【技术实现步骤摘要】
本申请涉及图像识别，特别是涉及一种活体检测方法及其相关装置、设备和存储介质。
技术介绍
1、交互式活体检测中常包含张嘴、眨眼等脸部动作识别过程，这些行为天然伴随着“活”的属性，因此对于区分生物的真实性存在一定价值；现有技术通过在一定生命周期内捕捉动作的发生与否，解决了许多应用场景中的现实问题，如疲劳驾驶、微表情分析等。
2、然而，目前常规的活体检测技术存在着诸如依靠高精度点位定位、受光线环境影响大等条件限制，无法大量推广应用。有鉴于此，如何便捷地对被试对象进行活体检测，成为亟需解决的问题。
技术实现思路
1、本申请主要解决的技术问题是提供一种活体检测方法及其相关装置、设备和存储介质，能够便捷地对被试对象进行活体检测。
2、为了解决上述技术问题，本申请第一方面提供了一种活体检测方法，包括：获取被试对象响应动作指令而被拍摄到的多个视频帧；分别对多个视频帧进行目标检测，获取各个视频帧中目标器官的局部图像，其中，动作指令由所述目标器官完成；基于状态检测模型分别对各个局部图像进行状态检测，得到各个局部图像的检测分值；其中，检测分值表征局部图像中目标器官对动作指令的执行程度；状态检测模型基于样本局部图像训练得到，样本局部图像标注有样本检测分值，样本检测分值由若干标注人员参考样本局部图像中样本器官的关键点得到；基于各个局部图像的检测分值，确定被试对象是否为活体。
3、为了解决上述技术问题，本申请第二方面提供了一种活体检测装置，包括：视频获取模块、目标检测模块、
4、为了解决上述技术问题，本申请第三方面提供了一种活体检测设备，包括相互耦接的处理器和存储器，处理器用于执行存储器存储的程序指令，以实现上述第一方面中的活体检测方法。
5、为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的活体检测方法。
6、上述方案中，分别对被试对象相应动作指令而拍摄到的多个视频帧进行目标检测，获取视频帧中目标器官的局部图像，进而基于状态检测模型分别对各个局部图像进行状态检测，得到相应的检测分值，最终根据各个局部图像的检测分值，确定被试对象是否为活体。因此，首先通过目标检测，得到视频帧中包含目标器官的局部图像，进而基于状态检测模型对局部图像进行状态检测得到检测分值，最终根据检测分值即可完成活体检测，由于状态检测模型训练时采用的样本局部图像其所标注的样本检测分值，是由标注人员参考样本局部图像中样本器官的关键点得到，故无需精确定位关键点，继而也无需严苛的光线环境，进而在活体检测时也仅需被试对象响应动作指令的视频帧即可，故而可以便捷地对被试对象进行活体检测。
本文档来自技高网...【技术保护点】
1.一种活体检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述样本局部图像上标注的所述样本检测分值通过如下方式确定：
3.根据权利要求2所述的方法，其特征在于，所述样本局部图像还标注有样本分值索引，且所述样本分值索引表征所述样本检测分值所在的区间段；所述样本分值索引通过如下方式确认：
4.根据权利要求1所述的方法，其特征在于，所述样本局部图像还标注有样本分值索引，所述样本分值索引表征所述样本检测分值所在的数值区间，且在所述状态检测模型的训练过程中，所述状态检测模型先将所述样本分值索引作为监督训练至收敛，再将所述样本检测分值作为监督进行训练。
5.根据权利要求4所述的方法，其特征在于，所述状态检测模型包括特征提取网络和特征映射网络，所述特征提取网络用于从输入的视频帧中提取纹理特征，所述特征映射网络用于将所述纹理特征映射为所述检测分值，在所述状态检测模型的训练过程中，所述特征提取网络基于所述样本分值索引训练收敛之后，所述特征映射网络再基于所述样本检测分值训练。
6.根据权利要求5所述的方法，其特征在
7.根据权利要求5所述的方法，其特征在于，所述特征映射网络的训练步骤包括：
8.根据权利要求1所述的方法，其特征在于，所述基于各个所述局部图像的检测分值，确定所述被试对象是否为活体，包括：
9.一种活体检测装置，其特征在于，包括：
10.一种活体检测设备，其特征在于，包括相互耦接的处理器和存储器，所述处理器用于执行所述存储器存储的程序指令，以实现权利要求1至8任一项所述的活体检测方法。
11.根据权利要求10所述的活体检测设备，其特征在于，所述活体检测设备还包括前置摄像头，所述前置摄像头耦接至所述处理器，且所述前置摄像头用于拍摄被试对象响应动作指令时的多个视频帧。
12.一种计算机可读存储介质，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1-8任一项所述的活体检测方法。
...【技术特征摘要】
1.一种活体检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述样本局部图像上标注的所述样本检测分值通过如下方式确定：
3.根据权利要求2所述的方法，其特征在于，所述样本局部图像还标注有样本分值索引，且所述样本分值索引表征所述样本检测分值所在的区间段；所述样本分值索引通过如下方式确认：
4.根据权利要求1所述的方法，其特征在于，所述样本局部图像还标注有样本分值索引，所述样本分值索引表征所述样本检测分值所在的数值区间，且在所述状态检测模型的训练过程中，所述状态检测模型先将所述样本分值索引作为监督训练至收敛，再将所述样本检测分值作为监督进行训练。
5.根据权利要求4所述的方法，其特征在于，所述状态检测模型包括特征提取网络和特征映射网络，所述特征提取网络用于从输入的视频帧中提取纹理特征，所述特征映射网络用于将所述纹理特征映射为所述检测分值，在所述状态检测模型的训练过程中，所述特征提取网络基于所述样本分值索引训练收敛之后，所述特征...
【专利技术属性】
技术研发人员：高康康，殷俊，朱树磊，王宁波，
申请(专利权)人：浙江大华技术股份有限公司，
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。