一种活体检测方法、装置及设备制造方法及图纸

本申请提供一种活体检测方法、装置及设备，该方法包括：获取源域图像和自然图像；对所述源域图像进行频域变换得到源域频谱图，对所述自然图像进行频域变换得到自然频谱图，基于所述源域频谱图和所述自然频谱图生成混合频谱图，对所述混合频谱图进行频域逆变换得到扰动源域图像；基于所述源域图像和所述扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，并基于调整后活体检测模型确定目标活体检测模型；其中，所述目标活体检测模型用于对待检测图像进行活体检测。通过本申请的技术方案，能够验证当前操作是否为真实活体操作，活体检测的准确率比较高。活体检测的准确率比较高。活体检测的准确率比较高。

【技术实现步骤摘要】
一种活体检测方法、装置及设备


[0001]本申请涉及人工智能
，尤其涉及一种活体检测方法、装置及设备。

技术介绍

[0002]随着身份验证技术的发展，在银行、火车站、机场等各种应用场景，均可以采用身份验证系统进行身份识别。然而，身份验证系统容易受到攻击从而带来安全隐患，为了确保身份验证系统的稳定性和安全性，活体检测逐步普及。
[0003]活体检测是确定用户真实生理特征的方法，活体检测能够通过眨眼、张嘴、摇头、点头等组合动作，使用关键点定位和关键点检测等技术，验证当前操作是否为真实活体操作，可以有效抵御照片、视频、换脸、面具、遮挡、3D动画以及屏幕翻拍等攻击手段，从而帮助用户甄别攻击行为，保障用户的利益。
[0004]然而，在通过眨眼、张嘴、摇头、点头等组合动作，使用关键点定位和关键点检测等技术，验证当前操作是否为真实活体操作时，活体检测的准确率比较低，即，无法准确检测出当前操作是否为真实活体操作。

技术实现思路

[0005]本申请提供一种活体检测方法，所述方法包括：
[0006]获取源域图像和自然图像，所述源域图像包括活体对象和/或非活体对象；
[0007]对所述源域图像进行频域变换得到源域频谱图，对所述自然图像进行频域变换得到自然频谱图，基于所述源域频谱图和所述自然频谱图生成混合频谱图，并对所述混合频谱图进行频域逆变换得到扰动源域图像；
[0008]基于所述源域图像和所述扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，并基于调整后活体检测模型确定目标活体检测模型；其中，所述目标活体检测模型用于对待检测图像进行活体检测。
[0009]本申请提供一种活体检测装置，所述装置包括：
[0010]获取模块，用于获取源域图像和自然图像；其中，所述源域图像包括活体对象和/或非活体对象；
[0011]处理模块，用于对所述源域图像进行频域变换得到源域频谱图，对所述自然图像进行频域变换得到自然频谱图，基于所述源域频谱图和所述自然频谱图生成混合频谱图，对所述混合频谱图进行频域逆变换得到扰动源域图像；
[0012]训练模块，用于基于所述源域图像和所述扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，基于调整后活体检测模型确定目标活体检测模型；目标活体检测模型用于对待检测图像进行活体检测。
[0013]本申请提供一种电子设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现上述示例的活体检测方法。
[0014]由以上技术方案可见，本申请实施例中，基于源域图像和自然图像构造大量模拟生成的扰动源域图像，继而利用源域图像和扰动源域图像对初始活体检测模型进行训练，得到目标活体检测模型。在采集到待检测图像之后，将待检测图像输入给目标活体检测模型，通过目标活体检测模型对待检测图像进行活体检测，从而能够验证当前操作是否为真实活体操作，活体检测的准确率比较高，即，能够准确检测出当前操作是否为真实活体操作。在多场景数据有限的情况下，可以利用少量源域图像和大量自然图像模拟生成多个场景下的扰动源域图像，能够丰富源域数据，利用大量模拟生成的扰动源域图像训练得到目标活体检测模型，能够提升目标活体检测模型的域泛化能力，实现更优的域泛化性能和域泛化效果。能够解决活体检测的跨域(跨场景、跨设备)问题，跨域时容易出现模型退化甚至完全失效等问题，在目标域未知的情况下，使得目标活体检测模型在目标域依旧能够保持较高的准确率。
附图说明
[0015]为了更加清楚地说明本申请实施例或者现有技术中的技术方案，下面将对本申请实施例或者现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本申请实施例的这些附图获得其他的附图。
[0016]图1是本申请一种实施方式中的活体检测方法的流程示意图；
[0017]图2是本申请一种实施方式中的模拟生成扰动源域图像的示意图；
[0018]图3是本申请一种实施方式中的活体检测模型的结构示意图；
[0019]图4是本申请一种实施方式中的动态模块网络的结构示意图；
[0020]图5是本申请一种实施方式中的动态模块网络的结构示意图；
[0021]图6是本申请一种实施方式中的动态模块网络的结构示意图；
[0022]图7是本申请一种实施方式中的活体检测装置的结构示意图；
[0023]图8是本申请一种实施方式中的电子设备的硬件结构图。
具体实施方式
[0024]在本申请实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
[0025]应当理解，尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0026]本申请实施例中提出一种活体检测方法，参见图1所示，该方法可以包括：
[0027]步骤101、获取源域图像和自然图像；其中，源域图像可以包括活体对象和/或非活体对象。
[0028]步骤102、对该源域图像进行频域变换得到源域频谱图，对该自然图像进行频域变换得到自然频谱图，并基于该源域频谱图和该自然频谱图生成混合频谱图，并对该混合频谱图进行频域逆变换得到扰动源域图像。
[0029]示例性的，基于该源域频谱图和该自然频谱图生成混合频谱图，可以包括但不限于：若该源域频谱图包括源域幅度谱和源域相位谱，该自然频谱图包括自然幅度谱和自然相位谱，则可以基于该源域幅度谱、该源域幅度谱的第一扰动系数、该自然幅度谱和该自然幅度谱的第二扰动系数生成扰动幅度谱；其中，第一扰动系数与第二扰动系数之和为固定数值，且第二扰动系数是基于已配置的扰动强度确定。基于该扰动幅度谱和该源域相位谱生成混合频谱图。
[0030]步骤103、基于源域图像和扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，并基于调整后活体检测模型确定目标活体检测模型；其中，目标活体检测模型用于对待检测图像进行活体检测。
[0031]示例性的，初始活体检测模型可以包括特征提取网络、动态模块网络、分类器网络，基于源域图像和扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，可以包括但不限于：可以将该源域图像本文档来自技高网...

【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，所述方法包括：获取源域图像和自然图像，所述源域图像包括活体对象和/或非活体对象；对所述源域图像进行频域变换得到源域频谱图，对所述自然图像进行频域变换得到自然频谱图，基于所述源域频谱图和所述自然频谱图生成混合频谱图，并对所述混合频谱图进行频域逆变换得到扰动源域图像；基于所述源域图像和所述扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，并基于调整后活体检测模型确定目标活体检测模型；其中，所述目标活体检测模型用于对待检测图像进行活体检测。2.根据权利要求1所述的方法，其特征在于，所述基于所述源域频谱图和所述自然频谱图生成混合频谱图，包括：若源域频谱图包括源域幅度谱和源域相位谱，自然频谱图包括自然幅度谱和自然相位谱，则基于源域幅度谱、源域幅度谱的第一扰动系数、自然幅度谱和自然幅度谱的第二扰动系数生成扰动幅度谱；其中，第一扰动系数与第二扰动系数之和为固定数值，且第二扰动系数是基于已配置的扰动强度确定；基于所述扰动幅度谱和所述源域相位谱生成所述混合频谱图。3.根据权利要求1所述的方法，其特征在于，初始活体检测模型包括特征提取网络、动态模块网络、分类器网络，基于所述源域图像和所述扰动源域图像对初始活体检测模型的网络参数进行调整，得到调整后活体检测模型，包括：将所述源域图像输入给特征提取网络得到源域图像特征；将所述源域图像特征输入给动态模块网络得到源域动态特征；将所述源域动态特征输入给分类器网络得到源域输出特征；基于所述源域输出特征确定第一损失值，并基于所述第一损失值确定目标损失值；基于所述目标损失值对特征提取网络、动态模块网络和分类器网络的网络参数进行调整，得到中间活体检测模型；将所述扰动源域图像输入给中间活体检测模型的特征提取网络得到扰动源域图像特征；将所述扰动源域图像特征输入给中间活体检测模型的动态模块网络得到扰动源域动态特征；将所述扰动源域动态特征输入给中间活体检测模型的分类器网络得到扰动源域输出特征；基于所述扰动源域输出特征确定第二损失值；基于所述第二损失值对中间活体检测模型的特征提取网络、动态模块网络和分类器网络的网络参数进行调整，得到调整后活体检测模型。4.根据权利要求3所述的方法，其特征在于，所述动态模块网络包括域不变分支网络和域特定分支网络，所述将所述源域图像特征输入给动态模块网络得到源域动态特征，包括：将所述源域图像特征输入给所述域不变分支网络得到域不变特征；其中，所述域不变特征是基于所述源域图像特征确定的多个域的共性特征；将所述源域图像特征输入给所述域特定分支网络得到域特定特征；其中，所述域特定特征是基于所述源域图像特征确定的一个域的个性特征；基于所述域不变特征和所述域特定特征，生成所述源域动态特征。5.根据权利要求4所述的方法，其特征在于，所述域特定分支网络包括动态适配器和K个卷积层，K为大于1的正整数，所述将所述源
域图像特征输入给所述域特定分支网络得到域特定特征，包括：将所述源域图像特征输入给所述动态适配器，由所述动态适配器生成所述K个卷积层对应的K个权重值，所述K个权重值与所述K个卷积层一一对应；将所述源域图像特征输入给每个卷积层，由该卷积层基于所述源域图像特征和该卷积层对应的权重值生成该卷积层对应的卷积特征；基于所述K个卷积层对应的K个卷积特征生成所述域特定特征。6.根据权利要求5所述的方法，其特征在于，所述基于所述第一损失值确定目标损失值，包括：基于所述K个权重值确定熵最小损失值和差异正则损失值；基于所述熵最小损失值和所述差异正则损失值确定第三损失值；基于所述第一损失值和所述第三损失值确定所述目标损失值。7.根据权利要求6所述的方法，其特征在于，基于所述第一损失值，采用如下公式确定所述目标损失值：基于所述第一损失值，采用如下公式确定所述目标损失值：基于所述第一损失值，采用如下公式确定所述目标损失值：其中，θ
F
表示特征提取网络的网络参数，θ
D(X)
表示动态模块网络的网络参数，L
ent
表示网络参数θ
F
和网络参数θ
D(X)
下的所述熵最小损失值，L
div
表示网络参数θ
F
和网络参数θ
D(X)
下的所述差异正则损失值，L
IM
表示网络参数θ
F
和网络参数θ
D(X)
下的所述第三损失值；W
i
表示针对第i个源域图像的所述K个权重值，表示N个源域图像对应的K个平均权重值。8.根据权利要求4所述的方法，其特征在于，所述域不变分支网络包括卷积层、实例归一化层和激活层，所述将所述源域图像特征输入给所述域不变分支网络得到域不变特征，包括：将所述源域图像特征输入给所述卷积层得到卷积后特征；将所述卷积后特征输入给所述实例归一化层得到归一化后特征；将所述归一化后特征输入给所述激活层得到激活后特征；基于所述激活后特征生成所述域不变特征。9.一种活体检...

【专利技术属性】
技术研发人员：李雅纯，王晶晶，陈玉辉，谢迪，浦世亮，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：