CN116052287A - 一种活体检测的方法、装置、存储介质及电子设备 - Google Patents

一种活体检测的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116052287A
CN116052287A CN202310020312.8A CN202310020312A CN116052287A CN 116052287 A CN116052287 A CN 116052287A CN 202310020312 A CN202310020312 A CN 202310020312A CN 116052287 A CN116052287 A CN 116052287A
Authority
CN
China
Prior art keywords
image
background
complement
sample
model
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
Application number
CN202310020312.8A
Other languages
English (en)
Inventor
曹佳炯
丁菁汀
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202310020312.8A priority Critical patent/CN116052287A/zh
Publication of CN116052287A publication Critical patent/CN116052287A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V40/40—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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种活体检测的方法、装置、存储介质以及电子设备，获取用户的人脸图像，从人脸图像中识别出人脸区域和背景区域，并将人脸图像中人脸区域的数据去除，得到待补全图像，将待补全图像输入到预先训练的背景补全模型中，以通过背景补全模型，对待补全图像进行背景补全，得到补全图像，将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，根据匹配结果，对用户进行活体检测。

Description

一种活体检测的方法、装置、存储介质及电子设备
技术领域
本说明书涉及计算机技术领域，尤其涉及一种活体检测的方法、装置、存储介质及电子设备。
背景技术
随着互联网的快速发展，人们对自身的隐私数据越来越重视。现实生活中人们会面临一些需要进行身份验证的场景，比如在进行支付，或者进行个人账号登录和找回密码时，为了保证用户数据的安全性，应用程序多是通过活体检测的方式，即，对用户进行人脸识别，进而执行业务。
目前，攻击方可以通过对用户人脸图像中的背景信息进行修改，使得系统可能会因为修改后的背景信息而造成误识别的情况出现(即将人脸图像中的“假脸”误识别为“真脸”)。然后，目前并没有一种行之有效的方法来应对上述情况，导致系统不能十分准确地甄别出非用户本人进行的操作，即，不能有效地防范“假脸”攻击。
发明内容
本说明书提供一种活体检测的方法、装置、存储介质及电子设备，以解决现有技术存在的在无法准确地对用户进行活体检测的问题。
本说明书采用下述技术方案：
本说明书提供了一种活体检测的方法，所述方法用于用户在执行业务时的身份验证，包括：
获取用户的人脸图像；
从所述人脸图像中识别出人脸区域和背景区域，并将所述人脸图像中人脸区域的数据去除，得到待补全图像；
将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像；
将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，其中，所述参考背景图像对应的标注信息用于表示所述参考背景图像的背景是否被修改；
根据所述匹配结果，对所述用户进行活体检测。
可选地，训练所述背景补全模型，具体包括：
获取第一样本图像，所述第一样本图像中缺失部分背景图像；
将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像；
以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练。
可选地，将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，具体包括：
将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，并确定所述样本补全图像中补全区域对应的置信度；
以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练，具体包括：
以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差，以及最大化所述置信度为优化目标，对所述背景补全模型进行训练。
可选地，将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像，具体包括：
将所述待补全图像输入到所述背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到过渡补全图像；
确定所述过渡补全图像中的补全区域，并判断所述补全区域中是否存在置信度低于预设阈值的像素；
若是，将置信度低于所述预设阈值的像素，作为待去除像素，从所述过渡补全图像中去除所述待去除图像，以重新得到待补全图像，并将重新得到的待补全图像输入到所述背景补全模型中，直至得到补全区域中所述待去除像素的数量低于设定数量的补全图像。
可选地，将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，具体包括：
将所述补全图像输入到预先训练的目标模型中，以通过所述目标模型提取出所述补全图像的图像特征；
将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果。
可选地，将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果，具体包括：
若确定所述用户执行的业务为指定业务，则将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果；
所述方法还包括：
若确定所述用户执行的业务不为所述指定业务，则根据所述目标模型输出的活体检测结果，对所述用户进行活体检测，所述活体检测结果是所述目标模型根据所述补全图像所确定出的。
可选地，训练所述目标模型，具体包括：
获取各样本背景图像；
将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征；
以最小化同一背景的样本背景图像之间的图像特征差异，以及最大化不同背景的样本背景图像之间的图像特征差异为优化目标，对所述目标模型进行训练。
可选地，训练所述目标模型，具体包括：
获取各样本背景图像；
将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征，以及每个样本背景图像对应的活体检测结果；
以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练。
可选地，在以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练之前，所述方法还包括：
针对每个样本背景图像，获取所述目标模型基于该样本背景图像预测出的目标物所处的位置，所述目标物包括用于采集所述样本背景图像的采集设备和/或所述采集设备在采集所述样本背景图像时预先进行标注的物体；
以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练，具体包括：
以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差，以及最小化预测出的目标物所处的位置与所述目标物的实际位置之间的偏差为优化目标，对所述目标模型进行训练。
本说明书提供了一种活体检测的装置，所述装置包括：
获取模块，用于获取用户的人脸图像；
识别模块，用于从所述人脸图像中识别出人脸区域和背景区域，并将所述人脸图像中人脸区域的数据去除，得到待补全图像；
输入模块，用于将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像；
匹配模块，用于将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，其中，所述参考背景图像对应的标注信息用于表示所述参考背景图像的背景是否被修改；
检测模块，用于根据所述匹配结果，对所述用户进行活体检测。
可选地，所述装置还包括：
第一训练模块，用于训练所述背景补全模型，其中：
所述第一训练模块具体用于，获取第一样本图像，所述第一样本图像中缺失部分背景图像；将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像；以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练。
可选地，所述第一训练模块具体用于，将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，并确定所述样本补全图像中补全区域对应的置信度；
所述第一训练模块具体用于，以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差，以及最大化所述置信度为优化目标，对所述背景补全模型进行训练。
可选地，所述输入模块具体用于，将所述待补全图像输入到所述背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到过渡补全图像；确定所述过渡补全图像中的补全区域，并判断所述补全区域中是否存在置信度低于预设阈值的像素；若是，将置信度低于所述预设阈值的像素，作为待去除像素，从所述过渡补全图像中去除所述待去除图像，以重新得到待补全图像，并将重新得到的待补全图像输入到所述背景补全模型中，直至得到补全区域中所述待去除像素的数量低于设定数量的补全图像。
可选地，所述匹配模块具体用于，将所述补全图像输入到预先训练的目标模型中，以通过所述目标模型提取出所述补全图像的图像特征；将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果。
可选地，所述匹配模块具体用于，若确定所述用户执行的业务为指定业务，则将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果；
所述匹配模块还用于，若确定所述用户执行的业务不为所述指定业务，则根据所述目标模型输出的活体检测结果，对所述用户进行活体检测，所述活体检测结果是所述目标模型根据所述补全图像所确定出的。
可选地，所述装置还包括：
第二训练模块，用于训练所述目标模型，其中：
所述第二训练模块具体用于，获取各样本背景图像；将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征；以最小化同一背景的样本背景图像之间的图像特征差异，以及最大化不同背景的样本背景图像之间的图像特征差异为优化目标，对所述目标模型进行训练。
可选地，所述装置还包括：
第三训练模块，用于训练所述目标模型，其中：
所述第三训练模块具体用于，获取各样本背景图像；将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征，以及每个样本背景图像对应的活体检测结果；以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练。
可选地，所述第三训练模块还用于，针对每个样本背景图像，获取所述目标模型基于该样本背景图像预测出的目标物所处的位置，所述目标物包括用于采集所述样本背景图像的采集设备和/或所述采集设备在采集所述样本背景图像时预先进行标注的物体；
所述第三训练模块具体用于，以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差，以及最小化预测出的目标物所处的位置与所述目标物的实际位置之间的偏差为优化目标，对所述目标模型进行训练。
本说明书提供了一种计算机可读存储介质，所述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检测的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述活体检测的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的活体检测方法，从用户的人脸图像中识别出人脸区域和背景区域，并根据背景区域，生成待补全图像，将待补全图像输入到预先训练的背景补全模型中，以通过背景补全模型，对所述待补全图像进行背景补全，得到补全图像；将补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，根据匹配结果，对用户进行活体检测。
从上述方法中可以看出，人脸图像中的背景部分中含有的信息会影响到活体检测的结果，现有的方法关注于人脸图像中的人脸部分，在对用户进行活体检测时重点在于检测人脸部分是否为用户进行活体检测时的真实人脸，而常常忽略了，背景部分信息的修改，也可能使得活体检测结果因为修改后的背景信息将人脸图像中的“假脸”误识别为“真脸”。本申请关注于人脸图像中的背景部分，通过背景补全模型对用户剔除人脸部分的图像进行背景补全，得到补全图像后，再通过目标模型输出活体检测的结果，这样在对用户进行活体检测时可以更加准确地检测出该补全图像是否为用户进行活体检测时的真实背景，进而准确地对用户进行活体检测，进一步地提高了对用户进行活体检测的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书中提供的一种活体检测的方法的流程示意图；
图2为本说明书中提供的另一种活体检测的方法的流程示意图；
图3为本说明书提供的一种活体检测的方法的装置的示意图；
图4为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种活体检测的方法的流程示意图，包括以下步骤：
S100：获取用户的人脸图像。
在现实生活中，用户经常会面临一些需要进行身份验证的场景。例如，用户在完成购物时需要进行支付操作时，或者在登录个人账号或者找回账号密码时，都需要进行活体检测以通过身份验证，进而执行业务。基于此，本申请提供了一种活体检测的方法，在对用户进行活体检测时，能准确识别出需要执行的业务是否是用户本人发起的操作，可以有效地防范“假脸”攻击。
例如，在用户登录个人账号时，此时客户端可以基于用户的用户账号对用户进行活体检测，具体地，在进行活体检测的过程中，客户端可以弹出一个身份验证界面，该界面向用户展示录入人脸信息的文字或者图像提示，用于引导用户根据提示录入人脸信息，服务器以通过终端设备来获取到用户的人脸图像，其中，人脸图像中除了包含有用户人脸和人体部分区域外，还可能会包含有背景图像。而这里提到的终端设备可以包括诸如手机、平板电脑等移动设备。
本申请的执行主体可以是服务器，也可以是诸如平板电脑，笔记本电脑，台式电脑等电子设备。为了便于说明，下面仅以服务器为执行主体，对本申请提供的活体检测的方法进行说明。
S102：从所述人脸图像中识别出人脸区域和背景区域，并将所述人脸图像中人脸区域的数据去除，得到待补全图像。
在实际应用中，对用户进行活体检测时，服务器不仅会对人脸图像中的人脸区域进行检测，而且还会检测背景区域。具体地，若获得到的图像是经过恶意篡改后的人脸图像，服务器会对人脸图像中的人脸区域进行检测，若检测不通过，那么人脸区域的信息可能是借助假人模特和硅胶面具所呈现的信息，而非用户真实的人脸信息；同时，由于背景区域的检测结果也会影响到用户活体检测的结果，服务器还会对人脸图像中的背景区域进行检测。基于此，本申请提供的活体检测方法，可以基于人脸图像中背景区域所呈现的信息，来确定背景区域是否为真实背景或者为经过篡改的背景，以实现对用户的活体检测。
在服务器获取到用户的人脸图像后，可以先从人脸图像中识别出人脸区域和背景区域，再将人脸图像中的人脸区域的数据去除，生成待补全图像。其中，待补全图像缺失了人脸区域，只含有人脸图像中的背景区域，后续可以通过背景补全模型将待补全图像补全，来对用户进行活体检测。
S104：将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像。
在将待补全图像输入到的背景补全模型之前，服务器可以先对该背景补全模型进行训练。具体地，服务器可以先获取缺失了部分背景图像的第一样本图像，将第一样本图像输入到背景补全模型中，以通过背景补全模型，对第一样本图像进行背景补全，得到样本补全图像。其中，第一样本图像可以是服务器将历史人脸图像中的人脸区域的图像数据去除后的图像，历史人脸图像可以是各用户在历史上进行活体检测时服务器所采集到的图像。当然，第一样本图像也可以是将只含有背景数据的图像(如整幅图中只包含有一堵墙)去除部分背景后所得到的图像，本说明书不对第一样本图像进行限制。
在得到样本补全图像后，服务器可以最小化样本补全图像与第一样本图像对应的实际补全图像之间的偏差为优化目标，对背景补全模型进行训练，其中，这里提到的实际补全图像是指未去除部分图像区域的完整图像，例如，如果将去除部分背景后所得到的图像视为第一样本图像，那么实际补全图像则是指未去除部分背景的原始图像。而从这里可以看出，实际上就是希望背景补全模型所输出的样本补全图像能够更加接近未去除部分背景的原始图像。
当然，为了进一步地提高上述背景补全模型的训练效果，在本说明中，在得到样本补全图像后，服务器可以确定样本补全图像中补全的区域所对应的置信度，通过补全区域所对应的置信度，来衡量待补全图像补全的效果。在本说明书中，确定补全区域所对应的置信度的方法有很多，可以通过确定第一样本图像和样本补全图像中对应像素相减后绝对值之和的倒数，来确定补全区域所对应的置信度，也可以通过其他方式来确定，本说明书不对确定补全区域所对应的置信度的方法进行限制。
值得说明的是，置信度越高，背景补全模型对待补全图像补全的效果越好，置信度越低，则背景补全模型对待补全图像补全的效果越差，所以，服务器可以进行下一阶段的背景补全。
具体地，服务器可以先将待补全图像输入到背景补全模型中，以通过背景补全模型对待补全图像进行背景补全，得到补全完成后的过渡补全图像。同时，服务器可以确定该过渡补全图像中的补全区域，并判断补全区域中是否存在置信度低于预设阈值的像素。若是，服务器可以将置信度低于预设阈值的像素，作为待去除像素，并将过渡补全图像中的待去除像素去除，以重新得到待补全图像，此时，重新得到的待补全图像中仍然有缺失部分，因此，服务器可以将重新得到的待补全图像输入到背景补全模型中，继续进行补全，直至得到补全区域中上述待去除像素的数量低于设定数量的补全图像，其中，这里提到的设定数量可以根据实际需求而定。
S106：将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，其中，所述参考背景图像对应的标注信息用于表示所述参考背景图像的背景是否被修改。
在本说明书中，采用的匹配方式可以有多种，例如，服务器可以将补全图像与标注出的各参考背景图像进行聚类，得到聚类结果。由于得到的聚类结果中将得到聚类出的多个簇，而每个簇将包含多个图像，所以，通过这种聚类方式得到各簇后，即可以确定出补全图像落入到了哪个簇中，也即补全图像与哪些参考背景图像在背景上是较为匹配的。
除此之外，服务器也可以分别计算补全图像与标注出的每个参考背景图像之间的图像相似度，进而根据确定出的图像相似度，来确定补全图像是与哪一个或是哪些参考背景图像是相匹配的。
而为了进一步地提高匹配效果，在本说明书中可以引入一个目标模型，来实现上述匹配过程。具体的，服务器将待补全图像输入到训练好的背景补全模型中得到补全图像后，可以将得到的补全图像输入到预先训练好的目标模型中，以通过目标模型提取出补全图像的图像特征，再将补全图像的图像特征与标注出的各参考背景图像的图像特征进行匹配，得到匹配结果。后续便于服务器根据得到的匹配结果，对用户进行活体检测。其中，各参考背景图像的图像特征也可以是由目标模型来确定的。即，将各参考背景图像输入到目标模型中，目标模型将会输出各参考背景图像的图像特征。
值得说明的是，服务器可以先根据待验证方基于各用户在历史上基于用户账号发起的身份验证请求来收集到各用户的历史人脸图像，再将历史人脸图像中的人脸区域的数据去除，得到历史待补全图像，在历史待补全图像输入到背景补全模型中进行背景补全后，得到各参考背景图像。其中，待验证方是基于用户的用户账号发起身份验证请求的对象，如用户本人。
服务器在将得到的补全图像输入到目标模型之前，可以先对目标模型进行训练。具体地，服务器可以获取各样本背景图像，将各样本背景图像输入到目标模型中，以得到每个样本背景图像对应的图像特征，即，各样本背景图像对应的特征向量。而后，可以最小化同一背景的样本背景图像之间的图像特征差异，以及最大化不同背景的样本背景图像之间的图像特征差异为优化目标，对目标模型进行训练。即，对于同一背景的样本背景图像，希望目标模型从中提取出的图像特征能够尽可能的接近，而对于不同背景的样本背景图像，希望目标模型能够尽可能的加以区分。
当然，为了进一步提高目标模型的训练效果，以及在实际应用中，目标模型能够在活体检测中发挥更多的作用，服务器将样本背景图像输入到目标模型中后，除了需要目标模型输出每个样本背景图像对应的图像特征，还需要输出每个样本背景图像对应的活体检测结果。即，目标模型除了具备提取图像特征的能力外，还可以基于输入的背景图像，在一定程度上判断出该背景图像是否存在修改痕迹，进而得出背景图像对应的活体检测结果。
因此，服务器可以以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对目标模型进行训练。其中，这里提到的实际检测结果即为预先已经确定出的基于样本背景图像进行活体检测时是否通过检测的结果。
为了进一步提到目标模型的训练效果，在本说明书中，可以预先对背景图像中涉及的一些目标物所在的位置进行标注，其中，目标物包括用于采集样本背景图像的采集设备和/或采集设备在采集样本背景图像时预先进行标注的物体，如手机、假人模特等等。以目标物为采集样本背景图像的手机为例，针对每个样本背景图像，服务器可以获取目标模型基于该样本背景图像预测出的手机可能所处的位置，再根据采集样本背景图像时，手机实际上所在的位置，来确定目标物位置的偏差。
再以目标物为样本图像中的假人模特为例，服务器将样本图像中剔除假人模特信息，并进行背景补全后的样本背景图像输入目标模型，服务器可以获取目标模型基于该样本背景图像预测出假人模特可能所处的位置，由于提前对假人模特真正所在的位置进行了标注，服务器可以根据假人模特实际上所在的位置，来确定目标物位置的偏差。
由于相似的样本背景图像对应的图像特征的偏差不大，服务器可以以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，并以最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，以及最小化预测出的目标物所处的位置与目标物的实际位置之间的偏差为优化目标，对目标模型进行训练。
另外，在本说明书中，目标模型和背景补全模型也可以进行联合训练的方式进行训练，即，服务器可以先将第一样本图像输入到背景补全模型中，得到样本补全图像，然后，将样本补全图像输入到目标模型中，得到目标模型的输出结果(包括样本补全图像对应的图像特征、样本补全图像对应的活体检测结果、预测出的样本补全图像涉及的目标物所处的位置中的至少一种)。服务器以最小化该输出结果与第一样本图像对应的标注信息之间的偏差为优化目标，对目标模型和背景补全模型进行联合训练。这样一来，将训练后的背景补全模型应用在活体检测过程中，可以得到更为准确的补全图像，从而进一步提高活体检测的准确率。
S108：根据所述匹配结果，对所述用户进行活体检测。
由于已经预先确定出了各参考背景图像中的背景是否被修改过，所以，在得到上述匹配结果后，即可对用户进行活体检测。其中，若是根据匹配结果，确定出补全图像是与背景修改过的参考背景图像相匹配的，则确定用户当前的业务行为存在风险，即，活体检测不通过。而若是根据匹配结果，确定出补全图像是与背景未修改过的参考背景图像相匹配的，则确定用户当前的业务行为不存在风险，即，活体检测通过。
其中，由于可以采用聚类的方式来确定匹配结果，那么，在通过聚类得到各簇后，可以进一步地确定出补全图像所落入的簇中所包含的参考背景图像是否在背景上存在修改，若是补全图像所落入的簇中大部分都是背景存在修改的参考背景图像，那么可以确定出用户当前的业务行为存在风险，即，活体检测不通过。而若是补全图像所落入的簇中大部分都是背景不存在修改的参考背景图像，那么可以确定出用户当前的业务行为不存在风险，即，活体检测通过。
当然，在实际应用中，也可以结合其他的结果，来对用户进行活体检测。例如，在得到上述匹配结果后，还可以得到通过活体检测算法所确定出的人脸图像的深度信息，并得到基于深度信息的活体检测结果，而后，可以结合该匹配结果以及基于深度信息的活体检测结果，得到最终的活体检测结果。
需要说明的是，在实际应用中，可以根据不同的业务来执行不同的活体检测方式，具体的。例如，当用户执行诸如网上银行贷款等需要较长时间才能返回结果的指定业务时，服务器可以基于目标模型，通过将补全图像的图像特征与标注出的各参考背景图像的图像特征进行匹配的方式，得到匹配结果，后续可以根据得到的匹配结果对用户进行活体检测。
而若确定用户执行诸如支付、找回密码等需要立即返回结果的非指定业务时，那么，服务器可以直接根据目标模型输出的活体检测结果，对用户进行活体检测。
为了便于理解，图2为本说明书中另一种活体检测的方法的流程示意图。
图2为本说明书中另一种活体检测方法的流程示意图，具体包括以下内容：
在实际生活中，若确定用户执行的业务为非指定业务，如用户面临审核时间较短的小额支付，服务器先获取用户的人脸图像，并将剔除人脸部分的待补全图像输入到预先训练的背景补全模型中，以通过背景补全模型，对待补全图像进行背景补全，得到补全图像，再将补全图像输入训练好的目标模型，基于目标模型，根据补全图像直接确定出补全图像对应的活体检测结果。
若确定用户执行的业务为指定业务，如用户面临需要审核周期长的大额贷款等情况，服务器可以先获取过去一段时间内在不同设备上登录的用户的同一账号的人脸图像，并将剔除了人脸部分的待补全图像输入到预先训练的背景补全模型中，得到补全图像，再将补全图像输入训练好的目标模型中，得到补全图像对应的特征向量，将补全图像的图像特征与历史补全图像的图像特征进行匹配，得到匹配结果，服务器根据得到的匹配结果对用户进行活体检测。
从上述方法中可以看出，人脸图像中的背景部分中含有的信息会影响到活体检测的结果，现有的方法关注于人脸图像中的人脸部分，在对用户进行活体检测时重点在于检测人脸部分是否为用户进行活体检测时的真实人脸，而常常忽略背景部分。本申请关注于人脸图像中的背景部分，通过背景补全模型对用户剔除人脸部分的图像进行背景补全，得到补全图像后，再通过目标模型输出活体检测的结果，这样在对用户进行活体检测时可以更加准确地检测出该补全图像是否为用户进行活体检测时的真实背景，背景信息是否经过修改，进而准确地对用户进行活体检测，进一步地提高了对用户进行活体检测的准确性。
以上为本说明书的一个或多个实施例提供的活体检测方法，基于同样的思路，本说明书还提供了相应的活体检测的装置，如图3所示。
图3为本说明书提供的一种活体检测装置的示意图，所述装置包括：
获取模块300，用于获取用户的人脸图像；
识别模块302，用于从所述人脸图像中识别出人脸区域和背景区域，并将所述人脸图像中人脸区域的数据去除，得到待补全图像
输入模块304，用于将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像；
匹配模块306，用于将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，其中，所述参考背景图像对应的标注信息用于表示所述参考背景图像的背景是否被修改；
检测模块308，用于根据所述匹配结果，对所述用户进行活体检测。
可选地，所述装置还包括：
第一训练模块310，用于训练所述背景补全模型，其中：
所述第一训练模块310具体用于，获取第一样本图像，所述第一样本图像中缺失部分背景图像；将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像；以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练。
可选地，所述第一训练模块310具体用于，将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，并确定所述样本补全图像中补全区域对应的置信度；
所述第一训练模块310具体用于，以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差，以及最大化所述置信度为优化目标，对所述背景补全模型进行训练。
可选地，所述输入模块304具体用于，将所述待补全图像输入到所述背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到过渡补全图像；确定所述过渡补全图像中的补全区域，并判断所述补全区域中是否存在置信度低于预设阈值的像素；若是，将置信度低于所述预设阈值的像素，作为待去除像素，从所述过渡补全图像中去除所述待去除图像，以重新得到待补全图像，并将重新得到的待补全图像输入到所述背景补全模型中，直至得到补全区域中所述待去除像素的数量低于设定数量的补全图像。
可选地，所述匹配模块306具体用于，将所述补全图像输入到预先训练的目标模型中，以通过所述目标模型提取出所述补全图像的图像特征；将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果。
可选地，所述匹配模块306具体用于，若确定所述用户执行的业务为指定业务，则将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果；
所述匹配模块306还用于，若确定所述用户执行的业务不为所述指定业务，则根据所述目标模型输出的活体检测结果，对所述用户进行活体检测，所述活体检测结果是所述目标模型根据所述补全图像所确定出的。
可选地，所述装置还包括：
第二训练模块312，用于训练所述目标模型，其中：
所述第二训练模块312具体用于，获取各样本背景图像；将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征；以最小化同一背景的样本背景图像之间的图像特征差异，以及最大化不同背景的样本背景图像之间的图像特征差异为优化目标，对所述目标模型进行训练。
可选地，所述装置还包括：
第三训练模块314，用于训练所述目标模型，其中：
所述第三训练模块314具体用于，获取各样本背景图像；将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征，以及每个样本背景图像对应的活体检测结果；以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练。
可选地，所述第三训练模块314还用于，针对每个样本背景图像，获取所述目标模型基于该样本背景图像预测出的目标物所处的位置，所述目标物包括用于采集所述样本背景图像的采集设备和/或所述采集设备在采集所述样本背景图像时预先进行标注的物体；
所述第三训练模块314具体用于，以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差，以及最小化预测出的目标物所处的位置与所述目标物的实际位置之间的偏差为优化目标，对所述目标模型进行训练。
其中，上述提到的第二训练模块和第三训练模块在实际应用中可以是同一模块，当然，也可以是不同的模块。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种活体检测的方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1的活体检测的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (20)

1.一种活体检测的方法，所述方法用于用户在执行业务时的身份验证，包括：
获取用户的人脸图像；
从所述人脸图像中识别出人脸区域和背景区域，并将所述人脸图像中人脸区域的数据去除，得到待补全图像；
将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像；
将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，其中，所述参考背景图像对应的标注信息用于表示所述参考背景图像的背景是否被修改；
根据所述匹配结果，对所述用户进行活体检测。
2.如权利要求1所述的方法，训练所述背景补全模型，具体包括：
获取第一样本图像，所述第一样本图像中缺失部分背景图像；
将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像；
以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练。
3.如权利要求2所述的方法，将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，具体包括：
将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，并确定所述样本补全图像中补全区域对应的置信度；
以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练，具体包括：
以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差，以及最大化所述置信度为优化目标，对所述背景补全模型进行训练。
4.如权利要求1或3所述的方法，将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像，具体包括：
将所述待补全图像输入到所述背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到过渡补全图像；
确定所述过渡补全图像中的补全区域，并判断所述补全区域中是否存在置信度低于预设阈值的像素；
若是，将置信度低于所述预设阈值的像素，作为待去除像素，从所述过渡补全图像中去除所述待去除图像，以重新得到待补全图像，并将重新得到的待补全图像输入到所述背景补全模型中，直至得到补全区域中所述待去除像素的数量低于设定数量的补全图像。
5.如权利要求1所述的方法，将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，具体包括：
将所述补全图像输入到预先训练的目标模型中，以通过所述目标模型提取出所述补全图像的图像特征；
将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果。
6.如权利要求5所述的方法，将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果，具体包括：
若确定所述用户执行的业务为指定业务，则将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果；
所述方法还包括：
若确定所述用户执行的业务不为所述指定业务，则根据所述目标模型输出的活体检测结果，对所述用户进行活体检测，所述活体检测结果是所述目标模型根据所述补全图像所确定出的。
7.如权利要求5所述的方法，训练所述目标模型，具体包括：
获取各样本背景图像；
将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征；
以最小化同一背景的样本背景图像之间的图像特征差异，以及最大化不同背景的样本背景图像之间的图像特征差异为优化目标，对所述目标模型进行训练。
8.如权利要求5或7所述的方法，训练所述目标模型，具体包括：
获取各样本背景图像；
将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征，以及每个样本背景图像对应的活体检测结果；
以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练。
9.如权利要求8所述的方法，在以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练之前，所述方法还包括：
针对每个样本背景图像，获取所述目标模型基于该样本背景图像预测出的目标物所处的位置，所述目标物包括用于采集所述样本背景图像的采集设备和/或所述采集设备在采集所述样本背景图像时预先进行标注的物体；
以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练，具体包括：
以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差，以及最小化预测出的目标物所处的位置与所述目标物的实际位置之间的偏差为优化目标，对所述目标模型进行训练。
10.一种活体检测的装置，所述装置包括：
获取模块，用于获取用户的人脸图像；
识别模块，用于从所述人脸图像中识别出人脸区域和背景区域，并将所述人脸图像中人脸区域的数据去除，得到待补全图像；
输入模块，用于将所述待补全图像输入到预先训练的背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到补全图像；
匹配模块，用于将所述补全图像与标注出的各参考背景图像进行匹配，得到匹配结果，其中，所述参考背景图像对应的标注信息用于表示所述参考背景图像的背景是否被修改；
检测模块，用于根据所述匹配结果，对所述用户进行活体检测。
11.如权利要求10所述的装置，所述装置还包括：
第一训练模块，用于训练所述背景补全模型，其中：
所述第一训练模块具体用于，获取第一样本图像，所述第一样本图像中缺失部分背景图像；将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像；以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差为优化目标，对所述背景补全模型进行训练。
12.如权利要求11所述的装置，所述第一训练模块具体用于，将所述第一样本图像输入到背景补全模型中，以通过所述背景补全模型，对所述第一样本图像进行背景补全，得到样本补全图像，并确定所述样本补全图像中补全区域对应的置信度；
所述第一训练模块具体用于，以最小化所述样本补全图像与所述第一样本图像对应的实际补全图像之间的偏差，以及最大化所述置信度为优化目标，对所述背景补全模型进行训练。
13.如权利要求10或12所述的装置，所述输入模块具体用于，将所述待补全图像输入到所述背景补全模型中，以通过所述背景补全模型，对所述待补全图像进行背景补全，得到过渡补全图像；确定所述过渡补全图像中的补全区域，并判断所述补全区域中是否存在置信度低于预设阈值的像素；若是，将置信度低于所述预设阈值的像素，作为待去除像素，从所述过渡补全图像中去除所述待去除图像，以重新得到待补全图像，并将重新得到的待补全图像输入到所述背景补全模型中，直至得到补全区域中所述待去除像素的数量低于设定数量的补全图像。
14.如权利要求10所述的装置，所述匹配模块具体用于，将所述补全图像输入到预先训练的目标模型中，以通过所述目标模型提取出所述补全图像的图像特征；将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果。
15.如权利要求14所述的装置，所述匹配模块具体用于，若确定所述用户执行的业务为指定业务，则将所述补全图像的图像特征与所述标注出的各参考背景图像的图像特征进行匹配，得到匹配结果；
所述匹配模块还用于，若确定所述用户执行的业务不为所述指定业务，则根据所述目标模型输出的活体检测结果，对所述用户进行活体检测，所述活体检测结果是所述目标模型根据所述补全图像所确定出的。
16.如权利要求14所述的装置，所述装置还包括：
第二训练模块，用于训练所述目标模型，其中：
所述第二训练模块具体用于，获取各样本背景图像；将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征；以最小化同一背景的样本背景图像之间的图像特征差异，以及最大化不同背景的样本背景图像之间的图像特征差异为优化目标，对所述目标模型进行训练。
17.如权利要求14或16所述的装置，所述装置还包括：
第三训练模块，用于训练所述目标模型，其中：
所述第三训练模块具体用于，获取各样本背景图像；将所述各样本背景图像输入到所述目标模型中，以得到每个样本背景图像对应的图像特征，以及每个样本背景图像对应的活体检测结果；以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差为优化目标，对所述目标模型进行训练。
18.如权利要求17所述的装置，所述第三训练模块还用于，针对每个样本背景图像，获取所述目标模型基于该样本背景图像预测出的目标物所处的位置，所述目标物包括用于采集所述样本背景图像的采集设备和/或所述采集设备在采集所述样本背景图像时预先进行标注的物体；
所述第三训练模块具体用于，以最小化同一背景的样本背景图像之间的图像特征差异，最大化不同背景的样本背景图像之间的图像特征差异，以及最小化每个样本背景图像对应的活体检测结果与每个样本背景图像各自对应的实际检测结果之间的偏差，以及最小化预测出的目标物所处的位置与所述目标物的实际位置之间的偏差为优化目标，对所述目标模型进行训练。
19.一种计算机可读存储介质，所述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权利要求1～9任一项所述的方法。
20.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～9任一项所述的方法。
CN202310020312.8A 2023-01-05 2023-01-05 一种活体检测的方法、装置、存储介质及电子设备 Pending CN116052287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310020312.8A CN116052287A (zh) 2023-01-05 2023-01-05 一种活体检测的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310020312.8A CN116052287A (zh) 2023-01-05 2023-01-05 一种活体检测的方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN116052287A true CN116052287A (zh) 2023-05-02

Family

ID=86126965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310020312.8A Pending CN116052287A (zh) 2023-01-05 2023-01-05 一种活体检测的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116052287A (zh)

Similar Documents

Publication Publication Date Title
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
WO2020019591A1 (zh) 用于生成信息的方法和装置
CN111324874B (zh) 一种证件真伪识别方法及装置
CN111160251B (zh) 一种活体识别方法及装置
CN113505682A (zh) 活体检测方法及装置
CN115600157A (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN113674318A (zh) 一种目标跟踪方法、装置及设备
CN116630480B (zh) 一种交互式文本驱动图像编辑的方法、装置和电子设备
CN111242105A (zh) 一种用户识别方法、装置及设备
CN116664514A (zh) 数据处理方法、装置及设备
CN116503357A (zh) 图像处理方法及装置
CN116052287A (zh) 一种活体检测的方法、装置、存储介质及电子设备
CN110633647A (zh) 活体检测方法及装置
CN114926437A (zh) 一种图像质量评价方法及装置
CN115578796A (zh) 一种活体检测模型的训练方法、装置、设备及介质
CN110705439B (zh) 一种信息的处理方法、装置及设备
CN112070022A (zh) 人脸图像识别方法、装置、电子设备和计算机可读介质
CN111931148A (zh) 图像处理方法、装置和电子设备
CN115905913B (zh) 数字藏品的检测方法及装置
CN115860749B (zh) 一种数据处理方法、装置及设备
CN114973426B (zh) 活体检测方法、装置及设备
CN117496296A (zh) 一种彩打检测模型训练方法、装置、存储介质及电子设备
CN109165488B (zh) 身份鉴别方法及装置
CN117576790A (zh) 一种生物攻击检测方法、装置及设备
CN117851794A (zh) 风险识别模型的训练方法及系统

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