CN115690920B - 医疗身份认证的可信活体检测方法及相关设备 - Google Patents
医疗身份认证的可信活体检测方法及相关设备 Download PDFInfo
- Publication number
- CN115690920B CN115690920B CN202310001147.1A CN202310001147A CN115690920B CN 115690920 B CN115690920 B CN 115690920B CN 202310001147 A CN202310001147 A CN 202310001147A CN 115690920 B CN115690920 B CN 115690920B
- Authority
- CN
- China
- Prior art keywords
- feature
- loss
- network
- attention
- features
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种医疗身份认证的可信活体检测方法及相关设备,包括:获取医疗身份的验证图像,采用主干网络对医疗身份的图像进行特征提取,得到特征数据,采用注意力机制,对特征数据进行注意力计算,得到注意力图,将特征数据、注意力图输入到特征增强网络,基于特征增强网络进行特征增强,得到增强特征,采用分类网络对增强特征进行分类,得到分类结果,基于分类结果确定身份认证结果。通过实现将注意力图和特征融合的方式,提高身份真伪识别的安全性和对未知数据的兼容性。
Description
技术领域
本发明涉及数据安全处理领域,尤其涉及一种医疗身份认证的可信活体检测方法及相关设备。
背景技术
随着人脸识别技术的广泛使用,一些采用伪造人脸进行谋取经济收益的行为也凸显出来,例如医疗领域,医保,作为一种为全民提供的福利,在人们生病时,国家能出钱,降低病人的生活压力。但目前医保在进行人脸识别验证身份时,存在一些伪造人脸进行刷医保行为,如:使用数字合成人脸,通过人脸识别验证,盗刷医保卡,为广大群众与国家都带来损失。
现有方式中,有通过人脸伪造网络中的频域信息(F3-net,Frequency in FaceForgery Network)的方式进行合成人脸检测,其主要是通过提取频域的伪造特征,检测合成人脸。还有一些是通过面部 X 射线 (Face X-ray)的方式,其主要是通过检测合成部分与背景存在的不一致,检测合成人脸,还有一些是通过双边高通滤波器(Bilateral High-Pass Filters)的方式,其主要是使用双向高通滤波器,放大频率层伪影,同时进行特征分解,得到内容信息、失真信息,检测合成人脸。
发明人在实现本发明的过程中,意识到现有技术至少存在如下技术问题:上述三种方式,在同一个数据集进行识别表现不错,但是在跨数据集(训练过程中未出现的数据)时下能下降严重,准确性不能达不到实际应用的要求。
发明内容
本发明实施例提供一种医疗身份认证的可信活体检测方法、装置、计算机设备和存储介质,以提高医疗身份认证过程中对可信活体进行检测的安全性。
为了解决上述技术问题,本申请实施例提供一种医疗身份认证的可信活体检测方法,包括:
获取医疗身份的验证图像;
采用主干网络对所述医疗身份的图像进行特征提取,得到特征数据;
采用注意力机制,对所述特征数据进行注意力计算,得到注意力图;
将特征数据、所述注意力图输入到特征增强网络,基于所述特征增强网络进行特征增强,得到增强特征;
采用分类网络对所述增强特征进行分类,得到分类结果;
基于所述分类结果确定身份认证结果;
其中,所述将特征数据、所述注意力图输入到特征增强网络,基于所述特征增强网络进行特征增强,得到增强特征包括:
采用卷积神经网络对所述特征数据进行卷积处理,得到卷积特征;
将所述卷积特征与所述注意力图进行矩阵相乘,得到注意力特征;
将所述注意力特征与所述特征数据进行叠加,得到所述增强特征。
可选地,在所述采用主干网络对所述医疗身份的图像进行特征提取,得到特征数据之前,所述方法还包括:
将训练样本输入到所述主干网络、所述增强网络和分类网络进行识别训练,并根据训练输出结果计算损失值,其中,所述训练样本包括带有标记的真图和假图;
基于所述损失值进行反向传播训练,对所述主干网络和所述增强网络的参数进行调优,直到损失值小于预设阈值。
可选地,所述根据训练输出结果计算损失值包括:
采用如下公式计算损失值:
Loss=
loss_center+ loss_cls
其中,
loss_center为根据增强网络得到真图特征与真图的中心特征之间的距离、假图特征和真图的中心特征之间的距离,确定的中心特征损失,
loss_cls为根据分类网络输出的真假概率计算的标准交叉熵损失
。
可选地,所述根据真图的中心特征确定损失值包括:
loss_center=∑
dis(
real_feature,
real_center)-∑
dis(
fake_feature,
real_
center)其中,dis()为余弦距离,
real_center为中心特征,
real_feature为真图特征
,
fake_feature为假图特征。
为了解决上述技术问题,本申请实施例还提供一种医疗身份认证的可信活体检测装置,包括:
图像获取模块,用于获取医疗身份的验证图像;
特征提取模块,用于采用主干网络对所述医疗身份的图像进行特征提取,得到特征数据;
注意力图生成模块,用于采用注意力机制,对所述特征数据进行注意力计算,得到注意力图;
特征增强模块,用于将特征数据、所述注意力图输入到特征增强网络,基于所述特征增强网络进行特征增强,得到增强特征;
特征分类模块,用于采用分类网络对所述增强特征进行分类,得到分类结果;
结果确定模块,用于基于所述分类结果确定身份认证结果;
其中,所述特征增强模块包括:
卷积处理单元,用于采用卷积神经网络对所述特征数据进行卷积处理,得到卷积特征;
矩阵相乘单元,用于将所述卷积特征与所述注意力图进行矩阵相乘,得到注意力特征;
特征叠加单元,用于将所述注意力特征与所述特征数据进行叠加,得到所述增强特征。
可选地,所述医疗身份认证的可信活体检测装置还包括:
损失值计算模块,用于将训练样本输入到所述主干网络、所述增强网络和分类网络进行识别训练,并根据训练输出结果计算损失值,其中,所述训练样本包括带有标记的真图和假图;
训练模块,用于基于所述损失值进行反向传播训练,对所述主干网络和所述增强网络的参数进行调优,直到损失值小于预设阈值。
可选地,所述损失值计算模块包括:
计算单元,用于采用如下公式计算损失值:
Loss=
loss_center+ loss_cls
其中,
loss_center为根据增强网络得到真图特征与真图的中心特征之间的距离、假图特征和真图的中心特征之间的距离,确定的中心特征损失
,loss_cls为根据分类网络输出的真假概率计算的标准交叉熵损失
。
可选地,所述计算单元包括计算子单元,用于采用如下公式计算中心特征损失:
loss_center=∑
dis(
real_feature,
real_center)-∑
dis(
fake_feature,
real_
center)其中,dis()为余弦距离,
real_center为中心特征,
real_feature为真图特征
,
fake_feature为假图特征。
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医疗身份认证的可信活体检测方法的步骤。
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医疗身份认证的可信活体检测方法的步骤。
本发明实施例提供的医疗身份认证的可信活体检测方法、装置、计算机设备及存储介质,通过获取医疗身份的验证图像,采用主干网络对医疗身份的图像进行特征提取,得到特征数据,采用注意力机制,对特征数据进行注意力计算,得到注意力图,将特征数据、注意力图输入到特征增强网络,基于特征增强网络进行特征增强,得到增强特征,采用分类网络对增强特征进行分类,得到分类结果,基于分类结果确定身份认证结果。实现将注意力图和特征数据进行融合,提高身份真伪识别的安全性和对未知数据的兼容性。
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是本申请的医疗身份认证的可信活体检测方法的一个实施例的流程图;
图3是根据本申请的医疗身份认证的可信活体检测装置的一个实施例的结构示意图;
图4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播放器( Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3 )、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医疗身份认证的可信活体检测方法由服务器执行,相应地,医疗身份认证的可信活体检测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医疗身份认证的可信活体检测方法,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:获取医疗身份的验证图像。
具体地,在使用医疗服务时,获取需要进行医疗身份认证的图片,作为医疗身份的验证图像。
S202:采用主干网络对医疗身份的图像进行特征提取,得到特征数据。
具体的,在对医疗身份的验证图像进行特征提取与识别之前,本实施例先对模型进行训练,以提高实际应用过程中的识别速度,也即,在采用主干网络对医疗身份的图像进行特征提取,得到特征数据之前,该方法还包括:
将训练样本输入到主干网络、增强网络和分类网络进行识别训练,并根据训练输出结果计算损失值,其中,训练样本包括带有标记的真图和假图;
基于损失值进行反向传播训练,对主干网络和增强网络的参数进行调优,直到损失值小于预设阈值。
可选地,根据训练输出结果计算损失值包括:
采用如下公式计算损失值:
Loss=
loss_center+ loss_cls
其中,
loss_center为根据增强网络得到真图特征与真图的中心特征之间的距离、假图特征和真图的中心特征之间的距离,确定的中心特征损失,
loss_cls为根据分类网络输出的真假概率计算的标准交叉熵损失。
在一具体可选实施方式中,根据真图特征、假图特征和真图的中心特征确定损失值包括:
采用如下公式计算中心特征损失:
loss_center=∑
dis(
real_feature,
real_center)-∑
dis(
fake_feature,
real_
center)其中,dis()为余弦距离,
real_center为中心特征,
real_feature为真图特征
,
fake_feature为假图特征。
S203:采用注意力机制,对特征数据进行注意力计算,得到注意力图。
需要说明的是,步骤S202与步骤S203具体也可以是并行的方式进行执行,此处不作具体限定。
S204:将特征数据、注意力图输入到特征增强网络,基于特征增强网络进行特征增强,得到增强特征。
在一具体可选实施方式中,将特征数据、注意力图输入到特征增强网络,基于特征增强网络进行特征增强,得到增强特征包括:
采用卷积神经网络对特征数据进行卷积处理,得到卷积特征;
将卷积特征与注意力图进行矩阵相乘,得到注意力特征;
将注意力特征与特征数据进行叠加,得到增强特征。
S205:采用分类网络对增强特征进行分类,得到分类结果。
其中,分类网络具体可以是分类器Classification。
S206:基于分类结果确定身份认证结果。
本实施例中,获取医疗身份的验证图像,采用主干网络对医疗身份的图像进行特征提取,得到特征数据,采用注意力机制,对特征数据进行注意力计算,得到注意力图,将特征数据、注意力图输入到特征增强网络,基于特征增强网络进行特征增强,得到增强特征,采用分类网络对增强特征进行分类,得到分类结果,基于分类结果确定身份认证结果。通过实现将注意力图和特征融合的方式,提高身份真伪识别的安全性和对未知数据的兼容性。
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3示出与上述实施例医疗身份认证的可信活体检测方法一一对应的医疗身份认证的可信活体检测装置的原理框图。如图3所示,该医疗身份认证的可信活体检测装置包括图像获取模块31、特征提取模块32、注意力图生成模块33、特征增强模块34和特征分类模块35。各功能模块详细说明如下:
图像获取模块31,用于获取医疗身份的验证图像;
特征提取模块32,用于采用主干网络对医疗身份的图像进行特征提取,得到特征数据;
注意力图生成模块33,用于采用注意力机制,对特征数据进行注意力计算,得到注意力图;
特征增强模块34,用于将特征数据、注意力图输入到特征增强网络,基于特征增强网络进行特征增强,得到增强特征;
特征分类模块35,用于采用分类网络对增强特征进行分类,得到分类结果;
结果确定模块36,用于基于分类结果确定身份认证结果。
可选地,医疗身份认证的可信活体检测装置还包括:
损失值计算模块,用于将训练样本输入到主干网络、增强网络和分类网络进行识别训练,并根据训练输出结果计算损失值,其中,训练样本包括带有标记的真图和假图;
训练模块,用于基于损失值进行反向传播训练,对主干网络和增强网络的参数进行调优,直到损失值小于预设阈值。
可选地,损失值计算模块包括:
计算单元,用于采用如下公式计算损失值:
Loss=
loss_center+ loss_cls
其中,
loss_center为根据增强网络得到真图特征与真图的中心特征之间的距离、假图特征和真图的中心特征之间的距离,确定的中心特征损失
,loss_cls为根据分类网络输出的真假概率计算的标准交叉熵损失
。
可选地,计算单元包括计算子单元,用于采用如下公式计算中心特征损失:
loss_center=∑
dis(
real_feature,
real_center)-∑
dis(
fake_feature,
real_
center)其中,dis()为余弦距离,
real_center为中心特征,
real_feature为真图特征
,
fake_feature为假图特征。
可选地,特征增强模块34包括:
卷积处理单元,用于采用卷积神经网络对特征数据进行卷积处理,得到卷积特征;
矩阵相乘单元,用于将卷积特征与注意力图进行矩阵相乘,得到注意力特征;
特征叠加单元,用于将注意力特征与特征数据进行叠加,得到增强特征。
关于医疗身份认证的可信活体检测装置的具体限定可以参见上文中对于医疗身份认证的可信活体检测方法的限定,在此不再赘述。上述医疗身份认证的可信活体检测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4,图4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,例如运行电子文件的控制的程序代码。
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医疗身份认证的可信活体检测方法的步骤。
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 (6)
1.一种医疗身份认证的可信活体检测方法,其特征在于,包括:
获取医疗身份的验证图像;
采用主干网络对所述医疗身份的图像进行特征提取,得到特征数据;
采用注意力机制,对所述特征数据进行注意力计算,得到注意力图;
将特征数据、所述注意力图输入到特征增强网络,基于所述特征增强网络进行特征增强,得到增强特征;
采用分类网络对所述增强特征进行分类,得到分类结果;
基于所述分类结果确定身份认证结果;
其中,所述将特征数据、所述注意力图输入到特征增强网络,基于所述特征增强网络进行特征增强,得到增强特征包括:
采用卷积神经网络对所述特征数据进行卷积处理,得到卷积特征;
将所述卷积特征与所述注意力图进行矩阵相乘,得到注意力特征;
将所述注意力特征与所述特征数据进行叠加,得到所述增强特征;
其中,所述特征增强网络采用采用如下公式计算损失值:
Loss= loss_center+ loss_cls
其中,loss_center为根据增强网络得到真图特征与真图的中心特征之间的距离、假图特征和真图的中心特征之间的距离,确定的中心特征损失,loss_cls为根据分类网络输出的真假概率计算的标准交叉熵损失;
根据真图特征、假图特征和真图的中心特征确定损失值包括:
采用如下公式计算中心特征损失:
loss_center=∑dis(real_feature,real_center)-∑dis(fake_feature,real_ center)其中,dis()为余弦距离,real_center为中心特征,real_feature为真图特征, fake_feature为假图特征。
2.如权利要求1所述的医疗身份认证的可信活体检测方法,其特征在于,在所述采用主干网络对所述医疗身份的图像进行特征提取,得到特征数据之前,所述方法还包括:
将训练样本输入到所述主干网络、所述增强网络和分类网络进行识别训练,并根据训练输出结果计算损失值,其中,所述训练样本包括带有标记的真图和假图;
基于所述损失值进行反向传播训练,对所述主干网络和所述增强网络的参数进行调优,直到损失值小于预设阈值。
3.一种医疗身份认证的可信活体检测装置,其特征在于,所述医疗身份认证的可信活体检测装置包括:
图像获取模块,用于获取医疗身份的验证图像;
特征提取模块,用于采用主干网络对所述医疗身份的图像进行特征提取,得到特征数据;
注意力图生成模块,用于采用注意力机制,对所述特征数据进行注意力计算,得到注意力图;
特征增强模块,用于将特征数据、所述注意力图输入到特征增强网络,基于所述特征增强网络进行特征增强,得到增强特征;
特征分类模块,用于采用分类网络对所述增强特征进行分类,得到分类结果;
结果确定模块,用于基于所述分类结果确定身份认证结果;
其中,所述特征增强模块包括:
卷积处理单元,用于采用卷积神经网络对所述特征数据进行卷积处理,得到卷积特征;
矩阵相乘单元,用于将所述卷积特征与所述注意力图进行矩阵相乘,得到注意力特征;
特征叠加单元,用于将所述注意力特征与所述特征数据进行叠加,得到所述增强特征;
其中,所述特征增强网络采用采用如下公式计算损失值:
Loss= loss_center+ loss_cls
其中,loss_center为根据增强网络得到真图特征与真图的中心特征之间的距离、假图特征和真图的中心特征之间的距离,确定的中心特征损失,loss_cls为根据分类网络输出的真假概率计算的标准交叉熵损失;
根据真图特征、假图特征和真图的中心特征确定损失值包括:
采用如下公式计算中心特征损失:
loss_center=∑dis(real_feature,real_center)-∑dis(fake_feature,real_ center)其中,dis()为余弦距离,real_center为中心特征,real_feature为真图特征, fake_feature为假图特征。
4.如权利要求3所述的医疗身份认证的可信活体检测装置,其特征在于,所述医疗身份认证的可信活体检测装置还包括:
损失值计算模块,用于将训练样本输入到所述主干网络、所述增强网络和分类网络进行识别训练,并根据训练输出结果计算损失值,其中,所述训练样本包括带有标记的真图和假图;
训练模块,用于基于所述损失值进行反向传播训练,对所述主干网络和所述增强网络的参数进行调优,直到损失值小于预设阈值。
5.一种计算机设备,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或2任一项所述的医疗身份认证的可信活体检测方法。
6.一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2任一项所述的医疗身份认证的可信活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310001147.1A CN115690920B (zh) | 2023-01-03 | 2023-01-03 | 医疗身份认证的可信活体检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310001147.1A CN115690920B (zh) | 2023-01-03 | 2023-01-03 | 医疗身份认证的可信活体检测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115690920A CN115690920A (zh) | 2023-02-03 |
CN115690920B true CN115690920B (zh) | 2023-04-14 |
Family
ID=85057482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310001147.1A Active CN115690920B (zh) | 2023-01-03 | 2023-01-03 | 医疗身份认证的可信活体检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690920B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875521A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测方法、装置、系统和存储介质 |
CN110866454B (zh) * | 2019-10-23 | 2023-08-25 | 智慧眼科技股份有限公司 | 人脸活体检测方法及系统、计算机可读取的存储介质 |
CN111368634B (zh) * | 2020-02-05 | 2023-06-20 | 中国人民解放军国防科技大学 | 基于神经网络的人头检测方法、系统及存储介质 |
CN112801942B (zh) * | 2020-12-31 | 2023-10-13 | 广西慧云信息技术有限公司 | 一种基于注意力机制的柑橘黄龙病图像识别方法 |
CN114913565B (zh) * | 2021-01-28 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 人脸图像检测方法、模型训练方法、装置及存储介质 |
US20220327189A1 (en) * | 2021-04-09 | 2022-10-13 | Qualcomm Incorporated | Personalized biometric anti-spoofing protection using machine learning and enrollment data |
CN114782997B (zh) * | 2022-05-12 | 2024-06-14 | 东南大学 | 基于多损失注意力自适应网络的行人重识别方法及系统 |
CN115424036A (zh) * | 2022-09-21 | 2022-12-02 | 厦门市美亚柏科信息股份有限公司 | 基于像素级注意力机制的深度伪造图像检测方法和系统 |
-
2023
- 2023-01-03 CN CN202310001147.1A patent/CN115690920B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115690920A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019205369A1 (zh) | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 | |
US10817707B2 (en) | Attack sample generating method and apparatus, device and storage medium | |
CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
CN108596616B (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
Blanco‐Gonzalo et al. | Performance evaluation of handwritten signature recognition in mobile environments | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN101739564A (zh) | 指纹识别系统及方法 | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
US20220391913A1 (en) | Techniques to improve fraud detection at financial terminals | |
CN112418167A (zh) | 图像的聚类方法、装置、设备和存储介质 | |
CN111191207A (zh) | 电子文件的控制方法、装置、计算机设备及存储介质 | |
CN108650266B (zh) | 服务器、声纹验证的方法及存储介质 | |
CN104346550A (zh) | 一种信息处理方法以及一种电子设备 | |
CN112733645A (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
CN115862075A (zh) | 指纹识别模型训练方法、指纹识别方法、装置及相关设备 | |
CN112699811B (zh) | 活体检测方法、装置、设备、储存介质及程序产品 | |
CN113518075B (zh) | 网络诈骗预警方法、装置、电子设备、及存储介质 | |
CN113988223A (zh) | 证件图像识别方法、装置、计算机设备及存储介质 | |
CN111709851B (zh) | 基于rfid及面部识别的酒店安全入住的方法、装置及设备 | |
CN116151965B (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN115690920B (zh) | 医疗身份认证的可信活体检测方法及相关设备 | |
CN115700845A (zh) | 人脸识别模型训练方法、人脸识别方法、装置及相关设备 | |
CN115344839A (zh) | 一种基于用户击键动力学的身份认证方法及装置 | |
CN111353139A (zh) | 一种持续认证的方法、装置、电子设备及存储介质 | |
WO2023078115A1 (zh) | 信息校验方法、服务器及存储介质 |
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 | ||
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: 410011 Building 14, Phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, High-tech Development Zone, Changsha City, Hunan Province Patentee before: Wisdom Eye Technology Co.,Ltd. Country or region before: China |