风险检测方法、装置及设备制造方法及图纸

本说明书实施例提供了一种风险检测方法、装置及设备，其中，方法包括：获取待检测用户的生物特征图像组合，其中，生物特征图像组合包括：由多目摄像头对待检测用户的指定身体部位进行单次拍摄所得的多个图像；通过预先训练的第一检测模型，对该多个图像进行一致性检测，得到第一检测结果；通过预先训练的第二检测模型，对该多个图像进行活体检测，得到第二检测结果；根据第一检测结果和第二检测结果，确定待检测用户的活体检测是否存在受攻击的风险。

Risk detection methods, devices and equipment

【技术实现步骤摘要】
风险检测方法、装置及设备
本文件涉及数据处理
，尤其涉及一种风险检测方法、装置及设备。
技术介绍
随着人们对安全性的要求越来越高，双目摄像头被广泛的应用于各种安全场景，如门禁、安防等，以通过对双目摄像头单次拍摄所得的两张图像进行检测，来避免活体攻击。一般的，双目摄像头的有效成像区域为其两个摄像头成像区域的交集，有效成像区域外的区域被称为盲区。并且只有一个摄像头能够采集到该盲区的图像，另一个摄像头则无法采集到盲区的图像。由于双目摄像头的盲区具有该特点，因此，仍然存在活体攻击的风险。
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风险检测方法、装置及设备，通过将一致性检测与活体检测相结合，从而确定待检测用户的活体检测是否存在受攻击的风险，不仅解决了多目摄像头盲区的活体攻击问题，而且极大的提升了安全性。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：本说明书一个或多个实施例提供了一种风险检测，包括：获取待检测用户的生物特征图像组合，其中，所述生物特征图像组合包括：由多目摄像头对所述待检测用户的指定身体部位进行单次拍摄所得的多个图像；通过预先训练的第一检测模型，对所述多个图像进行一致性检测，得到第一检测结果；以及，通过预先训练的第二检测模型，对所述多个图像进行活体检测，得到第二检测结果；根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险。本说明书一个或多个实施例提供了一种风险检测装置，包括：>获取模块，其获取待检测的用户的生物特征图像组合，其中，所述生物特征图像组合包括：由多目摄像头对所述待检测用户的指定身体部位进行单次拍摄所得的多个图像；第一训练模块，其通过预先训练的第一检测模型，对所述多个图像进行一致性检测，得到第一检测结果；以及，通过预先训练的第二检测模型，对所述多个图像进行活体检测，得到第二检测结果；确定模块，其根据所述第一检测结果和所述第二检测结果，确定是否存在攻击风险。本说明书一个或多个实施例提供了一种风险检测设备，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，所述计算机可执行指令在被执行时使所述处理器：获取待检测用户的生物特征图像组合，其中，所述生物特征图像组合包括：由多目摄像头对所述待检测用户的指定身体部位进行单次拍摄所得的多个图像；通过预先训练的第一检测模型，对所述多个图像进行一致性检测，得到第一检测结果；以及，通过预先训练的第二检测模型，对所述多个图像进行活体检测，得到第二检测结果；根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险。本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现以下流程：获取待检测用户的生物特征图像组合，其中，所述生物特征图像组合包括：由多目摄像头对所述待检测用户的指定身体部位进行单次拍摄所得的多个图像；通过预先训练的第一检测模型，对所述多个图像进行一致性检测，得到第一检测结果；以及，通过预先训练的第二检测模型，对所述多个图像进行活体检测，得到第二检测结果；根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险。本说明书一个实施例基于预先训练的第一检测模型和第二检测模型，对待检测用户的生物特征图像组合进行检测；由此，将一致性检测与活体检测相结合，来确定待检测用户的活体检测是否存在受攻击的风险；既确保了对多目摄像头的有效成像区域的活体攻击进行检测、又确保了对多目摄像头的盲区的活体攻击进行检测，不仅解决了多目摄像头盲区的活体攻击问题，而且极大的提升了安全性。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为本说明书一个或多个实施例提供的一种风险检测方法的场景示意图；图2为本说明书一个或多个实施例提供的一种风险检测方法的第一种流程示意图；图3为本说明书一个或多个实施例提供的一种风险检测方法的第二种流程示意图；图4为本说明书一个或多个实施例提供的步骤S100-4的细化图；图5为本说明书一个或多个实施例提供的步骤S100-6的细化图；图6为本说明书一个或多个实施例提供的步骤A2的细化图；图7为本说明书一个或多个实施例提供的一种风险检测装置的模块组成示意图；图8为本说明书一个或多个实施例提供的一种风险检测设备的结构示意图。具体实施方式为了使本
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的一部分实施例，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，都应当属于本文件的保护范围。人脸识别对于人们来说并不陌生，人脸识别过程中的风险主要在于活体攻击，即攻击者使用照片、视频等仿冒真人进行刷脸，以企图通过人脸识别。采用双目摄像头采集人脸图像，并对其单次采集所得的彩色图像(RGB图像)和近红外图像(IR图像)分别进行活体检测，是当前主流的防攻击措施。然而，由于双目摄像头存在拍摄盲区，并且该盲区具有一个摄像头能够采集到其图像，另一个摄像头无法采集到其图像的特点，因此，成为了攻击者进行活体攻击的突破口，从而使得双目摄像头的活体检测降级为单目摄像头的活体检测，攻击的成功率大大提升。对此，本说明书一个或多个实施例提供了一种风险检测方法、装置及设备，可对待检测用户的活体检测是否存在受攻击的风险进行检测，具体的，预先训练第一检测模型和第二检测模型，并通过第一检测模型对待检测用户的生物特征图像组合进行一致性检测，得到第一检测结果；以及，采用第二检测模型对待检测用户的生物特征图像组合进行活体检测，得到第二检测结果；从而根据第一检测结果和第二检测结果确定待检测用户的活体检测是否存在受攻击的风险。其中，生物特征图像组合包括：由多目摄像头对待检测用户的指定身体部位进行单次拍摄所得的多个图像；指定身体部位如虹膜、人脸等。由此，将一致性检测与活体检测相结合，解决了多目摄像头盲区的活体攻击问题，极大的提升了安全性。图1为本说明书一个或多个实施例提供的风险检测方法的应用场景示意图，如图1所示，该场景包括：多目摄像头和风险检测装置，其中，多目摄像头包括多个摄像头；风险检测装置可以为独立于多目摄像头的装置，还可以为部署于多目摄像头中的装置。具体的，多目摄像头对待检测用户的指定身体部分进行单次拍摄，得到包括多个图本文档来自技高网...

【技术保护点】
1.一种风险检测方法，包括：/n获取待检测用户的生物特征图像组合，其中，所述生物特征图像组合包括：由多目摄像头对所述待检测用户的指定身体部位进行单次拍摄所得的多个图像；/n通过预先训练的第一检测模型，对所述多个图像进行一致性检测，得到第一检测结果；以及，通过预先训练的第二检测模型，对所述多个图像进行活体检测，得到第二检测结果；/n根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险。/n

【技术特征摘要】
1.一种风险检测方法，包括：
获取待检测用户的生物特征图像组合，其中，所述生物特征图像组合包括：由多目摄像头对所述待检测用户的指定身体部位进行单次拍摄所得的多个图像；
通过预先训练的第一检测模型，对所述多个图像进行一致性检测，得到第一检测结果；以及，通过预先训练的第二检测模型，对所述多个图像进行活体检测，得到第二检测结果；
根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险。


2.根据权利要求1所述的方法，所述通过预先训练的第一检测模型，对所述多个图像进行一致性检测，包括：
对所述多个图像进行第一预处理，得到已处理图像；
将所述已处理图像输入至所述第一检测模型，以基于所述第一检测模型对所述已处理图像进行一致性检测。


3.根据权利要求2所述的方法，所述对所述多个图像进行第一预处理，得到已处理图像，包括：
确定所述多个图像与所述多目摄像头中的多个摄像头的一一对应关系；
获取所述多目摄像头的转换矩阵和所述多个摄像头中每个摄像头对应的转换参数；其中，所述转换矩阵为训练所述第一检测模型之前，对所述多个摄像头进行标定处理而得；所述转换参数为训练所述第一检测模型时，对待训练的样本集进行第三预处理而得；
根据所述转换矩阵，对所述多个图像进行空间对齐处理；
根据所述转换参数，对对应的所述空间对齐处理后的图像进行预设转换处理；
将所述预设转换处理后的图像确定为已处理图像。


4.根据权利要求1所述的方法，所述根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险，包括：
根据预设的加权系数，对所述第一检测结果和所述第二检测结果进行加权计算，得到计算结果；
若所述计算结果大于预设的第一阈值，则确定所述待检测用户的活体检测不存在受攻击的风险；
若所述计算结果不大于预设的第一阈值，则确定所述待检测用户的活体检测存在受攻击的风险。


5.根据权利要求1所述的方法，所述根据所述第一检测结果和所述第二检测结果，确定所述待检测用户的活体检测是否存在受攻击的风险，包括：
若所述第一检测结果大于预设的第二阈值、且所述第二检测结果大于预设的第三阈值，则确定所述待检测用户的活体检测不存在受攻击的风险。


6.根据权利要求1所述的方法，所述多目摄像头为双目摄像头。


7.根据权利要求1-6任一项所述的方法，所述获取待检测的用户的生物特征图像组合之前，还包括：
获取所述多目摄像头采集的待训练的生物特征图像组合；
对所述待训练的生物特征图像组合进行第二预处理，得到待训练的样本集；
基于所述样本集训练所述第一检测模型。


8.根据权利要求7所述的方法，所述对所述待训练的生物特征图像组合进行第二预处理之前，还包括：
对所述多目摄像头中的多个摄像头进行标定处理，得到转换矩阵；
所述对所述待训练的生物特征图像组合进行第二预处理，得到待训练的样本集，包括：
根据所述转换矩阵，对所述待训练的生物特征图像组合中的图像进行空间对齐处理；
将所述空间对齐处理后的生物特征图像组合作为样本，并将所述样本划分为正样本和负样本；其中，所述正样本中的各图像一致，所述负样本中的各图像不一致；
将所述正样本和所述负样本确定为待训练的样本集。


9.根据权利要求8所述的方法，所述基于所述样本集训练所述第一检测模型，包括：
将所述样本集划分为训练集和测试集；其中，所述训练集和所述测试集包括的所述正样本与所述负样本的比例相同；
对...

【专利技术属性】
技术研发人员：曹佳炯，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33