CN114676403A - 认证系统、设备及方法 - Google Patents
认证系统、设备及方法 Download PDFInfo
- Publication number
- CN114676403A CN114676403A CN202011581653.5A CN202011581653A CN114676403A CN 114676403 A CN114676403 A CN 114676403A CN 202011581653 A CN202011581653 A CN 202011581653A CN 114676403 A CN114676403 A CN 114676403A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- light
- light spot
- spot
- 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
- 238000000034 method Methods 0.000 title claims description 66
- 238000001514 detection method Methods 0.000 claims abstract description 194
- 241000282414 Homo sapiens Species 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims description 108
- 238000004891 communication Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 9
- 230000007480 spreading Effects 0.000 claims description 5
- 238000003892 spreading Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 46
- 230000003287 optical effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 239000010410 layer Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 6
- 210000000887 face Anatomy 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 239000000741 silica gel Substances 0.000 description 2
- 229910002027 silica gel Inorganic materials 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/12—Acquisition of 3D measurements of objects
- G06V2201/121—Acquisition of 3D measurements of objects using special illumination
Abstract
本申请公开了一种认证系统,该系统包括前端设备和后端设备,当认证系统被触发启动身份认证时,前端设备用于采集被认证者的光点图像,并将光点图像发送给后端设备,其中,光点图像为被认证者在多光点照射下被采集的图像,光点图像包括所述被认证者的脸部;认证系统的后端设备用于基于接收的光点图像对被认证者进行人脸反欺诈检测,获得认证结果。上述认证系统通过使用光点图像进行人脸反欺诈的认证,可以根据光点图像中包括的特征更准确地判断被认证者是否为自然人类,提高了身份认证的安全性。
Description
技术领域
本申请涉及人工智能(artificial intelligence,AI)技术领域,尤其涉及一种认证系统、设备及方法。
背景技术
AI技术逐渐应用到了各行各业,当前,在身份认证场景(例如:门禁系统、人脸支付、金融认证、终端解锁等场景),常采用基于AI的人脸识别方法对被认证者的人脸进行认证。
在各种身份认证场景,都需要认证系统具有极高的安全性,以防止不法份子的攻击。对于基于人脸的身份认证系统,攻击者常常使用假人攻击(采用假人骗取认证)、打印攻击(采用打印的照片骗取认证)、屏幕攻击(采用其他屏幕呈现被认证者图像骗取认证)、3D面具攻击(攻击者戴模仿被认证者容貌制作而成的3D面具骗取认证) 等方式,以实施不法行为。因此,仅识别待验证的人脸是否为具有相应权限的身份认证系统是十分脆弱的。为了增强身份认证系统的安全性,人脸反欺诈(face anti-spoofing)检测技术(也称为活体检测),即:确定摄像头采集的人脸是否为自然人类活体人脸的技术,常用于身份认证中。
常见的身份认证系统中的人脸反欺诈检测方法为:在人脸验证时提醒用户配合完成交互式动作,如眨眼、张嘴、转头、唇语等。这样的方式虽然能抵挡一些攻击,但是依然对很多攻击效果不佳,例如:攻击者依然能够通过播放交互视频或者戴3D面具等方式通过验证。现有的其他人脸反欺诈方法也不能对常见的多种攻击都有强的抵抗力,这使得身份认证系统的安全性仍然有待提高。因此,如何提高身份认证系统的安全性是目前急需解决的技术问题。
发明内容
本申请提供了一种认证系统、设备和对被认证者执行认证的方法,该认证方法通过光点照明的方式,获取光点照明下采集的被认证者的光点图像,并对被认证者进行人脸反欺诈检测,提高了身份认证的安全性。
第一方面,本申请提供一种认证系统,该系统包括前端设备和后端设备,前端设备和后端设备之间可以互相通信;该前端设备用于采集被认证者的光点图像,并将光点图像发送至后端设备,其中,光点图像为该被认证者在多光点照射下被采集的图像,光点图像包括所述被认证者的脸部;认证系统的后端设备用于接收该光点图像,并基于该光点图像对被认证者进行人脸反欺诈检测,获得认证结果。
上述认证系统采用前端设备采集被认证者的光点图像,由于所获得的光点图像能反映被认证者在光点照射下产生的光学效应,在后端设备对光点图像进行人脸反欺诈检测时可以结合光点图像中包括的光学特征对被认证者进行分析和认证,提高了认证系统的安全性。
上述认证系统中的前端设备可以是终端设备,例如:智能手机、平板电脑、门禁设备等,上述后端设备可以是部署在云环境或者边缘环境的设备,例如:云服务器、边缘服务器。前端设备和后端设备通过网络通信方式进行指令和数据的交互。上述前端设备和后端设备也可以是部署在同一个物理环境中的设备。
在第一方面的一种可能实施方式中,后端设备具体用于基于人脸反欺诈检测模型和前述光点图像对被认证者进行人脸反欺诈检测,其中,人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。通过经过训练的神经网络模型作为人脸反欺诈检测模型对被认证者进行人脸反欺诈检测,可以进一步提高基于光点图像进行人脸反欺诈检测的准确性。
在第一方面的一种可能实施方式中,光点图像训练集中的图像包括多张训练图像,这多张训练图像被采集时所采用的多光点的参数与该被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
由于训练人脸反欺诈检测模型的图像和进行认证时采集的被认证者的光点图像在相同的多光点参数的环境下被采集,对于同一类型的材料,例如:人脸、或者同一类型的攻击材料,采集到的光点图像的光学效应会相似,因此,基于训练图像被训练完成的人脸反欺诈检测模型可以学习到不同材料的光点图像的特点并进行区分。因此,被训练的人脸反欺诈检测模型能够对被认证者的光点图像进行准确的人脸反欺诈检测。
在第一方面的一种可能实施方式中,多张训练图像被采集时所采用的多光点的参数包括以下参数中的至少一种:光的亮度、光点大小、光点聚集度、光的波长、光点排布方式。
上述多光点的参数的选取可以由设计人员预先通过理论分析和实验进行确定,使得所确定的多光点的参数可以使获得的自然人脸的光点图像和攻击材料的光点图像有更大的可区分性。
在第一方面的一种可能实施方式中,前端设备包括光点发射器和图像传感器;前端设备,具体用于:通过光点发射器向所述被认证者发射所述多光点;并且,通过图像传感器获取所述被认证者在所述多光点照射下形成的反射光和扩散光,生成所述被认证者的光点图像。前端设备通过自行向被认证者发射多光点的方式,可以使得获得满足认证要求的光点图像。
在第一方面的一种可能实施方式中,光点发射器向所述被认证者发射的所述多光点为可见光点或非可见光点。由于光点发射器向被认证者发射的多光点可以为可见光或非可见光,在一些情况下,可以根据不同的应用场景进行适应性地选择发射的光为哪种光,扩大了认证系统能适应的应用场景。
在第一方面的一种可能实施方式中,前端设备还可以包括光点调节器,光点调节器用于调节所述光点发射器发射的多光点的参数。在一些情况下,可以根据不同的应用场景适应性地调整发射的多光点的参数,使得获得的光点图像更能体现不同材料的光学效应区别,提高了认证系统在不同应用场景的准确性。
在第一方面的一种可能实施方式中,后端设备具体用于:输入光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;进一步地输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
上述方法先进行人脸检测,获得人脸光点图像,再利用人脸光点图像进行人脸反欺诈检测,可以使得输入至人脸反欺诈检测模型的人脸光点图像没有背景特征和被认证者的其他部位的干扰,使得人脸反欺诈检测模型可以更针对被认证者的脸部进行检测,也提高了认证结果的准确性。
在第一方面的一种可能实施方式中,上述后端设备,还用于:若该人脸反欺诈检测模型确定被认证者的脸部为自然人脸,进一步输入该人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。上述方法使得认证系统不仅可以识别被认证者是否为自然人类,还可以进一步验证被认证者是否为具有对应权限的自然人类,使得认证系统功能更丰富,提供认证的安全性。
在第一方面的一种可能实施方式中,上述前端设备还用于:确定所述被认证者的脸部的敏感部位和非敏感部位;向所述被认证者的脸部的非敏感部位发射多光点。该方法避免了认证系统在采集光点图像时给用户带来伤害或刺激,提高了认证系统的用户友好性。
在第一方面的一种可能实施方式中,上述前端设备还用于:获取所述被认证者的辅助图像;上述后端设备具体用于:基于光点图像和辅助图像对所述被认证者进行人脸反欺诈检测。在人脸反欺诈时加入辅助图像与光点图像一起用于人脸反欺诈检测,使得人脸反欺诈检测不仅可以通过分析不同材料形成的光点图像的区别,也可以分析不同材料形成的辅助图像的区别,综合判断被认证者是否为自然人类,进一步提高了人脸反欺诈检测的准确性。
在第一方面的一种可能实施方式中,被认证者的辅助图像包括被认证者的红绿蓝RGB图像,和/或,被认证者的红外光图像。由于人脸和不同攻击材料对应的RGB图像和红外光图像也具有较大的区别,采用上述两种图像中的至少一种作为辅助图像可以更好地提高人脸反欺诈检测的准确性。
在第一方面的一种可能实施方式中,在光点图像中所述被认证者的脸部包括光点区域和非光点区域,所述光点区域包括中心亮斑和扩散斑。光点图像中的上述特点,可以用于区分光点图像是自然人脸形成的还是攻击材料形成的。
第二方面,本申请还提供一种认证设备,包括图像传感器和通信接口,图像传感器和通信接口之间通信连接;该图像传感器,用于采集被认证者的光点图像,其中,光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;通信接口,用于发送光点图像至远程设备,接收所述远程设备基于所述光点图像对所述被认证者进行人脸反欺诈检测后的认证结果。
上述认证设备可以是终端设备(例如:智能手机、平板电脑)或者部署在具体应用环境的设备(门禁设备、交通智能摄像头)。认证设备还可以与被认证者进行交互,向被认证者提供认证结果。
在第二方面的一种可能实施方式中,认证设备还包括光点发射器,用于向所述被认证者发射多光点;前述图像传感器,具体用于获取所述被认证者在所述多光点照射下形成的反射光和扩散光,生成所述被认证者的光点图像。
在第二方面的一种可能实施方式中,光点发射器向所述被认证者发射的所述多光点为可见光点或非可见光点。
在第二方面的一种可能实施方式中,光点发射器具体用于:确定所述被认证者的脸部的敏感部位和非敏感部位;向所述被认证者的脸部的非敏感部位发射所述多光点。
在第二方面的一种可能实施方式中,认证设备还包括光点调节器,所述光点调节器用于调节所述光点发射器发射的所述多光点的参数,所述参数包括以下参数中的一种或多种:光的亮度、光点大小、光点聚集度、光的波长、光点排布方式。
在第二方面的一种可能实施方式中,图像传感器还用于:获取所述被认证者的辅助图像;通信接口具体用于:发送所述光点图像和所述辅助图像至所述远程设备,接收所述远程设备基于光点图像和所述辅助图像对所述被认证者进行人脸反欺诈检测后的认证结果。
上述第二方面中的认证设备和可能实施方式中的认证设备具备的有益效果可以参考前述第一方面的对应特征的有益效果,此处不再赘述。
第三方面,本申请还提供一种认证设备,所述认证设备包括处理器和存储器,所述存储器存储有计算机指令,所述处理器执行所述存储器存储的计算机指令,执行:接收被认证者的光点图像,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,获得认证结果,其中,所述人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。
在第三方面的一种可能实施方式中,光点图像训练集中的图像包括多张训练图像,所述多张训练图像被采集时所采用的多光点的参数与所述被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
在第三方面的一种可能实施方式中,所述处理器执行基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,具体包括:输入所述光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
在第三方面的一种可能实施方式中,若所述人脸反欺诈检测模型确定所述被认证者的脸部为自然人脸,所述处理器还执行:输入所述人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。
在第三方面的一种可能实施方式中,处理器执行基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,具体包括:基于人脸反欺诈检测模型、所述光点图像和所述被认证者的辅助图像对所述被认证者进行人脸反欺诈检测,其中,所述被认证者的辅助图像包括所述被认证者的红绿蓝RGB图像,和/或,所述被认证者的红外光图像。
上述第三方面中的认证设备和可能实施方式中的认证设备具备的有益效果可以参考前述第一方面的对应特征的有益效果,此处不再赘述。
第四方面,本申请还提供一种认证装置,认证装置包括接收模块和处理模块,其中,接收模块,用于接收被认证者的光点图像,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;处理模块,用于基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,获得认证结果,其中,所述人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。
上述认证装置可以是软件装置或者硬件装置,认证装置可以部署在认证方的本地环境,或者部署在边缘环境或云环境。
在第四方面的一种可能实施方式中,光点图像训练集中的图像包括多张训练图像,所述多张训练图像被采集时所采用的多光点的参数与所述被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
在第四方面的一种可能实施方式中,上述处理模块,具体用于输入所述光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
在第四方面的一种可能实施方式中,上述处理模块还用于:若所述人脸反欺诈检测模型确定所述被认证者的脸部为自然人脸,输入所述人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。
在第四方面的一种可能实施方式中,上述接收模块还用于接收被认证者的辅助图像,处理模块具体用于:基于人脸反欺诈检测模型、所述光点图像和所述被认证者的辅助图像对所述被认证者进行人脸反欺诈检测,其中,所述被认证者的辅助图像包括所述被认证者的红绿蓝RGB图像,和/或,所述被认证者的红外光图像。
上述第四方面中的认证装置和可能实施方式中的认证装置具备的有益效果可以参考前述第一方面的对应特征的有益效果,此处不再赘述。
第五方面,本申请还提供一种认证方法,该方法包括:获取被认证者的光点图像,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;基于所述光点图像对所述被认证者进行人脸反欺诈检测,获得认证结果。
在第五方面的一种可能实施方式中,基于所述光点图像对所述被认证者进行人脸反欺诈检测,包括:基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,其中,所述人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。
在第五方面的一种可能实施方式中,所述光点图像训练集中的图像包括多张训练图像,所述多张训练图像被采集时所采用的多光点的参数与所述被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
在第五方面的一种可能实施方式中,所述多张训练图像被采集时所采用的多光点的参数包括以下参数中的至少一种:光的亮度、光点大小、光点聚集度、光的波长、光点排布方式。
在第五方面的一种可能实施方式中,所述获取被认证者的光点图像,包括:通过光点发射器向所述被认证者发射所述多光点;并且,通过图像传感器获取所述被认证者在所述多光点照射下形成的反射光和扩散光,生成所述被认证者的光点图像。
在第五方面的一种可能实施方式中,所述光点发射器向所述被认证者发射的所述多光点为可见光点或非可见光点。
在第五方面的一种可能实施方式中,所述基于所述光点图像对所述被认证者进行人脸反欺诈检测,包括:输入所述光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
在第五方面的一种可能实施方式中,所述方法还包括:若所述人脸反欺诈检测模型确定所述被认证者的脸部为自然人脸,输入所述人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。
在第五方面的一种可能实施方式中,所述方法还包括:确定所述被认证者的脸部的敏感部位和非敏感部位;向所述被认证者的脸部的非敏感部位发射多光点。
在第五方面的一种可能实施方式中,所述方法还包括:获取所述被认证者的辅助图像,其中,所述被认证者的辅助图像包括所述被认证者的红绿蓝RGB图像,和/或,所述被认证者的红外光图像;所述基于所述光点图像对所述被认证者进行人脸反欺诈检测,包括:基于所述光点图像和所述辅助图像对所述被认证者进行人脸反欺诈检测。
在第五方面的一种可能实施方式中,在所述光点图像中所述被认证者的脸部包括光点区域和非光点区域,所述光点区域包括中心亮斑和扩散斑。
上述第五方面中的认证方法和可能实施方式中的技术特征具备的有益效果可以参考前述第一方面的对应技术特征的有益效果,此处不再赘述。
第六方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序代码,当所述计算机程序代码被计算设备执行时,所述计算设备实现前述第四方面的认证装置或第四方面的可能实施方式描述的认证装置的功能。该计算机可读存储介质包括但不限于易失性存储器,例如随机访问存储器,非易失性存储器,例如快闪存储器、硬盘(英文:hard disk drive,缩写:HDD)、固态硬盘(英文: solid state drive,缩写:SSD)。
第七方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序代码,在所述计算机程序代码被计算设备执行时,所述计算设备实现前述第四方面的认证装置或第四方面的可能实施方式描述的认证装置的功能。
附图说明
图1为本申请实施例提供的一种身份认证的系统架构示意图;
图2为本申请实施例提供的一种认证设备200的结构示意图;
图3为本申请实施例提供的认证系统300的结构示意图。
图4为本申请实施例提供的一种身份认证方法的流程示意图;
图5为本申请实施例提供的认证设备自采集被认证者的光点图像的流程示意图;
图6为本申请实施例提供的一种光点发射器600的结构示意图;
图7为本申请实施例提供的另一种光点发射器700的结构示意图;
图8为本申请实施例提供的一种被认证者的光点图像的示意图;
图9为本申请实施例提供的一种光点图像的细节示意图;
图10为本申请实施例提供的一种光点的传播示意图;
图11为本申请实施例提供的一种基于光点图像进行身份认证的流程示意图;
图12为本申请实施例提供的另一种身份认证方法的流程示意图。
具体实施方式
目前,基于人脸进行身份认证是常见的身份认证方法。
图1为通用的进行身份认证的系统架构示意图。身份认证系统100获取被认证者的图像,人脸反欺诈检测组件101对图像中的脸部进行活体检测,确定待认证的图像是否直接采集自自然人类。其中,直接采集自自然人类的图像是指由自然人类(包括脸部)反射和扩散的光在图像传感器上进行成像得到的图像。当人脸反欺诈组件101 发现待认证的图像中的人脸不是自然人脸时,身份认证系统不进行后续人脸识别认证,向被认证者发出告警,表示认证不通过,例如:语音提示当前被认证者为非自然人类、或者提示需要重新采集被认证者的图像。当人脸反欺诈组件101确定待认证的图像是直接采集自自然人类时,人脸识别组件102进一步对待检测图像对应的人脸进行识别,获得的人脸识别结果发送给认证组件103,认证组件103根据预先的信息库或者规则对人脸识别结果进行核验,核验通过后,身份认证系统100为被认证者开启相应的权限。身份认证系统100可以应用于多种应用场景,例如:手机解锁、管理系统、支付系统、门禁系统等。在不同的应用场景,认证成功后的权限也不同。
应理解,上述图1描述的仅是一种常用的基于人脸的身份认证系统架构示意图,不应理解为对本申请方案的限制,例如:在一些实施例中,人脸反欺诈组件101和人脸识别组件102的功能也可以由一个组件实现,在一些情况下,人脸反欺诈检测和人脸识别没有明显的先后顺序。
上述身份认证系统100可以为软件系统,也可以为硬件系统(例如至少一个设备构成的身份认证系统),还可以为软件和硬件结合的系统。
在身份认证系统100中,人脸反欺诈检测组件101是一个重要的认证组件,其旨在确保进行人脸识别认证的对象是自然人类,避免攻击者采用假冒自然人类的方式骗取认证。增强人脸反欺诈检测的准确性,是增强身份认证系统100的安全性的重要手段。
基于此,本申请提供了一种认证方法,该方法通过对被认证者进行光点照射,获取被认证者在光点照射下的光点图像,基于被认证者的光点图像进行人脸的反欺诈检测,获得认证结果,认证结果包括被认证者为自然人类或者被认证者为攻击材料。由于光点照射在人脸皮肤上得到的光学效应与光点照射到攻击者使用的3D面具等其他攻击材料上所得到的光学效应具有较大的区别,通过分析获得的光点图像可以更有效地判别被认证者是否为自然人类,提高了身份认证的安全性。
在一种实施例中,本申请的认证方法可以由认证设备200执行,认证设备200可以是终端设备,例如:智能手机、平板电脑、门禁终端、摄像头等。如图2所示,作为一种示例,认证设备200包括显示器201,光点发射器202,图像传感器203,处理器204,存储器205。其中,上述显示器201,光点发射器202,图像传感器203,处理器204和存储器205可以通过总线实现彼此之间的通信连接。
显示器201,用于在身份认证的过程显示被认证者。显示器201可以使被认证者清晰地看到自身被采集的图像以及采集的过程。显示器201是一种输入输出 (input/output,I/O)设备。根据制造材料不同,显示器201可以分为液晶显示器 (liquid crystaldisplay,LCD)、有机电激光(organic light emitting diode, OLED)显示器等。
光点发射器202,用于向被认证者发射光点,以使得被认证者的人脸可以反射光点发射器发射的光点。
被认证者反射的光在图像传感器203中成像,图像传感器203用于获得光点照射下的光点图像。
处理器204用于读取存储器205中存储的程序指令,对光点图像进行反欺诈检测,判断被认证者是否为自然人类,若是,则进一步识别被认证者的人脸,并判断被认证者是否具有对应权限。
处理器204可以采用中央处理器(central processing unit,CPU),应用专用集成电路(application specific integrated circuit,ASIC),图形处理器 (graphicalprocessing unit,GPU)或其任意组合。处理器204可以包括一个或多个芯片。处理器204可以包括AI加速器,例如神经网络处理器(neural processing unit,NPU)。
存储器205,用于存储处理器204执行的程序指令,还用于存储光点图像、以及中间处理过程的数据等。存储器205可以是只读存储器(read-only memory,ROM),随机存取存储器(random access memory,RAM),硬盘,快闪存储器或其任意组合。
值得注意的是,在上述认证设备200中,显示器201可以是可选的,当认证设备 200不包括显示器201时,在身份认证过程中被认证者不能看到自身被采集的光点图像和图像采集的过程,其他模块依然可以具有相同的功能。光点发射器202也是可选的,例如:光点发射器200的功能可以由认证设备200之外的设备实现。
上述认证设备200对设备自身的计算能力和存储能力具有一定要求,即:处理器204需要具有较强的计算能力,例如:处理器204可以是专门用于深度学习计算的嵌入式AI芯片;存储器205也需要具有较强的存储能力。由于上述认证设备200可以通过自身完成全部的身份认证操作,设备可以在不联网状态下进行身份认证,使其更为方便、应用场景更为广泛、对外界依赖较弱。另一方面,上述认证设备200还不易发生数据的泄露,在安全性方面也具有较好的保障。
在另一种实施例中,本申请的认证方法还可以由两个认证设备联合执行。
如图3所示,认证系统300包括前端设备310和后端设备320。前端设备310包括显示器311、光点发射器312、图像传感器303以及通信接口314,其中,显示器 311、光点发射器312和图像传感器313的功能分别与前述显示器201,光点发射器 202和图像传感器203的功能相同或相似,此处不再赘述。前端设备中的通信接口314 用于与后端设备320进行通信(具体地,与后端设备320中的通信接口323进行通信),用于发送图像传感器313生成的光点图像至后端设备320,也用于接收后端设备320 发送的指令或消息。前端设备310可以理解为是一个与被认证者直接进行交互的位于前端的认证设备。
后端设备320包括处理器321、存储器322、通信接口323和总线324。
处理器321用于读取存储器322中的程序指令,对光点图像进行人脸反欺诈检测和人脸识别,并进行权限核验。在处理过程中出现认证不通过时,处理器321还用于通过通信接口323向前端设备310发送表示认证不通过的响应消息。在认证通过后,处理器321还用于通过通信接口323向前端设备310发送表示认证通过的响应消息,处理器321还用于为认证通过者开启相应权限。处理器321也如前述处理器204一样,可以采用CPU,ASIC,GPU或其任意组合,也可以包括一个或多个芯片,处理器321 还可以包括AI加速器,例如NPU。
存储器322用于存储处理器321执行的程序指令,还用于存储光点图像、以及中间处理过程的数据等。存储器322也可以采用和前述存储器205一样的一种或多种结构来实现,此处不再赘述。
通信接口323使用例如但不限于收发器一类的收发模块,来实现后端设备320与前端设备310或通信网络之间的通信。
总线324可包括在后端设备320各个部件(例如,处理器321、存储器322、通信接口323)之间传送信息的通路。
在一些具体的应用场景中,前端设备310可以为智能手机、平板电脑、摄像头,前端设备310还可以为门禁系统的门禁设备。前端设备310通过与被认证者进行交互,采集被认证者的光点图像后,将光点图像通过通信网络发送至后端设备320,由后端设备320完成对被认证者进行身份认证。
上述后端设备320可以根据不同的应用场景部署在不同的环境中。
在一种可能的情况下,后端设备320可以部署在云环境。云环境是云计算模式下包括多种基础资源,利用基础资源提供云服务的实体,云环境包括计算资源、存储资源和网络资源。具体地,后端设备320可以是部署在云环境的服务器或服务器集群,也可以是运行在云环境的服务器上的虚拟机或虚拟机集群。
身份认证方法的使用方可以通过购买云服务的基础资源创建虚拟机以实现后端设备320的功能。身份认证方法的使用方也可以购买云服务提供商提供的身份认证云服务,以获得后端设备320的功能。在这种方式下,云服务提供商利用自身云环境的基础资源运营该项身份认证云服务,后端设备320为云服务提供商用于实现该项云服务的功能的设备。由于云环境具有较丰富的计算资源和存储资源,将后端设备320部署在云环境,执行身份认证的方法时,对前端设备310的计算能力要求降低了,可以使得前端设备310更轻量化,扩大了方案的应用场景。
在另一种可能的情况下,后端设备320可以部署在边缘环境。边缘环境为在地理上距离终端计算设备较近的环境,后端设备320可以为边缘服务器或边缘服务器集群等,或者后端设备320也可以为运行在边缘服务器上的虚拟机或虚拟机集群。例如:在交通执法场景,需要对驾驶员进行身份验证时,前端设备310可以是执法人员手持的认证终端,或者是小型抓拍摄像头。后端设备320可以是部署在路侧边缘小站的服务器。
将后端设备320部署在边缘环境,也可以使得执行身份认证的方法时,可以降低对前端设备310的计算能力要求,前端设备310的形态可以更灵活,扩大了方案的应用场景。当边缘环境的计算能力足够时,相比于部署在云环境,部署在边缘环境的后端设备320距离前端设备310的物理距离较近,通信时间耗费较低,可以更快地向前端设备310返回认证响应。
下面结合图4具体描述本申请中身份认证方法的实施例。该方法可以由前述认证设备200执行,也可以由前述前端设备310和后端设备320联合构成的认证系统300 执行。为了表述简洁,在下文中示例性地写成由认证设备执行。
S401:获取被认证者的光点图像。
具体地,被认证者的光点图像表示被认证者在多光点照射下被采集的图像,光点图像包括被认证者的脸部。
上述获取被认证者的光点图像可以包括认证设备向被认证者发射多光点,进而采集在多光点照射下的被认证者的图像,这种方式可以称为认证设备自行采集光点图像。获取被认证者的光点图像也可以包括认证设备接收其他设备(例如:摄像头、智能手机)发送的光点图像。例如:后端设备320接收前端设备310发送的光点图像。
下面结合图5的流程示意图对认证设备自行采集被认证者的光点图像的步骤进行详细说明:
S4011:被认证者触发身份认证。
在不同的应用场景,被认证者可以通过不同的方式触发身份认证。例如:在认证设备为智能手机的场景,被认证者可以在使用应用(application,APP)期间,通过在图形用户界面(graphical user interface,GUI)点击特定的按钮触发身份认证。智能手机也可以在由被认证者拿起时,通过一些传感器触发身份认证。在认证设备为门禁设备的场景,当认证设备的摄像头监控范围内出现被认证者时,即可以触发身份认证。
S4012:认证设备向被认证者发射多光点。
当被认证者触发身份认证后,认证设备可以向被认证者发射多光点。认证设备向被认证者发射光点需要认证设备具有光点发射器,根据光点发射器的构造和原理不同,认证设备向被认证者发射多光点的方式也有不同。以下结合光点发射器可能的构造列举几种可行方式:
一、认证设备通过光点转换器将发光元件发射的光转换成多光点,并向被认证者发射多光点。
如图6所示,光点发射器600包括发光元件601和光点转换器602。应理解,光点发射器600可以是前述认证设备200中的光点发射器202,也可以是前述前端设备 310中的光点发射器302。
发光元件601可以是激光器,也可以是发光二极管(light emitting diode,LED),发光元件601用于发出可见光或者非可见光。光点转换器602用于将发光元件601发出的光转换成多光点,光点转换器602可以采用多种构造实现,例如:光点转换器602 可以是多棱镜,通过多棱镜对光的折射使得发光元件发出的光变为多光点。光点转换器602还可以采用衍射光栅、透镜阵列的方式产生多光点。可选的,光点转换器602 可以包含一些辅助部件,如准直器、扩束器等,增加光线质量。
上述发光元件601发出的光的亮度、波长,以及光点转换器602产生的光点的大小、数量、排布方式、光点聚集度等可以由发光元件601和光点转换器602的材料、结构决定。由于本申请中的光点发射器600发出的光点在照射到自然人类的脸部皮肤而获得的光点图像,需要与光点发射器600发出的光点在照射到攻击材料而获得的光点图像有较明显区分。因此,本申请中发光元件601发出光以及光点转换器602转换的多光点的参数需要满足预设的条件。通常可以通过理论和实验结合的方式确定光的相关参数,再对发光元件601和光点转换器602进行选择和设计,使得光点发射器发出的多光点的参数满足预设的条件。
需要预先确定的光的参数包括:(1)光的亮度,光的亮度需要适中,需要使得光点照射到人脸时不产生过爆的现象。光点亮度在照射到其他攻击材料上产生过爆则是可以接受的。(2)光的波长,确定光的波长可以通过测定自然人类的人脸以及攻击者常用的攻击材料(如:纸张、屏幕、硅胶面具、树脂面具等)的光谱响应,需要选择对自然人类的人脸响应与其他攻击材料的响应差异比较明显的波长范围。(3) 光点聚集度,在确定光点聚集度时,光点不能过密,光点间距需要大于扩散斑的扩散直径,以免光点图像中各个光点的区域互相重叠。同时也不得过于稀疏,需要保证人脸区域能有足够多的光点,方便后续进行人脸反欺诈检测时做特征分析。(4)光点排布方式,光点可以采用规则的点阵排布,也可以根据需要采用无明显规律的排布方式。光点的排布方式还可以根据通常人脸的结构,避开人脸的敏感区域(例如眼睛) 进行排布。(5)光点大小,光点不能太小,否则中心亮斑和扩散斑不明显,不利用后续进行人脸反欺诈检测时进行特征分析。(6)非光点区域光的亮度,在一些情况下,光点转换器除了发射光点之外,还可以发射一定光线使非光点区域也有一定的照明。非光点区域需光照比较均匀,为整个成像提供良好的背景,并补充被认证者的全局信息。亮度相比光点部分要低,不影响扩散斑的成像。可以选择某一特定的衰减比率,比如亮度和扩散斑衰减率0.1处的亮度一致。应理解,在另一些情况下非光点区域也可以不进行补充照明。
示例性地,上述参数的确定可以由人工预先构建人脸和常见攻击材料的光学特性模型。然后投射不同亮度、不同波长、大小、聚集度、排布方式等参数的光点。再利用蒙特卡洛等方法仿真出光子在各个材料中的运行轨迹,得到最后出射光子的位置和数量,便可以得到光点图像。得到不同材料在不同参数光点照射下的光点图像之后,可以选择区分度比较好的小范围参数组。从参数范围中选择几组参数,用自然人类的人脸和攻击材料进一步做实验,确定合适的参数。在进行参数选择时需要确保对应的光点的安全性,由于光点会照射到人脸,应控制功率、波长等参数,避免对人脸各部位,尤其是眼睛造成伤害。
确定光的参数后用于设计光点发射器600,使得光点发射器600可以发出高质量的光点,使得自然人类的人脸和其他攻击材料的成像差异较大。
应理解,上述参数的确定和光点发射器600的设计是认证设备在用于执行本申请的身份认证方法之前的前期准备工作,可以由人工结合理论和实践完成。
可选的,上述光点发射器600还可以包括光点调节器603,光点调节器603用于调节光的参数,光点调节器603可以在光点转换器602转换完成多光点后再对多光点的参数进行调整,光点调节器603还可以对发光元件601发出的光进行调节。在一些应用场景下,需要认证设备适应外部环境,在不同的环境对发出的光点做一定调节,因此需要光点调节器603适应性地对光的参数进行一定调整。例如:光点调节器603 包括外部光传感器,当外部光传感器感知到外部环境较暗时,光点调节器603将光点亮度进行调整,使得获得的光点图像可以比较清晰且人脸和其他攻击材料的区分较大。可选的,当感知到外部环境较暗时,光点调节器还可以将照射向非光点区域的光线亮度调大一些,使得光点图像的整体成像质量较好。
上述光点发射器600的构造可以使得认证设备可以通过光点转换器602将发光元件601发射的光转换成多光点,进而发射多光点至被认证者。
下面再结合光点发射器的另一种构造介绍认证设备向被认证者发射光点的另一种方式:
二、光点发射器通过光点扫描器将发光元件发出的光进行不同发射路径的调整,实现对被认证者进行光点扫描。
如图7所示,一种光点发射器700包括发光元件701和光点扫描器702,可选的,光点发射器700还可以包括光点调节器703。应理解,光点发射器700可以是前述认证设备200中的光点发射器202,也可以是前述前端设备310中的光点发射器302。
发光元件701的功能和可能的结构和前述发光元件601可以相同,此处不再赘述。光点扫描器702用于将发光元件701发射的光转换成至少一个光点,并对转换后的光点的传播路径进行调整。光点扫描器702的结构可以由前述光点转换器602的结构与至少一个位移单元进行组合或耦合构成。位移单元对光点传播路径的控制可以由软件指令实现,使得至少一个光点在软件指令的控制下移动,实现对被认证者的光点扫描。
光点调节器703的功能也与前述光点调节器603的功能类似,此处不再赘述。
上述两种方法都使得认证设备可以向被认证者发射光点。应理解,上述光点发射器可以是与认证设备的其他部件松耦合或者在物理结构上相组合的一个部件,也可以是与认证设备的其他部件强耦合的部件。当认证设备为包括显示屏的设备时,上述光点发射器还可以是可发光的显示屏屏幕,可以由软件控制屏幕上的各个元件的发光,使得屏幕发出多光点,或者随时间发出扫描光点。
可选的,在认证设备执行前述S4012前,认证设备还可以感知和识别被认证者脸部、以及脸部的敏感部位,例如:眼睛区域,在识别之后再执行前述S4012向被认证者发射光点,发射光点时以被认证者的脸部为中心发射光点,且避开眼部区域。识别脸部和眼睛的方法可以采用温度传感器或者深度学习等方式实现。应理解,任意能进行脸部和眼睛识别的方式都可以应用与本申请的该可选步骤,本申请不对此作限定。
S4013:认证设备基于被认证者反射和扩散的光对被认证者进行成像,获得被认证者的光点图像。
实现上述S4013需要认证设备具有图像传感器,认证设备收集的被认证者反射或扩散的光点映射在图像传感器的受光面,图像传感器通常被设计有一层传感涂片,传感涂片为受光面,光射入传感涂片中可以形成被认证者反射和扩散光的光学影像,图像传感器还可以将光学影像转换成对应的模拟电信号,还可以进一步转换成数字信号,形成被认证者的光点图像。应理解,本申请不对上述图像传感器的结构作限定。可选的,上述认证设备还可以包括其他结构,例如:镜头、图像采集开关。
应理解,设计的上述图像传感器可以和发射的光点的波长或亮度等相适应和匹配,使得图像传感器获得的被认证者的图像清晰且能将自然人类的成像和攻击材料的成像区分开来。
还应理解,认证设备可以利用图像传感器获得被认证者的至少一张光点图像。例如:对于认证设备是通过前述图6所示的光点发射器600向被认证者发射多光点的情况,由于被认证者在一个时刻可以被聚集度适中的多光点照射,可以仅采集一张光点图像,或者也可以采集几张光点图像。对于认证设备对于认证设备是通过前述图7所示的光点发射器700向被认证者进行光点扫描的情况,由于被认证者在不同时刻被光点照射的位置可能不同,可以多采集几张光点图像,获得被认证者在不同位置光点照射下的图像。
如图8为一张示例性的被认证者的光点图像。被认证者的脸部和其他部位都可以被光点照射,采集到的光点图像可以包括被认证者的脸部和其他部位。若光点发射器向被认证者发射的光点为可见光的光点,或者图像传感器为适应于光点的波长的特殊图像传感器,获得的光点图像可以由肉眼看出光点区域和非光点区域。
图9为光点图像的细节示意图。如图9所示,在经过光点照射下形成的光点图像中会形成中心亮斑801、扩散斑802,未经光点照射和扩散的区域会有非光点区域803。中心亮斑801主要由光点在物体表面或内部反射得到。扩散斑802主要由光点在物体表层的扩散作用得到,扩散斑802可以有一层或多层,图9仅以扩散斑802包括两层作为示例。
图10为光点照射向物体的传播示意图。如图10所示,光通过空气传播至物体表面会有一部分光投射和折射至物体内部,在物体内部进一步地进行透射和散射,每一层透射和散射中都有一部分光被吸收,在物体表面还会有一部分光进行反射和表层扩散,进行反射和表层扩散的光通过图像传感器的成像可以形成如图9所示的中心亮斑 801和扩散斑802。
由于本申请上述身份认证的方法设计为向被认证者投射能量密度高的光点,使得光点照射在物体能显现出更明显的光学效应差异,比如扩散效应、反射、吸收效应等。同时,光点透射深度更大,能与物体内部发生更多交互,使得获得的光点图像携带更多信息。且由于光在不同的材料所发生的光学效应也不相同,例如:光点照射在人体表面形成的中心亮斑和扩散斑的半径、层次等与常用的攻击材料,如树脂,具有较大的区别。因此,通过上述步骤S401获得的光点图像可以被用于人脸反欺诈的检测,实现更准确的身份认证。
下面继续描述本申请如何基于光点图像进行身份认证:
S402,基于所述光点图像对所述被认证者进行认证,获得认证结果,其中,所述认证结果包括对所述被认证者进行人脸反欺诈检测后的认证结果。
具体地,在一些实施例中,认证设备可以基于训练完成的人脸反欺诈检测模型对光点图像进行特征提取和分析,并输出认证结果,认证结果表示光点图像是否为自然人类直接形成的图像。
前述人脸反欺诈检测模型可以是一种训练完成的人工智能(artificialintelligence,AI)模型,例如:人脸反欺诈检测模型可以采用业界可以用于分类或异常检测的神经网络模型,如:常用的分类神经网络模型:VGG、ResNet、MobileNet、 DenseNet;常用的异常检测神经网络模型:One-Class SVM、Isolation Forest、Local Outlier Factor、Auto-encoder、Deep SVDD等。对于神经网络模型的具体结构,本申请不作具体的限定。
例如:MobileNet V2可以作为人脸反欺诈检测模型的基本模型,MobileNetV2主要特点包括倒置残差结构、深度分离卷积和线性损失函数。该网络属于轻量级设计,能显著减少模型参数和计算量,同时又能保证与大模型相当的准确率。可以将光点图像输入至训练完成的MobileNet V2模型,模型通过特征提取和分类,可以输出光点图像为自然人类形成的活体图像和攻击材料图像的概率或者输出光点图像的分类结果,由此,可以判断被认证者是否为自然人类。
上述对人脸反欺诈检测模型的训练,可以由认证设备执行,也可以由其他设备执行。在训练人脸反欺诈检测模型之前,需要先构建光点图像训练集,光点图像训练集包括多张人脸光点训练图像和多张攻击材料光点训练图像,可以将人脸光点训练图像标注为正样本,攻击材料光点训练图像标注为负样本。在训练过程中,模型逐渐根据预测结果和标注之间的损失函数调整模型中各层的参数,使得模型逐渐学习到如何根据正样本中的特征和负样本中的特征区分开正样本和负样本。
应理解,上述在获得光点图像训练集中的人脸光点训练图像和攻击材料光点训练图像时,也需要采用光点发射器向自然人类发射光点,采集自然人类形成的人脸光点训练图像,还需要采用光点发射器向攻击材料(例如:3D面具、屏幕)发射光点,采集攻击材料形成的攻击材料光点训练图像。通常,在获得光点训练图像时采用的光点发射器发出的光的参数例如:光的波长、光的亮度,光点大小、光点聚集度、光点排布方式,与身份认证时向被认证者发射的多光点的参数应该保持在相同范围内,以使得训练得到的人脸反欺诈检测模型在认证时对光点图像有更准确地判断,提高人脸反欺诈检测的准确率。应理解,参数在相同范围内表示参数相同或者在一定误差范围内浮动,例如:获取光点训练图像时发射的光点的波长在[750nm,760nm]范围内的任意动态的值;身份认证时,射向被认证者的光点的波长也为[750nm,760nm]范围内的值。通常可以采用相同构造、相同材料、相同设计的光点发射器用于光点训练图像的采集和身份认证时光点图像的采集。
图11示出了一种具体的基于光点图像进行身份认证的流程示意图,图11所示的流程示意图分为两个阶段:训练阶段和身份认证阶段。在训练阶段,主要为训练身份认证阶段所需的AI模型的阶段,如图11所示,训练阶段包括训练人脸检测模型、人脸反欺诈检测模型以及训练人脸识别模型。在训练阶段,可以由认证设备完成对各个模型的训练,也可以由其他设备或者设备集群完成对各个模型的训练,上述三个模型可以采用级联的方式一起被训练,也可以单独被训练。在身份认证阶段,主要为:利用训练完成的AI模型对光点图像进行处理,实现基于光点图像对被认证者进行身份认证,获得认证结果的过程。如图11所示,在身份认证阶段执行身份认证可以具体包括以下几个步骤:
S4021:对光点图像进行预处理,获得人脸光点图像
采集到的光点图像通常不仅包括被认证者的脸部,还包括一些周边环境、被认证者的其他部位等。为了更准确地对被认证者进行人脸反欺诈检测和人脸识别,认证设备在获取到光点图像后,最重要的一步是对光点图像中的人脸进行检测,从光点图像中截取到干扰因素更少的人脸光点图像。对光点图像进行人脸检测可以采用训练阶段训练出来的人脸检测模型,人脸检测模型不限于采用深度学习模型、机器学习模型作为基本模型。
在训练阶段对人脸检测模型的训练之前也需要预先构建光点图像的人脸检测数据集,具体方式为采用包括光点发射器的图像获取设备获取多张光点训练图像。光点训练图像可以包括自然人类在光点照射下形成的图像,也可以包括通过攻击材料伪造的人脸或者人类在光点照射下形成的图像,攻击材料可以包括纸张、屏幕、硅胶面具、乳胶面具、树脂面具等。构建人脸检测数据集还需要对采集的光点训练图像进行标注,可以通过矩形框标注出人脸在光点训练图像中的位置,例如一般用中心坐标和矩形的长和宽进行表示,即(x0,y0,w,h)。
例如可以采用RetinaFace模型作为人脸检测模型的基础模型,RetinaFace主要基于特征金字塔结构,可以增强对不同尺度人脸的检测效果。可以将标注好的光点训练图像进行一定的尺度放缩后输入至RetinaFace模型,以最小化总损失为目标,利用反向传播与梯度下降算法进行网络的参数更新,一次次迭代,直到总损失收敛或达到设定的某种条件,比如验证集准确率不再增加、到达设定的训练次数等,则模型训练完成,获得训练完成的人脸检测模型。在另一些实施例中,也可以采用业界检测精度较高的、已完成训练的人脸检测模型用于本申请的人脸检测,如此,可以节约训练人脸检测模型的资源和时间成本。
训练完成的人脸检测模型用于身份认证阶段获得人脸光点图像。具体地,将光点图像输入至训练完成的人脸检测模型后,经过特征提取得到一个多维特征图,由模型进一步解析特征图可以得到大量的检测框,再经过非极大值抑制处理便可以得到检测到的人脸框信息,根据人脸框信息从光点图像中截取对应的图像,即得到了人脸光点图像。
应理解,上述S4021对光点图像进行预处理获得人脸光点图像还可以包括一些其他步骤,例如:对获得的人脸光点图像进行对比度调整、尺度调整等。
S4022:根据人脸光点图像和人脸反欺诈检测模型对被认证者进行人脸反欺诈检测。
在该步骤中,人脸反欺诈检测模型也需要在训练阶段完成被训练,在训练阶段需要采集人脸光点训练图像和攻击材料光点训练图像作为模型训练所需的数据,采集训练图像时发射的光点的参数与身份认证阶段向被认证者发射的光点的参数保证在相同范围内,可以使得被训练的人脸反欺诈检测模型可以更准确地判断在该组参数下获得的光点图像中被认证者是否为自然人类。身份认证阶段的人脸广东图像和训练阶段采用的人脸光点训练图像和攻击材料光点训练图像的尺寸和脸部占图像的比重也可以保持在相同范围内,以使得模型的人脸反欺诈检测结果更准确。
将人脸光点图像输入至训练完成的人脸反欺诈检测模型,经过模型的推理,即可得到人脸反欺诈检测结果,结果包括被认证者为自然人类或者为攻击材料。对于人脸反欺诈检测模型的结构以及推理的过程可以参考前述介绍,此处不再赘述。
当人脸反欺诈检测结果表示被认证者为攻击材料时,认证设备可以通过语音或者文字向被认证者返回身份认证失败的响应,并提示被认证者继续采用自然人脸进行认证,或者产生告警,在此种情况下,身份认证阶段不继续进行人脸识别。当人脸反欺诈检测结果表示被认证者为自然人类时,表示人脸反欺诈检测通过,前述S4021中获得的人脸光点图像可以继续被用于人脸识别,即:继续执行步骤S4023。
S4023:根据人脸识别模型对人脸光点图像进行识别,获得识别结果。
在一些实施例中,在该步骤下,采用的人脸识别模型也需要在训练阶段被训练,人脸识别模型的基础模型可以采用业界许多可以用于人脸识别的神经网络模型,例如:FaceNet、VGG等。训练人脸识别模型需要使用人脸识别数据集,人脸识别数据集包括多个标注好的人脸训练图像,人脸训练图像也可以是在光点照射下采集的人脸训练图像,也可以是在自然光下采集的人脸训练图像,对人脸训练图像进行标注的方法是为人脸训练图像中的人脸设置标签,标签可以为人的姓名或者人的标识。本申请中训练人脸识别模型的方法可以采用本领域常用的模型训练方式,此处不再赘述。
在另一些实施例中,人脸识别模型也可以是在其他系统或者其他设备中训练完成的模型,例如:一个企业中的门禁系统采用的训练完成的人脸识别模型可以直接被复用于该企业的秘密信息管理系统中,该人脸识别模型为由该企业的所有员工的人脸训练图像训练完成的模型。
将人脸光点图像输入至上述训练完成的人脸识别模型,经过推理可以获得人脸的识别结果,识别结果可以是人脸光点图像对应的人脸的姓名或者标识。
S4024:根据识别结果对被认证者进行身份认证。
获得上述识别结果后,可以进一步地通过比对权限维护表或者其他方式对被认证者进行身份认证。例如:当被认证者经过前述步骤检测与识别后,可知被认证者为张三,且是非伪装的张三,则认证设备可以继续查询张三的权限。若权限维护表中表明张三具有通过认证的权限时,认证设备向被认证者返回身份认证成功的响应,并开启对应的权限。若权限维护表中表明张三没有通过认证的权限时,认证设备向被认证者返回认证完成,但没有相应权限的响应。
经过上述步骤S4021-S4024,可以更准确地对被认证者完成身份认证,且由于在身份认证阶段采用的人脸反欺诈检测模型为预先被光点训练图像训练完成的模型,该模型可以准确地提取和发掘光点图像中的特征,并区分不同材料形成的光点图像在特征上的区别,由此可以判断被认证者为自然人类还是攻击材料伪装的人,提高了人脸反欺诈检测的准确率。
值得注意的是,上述步骤S4021-S4024的身份认证流程仅是一种示例性的实施例,在另一些实施例中,上述人脸检测模型和人脸反欺诈检测模型的功能也可由一个深度学习模型实现,即将光点图像输入至一个深度学习模型便可以对光点图像中的人脸进行检测并完成人脸反欺诈检测。在另一些实施例中,上述人脸反欺诈检测模型和人脸识别模型的功能也可以由一个深度学习模型实现,或者上述人脸检测模型、人脸反欺诈检测模型和人脸识别模型的功能也可以由一个深度学习模型实现,即通过一个深度学习模型完成端到端的身份识别和认证。
本申请还提供另一种身份认证方法的实施例。在另一实施例中,认证设备不仅获取被认证者的光点图像,还获取被认证者形成的辅助图像,获取的辅助图像可以是通过红绿蓝RGB摄像头采集的被认证者的图像,或者通过红外摄像头采集的被认证者的红外光图像等。由于攻击材料和自然人脸形成的辅助图像也具有一定的区别,利用光点图像和辅助图像一起进行人脸的反欺诈检测可以使得结果更加准确。
下面结合图12具体描述结合光点图像和辅助图像进行身份认证的实施例流程。
S501:被认证者触发身份认证
该步骤中被认证者具体触发身份认证的方式可参考前述步骤S4011中的描述,此处不再赘述。
S502:认证设备获取被认证者的辅助图像A
在该步骤中,认证设备中可以是装设有红外摄像头或RGB摄像头的设备。以认证设备获取被认证者的红外光图像作为辅助图像A为例,认证设备获取被认证者的辅助图像A的方式可以是:认证设备先通过红外光发射器向被认证者发射红外光线,再获取被认证者反射的红外光线,通过红外图像传感器产生红外光图像作为辅助图像A。
S503:认证设备向被认证者发射光点。
该步骤的具体实现可以参考前述步骤S4012的描述,此处不再赘述。
值得注意的是,在该实施例中,认证设备可以采用包括三维结构光摄像头的设备,三维结构光摄像头可以获取红外光图像,也可以获取RGB图像,三维结构光摄像头还可以对发光元件发出的光进行编码和转换,发射光点至被认证者。
S504:认证设备获取光点图像B。
该步骤的具体实现可以参考前述步骤S4013的描述,此处不再赘述。当认证设备为包括三维结构光摄像头的设备时,认证设备可以根据被认证者的反射光和扩散光形成散斑图,散斑图也是一种光点图像。通过业界三维结构光摄像头获得的散斑图主要用于重建深度图,但原始的散斑图很难用于人脸反欺诈检测。三维结构光摄像头需要重新设计以达到散斑图既能用于重建深度图,又能用于人脸反欺诈检测的目标。对于光点活体检测来说,目前很多三维结构光硬件存在光点过小、亮度太低、各光点亮度分布不均、受距离变化明显等问题。本申请可以对业界已有的三维结构光摄像头的结构和发光的参数进行设计,使得获得的散斑图中的特征能很好地用于人脸反欺诈检测。例如:可以在不影响深度构建的前提下进行改进,改进的主要方向为增加光点亮度和大小、增加亮度均匀度、光点直线度等。
S505:认证设备对辅助图像A和/或光点图像B进行人脸检测,得到人脸位置信息,获取人脸光点图像和人脸辅助图像。
对于获取到的辅助图像A和光点图像B,可以先进行像素对齐,具体的对齐方式可以是根据获取两个图像时设备的内外参矩阵进行对齐,也可以是通过边缘检测的方式进行对齐。对齐后的辅助图像A中的人脸和对齐后的光点图像B中的人脸在整体图像中的位置相似。
认证设备可以利用训练好的人脸检测模型对对齐后的辅助图像A中的人脸位置进行检测,也可以是利用训练好的人脸检测模型对对齐后的光点图像B中的人脸位置进行检测。若辅助图像A为红外光图像,通常业界已有较多红外光图像的人脸检测模型可以用于本申请的该步骤,则本申请无需在训练阶段进行人脸检测模型的训练,可以节约成本。若对光点图像进行人脸检测,具体的人脸检测模型的训练方法和检测方法可以参考前述步骤S4021中描述的内容,此处不再赘述。
本申请以利用人脸检测模型获得对齐后的辅助图像A中的人脸位置为例,获得对齐后的辅助图像A中的人脸位置后,可以根据人脸位置信息从对齐后的辅助图像A中截取人脸辅助图像,也可以根据人脸位置信息从对齐后的光点图像B中截取人脸光点图像。
S506:认证设备根据人脸辅助图像和人脸光点图像对被认证者执行人脸反欺诈检测。
由于本步骤中采用两个图像一起用于人脸反欺诈检测,本步骤采用的人脸反欺诈检测模型也需要接收两个图像,例如:人脸反欺诈检测模型先通过对两个图像分别进行特征提取,然后将提取的特征进行特征融合,再利用融合后的特征进行分类,区分出是否为自然人类形成的图像。本步骤采用的人脸反欺诈检测模型的模型结构可以在前述实施例中描述的人脸反欺诈检测模型的基础上做一些修改,例如,修改的策略可以是在模型的输入层对输入图像通道叠加;将模型的特征提取结构形成两分支,再增加特征融合层;或者将两个模型的输出结果进行融合等。
本申请的人脸反欺诈检测模型在被训练时也采用人脸辅助训练图像和人脸光点训练图像,以及攻击材料辅助训练图像和攻击材料光点训练图像进行训练,获得训练图像的方式与身份认证时获得人脸辅助图像和人脸光点图像的方式相似,此处不再赘述。具体的训练方式为:将人脸辅助训练图像和人脸光点训练图像作为一组,攻击材料辅助训练图像和攻击材料光点图像作为一组,输入至人脸反欺诈检测的基本模型中,进行模型参数的调整,最后获得能根据输入的人脸辅助图像和人脸光点图像判断图像中的人脸是否为自然人脸的人脸反欺诈检测模型。
当人脸反欺诈检测结果表示被认证者为攻击材料时,认证设备可以通过语音或者文字向被认证者返回身份认证失败的响应,并提示被认证者继续采用自然人脸进行认证,或者产生告警,在此种情况下,身份认证阶段不继续进行人脸识别。当人脸反欺诈检测结果表示被认证者为自然人类时,表示人脸反欺诈检测通过,前述S505中获得的人脸光点图像或者人脸辅助图像可以继续被用于人脸识别,即:继续执行步骤 S507。
S507:认证设备根据人脸光点图像或者人脸辅助图像进行人脸识别,获得识别结果。
进行人脸识别时,可以任意采用人脸光点图像进行,或者采用人脸辅助图像进行。利用人脸光点图像进行人脸识别的方式与前述步骤S4023中的步骤相同,此处不再赘述。若利用人脸辅助图像进行人脸识别,则采用的人脸识别模型为与辅助图像性质相同的带标签的训练图像训练而成的模型,例如:红外光训练图像。
S508:根据识别结果对被认证者进行身份认证。
上述步骤与前述步骤S4024相同,此处不再赘述。
本申请的上述实施例方法S501-S508通过辅助图像和光点图像结合进行身份认证,可以叠加辅助图像和光点图像的优势,使得身份认证时人脸反欺诈检测的结果更加准确。
本申请前述图2所述认证设备200可以执行前述步骤S401-S402及细节步骤S4012-S4013、S4021-S4024,或者执行前述步骤S502-S508中的部分或全部步骤。
本申请前述图3所示的前端设备310可以执行前述步骤S401及细节步骤 S4012-S4013或者执行前述步骤S502-S504中的部分或全部步骤,后端设备320可以执行前述步骤S402及细节步骤S4021-S4024,或者执行前述步骤S505-S508中的部分或全部步骤。
上述步骤S402及细节步骤S4021-S4024,以及步骤S505-S508也可以由认证装置执行,认证装置可以包括接收模块和处理模块,接收模块用于执行上述从其他设备或系统接收光点图像和/或辅助图像,处理模块用于执行上述步骤描述的进行认证的方法。
上述各个附图对应的流程的描述各有侧重,某个流程中没有详述的部分,可以参见其他流程的相关描述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。实现身份认证的计算机程序产品包括一个或多个进行身份认证的计算机指令,在计算机上加载和执行这些计算机程序指令时,全部或部分地产生按照本申请前述方法实施例所述的流程或功能。
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如:同轴电缆、光纤、数据用户线(digital subscriber line,DSL))或无线(例如:红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如:软盘、硬盘、磁带)、光介质 (例如:数字通用光盘(digital versatile disc,DVD))、或者半导体介质(例如:固态硬盘(solid state disk,SSD))等。
Claims (35)
1.一种认证系统,其特征在于,包括:前端设备和后端设备,所述前端设备和所述后端设备之间互相通信;
所述前端设备,用于采集被认证者的光点图像,并将所述光点图像发送至所述后端设备,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;
所述后端设备,用于接收所述光点图像,基于所述光点图像对所述被认证者进行人脸反欺诈检测,获得认证结果。
2.根据权利要求1所述的系统,其特征在于,所述后端设备,具体用于基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,其中,所述人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。
3.根据权利要求2所述的系统,其特征在于,所述光点图像训练集中的图像包括多张训练图像,所述多张训练图像被采集时所采用的多光点的参数与所述被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
4.根据权利要求3所述的系统,其特征在于,所述多张训练图像被采集时所采用的多光点的参数包括以下参数中的至少一种:光的亮度、光点大小、光点聚集度、光的波长、光点排布方式。
5.根据权利要求1-4任一项所述的系统,其特征在于,所述前端设备包括光点发射器和图像传感器;
所述前端设备,具体用于:
通过所述光点发射器向所述被认证者发射所述多光点;并且
通过所述图像传感器获取所述被认证者在所述多光点照射下形成的反射光和扩散光,生成所述被认证者的光点图像。
6.根据权利要求5所述的系统,其特征在于,所述光点发射器向所述被认证者发射的所述多光点为可见光点或非可见光点。
7.根据权利要求5或6所述的系统,其特征在于,所述前端设备还包括光点调节器,所述光点调节器用于调节所述光点发射器发射的多光点的参数。
8.根据权利要求1-7任一项所述的系统,其特征在于,所述后端设备,具体用于:
输入所述光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;
输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
9.根据权利要求8所述的系统,其特征在于,所述后端设备,还用于:
若所述人脸反欺诈检测模型确定所述被认证者的脸部为自然人脸,输入所述人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。
10.根据权利要求1-9任一项所述的系统,其特征在于,所述前端设备还用于:
确定所述被认证者的脸部的敏感部位和非敏感部位;
向所述被认证者的脸部的非敏感部位发射多光点。
11.根据权利要求1-10任一项所述的系统,其特征在于,所述前端设备还用于:
获取所述被认证者的辅助图像;
所述后端设备具体用于:
基于所述光点图像和所述辅助图像对所述被认证者进行人脸反欺诈检测。
12.根据权利要求11所述的系统,其特征在于,所述被认证者的辅助图像包括所述被认证者的红绿蓝RGB图像,和/或,所述被认证者的红外光图像。
13.根据权利要求1-12任一项所述的系统,其特征在于,在所述光点图像中所述被认证者的脸部包括光点区域和非光点区域,所述光点区域包括中心亮斑和扩散斑。
14.一种认证设备,其特征在于,包括图像传感器和通信接口,所述图像传感器和所述通信接口之间通信连接;
所述图像传感器,用于采集被认证者的光点图像,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;
所述通信接口,用于发送所述光点图像至远程设备,接收所述远程设备基于所述光点图像对所述被认证者进行人脸反欺诈检测后的认证结果。
15.根据权利要求14所述的认证设备,其特征在于,所述认证设备还包括光点发射器,
所述光点发射器,用于向所述被认证者发射多光点;
所述图像传感器,具体用于获取所述被认证者在所述多光点照射下形成的反射光和扩散光,生成所述被认证者的光点图像。
16.根据权利要求15所述的认证设备,其特征在于,所述光点发射器向所述被认证者发射的所述多光点为可见光点或非可见光点。
17.根据权利要求15或16所述的认证设备,其特征在于,所述光点发射器具体用于:
确定所述被认证者的脸部的敏感部位和非敏感部位;
向所述被认证者的脸部的非敏感部位发射所述多光点。
18.根据权利要求14-17任一项所述的认证设备,其特征在于,所述认证设备还包括光点调节器,所述光点调节器用于调节所述光点发射器发射的所述多光点的参数,所述参数包括以下参数中的一种或多种:光的亮度、光点大小、光点聚集度、光的波长、光点排布方式。
19.根据权利要求14-18任一项所述的认证设备,其特征在于,所述图像传感器还用于:
获取所述被认证者的辅助图像;
所述通信接口具体用于:
发送所述光点图像和所述辅助图像至所述远程设备,接收所述远程设备基于光点图像和所述辅助图像对所述被认证者进行人脸反欺诈检测后的认证结果。
20.一种认证设备,其特征在于,所述认证设备包括处理器和存储器,所述存储器存储有计算机指令,所述处理器执行所述存储器存储的计算机指令,执行:
接收被认证者的光点图像,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;
基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,获得认证结果,其中,所述人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。
21.根据权利要求20所述的认证设备,其特征在于,所述光点图像训练集中的图像包括多张训练图像,所述多张训练图像被采集时所采用的多光点的参数与所述被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
22.根据权利要求20或21所述的认证设备,其特征在于,所述处理器执行基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,具体包括:
输入所述光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;
输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
23.根据权利要求22所述的认证设备,其特征在于,若所述人脸反欺诈检测模型确定所述被认证者的脸部为自然人脸,所述处理器还执行:
输入所述人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。
24.根据权利要求20-23任一项所述的认证设备,其特征在于,所述处理器执行基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,具体包括:
基于人脸反欺诈检测模型、所述光点图像和所述被认证者的辅助图像对所述被认证者进行人脸反欺诈检测,其中,所述被认证者的辅助图像包括所述被认证者的红绿蓝RGB图像,和/或,所述被认证者的红外光图像。
25.一种认证方法,其特征在于,包括:
获取被认证者的光点图像,其中,所述光点图像为所述被认证者在多光点照射下被采集的图像,所述光点图像包括所述被认证者的脸部;
基于所述光点图像对所述被认证者进行人脸反欺诈检测,获得认证结果。
26.根据权利要求25所述的方法,其特征在于,所述基于所述光点图像对所述被认证者进行人脸反欺诈检测,包括:
基于人脸反欺诈检测模型和所述光点图像对所述被认证者进行人脸反欺诈检测,其中,所述人脸反欺诈检测模型为由光点图像训练集中的图像训练获得的神经网络模型。
27.根据权利要求26所述的方法,其特征在于,所述光点图像训练集中的图像包括多张训练图像,所述多张训练图像被采集时所采用的多光点的参数与所述被认证者的光点图像被采集时所采用的多光点的参数在相同的取值范围内。
28.根据权利要求27所述的方法,其特征在于,所述多张训练图像被采集时所采用的多光点的参数包括以下参数中的至少一种:光的亮度、光点大小、光点聚集度、光的波长、光点排布方式。
29.根据权利要求25-28任一项所述的方法,其特征在于,所述获取被认证者的光点图像,包括:
通过光点发射器向所述被认证者发射所述多光点;并且
通过图像传感器获取所述被认证者在所述多光点照射下形成的反射光和扩散光,生成所述被认证者的光点图像。
30.根据权利要求29所述的方法,其特征在于,所述光点发射器向所述被认证者发射的所述多光点为可见光点或非可见光点。
31.根据权利要求25-30任一项所述的方法,其特征在于,所述基于所述光点图像对所述被认证者进行人脸反欺诈检测,包括:
输入所述光点图像至人脸检测模型,通过所述人脸检测模型对所述光点图像中被认证者的脸部进行检测,获得人脸光点图像;
输入所述人脸光点图像至人脸反欺诈检测模型,通过所述人脸反欺诈检测模型判断所述人脸光点图像对应的被认证者的脸部是否为自然人脸。
32.根据权利要求31所述的方法,其特征在于,所述方法还包括:
若所述人脸反欺诈检测模型确定所述被认证者的脸部为自然人脸,输入所述人脸光点图像至人脸识别模型,获得人脸识别结果,所述人脸识别结果用于验证所述被认证者是否具有权限。
33.根据权利要求25-32任一项所述的方法,其特征在于,所述方法还包括:
确定所述被认证者的脸部的敏感部位和非敏感部位;
向所述被认证者的脸部的非敏感部位发射多光点。
34.根据权利要求25-33任一项所述的方法,其特征在于,所述方法还包括:
获取所述被认证者的辅助图像,其中,所述被认证者的辅助图像包括所述被认证者的红绿蓝RGB图像,和/或,所述被认证者的红外光图像;
所述基于所述光点图像对所述被认证者进行人脸反欺诈检测,包括:
基于所述光点图像和所述辅助图像对所述被认证者进行人脸反欺诈检测。
35.根据权利要求25-34任一项所述的方法,其特征在于,在所述光点图像中所述被认证者的脸部包括光点区域和非光点区域,所述光点区域包括中心亮斑和扩散斑。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/134019 WO2022135073A1 (zh) | 2020-12-24 | 2021-11-29 | 认证系统、设备及方法 |
EP21909072.7A EP4250173A4 (en) | 2020-12-24 | 2021-11-29 | AUTHENTICATION SYSTEM, DEVICE AND METHOD |
US18/339,458 US20240119130A1 (en) | 2020-12-24 | 2023-06-22 | Authentication System, Device, and Method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546175 | 2020-12-24 | ||
CN2020115461754 | 2020-12-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676403A true CN114676403A (zh) | 2022-06-28 |
Family
ID=82070334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011581653.5A Pending CN114676403A (zh) | 2020-12-24 | 2020-12-28 | 认证系统、设备及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240119130A1 (zh) |
EP (1) | EP4250173A4 (zh) |
CN (1) | CN114676403A (zh) |
WO (1) | WO2022135073A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005156942A (ja) * | 2003-11-26 | 2005-06-16 | Konica Minolta Holdings Inc | 人物撮影システム |
CN105513221B (zh) * | 2015-12-30 | 2018-08-14 | 四川川大智胜软件股份有限公司 | 一种基于三维人脸识别的atm机防欺诈装置及系统 |
CN110969077A (zh) * | 2019-09-16 | 2020-04-07 | 成都恒道智融信息技术有限公司 | 一种基于颜色变化的活体检测方法 |
-
2020
- 2020-12-28 CN CN202011581653.5A patent/CN114676403A/zh active Pending
-
2021
- 2021-11-29 EP EP21909072.7A patent/EP4250173A4/en active Pending
- 2021-11-29 WO PCT/CN2021/134019 patent/WO2022135073A1/zh unknown
-
2023
- 2023-06-22 US US18/339,458 patent/US20240119130A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4250173A4 (en) | 2024-05-08 |
US20240119130A1 (en) | 2024-04-11 |
WO2022135073A1 (zh) | 2022-06-30 |
EP4250173A1 (en) | 2023-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7262884B2 (ja) | 生体顔検出方法、装置、設備及びコンピュータプログラム | |
KR102587193B1 (ko) | 모바일 장치를 사용하여 촬영된 이미지를 이용한 지문-기반 사용자 인증 수행 시스템 및 방법 | |
CN104537292B (zh) | 用于生物特征验证的电子欺骗检测的方法和系统 | |
CN103577801B (zh) | 用于生物特征验证的质量度量的方法和系统 | |
CN112651348B (zh) | 身份认证方法和装置及存储介质 | |
KR101309889B1 (ko) | 바이오메트릭 인증을 위한 텍스처 특징 | |
CN112232155B (zh) | 非接触指纹识别的方法、装置、终端及存储介质 | |
CN112232163B (zh) | 指纹采集方法及装置、指纹比对方法及装置、设备 | |
GB2605506A (en) | Biometric methods for online user authentication | |
CN110059579B (zh) | 用于活体检验的方法和装置,电子设备和存储介质 | |
KR102257897B1 (ko) | 라이브니스 검사 방법과 장치,및 영상 처리 방법과 장치 | |
US20200349376A1 (en) | Privacy augmentation using counter recognition | |
KR20210069404A (ko) | 라이브니스 검사 방법 및 라이브니스 검사 장치 | |
CN112016525A (zh) | 非接触式指纹采集方法和装置 | |
CN112232159B (zh) | 指纹识别的方法、装置、终端及存储介质 | |
CN111104833A (zh) | 用于活体检验的方法和装置,存储介质和电子设备 | |
US20180300528A1 (en) | Method of detecting fraud | |
CN112232157B (zh) | 指纹区域检测方法、装置、设备、存储介质 | |
CN114676403A (zh) | 认证系统、设备及方法 | |
CN112232152B (zh) | 非接触式指纹识别方法、装置、终端和存储介质 | |
CN109543541A (zh) | 一种活体检测方法及装置 | |
US20240005703A1 (en) | Optical skin detection for face unlock | |
Wan et al. | Motivation and Background | |
KR20220041824A (ko) | 손가락의 생체 검증을 위한 방법 및 장치 | |
CN116152934A (zh) | 生物特征识别方法和系统、识别模型的训练方法和系统 |
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 |