CN115424335B - 活体识别模型训练方法、活体识别方法及相关设备 - Google Patents

活体识别模型训练方法、活体识别方法及相关设备 Download PDF

Info

Publication number
CN115424335B
CN115424335B CN202211368447.5A CN202211368447A CN115424335B CN 115424335 B CN115424335 B CN 115424335B CN 202211368447 A CN202211368447 A CN 202211368447A CN 115424335 B CN115424335 B CN 115424335B
Authority
CN
China
Prior art keywords
living body
image
recognition model
features
heart rate
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.)
Active
Application number
CN202211368447.5A
Other languages
English (en)
Other versions
CN115424335A (zh
Inventor
刘伟华
李林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Athena Eyes Co Ltd
Original Assignee
Athena Eyes Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Athena Eyes Co Ltd filed Critical Athena Eyes Co Ltd
Priority to CN202211368447.5A priority Critical patent/CN115424335B/zh
Publication of CN115424335A publication Critical patent/CN115424335A/zh
Application granted granted Critical
Publication of CN115424335B publication Critical patent/CN115424335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种活体识别模型训练方法、活体识别方法及相关设备，包括：通过获取基础视频，并从基础视频中获取训练图像，采用初始活体识别模型的卷积神经网络提取训练图像的图像特征，作为第一特征，对第一特征进行编码后依次输入到循环神经网络，得到心率信息，并基于心率信息构建心率分类器，基于训练图像对初始活体识别模型进行训练优化，得到优化后的活体识别模型；采用优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个第二特征，确定中心特征，并根据中心特征构建异常判断器，基于优化后的活体识别模型、心率分类器和异常判断器，构建目标活体识别模型，采用本发明有利于提高活体判断的准确性。

Description

活体识别模型训练方法、活体识别方法及相关设备
技术领域
本发明涉及生物识别技术领域，尤其涉及一种活体识别模型训练方法、活体识别方法及相关设备。
背景技术
随着随着深度学习、图像处理技术的快速发展，人脸识别技术在生活中被越来越广泛的使用，被用于各种业务中的验证阶段。但是，随着人脸识别技术的广泛使用，针对人脸识别的攻击也越来越多，如：使用打印的人脸、视频中的人脸、人脸面具等通过验证，因此越来越多的研究人员开始关注真假人脸的识别。
目前真假人脸的识别主要通过活体检测来实现，目前流行的有两条技术路线：一是借助摄像头实现，如：1、红外图像活体检测；2、3D结构光活体检测；3、RGB 图像活体检测，4、动作活体检测。二是不依赖摄像头，直接对图像进行活体检测，如：1、采用基于深度的补丁卷积神经网络（Patch and Depth-Based CNNs）进行活体检测； 2、采用识别欺诈（De-Spoofing）网络进行活体识别。
发明人在实现本发明的过程中，意识到现有方式至少存在如下问题：拍摄红外图像进行活体检测，主要通过各种材质红外反射的不同进行判断，但是这种方式需要配置专门的红外摄像头，同时，对是否为人脸识别能力不足；基于3D结构光活体检测，主要通过机构光/Time of flight（时间测距）摄像头，引入“深度信息”，但这种方式成本高，同时需要专门摄像头，受限于固定场合；基于RGB（red green blue 红绿蓝）图像活体检测：通过分析采集摩尔纹、成像畸形、反射率等人像破绽进行检测，这种方式对人脸面具识别准确率较低；采用基于深度的补丁卷积神经网络（Patch and Depth-Based CNNs）进行活体检测识别准确率较低，采用识别欺诈（De-Spoofing）网络进行活体识别在实际场景中难以部署，采用基于深度的补丁卷积神经网络（Patch and Depth-Based CNNs）进行活体检测，受限于固定场合。
综上，现有的活体检测方式，至少存在识别准确率不高、成本高、受限于固定场所等不足。
发明内容
本发明实施例提供一种活体识别模型训练方法、活体识别方法、装置、计算机设备和存储介质，以提高活体识别的准确率。
为了解决上述技术问题，本申请实施例提供一种活体识别模型训练方法，所述活体识别模型训练方法包括：
获取基础视频，并从所述基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用所述锚定人脸图像、所述正样本图像和预设的假脸图像构建有序队列，作为训练图像；
采用初始活体识别模型的卷积神经网络提取所述训练图像的图像特征，作为第一特征，所述初始活体识别模型依次包含卷积神经网络和循环神经网络；
对所述第一特征进行编码后依次输入到所述循环神经网络，得到心率信息，并基于所述心率信息构建心率分类器；
基于所述训练图像对所述初始活体识别模型进行训练优化，得到优化后的活体识别模型；
采用所述优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个所述第二特征，确定中心特征，并根据中心特征构建异常判断器；
基于所述优化后的活体识别模型、所述心率分类器和所述异常判断器，构建目标活体识别模型。
可选地，所述基于所述训练图像对所述初始活体识别模型进行训练优化，得到优化后的活体识别模型包括：
采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果；
根据得到的损失结果对初始活体识别模型进行优化，得到优化后的活体识别模型。
可选地，所述采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果包括：
将所述人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征作为三元组；
采用三元中心损失计算的方式，进行损失计算，得到损失结果。
可选地，所述基于每个所述第二特征，确定中心特征包括：
对每个所述第二特征进行聚类，得到聚类特征，将所述聚类特征作为所述中心特征。
可选地，所述第一特征用于表征肤色信息，所述对所述第一特征进行编码后依次输入到所述循环神经网络，得到心率信息包括：
依次获取每个所述第一特征，通过所述循环神经网络进行编码识别得到所述心率信息。
为了解决上述技术问题，本申请实施例还提供一种活体识别方法，包括：
获取待识别视频，并按照预设方式有序提取视频帧图像；
将每个所述视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，所述心率分类信息根据所述目标活体识别模型的心率分类器分类结果得到，所述异常检测信息根据所述目标活体识别模型的异常判断器判断得到；
基于所述心率分类信息和异常检测信息，确定所述待识别视频对应的活体识别结果。
为了解决上述技术问题，本申请实施例还提供一种活体识别模型训练装置，包括：
训练图像获取模块，用于获取基础视频，并从所述基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用所述锚定人脸图像、所述正样本图像和预设的假脸图像构建有序队列，作为训练图像；
第一特征提取模块，用于采用初始活体识别模型的卷积神经网络提取所述训练图像的图像特征，作为第一特征，所述初始活体识别模型依次包含卷积神经网络和循环神经网络；
分类器构建模块，用于对所述第一特征进行编码后依次输入到所述循环神经网络，得到心率信息，并基于所述心率信息构建心率分类器；
模型训练优化模块，用于基于所述训练图像对所述初始活体识别模型进行训练优化，得到优化后的活体识别模型；
判断器构建模块，用于采用所述优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个所述第二特征，确定中心特征，并根据中心特征构建异常判断器；
目标识别模块生成模块，用于基于所述优化后的活体识别模型、所述心率分类器和所述异常判断器，构建目标活体识别模型。
可选地，所述模型训练优化模块包括：
损失计算单元，用于采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果；
模型训练单元，用于根据得到的损失结果对初始活体识别模型进行优化，得到优化后的活体识别模型。
可选地，所述损失计算单元包括：
三元组构建子单元，用于将所述人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征作为三元组；
计算子单元，用于采用三元中心损失计算的方式，进行损失计算，得到损失结果。
可选地，所述判断器构建模块包括：
聚类单元，用于对每个所述第二特征进行聚类，得到聚类特征，将所述聚类特征作为所述中心特征。
可选地，所述第一特征用于表征肤色信息，所述分类器构建模块包括：
信号获取单元，用于依次获取每个所述第一特征，通过所述循环神经网络进行编码识别得到所述心率信息。
为了解决上述技术问题，本申请实施例还提供一种活体识别装置，包括：
图像提取模块，用于获取待识别视频，并按照预设方式有序提取视频帧图像；
图像识别模块，用于将每个所述视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，所述心率分类信息根据所述目标活体识别模型的心率分类器分类结果得到，所述异常检测信息根据所述目标活体识别模型的异常判断器判断得到；
结果确定模块，用于基于所述心率分类信息和异常检测信息，确定所述待识别视频对应的活体识别结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述活体识别模型训练方法的步骤，或者，所述处理器执行所述计算机程序时实现上述活体识别方法的步骤。
为了解决上述技术问题，本申请实施例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，所述计算机程序被处理器执行时实现上述活体识别模型训练方法的步骤，或者，所述计算机程序被处理器执行时实现上述活体识别方法的步骤。
本发明实施例提供的活体识别模型训练方法、装置、计算机设备及存储介质，通过获取基础视频，并从基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用锚定人脸图像、正样本图像和预设的假脸图像构建有序队列，作为训练图像，采用初始活体识别模型的卷积神经网络提取训练图像的图像特征，作为第一特征，初始活体识别模型依次包含卷积神经网络和循环神经网络，对第一特征进行编码后依次输入到循环神经网络，得到心率信息，并基于心率信息构建心率分类器，基于训练图像对初始活体识别模型进行训练优化，得到优化后的活体识别模型；采用优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个第二特征，确定中心特征，并根据中心特征构建异常判断器，基于优化后的活体识别模型、心率分类器和异常判断器，构建目标活体识别模型，实现从不同心率和人脸特征的维度结合进行活体判断，有利于提高活体判断的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的活体识别模型训练方法的一个实施例的流程图；
图3是本申请的活体识别方法的一个实施例的流程图；
图4是根据本申请的活体识别模型训练装置的一个实施例的结构示意图；
图5是根据本申请的活体识别装置的一个实施例的结构示意图；
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3( Moving Picture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3 ) 播放器、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的活体识别模型训练方法/活体识别方法由服务器执行，相应地，活体识别模型训练装置/活体识别装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种活体识别模型训练方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S201：获取基础视频，并从基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用锚定人脸图像、正样本图像和预设的假脸图像构建有序队列，作为训练图像；
S202：采用初始活体识别模型的卷积神经网络提取训练图像的图像特征，作为第一特征，初始活体识别模型依次包含卷积神经网络和循环神经网络；
S203：对第一特征进行编码后依次输入到循环神经网络，得到心率信息，并基于心率信息构建心率分类器。
可选地，第一特征用于表征肤色信息，对第一特征进行编码后依次输入到循环神经网络，得到心率信息包括：
依次获取每个第一特征，通过循环神经网络进行编码识别得到心率信息。
S204：基于训练图像对初始活体识别模型进行训练优化，得到优化后的活体识别模型。
可选地，基于训练图像对初始活体识别模型进行训练优化，得到优化后的活体识别模型包括：
采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果；
根据得到的损失结果对初始活体识别模型进行优化，得到优化后的活体识别模型。
进一步地，采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果包括：
将人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征作为三元组；
采用三元中心损失计算的方式，进行损失计算，得到损失结果。
优选地，本实施例中使用 Triplet Focal Loss（三元中心损失） 计算损失并优化，公式如下：
D 为计算两特征相似度的函数。 a 表示锚定人脸的特征，p 表示正样本特征，n表示负样本特征。e 为自然常数，λ为三元损失部分的占比, m 为三元损失中设定的超参数，避免模型直接让 D（a,p） 与 D （a,n）为 0，损失为 0则不优化, σ 特征相似度的缩放因子。
S205：采用优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个第二特征，确定中心特征，并根据中心特征构建异常判断器。
其中，基于每个第二特征，确定中心特征包括：
对每个第二特征进行聚类，得到聚类特征，将聚类特征作为中心特征。
需要说明的是，该中心特征用于判断异常程度，若后续待识别的视频中，提取的图像特征与该中心特征距离越远，说明书异常程度越大，也即，假脸的概率越大。
S206：基于优化后的活体识别模型、心率分类器和异常判断器，构建目标活体识别模型。
本实施例中，获取基础视频，并从基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用锚定人脸图像、正样本图像和预设的假脸图像构建有序队列，作为训练图像，采用初始活体识别模型的卷积神经网络提取训练图像的图像特征，作为第一特征，初始活体识别模型依次包含卷积神经网络和循环神经网络，对第一特征进行编码后依次输入到循环神经网络，得到心率信息，并基于心率信息构建心率分类器，基于训练图像对初始活体识别模型进行训练优化，得到优化后的活体识别模型；采用优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个第二特征，确定中心特征，并根据中心特征构建异常判断器，基于优化后的活体识别模型、心率分类器和异常判断器，构建目标活体识别模型，实现从不同心率和人脸特征的维度结合进行活体判断，有利于提高活体判断的准确性。
请参阅图3，图3示出本发明实施例提供的一种活体识别方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S207：获取待识别视频，并按照预设方式有序提取视频帧图像。
其中，预设方式具体可以是通过按照固定间隔进行图像提取，或者，按照图像相识度进行提取，具体可根据实际情况进行选取，此处不做限定。
S208：将每个视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，心率分类信息根据目标活体识别模型的心率分类器分类结果得到，异常检测信息根据目标活体识别模型的异常判断器判断得到。
本实施例中，目标活体识别模型具体可根据上述活体识别模型训练方法训练得到。
S209：基于心率分类信息和异常检测信息，确定待识别视频对应的活体识别结果。
具体地，结合心率分类信息和异常检测信息进行综合判断，判断待识别视频中的人脸是否为真实人脸，得到活体判断结果，具体判断方式可以采用给心率分类信息和异常检测信息进行打分加权的方式，进而将加权后的分值与预设分值进行比较判断。
本实施例中，通过获取待识别视频，并按照预设方式有序提取视频帧图像，将每个视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，心率分类信息根据目标活体识别模型的心率分类器分类结果得到，异常检测信息根据目标活体识别模型的异常判断器判断得到，基于心率分类信息和异常检测信息，确定待识别视频对应的活体识别结果。实现从多个维度快速对待识别视频进行活体识别判断，提高活体识别的准确率和效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4示出与上述实施例活体识别模型训练方法一一对应的活体识别模型训练装置的原理框图。如图4所示，该活体识别模型训练装置包括训练图像获取模块31、第一特征提取模块32、分类器构建模块33、模型训练优化模块34、判断器构建模块35和目标识别模块生成模块36。各功能模块详细说明如下：
训练图像获取模块31，用于获取基础视频，并从基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用锚定人脸图像、正样本图像和预设的假脸图像构建有序队列，作为训练图像；
第一特征提取模块32，用于采用初始活体识别模型的卷积神经网络提取训练图像的图像特征，作为第一特征，初始活体识别模型依次包含卷积神经网络和循环神经网络；
分类器构建模块33，用于对第一特征进行编码后依次输入到循环神经网络，得到心率信息，并基于心率信息构建心率分类器；
模型训练优化模块34，用于基于训练图像对初始活体识别模型进行训练优化，得到优化后的活体识别模型；
判断器构建模块35，用于采用优化后活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个第二特征，确定中心特征，并根据中心特征构建异常判断器；
目标识别模块生成模块36，用于基于优化后的活体识别模型、心率分类器和异常判断器，构建目标活体识别模型。
可选地，模型训练优化模块34包括：
损失计算单元，用于采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果；
模型训练单元，用于根据得到的损失结果对初始活体识别模型进行优化，得到优化后的活体识别模型。
可选地，损失计算单元包括：
三元组构建子单元，用于将人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征作为三元组；
计算子单元，用于采用三元中心损失计算的方式，进行损失计算，得到损失结果。
可选地，判断器构建模块35包括：
聚类单元，用于对每个第二特征进行聚类，得到聚类特征，将聚类特征作为中心特征。
可选地，第一特征用于表征肤色信息，分类器构建模块包括：
信号获取单元，用于依次获取每个第一特征，通过循环神经网络进行编码识别，得到心率信息。
图5示出与上述实施例活体识别方法一一对应的活体识别装置的原理框图。如图5所示，该活体识别装置包括图像提取模块37、图像识别模块38和结果确定模块39。各功能模块详细说明如下：
图像提取模块37，用于获取待识别视频，并按照预设方式有序提取视频帧图像；
图像识别模块38，用于将每个视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，心率分类信息根据目标活体识别模型的心率分类器分类结果得到，异常检测信息根据目标活体识别模型的异常判断器判断得到；
结果确定模块39，用于基于心率分类信息和异常检测信息，确定待识别视频对应的活体识别结果。
关于活体识别模型训练装置的具体限定可以参见上文中对于活体识别模型训练方法的限定，在此不再赘述。上述活体识别模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如活体识别模型训练的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即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界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的活体识别模型训练方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (9)

1.一种活体识别模型训练方法，其特征在于，所述活体识别模型训练方法包括：
获取基础视频，并从所述基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用所述锚定人脸图像、所述正样本图像和预设的假脸图像构建有序队列，作为训练图像；
采用初始活体识别模型的卷积神经网络提取所述训练图像的图像特征，作为第一特征，所述初始活体识别模型依次包含卷积神经网络和循环神经网络；
对所述第一特征进行编码后依次输入到所述循环神经网络，得到心率信息，并基于所述心率信息构建心率分类器；
基于所述训练图像对所述初始活体识别模型进行训练优化，得到优化后的活体识别模型；
采用所述优化后的活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个所述第二特征，确定中心特征，并根据中心特征构建异常判断器，所述中心特征用于判断异常程度，若后续待识别的视频中，提取的图像特征与所述中心特征距离越远，则异常程度越大，假脸的概率越大；
基于所述优化后的活体识别模型、所述心率分类器和所述异常判断器，构建目标活体识别模型，所述目标活体识别模型采用对所述心率分类信息和异常检测信息进行打分加权的方式，将加权后的分值与预设分值进行比较判断，确定活体识别结果；
其中，所述基于所述训练图像对所述初始活体识别模型进行训练优化，得到优化后的活体识别模型包括：
采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征，根据如下优化后的三元损失函数进行损失计算，得到损失结果：
D为计算两特征相似度的函数，a表示锚定人脸图像对应的第一特征，p表示正样本图像对应的第一特征，n表示假脸图像对应的第一特征，e为自然常数，λ为三元损失部分的占比，m为三元损失中设定的超参数，m用于避免D(a,p)与D(a,n)为0，σ为特征相似度的缩放因子；
根据得到的损失结果对初始活体识别模型进行优化，得到优化后的活体识别模型。
2.如权利要求1所述的活体识别模型训练方法，其特征在于，所述采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征进行损失计算，得到损失结果包括：
将所述人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征作为三元组；
采用三元中心损失计算的方式，进行损失计算，得到损失结果。
3.如权利要求1所述的活体识别模型训练方法，其特征在于，所述基于每个所述第二特征，确定中心特征包括：
对每个所述第二特征进行聚类，得到聚类特征，将所述聚类特征作为所述中心特征。
4.如权利要求1至3任一项所述的活体识别模型训练方法，其特征在于，所述第一特征用于表征肤色信息，所述对所述第一特征进行编码后依次输入到所述循环神经网络，得到心率信息包括：
依次获取每个所述第一特征，通过所述循环神经网络进行编码识别得到所述心率信息。
5.一种活体识别方法，其特征在于，所述活体识别方法包括：
获取待识别视频，并按照预设方式有序提取视频帧图像；
将每个所述视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，所述目标活体识别模型根据权利要求1至4任一项所述的活体识别模型训练方法训练得到，所述心率分类信息根据所述目标活体识别模型的心率分类器分类结果得到，所述异常检测信息根据所述目标活体识别模型的异常判断器判断得到；
基于所述心率分类信息和异常检测信息，确定所述待识别视频对应的活体识别结果。
6.一种活体识别模型训练装置，其特征在于，所述活体识别模型训练装置包括：
训练图像获取模块，用于获取基础视频，并从所述基础视频中依次提取图像作为锚定人脸图像和正样本图像，并采用所述锚定人脸图像、所述正样本图像和预设的假脸图像构建有序队列，作为训练图像；
第一特征提取模块，用于采用初始活体识别模型的卷积神经网络提取所述训练图像的图像特征，作为第一特征，所述初始活体识别模型依次包含卷积神经网络和循环神经网络；
分类器构建模块，用于对所述第一特征进行编码后依次输入到所述循环神经网络，得到心率信息，并基于所述心率信息构建心率分类器；
模型训练优化模块，用于基于所述训练图像对所述初始活体识别模型进行训练优化，得到优化后的活体识别模型；
判断器构建模块，用于采用所述优化后的活体识别模型提取正样本图像对应的图像特征，作为第二特征，基于每个所述第二特征，确定中心特征，并根据中心特征构建异常判断器，所述中心特征用于判断异常程度，若后续待识别的视频中，提取的图像特征与所述中心特征距离越远，则异常程度越大，假脸的概率越大；
目标识别模块生成模块，用于基于所述优化后的活体识别模型、所述心率分类器和所述异常判断器，构建目标活体识别模型，所述目标活体识别模型采用对所述心率分类信息和异常检测信息进行打分加权的方式，将加权后的分值与预设分值进行比较判断，确定活体识别结果；
其中，所述模型训练优化模块包括：
采用锚定人脸图像对应的第一特征、正样本图像对应的第一特征和假脸图像对应的第一特征，根据如下优化后的三元损失函数进行损失计算，得到损失结果：
D为计算两特征相似度的函数，a表示锚定人脸图像对应的第一特征，p表示正样本图像对应的第一特征，n表示假脸图像对应的第一特征，e为自然常数，λ为三元损失部分的占比，m为三元损失中设定的超参数，m用于避免D(a,p)与D(a,n)为0，σ为特征相似度的缩放因子。
7.一种活体识别装置，其特征在于，所述活体识别装置包括：
图像提取模块，用于获取待识别视频，并按照预设方式有序提取视频帧图像；
图像识别模块，用于将每个所述视频帧图像依次输入到目标活体识别模型中进行识别，得到心率分类信息和异常检测信息，所述目标活体识别模型根据权利要求1至4任一项所述的活体识别模型训练方法训练得到，所述心率分类信息根据所述目标活体识别模型的心率分类器分类结果得到，所述异常检测信息根据所述目标活体识别模型的异常判断器判断得到；
结果确定模块，用于基于所述心率分类信息和异常检测信息，确定所述待识别视频对应的活体识别结果。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的活体识别模型训练方法，或者，所述处理器执行所述计算机程序时实现如权利要求5所述的活体识别方法。
9.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的活体识别模型训练方法，或者，所述计算机程序被处理器执行时实现如权利要求5所述的活体识别方法。
CN202211368447.5A 2022-11-03 2022-11-03 活体识别模型训练方法、活体识别方法及相关设备 Active CN115424335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211368447.5A CN115424335B (zh) 2022-11-03 2022-11-03 活体识别模型训练方法、活体识别方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211368447.5A CN115424335B (zh) 2022-11-03 2022-11-03 活体识别模型训练方法、活体识别方法及相关设备

Publications (2)

Publication Number Publication Date
CN115424335A CN115424335A (zh) 2022-12-02
CN115424335B true CN115424335B (zh) 2023-08-04

Family

ID=84208267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211368447.5A Active CN115424335B (zh) 2022-11-03 2022-11-03 活体识别模型训练方法、活体识别方法及相关设备

Country Status (1)

Country Link
CN (1) CN115424335B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11861838B1 (en) * 2023-06-07 2024-01-02 BrightHeart SAS Systems and methods for system agnostic automated detection of cardiovascular anomalies and/or other features

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096538A (zh) * 2016-06-08 2016-11-09 中国科学院自动化研究所 基于定序神经网络模型的人脸识别方法及装置
EP3378387A1 (en) * 2017-03-21 2018-09-26 Tata Consultancy Services Limited Heart rate estimation from face videos using quality based fusion
CN110163126A (zh) * 2019-05-06 2019-08-23 北京华捷艾米科技有限公司 一种基于人脸的活体检测方法、装置及设备
CN110348385A (zh) * 2019-07-12 2019-10-18 苏州小阳软件科技有限公司 活体人脸识别方法和装置
CN111178233A (zh) * 2019-12-26 2020-05-19 北京天元创新科技有限公司 基于活体认证的身份认证方法及装置
CN111767900A (zh) * 2020-07-28 2020-10-13 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、计算机设备及存储介质
WO2022246612A1 (zh) * 2021-05-24 2022-12-01 华为技术有限公司 活体检测方法、活体检测模型的训练方法及其装置和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096538A (zh) * 2016-06-08 2016-11-09 中国科学院自动化研究所 基于定序神经网络模型的人脸识别方法及装置
EP3378387A1 (en) * 2017-03-21 2018-09-26 Tata Consultancy Services Limited Heart rate estimation from face videos using quality based fusion
CN110163126A (zh) * 2019-05-06 2019-08-23 北京华捷艾米科技有限公司 一种基于人脸的活体检测方法、装置及设备
CN110348385A (zh) * 2019-07-12 2019-10-18 苏州小阳软件科技有限公司 活体人脸识别方法和装置
CN111178233A (zh) * 2019-12-26 2020-05-19 北京天元创新科技有限公司 基于活体认证的身份认证方法及装置
CN111767900A (zh) * 2020-07-28 2020-10-13 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、计算机设备及存储介质
WO2022246612A1 (zh) * 2021-05-24 2022-12-01 华为技术有限公司 活体检测方法、活体检测模型的训练方法及其装置和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision》;Yaojie Liu 等；;《IEEE》;20180723;第3章 *

Also Published As

Publication number Publication date
CN115424335A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN110728255B (zh) 图像处理方法、装置、电子设备及存储介质
CN110532884B (zh) 行人重识别方法、装置及计算机可读存储介质
CN108108711B (zh) 人脸布控方法、电子设备及存储介质
CN109492612A (zh) 基于骨骼点的跌倒检测方法及其跌倒检测装置
EP4099217A1 (en) Image processing model training method and apparatus, device, and storage medium
CN111008640A (zh) 图像识别模型训练及图像识别方法、装置、终端及介质
CN112507922A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN110795714A (zh) 一种身份验证方法、装置、计算机设备及存储介质
CN111898538A (zh) 证件鉴伪方法、装置、电子设备及存储介质
CN112330331A (zh) 基于人脸识别的身份验证方法、装置、设备及存储介质
WO2021128846A1 (zh) 电子文件的控制方法、装置、计算机设备及存储介质
CN115424335B (zh) 活体识别模型训练方法、活体识别方法及相关设备
CN113903068A (zh) 基于人脸特征的陌生人监控方法、装置、设备及存储介质
CN112651333B (zh) 静默活体检测方法、装置、终端设备和存储介质
CN115700845B (zh) 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN112633200A (zh) 基于人工智能的人脸图像比对方法、装置、设备及介质
CN108830217B (zh) 一种基于模糊均值哈希学习的签名自动判别方法
WO2022111688A1 (zh) 人脸活体检测方法、装置及存储介质
CN108460811B (zh) 面部图像处理方法、装置及计算机设备
CN115798004A (zh) 基于局部区域的人脸打卡方法、装置、电子设备及介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN112580472A (zh) 一种快速轻量的人脸识别方法、装置、机器可读介质及设备
CN113221766A (zh) 训练活体人脸识别模型、识别活体人脸的方法及相关装置
CN113158730A (zh) 一种基于人形识别的多人在离岗识别方法、装置、电子装置和存储介质
CN112733645A (zh) 手写签名校验方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000

Patentee after: Wisdom Eye Technology Co.,Ltd.

Country or region after: China

Address before: 410205, Changsha high tech Zone, Hunan Province, China

Patentee before: Wisdom Eye Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address