【技术实现步骤摘要】
基于深度空间梯度的活体检测方法、装置、设备及介质
本专利技术涉及人工智能
，尤其涉及一种基于深度空间梯度的活体检测方法、装置、设备及介质。
技术介绍
活体检测通常需要进行冗长与繁琐的人工审核，因此，线下检测的业务员往往需要面对复杂、冗长且繁琐的步骤，不仅花费大量的时间来核查，而且在业务量高峰期时无法满足时效，导致出现漏检高风险案件，不仅浪费时间，且增加业务流程的机会成本与服务成本。目前采用的活体检测方式大多数是对单一的图片做检测，但是随着智能终端的更新换代、欺诈手段的层出不穷，以及高清设备的普及，导致越来越多的非活体样本能够逃离大多数的人工检测及模型检测，且目前的视频活体检测多数表现不稳定，精度欠佳，无法达到业务上线的要求。
技术实现思路
鉴于以上内容，有必要提供一种基于深度空间梯度的活体检测方法、装置、设备及介质，能够采用视频做活体检测，并利用损失函数训练得到的活体检测模型能够提取深度空间梯度图特征及动态视频帧图序列特征，提高了模型的泛化能力，同时也提高了模型的精度，使模型的兼容性更强，能够抵御新...
【技术保护点】
1.一种基于深度空间梯度的活体检测方法，其特征在于，所述基于深度空间梯度的活体检测方法包括：/n响应于活体检测指令，获取带有预设类型的伪装的初始视频段，并对所述初始视频段的每张帧图片进行特征截取，得到样本数据；/n构建深度对比损失、距离损失及二分类监督损失；/n根据所述深度对比损失、所述距离损失及所述二分类监督损失，以所述样本数据训练预设网络，得到活体检测模型，其中，所述活体检测模型包括残差空间梯度模块及空间短暂传播模块；/n当接收到待检测视频时，对所述待检测视频进行预处理，得到待检测图片；/n将所述待检测图片输入至所述活体检测模型，并获取所述活体检测模型的输出数据；/n对...
【技术特征摘要】
1.一种基于深度空间梯度的活体检测方法，其特征在于，所述基于深度空间梯度的活体检测方法包括：
响应于活体检测指令，获取带有预设类型的伪装的初始视频段，并对所述初始视频段的每张帧图片进行特征截取，得到样本数据；
构建深度对比损失、距离损失及二分类监督损失；
根据所述深度对比损失、所述距离损失及所述二分类监督损失，以所述样本数据训练预设网络，得到活体检测模型，其中，所述活体检测模型包括残差空间梯度模块及空间短暂传播模块；
当接收到待检测视频时，对所述待检测视频进行预处理，得到待检测图片；
将所述待检测图片输入至所述活体检测模型，并获取所述活体检测模型的输出数据；
对所述输出数据进行分析，得到活体检测结果。
2.如权利要求1所述的基于深度空间梯度的活体检测方法，其特征在于，所述对所述初始视频段的每张帧图片进行特征截取，得到样本数据包括：
将所述初始视频段的每张帧图片输入至YOLOv3网络中进行识别，得到每张帧图片的头像区域；
以每张帧图片的头像区域截取对应的每张帧图片，得到每个子样本；
整合得到的子样本，得到所述样本数据。
3.如权利要求1所述的基于深度空间梯度的活体检测方法，其特征在于，所述基于深度空间梯度的活体检测方法还包括：
从所述样本数据中获取第一数量的样本数据作为第一样本，其中，所述第一数量为所述样本数据的数据量与配置数值的差；
计算每个第一样本的深度图特征，其中，所述深度图特征为经过所述残差空间梯度模块及所述空间短暂传播模块处理后得到；
根据所述第一数量及每个第一样本的深度图特征计算所述第一样本的深度图特征的均值；
将所述均值输入预设数量的全连接层及softmax层，输出中间特征；
采用FocalLoss函数对所述中间特征进行处理，得到所述二分类监督损失。
4.如权利要求1所述的基于深度空间梯度的活体检测方法，其特征在于，所述基于深度空间梯度的活体检测方法还包括：
采用人脸对齐算法PRNet处理所述样本数据，得到脸部深度图；
计算所述样本数据的深度图特征；
确定每个样本数据对应的每个深度图特征的帧数；
根据所述脸部深度图、所述深度图特征及每个深度图特征的帧数计算所述距离损失。
5.如权利要求4所述的基于深度空间梯度的活体检测方法，其特征在于，所述基于深度空间梯度的活体检测方法还包括：
获取sobelkernel集合中的矩阵；
对获取的矩阵与所述脸部深度图进行卷积处理，得到第一数值；
对获取的矩阵与所述深度图特征进行卷积处理，得到第二数值；
根据所述第一数值、所述第二数值及每个深度图特征的帧数计算所述深度对比损失。
6.如权利要求1所述的基于深度空间梯度的活体检测方法，其特...
【专利技术属性】
技术研发人员：喻晨曦，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。