活体对象识别方法、设备和计算机可读存储介质技术

本公开提出了用于活体目标检测的方法、设备和计算机可读存储介质。该方法包括：基于目标图像的类别来确定所述目标图像的第一活体检测值；以及根据所述目标图像的第一活体检测值来确定所述目标图像中的目标是否为活体目标。标。标。

【技术实现步骤摘要】
活体对象识别方法、设备和计算机可读存储介质
[0001]分案说明
[0002]本申请是申请日为2017年03月27日、申请号为201710192070.5、专利技术名称为“活体对象识别方法、设备和计算机可读存储介质”的专利技术专利申请的分案申请。


[0003]本公开总体上涉及图像识别领域，更具体地涉及用于在图像中识别活体对象的方法、设备和计算机可读存储介质。

技术介绍

[0004]随着技术的进步，人脸识别系统已被广泛应用在例如门禁、安保、移动设备解锁、移动支付、图像处理(例如美图等)等领域中。然而，不同类型的欺骗攻击对于人脸识别系统来说是一个很大的威胁。常见的欺骗攻击手段，包括例如纸质打印图像攻击、照片图像攻击、屏幕图像攻击、屏幕视频攻击、3D打印攻击等等。这些攻击通过使用对象的非活体副本(例如，冲印照片、打印照片、手机屏幕图像、电脑屏幕图像等)来欺骗人脸识别系统，进而获得其不应当获得的权利。
[0005]因此，如何能够获取稳定有效的特征来进行活体的判别，一直是活体检测研究领域的重点和难点问题。根据是否需要用户的配合，可以将活体检测方法大体分为两类：(1)侵入式活体检测方法；以及(2)非侵入式活体检测方法。
[0006]侵入式活体检测方法通常需要依赖用户的配合。用户需要在软件的提示下做出相应的动作，如眨眼、摇头、微笑等，进而检测系统对相应的动作进行识别，以此做为活体检测的依据。这类方法在实际应用中存在耗时长、界面不友好、用户体验差等缺点。
[0007]非侵入式活体检测方法通常不需要用户做任何特殊的动作，而是通过设备获取的图像或视频信息直接提取相应特征。其主要利用在相关计算机视觉和图像处理研究领域的经验，设计一定的客观算法提取图像或视频的特征，对于不同设备和应用场景，提取特征的方法是一样的。这类方法很大程度上依赖于设计者的能力，但对于变化复杂的实际场景，这类方法有时并不鲁棒。

技术实现思路

[0008]为了至少部分解决或减轻上述问题，提供了根据本公开实施例的用于在图像中识别活体对象的方法、设备和计算机可读存储介质。
[0009]根据本公开的第一方面，提供了一种用于在图像中识别活体对象的方法。该方法包括：确定所述图像中的候选对象；根据所述图像中与所述候选对象有关的一个或多个子图像来确定分别与所述一个或多个子图像相对应的一个或多个第一活体检测值；以及基于所述一个或多个第一活体检测值来确定所述候选对象是否是活体对象。
[0010]在一些实施例中，所述一个或多个子图像包括以下至少一项：仅包括所述候选对象在内的子图像；仅包括所述候选对象的局部在内的子图像；以及包括所述候选对象和所
述候选对象的背景在内的子图像。在一些实施例中，每个第一活体检测值是针对相应子图像使用相应的第一卷积神经网络来确定的。在一些实施例中，每个第一卷积神经网络包括6个卷积层，分别包括16个3x3x3卷积核、16个3x3x16卷积核、32个3x3x16卷积核、32个3x3x32卷积核、64个3x3x32卷积核、以及64个3x3x64卷积核。在一些实施例中，在每个第一卷积神经网络中，在至少一个卷积层之后及其下一个卷积层之前，还包括批归一化层、修正线性单元、和池化层。在一些实施例中，在每个第一卷积神经网络中，在第五个卷积层之后且在第六个卷积层之前，不包括修正线性单元和池化层。在一些实施例中，基于所述一个或多个第一活体检测值来确定所述候选对象是否是活体对象的步骤包括：针对所述一个或多个第一活体检测值求加权平均或算数平均以得到综合第一活体检测值；以及将所述综合第一活体检测值与预设的第一活体检测阈值进行比较，并根据比较结果来确定所述候选对象是否是活体对象。在一些实施例中，针对所述一个或多个第一活体检测值求加权平均或算数平均以得到综合第一活体检测值的步骤包括：根据以下公式来计算所述综合第一活体检测值：
[0011]Score
pre
＝0.3*Score
CNN1
+0.4Score
CNN2
+0.3*Score
CNN3
[0012]其中，Score
pre
为综合第一活体检测值，Score
CNN1
为与第一子图像相对应的第一活体检测值，Score
CNN2
为与第二子图像相对应的第一活体检测值，以及Score
CNN3
为与第三子图像相对应的第一活体检测值。在一些实施例中，所述方法还包括：如果确定所述候选对象是活体对象，则确定所述候选对象是否是对象数据库中预先存储的一个或多个对象之一。在一些实施例中，确定所述候选对象是否是对象数据库中预先存储的一个或多个对象之一的步骤包括：使用第二卷积神经网络来确定所述候选对象是否是对象数据库中预先存储的一个或多个对象之一。在一些实施例中，如果确定所述候选对象是对象数据库中预先存储的一个或多个对象之一，则所述方法还包括：针对所述第二卷积神经网络中至少一个卷积层的一个或多个特征图，使用一个或多个第三卷积神经网络分别确定一个或多个第二活体检测值；以及基于所述一个或多个第二活体检测值来确定所述候选对象是否是活体对象。在一些实施例中，每个第三卷积神经网络包括：卷积层、平均池化层、第一全连接层、以及第二全连接层。在一些实施例中，基于所述一个或多个第二活体检测值来确定所述候选对象是否是活体对象的步骤包括：针对所述一个或多个第二活体检测值求加权平均或算数平均，以得到综合第二活体检测值；以及将所述综合第二活体检测值与预设的第二活体检测阈值进行比较，并根据比较结果来确定所述候选对象是否是活体对象。
[0013]根据本公开的第二方面，提供了一种用于在图像中识别活体对象的设备。该设备包括：候选对象确定单元，用于确定所述图像中的候选对象；第一活体检测值确定单元，用于根据所述图像中与所述候选对象有关的一个或多个子图像来确定分别与所述一个或多个子图像相对应的一个或多个第一活体检测值；以及活体对象确定单元，用于基于所述一个或多个第一活体检测值来确定所述候选对象是否是活体对象。
[0014]在一些实施例中，所述一个或多个子图像包括以下至少一项：仅包括所述候选对象在内的子图像；仅包括所述候选对象的局部在内的子图像；以及包括所述候选对象和所述候选对象的背景在内的子图像。在一些实施例中，每个第一活体检测值是针对相应子图像使用相应的第一卷积神经网络来确定的。在一些实施例中，每个第一卷积神经网络包括6个卷积层，分别包括16个3x3x3卷积核、16个3x3x16卷积核、32个3x3x16卷积核、32个3x3x32卷积核、64个3x3x32卷积核、以及64个3x3x64卷积核。在一些实施例中，在每个第一卷积神
经网络中，在至少一个卷积层之后及其下一个卷积层之前，还包括批归一化层、修正线性单元、和池化层。在一些实施例中，在每个第一卷积神经网络中，在第五个卷积层之后且在第六个卷积层之前，不包括修正线性单元和池化层。在一些实施例中，所述活体对象确定单元还用于：针对所述一个或多个第一活体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：基于用于识别输入图像中包括的用户的识别模型来确定活体分数，其中，确定所述活体分数包括：根据从所述识别模型内的隐藏层输出的特征向量确定各个活体分数，以及基于所述各个活体分数确定所述活体分数；以及基于所述活体分数和来自所述识别模型的识别结果来对所述用户进行验证。2.根据权利要求1所述的方法，其中，确定所述各个活体分数包括：使用活体测试模型来根据所述特征向量确定所述各个活体分数。3.根据权利要求1所述的方法，其中，基于所述各个活体分数确定所述活体分数包括：对所述各个活体分数中的至少一个应用权重；以及基于应用所述权重的结果来确定所述活体分数。4.根据权利要求1所述的方法，还包括：基于所述识别模型来确定对象是否为预先登记的对象。5.根据权利要求1所述的方法，还包括：响应于所述用户被验证为登记的用户而执行由所述用户请求的操作。6.根据权利要求5所述的方法，其中，执行所述操作包括：解锁设备、进行支付和执行用户登录中的至少一个。7.一种存储指令的非暂时性计算机可读存储介质，所述指令在由处理器执行时，使所述处理器执行根据权利要求1
‑
5任...

【专利技术属性】
技术研发人员：徐静涛，冯昊，安耀祖，张超，单言虎，兪炳仁，韩在濬，崔昌圭，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：