本公开提供了一种活体检测的方法、装置、设备、存储介质和程序产品，其中，该方法包括：获取多帧对象图像；对对象图像进行特征提取，得到每帧对象图像对应的初始图像特征；分别对每帧对象图像的预设区域对应的初始图像特征进行特征加强处理，得到每帧对象图像对应的目标图像特征；基于每帧对象图像的拍摄时序信息和每帧对象图像对应的目标图像特征，确定对象图像对应的对象的活体检测结果。本公开实施例通过对预设区域对应的初始图像特征进行特征加强处理，能够增大预设区域对应的初始图像特征的权重，从而有利于提高活体检测精度；之后，按照每帧对象图像的拍摄时序信息处理目标特征图像，能够精准的识别出当前对象图像中的对象是否为伪造。象是否为伪造。象是否为伪造。
【技术实现步骤摘要】
一种活体检测方法、装置、设备、存储介质和程序产品
[0001]本公开涉及计算机
，具体而言，涉及一种活体检测方法、装置、设备、存储介质和程序产品。
技术介绍
[0002]为了确保人脸识别的安全可靠性，近年来，活体检测技术逐渐在人脸识别系统中应用开来，其中，炫彩活体检测是通过在特定时间段内向人脸上投射不同颜色的光线，利用算法进行判断视频中的用户是否是“活体”。由于不同颜色的光线投射在翻拍照片等攻击场景下和真实人脸上的反射效果不同，因此，通过算法对上述特征进行区分，能够达到活体识别的效果。
[0003]但是，炫彩活体检测的过程中，会显示系统每次下发的光线颜色，安全隐秘程度较低，不法人员可能根据下发的颜色光线进行攻击。另外，该活体检测中特征学习的方式较为粗糙，导致最终的检测精确度相对较低。
技术实现思路
[0004]本公开实施例至少提供一种活体检测方法、装置、设备、存储介质和程序产品。
[0005]第一方面，本公开实施例提供了一种活体检测方法，包括：
[0006]获取多帧对象图像；
[0007]对所述对象图像进行特征提取，得到每帧对象图像对应的初始图像特征；
[0008]分别对每帧对象图像的预设区域对应的初始图像特征进行特征加强处理，得到每帧对象图像对应的目标图像特征；
[0009]基于每帧对象图像的拍摄时序信息和每帧对象图像对应的目标图像特征，确定所述对象图像对应的对象的活体检测结果。
[0010]一种可选的实施方式中，所述基于每帧对象图像的拍摄时序信息和每帧对象图像对应的目标图像特征，确定所述对象图像对应的对象的活体检测结果，包括：
[0011]基于每帧对象图像的拍摄时序信息，对每帧对象图像对应的目标图像特征进行特征融合，得到目标融合特征；
[0012]基于所述目标融合特征，确定所述对象图像对应的对象的活体检测结果。
[0013]一种可选的实施方式中，所述基于每帧对象图像的拍摄时序信息，对每帧对象图像对应的目标图像特征进行特征融合，得到目标融合特征，包括：
[0014]基于每帧对象图像的拍摄时序信息，确定包括任意相邻两帧对象图像的多个图像组；其中，每个图像组包括第一图像和第二图像；其中，所述第一图像的拍摄时间早于所述第二图像的拍摄时间；
[0015]针对不包括所述多帧对象图像中第一帧对象图像的每一图像组，基于所述第二图像对应的目标图像特征和所述第一图像对应的目标融合子特征，确定所述第二图像对应的目标融合子特征；其中，所述第一图像对应的目标融合子特征是基于所述第一图像的前一
帧对象图像对应的目标融合子特征和所述第一图像的目标图像特征融合得到的；
[0016]将所述多帧对象图像中最后一帧对象图像对应的目标融合子特征作为所述目标融合特征。
[0017]一种可选的实施方式中，在确定所述多个图像组之后，还包括：
[0018]针对包括所述多帧对象图像中第一帧对象图像的图像组，基于所述第二图像对应的目标图像特征和所述第一图像对应的目标融合子特征，确定所述第二图像对应的目标融合子特征；其中，所述第一图像对应的目标融合子特征是基于所述第一图像的目标图像特征得到的。
[0019]一种可选的实施方式中，对所述对象图像的预设区域对应的初始图像特征进行特征加强处理，得到所述对象图像对应的目标图像特征，包括：
[0020]对所述初始图像特征进行特征提取，得到多个初始图像子特征；
[0021]获取每个所述初始图像子特征分别对应的权重信息；
[0022]基于所述初始图像特征、每个所述初始图像子特征和每个所述初始图像子特征分别对应的权重信息，对所述对象图像的预设区域对应的初始图像特征进行特征加强处理，得到所述对象图像对应的目标图像特征。
[0023]一种可选的实施方式中，所述基于所述目标融合特征，确定所述对象图像对应的对象的活体检测结果，包括：
[0024]对所述目标融合特征进行非线性变化处理，确定所述对象为活体对象的第一特征值和所述对象为伪造对象的第二特征值；
[0025]基于所述第一特征值和所述第二特征值，确定所述对象图像对应的对象的活体检测结果。
[0026]一种可选的实施方式中，所述方法利用训练好的目标神经网络执行；
[0027]还包括训练所述目标神经网络的步骤：
[0028]获取第一对象数据集和第二对象数据集；所述第一对象数据集中包括活体对象对应的多张图像；所述第二对象数据集中包括活体对象对应的多张图像和伪造对象对应的多张图像；
[0029]利用所述第一对象数据集对提取对象特征的神经网络进行训练，得到初始神经网络；
[0030]基于所述第二对象数据集对待训练的目标神经网络进行训练，得到训练好的目标神经网络；所述待训练的目标神经网络包括所述初始神经网络。
[0031]一种可选的实施方式中，所述获取多帧对象图像，包括：
[0032]获取预设时长的视频片段；
[0033]识别所述视频片段中每帧图像，确定包括所述对象的目标对象图像；
[0034]基于预设的采集率和采集量，从所述视频片段中采集多帧所述目标对象图像；
[0035]基于多帧所述目标对象图像，确定多帧所述对象图像。
[0036]一种可选的实施方式中，所述基于多帧所述目标对象图像，确定多帧所述对象图像，包括：
[0037]识别每帧所述目标对象图像中所述对象所在区域，确定与每帧所述目标对象图像对应的对象区域图像；
[0038]按照预设比例，将每帧所述对象区域图像进行缩放处理，得到多帧所述对象图像。
[0039]第二方面，本公开实施例还提供一种活体检测装置，包括：
[0040]图像获取模块，用于获取多帧对象图像；
[0041]特征提取模块，用于对所述对象图像进行特征提取，得到每帧对象图像对应的初始图像特征；
[0042]特征加强模块，用于分别对每帧对象图像的预设区域对应的初始图像特征进行特征加强处理，得到每帧对象图像对应的目标图像特征；
[0043]活体检测模块，用于基于每帧对象图像的拍摄时序信息和每帧对象图像对应的目标图像特征，确定所述对象图像对应的对象的活体检测结果。
[0044]一种可选的实施方式中，所述活体检测模块，用于基于每帧对象图像的拍摄时序信息，对每帧对象图像对应的目标图像特征进行特征融合，得到目标融合特征；基于所述目标融合特征，确定所述对象图像对应的对象的活体检测结果。
[0045]一种可选的实施方式中，所述活体检测模块，用于基于每帧对象图像的拍摄时序信息，确定包括任意相邻两帧对象图像的多个图像组；其中，每个图像组包括第一图像和第二图像；其中，所述第一图像的拍摄时间早于所述第二图像的拍摄时间；针对不包括所述多帧对象图像中第一帧对象图像的每一图像组，基于所述第二图像对应的目标图像特征和所述第一图像对应的目标融合子特征，确定所述第二图像对应的目标融合子特征；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：获取多帧对象图像；对所述对象图像进行特征提取，得到每帧对象图像对应的初始图像特征；分别对每帧对象图像的预设区域对应的初始图像特征进行特征加强处理，得到每帧对象图像对应的目标图像特征；基于每帧对象图像的拍摄时序信息和每帧对象图像对应的目标图像特征，确定所述对象图像对应的对象的活体检测结果。2.根据权利要求1所述的方法，其特征在于，所述基于每帧对象图像的拍摄时序信息和每帧对象图像对应的目标图像特征，确定所述对象图像对应的对象的活体检测结果，包括：基于每帧对象图像的拍摄时序信息，对每帧对象图像对应的目标图像特征进行特征融合，得到目标融合特征；基于所述目标融合特征，确定所述对象图像对应的对象的活体检测结果。3.根据权利要求2所述的方法，其特征在于，所述基于每帧对象图像的拍摄时序信息，对每帧对象图像对应的目标图像特征进行特征融合，得到目标融合特征，包括：基于每帧对象图像的拍摄时序信息，确定包括任意相邻两帧对象图像的多个图像组；其中，每个图像组包括第一图像和第二图像；其中，所述第一图像的拍摄时间早于所述第二图像的拍摄时间；针对不包括所述多帧对象图像中第一帧对象图像的每一图像组，基于所述第二图像对应的目标图像特征和所述第一图像对应的目标融合子特征，确定所述第二图像对应的目标融合子特征；其中，所述第一图像对应的目标融合子特征是基于所述第一图像的前一帧对象图像对应的目标融合子特征和所述第一图像的目标图像特征融合得到的；将所述多帧对象图像中最后一帧对象图像对应的目标融合子特征作为所述目标融合特征。4.根据权利要求3所述的方法，其特征在于，在确定所述多个图像组之后，还包括：针对包括所述多帧对象图像中第一帧对象图像的图像组，基于所述第二图像对应的目标图像特征和所述第一图像对应的目标融合子特征，确定所述第二图像对应的目标融合子特征；其中，所述第一图像对应的目标融合子特征是基于所述第一图像的目标图像特征得到的。5.根据权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：李威，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：
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。