CN117636484A - 活体检测方法、装置、电子设备及存储介质 - Google Patents
活体检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117636484A CN117636484A CN202210968846.9A CN202210968846A CN117636484A CN 117636484 A CN117636484 A CN 117636484A CN 202210968846 A CN202210968846 A CN 202210968846A CN 117636484 A CN117636484 A CN 117636484A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- living body
- body detection
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 205
- 238000012795 verification Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 25
- 210000000056 organ Anatomy 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 27
- 238000001727 in vivo Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000001815 facial effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000003213 activating effect Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000004397 blinking Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供了一种活体检测方法、装置、电子设备及存储介质响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。本公开实施例的技术方案,有效抵御了活体检测的风险,保证了活体检测的精准度。
Description
技术领域
本公开实施例涉及计算机应用技术领域,尤其涉及一种活体检测方法、装置、电子设备及存储介质。
背景技术
身份验证作为保护用户信息安全的重要手段之一,由于其简单、方便及高效备受用户青睐。随着智能设备的不断发展,智能设备存储的用户身份信息的广泛性和隐私性越来越高,因此,对于身份验证安全性的要求也越来越高。
目前,在很多身份验证的场景中,在验证身份之前,会先进行活体检测,以为维护信息安全增加一层保障。然而,相关的活体检测方式,在活体检测时,通常会受到局部扰动类的攻击,无法保证活体检测结果的准确性,从而影响信息安全。
发明内容
本公开提供一种活体检测方法、装置、电子设备及存储介质,以提高活体检测的精准度。
根据本公开的一方面,提供了一种活体检测方法,其中,该方法包括:
响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;
针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;
基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;
基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
根据本公开的另一方面,提供了一种活体检测装置,其中,该装置包括:
图像序列采集模块,用于响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;
参考图像确定模块,用于针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;
风险因子确定模块,用于基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;
检测结果确定模块,用于基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
根据本公开的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任一实施例所述的活体检测方法。
根据本公开的另一方面,提供了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指令,所述计算机指令用于使处理器执行时实现本公开任一实施例所述的活体检测方法。
本公开实施例的技术方案,响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;充分考虑到了活体特征的动态变化;基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;通过活体检测中的执行预设验证动作的验证器官所在的区域定义风险因子,以对活体检测的风险进行预测。基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。解决了相关技术中活体检测结果的准确性低的技术问题,有效规避了活体检测中的风险,提高了活体检测的精准度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开实施例所提供的一种活体检测方法流程示意图;
图2是本公开实施例所提供的另一种活体检测方法流程示意图;
图3是本公开实施例所提供的又一种活体检测方法流程示意图;
图4是本公开实施例所提供的再一种活体检测方法流程示意图;
图5是本公开实施例提供的一种用于执行本公开实施例的活体检测方法的场景示意图;
图6是本公开实施例所提供的一种活体检测装置结构示意图;
图7是本公开实施例所提供的一种活体检测电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种活体检测方法的流程示意图,本公开实施例适用于活体检测的情形,该方法可以由活体检测装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。
如图1所示,所述方法包括:
S110、响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像。
其中,所述活体检测触发操作可以理解为用于触发激活活体检测进程的操作。在本公开实施例中,可以激活活体检测进程的活体检测触发操作可以有多种,在此并不对其具体的操作方式进行限定。活体检测触发操作可以是接触性的操作或非接触性的操作。
可以理解的是,在所述响应于活体检测触发操作之前,还包括:接收活体检测触发操作。可选地,接收活体检测触发操作包括下述操作中的至少一项:
接收作用于预先设置的活体检测启动控件的控件触发操作;
获取基于与活体检测相关联的拍摄装置采集的待检测图像;
接收用于激活活体检测进程的声音指令或手势信息;
检测目标触发事件,其中,所述目标触发事件可以理解为与活体检测关联的用于激活活体检测进程的事件。
示例性地,所述目标触发事件至少包括当前时间点为预设检测时间点、当前时间点处于预设检测时段内、检测到服务风险以及接收到第三方传输的待检测图像等时间中的至少一个。
在本公开实施例中,活体检测启动控件可以理解为用于启动活体检测功能或者说用于激活活体检测进程的交互控件。活体检测启动控件可以是实体控件也可以是虚拟控件。例如,具体可以是设置于应用程序界面中的虚拟控件。活体检测启动控件的表现形式可以有多种,例如可以是应用程序界面采用图片、文字以及符号等标识的界面元件,也可以是应用程序界面中的设定触发区域,还可以是可滑动的控件,又可以是选项形式的控件等。作用于活体检测启动控件的控件触发操作也可以有多种,例如可以是,点击操作(单击或双击等)、按压操作(长按或短按等)、悬浮擦作、活动操作或者输入预设轨迹的操作等。
可选地,可以将与活体检测相关联的拍摄装置采集的每一帧图像均作为待检测图像;或者,基于预先设置的图像抽取帧率从与活体检测相关联的拍摄装置采集的图像序列中抽取图像作为待检测图像;又或者,对与活体检测相关联的拍摄装置采集的每一帧图像进行图像识别,将识别到目标图像信息的图像作为待检测图像。其中,目标图像信息可以是用于图像中所包含的用于激活活体检测进程的信息,例如,具体可以是待检测是否为活体的检测对象。
需要说明的是,确定为接收到活体检测触发操作的方式可以有很多种,以上仅仅是对接收活体检测触发操作的方式的示例,而并非限定。在实际应用中,活体检测触发操作的生成方式可以根据实际需求进行设置。
其中,所述目标对象可以理解为待进行活体检测的对象。可以理解的是,所述目标对象可能是具有活体生理特征的对象,有可能是不具有活体生理特征的对象。示例性的,可以是活体、包含或不包含有活体的照片或静态屏幕等。所述图像序列可以理解为伴随时间推移针对所述目标对象采集的多帧图像。可以理解为针对所述目标对象采集的视频源中的各帧图像。具体的,所述目标对象的图像序列可以通过与活体检测关联的图像采集装置采集。采集的所述图像序列中包括多帧待检测图像,以便于根据目标对象的变化信息进行活体检测。
S120、针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像。
其中,所述参考图像可以理解为待检测图像中用于确定风险因子的待检测图像。
可选的,所述多帧参考图像是所述待检测图像的在先图像中在采集时间上与所述待检测图像最接近的预设数量的图像。
其中,在先图像为所述图像序列中采集时间位于所述待检测图像的采集时间之前的图像。具体地,可以以所述待检测图像的采集时间为参考时间点,获取所述图像序列中位于所述参考时间点之前的紧邻的预设数量的图像作为多帧参考图像。可以理解的是,预设数量的具体数值可以根据实际需求进行设定,在此并不做具体限制。例如,可以是9帧、10帧或15帧等。
示例性地,将所述图像序列中所述待检测图像的每一帧在先图像均作为参考图像。
在本公开实施例中,所述参考图像可以包括所述待检测图像也可以不包括待检测图像。可选地,从所述图像序列中获取包括待检测图像且在采集时间上紧邻的预设数量的图像作为多帧参考图像。或者,以所述待检测图像的采集时间为参考时间点,获取所述图像序列中位于所述参考时间点之后在采集时间上紧邻的预设数量的图像作为多帧参考图像。
可选的,所述多帧参考图像是所述待检测图像的在先图像中在采集时间上与所述待检测图像最接近的预设数量的图像以等间距采样后的图像。具体地,可以按照在采集时间上距离所述待检测图像的采集时间由近到远的顺序,在所述待检测图像的在先图像中每间隔预设帧数采样一次,得到参考图像。
其中,所述待检测区域可以理解为抽取到的所述参考图像中,可以对所述目标对象进行活体验证的区域。可选的,所述待检测区域可以是活体检测中的执行预设验证动作的验证器官所在的区域。其中,所述预设验证动作可以理解为针对所述目标对象预先设置的,可用于对所述目标对象进行活体验证的执行动作。示例性的,所述预设验证动作可以是眨眼、张嘴、摇头以及点头等动作中的一种动作或多种动作的组合。可以理解的是,所述验证器官可以是与执行预设验证动作对应的器官。示例性的,可以是眼部、嘴部以及头部等。所述待检测区域可以是所述验证器官对应的区域,示例性的,所述待检测区域可以是眼部区域、嘴部区域以及头部区域等。
其中,所述风险因子可以理解为根据所述目标对象的参考图像确定的,能够作为活体检测判断依据的因素。在本公开实施例中,可以根据所述参考图像中的待检测区域确定所述待检测图像的风险因子,可以是,根据多帧在时序上相邻的所述参考图像中的待检测区域,确定所述待检测图像的风险因子。这样设置的好处在于,能够捕捉到参考图像在时序上的变化特征,从而为提升活体检测的精准性提供依据。
S130、基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体。
具体的,根据所述风险因子可以确定所述目标对象的活体检测是否存在风险,进而,指示所述目标对象是否为活体,在进一步的,确定与所述目标对象对应的活体检测结果。其中,活体检测结果可以是继续进行活体检测的其他操作,或者是,结束活体检测,又或者是,输出活体检测的结果。可以理解的是,活体检测可以依赖于多种技术手段组合实现,完成活体检测可以执行预先设定好的一种或多种操作。在本公开实施例中,活体检测的可采用的其他操作可参照相关技术,在此不再赘述。相比较于相关技术,本公开实施例中的活体检测方法增加了对风险因子的确定,从而能够有效关注到活体检测所存在的风险,从而能够抵御风险,进而保证活体检测的准确性。
可选的,如果根据所述待检测图像的所述风险因子确定所述目标对象是活体,则可以确定与所述目标对象对应的成功的活体检测结果;如果根据所述待检测图像的所述风险因子确定所述目标对象不是活体,则可以确定为与所述目标对象对应的活体检测结果为检测失败或未通过检测。
进一步的,确定与所述目标对象对应的失败的活体检测结果,则可以停止对所述目标对象进行活体检测、展示活体检测失败的提示信息,和/或展示检测指导信息中的至少一项。其中,活体检测失败的提示信息可以是用于提示用户所述目标对象活体验证失败的信息,所述活体检测失败的提示信息可以有多种,例如可以是生成的图文提示信息、声音提示信息和/或灯光提示信息等。所述检测指导信息可以是活体检测失败后,用于指导用户操作的信息,所述检测指导信息可以有多种,例如可以是生成的图文提示信息、声音提示信息和/或灯光提示信息等。示例性的,可以指导用户退出活体检测进程,或者,再次进行活体检测。
S140、基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
可选地,根据每帧所述待检测图像的所述风险因子本身确定与所述目标对象对应的活体检测结果,或者,根据多帧所述待检测图像的所述风险因子之间的变化信息或者波动信息确定与所述目标对象对应的活体检测结果。
在本公开实施例中,活体检测是在一些身份验证场景中确定对象是否具有活体特征的一种方法,简单的可划分为静默活体和动作活体。其中,动作活体主要采用需要活体配合的动作,比如眨眼、张嘴、摇头或点头等,综合利用面部关键点及面部跟踪技术来实现对用户是否为活体的验证。考虑到眨眼动作是对活体感知最小、最自然、最易实现的动作,活体算法都可以使用眨眼进行活体判断。具体可以是,基于面部关键点进行眨眼判断。但是,这种眨眼判断的方式,对于局部扰动类的攻击往往很难防御,极易被攻破。比如,利用笔或手指等异物在面部照片的眼部区域进行快速扰动,实现带动眼部关键点运动,从而绕过眨眼算法对实名认证系统进行攻击。
本公开实施例的技术方案,响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;充分考虑到了活体特征的动态变化;基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;通过活体检测中的执行预设验证动作的验证器官所在的区域定义风险因子,以对活体检测的风险进行预测。基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。解决了相关技术中活体检测结果的准确性低的技术问题,有效规避了活体检测中的风险,提高了活体检测的精准度。
图2为本公开实施例二提供的另一种活体检测方法的流程图,本实施例是对上述实施例中如何根据所述参考图像中的待检测区域确定所述待检测图像的风险因子进行细化。
如图2所示,所述方法包括:
S210、响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像。
S220、针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像。。
S230、针对每帧参考图像,确定所述参考图像中待检测区域的二值化图像。
其中,所述二值化图像可以理解为针对所述参考图像中的待检测区域进行二值化处理后得到的图像。在本公开实施例中,将所述参考图像中待检测区域二值化处理,可以对待检测区域的像素点进行二分类,方便提取图像中的变化信息,可以增加图像的识别效率,提高活体检测的精准度。
可选的,所述确定所述参考图像中待检测区域的二值化图像,包括:对所述参考图像中的待检测区域进行裁剪,得到待检测区域图像;对所述待检测区域图像进行二值化处理,得到所述二值化图像。
具体的,可以是先对所述参考图像中的待检测区域进行裁剪,得到待检测区域;再对所述待检测区域进行二值化处理,得到二值化图像。可选的,所述对所述参考图像中的待检测区域进行裁剪,可以包括:采用与所述待检测图像对应的关键点模型图像对所述待检测图像进行定位和裁剪。示例性的,可以通过将与所述待检测图像对应的关键点模型图像中的各个关键点与所述待检测图像中的各个关键点对齐,进而根据关键点模型图像中的各个关键点的位置确定待检测区域进行定位,最后,对所述待检测图像对图像进行裁剪得到所述待检测区域。
可选的,所述对所述待检测区域进行二值化处理,可以包括:根据预设的像素点分割阈值对所述待检测区域进行二值化处理。其中,所述预设的像素点分割阈值可以理解为用于将所述待检测区域中的像素点划分为两类所设定的门限值。在本公开实施例中,所述预设的像素点分割阈值可以根据实际应用场景进行设置,在此并不对其具体数值进行限定。示例性的,所述预设的像素点分割阈值可以是130或150等。
可选的,所述确定所述参考图像中待检测区域的二值化图像,包括:对所述参考图像进行二值化处理;对二值化处理后的参考图像中的待检测区域进行裁剪,得到所述二值化图像。
具体地,根据预设的像素点分割阈值对所述待检测区域进行二值化处理,可以是,根据预设的像素点分割阈值将像素值划分为两个分类区间,每个分类区间对应的像素值不同,确定所述待检测区域中每个像素点的像素值所属的所述分类区间,并将所述像素点的像素值设置为其所属的分类区间对应的像素值,从而得到所述待检测区域的二值化图像。
示例性地,将所述待检测区域中每个像素点的像素值分别与预设的像素点分割阈值进行比较,将像素值小于或等于预设的像素点分割阈值的像素点的像素值置为第一数值,将像素值大于预设的像素点分割阈值的像素点的像素值置第二数值,从而得到所述待检测区域的二值化图像。
举例而言,选定的所述预设的像素点分割阈值是130,则根据预设的像素点分割阈值对所述待检测区域进行二值化处理可以是,将所述待检测区域中每个像素点的像素值分别与130进行比较,将像素值小于或等于130的像素点的像素值置为0,将像素值大于130的像素点的像素值置为1,从而得到所述待检测图像的二值化图像。
如前所述,也可以先对所述参考图像进行二值化处理,再对二值化处理后的参考图像中的待检测区域进行裁剪,得到二值化图像。其中,所述参考图像进行二值化处理的方式可以参照前述对待检测区域进行二值化处理的方式,在此不再赘述。
S240、对所述二值化图像中具有同一像素值的像素点的数量进行统计,得到像素点统计值。
具体的,可以统计一个像素值在所述二值化图像中对应的像素点的总数量,以得到像素点统计值。举例而言,假设所述二值化图像中像素点的像素值为0或1,可以是统计二值化图像中像素值为0或1的像素点的总个数,得到像素点统计值。
S250、根据所述多帧参考图像中至少两帧参考图像的像素点统计值,确定所述待检测图像的风险因子。
具体地,针对每一帧参考图像,分别通过其待检测区域的二值化图像确定出像素点统计值。进而,根据多帧以上的参考图像对应的像素点统计值确定出待检测图像的风险因子。需要说明的是,针对用于确定风险因子的多帧所述参考图像中的每一帧参考图像,其采用的二值化处理方式相同,且其像素点统计值的技术方式相同,即,每帧参考图像对应的像素点统计值须为针对同一像素值统计得到的。
可选的,所述根据所述多帧参考图像中至少两帧参考图像的像素点统计值,确定所述待检测图像的风险因子,包括:计算所述多帧参考图像中至少两帧参考图像的像素点统计值的方差;根据所述方差,确定所述待检测图像的风险因子。
可以理解的是,计算所述至少两帧参考图像的像素点统计值的方差时,所述参考图像的获取方式可以不同。
可选的,所述计算所述多帧参考图像中至少两帧参考图像的像素点统计值的方差,包括:
获取所述多帧参考图像中在预设采集时间范围内的至少两帧参考图像;
计算所述至少两帧参考图像的像素点统计值的方差。
具体的,根据所述预设采集时间范围,获取多帧参考图像,计算各帧所述参考图像的像素点统计值的方差,进而根据计算出的方差确定所述待检测图像的风险因子。可以理解的是,预设采集时间范围内的参考图像,可以是预设采集时间范围内全部或部分参考图像,根据选取的参考图像的不同可以计算出一个或多个方差。则根据一个或多个方差确定所述参考图像的风险因子。在本公开实施例中,所述预设采集时间范围的预设应该符合本公开实施例应用场景,在此不做具体限定。
可选的,所述计算所述多帧参考图像中至少两帧所述参考图像的像素点统计值的方差,包括:
获取所述多帧参考图像中预设数量的参考图像,计算所述参考图像的像素点统计值的方差。
具体地,可以根据预设采集时间范围内或者预设数量中的多帧参考图像的像素点统计值,计算方差,将计算出的方差作为所述待检测图像的风险因子;也可以,通过不同的方式获取预设采集时间范围内或预设数量中的多帧参考图像,将每次获取的参考图像作为一个小组,针对每个小组,分别根据每组中每一帧参考图像的像素点统计值计算方差,进而,根据各个小组对应的方差确定所述待检测图像的风险因子。例如具体可以是,根据每个小组对应的方差计算各小组方差的平均值,将所述平均值作为所述待检测图像的风险因子。
S260、基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
在本公开实施例中,在活体检测过程中,正常情况下,所述风险因子的数值比较小;存在异物扰动等异常情况时,所述风险因子的数值会出现剧烈的波动。可以基于此,来确定活体检测是否存在风险,进而,根据活体检测是否存在风险确定与所述目标对象对应的活体检测结果。
本公开实施例,针对每帧参考图像,通过裁剪和二值化的方式,得到待检测区域的二值化图像,可以使图像更为聚焦,并减小图像处理的数据量,有利于提升图像处理效率。进一步的,对所述二值化图像中具有同一像素值的像素点的数量进行统计,得到像素点统计值,再获取预设采集时间范围内或预设数量的参考图像,计算多帧所述参考图像的像素点统计值的方差;将所述方差作为所述待检测图像的风险因子。能够关注到不同待检测区域中同一类像素点的变化信息,准确的预测活体检测的风险,使得活体检测的结果更加精准。
图3为本公开实施例三提供的又一种活体检测方法的流程图,本实施例是对上述实施例中如何根据所述待检测图像的所述风险因子确定与所述目标对象对应的活体检测结果进行细化。
如图3所示,所述方法包括:
S310、响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像。
S320、针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像。
S330、根据所述待检测图像的所述风险因子以及预设风险因子阈值,确定与所述目标对象对应的活体检测结果。
其中,所述预设风险因子阈值可以理解为用于确定所述目标对象的活体检测采用哪种活体检测结果的临界值。所述预设风险因子阈值的具体数值可以根据实际需求进行设置,在此并不做具体限定。所述预设风险因子阈值的数量可以是一个或多个。具体的,可以根据所述预设风险因子阈值确定出正常范围和风险范围,如果所述风险因子处于正常范围,则确定为所述目标对象活体检测不存在风险,如果所述风险因子处于风险范围,则确定为所述目标对象活体检测存在风险,并根据活体检测存在风险与否来确定与所述目标对象对应的活体检测结果。
在计算出多帧以上的待检测图像的风险因子的情况下,可以分别判断每帧所述待检测图像的所述风险因子处于正常范围还是风险范围,进而,根据处于风险范围或正常范围的待检测图像的数量,或者,处于风险范围或正常范围的待检测图像的数量在计算出风险因子的待检测图像的总数量中所占的比例,确定所述目标对象活体检测是否风险,进而确定与所述目标对象对应的活体检测结果。
本公开实施例的技术方案,能够根据多帧所述待检测图像的风险因子,确定出活体检测的风险,而且通过阈值比较的方式能够简单快捷地确定出结果,保证了活体检测中的风险预测的效率,以简捷有效的方式为活体检测的准确性增加了一重保障。
图4为本公开实施例四提供的一种活体检测方法的流程图,本实施例是对上述实施例中如何根据所述待检测图像的所述风险因子确定与所述目标对象对应的活体检测结果进行细化。
如图4所示,所述方法包括:
S410、响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像。
S420、针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像。
S430、基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体。
S440、根据多帧所述待检测图像的所述风险因子确定与所述多帧待检测图像对应的波动值。
其中,所述波动值可以理解为两个风险因子的数值的变化值。所述波动值可以为两个风险因子之间的绝对变化值也或相对变化值。
可选地,分别计算每两帧采集时间上相邻的所述待检测图像的风险因子之间的差值,将所述差值作为与所述多帧待检测图像对应的波动值。可以理解的是,采用本技术方案,根据两帧以上待检测图像可以计算出多个与所述多帧待检测图像对应的波动值。换言之,与所述多帧待检测图像对应的波动值可能有一个也可以能有多个。
可选地,在多帧所述待检测图像的所述风险因子中确定出最大的风险因子和最小的风险因子,计算所述最大的风险因子和所述最小的风险因子之间的差值,将计算出的差值作为与所述多帧待检测图像对应的波动值。
可选地,在多帧所述待检测图像中随机选取两帧所述待检测图像,计算选中的两帧待检测图像的所述风险因子之间的差值,将计算出的差值作为与所述多帧待检测图像对应的波动值。
S450、根据所述波动值以及预设波动阈值,确定与所述目标对象对应的活体检测结果。
具体的,计算根据多帧所述待检测图像的风险因子之间的波动值,再将波动值以及预设波动阈值进行比对,以确定与所述目标对象对应的活体检测结果。
其中,所述预设波动阈值可以理解为用于根据两个或两个以上风险因子之间的波动值确定与所述目标对象对应的活体检测结果的临界值。具体的,可以是根据多帧以上的所述待检测图像的所述风险因子之间的波动值是否超过所述预设波动阈值,确定所述目标对象的活体检测是否存在风险,进而根据活体检测存在风险与否确定与所述目标对象对应的检测执行逻辑。
在计算出两个或两个以上波动值的情况下,可以确定最大的波动值是否超过预设波动阈值,进而,根据超过预设波动阈值的波动值的数量,或者,超过预设波动阈值的波动值的数量在计算出所有波动值的总数量中所占的比例,确定所述目标对象活体检测是否风险,进而确定与所述目标对象对应的活体检测结果。
本实施例的技术方案,能够根据多帧以上的待检测图像的风险因子的波动情况,来确定活体检测是否存在风险,进而确定与所述目标对象对应的活体检测结果,充分关注到了多张待检测图像之间的变化信息,更加适用于活体特征的检测,有利于进一步提升活体检测的准确性。
图5为本公开实施例提供的一种活体检测方法的可选实例的执行流程示意图。以待检测图像为面部图像,待检测区域为眼部区域为例,对本公开实施例的活体检测方法进行介绍。如图5所示,活体检测方法的执行流程主要包括:面部关键点检测、眼部区域裁剪、二值化、横纵像素值统计和序列计算均值方差。其中,所述待检测区域用眼部区域表示,所述像素点分割阈值用α表示,所述像素点统计值用β表示,所述像素点统计值的方差用Var表示。
本可选实例的活体检测方法具体步骤如下:
1、面部关键点检测:利用面部关键点模型对面部图像的眼部区域进行定位;
2、眼部区域裁剪:根据定位结果裁剪出所述面部图像中的眼部区域。
3、二值化:选定阈值α对眼部区域进行二值化,得到二值化图像,将二值化图像中像素值小于或等于α的像素点的像素值置为0,大于α的像素点的像素值置为1。
4、横纵像素值统计:对二值化图像做按照横向(行)或纵向(列)的方式进行像素值统计,可以选择统计0的个数或1的像素点的个数,得到结果β。
5、序列计算均值方差:
1)对一段时间序列内的面部图像帧做同样的处理,可以得到一个β序列,这里简记为:d=[β1,β2,...,βi],其中,i表示第i帧面部图像,βi表示第i帧面部图像的像素点统计值。
2)选定一定数量的图像帧对应的时间窗口,可以以9帧为例,对该时间窗口内的值计算均值及方差,记该方差为Var。
该Var可以作为判断风险的风险因子,在正常的眨眼过程中该Var会比较小,而在存在异物扰动时,该Var则会出现剧烈的波动,可以通过该风险因子有效的规避该种情况下的眼部区域的关键点波动,避免做出错误判断。
本公开实施例的技术方案,能够解决基于面部关键点的眨眼算法无法抵御局部扰动攻击的问题,通过对眼部区域横纵方向上像素值分布的统计,定义了一种风险因子,利用横纵统计量判断眼部存在异物扰动的方法和横纵统计量的方差作为风向因子进行风险规避的思路。实现了对活体风险的判定,可以有效的进行局部扰动攻击的防御,可有效抵御照片、静态屏幕等常见的攻击手段,从而帮助用户甄别欺诈行为,保证用户权益。
图6为本公开实施例所提供的一种活体检测装置结构示意图,如图6所示,所述装置包括:图像序列采集模块510、参考图像确定模块520、风险因子确定模块530和检测结果确定模块540。
其中,所述图像序列采集模块510,用于响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;所述参考图像确定模块520,用于针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;所述风险因子确定模块530,用于基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;所述检测结果确定模块540,用于基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。本公开实施例的技术方案,响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;充分考虑到了活体特征的动态变化;基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;通过活体检测中的执行预设验证动作的验证器官所在的区域定义风险因子,以对活体检测的风险进行预测。基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。解决了相关技术中活体检测结果的准确性低的技术问题,有效规避了活体检测中的风险,提高了活体检测的精准度。
可选的,所述风险因子确定模块530,包括:二值化图像确定子模块、像素点统计值确定子模块和风险因子确定子模块。
其中,所述二值化图像确定子模块,用于针对每帧参考图像,确定所述参考图像中待检测区域的二值化图像;
所述像素点统计值确定子模块,用于对所述二值化图像中具有同一像素值的像素点的数量进行统计,得到像素点统计值;
所述风险因子确定子模块,用于根据所述多帧参考图像中至少两帧参考图像的像素点统计值,确定所述待检测图像的风险因子。
可选的,所述二值化图像确定子模块,用于:
对所述参考图像中的待检测区域进行裁剪,得到待检测区域图像;
对所述待检测区域图像进行二值化处理,得到所述二值化图像。
可选的,所述二值化图像确定子模块,用于:
对所述参考图像进行二值化处理;
对二值化处理后的参考图像中的待检测区域进行裁剪,得到所述二值化图像。
可选的,所述风险因子确定子模块,包括:像素点统计值方差计算单元和风险因子确定单元。
其中,所述像素点统计值方差计算单元,用于计算所述多帧参考图像中至少两帧参考图像的像素点统计值的方差;
所述风险因子确定单元,用于根据所述方差,确定所述待检测图像的风险因子。
可选的,所述像素点统计值方差计算单元,用于:
获取所述多帧参考图像中在预设采集时间范围内的至少两帧参考图像;
计算所述至少两帧参考图像的像素点统计值的方差。
可选的,所述像素点统计值方差计算单元,用于:
获取所述多帧参考图像中预设数量的参考图像,计算所述参考图像的像素点统计值的方差。
可选的,所述检测结果确定模块540,用于:
根据所述待检测图像的所述风险因子以及预设风险因子阈值,确定与所述目标对象对应的活体检测结果。
可选的,所述检测结果确定模块540,用于:
根据多帧所述待检测图像的所述风险因子确定与所述多帧待检测图像对应的波动值;
根据所述波动值以及预设波动阈值,确定与所述目标对象对应的活体检测结果。
可选的,所述多帧参考图像是所述待检测图像的在先图像中在采集时间上与所述待检测图像最接近的预设数量的图像。
可选的,所述多帧参考图像是所述待检测图像的在先图像中在采集时间上与所述待检测图像最接近的预设数量的图像以等间距采样后的图像。
本公开实施例所提供的活体检测装置可执行本公开任意实施例所提供的活体检测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
图7为本公开实施例所提供的一种电子设备的结构示意图。下面参考图7,其示出了适于用来实现本公开实施例的电子设备(例如图7中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。编辑/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的活体检测方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的活体检测方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机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、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种活体检测方法,其特征在于,包括:
响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;
针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;
基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;
基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
2.根据权利要求1所述的活体检测方法,其特征在于,所述根据所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,包括:
针对每帧参考图像,确定所述参考图像中待检测区域的二值化图像;
对所述二值化图像中具有同一像素值的像素点的数量进行统计,得到像素点统计值;
根据所述多帧参考图像中至少两帧参考图像的像素点统计值,确定所述待检测图像的风险因子。
3.根据权利要求2所述的活体检测方法,其特征在于,所述确定所述参考图像中待检测区域的二值化图像,包括:
对所述参考图像中的待检测区域进行裁剪,得到待检测区域图像;
对所述待检测区域图像进行二值化处理,得到所述二值化图像。
4.根据权利要求2所述的活体检测方法,其特征在于,所述确定所述参考图像中待检测区域的二值化图像,包括:
对所述参考图像进行二值化处理;
对二值化处理后的参考图像中的待检测区域进行裁剪,得到所述二值化图像。
5.根据权利要求2所述的活体检测方法,其特征在于,所述根据所述多帧参考图像中至少两帧参考图像的像素点统计值,确定所述待检测图像的风险因子,包括:
计算所述多帧参考图像中至少两帧参考图像的像素点统计值的方差;
根据所述方差,确定所述待检测图像的风险因子。
6.根据权利要求5所述的活体检测方法,其特征在于,所述计算所述多帧参考图像中至少两帧参考图像的像素点统计值的方差,包括:
获取所述多帧参考图像中在预设采集时间范围内的至少两帧参考图像;
计算所述至少两帧参考图像的像素点统计值的方差。
7.根据权利要求5所述的活体检测方法,其特征在于,所述计算所述多帧参考图像中至少两帧所述参考图像的像素点统计值的方差,包括:
获取所述多帧参考图像中预设数量的参考图像,计算所述参考图像的像素点统计值的方差。
8.根据权利要求1所述的活体检测方法,其特征在于,所述根据所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果,包括:
根据所述待检测图像的所述风险因子以及预设风险因子阈值,确定与所述目标对象对应的活体检测结果。
9.根据权利要求1所述的活体检测方法,其特征在于,所述根据所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果,包括:
根据多帧待检测图像的所述风险因子确定与所述多帧待检测图像对应的波动值;
根据所述波动值以及预设波动阈值,确定与所述目标对象对应的活体检测结果。
10.根据权利要求1所述的活体检测方法,其特征在于,所述多帧参考图像是所述待检测图像的在先图像中在采集时间上与所述待检测图像最接近的预设数量的图像。
11.根据权利要求1所述的活体检测方法,其特征在于,所述多帧参考图像是所述待检测图像的在先图像中在采集时间上与所述待检测图像最接近的预设数量的图像以等间距采样后的图像。
12.一种活体检测装置,其特征在于,包括:
图像序列采集模块,用于响应于活体检测触发操作,采集目标对象的图像序列,其中,所述图像序列包括待检测图像;
参考图像确定模块,用于针对所述待检测图像,从所述图像序列中确定与所述待检测图像在采集时间上关联的多帧参考图像;
风险因子确定模块,用于基于所述多帧参考图像中的待检测区域,确定所述待检测图像的风险因子,其中,所述待检测区域至少包括执行预设验证动作的验证器官所在的区域,所述风险因子用于指示所述目标对象是否为活体;
检测结果确定模块,用于基于所述待检测图像的所述风险因子,确定与所述目标对象对应的活体检测结果。
13.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11中任一所述的活体检测方法。
14.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-11中任一所述的活体检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210968846.9A CN117636484A (zh) | 2022-08-12 | 2022-08-12 | 活体检测方法、装置、电子设备及存储介质 |
PCT/CN2023/111620 WO2024032574A1 (zh) | 2022-08-12 | 2023-08-08 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210968846.9A CN117636484A (zh) | 2022-08-12 | 2022-08-12 | 活体检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117636484A true CN117636484A (zh) | 2024-03-01 |
Family
ID=89850868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210968846.9A Pending CN117636484A (zh) | 2022-08-12 | 2022-08-12 | 活体检测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117636484A (zh) |
WO (1) | WO2024032574A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11210380B2 (en) * | 2013-05-13 | 2021-12-28 | Veridium Ip Limited | System and method for authorizing access to access-controlled environments |
CN106997452B (zh) * | 2016-01-26 | 2020-12-29 | 北京市商汤科技开发有限公司 | 活体验证方法及装置 |
CN107886032B (zh) * | 2016-09-30 | 2021-12-14 | 阿里巴巴集团控股有限公司 | 终端设备、智能手机、基于脸部识别的认证方法和系统 |
CN110163174A (zh) * | 2019-05-27 | 2019-08-23 | 成都科睿埃科技有限公司 | 一种基于单目摄像头的活体人脸检测方法 |
CN113591517A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 一种活体检测方法及相关设备 |
-
2022
- 2022-08-12 CN CN202210968846.9A patent/CN117636484A/zh active Pending
-
2023
- 2023-08-08 WO PCT/CN2023/111620 patent/WO2024032574A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024032574A1 (zh) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10929561B2 (en) | Removing personally identifiable data before transmission from a device | |
US10885306B2 (en) | Living body detection method, system and non-transitory computer-readable recording medium | |
US11321575B2 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
CN108197586B (zh) | 脸部识别方法和装置 | |
US20210133468A1 (en) | Action Recognition Method, Electronic Device, and Storage Medium | |
TWI771645B (zh) | 文本識別方法及裝置、電子設備、儲存介質 | |
US9594958B2 (en) | Detection of spoofing attacks for video-based authentication | |
US20210103733A1 (en) | Video processing method, apparatus, and non-transitory computer-readable storage medium | |
JP2020502639A (ja) | セキュリティ質問生成および身元確認のための方法および装置 | |
US8789085B2 (en) | Method, system and computer program product for detecting pornographic contents in video sequences | |
CN111582090A (zh) | 人脸识别方法、装置及电子设备 | |
CN111753701A (zh) | 应用程序的违规检测方法、装置、设备和可读存储介质 | |
CN112802138A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN110879986A (zh) | 人脸识别的方法、设备和计算机可读存储介质 | |
CN116707965A (zh) | 一种威胁检测方法、装置、存储介质以及电子设备 | |
CN110826697A (zh) | 获取样本的方法及装置、电子设备和存储介质 | |
US9607210B2 (en) | Video surveillance system and method for fraud detection | |
CN113839852B (zh) | 邮件账号异常检测方法、装置及存储介质 | |
CN117636484A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN114740975A (zh) | 目标内容的获取方法及相关设备 | |
CN113516481B (zh) | 刷脸意愿的确认方法、装置和刷脸设备 | |
CN111898529B (zh) | 脸部检测方法、装置、电子设备和计算机可读介质 | |
CN112766235B (zh) | 人脸识别方法、装置、设备、存储介质和计算机程序产品 | |
CN112115740B (zh) | 用于处理图像的方法和装置 | |
CN115730104A (zh) | 直播间处理方法、装置、设备及介质 |
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 |