活体检测方法及装置制造方法及图纸

本申请实施例提供了一种活体检测方法及装置，该方法包括：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；针对每张脸部相关图像，使用与该脸部相关图像对应的活体检测模型计算该脸部相关图像所对应的活体检测分值；根据得到的各个活体检测分值确定待检测用户是否为活体用户；其中，多个拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于第一设定值和第二设定值之间的中拍摄距离。

Living detection method and device

【技术实现步骤摘要】
活体检测方法及装置
本申请涉及计算机
，尤其涉及一种活体检测方法及装置。
技术介绍
近年来，随着人工智能技术的快速发展，基于人的脸部特征信息进行身份识别的人脸识别技术在身份认证领域得到了广泛的应用，例如，在账户注册、支付、小区门禁等场景下都可以通过人脸识别进行身份认证。人脸识别技术的应用，大大简化了身份识别场景的操作流程，带来了很大的便利。但是，随着人脸识别的广泛应用，一些欺诈分子则通过将3D人脸面具、3D打印面具等假人脸贴在脸部进行欺诈行为，从而给人们带来安全隐患。因此，如何有效的识别用户在进行身份认证时是否使用了假人脸成为当前亟需解决的技术问题。
技术实现思路
本说明书实施例的目的是提供一种活体检测方法及装置，以解决现有技术中无法有效识别用户在进行身份认证时是否使用了假人脸的问题。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供了一种活体检测方法，包括：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；针对每张所述脸部相关图像，使用该脸部相关图像所对应的活体检测模型计算所述脸部相关图像所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；根据各个所述活体检测分值确定所述待检测用户是否为活体用户。本说明书实施例还提供了一种活体检测方法，包括：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；将所述多张脸部相关图像输入至同一个神经卷积网络CNN模型中，通过所述CNN模型对所述多张脸部相关图像进行融合处理，并计算所述待检测用户所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；根据所述活体检测分值检测所述待检测用户是否为活体用户。本说明书实施例还提供了一种活体检测装置，包括：第一获取模块，获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；计算模块，针对每张所述脸部相关图像，使用该脸部相关图像对应的活体检测模型计算所述脸部相关图像所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；确定模块，根据各个所述活体检测分值确定所述待检测用户是否为活体用户。本说明书实施例还提供了一种活体检测装置，包括：第二获取模块，获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；处理模块，将所述多张脸部相关图像输入至同一个神经卷积网络CNN模型中，通过所述CNN模型对所述多张脸部相关图像进行融合处理，并计算所述待检测用户所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；检测模块，根据所述活体检测分值确定所述待检测用户是否为活体用户。本说明书实施例还提供了一种活体检测设备，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：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；针对每张所述脸部相关图像，使用该脸部相关图像对应的活体检测模型计算所述脸部相关图像所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；根据各个所述活体检测分值确定所述待检测用户是否为活体用户。本说明书实施例还提供了一种活体检测设备，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：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；将所述多张脸部相关图像输入至同一个神经卷积网络CNN模型中，通过所述CNN模型对所述多张脸部相关图像进行融合处理，并计算所述待检测用户所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；根据所述活体检测分值检测所述待检测用户是否为活体用户。本说明书实施例还提供了一种存储介质，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：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；针对每张所述脸部相关图像，使用该脸部相关图像对应的活体检测模型计算所述脸部相关图像所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；根据各个所述活体检测分值确定所述待检测用户是否为活体用户。本说明书实施例还提供了一种存储介质，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：获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；将所述多张脸部相关图像输入至同一个神经卷积网络CNN模型中，通过所述CNN模型对所述多张脸部相关图像进行融合处理，并计算所述待检测用户所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；根据所述活体检测分值检测所述待检测用户是否为活体用户。本实施例中的技术方案，所获取的为多个拍摄距离下采集的待检测用户的多张脸部相关图像，多个拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于第一设定值和第二设定值之间的中拍摄距离，这样，所获取的多张脸部相关图像中既包含近距离的局部区域图像，也包含远距离的半身图像，这样，若是用户使用了3D面具等假人脸，则在脸部局部区域或者脖子、胸部、脸的边缘处等会存在假人脸和皮肤的贴合边缘，因此，基于贴合边缘这一特征，通过获取的上本文档来自技高网...

【技术保护点】
1.一种活体检测方法，包括：/n获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；/n针对每张所述脸部相关图像，使用该脸部相关图像对应的活体检测模型计算所述脸部相关图像所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；/n根据各个所述活体检测分值确定所述待检测用户是否为活体用户。/n

【技术特征摘要】
1.一种活体检测方法，包括：
获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；
针对每张所述脸部相关图像，使用该脸部相关图像对应的活体检测模型计算所述脸部相关图像所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；
根据各个所述活体检测分值确定所述待检测用户是否为活体用户。


2.如权利要求1所述的方法，所述获取多个拍摄距离下采集的待检测用户的多张脸部相关图像之前，所述方法还包括：
控制所述图像采集设备将其放大倍率调整至设定倍率值，并在每次控制所述图像采集设备的放大倍率调整至所述设定倍率值时，控制所述图像采集设备采集所述待检测用户的脸部相关图像；
或者，
根据所述待检测用户与所述图像采集设备之间的距离确定每张所述脸部相关图像所对应的放大倍率，控制所述图像采集设备在所述放大倍率下采集所述待检测用户的脸部相关图像。


3.如权利要求1或2所述的方法，所述获取多个拍摄距离下采集的待检测用户的多张脸部相关图像，包括：
获取在所述近拍摄距离下采集的所述待检测用户的眼部区域的图像、在所述远拍摄距离下采集的所述待检测用户的从头部至胸部区域的图像以及在所述中拍摄距离下采集的所述待检测用户的整个脸部区域的图像。


4.如权利要求1或2所述的方法，所述根据各个所述活体检测分值确定所述待检测用户是否为活体用户，包括：
分别将每个所述活体检测分值与第一设定分值进行比对，若存在小于或等于所述第一设定分值的活体检测分值，则确定所述待检测用户为非活体用户；
或者，
将得到的所有所述活体检测分值进行融合处理，得到所述待检测用户所对应的活体检测融合值；将所述活体检测融合值与第二设定分值进行比对，若所述活体检测融合值小于或等于第二设定分值，则确定所述待检测用户为非活体用户。


5.如权利要求4所述的方法，所述将得到的所有所述活体检测分值进行融合处理，得到所述待检测用户所对应的活体检测融合值，包括：
计算所有所述活体检测分值的加权和值，将所述加权和值确定为所述活体检测融合值。


6.如权利要求1所述的方法，所述活体检测模型为神经卷积网络CNN模型。


7.一种活体检测方法，包括：
获取多个拍摄距离下采集的待检测用户的多张脸部相关图像；其中，多个所述拍摄距离至少包括距离值大于第一设定值的远拍摄距离、距离值小于第二设定值的近拍摄距离以及距离值介于所述第一设定值和所述第二设定值之间的中拍摄距离；
将所述多张脸部相关图像输入至同一个神经卷积网络CNN模型中，通过所述CNN模型对所述多张脸部相关图像进行融合处理，并计算所述待检测用户所对应的活体检测分值；其中，所述活体检测分值用于表征所述待检测用户为活体用户的可能性；
根据所述活体检测分值检测所述待检测用户是否为活体用户。


8.如权利要求7所述的方法，所述将所述多张脸部相关图像输入至同一个神经卷积网络CNN模型中，通过所述CNN模型对所述多张脸部相关图像进行融合处理包括以下处理方式中的任意一种：
将所述多张脸部相关图像输入至同一个所述CNN模型中，通过多组卷积层和池化层并行对所述多张脸部相关图像进行处理，将得到的多个池化处理结果传输至一个全连接层进行融合处理；其中，一组卷积层和池化层用于对一张脸部相关图像进行处理；
将所述多张脸部相关图像输入至同一个所述CNN模型中，在所述CNN模型的卷积层对所述多张脸部相关图像进行融合处理，将融合处理结果依次传输至池化层和全连接层以进行所述活体检测分值的计算；
将所述多张脸部相关图像进行通道叠加，将叠加后得到的融合图像输入至所述CNN模型中，以通过所述CNN模型的卷积层、池化层和全连接层进行所述活体检测分值的计算。


9.如权利要求7或8所述的方法，所述获取多个拍摄距离下采集的待检测用户的多张脸部相关图像之前，所述方法还包括：
控制所述图像采集设备将其放大倍率调整至设定倍率值，并在每次控制所述图像采集设备的放大倍率调整至所述设定倍率值时，控制所述图像采集设备采集所述待检测用户的脸部相关图像；
或者，
根据所述待检测用户与所述图像采集设备之间的距离确定每张所述脸部相关图像所对应的放大倍率，控制所述图像采集设备在所述放大倍率下采集所述待检测用户的脸部相关图像。


10.如权利要求7所述的方法，所述根据所述活体检测分值检测所述待检测用户是否为活体用户，包括：
将所述活体检测分值与设定分值进行比对；
若所述活体检测分值小于或...

【专利技术属性】
技术研发人员：陈志军，徐崴，
申请(专利权)人：支付宝实验室新加坡有限公司，
类型：发明
国别省市：新加坡;SG