CN112270288A - 活体识别、门禁设备控制方法和装置、电子设备 - Google Patents

活体识别、门禁设备控制方法和装置、电子设备 Download PDF

Info

Publication number
CN112270288A
CN112270288A CN202011248985.1A CN202011248985A CN112270288A CN 112270288 A CN112270288 A CN 112270288A CN 202011248985 A CN202011248985 A CN 202011248985A CN 112270288 A CN112270288 A CN 112270288A
Authority
CN
China
Prior art keywords
living body
sample image
image
face
recognition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011248985.1A
Other languages
English (en)
Inventor
滕家宁
黄耿石
邵婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202011248985.1A priority Critical patent/CN112270288A/zh
Publication of CN112270288A publication Critical patent/CN112270288A/zh
Priority to PCT/CN2021/086219 priority patent/WO2022099989A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种活体识别、门禁设备控制方法及装置、电子设备，所述方法包括：对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，所述第一活体识别用于识别所述待识别对象是活体还是2D非活体；在所述第一识别结果指示所述待识别对象为活体的情况下，对所述目标图像进行第二活体识别，得到第二识别结果，所述第二活体识别用于识别所述待识别对象是活体还是3D非活体。本公开实施例可以有效提高对活体的识别精度。

Description

活体识别、门禁设备控制方法和装置、电子设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种活体识别、门禁设备控制方法及装置、电子设备。
背景技术
活体识别就是要识别出图像采集设备(例如，摄像头、手机等)上检测到的人脸图像是来自真实的人脸，还是某种形式的攻击或伪装。目前主要的攻击形式包括照片、视频、面具、人脸模型等。活体检测可以应用于无人值守场景下的安全防控，因此，提高活体识别的识别精度，对安全防控有着至关重要的作用。
发明内容
本公开提出了一种活体识别、门禁设备控制方法及装置、电子设备的技术方案。
根据本公开的一方面，提供了一种活体识别方法，包括：对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，所述第一活体识别用于识别所述待识别对象是活体还是2D非活体；在所述第一识别结果指示所述待识别对象为活体的情况下，对所述目标图像进行第二活体识别，得到第二识别结果，所述第二活体识别用于识别所述待识别对象是活体还是3D非活体。
通过对识别待识别对象对应的目标图像进行第一阶段的第一活体识别，识别待识别对象是活体还是2D非活体，在第一活体识别得到的第一识别结果指示待识别对象为活体的情况下，对目标图像进行第二阶段的第二活体识别，识别待识别对象是活体还是3D非活体，可以得到识别准确的第二识别结果。采用两阶段的活体识别方法，可以有效提高对活体的识别精度。
在一种可能的实现方式中，所述对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，包括：通过第一活体识别网络对所述目标图像进行第一活体识别，得到所述第一识别结果，所述第一活体识别网络是基于活体对应的第一样本图像和2D非活体对应的第二样本图像训练得到的。
基于活体对应的第一样本图像和2D非活体对应的第二样本图像训练得到的第一活体识别网络，可以提高对2D非活体的识别精度，从而使得通过第一活体识别网络对待识别对象对应的目标图像进行第一活体识别之后，可以得到识别精度较高的第一识别结果。
在一种可能的实现方式中，所述第一样本图像中包括第一标签，所述第一标签用于指示所述第一样本图像为活体对应的图像；在通过所述第一活体识别网络对所述目标图像进行第一活体识别之前，所述方法还包括：通过第一初始网络对所述第一样本图像和所述第二样本图像进行分类，得到第一分类结果；根据所述第一样本图像中包括的所述第一标签以及所述第一分类结果，确定所述第一初始网络对应的第一分类损失；根据所述第一分类损失，训练所述第一初始网络，以得到训练后的所述第一活体识别网络。
利用活体对应的第一样本图像以及2D非活体对应的第二样本图像对第一初始网络进行训练，由于第一样本图像中包括第一标签，因此，可以根据第一标签和第一分类结果，确定第一初始网络的分类准确性，即第一初始网络对应的第一分类损失，以使得根据第一分类损失可以对第一初始网络进行有效训练，以得到训练后的对2D非活体的识别精度较高的第一活体识别网络。
在一种可能的实现方式中，所述通过第一初始网络对所述第一样本图像和所述第二样本图像进行分类，得到第一分类结果，包括：对所述第一样本图像进行人脸检测，得到第一人脸框，以及对所述第二样本图像进行人脸检测，得到第二人脸框；根据所述第一人脸框对所述第一样本图像进行裁切，得到第一人脸图像，以及根据所述第二人脸框对所述第二样本图像进行裁切，得到第二人脸图像；通过所述第一初始网络对所述第一人脸图像和所述第二人脸图像进行分类，得到所述第一分类结果。
相比于对第一样本图像和第二样本图像直接进行分类，对裁切得到的第一人脸图像和第二人脸图像进行分类，可以有效提高分类效率。
在一种可能的实现方式中，所述根据所述第一人脸框对所述第一样本图像进行裁切，得到第一人脸图像，以及根据所述第二人脸框对所述第二样本图像进行裁切，得到第二人脸图像，包括：调整所述第一人脸框的尺寸，得到第三人脸框，以及调整所述第二人脸框的尺寸，得到第四人脸框；根据所述第三人脸框对所述第一样本图像进行裁切，得到所述第一人脸图像，以及根据所述第四人脸框对所述第二样本图像进行裁切，得到所述第二人脸图像。
通过调整第一人脸框和第二人脸框的尺寸，使得根据调整后的第三人脸框和第四人脸框，可以从第一样本图像和第二样本图像中，裁切得到具备更多有效信息的第一人脸图像和第二人脸图像，从而使得后续对裁切得到的第一人脸图像和第二人脸图像进行分类时，可以有效提高分类效率。
在一种可能的实现方式中，所述对所述目标图像进行第二活体识别，得到第二识别结果，包括：通过第二活体识别网络对所述目标图像进行第二活体识别，得到所述第二识别结果，所述第二活体识别网络是基于活体对应的第三样本图像和3D非活体对应的第四样本图像训练得到的。
基于活体对应的第三样本图像和3D非活体对应的第四样本图像训练得到的第二活体识别网络，可以提高对3D非活体的识别精度，从而使得通过第二活体识别网络对待识别对象对应的目标图像进行第二活体识别之后，可以得到识别精度较高的第二识别结果。
在一种可能的实现方式中，所述第三样本图像中包括第二标签，所述第二标签用于指示所述第三样本图像为活体对应的图像；在通过所述第二活体识别网络对所述目标图像进行第二活体识别之前，所述方法还包括：通过第二初始网络对所述第三样本图像和所述第四样本图像进行分类，得到第二分类结果；根据所述第三样本图像中包括的所述第二标签以及所述第二分类结果，确定所述第二初始网络对应的第二分类损失；根据所述第二分类损失，训练所述第二初始网络，以得到训练后的所述第二活体识别网络。
利用活体对应的第三样本图像以及3D非活体对应的第四样本图像对第二初始网络进行训练，由于第三样本图像中包括第二标签，因此，可以根据第二标签和第二分类结果，确定第二初始网络的分类准确性，即第二初始网络对应的第二分类损失，以使得根据第二分类损失可以对第二初始网络进行有效训练，以得到训练后的对3D非活体的识别精度较高的第二活体识别网络。
在一种可能的实现方式中，所述通过第二初始网络对所述第三样本图像和所述第四样本图像进行分类，得到第二分类结果，包括：对所述第三样本图像进行人脸检测，得到第五人脸框，以及对所述第四样本图像进行人脸检测，得到第六人脸框；根据所述第五人脸框对所述第三样本图像进行裁切，得到第三人脸图像，以及根据所述第六人脸框对所述第四样本图像进行裁切，得到第四人脸图像；通过所述第二初始网络对所述第三人脸图像和所述第四人脸图像进行分类，得到所述第二分类结果。
相比于对第三样本图像和第四样本图像直接进行分类，对裁切得到的第三人脸图像和第四人脸图像进行分类，可以有效提高分类效率。
在一种可能的实现方式中，所述根据所述第五人脸框对所述第三样本图像进行裁切，得到第三人脸图像，以及根据所述第六人脸框对所述第四样本图像进行裁切，得到第四人脸图像，包括：调整所述第五人脸框的尺寸，得到第七人脸框，以及调整所述第六人脸框的尺寸，得到第八人脸框；根据所述第七人脸框对所述第三样本图像进行裁切，得到所述第三人脸图像，以及根据所述第八人脸框对所述第四样本图像进行裁切，得到所述第四人脸图像。
通过调整第五人脸框和第六人脸框的尺寸，使得根据调整后的第七人脸框和第八人脸框，可以从第三样本图像和第四样本图像中，裁切得到具备更多有效信息的第三人脸图像和第四人脸图像，从而使得后续对裁切得到的第三人脸图像和第四人脸图像进行分类时，可以有效提高分类效率。
根据本公开的一方面，提供了一种门禁设备控制方法，包括：采集需要通过门禁设备的待识别对象对应的目标图像；采用上述活体识别方法，对所述目标图像进行活体识别，得到活体识别结果；在所述活体识别结果指示所述待识别对象为活体的情况下，控制所述门禁设备开启。
通过上述两阶段的活体识别方法，对需要通过门禁设备的待识别对象进行活体识别，使得既可以对2D非活体(例如，照片、图像)进行有效识别，也可以对3D非活体进行有效识别，进而仅在活体识别结果指示待识别对象为活体的情况下控制门禁设备开启，从而可以有效提高门禁设备的安全性。
在一种可能的实现方式中，所述采集需要通过门禁设备的待识别对象对应的目标图像，包括：利用双红外摄像头模组，采集所述待识别对象对应的所述目标图像。
利用双红外摄像头模组采集得到需要通过门禁设备的待识别对象对应的清晰的目标图像，进而通过上述两阶段的活体识别方法，对待识别对象对应的目标图像进行活体识别，使得可以提高门禁设备在暗光场景下的活体识别准确度，从而可以有效提高门禁设备的安全性。
根据本公开的一方面，提供了一种活体识别装置，包括：第一识别模块，用于对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，所述第一活体识别用于识别所述待识别对象是活体还是2D非活体；第二识别模块，用于在所述第一识别结果指示所述待识别对象为活体的情况下，对所述目标图像进行第二活体识别，得到第二识别结果，所述第二活体识别用于识别所述待识别对象是活体还是3D非活体。
根据本公开的一方面，提供了一种门禁设备控制装置，包括：图像采集模块，用于采集需要通过门禁设备的待识别对象对应的目标图像；活体识别模块，用于上述活体识别方法，对所述目标图像进行活体识别，得到活体识别结果；控制模块，用于在所述活体识别结果指示所述待识别对象为活体的情况下，控制所述门禁设备开启。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述活体识别方法，或，执行上述门禁设备控制方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述活体识别方法，或，执行上述门禁设备控制方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种活体识别方法的交互示意图；
图2示出根据本公开实施例的一种活体识别方法的流程图；
图3示出根据本公开实施例的一种活体识别网络的示意图；
图4示出根据本公开实施例的一种门禁设备控制方法的流程图；
图5示出根据本公开实施例的一种活体识别装置的框图；
图6示出根据本公开实施例的一种门禁设备控制装置的框图；
图7示出根据本公开实施例的一种电子设备的框图；
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，为了提高人脸识别的安全性和可靠性，活体识别技术逐渐成为人脸识别***的核心技术。本公开实施例的活体识别方法可以应用安防、金融、电子商务等需要身份验证的场景，例如，门禁设备、远程交易等。根据本公开的活体识别方法，可以确定待识别对象是否为有生命的活体，而非照片、视频、面具、人脸模型等非活体，从而可以有效减少恶意攻击。
图1示出根据本公开实施例的一种活体识别方法的交互示意图。如图1所示，电子设备11用于执行该活体识别方法。电子设备11可以为门禁设备(例如，门锁13、闸机14等)，可以为用于进行远程交易的用户设备(例如，手机15)，还可以为其它需要通过活体识别进行身份验证的设备，本公开对此不做具体限定。
电子设备11中包括的图像采集部件(例如，摄像头)，采集需要通过电子设备11进行活体识别的待识别对象12的目标图像。电子设备11对目标图像进行第一阶段的第一活体识别，识别待识别对象12是活体还是2D非活体。在第一活体识别得到的第一识别结果指示待识别对象12为2D非活体的情况下，结束活体识别流程，输出第一识别结果，并提示待识别对象12针对电子设备11的活体识别未通过；在第一活体识别得到的第一识别结果指示待识别对象12为活体的情况下，电子设备11对目标图像进行第二阶段的第二活体识别。第二活体识别用于识别待识别对象12是活体还是3D非活体。在第二活体识别得到的第二识别结果指示待识别对象12为3D非活体的情况下，结束活体识别流程，输出第二识别结果，并提示待识别对象12针对电子设备11的活体识别未通过；在第二活体识别得到的第二识别结果指示待识别对象12为活体的情况下，结束活体识别流程，输出第二识别结果，并提示待识别对象12针对电子设备11的活体识别通过。
电子设备11对待识别对象12的活体识别通过之后，电子设备11可以执行相应操作，例如，在电子设备11为门禁设备(例如，门锁、闸机等)的情况下，启动门禁设备使得待识别对象12进入或通过；在电子设备11为用于进行远程交易的用户设备时，执行该远程交易。本公开实施例采用两阶段的活体识别方法，可以有效提高对活体的识别精度，进而提高安全防御性能。
下面对根据本公开实施例的活体识别方法进行详细说明。
图2示出根据本公开实施例的一种活体识别方法的流程图。该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可以通过服务器执行该方法，服务器可以为本地服务器、云端服务器等。如图2所示，该方法包括：
在步骤S21中，对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，第一活体识别用于识别待识别对象是活体还是2D非活体。
在需要对待识别对象进行活体识别时(例如，对需要开启门锁的待识别对象进行活体识别)，可以先对待识别对象对应的目标图像进行第一活体识别，以识别待识别对象是活体还是2D非活体，得到第一识别结果。当第一识别结果指示待识别对象为2D非活体时，可以直接结束活体识别流程(例如，控制门锁不开启)；当第一识别结果指示待识别对象是活体时，为了进一步对待识别对象进行识别，对待识别对象对应的目标图像执行下述步骤S22。
在步骤S22中，在第一识别结果指示待识别对象为活体的情况下，对目标图像进行第二活体识别，得到第二识别结果，第二活体识别用于识别待识别对象是活体还是3D非活体。
对待识别对象对应的目标图像进行第二活体识别，以识别待识别对象是活体还是3D非活体，得到第二识别结果。进而可以根据第二识别结果执行相应操作，例如，待识别对象为需要开启门锁的对象，当第二识别结果指示待识别对象为3D非活体时，控制门锁不开启；当第二识别结果指示待识别对象是活体时，控制门锁开启。
在本公开实施例中，对识别待识别对象对应的目标图像进行第一阶段的第一活体识别，识别待识别对象是活体还是2D非活体，在第一活体识别得到的第一识别结果指示待识别对象为活体的情况下，对目标图像进行第二阶段的第二活体识别，识别待识别对象是活体还是3D非活体，可以得到识别准确的第二识别结果。采用本公开提供的技术方案，通过两阶段的活体识别，可以有效提高对活体的识别精度。
在一种可能的实现方式中，对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，包括：通过第一活体识别网络对目标图像进行第一活体识别，得到第一识别结果，第一活体识别网络是基于活体对应的第一样本图像和2D非活体对应的第二样本图像训练得到的。
基于活体对应的第一样本图像和2D非活体对应的第二样本图像训练得到的第一活体识别网络，可以提高对2D非活体的识别精度，从而使得通过第一活体识别网络对待识别对象对应的目标图像进行第一活体识别之后，可以得到识别精度较高的第一识别结果。
为了对活体和2D非活体(例如，照片、图像等)进行识别，在对待识别对象对应的目标图像进行第一活体识别之前，需要基于活体对应的第一样本图像和2D非活体对应的第二样本图像，预先训练得到第一活体识别网络。第一活体识别网络的作用是对输入网络的图像进行识别，判断其是活体对应的图像，还是2D非活体对应的图像。
下面对基于活体对应的第一样本图像和2D非活体对应的第二样本图像，训练得到第一活体识别网络的过程进行详细说明。
在一种可能的实现方式中，第一样本图像中包括第一标签，第一标签用于指示第一样本图像为活体对应的图像；在通过第一活体识别网络对目标图像进行第一活体识别之前，该方法还包括：通过第一初始网络对第一样本图像和第二样本图像进行分类，得到第一分类结果；根据第一样本图像中包括的第一标签以及第一分类结果，确定第一初始网络对应的第一分类损失；根据第一分类损失，训练第一初始网络，以得到训练后的第一活体识别网络。
利用活体对应的第一样本图像以及2D非活体对应的第二样本图像对第一初始网络进行训练，由于第一样本图像中包括第一标签，因此，可以根据第一标签和第一分类结果，确定第一初始网络的分类准确性，即确定第一初始网络对应的第一分类损失，以使得根据第一分类损失可以对第一初始网络进行有效训练，以得到训练后的对2D非活体的识别精度较高的第一活体识别网络。
在一种可能的实现方式中，在通过第一初始网络对第一样本图像和第二样本图像进行分类之前，该方法还包括：利用公共图像数据集对第一原始网络进行训练，以得到训练后的第一初始网络。
其中，公共图像数据集可以是ImageNet，ImageNet是一个约包含1500万张图像的图像分类数据集，共包含1000多个类别，利用ImageNet对第一原始网络进行训练，可以得到训练后的具备分类功能的第一初始网络，进而可以利用活体对应的第一样本图像以及2D非活体对应的第二样本图像，对第一初始网络进行训练，以得到训练后的第一活体识别网络。公共图像数据集除了可以是ImageNet之外，还可以是其它用于进行分类训练的公共图像数据集，本公开对此不做具体限定。
在利用第一初始网络训练得到第一活体识别网络的过程中，首先，基于活体对应的包括第一标签的第一样本图像，和2D非活体对应的不包括第一标签的第二样本图像，构建第一训练样本集，将第一训练样本集输入第一初始网络。
第一初始网络识别第一样本图像是活体对应的图像还是2D非活体对应的图像，以及根据识别结果，对第一样本图像进行分类，得到第一样本图像对应的第一分类结果。例如，在对第一样本图像的识别结果为第一样本图像是活体对应的图像时，第一样本图像对应的第一分类结果为活体类别；在对第一样本图像的识别结果为第一样本图像是2D非活体对应的图像时，第一样本图像对应的第一分类结果为2D非活体类别。
此外，第一初始网络识别第二样本图像是活体对应的图像还是2D非活体对应的图像，以及根据识别结果，对第二样本图像进行分类，得到第二样本图像对应的第一分类结果。例如，在识别结果为第二样本图像是活体对应的图像时，第二样本图像对应的第一分类结果为活体类别；在识别结果为第二样本图像是2D非活体对应的图像时，第二样本图像对应的第一分类结果为2D非活体类别。
在得到第一分类结果之后，由于第一样本图像中包括用于指示第一样本图像为活体对应的图像的第一标签，因此，根据第一样本图像中包括的第一标签以及第一分类结果，可以确定第一初始网络对应的第一分类损失。例如，在包括第一标签的第一样本图像对应的第一分类结果为活体类别时，则第一初始网络对第一样本图像分类成功；在包括第一标签的第一样本图像对应的第一分类结果为2D非活体类别时，则第一初始网络对第一样本图像分类失败；或者，在不包括第一标签的第二样本图像对应的第一分类结果为2D非活体类别时，则第一初始网络对第二样本图像分类成功；在不包括第一标签的第二样本图像对应的第一分类结果为活体类别时，则第一初始网络对第二样本图像分类失败。根据第一初始网络对第一样本图像和/或第二样本图像的分类成功率，也即第一初始网络的识别准确率，可以确定第一初始网络对应的第一分类损失，进而根据第一分类损失，训练第一初始网络，以得到训练后的第一活体识别网络。
在一种可能的实现方式中，根据第一分类损失，训练第一初始网络，以得到训练后的第一活体识别网络，包括：根据第一分类损失，构建第一损失函数；根据第一损失函数和第一识别阈值，训练第一初始网络，以得到训练后的第一活体识别网络。
例如，根据第一损失函数，调整第一初始网络对应的网络参数，得到中间网络，并采用与上述训练第一初始网络相同的网络训练方法对中间网络进行迭代训练，直至网络对应的识别准确率大于第一识别阈值，确定得到符合条件的训练后的第一活体识别网络。
其中，第一损失函数可以为交叉熵损失函数，还可以为其它损失函数，第一识别阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
在一种可能的实现方式中，根据第一分类损失，对第一初始网络进行训练，以得到训练后的第一活体识别网络，包括：根据第一分类损失，构建第一损失函数；根据第一损失函数和第一迭代次数，训练第一初始网络，以得到训练后的第一活体识别网络。
例如，根据第一损失函数，调整第一初始网络对应的网络参数，得到中间网络，并采用与上述训练第一初始网络相同的网络训练方法对中间网络进行迭代训练，直至迭代训练的次数达到第一迭代次数，确定得到符合条件的训练后的第一活体识别网络。
在一种可能的实现方式中，通过第一初始网络对第一样本图像和第二样本图像进行分类，得到第一分类结果，包括：对第一样本图像进行人脸检测，得到第一人脸框，以及对第二样本图像进行人脸检测，得到第二人脸框；根据第一人脸框对第一样本图像进行裁切，得到第一人脸图像，以及根据第二人脸框对第二样本图像进行裁切，得到第二人脸图像；通过第一初始网络对第一人脸图像和第二人脸图像进行分类，得到第一分类结果。
分别对第一样本图像和第二样本图像进行人脸检测，得到第一样本图像中的第一人脸框，以及第二样本图像中的第二人脸框，使得可以根据第一人脸框在第一样本图像中裁切得到第一人脸图像，以及根据第二人脸框在第二样本图像裁切得到第二人脸图像，进而通过第一初始网络对第一人脸图像和第二人脸图像进行分类，得到第一分类结果。相比于对第一样本图像和第二样本图像整体进行分类，对裁切得到的第一人脸图像和第二人脸图像进行分类，可以有效提高分类效率。
在一种可能的实现方式中，根据第一人脸框对第一样本图像进行裁切，得到第一人脸图像，以及根据第二人脸框对第二样本图像进行裁切，得到第二人脸图像，包括：调整第一人脸框的尺寸，得到第三人脸框，以及调整第二人脸框的尺寸，得到第四人脸框；根据第三人脸框对第一样本图像进行裁切，得到第一人脸图像，以及根据第四人脸框对第二样本图像进行裁切，得到第二人脸图像。
通过调整第一人脸框和第二人脸框的尺寸，使得根据调整后的第三人脸框和第四人脸框，可以从第一样本图像和第二样本图像中，裁切得到具备更多有效信息的第一人脸图像和第二人脸图像，从而使得后续对裁切得到的第一人脸图像和第二人脸图像进行分类时，可以有效提高分类效率。
例如，在对第一样本图像和第二样本图像进行人脸检测，得到第一样本图像中的第一人脸框，以及第二样本图像中的第二人脸框之后，通过对第一人脸框进行第一预设比例阈值的外扩(例如，向上、向左、向右各外扩0.2倍，向下外扩0.4倍)，得到第三人脸框，以及通过对第二人脸框进行第二预设比例阈值的外扩(例如，向上、向左、向右各外扩0.3倍，向下外扩0.5倍)，得到第四人脸框。其中，第一预设比例阈值和第二预设比例阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
通过对第一人脸框和第二人脸框进行外扩，外扩后的第三人脸框和第四人脸框包含更多人脸周围信息，使得更易于对第三人脸框内的第一人脸图像和第四人脸框内的第二人脸图像进行分类。例如，第二样本图像为照片对应的图像，通过对第二样本图像进行人脸检测得到第二人脸框，其中，第二人脸框中对应照片中的人脸部分。通过对第二人脸框进行外扩得到第四人脸框，使得第四人脸框中除了包括照片中的人脸部分，还包括照片的边界部分。因此，在对根据第四人脸框从第二样本图像中裁切得到的第二人脸图像进行分类时，由于第二人脸图像中包括照片的边界部分，很容易即可确定第二人脸图像对应的第一分类结果为2D非活体类别。
本公开实施例中，调整第一人脸框和第二人脸框的尺寸方式除了可以包括上述外扩方式以外，还可以包括收缩等方式，本公开对此不做具体限定。
在一示例中，根据第三人脸框对第一样本图像进行裁切得到第一人脸图像，以及根据第四人脸框对第二样本图像进行裁切得到第二人脸图像之后，还可以将第一人脸图像和第二人脸图像分别调整为第一目标尺寸(例如，长宽各为224像素)的图像，以使得第一活体识别网络对相同尺寸的第一人脸图像和第二图像进行分类，以提高分类准确度。其中，第一目标尺寸的具体取值可以根据实际情况确定，本公开对此不做具体限定。
在一种可能的实现方式中，对目标图像进行第二活体识别，得到第二识别结果，包括：通过第二活体识别网络对目标图像进行第二活体识别，得到第二识别结果，第二活体识别网络是基于活体对应的第三样本图像和3D非活体对应的第四样本图像训练得到的。
基于活体对应的第三样本图像和3D非活体对应的第四样本图像训练得到的第二活体识别网络，可以提高对3D非活体的识别精度，从而使得通过第二活体识别网络对待识别对象对应的目标图像进行第二活体识别之后，可以得到识别精度较高的第二识别结果。
为了对活体和3D非活体(例如，面具、头部模型等)进行识别，再对待识别对象对应的目标图像进行第二活体识别之前，需要基于活体对应的第三样本图像和3D非活体对应的第四样本图像，预先训练得到第二活体识别网络。第二活体识别网络的作用是对输入网络的图像进行识别，判断其是活体对应的图像，还是3D非活体对应的图像。
下面对基于活体对应的第三样本图像和3D非活体对应的第四样本图像，训练得到第二活体识别网络的过程进行详细说明。
在一种可能的实现方式中，第三样本图像中包括第二标签，第二标签用于指示第三样本图像为活体对应的图像；在通过第二活体识别网络对目标图像进行第二活体识别之前，该方法还包括：通过第二初始网络对第三样本图像和第四样本图像进行分类，得到第二分类结果；根据第三样本图像中包括的第二标签以及第二分类结果，确定第二初始网络对应的第二分类损失；根据第二分类损失，训练第二初始网络，以得到训练后的第二活体识别网络。
利用活体对应的第三样本图像以及3D非活体对应的第四样本图像对第二初始网络进行训练，由于第三样本图像中包括第二标签，因此，可以根据第二标签和第二分类结果，确定第二初始网络的分类准确性，即确定第二初始网络对应的第二分类损失，以使得根据第二分类损失可以对第二初始网络进行有效训练，以得到训练后的对3D非活体的识别精度较高的第二活体识别网络。
在一种可能的实现方式中，在通过第二初始网络对第三样本图像和第四样本图像进行分类之前，该方法还包括：利用公共图像数据集对第二原始网络进行训练，以得到训练后的第二初始网络。
其中，公共图像数据集可以是ImageNet，ImageNet是一个约包含1500万张图像的图像分类数据集，共包含1000多个类别，利用ImageNet对第二原始网络进行训练，可以得到训练后的具备分类功能的第二初始网络，进而可以利用活体对应的第三样本图像以及3D非活体对应的第四样本图像，对第二初始网络进行训练，以得到训练后的第二活体识别网络。公共图像数据集除了可以是ImageNet之外，还可以是其它用于进行分类训练的公共图像数据集，本公开对此不做具体限定。
在利用第二初始网络训练得到第二活体识别网络的过程中，首先，基于活体对应的包括第二标签的第三样本图像，和3D非活体对应的不包括第二标签的第四样本图像，构建第二训练样本集，将第二训练样本集输入第二初始网络。
第二初始网络识别第三样本图像是活体对应的图像还是3D非活体对应的图像，以及根据识别结果，对第三样本图像进行分类，得到第三样本图像对应的第二分类结果。例如，在对第三样本图像的识别结果为第三样本图像是活体对应的图像时，第三样本图像对应的第二分类结果为活体类别；在对第三样本图像的识别结果为第三样本图像是3D非活体对应的图像时，第三样本图像对应的第二分类结果为3D非活体类别。
此外，第二初始网络识别第四样本图像是活体对应的图像还是3D非活体对应的图像，以及根据识别结果，对第四样本图像进行分类，得到第四样本图像对应的第二分类结果。例如，在对第四样本图像的识别结果为第四样本图像是活体对应的图像时，第四样本图像对应的第二分类结果为活体类别；在对第四样本图像的识别结果为第四样本图像是3D非活体对应的图像时，第四样本图像对应的第二分类结果为3D非活体类别。
在得到第二分类结果之后，由于第三样本图像中包括用于指示第三样本图像为活体对应的图像的第二标签，因此，根据第三样本图像中包括的第二标签以及第二分类结果，可以确定第二初始网络对应的第二分类损失。例如，在包括第二标签的第三样本图像对应的第二分类结果为活体类别时，则第二初始网络对第三样本图像分类成功；在包括第二标签的第三样本图像对应的第二分类结果为3D非活体类别时，则第二初始网络对第三样本图像分类失败；或者，在不包括第二标签的第四样本图像对应的第二分类结果为3D非活体类别时，则第二初始网络对第四样本图像分类成功；在不包括第二标签的第四样本图像对应的第二分类结果为活体类别时，则第二初始网络对第四样本图像分类失败。根据第二初始网络对第三样本图像和/或第四样本图像的分类成功率，也即第二初始网络的识别准确率，可以确定第二初始网络对应的第二分类损失，进而根据第二分类损失，训练第二初始网络，以得到训练后的第二活体识别网络。
在一种可能的实现方式中，根据第二分类损失，训练第二初始网络，以得到训练后的第二活体识别网络，包括：根据第二分类损失，构建第二损失函数；根据第二损失函数和第二识别阈值，训练第二初始网络，以得到训练后的第二活体识别网络。
例如，根据第二损失函数，调整第二初始网络对应的网络参数，得到中间网络，并采用与上述训练第二初始网络相同的网络训练方法对中间网络进行迭代训练，直至网络对应的识别准确率大于第二识别阈值，确定得到符合条件的训练后的第二活体识别网络。
其中，第二损失函数可以为交叉熵损失函数，还可以为其它损失函数，第二识别阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
第一识别阈值和第二识别阈值不同。相比于采用相同的识别阈值对第一初始网络和第二初始网络进行训练，采用不同的识别阈值对第一初始网络和第二初始网络进行训练，使得可以确保训练后的第一活体识别网络和训练后的第二活体识别网络均具有较高的识别精度。
在一种可能的实现方式中，根据第二分类损失，对第二初始网络进行训练，以得到训练后的第二活体识别网络，包括：根据第二分类损失，构建第二损失函数；根据第二损失函数和第二迭代次数，训练第二初始网络，以得到训练后的第二活体识别网络。
例如，根据第二损失函数，调整第二初始网络对应的网络参数，得到中间网络，并采用与上述训练第二初始网络相同的网络训练方法对中间网络进行迭代训练，直至迭代训练的次数达到第二迭代次数，确定得到符合条件的训练后的第二活体识别网络。
第一迭代次数和第二迭代次数不同。相比于采用相同的迭代次数对第一初始网络和第二初始网络进行训练，采用不同的迭代次数对第一初始网络和第二初始网络进行训练，使得可以确保训练后的第一活体识别网络和训练后的第二活体识别网络均具有较高的识别精度。
在一种可能的实现方式中，通过第二初始网络对第三样本图像和第四样本图像进行分类，得到第二分类结果，包括：对第三样本图像进行人脸检测，得到第五人脸框，以及对第四样本图像进行人脸检测，得到第六人脸框；根据第五人脸框对第三样本图像进行裁切，得到第三人脸图像，以及根据第六人脸框对第四样本图像进行裁切，得到第四人脸图像；通过第二初始网络对第三人脸图像和第四人脸图像进行分类，得到第二分类结果。
分别对第三样本图像和第四样本图像进行人脸检测，得到第三样本图像中的第五人脸框，以及第四样本图像中的第六人脸框，使得可以根据第五人脸框在第三样本图像中裁切得到第三人脸图像，以及根据第六人脸框在第四样本图像裁切得到第四人脸图像，进而通过第二初始网络对第三人脸图像和第四人脸图像进行分类，得到第二分类结果。相比于对第三样本图像和第四样本图像整体进行分类，对裁切得到的第三人脸图像和第四人脸图像进行分类，可以有效提高分类效率。
在一种可能的实现方式中，根据第五人脸框对第三样本图像进行裁切，得到第三人脸图像，以及根据第六人脸框对第四样本图像进行裁切，得到第四人脸图像，包括：调整第五人脸框的尺寸，得到第七人脸框，以及调整第六人脸框的尺寸，得到第八人脸框；根据第七人脸框对第三样本图像进行裁切，得到第三人脸图像，以及根据第八人脸框对第四样本图像进行裁切，得到第四人脸图像。
通过调整第五人脸框和第六人脸框的尺寸，使得根据调整后的第七人脸框和第八人脸框，可以从第三样本图像和第四样本图像中，裁切得到具备更多有效信息的第三人脸图像和第四人脸图像，从而使得后续对裁切得到的第三人脸图像和第四人脸图像进行分类时，可以有效提高分类效率。
例如，在对第三样本图像和第四样本图像进行人脸检测，得到第三样本图像中的第五人脸框，以及第四样本图像中的第六人脸框之后，通过对第五人脸框进行第三预设比例阈值的外扩(例如，向上、向左、向右各外扩0.2倍，向下外扩0.3倍)，得到第七人脸框，以及通过对第六人脸框进行第四预设比例阈值的外扩(例如，向上、向左、向右各外扩0.3倍，向下外扩0.3倍)，得到第八人脸框。其中，第三预设比例阈值和第四预设比例阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
通过对第五人脸框和第六人脸框进行外扩，外扩后的第七人脸框和第八人脸框包含更多人脸周围信息，使得更易于对第七人脸框内的第三人脸图像和第八人脸框内的第四人脸图像进行分类。例如，第四样本图像为面具对应的图像，通过对第四样本图像进行人脸检测得到第六人脸框，其中，第六人脸框中对应面具中的人脸部分。通过对第六人脸框进行外扩得到第八人脸框，使得第八人脸框中除了包括面具中的人脸部分，还包括面具的边界部分。因此，在对根据第八人脸框从第四样本图像中裁切得到的第四人脸图像进行分类时，由于第四人脸图像中包括面具的边界部分，很容易即可确定第四人脸图像对应的第二分类结果为3D非活体类别。
本公开实施例中，调整第五人脸框和第六人脸框的尺寸方式除了可以包括上述外扩方式以外，还可以包括收缩等方式，本公开对此不做具体限定。
在一示例中，根据第七人脸框对第三样本图像进行裁切得到第三人脸图像，以及根据第八人脸框对第四样本图像进行裁切得到第四人脸图像之后，还可以将第三人脸图像和第四人脸图像分别调整为第二目标尺寸(例如，长宽各为224像素)的图像，以使得第二活体识别网络对相同尺寸的第三人脸图像和第四图像进行分类，以提高分类准确度。其中，第二目标尺寸的具体取值可以根据实际情况确定，本公开对此不做具体限定。
在训练得到第一活体识别网络和第二活体识别网络之后，可以对待识别对象进行二阶段的活体识别。
图3示出根据本公开实施例的一种活体识别网络的示意图。如图3所示：
第一步，将待识别对象对应的目标图像输入第一活体识别网络，根据第一活体识别网络，识别待识别对象是活体还是2D非活体。
在第一活体识别网络输出的第一识别结果指示待识别对象是2D非活体时，结束活体识别流程，输出第一识别结果；在第一活体识别网络输出的第一识别结果指示待识别对象是活体时，执行第二步。
第二步，将待识别对象对应的目标图像输入第二活体识别网络，根据第二活体识别网络，识别待识别对象是活体还是3D非活体。
第三步，输出第二网络识别网络的第二识别结果。
在本公开实施例中，对识别待识别对象对应的目标图像进行第一阶段的第一活体识别，识别待识别对象是活体还是2D非活体，在第一活体识别得到的第一识别结果指示待识别对象为活体的情况下，对目标图像进行第二阶段的第二活体识别，识别待识别对象是活体还是3D非活体，可以得到识别准确的第二识别结果。采用本公开提供的技术方案，通过两阶段的活体识别，可以有效提高对活体的识别精度。
图4示出根据公开实施例的一种门禁设备控制方法的流程图。该方法中的门禁设备可以包括门锁、闸机，以及其它需要控制通行的终端设备，本公开不做具体限定。如图4所示，该方法包括：
在步骤S41中，采集需要通过门禁设备的待识别对象对应的目标图像。
在步骤S42中，对目标图像进行第一活体识别，得到第一识别结果，第一活体识别用于识别待识别对象是活体还是2D非活体。
在步骤S43中，在第一识别结果指示待识别对象为活体的情况下，对目标图像进行第二活体识别，得到第二识别结果，第二活体识别用于识别待识别对象是活体还是3D非活体。
在步骤S44中，在第二活体识别结果指示待识别对象为活体的情况下，控制门禁设备开启。
由于上述两阶段的活体识别方法既可以对2D非活体(例如，照片、图像)进行有效识别，也可以对3D非活体进行有效识别，因此，对需要通过门禁设备的待识别对象进行上述两阶段的活体识别，以及仅在第一活体识别结果以及第二活体识别结果均指示待识别对象为活体的情况下控制门禁设备开启，从而可以有效提高门禁设备的安全性。
在一种可能的实现方式中，采集需要通过门禁设备的待识别对象对应的目标图像，包括：利用双红外摄像头模组，采集待识别对象对应的目标图像。
由于门禁设备的应用场景可能包括暗光场景，例如，夜间的闸机，或者安装在楼道、走廊等暗光场景的门锁等，为了采集到需要通过门禁设备的待识别对象的清晰的目标图像，可以采用双红外摄像头模组对需要通过门禁设备的待识别对象进行图像采集，得到待识别对象的目标图像。例如，将双红外摄像头模组与门禁设备集成设置在一起，或在门禁设备附近单独设置双红外摄像头模组，以实现利用双红外摄像头模组对需要通过门禁设备的待识别对象进行图像采集。
利用双红外摄像头模组采集得到需要通过门禁设备的待识别对象对应的清晰的目标图像，进而通过上述两阶段的活体识别方法，对待识别对象对应的目标图像进行活体识别，使得可以提高门禁设备在暗光场景下的活体识别准确度，从而可以有效提高门禁设备的安全性。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了活体识别/门禁设备控制装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种活体识别/门禁设备控制方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的一种活体识别装置的框图。如图5所示，活体识别装置50包括：
第一识别模块51，用于对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，第一活体识别用于识别待识别对象是活体还是2D非活体；
第二识别模块52，用于在第一识别结果指示待识别对象为活体的情况下，对目标图像进行第二活体识别，得到第二识别结果，第二活体识别用于识别待识别对象是活体还是3D非活体。
在一种可能的实现方式中，第一识别模块51，具体用于：
通过第一活体识别网络对目标图像进行第一活体识别，得到第一识别结果，第一活体识别网络是基于活体对应的第一样本图像和2D非活体对应的第二样本图像训练得到的。
在一种可能的实现方式中，第一样本图像中包括第一标签，所述第一标签用于指示第一样本图像为活体对应的图像；
活体识别装置50，还包括：
第一分类模块，用于在通过第一活体识别网络对目标图像进行第一活体识别之前，通过第一初始网络对第一样本图像和第二样本图像进行分类，得到第一分类结果；
第一确定模块，用于根据第一样本图像中包括的第一标签以及第一分类结果，确定第一初始网络对应的第一分类损失；
第一训练模块，用于根据第一分类损失，训练第一初始网络，以得到训练后的第一活体识别网络。
在一种可能的实现方式中，第一分类模块，包括：
第一检测子模块，用于对第一样本图像进行人脸检测，得到第一人脸框，以及对第二样本图像进行人脸检测，得到第二人脸框；
第一裁切子模块，用于根据第一人脸框对第一样本图像进行裁切，得到第一人脸图像，以及根据第二人脸框对第二样本图像进行裁切，得到第二人脸图像；
第一分类子模块，用于通过第一初始网络对第一人脸图像和第二人脸图像进行分类，得到第一分类结果。
在一种可能的实现方式中，第一裁切子模块，包括：
第一尺寸调整单元，用于调整第一人脸框的尺寸，得到第三人脸框，以及调整第二人脸框的尺寸，得到第四人脸框；
第一裁切单元，用于根据第三人脸框对第一样本图像进行裁切，得到第一人脸图像，以及根据第四人脸框对第二样本图像进行裁切，得到第二人脸图像。
在一种可能的实现方式中，第二识别模块52，具体用于：
通过第二活体识别网络对目标图像进行第二活体识别，得到第二识别结果，第二活体识别网络是基于活体对应的第三样本图像和3D非活体对应的第四样本图像训练得到的。
在一种可能的实现方式中，第三样本图像中包括第二标签，第二标签用于指示第三样本图像为活体对应的图像；
活体识别装置50，还包括：
第二分类模块，用于在通过第二活体识别网络对目标图像进行第二活体识别之前，通过第二初始网络对第三样本图像和第四样本图像进行分类，得到第二分类结果；
第二确定模块，用于根据第三样本图像中包括的第二标签以及第二分类结果，确定第二初始网络对应的第二分类损失；
第二训练模块，用于根据第二分类损失，训练第二初始网络，以得到训练后的第二活体识别网络。
在一种可能的实现方式中，第二分类模块，包括：
第二检测子模块，用于对第三样本图像进行人脸检测，得到第五人脸框，以及对第四样本图像进行人脸检测，得到第六人脸框；
第二裁切子模块，用于根据第五人脸框对第三样本图像进行裁切，得到第三人脸图像，以及根据第六人脸框对第四样本图像进行裁切，得到第四人脸图像；
第二分类子模块，用于通过第二初始网络对第三人脸图像和第四人脸图像进行分类，得到第二分类结果。
在一种可能的实现方式中，第二裁切子模块，包括：
第二尺寸调整单元，用于调整第五人脸框的尺寸，得到第七人脸框，以及调整第六人脸框的尺寸，得到第八人脸框；
第二裁切单元，用于根据第七人脸框对第三样本图像进行裁切，得到第三人脸图像，以及根据第八人脸框对第四样本图像进行裁切，得到第四人脸图像。
图6示出根据本公开实施例的一种门禁设备控制装置的框图。如图6所示，门禁设备控制装置60包括：
图像采集模块61，用于采集需要通过门禁设备的待识别对象对应的目标图像；
活体识别模块62，用于采用上述活体识别方法，对目标图像进行活体识别，得到活体识别结果；
控制模块63，用于在活体识别结果指示待识别对象为活体的情况下，控制门禁设备开启。
在一种可能的实现方式中，图像采集模块61，具体用于：
利用双红外摄像头模组，采集待识别对象对应的目标图像。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述活体识别方法，或执行上述门禁设备控制方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的活体识别/门禁设备控制方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的活体识别/门禁设备控制方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备的框图。如图7所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800的一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备的框图。如图8所示，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如微软服务器操作***(Windows ServerTM)，苹果公司推出的基于图形用户界面操作***(Mac OSXTM)，多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM)，开放原代码的类Unix操作***(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (15)

1.一种活体识别方法，其特征在于，包括：
对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，所述第一活体识别用于识别所述待识别对象是活体还是2D非活体；
在所述第一识别结果指示所述待识别对象为活体的情况下，对所述目标图像进行第二活体识别，得到第二识别结果，所述第二活体识别用于识别所述待识别对象是活体还是3D非活体。
2.根据权利要求1所述的方法，其特征在于，所述对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，包括：
通过第一活体识别网络对所述目标图像进行第一活体识别，得到所述第一识别结果，所述第一活体识别网络是基于活体对应的第一样本图像和2D非活体对应的第二样本图像训练得到的。
3.根据权利要求2所述的方法，其特征在于，所述第一样本图像中包括第一标签，所述第一标签用于指示所述第一样本图像为活体对应的图像；
在通过所述第一活体识别网络对所述目标图像进行第一活体识别之前，所述方法还包括：
通过第一初始网络对所述第一样本图像和所述第二样本图像进行分类，得到第一分类结果；
根据所述第一样本图像中包括的所述第一标签以及所述第一分类结果，确定所述第一初始网络对应的第一分类损失；
根据所述第一分类损失，训练所述第一初始网络，以得到训练后的所述第一活体识别网络。
4.根据权利要求3所述的方法，其特征在于，所述通过第一初始网络对所述第一样本图像和所述第二样本图像进行分类，得到第一分类结果，包括：
对所述第一样本图像进行人脸检测，得到第一人脸框，以及对所述第二样本图像进行人脸检测，得到第二人脸框；
根据所述第一人脸框对所述第一样本图像进行裁切，得到第一人脸图像，以及根据所述第二人脸框对所述第二样本图像进行裁切，得到第二人脸图像；
通过所述第一初始网络对所述第一人脸图像和所述第二人脸图像进行分类，得到所述第一分类结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一人脸框对所述第一样本图像进行裁切，得到第一人脸图像，以及根据所述第二人脸框对所述第二样本图像进行裁切，得到第二人脸图像，包括：
调整所述第一人脸框的尺寸，得到第三人脸框，以及调整所述第二人脸框的尺寸，得到第四人脸框；
根据所述第三人脸框对所述第一样本图像进行裁切，得到所述第一人脸图像，以及根据所述第四人脸框对所述第二样本图像进行裁切，得到所述第二人脸图像。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述对所述目标图像进行第二活体识别，得到第二识别结果，包括：
通过第二活体识别网络对所述目标图像进行第二活体识别，得到所述第二识别结果，所述第二活体识别网络是基于活体对应的第三样本图像和3D非活体对应的第四样本图像训练得到的。
7.根据权利要求6所述的方法，其特征在于，所述第三样本图像中包括第二标签，所述第二标签用于指示所述第三样本图像为活体对应的图像；
在通过所述第二活体识别网络对所述目标图像进行第二活体识别之前，所述方法还包括：
通过第二初始网络对所述第三样本图像和所述第四样本图像进行分类，得到第二分类结果；
根据所述第三样本图像中包括的所述第二标签以及所述第二分类结果，确定所述第二初始网络对应的第二分类损失；
根据所述第二分类损失，训练所述第二初始网络，以得到训练后的所述第二活体识别网络。
8.根据权利要求7所述的方法，其特征在于，所述通过第二初始网络对所述第三样本图像和所述第四样本图像进行分类，得到第二分类结果，包括：
对所述第三样本图像进行人脸检测，得到第五人脸框，以及对所述第四样本图像进行人脸检测，得到第六人脸框；
根据所述第五人脸框对所述第三样本图像进行裁切，得到第三人脸图像，以及根据所述第六人脸框对所述第四样本图像进行裁切，得到第四人脸图像；
通过所述第二初始网络对所述第三人脸图像和所述第四人脸图像进行分类，得到所述第二分类结果。
9.根据权利要求8所述的方法，其特征在于，所述根据所述第五人脸框对所述第三样本图像进行裁切，得到第三人脸图像，以及根据所述第六人脸框对所述第四样本图像进行裁切，得到第四人脸图像，包括：
调整所述第五人脸框的尺寸，得到第七人脸框，以及调整所述第六人脸框的尺寸，得到第八人脸框；
根据所述第七人脸框对所述第三样本图像进行裁切，得到所述第三人脸图像，以及根据所述第八人脸框对所述第四样本图像进行裁切，得到所述第四人脸图像。
10.一种门禁设备控制方法，其特征在于，包括：
采集需要通过门禁设备的待识别对象对应的目标图像；
采用权利要求1至9中任意一项的活体识别方法，对所述目标图像进行活体识别，得到活体识别结果；
在所述活体识别结果指示所述待识别对象为活体的情况下，控制所述门禁设备开启。
11.根据权利要求10所述的方法，其特征在于，所述采集需要通过门禁设备的待识别对象对应的目标图像，包括：
利用双红外摄像头模组，采集所述待识别对象对应的所述目标图像。
12.一种活体识别装置，其特征在于，包括：
第一识别模块，用于对待识别对象对应的目标图像进行第一活体识别，得到第一识别结果，所述第一活体识别用于识别所述待识别对象是活体还是2D非活体；
第二识别模块，用于在所述第一识别结果指示所述待识别对象为活体的情况下，对所述目标图像进行第二活体识别，得到第二识别结果，所述第二活体识别用于识别所述待识别对象是活体还是3D非活体。
13.一种门禁设备控制装置，其特征在于，包括：
图像采集模块，用于采集需要通过门禁设备的待识别对象对应的目标图像；
活体识别模块，用于采用权利要求1至9中任意一项的活体识别方法，对所述目标图像进行活体识别，得到活体识别结果；
控制模块，用于在所述活体识别结果指示所述待识别对象为活体的情况下，控制所述门禁设备开启。
14.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的活体识别方法，或，执行权利要求10或11所述的门禁设备控制方法。
15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的活体识别方法，或，执行权利要求10或11所述的门禁设备控制方法。
CN202011248985.1A 2020-11-10 2020-11-10 活体识别、门禁设备控制方法和装置、电子设备 Pending CN112270288A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011248985.1A CN112270288A (zh) 2020-11-10 2020-11-10 活体识别、门禁设备控制方法和装置、电子设备
PCT/CN2021/086219 WO2022099989A1 (zh) 2020-11-10 2021-04-09 活体识别、门禁设备控制方法和装置、电子设备和存储介质、计算机程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011248985.1A CN112270288A (zh) 2020-11-10 2020-11-10 活体识别、门禁设备控制方法和装置、电子设备

Publications (1)

Publication Number Publication Date
CN112270288A true CN112270288A (zh) 2021-01-26

Family

ID=74339723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011248985.1A Pending CN112270288A (zh) 2020-11-10 2020-11-10 活体识别、门禁设备控制方法和装置、电子设备

Country Status (2)

Country Link
CN (1) CN112270288A (zh)
WO (1) WO2022099989A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657154A (zh) * 2021-07-08 2021-11-16 浙江大华技术股份有限公司 活体检测方法、装置、电子装置和存储介质
WO2022099989A1 (zh) * 2020-11-10 2022-05-19 深圳市商汤科技有限公司 活体识别、门禁设备控制方法和装置、电子设备和存储介质、计算机程序
WO2023000792A1 (zh) * 2021-07-22 2023-01-26 京东科技控股股份有限公司 构建活体识别模型和活体识别的方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115459952A (zh) * 2022-08-09 2022-12-09 北京旷视科技有限公司 攻击检测方法、电子设备和计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170193287A1 (en) * 2015-04-30 2017-07-06 Tencent Technology (Shenzhen) Company Limited Living body identification method, information generation method, and terminal
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质
CN109784148A (zh) * 2018-12-06 2019-05-21 北京飞搜科技有限公司 活体检测方法及装置
CN111860055A (zh) * 2019-04-29 2020-10-30 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818313B (zh) * 2017-11-20 2019-05-14 腾讯科技（深圳）有限公司 活体识别方法、装置和存储介质
CN110909693B (zh) * 2019-11-27 2023-06-20 深圳华付技术股份有限公司 3d人脸活体检测方法、装置、计算机设备及存储介质
CN111582045B (zh) * 2020-04-15 2024-05-10 芯算一体(深圳)科技有限公司 一种活体的检测方法、装置以及电子设备
CN112270288A (zh) * 2020-11-10 2021-01-26 深圳市商汤科技有限公司 活体识别、门禁设备控制方法和装置、电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170193287A1 (en) * 2015-04-30 2017-07-06 Tencent Technology (Shenzhen) Company Limited Living body identification method, information generation method, and terminal
CN109034102A (zh) * 2018-08-14 2018-12-18 腾讯科技（深圳）有限公司 人脸活体检测方法、装置、设备及存储介质
CN109784148A (zh) * 2018-12-06 2019-05-21 北京飞搜科技有限公司 活体检测方法及装置
CN111860055A (zh) * 2019-04-29 2020-10-30 北京眼神智能科技有限公司 人脸静默活体检测方法、装置、可读存储介质及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022099989A1 (zh) * 2020-11-10 2022-05-19 深圳市商汤科技有限公司 活体识别、门禁设备控制方法和装置、电子设备和存储介质、计算机程序
CN113657154A (zh) * 2021-07-08 2021-11-16 浙江大华技术股份有限公司 活体检测方法、装置、电子装置和存储介质
WO2023000792A1 (zh) * 2021-07-22 2023-01-26 京东科技控股股份有限公司 构建活体识别模型和活体识别的方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022099989A1 (zh) 2022-05-19

Similar Documents

Publication Publication Date Title
CN110688951B (zh) 图像处理方法及装置、电子设备和存储介质
CN108764069B (zh) 活体检测方法及装置
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
JP7110412B2 (ja) 生体検出方法及び装置、電子機器並びに記憶媒体
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287671B (zh) 验证方法及装置、电子设备和存储介质
CN111553864B (zh) 图像修复方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN107944447B (zh) 图像分类方法及装置
CN112270288A (zh) 活体识别、门禁设备控制方法和装置、电子设备
CN110532957B (zh) 人脸识别方法及装置、电子设备和存储介质
CN110990801B (zh) 信息校验方法及装置、电子设备和存储介质
CN111241887B (zh) 目标对象关键点识别方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN111435422B (zh) 动作识别方法、控制方法及装置、电子设备和存储介质
CN111310664B (zh) 图像处理方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN113807253A (zh) 人脸识别方法及装置、电子设备和存储介质
TWI770531B (zh) 人臉識別方法、電子設備和儲存介質
CN110929545A (zh) 人脸图像的整理方法及装置
CN111275055B (zh) 网络训练方法及装置、图像处理方法及装置
CN110909562A (zh) 视频审核方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40039504

Country of ref document: HK

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210126