本申请公开了一种活体检测方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：获取第一手掌骨骼关节图像，第一手掌骨骼关节图像包括手掌骨骼和手掌骨骼之间的关节软组织；对第一手掌骨骼关节图像进行超分辨率处理，得到第二手掌骨骼关节图像，第二手掌骨骼关节图像的分辨率大于第一手掌骨骼关节图像的分辨率；对第二手掌骨骼关节图像进行特征提取，得到手掌特征；基于手掌特征进行判别，得到判别结果，判别结果用于表示第一手掌骨骼关节图像是否为活体手掌骨骼关节图像，活体手掌骨骼关节图像是指通过对真实手掌进行拍摄得到的手掌骨骼关节图像。本申请中利用手掌骨骼关节图像进行活体检测，能够提高活体检测的准确性。检测的准确性。检测的准确性。
【技术实现步骤摘要】
活体检测方法、装置、计算机设备及存储介质
[0001]本申请实施例涉及计算机
，特别涉及一种活体检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]刷掌识别技术是基于手掌特征进行身份识别的一种识别技术，在日常生活中的应用越来越广泛。为了刷掌识别技术的安全性，在刷掌识别过程中需要进行活体检测，以保证识别的手掌为活体手掌。
[0003]相关技术中，利用手掌外形或者掌纹等特征进行活体检测，但是使用高精度的手掌图像很容易仿造出与真实手掌相似的手掌外形和掌纹，进而难以区分活体手掌和非活体手掌，因此活体检测的准确性不够高。
技术实现思路
[0004]本申请实施例提供了一种活体检测方法、装置、计算机设备及存储介质，能够提高活体检测的准确性。所述技术方案如下。
[0005]一方面，提供了一种活体检测方法，所述方法包括：获取第一手掌骨骼关节图像，所述第一手掌骨骼关节图像包括手掌骨骼和手掌骨骼之间的关节软组织；对所述第一手掌骨骼关节图像进行超分辨率处理，得到第二手掌骨骼关节图像，所述第二手掌骨骼关节图像的分辨率大于所述第一手掌骨骼关节图像的分辨率；对所述第二手掌骨骼关节图像进行特征提取，得到手掌特征；基于所述手掌特征进行判别，得到判别结果，所述判别结果用于表示所述第一手掌骨骼关节图像是否为活体手掌骨骼关节图像，所述活体手掌骨骼关节图像是指通过对真实手掌进行拍摄得到的手掌骨骼关节图像。
[0006]另一方面，提供了一种活体检测装置，所述装置包括：图像获取模块，用于获取第一手掌骨骼关节图像，所述第一手掌骨骼关节图像包括手掌骨骼和手掌骨骼之间的关节软组织；超分辨率处理模块，用于对所述第一手掌骨骼关节图像进行超分辨率处理，得到第二手掌骨骼关节图像，所述第二手掌骨骼关节图像的分辨率大于所述第一手掌骨骼关节图像的分辨率；活体检测模块，用于对所述第二手掌骨骼关节图像进行特征提取，得到手掌特征；所述活体检测模块，还用于基于所述手掌特征进行判别，得到判别结果，所述判别结果用于表示所述第一手掌骨骼关节图像是否为活体手掌骨骼关节图像，所述活体手掌骨骼关节图像是指通过对真实手掌进行拍摄得到的手掌骨骼关节图像。
[0007]可选地，超分辨率模型包括第一特征提取网络、特征映射网络和图像重建网络；所述超分辨率处理模块，用于：
通过所述第一特征提取网络，对所述第一手掌骨骼关节图像进行特征提取，得到第一图像特征；通过所述特征映射网络，对所述第一图像特征进行特征映射，得到第二图像特征，所述第二图像特征的维数大于所述第一图像特征的维数；通过所述图像重建网络，基于所述第二图像特征进行图像重建，得到所述第二手掌骨骼关节图像。
[0008]可选地，所述装置还包括第一训练模块，用于：获取第一样本手掌骨骼关节图像和第二样本手掌骨骼关节图像，所述第一样本手掌骨骼关节图像的内容和所述第二样本手掌骨骼关节图像的内容相同，所述第二样本手掌骨骼关节图像的分辨率大于所述第一样本手掌骨骼关节图像的分辨率；通过所述第一特征提取网络，对所述第一样本手掌骨骼关节图像进行特征提取，得到第一样本图像特征；通过所述特征映射网络，对所述第一样本图像特征进行特征映射，得到第二样本图像特征，所述第二样本图像特征的维数大于所述第一样本图像特征的维数；通过所述图像重建网络，基于所述第二样本图像特征进行图像重建，得到预测手掌骨骼关节图像；基于所述预测手掌骨骼关节图像和所述第二样本手掌骨骼关节图像之间的差异，训练所述超分辨率模型。
[0009]可选地，所述第一训练模块，用于：基于所述预测手掌骨骼关节图像和所述第二样本手掌骨骼关节图像之间的差值，确定第一损失值；基于所述第一损失值，训练所述超分辨率模型，以使通过训练后的超分辨率模型得到的第一损失值减小。
[0010]可选地，活体检测模型包括第二特征提取网络和分类网络；所述对所述第二手掌骨骼关节图像进行特征提取，得到手掌特征的步骤，通过所述第二特征提取网络执行；所述基于所述手掌特征进行判别，得到判别结果的步骤，通过所述分类网络执行。
[0011]可选地，所述装置还包括第二训练模块，用于：获取第三样本手掌骨骼关节图像和样本标签结果，所述样本标签结果用于表示所述第三样本手掌骨骼关节图像是否为活体手掌骨骼关节图像的真实结果；通过所述第二特征提取网络，对所述第三样本手掌骨骼关节图像进行特征提取，得到样本手掌特征；通过所述分类网络，基于所述样本手掌特征进行判别，得到预测判别结果，所述预测判别结果用于表示所述第三样本手掌骨骼关节图像是否为活体手掌骨骼关节图像的预测结果；基于所述预测判别结果和所述样本标签结果之间的差异，训练所述活体检测模型。
[0012]可选地，所述第二训练模块，用于：获取原始手掌骨骼关节图像，所述原始手掌骨骼关节图像为未经超分辨率处理的
图像；将所述原始手掌骨骼关节图像确定为所述第三样本手掌骨骼关节图像；或者，对所述原始手掌骨骼关节图像进行超分辨率处理，得到所述第三样本手掌骨骼关节图像。
[0013]可选地，所述第二训练模块，用于：在所述预测判别结果与所述样本标签结果一致的情况下，将第一数值确定为第二损失值，在所述预测判别结果与所述样本标签结果不一致的情况下，将第二数值确定为所述第二损失值，所述第二数值大于所述第一数值；基于所述第二损失值，训练所述活体检测模型，以使通过训练后的活体检测模型得到的第二损失值减小。
[0014]可选地，所述第一手掌骨骼关节图像为刷掌设备采集到的图像；所述装置还包括：标签结果获取模块，用于获取所述第一手掌骨骼关节图像的标签结果，所述标签结果用于表示所述第一手掌骨骼关节图像是否为活体手掌骨骼关节图像的真实结果；训练样本确定模块，用于在所述判别结果与所述标签结果不一致的情况下，将所述第一手掌骨骼关节图像和所述标签结果确定为训练样本，或者将所述第二手掌骨骼关节图像和所述标签结果确定为训练样本；第二训练模块，用于基于所述训练样本，训练所述活体检测模型。
[0015]另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如上述方面所述的活体检测方法所执行的操作。
[0016]另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如上述方面所述的活体检测方法所执行的操作。
[0017]另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序由处理器加载并执行，以实现如上述方面所述的活体检测方法所执行的操作。
[0018]本申请实施例提供的方案，利用手掌骨骼关节图像中的手掌骨骼和关节软组织进行手掌的活体检测，由于真实手掌的手掌骨骼和关节软组织具有极高的复杂性，导致手掌骨骼和关节软组织的仿造难度较高，仿造得到的非活体手掌骨骼关节图像和真实的活体手掌骨骼关节图像之间的差别较大，因此利用手掌骨骼关节图像进行活体检测的准确性较高，并且考虑到本文档来自技高网...
【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：获取第一手掌骨骼关节图像，所述第一手掌骨骼关节图像包括手掌骨骼和手掌骨骼之间的关节软组织；对所述第一手掌骨骼关节图像进行超分辨率处理，得到第二手掌骨骼关节图像，所述第二手掌骨骼关节图像的分辨率大于所述第一手掌骨骼关节图像的分辨率；对所述第二手掌骨骼关节图像进行特征提取，得到手掌特征；基于所述手掌特征进行判别，得到判别结果，所述判别结果用于表示所述第一手掌骨骼关节图像是否为活体手掌骨骼关节图像，所述活体手掌骨骼关节图像是指通过对真实手掌进行拍摄得到的手掌骨骼关节图像。2.根据权利要求1所述的方法，其特征在于，超分辨率模型包括第一特征提取网络、特征映射网络和图像重建网络；所述对所述第一手掌骨骼关节图像进行超分辨率处理，得到第二手掌骨骼关节图像，包括：通过所述第一特征提取网络，对所述第一手掌骨骼关节图像进行特征提取，得到第一图像特征；通过所述特征映射网络，对所述第一图像特征进行特征映射，得到第二图像特征，所述第二图像特征的维数大于所述第一图像特征的维数；通过所述图像重建网络，基于所述第二图像特征进行图像重建，得到所述第二手掌骨骼关节图像。3.根据权利要求2所述的方法，其特征在于，所述超分辨率模型的训练过程，包括：获取第一样本手掌骨骼关节图像和第二样本手掌骨骼关节图像，所述第一样本手掌骨骼关节图像的内容和所述第二样本手掌骨骼关节图像的内容相同，所述第二样本手掌骨骼关节图像的分辨率大于所述第一样本手掌骨骼关节图像的分辨率；通过所述第一特征提取网络，对所述第一样本手掌骨骼关节图像进行特征提取，得到第一样本图像特征；通过所述特征映射网络，对所述第一样本图像特征进行特征映射，得到第二样本图像特征，所述第二样本图像特征的维数大于所述第一样本图像特征的维数；通过所述图像重建网络，基于所述第二样本图像特征进行图像重建，得到预测手掌骨骼关节图像；基于所述预测手掌骨骼关节图像和所述第二样本手掌骨骼关节图像之间的差异，训练所述超分辨率模型。4.根据权利要求3所述的方法，其特征在于，所述基于所述预测手掌骨骼关节图像和所述第二样本手掌骨骼关节图像之间的差异，训练所述超分辨率模型，包括：基于所述预测手掌骨骼关节图像和所述第二样本手掌骨骼关节图像之间的差值，确定第一损失值；基于所述第一损失值，训练所述超分辨率模型，以使通过训练后的超分辨率模型得到的第一损失值减小。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，活体检测模型包括第二特征提取网络和分类网络；所述对所述第二手掌骨骼关节图像进行特征提取，得到手掌特征的步骤，通过所述第
二特征提取网络执行；所述基于所述手掌特征进行判别，得到判别结果的步骤，通过所述分类网络执行。6.根据权利要求5所述的方法，其特征在于，所述活体检测模型的训练过程，包括：获取第三样本手掌骨骼关节图像和样本标签结果，所述样本标签结果用于表示所述第三样本手掌骨骼关节图像是否为活体手掌骨骼关节图像的真实结果；通过所述...
【专利技术属性】
技术研发人员：王万里，张晋铭，郭润增，
申请(专利权)人：腾讯科技深圳有限公司，
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。