活体检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种活体检测方法、装置、电子设备和存储介质，其中方法包括：基于训练好的第一扩散模型为目标图像添加噪声后，基于训练好的第二扩散模型为添加噪声的目标图像去除噪声，获取目标图像对应的还原图像；将目标图像减去还原图像，得到目标图像的图像噪声；将目标图像和图像噪声输入训练好的双分支深度检测模型，根据双分支深度检测模型输出的深度图，确定目标图像是否为真实人脸图像；其中，第一扩散模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到；第二扩散模型基于真实人脸图像数据集训练得到；双分支深度检测模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到。从而提高了活体检测的泛化性能和稳定性。稳定性。稳定性。

【技术实现步骤摘要】
活体检测方法、装置、电子设备和存储介质


[0001]本专利技术涉及人脸识别
，尤其涉及一种活体检测方法、装置、电子设备和存储介质。

技术介绍

[0002]随着嵌入式设备和智能设备的发展，人脸认证系统在我们的日常生活中得到了广泛的应用。然而，黑客利用人脸识别模型的漏洞设计各种表示攻击，以欺骗身份验证系统。打印和重放攻击是最常见的身份攻击，因为只需从打印的照片或显示设备中呈现目标人脸。因此，人脸活体检测对于保证人脸识别系统的安全性和可靠性至关重要。
[0003]现有的技术中，可以通过设计基于生成对抗网络的分解模型来分离伪造的图像中的噪声，并从提取的噪声中提取隐藏的欺骗线索。然而，生成对抗网络捕获的多样性较少，难以完整覆盖真实人脸的数据分布，导致这类基于生成对抗网络的方法的泛化性能降低。同时，这类方法也很难优化，在没有仔细选择超参数和正则化的情况下会导致模型崩溃。

技术实现思路

[0004]本专利技术提供一种活体检测方法、装置、电子设备和存储介质，用以解决现有技术中活体检测模型泛化性能低和难以优化的缺陷，实现活体检测的泛化性能和稳定性的提高。
[0005]本专利技术提供一种活体检测方法，包括：
[0006]基于训练好的第一扩散模型为目标图像添加噪声后，基于训练好的第二扩散模型为添加噪声的所述目标图像去除噪声，获取所述目标图像对应的还原图像；
[0007]将所述目标图像减去所述还原图像，得到所述目标图像的图像噪声；
[0008]将所述目标图像和所述图像噪声输入训练好的双分支深度检测模型，根据所述双分支深度检测模型输出的深度图，确定所述目标图像是否为真实人脸图像；
[0009]其中，所述第一扩散模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到；所述第二扩散模型基于真实人脸图像数据集训练得到；所述双分支深度检测模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到。
[0010]根据本专利技术提供的一种活体检测方法，所述双分支深度检测模型包括图像特征提取分支，噪声特征提取分支，特征融合模块和深度预测模块；
[0011]所述图像特征提取分支用于对输入的目标图像进行特征提取；
[0012]所述噪声特征提取分支用于对输入的图像噪声进行特征提取；
[0013]所述特征融合模块用于对目标图像的特征和图像噪声的特征进行融合；
[0014]所述深度预测模块用于对融合后的特征进行预测，得到深度图。
[0015]根据本专利技术提供的一种活体检测方法，所述根据所述双分支深度检测模型输出的深度图，确定所述目标图像是否为真实人脸图像，包括：
[0016]在所述双分支深度检测模型输出的深度图中的深度值小于设定阈值的情况下，确定所述目标图像为欺诈人脸图像；
[0017]在所述双分支深度检测模型输出的深度图中的深度值大于或等于所述设定阈值的情况下，确定所述目标图像为真实人脸图像。
[0018]根据本专利技术提供的一种活体检测方法，所述基于训练好的第一扩散模型为目标图像添加噪声，具体包括：
[0019]基于训练好的第一扩散模型，通过去噪扩散隐式模型DDIM的前向过程，为目标图像添加噪声。
[0020]根据本专利技术提供的一种活体检测方法，所述第一扩散模型和/或第二扩散模型训练的损失函数根据以下公式确定：
[0021]L＝||∈
θ
‑
∈||2[0022]式中，∈
θ
表示前向阶段添加的噪声分量的预测值；∈表示前向阶段添加的噪声分量的真实值。
[0023]根据本专利技术提供的一种活体检测方法，所述双分支深度检测模型根据均方误差损失函数和对比深度损失函数进行训练。
[0024]本专利技术还提供一种活体检测装置，包括：
[0025]还原模块，用于基于训练好的第一扩散模型，为目标图像添加噪声后，基于训练好的第二扩散模型为添加噪声的所述目标图像去除噪声，获取所述目标图像对应的还原图像；
[0026]噪声模块，用于将所述目标图像减去所述还原图像，得到所述目标图像的图像噪声；
[0027]检测模块，用于将所述目标图像和所述图像噪声输入训练好的双分支深度检测模型，根据所述双分支深度检测模型输出的深度图，确定所述目标图像是否为真实人脸图像；
[0028]其中，所述第一扩散模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到；所述第二扩散模型基于真实人脸图像数据集训练得到；所述双分支深度检测模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到。
[0029]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述活体检测方法。
[0030]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述活体检测方法。
[0031]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述活体检测方法。
[0032]本专利技术提供的活体检测方法、装置、电子设备和存储介质，通过根据真实人脸图像数据集和欺诈人脸图像数据集训练得到第一扩散模型，根据真实人脸图像数据集训练得到第二扩散模型，将目标图像经过第一扩散模型添加噪声然后经过第二扩散模型去除噪声后得到目标图像的还原图像，再将目标图像和还原图像相减得到目标图像的图像噪声，再将目标图像和图像噪声输入双分支深度检测模型，根据得到的深度图确定目标图像是否为真实人脸图像，可以较好地覆盖真实人脸的数据分布，并且使用的模型便于优化，从而提高活体检测的泛化性能和稳定性。
附图说明
[0033]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0034]图1是本专利技术提供的活体检测方法的流程示意图；
[0035]图2是本专利技术提供的活体检测装置的结构示意图；
[0036]图3是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0037]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]图1为本专利技术提供的活体检测方法的流程示意图，如图1所示，该方法包括以下步骤：
[0039]步骤100、基于训练好的第一扩散模型为目标图像添加噪声后，基于训练好的第二扩散模型为添加噪声的目标图像去除噪声，获取目标图像对应的还原图像。
[0040]步骤101、将目标图像减去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，其特征在于，包括：基于训练好的第一扩散模型为目标图像添加噪声后，基于训练好的第二扩散模型为添加噪声的所述目标图像去除噪声，获取所述目标图像对应的还原图像；将所述目标图像减去所述还原图像，得到所述目标图像的图像噪声；将所述目标图像和所述图像噪声输入训练好的双分支深度检测模型，根据所述双分支深度检测模型输出的深度图，确定所述目标图像是否为真实人脸图像；其中，所述第一扩散模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到；所述第二扩散模型基于真实人脸图像数据集训练得到；所述双分支深度检测模型基于真实人脸图像数据集和欺诈人脸图像数据集训练得到。2.根据权利要求1所述的活体检测方法，其特征在于，所述双分支深度检测模型包括图像特征提取分支，噪声特征提取分支，特征融合模块和深度预测模块；所述图像特征提取分支用于对输入的目标图像进行特征提取；所述噪声特征提取分支用于对输入的图像噪声进行特征提取；所述特征融合模块用于对目标图像的特征和图像噪声的特征进行融合；所述深度预测模块用于对融合后的特征进行预测，得到深度图。3.根据权利要求1或2所述的活体检测方法，其特征在于，所述根据所述双分支深度检测模型输出的深度图，确定所述目标图像是否为真实人脸图像，包括：在所述双分支深度检测模型输出的深度图中的深度值小于设定阈值的情况下，确定所述目标图像为欺诈人脸图像；在所述双分支深度检测模型输出的深度图中的深度值大于或等于所述设定阈值的情况下，确定所述目标图像为真实人脸图像。4.根据权利要求1所述的活体检测方法，其特征在于，所述基于训练好的第一扩散模型为目标图像添加噪声，具体包括：基于训练好的第一扩散模型，通过去噪扩散隐式模型DDIM的前向过程，为目标图像添加噪声。5.根据...

【专利技术属性】
技术研发人员：雷震，朱翔昱，张晓宇，张斌，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：