CN114764948A - 活体检测方法、装置、设备及存储介质 - Google Patents
活体检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114764948A CN114764948A CN202110031410.2A CN202110031410A CN114764948A CN 114764948 A CN114764948 A CN 114764948A CN 202110031410 A CN202110031410 A CN 202110031410A CN 114764948 A CN114764948 A CN 114764948A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- discrimination
- living body
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
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
本申请公开了一种活体检测方法、装置、设备及存储介质,属于人工智能技术领域。所述方法包括:对待检测图像进行特征提取处理,得到待检测图像的特征信息;基于特征信息,分别采用多个不同的判别网络,确定待检测图像的多个判别信息;对多个判别信息进行融合处理,得到第一判别结果;对多个判别信息进行差异检测,得到第二判别结果;在第一判别结果为待检测图像中包括目标活体,且第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测。本申请中,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种活体检测方法、装置、设备及存储介质。
背景技术
目前,人脸活体检测在人脸核身技术中起到非常重要的作用。在相关技术中,通过采用深度学习模型对待检测图像进行人脸活体检测,以此来确定待检测图像中是否包括真实人脸。其中,深度学习模型是通过大量训练样本训练得到的机器学习模型。
然而,上述相关技术中,深度学习模型的成功依赖于训练样本的规模和质量,在训练样本不足或分布单一的情况下,深度学习模型容易出现过拟合问题,导致依据单个深度学习模型确定的人脸活体检测结果不准确。
发明内容
本申请实施例提供了一种活体检测方法、装置、设备及存储介质,能够缓解判别网络的过拟合问题,保证活体检测的准确性。所述技术方案如下:
根据本申请实施例的一个方面,提供了一种活体检测方法,所述方法包括:
对待检测图像进行特征提取处理,得到所述待检测图像的特征信息;
基于所述特征信息,分别采用多个不同的判别网络,确定所述待检测图像的多个判别信息;其中,所述判别信息包括所述待检测图像对应的类别特征;
对所述多个判别信息进行融合处理,得到第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体;
对所述多个判别信息进行差异检测,得到第二判别结果;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别,所述异常类别是指所述多个判别网络在训练过程中未学习过的类别;
在所述第一判别结果为所述待检测图像中包括所述目标活体,且所述第二判别结果为所述待检测图像不属于所述异常类别的情况下,确定所述待检测图像通过活体检测。
根据本申请实施例的一个方面,提供了一种活体检测模型的训练方法,所述活体检测模型包括多个不同的判别网络和异常检测单元;其中,所述判别网络用于基于待检测图像的特征信息,确定所述待检测图像的判别信息,所述判别信息包括所述待检测图像对应的类别特征,所述异常检测单元用于基于所述多个不同的判别网络分别输出的多个判别信息,确定第二判别结果,所述第二判别结果用于指示所述待检测图像是否属于异常类别;
所述方法包括:
获取多组不同的第一训练样本;其中,所述第一训练样本包括包含目标活体的正样本,以及未包含所述目标活体的负样本;
采用所述多组不同的第一训练样本对所述多个不同的判别网络进行训练;其中,不同的判别网络对应的第一训练样本不同;
获取第二训练样本;其中,所述第二训练样本包括正常类别的样本和异常类别的样本,所述正常类别是指所述第一训练样本对应的样本类别,所述异常类别是指除所述第一训练样本对应的样本类别之外的其他类别;
采用所述第二训练样本对所述异常检测单元进行训练。
根据本申请实施例的一个方面,提供了一种活体检测装置,所述装置包括:
特征获取模块,用于对待检测图像进行特征提取处理,得到所述待检测图像的特征信息;
信息确定模块,用于基于所述特征信息,分别采用多个不同的判别网络,确定所述待检测图像的多个判别信息;其中,所述判别信息包括所述待检测图像对应的类别特征;
第一确定模块,用于对所述多个判别信息进行融合处理,得到第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体;
第二确定模块,用于对所述多个判别信息进行差异检测,得到第二判别结果;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别,所述异常类别是指所述多个判别网络在训练过程中未学习过的类别;
结果确定模块,用于基于所述多个判别信息,确定第一判别结果和第二判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体,所述第二判别结果用于指示所述待检测图像是否属于异常类别;
活体确定模块,用于在所述第一判别结果为所述待检测图像中包括所述目标活体,且所述第二判别结果为所述待检测图像不属于所述异常类别的情况下,确定所述待检测图像通过活体检测。
根据本申请实施例的一个方面,提供了一种活体检测模型的训练装置,所述活体检测模型包括多个不同的判别网络和异常检测单元;其中,所述判别网络用于基于待检测图像的特征信息,确定所述待检测图像的判别信息,所述判别信息包括所述待检测图像对应的类别特征,所述异常检测单元用于基于所述多个不同的判别网络分别输出的多个判别信息,确定第二判别结果,所述第二判别结果用于指示所述待检测图像是否属于异常类别;
所述装置包括:
第一获取模块,用于获取多组不同的第一训练样本;其中,所述第一训练样本包括包含目标活体的正样本,以及未包含所述目标活体的负样本;
网络训练模块,用于采用所述多组不同的第一训练样本对所述多个不同的判别网络进行训练;其中,不同的判别网络对应的第一训练样本不同;
第二获取模块,用于获取第二训练样本;其中,所述第二训练样本包括正常类别的样本和异常类别的样本,所述正常类别是指所述第一训练样本对应的样本类别,所述异常类别是指除所述第一训练样本对应的样本类别之外的其他类别;
单元训练模块,用于采用所述第二训练样本对所述异常检测单元进行训练。
根据本申请实施例的一个方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述活体检测方法,或实现上述活体检测模型的训练方法。
根据本申请实施例的一个方面,本申请实施例提供了一种计算机可读存储介质,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述活体检测方法,或实现上述活体检测模型的训练方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述活体检测方法,或实现上述活体检测模型的训练方法。
本申请实施例提供的技术方案可以带来如下有益效果:
通过多个不同的判别网络获取多个判别信息,进而对多个判别信息进行融合处理,得到第一判别结果,使得第一判别结果融合了多个判别网络待检测图像的活体检测结果,使得第一判别结果能够准确表示待检测图像中是否包括目标活体,而且,对多个判别结果进行差异检测,得到第二判别结果,且第二判别结果能够确定待检测图像书否属于异常类别,异常类别即为多个判别网络未学习过的类别,然而,在针对判别网络的训练过程中,目标活体的类别必定属于判别网络见过的类别,若待检测图像中的待检测活体属于异常类别,则待检测图像中必然不包括目标活体,在这种情况下,即使第一判别结果确定待检测图像中包括目标活体,计算机设备也可以在第二判别结果的基础上确定待检测图像未通过活体检测,不包括目标活体,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的活体检测方法的流程图;
图2是本申请另一个实施例提供的活体检测方法的流程图;
图3是本申请再一个实施例提供的活体检测方法的流程图;
图4示例性示出了一种活体检测模型的示意图;
图5是本申请一个实施例提供的活体检测模型的训练方法的流程图;
图6示例性示出了一种异常检测单元的效果的示意图;
图7示例性示出了一种本申请与相关技术中活体检测方式的对比的示意图;
图8是本申请一个实施例提供的活体检测装置的框图;
图9是本申请另一个实施例提供的活体检测装置的框图;
图10是本申请一个实施例提供的活体检测模型的训练装置的框图;
图11是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习等技术,采用多组不同的第一训练样本对活体检测模型中的多个不同的判别网络进行训练,采用第二训练样本对活体检测模型中的异常检测单元进行训练和参数调整。其中,第一训练样本包括包含目标活体的正样本,以及未包含目标活体的负样本,不同的判别网络对应的第一训练样本不同;第二训练样本包括正常类别的样本和异常类别的样本,计算机设备可以采用正常类别的样本对异常检测单元进行训练,并在异常检测单元前向传播之后,采用正常类别的样本和异常类别的样本混合对异常检测单元的参数进行调整。上述正常类别是指第一训练样本对应的样本类别,上述异常类别是指除第一训练样本对应的样本类别之外的其他类别。以目标活体为人脸为例,若第一训练样本包括包含人脸的正样本,以及包含仿真人脸面具、头套的负样本,且第二训练样本包括包含人脸的样本、包含仿真人脸面具的样本、包含头套的样本、包含三维人脸模型的样本、包含翻拍人脸图像的样本,那么,在这种情况下,正常类别的样本包括包含人脸的样本、包含仿真人脸面具的样本和包含头套的样本,异常类别的样本包括包含三维人脸模型的样本和包含翻拍人脸图像的样本。另外,在本申请实施例中,上述活体检测模型中还包括输入层、特征提取网络、活体检测单元和结果输出单元。在活体检测模型的使用过程中,将待检测图像输入至活体检测模型的输入层;由特征提取网络对待检测图像进行特征提取处理,得到待检测图像的特征信息;由多个不同的判别网络等比基于特征信息,确定待检测图像的多个判别信息;由活体检测单元基于多个判别信息,确定第一判别结果;由异常检测单元基于多个判别信息,确定第二判别结果;由结果输出单元,基于第一判别结果和第二判别结果,确定待检测图像是否通过活体检测。其中,第一判别结果用于指示待检测图像中是否包括目标活体;第二判别结果用于指示待检测图像是否属于异常类别;在待检测图像中包括目标活体,且待检测图像不属于异常类别的情况下,确定待检测图像通过活体验证。
需要说明的一点是,本申请提供的活体检测模型,可以广泛应用于各个领域。具体如下:
(1)在人工智能领域,在服务型智能机器人中设置有活体检测模型。智能机器人能够通过活体检测模型确定周围环境中的活体,进而准确为对应的活体提供服务,如救助动物、为用户提供各种服务等;
(2)在自定驾驶领域,在车载终端中设置有活体检测模型。在车辆自动行驶的过程中,车载终端通过活体检测模型获取周围环境中的活体,进而对行车路线进行调整,如避开非活体的障碍物、等待活体的障碍物移动至已规划好的行车路线之外;
(3)在医疗领域,在某个应用程序的后台服务器或前台终端中设置有活体检测模型,该活体检测模型能够通过应用程序收集到的图像,确定图像中是否包含目标活体,进而通过图像信息对目标活体进行温度检测,由目标活体的温度确定该目标活体是否处于发热状态,便于确定后续针对目标活体的治疗与处理。
当然,本申请中的活体检测模型还可以运用于其它各个领域,在此不一一举例。示例性地,在目标活体为人脸活体的情况下,相应的典型应用领域有智能监控、会议签到、刷脸支付、车站刷脸进站、远程人脸体温检测等。
为了便于说明,在下述方法实施例中,仅以各步骤的执行主体为计算机设备为例进行介绍说明,计算机设备可以是任何具备计算和存储能力的电子设备。例如,该计算机设备可以是服务器,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。再例如,该计算机设备也可以是终端,该终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。需要说明的一点是,在本申请实施例中,各步骤的执行主体可以是同一计算机设备,也可以由多个不同的计算机设备交互配合执行,此处不作限定。还需要说明的一点是,在本申请实施例中,下述活体检测方法的执行主体与下述活体检测模型的训练方法的执行主体可以是相同的计算机设备,也可以是不同的计算机设备,本申请实施例对此不作限定。
下面,将结合几个实施例对本申请技术方案进行详细的介绍说明。
请参考图1,其示出了本申请一个实施例提供的活体检测方法的流程图。该方法可以包括以下几个步骤(101~105):
步骤101,获取待检测图像。
待检测图像中包括未知类别的待检测目标,该待检测目标可以是活体目标,也可以是非活体目标。其中,该待检测图像可以包括一个或多个待检测目标,本申请实施例对此不作限定。可选地,在待检测图像中包括多个待检测目标的情况下,计算机设备可以对待检测图像进行预处理,从待检测图像中获取不同待检测目标对应的图像框,进而后续对图像框中的待检测目标进行活体检测。在本申请实施例中,计算机设备在在进行活体检测之前,获取待检测图像。
在一种可能的实施方式中,计算机设备实时获取上述待检测图像。可选地,计算机设备通过具有拍摄功能的设备相连接,进一步地,该设备实时从周围环境中获取待检测图像,并将该待检测图像提供给计算机设备。
在另一种可能的实施方式中,计算机设备预先获取上述待检测图像并存储在本计算机设备中。可选地,计算机设备通过具有拍摄功能的设备获取待检测图像,并对该待检测图像进行存储,进而按照一定的时间周期对已存储未检测的待检测图像统一进行活体检测。
其中,上述设备可以直接设置在计算机设备中,如在计算机设备中设置摄像头;也可以设置在计算机设备的关联设备中,如计算机设备为后台服务器,在对应的前台终端中设备摄像头。
需要说明的一点是,在实际运用中,工作人员可以根据实际情况对计算机设备获取待检测图像的方式进行调整。示例性地,在车站的人脸验证、考场的身份验证、公共场所入口针对人脸的温度检测等场景中,计算机设备实时获取待检测图像,保证活体检测的实时性,保证用户在活体检测后能够及时进行后续活动;在工作开始后的仓库人员核验、商城内的流动人员身份核验等实时性要求不高的场景中,计算机设备将获取的待检测图像进行存储,并按照一定的时间周期对待检测图像进行活体检测。
当然,在实际运用中,计算机设备在获取上述待检测图像时,可以直接获取待检测图像;也可以先获取待检测视频,并从待检测视频中挑选出包含待检测目标的图像帧作为待检测图像,本申请实施例对此不作限定。
步骤102,对待检测图像进行特征提取处理,得到待检测图像的特征信息。
在本申请实施例中,计算机设备在获取上述待检测图像之后,对该待检测图像进行特征提取处理,得到待检测图像的特征信息。其中,该特征信息是指待检测图像中待检测目标的特征信息,该特征信息可以包括用于表征待检测目标类别的特征。可选地,待检测图像的特征信息中可以包括多个待检测目标的特征信息。
在一种可能的实施方式中,上述待检测图像中包括一个待检测目标。计算机设备在获取上述待检测图像之后,对该待检测图像进行特征提取处理,得到针对该待检测目标的特征信息。
在另一种可能的实施方式中,上述待检测图像中包括多个待检测目标。计算机设备在获取上述待检测图像之后,对该待检测图像进行特征提取处理,得到针对多个待检测目标的特征信息。其中,不同待检测目标的特征信息可以直接包含在上述待检测图像的特征信息中,计算机设备在后续的活体检测中,可以根据特征信息确定待检测目标的具体数量;或者,不同待检测目标的特征信息也可以以分组的形式包含在上述待检测图像的特征信息中,每组特征信息对应一个待检测目标,计算机设备在后续的活体检测中,可以根据分组情况直接确定待检测目标的数量。
可选地,计算机设备在对上述待检测图像进行特征提取处理之前,可以对该待检测图像进行预处理。示例性地,计算机设备在获取上述待检测图像之后,对该待检测图像进行降噪处理,并对待检测图像的模糊区域进行修复处理,使得预处理后的待检测图像清晰准确,进而对预处理后的待检测图像进行特征提取处理,保证特征信息的准确性。其中,上述降噪处理和修复处理,可以是针对待检测图像的全局处理,也可以是针对待检测图像中待检测目标所处区域的处理,本申请实施例对此不作限定。
步骤103,采用多个不同的判别网络分别基于特征信息,确定待检测图像的多个判别信息。
判别网络是指通过机器学习获取的,用于获取待检测目标的类别特征的深度学习网络。在本申请实施例中,计算机设备在获取上述特征信息之后,采用多个不同的判别网络分别基于该特征信息,确定待检测图像的多个判别信息。其中,该判别信息包括待检测图像对应的类别特征。上述类别特征用于指示上述待检测图像中是否包括目标活体。可选地,计算机设备可以根据不同的类别特征确定不同的判别网络针对上述待检测图像的检测结果。示例性地,针对单个判别网络,计算机设备在获取该判别网络所对应的判别信息之后,可以根据该判别信息包括的类别特征,确定该单个判别网络针对待检测图像的活体检测结果。
需要说明的一点是,在本申请实施例中,不同的判别网络是独立初始化和训练的,即在训练过程中,不同的判别网络对应的训练样本不同。计算机设备在获取上述特征信息之后,分别将该特征信息输入至不同的判别网络,进而得到不同判别网络输出的多个判别信息。
步骤104,基于多个判别信息,确定第一判别结果和第二判别结果。
在本申请实施例中,计算机设备在获取上述多个判别信息之后,基于该多个判别信息,确定第一判别结果和第二判别结果。
上述第一判别结果用于指示待检测图像中是否包括目标活体。其中,该目标活体可以是任意活体,如人、各种动物等。可选地,计算机设备在获取上述多个判别信息之后,可以对该多个判别信息进行融合,进而获取第一判别结果。其中,针对多个判别信息的融合方式可以是求平均处理,也可以是加权求和处理,本申请实施例对此不作限定。
上述第二判别结果用于指示待检测图像是否属于异常类别。其中,异常类别是指上述多个判别网络在训练过程中为见过的类别,即该异常类别为上述判别网络所对应的训练样本对应的样本类别之外的其它类别。可选地,计算机设备在获取上述多个判别信息之后,可以确定多个判别信息之间的差异程度,基于该差异程度,确定上述第二判别结果。可选地,在差异程度较大的情况下,确定待检测图像属于异常类别。
步骤105,在第一判别结果为待检测图像中包括目标活体,且第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测。
在本申请实施例中,计算机设备获取上述第一判别结果和上述第二判别结果之后,基于该第一判别结果和该第二判别结果,确定待检测图像是否通过活体检测。可选地,在上述第一判别结果为待检测图像中包括目标活体,且上述第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测,即待检测图像中包括目标活体。
需要说明的一点是,在上述待检测图像中包括多个待检测目标的情况下,计算机设备可以提前确定待检测图像中的待检测目标,进而依据每个待检测目标的第一判别结果和第二判别结果,确定该待检测目标是否为目标活体;或者,计算机设备可以先依据待检测图像的第一判别结果和第二判别结果确定待检测图像中是否包括目标活体,在基于每个待检测活体的特征信息确定目标活体,本申请实施例对此不作限定。
综上所述,本申请实施例提供的技术方案中,通过多个不同的判别网络获取多个判别信息,进而基于该多个判别信息确定第一判别结果和第二判别结果,根据第一判别结果确定待检测图像中是否包括目标活体,根据第二判别结果确定待检测图像是否属于异常类别,异常类别即为多个判别网络未学习过的类别,而且,在针对判别网络的训练过程中,目标活体的类别必定属于判别网络见过的类别,若待检测图像中的待检测活体属于异常类别,则待检测图像中必然不包括目标活体,在这种情况下,即使第一判别结果确定待检测图像中包括目标活体,计算机设备也可以在第二判别结果的基础上确定待检测图像未通过活体检测,不包括目标活体,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
请参考图2,其示出了本申请另一个实施例提供的活体检测方法的流程图。该方法可以包括以下几个步骤(201~205):
步骤201,对待检测图像进行特征提取处理,得到待检测图像的特征信息。
在本申请实施例中,计算机设备在获取待检测图像之后,对待检测图像进行特征提取处理,得到待检测图像的特征信息。可选地,计算机设备可以根据特征提取网络获取待检测图像的特征信息,也可以根据预先设定的特征提取规则获取待检测图像的特征信息,本申请实施例对此不作限定。
步骤202,基于特征信息,分别采用多个不同的判别网络,确定待检测图像的多个判别信息。
在本申请实施例中,计算机设备在获取上述特征信息之后,基于该特征信息,分别采用多个不同的判别网络,确定待检测图像的多个判别信息。其中,判别网络可以是通过机器学习获取的深度学习网络,判别信息包括待检测图像对应的类别特征。
可选地,通过不同的判别网络获取的判别信息可以相同,也可以不同,本申请实施例对此不作限定。
步骤203,对多个判别信息进行融合处理,得到第一判别结果。
在本申请实施例中,计算机设备在获取上述多个判别信息之后,对该多个判别信息进行融合处理,得到第一判别结果。其中,第一判别结果用于指示待检测图像中是否包括目标活体。
可选地,计算机设备在对多个判别信息进行融合处理时,可以对多个判别信息进行求平均处理,也可以对多个判别信息进行加权求和处理,本申请实施例对此不作限定。
步骤204,对多个判别信息进行差异检测,得到第二判别结果。
在本申请实施例中,计算机设备在获取上述多个判别信息之后,对该多个判别信息进行差异检测,得到第二判别结果。其中,第二判别结果用于指示待检测图像是否属于异常类别,异常类别是指多个判别网络在训练过程中未学习过的类别。
需要说明的一点是,在本申请实施例中,计算机设备在获取上述多个判别信息之后,可以同时对多个判别信息进行融合处理和差异检测,进而同步获取第一判别结果和第二判别结果。当然,计算机设备也可以先获取第一判别结果再获取第二判别结果,或者,先获取第二判别结果再获取第一判别结果,本申请实施例对此不作限定。
步骤205,在第一判别结果为待检测图像中包括目标活体,且第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测。
在本申请实施例中,计算机设备在获取上述第一判别结果和上述第二判别结果之后,基于该第一判别结果和该第二判别结果,确定待检测图像是否通过活体检测。可选地,在上述第一判别结果为待检测图像中包括目标活体,且上述第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测,即待检测图像中包括目标活体。
综上所述,本申请实施例提供的技术方案中,通过多个不同的判别网络获取多个判别信息,进而对多个判别信息进行融合处理,得到第一判别结果,使得第一判别结果融合了多个判别网络待检测图像的活体检测结果,使得第一判别结果能够准确表示待检测图像中是否包括目标活体,而且,对多个判别结果进行差异检测,得到第二判别结果,且第二判别结果能够确定待检测图像书否属于异常类别,异常类别即为多个判别网络未学习过的类别,然而,在针对判别网络的训练过程中,目标活体的类别必定属于判别网络见过的类别,若待检测图像中的待检测活体属于异常类别,则待检测图像中必然不包括目标活体,在这种情况下,即使第一判别结果确定待检测图像中包括目标活体,计算机设备也可以在第二判别结果的基础上确定待检测图像未通过活体检测,不包括目标活体,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
下面,对第一判别结果和第二判别结果的确定方式进行介绍。
可选地,第一判别结果的确定方式包括以下几个步骤:
1、对多个判别信息进行融合处理,得到融合判别信息。
在本申请实施例中,计算机设备在获取上述多个判别信息之后,对该多个判别信息进行融合处理,得到融合判别信息。其中,该融合判别信息中包括融合后的待检测图像对应的类别特征。
在一种可能的实施方式中,计算机设备通过求平均处理得到上述融合判别信息。可选地,计算机设备在获取上述多个判别信息之后,对该多个判别信息进行求平均处理,得到上述融合判别信息。
在另一种可能的实施方式中,计算机设备通过加权求和处理得到上述融合判别信息。可选地,计算机设备在获取上述多个判别信息之后,获取该多个判别信息分别对应的权重值,并基于多个判别信息分别对应的权重值,对多个判别信息进行加权求和处理,得到上述融合判别信息。
可选地,在获取上述权重值时,计算机设备可以基于不同判别网络的准确度,确定上述多个不同判别信息分别对应的权重值。其中,判别网络输出的判别信息对应的权重值,与判别网络的判别准确度呈正相关关系;即判别网络的判别准确度越高,输出的判别信息对应的权重值越大。当然,在实际运用中,工作人员也可以根据实际情况对权重值的获取方式进行灵活调整,本申请实施例对此不作限定。示例性地,在获取上述多个判别信息之后,计算机设备先根据平均处理的方式预估待检测图像对应的判别结果,进而基于不同的判别网络针对该预估的判别结果的判别准确度,确定多个判别信息分别对应的权重值。
2、基于融合判别信息,确定第一判别结果。
在本申请实施例中,计算机设备在获取上述融合判别信息之后,基于该融合判别信息,确定上述待检测图像中对否包括目标活体。在该融合判别信息符合第一条件的情况下,确定第一判别结果为待检测图像中包括目标活体。在该融合判别信息符合第二条件的情况下,确定第一判别结果为待检测图像中不包括目标活体。
第一条件是指针对目标活体的判别条件。可选地,该第一条件可以包括目标活体的类别特征。计算机设备在获取上述融合判别信息之后,基于该融合判别信息确定融合后的待检测图像的类别特征,并确定该类别特征与上述目标活体的类别特征之间的差异程度,若差异程度小于预设目标,则确定待检测图像中包括目标活体。此时,上述第一判别结果为待检测图像中包括目标活体。
第二条件是指针对非目标活体的判别条件。在一种可能的实施方式中,该第二条件中包括非目标活体的类别特征。计算机设备在获取上述融合判别信息之后,基于该融合判别信息确定融合后的待检测图像的类别特征,并确定该类别特征中是否包括上述非目标活体的类别特征,若该类别特征中包括上述非目标活体的类别特征,则确定待检测图像中不包括目标活体。在另一种可能的实施方式中,该第二条件与上述第一条件之间互为互斥关系,即计算机设备在确定融合判别信息不符合第一条件的情况下,则可确定融合判别信息符合第二条件。此时,上述第一判别结果为待检测图像中不包括目标活体。
可选地,第二判别结果的确定方式包括以下几个步骤:
1、确定多个判别信息之间的差异参数。
差异参数用于衡量多个判别信息之间的差异程度。可选地,该差异参数可以是根据上述多个判别信息之间的距离参数确定的。
在本申请实施例中,计算机设备在获取上述多个判别信息的情况下去,基于该多个判别信息,确定该多个判别信息之间的差异参数。可选地,计算机设备在获取上述差异参数时,可以采用异常检测单元对多个判别信息进行处理,并基于处理后的多个判别信息,随机选择某个处理后的判别信息作为目标判别信息,并确定该目标判别信息与剩余的处理后的判别信息之间的距离参数。其中,目标判别信息与不同剩余的处理后的判别信息之间的距离参数可以不同。之后,计算机设备在获取上述多个距离参数之后,对该多个距离参数求平均处理,获取最终的距离参数,该最终的距离参数即为上述差异参数。
2、基于差异参数,确定第二判别结果。
在本申请实施例中,计算机设备在获取上述差异参数之后,基于该差异采纳数,确定上述待检测图像是否属于异常类别。在差异参数属于第一取值范围的情况下,确定第二判别结果为待检测图像属于异常类别。在差异参数属于第二取值范围的情况下,确实第二判别结果为待检测图像不属于异常类别。
第一取值范围是指待检测图像属于异常类别时,差异参数的取值范围。第二取值范围是指待检测图像不属于异常类别时,差异参数的取值范围。计算机设备在获取上述差异参数之后,确定该差异参数属于第一取值范围或第二取值范围。若差异参数属于第一取值范围,则确定上述待检测图像属于异常类别,此时,第二判别结果为待检测图像属于异常类别;若差异参数属于第二取值范围,则确定上述待检测图像不属于异常类别,此时,第二判别结果为待检测图像不属于异常类别。可选地,上述第一取值范围的下限值大于或等于上述第二取值范围的上限值。
请参考图3,其示出了本申请再一个实施例提供的活体检测方法的流程图。该方法可以包括以下几个步骤(301~307):
步骤301,获取待检测图像。
步骤302,对待检测图像进行特征提取处理,得到待检测图像的特征信息。
步骤303,采用多个不同的判别网络分别基于特征信息,确定待检测图像的多个判别信息。
步骤304,基于多个判别信息,确定第一判别结果和第二判别结果。
步骤305,在第一判别结果为待检测图像中包括目标活体,且第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测。
上述步骤301-305与图1实施例中的步骤101-105相同,具体参见图1实施例,在此不作赘述。
步骤306,获取待检测图像对应的温度信息。
温度信息包括待检测图像中像素点对应的温度值。在本申请实施例中,计算机设备在确定对待检测图像所包含的目标对象进行温度检测时,获取该待检测图像对应的温度信息。
可选地,计算机设备在获取上述温度信息时,可以获取待检测图像对应的热红外图像,并从热红外图像中获取待检测图像对应的温度信息。其中,热红外图像是指用于记录像素点对应的温度值的图像。当然,在实际运用中,上述待检测图像也可以为热红外图像,即计算机设备可以基于热红外图像进行活体检测。
需要说明的一点是,在本申请实施例中,上述温度信息中可以包括待检测图像中各个像素点对应的温度值,也可以只包括待检测图像中目标对象所处区域的各个像素点对应的温度值,本申请实施例对此不作限定。
步骤307,基于温度信息,确定待检测图像所包含的目标对象的温度值。
在本申请实施例中,计算机设备在获取上述温度信息之后,基于该温度信息,确定待检测图像所包含的目标对象的温度值。
可选地,在本申请实施例中,若上述待检测图像为热红外图像,则计算机设备确定上述温度值时,可以提取待检测图像中的目标区域,并对目标区域进行降噪处理,得到降噪后的目标区域,从降噪后的目标区域中获取各个像素点对应的温度值,基于获取的各个像素点对应的温度值,确定待检测图像所包含的目标对象的温度值。其中,上述目标区域可以是目标对象所处的区域,也可以是目标对象所处区域中的部分区域。例如,若上述目标对象人脸,则目标区域可以为人脸中的额头区域。
需要说明的一点是,上述对温度检测的介绍只是示例性和解释性的,在实际运用中,计算机设备可以在确定待检测图像中包括目标活体之后,对目标对象进行温度检测;也可以获取待检测图像之后,直接对目标对象进行温度检测,本申请实施例对此不作限定。
综上所述,本申请实施例提供的技术方案中,在获取待检测图像之后,对该检测图像中的目标对象进行温度检测,确定目标对象的温度值,且结合第一判别结果与第二判别结果确定待检测图像中是否包括目标活体,保证活体检测的准确性,有效提高温度检测的准确度。
可选地,在本申请实施例中,上述活体检测的方法可以应用于医疗领域,在确定待检测图像中包括目标活体之后,可以对目标活体进行温度检测,确定该目标活体对应的温度值,进而确定该目标活体是否处于发热状态。下面,从医疗领域的角度对活体检测进行介绍。具体包括以下步骤:
1、获取待检测图像。
待检测图像可以是通过人脸扫描仪获取的图像。在本申请实施例中,人脸扫描仪检测到扫描区域中包括障碍物之后,该扫描区域中的障碍物进行扫描,获取待检测图像,并向计算机设备发送待检测图像,对应地,计算机设备获取该待检测图像。
2、对待检测图像进行特征提取处理,得到待检测图像的特征信息。
可选地,计算机设备在获取上述待检测图像之后,对该待检测图像进行特征提取处理,得到待检测图像的特征信息。
3、采用多个不同的判别网络分别基于特征信息,确定待检测图像的多个判别信息。
可选地,计算机设备在获取上述特征信息之后,将该特征信息分别输入多个不通的判别网络中,确定待检测图像的多个判别信息。
4、基于多个判别信息,确定第一判别结果和第二判别结果。
可选地,计算机设备在获取上述多个判别信息之后,对该多个判别信息进行融合,进而确定第一判别结果。与此同时,计算机设备确定多个判别信息之间的差异参数,进而确定第二判别结果。其中,第一判别结果用于指示待检测图像中是否包括人脸活体,第二判别结果用于指示待检测图像是否属于异常类别。
5、在第一判别结果为待检测图像中包括人脸活体,且第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测。
可选地,计算机设备在第一判别结果为待检测图像中包括人脸活体,且第二判别结果为待检测图像不属于异常类别的情况下,确定待检测图像通过活体检测,此时,计算机设备确定待检测图像中包括人脸活体。
6、获取待检测图像中人脸的温度值。
可选地,计算机设备在确定待检测图像中包括人脸活体之后,从待检测图像中获取人脸额头区域,进而获取该人脸额头区域中各个像素点的温度值,基于该人脸额头区域中各个像素点的温度值,确定人脸的温度值。
7、基于人脸的温度值,确定待检测图像中的人脸活体是否处于发热状态。
可选地,计算机设备在获取上述人脸的温度值之后,基于该人脸的温度值,确定待检测图像中的人脸活体是否处于发热状态。
若人脸的温度值大于目标值,则确定该人脸活体处于发热状态,进而确定限制发热用户的行动范围,并及时对该用户进行治疗。若人脸的温度值小于目标值,则确定该人脸活体处于正常状态,不对该用户进行限制。
可选地,在本申请实施例中,本申请中的活体检测方法由活体检测模型实现,该活体检测模型包括特征提取网络、多个不同的判别网络、活体检测单元、异常检测单元和结果输出单元。
上述特征提取网络,用于对待检测图像进行特征提取处理,得到待检测图像的特征信息。
上述多个不同的判别网络,用于分别基于特征信息,确定待检测图像的多个判别信息。
上述活体检测单元,用于基于多个判别信息,确定第一判别结果。
上述异常检测单元,用于基于多个判别信息,确定第二判别结果。
上述结果输出单元,用于基于第一判别结果和第二判别结果,确定待检测图像是否通过活体检测。
示例性地,结合参考图4,以人脸活体检测为例,对基于活体检测模型进行活体检测的方式进行介绍。计算机设备获取待检测图像,并通过特征提取网络41获取待检测图像的特征信息,进而将特征信息输出至判别单元42,该判别单元中包括多个不同的判别网络,由该多个不同的判别网络分别基于特征信息确定多个判别信息。之后,将该多个判别信息分别输入至活体检测单元43和异常检测单元44。活体检测单元43基于多个判别信息,确定第一判别结果,该第一判别结果用于指示待检测图像中是否包括人脸活体。异常检测单元44基于多个判别信息,确定第二判别结果,该第二判别结果用于指示待检测图像是否属于异常类别。进一步地,将第一判别结果和第二判别结果输入至结果输出单元45,结果输出单元45通过第一判别结果和第二判别结果确定待检测图像是否通过活体检测。其中,若第一判别结果为待检测图像中包括目标人脸,且第二判别结果为待检测图像不属于异常类别,则结果输出单元45确定待检测图像通过活体检测,即待检测图像中包括人脸活体;若第一判别结果为待检测图像中不包括目标活体,或第二判别结果为待检测图像属于异常类别,则结果输出单元45确定待检测图像未通过活体检测,即待检测图像中不包括人脸活体。另外,在活体检测的过程中,计算机设备可以通过温度检测单元46,对待检测图像进行温度检测。温度检测单元46可以获取待检测图像中人脸额头区域,并基于该人脸额头区域中各个像素点的温度值,确定待检测图像中人脸活体的温度值。其中,上述待检测图像为热红外图像。
下面,对本申请中活体检测模型的训练方法进行介绍。
请参考图5,其示出了本申请一个实施例提供的活体检测模型的训练方法的流程图。该方法可以包括以下几个步骤(501~504):
步骤501,获取多组不同的第一训练样本。
第一训练样本包括包含目标活体的正样本,以及未包含目标活体的负样本。其中,该目标活体可以是任意活体,如人、动物等,本申请实施例对此不作限定。在本申请实施例中,计算机设备在对活体检测模型进行训练之前,获取多组不同的第一训练样本。其中,不同的第一训练样本中负样本对应的样本类别可以相同,也可以不同,本申请实施例对此不作限定。
可选地,计算机设备在获取第一训练样本时,可以收集包含目标活体的图像和未包含目标活体的图像,并将包含目标活体的图像标注为正样本,将未包含目标活体的图像标注为负样本,进而生成第一训练样本。
在一种可能的实施方式中,计算机设备通过实体拍摄的方式,收集上述图像;在另一种可能的实施方式中,计算机设备从网络环境中收集上述图像。需要说明的一点是,计算机设备可以分次获取多组不同的第一训练样本,也可以在获取训练样本之后将该训练样本分位多组不同的第一训练样本,本申请实施例对此不作限定。
步骤502,采用多组不同的第一训练样本对多个不同的判别网络进行训练。
在本申请实施例中,计算机设备在获取上述多组不同的第一训练样本之后,采用该多组不同的第一训练样本对多个不同的判别网络进行训练。其中,判别网络用于基于待检测图像的特征信息,确定待检测图像的判别信息,判别信息包括待检测图像对应的类别特征,不同的判别网络对应的第一训练样本不同。
可选地,在对判别网络进行训练时,计算机设备可以将某个第一训练样本输入至某个判别网络,进而基于判别网络的输出结果和第一训练样本的标注,获取该判别网络的损失函数,并基于损失函数对判别网络中的参数进行调整,直至损失函数收敛。
可选地,在本申请实施例中,不同的判别网络的网络结构相同,但网络参数不同。
步骤503,获取第二训练样本。
第二训练样本包括正常类别的样本和异常类别的样本。其中,正常类别是指第一训练样本对应的样本类别,异常类别是指多个判别网络在训练过程中未学习过的类别,即异常类别为除第一训练样本对应的样本类别之外的其他类别。
在本申请实施例中,上述活体检测模型中还包括异常检测单元。其中,异常检测单元用于基于多个不同的判别网络分别输出的多个判别信息,确定第二判别结果,第二判别结果用于指示待检测图像是否属于异常类别。计算机设备在对异常检测单元进行训练之前,获取第二训练样本。
可选地,计算机设备可以直接采用上述第一训练样本作为正常类别的样本,本申请实施例对此不作限定。
步骤504,采用第二训练样本对异常检测单元进行训练。
在本申请实施例中,计算机设备在获取上述第二训练样本之后,采用该第二训练样本对异常检测单元进行训练。
可选地,上述步骤504包括以下几个步骤:
1、采用正常类别的样本对异常检测单元进行训练,得到第一训练后的异常检测单元;
2、采用第二训练样本对第一训练后的异常检测单元进行训练,得到针对第二训练样本中各个样本的类别检测结果,类别检测结果包括针对第二训练样本中各个样本的第一检测结果和第二检测结果;
3、基于类别检测结果,获取第一距离和第二距离;其中,第一距离是指正常类别的样本对应的第一检测结果与第二检测结果之间的距离,第二距离是指异常类别的样本对应的第一检测结果与第二检测结果之间的距离;
4、响应于第一距离与第二距离之间的重叠度大于阈值,对异常检测单元的参数进行调整,直至重叠度小于阈值。
在本申请实施例中,计算机设备在对异常检测单元进行训练时,先采用正常类别的样本对异常检测单元进行训练,得到第一训练后的异常检测单元,此时,第一训练后的异常检测单元具有针对正常类别的确定能力,即第一训练后的异常检测单元能够确定输入数据是否属于正常类别。进一步地,采用第二训练样本对第一训练后的异常检测单元进行训练,得到针对第二训练样本中各个样本的类别检测结果。其中,该类别检测结果中包括第一检测结果和第二检测结果。
可选地,在获取上述类别检测结果之后,计算机设备基于该类别检测结果,获取第一距离和第二距离。其中,第一距离是指正常类别的样本对应的第一检测结果与第二检测结果之间的距离,第二距离是指异常类别的样本对应的第一检测结果与第二检测结果之间的距离。进一步地,基于第一距离与第二距离之间的重叠度确定异常检测单元是否训练完成。若第一距离与第二距离之间的重叠度大于阈值,则确定异常检测单元未训练完成,对异常检测单元的参数进行调整,并继续进行训练;第一距离与第二距离之间的重叠度小于或等于阈值,则确定异常检测单元训练完成。其中,上述阈值可以是任意数值,本申请实施例对此不作限定。此时,训练完成后的异常检测单元具有区分正常类别和异常类别的能力,即训练完成后的异常检测单元对输入的多个判别信息进行处理,处理后的多个判别信息之间的距离参数能够区分正常类别和异常类别。
示例性地,结合参考图6,以多个判别信息之间的距离变化来展示异常检测单元的效果。在未经过异常检测单元处理的情况下,正常类别的样本61对应的距离与异常类别的样本62对应的距离之间重叠度大;在经过异常检测单元处理的情况下,正常类别的样本61对应的距离与异常类别的样本62对应的距离之间重叠度小。由此可见,异常检测单元对正常类别的样本和异常类别的样本具有较好的区分能力。
当然,在本申请实施例中,上述活体检测模型还包括特征提取网络、活体检测单元、结果输出单元。其中,特征提取网络用于对待检测图像进行特征提取处理,得到待检测图像的特征信息;活体检测单元用于基于多个不同的判别网络分别输出的多个判别信息,确定第一判别结果;结果输出单元用于基于第一判别结果,结合异常检测单元输出的第二判别结果,确定待检测图像是否通过活体检测。
可选地,上述特征提取网络可以是通过上述第一训练样本训练得到的,活体检测单元与结果输出单元可以是工作人员通过设置对应的规则而生成的。其中,体检测单元中包括多个判别信息的融合规则,结果输出单元包括针对第一判别结果和第二判别结果的处理规则。
综上所述,本申请实施例提供的技术方案中,活体检测模型中包括多个判别网络和异常检测单元,且多个判别网络能够确定获取多个判别信息,该多个判别信息能够确定第一判别结果,第一判别结果用于确定待检测图像中是否包括目标活体,异常检测单元能够根据多个判别信息确定第二判别结果,第二判别结果用于确定待检测图像是否属于异常类别,也就是说,本申请中的活体检测模型提供了一种新活体检测方式,通过多个判别网络结合异常检测单元进行活体检测,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
另外,如下表一所示,与相关技术相比,本申请中的活体检测模型中既包括多个判别网络,又包括异常检测单元,有效地提高了活体检测的准确率。其中,同分布样本即为网络已知类别,同分布样本的样本类别与网络训练过程中使用的训练样本的样本类别相同,不同的网络对应的同分布样本可以不同;总样本包括同分布样本和不同分布样本,不同分布样本即为网络未知类别,不同分布样本的样本类别与网络训练过程中使用的训练样本的样本类别不同相同。
表一本申请与相关技术的实验结果对照
示例性地,结合参考图7,以人脸检测为例,对本申请中的活体检测模型与相关技术中的活体检测模型进行比较。在相关技术中,活体检测模型容易出现过拟合的问题,能够较好区分人脸图像71与已知类别的非人脸图像72,无法较好区分未知类别的非人脸图像73。在本申请中,活体检测模型能够较好区分人脸图像71与已知类别的非人脸图像72,而且,异常检测单元能够区分已知类别的图像与未知类别的非人脸图像73,在此基础上,活体检测的准确度得到提升。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图8,其示出了本申请一个实施例提供的活体检测装置的框图。该装置具有实现上述活体检测方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置计算机设备中。该装置800可以包括:特征获取模块810、信息确定模块820、第一确定模块830、第二确定模块840和活体确定模块850。
特征获取模块810,用于对待检测图像进行特征提取处理,得到所述待检测图像的特征信息。
信息确定模块820,用于基于所述特征信息,分别采用多个不同的判别网络,确定所述待检测图像的多个判别信息;其中,所述判别信息包括所述待检测图像对应的类别特征。
第一确定模块830,用于基对所述多个判别信息进行融合处理,得到第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体。
第二确定模块840,用于对所述多个判别信息进行差异检测,得到第二判别结果;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别,所述异常类别是指所述多个判别网络在训练过程中未学习过的类别。
活体确定模块850,用于在所述第一判别结果为所述待检测图像中包括所述目标活体,且所述第二判别结果为所述待检测图像不属于所述异常类别的情况下,确定所述待检测图像通过活体检测。
在示例性实施例中,所述第二确定模块840,用于确定所述多个判别信息之间的差异参数,所述差异参数用于衡量所述多个判别信息之间的差异程度;在所述差异参数属于第一取值范围的情况下,确定所述第二判别结果为所述待检测图像属于所述异常类别;在所述差异参数属于第二取值范围的情况下,确实所述第二判别结果为所述待检测图像不属于所述异常类别。
在示例性实施例中,所述第一确定模块830,用于对所述多个判别信息进行融合处理,得到融合判别信息;在所述融合判别信息符合第一条件的情况下,确定所述第一判别结果为所述待检测图像中包括所述目标活体;在所述融合判别信息符合第二条件的情况下,确定所述第一判别结果为所述待检测图像中不包括所述目标活体。
在示例性实施例中,所述第一确定模块830,还用于对所述多个判别信息进行求平均处理,得到所述融合判别信息;或者,获取所述多个判别信息分别对应的权重值;基于所述多个判别信息分别对应的权重值,对所述多个判别信息进行加权求和处理,得到所述融合判别信息。
在示例性实施例中,所述第一确定模块830,还用于基于所述多个不同的判别网络的判别准确度,确定所述多个判别信息分别对应的权重值;其中,所述判别网络输出的判别信息对应的权重值,与所述判别网络的判别准确度呈正相关关系。
在示例性实施例中,如图9所示,所述装置800,还包括:温度获取模块860和温度确定模块870。
温度获取模块860,用于获取所述待检测图像对应的温度信息;其中,所述温度信息包括所述待检测图像中像素点对应的温度值。
温度确定模块870,用于基于所述温度信息,确定所述待检测图像所包含的目标对象的温度值。
在示例性实施例中,所述温度确定模块870,用于提取所述待检测图像中的目标区域;对所述目标区域进行降噪处理,得到降噪后的目标区域;从所述降噪后的目标区域中获取各个像素点对应的温度值;基于获取的所述各个像素点对应的温度值,确定所述待检测图像所包含的目标对象的温度值。
在示例性实施例中,所述方法由活体检测模型实现,所述活体检测模型包括特征提取网络、所述多个不同的判别网络、活体检测单元、异常检测单元和结果输出单元;其中,所述特征提取网络,用于对所述待检测图像进行特征提取处理,得到所述待检测图像的特征信息;所述多个不同的判别网络,用于分别基于所述特征信息,确定所述待检测图像的多个判别信息;所述活体检测单元,用于基于所述多个判别信息,确定所述第一判别结果;所述异常检测单元,用于基于所述多个判别信息,确定所述第二判别结果;所述结果输出单元,用于基于所述第一判别结果和所述第二判别结果,确定所述待检测图像是否通过活体检测。
综上所述,本申请实施例提供的技术方案中,通过多个不同的判别网络获取多个判别信息,进而对多个判别信息进行融合处理,得到第一判别结果,使得第一判别结果融合了多个判别网络待检测图像的活体检测结果,使得第一判别结果能够准确表示待检测图像中是否包括目标活体,而且,对多个判别结果进行差异检测,得到第二判别结果,且第二判别结果能够确定待检测图像书否属于异常类别,异常类别即为多个判别网络未学习过的类别,然而,在针对判别网络的训练过程中,目标活体的类别必定属于判别网络见过的类别,若待检测图像中的待检测活体属于异常类别,则待检测图像中必然不包括目标活体,在这种情况下,即使第一判别结果确定待检测图像中包括目标活体,计算机设备也可以在第二判别结果的基础上确定待检测图像未通过活体检测,不包括目标活体,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
请参考图10,其示出了本申请一个实施例提供的活体检测模型的训练装置的框图。活体检测模型包括多个不同的判别网络和异常检测单元;其中,判别网络用于基于待检测图像的特征信息,确定待检测图像的判别信息,判别信息包括待检测图像对应的类别特征,异常检测单元用于基于多个不同的判别网络分别输出的多个判别信息,确定第二判别结果,第二判别结果用于指示待检测图像是否属于异常类别。该装置具有实现上述活体检测模型的训练方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置计算机设备中。该装置1000可以包括:第一获取模块1010、网络训练模块1020、第二获取模块1030和单元训练模块1040。
第一获取模块1010,用于获取多组不同的第一训练样本;其中,所述第一训练样本包括包含目标活体的正样本,以及未包含所述目标活体的负样本。
网络训练模块1020,用于采用所述多组不同的第一训练样本对所述多个不同的判别网络进行训练;其中,不同的判别网络对应的第一训练样本不同。
第二获取模块1030,用于获取第二训练样本;其中,所述第二训练样本包括正常类别的样本和异常类别的样本,所述正常类别是指所述第一训练样本对应的样本类别,所述异常类别是指除所述第一训练样本对应的样本类别之外的其他类别。
单元训练模块1040,用于采用所述第二训练样本对所述异常检测单元进行训练。
在示例性实施例中,单元训练模块1040,用于采用所述正常类别的样本对所述异常检测单元进行训练,得到第一训练后的异常检测单元;采用所述第二训练样本对所述第一训练后的异常检测单元进行训练,得到针对所述第二训练样本中各个样本的类别检测结果,所述类别检测结果包括针对所述第二训练样本中各个样本的第一检测结果和第二检测结果;基于所述类别检测结果,获取第一距离和第二距离;其中,所述第一距离是指所述正常类别的样本对应的第一检测结果与第二检测结果之间的距离,所述第二距离是指所述异常类别的样本对应的第一检测结果与第二检测结果之间的距离;响应于所述第一距离与所述第二距离之间的重叠度大于阈值,对所述异常检测单元的参数进行调整,直至所述重叠度小于所述阈值。
在示例性实施例中,所述活体检测模型还包括特征提取网络、活体检测单元、结果输出单元;其中,所述特征提取网络用于对所述待检测图像进行特征提取处理,得到所述待检测图像的特征信息;所述活体检测单元用于基于所述多个不同的判别网络分别输出的多个判别信息,确定第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体;所述结果输出单元用于基于所述第一判别结果,结合所述异常检测单元输出的第二判别结果,确定所述待检测图像是否通过活体检测;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别。
综上所述,本申请实施例提供的技术方案中,活体检测模型中包括多个判别网络和异常检测单元,且多个判别网络能够确定获取多个判别信息,该多个判别信息能够确定第一判别结果,第一判别结果用于确定待检测图像中是否包括目标活体,异常检测单元能够根据多个判别信息确定第二判别结果,第二判别结果用于确定待检测图像是否属于异常类别,也就是说,本申请中的活体检测模型提供了一种新活体检测方式,通过多个判别网络结合异常检测单元进行活体检测,缓解判别网络的过拟合问题,避免由于判别网络的训练样本质量不佳而导致最终判别结果的错误,保证活体检测的准确性。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图11,其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可用于实现上述活体检测方法或活体检测模型的训练方法的功能。具体来讲:
计算机设备1100包括中央处理单元(Central Processing Unit,CPU)1101、包括随机存取存储器(Random Access Memory,RAM)1102和只读存储器(Read Only Memory,ROM)1103的系统存储器1104,以及连接系统存储器1104和中央处理单元1101的系统总线1105。计算机设备1100还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output,I/O系统)1106,和用于存储操作系统1113、应用程序1114和其他程序模块1115的大容量存储设备1107。
基本输入/输出系统1106包括有用于显示信息的显示器1108和用于用户输入信息的诸如鼠标、键盘之类的输入设备1109。其中显示器1108和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1110还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。大容量存储设备1107及其相关联的计算机可读介质为计算机设备1100提供非易失性存储。也就是说,大容量存储设备1107可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,电可擦可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1104和大容量存储设备1107可以统称为存储器。
根据本申请的各种实施例,计算机设备1100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1100可以通过连接在系统总线1105上的网络接口单元1111连接到网络1112,或者说,也可以使用网络接口单元1111来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括计算机程序,该计算机程序存储于存储器中,且经配置以由一个或者一个以上处理器执行,以实现上述活体检测方法,或实现上述活体检测模型的训练方法。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述活体检测方法,或实现上述活体检测模型的训练方法。
可选地,该计算机可读存储介质可以包括:ROM(Read Only Memory,只读存储器)、RAM(Random Access Memory,随机存取记忆体)、SSD(Solid State Drives,固态硬盘)或光盘等。其中,随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory,动态随机存取存储器)。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述活体检测方法,或执行上述活体检测模型的训练方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种活体检测方法,其特征在于,所述方法包括:
对待检测图像进行特征提取处理,得到所述待检测图像的特征信息;
基于所述特征信息,分别采用多个不同的判别网络,确定所述待检测图像的多个判别信息;其中,所述判别信息包括所述待检测图像对应的类别特征;
对所述多个判别信息进行融合处理,得到第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体;
对所述多个判别信息进行差异检测,得到第二判别结果;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别,所述异常类别是指所述多个判别网络在训练过程中未学习过的类别;
在所述第一判别结果为所述待检测图像中包括所述目标活体,且所述第二判别结果为所述待检测图像不属于所述异常类别的情况下,确定所述待检测图像通过活体检测。
2.根据权利要求1所述的方法,其特征在于,所述对所述多个判别信息进行差异检测,得到第二判别结果,包括:
确定所述多个判别信息之间的差异参数,所述差异参数用于衡量所述多个判别信息之间的差异程度;
在所述差异参数属于第一取值范围的情况下,确定所述第二判别结果为所述待检测图像属于所述异常类别;
在所述差异参数属于第二取值范围的情况下,确实所述第二判别结果为所述待检测图像不属于所述异常类别。
3.根据权利要求1所述的方法,其特征在于,所述对所述多个判别信息进行融合处理,得到第一判别结果,包括:
对所述多个判别信息进行融合处理,得到融合判别信息;
在所述融合判别信息符合第一条件的情况下,确定所述第一判别结果为所述待检测图像中包括所述目标活体;
在所述融合判别信息符合第二条件的情况下,确定所述第一判别结果为所述待检测图像中不包括所述目标活体。
4.根据权利要求3所述的方法,其特征在于,所述对所述多个判别信息进行融合处理,得到融合判别信息,包括:
对所述多个判别信息进行求平均处理,得到所述融合判别信息;
或者,
获取所述多个判别信息分别对应的权重值;基于所述多个判别信息分别对应的权重值,对所述多个判别信息进行加权求和处理,得到所述融合判别信息。
5.根据权利要求4所述的方法,其特征在于,所述获取所述多个判别信息分别对应的权重值,包括:
基于所述多个不同的判别网络的判别准确度,确定所述多个判别信息分别对应的权重值;
其中,所述判别网络输出的判别信息对应的权重值,与所述判别网络的判别准确度呈正相关关系。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待检测图像对应的温度信息;其中,所述温度信息包括所述待检测图像中像素点对应的温度值;
基于所述温度信息,确定所述待检测图像所包含的目标对象的温度值。
7.根据权利要求6所述的方法,其特征在于,所述基于所述温度信息,确定所述待检测图像所包含的目标对象的温度值,包括:
提取所述待检测图像中的目标区域;
对所述目标区域进行降噪处理,得到降噪后的目标区域;
从所述降噪后的目标区域中获取各个像素点对应的温度值;
基于获取的所述各个像素点对应的温度值,确定所述待检测图像所包含的目标对象的温度值。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述方法由活体检测模型实现,所述活体检测模型包括特征提取网络、所述多个不同的判别网络、活体检测单元、异常检测单元和结果输出单元;其中,
所述特征提取网络,用于对所述待检测图像进行特征提取处理,得到所述待检测图像的特征信息;
所述多个不同的判别网络,用于分别基于所述特征信息,确定所述待检测图像的多个判别信息;
所述活体检测单元,用于基于所述多个判别信息,确定所述第一判别结果;
所述异常检测单元,用于基于所述多个判别信息,确定所述第二判别结果;
所述结果输出单元,用于基于所述第一判别结果和所述第二判别结果,确定所述待检测图像是否通过活体检测。
9.一种活体检测模型的训练方法,其特征在于,所述活体检测模型包括多个不同的判别网络和异常检测单元;其中,所述判别网络用于基于待检测图像的特征信息,确定所述待检测图像的判别信息,所述判别信息包括所述待检测图像对应的类别特征,所述异常检测单元用于基于所述多个不同的判别网络分别输出的多个判别信息,确定第二判别结果,所述第二判别结果用于指示所述待检测图像是否属于异常类别;
所述方法包括:
获取多组不同的第一训练样本;其中,所述第一训练样本包括包含目标活体的正样本,以及未包含所述目标活体的负样本;
采用所述多组不同的第一训练样本对所述多个不同的判别网络进行训练;其中,不同的判别网络对应的第一训练样本不同;
获取第二训练样本;其中,所述第二训练样本包括正常类别的样本和异常类别的样本,所述正常类别是指所述第一训练样本对应的样本类别,所述异常类别是指除所述第一训练样本对应的样本类别之外的其他类别;
采用所述第二训练样本对所述异常检测单元进行训练。
10.根据权利要求9所述的方法,其特征在于,所述采用所述第二训练样本对所述异常检测单元进行训练,包括:
采用所述正常类别的样本对所述异常检测单元进行训练,得到第一训练后的异常检测单元;
采用所述第二训练样本对所述第一训练后的异常检测单元进行训练,得到针对所述第二训练样本中各个样本的类别检测结果,所述类别检测结果包括针对所述第二训练样本中各个样本的第一检测结果和第二检测结果;
基于所述类别结果,获取第一距离和第二距离;其中,所述第一距离是指所述正常类别的样本对应的第一检测结果与第二检测结果之间的距离,所述第二距离是指所述异常类别的样本对应的第一检测结果与第二检测结果之间的距离;
响应于所述第一距离与所述第二距离之间的重叠度大于阈值,对所述异常检测单元的参数进行调整,直至所述重叠度小于所述阈值。
11.根据权利要求9所述的方法,其特征在于,所述活体检测模型还包括特征提取网络、活体检测单元、结果输出单元;其中,
所述特征提取网络用于对所述待检测图像进行特征提取处理,得到所述待检测图像的特征信息;
所述活体检测单元用于基于所述多个不同的判别网络分别输出的多个判别信息,确定第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体;
所述结果输出单元用于基于所述第一判别结果,结合所述异常检测单元输出的第二判别结果,确定所述待检测图像是否通过活体检测;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别。
12.一种活体检测装置,其特征在于,所述装置包括:
特征获取模块,用于对待检测图像进行特征提取处理,得到所述待检测图像的特征信息;
信息确定模块,用于基于所述特征信息,分别采用多个不同的判别网络,确定所述待检测图像的多个判别信息;其中,所述判别信息包括所述待检测图像对应的类别特征;
第一确定模块,用于对所述多个判别信息进行融合处理,得到第一判别结果;其中,所述第一判别结果用于指示所述待检测图像中是否包括目标活体;
第二确定模块,用于对所述多个判别信息进行差异检测,得到第二判别结果;其中,所述第二判别结果用于指示所述待检测图像是否属于异常类别,所述异常类别是指所述多个判别网络在训练过程中未学习过的类别;
活体确定模块,用于在所述第一判别结果为所述待检测图像中包括所述目标活体,且所述第二判别结果为所述待检测图像不属于所述异常类别的情况下,确定所述待检测图像通过活体检测。
13.一种活体检测模型的训练装置,其特征在于,所述活体检测模型包括多个不同的判别网络和异常检测单元;其中,所述判别网络用于基于待检测图像的特征信息,确定所述待检测图像的判别信息,所述判别信息包括所述待检测图像对应的类别特征,所述异常检测单元用于基于所述多个不同的判别网络分别输出的多个判别信息,确定第二判别结果,所述第二判别结果用于指示所述待检测图像是否属于异常类别;
所述装置包括:
第一获取模块,用于获取多组不同的第一训练样本;其中,所述第一训练样本包括包含目标活体的正样本,以及未包含所述目标活体的负样本;
网络训练模块,用于采用所述多组不同的第一训练样本对所述多个不同的判别网络进行训练;其中,不同的判别网络对应的第一训练样本不同;
第二获取模块,用于获取第二训练样本;其中,所述第二训练样本包括正常类别的样本和异常类别的样本,所述正常类别是指所述第一训练样本对应的样本类别,所述异常类别是指除所述第一训练样本对应的样本类别之外的其他类别;
单元训练模块,用于采用所述第二训练样本对所述异常检测单元进行训练。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一项所述的活体检测方法,或实现如权利要求9至11任一项所述的活体检测模型的训练方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一项所述的活体检测方法,或实现如权利要求9至11任一项所述的活体检测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031410.2A CN114764948A (zh) | 2021-01-11 | 2021-01-11 | 活体检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031410.2A CN114764948A (zh) | 2021-01-11 | 2021-01-11 | 活体检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764948A true CN114764948A (zh) | 2022-07-19 |
Family
ID=82364023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110031410.2A Pending CN114764948A (zh) | 2021-01-11 | 2021-01-11 | 活体检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116259091A (zh) * | 2023-01-18 | 2023-06-13 | 北京飞腾时光信息科技有限公司 | 一种静默活体检测的方法和装置 |
-
2021
- 2021-01-11 CN CN202110031410.2A patent/CN114764948A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116259091A (zh) * | 2023-01-18 | 2023-06-13 | 北京飞腾时光信息科技有限公司 | 一种静默活体检测的方法和装置 |
CN116259091B (zh) * | 2023-01-18 | 2023-11-10 | 北京飞腾时光信息科技有限公司 | 一种静默活体检测的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
US20210365717A1 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
CN111310731B (zh) | 基于人工智能的视频推荐方法、装置、设备及存储介质 | |
EP3779774A1 (en) | Training method for image semantic segmentation model and server | |
CN110689025B (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
US11967069B2 (en) | Pathological section image processing method and apparatus, system, and storage medium | |
CN113139628B (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
CN112381782A (zh) | 人脸图像质量评估方法、装置、计算机设备及存储介质 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN112801057A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113014566B (zh) | 恶意注册的检测方法、装置、计算机可读介质及电子设备 | |
CN115050064A (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN112257665A (zh) | 图像内容的识别方法、图像识别模型的训练方法及介质 | |
CN113722474A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN114445670A (zh) | 图像处理模型的训练方法、装置、设备及存储介质 | |
CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN114764948A (zh) | 活体检测方法、装置、设备及存储介质 | |
CN112861743A (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN115659221A (zh) | 一种教学质量的评估方法、装置及计算机可读存储介质 | |
CN116029968A (zh) | 猴痘感染皮肤图像检测方法和装置、电子设备及存储介质 | |
CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
CN111651626B (zh) | 图像分类方法、装置及可读存储介质 | |
CN114550249A (zh) | 人脸图像生成方法及装置、计算机可读介质和电子设备 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |