基于视频反光的活体检测方法、装置及计算机设备制造方法及图纸

本发明专利技术涉及基于视频反光的活体检测方法、装置及计算机设备，该方法包括获取待检测图像数据；对待检测图像数据与预训练网络模型特征连接形成的超列特征进行增广，以形成待检测数据；将待检测数据输入卷积神经网络模型中进行处理，以得到待检测反射层图像；对待检测反射层图像进行反光含量计算，以得到反光含量值；判断所述反光含量值是否满足设定条件；若是，则输出待检测图像数据为活体图像数据。本发明专利技术实现对镜面反光的精准估计，并提高泛化性能。

Video Reflective Biopsy Detection Method, Device and Computer Equipment

【技术实现步骤摘要】
基于视频反光的活体检测方法、装置及计算机设备
本专利技术涉及活体检测方法，更具体地说是指基于视频反光的活体检测方法、装置及计算机设备。
技术介绍
活体检测是指用户按照系统指示做出相应的动作，防止用户在一些重要环境下用照片骗过系统完成验证。在用户按照系统提示完成相应动作后，后台对用户完成的动作进行识别，并提示用户活体检测是否通过。人脸活体检测中视频设备攻击时，视频屏幕会造成二次采集图像镜面反射。从反光角度判断图像是否反光是活体检测的一种方法。传统的检测镜面反光方法在还原图像时容易造成颜色失真或者边缘的丢失，进而对反射层估计造成较大的误差。现有的深度学习二分类对于活体检测有一定效果，但是未从本质上检测反光，检测效果不稳定。因此，有必要设计一种新的方法，实现对镜面反光的精准估计，并提高泛化性能。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷，提供基于视频反光的活体检测方法、装置及计算机设备。为实现上述目的，本专利技术采用以下技术方案：基于视频反光的活体检测方法，包括：获取待检测图像数据；对待检测图像数据与预训练网络模型特征连接形成的超列特征进行增广，以形成待检测数据；将待检测数据输入卷积神经网络模型中进行处理，以得到待检测反射层图像；对待检测反射层图像进行反光含量计算，以得到反光含量值；判断所述反光含量值是否满足设定条件；若是，则输出待检测图像数据为活体图像数据。其进一步技术方案为：所述卷积神经网络模型是通过输入的图像与预训练网络模型特征连接形成超列特征进行增广后训练完全卷积网络所得的；所述预训练网络模型特征包括与用ImageNet数据集训练好的VGG-19模型抽取部分层连接形成多维超列特征。其进一步技术方案为：所述卷积神经网络模型是通过输入的图像与预训练网络模型特征连接形成超列特征进行增广后训练完全卷积网络所得的，包括：获取输入的图像；将图像与用ImageNet数据集训练好的VGG-19模型抽取部分层连接形成多维超列特征，以形成样本数据；构建完全卷积网络；构建损失函数；将样本数据输入完全卷积网络内进行卷积处理，以得到预测反射层图像以及预测透射层图像；利用预测反射层图像、预测透射层图像以及损失函数对完全卷积网络进行学习，以得到卷积神经网络模型。其进一步技术方案为：所述损失函数为L(θ)＝Lfeat(θ)+0.25Ladv(θ)，其中，Ladv(θ)为对抗性损失，Lfeat(θ)为判别器损失，生成器为fT(I；θ)，判别器为D，判别器D损失为D(I,x)是给定输入图像I生成的透射图像x的概率，则对抗性损失为其进一步技术方案为：所述对待检测反射层图像进行反光含量计算，以得到反光含量值，包括：对待检测反射层图像转换为灰度图，以得到中间图像；对中间图像进行像素计算，以得到初始像素值；对初始像素值进行均值计算，以得到反光含量值。其进一步技术方案为：所述判断所述反光含量值是否满足设定条件，包括：判断所述反光含量值是否超过第一阈值；若否，则所述反光含量值满足设定条件；若是，则判断所述反光含量值是否超过第二阈值；若否，则所述反光含量值满足设定条件；若是，则所述反光含量值不满足设定条件。本专利技术还提供了基于视频反光的活体检测装置，包括：数据获取单元，用于获取待检测图像数据；增广单元，用于对待检测图像数据与预训练网络模型特征连接形成的超列特征进行增广，以形成待检测数据；处理单元，用于将待检测数据输入卷积神经网络模型中进行处理，以得到待检测反射层图像；计算单元，用于对待检测反射层图像进行反光含量计算，以得到反光含量值；判断单元，用于判断所述反光含量值是否满足设定条件；输出单元，用于若是，则输出待检测图像数据为活体图像数据。其进一步技术方案为：所述装置包括：模型获取单元，用于通过输入的图像与预训练网络模型特征连接形成超列特征作为样本数据训练完全卷积网络，以得到卷积神经网络模型。其进一步技术方案为：所述模型获取单元包括：图像获取子单元，用于获取输入的图像；样本数据形成子单元，用于将所述图像与用ImageNet数据集训练好的VGG-19模型抽取部分层连接形成多维超列特征，以形成样本数据；网络构建子单元，用于构建完全卷积网络。损失函数构建子单元，用于构建损失函数；卷积处理子单元，用于将样本数据输入完全卷积网络内进行卷积处理，以得到预测反射层图像以及预测透射层图像；学习子单元，用于利用预测反射层图像、预测透射层图像以及损失函数对完全卷积网络进行学习，以得到卷积神经网络模型。本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。本专利技术与现有技术相比的有益效果是：本专利技术通过利用图像与用ImageNet数据集训练好的VGG-19模型抽取的部分层连接形成多维超列特征作为最终的增广输入数据训练完全卷积网络，使之成为能够分离出任一图像的反射层图像的模型，利用该模型对待检测图像分离出反射层图像，对反射层图像进行反光含量计算，根据设定的阈值与计算所得的反光含量值进行对比，进而达到判断活体的目的，实现对镜面反光的精准估计，并提高泛化性能。下面结合附图和具体实施例对本专利技术作进一步描述。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于视频反光的活体检测方法的应用场景示意图；图2为本专利技术实施例提供的基于视频反光的活体检测方法的流程示意图；图3为本专利技术实施例提供的基于视频反光的活体检测方法的子流程示意图；图4为本专利技术实施例提供的基于视频反光的活体检测方法的子流程示意图；图5为本专利技术实施例提供的基于视频反光的活体检测方法的子流程示意图；图6为本专利技术实施例提供的基于视频反光的活体检测装置的示意性框图；图7为本专利技术实施例提供的计算机设备的示意性框图。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做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。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1和图2，图1为本专利技术实施例提供的基于视频反光的活体检测方法的应用场景示意图。图2为本专利技术实施例提供的基于视频反光的活体检测方法的示意性流程图。该基于视频反光的活体检测方法应用于本文档来自技高网...

【技术保护点】
1.基于视频反光的活体检测方法，其特征在于，包括：获取待检测图像数据；对待检测图像数据与预训练网络模型特征连接形成的超列特征进行增广，以形成待检测数据；将待检测数据输入卷积神经网络模型中进行处理，以得到待检测反射层图像；对待检测反射层图像进行反光含量计算，以得到反光含量值；判断所述反光含量值是否满足设定条件；若是，则输出待检测图像数据为活体图像数据。

【技术特征摘要】
1.基于视频反光的活体检测方法，其特征在于，包括：获取待检测图像数据；对待检测图像数据与预训练网络模型特征连接形成的超列特征进行增广，以形成待检测数据；将待检测数据输入卷积神经网络模型中进行处理，以得到待检测反射层图像；对待检测反射层图像进行反光含量计算，以得到反光含量值；判断所述反光含量值是否满足设定条件；若是，则输出待检测图像数据为活体图像数据。2.根据权利要求1所述的基于视频反光的活体检测方法，其特征在于，所述卷积神经网络模型是通过输入的图像与预训练网络模型特征连接形成超列特征进行增广后训练完全卷积网络所得的；所述预训练网络模型特征包括与用ImageNet数据集训练好的VGG-19模型抽取部分层连接形成多维超列特征。3.根据权利要求2所述的基于视频反光的活体检测方法，其特征在于，所述卷积神经网络模型是通过输入的图像与预训练网络模型特征连接形成超列特征进行增广后训练完全卷积网络所得的，包括：获取输入的图像；将图像与用ImageNet数据集训练好的VGG-19模型抽取部分层连接形成多维超列特征，以形成样本数据；构建完全卷积网络；构建损失函数；将样本数据输入完全卷积网络内进行卷积处理，以得到预测反射层图像以及预测透射层图像；利用预测反射层图像、预测透射层图像以及损失函数对完全卷积网络进行学习，以得到卷积神经网络模型。4.根据权利要求3所述的基于视频反光的活体检测方法，其特征在于，所述损失函数为L(θ)＝Lfeat(θ)+0.25Ladv(θ)，其中，Ladv(θ)为对抗性损失，Lfeat(θ)为判别器损失，生成器为fT(I；θ)，判别器为D，判别器D损失为D(I,x)是给定输入图像I生成的透射图像x的概率，则对抗性损失为5.根据权利要求1至4任一项所述的基于视频反光的活体检测方法，其特征在于，所述对待检测反射层图像进行反光含量计算，以得到反光含量值，包括：对待检测反射层图像转换为灰度图，以得到中间图像；对中间图像进行像素计算，以得到初始像素值；对初始像素...

【专利技术属性】
技术研发人员：张欢，李爱林，赵士红，
申请(专利权)人：深圳市华付信息技术有限公司，
类型：发明
国别省市：广东,44