【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是涉及一种待检测部位的防伪检测方法及装置。
技术介绍
1、防伪检侧(anti-spoofing)技术在一些身份验证场景中确定对象真实生理特征，以验证用户是否为真实活体本人操作，可在一定程度上抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。随着视觉识别技术在金融、门禁、安防设备等领域的广泛应用，近年来防伪检测技术得到了越来越多的关注。
2、现有的防伪检测模型，未能在待检测图像上提取到足够数量的有效防伪线索，从而导致防伪检测精度不够。
技术实现思路
1、本专利技术的目的是提供一种待检测部位的防伪检测方法及装置，以解决现有技术中待检测部位的防伪检测精度不够的技术问题。
2、本专利技术的目的，可以通过如下技术方案实现：
3、一种待检测部位的防伪检测方法，包括以下步骤：
4、获取预处理后的待测图像，所述待测图像包含待检测部位；
5、将所述待测图像输入到训练好的防伪检测模型中进行防伪检测，得到防伪线索图和对应的第一活体分数；所述防伪检测模型基于mobilenet v2残差网络结构，所述防伪线索图的每个像素的像素值表示所述像素的活体分数；
6、根据软间隔分类损失函数和衰减损失函数训练所述防伪线索图，根据交叉熵分类损失函数训练所述第一活体分数，最终得到第二活体分数；
7、根据所述第二活体分数确定所述待检测部位是否为活体。
8、
9、可选地，根据交叉熵分类损失函数训练所述第一活体分数包括：
10、根据所述交叉熵分类损失函数训练所述第一活体分数，得到第一损失lce；
11、其中，b为所述防伪检测模型计算使用的批大小，i为第i+1个待测图像的索引，logits为所述第一活体分数，yce[i]为第i+1个待测图像的活体标签，yce[i]取值为1时表示活体，yce[i]取值为0表示假体，c为求和下标索引，c的取值为0到1的整数。
12、可选地，根据所述软间隔分类损失函数训练所述防伪线索图包括：
13、根据所述软间隔分类损失函数训练所述防伪线索图，得到第二损失ltask；
14、其中，b为所述防伪检测模型计算使用的批大小，i为第i+1个待测图像的索引，x[i]是对第i+1个待测图像的防伪线索图进行全局平均池化得到的活体分数，ytask[i]为第i+1个待测图像的活体标签，ytask[i]取值为1时表示活体，ytask[i]取值为-1表示假体。
15、可选地，根据所述衰减损失函数训练所述防伪线索图包括：
16、根据所述衰减损失函数mean(s*s)训练所述防伪线索图，得到第三损失lregular；
17、其中，mean(s*s)表示对防伪线索图s的每个像素值进行平方后再取平均值。
18、本专利技术还提供了一种待检测部位防伪检测装置，包括：
19、待测图像获取模块，用于获取预处理后的待测图像，所述待测图像包含待检测部位；
20、防伪检测模块，用于将所述待测图像输入到训练好的防伪检测模型中进行防伪检测，得到防伪线索图和对应的第一活体分数；所述防伪检测模型基于mobilenet v2残差网络结构，所述防伪线索图的每个像素的像素值表示所述像素的活体分数；
21、显式训练模块，用于根据软间隔分类损失函数和衰减损失函数训练所述防伪线索图，根据交叉熵分类损失函数训练所述第一活体分数，最终得到第二活体分数；
22、防伪结果确定模块，用于根据所述第二活体分数确定所述待检测部位是否为活体。
23、可选地，所述防伪检测模块中的所述防伪检测模型的激活函数为frelu激活函数。
24、可选地，所述显式训练模块根据交叉熵分类损失函数训练所述第一活体分数包括：
25、所述显式训练模块根据所述交叉熵分类损失函数训练所述第一活体分数，得到第一损失lce；
26、其中，b为所述防伪检测模型计算使用的批大小，i为第i+1个待测图像的索引，logits为所述第一活体分数，yce[i]为第i+1个待测图像的活体标签，yce[i]取值为1时表示活体，yce[i]取值为0表示假体，c为求和下标索引，c的取值为0到1的整数。
27、可选地，所述显式训练模块根据所述软间隔分类损失函数训练所述防伪线索图包括：
28、所述显式训练模块根据所述软间隔分类损失函数训练所述防伪线索图，得到第二损失ltask；
29、其中，b为所述防伪检测模型计算使用的批大小，i为第i+1个待测图像的索引，x[i]是对第i+1个待测图像的防伪线索图进行全局平均池化得到的活体分数，ytask[i]为第i+1个待测图像的活体标签，ytask[i]取值为1时表示活体，ytask[i]取值为-1表示假体。
30、可选地，所述显式训练模块根据所述衰减损失函数训练所述防伪线索图包括：
31、所述显式训练模块根据所述衰减损失函数mean(s*s)训练所述防伪线索图，得到第三损失lregular；
32、其中，mean(s*s)表示对防伪线索图s的每个像素值进行平方后再取平均值。
33、本专利技术提供了一种待检测部位的防伪检测方法及装置，其中方法包括以下步骤：获取预处理后的待测图像，所述待测图像包含待检测部位；将所述待测图像输入到训练好的防伪检测模型中进行防伪检测，得到防伪线索图和对应的第一活体分数；所述防伪检测模型基于mobilenet v2残差网络结构，所述防伪线索图的每个像素的像素值表示所述像素的活体分数；根据软间隔分类损失函数和衰减损失函数训练所述防伪线索图，根据交叉熵分类损失函数训练所述第一活体分数，最终得到第二活体分数；根据所述第二活体分数确定所述待检测部位是否为活体。
34、有鉴于此，本专利技术带来的有益效果为：
35、本专利技术利用防伪检测模型对包含待检测部位的待测图像进行防伪检测，得到防伪线索图及第一活体分数；使用衰减损失函数对防伪线索图每个位置的活体分数幅值进行衰减，避免了单处的防伪线索对活体检测结果起主导作用，使得防伪检测模型能够在待测图像的合适位置与更多位置上提取到有效的待检测部位防伪线索；并使用像素级软间隔分类损失函数显式训练防伪线索图，使用交叉熵分类损失函数训练第一活体分数，能提高待检测部位的防伪检测精度。
本文档来自技高网...【技术保护点】
1.一种待检测部位的防伪检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，所述防伪检测模型的激活函数为FReLU激活函数。
3.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，根据交叉熵分类损失函数训练所述第一活体分数包括：
4.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，根据所述软间隔分类损失函数训练所述防伪线索图包括：
5.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，根据所述衰减损失函数训练所述防伪线索图包括：
6.一种待检测部位的防伪检测装置，其特征在于，包括：
7.根据权利要求6所述的待检测部位的防伪检测装置，其特征在于，所述防伪检测模块中的所述防伪检测模型的激活函数为FReLU激活函数。
8.根据权利要求6所述的待检测部位的防伪检测装置，其特征在于，所述显式训练模块根据交叉熵分类损失函数训练所述第一活体分数包括：
9.根据权利要求6所述的待检测部位的防伪检测装置，其特征在于，所述显式训练模
10.根据权利要求6所述的待检测部位的防伪检测装置，其特征在于，所述显式训练模块根据所述衰减损失函数训练所述防伪线索图包括：
...【技术特征摘要】
1.一种待检测部位的防伪检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，所述防伪检测模型的激活函数为frelu激活函数。
3.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，根据交叉熵分类损失函数训练所述第一活体分数包括：
4.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，根据所述软间隔分类损失函数训练所述防伪线索图包括：
5.根据权利要求1所述的待检测部位的防伪检测方法，其特征在于，根据所述衰减损失函数训练所述防伪线索图包括：
6.一种待检测部位的防伪...
【专利技术属性】
技术研发人员：刘辉，陈书楷，杨奇，
申请(专利权)人：厦门熵基科技有限公司，
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。