CN116110132A - 活体检测方法和系统 - Google Patents
活体检测方法和系统 Download PDFInfo
- Publication number
- CN116110132A CN116110132A CN202211686213.5A CN202211686213A CN116110132A CN 116110132 A CN116110132 A CN 116110132A CN 202211686213 A CN202211686213 A CN 202211686213A CN 116110132 A CN116110132 A CN 116110132A
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- living body
- compression
- local
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V40/12—Fingerprints or palmprints
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书提供的活体检测方法和系统,在获取目标用户的目标生物图像,并对目标生物图像进行特征提取,得到目标用户的原始特征后,对原始特征进行特征压缩,得到目标用户的目标压缩特征,该目标压缩特征与原始特征之间局部对应,以及基于目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到目标用户的活体检测结果,并输出活体检测结果;该方案可以提升活体检测的准确率。
Description
技术领域
本说明书涉及图像识别领域,尤其涉及一种活体检测方法和系统。
背景技术
现有的活体检测方法往往通过直接训练活体检测模型进行检测或者构建攻击样本库进行攻击检索。
在对现有技术的研究和实践过程中,本申请的发明人发现训练活体检测模型往往需要标注大量的活体样本和攻击样本,而且在适配新场景时,对正常用户的打扰率较高,而通过攻击样本库进行攻击检索时,需要额外的存储空间存储攻击样本库,攻击样本库太大时,所占据的存储空间也会很大,另外,攻击样本库越大,活体检测的准确率就越高,因此,在有限的存储空间内,攻击样本库的大小受到了严重的制约,进而导致活体检测的准确率较低。
发明内容
本说明书提供一种准确率更高的活体检测方法和系统。
第一方面,本说明书提供一种活体检测方法,包括:获取目标用户的目标生物图像,并对所述目标生物图像进行特征提取,得到所述目标用户的原始特征;对所述原始特征进行特征压缩,得到所述目标用户的目标压缩特征,所述目标压缩特征与所述原始特征之间局部对应;以及基于所述目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到所述目标用户的活体检测结果,并输出所述活体检测结果。
在一些实施例中,所述目标生物图像包括面部图像、躯体图像、虹膜图像、指纹图像或掌纹图像中的至少一种。
在一些实施例中,所述对所述目标生物图像进行特征提取,得到所述目标用户的原始特征,包括:获取所述目标生物图像对应的目标活体分类模型;以及基于所述目标活体分类模型对所述目标生物图像进行局部特征提取,得到多个局部特征图谱,并将所述多个局部特征图谱作为所述原始特征。
在一些实施例中,所述获取所述目标生物图像对应的目标活体分类模型,包括:获取所述样本压缩特征库对应的活体分类模型集合;以及确定所述目标用户对应的目标检测场景,并在所述活体分类模型集合中选取出所述目标检测场景对应的活体分类模型,得到目标活体分类模型。
在一些实施例中,所述目标活体分类模型的训练过程包括以下步骤:获取开源训练数据,并基于所述开源训练数据对预设活体分类模型进行训练,得到训练后的原始活体分类模型;以及获取所述目标检测场景对应的目标训练数据,并基于所述目标训练数据对所述原始活体分类模型进行更新,得到所述目标活体分类模型。
在一些实施例中,所述预设活体分类模型包括局部特征提取网络、局部特征比对网络和活体分类网络;以及所述基于所述开源训练数据对预设活体分类模型进行训练,得到训练后的原始活体分类模型,包括:采用所述局部特征提取网络对所述开源训练数据中的开源图像样本进行局部特征提取,得到多个样本局部特征图谱,采用所述局部特征比对网络将所述多个样本特征图谱进行比对,得到所述开源图像样本的局部比对关系特征,将所述多个样本局部特征图谱和所述局部比对关系特征输入至所述活体分类网络,以得到所述开源图像样本的预测活体类别,以及基于所述预测活体类别和所述局部比对关系特征,对所述预设活体分类模型进行收敛,得到所述原始活体分类模型。
在一些实施例中,所述对所述预设活体分类模型进行收敛,得到所述原始活体分类模型,包括:获取所述开源图像样本的标注活体类别,并将所述预测活体类别和所述标注活体类别进行对比,以得到分类损失信息;基于所述标注活体类别,将所述开源训练数据中的所述开源图像样本之间的局部比对关系特征进行对比,以得到局部比对损失信息;以及将所述分类损失信息和所述局部比对损失信息进行融合,得到目标损失信息,并基于所述目标损失信息对所述预设活体分类模型进行收敛,得到所述原始活体分类模型。
在一些实施例中,所述基于所述标注活体类别,将所述开源训练数据中的所述开源图像样本之间的局部比对关系特征进行对比,以得到局部比对损失信息,包括:将所述开源训练数据中同一所述标注活体类别的开源图像样本之间的局部比对关系特征进行比对,得到第一特征比对信息;将所述开源训练数据中不同所述标注活体类别的开源图像样本之间的局部比对关系特征进行比对,得到第二特征比对信息;以及基于所述第一特征比对信息和所述第二特征比对信息,确定所述局部比对损失信息,所述局部比对损失信息的约束条件为约束同一所述标注活体类别对应的所述局部比对关系特征之间的差异小于第一预设差异阈值和约束不同所述标注活体类别对应的所述局部比对关系特征之间的差异大于第二预设差异阈值。
在一些实施例中,所述基于所述目标训练数据对所述原始活体分类模型进行更新,得到所述目标活体分类模型,包括:基于所述目标训练数据,对所述原始活体分类模型中的局部特征比对网络和活体分类网络进行训练,得到所述目标活体分类模型。
在一些实施例中,所述对所述原始特征进行特征压缩,得到所述目标用户的目标压缩特征,包括:获取所述样本压缩特征库对应的目标特征压缩模型;以及采用所述目标特征压缩模型对所述原始特征进行特征压缩,得到所述目标用户的目标压缩特征。
在一些实施例中,所述目标特征压缩模型的训练过程包括以下步骤:获取样本原始特征,并采用预设特征压缩模型对所述样本原始特征进行特征压缩,得到样本压缩特征,所述样本原始特征包括M个第一维度的样本局部特征,所述M为大于或等于1的整数,所述样本压缩特征包括所述M个第二维度的局部压缩特征,所述第二维度小于所述第一维度;对所述样本压缩特征进行特征重建,并基于重建后的重建原始特征,对所述局部压缩特征进行特征回溯,得到所述局部压缩特征对应的目标样本局部特征;以及基于所述样本原始特征、所述重建原始特征和所述目标样本局部特征,对所述预设特征压缩模型进行收敛,得到所述目标特征压缩模型。
在一些实施例中,所述重建原始特征包括所述M个所述第一维度的重建局部特征;以及所述对所述局部压缩特征进行特征回溯,得到所述局部压缩特征对应的目标样本局部特征,包括:在所述重建原始特征中回溯出每一所述局部压缩特征对应的重建局部特征,得到目标重建局部特征,以及基于所述目标重建局部特征,在所述样本原始特征中确定出所述局部压缩特征对应的样本局部特征,得到所述目标样本局部特征。
在一些实施例中,所述对所述预设特征压缩模型进行收敛,得到所述目标特征压缩模型,包括:将所述重建原始特征和所述样本原始特征进行对比,得到全局重建损失信息;将每一所述目标样本局部特征和对应的所述重建局部特征进行对比,以得到局部重建损失信息;以及将所述全局重建损失信息和所述局部重建损失信息进行融合,得到回溯损失信息,并基于所述回溯损失信息对所述预设特征压缩模型进行收敛,得到所述目标特征压缩模型。
在一些实施例中,所述样本压缩特征库中的压缩特征与所述目标压缩特征的压缩方式相同。
在一些实施例中,所述在攻击样本对应的样本压缩特征库中进行攻击检索,以得到所述目标用户的活体检测结果,包括:获取攻击样本对应的样本压缩特征库;确定所述样本压缩特征库中每一压缩特征与所述目标压缩特征之间的特征相似度,并对所述特征相似度进行排序,以得到目标特征相似度;以及在所述目标特征相似度大于预设相似度阈值时,确定所述目标用户的活体检测结果为攻击用户。
在一些实施例中,所述对所述特征相似度进行排序,以得到目标特征相似度之后,还包括:在所述目标特征相似度小于所述预设相似度阈值时,确定所述目标用户的活体检测结果为活体用户。
在一些实施例中,所述获取攻击样本对应的样本压缩特征库,包括:获取攻击样本对应的攻击图像集合,并采用目标活体分类模型对所述攻击图像集合中的攻击图像进行特征提取,得到所述攻击图像的多个局部攻击特征图谱;以及采用目标特征压缩模型对所述多个局部攻击特征图谱进行特征压缩,以得到样本压缩特征库。
在一些实施例中,所述获取攻击样本对应的攻击图像集合,包括:获取全量生物图像集合,并在所述全量生物图像集合中选取出多张生物图像,得到原始生物图像集合;将所述原始生物图像集合发送至标注服务器进行活体类别标注,并接收所述标注服务器返回的所述原始生物图像集合对应的第一标注结果;以及基于所述第一标注结果,在所述原始生物图像集合中选取出至少一张攻击图像,得到所述攻击样本对应的攻击图像集合。
在一些实施例中,所述获取攻击样本对应的攻击图像集合,包括:获取初始生物图像集合,并采用所述目标活体分类模型对所述初始生物图像集合中的每一生物图像进行活体分类,得到所述每一生物图像的攻击概率;以及在所述初始生物图像集合中选取出所述攻击概率大于预设攻击概率阈值的至少一张生物图像,得到所述攻击样本对应的攻击图像集合。
在一些实施例中,所述获取攻击样本对应的攻击图像集合之后,还包括:基于预设时间间隔,对所述攻击图像集合进行周期性更新,得到更新后的攻击图像集合;以及将所述更新后的攻击图像集合作为所述攻击样本对应的攻击图像集合。
在一些实施例中,所述对所述攻击图像集合进行周期性更新,得到更新后的攻击图像集合,包括:基于预设时间间隔,对所述攻击图像集合中的每一攻击图像进行活体标注,得到第二标注结果;基于所述第二标注结果,在所述攻击图像集合中剔除活体样本对应的攻击图像,得到候选攻击图像集合;获取所述候选攻击图像集合中每一攻击图像的采样时间,并在所述候选攻击图像集合中剔除所述采样时间超过预设时间阈值的攻击图像,得到更新后的攻击图像集合。
在一些实施例中,所述确定所述样本压缩特征库中每一压缩特征与所述目标压缩特征之间的特征相似度,包括:将所述每一压缩特征的当前局部压缩特征与所述目标压缩特征的目标局部压缩特征进行匹配;基于匹配结果,确定所述当前局部压缩特征与对应的所述目标局部压缩特征之间的初始特征相似度;以及将所述初始特征相似度进行融合,得到所述每一压缩特征与所述目标压缩特征之间的特征相似度。
第二方面,本说明书还提供一种活体检测系统,包括:至少一个存储介质,存储有至少一个指令集,用于进行活体检测;以及至少一个处理器,同所述至少一个存储介质通信连接,其中,当所述活体检测系统运行时,所述至少一个处理器读取所述至少一个指令集,并且根据所述至少一个指令集的指示执行本说明书第一方面所述的活体检测方法。
由以上技术方案可知,本说明书提供的活体检测方法和系统,在获取目标用户的目标生物图像,并对目标生物图像进行特征提取,得到目标用户的原始特征后,对原始特征进行特征压缩,得到目标用户的目标压缩特征,该目标压缩特征与原始特征之间局部对应,以及基于目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到目标用户的活体检测结果,并输出活体检测结果;由于该方案可以采用样本压缩特征库进行攻击检索,从而无需标注活体样本,另外,采用压缩特征构建特征库,从而大大减小了特征库的大小,在有效的存储空间下,可以存储更多的攻击样本的压缩特征,而且,在对原始特征进行特征压缩的过程中采用局部可回溯压缩,增加压缩特征(目标压缩特征和样本压缩特征库中的压缩特征)的可解释性,并提升攻击检索的检索性能,因此,可以提升活体检测的准确率。
本说明书提供的活体检测方法和系统的其他功能将在以下说明中部分列出。根据描述,以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的图活体检测方法和系统的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。
附图说明
为了更清楚地说明本说明书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说明书的一些实施例,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示出了根据本说明书的实施例提供的一种活体检测系统的应用场景示意图;
图2示出了根据本说明书的实施例提供的一种计算设备的硬件结构图;
图3示出了根据本说明书的实施例提供的一种活体检测方法流程图;
图4示出了根据本说明书的实施例提供的一种人脸识别场景下的活体检测的整体流程示意图;
图5示出了根据本说明书的实施例提供的一种构建样本压缩特征库的流程示意图;以及
图6示出了根据本说明书的实施例提供的一种人脸识别场景下的活体攻击检索的流程示意图。
具体实施方式
以下描述提供了本说明书的特定应用场景和要求,目的是使本领域技术人员能够制造和使用本说明书中的内容。对于本领域技术人员来说,对所公开的实施例的各种局部修改是显而易见的,并且在不脱离本说明书的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用。因此,本说明书不限于所示的实施例,而是与权利要求一致的最宽范围。
这里使用的术语仅用于描述特定示例实施例的目的,而不是限制性的。比如,除非上下文另有明确说明,这里所使用的,单数形式“一”,“一个”和“该”也可以包括复数形式。当在本说明书中使用时,术语“包括”、“包含”和/或“含有”意思是指所关联的整数,步骤、操作、元素和/或组件存在,但不排除一个或多个其他特征、整数、步骤、操作、元素、组件和/或组的存在或在该系统/方法中可以添加其他特征、整数、步骤、操作、元素、组件和/或组。
考虑到以下描述,本说明书的这些特征和其他特征、以及结构的相关元件的操作和功能、以及部件的组合和制造的经济性可以得到明显提高。参考附图,所有这些形成本说明书的一部分。然而,应该清楚地理解,附图仅用于说明和描述的目的,并不旨在限制本说明书的范围。还应理解,附图未按比例绘制。
本说明书中使用的流程图示出了根据本说明书中的一些实施例的系统实现的操作。应该清楚地理解,流程图的操作可以不按顺序实现。相反,操作可以以反转顺序或同时实现。此外,可以向流程图添加一个或多个其他操作。可以从流程图中移除一个或多个操作。
为了方便描述,本说明书将对以下描述将会出现的术语进行如下解释:
特征压缩:对特征的尺寸(维度)进行压缩的技术方法,压缩后的特征占据更小的尺寸,但是不影响相关检索的性能(或者影响较小)。比如,可以将维度较长的特征向量压缩为较短的特征向量,譬如,将特征从512维压缩值64维,等等。
攻击检索:指利用压缩后的特征在攻击特征库中进行检索匹配,在与攻击特征匹配成功时,就可以判定为攻击用户。
局部可回溯:指压缩前后的特征存在局部对应性,从而具有更强的可解释性和检索性能。
活体攻击:针对人脸识别系统或其他生物识别系统的呈现攻击手段,可以包括手机屏幕、打印照片、高精度面具等等。
活体防攻击:指在人脸识别或其他生物识别系统中,用于防范手机录屏攻击、纸质照片攻击以及面具攻击等攻击手段的算法和技术。
在对本说明书具体实施例说明之前,先对本说明书的应用场景进行如下介绍:
本说明书提供的活体检测方法可以应用在任意的活体检测场景中,比如,在人脸支付场景中,可以通过本说明书的活体检测方法对采集的待支付用户的人脸图像进行活体检测;在身份验证场景中,可以通过本说明书的活体检测方法对采集的用户的身份图像进行活体检测;还可以应用在任意的人脸识别场景中,在此就不再一一赘述。
本领域技术人员应当明白,本说明书所述的活体检测方法和系统应用于其他使用场景也在本说明书的保护范围内。
图1示出了根据本说明书的实施例提供的一种活体检测系统001的应用场景示意图。活体检测系统001(以下简称系统001)可以应用于任意场景的活体检测,比如,人脸支付场景下的活体检测、身份验证场景下的活体检测、其他人脸识别场景下的活体检测,等等,如图1所示,系统001可以包括用户100、客户端200、服务器300以及网络400。
用户100可以为触发对目标生物图像进行活体检测的用户,用户100可以在客户端200进行活体检测操作。
客户端200可以为响应于用户100的活体检测操作对目标生物图像进行识别的设备。在一些实施例中,所述活体检测方法可以在客户端200上执行。此时,客户端200可以存储有执行本说明书描述的活体检测方法的数据或指令,并可以执行或用于执行所述数据或指令。在一些实施例中,客户端200可以包括具有数据信息处理功能的硬件设备和驱动该硬件设备工作所需必要的程序。如图1所示,客户端200可以与服务器300进行通信连接。在一些实施例中,服务器300可以与多个客户端200进行通信连接。在一些实施例中,客户端200可以通过网络400与服务器300交互,以接收或发送消息等,比如接收或发送目标生物图像或原始特征,原始特征的类型可以有多种,比如,可以包括二维特征和/或三维特征。在一些实施例中,客户端200可以包括移动设备、平板电脑、笔记本电脑、机动车辆的内置设备或类似内容,或其任意组合。在一些实施例中,所述移动设备可包括智能家居设备、智能移动设备、虚拟现实设备、增强现实设备或类似设备,或其任意组合。在一些实施例中,所述智能家居装置可包括智能电视、台式电脑等,或任意组合。在一些实施例中,所述智能移动设备可包括智能手机、个人数字辅助、游戏设备、导航设备等,或其任意组合。在一些实施例中,所述虚拟现实设备或增强现实设备可能包括虚拟现实头盔、虚拟现实眼镜、虚拟现实手柄、增强现实头盔、增强现实眼镜、增强现实手柄或类似内容,或其中的任何组合。例如,所述虚拟现实设备或所述增强现实设备可能包括谷歌眼镜、头戴式显示器、VR等。在一些实施例中,所述机动车中的内置装置可包括车载计算机、车载电视等。在一些实施例中,客户端200可以包括图像采集设备,用于采集目标用户的生物图像,从而获取目标生物图像。在一些实施例中,所述图像采集设备可以是二维图像采集设备(比如RGB摄像头),也可以是二维图像采集设备(比如RGB摄像头)和深度图像采集设备(比如3D结构光摄像头、激光探测器,等等)。在一些实施例中,客户端200可以是具有定位技术的设备,用于定位客户端200的位置。
在一些实施例中,客户端200可以安装有一个或多个应用程序(APP)。所述APP能够为目标用户110提供通过网络400同外界交互的能力以及界面。所述APP包括但不限于:网页浏览器类APP程序、搜索类APP程序、聊天类APP程序、购物类APP程序、视频类APP程序、理财类APP程序、即时通信工具、邮箱客户端、社交平台软件等等。在一些实施例中,客户端200上可以安装有目标APP。所述目标APP能够为客户端200采集目标用户的生物图像,从而得到目标生物图像。在一些实施例中,所述目标对象100还可以通过所述目标APP触发活体检测请求。所述目标APP可以响应于所述活体检测请求,执行本说明书描述的活体检测方法。所述活体检测方法将在后面的内容中详细介绍。
服务器300可以是提供各种服务的服务器,例如对客户端200上采集和/或检测目标生物图像提供支持的后台服务器。在一些实施例中,所述活体检测方法可以在服务器300上执行。此时,服务器300可以存储有执行本说明书描述的活体检测方法的数据或指令,并可以执行或用于执行所述数据或指令。在一些实施例中,服务器300可以包括具有数据信息处理功能的硬件设备和驱动该硬件设备工作所需必要的程序。服务器300可以与多个客户端200通信连接,并接收客户端200发送的数据。
网络400用以在客户端200和服务器300之间提供通信连接的介质。网络400可以促进信息或数据的交换。如图1所示,客户端200和服务器300可以同网络400连接,并且通过网络400互相传输信息或数据。在一些实施例中,网络400可以是任何类型的有线或无线网络,也可以是其组合。比如,网络400可以包括电缆网络,有线网络、光纤网络、电信通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、大都市市区网(MAN)、广域网(WAN)、公用电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络或类似网络。在一些实施例中,网络400可以包括一个或多个网络接入点。例如,网络400可以包括有线或无线网络接入点,如基站或互联网交换点,通过该接入点,客户端200和服务器300的一个或多个组件可以连接到网络400以交换数据或信息。
应该理解,图1中的客户端200、服务器300和网络400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客户端200、服务器300和网络400。
需要说明的是,所述活体检测方法可以完全在客户端200上执行,也可以完全在服务器300上执行,还可以部分在客户端200上执行,部分在服务器300上执行。
图2示出了根据本说明书的实施例提供的一种计算设备600的硬件结构图。计算设备600可以执行本说明书描述的活体检测方法。所述活体检测方法在本说明书中的其他部分介绍。当所述活体检测方法在客户端200上执行时,计算设备600可以是客户端200。当所述活体检测方法在服务器300上执行时,计算设备600可以是服务器300。当所述活体检测方法可以部分在客户端200上执行,部分在服务器300上执行时,计算设备600可以是客户端200和服务器300。
如图2所示,计算设备600可以包括至少一个存储介质630和至少一个处理器620。在一些实施例中,计算设备600还可以包括通信端口650和内部通信总线610。同时,计算设备600还可以包括I/O组件660。
内部通信总线610可以连接不同的系统组件,包括存储介质630、处理器620和通信端口650。
I/O组件660支持计算设备600和其他组件之间的输入/输出。
通信端口650用于计算设备600同外界的数据通信,比如,通信端口650可以用于计算设备600同网络400之间的数据通信。通信端口650可以是有线通信端口也可以是无线通信端口。
存储介质630可以包括数据存储装置。所述数据存储装置可以是非暂时性存储介质,也可以是暂时性存储介质。比如,所述数据存储装置可以包括磁盘632、只读存储介质(ROM)634或随机存取存储介质(RAM)636中的一种或多种。存储介质630还包括存储在所述数据存储装置中的至少一个指令集。所述指令是计算机程序代码,所述计算机程序代码可以包括执行本说明书提供的活体检测方法的程序、例程、对象、组件、数据结构、过程、模块等等。
至少一个处理器620可以同至少一个存储介质630以及通信端口650通过内部通信总线610通信连接。至少一个处理器620用以执行上述至少一个指令集。当计算设备600运行时,至少一个处理器620读取所述至少一个指令集,并且根据所述至少一个指令集的指示,执行本说明书提供的活体检测方法。处理器620可以执行活体检测方法包含的所有步骤。处理器620可以是一个或多个处理器的形式,在一些实施例中,处理器620可以包括一个或多个硬件处理器,例如微控制器,微处理器,精简指令集计算机(RISC),专用集成电路(ASIC),特定于应用的指令集处理器(ASIP),中心处理单元(CPU),图形处理单元(GPU),物理处理单元(PPU),微控制器单元,数字信号处理器(DSP),现场可编程门阵列(FPGA),高级RISC机器(ARM),可编程逻辑器件(PLD),能够执行一个或多个功能的任何电路或处理器等,或其任何组合。仅仅为了说明问题,在本说明书中计算设备600中仅描述了一个处理器620。然而,应当注意,本说明书中计算设备600还可以包括多个处理器,因此,本说明书中披露的操作和/或方法步骤可以如本说明书所述的由一个处理器执行,也可以由多个处理器联合执行。例如,如果在本说明书中计算设备600的处理器620执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同处理器620联合或分开执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一和第二处理器共同执行步骤A和B)。
图3示出了根据本说明书的实施例提供的一种活体检测方法P100的流程图。如前,计算设备600可以执行本说明书的活体检测方法P100。具体地,处理器620可以读取存储在其本地存储介质中的指令集,然后根据指令集的规定,执行本说明书的活体检测方法P100。如图3所示,方法P100可以包括:
S110:获取目标用户的目标生物图像,并对目标生物图像进行特征提取,得到目标用户的原始特征。
其中,目标生物图像可以包括面部图像、躯体图像、虹膜图像、指纹图像或掌纹图像中的至少一种。所述躯体图像可以目标用户除面部以外区域的全部或部分图像,比如,可以包括全身图像、半身图像或背部图像,等等。
其中,原始特征可以为目标生物图像中提取的大尺寸或多维度的图像特征或像素特征的特征图谱,等等。原始特征可以包括目标生物图像中多个局部区域分别对应的局部特征图谱。所述局部区域可以为预设尺寸的区域,还可以为随机划分的图像区域,等等。
其中,获取目标用户的目标生物图像,并对目标生物图像进行特征提取的方式可以有多种,具体可以如下:
S111:获取目标用户的目标生物图像。
例如,处理器620可以直接获取用户100通过客户端200或者终端上传的目标用户的目标生物图像,或者,可以通过图像采集设备(比如,各种类型的摄像头或者其他可以采集图像的设备)采集目标用户的目标生物图像,或者,可以在网络或图像数据库中获取目标用户的目标生物图像,或者,在目标用户的数量较多或者目标生物图像的数量较多时,还可以接收客户端200或终端发送的活体检测请求,该活体检测请求中可以携带目标用户的目标生物图像的存储地址,基于该存储地址,获取目标用户的目标生物图像,等等。
S112:对目标生物图像进行特征提取,得到目标用户的原始特征。
例如,处理器620可以获取目标生物图像对应的目标活体分类模型,以及基于目标活体分类模型对目标生物图像进行局部特征提取,得到多个局部特征图谱,并将多个局部特征图谱作为原始特征。
其中,获取目标生物图像对应的目标活体分类模型的方式可以有多种,比如,处理器620可以获取样本压缩特征库对应的活体分类模型集合,以及确定目标用户对应的目标检测场景,并在活体分类模型集合中选取出目标检测场景对应的活体分类模型,得到目标活体分类模型。
其中,样本压缩特征库可以为存储攻击样本的压缩特征的特征库。该样本压缩特征库用于进行攻击检索。对样本压缩特征库中的攻击样本进行特征提取和活体分类的至少一个活体分类模型就组成了样本压缩特征库对应的活体分类模型集合。活体分类模型集合中可以包括多个检测场景对应的活体检测模型。
其中,目标检测场景就可以为目标用户当前所处的检测场景,所述检测场景可以为进行活体检测或者人脸识别的场景,比如,可以包括面部支付、门禁解锁或用户校验等场景。确定目标用户对应的目标检测场景的方式可以有多种,比如,处理器620可以在接收到活体检测请求时,在活体检测请求中识别出目标用户对应的目标检测场景,或者,可以获取目标用户的当前位置,基于当前位置,确定出目标用户对于的目标检测场景,或者,还可以获取发送目标生物图像的终端或客户端的设备标识或设备位置,基于该设备标识或设备位置,确定目标用户对应的目标检测场景,等等。
处理器620在确定出目标用户对应的目标检测场景之后,便可以在活体分类模型集合中选取出目标检测场景对应的活体分类模型,从而得到目标活体分类模型。
处理器620在获取目标活体分类模型之后,便可以基于目标活体分类模型对目标生物图像进行局部特征提取,从而得到多个局部特征图谱。基于目标活体分类模型对目标生物图像进行局部特征提取的方式可以有多种,比如,处理器620可以将目标生物图像输入至目标活体分类模型,通过目标活体分类模型将目标生物图像划分成多个图像区域,分别对每个图像区域进行特征提取,从而得到每一图像区域对应的局部特征图谱,譬如,对于输入256*256的图像,输出的特征是8*8的局部特征图谱,每个局部特征图谱的像素对应32*32的图像区域,或者,还可以直接将目标生物图像分割为预设数量的局部图像块,采用目标活体分类模型分别对每一局部图像块进行特征提取,从而得到每一局部图像块对应的局部特征图谱。
处理器620在采用目标活体分类模型对目标生物图像进行局部特征提取之后,便可以将提取出的多个局部特征图谱作为原始特征。
其中,目标活体分类模型的训练过程可以包括以下步骤:处理器620可以获取开源训练数据,并基于开源训练数据对预设活体分类模型进行训练,得到训练后的原始活体分类模型,以及获取目标检测场景对应的目标训练数据,并基于目标训练数据对原始活体分类模型进行更新,得到目标活体分类模型。
其中,开源训练数据可以为开源获取的训练数据,该开源训练数据可以包括至少一个开源图像样本。预设活体分类模型可以包括局部特征提取网络、局部特征比对网络和活体分类网络。所述局部特征提取网络可以为对开源图像样本进行局部特征提取的网络,所述局部特征比对网络可以为将提取出的局部特征进行比对的网络,所述活体分类网络可以为对开源图像样本进行活体分类的网络。基于开源训练数据对预设活体分类模型进行训练的方式可以有多种,比如,处理器620可以采用局部特征提取网络对开源训练数据中的开源图像样本进行局部特征提取,得到多个样本局部特征图谱,采用局部特征比对网络将多个样本特征图谱进行比对,得到开源图像样本的局部比对关系特征,将多个局部特征图谱和局部比对关系特征输入至活体分类网络,以得到开源图像样本的预测活体类别,以及基于预测活体分类和局部比对关系特征,对预设活体分类模型进行收敛,得到原始活体分类模型。
其中,局部比对关系特征可以为表征局部特征关系的关系矩阵,该关系矩阵的每个元素可以为样本局部特征图谱两个像素间的内积。比如,以样本局部特征图谱为8*8为例,则关系矩阵就可以为64*64。
其中,预测活体类别可以为活体分类网络基于多个样本局部特征图谱和局部比对关系特征进行活体分类后的分类结果。预测活体类别可以包括活体类别或攻击类别中的一种。
处理器620在得到开源图像样本的局部比对关系特征和预测活体类别之后,便可以基于局部比对关系特征和预测活体类别,对预设活体分类模型进行收敛。收敛的方式可以有多种,比如,处理器620可以获取开源图像样本的标注活体类别,并将预测活体类别和标注活体类别进行对比,以得到分类损失信息,基于标注活体类别,将开源训练数据中的开源图像样本之间的局部比对关系特征进行对比,以得到局部比对损失信息,以及将分类损失信息和局部比对损失信息进行融合,得到目标损失信息,并基于目标损失信息对预设活体分类模型进行收敛,得到原始活体分类模型。
其中,分类损失信息可以为对开源图像样本进行活体分类时产生的损失信息。将预测活体类别与标注活体类别进行对比的方式可以有多种,比如,处理器620可以采用交叉熵损失函数,将预测活体类别与标注活体类别进行对比,从而得到分类损失信息,或者,还可以采用其他类型的损失函数,将预测活体类别与标注活体类别进行对比,从而得到分类损失信息,等等。
其中,局部比对损失信息可以为开源训练数据中不同开源图像样本的局部比对关系特征之间的差异产生的损失信息。局部比对损失信息的约束条件为约束同一标注活体类别对应的局部比对关系特征之间的差异小于第一预设差异阈值和约束不同标注活体类别对应的局部比对关系特征之间的差异大于预设差异阈值。以局部对比关系特征为关系矩阵为例,在训练的过程中,局部对比损失信息主要约束活体样本和攻击样本之间的关系矩阵尽量差异大,而同类样本的关系矩阵尽量一致。基于标注活体类别,将开源训练数据中的开源图像样本之间的局部比对关系特征进行对比的方式可以有多种,比如,处理器620可以将开源训练数据中同一标注活体类别的开源图像样本之间的局部比对关系特征进行比对,得到第一特征比对信息,将开源训练数据中不同标注活体类别的开源图像样本之间的局部比对关系特征进行比对,得到第二特征比对信息,以及基于第一特征比对信息和第二特征比对信息,确定局部比对损失信息。
其中,将所述开源训练数据中同一所述标注活体类别的开源图像样本之间的局部比对关系特征进行比对的方式可以有多种,比如,处理器620可以将开源训练数据中标注活体类别的开源图像样本的局部比对关系特征进行比对,还可以将开源训练数据中标注攻击类别的开源图像样本的局部比对关系特征进行比对,从而得到第一特征比对信息。
其中,将所述开源训练数据中不同标注活体类别的开源图像样本之间的局部比对关系特征进行比对的方式可以有多种,比如,处理器620可以将开源训练数据中标注活体类别的开源图像样本的局部比对关系特征与标注攻击类别的开源图像样本的局部比对关系特征进行对比,从而得到第二特征比对信息。
处理器620在得到第一特征比对信息和第二特征比对信息之后,便可以基于第一特征比对信息和第二特征比对信息,确定局部对比损失信息。确定局部比对损失信息的方式可以有多种,比如,处理器620获取第一特征比对信息中的比对差值与预设第一差异阈值之间的差值,得到第一差异值,获取第二特征比对信息中的比对差值与预设第二差异阈值之间的差值,得到第二差异值,基于第一差异值和第二差异值,确定局部对比损失信息,或者,还可以采用预设损失函数,基于第一特征比对信息和第二特征比对信息,确定局部比对损失信息,等等。
处理器620在确定出局部比对损失信息之后,便可以将分类损失信息和局部比对损失信息进行融合。融合的方式可以有多种,比如,处理器620可以直接将分类损失信息和局部比对损失信息相加,从而得到目标损失信息,具体可以参考公式(1)所示:
Losstotal1=Losscls+Lossrelation (1)
其中,Losstotal1为目标损失信息,Losscls为分类损失信息,Lossrelation为局部比对损失信息。
在一些实施例中,将分类损失信息和局部比对损失信息进行融合的方式还可以包括:处理器620获取损失权重,基于该损失权重,分别对分类损失信息和局部比对损失信息进行加权,并将加权后的分类损失信息和加权后的局部比对损失信息相加,从而得到目标损失信息,等等。
处理器620在将分类损失信息和局部比对损失信息进行融合之后,便可以基于融合后的目标损失信息,对预设活体分类模型进行收敛。收敛的方式可以有多种,比如,处理器620可以采用梯度下降算法,基于目标损失信息对预设活体分类模型的各个网络的网络参数进行更新,并将预设活体分类模型更新为更新后的预设活体分类模型,返回执行基于所述开源训练数据对预设活体分类模型进行训练的步骤,直至预设活体分类模型收敛时为止,从而得到原始活体分类模型,或者,还可以采用其他网络参数更新算法,基于目标损失信息对预设活体分类模型的各个网络的网络参数进行更新,并将预设活体分类模型更新为更新后的预设活体分类模型,返回执行基于所述开源训练数据对预设活体分类模型进行训练的步骤,直至预设活体分类模型收敛时为止,从而得到原始活体分类模型,等等。
处理器620在基于开源训练数据训练出原始活体分类模型之后,便可以针对目标检测场景对原始活体分类模型进行更新,从而得到适配与目标检测场景的目标活体检测模型。对原始活体分类模型进行更新的方式可以有多种,比如,处理器620可以获取目标检测场景对应的目标训练数据,并基于目标训练数据对原始活体分类模型中的局部特征比对网络和活体分类网络进行训练,得到目标活体分类模型。
其中,目标训练数据为目标检测场景下采集的训练数据,目标训练数据的样本数量小于开源训练数据的样本数量。基于目标训练数据对原始活体分类模型中局部特征比对网络和活体分类网络进行训练的方式可以原始活体分类模型的训练方式相同,但是有一点不同的是,对原始活体分类模型进行更新的过程中,保持局部特征提取网络不变,只训练布局特征比对网络和活体分类网络,从而得到目标活体分类模型。
其中,针对目标活体分类模型的训练,相对于传统的特征提取模型的训练来说,采用开源训练数据训练出原始活体分类模型,再进行小规模场景的迭代优化,可以减少数据标注量,在保证特征可分的前提下,降低了标注成本。另外,相对于传统的特征提取模型往往都是提取出整体的特征,从而忽视了局部特征,目标活体检测模型中训练过程,通过提取出局部特征,然后,利用区域比对的方式约束各个局部特征之间的特征关系,从而提升了提取出的原始特征的准确率。
S120:对原始特征进行特征压缩,得到目标用户的目标压缩特征。
其中,目标压缩特征可以为对原始特征进行压缩后得到的压缩特征。目标压缩特征与原始特征之间局部对应,比如,以原始特征包括M个(M份)局部特征,压缩特征包括M个(M份)压缩局部特征为例,则第K个局部特征可以对应与第K个压缩局部特征,K为[1,M]中的任意整数。因此,目标压缩特征就具备了局部可回溯性(可溯源性),从而可以增加目标压缩特征的可解释性。传统的特征压缩中,局部特征或局部特征中的特征元素在压缩前后的对应关系不明确,在特征检索过程中,特征可匹配性较差,这是因为局部特征中特征元素与其他特征元素之间存在复杂的关系,不同特征元素压缩之后,元素关系的强弱不同,导致特征元素的对应性较差,而在后续的攻击检索的特征匹配中,特征元素的匹配就会存在偏移与波动,使得匹配过程中增加了随机性。本方案相对于传统的特征压缩来说,由于压缩后的目标压缩特征的可解释性,在局部具有可回溯性,特征元素在压缩前后的对应性可以保持近乎相同,使得目标压缩特征在与样本压缩特征库中的压缩特征匹配中,可以通过可回溯性增加特征元素的约束,从而使得目标压缩特征中的第K个特征元素匹配样本压缩特征库中的压缩特征的第K个特征元素,大大提升了特征检索的检索效率和检索精度,因此,可以提升攻击检索的检索性能,进而提升活体检测的准确率。
其中,对原始特征进行特征压缩的方式可以有多种,具体可以如下:
例如,处理器620可以获取样本压缩特征库对应的目标特征压缩模型,以及采用目标特征压缩模型对原始特征进行特征压缩,从而得到目标用户的目标压缩特征。
其中,目标特征压缩模型可以为产生样本压缩特征库中的压缩特征的特征压缩模型,也可以理解为对目标活体分类模型对攻击样本的生物图像提取出的原始特征转换为压缩特征的特征压缩模型。采用目标特征压缩模型对原始特征进行特征压缩的方式可以有多种,比如,处理器620可以采用目标特征压缩模型的特征压缩网络对原始特征进行压缩,得到多个目标压缩局部特征,并将这些目标压缩局部特征作为目标压缩特征。需要说明的是,多个目标压缩局部特征与原始特征中的局部特征图谱一一对应。
其中,目标特征压缩模型的训练过程可以包括以下步骤:处理器620可以获取样本原始特征,并采用预设特征压缩模型对样本原始特征进行特征压缩,得到样本压缩特征,对样本压缩特征进行特征重建,并基于重建后的重建原始特征,对局部压缩特征进行特征回溯,得到局部压缩特征对应的目标样本局部特征,以及基于样本原始特征、重建原始特征和目标样本局部特征,对预设特征压缩模型进行收敛,得到目标特征压缩模型。
其中,样本原始特征包括M个第一维度的样本局部特征,M为大于或等于1的整数。样本压缩特征包括M个第二维度的局部压缩特征,第二维度小于第一维度。获取样本原始特征的方式可以有多种,比如,处理器620可以获取原始图像样本,采用上述训练得到的目标活体分类模型对原始图像样本进行特征提取,从而得到样本原始特征,或者,还可以直接获取用户100通过客户端200或终端上传的样本原始特征,等等。
处理器620在获取样本原始特征之后,便可以采用预设特征压缩模型对样本原始特征进行特征压缩,从而得到样本压缩特征。预设特征压缩模型可以包括特征压缩网络、特征解码网络和局部回溯网络。所述特征压缩网络就可以为对样本原始特征进行特征压缩的网络,特征解码网络可以为对样本压缩特征进行重建或还原样本原始特征的网络,局部回溯网络可以为回溯出局部压缩特征与样本局部特征之间的对应关系的网络。采用预设特征压缩模型对样本原始特征进行特征压缩的方式可以有多种,比如,处理器620可以将样本原始特征输入至特征压缩网络,以得到样本压缩特征,该样本压缩特征可以包括M个第二维度的局部压缩特征。
其中,重建原始特征可以包括M个第一维度的重建局部特征。对样本压缩特征进行特征重建的方式可以有多种,比如,处理器620可以直接采用特征解码网络将样本压缩特征进行整体重建,得到重建后的重建原始特征,该重建原始特征中可以包括M个第一维度的重建局部特征,或者,还可以分别对样本压缩特征中的局部压缩特征分别进行重建,从而得到M个第一维度的重建局部特征,等等。
处理器620在对样本压缩特征进行特征重建之后,便可以基于重建后的重建原始特征,对局部压缩特征进行特征回溯,得到局部压缩特征对应的目标样本局部特征。对局部压缩特征进行特征回溯的方式可以有多种,比如,处理器620可以采用局部回溯网络在重建原始特征中回溯出每一局部压缩特征对应的重建局部特征,得到目标重建局部特征,以及基于目标重建局部特征,在样本原始特征中确定出局部压缩特征对应的样本局部特征,得到目标样本局部特征。
其中,基于目标重建局部特征,在样本原始特征中确定出局部压缩特征对应的样本局部特征的方式可以有多种,比如,处理器620可以在样本原始特征的样本局部特征中选取出目标重建局部特征对应的样本局部特征,从而得到目标样本局部特征,或者,还可以获取目标重建局部特征与样本原始特征中每一样本局部特征的特征相似度,基于特征相似度,在样本局部特征中选取出目标样本局部特征,等等。
处理器620在对局部压缩特征进行特征回溯之后,便可以基于样本原始特征、重建原始特征和回溯出的目标样本局部特征,对预设特征压缩模型进行收敛,从而得到目标特征压缩模型。对预设特征压缩模型进行收敛的方式可以有多种,比如,处理器620可以将重建原始特征与样本原始特征进行对比,得到全局重建损失信息,将每一目标样本局部特征和对应的重建局部特征进行对比,以得到局部重建损失信息,以及将全局重建损失信息和局部重建损失信息进行融合,得到回溯损失信息,并基于回溯损失信息对预设特征压缩模型进行收敛,得到目标特征压缩模型。
其中,全局重建损失信息可以为重建原始特征与样本原始特征之间整体差异对应的损失信息。将重建原始特征与样本原始特征进行对比的方式可以有多种,比如,处理器620可以获取重建原始特征与样本原始特征之间的特征相似度,基于该特征相似度,确定全局重建损失信息,或者,还可以获取重建原始特征与样本原始特征之间的特征距离,基于该特征距离,确定全局重建损失信息,等等。
其中,局部重建损失信息就可以为重建局部特征与对应的样本局部特征之间的差异对应的损失信息。将每一目标样本局部特征和对应的重建局部特征进行对比的方式可以与重建原始特征与样本原始特征对比的方式类似,从而得到每一个目标样本局部特征对应的初始局部重建损失信息,将初始局部重建损失信息进行融合,就可以得到局部重建损失信息。
处理器620在确定出全局损失信息和局部损失信息之后,便可以将全局损失信息和局部损失信息进行融合。融合的方式可以有多种,比如,处理器620可以直接将全局损失信息和局部损失信息相加,从而得到回溯损失信息,具体可以如公式(2)所示:
Losstotal2=Lossglobal+Losslocal (2)
其中,Losstotal2为回溯损失信息,Lossglobal为全局损失信息,Losslocal为局部损失信息。
在一些实施例中,处理器620还可以获取回溯损失权重,并基于回溯损失权重分别对全局损失信息和局部损失信息进行加权,将加权后的全局损失信息和加权后的局部损失信息相加,从而得到回溯损失信息。
处理器620在确定出回溯损失信息之后,便可以基于回溯损失信息对预设特征压缩模型进行收敛,从而得到目标特征压缩模型。对预设特征压缩模型进行收敛的方式与对预设活体分类模型进行收敛的方式类似,详见上文所述,在此就不再一一赘述。
S130:基于目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到目标用户的活体检测结果,并输出活体检测结果。
其中,活体检测结果可以表征目标用户的活体类别,活体结果可以包括活体用户或攻击用户中的一种。
其中,目标压缩特征,在攻击样本对应的样本特征压缩库中进行攻击检测,以得到目标用户的活体检测结果,并输出活体检测结果的方式可以有多种,具体可以如下:
S131:基于目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到目标用户的活体检测结果。
其中,样本压缩特征库中的压缩特征与目标压缩特征的压缩方式相同,也就是说样本压缩特征库中的压缩特征与目标压缩特征可以由同一个目标特征压缩模型进行特征压缩后得到,或者,还可以理解为样本压缩特征库对应的特征压缩模型与目标压缩特征对应的目标特征压缩模型可以采用相同的训练方式进行训练,但是训练样本可以相同,也可以不同。
其中,基于目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索的方式可以有多种,具体可以如下:
例如,处理器620可以获取攻击样本对应的样本压缩特征库,确定样本压缩特征库中每一压缩特征与目标压缩特征之间的特征相似度,并对特征相似度进行排序,以得到目标特征相似度,以及在目标特征相似度大于预设相似度阈值时,确定目标用户的活体检测结果为攻击用户。
其中,处理器620在对特征相似度进行排序,以得到目标特征相似度之后,还可以在目标特征相似度小于预设相似度阈值时,确定目标用户的活体检测结果为活体用户。
其中,获取攻击样本对应的样本特征压缩特征库的方式可以有多种,比如,处理器620可以生成攻击样本对应的样本压缩特征库,或者,还可以从第三方接收或获取攻击样本对应的样本特征压缩库。
其中,处理器620可以在对目标用户的目标生物图像进行活体检测之前生成样本压缩特征库。生成样本压缩特征库的方式可以有多种,比如,处理器620可以获取攻击样本对应的攻击图像集合,并采用目标活体分类模型对攻击图像集合中的攻击图像进行特征提取,得到攻击图像的多个局部攻击特征图谱,以及采用目标特征压缩模型对多个局部攻击特征图谱进行特征压缩,以得到样本压缩特征库。
其中,攻击图像集合可以包括至少一个攻击样本的至少一个攻击图像。所述攻击样本就可以为攻击用户对应的样本,攻击图像就可以为攻击样本对应的生物图像。获取攻击样本对应的攻击图像集合的方式可以有多种,比如,处理器620可以基于标注服务器进行标注的方式积累攻击样本,从而得到攻击图像集合,或者,还可以基于模型预测的样本积累方式积累攻击样本,从而得到攻击图像集合,具体可以如下:
(1)基于标注服务器进行标注的积累方式
例如,处理器620可以获取全量生物图像集合,并在全量生物图像集合中选取多张生物图像,得到原始生物图像集合,将原始生物图像集合发送至标注服务器进行活体类别标注,并接收标注服务器返回的原始生物图像集合对应的第一标注结果,以及基于第一标注结果,在原始生物图像集合中选取出至少一张攻击图像,得到攻击样本对应的攻击图像集合。
其中,全量生物图像集合可以包括一个或多个场景下的全量生物图像。在全量生物图像集合中选取出多张生物图像的方式可以有多种,比如,处理器620可以在全量生物图像集合中随机选取出多张生物图像,从而得到原始生物图像集合,或者,还可以按照预设选取条件在全量生物图像集合中选取出预设数量的生物图像,从而得到原始生物图像集合。
其中,处理器620将原始生物图像集合发送至标注服务器,通过机器或人工标注的方式对原始生物图像集合中的生物图像进行活体标注,从而得到原始生物图像集合对应的第一标注结果。以人工标注为例,这种方式就可以为基于人工标注的攻击样本积累,对于场景数据,随机筛选出一部分进行人工标注,筛选出其中的攻击样本,从而得到攻击样本的攻击图像集合。
(2)基于模型预测的样本积累方式
例如,处理器620可以获取初始生物图像集合,并采用目标活体分类模型对初始生物图像集合中的每一生物图像进行活体分类,得到每一生物图像的攻击概率,以及在初始生物图像集合中选取出攻击概率大于预设攻击概率阈值的至少一张生物图像,得到攻击样本对应的攻击图像集合。
在一些实施例中,获取攻击样本对应的攻击图像集合之后,还可以对攻击图像集合进行周期性更新。周期性更新的方式可以有多种,比如,处理器620可以基于预设时间间隔,对攻击图像集合进行周期性更新,得到更新后的攻击图像集合,将更新后的攻击图像集合作为攻击样本对应的攻击图像集合。
其中,基于预设时间间隔,对攻击图像集合进行周期性更新的方式可以有多种,比如,处理器620可以基于时间间隔,对攻击图像集合中的每一攻击图像进行活体标注,得到第二标注结果,基于第二标注结果,在攻击图像集合中剔除活体样本对应的攻击图像,得到候选攻击图像集合,获取候选攻击图像集合中每一攻击图像的采样时间,并在候选攻击图像集合中剔除采样时间超过预设时间阈值的攻击图像,得到更新后的攻击图像集合。
其中,活体样本可以为活体标注结果为活体类别的样本。采样时间可以理解为攻击图像加入至攻击样本对应的攻击图像集合的时间,也可以为获取该攻击图像的时间。在候选攻击图像集合中剔除采样时间超过预设时间阈值的攻击图像的方式可以有多种,比如,以预设时间阈值为一年为例,处理器620就可以在候选攻击图像集合中剔除采样时间距离当前超过一年的攻击图像,从而得到更新后的攻击图像集合。预设时间阈值可以根据实际应用进行设定,比如,可以包括一周、一个月、半年、一年或多年,等等。另外,需要说明的是,对攻击图像集合周期性进行更新就可以为周期性的在攻击图像集合中剔除活体样本对应的攻击图像和过旧的攻击图像,从而周期性得到更新后的攻击图像集合。除了在攻击图像集合中剔除攻击图像以外,还可以周期性获取新增的攻击图像,将新增的攻击图像加入值攻击图像集合,也可以周期性得到更新后的攻击图像集合。还需要说明是,对攻击图像集合进行更新的方式可以同时进行剔除和新增操作,也可以单独进行一个或多个剔除方式的更新操作。
其中,目标活体分类模型可以为上文所述的训练后的目标活体模型,也可以为任意的训练后的活体分类模型。攻击概率可以为生物图像为攻击样本的生物图像的概率。
处理器620在获取攻击图像集合,并可以采用上文所述的目标活体分类模型对攻击图像集合中的攻击图像进行特征提取,得到攻击图像的多个局部攻击特征图谱。对攻击图像进行特征提取的方式可以参见上文所述,在此就不再一一赘述。
处理器620在提取出攻击图像的多个局部攻击特征图谱之后,便可以采用目标特征压缩模型对多个局部攻击特征图谱进行特征压缩,特征压缩的方式可以参见上文所述,在此就不再一一赘述。这里的目标特征压缩模型可以为目标压缩特征对应的目标特征压缩模型,也可以为与目标压缩特征对应的目标特征模型采用同样的训练方式训练得到的特征压缩模型。将特征压缩后得到的压缩特征构成样本压缩特征库。该样本压缩特征库中的压缩特征均为攻击样本对应的压缩特征。在基于压缩特征构建样本压缩特征库时,还可以构建样本压缩特征库的压缩特征检索信息,通过压缩特征检索信息将样本压缩特征库中的压缩特征与目标压缩特征进行匹配,从而提升检索效率。
其中,需要说明的是,在对攻击样本集合进行更新的过程中,还可以同步对样本压缩特征库中的压缩特征进行更新。更新的方式可以有多种,比如,处理器620可以对攻击图像集合中新增的攻击图像进行特征提取和特征压缩,从而得到更新后的样本压缩特征库,或者,还可以在样本压缩特征库中删除已剔除的攻击图像对应的压缩特征,从而得到更新后的样本压缩特征库。因此,样本压缩特征库与攻击样本的攻击图像集合的更新方式类似,也是周期性的更新。在对样本压缩特征库进行更新后,将更新后的样本压缩特征库作为攻击样本对应的样本压缩特征库。
处理器620在获取攻击样本对应的样本压缩特征库之后,便可以确定样本压缩特征库中每一压缩特征与目标压缩特征之间的特征相似度。确定特征相似度的方式可以有多种,比如,处理器620可以获取每一压缩特征与目标压缩特征之间整体的相似度,从而得到特征相似度,或者,还可以获取每一压缩特征与目标压缩特征之间局部的相似度,从而得到特征相似度,等等。
其中,获取每一压缩特征与目标压缩特征之间整体的相似度的方式可以有多种,比如,处理器620可以处理器620可以获取样本压缩特征库中每一压缩特征与目标压缩特征整体之间的余弦相似度,从而得到特征相似度,或者,还可以获取样本压缩特征库中每一压缩特征与目标压缩特征之间的特征距离,并将该特征距离作为特征相似度,等等。
其中,获取每一压缩特征与目标压缩特征之间局部的相似度的方式可以有多种,比如,处理器620可以将每一压缩特征的当前局部特征与目标压缩特征的目标局部压缩特征进行匹配,基于匹配结果,确定当前局部压缩特征与对应的目标局部压缩特征之间的初始特征相似度,以及将初始特征相似度进行融合,得到每一压缩特征与目标压缩特征之间的特征相似度。
其中,将每一压缩特征的当前局部特征与目标压缩特征的目标局部压缩特征进行匹配的方式可以有多种,比如,处理器620可以基于目标局部压缩特征的可回溯性,将第K个目标局部压缩特征与第K个当前局部压缩特征进行匹配。以当前局部压缩特征和目标局部压缩特征的数量为M个为例,K的取值范围就可以为[1,K]之间的任意整数。
处理器620在将每一压缩特征的当前局部压缩特征与目标压缩特征的目标局部压缩特征进行匹配之后,便可以基于匹配结果,确定当前局部压缩特征与对应的目标局部压缩特征之间的初始特征相似度。确定初始特征相似度的方式可以有多种,比如,处理器620可以基于匹配结果,分别确定第K个当前局部压缩特征与匹配的第K个目标局部压缩特征之间的相似度,从而得到第K个初始特征相似度,依次类推,从而可以得到每一当前局部压缩特征与对应的目标局部压缩特征之间的初始特征相似度。
处理器620在确定出初始特征相似度之后,便可以将初始特征相似度进行融合。融合的方式可以有多种,比如,处理器620可以将初始特征相似度进行累加,从而得到每一压缩特征与目标压缩特征之间的特征相似度,或者,还可以获取相似度权重,并基于相似度权重,分别对初始特征相似度进行加权,将加权后的初始特征相似度进行累加,从而得到每一压缩特征与目标压缩特征之间的特征相似度。
其中,需要说明的是,本方案中由于压缩后的目标压缩特征的可解释性,在局部具有可回溯性,特征元素在压缩前后的对应性可以保持近乎相同,使得目标压缩特征在与样本压缩特征库中的压缩特征匹配中,无论是整体匹配还是局部匹配,都可以通过可回溯性增加特征元素的约束,从而使得目标压缩特征中的第K个特征元素匹配样本压缩特征库中的压缩特征的第K个特征元素,大大提升了特征检索的检索效率和检索精度,因此,可以提升攻击检索的检索性能,进而提升活体检测的准确率。
处理器620在确定出每一压缩特征与目标压缩特征之间的特征相似度之后,便可以对特征相似度进行排序,以得到目标特征相似度。对特征相似度进行排序的方式可以有多种,比如,处理器620可以按照特征相似度的大小,对特征相似度进行排序,基于排序结果,在特征相似度中选取出特征相似度最大的特征相似度,从而得到目标特征相似度,或者,还可以按照特征相似度的大小,对特征相似度进行排序,基于排序结果,在特征相似度中选取出特征相似度TOP K的特征相似度,得到候选特征相似度集合。确定出候选特征相似度集合中特征相似度度的均值,从而得到目标特征相似度,等等。
处理器620在确定出目标特征相似度之后,便可以基于目标特征相似度确定目标用户的活体检测结果。确定目标用户的活体检测结果的方式可以有多种,比如,处理器620在目标特征相似度大于预设相似度阈值时,确定目标用户的活体检测结果为攻击用户,或者,在目标特征相似度小于预设相似度阈值时,确定目标用户的活体检测结果为活体用户。
S132:输出活体检测结果。
例如,处理器620可以直接将活体检测结果发送至用户100对应的客户端200、终端或服务器,以便客户端200、终端或服务器基于活体检测结果对目标用户或目标用户对应的业务请求进行响应,或者,还可以直接可视化展示该活体检测结果,等等。
其中,可视化展示活体检测结果的方式可以有多种,比如,处理器620可以直接显示该活体检测结果,或者,可以通过声光等方式展示该活体检测结果(譬如,通过语音播报活体检测结果,或者,可以通过显式不同颜色的光显式不同类型的活体检测结果,或者,还可以通过声光联动的方式展示活体检测结果),或者,还可以针对特定类型的活体检测结果进行展示(譬如,仅针对攻击用户这一类型的活体检测结果进行展示,或者,仅针对活体用户这一类型的活体检测结果进行展示,等等),等等。
在一些实施例中,处理器620还可以在确定出目标用户的活体检测结果或者输出该活体检测结果之后,基于该活体检测结果对目标用户或者目标用户对应的业务请求进行响应,响应的方式可以有多种,比如,处理器620可以直接对目标用户或目标用户对应的业务请求进行拦截,或者,处理器620还可以直接对目标用户进行二次验证,并基于二次验证结果,对目标用户或目标用户对应的业务请求进行最终的响应,等等。
其中,在人脸识别场景下,本方案可以采用局部可回溯压缩方式进行活体攻击检索,整体的活体攻击检索流程可以如图4所示,可以包括基础模型训练、局部可回溯的特征压缩模型训练、特征库构建和特征压缩、攻击检索等四个部分,具体可以如下:
(1)基础模型训练:传统的特征提取模型是基于大量标注的活体检测样本进行训练的,需要额外的数据标注。为了减少数据标注量,本方案首先进行基于开源数据集的模型预训练,从而得到原始活体分类模型,然后,在进行小规模场景数据的迭代优化,从而得到目标活体分类模型,该目标活体分类模型用于提取目标生物图像的原始特征,因此,可以将目标活体分类模型作为基础模型。基础模型的训练可以参见上文所述,在此就不再一一赘述。针对基础模型的训练,在保证特征可分性的前提下,降低了标注的成本,而且还可以提升特征提取的准确性。
(2)局部可回溯的特征压缩模型训练:传统的特征压缩模型只对压缩特征进行全局约束,却忽略了压缩特征的局部可溯源性。本方案中的训练后的特征压缩模型具有局部可回溯性,可以增加压缩特征的可解释性,并提升攻击检索的检索性能,进而提升活体检测的准确率。具有局部可回溯性的特征压缩模型的训练过程可以参见上文所述,在此就不再一一赘述。
(3)特征库构建和特征压缩:通过人工标注的攻击样本积累或者基于模型预测的样本积累,从而得到攻击样本的攻击图像集合(库)。采用基础模型训练后的目标活体分类模型对攻击图像集合中的攻击图像进行特征提取,并采用特征压缩模型对提取出的特征进行压缩,从而得到样本压缩特征库,具体可以如图5所示。针对构建出的样本压缩特征库,还可以每隔一定时间(比如一周或其他周期)对攻击样本库进行全量的人工标注,将非攻击数据和过旧的(比如一年前的或者其他时间的)数据进行剔除,从而实现样本压缩特征库的周期性精简和更新。
(4)攻击检索:目标用户在开始人脸识别后,采用目标用户的人脸图像,并输入到上述训练后的活体分类模型进行特征提取,得到多个人脸局部特征,将多个人脸局部特征输入至特征压缩模型,得到目标用户的人脸压缩特征,然后,将人脸压缩特征与样本压缩特征库中的每一压缩特征进行一一匹配,得到余弦相似度,对余弦相似度进行排序,得到TOP1的特征相似度S,在S大于提前设定的阈值T时,就可以判断为攻击用户,否则判断为活体用户,具体可以如图6所示。
其中,本方案中,首先训练基础的活体分类模型,用于提取样本的特征,然后,针对样本特征,训练局部可回溯的特征压缩模型,用于大幅度降低特征尺寸,最后,将压缩后的攻击样本的特征构建为攻击库(样本压缩特征库),并进行活体攻击检索,从而实现在有限的存储空间下,提升压缩特征的存储量,而且,压缩后的特征还具有可回溯性,从而增加压缩特征的可解释性,并提升后续攻击检索的检索性能,进而提升活体检测的准确率。
综上所述,本说明书提供的活体检测方法P100和系统001,在获取目标用户的目标生物图像,并对目标生物图像进行特征提取,得到目标用户的原始特征后,对原始特征进行特征压缩,得到目标用户的目标压缩特征,该目标压缩特征与原始特征之间局部对应,以及基于目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到目标用户的活体检测结果,并输出活体检测结果;由于该方案可以采用样本压缩特征库进行攻击检索,从而无需标注活体样本,另外,采用压缩特征构建特征库,从而大大减小了特征库的大小,在有效的存储空间下,可以存储更多的攻击样本的压缩特征,而且,在对原始特征进行特征压缩的过程中采用局部可回溯压缩,增加压缩特征(目标压缩特征和样本压缩特征库中的压缩特征)的可解释性,并提升攻击检索的检索性能,因此,可以提升活体检测的准确率。
本说明书另一方面提供一种非暂时性存储介质,存储有至少一组用来进行活体检测的可执行指令。当所述可执行指令被处理器执行时,所述可执行指令指导所述处理器实施本说明书所述的活体检测方法P100的步骤。在一些可能的实施方式中,本说明书的各个方面还可以实现为一种程序产品的形式,其包括程序代码。当所述程序产品在计算设备600上运行时,所述程序代码用于使计算设备600执行本说明书描述的活体检测方法P100的步骤。用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)包括程序代码,并可以在计算设备600上运行。然而,本说明书的程序产品不限于此,在本说明书中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本说明书操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在计算设备600上执行、部分地在计算设备600上执行、作为一个独立的软件包执行、部分在计算设备600上部分在远程计算设备上执行、或者完全在远程计算设备上执行。
上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者是可能有利的。
综上所述,在阅读本详细公开内容之后,本领域技术人员可以明白,前述详细公开内容可以仅以示例的方式呈现,并且可以不是限制性的。尽管这里没有明确说明,本领域技术人员可以理解本说明书需求囊括对实施例的各种合理改变,改进和修改。这些改变,改进和修改旨在由本说明书提出,并且在本说明书的示例性实施例的精神和范围内。
此外,本说明书中的某些术语已被用于描述本说明书的实施例。例如,“一个实施例”,“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征,结构或特性可以包括在本说明书的至少一个实施例中。因此,可以强调并且应当理解,在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外,特定特征,结构或特性可以在本说明书的一个或多个实施例中适当地组合。
应当理解,在本说明书的实施例的前述描述中,为了帮助理解一个特征,出于简化本说明书的目的,本说明书将各种特征组合在单个实施例、附图或其描述中。然而,这并不是说这些特征的组合是必须的,本领域技术人员在阅读本说明书的时候完全有可能将其中一部分设备标注出来作为单独的实施例来理解。也就是说,本说明书中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。
本文引用的每个专利,专利申请,专利申请的出版物和其他材料,例如文章,书籍,说明书,出版物,文件,物品等,可以通过引用结合于此。用于所有目的全部内容,除了与其相关的任何起诉文件历史,可能与本文件不一致或相冲突的任何相同的,或者任何可能对权利要求的最宽范围具有限制性影响的任何相同的起诉文件历史。现在或以后与本文件相关联。举例来说,如果在与任何所包含的材料相关联的术语的描述、定义和/或使用与本文档相关的术语、描述、定义和/或之间存在任何不一致或冲突时,使用本文件中的术语为准。
最后,应理解,本文公开的申请的实施方案是对本说明书的实施方案的原理的说明。其他修改后的实施例也在本说明书的范围内。因此,本说明书披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本说明书中的实施例采取替代配置来实现本说明书中的申请。因此,本说明书的实施例不限于申请中被精确地描述过的实施例。
Claims (23)
1.一种活体检测方法,包括:
获取目标用户的目标生物图像,并对所述目标生物图像进行特征提取,得到所述目标用户的原始特征;
对所述原始特征进行特征压缩,得到所述目标用户的目标压缩特征,所述目标压缩特征与所述原始特征之间局部对应;以及
基于所述目标压缩特征,在攻击样本对应的样本压缩特征库中进行攻击检索,以得到所述目标用户的活体检测结果,并输出所述活体检测结果。
2.根据权利要求1所述的活体检测方法,其中,所述目标生物图像包括面部图像、躯体图像、虹膜图像、指纹图像或掌纹图像中的至少一种。
3.根据权利要求1所述的活体检测方法,其中,所述对所述目标生物图像进行特征提取,得到所述目标用户的原始特征,包括:
获取所述目标生物图像对应的目标活体分类模型;以及
基于所述目标活体分类模型对所述目标生物图像进行局部特征提取,得到多个局部特征图谱,并将所述多个局部特征图谱作为所述原始特征。
4.根据权利要求3所述的活体检测方法,其中,所述获取所述目标生物图像对应的目标活体分类模型,包括:
获取所述样本压缩特征库对应的活体分类模型集合;以及
确定所述目标用户对应的目标检测场景,并在所述活体分类模型集合中选取出所述目标检测场景对应的活体分类模型,得到目标活体分类模型。
5.根据权利要求3所述的活体检测方法,其中,所述目标活体分类模型的训练过程包括以下步骤:
获取开源训练数据,并基于所述开源训练数据对预设活体分类模型进行训练,得到训练后的原始活体分类模型;以及
获取所述目标检测场景对应的目标训练数据,并基于所述目标训练数据对所述原始活体分类模型进行更新,得到所述目标活体分类模型。
6.根据权利要求5所述的活体检测方法,其中,所述预设活体分类模型包括局部特征提取网络、局部特征比对网络和活体分类网络;以及
所述基于所述开源训练数据对预设活体分类模型进行训练,得到训练后的原始活体分类模型,包括:
采用所述局部特征提取网络对所述开源训练数据中的开源图像样本进行局部特征提取,得到多个样本局部特征图谱,
采用所述局部特征比对网络将所述多个样本特征图谱进行比对,得到所述开源图像样本的局部比对关系特征,
将所述多个样本局部特征图谱和所述局部比对关系特征输入至所述活体分类网络,以得到所述开源图像样本的预测活体类别,以及
基于所述预测活体类别和所述局部比对关系特征,对所述预设活体分类模型进行收敛,得到所述原始活体分类模型。
7.根据权利要求6所述的活体检测方法,其中,所述对所述预设活体分类模型进行收敛,得到所述原始活体分类模型,包括:
获取所述开源图像样本的标注活体类别,并将所述预测活体类别和所述标注活体类别进行对比,以得到分类损失信息;
基于所述标注活体类别,将所述开源训练数据中的所述开源图像样本之间的局部比对关系特征进行对比,以得到局部比对损失信息;以及
将所述分类损失信息和所述局部比对损失信息进行融合,得到目标损失信息,并基于所述目标损失信息对所述预设活体分类模型进行收敛,得到所述原始活体分类模型。
8.根据权利要求7所述的活体检测方法,其中,所述基于所述标注活体类别,将所述开源训练数据中的所述开源图像样本之间的局部比对关系特征进行对比,以得到局部比对损失信息,包括:
将所述开源训练数据中同一所述标注活体类别的开源图像样本之间的局部比对关系特征进行比对,得到第一特征比对信息;
将所述开源训练数据中不同所述标注活体类别的开源图像样本之间的局部比对关系特征进行比对,得到第二特征比对信息;以及
基于所述第一特征比对信息和所述第二特征比对信息,确定所述局部比对损失信息,所述局部比对损失信息的约束条件为约束同一所述标注活体类别对应的所述局部比对关系特征之间的差异小于第一预设差异阈值和约束不同所述标注活体类别对应的所述局部比对关系特征之间的差异大于第二预设差异阈值。
9.根据权利要求5所述的活体检测方法,其中,所述基于所述目标训练数据对所述原始活体分类模型进行更新,得到所述目标活体分类模型,包括:
基于所述目标训练数据,对所述原始活体分类模型中的局部特征比对网络和活体分类网络进行训练,得到所述目标活体分类模型。
10.根据权利要求1所述的活体检测方法,其中,所述对所述原始特征进行特征压缩,得到所述目标用户的目标压缩特征,包括:
获取所述样本压缩特征库对应的目标特征压缩模型;以及
采用所述目标特征压缩模型对所述原始特征进行特征压缩,得到所述目标用户的目标压缩特征。
11.根据权利要求10所述的活体检测方法,其中,所述目标特征压缩模型的训练过程包括以下步骤:
获取样本原始特征,并采用预设特征压缩模型对所述样本原始特征进行特征压缩,得到样本压缩特征,所述样本原始特征包括M个第一维度的样本局部特征,所述M为大于或等于1的整数,所述样本压缩特征包括所述M个第二维度的局部压缩特征,所述第二维度小于所述第一维度;
对所述样本压缩特征进行特征重建,并基于重建后的重建原始特征,对所述局部压缩特征进行特征回溯,得到所述局部压缩特征对应的目标样本局部特征;以及
基于所述样本原始特征、所述重建原始特征和所述目标样本局部特征,对所述预设特征压缩模型进行收敛,得到所述目标特征压缩模型。
12.根据权利要求11所述的活体检测方法,其中,所述重建原始特征包括所述M个所述第一维度的重建局部特征;以及
所述对所述局部压缩特征进行特征回溯,得到所述局部压缩特征对应的目标样本局部特征,包括:
在所述重建原始特征中回溯出每一所述局部压缩特征对应的重建局部特征,得到目标重建局部特征,以及
基于所述目标重建局部特征,在所述样本原始特征中确定出所述局部压缩特征对应的样本局部特征,得到所述目标样本局部特征。
13.根据权利要求11所述的活体检测方法,其中,所述对所述预设特征压缩模型进行收敛,得到所述目标特征压缩模型,包括:
将所述重建原始特征和所述样本原始特征进行对比,得到全局重建损失信息;
将每一所述目标样本局部特征和对应的所述重建局部特征进行对比,以得到局部重建损失信息;以及
将所述全局重建损失信息和所述局部重建损失信息进行融合,得到回溯损失信息,并基于所述回溯损失信息对所述预设特征压缩模型进行收敛,得到所述目标特征压缩模型。
14.根据权利要求1所述的活体检测方法,其中,所述样本压缩特征库中的压缩特征与所述目标压缩特征的压缩方式相同。
15.根据权利要求1所述的活体检测方法,其中,所述在攻击样本对应的样本压缩特征库中进行攻击检索,以得到所述目标用户的活体检测结果,包括:
获取攻击样本对应的样本压缩特征库;
确定所述样本压缩特征库中每一压缩特征与所述目标压缩特征之间的特征相似度,并对所述特征相似度进行排序,以得到目标特征相似度;以及
在所述目标特征相似度大于预设相似度阈值时,确定所述目标用户的活体检测结果为攻击用户。
16.根据权利要求15所述的活体检测方法,其中,所述对所述特征相似度进行排序,以得到目标特征相似度之后,还包括:
在所述目标特征相似度小于所述预设相似度阈值时,确定所述目标用户的活体检测结果为活体用户。
17.根据权利要求15所述的活体检测方法,其中,所述获取攻击样本对应的样本压缩特征库,包括:
获取攻击样本对应的攻击图像集合,并采用目标活体分类模型对所述攻击图像集合中的攻击图像进行特征提取,得到所述攻击图像的多个局部攻击特征图谱;以及
采用目标特征压缩模型对所述多个局部攻击特征图谱进行特征压缩,以得到样本压缩特征库。
18.根据权利要求17所述的活体检测方法,其中,所述获取攻击样本对应的攻击图像集合,包括:
获取全量生物图像集合,并在所述全量生物图像集合中选取出多张生物图像,得到原始生物图像集合;
将所述原始生物图像集合发送至标注服务器进行活体类别标注,并接收所述标注服务器返回的所述原始生物图像集合对应的第一标注结果;以及
基于所述第一标注结果,在所述原始生物图像集合中选取出至少一张攻击图像,得到所述攻击样本对应的攻击图像集合。
19.根据权利要求17所述的活体检测方法,其中,所述获取攻击样本对应的攻击图像集合,包括:
获取初始生物图像集合,并采用所述目标活体分类模型对所述初始生物图像集合中的每一生物图像进行活体分类,得到所述每一生物图像的攻击概率;以及
在所述初始生物图像集合中选取出所述攻击概率大于预设攻击概率阈值的至少一张生物图像,得到所述攻击样本对应的攻击图像集合。
20.根据权利要求17所述的活体检测方法,其中,所述获取攻击样本对应的攻击图像集合之后,还包括:
基于预设时间间隔,对所述攻击图像集合进行周期性更新,得到更新后的攻击图像集合;以及
将所述更新后的攻击图像集合作为所述攻击样本对应的攻击图像集合。
21.根据权利要求20所述的活体检测方法,其中,所述对所述攻击图像集合进行周期性更新,得到更新后的攻击图像集合,包括:
基于预设时间间隔,对所述攻击图像集合中的每一攻击图像进行活体标注,得到第二标注结果;
基于所述第二标注结果,在所述攻击图像集合中剔除活体样本对应的攻击图像,得到候选攻击图像集合;
获取所述候选攻击图像集合中每一攻击图像的采样时间,并在所述候选攻击图像集合中剔除所述采样时间超过预设时间阈值的攻击图像,得到更新后的攻击图像集合。
22.根据权利要求15所述的活体检测方法,其中,所述确定所述样本压缩特征库中每一压缩特征与所述目标压缩特征之间的特征相似度,包括:
将所述每一压缩特征的当前局部压缩特征与所述目标压缩特征的目标局部压缩特征进行匹配;
基于匹配结果,确定所述当前局部压缩特征与对应的所述目标局部压缩特征之间的初始特征相似度;以及
将所述初始特征相似度进行融合,得到所述每一压缩特征与所述目标压缩特征之间的特征相似度。
23.一种活体检测系统,包括:
至少一个存储介质,存储有至少一个指令集,用于进行活体检测;以及
至少一个处理器,同所述至少一个存储介质通信连接,
其中,当所述活体检测系统运行时,所述至少一个处理器读取所述至少一个指令集,并且根据所述至少一个指令集的指示执行权利要求1-22中任一项所述的活体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686213.5A CN116110132A (zh) | 2022-12-27 | 2022-12-27 | 活体检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686213.5A CN116110132A (zh) | 2022-12-27 | 2022-12-27 | 活体检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116110132A true CN116110132A (zh) | 2023-05-12 |
Family
ID=86253652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211686213.5A Pending CN116110132A (zh) | 2022-12-27 | 2022-12-27 | 活体检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110132A (zh) |
-
2022
- 2022-12-27 CN CN202211686213.5A patent/CN116110132A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4137991A1 (en) | Pedestrian re-identification method and device | |
CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN112862828A (zh) | 一种语义分割方法、模型训练方法及装置 | |
CN112017162B (zh) | 病理图像处理方法、装置、存储介质和处理器 | |
CN114238904A (zh) | 身份识别方法、双通道超分模型的训练方法及装置 | |
CN116758590B (zh) | 用于身份认证的手掌特征处理方法、装置、设备和介质 | |
CN115984977A (zh) | 活体检测方法和系统 | |
CN116468113A (zh) | 活体检测模型的训练方法、活体检测方法和系统 | |
CN116012612A (zh) | 内容检测方法和系统 | |
CN116524609A (zh) | 活体检测方法及系统 | |
CN114581978A (zh) | 人脸识别的方法和系统 | |
CN116110132A (zh) | 活体检测方法和系统 | |
JP2018137639A (ja) | 動画像処理システム、並びに、符号化装置及びプログラム、並びに、復号装置及びプログラム | |
CN114677611A (zh) | 数据识别方法、存储介质及设备 | |
CN116189315A (zh) | 活体检测方法和系统 | |
CN116259116A (zh) | 活体检测方法和系统 | |
CN116311551A (zh) | 活体检测方法和系统 | |
CN116343346A (zh) | 活体检测方法和系统 | |
CN116778534B (zh) | 图像处理方法、装置、设备和介质 | |
CN116246152A (zh) | 内容检测方法和系统 | |
CN116665315A (zh) | 活体检测模型的训练方法、活体检测方法和系统 | |
CN115223226A (zh) | 生物识别的方法和系统 | |
CN116071795A (zh) | 表情识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |