活体检测方法、装置及系统制造方法及图纸

本发明专利技术提供了一种活体检测方法、装置及系统，涉及图像检测技术领域，包括：获取标注有活体标签的活体样本数据和标注有攻击标签的攻击样本数据；基于活体样本数据和攻击样本数据对待训练的检测模型进行训练，得到完成训练的检测模型；当接收到待检测的目标人脸数据时，通过完成训练的检测模型对目标人脸数据进行活体检测，得到活体检测结果。本发明专利技术可以提高活体检测的效率，简化活体检测的难度。

Methods, devices and systems of in vivo detection

【技术实现步骤摘要】
活体检测方法、装置及系统
本专利技术涉及图像检测
，尤其是涉及一种活体检测方法、装置及系统。
技术介绍
随着人脸识别技术在金融、门禁、移动设备等日常生活中的广泛应用，人脸防伪/活体检测(FaceAnti-Spoofing)技术在近年来得到了越来越多的关注。人脸识别核心的技术为人脸验证，但是在人脸验证之前需要预先判别这张人脸是不是真人活体脸，对于合成的、或者他人照片来攻击算法的，应该予以拒绝。目前最普遍的攻击方式是照片攻击和视频回放攻击。照片攻击是利用目标对象的一张照片直接进行识别算法的攻击；视频回放攻击是先采集到目标对象的一些视频片段，然后进行算法的攻击。然而，针对上述攻击方式还缺少较为有效的活体检测方法。
技术实现思路
本专利技术的目的在于提供活体检测方法、装置及系统，以提高活体检测的效率，简化活体检测的难度。本专利技术提供的一种活体检测方法，包括：获取标注有活体标签的活体样本数据和标注有攻击标签的攻击样本数据；基于所述活体样本数据和所述攻击样本数据对待训练的检测模型进行训练，得到完成训练的检测模型；当接收到待检测的目标人脸数据时，通过完成训练的检测模型对所述目标人脸数据进行深度检测，得到所述目标人脸数据中平面区域的比例，并基于得到的平面区域的比例确定所述目标人脸数据对应的活体检测结果；其中，所述平面区域为所述目标人脸数据中特征点的深度信息小于预设深度阈值的图像区域。进一步的，获取标注有攻击标签的攻击样本数据的步骤，包括：获取攻击样本对；其中，所述攻击样本对包括两张不同人脸偏转角度的训练人脸图像；检测所述训练人脸图像的全局特征点，并基于检测到的特征点的二维坐标确定所述特征点的深度信息；基于所述特征点的二维坐标和深度信息生成所述训练人脸图像对应的人脸三维点云数据；对所述人脸三维点云数据标注攻击标签，并将标注有所述攻击标签的人脸三维点云数据作为攻击样本数据。进一步的，所述基于检测到的特征点的二维坐标确定所述特征点的深度信息的步骤，包括：计算两张所述训练人脸图像中每两个所述特征点之间的距离值，并基于计算的距离值确定特征点对；根据所述特征点对中特征点的二维坐标和对极几何约束算法确定两张所述训练人脸图像之间相对的旋转角度和平移变量；根据三角化算法和两张所述训练人脸图像之间相对的旋转角度和平移变量，确定所述特征点对中特征点的深度信息。进一步的，所述计算两张所述训练人脸图像中所述特征点之间的距离值的步骤，包括：根据如下算式计算两张所述训练人脸图像中所述特征点之间的距离值：其中，h1,i为第一训练人脸图像中特征点i的描述子，h2,i为第二训练人脸图像中特征点i的描述子，dist(h1,i,h2,i)为特征点h1,i和特征点h2,i之间的距离值，128表示预设的特征点总数量。进一步的，所述基于计算的距离值确定特征点对的步骤，包括：将计算的距离值小于距离阈值的两个特征点确定为候选特征点对；根据RANSAC算法对所述候选特征点对进行优化，得到最终的特征点对。进一步的，所述基于所述活体样本数据和所述攻击样本数据对待训练的检测模型进行训练的步骤，包括：将所述活体样本数据和所述攻击样本数据输入至待训练的检测模型；通过所述待训练的检测模型对所述活体样本数据进行活体检测，得到所述活体样本数据属于活体数据的第一概率值；通过所述待训练的检测模型对所述攻击样本数据进行活体检测，得到所述攻击样本数据属于攻击数据的第二概率值；根据所述活体标签和所述攻击标签对所述待训练的检测模型的参数进行调整，直至所述第一概率值达到预设的第一概率阈值且所述第二概率值达到预设的第二概率阈值时，确定训练结束，得到完成训练的检测模型。进一步的，所述基于得到的平面区域的比例确定所述目标人脸数据对应的活体检测结果的步骤，包括：将得到的平面区域的比例与预设的比例阈值进行比较，当比较结果为所述平面区域的比例大于所述比例阈值时，确定所述目标人脸数据对应的活体检测结果为所述目标人脸数据为攻击数据。本专利技术提供的一种活体检测装置，包括：样本数据获取模块，用于获取标注有活体标签的活体样本数据和标注有攻击标签的攻击样本数据；模型训练模块，用于基于所述活体样本数据和所述攻击样本数据对待训练的检测模型进行训练，得到完成训练的检测模型；活体检测模块，用于当接收到待检测的目标人脸数据时，通过完成训练的检测模型对所述目标人脸数据进行深度检测，得到所述目标人脸数据中平面区域的比例，并基于得到的平面区域的比例确定所述目标人脸数据对应的活体检测结果；其中，所述平面区域为所述目标人脸数据中特征点的深度信息小于预设深度阈值的图像区域。本专利技术提供的一种活体检测系统，所述系统包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行上述的方法。本专利技术提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。本专利技术实施例提供了一种活体检测方法、装置及系统，通过首先获取标注有活体标签的活体样本数据和标注有攻击标签的攻击样本数据；然后基于活体样本数据和攻击样本数据对待训练的检测模型进行训练，得到完成训练的检测模型；最后当接收到待检测的目标人脸数据时，通过完成训练的检测模型对目标人脸数据进行深度检测，得到目标人脸数据中平面区域的比例，并基于得到的平面区域的比例确定所述目标人脸数据对应的活体检测结果；其中，平面区域为所述目标人脸数据中特征点的深度信息小于预设深度阈值的图像区域。上述实施例提供的活体检测方式，通过首先训练能够检测活体数据和攻击数据的检测模型，然后在实际生产中直接利用该训练好的检测模型对目标人脸数据进行深度检测，深度信息能够较好地反应被测对象的三维空间特性，从而利用由深度信息确定的平面区域进行活体检测，可以较准确地区分三维空间中的真实对象和二维图像中的平面对象，有效提高了活体检测的效率，并简化活体检测的难度。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，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检测方法流程图；图2为本专利技术实施例提供的特征点对的示意图；图3为本专利技术实施例提供的三角化算法的示意图；图4为本专利技术实施例提供的活体检测装置的结构框图；图5为本专利技术实施例提供的活体检测系统的结构示意图。具体实施方式下面将结合实施例对本专利技术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。目前在人脸的活体检测中，针对照片攻击和视频回放攻击等攻击算法，还缺少较为有效的活体检测方法，基于此，本专利技术实本文档来自技高网...

【技术保护点】
1.一种活体检测方法，其特征在于，包括：/n获取标注有活体标签的活体样本数据和标注有攻击标签的攻击样本数据；/n基于所述活体样本数据和所述攻击样本数据对待训练的检测模型进行训练，得到完成训练的检测模型；/n当接收到待检测的目标人脸数据时，通过完成训练的检测模型对所述目标人脸数据进行深度检测，得到所述目标人脸数据中平面区域的比例，并基于得到的平面区域的比例确定所述目标人脸数据对应的活体检测结果；其中，所述平面区域为所述目标人脸数据中特征点的深度信息小于预设深度阈值的图像区域。/n

【技术特征摘要】
1.一种活体检测方法，其特征在于，包括：
获取标注有活体标签的活体样本数据和标注有攻击标签的攻击样本数据；
基于所述活体样本数据和所述攻击样本数据对待训练的检测模型进行训练，得到完成训练的检测模型；
当接收到待检测的目标人脸数据时，通过完成训练的检测模型对所述目标人脸数据进行深度检测，得到所述目标人脸数据中平面区域的比例，并基于得到的平面区域的比例确定所述目标人脸数据对应的活体检测结果；其中，所述平面区域为所述目标人脸数据中特征点的深度信息小于预设深度阈值的图像区域。


2.根据权利要求1所述的方法，其特征在于，获取标注有攻击标签的攻击样本数据的步骤，包括：
获取攻击样本对；其中，所述攻击样本对包括两张不同人脸偏转角度的训练人脸图像；
检测所述训练人脸图像的全局特征点，并基于检测到的特征点的二维坐标确定所述特征点的深度信息；
基于所述特征点的二维坐标和深度信息生成所述训练人脸图像对应的人脸三维点云数据；
对所述人脸三维点云数据标注攻击标签，并将标注有所述攻击标签的人脸三维点云数据作为攻击样本数据。


3.根据权利要求2所述的方法，其特征在于，所述基于检测到的特征点的二维坐标确定所述特征点的深度信息的步骤，包括：
计算两张所述训练人脸图像中每两个所述特征点之间的距离值，并基于计算的距离值确定特征点对；
根据所述特征点对中特征点的二维坐标和对极几何约束算法确定两张所述训练人脸图像之间相对的旋转角度和平移变量；
根据三角化算法和两张所述训练人脸图像之间相对的旋转角度和平移变量，确定所述特征点对中特征点的深度信息。


4.根据权利要求3所述的方法，其特征在于，所述计算两张所述训练人脸图像中所述特征点之间的距离值的步骤，包括：
根据如下算式计算两张所述训练人脸图像中所述特征点之间的距离值：



其中，h1,i为第一训练人脸图像中特征点i的描述子，h2,i为第二训练人脸图像中特征点i的描述子，dist(h1,i,h2,i)为特征点h1,i和特征点h2,i之间的距离值，128表示预设的特征点总数量。


5.根据权利要求3所述的方法，其特征在于，所述基于计算的距离值确定特征点对的步骤，包括：
将计算的距离值小于距离阈值的...

【专利技术属性】
技术研发人员：马玉，张珅哲，
申请(专利权)人：上海骏聿数码科技有限公司，
类型：发明
国别省市：上海;31