CN116189314A - 活体攻击检测方法、装置、存储介质以及终端 - Google Patents
活体攻击检测方法、装置、存储介质以及终端 Download PDFInfo
- Publication number
- CN116189314A CN116189314A CN202211708379.2A CN202211708379A CN116189314A CN 116189314 A CN116189314 A CN 116189314A CN 202211708379 A CN202211708379 A CN 202211708379A CN 116189314 A CN116189314 A CN 116189314A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- living body
- features
- detected
- 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
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- 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
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (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)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种活体攻击检测方法、装置、存储介质以及终端,基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;根据第二特征图像确定待检测图像的活体攻击检测结果。由于在提取特征时,一些明显特征例如五官、关节等的特征会更明显,也就会对检测结果具有较大的影响,那么本说明书实施例中弱化贡献度大的图像特征,使得最终通过相对更弱贡献度的图像特征来完成活体攻击检测。
Description
技术领域
本说明书实施例涉及人工智能技术领域,尤其涉及一种活体攻击检测方法、装置、存储介质以及终端。
背景技术
随着近年来人脸识别系统的不断发展,识别过程中对非活体的图像的误识别容易对用户信息的安全造成威胁,因此在人脸识别过程中进行活体攻击检测成为重要步骤。而由于使用人脸识别功能的场景的复杂性,识别对象的面部区域可能存在部分遮挡,为了减小面部遮挡对活体攻击检测结果准确性的负面影响,亟需一种能够准确完成存在遮挡属性的活体攻击检测任务的方法。
发明内容
本说明书实施例提供一种活体攻击检测方法、装置、存储介质以及终端,可以解决相关技术中活体攻击检测结果不准确的技术问题。
第一方面,本说明书实施例提供一种活体攻击检测方法,该方法包括:
基于从待检测图像中提取的图像特征,确定所述待检测图像的第一特征图像;
对所述第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,所述目标图像特征对所述待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;
根据所述第二特征图像确定所述待检测图像的活体攻击检测结果。
第二方面,本说明书实施例提供一种活体攻击检测装置,该装置包括:
特征提取模块,用于基于从待检测图像中提取的图像特征,确定所述待检测图像的第一特征图像;
特征弱化模块,用于对所述第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,所述目标图像特征对所述待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;
活体攻击检测模块,用于根据所述第二特征图像确定所述待检测图像的活体攻击检测结果。
第三方面,本说明书实施例提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机或处理器上运行时,使得所述计算机或所述处理器执行上述的方法的步骤。
第四方面,本说明书实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法的步骤。
第五方面,本说明书实施例提供一种终端,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,所述计算机程序适于由处理器加载并执行上述的方法的步骤。
本说明书一些实施例提供的技术方案带来的有益效果至少包括:
本说明书实施例提供一种方法,基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;根据第二特征图像确定待检测图像的活体攻击检测结果。由于在提取特征时,一些明显特征例如五官、关节等的特征会更明显,也就会对检测结果具有较大的影响,那么本说明书实施例中弱化贡献度大的图像特征,使得最终通过相对更弱贡献度的图像特征来完成活体攻击检测,提升在高贡献度特征被遮盖时的活体攻击检测准确性,提高在多样化的复杂场景中的适用性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本说明书实施例提供的一种活体攻击检测方法的示例性系统架构图;
图2为本说明书实施例提供的一种活体攻击检测方法的系统交互图;
图3为本说明书实施例提供的一种活体攻击检测方法的流程示意图;
图4为本说明书实施例提供的一种活体攻击检测方法的流程示意图;
图5为本说明书实施例提供的一种活体攻击检测方法的逻辑流程图;
图6为本说明书实施例提供的一种活体攻击检测装置的结构框图;
图7为本说明书实施例提供的一种终端的结构示意图。
具体实施方式
为使得本说明书实施例的特征和优点能够更加的明显和易懂,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而非全部实施例。基于本说明书中的实施例,本领域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,都属于本说明书实施例保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书实施例相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本说明书实施例的一些方面相一致的装置和方法的例子。
随着人脸识别任务量的不断提升,使用人脸识别功能的用户和所处的人脸识别场景越来越多。而用户的活体数据与其个人信息高度相关,信息采集过程中可能会采集到针对活体攻击检测模型的活体攻击,例如人脸图像、照片、视频等信息,采集到非真实活体数据的活体攻击时若检测错误可能会导致用户的信息泄露并造成损失,进而通过活体攻击检测来拦截非活体类型的攻击成为人脸识别系统中不可缺少的一环,活体攻击检测需要有效的拦截非活体类型的攻击样本,类型包括如手机攻击、纸张攻击、头模等等。
在活体攻击检测过程中,通常是通过待检测图像中的图像特征来判断是否是活体攻击,而容易理解的,相比平整的面部,待检测对象的明显面部特征会具有更强的特征表征,根据明显特征会更容易得到正确的活体攻击检测结果,因此在,现有的活体攻击检测过程中,对面部重要特征的暴露程度依赖较大,这也使得待检测对象的一些明显面部表征,例如五官、耳朵、脸部轮廓等,会对检测结果具有较大影响。然而在日常生活中,经常出现用户面部出现遮盖物的情况,例如用户可能佩戴墨镜、口罩、帽子等常见的会对面部产生遮盖的物品,导致在活体攻击检测时,待检测对象的一些面部重要特征被遮盖,此时可能导致已有的活体攻击检测无法根据较弱的特征表征得到准确地检测结果,并且非常容易受到遮盖物特征的干扰。
那么目前已有的适用于遮盖场景的活体攻击检测方案,多以口罩遮盖属性为例,例如一种基于口罩属性的分数融合方案,通过口罩属性的得分和活体攻击检测的得分进行分数融合,最终得到输入图像的整体打分,从而将口罩属性融入到活体攻击检测任务中,但该方案对于口罩遮盖物识别的准确率要求较高,无法保证全局上鲁棒性;又例如另一种基于人脸部件检测的口罩活体攻击检测方法,通过先检测出人脸中固定的部件,如果发现嘴部和鼻子被遮挡则认为是人脸口罩属性,从而对最终的活体攻击检测打分产生约束,但该方法对于非口罩的人脸部件遮挡不具有判断能力,会造成大量的误识别产生。
因此本说明书实施例提供一种活体攻击检测方法,基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;根据第二特征图像确定待检测图像的活体攻击检测结果,以解决上述在遮盖场景中活体攻击检测结果不准确的技术问题。
请参阅图1,图1为本说明书实施例提供的一种活体攻击检测方法的示例性系统架构图。
如图1所示,系统架构可以包括终端101、网络102和服务器103。网络102用于在终端101和服务器103之间提供通信链路的介质。网络102可以包括各种类型的有线通信链路或无线通信链路,例如:有线通信链路包括光纤、双绞线或同轴电缆的,无线通信链路包括蓝牙通信链路、无线保真(Wireless-Fidelity,Wi-Fi)通信链路或微波通信链路等。
终端101可以通过网络102与服务器103交互,以接收来自服务器103的消息或向服务器103发送消息,或者终端101可以通过网络102与服务器103交互,进而接收其他用户向服务器103发送的消息或者数据。终端101可以是硬件,也可以是软件。当终端101为硬件时,可以是各种电子设备,包括但不限于智能手表、智能手机、平板电脑、膝上型便携式计算机和台式计算机等。当终端101为软件时,可以是安装在上述所列举的电子设备中,其可以实现呈多个软件或软件模块(例如:用来提供分布式服务),也可以实现成单个软件或软件模块,在此不作具体限定。
在本说明书实施例中,终端101首先基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;然后,终端101对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,其中,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;最终,终端101根据第二特征图像确定待检测图像的活体攻击检测结果
服务器103可以是提供各种服务的中心集成服务器。需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
或者,该系统架构还可以不包括服务器103,换言之,服务器103可以为本说明书实施例中可选的设备,即本说明书实施例提供的方法可以应用于仅包括终端101的系统结构中,本说明书实施例对此不做限定。
应理解,图1中的终端、网络以及服务器的数目仅是示意性的,根据实现需要,可以是任意数量的终端、网络以及服务器。
请参阅图2,图2为本说明书实施例提供的一种活体攻击检测方法的流程示意图。本说明书实施例的执行主体可以是执行活体攻击检测的终端,也可以是执行活体攻击检测方法的终端中的处理器,还可以是执行活体攻击检测方法的终端中的活体攻击检测服务。为方便描述,下面以执行主体是终端中的处理器为例,介绍活体攻击检测方法的具体执行过程。
如图2所示,活体攻击检测方法至少可以包括:
S202、基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像。
可选地,通常在进行活体攻击检测时,需要对待检测图像进行分析,获取其中的图像特征,例如关键点信息、线条轮廓信息等,基于图像特征可以对待检测图像进行活体攻击判断。也即对于用户输入的待检测图像,首先需要从待检测图像中提取各单位像素的图像特征,基于图像特征能够确定待检测图像的第一特征图像。
具体地,可以通过深度学习神经网络完成图像的特征提取任务,提取待检测图像的深度特征,以便于后续基于特征图像来进行活体攻击检测。并且对待检测模型进行特征提取之前还可以进行一定的预处理步骤,例如锐化、目标人脸区域截取等,其中,进行预处理的步骤和相应方法本说明书实施例不作具体限定。
S204、对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度。
可选地,由于在人脸特征中,有明显变化的特征是包含更多信息的,例如五官部位、脸部轮廓等,这类信息通常更有助于对当前待测目标进行判断,那么在活体攻击的检测任务中,会倾向于关注这类特征,因此这些强表征特征也就对检测结果具有较强贡献和较大影响。然而,在大量实际场景中会出现面部特征被遮盖的情况,当这部分特征被遮盖后,此时常规的活体攻击检测方法,如果依旧对高贡献度的特征表征具有较大依赖,就会导致最终的活体攻击检测受到干扰,出现误识别,进而得到不准确的检测结果。那么为了应对出现遮盖属性的活体攻击检测任务,可以尝试降低对高贡献度特征的依赖,从弱贡献特征中提取英语检测判断的信息依据,进而提升在遮盖场景下的活体攻击检测能力。
可选地,为了减少高贡献度的特征表征对最终结果的影响,可以对第一特征图像中贡献度较高的目标图像特征进行弱化操作,得到第二特征图像,其中目标图像特征为对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度,预设特征贡献度可以根据实际情况进行设置,本说明书实施例对此不作限定。
可选地,在一种可行的实施例中,可以使用神经网络模型来完成上述任务。那么在模型训练过程中,模型内部会对高贡献度的目标图像特征进行弱化操作,然后基于较弱特征进行活体攻击检测,强迫模型从更弱表征的特征中学习分类信息,这直接训练了模型使用弱表征特征判断活体攻击的能力,从而打破模型惰性的训练过程,与此同时增加模型整体的泛化性。
S206、根据第二特征图像确定待检测图像的活体攻击检测结果。
可选地,当第一特征图像中的具有强贡献度的目标图像特征被弱化之后,根据得到的第二特征图像可以确定待检测图像的活体攻击检测结果,此时活体攻击检测是基于较弱贡献的表征来进行判断的,减少检测过程中对高贡献度特征的依赖,提升在高贡献度特征被遮盖时的活体攻击检测准确性,增强了活体攻击检测方法在多种复杂场景中的泛化性。
在本说明书实施例中,提供一种活体攻击检测方法,基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;根据第二特征图像确定待检测图像的活体攻击检测结果。由于在提取特征时,一些明显特征例如五官、关节等的特征会更明显,也就会对检测结果具有较大的影响,那么本说明书实施例中弱化贡献度大的图像特征,使得最终通过相对更弱贡献度的图像特征来完成活体攻击检测,提升在高贡献度特征被遮盖时的活体攻击检测准确性,提高在多样化的复杂场景中的适用性。
请参阅图3,图3为本说明书实施例提供的一种活体攻击检测方法的流程示意图。
如图3所示,活体攻击检测方法至少可以包括:
S302、基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像。
关于步骤S302,请参阅步骤S202中的详细记载,此处不再赘述。
S304、基于第一特征图像中各图像特征的特征梯度,确定第一特征图像中的目标图像特征。
可选地,从上述实施例的介绍可以知道,为了减小明显特征对最终活体攻击检测结果的影响,在得到待检测图像的第一特征图像之后,可以对第一特征图像中的目标图像特征进行弱化操作。因此,进行弱化操作之前,首先需要确定第一特征图像中的目标图像特征。对于以像素为单位的图像特征,每个像素都有其对应的特征梯度,梯度越高则说明该像素的特征表征越强,对输出结果的影响越大;梯度越低则说明该像素的特征表征越弱,对输出结果的影响越小。基于此,在一种可行的实施例中,可以对第一特征图像中各图像特征分别计算特征梯度,根据各特征梯度确定第一特征图像中的目标图像特征,也即对第一特征图像中各图像特征进行特征自挑战,通过自挑战的方式来取得特征梯度,并进一步确定需要弱化的目标图像特征。
具体地,进行特征自挑战时,为了根据各图像特征的特征梯度来筛选出目标图像特征,可以先设置一个预设特征梯度阈值,确定预设特征梯度阈值强特征、弱特征之间的分界线,将各特征梯度分别与预设特征梯度阈值进行比较,将高于预设特征梯度阈值的特征梯度对应的图像特征作为能对输出结果产生强贡献的目标图像特征。其中,预设特征梯度阈值可以是根据实际需要进行设置的,可以根据实验统计、计算等多种方式得到,本说明书实施例对此不作限定。
S306、对各目标图像特征进行弱化操作。
可选地,确定目标图像特征之后,需要对各目标图像特征进行弱化操作。各目标图像特征通过自身的特征值来对最终的输出结果产生影响,那么弱化时主要对目标图像特征的特征值进行弱化,而对于剩余的较弱表征的图像特征的特征值需要保留以供进行最终的活体攻击检测。
具体地,弱化过程中需要进行有选择的针对性弱化,因此就需要相应的过滤器,那么在一种可行的实施例中,就可以使用掩码操作来作为弱化操作,掩码(mask)操作,也称为掩膜操作,其相当于在原始张量上盖上一层掩膜,从而屏蔽或选择一些特定元素。基于掩码操作,能够将目标图像特征的特征值弱化为预设特征值,并保留第一特征图像中除目标图像特征之外的非目标图像特征的原本特征值。其中,预设特征值代表了对目标图像特征的弱化效果,可以是零、也可以是其他任意标准特征值,主要根据实际需要来动态设置,本说明书实施例对此不作限定。
S308、根据第二特征图像确定待检测图像的活体攻击检测结果。
关于步骤S308,请参阅步骤S206中的详细记载,此处不再赘述。
在本说明书实施例中,提供一种活体攻击检测方法,通过图像特征的特征梯度确定目标图像特征,这样能够准确量化图像特征的特征强度,进而便于后续得到准确的活体攻击检测结果;确定特征梯度超过预设特征梯度阈值的图像特征为大于输出结果产生较大影响的目标图像特征,并且使用掩码操作来对目标图像特征的特征值进行弱化,掩码操作能够将目标图像特征的特征值弱化为预设特征值,并保留第一特征图像中除目标图像特征之外的非目标图像特征的原本特征值,起到弱化强特征并保留弱特征的作用。
请参阅图4,图4为本说明书实施例提供的一种活体攻击检测方法的流程示意图。
如图4所示,活体攻击检测方法至少可以包括:
S402、确定待检测图像中的目标感兴趣区域,基于从目标感兴趣区域中提取的图像特征,确定待检测图像的第一特征图像。
可选地,由于活体攻击检测主要针对待检测目标的面部信息进行判断,而待检测图像中通常包括待检测目标的上肢信息以及大片的图像背景信息,那么为了对面部信息进行准确分析,可以将待检测图像中的面部区域作为感兴趣区域(region of interest,ROI),首先从待检测图像中得到相应的目标感兴趣区域,再在感兴趣区域的基础上提取用户面部的图像特征。
请参阅图5,图5为本说明书实施例提供的一种活体攻击检测方法的逻辑流程图。如图5所示,在获取输入的待检测图像之后,首先确定待检测图像中的目标感兴趣区域,基于从目标感兴趣区域中提取的图像特征,确定待检测图像的第一特征图像。
S404、确定第一特征图像中的遮盖图像区域和非遮盖图像区域。
可选地,对各类不同的遮盖场景,还可以进一步对遮盖区域作针对性的特征弱化,来强化在特定场景下的适用性。由于目前在多种遮盖场景中,口罩属性的遮盖场景最多见,因此本说明书实施例以口罩场景为例,针对口罩属性的特定场景进行针对性的处理,也即对口罩遮盖区域进行针对性的特征弱化,使得在进行活体攻击检测时对口罩区域不敏感,从而增强其他区域对最终分类的贡献。
可选地,如图5所示,首先通过针对口罩的目标检测,确定第一特征图像中的口罩区域也即遮盖图像区域的遮盖坐标,基于遮盖坐标在第一特征图像中进行投影,确定投影区域为遮盖图像区域以及剩余非投影区域为非遮盖图像区域。此时对于遮盖图像区域,可以进行针对性的特征弱化,使得活体攻击检测更注重于非遮盖图像区域;而对于非遮盖的图像区域进行的弱化,则使得活体攻击检测更注重于没有被遮盖的较弱特征,最终实现非遮盖图像区域对于弱贡献特征表示的增强,从而实现整体活体攻击检测模型的泛化性。
S406、对遮盖图像区域中的第一目标图像特征进行第一弱化操作以及对非遮盖图像区域中的第二目标图像特征进行第二弱化操作,得到第二特征图像。
可选地,对遮盖图像区域中的第一目标图像特征进行第一弱化操作以及对非遮盖图像区域中的第二目标图像特征进行第二弱化操作,具体的,为了保留部分遮盖图像区域中的遮盖特征来使得模型学习遮盖区域的特征表示,因此不需要对所有遮盖图像区域的特征进行弱化,而是如图5所示,可以将随机弱化操作作为第一弱化操作,对遮盖图像区域的图像特征进行随机自挑战,使得对于一部分的输入图像,模型对遮盖图像区域不敏感,增强其他非遮盖图像区域对最终分类的贡献。
进一步地,如图5所示,对于非遮盖图像区域可以进行高响应自挑战,也即第二弱化操作可以是高响应弱化操作。对于非遮盖图像区域,可以进行栅格划分,将非遮盖图像区域分为以8个像素为单位的栅格进行弱化操作,计算每个栅格区域内最大的图像特征的特征值为这个单元栅格的特征值,根据各划分后的栅格特征梯度来进行特征自挑战,提高非遮盖图像区域的弱化操作效率,提高方案的最终泛化性。栅格划分的像素格数量可根据具体需要进行设置,像素格数量越小,则弱化操作越细致,本说明书实施例对栅格划分的像素格数量不作限定。
可选地,请继续参阅图5,分别对遮盖图像区域各非遮盖图像区域进行针对性的弱化操作之后,就可以得到原本第一特征图像对应的弱化后的第二特征图像,最终可以根据第二特征图像进行活体攻击检测并得到检测分类结果。其中,具体可以通过特征映射的方法将遮盖图像区域在最后的特征上进行映射,也可以采用类似于卷积神经网络(RegionProposal Network,RPN)的分布式卷积框架实现,会有更好的特征区域映射效果,从而对最终的结果产生额外的正向收益。
进一步地,可以注意到,基于本方案中对遮盖图像区域的针对性弱化,实际上可以通过类似的方法将人脸其他属性进行引入,例如墨镜场景中眼睛区域为遮盖区域等情况,从而得到更鲁棒的活体攻击检测模型,以及在多场景下适用的活体攻击检测方法。
S408、根据第二特征图像确定待检测图像的活体攻击检测结果。
关于步骤S408,请参阅步骤S206中的详细记载,此处不再赘述。
在本说明书实施例中,提供一种活体攻击检测方法,对特殊遮盖区域中的特征进行随机弱化,提升本方案对特定遮盖情况的处理能力,增强在特定遮盖场景下的适用性;保持非特殊遮盖区域的目标图像特征弱化,使得进行活体攻击检测时可以从非遮盖区域的弱特征中进行分析,得到活体攻击检测结果,使得最终通过相对更弱贡献度的图像特征来完成活体攻击检测,提升在高贡献度特征被遮盖时的活体攻击检测准确性,提高在多样化的复杂场景中的适用性。
请参阅图6,图6为本说明书实施例提供的一种活体攻击检测装置的结构框图。如图6所示,活体攻击检测装置600包括:
特征提取模块610,用于基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;
特征弱化模块620,用于对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;
活体攻击检测模块630,用于根据第二特征图像确定待检测图像的活体攻击检测结果。
可选地,特征弱化模块620,还用于基于第一特征图像中各图像特征的特征梯度,确定第一特征图像中的目标图像特征;对各目标图像特征进行弱化操作。
可选地,特征弱化模块620,还用于将各特征梯度分别与预设特征梯度阈值进行比较,将高于预设特征梯度阈值的特征梯度对应的图像特征为目标图像特征。
可选地,特征弱化模块620,还用于将目标图像特征的特征值置为预设特征值,并保留第一特征图像中除目标图像特征之外的非目标图像特征的特征值。
可选地,特征弱化模块620,还用于确定第一特征图像中的遮盖图像区域和非遮盖图像区域;对遮盖图像区域中的第一目标图像特征进行第一弱化操作以及对非遮盖图像区域中的第二目标图像特征进行第二弱化操作,得到第二特征图像。
可选地,特征弱化模块620,还用于确定待检测图像中遮盖区域的遮盖坐标,基于遮盖坐标在第一特征图像中进行投影,确定投影区域为遮盖图像区域以及剩余非投影区域为非遮盖图像区域。
可选地,第一弱化操作为随机弱化操作,第二弱化操作为高响应弱化操作。
可选地,特征提取模块610,还用于确定待检测图像中的目标感兴趣区域,基于从目标感兴趣区域中提取的图像特征,确定待检测图像的第一特征图像。
可选地,弱化操作为掩码操作。
在本说明书实施例中,提供一种活体攻击检测装置,其中,特征提取模块,用于基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;特征弱化模块,用于对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;活体攻击检测模块,用于根据第二特征图像确定待检测图像的活体攻击检测结果。由于在提取特征时,一些明显特征例如五官、关节等的特征会更明显,也就会对检测结果具有较大的影响,那么本说明书实施例中弱化贡献度大的图像特征,使得最终通过相对更弱贡献度的图像特征来完成活体攻击检测,提升在高贡献度特征被遮盖时的活体攻击检测准确性,提高在多样化的复杂场景中的适用性。
本说明书实施例提供一种包含指令的计算机程序产品,当计算机程序产品在计算机或处理器上运行时,使得计算机或处理器执行上述实施例中任一项的方法的步骤。
本说明书实施例还提供了一种计算机存储介质,计算机存储介质可以存储有多条指令,指令适于由处理器加载并执行如上述实施例中的任一项的方法的步骤。
请参见图7,图7为本说明书实施例提供的一种终端的结构示意图。如图7所示,终端700可以包括:至少一个终端处理器701,至少一个网络接口704,用户接口703,存储器705,至少一个通信总线702。
其中,通信总线702用于实现这些组件之间的连接通信。
其中,用户接口703可以包括显示屏(Display)、摄像头(Camera),可选用户接口703还可以包括标准的有线接口、无线接口。
其中,网络接口704可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,终端处理器701可以包括一个或者多个处理核心。终端处理器701利用各种接口和线路连接整个终端700内的各个部分,通过运行或执行存储在存储器705内的指令、程序、代码集或指令集,以及调用存储在存储器705内的数据,执行终端700的各种功能和处理数据。可选的,终端处理器701可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。终端处理器701可集成中心处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到终端处理器701中,单独通过一块芯片进行实现。
其中,存储器705可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选的,该存储器705包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器705可用于存储指令、程序、代码、代码集或指令集。存储器705可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器705可选的还可以是至少一个位于远离前述终端处理器701的存储装置。如图7所示,作为一种计算机存储介质的存储器705中可以包括操作系统、网络通信模块、用户接口模块以及活体攻击检测程序。
在图7所示的终端700中,用户接口703主要用于为用户提供输入的接口,获取用户输入的数据;而终端处理器701可以用于调用存储器705中存储的活体攻击检测程序,并具体执行以下操作:
基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像;
对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,目标图像特征对待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;
根据第二特征图像确定待检测图像的活体攻击检测结果。
在一些实施例中,终端处理器701在执行对第一特征图像中的目标图像特征进行弱化操作时,具体执行以下步骤:基于第一特征图像中各图像特征的特征梯度,确定第一特征图像中的目标图像特征;对各目标图像特征进行弱化操作。
在一些实施例中,终端处理器701在执行基于第一特征图像中各图像特征的特征梯度,确定特征图像中的目标图像特征时,具体执行以下步骤:将各特征梯度分别与预设特征梯度阈值进行比较,将高于预设特征梯度阈值的特征梯度对应的图像特征为目标图像特征。
在一些实施例中,终端处理器701在执行对各目标图像特征进行弱化操作时,具体执行以下步骤:将目标图像特征的特征值置为预设特征值,并保留第一特征图像中除目标图像特征之外的非目标图像特征的特征值。
在一些实施例中,终端处理器701在执行对第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像时,具体执行以下步骤:确定第一特征图像中的遮盖图像区域和非遮盖图像区域;对遮盖图像区域中的第一目标图像特征进行第一弱化操作以及对非遮盖图像区域中的第二目标图像特征进行第二弱化操作,得到第二特征图像。
在一些实施例中,终端处理器701在执行确定第一特征图像中的遮盖图像区域和非遮盖图像区域时,具体执行以下步骤:确定待检测图像中遮盖区域的遮盖坐标,基于遮盖坐标在第一特征图像中进行投影,确定投影区域为遮盖图像区域以及剩余非投影区域为非遮盖图像区域。
在一些实施例中,第一弱化操作为随机弱化操作,第二弱化操作为高响应弱化操作。
在一些实施例中,终端处理器701在执行基于从待检测图像中提取的图像特征,确定待检测图像的第一特征图像时,具体执行以下步骤:确定待检测图像中的目标感兴趣区域,基于从目标感兴趣区域中提取的图像特征,确定待检测图像的第一特征图像。
在一些实施例中,弱化操作为掩码操作。
在本说明书所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。上述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时,全部或部分地产生按照本说明书实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者通过上述计算机可读存储介质进行传输。上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字多功能光盘(DigitalVersatile Disc,DVD))、或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本说明书实施例所提供的一种活体攻击检测方法、装置、存储介质以及终端的描述,对于本领域的技术人员,依据本说明书实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本说明书实施例的限制。
Claims (13)
1.一种活体攻击检测方法,所述方法包括:
基于从待检测图像中提取的图像特征,确定所述待检测图像的第一特征图像;
对所述第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,所述目标图像特征对所述待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;
根据所述第二特征图像确定所述待检测图像的活体攻击检测结果。
2.根据权利要求1所述的方法,所述对所述第一特征图像中的目标图像特征进行弱化操作,包括:
基于所述第一特征图像中各图像特征的特征梯度,确定所述第一特征图像中的目标图像特征;
对各目标图像特征进行弱化操作。
3.根据权利要求2所述的方法,所述基于所述第一特征图像中各图像特征的特征梯度,确定所述特征图像中的目标图像特征,包括:
将各特征梯度分别与预设特征梯度阈值进行比较,将高于所述预设特征梯度阈值的特征梯度对应的图像特征为目标图像特征。
4.根据权利要求3所述的方法,所述对各目标图像特征进行弱化操作,包括:
将所述目标图像特征的特征值置为预设特征值,并保留所述第一特征图像中除所述目标图像特征之外的非目标图像特征的特征值。
5.根据权利要求1至4任一项所述的方法,所述对所述第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,包括:
确定所述第一特征图像中的遮盖图像区域和非遮盖图像区域;
对所述遮盖图像区域中的第一目标图像特征进行第一弱化操作以及对所述非遮盖图像区域中的第二目标图像特征进行第二弱化操作,得到第二特征图像。
6.根据权利要求5所述的方法,所述确定所述第一特征图像中的遮盖图像区域和非遮盖图像区域,包括:
确定所述待检测图像中遮盖区域的遮盖坐标,基于所述遮盖坐标在所述第一特征图像中进行投影,确定投影区域为遮盖图像区域以及剩余非投影区域为非遮盖图像区域。
7.根据权利要求5所述的方法,所述第一弱化操作为随机弱化操作,所述第二弱化操作为高响应弱化操作。
8.根据权利要求1所述的方法,所述基于从待检测图像中提取的图像特征,确定所述待检测图像的第一特征图像,包括:
确定所述待检测图像中的目标感兴趣区域,基于从所述目标感兴趣区域中提取的图像特征,确定所述待检测图像的第一特征图像。
9.根据权利要求1所述的方法,所述弱化操作为掩码操作。
10.一种活体攻击检测装置,所述装置包括:
特征提取模块,用于基于从待检测图像中提取的图像特征,确定所述待检测图像的第一特征图像;
特征弱化模块,用于对所述第一特征图像中的目标图像特征进行弱化操作,得到第二特征图像,所述目标图像特征对所述待检测图像的活体攻击检测结果的目标特征贡献度大于预设特征贡献度;
活体攻击检测模块,用于根据所述第二特征图像确定所述待检测图像的活体攻击检测结果。
11.一种包含指令的计算机程序产品,当所述计算机程序产品在计算机或处理器上运行时,使得所述计算机或所述处理器执行如权利要求1至9任意一项所述方法的步骤。
12.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1至9任意一项的所述方法的步骤。
13.一种终端,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如权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211708379.2A CN116189314A (zh) | 2022-12-28 | 2022-12-28 | 活体攻击检测方法、装置、存储介质以及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211708379.2A CN116189314A (zh) | 2022-12-28 | 2022-12-28 | 活体攻击检测方法、装置、存储介质以及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116189314A true CN116189314A (zh) | 2023-05-30 |
Family
ID=86435652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211708379.2A Pending CN116189314A (zh) | 2022-12-28 | 2022-12-28 | 活体攻击检测方法、装置、存储介质以及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189314A (zh) |
-
2022
- 2022-12-28 CN CN202211708379.2A patent/CN116189314A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934197B (zh) | 人脸识别模型的训练方法、装置和计算机可读存储介质 | |
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN109657554B (zh) | 一种基于微表情的图像识别方法、装置以及相关设备 | |
CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
CN109815881A (zh) | 行为识别模型的训练方法、行为识别方法、装置及设备 | |
CN109389069A (zh) | 注视点判断方法和装置、电子设备和计算机存储介质 | |
KR20200118076A (ko) | 생체 검출 방법 및 장치, 전자 기기 및 저장 매체 | |
US20230086552A1 (en) | Image processing method and apparatus, device, storage medium, and computer program product | |
CN112749609B (zh) | 人体图像分割方法、装置、计算机设备及存储介质 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN111292092A (zh) | 刷脸支付方法、装置及电子设备 | |
CN113221767B (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 | |
CN112241667A (zh) | 图像检测方法、装置、设备及存储介质 | |
CN112560584A (zh) | 一种人脸检测方法及装置、存储介质、终端 | |
CN114783070A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN115082992A (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
CN108921138B (zh) | 用于生成信息的方法和装置 | |
CN116704264B (zh) | 动物分类方法、分类模型训练方法、存储介质及电子设备 | |
CN112818899A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
CN110321009B (zh) | Ar表情处理方法、装置、设备和存储介质 | |
CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 | |
CN116189314A (zh) | 活体攻击检测方法、装置、存储介质以及终端 | |
CN114445898A (zh) | 人脸活体检测方法、装置、设备、存储介质及程序产品 | |
CN112348112A (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
CN115841437A (zh) | 一种图像增强的方法、装置及设备 |
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 |