假体攻击检测方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种假体攻击检测方法、系统、设备及存储介质，包括：获取目标人脸的红外图像，所述红外图像通过红外相机采集；在所述红外图像上截取预设置尺寸的人脸像素区域；将所述人脸像素区域输入预训练的假体攻击检测模型，通过所述假体攻击检测模型判断所述人脸像素区域是否为活体人脸图像，并输出活体检测结果。本发明专利技术中通过假体攻击检测模型对输入目标人脸的红外图像进行活体检测，假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用。便于模型的推广应用。便于模型的推广应用。

【技术实现步骤摘要】
假体攻击检测方法、系统、设备及存储介质


[0001]本专利技术涉及活体检测，具体地，涉及一种假体攻击检测方法、系统、设备及存储介质。

技术介绍

[0002]现在市面上大多数反攻击算法都是基于卷积网络，在多层卷积网络后添加一个全连接层。有很多算法对输入数据进行了预处理，其中包括在输入的人脸图片中取若干个小的人脸样本，然后将这些样本分别输入学习网络，得到对于样本的输出，最后再分析结果。
[0003]但是考虑到卷积本身就是一个取模块的过程，因此预判取多模块的这一预处理过程或许是一个冗余。因此提供一个简便的基于全卷积模型的人脸识别2D纸面攻击的算法。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种假体攻击检测方法、系统、设备及存储介质。
[0005]根据本专利技术提供的假体攻击检测方法，包括如下步骤：
[0006]步骤S1：获取目标人脸的红外图像，所述红外图像通过红外相机采集；
[0007]步骤S2：在所述红外图像上截取预设置尺寸的人脸像素区域；
[0008]步骤S3：将所述人脸像素区域输入预训练的假体攻击检测模型，通过所述假体攻击检测模型判断所述人脸像素区域是否为活体人脸图像，并输出活体检测结果。
[0009]优选地，所述假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层；
[0010]所述输入层、多个所述卷积处理模块、所述最大池化层、所述第一2D卷积层以及所述输出层顺次连接；
[0011]所述卷积处理模块包括第二2D卷积层、批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
[0012]优选地，所述输出层的输出为N
×
N的矩阵，当根据所述N
×
N的矩阵生成所述攻击检测结果时，
[0013]对所述N
×
N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值。
[0014]优选地，对所述输出层的输出为N
×
N的矩阵中的每一输出特征值根据预设置的第一阈值进行活体判断，并生成大于所述第一阈值的输出特征值数量；
[0015]根据所述输出特征值数量生成所述输出特征值数量占所述N
×
N的矩阵中的输出特征值总量的比例值；
[0016]根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体。
[0017]优选地，所述假体攻击检测模型包括输入层、多个卷积处理模块、第一2D卷积层、
第一批量归一化层、第二2D卷积层、sigmoid函数层以及输出层；
[0018]所述输入层、多个所述卷积处理模块、所述第一2D卷积层、所述第一批量归一化层、所述第二2D卷积层、所述sigmoid函数层以及所述输出层顺次连接；
[0019]所述卷积处理模块包括第三2D卷积层、第二批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。
[0020]优选地，所述假体攻击检测模型的训练过程包括如下步骤：
[0021]步骤M1：采集的真实人脸的红外图像，将所述真实人脸的红外图像进行标注后生成正样本训练集；
[0022]步骤M2：采集攻击相片的红外图像，将所述攻击相片的红外图像进行标注后生成负样本训练集；
[0023]步骤M3：根据所述负样本训练集和所述正样本训练集对预设置的卷积神经网络模型进行训练生成假体攻击检测模型。
[0024]优选地，所述步骤S3包括如下步骤：
[0025]步骤S301：将所述人脸像素区域输入预训练的假体攻击检测模型；
[0026]步骤S302：通过所述假体攻击检测模型判断所人脸像素区域是否为活体人脸图像，并生成活体检测结果；
[0027]步骤S303：当所述活体检测结果中活体人脸图像的概率大于假体攻击图像的概率时，认定所述人脸像素区域为活体人脸图像，否则认定所述人脸像素区域为假体人脸图像。
[0028]根据本专利技术提供的假体攻击检测系统，包括如下模块：
[0029]图像获取模块，获取目标人脸的红外图像，所述红外图像通过红外相机采集；
[0030]人脸区域获取模块，用于在所述红外图像上截取预设置尺寸的人脸像素区域；
[0031]攻击检测模块，用于将所述人脸像素区域输入预训练的假体攻击检测模型，通过所述假体攻击检测模型判断所述人脸像素区域是否为活体人脸图像，并输出活体检测结果。
[0032]根据本专利技术提供的假体攻击检测设备，包括：
[0033]处理器；
[0034]存储器，其中存储有所述处理器的可执行指令；
[0035]其中，所述处理器配置为经由执行所述可执行指令来执行所述的假体攻击检测方法的步骤。
[0036]根据本专利技术提供的计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的假体攻击检测方法的步骤。
[0037]与现有技术相比，本专利技术具有如下的有益效果：
[0038]本专利技术中通过假体攻击检测模型对输入目标人脸的红外图像进行活体检测，假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层，显著降低了模型的复杂度，便于模型的推广应用；
[0039]本专利技术中对输出层的输出为N
×
N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值，从而提供了假体攻击检测判断的准确性；
[0040]本专利技术根据所述输出特征值数量生成所述输出特征值数量占所述N
×
N的矩阵中
的输出特征值总量的比例值，根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体，不仅能够应对不同分辨率的红外图像输入，而且能够在全假攻击来训练下，适用于非全脸攻击。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0042]图1为本专利技术实施例中假体攻击检测方法的步骤流程图；
[0043]图2为本专利技术实施例中通过假体攻击检测模型进行假体检测的步骤流程图；
[0044]图3为本专利技术实施例中假体攻击检测模型训练的步骤流程图；
[0045]图4为本专利技术实施例中假体攻击检测模型的模块示意图；
[0046]图5为本专利技术变形例中假体攻击检测模型的模块示意图；
[0047]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种假体攻击检测方法，其特征在于，包括如下步骤：步骤S1：获取目标人脸的红外图像，所述红外图像通过红外相机采集；步骤S2：在所述红外图像上截取预设置尺寸的人脸像素区域；步骤S3：将所述人脸像素区域输入预训练的假体攻击检测模型，通过所述假体攻击检测模型判断所述人脸像素区域是否为活体人脸图像，并输出活体检测结果。2.根据权利要求1所述的假体攻击检测方法，其特征在于，所述假体攻击检测模型包括输入层、多个卷积处理模块、最大池化层、第一2D卷积层以及输出层；所述输入层、多个所述卷积处理模块、所述最大池化层、所述第一2D卷积层以及所述输出层顺次连接；所述卷积处理模块包括第二2D卷积层、批量归一化层以及ReLU激活层；所述第二2D卷积层、所述批量归一化层以及所述ReLU激活层顺次连接。3.根据权利要求2所述的假体攻击检测方法，其特征在于，所述输出层的输出为N
×
N的矩阵，当根据所述N
×
N的矩阵生成所述攻击检测结果时，对所述N
×
N的矩阵中每一输出特征值分别设置一权重值，其中位于所述矩阵中央的输出特征值的权重值大于位于所述矩阵周边的输出特征值的权重值。4.根据权利要求3所述的假体攻击检测方法，其特征在于，对所述输出层的输出为N
×
N的矩阵中的每一输出特征值根据预设置的第一阈值进行活体判断，并生成大于所述第一阈值的输出特征值数量；根据所述输出特征值数量生成所述输出特征值数量占所述N
×
N的矩阵中的输出特征值总量的比例值；根据所述比例值与预设置的第二阈值相比较确定所述图像对应的目标人脸是否为活体。5.根据权利要求1所述的假体攻击检测方法，其特征在于，所述假体攻击检测模型包括输入层、多个卷积处理模块、第一2D卷积层、第一批量归一化层、第二2D卷积层、sigmoid函数层以及输出层；所述输入层、多个所述卷积处理模块、所述第一2D卷积层、所述...

【专利技术属性】
技术研发人员：段兴，汪博，朱力，吕方璐，
申请(专利权)人：深圳市光鉴科技有限公司，
类型：发明
国别省市：