活体检测方法、装置及可读介质制造方法及图纸

本发明专利技术涉及人脸识别领域，尤其涉及活体检测方法、装置及可读介质。一种活体检测方法，包括：获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。使用活体检测模型对人脸图像进行识别，能够快速判定人脸图像中的人脸是否为活体，若是则通过，若否则不通过，其中，活体检测模型基于局部引力模式辅助训练得到的，因局部引力模式具有光照不敏感特性，则在对人脸检测时对光照不敏感，能够适应各种光照的条件下进行检测。适应各种光照的条件下进行检测。适应各种光照的条件下进行检测。

【技术实现步骤摘要】
活体检测方法、装置及可读介质


[0001]本专利技术涉及人脸识别领域，尤其涉及活体检测方法、装置及可读介质。

技术介绍

[0002]随着人工智能技术的发展，出现了活体检测技术，活体检测技术广泛应用于银行远程业务、人脸支付和门禁系统中。专利号CN113505756A的专利文献公开了一种人脸活体检测方法，采用连续捕获用户照片的方法判断是否为活体。专利号CN112883944B的专利文献公开了一种通过深度估计模型对所述待检测图像进行深度估计来判断是否为活体。但上述技术对于光照条件较差环境下的活体检测，效果不佳。

技术实现思路

[0003]鉴于上述现有技术的不足之处，本专利技术的目的在于提供活体检测方法、装置及可读介质，采用局部引力模式辅助的学习神经网络模型，能够适应各种光照条件环境下的活体检测。
[0004]为了达到上述目的，本专利技术采取了以下技术方案：
[0005]一方面本专利技术提供一种活体检测方法，包括：
[0006]获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
[0007]使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；
[0008]根据所述活体元素向量判定活体检测是否通过。
[0009]优选的，所述的活体检测方法，所述辅助训练为使用训练集对神经网络模型进行训练；所述训练集包括若干样本图像；所述样本图像为标注了人脸类型的人脸图像；
[0010]针对每个样本图像的训练过程具体包括：
[0011]获取样本图像，对所述样本图像基于重采样得到第一图像数据、基于局部引力模式计算得到局部引力特征图；
[0012]基于所述神经网络模型对所述第一图像数据进行卷积处理分别得到第二图像数据和第三图像数据；
[0013]基于所述第二图像数据使用交叉熵随时函数得到第一损失参数；基于所述第三图像数据和所述具备引力特征图使用均方误差函数得到第二损失参数；
[0014]基于所述第一损失参数和第二损失参数使用随机梯度下降函数对所述神经网络模型进行优化，得到活体检测模型。
[0015]优选的，所述的活体检测方法，所述第二图像数据和所述第三图像数据的获取步骤为：
[0016]对所述第一图像数据进行两次卷积块计算，得到第一预选数据；
[0017]对所述第一预选数据进行深度可分离卷积块计算，得到第二预选数据；
[0018]对所述第二预选数据进行线性卷积块计算，得到所述第二图像数据；
[0019]对所述第二预选数据进行卷积块计算，得到所述第三图像数据。
[0020]优选的，所述的活体检测方法，所述第一损失参数的获取步骤为：
[0021]对所述第二图像数据进行线性化得到第二图像线性数据；
[0022]对所述第二图像线性数据用交叉熵损失函数进行误差估计得到所述第一损失参数。
[0023]优选的，所述的活体检测方法，所述第二损失参数的获取步骤为：
[0024]对局部引力特征图进行重采样，得到引力特征数据；
[0025]对所述第三图像数据进行线性卷积块计算，得到第三图像线性数据；
[0026]对所述引力特征数据和所述第三图像线性数据使用均方误差函数进行误差估计得到第二损失参数。
[0027]优选的，所述的活体检测方法，所述局部引力模式计算的公式为：
[0028][0029]其中，x
n
为PLGF特征图；*为卷积计算；r
n
为原始图像；为原始图像；
[0030]优选的，所述的活体检测方法，所述活体元素向量包括多个元素，每个所述元素对应一种人脸类型；所述人脸类型包括活体类型、照片类型、头模面具类型；
[0031]判定活体检测是否通过的具体步骤包括：
[0032]对所述活体元素向量中的每个元素基于归一化指数函数进行计算，得到每个人脸类型的类型概率；
[0033]当活体类型的类型概率大于设定阈值时，判定活体检测通过；否则不通过。
[0034]另一方面，本专利技术提供一种活体检测装置，包括：
[0035]获取模块，用于获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；
[0036]处理模块，用于使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。
[0037]另一方面，本专利技术提供一种活体检测装置，包括：
[0038]存储器，存储有计算机程序；
[0039]处理器，在执行所述计算机程序时实现前述所述的活体检测方法。
[0040]另一方面，本专利技术提供一种计算机可读介质，存储有计算程序，所述计算机程序被处理器执行时实现前述所述的活体检测方法。
[0041]相较于现有技术，本专利技术提供的活体检测方法、装置及可读介质，具有以下有益效果：
[0042]使用本专利技术提供的活体检测方法，使用活体检测模型对人脸图像进行识别，能够快速判定人脸图像中的人脸是否为活体，若是则通过，若否则不通过，其中，活体检测模型基于局部引力模式辅助训练得到的，因局部引力模式具有光照不敏感特性，则在对人脸检测时对光照不敏感，能够适应各种光照的条件下进行检测，极大的提高了活体检测的准确性，提升活体检测效果。
附图说明
[0043]图1是本专利技术提供的活体检测方法的流程图。
[0044]图2是本专利技术提供的活体检测方法一种实施例的流程图。
[0045]图3是本专利技术提供的活体检测模型训练步骤流程图。
[0046]图4是本专利技术提供的活体检测模型训练步骤一种实施例的流程图。
[0047]图5是本专利技术提供的活体检测装置的机构框图。
具体实施方式
[0048]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0049]本领域技术人员应当理解，前面的一般描述和下面的详细描述是本专利技术的示例性和说明性的具体实施例，不意图限制本专利技术。
[0050]本文中术语“包括”，“包含”或其任何其他变体旨在覆盖非排他性包括，使得包括步骤列表的过程或方法不仅包括那些步骤，而且可以包括未明确列出或此类过程或方法固有的其他步骤。同样，在没有更多限制的情况下，以“包含...一个”开头的一个或多个设备或子系统，元素或结构或组件也不会没有更多限制，排除存在其他设备或其他子系统或其他元素或其他结构或其他组件或其他设备或其他子系统或其他元素或其他结构或其他组件。在整个说明书中，短语“在一个实施例中”，“在另一个实施例中”的出现和类似的语言可以但不一定都指相同的实施例。
[0051]除非另有定义，否则本文中使用的所有技术和科学术语具有与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，其特征在于，包括：获取人脸图像；所述人脸图像通过对摄像头采集的图像进行人脸识别得到；使用活体检测模型对所述人脸图像进行活体识别，得到活体元素向量；所述活体检测模型为基于局部引力模式辅助训练初始化的神经网络模型得到；根据所述活体元素向量判定活体检测是否通过。2.根据权利要求1所述的活体检测方法，其特征在于，所述辅助训练为使用训练集对神经网络模型进行训练；所述训练集包括若干样本图像；所述样本图像为标注了人脸类型的人脸图像；针对每个样本图像的训练过程具体包括：获取样本图像，对所述样本图像基于重采样得到第一图像数据、基于局部引力模式计算得到局部引力特征图；基于所述神经网络模型对所述第一图像数据进行卷积处理分别得到第二图像数据和第三图像数据；基于所述第二图像数据使用交叉熵随时函数得到第一损失参数；基于所述第三图像数据和具备所述引力特征图使用均方误差函数得到第二损失参数；基于所述第一损失参数和第二损失参数使用随机梯度下降函数对所述神经网络模型进行优化，得到活体检测模型。3.根据权利要求2所述的活体检测方法，其特征在于，所述第二图像数据和所述第三图像数据的获取步骤为：对所述第一图像数据进行两次卷积块计算，得到第一预选数据；对所述第一预选数据进行深度可分离卷积块计算，得到第二预选数据；对所述第二预选数据进行线性卷积块计算，得到所述第二图像数据；对所述第二预选数据进行卷积块计算，得到所述第三图像数据。4.根据权利要求2所述的活体检测方法，其特征在于，所述第一损失参数的获取步骤为：对所述第二图像数据进行线性化得到第二图像线性数据；对所述第二图像线性数据用交叉熵损失函数进行误差估计得到所述第一损失参数。5.根据权利要求2所述的活...

【专利技术属性】
技术研发人员：马琳，章烈剽，柯文辉，
申请(专利权)人：广州广电运通金融电子股份有限公司，
类型：发明
国别省市：