活体检测方法、估算网络处理方法、装置和计算机设备与流程

专利2022-05-09  5



1.本申请涉及人工智能技术领域,特别是涉及一种活体检测方法、估算网络处理方法、装置、计算机设备和存储介质。


背景技术:

2.随着人工智能技术的发展,出现了活体检测技术,活体检测技术广泛应用于银行远程业务、人脸支付和门禁系统中。传统的活体检测技术中,在进行活体检测时,通过由样本图像训练得到的检测模型来对待测图像进行活体检测,以判断出该待测图像是否为活体图像。
3.而在实际应用中,这些待测图像和训练过程中所使用的样本图像,在脸部、光照、背景以及攻击类型等域信息上存在差异,即真实的待测图像与样本图像的数据分布存在很大差异,因此导致检测模型的模型泛化能力不足,使用检测模型进行活体检测时,检测结果准确率低。


技术实现要素:

4.基于此,有必要针对上述技术问题,提供一种能够提高活体检测结果准确率的活体检测方法、估算网络处理方法、装置、计算机设备和存储介质。
5.一种活体检测方法,所述方法包括:从不同数据域的待测图像中提取图像特征;通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取所述估算网络中用于标准化处理的网络参数;基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;根据所述标准化特征确定所述待测图像是否为活体图像。
6.一种活体检测装置,所述装置包括:特征提取模块,用于从不同数据域的待测图像中提取图像特征;卷积处理模块,用于通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取模块,用于获取所述估算网络中用于标准化处理的网络参数;标准化处理模块,用于基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;确定模块,用于根据所述标准化特征确定所述待测图像是否为活体图像。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:从不同数据域的待测图像中提取图像特征;
通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取所述估算网络中用于标准化处理的网络参数;基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;根据所述标准化特征确定所述待测图像是否为活体图像。
8.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:从不同数据域的待测图像中提取图像特征;通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取所述估算网络中用于标准化处理的网络参数;基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;根据所述标准化特征确定所述待测图像是否为活体图像。
9.上述活体检测方法、估算网络处理方法、装置、计算机设备和存储介质中,通过估算网络对提取的图像特征进行均值和方差预测,得到图像特征的预测均值和预测方差,从而避免使用模型训练时数据标准化层的均值和方差,有利于对不同场景所得的待测图像均可以基于预测所得的预测均值和预测方差进行标准化处理,以及根据所得的标准化特征进行活体检测,提高了活体检测的普适性,而且提高了对不同数据域的待测图像进行活体检测的准确性。此外,在进行标准化处理时,还结合估算网络中用于标准化处理的网络参数与预测均值、预测方差对图像特征进行标准化处理,由于估算网络中的网络参数是经过模型训练后所得的参数,从而所得的标准化特征更加有利于活体检测,有利于提高待测图像进行活体检测的准确性。
10.一种用于活体检测的估算网络处理方法,其特征在于,所述方法包括:对不同数据域的样本图像进行特征提取,得到训练图像特征;通过训练前的估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征的训练预测均值和训练预测方差;基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;基于所述估算损失值对训练前的所述估算网络进行网络参数调整;参数调整后的所述估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于所述预测均值、所述预测方差和所述估算网络中用于标准化处理的网络参数对所述图像特征标准化处理,根据所得的标准化特征确定所述待测图像是否为活体图像。
11.在一个实施例中,所述方法还包括:基于所述预测均值、所述预测方差和训练前的所述估算网络中用于标准化处理的网络参数对所述训练图像特征标准化处理,得到标准化训练特征;将所述标准化训练特征输入至训练前的分类器,以使训练前的所述分类器基于所述标准化训练特征对所述样本图像进行分类,得到样本分类概率;
根据所述样本分类概率以及所述样本图像的标签计算得到分类损失值;所述基于所述估算损失值对训练前的所述估算网络进行网络参数调整包括:基于所述分类损失值和所述估算损失值对训练前的所述分类器和所述估算网络进行网络参数调整。
12.在一个实施例中,所述方法还包括:获取所述样本图像的深度图标签;对所述标准化训练特征进行深度特征提取,得到深度特征图;根据所述深度特征图和所述深度图标签计算得到深度图损失值;所述基于所述估算损失值对训练前的所述估算网络进行网络参数调整包括:基于所述深度图损失值和所述估算损失值,对训练前的所述估算网络进行网络参数调整。
13.在一个实施例中,所述样本图像包括活体样本图像和非活体样本图像;所述获取所述样本图像的深度图标签包括:当所述样本图像为所述活体样本图像时,对所述样本图像进行深度图计算,得到所述深度图标签;当所述样本图像为所述非活体样本图像时,生成与所述样本图像尺寸相同的黑色底图,并将所述黑色底图作为所述深度图标签。
14.在一个实施例中,所述方法还包括:对所述样本图像进行人脸识别,得到包含人脸特征的目标区域;在所述样本图像中,将所述目标区域之外的图像区域进行删除;所述获取所述样本图像的深度图标签包括:获取删除所述图像区域后的样本图像的深度图标签。
15.一种用于活体检测的估算网络处理装置,所述装置包括:特征提取模块,用于对不同数据域的样本图像进行特征提取,得到训练图像特征;卷积处理模块,用于通过训练前的估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征的训练预测均值和训练预测方差;标准化处理模块,用于基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;确定模块,用于基于所述估算损失值对训练前的所述估算网络进行网络参数调整;参数调整后的所述估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于所述预测均值、所述预测方差和所述估算网络中用于标准化处理的网络参数对所述图像特征标准化处理,根据所得的标准化特征确定所述待测图像是否为活体图像。
16.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:对不同数据域的样本图像进行特征提取,得到训练图像特征;通过训练前的估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征的训练预测均值和训练预测方差;基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;
基于所述估算损失值对训练前的所述估算网络进行网络参数调整;参数调整后的所述估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于所述预测均值、所述预测方差和所述估算网络中用于标准化处理的网络参数对所述图像特征标准化处理,根据所得的标准化特征确定所述待测图像是否为活体图像。
17.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:对不同数据域的样本图像进行特征提取,得到训练图像特征;通过训练前的估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征的训练预测均值和训练预测方差;基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;基于所述估算损失值对训练前的所述估算网络进行网络参数调整;参数调整后的所述估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于所述预测均值、所述预测方差和所述估算网络中用于标准化处理的网络参数对所述图像特征标准化处理,根据所得的标准化特征确定所述待测图像是否为活体图像。
18.上述活体检测方法、估算网络处理方法、装置、计算机设备和存储介质,通过训练前的估算网络对提取的图像特征进行均值和方差预测,得到图像特征的训练预测均值和训练预测方差,然后根据训练预测均值和统计均值,以及将训练预测方差和统计方差计算估算损失值,基于估算损失值对估算网络进行网络参数调整,从而使估算网络可以对不同应用场景的样本图像均可以估算出对应的均值和方差,提高了网络的泛化能力,从而可以有利于提高对不同数据域的待测图像进行活体检测的准确性。此外,在进行标准化处理时,还结合估算网络中用于标准化处理的网络参数与预测均值、预测方差对图像特征进行标准化处理,由于估算网络中的网络参数是经过模型训练后所得的参数,从而所得的标准化特征更加有利于活体检测,有利于提高待测图像进行活体检测的准确性。
附图说明
19.图1为一个实施例中活体检测方法的应用环境图;图2为一个实施例中活体检测方法的流程示意图;图3为一个实施例中估算网络的示意图;图4为一个实施例中活体检测方法的结构示意图;图5为一个实施例中标准化处理的原理示意图;图6为一个实施例中活体检测方法的应用示意图;图7为另一个实施例中活体检测方法的应用示意图;图8为另一个实施例中活体检测方法的应用示意图;图9为一个实施例中活体检测方法的时序图;图10为另一个实施例中活体检测方法的流程示意图;图11为一个实施例中活体检测方法的结构示意图;图12a为一个实施例中样本图像中目标区域的示意图;图12b为一个实施例中样本图像中扩大后目标区域的示意图;
图12c为一个实施例中删除背景区域后的样本图像的示意图;图12d为一个实施例中样本图像的深度图标签的示意图;图13为一个实施例中用于活体检测的估算网络处理方法示意图;图14为一个实施例中活体检测装置的结构框图;图15为另一个实施例中活体检测装置的结构框图;图16为一个实施例中用于活体检测的估算网络处理装置的结构框图;图17为另一个实施例中用于活体检测的估算网络处理装置的结构框图;图18为一个实施例中计算机设备的内部结构图。
具体实施方式
20.为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
21.本申请提供的人脸活体检测方法,通过使用人工智能技术(artificialintelligence,ai)中的计算机视觉技术以及机器学习技术,实现了活体检测。
22.人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向,接下来主要介绍计算机视觉技术和机器学习,具体如下所述:计算机视觉技术(computer vision,cv)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。可以理解,本申请中根据图像进行活体检测的处理,就属于使用计算机视觉技术中的生物特征识别技术实现活体检测。
23.机器学习(machine learning, ml)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
24.在本申请提供的活体检测方法中,主要采用到计算机视觉技术和机器学习这两种人工智能技术。接下来,主要对本申请提供的活体检测方法进行描述:本申请提供的活体检测方法,可以应用于如图1所示的应用环境中。在该应用环境中,终端102通过网络和服务设备104进行通信。具体地,服务设备104从不同数据域的待测
图像中提取图像特征。通过估算网络对图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。服务设备104获取估算网络中用于标准化处理的网络参数,基于预测均值、预测方差和网络参数对图像特征标准化处理,得到标准化特征,并根据标准化特征确定待测图像是否为活体图像。
25.其中,终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。
26.服务设备104可以是独立的物理服务器,也可以是区块链系统中的多个服务节点所组成的服务器集群,各服务节点之间形成组成点对点(p2p,peer to peer)网络,p2p协议是一个运行在传输控制协议(tcp,transmission control protocol)协议之上的应用层协议。
27.此外,服务设备104还可以是多个物理服务器构成的服务器集群,可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network,cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。此外,该服务设备104还可以是集成了门禁系统,该服务设备104结合门禁系统可以对待测图像进行活体检测。
28.终端102与服务设备104之间可以通过蓝牙、usb(universal serial bus,通用串行总线)或者网络等通讯连接方式进行连接,本申请在此不做限制。
29.在一个实施例中,如图2所示,提供了一种活体检测方法,以该方法应用于图1中的服务设备为例进行说明,包括以下步骤:s202,服务设备从不同数据域的待测图像中提取图像特征。
30.其中,不同的数据域可以指不同的图像类别。对应的,不同数据域的待测图像可以是:在不同应用场景下采集的不同类别的图像,如在光线强的室外所采集到的图像,在光线弱的室外所采集到的图像,在夜晚所采集到的图像,以及在室内采集到的图像。
31.待测图像是待进行活体检测的图像,可以是彩色图像也可以是灰度图像。当待测图像是彩色图像时,服务设备对待测图像进行灰度化处理。待测图像中可以包含待测对象的人脸图像,此外还可以包含手势动作或表情动作或背景区域。待测图像可以是在各种光照条件及背景下采集的图像,也可以具有各种分辨率、大小尺寸等,本申请对此不作限定。
32.活体检测是对待测图像中所包含的待测对象是否为活体的技术,通常用于确定待测图像中的待测对象是否是真实的活体用户,较多地应用于身份验证场景中。例如,当通过移动终端远程注册虚拟账户时,管理虚拟账户的服务设备要对请求注册虚拟账户的用户是否为本人进行验证,如用户a在注册虚拟账户时,服务设备可以通过摄像头采集的图像判断该图像是实时拍摄用户a所得的活体图像,而非拍摄用户a盗用的他人图像、人体模型或佩戴的面具所得的非活体图像。
33.其中,图像特征是图像本身具有的、能够区别于其他图像的特点或特性,包括可以直观地感受到的特征和需要通过变换或处理得到的特征。可以直观地感受到的特征例如可以是亮度、边缘、纹理、轮廓和色彩等特征;通过变换或处理才能得到的特征例如矩、直方图以及主成份等特征。
34.在一个实施例中,s202具体可以包括:服务设备通过特征提取算法计算得到待测图像的图像特征。例如,服务设备可以通过sobel算子从待测图像中提取待测图像的边缘特
征,服务设备也可以通过七阶矩算法计算待测图像的七阶特征矩。
35.在另一个实施例中,s202具体可以包括:服务设备还可以通过神经网络从待测图像中提取图像特征。其中,该神经网络例如可以是前馈神经网络、卷积神经网络、残差卷积神经网络、循环神经网络等。
36.在一个实施例中,服务设备从待测图像中提取图像特征之前,可以对待测图像进行灰度化处理、图像增强处理和去噪处理中的至少一种预处理。
37.对于待测图像的获取,当服务设备为门禁系统时,服务设备可以通过集成的摄像头拍摄目标环境中的待测对象,得到待测图像。
38.当服务设备为服务器时,服务设备可以与终端建立通信连接,然后从终端侧接收待测图像。其中,该待测图像可以是终端在注册虚拟账户的过程中所采集的图像,或者在进行人脸支付时所采集的图像。
39.s204,服务设备通过估算网络对图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。
40.其中,估算网络可以包括全局池化层和至少两个卷积层,用于预测图像特征的均值和方差等。其中,卷积处理是基于卷积层进行卷积计算。需要指出的是,服务设备进行卷积处理的至少两个卷积层的特征数可以不同。
41.在一个实施例中,服务设备通过估算网络中的第一卷积层对图像特征进行卷积处理,得到第一卷积特征;然后,将第一卷积特征输入至估算网络中的第二卷积层,通过第二卷积层对第一卷积特征进行卷积处理,得到第二卷积特征,依次类推,通过估算网络中的其它卷积层对输入的卷积特征进行卷积处理,得到预测均值和预测方差。
42.例如,如图3所示,估算网络中包括四个卷积层,其特征数从卷积层1(conv64)至卷积层4(conv1)逐层递减,即卷积层1的特征数为64,卷积层2(conv32)的特征数为32,卷积层3(conv16)的特征数为16,卷积层4的特征数为1。通过卷积层1至卷积层4对图像特征逐层进行卷积计算,可以得到预测均值和预测方差。
43.在一个实施例中,s204具体可以包括:服务设备可以先通过估算网络对图像特征进行池化,然后对所得的池化图像特征进行卷积处理,得到图像特征的预测均值和预测方差。
44.其中,对图像特征进行池化可以是对图像特征进行降采样,以降低图像特征的数据量。池化包括全局池化和局部池化,池化的方法包括最大池化、平均池化、随机池化等。
45.在一个实施例中,服务设备首先将图像特征输入估算网络中的全局池化层,对图像特征进行全局池化处理后,得到池化图像特征。然后,服务设备通过多个级联的卷积层对池化图像特征进行多层卷积计算,得到图像特征的预测均值和预测方差。例如,如图3所示,服务设备可以先将图像特征输入全局池化层(global average pooling,gap)进行全局池化处理,然后将所得的池化图像特征输入卷积层1,并将卷积层1的输出输入卷积层2,依次类推,直到得到最后一个卷积层输出的预测均值和预测方差。
46.s206,服务设备获取估算网络中用于标准化处理的网络参数。
47.其中,网络参数是估算网络中用于对图像特征进行标准化处理的参数,该网络参数可以是基于样本图像对估算网络进行训练所学习到的。服务设备通过标准化处理,可以将图像特征转换为无量纲的特定区间的纯数值,便于对不同单位或数量级的图像特征进行
统一处理。
48.s208,基于预测均值、预测方差和网络参数对图像特征标准化处理,得到标准化特征。
49.在一个实施例中,s208具体可以包括:服务设备可以将预测均值、预测方差和网络参数作为标准化处理算法中的参数,将图像特征作为标准化处理算法的自变量,从而计算出标准化特征。其中,标准化处理算法包括但不限于直线型方法、折线型方法、曲线型方法等。直线型方法例如可以是极值法、标准差法等;折线型方法例如可以是三折线法等;曲线型方法例如可以是半正太性分布法等。s210,服务设备根据标准化特征确定待测图像是否为活体图像。
50.其中,活体图像可以指包含活体对象的图像,若待测图像为活体图像,则表示该待测图像中的待测对象属于活体对象,如通过摄像头拍摄用户所得的图像即为活体图像;若待测图像不是活体图像(即待测图像为非活体图像),则表示该待测图像中的待测对象不是活体对象,如通过摄像头拍摄用户的照片或佩戴的面具所得的图像则不是活体图像。
51.在一个实施例中,s210可以包括:服务设备可以根据标准化特征计算待测图像为活体图像的概率,当待测图像为活体图像的概率大于概率阈值时,确定待测图像为活体图像。
52.在另一个实施例中,s210可以包括:服务设备将标准化特征输入至分类器,以使分类器基于标准化特征对待测图像进行分类,得到活体分类概率;当活体分类概率达到预设阈值时,服务设备确定待测图像为活体图像;当活体分类概率未达到预设阈值时,服务设备确定待测图像为非活体图像。由于根据由估算网络预测得到的预测均值和预测方差对图像特征进行标准化得到的标准化特征更加准确,所以,服务设备得到的活体分类概率更加准确,提高了活体检测的准确性。
53.其中,分类器可以包括二分类的分类器、多分类的分类器、多任务的分类器等,用于对标准化特征进行分类处理,得到是否为活体图像的分类结果。该分类器可以基于决策树算法、逻辑回归算法、朴素贝叶斯算法或神经网络算法等构建的分类器。
54.需要指出的是,该分类器是基于样本图像的标准化训练特征进行训练所得的,具体的训练步骤可以包括:服务设备从样本图像中提取训练图像特征,然后基于预测均值、预测方差和训练前的估算网络中用于标准化处理的网络参数,对训练图像特征进行标准化处理,得到标准化训练特征;然后,将标准化训练特征输入训练前的分类器,得到样本图像是否为活体图像的活体分类概率。服务设备根据活体分类概率和样本图像的标签计算得到分类损失值,根据分类损失值对训练前分类器的参数进行调整,从而可以得到最终的分类器。
55.其中,活体分类概率可以是[0,1]之间的数值。预设阈值是服务设备根据检测需求设置的阈值,且服务设备可以根据实际的检测需求对预设阈值进行调整。
[0056]
接下来结合图4对上述实施例进行阐述,具体如下所述:服务设备将获取的待测图像输入特征提取网络,特征提取网络包括多个级联的卷积层和数据标准化层。其中,卷积层用于提取待测图像的图像特征,数据标准化层用于对卷积层提取的特征进行数据标准化,该数据标准化层中包括估算网络,该估算网络用于对图像特征进行池化和卷积计算,以获得预测均值和预测方差。服务设备首先将待测图像输入特征提取网络的卷积层,通过卷积层对待测图像进行卷积计算,提取出待测图像的图像特
征。然后,服务设备将图像特征输入数据标准化层中的估算网络,估算网络对图像特征进行池化,并对所得的池化图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。
[0057]
然后数据标准化层基于预测均值、预测方差对图像特征归一化处理,并基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。
[0058]
服务设备将标准化特征输入下一个卷积层再次进行特征提取,然后再通过数据标准化层进行标准化处理,如此进行多次上述处理得到最终的标准化特征,并将最终得到的标准化特征输入分类器,得到活体分类概率。
[0059]
上述实施例中,通过估算网络对提取的图像特征进行均值和方差预测,得到图像特征的预测均值和预测方差,从而避免使用模型训练时数据标准化层的均值和方差,有利于对不同场景所得的待测图像均可以基于预测所得的预测均值和预测方差进行标准化处理,以及根据所得的标准化特征进行活体检测,提高了活体检测的普适性,而且提高了对不同数据域的待测图像进行活体检测的准确性。此外,在进行标准化处理时,还结合估算网络中用于标准化处理的网络参数与预测均值、预测方差对图像特征进行标准化处理,由于估算网络中的网络参数是经过模型训练后所得的参数,从而所得的标准化特征更加有利于活体检测,有利于提高待测图像进行活体检测的准确性。
[0060]
在一个实施例中,网络参数包括线性变换参数和平移参数;s208包括:服务设备根据预测均值和预测方差对图像特征归一化处理,得到归一化特征;服务设备基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。
[0061]
其中,归一化处理是将图像特征缩放到预设的尺度,也即,使图像特征的均值为0、方差为单位方差。对于不同的图像,图像特征的数据分布不同,例如不同图像的亮度不同;或者不同图像的对比度不同,也即图像最亮和最暗区域间的亮度层级间差别较大。归一化处理可以降低数据分布的差异对所提取的图像特征的影响。在一个实施例中,服务设备计算归一化处理前的图像特征和预测均值的差值,然后将所得的差值和预测方差求商,得到归一化特征。例如,服务设备通过公式(1)对图像特征进行归一化处理。其中,是归一化处理前的图像特征,是预测均值,是预测方差,是归一化特征。
[0062]
(1)其中,仿射变换是通过线性变换和平移将归一化特征从一个向量空间映射到另一个向量空间的映射方法。仿射变换是二维坐标到二维坐标之间的线性变换,且可以保持二维图形的平直性和平移性,即可以保持直线之间的相对位置关系不变,平行线经仿射变换后依然为平行线,且直线上点的位置顺序不会发生变化。其中,线性变换参数是在仿射变换过程中,对归一化特征进行线性变换的参数。平移参数是在仿射变换过程中,对归一化特征进行平移的参数。在一个实施例中,服务设备通过公式(2)对归一化特征进行仿射变换。其中,为归一化特征,为线性变换参数,为平移参数。
[0063]
(2)在一个实施例中,如图5所示,服务设备将图像特征输入估算网络,通过估算网络
得到图像特征的预测均值和预测方差。然后,服务设备根据预测均值和预测方差对图像特征进行归一化处理,得到归一化特征。在得到归一化特征后,服务设备通过线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。
[0064]
上述实施例中,服务设备根据预测均值和预测方差对图像特征归一化处理,并对归一化特征进行仿射变换,得到标准化特征。相对于套用对样本图像进行数学统计得到的统计均值和统计方差对图像特征进行标准化,根据预测均值和预测方差对图像特征进行标准化的方法,降低了真实待测图像和样本图像数据分布的不同对标准化处理过程造成的影响,得到的标准化特征准确性更高,从而根据标准化特征所得到的活体检测结果更加准确。
[0065]
在另一个实施例中,s208具体可以包括:服务设备获取训练图像特征的统计均值和统计方差;训练图像特征是从样本图像中提取的图像特征;服务设备对预测均值和统计均值进行加权计算,得到加权均值;以及,服务设备对预测方差和统计方差进行加权计算,得到加权方差;服务设备根据加权均值、加权方差以及网络参数对图像特征进行标准化,得到标准化特征。
[0066]
其中,样本图像可以是从训练图像集内提取出来的不同数据域的图像。例如,服务设备从训练图像集中分别抽取不同数据域的多个活体图像和多个非活体图像。需要指出的是,该活体图像中的待测对象和非活体图像中的待测对象可以是同一个活体对象,也可以不是同一个活体对象。对于不同数据域的样本图像,其数据分布可以不同,如不同数据域的样本图像具有不同的亮度、对比度和攻击类型等。其中,攻击类型的样本图像可以指:在实时采集图像时,用户利用纸质照片、显示屏显示的照片或佩戴面具的方式所采集的图像。
[0067]
统计均值是对样本图像的训练图像特征进行统计得到的均值。统计方差是对样本图像的训练图像特征进行统计得到的方差。预测均值和预测方差是估算网络估算得到的待测图像的均值和方差。由于估算网络是通过样本图像训练得到的,在待测图像和样本图像的数据分布差异较大时,预测均值和预测方差也能够比较接近待测图像真实的均值和方差。
[0068]
其中,服务设备对预测均值和统计均值进行加权计算可以指:利用不同的权重值分别对预测均值和统计均值进行加权,然后对加权所得的结果进行求和。服务设备对预测方差和统计方差进行加权计算:利用不同的权重值分别对预测方差和统计方差进行加权,然后对加权所得的结果进行求和。服务设备利用加权计算得到的加权均值和加权方差以及网络参数对图像特征进行标准化,使服务设备在待测图像和样本图像的数据分布差异较大或较小时皆能得到较为准确的标准化特征,提高了活体检测结果的稳定性和准确性。
[0069]
在一个实施例中,服务设备进行加权计算时,可以根据需要调整预测均值和统计均值各自对应的权重值,以及预测方差和统计方差各自对应的权重值。预测均值、统计均值、预测方差和统计方差分别对应的权重可以相同,也可以不相同。
[0070]
上述实施例中,服务设备得到的加权均值融合了预测均值和统计均值,加权方差融合了预测方差和统计方差,所以不论待测图像和样本图像的数据分布差异较大或较小时,皆能得到较为准确的标准化特征,提高了活体检测结果的稳定性和准确性。服务设备从多个不同数据域的样本图像集中分别抽取样本图像,所抽取的样本图像具有各种不同的数据分布,得到的统计均值和统计方差具有更强的泛化性能,从而使服务设备根据加权均值和加权方差得到的标准化特征更加准确,提高了活体检测结果的准确性。
[0071]
在一个实施例中,待测图像为客户端响应于交互请求所采集的图像;活体检测方法还包括:当交互请求为资源账户注册请求、且待测图像为活体图像时,生成资源账户信息,并向客户端反馈资源账户信息;当交互请求为资源转移请求、且待测图像为活体图像时,对资源转移请求中指定数额的资源进行转移;当交互请求为出入开关开启请求、且待测图像为活体图像时,开启出入开关。
[0072]
其中,交互请求是用户通过客户端触发的获取服务设备提供的业务服务的请求。其中,资源账户注册请求是向服务设备申请注册资源账户的请求。资源账户是可以交互虚拟资源的账户,虚拟资源包括但不限于虚拟货币、虚拟物品等。其中,资源转移请求是向服务设备申请转移虚拟资源的请求,转移包括转入和转出。其中,出入开关开启请求是向服务设备申请开启出入开关的请求。
[0073]
在一个实施例中,客户端为提供金融服务的应用程序,如图6所示,客户端的注册发起页面60a中包括注册按钮602,当用户点击该注册按钮602时,客户端会产生资源账户注册请求,以请求服务设备62注册资源账户,服务设备在注册资源账户之前进行活体检测,具体过程如下所述:s602,客户端向服务设备62发送资源账户注册请求。
[0074]
s604,服务设备响应于资源账户注册请求向客户端发送活体检测指令,以指示客户端采集待测对象的人脸图像。
[0075]
客户端响应于活体检测指令,在图像采集页面60b中显示图像采集框604,以在图像采集框604中采集待测对象的待测图像。客户端通过图像采集设备采集到待测图像后执行s606。
[0076]
s606,客户端将待测图像发送至服务设备62。
[0077]
服务设备62从待测图像中提取图像特征,并通过估算网络对图像特征进行池化,得到池化图像特征,并对池化图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。服务设备62根据预测均值和预测方差对图像特征归一化处理,得到归一化特征,并基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。最后,服务设备62将标准化特征输入至分类器,以使分类器基于标准化特征对待测图像进行分类,得到活体分类概率。当活体分类概率达到预设阈值时,确定待测图像为活体图像;当活体分类概率未达到预设阈值时,确定待测图像为非活体图像,从而得到该待测图像是否为活体图像的检测结果。
[0078]
s608,服务设备62将检测结果发送至客户端,并在待测图像为活体图像时,同时发送资源账户信息。客户端收到资源账户信息后,根据资源账户信息进行注册,并在结果显示页面60c中显示注册结果。
[0079]
上述实施例中,服务设备对请求注册资源账户的待测对象进行活体检测,在确定待测图像为活体图像,也即确定待测对象为活体对象时,生成资源账户信息,并向客户端反馈资源账户信息,以对资源账户进行注册,可以有效防止非法用户冒充合法用户的身份注册资源账户,保证了资源账户的合法使用,并且相对于人工注册资源账户,提高了资源账户的注册效率。
[0080]
在一个实施例中,客户端为支付类应用,交互请求为资源转移请求,如图7所示,客户端的支付请求页面70a中包括支付清单702和支付控件704。当用户点击支付控件704时,
客户端会产生资源转移请求,以请求服务设备72进行资源转移,服务设备在资源转移之前进行活体检测,具体过程如下所述:s702,客户端向服务设备72发送资源转移请求。
[0081]
s704,服务设备72响应于资源转移请求向客户端发送活体检测指令,以指示客户端采集待测对象的人脸图像。
[0082]
客户端响应于活体检测指令,在图像采集页面70b上显示图像采集框706,以在图像采集框706中采集待测对象的待测图像。客户端通过图像采集设备采集到待测图像后,执行s706。
[0083]
s706,客户端将待测图像发送至服务设备72。
[0084]
服务设备72从待测图像中提取图像特征,并通过估算网络对图像特征进行池化,得到池化图像特征,并对池化图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。服务设备72根据预测均值和预测方差对图像特征归一化处理,得到归一化特征,并基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。最后,服务设备72将标准化特征输入至分类器,以使分类器基于标准化特征对待测图像进行分类,得到活体分类概率。当活体分类概率达到预设阈值时,确定待测图像为活体图像;当活体分类概率未达到预设阈值时,确定待测图像为非活体图像。
[0085]
当服务设备在确定待测图像为活体图像时,对资源转移请求中指定数额的资源进行转移,并执行s708。
[0086]
s708,服务设备72将支付成功信息发送至客户端。客户端在结果显示页面70c中显示支付成功信息708。
[0087]
上述实施例中,服务设备对请求进行资源转移的待测对象进行活体检测,在确定待测图像为活体图像,也即确定待测对象为活体对象时,对资源转移请求中指定数额的资源进行转移,保证了资源转移的安全性,并且提高了资源转移的效率。
[0088]
在一个实施例中,客户端为门禁系统,交互请求为出入开关开启请求,如图8所示,当待测对象接近安装门禁系统的闸门82时,触发门禁系统对待测对象进行活体检测,门禁系统在出入开关控制页面80中显示图像采集框802,以通过图像采集框802采集待测对象的待测图像。
[0089]
当门禁系统通过摄像头采集到待测图像时,门禁系统将待测图像发送给服务设备(即安装门禁系统的闸门82)。服务设备从待测图像中提取图像特征,并通过估算网络对图像特征进行池化,得到池化图像特征,并对池化图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。服务设备根据预测均值和预测方差对图像特征归一化处理,得到归一化特征,并基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。最后,服务设备将标准化特征输入至分类器,以使分类器基于标准化特征对待测图像进行分类,得到活体分类概率。当活体分类概率达到预设阈值时,确定待测图像为活体图像;当活体分类概率未达到预设阈值时,确定待测图像为非活体图像。然后服务设备将待测图像为活体图像或为非活体图像的结果发送给门禁系统,从而门禁系统在确定待测图像为活体图像时,开启出入开关并在出入开关控制页面中显示允许通行的信息804;门禁系统在确定待测图像为非活体图像时,不开启出入开关。
[0090]
上述实施例中,对请求开启出入开关的待测对象进行活体检测,以对待测对象的
身份进行验证,在待测图像为活体图像时开启出入开关,保证了门禁系统的安全,并且相比于人工对待测对象进行验证,节省了成本,提高了通行效率。
[0091]
在一个实施例中,如图9所示,活体检测方法包括如下步骤:s902,客户端向服务设备发送交互请求。
[0092]
其中,客户端可以是安装在终端上的应用程序,如社交应用、支付类应用、购物类应用或其它提供金融服务的应用程序等。此外,该客户端还可以是安装在服务设备上的门禁系统。
[0093]
s904,服务设备响应于交互请求向客户端发送检测指令。
[0094]
s906,客户端根据检测指令针对待测对象采集待测图像。
[0095]
s908,客户端将待测图像发送至服务设备。
[0096]
s910,当服务设备获得待测图像时,从待测图像中提取图像特征。
[0097]
s912,服务设备通过估算网络对图像特征进行池化,并对所得的池化图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差。
[0098]
s914,服务设备根据预测均值和预测方差对图像特征归一化处理,得到归一化特征,并基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。
[0099]
s916,服务设备将标准化特征输入至分类器,以使分类器基于标准化特征对待测图像进行分类,得到活体分类概率,并根据标准化特征确定待测图像是否为活体图像。
[0100]
s918,服务设备将待测对象的活体检测结果发送至客户端。
[0101]
在一个实施例中,如图10所示,估算网络是对训练前的估算网络进行训练所得;服务设备对训练前的估算网络进行训练包括如下步骤:s1002,服务设备对不同数据域的样本图像进行特征提取,得到训练图像特征。
[0102]
其中,不同数据域的样本图像可以是:在不同应用场景下采集的不同类别的样本图像,如在光线强的室外所采集到的样本图像,在光线弱的室外所采集到的样本图像,在夜晚所采集到的样本图像,以及在室内采集到的样本图像。
[0103]
其中,样本图像可以是从训练图像集内提取出来的不同数据域的图像。例如,服务设备从训练图像集中分别抽取不同数据域的多个活体样本图像和多个非活体样本图像。需要指出的是,该活体样本图像中的待测对象和非活体样本图像中的待测对象可以是同一个活体对象,也可以不是同一个活体对象。
[0104]
其中,训练图像特征是样本图像本身具有的、能够区别于其他样本图像的特点或特性,包括可以直观地感受到的特征和需要通过变换或处理得到的特征。可以直观地感受到的特征例如可以是亮度、边缘、纹理、轮廓和色彩等特征;通过变换或处理才能得到的特征例如矩、直方图以及主成份等特征。
[0105]
在一个实施例中,s1002具体可以包括:服务设备通过特征提取算法计算得到样本图像的训练图像特征。例如,服务设备可以通过sobel算子从样本图像中提取样本图像的边缘特征,服务设备也可以通过七阶矩算法计算样本图像的七阶特征矩。
[0106]
在另一个实施例中,s1002具体可以包括:服务设备还可以通过神经网络从样本图像中提取训练图像特征。其中,该神经网络例如可以是前馈神经网络、卷积神经网络、残差卷积神经网络、循环神经网络等。
[0107]
在一个实施例中,服务设备从样本图像中提取训练图像特征之前,可以对样本图
像进行灰度化处理、图像增强处理和去噪处理中的至少一种预处理。
[0108]
s1004,服务设备通过训练前的估算网络对训练图像特征进行至少两次卷积处理,得到训练图像特征对应的训练预测均值和训练预测方差。
[0109]
在一个实施例中,服务设备通过训练前的估算网络中的第一卷积层对训练图像特征进行卷积处理,得到第一卷积训练特征;然后,将第一卷积训练特征输入至训练前的估算网络中的第二卷积层,通过第二卷积层对第一卷积训练特征进行卷积处理,得到第二卷积训练特征,依次类推,通过训练前的估算网络中的其它卷积层对输入的卷积训练特征进行卷积处理,得到训练预测均值和训练预测方差。
[0110]
在一个实施例中,s1004具体可以包括:服务设备可以先通过训练前的估算网络对训练图像特征进行池化,然后对所得的训练池化图像特征进行卷积处理,得到训练图像特征的训练预测均值和训练预测方差。
[0111]
其中,对训练图像特征进行池化可以是对训练图像特征进行降采样,以降低训练图像特征的数据量。池化包括全局池化和局部池化,池化的方法包括最大池化、平均池化、随机池化等。
[0112]
在一个实施例中,服务设备首先将训练图像特征输入训练前的估算网络中的全局池化层,对训练图像特征进行全局池化处理后,得到池化图像特征。然后,服务设备通过多个级联的卷积层对训练池化图像特征进行多层卷积计算,得到训练图像特征的训练预测均值和训练预测方差。
[0113]
s1006,服务设备基于训练预测均值和训练图像特征的统计均值,以及训练预测方差和训练图像特征的统计方差,确定估算损失值。
[0114]
其中,统计均值是通过数学计算得到的训练图像特征的均值,统计方差是通过数学计算得到的训练图像特征的方差。
[0115]
在一个实施例中,s1006具体可以包括:服务设备计算训练预测均值和训练图像特征的统计均值之间的差值或平方差,以及训练预测方差和训练图像特征的统计方差之间的差值或平方差,将上述两种差值的和值,或上述两种平方差的和值作为估算损失值。
[0116]
在另一个实施例中,s1006具体可以包括:计算训练预测均值和训练图像特征的统计均值之间的差值,以及训练预测方差和训练图像特征的统计方差之间的差值,然后再分别计算上述两种差值的平方,将上述两个平方的和值作为估算损失值。例如,服务设备根据公式(3)计算估算损失值,其中,是估算损失值,是预测均值,是统计均值,是预测方差,是统计方差。
[0117]
(3)s1008,服务设备基于估算损失值对训练前的估算网络进行网络参数调整。
[0118]
在一个实施例中,服务设备在获得估算损失值之后,可以将该估算损失值在估算网络中进行反向传播,以得到估算网络的各网络层中网络参数的梯度,基于所得的梯度调整估算网络中的网络参数,使根据调整后的估算网络得到的估算损失值最小。
[0119]
上述实施例中,服务设备通过估算损失值对估算网络进行网络参数调整,提高了估算网络预测均值和方差的能力以及估算网络的泛化能力,使估算网络预测得到的预测均
值和预测方差尽量接近待测图像真实的均值和方差。在服务设备获取待测图像时,可以直接使用估算网络预测得到的预测均值和预测方差对待测图像的图像特征进行标准化处理。并且,在待测图像和样本图像的数据分布不同时,由于估算网络的泛化能力较强,相对于套用根据样本图像统计得到的样本和方差,服务设备根据预测均值和预测方差可以得到更为准确的标准化特征,提高了活体检测的准确性。服务设备通过训练前估算网络对训练图像特征进行全局池化,降低了训练图像特征的数据量,避免在对训练前估算网络进行参数调整的过程中出现过拟合,使网络参数调整得到的估算网络预测得到的预测均值和预测方差更加准确,从而提高了活体检测的准确性。
[0120]
在一个实施例中,服务设备基于预测均值、预测方差和训练前的估算网络中用于标准化处理的网络参数对训练图像特征标准化处理,得到标准化训练特征;服务设备将标准化训练特征输入至训练前的分类器,以使训练前的分类器基于标准化训练特征对样本图像进行分类,得到样本分类概率;服务设备根据样本分类概率以及样本图像的标签计算得到分类损失值;服务设备基于分类损失值和估算损失值对训练前的分类器和估算网络进行网络参数调整。
[0121]
通过标准化处理,服务设备将训练图像特征转换为无量纲的特定区间的纯数值,便于对不同单位或数量级的图像特征进行统一处理。
[0122]
在一个实施例中,服务设备可以将预测均值、预测方差和训练前的估算网络中用于标准化处理的网络参数作为标准化处理算法中的参数,将图像特征作为标准化处理算法的自变量,从而计算出标准化特征。
[0123]
在一个实施例中,服务设备可以通过对数损失函数对样本图像的标签以及分类器对样本图像的分类结果进行计算,得到分类损失值。
[0124]
在另一个实施例中,服务设备计算分类器对样本图像的分类结果和样本图像的标签间的交叉熵,根据所得的交叉熵的期望计算得到分类损失值。
[0125]
在另一个实施例中,服务设备首先用过特征提取网络对样本图像进行特征提取,然后将特征提取所得的标准化特征输入分类器,通过分类器根据标准化特征对样本图像进行分类。服务设备对分类所得的分类结果取对数,并计算分类结果和样本图像的标签间的交叉熵,然后根据所得的交叉熵的期望计算得到分类损失值。例如,服务设备通过公式(4)计算得到分类损失值。其中,x是样本图像的集合,是样本图像标签的集合,是样本图像,是样本图像的标签。g是通过特征提取网络对进行特征提取,得到的标准化特征。c是通过分类器根据标准化特征对进行分类,所得的分类结果。指的是遍历所有的样本图像,计算样本图像的标签和通过分类器得到的分类结果之间的损失之后取平均,即计算分类损失的期望。
[0126]
(4)上述实施例中,服务设备根据分类损失值对训练前的分类器和估算网络进行网络参数调整,使网络参数调整得到的估算网络预测得到的预测均值和预测方差以及网络参数调整后的分类器得到的活体分类概率准确性更高,提高了活体检测的准确性。此外,服务设
备在提取出样本图像的训练图像特征之后,通过预测均值和预测方差对训练图像特征进行标准化处理,可以避免在对估算网络和分类的网络参数进行调整的过程中出现梯度下降和梯度消失的问题。
[0127]
在一个实施例中,服务设备获取样本图像的深度图标签;对标准化训练特征进行深度特征提取,得到深度特征图;根据深度特征图和深度图标签计算得到深度图损失值;基于深度图损失值和估算损失值对训练前的估算网络进行网络参数调整。
[0128]
其中,深度图标签是用于对样本图像进行标注的标签。深度特征图是通过深度估计网络对标准化训练特征进行深度特征提取得到的能够描述样本图像深度特征的图像。
[0129]
在一个实施例中,服务设备计算深度特征图和样本图像的深度图标签间的差值,然后将上述差值的平方作为深度图损失值。
[0130]
在另一个实施例中,服务设备分别计算深度特征图和样本图像的深度图标签的平方,将上述两个平方的差值作为深度图损失值。
[0131]
在另一个实施例中,服务设备计算深度特征图和样本图像的深度图标签间的差值,然后再计算上述差值的范数,得到深度图损失值。例如,服务设备根据公式(5)计算得到深度图损失值,其中,是深度图损失值,是样本图像的集合,i是样本图像的深度图标签,d为对的标准化训练特征进行深度特征提取得到的深度特征图。
[0132]
(5)在一个实施例中,服务设备获取样本图像的sift(scale

invariant feature transform,尺度不变特征变换)标签,并对标准化训练特征进行sift特征估计,得到sift估计特征。服务设备根据sift估计特征和sift标签计算得到sift损失值;基于sift损失值和估算损失值对训练前的估算网络进行网络参数调整。
[0133]
在一个实施例中,服务设备在获得深度图损失值和分类损失值之后,可以将该深度图损失值在深度估计网络中进行反向传播,并将分类损失值在特征提取网络中进行反向传播,以得到特征提取网络和深度估计网络各网络层中网络参数的梯度,基于所得的梯度调整特征提取网络中的估算网络以及深度估计网络的网络参数,使根据调整后的估算网络和深度估计网络得到的深度图损失值与分类损失值之和最小,提高了估算网络预测得到的预测均值和预测方差以及分类器计算得到的待测图像的活体分类概率的准确性,提高了活体检测结果的准确性。
[0134]
在一个实施例中,服务设备计算得到估算损失值、深度图损失值和分类损失值,然后对特征提取网络中的网络参数、分类器的网络参数以及深度估计网络的网络参数进行调整,以使估算损失值、深度图损失值和分类损失值之和最小,提高了估算网络预测得到的预测均值和预测方差以及分类器计算得到的待测图像的活体分类概率的准确性,提高了活体检测结果的准确性。
[0135]
在一个实施例中,服务设备通过深度估计网络对标准化训练特征进行深度特征提取,得到深度特征图。服务设备通过特征提取网络得到标准化训练特征,然后计算得到估算损失值,深度图损失值和分类损失值。服务设备可以在根据估算损失值,深度图损失值和分类损失值对特征提取网络和分类器进行网络参数调整的同时对深度估计网络进行网络参数调整;服务设备也可以通过训练样本单独对深度估计网络进行训练,以对深度估计网络的网络参数进行调整。
[0136]
在一个实施例中,如图11所示,服务设备获取样本图像,样本图像包括活体样本图像和非活体样本图像。当样本图像为活体样本图像时,对样本图像进行深度图计算,得到样本图像的深度图标签;当样本图像为非活体样本图像时,将与样本图像尺寸相同的黑色底图作为样本图像的深度图标签。服务设备将样本图像输入特征提取网络,并通过特征提取网络中的卷积层提取样本图像的训练样本特征,然后将卷积层输出的特征输入与卷积层相连的数据标准化层,通过数据标准化层对卷积层输出的特征进行数据标准化。然后服务设备将标准化处理后的特征输入下一个卷积层,依次类推,直到最后一个数据标准化层。服务设备将特征提取网络的最后一个数据标准化层输出的标准化特征输入分类器,通过分类器得到活体检测结果。并且,服务设备将标准化特征输入深度估计网络,通过深度估计网络对标准化特征进行深度特征提取,得到深度特征图。服务设备根据分类器输出的活体检测结果以及样本图像的标签计算得到分类损失值,并根据深度特征图和样本图像的深度图标签计算得到深度图损失值。服务设备对特征提取网络以及分类器的网络参数进行调整,使深度图损失值与分类损失值的和最小。在一个实施例中,服务设备基于训练预测均值和训练图像特征的统计均值,以及训练预测方差和训练图像特征的统计方差,确定估算损失值。服务设备对特征提取网络以及分类器的网络参数进行调整,使深度图损失值、分类损失值以及估算损失值的和最小。
[0137]
在一个实施例中,样本图像包括活体样本图像和非活体样本图像;获取样本图像的深度图标签包括:当样本图像为活体样本图像时,对样本图像进行深度图计算,得到深度图标签;当样本图像为非活体样本图像时,生成与样本图像尺寸相同的黑色底图,并将黑色底图作为深度图标签。
[0138]
其中,活体样本图像可以指包含活体对象的样本图像,若样本图像为活体样本图像,则表示该样本图像中的待测对象属于活体对象,如通过摄像头拍摄用户所得的样本图像即为活体图像;若样本图像为非活体样本图像,则表示该样本图像中的待测对象不是活体对象,如通过摄像头拍摄用户的照片或佩戴的面具所得的样本图像为非活体样本图像。
[0139]
在一个实施例中,服务设备计算样本图像中各个像素点的视差,根据各个像素点的视差得到样本图像的深度图标签。在另一个实施例中,服务设备通过训练得到的神经网络对样本图像进行深度计算,得到样本图像的深度图标签。
[0140]
上述实施例中,样本图像包括活体样本图像和非活体样本图像,服务设备分别针对样本图像和非活体样本图像得到深度图标签。然后,服务设备可以通过样本图像的深度图标签和深度估计网络估计得到的样本图像的深度特征图计算得到深度损失值,并通过深度损失值对特征提取网络中的估算网络和深度估计网络进行训练,从而提高估算网络估算的预测均值和预测方差的准确性,进而提高活体检测结果的准确性。
[0141]
在一个实施例中,服务设备对样本图像进行人脸识别,得到包含人脸特征的目标区域;服务设备在样本图像中,将目标区域之外的图像区域进行删除;服务设备获取删除图像区域后的样本图像的深度图标签。
[0142]
其中,人脸识别是基于人的脸部特征信息检测图像中的人脸区域的技术。服务设备对样本图像进行人脸识别,得到如图12a中方框中所示的包含人脸特征的目标区域。在一个实施例中,服务设备在得到目标区域之后,为获取更多的背景内容,对目标区域进行扩大,扩大后的目标区域如图12b所示。然后,服务设备将目标区域之外的图像区域进行删除,
或者服务设备也可以将扩大后的目标区域之外的图像区域进行删除。服务设备对图12b的白框中的目标区域之外的图像区域删除,得到如图12c所示的图像。若图12a中的样本图像为活体样本图像,服务设备对图12c所示的图像进行深度图计算,得到如图12d所示的深度图标签。
[0143]
在一个实施例中,服务设备在对样本图像进行人脸识别之前,若样本图像为彩色图像,则服务设备对样本图像进行灰度化处理,灰度化处理的算法包括分量法、最大值法、平均值法、加权平均法等。
[0144]
在一个实施例中,服务设备在对样本图像进行人脸识别之前对样本图像进行图像增强处理。图像增强处理的算法包括空间域法和频率域法。
[0145]
在一个实施例中,如图13所示,提供了一种用于活体检测的估算网络处理方法,以该方法应用于图1中的服务设备为例进行说明,包括以下步骤:s1302,服务设备对不同数据域的样本图像进行特征提取,得到训练图像特征。
[0146]
s1304,服务设备通过训练前的估算网络对训练图像特征进行至少两次卷积处理,得到训练图像特征的训练预测均值和训练预测方差。
[0147]
s1306,服务设备基于训练预测均值和训练图像特征的统计均值,以及训练预测方差和训练图像特征的统计方差,确定估算损失值。
[0148]
s1308,服务设备基于估算损失值对训练前的估算网络进行网络参数调整;参数调整后的估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于预测均值、预测方差和估算网络中用于标准化处理的网络参数对图像特征标准化处理,根据所得的标准化特征确定待测图像是否为活体图像。
[0149]
在一个实施例中,服务设备基于预测均值、预测方差和训练前的估算网络中用于标准化处理的网络参数对训练图像特征标准化处理,得到标准化训练特征;将标准化训练特征输入至训练前的分类器,以使训练前的分类器基于标准化训练特征对样本图像进行分类,得到样本分类概率;根据样本分类概率以及样本图像的标签计算得到分类损失值;s1308具体可以包括:服务设备基于分类损失值和估算损失值对训练前的分类器和估算网络进行网络参数调整。
[0150]
在一个实施例中,服务设备获取样本图像的深度图标签;对标准化训练特征进行深度特征提取,得到深度特征图;根据深度特征图和深度图标签计算得到深度图损失值;s1308具体可以包括:服务设备基于深度图损失值和估算损失值,对训练前的估算网络进行网络参数调整。
[0151]
在一个实施例中,服务设备样本图像包括活体样本图像和非活体样本图像;获取样本图像的深度图标签包括:当样本图像为活体样本图像时,对样本图像进行深度图计算,得到深度图标签;当样本图像为非活体样本图像时,生成与样本图像尺寸相同的黑色底图,并将黑色底图作为深度图标签。
[0152]
在一个实施例中,服务设备对样本图像进行人脸识别,得到包含人脸特征的目标区域;在样本图像中,将目标区域之外的图像区域进行删除;服务设备获取删除图像区域后的样本图像的深度图标签。
[0153]
上述s1302~1308的具体步骤可以参考图2实施例和图10实施例。
[0154]
应该理解的是,虽然图2、6、10、13的流程图中的各个步骤按照箭头的指示依次显
示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、6、10、13中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0155]
在一个实施例中,如图14所示,提供了一种活体检测装置,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:特征提取模块1402、卷积处理模块1404、获取模块1406、标准化处理模块1408和确定模块1410,其中:特征提取模块1402,用于从不同数据域的待测图像中提取图像特征;卷积处理模块1404,用于通过估算网络对图像特征进行至少两次卷积处理,得到图像特征的预测均值和预测方差;获取模块1406,用于获取估算网络中用于标准化处理的网络参数;标准化处理模块1408,用于基于预测均值、预测方差和网络参数对图像特征标准化处理,得到标准化特征;确定模块1410,用于根据标准化特征确定待测图像是否为活体图像。
[0156]
上述活体检测方法、估算网络处理方法、装置、计算机设备和存储介质中,通过估算网络对提取的图像特征进行均值和方差预测,得到图像特征的预测均值和预测方差,从而避免使用模型训练时数据标准化层的均值和方差,有利于对不同场景所得的待测图像均可以基于预测所得的预测均值和预测方差进行标准化处理,以及根据所得的标准化特征进行活体检测,提高了活体检测的普适性,而且提高了对不同数据域的待测图像进行活体检测的准确性。此外,在进行标准化处理时,还结合估算网络中用于标准化处理的网络参数与预测均值、预测方差对图像特征进行标准化处理,由于估算网络中的网络参数是经过模型训练后所得的参数,从而所得的标准化特征更加有利于活体检测,有利于提高待测图像进行活体检测的准确性。
[0157]
在一个实施例中,网络参数包括线性变换参数和平移参数;标准化处理模块1408,还用于:根据预测均值和预测方差对图像特征归一化处理,得到归一化特征;基于线性变换参数和平移参数对归一化特征进行仿射变换,得到标准化特征。
[0158]
在一个实施例中,标准化处理模块1408,还用于:获取训练图像特征的统计均值和统计方差;训练图像特征是从样本图像中提取的图像特征;对预测均值和统计均值进行加权计算,得到加权均值;以及,对预测方差和统计方差进行加权计算,得到加权方差;根据加权均值、加权方差以及网络参数对图像特征进行标准化,得到标准化特征。
[0159]
在一个实施例中,确定模块1410,还用于:将标准化特征输入至分类器,以使分类器基于标准化特征对待测图像进行分类,得到活体分类概率;当活体分类概率达到预设阈值时,确定待测图像为活体图像;
当活体分类概率未达到预设阈值时,确定待测图像为非活体图像。
[0160]
在一个实施例中,待测图像为客户端响应于交互请求所采集的图像;如图15所示,装置还包括:生成模块1412,当交互请求为资源账户注册请求、且待测图像为活体图像时,用于生成资源账户信息,并向客户端反馈资源账户信息;资源转移模块1414,当交互请求为资源转移请求、且待测图像为活体图像时,用于对资源转移请求中指定数额的资源进行转移;出入开关开启模块1416,当交互请求为出入开关开启请求、且待测图像为活体图像时,用于开启出入开关。
[0161]
在一个实施例中,估算网络是对训练前的估算网络进行训练所得;装置还包括:特征提取模块1402,还用于对不同数据域的样本图像进行特征提取,得到训练图像特征;卷积处理模块1404,还用于通过训练前的估算网络对训练图像特征进行至少两次卷积处理,得到训练图像特征对应的训练预测均值和训练预测方差;计算模块1418,用于基于训练预测均值和训练图像特征的统计均值,以及训练预测方差和训练图像特征的统计方差,确定估算损失值;网络参数调整模块1420,用于基于估算损失值对训练前的估算网络进行网络参数调整。
[0162]
在一个实施例中,装置还包括:标准化处理模块1408,还用于基于预测均值、预测方差和训练前的估算网络中用于标准化处理的网络参数对训练图像特征标准化处理,得到标准化训练特征;分类模块1422,用于将标准化训练特征输入至训练前的分类器,以使训练前的分类器基于标准化训练特征对样本图像进行分类,得到样本分类概率;计算模块1418,还用于根据样本分类概率以及样本图像的标签计算得到分类损失值;网络参数调整模块1420,还用于基于分类损失值对训练前的分类器和估算网络进行网络参数调整。
[0163]
在一个实施例中,装置还包括:获取模块1406,还用于获取样本图像的深度图标签;深度特征提取模块1424,用于对标准化训练特征进行深度特征提取,得到深度特征图;计算模块1418,还用于根据深度特征图和深度图标签计算得到深度图损失值;网络参数调整模块1420,还用于基于深度图损失值和估算损失值,对训练前的估算网络进行网络参数调整。
[0164]
在一个实施例中,样本图像包括活体样本图像和非活体样本图像;获取模块1406,还用于:当样本图像为活体样本图像时,对样本图像进行深度图计算,得到深度图标签;当样本图像为非活体样本图像时,生成与样本图像尺寸相同的黑色底图,并将黑色底图作为深度图标签。
[0165]
在一个实施例中,装置还包括:人脸识别模块1426,用于对样本图像进行人脸识别,得到包含人脸特征的目标区域;删除模块1428,用于在样本图像中,将目标区域之外的图像区域进行删除;获取模块1406,还用于获取删除图像区域后的样本图像的深度图标签。
[0166]
关于活体检测装置的具体限定可以参见上文中对于活体检测方法的限定,在此不再赘述。上述活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
[0167]
在一个实施例中,如图16所示,提供了一种用于活体检测的估算网络处理装置,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:特征提取模块1602、卷积处理模块1604、标准化处理模块1606和确定模块1608,其中:特征提取模块1602,用于对不同数据域的样本图像进行特征提取,得到训练图像特征;卷积处理模块1604,用于通过训练前的估算网络对训练图像特征进行至少两次卷积处理,得到训练图像特征的训练预测均值和训练预测方差;标准化处理模块1606,用于基于训练预测均值和训练图像特征的统计均值,以及训练预测方差和训练图像特征的统计方差,确定估算损失值;确定模块1608,用于基于估算损失值对训练前的估算网络进行网络参数调整;参数调整后的估算网络,用于确定待测图像中图像特征的均值和方差,以基于均值、方差和估算网络中用于标准化处理的网络参数对图像特征标准化处理,根据所得的标准化特征确定待测图像是否为活体图像。
[0168]
上述活体检测方法、估算网络处理方法、装置、计算机设备和存储介质,通过训练前的估算网络对提取的图像特征进行均值和方差预测,得到图像特征的训练预测均值和训练预测方差,然后根据训练预测均值和统计均值,以及将训练预测方差和统计方差计算估算损失值,基于估算损失值对估算网络进行网络参数调整,从而使估算网络可以对不同应用场景的样本图像均可以估算出对应的均值和方差,提高了网络的泛化能力,从而可以有利于提高对不同数据域的待测图像进行活体检测的准确性。此外,在进行标准化处理时,还结合估算网络中用于标准化处理的网络参数与预测均值、预测方差对图像特征进行标准化处理,由于估算网络中的网络参数是经过模型训练后所得的参数,从而所得的标准化特征更加有利于活体检测,有利于提高待测图像进行活体检测的准确性。
[0169]
在一个实施例中,如图17所示,装置还包括:标准化处理模块1606,还用于基于预测均值、预测方差和训练前的估算网络中用于标准化处理的网络参数对训练图像特征标准化处理,得到标准化训练特征;分类模块1610,用于将标准化训练特征输入至训练前的分类器,以使训练前的分类器基于标准化训练特征对样本图像进行分类,得到样本分类概率;计算模块1612,还用于根据样本分类概率以及样本图像的标签计算得到分类损失值;
网络参数调整模块1614,还用于基于分类损失值对训练前的分类器和估算网络进行网络参数调整。
[0170]
在一个实施例中,装置还包括:获取模块1616,还用于获取样本图像的深度图标签;深度特征提取模块1618,用于对标准化训练特征进行深度特征提取,得到深度特征图;计算模块1612,还用于根据深度特征图和深度图标签计算得到深度图损失值;网络参数调整模块1614,还用于基于深度图损失值和估算损失值,对训练前的估算网络进行网络参数调整。
[0171]
在一个实施例中,样本图像包括活体样本图像和非活体样本图像;获取模块1616,还用于:当样本图像为活体样本图像时,对样本图像进行深度图计算,得到深度图标签;当样本图像为非活体样本图像时,生成与样本图像尺寸相同的黑色底图,并将黑色底图作为深度图标签。
[0172]
在一个实施例中,装置还包括:人脸识别模块1620,用于对样本图像进行人脸识别,得到包含人脸特征的目标区域;删除模块1622,用于在样本图像中,将目标区域之外的图像区域进行删除;获取模块1616,还用于获取删除图像区域后的样本图像的深度图标签。
[0173]
关于用于活体检测的估算网络处理装置的具体限定可以参见上文中对于用于活体检测的估算网络处理方法的限定,在此不再赘述。上述用于活体检测的估算网络处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
[0174]
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务设备,其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储活体检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种活体检测方法。
[0175]
本领域技术人员可以理解,图18中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
[0176]
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0177]
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0178]
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品
或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
[0179]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read

only memory,rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory,ram)或外部高速缓冲存储器。作为说明而非局限,ram可以是多种形式,比如静态随机存取存储器(static random access memory,sram)或动态随机存取存储器(dynamic random access memory,dram)等。
[0180]
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
[0181]
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。

技术特征:
1.一种活体检测方法,其特征在于,所述方法包括:从不同数据域的待测图像中提取图像特征;通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取所述估算网络中用于标准化处理的网络参数;基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;根据所述标准化特征确定所述待测图像是否为活体图像。2.根据权利要求1所述的方法,其特征在于,所述网络参数包括线性变换参数和平移参数;所述基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征包括:根据所述预测均值和所述预测方差对所述图像特征归一化处理,得到归一化特征;基于所述线性变换参数和平移参数对所述归一化特征进行仿射变换,得到所述标准化特征。3.根据权利要求1所述的方法,其特征在于,所述基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征包括:获取训练图像特征的统计均值和统计方差;所述训练图像特征是从样本图像中提取的图像特征;对所述预测均值和所述统计均值进行加权计算,得到加权均值;以及,对所述预测方差和所述统计方差进行加权计算,得到加权方差;根据所述加权均值、所述加权方差以及所述网络参数对所述图像特征进行标准化,得到所述标准化特征。4.根据权利要求1所述的方法,其特征在于,所述根据所述标准化特征确定所述待测图像是否为活体图像包括:将所述标准化特征输入至分类器,以使所述分类器基于所述标准化特征对所述待测图像进行分类,得到活体分类概率;当所述活体分类概率达到预设阈值时,确定所述待测图像为活体图像;当所述活体分类概率未达到所述预设阈值时,确定所述待测图像为非活体图像。5.根据权利要求1所述的方法,其特征在于,所述待测图像为客户端响应于交互请求所采集的图像;所述方法还包括:当所述交互请求为资源账户注册请求、且所述待测图像为所述活体图像时,生成资源账户信息,并向所述客户端反馈所述资源账户信息;当所述交互请求为资源转移请求、且所述待测图像为所述活体图像时,对所述资源转移请求中指定数额的资源进行转移;当所述交互请求为出入开关开启请求、且所述待测图像为所述活体图像时,开启出入开关。6.根据权利要求1至5任一项所述的方法,其特征在于,所述估算网络是对训练前的估算网络进行训练所得;所述对训练前的估算网络进行训练包括:对不同数据域的样本图像进行特征提取,得到训练图像特征;
通过训练前的所述估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征对应的训练预测均值和训练预测方差;基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;基于所述估算损失值对训练前的所述估算网络进行网络参数调整。7.根据权利要求6所述的方法,其特征在于,所述方法还包括:基于所述预测均值、所述预测方差和训练前的所述估算网络中用于标准化处理的网络参数对所述训练图像特征标准化处理,得到标准化训练特征;将所述标准化训练特征输入至训练前的分类器,以使训练前的所述分类器基于所述标准化训练特征对所述样本图像进行分类,得到样本分类概率;根据所述样本分类概率以及所述样本图像的标签计算得到分类损失值;所述基于所述估算损失值对训练前的所述估算网络进行网络参数调整包括:基于所述分类损失值和所述估算损失值对训练前的所述分类器和所述估算网络进行网络参数调整。8.根据权利要求6所述的方法,其特征在于,所述方法还包括:获取所述样本图像的深度图标签;对所述标准化训练特征进行深度特征提取,得到深度特征图;根据所述深度特征图和所述深度图标签计算得到深度图损失值;所述基于所述估算损失值对训练前的所述估算网络进行网络参数调整包括:基于所述深度图损失值和所述估算损失值,对训练前的所述估算网络进行网络参数调整。9.根据权利要求8所述的方法,其特征在于,所述样本图像包括活体样本图像和非活体样本图像;所述获取所述样本图像的深度图标签包括:当所述样本图像为所述活体样本图像时,对所述样本图像进行深度图计算,得到所述深度图标签;当所述样本图像为所述非活体样本图像时,生成与所述样本图像尺寸相同的黑色底图,并将所述黑色底图作为所述深度图标签。10.根据权利要求8所述的方法,其特征在于,所述方法还包括:对所述样本图像进行人脸识别,得到包含人脸特征的目标区域;在所述样本图像中,将所述目标区域之外的图像区域进行删除;所述获取所述样本图像的深度图标签包括:获取删除所述图像区域后的样本图像的深度图标签。11.一种用于活体检测的估算网络处理方法,其特征在于,所述方法包括:对不同数据域的样本图像进行特征提取,得到训练图像特征;通过训练前的估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征的训练预测均值和训练预测方差;基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;基于所述估算损失值对训练前的所述估算网络进行网络参数调整;参数调整后的所述
估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于所述预测均值、所述预测方差和所述估算网络中用于标准化处理的网络参数对所述图像特征标准化处理,根据所得的标准化特征确定所述待测图像是否为活体图像。12.一种活体检测装置,其特征在于,所述装置包括:特征提取模块,用于从不同数据域的待测图像中提取图像特征;卷积处理模块,用于通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取模块,用于获取所述估算网络中用于标准化处理的网络参数;标准化处理模块,用于基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;确定模块,用于根据所述标准化特征确定所述待测图像是否为活体图像。13.一种用于活体检测的估算网络处理装置,其特征在于,所述装置包括:特征提取模块,用于对不同数据域的样本图像进行特征提取,得到训练图像特征;卷积处理模块,用于通过训练前的估算网络对所述训练图像特征进行至少两次卷积处理,得到所述训练图像特征的训练预测均值和训练预测方差;标准化处理模块,用于基于所述训练预测均值和所述训练图像特征的统计均值,以及所述训练预测方差和所述训练图像特征的统计方差,确定估算损失值;确定模块,用于基于所述估算损失值对训练前的所述估算网络进行网络参数调整;参数调整后的所述估算网络,用于确定待测图像中图像特征的预测均值和预测方差,以基于所述预测均值、所述预测方差和所述估算网络中用于标准化处理的网络参数对所述图像特征标准化处理,根据所得的标准化特征确定所述待测图像是否为活体图像。14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至13中任一项所述的方法的步骤。15.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法的步骤。
技术总结
本申请涉及一种活体检测方法、估算网络处理方法、装置、计算机设备和存储介质。所述方法包括:从不同数据域的待测图像中提取图像特征;通过估算网络对所述图像特征进行至少两次卷积处理,得到所述图像特征的预测均值和预测方差;获取所述估算网络中用于标准化处理的网络参数,基于所述预测均值、所述预测方差和所述网络参数对所述图像特征标准化处理,得到标准化特征;根据所述标准化特征确定所述待测图像是否为活体图像。采用本方法能够提高活体检测结果的准确性。测结果的准确性。测结果的准确性。


技术研发人员:姚太平 张克越 丁守鸿 李季檩
受保护的技术使用者:腾讯科技(深圳)有限公司
技术研发日:2021.05.25
技术公布日:2021/6/25

转载请注明原文地址: https://doc.8miu.com/read-150274.html

最新回复(0)