一种活体检测方法及装置制造方法及图纸

本申请公开了一种活体检测方法及装置，采用双路2D自注意力架构，从网络结构本身增强了整个活体检测过程的表达能力，获得了更符合人脸篡改任务的注意力，提升了活体检测的准确度；和/或，将自监督约束首次引入活体检测任务，解决了攻击线索没有真实标签无法约束的问题，从而让攻击线索图充分对攻击数据进行了表达，提升了活体检测的准确度。提升了活体检测的准确度。提升了活体检测的准确度。

【技术实现步骤摘要】
一种活体检测方法及装置


[0001]本申请涉及但不限于人工智能技术，尤指一种活体检测方法及装置。

技术介绍

[0002]反人脸欺诈检测(FAS，Face Anti
‑
spoof，也称为活体检测)技术，是用于判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击(如：彩色纸张打印的人脸图、电子设备屏幕中的人脸数字图像、或面具等)的技术，从而避免虚假认证。活体检测在金融支付、门禁等应用场景，活体检测一般是嵌套在人脸检测与人脸识别/验证中的模块，用来验证用户是否真实本人。
[0003]活体检测对应的计算机视觉问题就是分类问题，可看成二分类(真或假)，也可以看成多分类问题(如真人、纸张攻击、屏幕攻击、面具攻击等)。
[0004]相关技术中，对线索图的回归仅对真人数据进行约束，攻击数据没有任何监督，完全自由迭代，也就是说，对攻击数据的线索图表达能力有限；而且，没有针对人脸篡改任务的特点设计网络结构，大大影响了活体检测的准确度。

技术实现思路

[0005]本申请提供一种活体检测方法及装置，能够提升活体检测的准确度。
[0006]本专利技术实施例提供了一种活体检测方法，包括：
[0007]将解码得到的图像划分为脸部区域和背景区域；
[0008]对脸部区域进行卷积处理和归一化处理得到第一图像信息，对脸部区域和背景区域分别进行卷积处理后进行归一化处理得到第二图像信息；
[0009]融合第一图像信息和第二图像信息得到活体攻击检测信息。
[0010]在一种示例性实例中，所述将解码得到的图像划分为脸部区域和背景区域之前，还包括：
[0011]采用级联的编码器到解码器结构，对待检测图像进行编码处理和解码处理。
[0012]在一种示例性实例中，所述编码处理包括一级或多级，所述解码处理包括一级或多级；
[0013]当所述解码处理包括多级时，每一级解码得到的图像均执行所述活体检测方法对解码得到的图像进行的处理后再输入下一级解码器，直到没有解码器。
[0014]在一种示例性实例中，所述对脸部区域进行卷积处理和归一化处理得到第一图像信息，包括：
[0015]对所述脸部区域使用二维图像2D卷积得到第一向量Q、第一向量K、第一向量V，并重新排列为一维特征；
[0016]根据第一向量Q和第一向量K计算矩阵乘法，得到第一注意力图E；
[0017]对第一注意力图E进行归一化处理；
[0018]对归一化处理后的第一结果与第一向量V相乘，并重新排列为脸部区域大小的图
像；
[0019]将重新排列后的脸部区域大小的图像与松鼠解码得到的图像相加得到所述第一图像信息。
[0020]在一种示例性实例中，所述对人脸区域和背景区域分别进行卷积处理后进行归一化处理得到第二图像信息，包括：
[0021]对所述脸部区域和所述背景区域分别使用2D卷积得到第二向量Q`、第二向量K`、第二向量V`，并重新排列为一维特征；
[0022]根据第二向量Q`和第二向量K`计算矩阵乘法，得到第二注意力图E`；
[0023]对第二注意力图E`进行归一化处理；
[0024]对归一化处理后的第二结果与第二向量V`相乘，并重新排列为脸部区域大小的图像；
[0025]对归一化处理后的结果与解码得到的图像相加得到所述第二图像信息。
[0026]在一种示例性实例中，所述方法还包括：
[0027]根据最后一级所述编码的结果，以及经过所述活体检测方法对解码得到的图像处理后的每一级活体攻击检测信息进行三元组度量学习；
[0028]所述融合之后还包括：
[0029]对所述融合后得到的活体攻击检测信息进行回归损失处理；
[0030]将回归损失处理后的攻击线索图与所述待检测图像叠加并进行二分类得到最终的攻击线索图。
[0031]在一种示例性实例中，所述回归损失处理之前还包括：
[0032]对根据所述第一图像信息和所述第二图像信息融合后的攻击数据进行数据扩展操作；
[0033]所述回归损失处理包括：根据扩展操作后的结果和攻击线索数据进行回归损失处理，获得攻击线索图。
[0034]本申请实施例还提供一种实现活体检测的设备，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行上述任一项所述的活体检测方法的步骤。
[0035]本申请实施例又提供另一种活体检测方法，包括：
[0036]对攻击数据进行数据扩展操作；
[0037]根据扩展操作后的结果和攻击线索数据进行回归损失处理，获得攻击线索图。
[0038]在一种示例性实例中，所述对攻击数据进行数据扩展操作之前，还包括：
[0039]采用级联的编码器到解码器结构，对待检测图像进行编码处理和解码处理；所述编码处理包括一级或多级，所述解码处理包括一级或多级；
[0040]根据最后一级编码的结果，以及每一级解码的结果进行三元组度量学习。
[0041]在一种示例性实例中，所述根据扩展操作后的结果和攻击线索数据进行回归损失处理，获得攻击线索图，包括：
[0042]使用损失函数引入攻击线索自身的监督信息进行约束，其中，自监督的线索回归损失函数如下：
[0043][0044]其中，Lr表示所述获得的攻击线索图，live表示活体库，spoof表示攻击库；exp表示扩展操作，C表示攻击数据I的攻击线索，C`表示进行数据扩展操作后的攻击数据的攻击线索。
[0045]在一种示例性实例中，所述方法还包括：
[0046]将回归损失处理后的攻击线索图与原始的待检测图像叠加并进行二分类得到最终的攻击线索图。
[0047]在一种示例性实例中，所述对攻击数据进行数据扩展操作之前，还包括：
[0048]采用级联的编码器到解码器结构，对待检测图像进行编码处理和解码处理；所述编码处理包括一级或多级，所述解码处理包括一级或多级；
[0049]将解码得到的图像划分为脸部区域和背景区域，对脸部区域进行卷积处理和归一化处理得到第一图像信息，对脸部区域和背景区域分别进行卷积处理后进行归一化处理得到第二图像信息；
[0050]当所述解码处理包括多级时，每一级解码得到的图像均执行所述活体检测方法对解码得到的图像进行的处理后再输入下一级解码器，直到没有解码器；
[0051]根据最后一级所述编码的结果，以及经过所述活体检测方法对解码得到的图像处理后的每一级活体攻击检测信息进行三元组度量学习；
[0052]融合第一图像信息和第二图像信息。
[0053]本申请实施例还提供一种实现活体检测的设备，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行上述任一项所述的另一种活体检测方法的步骤。
[0054]本申请实施例再提供一种活体检测方法，包括：
[0055]将解码得到的图像划分为脸部区域和背景区域，对脸部区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，包括：将解码得到的图像划分为脸部区域和背景区域；对脸部区域进行卷积处理和归一化处理得到第一图像信息，对脸部区域和背景区域分别进行卷积处理后进行归一化处理得到第二图像信息；融合第一图像信息和第二图像信息得到活体攻击检测信息。2.根据权利要求1所述的活体检测方法，所述将解码得到的图像划分为脸部区域和背景区域之前，还包括：采用级联的编码器到解码器结构，对待检测图像进行编码处理和解码处理。3.根据权利要求2所述的活体检测方法，其中，所述编码处理包括一级或多级，所述解码处理包括一级或多级；当所述解码处理包括多级时，每一级解码得到的图像均执行所述活体检测方法对解码得到的图像进行的处理后再输入下一级解码器，直到没有解码器。4.根据权利要求1、2或3所述的活体检测方法，其中，所述对脸部区域进行卷积处理和归一化处理得到第一图像信息，包括：对所述脸部区域使用二维图像2D卷积得到第一向量Q、第一向量K、第一向量V，并重新排列为一维特征；根据第一向量Q和第一向量K计算矩阵乘法，得到第一注意力图E；对第一注意力图E进行归一化处理；对归一化处理后的第一结果与第一向量V相乘，并重新排列为脸部区域大小的图像；将重新排列后的脸部区域大小的图像与松鼠解码得到的图像相加得到所述第一图像信息。5.根据权利要求1、2或3所述的活体检测方法，其中，所述对人脸区域和背景区域分别进行卷积处理后进行归一化处理得到第二图像信息，包括：对所述脸部区域和所述背景区域分别使用2D卷积得到第二向量Q`、第二向量K`、第二向量V`，并重新排列为一维特征；根据第二向量Q`和第二向量K`计算矩阵乘法，得到第二注意力图E`；对第二注意力图E`进行归一化处理；对归一化处理后的第二结果与第二向量V`相乘，并重新排列为脸部区域大小的图像；对归一化处理后的结果与解码得到的图像相加得到所述第二图像信息。6.根据权利要求3所述的活体检测方法，所述方法还包括：根据最后一级所述编码的结果，以及经过所述活体检测方法对解码得到的图像处理后的每一级活体攻击检测信息进行三元组度量学习；所述融合之后还包括：对所述融合后得到的活体攻击检测信息进行回归损失处理；将回归损失处理后的攻击线索图与所述待检测图像叠加并进行二分类得到最终的攻击线索图。7.根据权利要求1所述的活体检测方法，所述回归损失处理之前还包括：对根据所述第一图像信息和所述第二图像信息融合后的攻击数据进行数据扩展操作；所述回归损失处理包括：根据扩展操作后的结果和攻击线索数据进行回归损失处理，
获得攻击线索图。8.一种实现活体检测的设备，包括存储器和处理器，其中，存储器中存储有以下可被处理器执行的指令：用于执行权利要求1～权利要求7任一项所述的活体检测方法的步骤。9.一种活体检测方法，包括：对攻击数据进行数据扩展操作；根据扩展操作后的结果和攻击线索数据进行回归损失处理，获得攻击线索图。10.根据权利要求9所述的活体检测方法，所述对攻击数据进行数据扩展操作之前，还包括：采用级联的编码器到解码器结构，对待检测图像进行编码处理和解码处理；所述编码处理包括一级或多级，所述解码处理包括一级或多级；根据最后一级编码的结果，以及每一级解码的结果进行三元组度量学习。11.根据权利要求9或10所述的活体检测方法，其中，所述根据扩展操作后的结果和攻击线索数据进行回归损失处理，获得攻击线索图，包括：使用损失函数引入攻击线索自身的监督信息进行约束，其中，自监督的线索回归损失函数如下：其中，Lr表示所述获得的攻击线索图，live表示活体库，spoof表示攻击库；exp表示扩展操作，C表示攻击数据I的攻击线索，C`表示进行数据扩展操作后的攻击数据的攻击线索。12.根据权利要求9或10所述的活体检测方法，所述方法还包括：将回归损失处理后的攻击线索图与原始的待检测图像叠加并进行二分类得到最终的攻击线索图。13.根据权利要求9所述的活体检测方法，所述对攻击数据进行数据扩展操作之前，还包括：采用级联的编码器到解码器结构，对待检测图像进行编码处理和解码处理；所述编码处理包括一级或多级，所述解码处理包括一级或多级；将解码得到的图像划分为脸部区域和背景区域，对脸部区域进行卷积处理和归一化处理得到第一图像信息，对脸部区域和背景区域分别进行卷积处理后进行归一化处理得到第二图像信息；当所述解码处理包括多级时，每一级解码得到的图像均执行所述活体检测方法对解码得到的图像进行的处理后再输入下一级解码器，直到没有解码器；根据最后一级所述编码的结果，以及经过所述活体检测方法对解码得到的图像处理后的每一级活体攻击检测信息进行三元组度量学习；融合...

【专利技术属性】
技术研发人员：于鲲，王能，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：