活体检测方法及装置制造方法及图纸

本说明书一个或多个实施例公开了一种活体检测方法及装置，用以实现活体检测的高效性及高准确度。所述方法包括：利用预先训练的活体特征模型，提取待检测对象的特征信息；将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一样本攻击对象的样本特征；根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。

Living detection method and device

【技术实现步骤摘要】
活体检测方法及装置
本文件涉及信息检测
，尤其涉及一种活体检测方法及装置。
技术介绍
人脸识别的普及使得人们对于人脸识别系统的安全性有了更高的要求。为了防止人脸识别系统被照片、视频等方式攻破，提高人脸识别系统的安全性，活体检测算法成为了人脸识别系统中必不可少的一环。目前的活体检测算法大多是基于分类的，例如给定一张输入图片样本，算法会给出该样本的分类概率，当该样本被分为攻击的概率大于该样本被分为活体的概率时，人脸识别将被视为攻击处理。此类算法往往通过大量有标注的活体-攻击数据集进行二分类训练得到，因此此类算法的性能严重依赖大量的训练数据，对于训练数据中较少或者未出现过的攻击类型，算法往往无法很好拦截。此外，当人脸识别系统被新的攻击攻破以后，此类算法需要通过长时间的重新训练和优化才能覆盖之前攻破识别系统的新的攻击。可见，目前的活体检测算法无法快速更新，导致对新的攻击的检测准确率较低。
技术实现思路
本说明书一个或多个实施例的目的是提供一种活体检测方法及装置，用以实现活体检测的高效性及高准确度。为解决上述技术问题，本说明书一个或多个实施例是这样实现的：一方面，本说明书一个或多个实施例提供一种活体检测方法，包括：利用预先训练的活体特征模型，提取待检测对象的特征信息；将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一攻击样本的样本特征；>根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。另一方面，本说明书一个或多个实施例提供一种活体检测装置，包括：第一提取模块，利用预先训练的活体特征模型，提取待检测对象的特征信息；匹配模块，将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一攻击样本的样本特征；判断模块，根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。再一方面，本说明书一个或多个实施例提供一种活体检测设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：利用预先训练的活体特征模型，提取待检测对象的特征信息；将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一样本攻击对象的样本特征；根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。再一方面，本说明书一个或多个实施例提供一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：利用预先训练的活体特征模型，提取待检测对象的特征信息；将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一攻击样本的样本特征；根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。采用本说明书一个实施例的技术方案，由于该技术方案将待检测对象的特征信息直接与攻击样本集中的攻击样本特征进行匹配，且攻击样本集的建立或更新只需提取攻击样本的样本特征即可，因此相较于二分类算法需依赖大量样本数据进行训练、更新速度慢的特点而言，攻击样本集的更新速度快，更新过程简单，从而使活体检测的结果更加准确，避免因新的攻击类型无法及时训练而导致无法检测的问题。附图说明为了更清楚地说明本说明书一个或多个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一个或多个实施例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是根据本说明书一实施例的一种活体检测方法的示意性流程图；图2是根据本说明书具体一实施例的一种活体检测方法的示意性流程图；图3是根据本说明书一实施例的一种活体检测方法中各特征信息的示意性表征图；图4是根据本说明书一实施例的一种活体检测装置的示意性框图；图5是根据本说明书一实施例的一种活体检测设备的示意性框图。具体实施方式本说明书一个或多个实施例提供一种活体检测方法及装置，用以实现活体检测的高效性及高准确度。为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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。基于本说明书一个或多个实施例，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，都应当属于本文件保护的范围。图1是根据本说明书一实施例的一种活体检测方法的示意性流程图，如图1所示，该方法包括：S102，利用预先训练的活体特征模型，提取待检测对象的特征信息。其中，活体特征模型可用于提取待检测对象的特征信息，以及提取各样本(包括活体样本和/或攻击样本)的特征信息。活体特征模型的训练方法将在后续实施例中详细说明。活体即非攻击对象，如真实证件、位于指定拍摄区域内的动态人脸图像等；攻击对象指针对活体伪造的对象，如针对真实证件伪造的电子伪造证件、物理伪造证件；针对动态人脸图像伪造的人脸照片或视频等。S104，将待检测对象的特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定待检测对象的特征信息与第一攻击样本特征之间的匹配度。其中，第一攻击样本特征指预先利用活体特征模型提取的第一攻击样本的样本特征。S106，根据待检测对象的特征信息与第一攻击样本特征之间的匹配度，判断待检测对象是否为活体。由于攻击样本集中包括多个第一攻击样本特征，因此可确定出待检测对象的特征信息与第一攻击样本特征之间的多个匹配度。针对该多个匹配度，可选择出其中的最高匹配度，并将最高匹配度与预设阈值进行比对，若待检测对象的特征信息与第一攻击样本特征之间的最高匹配度大于或等于预设阈值，则确定待检测对象为攻击对象；反之，若待检测对象的特征信息与第一攻击样本特征之间的最高匹配度小于预设阈值，则确定待检测对象为活体。采用本说明书一个或多个实施例的技术方案，通过利用预先训练的活体特征模型提取待检测对象的特征信息；将特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定特征信息与第一攻击样本特征之间的匹配度；进而根据特征信息与第一攻击样本特征之间的匹配度判断待检测对象是否为活体。由于该技术方案将待本文档来自技高网...

【技术保护点】
1.一种活体检测方法，包括：/n利用预先训练的活体特征模型，提取待检测对象的特征信息；/n将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一攻击样本的样本特征；/n根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。/n

【技术特征摘要】
1.一种活体检测方法，包括：
利用预先训练的活体特征模型，提取待检测对象的特征信息；
将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度；其中，所述第一攻击样本特征指预先利用所述活体特征模型提取的第一攻击样本的样本特征；
根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体。


2.根据权利要求1所述的方法，所述根据所述特征信息与所述第一攻击样本特征之间的匹配度，判断所述待检测对象是否为活体，包括：
根据所述特征信息与所述攻击样本特征之间的匹配度，确定所述特征信息与所述第一攻击样本特征之间的最高匹配度；
若所述特征信息与所述第一攻击样本特征之间的最高匹配度大于或等于预设阈值，则确定所述待检测对象为攻击对象；
若所述特征信息与所述第一攻击样本特征之间的最高匹配度小于所述预设阈值，则确定所述待检测对象为活体。


3.根据权利要求1所述的方法，按照以下步骤训练所述活体特征模型：
基于采集的第二攻击样本及活体样本进行特征学习，得到所述活体特征模型；所述活体特征模型用于提取所述待检测对象的特征信息。


4.根据权利要求3所述的方法，所述基于采集的第二攻击样本及活体样本进行特征学习，得到所述活体特征模型，包括：
确定二分类训练模型；
将所述第二攻击样本和所述活体样本分别作为所述二分类训练模型的两类输入数据进行训练；
当训练结果达到预设收敛条件时，得到所述活体特征模型。


5.根据权利要求1所述的方法，按照以下步骤建立所述攻击样本集：
利用所述活体特征模型，提取采集到的所述第一攻击样本的样本特征，得到所述攻击样本集。


6.根据权利要求1所述的方法，所述匹配度包括相似度；
所述将所述特征信息与攻击样本集中的第一攻击样本特征进行匹配，以确定所述特征信息与所述第一攻击样本特征之间的匹配度，包括：
利用指定的向量距离算法，计算所述特征信息与所述第一攻击样本特征之间的向量距离；
根据所述向量距离，确定所述特征信息与所述第一攻击样本特征之间的相似度。


7.根据权利要求6所述的方法，所述向量距离包括欧氏距离、余弦距离、马氏距离、混合距离中的至少一项。


8.根据权利要求1所述的方法，还包括：
按照预设采集频率采集第三攻击样本；
利用所述活体特征模型提取所述第三攻击样本的样本特征；
将所述第三攻击样本的样本特征添加至所述攻击样本集中，以更新所述攻击样本集。


9.根据权利要求1所述的方法，还包括：
若确定所述待检测对象为攻击对象，则将所述待检测对象的特征信息添加至所述攻击样本集中，以更新所述攻击样本集。


10.一种活...

【专利技术属性】
技术研发人员：曹佳炯，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY