【技术实现步骤摘要】
活体检测方法、装置、存储介质及设备
[0001]本说明书涉及生物识别
,尤其涉及一种活体检测方法、装置、存储介质及设备。
技术介绍
[0002]随着近年来人脸识别系统的不断发展,人脸识别技术日趋成熟,其商业化应用愈加广泛,例如广泛应用于金融交易、门禁系统、移动终端等领域。然而人脸极易用照片、视频、模型或面具等方式进行复制,因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。为防止恶意者伪造和窃取他人的生物特征用于身份认证,“活体攻击检测”成为人脸识别系统中不可缺少的一环,活体攻击检测可以有效拦截人脸识别系统中非活体类型的攻击样本。
技术实现思路
[0003]本说明书实施例提供的一种活体检测方法、装置、存储介质及设备,可以通过对用户进行尴尬感分析,自适应调整用户的活体检测认证动作,降低用户尴尬感,提升用户体验。所述技术方案如下:
[0004]第一方面,本说明书实施例提供了一种活体检测方法,所述方法包括:
[0005]基于目标用户对应的用户历史数据以及当前环境图像确定所述目标用户对应的目标尴尬分数,所述当前环境图像为所述目标用户进行刷脸事务时所处的环境图像,所述用户历史数据为所述目标用户历史上进行身份认证时产生的认证方式选择数据;
[0006]根据所述目标尴尬分数在预设认证动作集合中确定所述目标用户对应的认证动作序列;
[0007]获取所述目标用户执行所述认证动作序列时对应的认证动作图像序列;
[0008]对所述认证动作图像序列进行活体检测,得到所述目 ...
【技术保护点】
【技术特征摘要】
1.一种活体检测方法,所述方法包括:基于目标用户对应的用户历史数据以及当前环境图像确定所述目标用户对应的目标尴尬分数,所述当前环境图像为所述目标用户进行刷脸事务时所处的环境图像,所述用户历史数据为所述目标用户历史上进行身份认证时产生的认证方式选择数据;根据所述目标尴尬分数在预设认证动作集合中确定所述目标用户对应的认证动作序列;获取所述目标用户执行所述认证动作序列时对应的认证动作图像序列;对所述认证动作图像序列进行活体检测,得到所述目标用户对应的活体检测结果。2.根据权利要求1所述的方法,所述基于目标用户对应的用户历史数据以及当前环境图像确定所述目标用户对应的目标尴尬分数,包括:对所述用户历史数据和所述当前环境图像分别进行特征提取处理,得到所述用户历史数据对应的数据特征和所述当前环境图像对应的图像特征;将所述数据特征和所述图像特征进行特征融合处理,得到第一融合特征;基于所述第一融合特征预测生成所述目标用户对应的目标尴尬分数。3.根据权利要求1所述的方法,所述预设认证动作集合包括至少一个认证动作以及各所述认证动作对应的动作尴尬分数,所述根据所述目标尴尬分数在预设认证动作集合中确定所述目标用户对应的认证动作序列,包括:基于所述目标尴尬分数在所述预设认证动作集合中确定认证动作子集合,所述认证动作子集合中的各认证动作对应的动作尴尬分数小于所述目标尴尬分值;在所述认证动作子集合中随机选取预设数量的认证动作生成认证动作序列。4.根据权利要求1所述的方法,所述对所述认证动作图像序列进行活体检测,得到所述目标用户对应的活体检测结果,包括:对所述认证动作图像序列进行特征提取处理,得到所述认证动作图像序列对应的动作完成度特征和攻击线索特征;将所述动作完成度特征和所述攻击线索特征进行特征融合处理,得到第二融合特征;基于所述第二融合特征预测生成所述目标用户对应的活体检测结果。5.根据权利要求1所述的方法,所述活体检测结果为所述认证动作图像序列为攻击的攻击概率值,所述对所述认证动作图像序列进行活体检测,得到所述目标用户对应的活体检测结果之后,还包括:判断所述攻击概率值是否大于预设阈值;若所述攻击概率值是否大于预设阈值,则确定所述认证动作图像序列为攻击类型;若所述攻击概率值是否大于预设阈值,则确定所述认证动作图像序列为活体类型。6.一种尴尬感知模型训练方法,所述方法包括:构建第一样本训练数据集,所述第一样本训练数据包括用户进行刷脸事务所处的样本环境图像、历史上用户进行身份认证时产生的样本历史数据以及所述第一样本训练数据对应的尴尬分数标签;将所述第一样本训练数据输入至初始尴尬感知模型中,得到所述第一样本训练数据对应的预测尴尬分数;基于尴尬感知损失函数、所述预测尴尬分数和所述尴尬分数标签对所述尴尬感知模型
进行监督训练并迭代更新所述尴尬感知模型的模型参数,直至所述尴尬感知模型收敛,得到训练完成的尴尬感知模型。7.根据权利要求6所述的方法,所述尴尬感知模型包括数据特征提取网络、图像特征提取网络、第一特征融合网络、第一融合特征预测网络,所述将所述第一样本训练数据输入至初始尴尬感知模型中,得到所述第一样本训练数据对应的预测尴尬分数,包括:采用所述数据特征提取网络对所述样本历史数据进行特征提取处理,得到所述样本历史数据对应的样本数据特征;采用所述图像特征提取网络对所述样本环境图像进行特征提取处理,得到所述样本环境图像对应的样本图像特征;基于所述第一特征融合网络对所述样本数据特征和所述样本图像特征进行特征融合处理,得到第一样本融合特征;基于所述第一融合特征预测网络对所述第一样本融合特征进行尴尬预测,得到所述第一样本训练数据对应的预测尴尬分数。8.根据权利要求6所述的方法,所述基于尴尬感知损失函数、所述预测尴尬分数和所述尴尬分数标签对所述尴尬感知模型进行监督训练并迭代更新所述尴尬感知模型的模型参数,直至所述尴尬感知模型收敛,得到训练完成的尴尬感知模型,包括:基于所述尴尬感知损失函数计算所述预测尴尬分数和所述尴尬分数标签对应的尴尬感知损失值;基于所述尴尬感知损失值更新所述尴尬感知模型的模型参数;判断参数更新的尴尬感知模型是否满足预设收敛条件,若满足,则停止训练,得到训练完成的尴尬感知模型,若不满足,则执行所述将所述第一样本训练数据输入至初始尴尬感知模型中,得到所述第一样本训练数据对应的预测尴尬分数的步骤。9.根据权利要求7所述的方法,所述尴尬感知模型还包括数据特征预测网络、图像特征预测网络,所述方法还包括:基于所述数据特征预测网络对所述样本数据特征进行尴尬预测,得到所述样本历史数据对应的数据尴尬分数;基于所述图像特征预测网络对所述样本图像特征进行尴尬预测,得到所述样本环境图像对应的图像尴尬分数。10.根据权利要求9所述的方法,所述尴尬感知损失函数包括数据损失函数、图像损失函数以及融合感知损失函数,所述尴尬分数标签包括数据尴尬标签、图像尴尬标签以及融合尴尬标签,所述基于尴尬感知损失函数、所述预测尴尬分数和所述尴尬分数标签对所述尴尬感知模型进行监督训练并迭代更新所述尴尬感知模型的模型参数,直至所述尴尬感知模型收敛,得到训练完成的尴尬感知模型,包括:基于所述数据损失函数计算所述数据尴尬分值和所述数据尴尬标签对应的数据尴尬损失值;基于所述图像损失函数计算所述图像尴尬分值和所述图像尴尬标签对应的图像尴尬损失值;基于所述融合感知损失函数计算所述预测尴尬分数和所述融合尴尬标签对应的融合尴尬损失值;
基于所述数据尴尬损失值、所述图像尴尬损失值以及所述融合尴尬损失值更新所述尴尬感知模型的模型参数;判断参数更新的尴尬感知模型是否满足预设收敛条件,若满足,则停止训练,得到训练完成的尴尬感知模型,若不满足,则执行所述将所述第一样本训练数据输入至初始尴尬感知模型中,得到所述第一样本训练数据对应的预测尴尬分数的步骤。11.一种活体检测模型训练方法,所述方法包括:构建第二样本训练数据集,所述第二样本训练数据包括在用户执行刷脸事务所采集的样本认证图...
【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:
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。