CN109815853A - 活体检测方法、装置、计算机设备和存储介质 - Google Patents
活体检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109815853A CN109815853A CN201910007303.9A CN201910007303A CN109815853A CN 109815853 A CN109815853 A CN 109815853A CN 201910007303 A CN201910007303 A CN 201910007303A CN 109815853 A CN109815853 A CN 109815853A
- Authority
- CN
- China
- Prior art keywords
- strategy
- vivo detection
- detection strategy
- selection
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001574 biopsy Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 321
- 238000001727 in vivo Methods 0.000 claims abstract description 312
- 230000006399 behavior Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及人工智能领域，提供了一种活体检测方法、装置、计算机设备和存储介质。所述方法包括：获取当前用户的信用信息，基于信用信息采用已训练的授信额度预测模型得到当前用户的授信额度；根据授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级；获取当前用户的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级；当第二安全等级不低于第一安全等级时，确定备选活体检测策略为目标活体检测策略；当第二安全等级低于第一安全等级时，确定选择策略，根据选择策略确定目标活体检测策略；根据目标活体检测策略执行活体检测。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种活体检测方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的飞速发展，基于互联网的网络贷款逐渐开始取代传统的线下贷款。对于线上贷款，为确保贷款人身份的真实性，需要进行人脸识别。然而，人脸识别***也容易受到一些非法用户的攻击，如何提高人脸识别***的安全性成为一个广泛关注的问题。
对人脸识别***的攻击，主要有3类：照片攻击、视频攻击和3D模型攻击。非法分子或者假冒用户在获得合法用户的照片或视频后，使用合法用户的照片或视频作为伪造的人脸试图欺骗***。为了区分真实人脸以及照片、视频，出现了人脸活体检测技术。传统技术中，在进行人脸活体检测时，通常都只有单一固定的策略，存在灵活度不强，不能满足各种场景需求的缺陷。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高活体检测的灵活性以满足各种场景需求的活体检测方法、装置、计算机设备和存储介质。
一种活体检测方法，所述方法包括：
获取当前用户的信用信息，基于所述信用信息采用已训练的授信额度预测模型得到所述当前用户的授信额度；
根据所述授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取所述参考活体检测策略对应的第一安全等级；
获取所述当前用户对活体检测策略的选择操作，将所述选择操作对应的活体检测策略确定为备选活体检测策略，并获取所述备选活体检测策略对应的第二安全等级；
当所述第二安全等级不低于所述第一安全等级时，确定所述备选活体检测策略为当前用户的目标活体检测策略；
当所述第二安全等级低于所述第一安全等级时，确定选择策略，根据所述选择策略确定目标活体检测策略；
根据所述目标活体检测策略执行活体检测。
在其中一个实施例中，所述确定选择策略，根据所述选择策略确定目标活体检测策略，包括：
当所述授信额度超过预设阈值时，确定所述选择策略为第一策略或第二策略；
当所述选择策略为第一策略时，将所述当前用户对应的授信额度降低至所述备选活体检测策略对应的授信额度最大值，同时将所述备选活体检测策略确定为目标活体检测策略；
当所述选择策略为第二策略时，将所述参考活体检测策略确定为目标活体检测策略。
在其中一个实施例中，确定选择策略，根据所述选择策略确定目标活体检测策略，包括：
当所述授信额度不超过预设阈值时，确定所述选择策略为第三策略，根据所述第三策略确定目标活体检测策略；
所述第三策略为从安全等级低于所述第一安全等级且高于所述第二安全等级的活体检测策略中确定目标活体检测策略。
在其中一个实施例中，所述确定选择策略，根据所述选择策略确定目标活体检测策略，包括：
获取所述当前用户的历史行为数据；
当根据所述历史行为数据判定所述当前用户属于高风险用户时，确定所述选择策略为第一策略或第二策略；
当所述选择策略为第一策略时，将所述当前用户对应的初始授信额度降低至所述备选活体检测策略对应的授信额度最大值，同时将所述备选活体检测策略确定为目标活体检测策略；
当所述选择策略为第二策略时，将所述参考活体检测策略确定为目标活体检测策略。
在其中一个实施例中，所述确定选择策略，根据所述选择策略确定目标活体检测策略，还包括：
当根据所述历史行为数据判定所述当前用户属于低风险用户时，确定所述选择策略为第四策略，根据所述第四策略确定目标活体检测策略；
所述第四策略为将备选活体检测策略作为目标活体检测策略。
在其中一个实施例中，所述授信额度预测模型的生成步骤包括：
获取历史用户的信用信息及对应的授信额度；
根据所述历史用户的信用信息及对应的授信额度得到训练集，根据所述训练集进行模型训练得到训练好的授信额度预测模型。
一种活体检测装置，所述装置包括：
授信额度获得模块，用于获取当前用户的信用信息，基于所述信用信息采用已训练的授信额度预测模型得到所述当前用户的授信额度；
参考活体检测策略确定模块，用于根据所述授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取所述参考活体检测策略对应的第一安全等级；
备选活体检测策略确定模块，用于获取所述当前用户对活体检测策略的选择操作，将所述选择操作对应的活体检测策略确定为备选活体检测策略，并获取所述备选活体检测策略对应的第二安全等级；
第一目标活体检测策略确定模块，用于当所述第二安全等级不低于所述第一安全等级时，确定所述备选活体检测策略为当前用户的目标活体检测策略；
第二目标活体检测策略确定模块，用于当所述第二安全等级低于所述第一安全等级时，确定选择策略，根据所述选择策略确定目标活体检测策略；
活体检测执行模块，用于根据所述目标活体检测策略执行活体检测。
在其中一个实施例中，所述第二目标活体检测策略确定模块还用于当所述授信额度超过预设阈值时，确定所述选择策略为第一策略或第二策略；当所述选择策略为第一策略时，将所述当前用户对应的授信额度降低至所述备选活体检测策略对应的授信额度最大值，同时将所述备选活体检测策略确定为目标活体检测策略；当所述选择策略为第二策略时，将所述参考活体检测策略确定为目标活体检测策略。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意实施例所述的活体检测方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意实施例所述的活体检测方法所述的步骤。
上述活体检测方法、装置、计算机设备和存储介质，首先通过获取当前用户的信用信息来确定当前用户的授信额度，根据该授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取所述参考活体检测策略对应的第一安全等级；然后获取所述当前用户对活体检测策略的选择操作，将所述选择操作对应的活体检测策略确定为备选活体检测策略，并获取所述备选活体检测策略对应的第二安全等级；当所述第二安全等级低于所述第一安全等级时，从预设的选择策略集合中确定目标选择策略，根据所述目标选择策略确定目标活体检测策略；根据所述目标活体检测策略执行活体检测，由于可以根据不同场景下授信额度的不同及当前用户的选择的活体检测策略的不同灵活确定目标活体检测策略，因此可以很好的满足各个不同场景的需求。
附图说明
图1为一个实施例中活体检测方法的应用场景图；
图2为一个实施例中活体检测方法的流程示意图；
图3为另一个实施例中活体检测方法的流程示意图；
图4为又一个实施例中活体检测方法的流程示意图；
图5为一个实施例中活体检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的活体检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102首先从服务器104获取当前用户的信用信息，根据信用信息根据信用信息确定当前用户的授信额度；根据初始授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级；获取当前用户对活体检测策略的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级；最后根据第一安全等级及第二安全等级确定目标活体检测策略，并根据目标活体检测策略执行活体检测。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种活体检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取当前用户的信用信息，基于信用信息采用已训练的授信额度预测模型得到当前用户的授信额度。
其中，当前用户指的是需要进行活体检测的用户；信用信息的内容可以包括基本身份信息(包括姓名、照片、指纹、身份证号、家庭成员等)、联系方式(电话、家庭住址、单位地址等)、财产信息(借款期望额度、房产、存款、收入、银行交易流水、学历等)、借贷记录等。
具体地，当当前用户需要进行活体检测时，终端首先从服务器获取当前用户的信用信息，然后基于获取到的信用信息采用已训练的授信额度预测模型得到当前用户的授信额度。其中，授信额度预测模型可以通过机器学习的方法对训练样本进行训练得到，用于根据用户的信用信息对用户的授信额度进行预测。在采用授信额度预测模型对授信额度进行预测之前，需要通过训练数据进行模型训练，确定模型参数，从而根据训练得到的模型参数得到授信额度预测模型。在进行模型训练时，可以采用有监督的模型训练方式，例如逻辑回归模型、SVM(Support Vector Machine,支持向量机)以及贝叶斯模型等等。
步骤S204，根据授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级。
具体地，预设的活体检测策略集合中包括多个活体检测策略，对于不同的活体检测策略，可事先划分不同的安全等级，且每一个活体检测策略与授信额度之间预先建立了对应关系，终端在获取到当前用户的授信额度后，可根据授信额度的大小查找与其对应的活体检测策略，并将查找到的活体检测策略确定为参考活体检测策略，其中，参考活体检测策略为针对当前用户的授信额度设置的最低安全等级要求的活体检测策略，用于作为当前用户最终进行活体检测时的参考依据。举个例子，有四个活体检测策略，分别为A、B、C、D，可以将授信额度0-2w与活体检测策略A建立对应关系，将授信额度2-5w与活体检测策略B建立对应关系，将授信额度5-10w与活体检测策略C建立对应关系，将授信额度大于10w与活体检测策略D建立对应关系。
在一个实施例中，对于不同的活体检测策略，可以根据用户操作难易程度的高低划分不同的安全等级，操作难度越大的安全等级越高。比如，可以设置四个安全级别的活体检测策略，按照安全等级从低到高依次为：设置一种活体检测方法、设置两种活体检测方法、设置三种活体检测方法、设置四种活体检测方法，在具体实施时，设置一种活体检测方法可以是采集活体用户的人脸图像；设置两种活体检测方法可以是采集用活体用户的人脸图像以及对用户进行眨眼检测；设置三种活体检测方法可以是采集用活体用户的人脸图像、对用户进行眨眼检测、采集用户读出随机数字的声音并进行正确性校验等等，各个安全等级所采用的方法可以根据需要进行设定，本申请在此不做限制。可以理解，在具体的实施过程中，每个安全等级也可以只设置一种活体检测方法，安全等级越高的，所设置的活体检测方法对用户而言操作难度越大。
在另一个实施例中，对于不同的活体检测策略，还可以根据欺诈成本的高低划分不同的安全等级，欺诈成本越高的活体检测策略，其对应的安全等级越高。
步骤S206，获取当前用户对活体检测策略的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级。
具体地，终端可对活体检测策略集合中的各个活体检测策略进行显示，并对当前用户的操作行为进行监测，当监测到当前用户对任意一个活体检测策略的选择操作时，将选择操作对应的活体检测策略确定为备选活体检测策略，备选活体检测策略为用户偏好的活体检测策略。
进一步，由于各个活体检测策略事先划定了安全等级，因此，终端在确定了备选活体检测策略后，可根据活体检测策略与安全等级之间的对应关系来获取备选活体检测策略对应的安全等级。
步骤S208，判断第二安全等级是否低于第一安全等级，若是，则进入步骤S210；若否，则进行步骤S212。
步骤S210，确定选择策略，根据选择策略确定目标活体检测策略，根据该目标活体检测策略执行活体检测。
具体地，选择策略用于根据备选活体检测策略及参考活体检测策略确定当前用户的目标活体检测策略，目标活体检测策略为最终用于当前用户活体检测的策略。当终端判断出第二安全等级低于第一安全等级时，说明用户所偏好的活体检测策略无法满足活体检测***对于安全性的要求，此时，终端需要判断当前场景是对安全性要求较高还是对用户体验要求较高，并从预设的选择策略集合中确定适合当前场景的目标选择策略，然后根据该目标选择策略确定目标活体检测策略，最后，根据该目标活体检测策略对当前用户执行活体检测。可以理解，在本申请具体实现时，终端在确定了目标活体检测策略后，执行人脸活体检测的实现可与现有技术相同，在此不相信叙述。
在一个实施例中，终端可根据当前用户的授信额度与预设阈值之间的大小关系来确定目标选择策略；在另一个实施例中，终端可进一步获取当前用户的历史行为数据，根据当前用户的历史行为数据来确定目标选择策略。
步骤S212，确定备选活体检测策略为当前用户的目标活体检测策略，根据该目标活体检测策略执行活体检测。
具体地，由于用户主动选择的活体检测策略，往往是用户比较偏好的活体检测策略，当终端判断出备选活体检测策略对应的第二安全等级不低于参考活体检测策略对应的第一安全等级时，说明用户偏好的活体检测策略符合终端对安全性的要求，此时，可将备选活体检测策略确定为目标活体检测策略，这样一来，能够在保证安全性的同时，还能够增强用户体验。
上述活体检测方法中，终端首先通过获取当前用户的信用信息来确定当前用户的授信额度，根据该授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级；然后获取当前用户对活体检测策略的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级；当第二安全等级低于第一安全等级时，从预设的选择策略集合中确定目标选择策略，根据目标选择策略确定目标活体检测策略；根据目标活体检测策略执行活体检测，由于可以根据不同场景下授信额度的不同及当前用户的选择的活体检测策略的不同灵活确定目标活体检测策略，因此可以很好的满足各个不同场景的需求。
如图3所示，为另一个实施例中活体检测方法的流程图，具体包括以下步骤：
步骤S302，获取当前用户的信用信息，基于信用信息采用已训练的授信额度预测模型得到当前用户的授信额度。
步骤S304，根据授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级。
步骤S306，获取当前用户对活体检测策略的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级；
步骤S308，判断第二安全等级是否低于第一安全等级；若是，则进入步骤S312；若否，则进入步骤S310。
步骤S310，确定备选活体检测策略为当前用户的目标活体检测策略。
其中，步骤S302～S310可具体解释可参考步骤S202～S208及步骤S212，本申请在此不再赘述。
步骤S312，判断当前用户的授信额度是否超过预设阈值。
具体地，可预先对授信额度确定一个预设阈值，以该预设阈值作为分界线确定活体检测***对安全性的要求，当授信额度超过该预设阈值时，说明活体检测***对安全性要求高，此时，活体检测策略的选择以安全性为主要考虑因素，终端需要选择不低于最低安全等级要求的活体检测策略来作为目标活体检测策略；反之，当授信额度不超过该预设阈值时，终端对安全性要求相对较低，此时，活体检测策略的选择可以根据用户的选择来进行适当调整，以降低活体检测的难度，提高用户体验。
步骤S314，若是，则确定选择策略为第一策略或第二策略。
其中，当选择策略为第一策略时，将当前用户对应的授信额度降低至备选活体检测策略对应的授信额度最大值，同时将备选活体检测策略确定为目标活体检测策略。举个例子，若当前用户的原始授信额度为7W，备选活体检测策略对应的授信额度范围为0-5w，则当选择策略为第一策略时，将当前用户的授信额度降低为5w，同时将备选活体检测策略确定为目标活体检测策略。
当预设的选择策略为第二策略时，将参考活体检测策略确定为目标活体检测策略。
在一个实施例中，终端可以同时显示第一策略和第二策略，并提示用户进行选择，将用户选择的策略确定为最终的选择策略。具体来说，当用户选择第一策略时，降低用户的授信额度至至备选活体检测策略对应的授信额度最大值，同时将备选活体检测策略确定为目标活体检测策略，当用户选择的是第二策略时，将参考活体检测策略确定为目标活体检测策略。
步骤S316，若否，则确定选择策略为第三策略。
其中，第三策略为从安全等级低于第一安全等级且高于第二安全等级的活体检测策略中确定目标活体检测策略。举个例子，第一安全等级为四级，第二安全等级为一级，则当当前用户的授信额度不超过预设阈值时，可从安全等级为二级、三级对应的活体检测策略中确定活体检测策略。
步骤S318，根据选择策略确定目标活体检测策略，根据目标活体检测策略执行活体检测。
具体地，终端根据确定的选择策略确定目标活体检测策略，然后根据该目标活体检测策略执行活体检测。
上述实施例中，当备选活体检测策略对应的第二安全等级低于参考活体检测策略对应的第一活体检测策略时，通过判断当前用户的授信额度与预设阈值之间的大小关系来确定选择策略，并根据选择策略确定目标活体检测策略，进一步地提高了活体检测的灵活性，从而可以更好地满足不同场景下的需求。
如图4所示，为又一个实施例中活体检测方法的流程图，具体包括以下步骤：
步骤S402，获取当前用户的信用信息，基于信用信息采用已训练的授信额度预测模型得到当前用户的授信额度。
步骤S404，根据授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级。
步骤S406，获取当前用户对活体检测策略的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级；
步骤S408，判断第二安全等级是否低于第一安全等级；若是，则进入步骤S312；若否，则进入步骤S310。
步骤S410，确定备选活体检测策略为当前用户的目标活体检测策略。
其中，步骤S402～S410可具体解释可参考步骤S202～S208及步骤S212，本申请在此不再赘述。
步骤S412，获取当前用户的历史行为数据。
其中，历史行为数据为用户在终端上进行历史操作时所对应的行为数据，例如，可以是用户的历史活体检测行为、登录行为、交易行为等等。
步骤S414，当根据历史行为数据判定当前用户属于高风险用户时，确定选择策略为第一策略或第二策略。
具体地，当当前用户的历史行为数据中存在异常的行为数据时，判定当前用户为高风险用户，异常行为包括但不限于活体检测失败、修改密码行为、交易失败行为、更换绑定手机、解除绑定手机、校验操作、删除记录等、使用设备异地登录或者使用不同的设备登录等。进一步，当当前用户属于高风险用户时，为了确保***的安全性，可以确定选择策略为第一策略或第二策略。其中，当选择策略为第一策略时，将当前用户对应的授信额度降低至备选活体检测策略对应的授信额度最大值，同时将备选活体检测策略确定为目标活体检测策略；当预设的选择策略为第二策略时，将参考活体检测策略确定为目标活体检测策略。
在一个实施例中，终端可以同时显示第一策略和第二策略，并提示用户进行选择，将用户选择的策略确定为最终的选择策略。具体来说，当用户选择第一策略时，降低用户的授信额度至备选活体检测策略对应的授信额度最大值，同时将备选活体检测策略确定为目标活体检测策略，当用户选择的是第二策略时，将参考活体检测策略确定为目标活体检测策略。
步骤S416，当根据历史行为数据判定当前用户属于低风险用户时，确定选择策略为第四策略。
具体地，当确定选择策略为第四策略时，终端可以直接将备选活体检测策略确定为目标活体检测策略，从而提高用户体验。
在一个实施例中，为进一步活体检测***的安全性，当当根据历史行为数据判定当前用户属于低风险用户时，可进一步判定当前用户的授信额度是否超过预设阈值，只有当当前用户为低风险用户且授信额度不超过预设阈值，才确定选择策略为第四策略，其他情况下，例如当当前用户为低风险用户且授信额度超过预设阈值时，依然将选择策略确定为第一策略或第二策略。
上述实施例中，当当备选活体检测策略对应的第二安全等级低于参考活体检测策略对应的第一活体检测策略时，进一步获取当用用户的历史行为数据，并根据历史行为数据判断当前用户是低风险用户还是高风险用户，并根据不同风险种类的用户灵活设置活体检测策略，从而满足不同场景的需求。
在一个实施例中，授信额度预测模型的生成步骤包括：获取历史用户的信用信息及对应的授信额度；根据历史用户的信用信息及对应的授信额度得到训练集，根据训练集进行模型训练得到训练好的授信额度预测模型。
本实施例中，由于历史用户的信用信息、授信额度是已知的，因此，可根据这些历史数据构建训练集进行模型，终端在获取到一定数量历史用户的信用信息后，分别将每一个历史用户的信用信息映射为输入的特征向量，然后将每一个历史用户对应的授信额度作为期望输出的特征值，不断地进行模型训练，使得授信额度预测模型的实际输出拟合期望的输出，最终得到训练好的授信额度预测模型。
在进行模型训练时，可以采用有监督的模型训练方式，例如逻辑回归模型、SVM,以及贝叶斯模型等。以SVM为例，当可以采用随机梯度算法进行模型训练，在梯度下降过程中需要使得代价函数J(θ)最小，在一个实施例中，代价函数可以采用以下公式表示：
其中，m表示训练集中样本的个数，x(i)为输入的特征向量，y(i)表示期望输出的特征值，hθ(x(i))表示每次训练的实际输出的特征值，其中：
其中，即θTx等于特征与参数的乘积的和，其中，x()为输入的特征向量。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种活体检测装置500，包括：
授信额度获得模块502，用于获取当前用户的信用信息，基于信用信息采用已训练的授信额度预测模型得到当前用户的授信额度；
参考活体检测策略确定模块504，用于根据授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取参考活体检测策略对应的第一安全等级；
备选活体检测策略确定模块506，用于获取当前用户对活体检测策略的选择操作，将选择操作对应的活体检测策略确定为备选活体检测策略，并获取备选活体检测策略对应的第二安全等级；
第一目标活体检测策略确定模块508，用于当第二安全等级不低于第一安全等级时，确定备选活体检测策略为当前用户的目标活体检测策略；
第二目标活体检测策略确定模块510，用于当第二安全等级低于第一安全等级时，确定选择策略，根据选择策略确定目标活体检测策略；
活体检测执行模块512，用于根据目标活体检测策略执行活体检测。
在一个实施例中，第二目标活体检测策略确定模块510还用于当授信额度超过预设阈值时，确定选择策略为第一策略或第二策略；当选择策略为第一策略时，将当前用户对应的授信额度降低至备选活体检测策略对应的授信额度最大值，同时将备选活体检测策略确定为目标活体检测策略；当选择策略为第二策略时，将参考活体检测策略确定为目标活体检测策略。
在一个实施例中，第二目标活体检测策略确定模块510还用于当授信额度不超过预设阈值时，确定选择策略为第三策略，根据第三策略确定目标活体检测策略；第三策略为从安全等级低于第一安全等级且高于第二安全等级的活体检测策略中确定目标活体检测策略。
在一个实施例中，第二目标活体检测策略确定模块510还用于获取当前用户的历史行为数据；当根据历史行为数据判定当前用户属于高风险用户时，确定选择策略为第一策略或第二策略；当选择策略为第一策略时，将当前用户对应的初始授信额度降低至备选活体检测策略对应的授信额度最大值，同时将备选活体检测策略确定为目标活体检测策略；当选择策略为第二策略时，将参考活体检测策略确定为目标活体检测策略。
在一个实施例中，第二目标活体检测策略确定模块510还用于当根据历史行为数据判定当前用户属于低风险用户时，确定选择策略为第四策略，根据第四策略确定目标活体检测策略；第四策略为将备选活体检测策略作为目标活体检测策略。
在一个实施例中，上述装置还包括；授信额度预测模型生成模块，用于获取历史用户的信用信息及对应的授信额度；根据历史用户的信用信息及对应的授信额度得到训练集，根据训练集进行模型训练得到训练好的授信额度预测模型。
关于活体检测装置的具体限定可以参见上文中对于活体检测方法的限定，在此不再赘述。上述活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种活体检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现本申请任意一个实施例中提供的活体检测方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的活体检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种活体检测方法，所述方法包括：
获取当前用户的信用信息，基于所述信用信息采用已训练的授信额度预测模型得到所述当前用户的授信额度；
根据所述授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取所述参考活体检测策略对应的第一安全等级；
获取所述当前用户对活体检测策略的选择操作，将所述选择操作对应的活体检测策略确定为备选活体检测策略，并获取所述备选活体检测策略对应的第二安全等级；
当所述第二安全等级不低于所述第一安全等级时，确定所述备选活体检测策略为当前用户的目标活体检测策略；
当所述第二安全等级低于所述第一安全等级时，确定选择策略，根据所述选择策略确定目标活体检测策略；
根据所述目标活体检测策略执行活体检测。
2.根据权利要求1所述的方法，其特征在于，所述确定选择策略，根据所述选择策略确定目标活体检测策略，包括：
当所述授信额度超过预设阈值时，确定所述选择策略为第一策略或第二策略；
当所述选择策略为第一策略时，将所述当前用户对应的授信额度降低至所述备选活体检测策略对应的授信额度最大值，同时将所述备选活体检测策略确定为目标活体检测策略；
当所述选择策略为第二策略时，将所述参考活体检测策略确定为目标活体检测策略。
3.根据权利要求1所述的方法，其特征在于，确定选择策略，根据所述选择策略确定目标活体检测策略，包括：
当所述授信额度不超过预设阈值时，确定所述选择策略为第三策略，根据所述第三策略确定目标活体检测策略；
所述第三策略为从安全等级低于所述第一安全等级且高于所述第二安全等级的活体检测策略中确定目标活体检测策略。
4.根据权利要求1所述的方法，其特征在于，所述确定选择策略，根据所述选择策略确定目标活体检测策略，包括：
获取所述当前用户的历史行为数据；
当根据所述历史行为数据判定所述当前用户属于高风险用户时，确定所述选择策略为第一策略或第二策略；
当所述选择策略为第一策略时，将所述当前用户对应的初始授信额度降低至所述备选活体检测策略对应的授信额度最大值，同时将所述备选活体检测策略确定为目标活体检测策略；
当所述选择策略为第二策略时，将所述参考活体检测策略确定为目标活体检测策略。
5.根据权利要求4所述的方法，其特征在于，所述确定选择策略，根据所述选择策略确定目标活体检测策略，还包括：
当根据所述历史行为数据判定所述当前用户属于低风险用户时，确定所述选择策略为第四策略，根据所述第四策略确定目标活体检测策略；
所述第四策略为将备选活体检测策略作为目标活体检测策略。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述授信额度预测模型的生成步骤包括：
获取历史用户的信用信息及对应的授信额度；
根据所述历史用户的信用信息及对应的授信额度得到训练集，根据所述训练集进行模型训练得到训练好的授信额度预测模型。
7.一种活体检测装置，其特征在于，所述装置包括：
授信额度获得模块，用于获取当前用户的信用信息，基于所述信用信息采用已训练的授信额度预测模型得到所述当前用户的授信额度；
参考活体检测策略确定模块，用于根据所述授信额度从预设的活体检测策略集合中确定参考活体检测策略，并获取所述参考活体检测策略对应的第一安全等级；
备选活体检测策略确定模块，用于获取所述当前用户对活体检测策略的选择操作，将所述选择操作对应的活体检测策略确定为备选活体检测策略，并获取所述备选活体检测策略对应的第二安全等级；
第一目标活体检测策略确定模块，用于当所述第二安全等级不低于所述第一安全等级时，确定所述备选活体检测策略为当前用户的目标活体检测策略；
第二目标活体检测策略确定模块，用于当所述第二安全等级低于所述第一安全等级时，确定选择策略，根据所述选择策略确定目标活体检测策略；
活体检测执行模块，用于根据所述目标活体检测策略执行活体检测。
8.根据权利要求7所述的装置，其特征在于，所述第二目标活体检测策略确定模块还用于当所述授信额度超过预设阈值时，确定所述选择策略为第一策略或第二策略；当所述选择策略为第一策略时，将所述当前用户对应的授信额度降低至所述备选活体检测策略对应的授信额度最大值，同时将所述备选活体检测策略确定为目标活体检测策略；当所述选择策略为第二策略时，将所述参考活体检测策略确定为目标活体检测策略。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910007303.9A CN109815853A (zh) | 2019-01-04 | 2019-01-04 | 活体检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910007303.9A CN109815853A (zh) | 2019-01-04 | 2019-01-04 | 活体检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815853A true CN109815853A (zh) | 2019-05-28 |
Family
ID=66603901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910007303.9A Pending CN109815853A (zh) | 2019-01-04 | 2019-01-04 | 活体检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815853A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183167A (zh) * | 2019-07-04 | 2021-01-05 | 钉钉控股（开曼）有限公司 | 考勤方法、认证方法、活体检测方法、装置及设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1655526A (zh) * | 2004-02-11 | 2005-08-17 | 上海三零卫士信息安全有限公司 | 计算机网络应急响应之安全策略生成*** |
| CN101174950A (zh) * | 2006-10-30 | 2008-05-07 | 华为技术有限公司 | 一种生物安全级别模版及其设定方法及装置 |
| CN102035803A (zh) * | 2009-09-29 | 2011-04-27 | 上海艾融信息科技有限公司 | 一种应用安全策略调整的方法、***和装置 |
| KR20110110431A (ko) * | 2010-04-01 | 2011-10-07 | 에스케이 텔레콤주식회사 | 정보보안 장치 및 방법 |
| CN105844203A (zh) * | 2015-01-12 | 2016-08-10 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法和装置 |
| CN107392184A (zh) * | 2017-08-28 | 2017-11-24 | 广东欧珀移动通信有限公司 | 人脸识别验证方法和装置 |
| CN107622246A (zh) * | 2017-09-26 | 2018-01-23 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
| CN107657161A (zh) * | 2017-09-12 | 2018-02-02 | 广东欧珀移动通信有限公司 | 基于人脸识别的移动支付方法及相关产品 |
| WO2018090794A1 (zh) * | 2016-11-18 | 2018-05-24 | 腾讯科技（深圳）有限公司 | 一种信息处理方法和装置以及计算机可读存储介质 |
| CN108076018A (zh) * | 2016-11-16 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 身份认证***、方法、装置及账号认证方法 |
| CN108875688A (zh) * | 2018-06-28 | 2018-11-23 | 北京旷视科技有限公司 | 一种活体检测方法、装置、***及存储介质 |
| CN109064217A (zh) * | 2018-07-16 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 基于用户等级的核身策略确定方法、装置及电子设备 |
-
2019
- 2019-01-04 CN CN201910007303.9A patent/CN109815853A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1655526A (zh) * | 2004-02-11 | 2005-08-17 | 上海三零卫士信息安全有限公司 | 计算机网络应急响应之安全策略生成*** |
| CN101174950A (zh) * | 2006-10-30 | 2008-05-07 | 华为技术有限公司 | 一种生物安全级别模版及其设定方法及装置 |
| CN102035803A (zh) * | 2009-09-29 | 2011-04-27 | 上海艾融信息科技有限公司 | 一种应用安全策略调整的方法、***和装置 |
| KR20110110431A (ko) * | 2010-04-01 | 2011-10-07 | 에스케이 텔레콤주식회사 | 정보보안 장치 및 방법 |
| CN105844203A (zh) * | 2015-01-12 | 2016-08-10 | 阿里巴巴集团控股有限公司 | 一种人脸活体检测方法和装置 |
| CN108076018A (zh) * | 2016-11-16 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 身份认证***、方法、装置及账号认证方法 |
| WO2018090794A1 (zh) * | 2016-11-18 | 2018-05-24 | 腾讯科技（深圳）有限公司 | 一种信息处理方法和装置以及计算机可读存储介质 |
| CN107392184A (zh) * | 2017-08-28 | 2017-11-24 | 广东欧珀移动通信有限公司 | 人脸识别验证方法和装置 |
| CN107657161A (zh) * | 2017-09-12 | 2018-02-02 | 广东欧珀移动通信有限公司 | 基于人脸识别的移动支付方法及相关产品 |
| CN107622246A (zh) * | 2017-09-26 | 2018-01-23 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
| CN108875688A (zh) * | 2018-06-28 | 2018-11-23 | 北京旷视科技有限公司 | 一种活体检测方法、装置、***及存储介质 |
| CN109064217A (zh) * | 2018-07-16 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 基于用户等级的核身策略确定方法、装置及电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183167A (zh) * | 2019-07-04 | 2021-01-05 | 钉钉控股（开曼）有限公司 | 考勤方法、认证方法、活体检测方法、装置及设备 |
| CN112183167B (zh) * | 2019-07-04 | 2023-09-22 | 钉钉控股（开曼）有限公司 | 考勤方法、认证方法、活体检测方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363243A (zh) | 分类模型的评估方法和装置 | |
| CN108629168A (zh) | 脸部验证方法、设备以及计算设备 | |
| CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
| CN109359972B (zh) | 核身产品推送及核身方法和*** | |
| CN111476268A (zh) | 翻拍识别模型训练、图像识别方法、装置、设备及介质 | |
| WO2020238552A1 (zh) | 基于微表情识别的审批指令生成方法、装置和计算机设备 | |
| CN109815803A (zh) | 面审风险控制方法、装置、计算机设备和存储介质 | |
| CN111275448A (zh) | 人脸数据处理方法、装置和计算机设备 | |
| CN111444873A (zh) | 视频中人物真伪的检测方法、装置、电子设备及存储介质 | |
| CN108805699A (zh) | 一种信贷风控决策方法及装置 | |
| CN107392184A (zh) | 人脸识别验证方法和装置 | |
| CN113269149B (zh) | 活体人脸图像的检测方法、装置、计算机设备及存储介质 | |
| JP2019152964A (ja) | 学習方法および学習装置 | |
| CN113705685B (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
| CN109829277A (zh) | 终端解锁方法、装置、计算机设备和存储介质 | |
| CN109461068A (zh) | 欺诈行为的判断方法、装置、设备及计算机可读存储介质 | |
| CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
| CN109766772A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
| CN110163151B (zh) | 人脸模型的训练方法、装置、计算机设备和存储介质 | |
| CN116777642A (zh) | 基于集成学习模型的车险风险参数预测方法及装置 | |
| CN109815853A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
| Smith et al. | Fair lineups improve outside observers’ discriminability, not eyewitnesses’ discriminability: Evidence for differential filler-siphoning using empirical data and the WITNESS computer-simulation architecture. | |
| CN106355066A (zh) | 人脸验证方法及人脸验证装置 | |
| CN109285260A (zh) | 一种闸机控制方法及装置 | |
| CN114372862A (zh) | 数据处理方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |