本发明专利技术涉及活体检测技术领域，尤其是一种配合式活体检测方法、装置及设备。所述配合式活体检测方法包括：对待检测对象的配合式活体检测视频进行深度估计，得到深度估计值；基于所述深度估计值，获取所述待检测对象的人脸点云数据；基于所述人脸点云数据训练的自监督点云网络，获取人脸点云特征；基于所述人脸点云特征，对所述待检测对象的人脸图像进行活体检测，得到活体检测结果；其中，所述自监督点云网络基于深度神经网络构建，用于根据输入的人脸点云数据获取人脸点云特征。点云数据获取人脸点云特征。点云数据获取人脸点云特征。
【技术实现步骤摘要】
一种配合式活体检测方法、装置及设备
[0001]本专利技术涉及活体检测
，尤其是一种配合式活体检测方法、装置及设备。
技术介绍
[0002]活体检测是一个重要而又具有挑战性的课题，它在人脸认证、安全检查和访问控制方面有广泛的实际应用。活体检测需识别一个人脸是否来自欺骗性的攻击。当前活体检测方法可分为静默式活体检测和配合式活体检测，前者直接甄别打印攻击、屏幕成像、人脸面具等伪造的人脸攻击，配合式活体检测则通过眨眼、张嘴、摇头、点头甚至读出随机数字等配合式组合动作，验证用户是否为真实活体本人。根据采集设备的不同，活体检测又分为RGB活体检测、近红外活体检测和3D活体检测。
[0003]此外，随着近些年深度学习的快速发展，神经网络技术开始被应用于活体检测任务中。使用神经网络来学习图像的特征，代替手工特征的方式分析图像的摩尔纹、成像畸变、反射率等人像破绽。神经网络学习和提取活体检测所需的识别信息，并将活体检测任务看作是二分类任务进行训练。
[0004]现有的活体检测方法在缺乏多目相机和深度相机的情况下无法获取和利用人脸的三维特征结构，往往仅依赖于图像的预测结果。三维特征能更好地表示人脸的结构特征，有效地提升活体检测效果，但往往需要引入额外设备，增加部署成本。
技术实现思路
[0005]为解决上述现有技术问题，本专利技术提供了一种配合式活体检测方法，其特征在于，包括：
[0006]对待检测对象的配合式活体检测视频进行深度估计，得到深度估计值；
[0007]基于所述深度估计值，获取所述待检测对象的人脸点云数据；
[0008]基于所述人脸点云数据训练的自监督点云网络，获取人脸点云特征；
[0009]基于所述人脸点云特征，对所述待检测对象的人脸图像进行活体检测，得到活体检测结果；
[0010]其中，所述自监督点云网络基于深度神经网络构建，用于根据输入的人脸点云数据获取人脸点云特征。
[0011]作为本申请的一可选实施例，所述对配合式活体检测视频进行深度估计，得到深度估计值的步骤，包括：
[0012]每隔预设帧数，对所述配合式活体检测视频进行采样，获取若干采样图像和对应的匹配图像，其中，所述匹配图像为对应的所述采样图像前后一帧的图像；
[0013]基于所述采样图像和匹配图像，得到多个匹配点；
[0014]基于每一所述匹配点的时序一致性，对每一所述匹配点进行过滤；
[0015]基于过滤后的所述匹配点和所述匹配图像，获取本质矩阵；
[0016]基于三角法和所述本质矩阵，进行三维重建，得到匹配点的深度估计值。
[0017]作为本申请的一可选实施例，所述基于所述采样图像和匹配图像，得到多个匹配点的步骤，包括：
[0018]基于尺度不变特征变换算法，获取所述采样图像和所述待匹配图像的特征点；
[0019]根据所述特征点之间的匹配程度，得到多个匹配点。
[0020]作为本申请的一可选实施例，所述基于三角法，对所述匹配点进行三维重建，得到匹配点的深度估计值的步骤，包括：
[0021]根据相机内参，计算所述采样图像和对应的匹配图像的投影矩阵；
[0022]基于两个投影矩阵和两张图像的匹配点，使用三角法对匹配点进行三维重建，得到匹配点的深度估计值。
[0023]作为本申请的一可选实施例，所述基于所述深度估计值，获取所述待检测对象的人脸点云数据的步骤，包括：
[0024]基于人脸识别算法，获取所述采样图像和对应的匹配图像的人脸关键点；
[0025]基于所述人脸关键点，计算竖直方向的旋转偏移量；
[0026]基于所述旋转偏移量和所述深度估计值，获取像素深度值；
[0027]基于所述像素深度值，获取所述待检测对象的人脸点云数据。
[0028]作为本申请的一可选实施例，所述自监督点云网络通过如下步骤训练：
[0029]基于所述人脸点云数据，提取点特征和体素特征；
[0030]基于最大池化和三线性插值法，融合所述点特征和体素特征，以得到点云特征；
[0031]基于所述点云特征，对所述自监督点云网络进行训练。
[0032]作为本申请的一可选实施例，在所基于所述点云特征，对所述自监督点云网络进行训练的步骤后，还包括：
[0033]根据所述人脸图像，获取像素特征；
[0034]对所述像素特征和所述点云特征进行融合，得到融合特征；
[0035]基于所述融合特征，获取所述人脸图像的像素预测中间值；
[0036]通过SoftMax函数对所述像素预测中间值进行转换，得到活体检测结果；
[0037]通过交叉熵对所述活体检测结果进行优化，得到优化结果；
[0038]基于所述优化结果，对所述自监督点云网络的参数进行调整。
[0039]作为本申请的一可选实施例，所述基于所述人脸点云特征，对所述待检测对象的人脸图像进行活体检测，得到活体检测结果的步骤，包括：
[0040]基于所述人脸点云数据，获取点特征直方图，其中，所述点特征直方图用于显式建模人脸表面细节特征；
[0041]基于三角函数，对所述人脸点云特征的关键点进行编码，得到第一点云特征；
[0042]基于掩码自注意力机制，对所述第一点云特征赋予不同的权重，得到第二点云特征；
[0043]基于所述点特征直方图和所述第二点云特征，获得人脸三维特征；
[0044]基于预设降采样方式，对所述人脸图像进行编码，得到像素特征；
[0045]对所述人脸三维特征和所述像素特征进行拼接，得到拼接特征；
[0046]基于所述拼接特征，得到所述活体检测结果。
[0047]另一方面，本申请还提供了一种配合式活体检测装置，其特征在于，包括：
[0048]深度估计模块，用于对待检测对象的配合式活体检测视频进行深度估计，得到深度估计值；
[0049]点云获取模块，用于基于所述深度估计值，获取所述待检测对象的人脸点云数据；
[0050]特征获取模块，基于所述人脸点云数据训练的自监督点云网络，获取人脸点云特征；
[0051]检测模块，用于基于所述人脸点云特征，对所述待检测对象的人脸图像进行活体检测，得到活体检测结果；
[0052]其中，所述自监督点云网络基于深度神经网络构建，用于根据输入的人脸点云数据获取人脸点云特征。
[0053]另一方面，本申请还提供了一种电子设备，其特征在于，包括：
[0054]至少一个存储器和至少一个处理器；
[0055]所述存储器，用于存储一个或多个程序；
[0056]当一个或多个所述程序被所述处理器执行，使得所述处理器实现上述的一种配合式活体检测方法。
[0057]综上所述，本申请的有益效果为：
[0058]本申请的配合式活体检测方法，首先通过对配合式活体检测视频进行深度估计，得到深度估计值；基于所述深度估计值，获取所述待本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种配合式活体检测方法，其特征在于，包括：对待检测对象的配合式活体检测视频进行深度估计，得到深度估计值；基于所述深度估计值，获取所述待检测对象的人脸点云数据；基于所述人脸点云数据训练的自监督点云网络，获取人脸点云特征；基于所述人脸点云特征，对所述待检测对象的人脸图像进行活体检测，得到活体检测结果；其中，所述自监督点云网络基于深度神经网络构建，用于根据输入的人脸点云数据获取人脸点云特征。2.根据权利要求1所述的配合式活体检测方法，其特征在于，所述对配合式活体检测视频进行深度估计，得到深度估计值的步骤，包括：每隔预设帧数，对所述配合式活体检测视频进行采样，获取若干采样图像和对应的匹配图像，其中，所述匹配图像为对应的所述采样图像前后一帧的图像；基于所述采样图像和匹配图像，得到多个匹配点；基于每一所述匹配点的时序一致性，对每一所述匹配点进行过滤；基于过滤后的所述匹配点和所述匹配图像，获取本质矩阵；基于三角法和所述本质矩阵，进行三维重建，得到匹配点的深度估计值。3.根据权利要求2所述的配合式活体检测方法，其特征在于，所述基于所述采样图像和匹配图像，得到多个匹配点的步骤，包括：基于尺度不变特征变换算法，获取所述采样图像和所述待匹配图像的特征点；根据所述特征点之间的匹配程度，得到多个匹配点。4.根据权利要求1所述的配合式活体检测方法，其特征在于，所述基于三角法，对所述匹配点进行三维重建，得到匹配点的深度估计值的步骤，包括：根据相机内参，计算所述采样图像和对应的匹配图像的投影矩阵；基于两个投影矩阵和两张图像的匹配点，使用三角法对匹配点进行三维重建，得到匹配点的深度估计值。5.根据权利要求1所述的配合式活体检测方法，其特征在于，所述基于所述深度估计值，获取所述待检测对象的人脸点云数据的步骤，包括：基于人脸识别算法，获取所述采样图像和对应的匹配图像的人脸关键点；基于所述人脸关键点，计算竖直方向的旋转偏移量；基于所述旋转偏移量和所述深度估计值，获取像素深度值；基于所述像素深度值，获取所述待检测对象的人脸点云数据。6.根据权利要求1所述的配合式活体检测方法，其特征在于，所述自监督点云网络通过如下步骤训练：基于所述人脸点云数据，提取点特征和体素特征；基于最大池...
【专利技术属性】
技术研发人员：沙曼，胡彦鹏，宋海川，张伟建，汤昌琳，王长波，陈会平，
申请(专利权)人：上海华鑫股份有限公司，
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。