CN115035608A - 活体检测方法、装置、设备及*** - Google Patents
活体检测方法、装置、设备及*** Download PDFInfo
- Publication number
- CN115035608A CN115035608A CN202210579985.2A CN202210579985A CN115035608A CN 115035608 A CN115035608 A CN 115035608A CN 202210579985 A CN202210579985 A CN 202210579985A CN 115035608 A CN115035608 A CN 115035608A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- model
- living body
- emotion
- target detection
- 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 224
- 210000004556 brain Anatomy 0.000 claims abstract description 241
- 230000008451 emotion Effects 0.000 claims abstract description 158
- 238000000034 method Methods 0.000 claims abstract description 115
- 230000002996 emotional effect Effects 0.000 claims abstract description 43
- 239000000523 sample Substances 0.000 claims description 91
- 230000008447 perception Effects 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 17
- 239000012472 biological sample Substances 0.000 claims description 3
- 238000001727 in vivo Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 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
- 230000008909 emotion recognition Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 230000001680 brushing effect Effects 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 210000002763 pyramidal cell Anatomy 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本说明书提供一种活体检测方法、装置、设备及***,通过采集目标检测对象的生物特征图像,基于采集到的生物特征图像预测目标检测对象的脑波信号,基于脑波信号计算目标检测对象的情绪特征,基于脑波信号、情绪特征来识别目标检测对象是否为活体对象。这种方式利用了真人用户和攻击的本质差别即其脑波信号、情绪状态,能够从本质上提升活体防攻击方法的安全能力,即使没有见过的攻击也会因为脑波和情绪状态信号表现异常被拦截,提升了活体检测的准确性,进而提升了生物识别的安全性。
Description
技术领域
本说明书属于计算机技术领域,尤其涉及一种活体检测方法、装置、设备及***。
背景技术
随着计算机互联网技术的发展,人脸识别技术的应用越来越多如:刷脸支付、刷脸登录、刷脸考勤、刷脸身份认证以便出行等,还有其他生物识别技术的应用也在不断的增加。生物识别技术需要采集生物图像,再通过对生物图像实现身份认证的目的。
正因为人脸识别技术的应用愈加广泛,其安全隐患可能带来的社会影响面也会愈加严重。威胁人脸识别安全的主要风险之一是活体攻击,即通过照片、屏幕、面具等媒介绕过人脸识别,对受害者的账户进行盗取。
因此,如何提出一种活体检测方案,可以预防生物识别时的活体攻击,提升生物识别的安全性是本领域亟需解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种活体检测方法、装置、设备及***,提升了活体检测的准确性,进而提升生物识别的安全性。
一方面,本说明书实施例提供了一种活体检测方法,所述方法包括:
采集目标检测对象在进行生物识别时的生物特征图像;
基于所述生物特征图像,预测所述目标检测对象的脑波信号;
根据所述脑波信号确定所述目标检测对象的情绪特征;
根据所述情绪特征,确定所述目标检测对象是否为活体对象。
另一方面,本说明书提供了一种活体检测装置,包括:
图像采集模块,用于采集目标检测对象在进行生物识别时的生物特征图像;
脑波信息预测模块,用于基于所述生物特征图像,预测所述目标检测对象的脑波信号;
情绪特征识别模块,用于根据所述脑波信号确定所述目标检测对象的情绪特征;
活体检测模块,用于根据所述情绪特征,确定所述目标检测对象是否为活体对象。
又方面,本说明书实施例提供了一种活体检测设备,包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述活体检测方法。
再一方面,本说明书实施例提供了一种活体检测***,包括:图像采集设备和图像处理设备,其中所述图像采集设备用于采集进行生物识别的目标检测对象的生物特征图像,所述图像处理设备包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述活体检测方法。
本说明书提供的活体检测方法、装置、设备及***,通过采集目标检测对象的生物特征图像,基于采集到的生物特征图像预测目标检测对象的脑波信号,基于脑波信号计算目标检测对象的情绪特征,基于脑波信号、情绪特征来识别目标检测对象是否为活体对象。这种方式利用了真人用户和攻击的本质差别即其脑波信号、情绪状态,能够从本质上提升活体防攻击方法的安全能力,即使没有见过的攻击也会因为脑波和情绪状态信号表现异常被拦截,提升了活体检测的准确性,进而提升了生物识别的安全性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的活体检测方法实施例的流程示意图;
图2是本说明书一个场景示例中活体检测的原理流程示意图;
图3是本说明书提供的活体检测装置一个实施例的模块结构示意图;
图4是本说明书一个实施例中活体检测服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
随着生物识别技术的不断普及,生物识别技术的安全性越来越被大家重视。一般威胁生物识别安全的主要是活体攻击,如:人脸识别过程中通过使用照片、屏幕、面具等方式进行伪装,对人脸识别的用户进行信息盗用等。一般生物识别***如人脸识别***会集成活体防攻击算法进行活体检测,一般的活体防攻击算法可能只会使用简单的活体检测模型来对人脸识别的用户进行分类,这种方式一般安全能力比较弱,对于在训练数据中没有出现的攻击类型的拦截能力较弱。或者,有些算法需要用户配合做一系列动作来实现活体检测,例如眨眼、点头等,通过动作的完成度来提升攻击的难度。但是这类方法较多使用于较为私密和安全的场景(例如银行等),在人较多的商业场景(售卖机等)体验较差,难以得到应用。
本说明书一些实施例中可以提供活体检测方法,主要应用于人脸识别过程中的活体检测,以避免活体攻击,造成用户信息的盗用等。本说明书实施例通过采集目标检测对象的生物特征图像,基于采集到的生物特征图像预测目标检测对象的脑波信号,基于脑波信号计算目标检测对象的情绪特征,基于脑波信号以及情绪特征来识别目标检测对象是否为活体对象。这种方式利用了真人用户和攻击(静态照片等)的本质差别(即其脑波信号、情绪和状态),能够从本质上提升活体防攻击方法的安全能力,即使没有见过的攻击也会因为脑波和情绪状态信号表现异常被拦截,提升了生物识别的安全性。
此外,需要说明的是,本说明书实施例中如:人脸识别、活体检测中涉及到的数据的获取、存储、使用、处理等,均符合国家法律法规的相关规定。
图1是本说明书实施例提供的活体检测方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的活体检测方法的一个实施例中,所述方法可以应用在服务器、计算机、平板电脑、服务器、智能手机、智能穿戴设备、车载设备、智能家居设备等能够进行图像处理的设备,所述方法可以包括如下步骤:
步骤102、采集目标检测对象在进行生物识别时的生物特征图像。
在具体的实施过程中,在进行生物识别如:人脸识别时,可以利用生物识别设备中的摄像头采集正在识别的目标检测对象的生物特征图像,目标检测对象可以理解为进行生物识别的对象,本说明书实施例主要用于检测目标检测对象是否是活体对象,确保进行生物识别的用户是真人,进而保障进行生物识别的用户是用户本人。生物特征图像可以根据生物识别的类型而定,可以指带有人脸的图像信息,也可以是瞳孔信息或指纹信息等,本说明书实施例中主要可以使用人脸图像。生物特征图像可以是图片或视频,具体可以根据实际需要而定,本说明书实施例不做具体限定。
本说明书一些实施例中,所述采集目标检测对象在进行生物识别时的生物特征图像,包括:
采集所述目标检测对象在进行生物识别开始后指定时间内的图像信息,并从所述图像信息中选择指定数量张图像作为所述目标检测对象的生物特征图像。
在具体的实施过程中,在采集目标检测对象的生物特征图像时,可以采集目标检测对象在生物识别开始后指定时间内的图像信息,如:用户通过IoT设备采集进行人脸识别,可以采集用户人脸识别开始5S左右的人脸数据,可以是5S的视频数据,或者也可以是5S连续拍摄的照片数据。选取其中指定数量张的图像如:10张图像作为目标检测对象的生物特征图像。本说明书实施例中的生物特征图像可以采集高清的生物特征图像,如:人脸区域分辨率大于400*400的人脸图像,一般人脸识别算法的人脸区域一般在100*100,信息量较少,通过采集高清的生物特征图像可以提升活体检测以及生物识别的准确性。
通过采集一定时间图像信息,再从中选取指定数量的图像作为生物特征图像,确保生物采样的均匀性和全面性,为活体检测以及生物识别提供更加准确的数据基础,提升活体检测和生物识别的准确性。
步骤104、基于所述生物特征图像,预测所述目标检测对象的脑波信号。
在具体的实施过程中,采集到目标检测对象的生物特征图像后,可以对生物特征图像进行脑波信号的预测,预测出在进行生物识别的目标检测对象的脑波信号。脑波亦称“脑电波”,脑波是神经元细胞之间传递信息时产生的生物电信号,是大脑皮质中的锥体细胞突触活动时产生的离子交换而产生的电波信号。脑波信号可以理解为能够表征检测对象脑部活动的信号,可以是信号曲线或者采用数字表示的波动信号等。通过预测目标检测对象的脑波信号可以为后续目标检测对象是否属于活体对象的一个判断依据,关于脑波信号的预测方法,可以通过智能学习算法,如:预先采集不同用户的生物特征图像以及对应的脑波信号等,进行模型训练,利用训练出的脑波预测模型来对目标检测对象的生物特征图像进行脑波信号的预测。或者,可以利用专家经验,如:邀请一些专家对不同用户对应的生物特征图像的脑波信号进行分析归类,获得生物特征图像与脑波信号之间的关系,进而对目标检测对象的生物特征图像进行脑波信号的预测。本说明书实施例对脑波信号的预测方法不做具体限定。
步骤106、根据所述脑波信号确定所述目标检测对象的情绪特征。
在具体的实施过程中,不同的脑波信号可以反映出用户的情绪,如:高兴、愤怒、紧张时,可能脑波信号波动比较大,平静时,脑波信号波动比较小。情绪特征可以理解为能够表征检测对象情绪的特征数据,可以包括情绪类别或其他特征数据,本说明书实施例不做具体限定。通过脑波信号可以确定出目标检测对象的情绪特征,也可以使用智能学习算法训练情绪感知模型或利用专家经验等,对上一步骤获得的脑波信号进行感知,确定出目标检测对象的情绪特征。如:预先获取几种情绪类别对应的脑波信号,将上一步骤获得的目标检测对象的脑波信号与不同种类情绪类别的脑波信号进行比对,将相似度最高的作为目标检测对象的情绪类别。本说明书实施例可以采用情感计算算法(affective computing)对检测对象进行情感计算,affective computing可以泛指计算机利用算法对人的情绪和状态进行感知和影响,在本说明书实施例中中,可以特指使用人脸图像感知用户的情绪和状态。
本说明书一些实施例中,在根据所述脑波信号确定所述目标检测对象的情绪特征之前,所述方法还包括:
若基于所述生物特征图像,预测所述目标检测对象的脑波信号为0,则确定所述目标检测对象不是活体对象。
在具体的实施过程中,在预测出目标检测对象的脑波信号后,若预测出的脑波信号为0,即说明目标检测对象没有脑波信号,此时,可以说明目标检测对象可能是照片、面具、屏幕等没有脑部活动的对象,则直接确定目标检测对象不是活体对象,不需要后续的活体检测处理。通过脑波信号的预测,在预测出脑波信号为0时,直接判定检测对象为非活体对象,属于攻击对象,可以进行警示,提高了活体检测效率和生物识别的安全性。
步骤108、根据所述情绪特征,确定所述目标检测对象是否为活体对象。
在具体的实施过程中,在基于脑波信号感知到目标检测对象的情绪特征后,可以根据目标检测对象的情绪特征来确定目标检测对象是否为活体对象,如:若目标检测对象情绪波动比较大,则确定目标检测对象为活体对象,若目标检测对象的情绪波动比较小,则确定目标检测对象为非活体对象。或者,可以结合目标检测对象脑波信号以及情绪特征,综合评估目标检测对象是否属于活体对象,也可以采用智能学习算法,训练活体检测模型,再利用训练好的活体检测模型基于情绪特征、脑波信号等对目标检测对象进行活体检测,预测目标检测对象属于活体攻击概率,基于活体攻击概率的大小来判断目标检测对象是否属于活体对象,本说明书实施例不限定活体检测的具体方法。
本说明书实施例提供的活体检测方法,通过采集目标检测对象的生物特征图像,基于采集到的生物特征图像预测目标检测对象的脑波信号,基于脑波信号计算目标检测对象的情绪特征,基于脑波信号、情绪特征来识别目标检测对象是否为活体对象。这种方式利用了真人用户和攻击的本质差别即其脑波信号、情绪状态,能够从本质上提升活体防攻击方法的安全能力,即使没有见过的攻击也会因为脑波和情绪状态信号表现异常被拦截,提升了活体检测的准确性,进而提升了生物识别的安全性。
本说明书一些实施例中,所述方法还包括:
预先训练构建脑波预测模型以及情绪感知模型;
将所述脑波预测模型的输出和所述情绪感知模型的输出作为活体检测模型的训练输入数据,训练构建所述活体检测模型;
利用训练好的脑波预测模型基于所述生物特征图像,预测所述目标检测对象的脑波信号;
利用训练好的情绪感知模型根据所述脑波信号确定所述目标检测对象的情绪特征;
利用训练好的活体检测模型根据所述脑波信号和所述情绪特征,确定所述目标检测对象是否为活体对象。
在具体的实施过程中,本说明书实施例中可以预先训练构建出脑波预测模型和情绪感知模型,如:采集一定数量的历史用户在进行生物识别时的生物特征图像以及对应的脑波信号、情绪状态等作为样本数据,进行脑波预测模型和情绪感知模型的模型训练。再利用训练好的脑波预测模型和情绪感知模型进行活体检测模型的训练,可以将训练好的脑波预测模型和情绪感知模型的模型输出,作为活体检测模型的训练样本的输入,训练构建出活体检测模型。各个模型训练好之后,在对目标检测对象进行活体检测时,可以将采集到的目标检测对象的生物特征图像输入到训练好的脑波预测模型中,预测出目标检测对象的脑波信号。再将脑波信号输入到训练好的情绪感知模型中,获得目标检测对象的情绪特征。最后,可以将情绪特征,或情绪特征以及脑波信号输入到训练好的活体检测模型中,利用活体检测模型得到目标检测对象属于活体对象的概率,进而确定出目标检测对象是否属于活体对象,完成目标检测对象的活体检测。模型训练的过程可以通过离线完成,还可以在服务端进行,通过预先训练的智能学习模型可以快速完成检测对象的脑波信号、情绪特征以及属于活体对象的概率,提升了数据处理效率。
本说明书一些实施例中,所述脑波预测模型的构建方法包括:
设置脑波预测模型的模型参数,所述模型参数包括所述脑波预测模型的网络结构、损失函数;
采集活体对象的活体生物特征样本图像以及对应的活体脑波样本信号;
采集不同类别攻击对象的攻击生物特征样本图像以及对应的攻击脑波样本信号,其中,攻击脑波样本信号为0;
将所述活体生物特征样本图像、所述攻击生物特征样本图像作为所述脑波预测模型的输入,将所述活体脑波样本信号、所述攻击脑波样本信号作为所述脑波预测模型对应的输出,进行模型训练,直至所述脑波预测模型的损失函数收敛,完成所述脑波预测模型的训练。
在具体的实施过程中,可以先设置脑波预测模型的模型参数,如:模型结构、损失函数的类型等,具体可以根据实际需要设置,本说明书实施例不做具体限定。再采集一定数量的活体对象如真实用户的活体生物特征样本图像以及对应的活体脑波样本信号,可以通过给真实用户佩戴脑波采集器,采集真实用户佩戴脑波采集器进行人脸识别等生物识别时的生物特征图像以及佩戴的脑波采集器采集到的脑波信号,作为活体生物特征样本图像和活体脑波样本信号。再采集不同类别的攻击对象如:照片、屏幕、面具等进行生物识别时的生物特征样本以及对应的脑波信号,分别作为攻击生物特征样本图像和攻击脑波样本信号,其中,攻击样本因为没有脑波信号,因此,攻击脑波样本信号为0。可以将真实用户的样本作为白样本、将攻击对象的样本作为黑样本,进行脑波预测模型的训练。
本说明书一些实施例中,所述采集活体对象的活体生物特征样本图像以及对应的活体脑波样本信号包括:
选择不同年龄段的活体对象作为样本对象,各个样本对象佩戴有脑波采集器;
采集各个样本对象依次在不同灯光条件进行生物识别时的活体生物样本图像和脑波采集器采集到的活体脑波样本信号。
在具体的实施过程中,在采集活体对象的活体生物特征样本图像以及对应的活体脑波样本信号时,可以选择不同年龄段的活体对象作为样本对象,再给各个样本对象佩戴脑波采集器进行生物识别,并采集每个样本对象在不同灯光条件进行生物识别时的活体生物样本图像和脑波采集器采集到的活体脑波样本信号。样本对象覆盖不同年龄段、不同灯光条件,更加符合真实用户的使用需求,进而提升模型训练的准确性。
通过采集真实用户以及攻击对象进行生物识别时的生物特征图像以及脑波信号作为样本数据,进行脑波预测模型的训练,利用训练好的脑波预测模型对检测对象进行脑波信号的预测,为活体检测奠定了数据基础。
本说明书一些实施例中,所述情绪感知模型的训练方法包括:
设置情绪感知模型的模型参数,所述模型参数包括所述情绪感知模型的网络结构、损失函数;
采集活体对象的活体脑波样本信号,并确定所述活体对象对应的情绪类别;
将所述活体脑波样本信号作为所述情绪感知模型的输入,将所述情绪类别以及对应的情绪特征作为所述情绪感知模型对应的输出,进行模型训练,直至所述情绪感知模型的损失函数收敛,完成所述情绪感知模型的训练。
在具体的实施过程中,与脑波预测模型的训练过程类似,可以进行情绪感知模型的训练,先设置情绪感知模型的模型参数,采集活体对象的活体脑波样本信号,并确定所述活体对象对应的情绪类别如:高兴、紧张、愤怒、平静,可以预先让活体对象在指定情绪类别的情况下进行生物识别,进而采集到对应的脑波样本信号。将采集到的活体脑波样本信号作为情绪感知模型的输入,对应的情绪类别以及情绪特征作为模型的输出,进行模型训练,直至情绪感知模型的损失函数收敛,完成情绪感知模型的训练。其中,情绪特征可以理解为情绪感知模型在输出情绪类别之前的一个步骤的特征向量,情绪感知模型通过对输入的数据进行处理后,获得一个情绪特征的向量,基于该向量识别出对应的情绪类别,如:情绪特征可以是512维的向量。利用训练好的情绪感知模型可以对目标检测对象进行快速的情绪感知,为后续活体检测奠定了数据基础。
本说明书另外一些实施例中,所述情绪感知模型的训练方法还可以包括:
设置情绪感知模型的模型参数,所述模型参数包括所述情绪感知模型的网络结构、损失函数;
将采集到的生物特征样本图像输入到训练好的所述脑波预测模型中,利用所述脑波预测模型预测出对应的预测脑波信号;
将所述预测脑波信号进行聚类,确定出各个预测脑波信号对应的情绪类别;
将所述预测脑波信号作为所述情绪感知模型的输入,将所述情绪类别以及对应的情绪特征作为所述情绪感知模型对应的输出,进行模型训练,直至所述情绪感知模型的损失函数收敛,完成所述情绪感知模型的训练。
在具体的实施过程中,本说明书一些实施例中,还可以利用训练好的脑波预测模型生成训练情绪感知模型的输入样本数据,可以将采集到的生物特征样本图像如:人脸区域图像输入到训练好的脑波预测模型中,利用脑波预测模型预测出对应的预测脑波信号。可以采集一些没有脑波信号的对象的生物特征图像,如:采集真实用户进行人脸识别时的人脸图像,但不需要使用脑波采集器采集对应的脑波信号,利用训练好的脑波预测模型预测出各个人脸图像对应的脑波信号。也可以直接使用脑波预测模型训练时采集到的生物特征图像作为训练情绪感知模型的训练样本,使用脑波预测模型预测出对应的脑波信号后,再将脑波预测模型输出的预测脑波信号进行聚类分析,得到多种不同的情绪类别,将各个预测脑波信号对应的情绪类别作为后续情绪感知模型训练的标签。可以将预测脑波信号作为情绪感知模型的输入,将对应的情绪类别以及情绪特征作为情绪感知模型对应的输出,进行模型训练,直至情绪感知模型的损失函数收敛,完成情绪感知模型的训练。其中,情绪特征的含义与上述实施例中情绪感知模型训练时输出的情绪特征的含义相同,此处不再赘述。
本说明书实施例,利用训练好的脑波预测模型进行情绪感知模型的训练,后续在进行活体检测时,同样使用脑波预测模型预测出目标检测对象的脑波信号,再由情绪感知模型对脑波预测模型预测出的脑波信号进行情绪识别,模型训练的过程更加符合活体检测的应用需求和应用过程,提升了活体检测算法的整体性能,提升了活体检测准确性,进而提升生物识别的安全性。
本说明书一些实施例中,所述将所述脑波预测模型的输出和所述情绪感知模型的输出作为活体检测模型的训练输入数据,训练构建所述活体检测模型,包括:
设置活体检测模型的模型参数,所述模型参数包括所述活体检测模型的网络结构、损失函数;
采集活体对象的活体生物特征样本图像以及不同类别攻击对象的攻击生物特征样本图像,并标记各个样本图像对应的攻击概率标签;
利用训练好的脑波预测模型分别预测出所述活体生物特征样本图像以及所述攻击生物特征样本图像对应的预测脑波信号;
利用训练好的情绪感知模型基于所述脑波预测模型预测出的预测脑波信号,确定出所述活体生物特征样本图像以及所述攻击生物特征样本图像对应的情绪特征;
将所述脑波预测模型输出的预测脑波信号以及所述情绪感知模型输出的对应的情绪特征作为所述活体检测模型的输入,将各个样本图像对应的攻击概率标签作为所述活体检测模型的输出,进行模型训练,直至所述活体检测模型的损失函数收敛,完成所述活体检测模型的训练。
在具体的实施过程中,在训练好脑波预测模型和情绪感知模型后,可以利用上述训练的脑波预测模型和情绪感知模型的输出,进行活体检测模型的训练。可以在设置好活体检测模型的模型参数后,采集活体对象的活体生物特征样本图像以及不同类别攻击对象的攻击生物特征样本图像,同时,标记各个样本图像对应的攻击概率标签,如:活体生物特征样本图像对应的攻击概率标签为0,攻击生物特征样本图像对应的攻击概率标签为1。也可以直接使用脑波预测模型训练时采集到的生物特征图像作为训练活体检测模型的训练样本,将采集到的活体生物特征样本图像以及攻击生物特征样本图像输入到脑波预测模型,利用脑波预测模型预测出对应的预测脑波信号,再利用情绪感知模型对预测脑波信号进行情绪识别,确定出各个活体生物特征样本图像以及攻击生物特征样本图像对应的情绪特征。在得到预测脑波信号和情绪特征后,可以将预测脑波信号和情绪特征作为活体检测模型的输入,将各个样本图像对应的攻击概率标签作为活体检测模型的输出,进行模型训练,直至活体检测模型的损失函数收敛,完成活体检测模型的训练。
本说明书实施例利用训练好的脑波预测模型以及情绪感知模型来训练活体检测模型,与活体检测的过程一致,更加符合活体检测场景需求,模型训练的准确性更高,提升了活体检测的准确性。
本说明书一些实施例中,所述脑波预测模型的模型结构采用轻量化网络结构,所述情绪感知模型和所述活体检测模型的模型结构采用多层感知器结构。
在具体的实施过程中,脑波预测模型的模型结构可以采用轻量化网络结构如:MobileNetV2,MobileNetV2结构是基于倒置残差结构,原来的残差结构的主分支是有三个卷积,两个逐点卷积通道数较多,而倒置的残差结构刚好相反,中间的卷积通道数(依旧使用深度可分离卷积结构)较多,两端的较少。情绪感知模型和活体检测模型的模型结构可以采用多层感知器结构如:MLP,Multilayer Perceptron,多层感知器是一种前馈人工神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上。脑波预测模型选择结构简单的轻量型,可以降低计算成本,情绪感知模型和活体检测模型采用比轻量型结构稍微复杂的模型结构,可以提升情绪感知以及活体检测的准确性。
图2是本说明书一个场景示例中活体检测的原理流程示意图,如图2所示,本说明书一些场景示例中,活体检测的过程主要包括5个步骤,具体过程可以参考如下:
1、训练数据采集:利用脑波数据采集仪器和搭载高清摄像头的IoT设备模拟人脸识别阶段的脑波和人脸区域变化;
2、脑波预测模型训练:利用用户的人脸图像作为输入,对用户的脑波数据进行拟合预测;
3、情绪感知模型训练:训练基于脑波的情绪分类模型,作为活体检测的基础;
4、活体模型训练:基于上一步情绪感知模型的结果,进行活体检测模型的训练;
5、活体检测:利用上述训练的各个模型对生物识别的对象进行活体检测。
其中,脑波预测模型的训练过程可以参考如下:
利用脑波采集设备和搭载高清摄像头的IoT设备在用户进行人脸识别验证的时候,进行用户的人脸数据以及对应的脑波数据采集。
采集数据流程:本说明书一些场景示例中,可以挑选500名用户(分散在各个年龄段,确认对各类用户的覆盖);每个用户在不同灯光条件下,佩戴脑波采集器,利用IoT设备进行5次人脸识别;每次人脸识别采集数据持续5s左右。每次采集,利用IoT设备自带的高精度摄像头采集约5秒的人脸数据以及对应的脑波数据;完成真人用户的数据采集后,使用500种各类攻击素材进行数据采集,采集流程同真人用户;由于攻击采集不到脑波数据,脑波数据使用全0的序列代替。
脑波预测模型训练:
数据预处理:首先对采集的真人/攻击数据进行人脸检测,并crop出人脸区域备用;然后,对脑波数据进行长度为25的均值滤波,滤除噪声;
模型结构:使用MobileNetV2(轻量化网络结构)作为backbone,回归脑波信号;
模型输入输出:模型输入为5s人脸图像中随机均匀采样的10张图作为输入,输出为对应的脑波信号;注意,攻击的脑波信号为全0序列;
损失函数:损失函数为模型输出和真实的脑波序列的L2距离;
训练方法:利用上述的网络结构、损失函数基于SGD(stochastic gradientdescent,随机梯度下降法)进行模型训练,直至损失函数收敛,完成脑波预测模型的训练。
情绪感知模型的训练过程可以参考如下:
情绪感知模型主要基于上一步得到的脑波预测模型,进行进一步的无监督情绪感知模型训练。
脑波序列提取:对于没有对应的脑波信号的人脸图像序列,利用上述训练好的脑波预测模型,进行脑波预测;生成约5W-10W活体数据的脑波数据,用于情绪感知模型的训练;
脑波-情绪聚类:对于5W-10W条脑波记录进行层次聚类,得到N类不同情绪;每条记录对应的情绪类将别作为后续情绪识别的标签;
模型结构:模型可以选择5层MLP(Multilayer Perceptron,多层感知器)模型;
输入输出:输入为脑波序列,输出为情绪类别以及对应的情绪特征;
损失函数:损失函数为分类损失函数;
模型训练:利用上述的网络结构、损失函数基于SGD进行模型训练,直至损失函数收敛,完成情绪感知模型的训练。
活体检测模型的训练可以参考下述过程:
利用上述训练的脑波预测模型和情绪感知模型的输出,进行活体分类模型的训练;
模型结构:模型为5层MLP;
输入输出:输入为情绪特征和脑波信号,输出为攻击概率;
损失函数:为活体/攻击分类函数;
模型训练方法:利用上述的网络结构、损失函数基于SGD进行模型训练,直至损失函数收敛。
活体检测的过程可以参考如下:
目标检测对象通过与IoT设备的交互开始人脸识别;
采集5s左右的人脸数据,并进行人脸检测得到人脸区域;
对5s的人脸图像进行均匀采样,取10张图像输入到脑波预测模型,得到预测的脑波信号;如果脑波为全0信号,则直接判断为非活体,本次人脸识别失败;否则,进行下一步;
将脑波信号输入到情绪感知模型,得到情绪类别和情绪特征;
将情绪特征和脑波信号输入到活体检测模型,得到活体攻击概率P,如果P大于提前设置的阈值T,则判断为攻击,否则判断为活体对象。
本说明书实施例通过利用多帧的高清人脸图像,来预测用户的脑波信号,进而计算用户的状态和情绪,通过状态和情绪判断是否为活体用户。这种方法利用了真人用户和攻击(静态照片等)的本质差别(即其情绪和状态),能够从本质上提升方法的安全能力,即使没有见过的攻击也会因为情绪和状态信号表现异常被拦截。在安全和体验上都得到了很大提升。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的活体检测方法,本说明书一个或多个实施例还提供一种用于活体检测的***。所述***可以包括使用了本说明书实施例所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图3是本说明书提供的活体检测装置一个实施例的模块结构示意图,该装置可以应用在生物识别设备中,如:刷脸设备、刷脸支付设备等,如图3所示,本说明书中提供的活体检测装置可以包括:
图像采集模块31,用于采集目标检测对象在进行生物识别时的生物特征图像;
脑波信息预测模块32,用于基于所述生物特征图像,预测所述目标检测对象的脑波信号;
情绪特征识别模块33,用于根据所述脑波信号确定所述目标检测对象的情绪特征;
活体检测模块34,用于根据所述情绪特征,确定所述目标检测对象是否为活体对象。
本说明书实施例提供的活体检测装置,通过利用多帧的高清人脸图像,来预测用户的脑波信号,进而计算用户的状态和情绪,通过状态和情绪判断是否为活体用户。这类方法利用了真人用户和攻击(静态照片等)的本质差别(即其情绪和状态),能够从本质上提升方法的安全能力,即使没有见过的攻击也会因为情绪和状态信号表现异常被拦截。在安全和体验上都得到了很大提升。
需要说明的,上述所述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种活体检测设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的活体检测方法,如:
采集目标检测对象的生物特征图像;
基于所述生物特征图像,预测所述目标检测对象的脑波信号;
根据所述脑波信号确定所述目标检测对象的情绪特征;
根据所述情绪特征,确定所述目标检测对象是否为活体对象。
本说明书实施例还提供一种活体检测***,包括:图像采集设备和图像处理设备,其中所述图像采集设备用于采集进行生物识别的目标检测对象的生物特征图像,所述图像处理设备包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时上述活体检测方法对所述图像采集设备采集到的生物特征图像进行活体检测如:
采集目标检测对象的生物特征图像;
基于所述生物特征图像,预测所述目标检测对象的脑波信号;
根据所述脑波信号确定所述目标检测对象的情绪特征;
根据所述情绪特征,确定所述目标检测对象是否为活体对象。
需要说明的,上述所述的设备和***根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的活体检测装置,也可以应用在多种数据分析处理***中。所述***或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例***或服务器或终端或设备的服务器集群、***(包括分布式***)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测***可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图4是本说明书一个实施例中活体检测服务器的硬件结构框图,该计算机终端可以是上述实施例中的活体检测服务器或活体检测装置。如图4所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图4中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图4所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的活体检测方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
采集目标检测对象的生物特征图像;
基于所述生物特征图像,预测所述目标检测对象的脑波信号;
根据所述脑波信号确定所述目标检测对象的情绪特征;
根据所述情绪特征,确定所述目标检测对象是否为活体对象。
本说明书实施例提供的上述活体检测方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作***的c++语言在PC端实现、linux***实现,或其他例如使用android、iOS***程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、***根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或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。
本发明是参照根据本发明实施例的方法、装置(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程资源数据更新设备的处理器以产生一个机器,使得通过计算机或其他可编程资源数据更新设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程资源数据更新设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (13)
1.一种活体检测方法,所述方法包括:
采集目标检测对象在进行生物识别时的生物特征图像;
基于所述生物特征图像,预测所述目标检测对象的脑波信号;
根据所述脑波信号确定所述目标检测对象的情绪特征;
根据所述情绪特征,确定所述目标检测对象是否为活体对象。
2.如权利要求1所述的方法,在根据所述脑波信号确定所述目标检测对象的情绪特征之前,所述方法还包括:
若基于所述生物特征图像,预测所述目标检测对象的脑波信号为0,则确定所述目标检测对象不是活体对象。
3.如权利要求1所述的方法,所述方法还包括:
预先训练构建脑波预测模型以及情绪感知模型;
将所述脑波预测模型的输出和所述情绪感知模型的输出作为活体检测模型的训练输入数据,训练构建所述活体检测模型;
利用训练好的脑波预测模型基于所述生物特征图像,预测所述目标检测对象的脑波信号;
利用训练好的情绪感知模型根据所述脑波信号确定所述目标检测对象的情绪特征;
利用训练好的活体检测模型根据所述脑波信号和所述情绪特征,确定所述目标检测对象是否为活体对象。
4.如权利要求3所述的方法,所述脑波预测模型的构建方法包括:
设置脑波预测模型的模型参数,所述模型参数包括所述脑波预测模型的网络结构、损失函数;
采集活体对象的活体生物特征样本图像以及对应的活体脑波样本信号;
采集不同类别攻击对象的攻击生物特征样本图像以及对应的攻击脑波样本信号,其中,攻击脑波样本信号为0;
将所述活体生物特征样本图像、所述攻击生物特征样本图像作为所述脑波预测模型的输入,将所述活体脑波样本信号、所述攻击脑波样本信号作为所述脑波预测模型对应的输出,进行模型训练,直至所述脑波预测模型的损失函数收敛,完成所述脑波预测模型的训练。
5.如权利要求3所述的方法,所述情绪感知模型的训练方法包括:
设置情绪感知模型的模型参数,所述模型参数包括所述情绪感知模型的网络结构、损失函数;
采集活体对象的活体脑波样本信号,并确定所述活体对象对应的情绪类别;
将所述活体脑波样本信号作为所述情绪感知模型的输入,将所述情绪类别以及对应的情绪特征作为所述情绪感知模型对应的输出,进行模型训练,直至所述情绪感知模型的损失函数收敛,完成所述情绪感知模型的训练。
6.如权利要求3所述的方法,所述情绪感知模型的训练方法包括:
设置情绪感知模型的模型参数,所述模型参数包括所述情绪感知模型的网络结构、损失函数;
将采集到的生物特征样本图像输入到训练好的所述脑波预测模型中,利用所述脑波预测模型预测出对应的预测脑波信号;
将所述预测脑波信号进行聚类,确定出各个预测脑波信号对应的情绪类别;
将所述预测脑波信号作为所述情绪感知模型的输入,将所述情绪类别以及对应的情绪特征作为所述情绪感知模型对应的输出,进行模型训练,直至所述情绪感知模型的损失函数收敛,完成所述情绪感知模型的训练。
7.如权利要求3所述的方法,所述将所述脑波预测模型的输出和所述情绪感知模型的输出作为活体检测模型的训练输入数据,训练构建所述活体检测模型,包括:
设置活体检测模型的模型参数,所述模型参数包括所述活体检测模型的网络结构、损失函数;
采集活体对象的活体生物特征样本图像以及不同类别攻击对象的攻击生物特征样本图像,并标记各个样本图像对应的攻击概率标签;
利用训练好的脑波预测模型分别预测出所述活体生物特征样本图像以及所述攻击生物特征样本图像对应的预测脑波信号;
利用训练好的情绪感知模型基于所述脑波预测模型预测出的预测脑波信号,确定出所述活体生物特征样本图像以及所述攻击生物特征样本图像对应的情绪特征;
将所述脑波预测模型输出的预测脑波信号以及所述情绪感知模型输出的对应的情绪特征作为所述活体检测模型的输入,将各个样本图像对应的攻击概率标签作为所述活体检测模型的输出,进行模型训练,直至所述活体检测模型的损失函数收敛,完成所述活体检测模型的训练。
8.如权利要求3所述的方法,所述脑波预测模型的模型结构采用轻量化网络结构,所述情绪感知模型和所述活体检测模型的模型结构采用多层感知器结构。
9.如权利要求1所述的方法,所述采集目标检测对象在进行生物识别时的生物特征图像,包括:
采集所述目标检测对象在进行生物识别开始后指定时间内的图像信息,并从所述图像信息中选择指定数量张图像作为所述目标检测对象的生物特征图像。
10.如权利要求4所述的方法,所述采集活体对象的活体生物特征样本图像以及对应的活体脑波样本信号包括:
选择不同年龄段的活体对象作为样本对象,各个样本对象佩戴有脑波采集器;
采集各个样本对象依次在不同灯光条件进行生物识别时的活体生物样本图像和脑波采集器采集到的活体脑波样本信号。
11.一种活体检测装置,所述装置包括:
图像采集模块,用于采集目标检测对象在进行生物识别时的生物特征图像;
脑波信息预测模块,用于基于所述生物特征图像,预测所述目标检测对象的脑波信号;
情绪特征识别模块,用于根据所述脑波信号确定所述目标检测对象的情绪特征;
活体检测模块,用于根据所述情绪特征,确定所述目标检测对象是否为活体对象。
12.一种活体检测设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-10任一项所述的方法。
13.一种活体检测***,包括:图像采集设备和图像处理设备,其中所述图像采集设备用于采集进行生物识别的目标检测对象的生物特征图像,所述图像处理设备包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-10任一项所述的方法,用于对所述图像采集设备采集到的生物特征图像进行活体检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579985.2A CN115035608A (zh) | 2022-05-26 | 2022-05-26 | 活体检测方法、装置、设备及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579985.2A CN115035608A (zh) | 2022-05-26 | 2022-05-26 | 活体检测方法、装置、设备及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035608A true CN115035608A (zh) | 2022-09-09 |
Family
ID=83120280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579985.2A Pending CN115035608A (zh) | 2022-05-26 | 2022-05-26 | 活体检测方法、装置、设备及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035608A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438703A (zh) * | 2022-10-24 | 2022-12-06 | 广州河东科技有限公司 | 一种智能家居生物识别***及识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491716A (zh) * | 2016-06-13 | 2017-12-19 | 腾讯科技(深圳)有限公司 | 一种人脸认证方法及装置 |
CN108512995A (zh) * | 2018-03-01 | 2018-09-07 | 广东欧珀移动通信有限公司 | 电子装置、脑电波控制方法及相关产品 |
JP2018187287A (ja) * | 2017-05-11 | 2018-11-29 | 学校法人 芝浦工業大学 | 感性推定装置、感性推定システム、感性推定方法およびプログラム |
CN109697831A (zh) * | 2019-02-25 | 2019-04-30 | 湖北亿咖通科技有限公司 | 疲劳驾驶监测方法、装置及计算机可读存储介质 |
CN110141258A (zh) * | 2019-05-16 | 2019-08-20 | 深兰科技(上海)有限公司 | 一种情绪状态检测方法、设备及终端 |
WO2020048140A1 (zh) * | 2018-09-07 | 2020-03-12 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备、计算机可读存储介质 |
CN113208633A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的情绪识别方法、*** |
CN113869253A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 活体检测方法、训练方法、装置、电子设备及介质 |
US20220015685A1 (en) * | 2020-07-14 | 2022-01-20 | Dhiraj JEYANANDARAJAN | Systems and methods for brain state capture and referencing |
CN114424945A (zh) * | 2021-12-08 | 2022-05-03 | 中国科学院深圳先进技术研究院 | 一种基于随机图形图像闪现的脑波生物特征识别***与方法 |
-
2022
- 2022-05-26 CN CN202210579985.2A patent/CN115035608A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491716A (zh) * | 2016-06-13 | 2017-12-19 | 腾讯科技(深圳)有限公司 | 一种人脸认证方法及装置 |
JP2018187287A (ja) * | 2017-05-11 | 2018-11-29 | 学校法人 芝浦工業大学 | 感性推定装置、感性推定システム、感性推定方法およびプログラム |
CN108512995A (zh) * | 2018-03-01 | 2018-09-07 | 广东欧珀移动通信有限公司 | 电子装置、脑电波控制方法及相关产品 |
WO2020048140A1 (zh) * | 2018-09-07 | 2020-03-12 | 北京市商汤科技开发有限公司 | 活体检测方法和装置、电子设备、计算机可读存储介质 |
CN109697831A (zh) * | 2019-02-25 | 2019-04-30 | 湖北亿咖通科技有限公司 | 疲劳驾驶监测方法、装置及计算机可读存储介质 |
CN110141258A (zh) * | 2019-05-16 | 2019-08-20 | 深兰科技(上海)有限公司 | 一种情绪状态检测方法、设备及终端 |
US20220015685A1 (en) * | 2020-07-14 | 2022-01-20 | Dhiraj JEYANANDARAJAN | Systems and methods for brain state capture and referencing |
CN113208633A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg脑波的情绪识别方法、*** |
CN113869253A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 活体检测方法、训练方法、装置、电子设备及介质 |
CN114424945A (zh) * | 2021-12-08 | 2022-05-03 | 中国科学院深圳先进技术研究院 | 一种基于随机图形图像闪现的脑波生物特征识别***与方法 |
Non-Patent Citations (1)
Title |
---|
张冠华等: "面向情绪识别的脑电特征研究综述", 中国科学:信息科学, vol. 49, no. 09, 20 September 2019 (2019-09-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438703A (zh) * | 2022-10-24 | 2022-12-06 | 广州河东科技有限公司 | 一种智能家居生物识别***及识别方法 |
CN115438703B (zh) * | 2022-10-24 | 2023-04-07 | 广州河东科技有限公司 | 一种智能家居生物识别***及识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN109766755B (zh) | 人脸识别方法及相关产品 | |
CN107590473B (zh) | 一种人脸活体检测方法、介质和相关装置 | |
JP2022521038A (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、装置及び電子機器 | |
CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及*** | |
CN112668519A (zh) | 基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及*** | |
CN111695616A (zh) | 基于多模态数据的病灶分类方法及相关产品 | |
Busey et al. | Characterizing human expertise using computational metrics of feature diagnosticity in a pattern matching task | |
Zhao et al. | Trustworthy authorization method for security in Industrial Internet of Things | |
Lucio et al. | Simultaneous iris and periocular region detection using coarse annotations | |
CN115035608A (zh) | 活体检测方法、装置、设备及*** | |
CN115439927A (zh) | 基于机器人的步态监测方法、装置、设备及存储介质 | |
Viedma et al. | Relevant features for gender classification in NIR periocular images | |
CN116205726B (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
CN112818899A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
CN111723869A (zh) | 一种面向特殊人员的行为风险智能预警方法及*** | |
CN115731620A (zh) | 检测对抗攻击的方法和训练对抗攻击检测模型的方法 | |
CN111222374A (zh) | 测谎数据处理方法、装置、计算机设备和存储介质 | |
Dhar et al. | Detecting deepfake images using deep convolutional neural network | |
CN114387674A (zh) | 活体检测方法、***、设备、存储介质及程序产品 | |
CN114004974A (zh) | 对弱光环境下拍摄的图像的优化方法及装置 | |
Veiga et al. | A Federated Learning Approach for Authentication and User Identification based on Behavioral Biometrics | |
CN115116146A (zh) | 活体检测方法、装置、设备及*** | |
Ali et al. | Applying computational intelligence to community policing and forensic investigations |
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 |