活体多重检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及活体多重检测方法、装置、计算机设备及存储介质，该方法包括获取图像数据；对图像数据进行筛选，以得到待检测图像；将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；判断红外检测结果是否为视频攻击红外图像；若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；判断完整性检测结果是否为面具攻击图像；若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；判断攻击检测结果是否为真人图像；若是，则输出图像数据为真人图像的通知。本发明专利技术实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。

In vivo multiple detection methods, devices, computer equipment and storage media

【技术实现步骤摘要】
活体多重检测方法、装置、计算机设备及存储介质
本专利技术涉及活体检测方法，更具体地说是指活体多重检测方法、装置、计算机设备及存储介质。
技术介绍
人脸识别技术广泛应用于安防和身份验证系统中。目前由于深度学习的发展，人脸比对技术越来越成熟，但是由于缺乏对图像来源的判定，单纯的比对无法判定被检测的对象是否为本人。当拿打印的照片、或者回放的视频攻击识别系统，系统无法判别比对的图像是否来自于真人拍摄还是制作的人脸素材，因此会存在冒充和欺骗等潜在危险。目前存在一些系统，通过在识别之前加入人脸活体检测环节以解决素材攻击的问题，人脸活体检测方式主要分为动作和静默活体两种，一般动作活体通过指令引导用户做出张嘴、眨眼、摇头或者读数字等动作来判别比对个体是否为其本人，动作活体需要用户的配合，用户体验较差，同时无法防止视频的攻击；静默活体则通过图像的纹理、边缘特征来判别是否为活体，用户可以无感知的通过人脸活体检测及比对，但是静默活体容易受到光照的影响同时容易被高清显示介质欺骗，因此需要通过多种不同途径去防止攻击。因此，有必要设计一种新的方法，实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。
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，提供活体多重检测方法、装置、计算机设备及存储介质。为实现上述目的，本专利技术采用以下技术方案：活体多重检测方法，包括：获取图像数据；对图像数据进行筛选，以得到待检测图像；将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；判断所述红外检测结果是否为视频攻击红外图像；若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；判断所述完整性检测结果是否为面具攻击图像；若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；判断所述攻击检测结果是否为真人图像；若是，则输出图像数据为真人图像的通知。其进一步技术方案为：所述对图像数据进行筛选，以得到待检测图像，包括：利用MTCNN算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；计算初步待检测图像的拉普拉斯标准差；筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。其进一步技术方案为：所述红外检测模型是通过带有图像类型标签的真人红外图像和视频攻击红外图像作为样本数据集训练二分类的神经网络所得的。其进一步技术方案为：所述完整性检测模型是通过带有正负标签的待检测图像训练神经网络所得的。其进一步技术方案为：所述完整性检测模型是通过带有正负标签的待检测图像作为样本数据集训练神经网络所得的，包括：根据待检测图像的人脸关键点截取两瞳孔之间的正负样本；构建包含正负样本的数据集；对数据集进行正负标签标定，以得到样本数据集；构建神经网络；将样本数据集的格式转换为lmdb数据格式；将转换后的样本数据集输入至神经网络内进行训练，以得到完整性检测模型。其进一步技术方案为：所述防纸张攻击模型是通过纸张攻击图像数据以及真人人脸图像数据作为样本数据集训练目标检测网络所得的。本专利技术还提供了活体多重检测装置，包括：数据获取单元，用于获取图像数据；筛选单元，用于对图像数据进行筛选，以得到待检测图像；红外检测单元，用于将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；红外判断单元，用于判断所述红外检测结果是否为视频攻击红外图像；完整性检测单元，用于若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；完整性判断单元，用于判断所述完整性检测结果是否为面具攻击图像；攻击检测单元，用于若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；攻击判断单元，用于判断所述攻击检测结果是否为真人图像；输出单元，用于若是，则输出图像数据为真人图像的通知。其进一步技术方案为：所述筛选单元包括：人脸图像形成子单元，用于利用MTCNN算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；剔除子单元，用于根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；计算子单元，用于计算初步待检测图像的拉普拉斯标准差；差值筛选子单元，用于筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。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。本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。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红外检测模型对图像数据进行红外检测，避免视频攻击；利用完整性检测模型进行完整性检测，避免面具攻击；利用防纸张攻击模型进行防纸张攻击检测，避免防纸张攻击；先对图像数据进行预处理后，在经过三个模型进行多重检测，可实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。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活体多重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活体多重检测方法的流程示意图；图3为本专利技术实施例提供的活体多重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活体多重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人脸关键点的布置示意图；图6为本专利技术实施例提供的真人人脸截取的红外示意图；图7为本专利技术实施例提供的视频攻击截取的红外示意图；图8为本专利技术实施例提供的正样本的示意图；图9为本专利技术实施例提供的负样本的示意图；图10为本专利技术实施例提供的活体多重检测装置的示意性框图；图11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活体多重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活体多重检测方法的示意性流程图。该活体多重检测方法应用于服务器中。该服务器与终端进行数据交互，该终端获取图像数据，输入至服务本文档来自技高网...

【技术保护点】
1.活体多重检测方法，其特征在于，包括：获取图像数据；对图像数据进行筛选，以得到待检测图像；将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；判断所述红外检测结果是否为视频攻击红外图像；若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；判断所述完整性检测结果是否为面具攻击图像；若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；判断所述攻击检测结果是否为真人图像；若是，则输出图像数据为真人图像的通知。

【技术特征摘要】
1.活体多重检测方法，其特征在于，包括：获取图像数据；对图像数据进行筛选，以得到待检测图像；将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；判断所述红外检测结果是否为视频攻击红外图像；若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；判断所述完整性检测结果是否为面具攻击图像；若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；判断所述攻击检测结果是否为真人图像；若是，则输出图像数据为真人图像的通知。2.根据权利要求1所述的活体多重检测方法，其特征在于，所述对图像数据进行筛选，以得到待检测图像，包括：利用MTCNN算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；计算初步待检测图像的拉普拉斯标准差；筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。3.根据权利要求1或2所述的活体多重检测方法，其特征在于，所述红外检测模型是通过带有图像类型标签的真人红外图像和视频攻击红外图像作为样本数据集训练二分类的神经网络所得的。4.根据权利要求1或2所述的活体多重检测方法，其特征在于，所述完整性检测模型是通过带有正负标签的待检测图像训练神经网络所得的。5.根据权利要求4所述的活体多重检测方法，其特征在于，所述完整性检测模型是通过带有正负标签的待检测图像作为样本数据集训练神经网络所得的，包括：根据待检测图像的人脸关键点截取两瞳孔之间的正负样本；构建包含正负样本的数据集；对数据集进行正负标签标定，以得到样本数据集；构建神经网络；将样本数据集的格式转换为lmdb数据格式；将转换后的样本数据集输入至神经网络内进行训练，以得到完...

【专利技术属性】
技术研发人员：张欢，李爱林，柯南海，
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