一种基于视频分析的活体判别方法及系统技术方案

本发明专利技术实施例公开了基于视频分析的活体判别方法及系统，应用于信息处理技术领域。在本实施例的方法中，基于视频分析的活体判别系统会通过待分析视频的第一特征信息及预置的分类模型得到待分析视频的类型判别参数值，然后根据类型判别参数值确定待分析视频是否属于活体视频。这样不需要与用户进行交互，也不需要配备双摄像头，只需录制一段视频，则基于视频分析的活体判别系统就会根据预置的机器学习模型(包括分类模型和特征提取模型)确定该段视频是否属于活体视频，简化了活体判别过程，方便了活体判别方法在各个领域的应用。

In vivo identification method and system based on video analysis

The embodiment of the invention discloses a living identification method and a system based on video analysis, and is applied to the field of information processing technology. In the method of this embodiment, in vivo video analysis system identification classification model by the first feature information and analysis to the preset video for analysis of video type identification parameters based on Discriminant parameter value is determined according to the type and then to be analyzed whether the video live video. Do not need to interact with users, do not need to be equipped with dual cameras, only need to record a video, live video is based on discriminant analysis system will be based on the preset machine learning model (including classification and feature extraction model) determine the video is a living video, simplified living judgment, convenient living the application of discriminant method in various fields.

【技术实现步骤摘要】
一种基于视频分析的活体判别方法及系统
本专利技术涉及信息处理
，特别涉及一种基于视频分析的活体判别方法及系统。
技术介绍
活体判别技术可以应用于越来越多的领域，比如人脸门禁、闸机、网络银行远程开户等领域的应用。具体地，在人脸门禁、闸机的应用中，需要验证当前用户确实是本栋楼层的合法用户，能够有效抵挡非法用户借用合法用户的照片通过系统的检测。一种现有的活体判别方法，需要在实际应用场景中结合一定的交互，如摇头、眨眼等，当用户按照提示做出正确的交互后，才能通过活体检测，整个活体判别过程较繁琐，且存在用户不配合交互的情况，导致通过率较低，影响用户体验。而另一种基于双目视觉的活体判别方法，是通过双摄像头重建视频中的活体，计算重建三维模型是否在一个平面内，从而判断是否为活体，该方法需要配备双摄像头，且计算量大，不适用于嵌入式和移动端的活体判别。
技术实现思路
本专利技术实施例提供一种基于视频分析的活体判别方法及系统，实现了根据训练的机器学习模型确定待分析视频是否为活体视频。本专利技术实施例提供一种基于视频分析的活体判别方法，包括：根据预置的特征提取模型提取待分析视频的第一特征信息；根据预置的分类模型及所述第一特征信息，计算所述待分析视频对应的类型判别参数值，所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息；根据所述类型判别参数值确定所述待分析视频是否属于活体视频。本专利技术实施例提供一种基于视频分析的活体判别系统，包括：特征提取单元，用于根据预置的特征提取模型提取待分析视频的第一特征信息；参数值计算单元，用于根据预置的分类模型及所述第一特征信息，计算所述待分析视频对应的类型判别参数值，所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息；类型确定单元，用于根据所述类型判别参数值确定所述待分析视频是否属于活体视频。可见，在本实施例的方法中，基于视频分析的活体判别系统会通过待分析视频的第一特征信息及预置的分类模型得到待分析视频的类型判别参数值，然后根据类型判别参数值确定待分析视频是否属于活体视频。这样不需要与用户进行交互，也不需要配备双摄像头，只需录制一段视频，则基于视频分析的活体判别系统就会根据预置的机器学习模型(包括分类模型和特征提取模型)确定该段视频是否属于活体视频，简化了活体判别过程，方便了活体判别方法在各个领域的应用。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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是本专利技术实施例提供的一种基于视频分析的活体判别方法的流程图；图2是本专利技术实施例中提取待分析视频的第一特征信息的方法流程图；图3是本专利技术应用实施例中提取的特征提取模型和分类模型的结构示意图；图4是本专利技术实施例提供的一种基于视频分析的活体判别系统的结构示意图；图5是本专利技术实施例提供的另一种基于视频分析的活体判别系统的结构示意图；图6是本专利技术实施例提供的一种终端设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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，以便这里描述的本专利技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术实施例提供一种基于视频分析的活体判别方法，主要是基于视频分析的活体判别系统所执行的方法，流程图如图1所示，包括：步骤101，根据预置的特征提取模型提取待分析视频的第一特征信息，这里的第一特征信息可以包括时间特征信息和空间特征信息，其中空间特征信息具体是待分析视频包含的多帧图像的像素特征信息。步骤102，根据预置的分类模型及第一特征信息，计算待分析视频对应的类型判别参数值，其中，分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息，这里的计算信息可以是指在将特征信息作为输入计算类型判别参数值的过程中所用到的数学公式和固定参数值等。在本实施例中，预置的特征提取模型和分类模型可以是基于视频分析的活体判别系统对多个已标记活体视频和非活体视频的视频训练样本进行训练得到并储存在系统中的。具体地，特征提取模型可以采用深度学习网络，包括多个参数计算层(比如卷积层，全连接层等)，在系统中可以储存该特征提取模型的数据包括各个参数计算层的计算参数值(比如卷积核信息等)及关系信息(比如参数计算层之间的连接关系)，其中，卷积层可以对视频所包含的多帧图像的时间信息和像素信息进行卷积运算，从而可以得到视频的时间特征信息和像素特征信息，全连接层可以得到卷积层获取的特征信息之间的关联关系。分类模型可以是二分类器，在一种情况下，系统中储存的分类模型的数据可以包括活体视频和非活体视频分别对应的基于特征信息的概率计算信息，包括概率计算公式和固定参数值，这样在执行本步骤102时，可以根据第一特征信息及概率计算信息计算待分析视频属于活体视频的第一概率和属于非活体视频的第二概率。该分类模型具体可以是softmax分类器等，其中，softmax分类器主要是将上述第一特征信息作为输入，并通过softmax函数计算待分析视频属于活体视频的第一概率和属于非活体视频的第二概率，且第一概率与第二概率之和为1。在另一种情况下，系统中储存的分类模型的数据可以包括分别与活体视频和非活体视频的特征信息之间的距离计算信息，包括距离计算公式(可以是欧式距离计算公式等)及活体视频和非活体视频分别对应的特征信息等，这样在执行本步骤102时，可以根据距离计算信息计算上述第一特征信息分别与活体视频的特征信息的第一距离和非活体视频的特征信息的第二距离。该分类模型具体可以采用支持向量机(SupportVectorMachines，SVM)分类器等。步骤103，根据上述步骤102得到的类型判别参数值确定待分析视频是否属于活体视频。一种情况下，如果上述步骤102计算的类型判别参数值为待分析视频属于活体视频的第一概率和属于非活体视频的第二概率，将第一概率和第二概率中较大概率的视频类型(活体视频或非活体视频)作为待分析视频的视频类型，比如属于活体视频的第一概率较大，则该待分析视频属于活体视频。另一种情况下，如果上述步骤102计算的类型判别参数值为第一特征信息分别与活体视频的特征信息的第一距离和非活体视频的特征信息的第二距离，则可以将第一距离和第二距离中较小距离对应的视频类型确本文档来自技高网...

【技术保护点】
一种基于视频分析的活体判别方法，其特征在于，包括：根据预置的特征提取模型提取待分析视频的第一特征信息；根据预置的分类模型及所述第一特征信息，计算所述待分析视频对应的类型判别参数值，所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息；根据所述类型判别参数值确定所述待分析视频是否属于活体视频。

【技术特征摘要】
1.一种基于视频分析的活体判别方法，其特征在于，包括：根据预置的特征提取模型提取待分析视频的第一特征信息；根据预置的分类模型及所述第一特征信息，计算所述待分析视频对应的类型判别参数值，所述分类模型包括活体视频和非活体视频分别对应的基于特征信息的类型判别参数的计算信息；根据所述类型判别参数值确定所述待分析视频是否属于活体视频。2.如权利要求1所述的方法，其特征在于，所述根据预置的特征提取模型提取待分析视频的第一特征信息，具体包括：将所述待分析视频分为多段n帧的子视频，两段相邻的所述子视频之间有m帧的重叠图像，所述n为大于m的自然数；分别根据所述特征提取模型提取所述多段子视频的特征信息；计算所述多段子视频的特征信息的平均值作为所述第一特征信息。3.如权利要求2所述的方法，其特征在于，所述特征提取模型包括卷积层，池化层和全连接层，根据所述特征提取模型提取所述多段子视频中某一子视频的特征信息，具体包括：通过所述卷积层对所述某一子视频的时间信息和像素信息进行卷积计算得到t个维度的时间特征信息和像素特征信息；通过所述池化层将所述t个维度的时间特征信息和像素特征信息进行降维处理得到p个维度的时间特征信息和像素特征信息；通过所述全连接层确定所述p个维度的时间特征信息和像素特征信息之间的关联关系，则所述某一子视频的特征信息包括具有所述关联关系的p个维度的时间特征信息和像素特征信息。4.如权利要求1至3任一项所述的方法，其特征在于，所述分类模型的数据包括活体视频和非活体视频分别对应的基于特征信息的概率计算信息，则所述根据预置的分类模型及第一特征信息，计算所述待分析视频对应的类型判别参数值，具体包括：根据所述第一特征信息及所述概率计算信息计算所述待分析视频属于活体视频的第一概率和属于非活体视频的第二概率；所述根据所述类型判别参数值确定所述待分析视频是否属于活体视频，具体包括：将所述第一概率和第二概率中较大概率的视频类型确定为所述待分析视频的类型。5.如权利要求4所述的方法，其特征在于，所述根据预置的特征提取模型提取待分析视频的第一特征信息之前，所述方法还包括：分别将多个视频训练样本包含的图像的元素值输入到计算网络中计算得到对应的特征信息，所述计算网络包括多个串联的参数计算层，任一参数计算层根据输入信息与对应的计算参数值得到计算结果，并输入到下一参数计算层；其中，在得到一个视频训练样本对应的特征信息后，调整所述计算网络中的各个参数计算层对应的计算参数值，并基于调整后的计算网络得到另一视频训练样本的特征信息，使得另一视频训练样本的特征信息满足收敛条件，则所述特征提取模型为进行所述调整后的计算网络。6.如权利要求5所述的方法，其特征在于，所述方法还包括：根据所述多个视频训练样本中属于活体视频的第一视频训练样本对应的第二特征信息确定活体视频的基于特征信息的第一概率计算信息，使得根据所述第一概率计算信息得到的概率大于0.5；或，根据所述多个视频训练样本中属于非活体视频的第二视频训练样本对应的第三特征信息确定非活体视频的基于特征信息的第二概率计算信息，使得根据所述第二概率计算信息得到的概率大于0.5。7.如权利要求1至3任一项所述的方法，其特征在于，所述分类模型的数据包括分别与活体视频和非活体视频的特征信息之间的距离计算信息，则所述根据预置的分类模型及第一特征信息，计算所述待分析视频对应的类型判别参数值，具体包括：根据所述距离计算信息计算所述第一特征信息分别与活体视频的特征信息的第一距离和非活体视频的特征信息的第二距离；所述根据所述类型判别参数值确定所述待分...

【专利技术属性】
技术研发人员：赵凌，李季檩，
申请(专利权)人：腾讯科技上海有限公司，
类型：发明
国别省市：上海,31