CN113792701A - 一种活体检测方法、装置、计算机设备和存储介质 - Google Patents
一种活体检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113792701A CN113792701A CN202111123905.4A CN202111123905A CN113792701A CN 113792701 A CN113792701 A CN 113792701A CN 202111123905 A CN202111123905 A CN 202111123905A CN 113792701 A CN113792701 A CN 113792701A
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- detection
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 416
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000009471 action Effects 0.000 claims description 188
- 238000006243 chemical reaction Methods 0.000 claims description 67
- 238000012216 screening Methods 0.000 claims description 13
- 238000001727 in vivo Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 description 66
- 230000008569 process Effects 0.000 description 14
- 239000003086 colorant Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000004397 blinking Effects 0.000 description 4
- 210000000697 sensory organ Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种活体检测方法、装置、计算机设备和存储介质,其中,该方法包括:获取待检测对象对应的第一检测视频;从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;初始图像特征包括第一待检测图像在深度维度上的图像特征;按照多张第一待检测图像在第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征;基于目标图像特征,确定第一检测视频中的待检测对象的活体检测结果。本公开实施例基于对多个初始图像特征进行组合后得到的目标图像特征,对第一待检测图像中的待检测对象进行检测,提高了确定的活体检测结果的准确性。
Description
技术领域
本公开涉及活体检测和图像处理技术领域,具体而言,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
人脸识别技术的广泛应用极大地便利了人们的生活,但同时各种各样的针对人脸识别技术的攻击方式开始出现,以多样的人脸伪造方式,影响人脸识别的识别结果,例如,使用照片翻拍、3D面具等方式模仿真实的人脸以通过人脸识别。
而现有技术中,存在难以有效地应对上述攻击方式,导致人脸识别的准确性不高的问题。
发明内容
本公开实施例至少提供一种活体检测方法、装置、计算机设备和存储介质。
第一方面,本公开实施例提供了一种活体检测方法,包括:
获取待检测对象对应的第一检测视频;
从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;所述初始图像特征包括所述第一待检测图像在深度维度上的图像特征;
按照所述多张第一待检测图像在所述第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征;
基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
该实施方式,基于获取的第一待检测图像的初始图像特征,不仅能够得到第一待检测图像的基础图像特征,例如,得到能够表征第一待检测图像的视觉特征和/或第一待检测图像中的每个像素点的语义特征的图像特征,还可以得到在深度维度上的图像特征,提高了获取的图像特征的丰富性,然后基于多张第一待检测图像的图像顺序对多个初始图像特征进行组合,可以得到包含时序信息的目标图像特征。进而,通过组合后的目标图像特征对第一待检测图像中的待检测对象进行检测,能够实现基于目标图像特征,确定目标图像特征与真实的待检测对象对应的目标图像特征之间的差异信息,其中,差异信息可以包括时序信息的差异以及图像特征之间的差异信息,进而,基于确定出差异信息,可以准确地确定出待检测对象的真假,从而,得到准确地活体检测结果。
在一种可能的实施方式中,所述第一检测视频包括在多种颜色光源下拍摄的所述待检测对象的图像;
所述从第一检测视频中获取多张第一待检测图像,包括:
从所述第一检测视频中筛选出所述多种颜色光源中每种颜色光源对应的至少一帧图像,得到多张所述第一待检测图像。
不同颜色光源投射在待检测对象上所反射的效果不同,因此,同一待检测对象在不同颜色光源下对应的第一待检测图像的图像特征存在差异,基于获取的不同颜色光源下的第一待检测图像,可以准确地确定出每个第一待检测图像中的待检测对象之间的动作信息的差异和图像特征之间的差异,进而,基于确定出的上述差异,以及真实的待检测对象应具备的差异,可以准确地确定出待检测对象的活体检测结果。
在一种可能的实施方式中,在所述基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果之前,所述方法还包括:
从所述第一检测视频中获取至少一帧第二待检测图像,并分别对每帧第二待检测图像进行关键点检测,分别确定每帧第二待检测图像中的待检测对象的第一预设部位对应的关键点;
从所述关键点中选取预设数量的目标关键点;
基于每帧第二待检测图像和每帧第二待检测图像对应的目标关键点,确定每帧第二待检测图像中的待检测对象对应的第一检测概率;
所述基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果,包括:
基于每帧第二待检测图像对应的第一检测概率和所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
目标关键点对应的像素点的特征信息能够突出反映待检测对象对应的图像特征,通过对单帧第二待检测图像进行关键点检测,首先能够确定出图像中的待检测对象的第一预设部位及其对应的关键点,进而,可以从中筛选出准确的目标关键点。之后,基于目标关键点和第二待检测图像对待检测对象进行检测,可以实现在检测过程中既关注第二待检测图像对应的全局的图像特征,还关注目标关键点对应的局部的图像特征,从而,能够得到较为准确的第一检测概率。
在一种可能的实施方式中,基于所述目标关键点和所述第二待检测图像,确定所述第二待检测图像中的待检测对象对应的第一检测概率,包括:
确定所述第一预设部位对应的预设坐标;以及基于每个所述目标关键点对应的像素点的坐标,确定所述第一预设部位对应的实际坐标;
基于所述预设坐标和所述实际坐标,确定目标转换关系;
基于所述目标转换关系,对所述每个所述关键点对应的像素点进行坐标转换;
基于所述第二待检测图像和坐标转换后的每个所述关键点,确定所述第二待检测图像中的待检测对象的第一检测概率。
预设坐标为期望得到的待检测对象的第一预设部位对应的目标关键点在第二待检测图像中对应的坐标,实际坐标为待检测对象的第一预设部位对应的目标关键点在第二待检测图像中对应的真实坐标,通过确定的目标转换关系,可以实现对每个关键点对应的像素点的坐标转换,得到符合期望的坐标,再通过转换后的坐标对待检测对象进行检测,由于转换后的坐标符合期望,因此,可以降低深度学习网络的学习难度,从而,提高确定的第一检测概率的准确性。
在一种可能的实施方式中,所述基于所述第二待检测图像和坐标转换后的每个所述关键点,确定所述第二待检测图像中的待检测对象的第一检测概率,包括:
基于所述目标转换关系,对所述第二待检测图像进行坐标转换,得到坐标转换图像;
基于所述坐标转换图像和坐标转换后的每个所述关键点,从所述坐标转换图像中截取所述待检测对象的第一预设部位对应的目标图像;
基于所述目标图像和所述第二待检测图像,确定所述第二待检测图像中的待检测对象的第一检测概率。
基于坐标转换后的每个关键点以及坐标转换图像,可以得到符合期望的待检测对象的第一预设部位对应的目标图像,基于目标图像,能够确定局部的、且符合期望的图像特征,基于第二待检测图像,能够确定全局的、未转换前的图像特征,进而,通过两个图像对应的图像特征,能够更好确定出待检测对象的特征与真实的特征之间的差别,从而,得到准确地第一检测概率。
在一种可能的实施方式中,所述基于所述目标图像和所述第二待检测图像,确定所述第二待检测图像中的待检测对象的第一检测概率,包括:
确定所述目标图像的第一通道特征信息,以及所述第二待检测图像的第二通道特征信息;
对所述第一通道特征信息和第二通道特征信息进行拼接,得到第三通道特征信息;
基于所述第三通道特征信息,确定所述第二待检测图像中的待检测对象的第一检测概率。
通过对通道特征信息的拼接,可以获取包含目标图像对应的局部通道特征信息和第二待检测图像对应的全局通道特征信息的第三通道特征信息,提高了用于对待检测对象进行检测的通道特征信息的全面性,从而,有利于得到更加准确的第一检测概率。并且,通过将对拼接后的第三通道特征信息进行处理,可以实现对第一通道特征信息和第二通道特征信息的同步处理,提高了检测效率。
在一种可能的实施方式中,所述基于每帧第二待检测图像对应的第一检测概率和所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果,包括:
基于所述目标图像特征,确定所述待检测对象对应的第二检测概率;
基于所述第一检测概率和所述第二检测概率,确定所述待检测对象的活体检测结果。
基于目标图像特征,能够确定待检测对象对应于多张第一待检测图像的、融合后的第二检测概率,再基于单帧第二待检测图像对应的第一检测概率和融合后的第二检测概率确定活体检测结果,可以使确定的活体检测结果能够反映多种维度下的图像特征,例如,深度维度、通道维度等,从而,提高了确定的活体检测结果的合理性以及准确性。
在一种可能的实施方式中,所述基于所述第一检测概率和所述第二检测概率,确定所述待检测对象的活体检测结果,包括:
获取第一检测概率对应的第一预设权重和所述第二检测概率对应的第二预设权重;
基于所述第一检测概率、所述第一预设权重、所述第二检测概率及所述第二预设权重,确定目标概率;
在所述目标概率大于预设阈值的情况下,确定所述活体检测结果包括所述待检测对象为活体对象。
基于预设权重对检测概率进行融合以确定活体检测结果,能够有效提高确定的活体检测结果的准确性和合理性。
在一种可能的实施方式中,所述获取待检测对象对应的第一检测视频,包括:
获取所述待检测对象对应的第二检测视频;
基于所述第二检测视频和预设动作序列,确定所述待检测对象的初始检测结果;
在所述初始检测结果指示所述待检测对象为活体对象的情况下,获取所述待检测对象对应的所述第一检测视频。
通过第二检测视频,可以实现对待检测对象的预检测,在待检测对象没有准确执行预设动作序列对应的任一预设动作的情况下,可以直接确定出待检测对象的真假,提高了确定活体检测结果的效率以及准确率。
在一种可能的实施方式中,所述基于所述第二检测视频和预设动作序列,确定所述待检测对象的初始检测结果,包括:
对所述第二检测视频中的每帧第三待检测图像中的待检测对象进行动作识别,得到所述第三待检测图像中的待检测对象对应的待检测动作;
基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果。
通过对待检测对象进行动作识别,可以准确地确定出待检测对象所执行的待检测动作,再通过待检测动作和预设动作序列,可以准确确定出待检测对象是否执行了预设动作序列对应的预设动作,从而,确定准确地初始检测结果。
在一种可能的实施方式中,所述预设动作序列包括第一目标动作序列;所述待检测动作包括第一待检测动作;
所述基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果,包括:
基于每帧所述第三待检测图像中的所述待检测对象的所述第一待检测动作和所述第一目标动作序列,从所述第三待检测图像中筛选出所述第一待检测动作与所述第一目标动作序列相匹配的第四待检测图像;
基于所述第四待检测图像的数量和所述第三待检测图像的数量,确定所述第二检测视频中的所述待检测对象的所述初始检测结果。
执行预设动作序列对应的每个预设动作需要一定的执行时间,也即,若第二检测视频中的待检测对象执行了预设动作序列对应的预设动作,则会对应于与执行时间相匹配的多张第四待检测图像,从而,基于确定的第四待检测图像的数量和第三待检测图像的数量,能够准确地确定出待检测对象的初始检测结果。
在一种可能的实施方式中,所述预设动作序列包括第二目标动作序列;所述待检测动作包括第二待检测动作;
所述基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果,包括:
基于每帧所述第三待检测图像中的所述待检测对象的第二待检测动作,确定所述待检测对象的第二预设部位对应于预设角的角度数值;
基于每帧所述第三待检测图像中的所述待检测对象对应的角度数值,确定所述待检测对象对应的最大角度数值和最小角度数值;
基于所述最大角度数值、所述最小角度数值和所述第二目标动作序列对应的角度差值,确定所述第二检测视频中的所述待检测对象的初始检测结果。
基于确定的最大角度数值和最小角度数值,能够确定出两个角度数值之间的数值差,再通过比较角度差值和数值差,可以准确地确定出两者之间的大小关系,进而,得到准确初始检测结果。
在一种可能的实施方式中,在所述确定所述第一检测视频中的所述待检测对象的活体检测结果之后,还包括:
在所述待检测对象为活体对象的情况下,确定所述待检测对象具备预设权限,并触发与所述预设权限匹配的功能,所述预设权限包括进入门禁***、访问第一目标内容、编辑第二目标内容和执行交易操作中的至少一项。
第二方面,本公开实施例还提供一种活体检测装置,包括:
获取模块,用于获取待检测对象对应的第一检测视频;
第一确定模块,用于从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;所述初始图像特征包括所述第一待检测图像在深度维度上的图像特征;
组合模块,用于按照所述多张第一待检测图像在所述第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征;
第二确定模块,用于基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
在一种可能的实施方式中,所述第一检测视频包括在多种颜色光源下拍摄的所述待检测对象的图像;
所述第一确定模块,用于从所述第一检测视频中筛选出所述多种颜色光源中每种颜色光源对应的至少一帧图像,得到多张所述第一待检测图像。
在一种可能的实施方式中,所述装置还包括第三确定模块:
所述第三确定模块,用于在所述基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果之前,从所述第一检测视频中获取至少一帧第二待检测图像,并分别对每帧第二待检测图像进行关键点检测,分别确定每帧第二待检测图像中的待检测对象的第一预设部位对应的关键点;
从所述关键点中选取预设数量的目标关键点;
基于每帧第二待检测图像和每帧第二待检测图像对应的目标关键点,确定每帧第二待检测图像中的待检测对象对应的第一检测概率;
所述第二确定模块,用于基于每帧第二待检测图像对应的第一检测概率和所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
在一种可能的实施方式中,所述第三确定模块,用于确定所述第一预设部位对应的预设坐标;以及基于每个所述目标关键点对应的像素点的坐标,确定所述第一预设部位对应的实际坐标;
基于所述预设坐标和所述实际坐标,确定目标转换关系;
基于所述目标转换关系,对所述每个所述关键点对应的像素点进行坐标转换;
基于所述第二待检测图像和坐标转换后的每个所述关键点,确定所述第二待检测图像中的待检测对象的第一检测概率。
在一种可能的实施方式中,所述第三确定模块,用于基于所述目标转换关系,对所述第二待检测图像进行坐标转换,得到坐标转换图像;
基于所述坐标转换图像和坐标转换后的每个所述关键点,从所述坐标转换图像中截取所述待检测对象的第一预设部位对应的目标图像;
基于所述目标图像和所述第二待检测图像,确定所述第二待检测图像中的待检测对象的第一检测概率。
在一种可能的实施方式中,所述第三确定模块,用于确定所述目标图像的第一通道特征信息,以及所述第二待检测图像的第二通道特征信息;
对所述第一通道特征信息和第二通道特征信息进行拼接,得到第三通道特征信息;
基于所述第三通道特征信息,确定所述第二待检测图像中的待检测对象的第一检测概率。
在一种可能的实施方式中,所述第二确定模块,用于基于所述目标图像特征,确定所述待检测对象对应的第二检测概率;
基于所述第一检测概率和所述第二检测概率,确定所述待检测对象的活体检测结果。
在一种可能的实施方式中,所述第二确定模块,用于获取第一检测概率对应的第一预设权重和所述第二检测概率对应的第二预设权重;
基于所述第一检测概率、所述第一预设权重、所述第二检测概率及所述第二预设权重,确定目标概率;
在所述目标概率大于预设阈值的情况下,确定所述活体检测结果包括所述待检测对象为活体对象。
在一种可能的实施方式中,所述获取模块,用于获取所述待检测对象对应的第二检测视频;
基于所述第二检测视频和预设动作序列,确定所述待检测对象的初始检测结果;
在所述初始检测结果指示所述待检测对象为活体对象的情况下,获取所述待检测对象对应的所述第一检测视频。
在一种可能的实施方式中,所述获取模块,用于对所述第二检测视频中的每帧第三待检测图像中的待检测对象进行动作识别,得到所述第三待检测图像中的待检测对象对应的待检测动作;
基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果。
在一种可能的实施方式中,所述预设动作序列包括第一目标动作序列;所述待检测动作包括第一待检测动作;
所述获取模块,用于基于每帧所述第三待检测图像中的所述待检测对象的所述第一待检测动作和所述第一目标动作序列,从所述第三待检测图像中筛选出所述第一待检测动作与所述第一目标动作序列相匹配的第四待检测图像;
基于所述第四待检测图像的数量和所述第三待检测图像的数量,确定所述第二检测视频中的所述待检测对象的所述初始检测结果。
在一种可能的实施方式中,所述预设动作序列包括第二目标动作序列;所述待检测动作包括第二待检测动作;
所述获取模块,用于基于每帧所述第三待检测图像中的所述待检测对象的第二待检测动作,确定所述待检测对象的第二预设部位对应于预设角的角度数值;
基于每帧所述第三待检测图像中的所述待检测对象对应的角度数值,确定所述待检测对象对应的最大角度数值和最小角度数值;
基于所述最大角度数值、所述最小角度数值和所述第二目标动作序列对应的角度差值,确定所述第二检测视频中的所述待检测对象的初始检测结果。
在一种可能的实施方式中,所述装置还包括:
处理模块,用于在所述确定所述第一检测视频中的所述待检测对象的活体检测结果之后,在所述待检测对象为活体对象的情况下,确定所述待检测对象具备预设权限,并触发与所述预设权限匹配的功能,所述预设权限包括进入门禁***、访问第一目标内容、编辑第二目标内容和执行交易操作中的至少一项。
第三方面,本公开可选实现方式还提供一种计算机设备,处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述处理器用于执行所述存储器中存储的机器可读指令,所述机器可读指令被所述处理器执行时,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本公开可选实现方式还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
关于上述活体检测装置、计算机设备、及计算机可读存储介质的效果描述参见上述活体检测方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,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。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种活体检测方法的流程图;
图2示出了本公开实施例所提供的一种获取第一检测视频的方法的流程图;
图3示出了本公开实施例所提供的一种确定第二待检测图像中的待检测对象对应的第一检测概率的方法的流程图;
图4示出了本公开实施例所提供的一种确定待检测对象的活体检测结果的具体实施流程示意图;
图5示出了本公开实施例所提供的一种活体检测装置的示意图;
图6示出了本公开实施例所提供的一种计算机设备结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
另外,本公开实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。
经研究发现,人脸识别技术的广泛应用极大地便利了人们的生活,但同时各种各样的针对人脸识别技术的攻击方式开始出现,以多样的人脸伪造方式,影响人脸识别的识别结果,例如,使用照片翻拍、3D面具等方式模仿真实的人脸以通过人脸识别。
而现有技术中,存在难以有效地应对上述攻击方式,导致人脸识别的准确性不高的问题。
基于上述研究,本公开提供了一种活体检测方法、装置、计算机设备和存储介质,基于获取的第一待检测图像的初始图像特征,不仅能够得到第一待检测图像的基础图像特征,例如,得到能够表征第一待检测图像的视觉特征和/或第一待检测图像中的每个像素点的语义特征的图像特征,还可以得到在深度维度上的图像特征,提高了获取的图像特征的丰富性,然后基于多张第一待检测图像的图像顺序对多个初始图像特征进行组合,可以得到包含时序信息的目标图像特征。进而,通过组合后的目标图像特征对第一待检测图像中的待检测对象进行检测,能够实现基于目标图像特征,确定目标图像特征与真实的待检测对象对应的目标图像特征之间的差异信息,其中,差异信息可以包括时序信息的差异以及图像特征之间的差异信息,进而,基于确定出差异信息,可以准确地确定出待检测对象的真假,从而,得到准确地活体检测结果。
针对目前人脸识别技术的应用方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,本公开实施例中所提到的特定名词包括:
MobileNet网络:是一种专注于移动端或者嵌入式设备中的轻量级卷积网络,相比传统卷积神经网络,在准确率小幅降低的前提下大大减少模型参数与运算量。
SDK:Software Development Kit,软件开发工具包,软件工程师为特定的软件包、软件框架、硬件平台、操作***等建立应用软件时的开发工具的集合。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种活体检测方法进行详细介绍,本公开实施例所提供的活体检测方法的执行主体一般为具有一定计算能力的计算机设备,在一些可能的实现方式中,该活体检测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。
下面以执行主体为计算机设备为例对本公开实施例提供的活体检测方法加以说明。
如图1所示,为本公开实施例提供的一种活体检测方法的流程图,可以包括以下步骤:
S101:获取待检测对象对应的第一检测视频。
这里,待检测对象可以为需要进行人脸识别认证的对象,例如,需要通过门禁识别***的小区住户,需要进行人脸支付的顾客等。第一检测视频可以为利用人脸识别设备对应的摄像装置拍摄的包含待检测对象的视频,其中待检测视频对应的拍摄时长可以根据识别需要进行设置,其中,识别需要可以包括识别安全等级、当前的识别环境(夜间识别或白天识别)等,例如,在识别安全等级较高和/或识别环境为夜间的情况下,拍摄时长可以较长,比如可以为3秒、5秒等;在在识别安全等级较低和/或识别环境为白天的情况下,拍摄时长可以较端,比如可以为1.5秒、2秒等。
具体实施时,在待检测对象需要进行人脸识别认证的情况下,可以在人脸识别设备前进行人脸认证,进而,人脸识别设备的对应的摄像装置可以拍摄到包含待检测对象的视频,也即,获取到了待检测对象对应的第一检测视频。
S102:从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征。
初始图像特征包括第一待检测图像在深度维度上的图像特征。
这里,第一检测视频中可以包括多帧待检测图像,待检测图像的数量可以由第一检测视频对应的时长、大小决定。
初始图像特征为第一待检测图像对应的图像特征,具体的,可以包括第一待检测图像在深度维度上的图像特征和基础维度上的图像特征。其中,深度维度上的图像特征可以包括第一待检测图像的深度图像特征信息,基础维度上的图像特征可以包括第一待检测图像的对应于NCHW四个维度的图像特征,其中,N维度代表图像数量,C维度代表图像通道,H维度代表图像高度,W维度代表图像宽度。另外,第一待检测图像在图像通道维度上的图像特征可以包括像素点的颜色值(如RGB值)、像素点的位置信息、结构信息等,其中,像素点的结构信息用于表征各像素点之间的相关位置关系。例如,像素点A与像素点B为相邻的两像素点,像素点A与像素点B位于同一行、且像素点A的所在列位于像素点B的所在列的左边。
具体实施时,在获取第一检测视频之后,可以从第一检测视频对应的多帧待检测图像中获取出多张第一待检测图像。例如,基于多张待检测图像中的每张待检测图像在第一检测视频中出现的图像顺序以及预设筛选次序,筛选出与预设筛选次序相匹配的多张第一待检测图像。其中,预设筛选次序对应于需要筛选出的各个第一待检测图像的图像顺序。具体的,可以将每张待检测图像在第一检测视频中出现的图像顺序作为每张待检测图像的图像排序次序,进而,可以利用预设筛选次序以及图像排序次序,从第一检测视频对应的多帧待检测图像中筛选出图像排序次序与预设筛选次序相匹配的各个待检测图像,将筛选出的各个待检测图像作为第一待检测图像。
或者,也可以根据多张待检测图像中的每张待检测图像的拍摄时间和预设的多个筛选时间段,确定每个待检测图像所属的筛选时间段,然后,再从每个筛选时间段对应的待检测图像中,分别筛选出至少一张待检测图像,得到筛选后的多张第一待检测图像。
进而,针对每张第一待检测图像,可以对该第一待检测图像进行图像特征信息的提取,得到该第一待检测图像对应于不同维度的图像特征,并将上述图像特征作为该第一待检测图像的初始图像特征。
S103:按照多张第一待检测图像在第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征。
这里,目标图像特征可以是包括多张第一待检测图像对应的初始图像特征以及多个初始图像特征分别对应的更高维度的特征的图像特征。
本步骤中,基于第一待检测视频,可以确定出多张第一待检测图像中的每张第一待检测图像对应的图像顺序,其中,图像顺序为第一待检测图像在第一检测视频中出现的先后顺序。具体的,可以基于每张第一待检测图像在第一检测视频中出现的时间,确定每张第一待检测图像在第一检测视频中的图像顺序。
然后,可以按照每张第一待检测图像的图像顺序,将每张第一待检测图像的初始图像特征在深度维度上进行组合,组合方式可以为将多个初始图像特征排列在一起,从而,得到对应于多张第一待检测图像的目标图像特征。另外,在对初始图像特征进行组合的过程中,还可以对多个初始图像特征进行更高维度的图像特征的提取,得到更高维度对应的图像特征,之后,可以将得到的更高维度对应的图像特征以及组合后的初始图像特征作为目标图像特征。
在另一种实施方式中,还可以根据多张第一待检测图像的图像顺序,直接将多张第一待检测图像在深度维度上进行融合,得到融合后的目标检测图像。具体的,可以按照图像顺序,将每个第一待检测图像对应的属于相同属性的特征在深度维度上进行融合,例如,将处于相同位置的像素点的颜色属性对应的深度特征信息在深度维度上融合在一起,继而,可以得到融合后的目标检测图像。其中,目标检测图像能够反映第一待检测图像中的待检测对象对应的深度变化信息。
另外,在一种实施方式中,对多张第一待检测图像还可以进行时序维度上的融合,具体的,可以基于每个初始图像特征对应的时序信息以及每个初始图像特征,确定多个初始图像特征在时序上对应的时序特征。比如,确定时序信息对应的时序相邻的两个初始图像特征之间的特征差异,继而可以得到每两个时序相邻的初始图像特征之间的特征差异,然后可以将得到的所有的特征差异作为最终的时序特征。之后,可以将确定的时序特征和每个初始图像特征对应的图像特征作为目标图像特征。
S104:基于目标图像特征,确定第一检测视频中的待检测对象的活体检测结果。
这里,活体检测结果用于表征第一检测视频中的待检测对象是否可以通过人脸认证,也即,用于表征待检测对象是否为合法的活体对象。具体的,活体检测结果可以包括待检测对象为合法的活体对象和待检测对象为不合法的活体对象两种结果。另外,在一种实施例中,活体检测结果还可以包括无法确定待检测对象是否为合法的活体对象。
具体实施时,可以将目标图像特征输入到预先训练好的第一神经网络中,利用第一神经网络对目标图像特征进行处理,预测输出目标图像特征为待检测对象对应的标准目标图像特征的第二检测概率,其中,预先训练好的第一神经网络可以是轻量级的3D卷积网络,例如,Multi-Fiber(多纤维)网络等。其中,第二检测概率为待检测对象属于合法对象的概率。
其中,合法对象即为该待检测对象为活体验证通过的真实对象;不合法对象即为该待检测对象为未通过活体验证的对象,例如,不合法对象可以为未存储有活体认证所用的认证信息的对象,或者可以为照片中的对象、戴面具的对象等。
另外,第一神经网络还可以输出待检测对象对应的第三检测概率,这里,第三检测概率为待检测对象不属于合法对象的概率,并且,第二检测概率和第三检测概率之和等于1。
在另一种实施方式,如果得到的为目标检测图像,也可以直接将目标检测图像输入预先训练好的第一神经网络,利用第一神经网络对目标检测图像进行处理,得到目标检测图像中的待检测对象对应的第二检测概率。
或者,还可以将目标检测图像和目标图像特征一起输入到预先训练好的第一神经网络,利用第一神经网络同步对其进行处理,得到待检测对象对应的第二检测概率。
最后,可以根据确定的第二检测概率,确定出第一检测视频中的待检测对象的是否为合法的活体对象,从而,得到待检测对象的活体检测结果。例如,可以在确定第二检测概率大于预设的概率阈值的情况下,确定待检测对象为合法的活体对象,否则,确定待检测对象为不合法的对象。
在一种实施例中,第一检测视频包括在多种颜色光源下拍摄的待检测对象的图像。这里,不同颜色光源投射在待检测对象上所反射的效果不同,因此,同一待检测对象在不同颜色光源下对应的第一待检测图像的图像特征存在差异,基于获取的不同颜色光源下的第一待检测图像,可以准确地确定出每个第一待检测图像中的待检测对象之间的动作信息的差异和图像特征之间的差异,进而,基于确定出的上述差异,以及真实的待检测对象应具备的差异,可以准确地确定出待检测对象的活体检测结果。
具体实施时,可以在待检测对象在人脸识别设备前进行人脸认证的过程中,控制人脸识别设备对应的识别屏幕以一定时间间隔呈现不同颜色,从而,人脸识别设备的摄像装置可以拍摄到多种颜色光源下拍摄的待检测对象对应的待检测图像,得到第一检测视频。这里,得到的第一检测视频为炫彩视频,可以包括预设数量种不同颜色的颜色光源以及与每种颜色光源对应的至少一张待检测图像,每种颜色光源对应的颜色之间需要存在一定的差异。例如,可以包括5种颜色的颜色光源,如按序为黄色、蓝色、绿色、红色和黑色,每种颜色的颜色光源对应的拍摄时长为0.6秒,第一检测视频对应的拍摄时长为3秒,共包括25帧待检测图像。
之后,针对S102,可以从第一检测视频中筛选出多种颜色光源中每种颜色光源对应的至少一帧图像,得到多张第一待检测图像。
这里,针对多种颜色光源中每种颜色光源对应的待检测图像,可以从中选取至少一帧待检测图像,从而,可以获取每种颜色光源对应的至少一张第一待检测图像。延续上例,可以分别从五种颜色的颜色光源对应的待检测图像中选取一帧待检测图像,得到每种颜色光源分别对应的一张第一待检测图像。
另外,在一种实施例中,针对S101,还可以按照如图2所示的方法获取第一检测视频,如图2所示,为本公开实施例所提供的一种获取第一检测视频的方法的流程图,可以包括以下步骤:
S201:获取待检测对象对应的第二检测视频。
这里,第二检测视频可以是在获取第一检测视频之前获取的,包括待检测对象的视频。
S202:基于第二检测视频和预设动作序列,确定待检测对象的初始检测结果。
这里,预设动作序列为预先设定的对待检测对象进行认证的一系列预设动作对应的序列。初始检测结果也用于表征第二检测视频中的待检测对象是否为活体对象,具体的,初始检测结果可以包括待检测对象为活体对象和待检测对象不为活体对象两种结果。
本步骤中,可以根据获取的第二检测视频,确定视频中的待检测对象所执行的待检测动作,然后,将待检测动作和预设动作序列对应的预设动作进行比较,判断待检测动作是否与预设动作序列对应的任一预设动作相匹配,也即,确定出待检测动作是否与预设动作序列相匹配,并基于判断结果,确定待检测对象的初始检测结果。
具体实施时,可以按照以下步骤确定待检测对象的初始检测结果:
步骤一、对第二检测视频中的每帧第三待检测图像中的待检测对象进行动作识别,得到第三待检测图像中的待检测对象对应的待检测动作。
这里,针对第二检测视频中的每帧第三待检测图像,可以利用动作检测模型对其每帧第三待检测图像进行动作识别,确定每帧第三待检测图像中的待检测对象对应的待检测动作。
步骤二、基于每帧第三待检测图像对应的待检测动作和预设动作序列,确定待检测对象的初始检测结果。
本步骤中,针对每帧第三待检测图像,可以将该第三待检测图像对应的待检测动作和预设动作序列对应的预设动作进行比较,确定该第三待检测图像对应的待检测动作是否与预设动作序列对应的任一预设动作相匹配,得到该张第三待检测图像对应的动作检测结果。
进而,可以得到每张第三待检测图像分别对应的动作检测结果,并根据每个动作检测结果,确定待检测对象对应的初始检测结果。例如,可以根据每张第三待检测图像对应的动作检测结果,确定出所包含的待检测动作与预设动作序列相匹配的第三待检测图像的数量,并根据该数量和第三待检测图像的总数量,确定出所包含的待检测动作与预设动作序列相匹配的第三待检测图像所占的比例。然后可以在确定该比例超过预设比例值的情况下,确定待检测对象为合法对象,否则,确定待检测对象为不合法对象,从而,确定待检测对象对应的初始检测结果。
S203:在初始检测结果指示待检测对象为活体对象的情况下,获取待检测对象对应的第一检测视频。
本步骤中,在初始检测结果指示待检测对象不是活体对象的情况下,说明待检测对象不属于合法的活体对象,可能是想要利用人脸伪造的方式通过人脸识别的对象,因此,可以直接确定待检测对象对应的活体检测结果为:待检测对象为不合法的活体对象,进而,不允许待检测对象通过人脸识别认证。
在初始检测结果指示待检测对象为活体对象的情况下,说明待检测对象存在为合法的活体对象的可能,需要对其进行进一步的检测,才可以确定出最终的活体检测结果,因此,可以获取待检测对象对应的第一检测视频,并利用第一待检测视频对待检测对象进行进一步的识别。这样,通过第二检测视频,可以实现对待检测对象的预检测,在待检测对象没有准确执行预设动作序列对应的预设动作的情况下,可以直接确定出待检测对象的真假,提高了确定活体检测结果的效率。
另外,在一种实施方式中,第二检测视频和第一检测视频可以是同一个视频,且可以同为炫彩视频。这样,可以先利用炫彩视频对待检测对象进行动作检测,确定待检测对象的初始检测结果,在初始检测结果指示待检测对象为活体对象的情况下,继续利用该炫彩视频对待检测对象进行进一步的检测,以确定最终的活体检测结果。或,在初始检测结果指示待检测对象不是活体对象的情况下,直接确定待检测对象对应的最终的活体检测结果。这样,只需要获取待检测对象对应的一个待检测视频就可以确定待检测对象对应的最终的活体检测结果,减少了需要获取的视频资源的数量。
在一种实施例中,预设动作序列包括第一目标动作序列;待检测动作包括第一待检测动作。
这里,第一目标动作序列可以为指定的待检测对象需要执行的动作对应的序列,包括多个第一预设动作,第一待检测动作可以为待检测对象针对第一目标动作序列对应的第一预设动作而执行的动作。
针对上述步骤二、基于每帧第三待检测图像对应的待检测动作和预设动作序列,确定待检测对象的初始检测结果,可以按照以下步骤执行:
S1:基于每帧第三待检测图像中的待检测对象的第一待检测动作和第一目标动作序列,从第三待检测图像中筛选出第一待检测动作与第一目标动作序列匹配的第四待检测图像。
这里,第一目标动作序列可以为眨眼动作和张嘴动作对应的动作序列中的一种,具体实施时,可以利用动作检测SDK对每帧第三待检测图像进行动作检测,确定每帧第三待检测图像中的待检测对象的第一待检测动作的执行结果,进而,基于确定的执行结果,从第三待检测图像中筛选出第一待检测动作与第一目标动作序列相匹配的第四待检测图像,也即,从第三待检测图像中筛选出第一待检测动作与第一目标动作序列对应的第一预设动作相匹配的第四待检测图像。
S2:基于第四待检测图像的数量和第三待检测图像的数量,确定第二检测视频中的待检测对象的初始检测结果。
这里,可以根据第四待检测图像的数量和第三待检测图像的数量,确定两个数量对应的比值,然后,在确定该比值大于预设比值的情况下,确定待检测对象为合法的活体对象。
例如,在第一目标动作序列为眨眼动作和张嘴动作对应的动作序列的情况下,可以利用动作检测SDK确定每帧第三待检测图像中的待检测对象是否执行了眨眼和张嘴的动作,并确定执行眨眼和张嘴的动作的第三待检测图像数量,进而,可以确定该数量占第三待检测图像的总数量的比值,并基于该比值确定待检测对象的初始检测结果。
在另一种实施例中,预设动作序列包括第二目标动作序列;待检测动作包括第二待检测动作。
针对上述步骤二、基于每帧第三待检测图像对应的待检测动作和预设动作序列,确定待检测对象的初始检测结果,可以按照以下步骤执行:
S3:基于每帧第三待检测图像中的待检测对象的第二待检测动作,确定待检测对象的第二预设部位对应于预设角的角度数值。
本步骤中,第二目标动作序列可以为点头动作和摇头动作两个动作分别为对应的动作序列中的至少一种,包括多个第二预设动作,第二预设部位可以为待检测对象的人脸,预设角可以包括与点头动作相匹配的俯仰角pitch以及与摇头相匹配的偏航角yaw。具体的,可以利用人脸姿态估计SDK对第三待检测图像中的待检测对象进行识别,确定每帧第三待检测图像中的待检测对象执行与第二目标动作序列相匹配的第二待检测动作时、第二预设部位对应于各个预设角的角度数值。
S4:基于每帧第三待检测图像中的待检测对象对应的角度数值,确定待检测对象对应的最大角度数值和最小角度数值。
这里,针对第二目标动作序列对应的点头动作,可以基于确定的与点头动作相匹配的每张第三待检测图像中的待检测对象的第二预设部位对应的角度值,确定出点头动作对应的最大角度数值和最小角度数值。
同理,针对第二目标动作序列对应的摇头动作,可以基于确定的与摇头动作相匹配的每张第三待检测图像中的待检测对象的第二预设部位对应的角度值,确定出摇头动作对应的最大角度数值和最小角度数值。
S5:基于最大角度数值、最小角度数值和第二目标动作序列对应的角度差值,确定第二检测视频中的待检测对象的初始检测结果。
这里,第二目标动作序列对应的角度差值可以包括点头动作对应的第一角度差值和摇头动作对应的第二预设差值,例如,第一角度差值可以为第二目标动作序列中点头动作对应的第一个第二预设动作和最后一个第二预设动作之间的角度差值,第一角度差值可以为第二目标动作序列中摇头动作对应的一个第二预设动作和最后一个第二预设动作之间的角度差值。
然后,针对第二目标动作序列对应的点头动作,可以确定点头动作对应的最大角度数值和最小角度数值之间的第一差值,然后在确定第一差值大于第一角度差值的情况下,确定待检测对象执行了第二目标动作序列对应的第二预设动作(点头动作),否则,确定待检测对象未执行第二目标动作序列对应的第二预设动作(点头动作)。
针对第二目标动作序列对应的摇头动作,可以确定摇头动作对应的最大角度数值和最小角度数值之间的第二差值,然后在确定第二差值大于第二角度差值的情况下,确定待检测对象执行了第二目标动作序列应的第二预设动作(摇头动作),否则,确定待检测对象未执行第二目标动作序列应的第二预设动作(摇头动作)。
进而,在第二目标动作序列仅包括点头动作或摇头动作对应的动作序列中的一种的情况下,如果确定待检测对象执行了该第二目标动作序列对应的第二预设动作,则可以确定待检测对象的初始检测结果为待检测对象为合法的活体对象,否则,则确定待检测对象为不合法的活体对象。
在第二目标动作序列包括点头动作和摇头动作两种动作分别对应的动作序列的情况下,需要在确定待检测对象同时执行了两种动作的情况下,确定待检测对象的初始检测结果为待检测对象为合法的活体对象,否则,则确定待检测对象为不合法的活体对象。
另外,在利用第二检测视频对待检测对象进行检测的过程中,可以利用上述第一目标动作序列对应的一种或多种第一预设动作以及第二目标动作序列对应的一种或多种第二预设动作对待检测对象进行检测,以确定待检测对象的初始检测结果,这里不进行限定。
在一种实施例中,在执行S104之前,还包括确定第一检测视频中的至少一帧第二待检测图像中的待检测对象的第二检测概率的步骤:
步骤一、从第一检测视频中获取至少一帧第二待检测图像,并分别对每帧第二待检测图像进行关键点检测,分别确定每帧第二待检测图像中的待检测对象的第一预设部位对应的关键点。
这里,第一预设部位可以是待检测对象的人脸部位。
本步骤中,针对获取的第一检测视频,还可以从中选取至少一帧第二待检测图像,具体的,可以将第一检测视频中的所有待检测图像都作为选取的第二待检测图像。
针对每张第二待检测图像,可以利用关键点检测模型对第二待检测图像进行人脸识别,确定待检测对象的人脸对应的关键点,具体的,可以确定出待检测对象的人脸对应的106组关键点。
步骤二、从关键点中选取预设数量的目标关键点。
具体实施时,可以从确定的106组关键点中,选取五官分别对应的关键点作为目标关键点。或者,可以从五官对应的关键点中选取任意3个关键点作为目标关键点。
或者,在确定五官对应的关键点之后,还可以根据左眼和右眼的关键点,确定两个关键点组成的连线对应的中间点,将该中间点作为目标关键点。并且,可以将左嘴角和右嘴角分别对应的关键点组成的连线的中间点作为目标关键点,进而,可以将上述两个目标关键点和鼻尖对应的关键点作为最终确定的目标关键点。
步骤三、基于每帧第二待检测图像和每帧第二待检测图像对应的目标关键点,确定每帧第二待检测图像中的待检测对象对应的第一检测概率。
这里,一帧第二待检测图像对应于一个第一检测概率,第一检测概率用于表征第二待检测图像中的待检测对象为合法的活体对象的概率。
针对每帧第二待检测图像,可以根据确定的该第二待检测图像的图像特征以及目标关键点所对应的图像区域的图像特征,确定该第二待检测图像中的待检测对象对应的第一检测概率。
在一种实施例中,可以按照如图3所示的方法,确定第二待检测图像中的待检测对象对应的第一检测概率,如图3所示,为本公开实施例所提供的一种确定第二待检测图像中的待检测对象对应的第一检测概率的方法的流程图,可以包括以下步骤:
S301:确定第一预设部位对应的预设坐标;以及基于每个目标关键点对应的像素点的坐标,确定第一预设部位对应的实际坐标。
这里,预设坐标可以是期望得到的待检测对象的第一预设部位对应的目标关键点在第二待检测图像中对应的坐标,此时,第一预设部位对应的翻滚角roll的角度为0,具体的,预设坐标可以是目标关键点对应的像素点的坐标位于第二待检测图像的中心区域时的坐标。例如,预设坐标可以是待检测对象的五官对应的关键点对应于标准证件照中的坐标。
并且,根据确定的目标关键点和第二待检测图像,可以确定每个目标关键点在第二待检测图像中对应的像素点的坐标,进而,可以将该坐标作为第一预设部位对应的实际坐标。
S302:基于预设坐标和实际坐标,确定目标转换关系。
这里,目标转换关系是用于将关键点的实际坐标转换为符合期望的坐标的转换关系,具体的,目标转换关系可以是一个确定的转换矩阵。
具体实施时,可以根据每个目标关键点对应的实际坐标和第一预设部位对应的每个目标关键点的预设坐标,确定实际坐标和预设坐标之间的转换矩阵,也即,得到目标转换关系。
S303:基于目标转换关系,对每个关键点对应的像素点进行坐标转换。
具体实施时,可以确定第一预设部位对应的每个关键点在第二待检测图像中对应的像素点的坐标,之后,可以基于目标转化关系,对每个关键点对应的像素点进行坐标转换,得到转换后的坐标。
S304:基于第二待检测图像和坐标转换后的每个关键点,确定第二待检测图像中的待检测对象的第一检测概率。
具体实施时,S304可以按照以下步骤执行:
步骤一、基于目标转换关系,对第二待检测图像进行坐标转换,得到坐标转换图像。
这里,可以利用目标转换关系,将第二待检测图像中的每个像素点的坐标都进行转换,转换为符合期望的坐标,进而,可以将由转换坐标后的像素点组成的图像作为对第二待检测图像进行坐标转换之后得到坐标转换图像。
步骤二、基于坐标转换图像和坐标转换后的每个关键点,从坐标转换图像中截取待检测对象的第一预设部位对应的目标图像。
本步骤中,可以根据坐标转换图像中的每个像素点的坐标以及坐标转换后的每个关键点的坐标,确定坐标转换后的每个关键点对应于坐标转换图像的位置,之后,可以根据坐标转换后的每个关键点对应于坐标转换图像的位置,确定第一预设部位对应的图像区域,之后,可以根据该图像区域对坐标转换图像进行截取,得到待检测对象的第一预设部位对应的目标图像。并且,在具体实施时,可以在确定第一预设部位对应的图像区域的过程中,进行一定程度的区域扩大,将扩大后的区域作为最终的图像区域。这样,可以使在根据图像区域截取目标图像的过程中截取坐标转换图像中的部分图像背景,进而,基于图像背景对应的图像背景信息对待检测对象进行识别,有利于增加用于识别的识别信息的丰富性,从而可以提高确定的第一检测概率的准确性。
步骤三、基于目标图像和第二待检测图像,确定第二待检测图像中的待检测对象的第一检测概率。
这里,可以根据目标图像,确定其在基础维度上的图像特征,同理,可以确定第二待检测图像在基础维度上的图像特征,之后,可以将目标图像对应的图像特征和第二待检测图像对应的图像特征在通道维度上进行融合,得到融合后的图像特征,进而,可以将融合后的图像特征输入轻量级分类网络(如MobileNet系列网络),利用分类网络对其进行处理,输出第二待检测图像中的待检测对象的第一检测概率。
在一种实施例中,针对上述步骤三,可以先确定目标图像的第一通道特征信息以及第二待检测图像的第二通道特征信息。
其中,通道特征信息包括图像对应于基础维度的图像特征,以及图像对应于多种模态下的特征信息,例如,灰度图模态下的特征信息,RGB图模态下的特征信息,特征信息可以包括颜色特征、像素点结构特征等。
进而,可以将第一通道特征信息和第二通道特征信息,在通道维度上进行拼接,得到第三通道特征信息。这里,在通道维度上的拼接可以为仅对第一通道特征信息和第一通道特征信息的拼接,也可以为仅对目标图像和第二待检测图像的拼接,也可以为对上述两种信息的混合拼接,这里不进行限定。
之后,可以将第三通道特征信息输入轻量级的分类网络,利用该分类网络对第三通道特征信息进行处理,输出该第三通道特征信息对应的第二待检测图像中的待检测对象对应的第一检测概率。另外,分类网络还可以输出待检测对象为不合法的活体对象的第四检测概率,其中,第一检测概率和第四检测概率之和为1。
进而,基于上述各步骤,可以确定每帧第二待检测图像中的待检测对象对应的第一检测概率。
之后,可以根据每帧第二待检测图像对应的第一检测概率和目标图像特征,确定第一检测视频中的待检测对象的活体检测结果。
这里,由上述实施例可知,基于目标图像特征,可以确定与多张第一待检测图像对应的第二检测概率,进而,可以基于第二检测概率和每张第二待检测图像对应的第一检测概率,确定待检测对象活体检测结果。这样,基于对每个单帧第二待检测图像以及对多帧第一待检测图像的组合处理,可以获取更丰富的图像特征,从而,有利于提高确定的活体检测结果的准确性。
在一种实施例,在确定第二检测概率和第一检测概率之后,可以获取第一检测概率对应的第一预设权重,以及第二概率对应的第二预设权重。
其中,预设权重可以根据第一待检测图像的数量和第二待检测图像的数量进行设置。以第一检测视频中包括的待检测图像的数量为25帧,第二待检测图像为25张,第一待检测图像为5张为例,第一预设权重可以设置为1/25,第二预设权重可以设置为5/25。关于预设权重,可以根据实际需要进行设置,这里不进行限定。
之后,可以基于第一检测概率、第一预设权重、第二检测概率及第二预设权重,确定目标概率。这里,可以根据预设权重对检测概率进行加权求和处理,以确定目标概率,具体的,可以利用第一预设权重对每个第一检测概率进行加权,并将加权得到的结果求和,得到第一目标概率。同时,可以利用第二预设权重对第二检测概率进行加权,确定第二目标概率。进而,可以将第一目标概率和第二目标概率进行求和,得到目标概率。
最后,可以将目标概率与预设阈值进行比较,确定目标概率与预设阈值的大小关系。其中,预设阈值为预先设定的、待检测对象为合法的活体对象时所对应的最小的目标概率。进而,在确定目标概率大于预设阈值的情况下,确定活体检测结果包括待检测对象为活体对象,也即确定待检测对象为合法的活体对象。反之,则将待检测对象为不合法的活体对象作为最终的活体检测结果。
如图4所示,为本公开实施例所提供的一种确定待检测对象的活体检测结果的具体实施流程示意图。其中,在获取待检测对象对应的第二检测视频之后,可以利用预设动作序列对应的预设动作对待检测对象进行验证,具体的,可以对第二检测视频中的每帧第三待检测图像中的待检测对象进行动作识别,以确定待检测对象是否执行了与预设动作序列对应的预设动作相一致的待检测动作。在确定待检测对象执行了与预设动作序列对应的预设动作相一致的待检测动作的情况下,控制人脸识别设备对应的识别屏幕以一定时间间隔呈现不同颜色,得到待检测对象对应于不同颜色光源的第一检测视频,对第一检测视频中的每帧第二待检测图像进行识别,确定每帧第二待检测图像中的待检测对象的第一检测概率,另外,可以从第一检测视频中选取多张第一待检测图像,并基于多张第一待检测图像对应的目标图像特征,确定第二检测概率。之后。利用预设权重对第二检测概率和每个第一检测概率进行融合,确定目标概率。最后,可以基于目标概率确定活体检测结果。另外,在确定待检测对象未执行与预设动作序列对应的预设动作相一致的待检测动作的情况下,可以直接确定活体检测结果。
在一种实施例中,在确定第一检测视频中的待检测对象的活体检测结果之后,在活体检测结果指示该待检测对象为活体对象的情况下,说明该待检测对象能够通过活体识别验证,进而,可以确定该待检测对象具备预设权限。其中,预设权限可以包括进入门禁***、访问第一目标内容(例如,访问目标文档、数据等)、编辑第二目标内容(例如,通过修改、删除、增加等方式对第二目标内容进行编辑,比如,编辑加密数据,编辑加密文档等)和执行交易操作(例如,可以包括支付操作、收款操作、取消支付操作等等)中的至少一项。
这里,预设权限可以包括但不仅限于上述各种权限,在具体实施时,可以根据该活体检测方法的具体应用场景进行设置,此处不进行具体限定。比如,针对某一特定场景,不同对象可以具备不同权限,不同权限之间可以存在交集或是相互独立(即权限之间不重叠)。
进一步的,可以触发与预设权限匹配的功能,也即,允许该待检测对象使用与预设权限匹配的功能。例如,允许用户访问目标文档。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,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。
基于同一发明构思,本公开实施例中还提供了与活体检测方法对应的活体检测装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述活体检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图5所示,为本公开实施例提供的一种活体检测装置的示意图,包括:
获取模块501,用于获取待检测对象对应的第一检测视频;
第一确定模块502,用于从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;所述初始图像特征包括所述第一待检测图像在深度维度上的图像特征;
组合模块503,用于按照所述多张第一待检测图像在所述第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征;
第二确定模块504,用于基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
在一种可能的实施方式中,所述第一检测视频包括在多种颜色光源下拍摄的所述待检测对象的图像;
所述第一确定模块502,用于从所述第一检测视频中筛选出所述多种颜色光源中每种颜色光源对应的至少一帧图像,得到多张所述第一待检测图像。
在一种可能的实施方式中,所述装置还包括第三确定模块505:
所述第三确定模块505,用于在所述基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果之前,从所述第一检测视频中获取至少一帧第二待检测图像,并分别对每帧第二待检测图像进行关键点检测,分别确定每帧第二待检测图像中的待检测对象的第一预设部位对应的关键点;
从所述关键点中选取预设数量的目标关键点;
基于每帧第二待检测图像和每帧第二待检测图像对应的目标关键点,确定每帧第二待检测图像中的待检测对象对应的第一检测概率;
所述第二确定模块504,用于基于每帧第二待检测图像对应的第一检测概率和所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
在一种可能的实施方式中,所述第三确定模块505,用于确定所述第一预设部位对应的预设坐标;以及基于每个所述目标关键点对应的像素点的坐标,确定所述第一预设部位对应的实际坐标;
基于所述预设坐标和所述实际坐标,确定目标转换关系;
基于所述目标转换关系,对所述每个所述关键点对应的像素点进行坐标转换;
基于所述第二待检测图像和坐标转换后的每个所述关键点,确定所述第二待检测图像中的待检测对象的第一检测概率。
在一种可能的实施方式中,所述第三确定模块505,用于基于所述目标转换关系,对所述第二待检测图像进行坐标转换,得到坐标转换图像;
基于所述坐标转换图像和坐标转换后的每个所述关键点,从所述坐标转换图像中截取所述待检测对象的第一预设部位对应的目标图像;
基于所述目标图像和所述第二待检测图像,确定所述第二待检测图像中的待检测对象的第一检测概率。
在一种可能的实施方式中,所述第三确定模块505,用于确定所述目标图像的第一通道特征信息,以及所述第二待检测图像的第二通道特征信息;
对所述第一通道特征信息和第二通道特征信息进行拼接,得到第三通道特征信息;
基于所述第三通道特征信息,确定所述第二待检测图像中的待检测对象的第一检测概率。
在一种可能的实施方式中,所述第二确定模块504,用于基于所述目标图像特征,确定所述待检测对象对应的第二检测概率;
基于所述第一检测概率和所述第二检测概率,确定所述待检测对象的活体检测结果。
在一种可能的实施方式中,所述第二确定模块504,用于获取第一检测概率对应的第一预设权重和所述第二检测概率对应的第二预设权重;
基于所述第一检测概率、所述第一预设权重、所述第二检测概率及所述第二预设权重,确定目标概率;
在所述目标概率大于预设阈值的情况下,确定所述活体检测结果包括所述待检测对象为活体对象。
在一种可能的实施方式中,所述获取模块501,用于获取所述待检测对象对应的第二检测视频;
基于所述第二检测视频和预设动作序列,确定所述待检测对象的初始检测结果;
在所述初始检测结果指示所述待检测对象为活体对象的情况下,获取所述待检测对象对应的所述第一检测视频。
在一种可能的实施方式中,所述获取模块501,用于对所述第二检测视频中的每帧第三待检测图像中的待检测对象进行动作识别,得到所述第三待检测图像中的待检测对象对应的待检测动作;
基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果。
在一种可能的实施方式中,所述预设动作序列包括第一目标动作序列;所述待检测动作包括第一待检测动作;
所述获取模块501,用于基于每帧所述第三待检测图像中的所述待检测对象的所述第一待检测动作和所述第一目标动作序列,从所述第三待检测图像中筛选出所述第一待检测动作与所述第一目标动作序列相匹配的第四待检测图像;
基于所述第四待检测图像的数量和所述第三待检测图像的数量,确定所述第二检测视频中的所述待检测对象的所述初始检测结果。
在一种可能的实施方式中,所述预设动作序列包括第二目标动作序列;所述待检测动作包括第二待检测动作;
所述获取模块501,用于基于每帧所述第三待检测图像中的所述待检测对象的第二待检测动作,确定所述待检测对象的第二预设部位对应于预设角的角度数值;
基于每帧所述第三待检测图像中的所述待检测对象对应的角度数值,确定所述待检测对象对应的最大角度数值和最小角度数值;
基于所述最大角度数值、所述最小角度数值和所述第二目标动作序列对应的角度差值,确定所述第二检测视频中的所述待检测对象的初始检测结果。
在一种可能的实施方式中,所述装置还包括:
处理模块506,用于在所述确定所述第一检测视频中的所述待检测对象的活体检测结果之后,在所述待检测对象为活体对象的情况下,确定所述待检测对象具备预设权限,并触发与所述预设权限匹配的功能,所述预设权限包括进入门禁***、访问第一目标内容、编辑第二目标内容和执行交易操作中的至少一项。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本公开实施例还提供了一种计算机设备,如图6所示,为本公开实施例提供的一种计算机设备结构示意图,包括:
处理器61和存储器62;所述存储器62存储有处理器61可执行的机器可读指令,处理器61用于执行存储器62中存储的机器可读指令,所述机器可读指令被处理器61执行时,处理器61执行下述步骤:S101:获取待检测对象对应的第一检测视频;S102:从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;S103:按照多张第一待检测图像在第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征以及S104:基于目标图像特征,确定第一检测视频中的待检测对象的活体检测结果。
上述存储器62包括内存621和外部存储器622;这里的内存621也称内存储器,用于暂时存放处理器61中的运算数据,以及与硬盘等外部存储器622交换的数据,处理器61通过内存621与外部存储器622进行数据交换。
上述指令的具体执行过程可以参考本公开实施例中所述的活体检测方法的步骤,此处不再赘述。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的活体检测方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例所提供的活体检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的活体检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开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。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (16)
1.一种活体检测方法,其特征在于,包括:
获取待检测对象对应的第一检测视频;
从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;所述初始图像特征包括所述第一待检测图像在深度维度上的图像特征;
按照所述多张第一待检测图像在所述第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征;
基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
2.根据权利要求1所述的方法,其特征在于,所述第一检测视频包括在多种颜色光源下拍摄的所述待检测对象的图像;
所述从第一检测视频中获取多张第一待检测图像,包括:
从所述第一检测视频中筛选出所述多种颜色光源中每种颜色光源对应的至少一帧图像,得到多张所述第一待检测图像。
3.根据权利要求1或2所述的方法,其特征在于,在所述基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果之前,所述方法还包括:
从所述第一检测视频中获取至少一帧第二待检测图像,并分别对每帧第二待检测图像进行关键点检测,分别确定每帧第二待检测图像中的待检测对象的第一预设部位对应的关键点;
从所述关键点中选取预设数量的目标关键点;
基于每帧第二待检测图像和每帧第二待检测图像对应的目标关键点,确定每帧第二待检测图像中的待检测对象对应的第一检测概率;
所述基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果,包括:
基于每帧第二待检测图像对应的第一检测概率和所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
4.根据权利要求3所述的方法,其特征在于,基于所述目标关键点和所述第二待检测图像,确定所述第二待检测图像中的待检测对象对应的第一检测概率,包括:
确定所述第一预设部位对应的预设坐标;以及基于每个所述目标关键点对应的像素点的坐标,确定所述第一预设部位对应的实际坐标;
基于所述预设坐标和所述实际坐标,确定目标转换关系;
基于所述目标转换关系,对所述每个所述关键点对应的像素点进行坐标转换;
基于所述第二待检测图像和坐标转换后的每个所述关键点,确定所述第二待检测图像中的待检测对象的第一检测概率。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第二待检测图像和坐标转换后的每个所述关键点,确定所述第二待检测图像中的待检测对象的第一检测概率,包括:
基于所述目标转换关系,对所述第二待检测图像进行坐标转换,得到坐标转换图像;
基于所述坐标转换图像和坐标转换后的每个所述关键点,从所述坐标转换图像中截取所述待检测对象的第一预设部位对应的目标图像;
基于所述目标图像和所述第二待检测图像,确定所述第二待检测图像中的待检测对象的第一检测概率。
6.根据权利要求5所述的方法,其特征在于,所述基于所述目标图像和所述第二待检测图像,确定所述第二待检测图像中的待检测对象的第一检测概率,包括:
确定所述目标图像的第一通道特征信息,以及所述第二待检测图像的第二通道特征信息;
对所述第一通道特征信息和第二通道特征信息进行拼接,得到第三通道特征信息;
基于所述第三通道特征信息,确定所述第二待检测图像中的待检测对象的第一检测概率。
7.根据权利要求3至5任一项所述的方法,其特征在于,所述基于每帧第二待检测图像对应的第一检测概率和所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果,包括:
基于所述目标图像特征,确定所述待检测对象对应的第二检测概率;
基于所述第一检测概率和所述第二检测概率,确定所述待检测对象的活体检测结果。
8.根据权利要求7所述的方法,其特征在于,所述基于所述第一检测概率和所述第二检测概率,确定所述待检测对象的活体检测结果,包括:
获取第一检测概率对应的第一预设权重和所述第二检测概率对应的第二预设权重;
基于所述第一检测概率、所述第一预设权重、所述第二检测概率及所述第二预设权重,确定目标概率;
在所述目标概率大于预设阈值的情况下,确定所述活体检测结果包括所述待检测对象为活体对象。
9.根据权利要求2至8任一项所述的方法,其特征在于,所述获取待检测对象对应的第一检测视频,包括:
获取所述待检测对象对应的第二检测视频;
基于所述第二检测视频和预设动作序列,确定所述待检测对象的初始检测结果;
在所述初始检测结果指示所述待检测对象为活体对象的情况下,获取所述待检测对象对应的所述第一检测视频。
10.根据权利要求9所述的方法,其特征在于,所述基于所述第二检测视频和预设动作序列,确定所述待检测对象的初始检测结果,包括:
对所述第二检测视频中的每帧第三待检测图像中的待检测对象进行动作识别,得到所述第三待检测图像中的待检测对象对应的待检测动作;
基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果。
11.根据权利要求10所述的方法,其特征在于,所述预设动作序列包括第一目标动作序列;所述待检测动作包括第一待检测动作;
所述基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果,包括:
基于每帧所述第三待检测图像中的所述待检测对象的所述第一待检测动作和所述第一目标动作序列,从所述第三待检测图像中筛选出所述第一待检测动作与所述第一目标动作序列相匹配的第四待检测图像;
基于所述第四待检测图像的数量和所述第三待检测图像的数量,确定所述第二检测视频中的所述待检测对象的所述初始检测结果。
12.根据权利要求10或11所述的方法,其特征在于,所述预设动作序列包括第二目标动作序列;所述待检测动作包括第二待检测动作;
所述基于每帧所述第三待检测图像对应的待检测动作和所述预设动作序列,确定所述待检测对象的初始检测结果,包括:
基于每帧所述第三待检测图像中的所述待检测对象的第二待检测动作,确定所述待检测对象的第二预设部位对应于预设角的角度数值;
基于每帧所述第三待检测图像中的所述待检测对象对应的角度数值,确定所述待检测对象对应的最大角度数值和最小角度数值;
基于所述最大角度数值、所述最小角度数值和所述第二目标动作序列对应的角度差值,确定所述第二检测视频中的所述待检测对象的初始检测结果。
13.根据权利要求1至12任一项所述的方法,其特征在于,在所述确定所述第一检测视频中的所述待检测对象的活体检测结果之后,还包括:
在所述待检测对象为活体对象的情况下,确定所述待检测对象具备预设权限,并触发与所述预设权限匹配的功能,所述预设权限包括进入门禁***、访问第一目标内容、编辑第二目标内容和执行交易操作中的至少一项。
14.一种活体检测装置,其特征在于,包括:
获取模块,用于获取待检测对象对应的第一检测视频;
第一确定模块,用于从第一检测视频中获取多张第一待检测图像,并确定每张第一待检测图像的初始图像特征;所述初始图像特征包括所述第一待检测图像在深度维度上的图像特征;
组合模块,用于按照所述多张第一待检测图像在所述第一检测视频中的图像顺序,将每张第一待检测图像的初始图像特征进行组合,得到目标图像特征;
第二确定模块,用于基于所述目标图像特征,确定所述第一检测视频中的所述待检测对象的活体检测结果。
15.一种计算机设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述处理器用于执行所述存储器中存储的机器可读指令,所述机器可读指令被所述处理器执行时,所述处理器执行如权利要求1至13任意一项所述的活体检测方法的步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被计算机设备运行时,所述计算机设备执行如权利要求1至13任意一项所述的活体检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123905.4A CN113792701A (zh) | 2021-09-24 | 2021-09-24 | 一种活体检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123905.4A CN113792701A (zh) | 2021-09-24 | 2021-09-24 | 一种活体检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792701A true CN113792701A (zh) | 2021-12-14 |
Family
ID=78879281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123905.4A Pending CN113792701A (zh) | 2021-09-24 | 2021-09-24 | 一种活体检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792701A (zh) |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960177A (zh) * | 2015-02-15 | 2017-07-18 | 北京旷视科技有限公司 | 活体人脸验证方法及***、活体人脸验证装置 |
CN107886070A (zh) * | 2017-11-10 | 2018-04-06 | 北京小米移动软件有限公司 | 人脸图像的验证方法、装置及设备 |
CN108510573A (zh) * | 2018-04-03 | 2018-09-07 | 南京大学 | 一种基于深度学习的多视点人脸三维模型重建的方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN110119719A (zh) * | 2019-05-15 | 2019-08-13 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置、设备及计算机可读存储介质 |
CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
CN110738116A (zh) * | 2019-09-16 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 活体检测方法及装置和电子设备 |
CN111046742A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种眼部行为检测方法、装置以及存储介质 |
CN111325175A (zh) * | 2020-03-03 | 2020-06-23 | 北京三快在线科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
WO2020159437A1 (en) * | 2019-01-29 | 2020-08-06 | Agency For Science, Technology And Research | Method and system for face liveness detection |
CN111507288A (zh) * | 2020-04-22 | 2020-08-07 | 上海眼控科技股份有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111597938A (zh) * | 2020-05-07 | 2020-08-28 | 马上消费金融股份有限公司 | 活体检测、模型训练方法及装置 |
CN111666917A (zh) * | 2020-06-19 | 2020-09-15 | 北京市商汤科技开发有限公司 | 姿态检测及视频处理方法、装置、电子设备和存储介质 |
CN112084917A (zh) * | 2020-08-31 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
WO2020248780A1 (zh) * | 2019-06-13 | 2020-12-17 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
CN112101289A (zh) * | 2020-09-25 | 2020-12-18 | 北京市商汤科技开发有限公司 | 一种服务提供的方法、装置、计算机设备及存储介质 |
CN112287765A (zh) * | 2020-09-30 | 2021-01-29 | 新大陆数字技术股份有限公司 | 人脸活体检测方法、装置、设备及可读存储介质 |
CN112329730A (zh) * | 2020-11-27 | 2021-02-05 | 上海商汤智能科技有限公司 | 视频检测方法、装置、设备及计算机可读存储介质 |
CN112329612A (zh) * | 2020-11-03 | 2021-02-05 | 北京百度网讯科技有限公司 | 活体检测方法、装置及电子设备 |
CN112434546A (zh) * | 2019-08-26 | 2021-03-02 | 杭州魔点科技有限公司 | 人脸活体检测方法及装置、设备、存储介质 |
CN112434647A (zh) * | 2020-12-09 | 2021-03-02 | 浙江光珀智能科技有限公司 | 一种人脸活体检测方法 |
CN112507986A (zh) * | 2021-02-03 | 2021-03-16 | 长沙小钴科技有限公司 | 基于神经网络的多通道人脸活体检测方法及装置 |
CN212847166U (zh) * | 2020-09-15 | 2021-03-30 | 中国矿业大学 | 基于大数据分析与手势识别的可移动式交通指挥灯 |
US20210201527A1 (en) * | 2019-12-30 | 2021-07-01 | Sensetime International Pte. Ltd. | Image processing method and apparatus, electronic device, and storage medium |
CN113205057A (zh) * | 2021-05-13 | 2021-08-03 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN113221771A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 活体人脸识别方法、装置、设备、存储介质及程序产品 |
CN113361349A (zh) * | 2021-05-25 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备和存储介质 |
CN113409056A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市商汤科技有限公司 | 支付方法、装置、本地识别设备、人脸支付***及设备 |
-
2021
- 2021-09-24 CN CN202111123905.4A patent/CN113792701A/zh active Pending
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960177A (zh) * | 2015-02-15 | 2017-07-18 | 北京旷视科技有限公司 | 活体人脸验证方法及***、活体人脸验证装置 |
CN107886070A (zh) * | 2017-11-10 | 2018-04-06 | 北京小米移动软件有限公司 | 人脸图像的验证方法、装置及设备 |
CN108510573A (zh) * | 2018-04-03 | 2018-09-07 | 南京大学 | 一种基于深度学习的多视点人脸三维模型重建的方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
WO2020159437A1 (en) * | 2019-01-29 | 2020-08-06 | Agency For Science, Technology And Research | Method and system for face liveness detection |
CN110119719A (zh) * | 2019-05-15 | 2019-08-13 | 深圳前海微众银行股份有限公司 | 活体检测方法、装置、设备及计算机可读存储介质 |
WO2020248780A1 (zh) * | 2019-06-13 | 2020-12-17 | 北京迈格威科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
CN110348322A (zh) * | 2019-06-19 | 2019-10-18 | 西华师范大学 | 基于多特征融合的人脸活体检测方法及设备 |
CN112434546A (zh) * | 2019-08-26 | 2021-03-02 | 杭州魔点科技有限公司 | 人脸活体检测方法及装置、设备、存储介质 |
CN110738116A (zh) * | 2019-09-16 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 活体检测方法及装置和电子设备 |
CN111046742A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种眼部行为检测方法、装置以及存储介质 |
US20210201527A1 (en) * | 2019-12-30 | 2021-07-01 | Sensetime International Pte. Ltd. | Image processing method and apparatus, electronic device, and storage medium |
CN111325175A (zh) * | 2020-03-03 | 2020-06-23 | 北京三快在线科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN111507288A (zh) * | 2020-04-22 | 2020-08-07 | 上海眼控科技股份有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111597938A (zh) * | 2020-05-07 | 2020-08-28 | 马上消费金融股份有限公司 | 活体检测、模型训练方法及装置 |
CN111666917A (zh) * | 2020-06-19 | 2020-09-15 | 北京市商汤科技开发有限公司 | 姿态检测及视频处理方法、装置、电子设备和存储介质 |
CN112084917A (zh) * | 2020-08-31 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
CN212847166U (zh) * | 2020-09-15 | 2021-03-30 | 中国矿业大学 | 基于大数据分析与手势识别的可移动式交通指挥灯 |
CN112101289A (zh) * | 2020-09-25 | 2020-12-18 | 北京市商汤科技开发有限公司 | 一种服务提供的方法、装置、计算机设备及存储介质 |
CN112287765A (zh) * | 2020-09-30 | 2021-01-29 | 新大陆数字技术股份有限公司 | 人脸活体检测方法、装置、设备及可读存储介质 |
CN112329612A (zh) * | 2020-11-03 | 2021-02-05 | 北京百度网讯科技有限公司 | 活体检测方法、装置及电子设备 |
CN112329730A (zh) * | 2020-11-27 | 2021-02-05 | 上海商汤智能科技有限公司 | 视频检测方法、装置、设备及计算机可读存储介质 |
CN112434647A (zh) * | 2020-12-09 | 2021-03-02 | 浙江光珀智能科技有限公司 | 一种人脸活体检测方法 |
CN112507986A (zh) * | 2021-02-03 | 2021-03-16 | 长沙小钴科技有限公司 | 基于神经网络的多通道人脸活体检测方法及装置 |
CN113205057A (zh) * | 2021-05-13 | 2021-08-03 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN113221771A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 活体人脸识别方法、装置、设备、存储介质及程序产品 |
CN113361349A (zh) * | 2021-05-25 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备和存储介质 |
CN113409056A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市商汤科技有限公司 | 支付方法、装置、本地识别设备、人脸支付***及设备 |
Non-Patent Citations (4)
Title |
---|
GUSI TE 等: "Exploring Hypergraph Representation On Face Anti-Spoofing Beyond 2d Attacks", 2020 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME), 9 June 2020 (2020-06-09), pages 1 - 6 * |
LIFANG WU 等: "Face liveness detection scheme with static and dynamic features", INTERNATIONAL JOURNAL OF WAVELETS, MULTIRESOLUTION AND INFORMATION PROCESSING, vol. 16, no. 2, 2 February 2018 (2018-02-02), pages 1 - 16 * |
李盼盼 等: "基于注意力机制的多特征融合人脸活体检测", 信息与控制, 18 June 2021 (2021-06-18), pages 1 - 12 * |
闫龙: "人脸识别中的活体检测研究", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2021, no. 7, 15 July 2021 (2021-07-15), pages 138 - 566 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Camera response functions for image forensics: an automatic algorithm for splicing detection | |
US20190362171A1 (en) | Living body detection method, electronic device and computer readable medium | |
CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
Raghavendra et al. | Exploring the usefulness of light field cameras for biometrics: An empirical study on face and iris recognition | |
CN112733802B (zh) | 图像的遮挡检测方法、装置、电子设备及存储介质 | |
CN110163053B (zh) | 生成人脸识别的负样本的方法、装置及计算机设备 | |
CN112818767B (zh) | 数据集生成、伪造检测方法、装置、电子设备及存储介质 | |
CN107479801A (zh) | 基于用户表情的终端显示方法、装置及终端 | |
CN106326832A (zh) | 基于物体区域处理图像的装置及方法 | |
CN105684046B (zh) | 生成图像组成 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN112802081B (zh) | 一种深度检测方法、装置、电子设备及存储介质 | |
CN111353404A (zh) | 一种人脸识别方法、装置及设备 | |
WO2019017178A1 (en) | METHOD AND APPARATUS FOR DYNAMICALLY IDENTIFYING A USER OF AN ACCOUNT FOR DISPLAYING IMAGES | |
CN109635021A (zh) | 一种基于人体检测的数据信息录入方法、装置及设备 | |
Benalcazar et al. | Synthetic ID card image generation for improving presentation attack detection | |
CN113869219A (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
CN111259757A (zh) | 一种基于图像的活体识别方法、装置及设备 | |
Di Martino et al. | Rethinking shape from shading for spoofing detection | |
CN111091089B (zh) | 一种人脸图像处理方法、装置、电子设备及存储介质 | |
CN109886084B (zh) | 基于陀螺仪的人脸认证方法、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 | |
CN113792701A (zh) | 一种活体检测方法、装置、计算机设备和存储介质 | |
Ma et al. | Totems: Physical objects for verifying visual integrity |
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 |