目标检测方法及装置制造方法及图纸

本发明专利技术实施例提供了目标检测方法及装置，所述方法包括：确定出目标图像的质量类别；确定出与目标图像的质量类别相对应的质量类别的卷积神经网络；根据相对应的质量类别的卷积神经网络，确定出目标图像的真目标检测值；根据目标图像的真目标检测值，确定出目标图像中的目标是否为真目标。本发明专利技术实施例中，既不需要用户执行指定动作，又可以在多种硬件条件、和/或应用场景下为每个目标图像选择了与其质量类别更为契合的卷积神经网络，可得到更为精确的真目标检测值；更为精确地确定出目标图像中的目标是否为真目标，增强了检测目标图像中的真假目标的鲁棒性。 1

Target detection method and device

The embodiment of the invention provides a target detection method and device. The method includes: determining the quality category of the target image, determining the convolution neural network of the quality category corresponding to the quality category of the target image, and determining the true target detection of the target image according to the convolution neural network of the corresponding quality category. According to the true target detection value of the target image, we determine whether the target in the target image is a true target. In the embodiment of the invention, a convolution neural network which is more accurate for the target image can be obtained, and the target in the target image is more accurately determined by selecting a convolution neural network which is more compatible with the quality category for each target image in a variety of hardware conditions and / or application scenes. If it is true, it enhances the robustness of detecting true and false targets in target images. One

【技术实现步骤摘要】
目标检测方法及装置
本专利技术涉及计算机视觉
，具体而言，本专利技术涉及一种目标检测方法及装置。
技术介绍
目标的活体检测是计算机视觉和图像处理领域的重要内容，当检测出图像中的目标为活体目标时，确定该目标为真目标。以目标检测中的人脸检测为例，基于人脸检测和识别的系统已进入实用阶段，例如可以应用于手机解锁、和移动支付等场景。传统的目标检测方法通常是要求用户通过终端设备的拍摄装置获取目标图像，当确定出获取的目标图像中包含目标时，默认该目标为活体目标，进而进行解锁或支付等操作。然而，传统的目标检测方法容易遭受不同形式的欺骗攻击。常见的欺骗攻击手段包括：纸质打印图像攻击、照片攻击、屏幕图像攻击、屏幕视频攻击、3D打印攻击等等。以纸质打印图像攻击为例，其攻击原理为：利用打印出的包含目标的纸质图像冒充真实的目标，对准终端设备的拍摄装置，导致终端设备很可能将包含目标的纸质图像误判定为真实的目标，从而很容易导致误解锁或误支付等严重后果。如何能够获取稳定有效的特征来进行真假目标的判别，一直是目标检测研究领域的重点和难点问题。根据是否需要用户的配合，可以将现有的目标检测方法分为两大类：侵入式目标检测方法、和非侵入式目标检测方法。现有的侵入式目标检测方法需要依赖用户的配合，用户根据软件的提示做出诸如眨眼、摇头、或微笑等指定的动作，进而对该指定的动作进行识别，以此做为真目标检测的依据。然而，这类方法在实际应用中存在识别步骤较为繁琐、耗时较长、和/或需要用户作出额外的指定动作导致用户体验较差等缺点。例如，用户在公共场合对准终端设备的拍摄装置逐一进行眨眼、摇头和微笑等指定动作，容易导致其他人员对该用户的精神状态产生误解，很容易给用户带来麻烦。现有的非侵入式目标检测方法，通常是通过终端设备的拍摄装置获取的图像或视频信息并从中直接提取相应的特征，根据提取出的特征确定出获取的图像或视频中的目标为真假目标。具体的，根据所使用的特征类型，又可以包括基于人工设计特征的目标检测方法。基于人工设计特征的目标检测方法，主要利用设计者在相关计算机视觉和图像处理研究领域的经验，设计一定的客观算法提取图像或视频的特征，对于不同设备和应用场景，提取特征的方法是一样的。然而，由于不同终端设备的拍摄装置存在性能差异，所拍摄生成的目标图像存在差异；例如有的图像的曝光略微过度，色调偏红；有的图像的色彩还原较为真实。现有的基于人工设计特征的目标检测方法，基于同一提取特征的方法提取出的特征，在复杂多变的多种实际场景中，很容易产生真假目标的误检测，导致这类目标检测方法的鲁棒性较差。例如基于人工设计的类似局部二值模式(Localbinarypattern,LBP)等特征的提取方法，只考虑图像的局部纹理信息。但在实际的目标检测中，如低光照、或逆光等条件下的图像与正常光照条件下的图像之间存在差异，基于这类特征的目标检测方法通常不能在低光照、或逆光等条件下有效地区分出真假目标。综上，现有的目标检测方法存在需要用户执行指定动作、或者对不同硬件条件应用场景下的目标图像容易产生真假目标误检测的缺陷。
技术实现思路
本专利技术针对现有方式的缺点，提出一种目标检测方法及装置，用以解决现有技术存在需要用户执行指定动作、或者对不同硬件条件应用场景下的目标图像容易产生真假目标误检测的问题，以帮助用户节省执行指定动作的步骤，并对多种硬件条件、和/或应用场景下获取的目标图像作出更为精确的真假目标的检测。本专利技术的实施例根据一个方面，提供了一种目标检测方法，包括：确定出目标图像的质量类别；确定出与所述目标图像的质量类别相对应的质量类别的卷积神经网络；根据所述相对应的质量类别的卷积神经网络，确定出所述目标图像的真目标检测值；根据所述目标图像的真目标检测值，确定出所述目标图像中的目标是否为真目标。本专利技术的实施例根据另一个方面，还提供了一种目标检测装置，包括：图像质量类别确定模块，用于确定出目标图像的质量类别；卷积神经网络确定模块，用于确定出与所述目标图像的质量类别相对应的质量类别的卷积神经网络；真目标检测值确定模块，用于根据所述相对应的质量类别的卷积神经网络，确定出所述目标图像的真目标检测值；真假目标确定模块，用于根据所述目标图像的真目标检测值，确定出所述目标图像中的目标是否为真目标。本专利技术实施例中，确定出每个目标图像的质量类别后，进而确定出与该目标图像的质量类别相对应的质量类别的卷积神经网络，相当于为每个目标图像选择了与其质量类别更为契合的卷积神经网络；根据更为契合的卷积神经网络，可以更为精确地对每个目标图像进行检测，得到更为精确的真目标检测值；根据更为精确的真目标检测值，可以更为精确地确定出目标图像中的目标是否为真目标。从而本专利技术实施例，既不需要用户执行指定动作，又可以对多种硬件条件、和/或应用场景下获取的目标图像作出更为精确的真假目标的检测，增强了检测目标图像中的真假目标的鲁棒性。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例的目标检测方法的流程示意图；图2a为本专利技术实施例的级联卷积神经网络的训练方法的流程示意图图；图2b为本专利技术实施例的一个质量类别的级联卷积神经网络的一个实例的结构和原理示意图；图2c为本专利技术实施例的一级卷积神经网络的结构和原理示意图；图3a为本专利技术实施例的展开后的目标检测方法的流程示意图；图3b为本专利技术实施例的确定出当前帧目标图像的综合的真目标检测值的一个实例的示意图；图4为本专利技术实施例的目标检测装置的内部结构的框架示意图；图5和图6都为本专利技术实施例进行真假目标检测对比实验的实例的示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本
技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：确定出目标图像的质量类别；确定出与所述目标图像的质量类别相对应的质量类别的卷积神经网络；根据所述相对应的质量类别的卷积神经网络，确定出所述目标图像的真目标检测值；根据所述目标图像的真目标检测值，确定出所述目标图像中的目标是否为真目标。2.根据权利要求1所述的方法，其特征在于，所述确定出与所述目标图像的质量类别相对应的质量类别的卷积神经网络，包括：确定出与所述目标图像的质量类别相对应的质量类别的级联卷积神经网络；以及所述根据所述相对应的质量类别的卷积神经网络，确定出所述目标图像的真目标检测值，包括：根据所述相对应的质量类别的级联卷积神经网络，确定出所述目标图像的真目标检测值。3.根据权利要求1或2所述的方法，其特征在于，所述确定出目标图像的质量类别，包括：对所述目标图像进行盲图像质量评价，得到所述目标图像的图像质量值；根据所述目标图像的图像质量值，确定出所述目标图像的质量类别。4.根据权利要求3所述的方法，其特征在于，所述对所述目标图像进行盲图像质量评价，得到所述目标图像的图像质量值，包括：确定出所述目标图像的拍摄参数和属性参数；以及所述根据所述目标图像的图像质量值，确定出所述目标图像的质量类别，包括：根据所述目标图像的拍摄参数和属性参数、以及预设的拍摄参数和属性参数的质量类别划分标准，确定出所述目标图像的质量类别。5.根据权利要求2-4中任一项所述的方法，其特征在于，通过下述方法预先训练得到所述级联卷积神经网络：确定出多个样本图像的质量类别；根据每个质量类别的多个样本图像，训练出该质量类别的级联卷积神经网络。6.根据权利要求2-5中任一项所述的方法，其特征在于，所述根据所述相对应的质量类别的级联卷积神经网络，确定出所述目标图像的真目标检测值，包括：根据所述相对应的质量类别的级联卷积神经网络中的至少二级卷积神经网络和至少一级阈值判断层，确定出所述目标图像的每一级的真目标检测值；其中，所述目标图像的当前级的真目标检测值的确定过程包括：根据所述当...

【专利技术属性】
技术研发人员：徐静涛，汪彪，安耀祖，钱德恒，兪炳仁，韩在濬，崔昌圭，
申请(专利权)人：北京三星通信技术研究有限公司，三星电子株式会社，
类型：发明
国别省市：北京,11