活体检测方法和系统技术方案

本说明书提供的活体检测方法和系统，在获取目标面部图像，并在目标面部图像中提取出预设属性的显式属性特征后，在目标面部图像中提取出隐式属性特征，该隐式属性特征包括未知类型的攻击具备的除预设属性以外的未知属性的特征，以及基于显式属性特征和隐式属性特征，对目标面部图像进行活体检测，并输出活体检测结果；该方案可以提升活体检测的准确率和检测效率。效率。效率。

【技术实现步骤摘要】
活体检测方法和系统


[0001]本说明书涉及图像识别领域，尤其涉及一种活体检测方法和系统。

技术介绍

[0002]近年来，随着互联网技术的飞速发展，在人脸识别系统中活体检测已经成为不可缺少的一环，通过活体检测可以有效拦截非活体类型的攻击样本。攻击样本的类型可以有多种，有些可以为已知攻击类型，有些可以为未知攻击类型。针对未知攻击类型，现有的活体检测方法往往是基于质量检测或单边分类进行新类型攻击的检测。
[0003]在对现有技术的研究和实践过程中，本申请的专利技术人发现基于质量检测的方法在攻击样本的质量较高时，该方法几乎会失效，从而使得检测失败，而单边分类的方法需要额外引入一个单边分类器作为新类型攻击的检测器，从而使得活体检测的效率变低，另外，还提升了对用户的打扰率，因此，导致针对新攻击类型的活体检测的效率较低。

技术实现思路

[0004]本说明书提供一种检测效率更高的活体检测方法和系统。
[0005]第一方面，本说明书提供一种活体检测方法，包括：获取目标面部图像，并在所述目标面部图像中提取出预设属性的显式属性特征；在所述目标面部图像中提取出隐式属性特征，所述隐式属性特征包括未知类型的攻击具备的除所述预设属性以外的未知属性的特征；以及基于所述显式属性特征和所述隐式属性特征，对所述目标面部图像进行活体检测，并输出活体检测结果。
[0006]在一些实施例中，所述预设属性包括与已知攻击类型相关的显式属性，所述显式属性包括反光、终端屏幕、纸张、动态模糊或高斯模糊中的至少一种。
[0007]在一些实施例中，所述在所述目标面部图像中提取出预设属性的显式属性特征，包括：采用显式属性活体检测网络对所述目标面部图像进行特征提取，得到所述目标面部图像的特征图谱；对所述特征图谱进行多属性分类，以得到所述特征图谱中的至少一个显式属性和所述至少一个显式属性对应的属性特征；以及将所述至少一个显式属性对应的属性特征作为所述预设属性的显式属性特征。
[0008]在一些实施例中，所述显式属性活体检测网络的训练过程包括以下步骤：获取第一面部图像样本，并采用预设显式属性活体检测网络在所述第一面部图像样本中提取出显式属性特征，得到第一样本显式属性特征；基于所述第一样本显式属性特征预测所述第一面部图像样本的活体类别，得到第一预测活体类别；以及基于所述第一预测活体类别和所述第一样本显式属性特征，确定所述第一面部图像样本的第一活体损失信息，并基于所述第一活体损失对所述预设显式属性活体检测网络进行收敛，得到训练后的显式属性活体检测网络。
[0009]在一些实施例中，所述基于所述第一预测活体类别和所述第一样本显式属性特征，确定所述第一面部图像样本的第一活体损失信息，包括：基于所述第一样本显式属性特
征的属性类别和所述第一面部图像样本的标注属性类别，确定所述第一面部图像样本的显式属性分类损失信息；基于所述第一预测活体类别和所述第一样本显式属性特征，确定所述第一面部图像样本的第一稀疏性损失信息，所述第一稀疏性损失信息表征参与活体决策的属性特征的稀疏性的损失信息；基于所述第一预测活体类别和所述第一面部图像样本的标注活体类别，确定所述第一面部图像样本的第一活体分类损失信息；以及将所述显式属性分类损失信息、所述第一稀疏性损失信息和所述第一活体分类损失信息进行累加，得到所述第一面部图像样本的第一活体损失信息。
[0010]在一些实施例中，所述在所述目标面部图像中提取出预设属性的显式属性特征之后，还包括：基于所述显式属性特征，确定所述目标面部图像的第一活体分类结果，所述第一活体分类结果包括显式攻击概率；在所述显式攻击概率在预设第一攻击概率区间外时，将所述第一活体分类结果作为所述目标面部图像的活体检测结果。
[0011]在一些实施例中，所述在所述目标面部图像中提取出隐式属性特征，包括：在所述显式攻击概率在所述预设第一攻击概率区间内时，采用隐式属性活体检测网络在所述目标面部图像中提取出隐式属性特征。
[0012]在一些实施例中，所述隐式属性活体检测网络包括区域候选子网络、隐式特征编码子网络和隐式属性活体检测子网络；以及所述采用隐式属性活体检测网络在所述目标面部图像中提取出隐式属性特征，包括：采用所述区域候选子网络在所述目标面部图像中提取出语义区域，所述语义区域为所述目标面部图像中包含语义信息的区域，以及基于所述隐式特征编码子网络在所述语义区域中提取出至少一个属性特征，得到所述隐式属性特征。
[0013]在一些实施例中，所述隐式属性活体检测网络的训练过程包括以下步骤：获取第二面部图像样本，并采用显式属性活体检测网络在所述第二面部图像样本中提取出第二样本显式属性特征；采用预设隐式属性活体检测网络在所述第二面部图像样本中提取出第一样本隐式属性特征，并基于所述第一样本隐式属性特征预测所述第二面部图像样本的活体类别，得到第二预测活体类别；基于所述第二样本显式属性特征、所述第一样本隐式属性特征和所述第二预测活体类别，确定所述第二面部图像样本的第二活体损失信息；以及基于所述第二活体损失信息对所述预设隐式属性活体检测网络中的隐式特征编码子网络和隐式属性活体检测子网络进行收敛，得到训练后的隐式属性活体检测网络。
[0014]在一些实施例中，所述基于所述第二样本显式属性特征、所述第一样本隐式属性特征和所述第二预测活体类别，确定所述第二面部图像样本的第二活体损失信息，包括：基于所述第一样本隐式属性特征的属性类别和所述第二面部图像样本中的标注属性类别，确定所述第二面部图像样本的隐式属性分类损失信息；基于所述第二预测活体类别和所述第二面部图像样本的标注活体类别，确定所述第二面部图像样本的第二活体分类损失信息；基于所述第二样本显式属性特征和所述第一样本隐式属性特征，确定所述第二面部图像样本的特征相关性损失信息，所述特征相关性损失信息的约束条件为最小化所述第二样本显式属性特征和所述第一样本隐式属性特征之间的相关性；以及将所述隐式属性分类损失信息、所述第二活体分类损失信息和所述特征相关性损失信息进行累加，得到所述第二面部图像样本的第二活体损失信息。
[0015]在一些实施例中，所述在所述目标面部图像中提取出隐式属性特征之后，还包括：
基于所述隐式属性特征，确定所述目标面部图像的第二活体分类结果，所述第二活体分类结果包括隐式攻击概率；以及在所述隐式攻击概率在预设第二攻击概率区间外时，将所述第二活体分类结果作为所述目标面部图像的活体检测结果。
[0016]在一些实施例中，所述基于所述显式属性特征和所述隐式属性特征，对所述目标面部图像进行活体检测，包括：在所述隐式攻击概率在所述预设第二攻击概率区间内时，采用属性融合网络基于所述显式属性特征和所述隐式属性特征，对所述目标面部图像进行活体检测。
[0017]在一些实施例中，所述属性融合网络包括特征融合子网络和分类子网络；以及所述采用属性融合网络基于所述显式属性特征和所述隐式属性特征，对所述目标面部图像进行活体检测，包括：采用所述特征融合子网络将所述显式属性特征和所述隐式属性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，包括：获取目标面部图像，并在所述目标面部图像中提取出预设属性的显式属性特征；在所述目标面部图像中提取出隐式属性特征，所述隐式属性特征包括未知类型的攻击具备的除所述预设属性以外的未知属性的特征；以及基于所述显式属性特征和所述隐式属性特征，对所述目标面部图像进行活体检测，并输出活体检测结果。2.根据权利要求1所述的活体检测方法，其中，所述预设属性包括与已知攻击类型相关的显式属性，所述显式属性包括反光、终端屏幕、纸张、动态模糊或高斯模糊中的至少一种。3.根据权利要求1所述的活体检测方法，其中，所述在所述目标面部图像中提取出预设属性的显式属性特征，包括：采用显式属性活体检测网络对所述目标面部图像进行特征提取，得到所述目标面部图像的特征图谱；对所述特征图谱进行多属性分类，以得到所述特征图谱中的至少一个显式属性和所述至少一个显式属性对应的属性特征；以及将所述至少一个显式属性对应的属性特征作为所述预设属性的显式属性特征。4.根据权利要求3所述的活体检测方法，其中，所述显式属性活体检测网络的训练过程包括以下步骤：获取第一面部图像样本，并采用预设显式属性活体检测网络在所述第一面部图像样本中提取出显式属性特征，得到第一样本显式属性特征；基于所述第一样本显式属性特征预测所述第一面部图像样本的活体类别，得到第一预测活体类别；以及基于所述第一预测活体类别和所述第一样本显式属性特征，确定所述第一面部图像样本的第一活体损失信息，并基于所述第一活体损失对所述预设显式属性活体检测网络进行收敛，得到训练后的显式属性活体检测网络。5.根据权利要求4所述的活体检测方法，其中，所述基于所述第一预测活体类别和所述第一样本显式属性特征，确定所述第一面部图像样本的第一活体损失信息，包括：基于所述第一样本显式属性特征的属性类别和所述第一面部图像样本的标注属性类别，确定所述第一面部图像样本的显式属性分类损失信息；基于所述第一预测活体类别和所述第一样本显式属性特征，确定所述第一面部图像样本的第一稀疏性损失信息，所述第一稀疏性损失信息表征参与活体决策的属性特征的稀疏性的损失信息；基于所述第一预测活体类别和所述第一面部图像样本的标注活体类别，确定所述第一面部图像样本的第一活体分类损失信息；以及将所述显式属性分类损失信息、所述第一稀疏性损失信息和所述第一活体分类损失信息进行累加，得到所述第一面部图像样本的第一活体损失信息。6.根据权利要求1所述的活体检测方法，其中，所述在所述目标面部图像中提取出预设属性的显式属性特征之后，还包括：基于所述显式属性特征，确定所述目标面部图像的第一活体分类结果，所述第一活体分类结果包括显式攻击概率；
在所述显式攻击概率在预设第一攻击概率区间外时，将所述第一活体分类结果作为所述目标面部图像的活体检测结果。7.根据权利要求6所述的活体检测方法，其中，所述在所述目标面部图像中提取出隐式属性特征，包括：在所述显式攻击概率在所述预设第一攻击概率区间内时，采用隐式属性活体检测网络在所述目标面部图像中提取出隐式属性特征。8.根据权利要求7所述的活体检测方法，其中，所述隐式属性活体检测网络包括区域候选子网络、隐式特征编码子网络和隐式属性活体检测子网络；以及所述采用隐式属性活体检测网络在所述目标面部图像中提取出隐式属性特征，包括：采用所述区域候选子网络在所述目标面部图像中提取出语义区域，所述语义区域为所述目标面部图像中包含语义信息的区域，以及基于所述隐式特征编码子网络在所述语义区域中提取出至少一个属性特征，得到所述隐式属性特征。9.根据权利要求7所述的活体检测方法，其中，所述隐式属性活体检测网络的训练过程包括以下步骤：获取第二面部图像样本，并采用显式属性活体检测网络在所述第二面部图像样本中提取出第二样本显式属性特征；采用预设隐式属性活体检测网络在所述第二面部图像样本中提取出第一样本隐式属性特征，并基于所述第一样本隐式属性特征预测所述第二面部图像样本的活体类别，得到第二预测活体类别；基于所述第二样本显式属性特征、所述第一样本隐式属性特征和所述第二预测活体类别，确定所述第二面部图像样本的第二活体损失信息；以及基于所述第二活体损失信息对所述预设隐式属性活体检测网络中的隐式特征编码子网络和隐式属性活体检测子网络进行收敛，得到训练后的隐式属性活体检测网络。10.根据权利要求9所述的活体检测方法，其中，所述基于所述第二样本显式属性特征、所述第一样本...

【专利技术属性】
技术研发人员：曹佳炯，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：