CN114662144A - 一种生物检测方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种生物检测方法、装置及设备，该方法应用于终端设备，包括：获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像，将所述单帧的编码图像发送给服务器，以触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果，接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

Description

一种生物检测方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种生物检测方法、装置及设备。

背景技术

近年来，人脸识别技术得到了极大普及，例如，超市的刷脸付款、手机的面容解锁、楼宇中的刷脸门禁等，上述应用极大方便了人们的日常生活和工作。但是，人脸识别也带来了从未出现过的安全风险—活体攻击(即攻击者制作某用户的图像、面具等工具，并企图使用上述工具通过人脸识别系统的识别，从而盗用用户的账户信息或者资源等的一种攻击手段)。

随着人脸识别技术的普及，用户的面部信息更加频繁的被采集、上传和存储，人们已经开始担心自己的面部信息被滥用，为此，监管部门也已经出台了相关的生物识别图像隐私保护法案。因此，如何保护用户的面部图像不被泄露是一个重要的安全课题。为此，需要提供一种既能够兼顾数据量和生物检测性能又能够对用户隐私进行保护的技术方案。

发明内容

本说明书实施例的目的是提供一种既能够兼顾数据量和生物检测性能又能够对用户隐私进行保护的技术方案。

为了实现上述技术方案，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生物检测方法，应用于终端设备，所述方法包括：获取对目标用户进行生物检测过程中采集的多帧图像。基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像。将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果。接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例提供的一种生物检测方法，应用于服务器，所述方法包括：接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像。基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像。基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

本说明书实施例提供的一种生物检测装置，所述装置包括：图像获取模块，获取对目标用户进行生物检测过程中采集的多帧图像。编码模块，基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像。图像发送模块，将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果。检测结果接收模块，接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例提供的一种生物检测装置，所述装置包括：编码图像接收模块，接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像。解码模块，基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像。检测结果发送模块，基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

本说明书实施例提供的一种生物检测设备，所述生物检测设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取对目标用户进行生物检测过程中采集的多帧图像。基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像。将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果。接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例提供的一种生物检测设备，所述生物检测设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像。基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像。基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取对目标用户进行生物检测过程中采集的多帧图像。基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像。将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果。接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像。基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像。基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

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说明书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1A为本说明书一种生物检测方法实施例；

图1B为本说明书一种生物检测过程的示意图；

图2为本说明书一种生物检测系统的结构示意图；

图3为本说明书另一种生物检测过程的示意图；

图4A为本说明书另一种生物检测方法实施例；

图4B为本说明书又一种生物检测过程的示意图；

图5为本说明书又一种生物检测过程的示意图；

图6为本说明书一种生物检测装置实施例；

图7为本说明书另一种生物检测装置实施例；

图8为本说明书一种生物检测设备实施例。

具体实施方式

本说明书实施例提供一种生物检测方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1A和图1B所示，本说明书实施例提供一种生物检测方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。该方法具体可以包括以下步骤：

在步骤S102中，获取对目标用户进行生物检测过程中采集的多帧图像。

其中，目标用户可以是任意需要进行生物检测的用户。生物检测可以是进行生物特征检测，也可以是对用户的动作、行为的检测，本实施例中的生物检测可以用于确定进行生物检测的对象是否为真人且为用户本人(而不是该用户的图像、视频等)。多帧图像中可以包括目标用户的身体中指定部位的图像，例如，可以包括面部及头部的图像或者可以只包括面部的图像等，多帧图像可以是能够对目标用户进行生物检测，并能够得到准确的生物检测结果的图像，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，近年来，人脸识别技术得到了极大普及，例如，超市的刷脸付款、手机的面容解锁、楼宇中的刷脸门禁等，上述应用极大方便了人们的日常生活和工作。但是，人脸识别也带来了从未出现过的安全风险—活体攻击(即攻击者制作某用户的图像、面具等工具，并企图使用上述工具通过人脸识别系统的识别，从而盗用用户的账户信息或者资源等的一种攻击手段)。为了应对上述可能存在的安全风险，当前，生物检测算法已经被广泛集成到了人脸识别系统中，生物检测算法可以通过单帧图像或者多帧图像判断进行人脸识别的主体是否存在活体攻击的风险，但是，基于单帧图像的生物检测性能较差，但需要传输和处理的数据的数据量较小，对于基于多帧图像的生物检测性能较好，但需要传输和处理的数据的数据量较大。

随着人脸识别技术的普及，用户的面部信息更加频繁的被采集、上传和存储，人们已经开始担心自己的面部信息被滥用，为此，监管部门也已经出台了相关的生物识别图像隐私保护法案。因此，如何保护用户的面部图像不被泄露是一个重要的安全课题。为此，需要提供一种既能够兼顾数据量和生物检测性能又能够对用户隐私进行保护的技术方案。本说明书实施例提供一种可实现的技术方案，具体可以包括以下内容：

用户(即目标用户)的终端设备中可以安装有执行某项业务的应用程序，该应用程序中可以设置有触发该业务的按键或超链接等，当目标用户需要执行该业务时，可以打开该应用程序，并可以点击上述按键或超链接，此时，终端设备中的该应用程序可以判断执行该业务时是否需要对目标用户进行生物检测，或者，终端设备在执行该业务的过程中，某个处理需要对目标用户进行生物检测，则终端设备可以启动摄像组件，并在目标用户授权的情况下，通过摄像组件对当前的目标用户进行生物检测，此时，可以获取对目标用户进行生物检测过程中采集的多帧图像，其中的多帧图像可以是每经过预设的时间间隔而采集的图像，还可以是通过摄像组件拍摄进行生物检测过程的视频，该视频中的图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S104中，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，该编码器用于将多帧图像编码为单帧图像。

其中，编码器可以是将某信号(如比特流等)或数据等进行编制、转换成为可以用于通讯、传输和存储的信号形式或数据形式的组件，编码器可以是通过应用程序实现编码器的相应功能(即通过软件的形式实现)，例如，可以使用某网络模型算法(如神经网络模型算法等)构建相应的网络模型，通过该网络模型来实现编码器的相应功能。此外，编码器也可以是通过硬件设备和应用程序相结合来实现(即硬件+软件的形式实现)，本实施例中的编码器可以将多帧不同的图像通过编码处理后生成一帧图像，另外，还能够通过与该编码器相匹配的解码器对该编码器生成的单帧图像进行解码处理，以还原出编码处理前的多帧图像。单帧的编码图像即表示生成了相应的编码图像，且该编码图像只有一帧。

在实施中，为了保证生物检测的性能，生物检测中需要的图像可能较多，这样图像的传输将会消耗较多的网络资源，且需要传输的数据量较大，此外，直接将多帧图像进行传输又可能会使得其中包含的目标用户的隐私数据泄露，为了兼顾数据量和生物检测性能，以及对目标用户隐私数据的保护，可以预先构建编码器，通过该编码器可以将多帧图像编码为单帧图像，从而减少需要传输的数据量，同时，由于是将多帧图像转换为单帧图像，因此，得到的单帧图像中将很难辨别出用户的隐私数据，此外，还能够通过与该编码器相匹配的解码器对该编码器生成的单帧图像进行解码处理，以还原出编码处理前的多帧图像进行生物检测处理，从而可以实现既兼顾了数据量和生物检测性能，同时，又能够对目标用户隐私数据进行保护的目的，具体地，可以基于上述要求选取相应的算法，例如，可以从深度学习的相关算法中选取能够实现上述目的的算法(具体如卷积神经网络算法等)，并可以通过选取的算法构建编码器的架构，然后，可以获取多个不同用户进行生物识别过程中采集的多帧图像作为训练样本，此外，还可以根据实际情况设定相应的模型训练的收敛条件，还可以为生成的单帧图像设定指定的条件或要求等，例如生成具有3通道的单帧图像或生成具有4通道的单帧图像等，具体可以根据实际情况设定。可以将获取的训练样本输入到编码器的架构中，以对编码器进行训练，在训练的编码器满足上述设定的收敛条件(同时，输出的单帧图像满足设定的指定条件或要求)时，可以停止对编码器进行训练，从而得到训练后的编码器。如果训练的编码器不满足上述设定的收敛条件，则可以通过训练样本继续对编码器进行训练，直到训练的编码器满足上述设定的收敛条件为止。

通过上述方式训练得到编码器后，可以将获取的多帧图像输入到编码器中，通过编码器对多帧图像进行分析，并基于分析结果重新对多帧图像进行编码处理，输出单帧编码图像，由于将多帧图像中的特征集中设置到一帧图像中，因此，单帧编码图像中将很难辨别出多帧图像中包含的目标用户的隐私数据，从而保护用户的隐私数据不被泄露，同时减少后续数据传输的数据量。

在步骤S106中，将单帧的编码图像发送给服务器，该单帧的编码图像用于触发服务器对单帧的编码图像进行解码处理，得到多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果。

其中，服务器可以是生物检测的服务器，也可以是上述业务的后台服务器等，具体可以根据实际情况设定，本说明书实施例对此不做限定。重建图像可以是为了还原出编码处理之前的图像，对经过编码处理的图像进行解码，而重新构建的图像，由于图像经过编码处理后往往会损失某些信息，因此，在解码处理中的目的是还原或恢复出原图像(即编码处理之前的图像)，但由于图像中某些信息的损失，重建图像与原图像相似度较高，但可能会存在一定的差异。

在实施中，如图2所示，终端设备可以在目标用户授权的情况下将上述得到的单帧的编码图像发送给服务器，服务器接收到该单帧的编码图像后，可以对该单帧的编码图像进行分析，如果确定该单帧的编码图像为经过编码处理后得到的图像，则可以启动服务器中预先设定的与上述编码器相对应的解码程序，通过该解码程序可以对单帧的编码图像进行解码处理，以从单帧的编码图像中还原出编码处理前的多帧图像，在解码处理的过程中，服务器可以基于解码程序解析出的图像特征，重新构建相应的图像，从而得到多帧图像对应的多帧重建图像。由于多帧重建图像与编码处理前的多帧图像的相似度较高，因此，可以基于多帧重建图像对目标用户进行生物检测，从而得到目标用户的生物检测结果。

在步骤S108中，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理。

在实施中，服务器得到目标用户的生物检测结果后，可以将该生物检测结果发送给终端设备，终端设备可以向目标用户呈现该生物检测结果，目标用户可以基于该生物检测结果对目标用户请求的相应业务进行处理，例如，如果该生物检测结果为通过检测，则终端设备可以继续响应目标用户的上述业务请求，从而通过终端设备与服务器的数据交互，对目标用户请求的相应业务进行处理。

本说明书实施例提供一种生物检测方法，应用于终端设备，通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例二

如图3所示，本说明书实施例提供一种生物检测方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。

该方法具体可以包括以下步骤：

在步骤S302中，获取用于进行生物检测的多帧样本图像。

在实施中，多帧样本图像可以通过多种方式获取，例如，可以通过购买的方式向多个不同的用户购买用户进行生物检测过程中的多帧图像，其中，多种样本图像可以是经过匿名化处理的图像，或者，也可以是经过用户特别授权使用的图像等，此外，还可以是用户执行某项业务的过程中获取的用于进行生物检测的多帧样本图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S304中，基于多帧样本图像、编码器生成的单帧图像所需满足的条件和预设的第一损失函数，对编码器进行训练，得到训练后的编码器，单帧图像所需满足的条件包括单帧图像所具有的通道数量的条件，第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

其中，编码器可以通过多种不同的机器学习模型构建，本实施例中，编码器可以通过预设数量的U-Net模型构建，该U-Net模型由全连接网络模型构建。U-Net模型呈现出形似字母“U”的结构，它由左半边的压缩通道(Contracting Path)和右半边扩展通道(Expansive Path)组成，压缩通道可以通过卷积神经网络构建，可以重复采用2个卷积层和1个最大池化层的结构，每进行一次池化操作后，图像的维数会增加。在扩展通道，先进行1次反卷积操作，使图像的维数减半，然后，将其拼接对应压缩通道进行裁剪，可以得到相应的特征图，基于上述特征图重新组成新的特征图，再采用2个卷积层进行特征提取，并重复上述结构，在最后的输出层，用2个卷积层将高维度的特征图映射成低维度的输出图像，U-Net模型具体可以分为上采样和下采样等两个部分，下采样部分主要利用连续的卷积池化层提取图像中的特征信息，并逐步将特征信息映射至高维，在整个网络的最高维度存在整个图像中丰富的特征信息，U-Net模型可以不需要直接将该图像进行池化处理并直接上采样至与原图像大小一致的输出图像，而是通过反卷积处理，将高维度特征再次向低维映射，映射的过程中为了增强分割的精度，会将同维度下收缩网络中与其维度相同的图像进行融合，由于在融合的过程中维度会变成原维度的2倍，因此需要再次进行卷积处理，保证处理过后的维度与融合操作之前的维度相同，以便于进行再一次的反卷积处理后能够和同维度下的图像进行二次融合，直到能够与原图像的维度相同时输出图像。本实施例中的编码器的结构可以由一定数量的网络层的U-Net模型构成，具体如，可以由具有8或10个网络层的U-Net模型构成等，具体可以根据实际情况设定，本说明书实施例对此不做限定。图像风格损失信息可以包括图像纹理的损失信息等，在实际应用中，图像风格损失信息对应的损失值越小，生成的单帧图像越贴近于原图像，图像内容损失信息对应的损失值越大，越有利于图像中用户隐私数据的保护。

在实施中，可以基于U-Net模型的网络模型结构构建编码器的初始架构，将多帧样本图像输入到构建的编码器中，生成满足条件的单帧图像，然后，可以基于生成的单帧图像和预设的第一损失函数，确定相应的损失信息，基于确定的损失信息调整编码器中的相关参数，然后，再次将多帧样本图像输入到构建的编码器中，生成满足条件的单帧图像，然后，可以基于生成的单帧图像和预设的第一损失函数，确定相应的损失信息，如果确定的损失信息满足收敛条件，则输出训练后的编码器，如果确定的损失信息不满足收敛条件，则基于确定的损失信息调整编码器中的相关参数，并再次通过上述方式对编码器进行训练，直到确定的损失信息满足收敛条件为止。

需要说明的是，为了更简单有效的确定图像风格损失信息和图像内容损失信息，可以使用在ImageNet上预训练的VGG网络模型(具体如VGG19网络模型等)作为辅助(其中，VGG网络模型在训练的过程中参数保持不变)，基于此，图像风格损失信息可以基于最小化编码器生成的单帧图像与多帧样本图像在VGG网络模型的第一预设网络层的特征之间的距离确定，图像内容损失信息可以基于最大化编码器生成的单帧图像与多帧样本图像在VGG网络模型的第二预设网络层的特征之间的距离确定，其中，第一预设网络层可以根据实际情况设定，具体如第10网络层，相应的，图像风格损失信息可以基于最小化编码器生成的单帧图像与多帧样本图像在VGG网络模型的第10网络层的特征L2之间的距离确定，第二预设网络层可以根据实际情况设定，具体如第16网络层，相应的，图像内容损失信息可以基于最大化编码器生成的单帧图像与多帧样本图像在VGG网络模型的第16网络层的特征L2之间的距离确定。

此外，上述编码器的训练是在终端设备中完成的，在实际应用中，编码器的训练还可以是在服务器中完成，基于此，可以包括以下处理：接收服务器发送的训练后的编码器，训练后的编码器是服务器基于获取的用于进行生物检测的多帧样本图像、编码器生成的单帧图像所需满足的条件和预设的第一损失函数进行训练得到。

其中，服务器训练得到编码器的处理过程可以参见上述相关内容，在此不再赘述。

通过上述方式得到编码器后，终端设备可以应用该编码器进行生物检测处理，具体可以包括以下步骤S306～步骤S314的处理。

在步骤S306中，获取对目标用户进行生物检测过程中采集的多帧图像。

在步骤S308中，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，编码器用于将多帧图像编码为单帧图像。

在步骤S310中，基于预设的图像压缩算法对编码图像进行压缩处理，得到压缩后的编码图像。

其中，图像压缩算法可以包括多种，具体如JPEG图像压缩算法、基于哈夫曼编码的图像压缩算法等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，可以根据实际情况预先选取图像压缩算法，通过图像压缩算法可以将单帧编码图像的数据量进一步减少，从而得到压缩后的编码图像。

在步骤S312中，将压缩后的编码图像发送给服务器，该编码图像用于触发服务器对单帧的编码图像进行解码处理，得到多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果。

在步骤S314中，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理。

本说明书实施例提供一种生物检测方法，应用于终端设备，通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例三

如图4A和图4B所示，本说明书实施例提供一种生物检测方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S402中，接收终端设备发送的单帧的编码图像，单帧的编码图像是终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，多帧图像是对目标用户进行生物检测过程中采集的图像。

在步骤S404中，基于预先训练的解码器对单帧的编码图像进行解码处理，得到多帧图像对应的多帧重建图像。

其中，解码器可以是将信息从编码的形式恢复到其原来形式的组件，解码器可以是通过应用程序实现解码器的相应功能(即通过软件的形式实现)，例如，可以使用某网络模型算法(如神经网络模型算法等)构建相应的网络模型，通过该网络模型来实现解码器的相应功能。此外，解码器也可以是通过硬件设备和应用程序相结合来实现(即硬件+软件的形式实现)，本实施例中的解码器可以将经过编码处理后生成的单帧编码图像进行解码处理，以重建或恢复编码处理前的多帧图像。

在实施中，为了保证生物检测的性能，生物检测中需要的图像可能较多，这样图像的传输将会消耗较多的网络资源，且需要传输的数据量较大，此外，直接将多帧图像进行传输又可能会使得其中包含的目标用户的隐私数据泄露，为了兼顾数据量和生物检测性能，以及对目标用户隐私数据的保护，构建了相应的编码器，通过该编码器可以将多帧图像编码为单帧图像，从而减少需要传输的数据量，同时，通过与该编码器相匹配的解码器对该编码器生成的单帧图像进行解码处理，以还原出编码处理前的多帧图像，进而进行生物检测处理，实现了既兼顾数据量和生物检测性能，同时，又能够对目标用户隐私数据进行保护的目的，具体地，可以基于上述要求选取相应的算法，例如，可以从深度学习的相关算法中选取能够实现上述目的的算法(具体如卷积神经网络算法等)，并可以通过选取的算法构建解码器的架构，然后，可以获取经过编码器的编码处理生成的单帧图像作为训练样本，此外，还可以根据实际情况设定相应的模型训练的收敛条件等，具体可以根据实际情况设定。可以将获取的训练样本输入到解码器的架构中，以对解码器进行训练，在训练的解码器满足上述设定的收敛条件时，可以停止对解码器进行训练，从而得到训练后的解码器。如果训练的解码器不满足上述设定的收敛条件，则可以通过训练样本继续对解码器进行训练，直到训练的解码器满足上述设定的收敛条件为止。

通过上述方式训练得到解码器后，可以将获取的单帧的编码图像输入到解码器中，通过解码器对单帧编码图像进行分析，并基于分析结果重建相应的多帧图像，输出上述多帧图像对应的多帧重建图像。

在步骤S406中，基于多帧重建图像对目标用户进行生物检测，得到目标用户的生物检测结果，并将目标用户的生物检测结果发送给终端设备，该生物检测结果用于触发终端设备对目标用户请求的相应业务进行处理。

上述步骤S402和步骤S406的具体处理过程可以参见上述相关内容，在此不再赘述。

本说明书实施例提供一种生物检测方法，应用于服务器，终端设备通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例四

如图5所示，本说明书实施例提供一种生物检测方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S502中，获取用于进行生物检测的多帧图像样本。

其中，多帧图像样本可以包括多种获取方式，具体购买方式或用户授权后进行数据匿名化处理后获取等，具体课可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S504中，将多帧图像样本输入到编码器中，以对编码器进行训练，并获取编码器输出的单帧编码图像样本，单帧编码图像样本满足预设条件，预设条件包括单帧编码图像样本所具有的通道数量的条件。

上述步骤S504中的编码器的具体训练过程可以参见上述相关内容，在此不再赘述。

在步骤S506中，将单帧编码图像样本输入到解码器中，以对解码器进行训练，并获取解码器输出的多帧重建图像样本。

上述步骤S506中的解码器的具体训练过程可以参见上述相关内容，在此不再赘述。

在步骤S508中，如果基于多帧重建图像样本确定编码器和解码器满足预设的第一收敛条件，则存储解码器，并将编码器发送给终端设备。

其中，预设的第一收敛条件可以包括第一损失函数和第二损失函数对应的条件，第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。第二损失函数基于图像重建损失信息确定。图像风格损失信息基于最小化单帧编码图像样本与多帧图像样本在VGG网络模型的第一预设网络层的特征之间的距离确定，图像内容损失信息基于最大化单帧编码图像样本与多帧图像样本在VGG网络模型的第二预设网络层的特征之间的距离确定，图像重建损失信息基于最小化多帧重建图像样本与多帧图像样本对应的图像特征之间的距离确定，在实际应用中，图像重建损失信息可以基于最小化多帧重建图像样本与多帧图像样本的L2距离确定。

在步骤S510中，如果基于多帧重建图像样本确定编码器和解码器不满足预设的第一收敛条件，则重新执行获取多帧图像样本，并训练编码器和解码器，直到满足预设的第一收敛条件为止。

在实施中，如果基于多帧重建图像样本确定编码器和解码器不满足预设的第一收敛条件，则重新执行上述步骤S502～步骤S510的处理，即重新执行获取多帧图像样本，并训练编码器和解码器，直到满足预设的第一收敛条件为止。

需要说明的是，上述内容是编码器和解码器均在服务器侧进行训练的过程，在实际应用中，编码器还可以由终端设备进行训练，具体可以参见前述相关内容，同时，解码器可以由服务器进行训练，基于此，相应的处理可以包括以下步骤A2和本步骤A4的处理。

在步骤A2中，获取经过编码器对多帧图像样本进行编码处理后得到的单帧编码图像样本。

在步骤A4中，基于单帧编码图像样本和预设的第二损失函数，对解码器进行训练，得到训练后的解码器。

其中，解码器可以通过多种不同的机器学习模型构建，本实施例中，解码器可以通过预设数量的U-Net模型构建，该U-Net模型由全连接网络模型构建。U-Net模型的结构可以参见前述相关内容，在此不再赘述。本实施例中的解码器的结构可以由一定数量的网络层的U-Net模型构成，具体如，可以由具有16或20个网络层的U-Net模型构成等，具体可以根据实际情况设定，本说明书实施例对此不做限定。第二损失函数基于图像重建损失信息确定，在实际应用中，图像重建损失信息可以基于最小化多帧重建图像样本与多帧图像样本的L2距离确定。

在实施中，可以基于U-Net模型的网络模型结构构建解码器的初始架构，将单帧编码图像样本输入到构建的解码器中，从而重建编码处理前的多帧图像样本，然后，可以基于重建的编码处理前的多帧图像样本和预设的第二损失函数，确定相应的损失信息，基于确定的损失信息调整解码器中的相关参数，然后，再次将单帧编码图像样本输入到构建的解码器中，重建编码处理前的多帧图像样本，然后，可以基于重建的编码处理前的多帧图像样本和预设的第二损失函数，确定相应的损失信息，如果确定的损失信息满足收敛条件，则输出训练后的解码器，如果确定的损失信息不满足收敛条件，则基于确定的损失信息调整解码器中的相关参数，并再次通过上述方式对解码器进行训练，直到确定的损失信息满足收敛条件为止。

通过上述方式训练得到编码器和解码器后，还可以将编码器和解码器与生物检测模型进行联合训练，从而使得生物检测模型与编码器和解码器相互适应，达到较好的性能配合效果，具体可以参见下述步骤S512～步骤S522的处理。

在步骤S512中，获取用于进行生物检测的多帧图像样本。

在步骤S514中，将多帧图像样本输入到编码器中，以对编码器进行训练，并获取编码器输出的单帧编码图像样本，单帧编码图像样本满足预设条件，预设条件包括单帧编码图像样本所具有的通道数量的条件。

在步骤S516中，将单帧编码图像样本输入到解码器中，以对解码器进行训练，并获取解码器输出的多帧重建图像样本。

在步骤S518中，将多帧重建图像样本输入到生物检测模型中，以对生物检测模型进行训练，得到样本检测结果。

在步骤S520中，如果基于样本检测结果确定编码器、解码器和生物检测模型满足预设的第二收敛条件，则得到训练后的生物检测模型。

在步骤S522中，如果基于样本检测结果确定编码器、解码器和生物检测模型不满足预设的第二收敛条件，则重新执行获取多帧图像样本，并训练编码器和解码器，直到满足预设的收敛条件为止。

上述步骤S512～步骤S522的处理的具体处理过程可以参见前述相关内容，此外，上述训练过程可以采用随机梯度下降SGD算法实现，具体地，可以使用预先采集的训练样本集对上述联合训练的模型进行多个Epoch式的训练，最终得到编码器、解码器和生物检测模型。此外，需要说明的是，在训练的过程中，编码器和解码器中的相应参数可以通过训练进行变化，生物检测模型中的模型参数可以是指定网络层的参数进行变化，具体如生物检测模型中的最后2个网络层的参数进行变化等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

通过上述处理，可以得到训练后的编码器、解码器和生物检测模型，终端设备和服务器可以通过上述模型对目标用户进行生物检测处理，具体可以参见下述步骤S524～步骤S532的处理。

在步骤S524中，接收终端设备发送的单帧的编码图像，单帧的编码图像是终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，多帧图像是对目标用户进行生物检测过程中采集的图像。

在步骤S526中，基于预先训练的解码器对单帧的编码图像进行解码处理，得到多帧图像对应的多帧重建图像。

在步骤S528中，将多帧重建图像输入到预先训练的生物检测模型中，以对目标用户进行生物检测，得到目标用户的生物检测结果，生物检测模型是基于多个不同用户进行生物检测的过程中采集的图像进行训练得到。

在步骤S530中，将目标用户的生物检测结果发送给终端设备，该生物检测结果用于触发终端设备对目标用户请求的相应业务进行处理。

在步骤S532中，删除多帧重建图像，并存储单帧的编码图像。

其中，由于单帧的编码图像在视觉上很难辨认出原始图像中的内容，因此，服务器存储单帧的编码图像不会带来用户隐私泄露的风险，在另一个实施例中，也可以将单帧的编码图像从服务器中删除，具体可以根据实际情况设定，本说明书实施例对此不做限定。

上述步骤S502～步骤S532的具体处理过程可以参见上述相关内容，在此不再赘述。

本说明书实施例提供一种生物检测方法，应用于服务器，终端设备通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例五

以上为本说明书实施例提供的生物检测方法，基于同样的思路，本说明书实施例还提供一种生物检测装置，如图6所示。

该生物检测装置包括：图像获取模块601、编码模块602、图像发送模块603和检测结果接收模块604，其中：

图像获取模块601，获取对目标用户进行生物检测过程中采集的多帧图像；

编码模块602，基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

图像发送模块603，将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

检测结果接收模块604，接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例中，所述图像发送模块603，包括：

图像压缩单元，基于预设的图像压缩算法对所述编码图像进行压缩处理，得到压缩后的编码图像；

图像发送单元，将所述压缩后的编码图像发送给服务器。

本说明书实施例中，所述装置还包括：

样本图像获取模块，获取用于进行生物检测的多帧样本图像；

编码器训练模块，基于所述多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数，对所述编码器进行训练，得到训练后的编码器，所述单帧图像所需满足的条件包括所述单帧图像所具有的通道数量的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

本说明书实施例中，所述编码器是通过预设数量的U-Net模型构建，所述U-Net模型由全连接网络模型构建。

本说明书实施例中，所述装置还包括：

编码器部署模块，接收所述服务器发送的训练后的编码器，所述训练后的编码器是所述服务器基于获取的用于进行生物检测的多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数进行训练得到。

本说明书实施例提供一种生物检测装置，通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例六

基于同样的思路，本说明书实施例还提供一种生物检测装置，如图7所示。

该生物检测装置包括：编码图像接收模块701、解码模块702和检测结果发送模块703，其中：

编码图像接收模块701，接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

解码模块702，基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

检测结果发送模块703，基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

本说明书实施例中，所述装置还包括：

图像处理模块，删除所述多帧重建图像，并存储所述单帧的编码图像。

本说明书实施例中，所述装置还包括：

编码图像样本获取模块，获取经过所述编码器对多帧图像样本进行编码处理后得到的单帧编码图像样本；

第一解码器训练模块，基于所述单帧编码图像样本和预设的第二损失函数，对所述解码器进行训练，得到训练后的解码器，所述第二损失函数基于图像重建损失信息确定。

本说明书实施例中，所述装置还包括：

第一样本获取模块，获取用于进行生物检测的多帧图像样本；

第一编码器训练模块，将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

第二解码器训练模块，将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

处理模块，如果基于所述多帧重建图像样本确定所述编码器和所述解码器满足预设的第一收敛条件，则存储所述解码器，并将所述编码器发送给所述终端设备；

第一继续训练模块，如果基于所述多帧重建图像样本确定所述编码器和所述解码器不满足预设的第一收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的第一收敛条件为止。

本说明书实施例中，所述预设的第一收敛条件包括第一损失函数和所述第二损失函数对应的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

本说明书实施例中，所述图像风格损失信息基于最小化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第一预设网络层的特征之间的距离确定，所述图像内容损失信息基于最大化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第二预设网络层的特征之间的距离确定，所述图像重建损失信息基于最小化所述多帧重建图像样本与所述多帧图像样本对应的图像特征之间的距离确定。

本说明书实施例中，所述检测结果发送模块703，将所述多帧重建图像输入到预先训练的生物检测模型中，以对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，所述生物检测模型是基于多个不同用户进行生物检测的过程中采集的图像进行训练得到。

本说明书实施例中，所述装置还包括：

第二样本获取模块，获取用于进行生物检测的多帧图像样本；

第二编码器训练模块，将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

第三解码器训练模块，将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

模型训练模块，将所述多帧重建图像样本输入到所述生物检测模型中，以对所述生物检测模型进行训练，得到样本检测结果；

输出模块，如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型满足预设的第二收敛条件，则得到训练后的生物检测模型；

第二继续训练模块，如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型不满足预设的第二收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的收敛条件为止。

本说明书实施例提供一种生物检测装置，通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例七

以上为本说明书实施例提供的生物检测装置，基于同样的思路，本说明书实施例还提供一种生物检测设备，如图8所示。

所述生物检测设备可以为上述实施例提供终端设备或服务器等。

生物检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器801和存储器802，存储器802中可以存储有一个或一个以上存储应用程序或数据。其中，存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对生物检测设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在生物检测设备上执行存储器802中的一系列计算机可执行指令。生物检测设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806。

具体在本实施例中，生物检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对生物检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取对目标用户进行生物检测过程中采集的多帧图像；

基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例中，所述将所述单帧的编码图像发送给服务器，包括：

基于预设的图像压缩算法对所述编码图像进行压缩处理，得到压缩后的编码图像；

将所述压缩后的编码图像发送给服务器。

本说明书实施例中，还包括：

获取用于进行生物检测的多帧样本图像；

基于所述多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数，对所述编码器进行训练，得到训练后的编码器，所述单帧图像所需满足的条件包括所述单帧图像所具有的通道数量的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

本说明书实施例中，所述编码器是通过预设数量的U-Net模型构建，所述U-Net模型由全连接网络模型构建。

本说明书实施例中，还包括：

接收所述服务器发送的训练后的编码器，所述训练后的编码器是所述服务器基于获取的用于进行生物检测的多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数进行训练得到。

此外，具体在本实施例中，生物检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对生物检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

本说明书实施例中，还包括：

删除所述多帧重建图像，并存储所述单帧的编码图像。

本说明书实施例中，还包括：

获取经过所述编码器对多帧图像样本进行编码处理后得到的单帧编码图像样本；

基于所述单帧编码图像样本和预设的第二损失函数，对所述解码器进行训练，得到训练后的解码器，所述第二损失函数基于图像重建损失信息确定。

本说明书实施例中，还包括：

获取用于进行生物检测的多帧图像样本；

将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

如果基于所述多帧重建图像样本确定所述编码器和所述解码器满足预设的第一收敛条件，则存储所述解码器，并将所述编码器发送给所述终端设备；

如果基于所述多帧重建图像样本确定所述编码器和所述解码器不满足预设的第一收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的第一收敛条件为止。

本说明书实施例中，所述预设的第一收敛条件包括第一损失函数和所述第二损失函数对应的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

本说明书实施例中，所述图像风格损失信息基于最小化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第一预设网络层的特征之间的距离确定，所述图像内容损失信息基于最大化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第二预设网络层的特征之间的距离确定，所述图像重建损失信息基于最小化所述多帧重建图像样本与所述多帧图像样本对应的图像特征之间的距离确定。

本说明书实施例中，所述基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，包括：

将所述多帧重建图像输入到预先训练的生物检测模型中，以对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，所述生物检测模型是基于多个不同用户进行生物检测的过程中采集的图像进行训练得到。

本说明书实施例中还包括：

获取用于进行生物检测的多帧图像样本；

将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

将所述多帧重建图像样本输入到所述生物检测模型中，以对所述生物检测模型进行训练，得到样本检测结果；

如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型满足预设的第二收敛条件，则得到训练后的生物检测模型；

如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型不满足预设的第二收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的收敛条件为止。

本说明书实施例提供一种生物检测设备，通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

实施例八

进一步地，基于上述图1A到图5所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取对目标用户进行生物检测过程中采集的多帧图像；

基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

本说明书实施例中，所述将所述单帧的编码图像发送给服务器，包括：

基于预设的图像压缩算法对所述编码图像进行压缩处理，得到压缩后的编码图像；

将所述压缩后的编码图像发送给服务器。

本说明书实施例中，还包括：

获取用于进行生物检测的多帧样本图像；

基于所述多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数，对所述编码器进行训练，得到训练后的编码器，所述单帧图像所需满足的条件包括所述单帧图像所具有的通道数量的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

本说明书实施例中，所述编码器是通过预设数量的U-Net模型构建，所述U-Net模型由全连接网络模型构建。

本说明书实施例中，还包括：

接收所述服务器发送的训练后的编码器，所述训练后的编码器是所述服务器基于获取的用于进行生物检测的多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数进行训练得到。

此外，在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

本说明书实施例中，还包括：

删除所述多帧重建图像，并存储所述单帧的编码图像。

本说明书实施例中，还包括：

获取经过所述编码器对多帧图像样本进行编码处理后得到的单帧编码图像样本；

基于所述单帧编码图像样本和预设的第二损失函数，对所述解码器进行训练，得到训练后的解码器，所述第二损失函数基于图像重建损失信息确定。

本说明书实施例中，还包括：

获取用于进行生物检测的多帧图像样本；

将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

如果基于所述多帧重建图像样本确定所述编码器和所述解码器满足预设的第一收敛条件，则存储所述解码器，并将所述编码器发送给所述终端设备；

如果基于所述多帧重建图像样本确定所述编码器和所述解码器不满足预设的第一收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的第一收敛条件为止。

本说明书实施例中，所述预设的第一收敛条件包括第一损失函数和所述第二损失函数对应的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

本说明书实施例中，所述图像风格损失信息基于最小化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第一预设网络层的特征之间的距离确定，所述图像内容损失信息基于最大化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第二预设网络层的特征之间的距离确定，所述图像重建损失信息基于最小化所述多帧重建图像样本与所述多帧图像样本对应的图像特征之间的距离确定。

本说明书实施例中，所述基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，包括：

将所述多帧重建图像输入到预先训练的生物检测模型中，以对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，所述生物检测模型是基于多个不同用户进行生物检测的过程中采集的图像进行训练得到。

本说明书实施例中，还包括：

获取用于进行生物检测的多帧图像样本；

将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

将所述多帧重建图像样本输入到所述生物检测模型中，以对所述生物检测模型进行训练，得到样本检测结果；

如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型满足预设的第二收敛条件，则得到训练后的生物检测模型；

如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型不满足预设的第二收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的收敛条件为止。

本说明书实施例提供一种存储介质，通过获取对目标用户进行生物检测过程中采集的多帧图像，然后，基于预先训练的编码器对多帧图像进行编码处理，生成单帧的编码图像，将单帧的编码图像发送给服务器，以触发服务器对单帧的编码图像进行解码处理，得到上述多帧图像对应的多帧重建图像，并基于多帧重建图像确定目标用户的生物检测结果，接收服务器发送的目标用户的生物检测结果，基于目标用户的生物检测结果对目标用户请求的相应业务进行处理，这样，通过在终端设备侧将多帧图像编码为数据量较小的单帧编码图像，但之后在服务器侧对单帧编码图像进行解码处理，以恢复或重建原图像，从而大大降低了通过图像进行生物检测处理对数据传输带宽的要求，兼顾了数据带宽和防攻击性能，此外，该方法传输和存储的数据均为经过编码处理后的数据，具有很强的隐私保护功能，能够有效防止用户的隐私信息被泄露。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，在实施本说明书一个或多个实施例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，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书的实施例是参照根据本说明书实施例的方法、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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上，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)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁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，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例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说明书一个或多个实施例，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。

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，对于系统实施例而言，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (19)

1.一种生物检测方法，应用于终端设备，所述方法包括：

获取对目标用户进行生物检测过程中采集的多帧图像；

基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

2.根据权利要求1所述的方法，所述将所述单帧的编码图像发送给服务器，包括：

基于预设的图像压缩算法对所述编码图像进行压缩处理，得到压缩后的编码图像；

将所述压缩后的编码图像发送给服务器。

3.根据权利要求1所述的方法，所述方法还包括：

获取用于进行生物检测的多帧样本图像；

基于所述多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数，对所述编码器进行训练，得到训练后的编码器，所述单帧图像所需满足的条件包括所述单帧图像所具有的通道数量的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

4.根据权利要求1或2所述的方法，所述编码器是通过预设数量的U-Net模型构建，所述U-Net模型由全连接网络模型构建。

5.根据权利要求1所述的方法，所述方法还包括：

接收所述服务器发送的训练后的编码器，所述训练后的编码器是所述服务器基于获取的用于进行生物检测的多帧样本图像、所述编码器生成的单帧图像所需满足的条件和预设的第一损失函数进行训练得到。

6.一种生物检测方法，应用于服务器，所述方法包括：

接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

7.根据权利要求6所述的方法，所述方法还包括：

删除所述多帧重建图像，并存储所述单帧的编码图像。

8.根据权利要求6或7所述的方法，所述方法还包括：

获取经过所述编码器对多帧图像样本进行编码处理后得到的单帧编码图像样本；

基于所述单帧编码图像样本和预设的第二损失函数，对所述解码器进行训练，得到训练后的解码器，所述第二损失函数基于图像重建损失信息确定。

9.根据权利要求6或7所述的方法，所述方法还包括：

获取用于进行生物检测的多帧图像样本；

将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

如果基于所述多帧重建图像样本确定所述编码器和所述解码器满足预设的第一收敛条件，则存储所述解码器，并将所述编码器发送给所述终端设备；

如果基于所述多帧重建图像样本确定所述编码器和所述解码器不满足预设的第一收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的第一收敛条件为止。

10.根据权利要求9所述的方法，所述预设的第一收敛条件包括第一损失函数和所述第二损失函数对应的条件，所述第一损失函数基于图像风格损失信息和/或图像内容损失信息确定。

11.根据权利要求10所述的方法，所述图像风格损失信息基于最小化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第一预设网络层的特征之间的距离确定，所述图像内容损失信息基于最大化所述单帧编码图像样本与所述多帧图像样本在VGG网络模型的第二预设网络层的特征之间的距离确定，所述图像重建损失信息基于最小化所述多帧重建图像样本与所述多帧图像样本对应的图像特征之间的距离确定。

12.根据权利要求6或9所述的方法，所述基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，包括：

将所述多帧重建图像输入到预先训练的生物检测模型中，以对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，所述生物检测模型是基于多个不同用户进行生物检测的过程中采集的图像进行训练得到。

13.根据权利要求12所述的方法，所述方法还包括：

获取用于进行生物检测的多帧图像样本；

将所述多帧图像样本输入到所述编码器中，以对所述编码器进行训练，并获取所述编码器输出的单帧编码图像样本，所述单帧编码图像样本满足预设条件，所述预设条件包括所述单帧编码图像样本所具有的通道数量的条件；

将所述单帧编码图像样本输入到所述解码器中，以对所述解码器进行训练，并获取所述解码器输出的多帧重建图像样本；

将所述多帧重建图像样本输入到所述生物检测模型中，以对所述生物检测模型进行训练，得到样本检测结果；

如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型满足预设的第二收敛条件，则得到训练后的生物检测模型；

如果基于所述样本检测结果确定所述编码器、所述解码器和所述生物检测模型不满足预设的第二收敛条件，则重新执行获取多帧图像样本，并训练所述编码器和所述解码器，直到满足预设的收敛条件为止。

14.一种生物检测装置，所述装置包括：

图像获取模块，获取对目标用户进行生物检测过程中采集的多帧图像；

编码模块，基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

图像发送模块，将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

检测结果接收模块，接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

15.一种生物检测装置，所述装置包括：

编码图像接收模块，接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

解码模块，基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

检测结果发送模块，基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

16.一种生物检测设备，所述设备包括可信执行环境，所述生物检测设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取对目标用户进行生物检测过程中采集的多帧图像；

基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

17.一种生物检测设备，所述设备包括可信执行环境，所述生物检测设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

18.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：

获取对目标用户进行生物检测过程中采集的多帧图像；

基于预先训练的编码器对所述多帧图像进行编码处理，生成单帧的编码图像，所述编码器用于将多帧图像编码为单帧图像；

将所述单帧的编码图像发送给服务器，所述单帧的编码图像用于触发所述服务器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像，并基于所述多帧重建图像确定所述目标用户的生物检测结果；

接收所述服务器发送的所述目标用户的生物检测结果，基于所述目标用户的生物检测结果对所述目标用户请求的相应业务进行处理。

19.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：

接收终端设备发送的单帧的编码图像，所述单帧的编码图像是所述终端设备基于预先训练的编码器对获取的多帧图像进行编码处理后生成的单帧图像，所述多帧图像是对目标用户进行生物检测过程中采集的图像；

基于预先训练的解码器对所述单帧的编码图像进行解码处理，得到所述多帧图像对应的多帧重建图像；

基于所述多帧重建图像对所述目标用户进行生物检测，得到所述目标用户的生物检测结果，并将所述目标用户的生物检测结果发送给所述终端设备，所述生物检测结果用于触发所述终端设备对所述目标用户请求的相应业务进行处理。

Images