攻击检测方法、电子设备和计算机可读介质技术

本申请实施例公开了攻击检测方法、电子设备和计算机可读介质。该方法的实施例包括：将待测脸部图像输入攻击检测模型；通过攻击检测模型将待测脸部图像划分为多个图像块，提取各图像块的块特征，以及对各行及各列图像块的块特征进行处理，得到待测脸部图像的行特征和列特征，对行特征和列特征进行处理，得到攻击检测结果；攻击检测结果用于指示待测脸部图像是否为与真实脸部图像的图像边缘存在差异的攻击脸部图像。该实施方式能够有效防御边缘差异型的脸部攻击，提高了攻击检测的速度和精度。提高了攻击检测的速度和精度。提高了攻击检测的速度和精度。

【技术实现步骤摘要】
攻击检测方法、电子设备和计算机可读介质


[0001]本申请实施例涉及计算机
，具体涉及攻击检测方法、电子设备和计算机可读介质。

技术介绍

[0002]随着计算机技术的发展，人脸识别及其相关技术的应用场景越来越丰富。通常，存在不法分子试图通过伪造脸部图像的方式通过人脸识别系统的身份核验。基于此，活体识别技术应运而生。
[0003]现有技术中，可通过训练得到的攻击检测模型来进行攻击检测。现有的攻击检测模型仅能够对屏幕翻拍、面膜面具等攻击数据进行有效识别，对于通过对真实脸部图像进行处理后所得到的图像边缘存在差异的攻击脸部图像(可称为边缘差异型的攻击脸部图像)，由于其脸部区域同真实脸部图像类似且不存在明显编辑，尚且无法进行有效识别，导致攻击检测的精度较低。此外，攻击检测模型的计算量较大，导致攻击检测的速度较低。

技术实现思路

[0004]本申请实施例提出了攻击检测方法、电子设备和计算机可读介质，以解决现有技术中攻击检测的速度和精度较低的技术问题。
[0005]第一方面，本申请实施例提供了一种攻击检测方法，该方法包括：将待测脸部图像输入攻击检测模型；通过所述攻击检测模型将待测脸部图像划分为多个图像块，提取各图像块的块特征，以及对各行及各列图像块的块特征进行处理，得到所述待测脸部图像的行特征和列特征，对所述行特征和所述列特征进行处理，得到攻击检测结果；所述攻击检测结果用于指示所述待测脸部图像是否为与真实脸部图像的图像边缘存在差异的攻击脸部图像。
[0006]第二方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中所描述的方法。
[0007]第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所描述的方法。
[0008]第四方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中所描述的方法。
[0009]本申请实施例提供的攻击检测方法、电子设备和计算机可读介质，通过攻击检测模型将待测脸部图像划分为多个图像块，并提取各图像块的块特征，而后分别对各行及各列图像块的块特征进行处理，得到待测脸部图像的行特征和列特征，最后对行特征和列特征进行处理，从而得到攻击检测结果。一方面，鉴于边缘差异型的攻击脸部图像在脸部区域无明显编辑的特点，本申请实施例通过对待测脸部图像分块提取块特征并按照行和列对块特征组合，使得攻击检测模型能够关注到待测脸部图像中每个图像块和其他图像块之间的
关系，相较于只关注图像的全局特征或脸部区域特征的攻击检测模型，更符合边缘差异类型的攻击脸部图像的特点，从而能够有效防御边缘差异型的脸部攻击，提高了攻击检测的精度。另一方面，对待测脸部图像进行分块的处理，可使得每一次计算的图像数据量减少，从而大大降低了计算量，有效提高了模型在部署使用时的运行速度。
附图说明
[0010]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0011]图1是根据本申请的攻击检测方法的一个实施例的流程图；
[0012]图2是根据本申请的攻击检测模型的结构示意图；
[0013]图3是根据本申请的攻击脸部样本图像的一个生成过程的示意图；
[0014]图4是根据本申请的攻击脸部样本图像的又一生成过程的示意图；
[0015]图5是根据本申请的攻击脸部样本图像的再一生成过程的示意图；
[0016]图6是根据本申请的攻击检测方法的处理过程的示意图；
[0017]图7是根据本申请的攻击检测装置的一个实施例的结构示意图；
[0018]图8是用于实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
[0019]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0020]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0021]需要指出的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0022]近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、攻击检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
[0023]此外，生物识别技术已广泛地应用到各种终端设备或电子装置上。生物特征识别技术包括但不限于指纹识别、掌纹识别、静脉识别、虹膜识别、人脸识别、活体识别、防伪识别等技术。其中，指纹识别通常包括光学指纹识别、电容式指纹识别和超声波指纹识别。随着全面屏技术的兴起，可以将指纹识别模组设置在显示屏下方的局部区域或者全部区域，从而形成屏下(Under
‑
display)光学指纹识别；或者，也可以将光学指纹识别模组的部分或者全部集成至电子设备的显示屏内部，从而形成屏内(In
‑
display)光学指纹识别。上述显示屏可以是有机发光二极管(Organic Light Emitting Diode，OLED)显示屏或液晶显示屏(Liquid Crystal Display，LCD)等。指纹识别方法通常包括指纹图像的获取、预处理、特征提取、特征匹配等步骤。上述步骤中的部分或者全部可以通过传统计算机视觉(Computer Vision，CV)算法实现，也可以通过基于人工智能(Artificial Intelligence本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种攻击检测方法，其特征在于，所述方法包括：将待测脸部图像输入攻击检测模型；通过所述攻击检测模型将待测脸部图像划分为多个图像块，提取各图像块的块特征，以及对各行及各列图像块的块特征进行处理，得到所述待测脸部图像的行特征和列特征，对所述行特征和所述列特征进行处理，得到攻击检测结果；所述攻击检测结果用于指示所述待测脸部图像是否为与真实脸部图像的图像边缘存在差异的攻击脸部图像。2.根据权利要求1所述的方法，其特征在于，所述攻击检测模型包括序列处理网络，所述序列处理网络包括第一分支和第二分支；所述对各行及各列图像块的块特征进行处理，得到所述待测脸部图像的行特征和列特征，包括：基于所述第一分支对各行图像块的块特征进行序列处理，得到所述待测脸部图像的行特征，基于所述第二分支对各列图像块的块特征进行处理，得到所述待测脸部图像的列特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一分支对各行图像块的块特征进行处理，得到所述待测脸部图像的行特征，包括：将各行图像块的块特征进行拼接，得到各行图像块对应的行拼接特征；将各行拼接特征进行池化处理，得到各行图像块对应的初始组合特征；将各行图像块对应的初始组合特征输入至所述第一分支，基于所述第一分支对各行图像块对应的初始组合特征进行序列处理，得到各行图像块对应的目标组合特征；对各行图像块对应的目标组合特征进行池化处理，得到所述待测脸部图像的行特征。4.根据权利要求2或3所述的方法，其特征在于，所述基于所述第二分支对各列图像块的块特征进行处理，得到所述待测脸部图像的列特征，包括：将各列图像块的块特征进行拼接，得到各列图像块对应的列拼接特征；将各列拼接特征进行池化处理，得到各列图像块对应的初始组合特征；将各列图像块对应的初始组合特征输入至所述第二分支，基于所述第二分支对各列图像块对应的初始组合特征进行序列处理，得到各列图像块对应的目标组合特征；对各列图像块对应的目标组合特征进行池化处理，得到所述待测脸部图像的列特征。5.根据权利要求1
‑
3之一所述的方法，其特征在于，所述攻击检测模型还包括分类网络，所述分类网络包括特征拼接层和全连接层；所述对所述行特征和所述列特征进行处理，得到攻击检测结果，包括：将所述行特征和列特征输入至所述特征拼接层，得到目标特征；将所述目标特征输入至所述全连接层，得到攻击检测结果。6.根据权利要求1
‑
3之一所述的方法，其特征在于，所述攻击检测模型通过如下步骤训练得到：获取样本集，所述样本集中包括真实脸部样本图像和所述真实脸部样本图像对应的攻击脸部样本图像，所述攻击脸部样本图像是通过对所述真实脸部样本图像进行处理后得到的图...

【专利技术属性】
技术研发人员：朱纯博，莫原野，金宇林，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：