到的。
其中，所述第一预设损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度，以及，表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度，所述特征图像子区域为所述图像分割模型对所述图像样本进行分割处理的过程中生成的特征图像中的部分区域。
可选的，所述第一预设损失函数可以包括第一损失函数及第二损失函数；所述第一损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度；所述第二损失函数用于表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度。
所述第二损失函数的公式为：
其中，R1表示一个所述特征图像子区域的特征向量，R2表示另一个所述特征图像子区域的特征向量，L2表示R1与R2之间的偏差程度。
可选的，所述第一获取模块202，具体可以用于：
利用第一活体检测模型对所述待检测图像中的人脸区域内的图像进行活体检测，得到第一非活体概率值；所述第一活体检测模型是利用设备采集图像样本中的人脸区域内的图像，对第一分类模型进行训练而得到的。
可选的，所述第二获取模块204，具体可以用于：
利用第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测，得到第二非活体概率值；所述第二活体检测模型是基于第二预设损失函数，利用携带有预设活体分类结果的背景图像样本，对第二分类模型进行训练而得到的；所述背景图像样本为设备采集图像样本中的背景区域内的图像。
其中，所述第二预设损失函数用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度，以及，表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度。
可选的，所述第二预设损失函数包括第三损失函数及第四损失函数；所述第三损失函数用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度；所述第四损失函数用于表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度。
所述第四损失函数的公式为：
其中，fi表示所述背景图像样本的第i类的图像特征向量，ci表示第i类的图像特征聚类中心，L4表示fi与ci之间的偏差程度。
可选的，所述特征提取模块506，具体可以用于：
提取所述第二活体检测模型的全连接层的第一输入特征向量，得到目标特征向量；所述目标特征向量是在利用所述第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测的过程中生成的。
可选的，图5中的装置，还可以包括：
预存特征向量提取模块，用于利用所述第二活体检测模型对所述非活体图像样本中的背景区域内的图像进行活体检测，提取所述第二活体检测模型的全连接层的第二输入特征向量，得到所述预存特征向量。
可选的，所述活体检测结果生成模块510，具体可以用于：
计算所述第一非活体概率值与第一预设权重之积，得到第一加权概率值。
计算所述第二非活体概率值与第二预设权重之积，得到第二加权概率值。
计算所述第一加权概率值与所述第二加权概率值之和同所述最大相似度之积，得到目标非活体概率值。
判断所述目标非活体概率值是否大于预设阈值，得到判断结果。
若所述判断结果表示所述目标非活体概率值大于预设阈值，则生成表示所述待检测图像中不包含活体的检测结果。
若所述判断结果表示所述目标非活体概率值小于等于预设阈值，则生成表示所述待检测图像中包含活体的检测结果。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图6为本说明书实施例提供的对应于图2的一种活体检测设备的结构示意图。如图6所示，设备600可以包括：
至少一个处理器610；以及，
与所述至少一个处理器通信连接的存储器630；其中，
所述存储器630存储有可被所述至少一个处理器610执行的指令620，所述指令被所述至少一个处理器610执行，以使所述至少一个处理器610能够：
获取根据待检测图像中的人脸区域确定出的第一非活体概率值。
获取根据所述待检测图像中的背景区域确定出的第二非活体概率值。
对所述待检测图像中的背景区域进行特征提取，得到目标特征向量。
确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量。
根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图6所示的设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (19)
1.一种活体检测方法，包括：
获取根据待检测图像中的人脸区域确定出的第一非活体概率值；
获取根据所述待检测图像中的背景区域确定出的第二非活体概率值；
对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；
确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量；
根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
2.如权利要求1所述的方法，所述获取根据待检测图像中的人脸区域确定出的第一非活体概率值之前，还包括：
利用图像分割模型对待检测图像进行分割处理，得到所述待检测图像中的人脸区域及所述待检测图像中的背景区域；所述待检测图像中的背景区域为所述所述待检测图像中的所述人脸区域以外的区域；所述图像分割模型是基于第一预设损失函数，利用携带有预设图像分割结果的图像样本，对深度学习模型进行训练而得到的；
其中，所述第一预设损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度，以及，表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度，所述特征图像子区域为所述图像分割模型对所述图像样本进行分割处理的过程中生成的特征图像中的部分区域。
3.如权利要求2所述的方法，所述第一预设损失函数包括第一损失函数及第二损失函数；所述第一损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度；所述第二损失函数用于表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度；
所述第二损失函数的公式为：
其中，R1表示一个所述特征图像子区域的特征向量，R2表示另一个所述特征图像子区域的特征向量，L2表示R1与R2之间的偏差程度。
4.如权利要求1所述的方法，所述获取根据待检测图像中的人脸区域确定出的第一非活体概率值，具体包括：
利用第一活体检测模型对所述待检测图像中的人脸区域内的图像进行活体检测，得到第一非活体概率值；所述第一活体检测模型是利用设备采集图像样本中的人脸区域内的图像，对第一分类模型进行训练而得到的。
5.如权利要求1所述的方法，所述获取根据所述待检测图像中的背景区域确定出的第二非活体概率值，具体包括：
利用第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测，得到第二非活体概率值；所述第二活体检测模型是基于第二预设损失函数，利用携带有预设活体分类结果的背景图像样本，对第二分类模型进行训练而得到的；所述背景图像样本为设备采集图像样本中的背景区域内的图像；
其中，所述第二预设损失函数用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度，以及，表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度。
6.如权利要求5所述的方法，所述第二预设损失函数包括第三损失函数及第四损失函数；所述第三损失函数用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度；所述第四损失函数用于表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度；
所述第四损失函数的公式为：
其中，fi表示所述背景图像样本的第i类的图像特征向量，ci表示第i类的图像特征聚类中心，L4表示fi与ci之间的偏差程度。
7.如权利要求5或6所述的方法，所述对所述待检测图像中的背景区域进行特征提取，得到目标特征向量，具体包括：
提取所述第二活体检测模型的全连接层的第一输入特征向量，得到目标特征向量；所述目标特征向量是在利用所述第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测的过程中生成的。
8.如权利要求7所述的方法，所述确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度之前，还包括：
利用所述第二活体检测模型对所述非活体图像样本中的背景区域内的图像进行活体检测，提取所述第二活体检测模型的全连接层的第二输入特征向量，得到所述预存特征向量。
9.如权利要求1所述的方法，所述根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果，具体包括：
计算所述第一非活体概率值与第一预设权重之积，得到第一加权概率值；
计算所述第二非活体概率值与第二预设权重之积，得到第二加权概率值；
计算所述第一加权概率值与所述第二加权概率值之和同所述最大相似度之积，得到目标非活体概率值；
判断所述目标非活体概率值是否大于预设阈值，得到判断结果；
若所述判断结果表示所述目标非活体概率值大于预设阈值，则生成表示所述待检测图像中不包含活体的检测结果；
若所述判断结果表示所述目标非活体概率值小于等于预设阈值，则生成表示所述待检测图像中包含活体的检测结果。
10.一种活体检测装置，包括：
第一获取模块，用于获取根据待检测图像中的人脸区域确定出的第一非活体概率值；
第二获取模块，用于获取根据所述待检测图像中的背景区域确定出的第二非活体概率值；
特征提取模块，用于对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；
最大相似度确定模块，用于确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量；
活体检测结果生成模块，用于根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
11.如权利要求10所述的装置，还包括：
图像分割模块，用于利用图像分割模型对待检测图像进行分割处理，得到所述待检测图像中的人脸区域及所述待检测图像中的背景区域；所述待检测图像中的背景区域为所述所述待检测图像中的所述人脸区域以外的区域；所述图像分割模型是基于第一预设损失函数，利用携带有预设图像分割结果的图像样本，对深度学习模型进行训练而得到的；
其中，所述第一预设损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度，以及，表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度，所述特征图像子区域为所述图像分割模型对所述图像样本进行分割处理的过程中生成的特征图像中的部分区域。
12.如权利要求11所述的装置，所述第一预设损失函数包括第一损失函数及第二损失函数；所述第一损失函数用于表征所述图像分割模型输出的预测图像分割结果与所述预设图像分割结果之间的偏差程度；所述第二损失函数用于表征根据所述预测图像分割结果确定的两个分类类型相同的特征图像子区域的特征向量之间的偏差程度；
所述第二损失函数的公式为：
其中，R1表示一个所述特征图像子区域的特征向量，R2表示另一个所述特征图像子区域的特征向量，L2表示R1与R2之间的偏差程度。
13.如权利要求10所述的装置，所述第一获取模块，具体用于：
利用第一活体检测模型对所述待检测图像中的人脸区域内的图像进行活体检测，得到第一非活体概率值；所述第一活体检测模型是利用设备采集图像样本中的人脸区域内的图像，对第一分类模型进行训练而得到的。
14.如权利要求10所述的装置，所述第二获取模块，具体用于：
利用第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测，得到第二非活体概率值；所述第二活体检测模型是基于第二预设损失函数，利用携带有预设活体分类结果的背景图像样本，对第二分类模型进行训练而得到的；所述背景图像样本为设备采集图像样本中的背景区域内的图像；
其中，所述第二预设损失函数用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度，以及，表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度。
15.如权利要求14所述的装置，所述第二预设损失函数包括第三损失函数及第四损失函数；所述第三损失函数用于表征所述第二活体检测模型输出的预测活体分类结果与所述预设活体分类结果之间的偏差程度；所述第四损失函数用于表征所述背景图像样本的预设类别的图像特征向量与所述预设类别的图像特征聚类中心之间的偏差程度；
所述第四损失函数的公式为：
其中，fi表示所述背景图像样本的第i类的图像特征向量，ci表示第i类的图像特征聚类中心，L4表示fi与ci之间的偏差程度。
16.如权利要求14或15所述的装置，所述特征提取模块，具体用于：
提取所述第二活体检测模型的全连接层的第一输入特征向量，得到目标特征向量；所述目标特征向量是在利用所述第二活体检测模型对所述待检测图像中的背景区域内的图像进行活体检测的过程中生成的。
17.如权利要求16所述的装置，还包括：
预存特征向量提取模块，用于利用所述第二活体检测模型对所述非活体图像样本中的背景区域内的图像进行活体检测，提取所述第二活体检测模型的全连接层的第二输入特征向量，得到所述预存特征向量。
18.如权利要求10所述的装置，所述活体检测结果生成模块，具体用于：
计算所述第一非活体概率值与第一预设权重之积，得到第一加权概率值；
计算所述第二非活体概率值与第二预设权重之积，得到第二加权概率值；
计算所述第一加权概率值与所述第二加权概率值之和同所述最大相似度之积，得到目标非活体概率值；
判断所述目标非活体概率值是否大于预设阈值，得到判断结果；
若所述判断结果表示所述目标非活体概率值大于预设阈值，则生成表示所述待检测图像中不包含活体的检测结果；
若所述判断结果表示所述目标非活体概率值小于等于预设阈值，则生成表示所述待检测图像中包含活体的检测结果。
19.一种活体检测设备，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：
获取根据待检测图像中的人脸区域确定出的第一非活体概率值；
获取根据所述待检测图像中的背景区域确定出的第二非活体概率值；
对所述待检测图像中的背景区域进行特征提取，得到目标特征向量；
确定所述目标特征向量与预存特征向量集合中的预存特征向量之间的最大相似度；所述预存特征向量为非活体图像样本中的背景区域的特征向量；
根据所述第一非活体概率值、所述第二非活体概率值及所述最大相似度，生成活体检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210128806.3A CN114550244A (zh) | 2022-02-11 | 2022-02-11 | 一种活体检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210128806.3A CN114550244A (zh) | 2022-02-11 | 2022-02-11 | 一种活体检测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114550244A true CN114550244A (zh) | 2022-05-27 |
Family
ID=81674543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210128806.3A Pending CN114550244A (zh) | 2022-02-11 | 2022-02-11 | 一种活体检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114550244A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN108875676A (zh) * | 2018-06-28 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测方法、装置及系统 |
| WO2019076115A1 (zh) * | 2017-10-20 | 2019-04-25 | 阿里巴巴集团控股有限公司 | 一种证件验证、身份验证方法和装置 |
| CN111291755A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质 |
| WO2020199611A1 (zh) * | 2019-04-01 | 2020-10-08 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备及存储介质 |
| CN111985400A (zh) * | 2020-08-20 | 2020-11-24 | 中国建设银行股份有限公司 | 一种人脸活体识别方法、装置、设备及存储介质 |
| CN113887608A (zh) * | 2021-09-28 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、图像检测的方法及装置 |
-
2022
- 2022-02-11 CN CN202210128806.3A patent/CN114550244A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019076115A1 (zh) * | 2017-10-20 | 2019-04-25 | 阿里巴巴集团控股有限公司 | 一种证件验证、身份验证方法和装置 |
| CN107818313A (zh) * | 2017-11-20 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 活体识别方法、装置、存储介质和计算机设备 |
| CN108875676A (zh) * | 2018-06-28 | 2018-11-23 | 北京旷视科技有限公司 | 活体检测方法、装置及系统 |
| WO2020199611A1 (zh) * | 2019-04-01 | 2020-10-08 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备及存储介质 |
| CN111291755A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 对象检测模型训练及对象检测方法、装置、计算机设备和存储介质 |
| CN111985400A (zh) * | 2020-08-20 | 2020-11-24 | 中国建设银行股份有限公司 | 一种人脸活体识别方法、装置、设备及存储介质 |
| CN113887608A (zh) * | 2021-09-28 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、图像检测的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李新豆: "基于可见光成像的人脸活体检测方法研究", 万方, 2 April 2020 (2020-04-02) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476284B (zh) | 图像识别模型训练及图像识别方法、装置、电子设备 | |
| CN111754541A (zh) | 目标跟踪方法、装置、设备及可读存储介质 | |
| CN107368827B (zh) | 字符识别方法及装置、用户设备、服务器 | |
| CN107871314B (zh) | 一种敏感图像鉴别方法和装置 | |
| CN111104925B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
| CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
| WO2022152009A1 (zh) | 目标检测方法、装置、设备以及存储介质 | |
| TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
| CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
| CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
| CN114241505A (zh) | 化学结构图像的提取方法、装置、存储介质及电子设备 | |
| CN113011387A (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
| CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
| CN105844204B (zh) | 人体行为识别方法和装置 | |
| CN110135428B (zh) | 图像分割处理方法和装置 | |
| CN114882204A (zh) | 船名自动识别方法 | |
| CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
| CN114140663A (zh) | 一种基于多尺度注意力学习网络的害虫识别方法及系统 | |
| CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
| CN112818774A (zh) | 一种活体检测方法及装置 | |
| CN115565186B (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
| CN112991280B (zh) | 视觉检测方法、系统及电子设备 | |
| CN114550244A (zh) | 一种活体检测方法、装置及设备 | |
| CN115018886A (zh) | 运动轨迹识别方法、装置、设备及介质 | |
| CN114387496A (zh) | 一种目标检测方法和电子设备 |
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 |