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，获取目标用户的目标图像和攻击风险指标之后，基于目标图像和攻击风险指标进行活体检测，得到活体检测结果，并输出该活体检测结果。并输出该活体检测结果。并输出该活体检测结果。

【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，随着人们对人脸识别系统安全性要求的提升，活体检测已经成为人脸识别系统中不可缺少的一环，通过活体检测可以有效拦截非活体类型的攻击样本。现有的活体检测方法可以采用静默式活体检测方法或者基于交互动作的活体检测方法。
[0003]静默式活体检测方法安全性较差，无法应用到一些对安全性要求较高的场景。而基于交互动作的活体检测方法由于需要用户配合完成一些动作，例如，用户基于提示完成各类动作，会导致活体检测耗时较长，进而影响用户体验。因此，亟需一种能够同时兼顾用户体验和安全性的活体检测方法。

技术实现思路

[0004]本说明书提供一种能够同时兼顾用户体验和安全性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：获取目标用户的目标图像和攻击风险指标，所述攻击风险指标表征所述目标用户在目标设备上进行生物识别时，存在攻击行为的风险等级，所述目标图像通过所述目标设备采集；基于所述目标图像和所述攻击风险指标进行活体检测，得到活体检测结果；以及输出所述活体检测结果。
[0006]在一些实施例中，所述获取攻击风险指标，包括：确定所述目标用户对应的用户相似度，所述用户相似度是基于M个第一用户相似度和/或N个第二用户相似度得到的，所述M个第一用户相似度表征所述目标用户与M个目标风险用户之间的相似度，所述N个第二用户相似度表征所述目标用户与N个目标风险设备之间的相似度，所述M和所述N均为大于或等于0的整数；确定所述目标设备对应的设备相似度，所述设备相似度是基于P个第一设备相似度和/或K个第二设备相似度得到的，所述P个第一设备相似度表征所述目标设备与P个目标风险用户之间的相似度，所述K个第二设备相似度表征所述目标设备与K个目标风险设备之间的相似度，所述P和所述K均为大于或等于0的整数；以及基于所述用户相似度与所述设备相似度，确定所述攻击风险指标。
[0007]在一些实施例中，所述M个第一用户相似度采用如下步骤获得：获取所述目标用户对应的第一目标用户特征；获取所述M个目标风险用户对应的M个目标风险用户特征，所述M个目标风险用户为与所述目标用户相关联，且存在攻击行为的用户；基于所述第一目标用户特征与所述M个目标风险用户特征之间的相似度，确定所述M个第一用户相似度。
[0008]在一些实施例中，所述第一目标用户特征和所述M个目标风险用户特征是基于第一图模型获得的，所述第一图模型包括多个用户及所述多个用户之间的关联关系，所述多个用户包括所述目标用户。
[0009]在一些实施例中，所述第一图模型采用如下步骤获得：获取第一初始图模型，所述第一初始图模型以所述多个用户中每个用户对应的初始用户特征为节点，且将存在关联关
系的用户对应的节点进行连接，所述多个用户中至少部分用户标注为风险用户；以及对所述第一初始图模型进行特征更新的训练，得到所述第一图模型。
[0010]在一些实施例中，所述对所述第一初始图模型进行特征更新的训练，得到所述第一图模型，包括：采用预设第一图卷积网络对所述多个初始用户特征进行特征更新，得到多个训练用户特征；基于所述多个训练用户特征进行风险分类，得到风险分类训练结果；以及基于所述风险分类训练结果和所述多个训练用户特征，确定第一综合损失，并基于所述第一综合损失对所述预设第一图卷积网络进行收敛，得到所述第一图模型。
[0011]在一些实施例中，所述基于所述风险分类训练结果和所述多个训练用户特征，确定第一综合损失，包括：基于所述多个训练用户特征之间的差异，确定用户特征相似度损失；基于所述多个用户中至少部分用户的风险分类训练结果与标注风险分类之间的差异，确定风险分类损失；以及基于所述用户特征相似度损失和所述风险分类损失的加权和，得到所述第一综合损失。
[0012]在一些实施例中，所述用户特征相似度损失约束存在关联关系的用户对应的训练用户特征之间的相似度大于预设相似度，不存在关联关系的用户对应的训练用户特征之间的相似度小于预设相似度。
[0013]在一些实施例中，所述N个第二用户相似度采用如下步骤获得：获取所述目标用户对应的第二目标用户特征；获取N个目标风险设备对应的N个目标风险设备特征，所述N个目标风险设备为与所述目标用户相关联，且存在攻击行为的设备；以及基于所述第二目标用户特征与所述N个目标风险设备特征之间的相似度，确定所述N个第二用户相似度。
[0014]在一些实施例中，所述第二目标用户特征和所述N个目标风险设备特征是基于第二图模型获得的，所述第二图模型包括多个用户和多个设备，及所述多个用户和所述多个设备之间的关联关系，所述多个用户包括所述目标用户，所述多个设备包括所述目标设备。
[0015]在一些实施例中，所述P个第一设备相似度，采用如下步骤获得：获取所述目标设备对应的第一目标设备特征；获取所述P个目标风险用户对应的P个目标风险用户特征，所述P个目标风险用户为与所述目标设备相关联，且存在攻击行为的用户；以及基于所述第一设备特征与所述P个目标风险用户特征之间的相似度，确定所述P个第一设备相似度。
[0016]在一些实施例中，所述第一目标设备特征和所述P个目标风险用户特征是基于第二图模型获得的，所述第二图模型包括多个用户和多个设备，及其所述多个用户和所述多个设备之间的关联关系，所述多个用户包括所述目标用户，所述多个设备包括所述目标设备。
[0017]在一些实施例中，所述第二图模型采用如下方法步骤获得：获取第二初始图模型，所述第二初始图模型以所述多个用户中每个用户对应的初始用户特征和多个设备中每个设备对应的初始设备特征为节点，且将存在关联关系的用户对应的节点和设备对应的节点进行连接，所述多个用户中至少部分用户标注为风险用户，所述多个设备中至少部分设备标注为风险设备；以及对所述第二初始图模型进行特征更新的训练，得到所述第二图模型。
[0018]在一些实施例中，所述对所述第二初始图模型进行特征更新的训练，得到所述第二图模型，包括：采用预设第二图卷积网络对所述多个初始用户特征和所述多个初始设备特征进行特征更新，得到多个训练用户特征和多个训练设备特征；基于所述多个训练用户特征和所述多个训练设备特征进行风险分类，得到风险分类训练结果；以及基于所述风险
分类训练结果、所述多个训练用户特征和所述多个训练设备特征，确定第二综合损失，并基于所述第二综合损失对所述预设第二图卷积网络进行收敛，得到所述第二图模型。
[0019]在一些实施例中，所述基于所述风险分类训练结果、所述多个训练用户特征和所述多个训练设备特征，确定第二综合损失，包括：基于具有关联关系的用户设备对中用户对应的训练用户特征和设备对应的训练设备特征之间的差异，确定用户设备间特征相似度损失；基于所述多个用户中至少部分用户的风险分类训练结果与标注风险分类结果之间的差异，和/或所述多个设备中至少部分设备的风险分类训练结果与标注风险分类结果之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，包括：获取目标用户的目标图像和攻击风险指标，所述攻击风险指标表征所述目标用户在目标设备上进行生物识别时，存在攻击行为的风险等级，所述目标图像通过所述目标设备采集；基于所述目标图像和所述攻击风险指标进行活体检测，得到活体检测结果；以及输出所述活体检测结果。2.根据权利要求1所述的方法，其中，所述获取攻击风险指标，包括：确定所述目标用户对应的用户相似度，所述用户相似度是基于M个第一用户相似度和/或N个第二用户相似度得到的，所述M个第一用户相似度表征所述目标用户与M个目标风险用户之间的相似度，所述N个第二用户相似度表征所述目标用户与N个目标风险设备之间的相似度，所述M和所述N均为大于或等于0的整数；确定所述目标设备对应的设备相似度，所述设备相似度是基于P个第一设备相似度和/或K个第二设备相似度得到的，所述P个第一设备相似度表征所述目标设备与P个目标风险用户之间的相似度，所述K个第二设备相似度表征所述目标设备与K个目标风险设备之间的相似度，所述P和所述K均为大于或等于0的整数；以及基于所述用户相似度与所述设备相似度，确定所述攻击风险指标。3.根据权利要求2所述的方法，其中，所述M个第一用户相似度采用如下步骤获得：获取所述目标用户对应的第一目标用户特征；获取所述M个目标风险用户对应的M个目标风险用户特征，所述M个目标风险用户为与所述目标用户相关联，且存在攻击行为的用户；以及基于所述第一目标用户特征与所述M个目标风险用户特征之间的相似度，确定所述M个第一用户相似度。4.根据权利要求3所述的方法，其中，所述第一目标用户特征和所述M个目标风险用户特征是基于第一图模型获得的，所述第一图模型包括多个用户及所述多个用户之间的关联关系，所述多个用户包括所述目标用户。5.根据权利要求4所述的方法，其中，所述第一图模型采用如下步骤获得：获取第一初始图模型，所述第一初始图模型以所述多个用户中每个用户对应的初始用户特征为节点，且将存在关联关系的用户对应的节点进行连接，所述多个用户中至少部分用户标注为风险用户；以及对所述第一初始图模型进行特征更新的训练，得到所述第一图模型。6.根据权利要求5所述的方法，其中，所述对所述第一初始图模型进行特征更新的训练，得到所述第一图模型，包括：采用预设第一图卷积网络对多个初始用户特征进行特征更新，得到多个训练用户特征；基于所述多个训练用户特征进行风险分类，得到风险分类训练结果；以及基于所述风险分类训练结果和所述多个训练用户特征，确定第一综合损失，并基于所述第一综合损失对所述预设第一图卷积网络进行收敛，得到所述第一图模型。7.根据权利要求6所述的方法，其中，所述基于所述风险分类训练结果和所述多个训练用户特征，确定第一综合损失，包括：
基于所述多个训练用户特征之间的差异，确定用户特征相似度损失；基于所述多个用户中至少部分用户的风险分类训练结果与标注风险分类之间的差异，确定风险分类损失；以及基于所述用户特征相似度损失和所述风险分类损失的加权和，得到所述第一综合损失。8.根据权利要求7所述的方法，其中，所述用户特征相似度损失约束存在关联关系的用户对应的训练用户特征之间的相似度大于预设相似度，不存在关联关系的用户对应的训练用户特征之间的相似度小于预设相似度。9.根据权利要求2所述的方法，其中，所述N个第二用户相似度采用如下步骤获得：获取所述目标用户对应的第二目标用户特征；获取N个目标风险设备对应的N个目标风险设备特征，所述N个目标风险设备为与所述目标用户相关联，且存在攻击行为的设备；以及基于所述第二目标用户特征与所述N个目标风险设备特征之间的相似度，确定所述N个第二用户相似度。10.根据权利要求9所述的方法，其中，所述第二目标用户特征和所述N个目标风险设备特征是基于第二图模型获得的，所述第二图模型包括多个用户和多个设备，及所述多个用户和所述多个设备之间的关联关系，所述多个用户包括所述目标用户，所述多个设备包括所述目标设备。11.根据权利要求2所述的方法，其中，所述P个第一设备相似度，采用如下步骤获得：获取所述目标设备对应的第一目标设备特征；获取所述P个目标风险用户对应的P个目标风险用户特征，所述P个目标风险用户为与所述目标设备相关联，且存在攻击行为的用户；以及基于所述第一设备特征与所述P个目标风险用户特征之间的相似度，确定所述P个第一设备相似度。12.根据权利要求11所述的方法，所述第一目标设备特征和所述P个目标风险用户特征是基于第二图模型获得的，所述第二图模型包括多个用户和多个设备，...

【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：