【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种活体检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
1、随着人脸识别技术的发展，越来越多的智能化设备上设置有人脸识别技术，例如闸机门禁、上班考勤机、手机刷脸支付等。但是人脸识别系统面对使用伪装人脸进行攻击的风险，如果人脸图像被窃取，人脸识别系统容易受到照片或者视频攻击，导致识别安全性降低的问题。
2、因此，亟需一种提高检测安全性的活体检测方法。
技术实现思路
1、本申请至少提供一种活体检测方法、装置、电子设备以及计算机可读存储介质。
2、本申请第一方面提供了一种活体检测方法，包括：将获取的第一模态图像和第二模态图像输入所述网络模型中，得到所述第一模态图像的初始图像特征和所述第二模态图像的初始图像特征；通过所述网络模型以所述第一模态图像的初始图像特征对所述第二模态图像的初始图像特征进行归一化参数调整处理，得到所述第二模态图像的目标图像特征；对所述第一模态图像的初始图像特征和所述第二模态图像的目标图像特征进行特征融合处理，得到图像融合特征；基于所述图像融合特征对所述网络模型进行训练，得到训练好的网络模型，所述训练好的网络模型用于进行活体检测处理。
3、在一实施例中，所述通过所述网络模型以所述第一模态图像的初始图像特征对所述第二模态图像的初始图像特征进行归一化参数调整处理，得到所述第二模态图像的目标图像特征的步骤，包括：通过所述网络模型对所述第一模态图像的初始图像特征进行激活处理，得到模型偏移参数和模型缩放参
4、在一实施例中，所述网络模型包括全连接层和激活层，所述通过所述网络模型对所述第一模态图像的初始图像特征进行激活处理，得到模型偏移参数和模型缩放参数的步骤，包括：通过所述全连接层对所述第一模态图像的初始图像特征进行全连接处理，得到全连接处理后的第一模态图像的图像特征；通过所述激活层对所述全连接处理后的第一模态图像的图像特征进行激活处理，得到所述模型偏移参数和所述模型缩放参数。
5、在一实施例中，所述网络模型包括归一层，所述根据所述模型偏移参数、所述模型缩放参数以及所述第二模态图像的初始图像特征确定所述第二模态图像的目标图像特征的步骤，包括：通过所述归一层对所述第二模态图像的初始图像特征进行归一化操作，得到归一化后的第二模态图像的图像特征；根据所述模型偏移参数、所述模型缩放参数对所述归一化后的第二模态图像的图像特征进行调整，得到所述第二模态图像的目标图像特征。
6、在一实施例中，所述根据所述模型偏移参数、所述模型缩放参数对所述归一化后的第二模态图像的图像特征进行调整，得到所述第二模态图像的目标图像特征的步骤，包括：计算所述归一化后的第二模态图像的图像特征与所述模型缩放参数之间的乘积；将所述乘积与所述模型偏移参数之和作为所述第二模态图像的目标图像特征。
7、在一实施例中，所述网络模型包括注意力机制层，所述对所述第一模态图像的初始图像特征和所述第二模态图像的目标图像特征进行特征融合处理，得到图像融合特征的步骤，包括：通过所述注意力机制层确定所述第一模态图像的初始图像特征对应的第一权重系数；通过所述注意力机制层确定所述第二模态图像的目标图像特征对应的第二权重系数；基于所述第一权重系数和所述第二权重系数对所述第一模态图像的初始图像特征和所述第二模态图像的目标图像特征进行特征融合处理，得到所述图像融合特征。
8、在一实施例中，所述通过所述注意力机制层确定所述第一模态图像的初始图像特征对应的第一权重系数的步骤，包括：对所述第一模态图像的初始图像特征进行全局池化处理，得到全局池化处理后的第一模态图像的图像特征；对所述全局池化处理后的第一模态图像的图像特征进行全连接处理；对全连接处理后的第一模态图像的图像特征进行激活处理，得到所述第一权重系数。
9、本申请第二方面提供了一种活体检测装置，包括：输入模块，用于将获取的第一模态图像和第二模态图像输入网络模型中，得到所述第一模态图像的初始图像特征和所述第二模态图像的初始图像特征；调整模块，用于通过所述网络模型以所述第一模态图像的初始图像特征对所述第二模态图像的初始图像特征进行归一化参数调整处理，得到所述第二模态图像的目标图像特征；融合模块，用于对所述第一模态图像的初始图像特征和所述第二模态图像的目标图像特征进行特征融合处理，得到图像融合特征；训练模块，用于基于所述图像融合特征对所述网络模型进行训练，得到训练好的网络模型，所述训练好的网络模型用于进行活体检测处理。
10、本申请第三方面提供了一种电子设备，包括存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述活体检测方法。
11、本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述活体检测方法。
12、上述方案，通过网络模型以第一模态图像的初始图像特征对第二模态图像的初始图像特征进行归一化参数调整处理，得到第二模态图像的目标图像特征，实现跨模态图像特征之间的相互引导学习，提高了图像特征学习的有效性；之后根据第一模态图像的初始图像特征和第二模态图像的目标图像特征进行特征融合处理，得到用于进行网络模型训练的图像融合特征，能够提高用于进行活体检测的网络模型的检测准确性。
13、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
本文档来自技高网...【技术保护点】
1.一种基于网络模型的活体检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的活体检测方法，其特征在于，所述通过所述网络模型以所述第一模态图像的初始图像特征对所述第二模态图像的初始图像特征进行归一化参数调整处理，得到所述第二模态图像的目标图像特征的步骤，包括：
3.根据权利要求2所述的活体检测方法，其特征在于，所述网络模型包括全连接层和激活层，所述通过所述网络模型对所述第一模态图像的初始图像特征进行激活处理，得到模型偏移参数和模型缩放参数的步骤，包括：
4.根据权利要求2所述的活体检测方法，其特征在于，所述网络模型包括归一层，所述根据所述模型偏移参数、所述模型缩放参数以及所述第二模态图像的初始图像特征确定所述第二模态图像的目标图像特征的步骤，包括：
5.根据权利要求4所述的活体检测方法，其特征在于，所述根据所述模型偏移参数、所述模型缩放参数对所述归一化后的第二模态图像的图像特征进行调整，得到所述第二模态图像的目标图像特征的步骤，包括：
6.根据权利要求1所述的活体检测方法，其特征在于，所述网络模型包括注意力机制
7.根据权利要求6所述的活体检测方法，其特征在于，所述通过所述注意力机制层确定所述第一模态图像的初始图像特征对应的第一权重系数的步骤，包括：
8.一种活体检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于网络模型的活体检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的活体检测方法，其特征在于，所述通过所述网络模型以所述第一模态图像的初始图像特征对所述第二模态图像的初始图像特征进行归一化参数调整处理，得到所述第二模态图像的目标图像特征的步骤，包括：
3.根据权利要求2所述的活体检测方法，其特征在于，所述网络模型包括全连接层和激活层，所述通过所述网络模型对所述第一模态图像的初始图像特征进行激活处理，得到模型偏移参数和模型缩放参数的步骤，包括：
4.根据权利要求2所述的活体检测方法，其特征在于，所述网络模型包括归一层，所述根据所述模型偏移参数、所述模型缩放参数以及所述第二模态图像的初始图像特征确定所述第二模态图像的目标图像特征的步骤，包括：
5.根据权利要求4所述的活体检测方法，其特征在于，所述根据所述模型偏移参数、所述模型缩放参数...
【专利技术属性】
技术研发人员：李永凯，朱树磊，王宁波，郝敬松，殷俊，
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。