一种活体检测方法、电子设备及存储介质与流程

1.本公开涉及活体检测技术领域，尤其涉及一种活体检测方法、电子设备及存储介质。


背景技术：

2.随着计算机技术的发展，出现了活体检测技术，其作为一种高效便捷的身份验证方式，广泛应用于各类场景。
3.相关技术中，活体检测能通过眨眼、张嘴、摇头以及点头等组合动作，验证用户是否为真实活体本人操作。然而，相关技术中的活体检测方法，无法较好的检出通过软件合成等方式得到的相似攻击实例图像。


技术实现要素：

4.为克服相关技术中存在的问题，本公开提供一种活体检测方法、电子设备及存储介质。
5.根据本公开实施例的第一方面，提供一种活体检测方法，包括：
6.获取待检测图像；其中，所述待检测图像中包括所述目标对象的脸部区域；提取所述待检测图像的图像特征；将所述图像特征与目标底库中的底库特征进行匹配；其中，所述目标底库中的底库特征为非活体图像所对应的图像特征；所述目标底库中的各底库特征是基于将待录入图像特征与第一特征集合和/或第二特征集合进行匹配所确定的，所述第一特征集合包括目标活体检测模型检测通过的图像特征，所述第二特征集合包括所述目标活体检测模型漏检的非活体图像特征；根据匹配结果，确定所述目标对象是否为活体。
7.一种实施方式中，采用如下方式确定所述底库特征：基于所述第一特征集合，确定所述待录入图像特征被所述目标活体检测模型检测通过的第一概率，以及，基于所述第二特征集合，确定所述待录入图像特征被所述目标活体检测模型漏检的第二概率；若所述第一概率和所述第二概率满足第一目标阈值条件，则将所述待录入图像特征确定为底库特征；其中，所述第一目标阈值条件包括所述第一概率大于或等于第一阈值，所述第二概率大于或等于第二阈值。
8.一种实施方式中，采用如下方式确定所述底库特征：基于所述第二特征集合，确定所述待录入图像特征被所述目标活体检测模型漏检的第二概率；若所述第二概率满足第二目标阈值条件，则将所述待录入图像特征确定为底库特征；其中，所述第二目标阈值条件包括所述第二概率大于或等于第二阈值。
9.一种实施方式中，所述基于所述第一特征集合，确定所述待录入图像特征被所述目标活体检测模型检测通过的第一概率，包括：确定所述待录入图像特征与所述第一特征集合中各图像特征之间的第一相似度值；从各个所述第一相似度值中确定相似度值大于第一相似度阈值的第一相似度值的第一数量；将所述第一数量与所述第一相似度值的总数量之间的比值，确定为所述第一概率。
10.一种实施方式中，所述基于所述第二特征集合，确定所述待录入图像特征被所述目标活体检测模型漏检的第二概率，包括：确定所述待录入图像特征与所述第二特征集合中各图像特征之间的第二相似度值；从各所述第二相似度值中确定所述相似度值大于第二相似度阈值的第二相似度值的第二数量；将所述第二数量与所述第二相似度值的总数量之间的比值，确定为所述第二概率。
11.一种实施方式中，所述提取所述待检测图像的图像特征，包括：对所述待检测图像的背景区域进行特征提取，得到所述待检测图像的图像特征。
12.一种实施方式中，所述将所述图像特征与目标底库中的底库特征进行匹配，包括：确定所述图像特征与所述目标底库中各底库特征之间的第三相似度值；所述根据匹配结果，确定所述目标对象是否为活体，包括：若存在相似度值大于第三相似度阈值的第三相似度值，则确定所述目标对象为非活体；若不存在相似度值大于第三相似度阈值的第三相似度值，则确定所述目标对象为活体。
13.一种实施方式中，还包括：通过其他活体检测方式对所述待检测图像进行活体检测，得到活体检测结果；根据匹配结果，确定所述目标对象是否为活体，包括：根据所述活体检测结果以及所述匹配结果，确定所述目标对象是否为活体。
14.根据本公开实施例第二方面，提供一种电子设备，包括：
15.处理器；用于存储处理器可执行指令的存储器；
16.其中，所述处理器被配置为：执行第一方面或者第一方面任意一种实施方式中所述的活体检测方法。
17.根据本公开实施例第三方面，提供一种存储介质，所述存储介质中存储有指令，当所述存储介质中的指令由处理器执行时，使得处理器能够执行第一方面或者第一方面任意一种实施方式中所述的活体检测方法。
18.根据本公开实施例第四方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现第一方面或者第一方面任意一种实施方式中所述的活体检测方法。
19.本公开的实施例提供的技术方案可以包括以下有益效果：本公开可以获取待检测图像，提取待检测图像的图像特征，以及将图像特征与目标底库中的底库特征进行匹配。基于此，可以根据匹配结果，确定待检测图像中的目标对象是否为活体。其中，由于目标底库中的底库特征为非活体图像所对应的图像特征，也即，在本公开实施例中，则是通过将待检测图像的图像特征与非活体图像的图像特征进行匹配的方式进行活体检测，可实现对通过合成等方式得到的相似攻击图像的有效检测，从而提高活体检测的准确性；此外，本公开实施例中的目标底库中的各底库特征是基于将待录入图像特征与第一特征集合和第二特征集合进行匹配所确定的，且第一特征集合包括目标活体检测模型检测通过的图像特征，第二特征集合为目标活体检测模型漏检的非活体图像特征。也即，基于检测通过的图像特征集合和漏检的图像特征集合两个维度进行录入目标底库的底库特征的筛选，增建了录入底库的底库特征的准确度，进而提高了活体检测的准确性。
20.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，并不能限制本公开。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
22.图1是根据一示例性实施例示出的一种活体检测方法的流程图。
23.图2是根据一示例性实施例示出的一种得到底库特征的方法流程图。
24.图3是根据一示例性实施例示出的另一种得到底库特征的方法流程图。
25.图4是根据一示例性实施例示出的一种基于第一特征集合，确定待录入图像特征的第一概率的方法流程图。
26.图5是根据一示例性实施例示出的一种基于第二特征集合，确定待录入图像特征的第二概率的方法流程图。
27.图6是根据一示例性实施例示出的另一种活体检测方法的流程图。
28.图7是根据一示例性实施例示出的又一种活体检测方法的流程图。
29.图8是根据一示例性实施例示出的另一种活体检测方法的流程图。
30.图9是根据一示例性实施例示出的又一种活体检测方法的流程图。
31.图10是根据一示例性实施例示出的一种活体检测装置框图。
32.图11是根据一示例性实施例示出的一种用于活体检测的电子设备框图。
具体实施方式
33.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
34.在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本公开一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。下面结合附图对本公开的实施例进行详细说明。
35.近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(artificial intelligence，ai)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(slam)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
36.本公开实施例提供的活体检测方法可以应用于针对图像的活体检测场景中。示例的，可以应用于安全防控、金融领域等需要身份验证的活体检测场景，例如银行远程开户、门禁系统、远程交易操作、搭乘诸如飞机高铁公共交通等需要身份验证的活体检测场景。
37.随着计算机技术的发展，出现了活体检测技术，其作为一种高效便捷的身份验证方式，广泛应用于各类场景。
38.相关技术中，活体检测能通过眨眼、张嘴、摇头以及点头等组合动作，验证用户是否为真实活体本人操作。然而，相关技术中的活体检测方法，无法较好的检出通过软件合成等方式所构建的相似攻击实例图像，存在活体检测准确度较低的问题。
39.本公开实施例提供了一种活体检测方法，预建包括有目标活体检测模型检测通过的图像特征的特征集合，以及包括有目标活体检测模型漏检的非活体图像特征的特征集合。基于此，可以通过上述两种特征集合进行底库特征的匹配筛选，以此构建目标底库。进一步的，针对所获取的包括目标对象脸部区域的待检测图像，可以提取待检测图像的图像特征，并将待检测图像的图像特征与目标底库中的底库特征进行匹配，进而通过匹配结果，确定目标对象是否为活体。由于目标底库中的底库特征是通过目标活体检测模型(示例的，目标活体检测模型，可以理解为相关技术中所使用的目标活体检测模型)筛选后的图像特征筛选得到的，且所使用的目标活体检测模型所筛选的图像特征，包括检测通过的图像特征以及漏检的非活体图像特征。因此，该方法在实现活体检测的同时，可以实现针对目标活体检测模型所漏检的图像特征的检出，具有较高的活体检测精度。且由于目标活体检测模型所漏检的图像特征通常为以图像合成方式构建的活体攻击实例图像，因此，针对此类活体攻击实例图像，具有较高的活体检测精度，可以满足活体检测需求。
40.本公开以下为便于描述，将包括有目标活体检测模型检测通过的图像特征的特征集合称为第一特征集合，将包括有目标活体检测模型漏检的非活体图像特征的特征集合称为第二特征集合。
41.图1是根据一示例性实施例示出的一种活体检测方法的流程图，如图1所示，包括以下步骤。
42.在步骤s11中，获取待检测图像。
43.其中，待检测图像中包括目标对象的脸部区域。
44.本公开实施例中，可以在触发活体检测的场景下获取待进行活体检测的图像。其中，所获取的图像，例如可以是通过图像采集设备实时采集的，又例如，还可以是通过其他设备传输得到的。
45.在步骤s12中，提取待检测图像的图像特征。
46.示例的，可以通过卷积神经网络对待进行活体检测的图像进行特征提取，得到待检测图像特征。其中，所使用的卷积神经网络可以是超分辨率测试序列网络(visual geometry group network，vggnet)、残差网络(residual network，resnet)以及轻量级神经网络(mobilenet)之一或组合，本公开对此不作具体限制。并且，所使用的卷积神经网络，可以采用预训练得到的网络权重，例如可以是通过指定数据库(比如，imagenet数据库或places365数据库)中数据训练得到的网络权重。
47.此外，示例的，所提取的待检测图像特征可以是全连接层特征，当然，还可以是对卷积层特征进行全局最大值池化(global average pooling)和/或全局平均值池化
(global mean pooling)后得到图像特征，本公开对待检测图像特征的特征类型，以及获取待检测图像特征所使用的方式不做具体限定。
48.在步骤s13中，将图像特征与目标底库中的底库特征进行匹配。
49.其中，目标底库中的底库特征为非活体图像特征的图像特征。并且，目标底库中的底库特征为非活体图像所对应的图像特征。本公开实施例中，目标底库中的各底库特征是基于将待录入图像特征与第一特征集合和第二特征集合进行匹配所确定的。其中，第一特征集合包括目标活体检测模型检测通过的图像特征，第二特征集合包括目标活体检测模型漏检的非活体图像特征。
50.在步骤s14中，根据匹配结果，确定目标对象是否为活体。
51.本公开实施例提供的活体检测方法，可以通过对待检测图像的图像特征与目标底库中的底库特征之间进行匹配的方式，实现对待检测图像中目标对象的活体检测。由于底库特征为对活体检测有帮助的非活体图像特征，因此，待检测图像的图像特征与底库特征之间的匹配结果，可以表征待检测图像特征中包含非活体图像特征的概率，该方法可以以较高的精确度鉴别通过软件合成等方式构建的攻击图像(例如，通过“p脸”、“p嘴”和/或“p背景”得到的攻击图像)。
52.本公开实施例中，可以选取通过软件合成的大量相似活体攻击实例作为目标图像。进一步的，可以对目标图像进行特征提取，得到待录入图像特征。进一步的，可以通过第一特征集合和/或第二特征集合，实现对待录入图像特征的筛选，以此得到用于加入目标底库的底库特征。
53.一实施方式中，可以分别确定待录入图像特征被目标活体检测模型检测通过的概率，以及确定待录入图像特征被目标活体检测模型漏检的概率，并以此判断是否将待录入图像特征加入目标底库。本公开以下为便于描述，将表征待录入图像特征被目标活体检测模型检测通过的概率称为第一概率，将表征待录入图像特征被目标活体检测模型漏检的概率称为第二概率，将筛选底库特征时针对第一概率以及第二概率共同设置的阈值条件称为第一目标预置条件。
54.图2是根据一示例性实施例示出的一种得到底库特征的方法流程图，如图2所示，包括以下步骤。
55.在步骤s21中，基于第一特征集合，确定待录入图像特征被目标活体检测模型检测通过的第一概率，以及，基于第二特征集合，确定待录入图像特征被目标活体检测模型漏检的第二概率。
56.本公开实施例中，第一特征集合包括活体图像特征，或包括活体图像特征以及非活体图像特征，第二特征集合包括非活体图像特征。其中，由于第一特征集合用于计算待录入图像特征被目标活体检测模型检测通过的概率，因此，理想条件下，第一特征集合仅需包括目标活体检测模型检测通过的活体图像特征。然而，由于计算第一概率的目的在于确定待录入图像为活体图像特征的可能性，因此，针对第一特征集合，通常需要较大基数的特征样本。
57.一实施方式中，可以直接将未被标注的大量特征(示例的，未被标注的特征可以理解为未被目标活体检测模型检测的特征)加入第一特征集合，而不对特征的具体类型进行标注。换言之，该方法相当于直接将所加入的非活体图像特征视作目标活体检测模型检测
通过的图像特征，并执行后续流程。由于待录入图像特征需通过第一特征集合以及第二特征集合的双重筛选，因此，该方法不会对待录入图像特征的筛选结果造成较大影响。且由于该方法无需对大量特征样本进行标注，因此，可以满足用户的设置需求，以及保证第一特征集合的构建效率。
58.在步骤s22a中，若第一概率和第二概率满足第一目标阈值条件，则将待录入图像特征确定为底库特征。
59.示例的，第一目标阈值条件包括第一概率大于或等于第一阈值，第二概率大于或等于第二阈值。换言之，可以在第一概率大于或等于第一阈值，且第二概率大于或等于第二阈值的情况下，将待录入图像确定为底库特征。一示例中，可以将第一阈值设置的尽量大，以及将第二阈值设置的尽量小(例如，将第一阈值设置为99.99％，以及将第二阈值设置为5％)。针对待加入目标底库的待录入图像特征，数值较大的第一阈值可以保证筛选得到的待录入图像特征与活体图像特征相近，数值较小的第二阈值可以保证待录入图像特征虽与活体图像特征相近，但仍为非活体图像特征。将通过上述方式筛选得到的待录入图像特征加入目标底库，可以使目标活体检测模型的活体检测精度得到较为明显的提示，以此满足针对底库特征的筛选需求。当然，上述涉及的第一阈值及第二阈值的设置方式仅为一参考性示例，本公开对第一阈值及第二阈值对应的具体数值不做具体限定。
60.在步骤s22b中，若第一概率和第二概率不满足第一目标阈值条件，则筛除待录入图像特征。
61.其中，上述筛除待录入图像特征，实际上可以理解为，并不将该待录入图像特征作为目标底库中的底库特征。
62.本公开实施例中，将第一概率大于或等于第一阈值，且第二概率大于或等于第二阈值的待录入图像特征确定为底库特征的目的在于，筛选出与活体图像特征相近但实际为非活体图像特征的待录入图像特征，将通过该方法筛选得到待录入图像特征作为底库特征，可以使活体检测结果的准确度得到提升。并且，由于该方法可以减小将无效特征(即无法使活体检测准确度得到提升的非活体图像特征)加入底库特征的可能性，因此，该方法可以保证底库特征的特征数量尽量少，但足够有效。进一步的，在进行活体检测的过程中，可以节省计算相似度值所需的耗时，进而保证活体检测效率。
63.当然，若不考虑目标底库中底库特征的精度，也可以仅通过第二特征集合实现针对待录入图像特征的筛选。例如，可以确定待录入图像特征被目标活体检测模型漏检的第二概率，并通过第二概率判断是否将待录入图像特征加入目标底库。本公开以下为便于描述，将筛选底库特征时针对第二概率设置的阈值条件称为第二目标预置条件。
64.图3是根据一示例性实施例示出的另一种得到底库特征的方法流程图，如图3所示，包括以下步骤。
65.在步骤s31中，基于第二特征集合，确定待录入图像特征被目标活体检测模型漏检的第二概率。
66.在步骤s32a中，若第二概率满足第二目标阈值条件，则将待录入图像特征确定为底库特征。
67.其中，第二目标阈值条件例如可以是第二概率大于或等于第二阈值。本公开实施例中，第二特征集合中的图像特征包括目标活体检测模型漏检的非活体图像特征。针对第
二概率大于或等于第二阈值的情况，说明第二特征集合中可能存在与待录入图像特征相近的图像特征，基于此，可判断待录入图像特征为非活体图像特征，后续将待录入图像特征加入目标底库，以此扩充目标底库中的底库特征。示例的，针对第二目标阈值条件，第二阈值例如可设置为5％。
68.在步骤s32b中，若第二概率不满足第二目标阈值条件，则筛除待录入图像特征。
69.其中，上述筛除待录入图像特征，实际上可以理解为，并不将该待录入图像特征作为目标底库中的底库特征。
70.本公开实施例提供的活体检测方法，可以仅通过第二特征集合，实现筛选待录入图像特征，相较于通过第一特征集合及第二特征集合共同筛选待录入图像的方式，该方法高效便捷，可以满足针对底库特征的快速筛选需求。
71.本公开实施例中，通过第一特征集合计算第一概率的方式，与通过第二特征集合计算第二概率的方式相近，但为便于理解，本公开以下针对第一概率以及第二概率的计算方式进行分别描述。
72.一实施方式中，可以通过如下方式确定待录入图像特征被目标活体检测模型检测通过的第一概率。本公开以下为便于描述，待录入图像特征与第一特征集合中各图像特征之间的相似度值称为第一相似度值，将用于确定待录入图像特征与第一特征集合中图像特征相近所使用的相似度阈值称为第一相似度阈值，将大于第一相似度阈值的第一相似度值的数量称为第一数量。
73.图4是根据一示例性实施例示出的一种基于第一特征集合，确定待录入图像特征的第一概率的方法流程图，如图4所示，包括以下步骤。
74.在步骤s41中，确定待录入图像特征与第一特征集合中各图像特征之间的第一相似度值。
75.在步骤s42中，从各个第一相似度值中确定相似度值大于第一相似度阈值的第一相似度值的第一数量。
76.在步骤s43中，将第一数量与第一相似度值的总数量之间的比值，确定为第一概率。
77.本公开实施例提供的活体检测方法，通过设置第一相似度阈值的方式，确定出第一特征集合中与待录入图像特征相近的图像特征对应的第一数量。进一步的，可以通过第一数量与第一相似度值的总数量之间的比值(示例的，由于第一相似度值的总数量与第一特征集合中的图像特征的总数量相同，因此，该比值也可以为第一数量与第一特征集合中的图像特征的总数量之间的比值)，得到待录入图像特征被目标活体检测模型检测通过的第一概率。
78.另一实施方式中，可以通过如下方式确定待录入图像特征被目标活体检测模型漏检的第二概率。本公开以下为便于描述，待录入图像特征与第二特征集合中各图像特征之间的相似度值称为第二相似度值，将用于确定待录入图像特征与第二特征集合中图像特征相近所使用的相似度阈值称为第二相似度阈值，将大于第二相似度阈值的第二相似度值的数量称为第二数量。
79.图5是根据一示例性实施例示出的一种基于第二特征集合，确定待录入图像特征的第二概率的方法流程图，如图5所示，包括以下步骤。
80.在步骤s51中，确定待录入图像特征与第二特征集合中各图像特征之间的第二相似度值。
81.在步骤s52中，从各第二相似度值中确定相似度值大于第二相似度阈值的第二相似度值的第二数量。
82.在步骤s53中，将第二数量与第二相似度值的总数量之间的比值，确定为第二概率。
83.本公开实施例提供的非活体检测方法，通过设置第二相似度阈值的方式，确定出第二特征集合中与待录入图像特征相近的图像特征对应的第二数量。进一步的，可以通过第二数量与第二相似度值的总数量之间的比值(示例的，由于第二相似度值的总数量与第二特征集合中的图像特征的总数量相同，因此，该比值也可以为第二数量与第二特征集合中的图像特征的总数量之间的比值)，得到待录入图像特征被目标活体检测模型漏检的第二概率。
84.上述实施例中，第一特征集合包括目标活体检测模型检测通过的图像特征，第二特征集合包括目标活体检测模型漏检的非活体图像特征。其中，针对第一特征集合及第二特征集合，默认第一特征集合中仅包括活体图像特征，第二特征集合中仅包括非活体图像特征。基于此，可以通过第一相似度值的总数量计算第一概率，以及通过第二相似度值的总数量计算第二概率。
85.但实际上，针对第一特征集合中包括的图像特征，不仅可以只包括活体图像特征，还可以同时包括活体图像特征以及非活体图像特征。上述实施例中，默认第一特征集合中的仅包括活体图像特征，并通过第一相似度值的总数量计算第一概率的方式(或默认第二特征集合中的仅包括非活体图像特征，并通过第二相似度值的总数量计算第二概率的方式)，概率的计算精度受限。
86.示例的，为改善概率计算精度受限的问题，可以仅针对第一特征集合中包括的活体图像特征，进行第一概率的计算。相应的，针对第二特征集合，也可以仅通过第二特征集合中的非活体图像特征，进行第二概率的计算。其中，针对第一特征集合或第二特征集合，区分活体图像特征与非活体图像特征，可以是通过录入图像特征时设置的标签实现的。例如，可以在将活体图像特征录入第一特征集合时，为活体图像特征设置活体标签。又例如，可以在将非活体图像特征录入第二特征集合时，为非活体图像特征设置非活体标签。基于此，针对配置有活体标签的图像特征，可以获知该图像特征为活体图像特征，针对配置有非活体标签的图像特征，可以获知该图像特征为非活体图像特征。
87.进一步的，针对配置有相应标签的第一特征集合或第二特征集合，可以在计算第一概率或第二概率的过程中，通过识别标签的方式，选用所需的图像特征。如下以第一特征集合为例，对通过第一特征集合中的活体图像特征计算第一概率的过程进行描述。
88.可选的，在一种具体实施方式中，针对标注有活体标签的活体图像特征，若待录入图像特征与活体图像特征之间的相似度较高(例如，针对第一特征集合，待录入图像特征与活体图像特征之间的第一相似度值大于或等于第一相似度阈值)，则可以根据相似度计算结果以及活体图像特征对应的活体标签，将待录入图像特征标注为假正例(false positive，fp)。若待录入图像特征与活体图像特征之间的相似度较低(例如，针对第一特征集合，待录入图像特征与活体图像特征之间的第一相似度值小于第一相似度阈值)，则可以
根据相似度计算结果以及活体图像特征对应的活体标签，将待录入图像特征标注为真负例(true negative，tn)。
89.相应的，在另一种具体实施方式中，针对标注有非活体标签的非活体图像特征，若待录入图像特征与非活体图像特征之间的相似度较高(例如，针对第一特征集合，待录入图像特征与非活体图像特征之间的第一相似度值大于或等于第一相似度阈值)，则可以根据相似度计算结果以及非活体图像特征对应的非活体标签，将待录入图像特征标注为真正例(true positive，tp)。若待录入图像特征与非活体图像特征之间的相似度较低(例如，针对第一特征集合，待录入图像特征与非活体图像特征之间的第一相似度值小于第一相似度阈值)，则可以根据相似度计算结果以及非活体图像特征对应的非活体标签，将待录入图像特征标注为假负例(false negative，fn)。
90.基于上述标注过程，可以通过p1＝n
fp
/(n
fp
+n
tn
)的方式，计算第一概率(示例以p1表示)。其中，n
fp
表示假正例的标注次数，n
tn
表示真负例的标注次数，(n
fp
+n
tn
)可以表征第一特征集合中活体图像特征的总数量。
91.此外，与第一概率的计算方式相近的，针对第二特征集合，可以通过p2＝n
tp
/(n
tp
+n
fn
)的方式，计算第二概率(示例以p2表示)。其中，n
tp
表示真正例的标注次数，n
fn
表示假负例的标注次数，(n
tp
+n
fn
)可以表征第二特征集合中非活体图像特征的总数量。
92.通过本公开实施例提供的活体检测方法，可以通过对第一特征集合或第二特征集合中的图像特征进行标签设置的方式，实现对图像特征类别的精细化标注。进一步的，针对第一特征集合，仅通过活体图像特征计算第一概率，针对第二特征集合，仅通过非活体图像特征计算第二概率。基于此，第一概率或第二概率的结果值更加贴合实际情况，待录入图像特征的筛选精度可以得到进一步的提升。
93.通常的，活体检测方案通常着重关注前景区域，但实际上，待检测图像中的背景区域也对活体检测有帮助。
94.一示例中，可以对待检测图像的背景区域进行图像特征提取，基于待检测图像的背景区域进行活体检测。
95.图6是根据一示例性实施例示出的另一种活体检测方法的流程图，如图6所示，本公开实施例中的步骤的s61、步骤s63和步骤s64与图1中的步骤s11、步骤s13和步骤s14的实施过程相似，在此不做赘述。
96.在步骤s62中，对待检测图像的背景区域进行特征提取，得到待检测图像的图像特征。
97.本公开实施例提供的活体检测方法，可以针对待检测图像的背景区域，提取图像特征，并通过该图像特征进行活体检测，该方法通过检测背景区域的方式，可以实现对通过软件合成等方式构建的攻击图像的检出。
98.此外，还可以对待检测图像中前景区域及背景区域进行图像特征提取，进而通过更加丰富的图像特征，进一步提高活体检测精度。
99.示例的，针对构建完成的目标底库，可以通过计算待检测图像的图像特征与目标底库中的底库特征之间的相似度值值方式确定匹配结果，进而确定目标对象是否为活体。本公开以下为便于描述，将待检测图像的图像特征与底库特征之间的相似度值称为第三相似度值，将用于确定第三相似度值满足活体检测要求的相似度阈值称为第三相似度阈值。
100.图7是根据一示例性实施例示出的又一种活体检测方法的流程图，如图7所示，本公开实施例中步骤s71和步骤s72与图1中的步骤s11和步骤s12的实施过程相似，在此不做赘述。
101.在步骤s73中，确定图像特征与目标底库中各底库特征之间的第三相似度值。
102.在步骤s74a中，若存在相似度值大于第三相似度阈值的第三相似度值，则确定目标对象为非活体。
103.本公开实施例中，大于第三相似度阈值的第三相似度值可以为一个或多个，并且，仅需确定存在至少有一个第三相似度值大于第三相似度阈值，即可判定目标对象为非活体。
104.示例的，在判断底库特征中是否存在大于第三相似度阈值的第三相似度值的过程中，可以在首次检测到大于第三相似度阈值的第三相似度值的情况下，终止判断流程，并判定待检测图像中的目标对象为非活体，该方法可以省去后续的相似度值比对流程，进一步提高活体检测效率。
105.在步骤s74b中，若不存在相似度值大于第三相似度阈值的第三相似度值，则确定目标对象为活体。
106.本公开实施例中，可以通过计算欧拉距离和/或计算余弦相似度值等方式，确定待检测图像的图像特征与底库特征之间的相似度值。本公开如下以计算余弦相似度值的方式为例，对确定待检测图像的图像特征与底库特征之间的相似度值的具体实施过程进行描述。
107.示例的，针对待检测图像的图像特征，可以生成匹配图像特征的特征向量，以及生成匹配底库特征的特征向量。在此基础上，可以通过矢量计算的方式，确定两特征向量所形成的夹角余弦值。由于针对每一夹角余弦值，可以预设所对应的相似度值。因此，在确定两特征向量所形成的夹角余弦值的情况下，即可得到待检测图像的图像特征与底库特征之间的相似度值，也即，得到待检测图像的图像特征与底库特征之间的匹配结果。
108.本公开实施例提供的活体检测方法，可以与相关技术中使用的目标活体检测模型配合使用。例如，在通过其他活体检测方式对待检测图像进行活体检测的同时，通过本公开实施例提供的活体检测方法得到匹配待检测图像的匹配结果。进一步的，可以通过其他活体检测方式对应的活体检测结果，以及匹配结果，确定待检测图像中的目标图像是否为活体。
109.图8是根据一示例性实施例示出的另一种活体检测方法的流程图，如图8所示，本公开实施例中步骤s81和步骤s82与图1中的步骤s11和步骤s12的实施过程相似，在此不做赘述。
110.在步骤s83中，将图像特征与目标底库中的底库特征进行匹配，以及通过其他活体检测方式对待检测图像进行活体检测，得到活体检测结果。
111.其中，通过其他活体检测方式对待检测图像进行活体检测的方式，例如可以为动作活体检测(如眨眼、张嘴等)、炫彩活体检测、唇语活体检测等活体检测方式，本公开对此不做具体限定。
112.在步骤s84中，根据活体检测结果以及匹配结果，确定目标对象是否为活体。
113.本公开实施例提供的活体检测方法，可以作为其他活体检测方法的补充方案。换
言之，可以采用其他活体检测方式进行活体检测，得到活体检测结果，以及通过本公开实施例提供的活体检测方法，确定待检测图像的图像特征与目标底库的底库特征之间的匹配结果。基于此，可以通过活体检测结果以及匹配结果，共同确定目标对象是否为活体。
114.本公开实施例中，可以通过活体检测结果以及匹配结果，分别判断目标对象是否为活体。示例的，针对活体检测结果对应的第一判定结果，以及匹配结果对应的第二判定结果，若第一判定结果为活体检测通过，且第二判定结果为待检测图像中的目标对象为活体，则可以确定最终的判定结果为目标对象为活体。而针对第一判定结果为活体检测不通过，或针对第二判定结果为目标对象为非活体的情况，则可以确定最终的判定结果为目标对象为非活体。
115.此外，还可以通过先后顺序分别执行上述两种活体检测方案。例如，可以先通过其他活体检测方式进行活体检测，并在检测通过的情况下，调用目标底库中的底库特征。进一步的，可以根据图像特征与底库特征之间的匹配结果，确定目标对象是否为活体，也即，得到最终的活体检测结果。
116.图9是根据一示例性实施例示出的又一种活体检测方法的流程图，如图9所示，包括以下步骤。
117.在步骤s91中，获取待检测图像。
118.在步骤s92中，通过其他活体检测方式对待检测图像进行活体检测，得到活体检测结果。
119.示例的，其他活体检测方式与上述步骤s83中涉及的其他活体检测方式相近或相同，可以包括相关技术中的常规活体检测方式。
120.在步骤s93中，在活体检测结果为检测通过的情况下，提取待检测图像的图像特征。
121.示例的，也可以在通过其他活体检测方式对待检测图像进行活体检测的过程中，同步提取待检测图像的图像特征，用以方便快捷地执行后续步骤s94。
122.在步骤s94中，将图像特征与目标底库中的底库特征进行匹配。
123.在步骤s95中，根据匹配结果，确定目标对象是否为活体。
124.当然，在一些具体实施方式中，也可以先采用本技术实施例提供的方法进行活体检测，在确定目标对象为活体的情况下，采用其他活体检测方法再次对目标对象进行活体检测。当然，上述两种活体检测也可以同时进行。
125.在本公开实施例中，通过将本技术实施例提供的活体检测方法与其他活体检测方法相结合的方式进行活体检测，可以进一步提高活体检测的准确性。
126.通过本公开实施例提供的活体检测方法，可以实现针对目标对象的多级活体检测，并仅在第一级活体检测(示例的，第一级活体检测可以为通过其他活体检测方式进行活体检测)对应的活体检测结果为活体检测通过的情况下，调用第二级活体检测(示例的，第二级活体检测可以为通过调用目标底库并确定匹配结果的方式进行活体检测)。由于该方法可以仅在第一级活体检测的活体检测结果为检测通过的情况下，触发执行第二级活体检测。因此，可以减小活体检测流程所产生的功耗，满足使用需求。综上，本公开实施例提供的活体检测方法，可以作为现有活体检测方案的补充方案，可以满足针对活体检测场景的实际使用需求。
127.基于相同的构思，本公开实施例还提供一种活体检测装置。
128.可以理解的是，本公开实施例提供的活体检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
129.图10是根据一示例性实施例示出的一种活体检测装置100框图。参照图10，该装置100包括获取单元101和处理单元102。
130.获取单元101，用于获取待检测图像。其中，待检测图像中包括目标对象的脸部区域。处理单元102，用于提取待检测图像的图像特征。用于将图像特征与目标底库中的底库特征进行匹配。其中，目标底库中的底库特征为非活体图像所对应的图像特征。目标底库中的各底库特征是基于将待录入图像特征与第一特征集合和/或第二特征集合进行匹配所确定的，第一特征集合包括目标活体检测模型检测通过的图像特征，第二特征集合包括目标活体检测模型漏检的非活体图像特征。以及用于根据匹配结果，确定目标对象是否为活体。
131.一种实施方式中，处理单元102采用如下方式确定底库特征：基于第一特征集合，确定待录入图像特征被目标活体检测模型检测通过的第一概率，以及，基于第二特征集合，确定待录入图像特征被目标活体检测模型漏检的第二概率。若第一概率和第二概率满足第一目标阈值条件，则将待录入图像特征确定为底库特征。其中，第一目标阈值条件包括第一概率大于或等于第一阈值，第二概率大于或等于第二阈值。
132.一种实施方式中，处理单元102采用如下方式采用如下方式确定底库特征：基于第二特征集合，确定待录入图像特征被目标活体检测模型漏检的第二概率。若第二概率满足第二目标阈值条件，则将待录入图像特征确定为底库特征。其中，第二目标阈值条件包括第二概率大于或等于第二阈值。
133.一种实施方式中，处理单元102采用如下方式基于第一特征集合，确定待录入图像特征被目标活体检测模型检测通过的第一概率：确定待录入图像特征与第一特征集合中各图像特征之间的第一相似度值。从各个第一相似度值中确定相似度值大于第一相似度阈值的第一相似度值的第一数量。将第一数量与第一相似度值的总数量之间的比值，确定为第一概率。
134.一种实施方式中，处理单元102采用如下方式基于第二特征集合，确定待录入图像特征被目标活体检测模型漏检的第二概率：确定待录入图像特征与第二特征集合中各图像特征之间的第二相似度值。从各第二相似度值中确定相似度值大于第二相似度阈值的第二相似度值的第二数量。将第二数量与第二相似度值的总数量之间的比值，确定为第二概率。
135.一种实施方式中，处理单元102采用如下方式提取待检测图像的图像特征：对待检测图像的背景区域进行特征提取，得到待检测图像的图像特征。
136.一种实施方式中，处理单元102采用如下方式将图像特征与目标底库中的底库特征进行匹配：确定图像特征与目标底库中各底库特征之间的第三相似度值。处理单元102采用如下方式根据匹配结果，确定目标对象是否为活体：若存在相似度值大于第三相似度阈值的第三相似度值，则确定目标对象为非活体。若不存在相似度值大于第三相似度阈值的
第三相似度值，则确定目标对象为活体。
137.一种实施方式中，处理单元102采用还用于：通过其他活体检测方式对待检测图像进行活体检测，得到活体检测结果。处理单元102采用如下方式根据匹配结果，确定目标对象是否为活体：根据活体检测结果以及匹配结果，确定目标对象是否为活体。
138.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
139.图11是根据一示例性实施例示出的一种用于活体检测的电子设备200框图。
140.如图11所示，本公开的一个实施方式提供了一种电子设备200。其中，该电子设备200包括存储器201、处理器202、输入/输出(input/output，i/o)接口203。其中，存储器201，用于存储指令。处理器202，用于调用存储器201存储的指令执行本公开实施例的活体检测方法。其中，处理器202分别与存储器201、i/o接口203连接，例如可通过总线系统和/或其他形式的连接机构(未示出)进行连接。存储器201可用于存储程序和数据，包括本公开实施例中涉及的活体检测方法的程序，处理器202通过运行存储在存储器201的程序从而执行电子设备200的各种功能应用以及数据处理。
141.本公开实施例中处理器202可以采用数字信号处理器(digitalsignalprocessing，dsp)、现场可编程门阵列(field-programmablegatearray，fpga)、可编程逻辑阵列(programmablelogicarray，pla)中的至少一种硬件形式来实现，所述处理器202可以是中央处理单元(centralprocessingunit，cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元中的一种或几种的组合。
142.本公开实施例中的存储器201可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(randomaccessmemory，ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(read-onlymemory，rom)、快闪存储器(flashmemory)、硬盘(harddiskdrive，hdd)或固态硬盘(solid-statedrive，ssd)等。
143.本公开实施例中，i/o接口203可用于接收输入的指令(例如数字或字符信息，以及产生与电子设备200的用户设置以及功能控制有关的键信号输入等)，也可向外部输出各种信息(例如，图像或声音等)。本公开实施例中i/o接口203可包括物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标、操作杆、轨迹球、麦克风、扬声器、和触控面板等中的一个或多个。
144.在一些实施方式中，本公开提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在由处理器执行时，执行上文所述的任何方法。
145.在一些实施方式中，本公开提供了一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序被处理器执行时，执行上文所述的任何方法。
146.尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
147.本公开的方法和装置能够利用标准编程技术来完成，利用基于规则的逻辑或者其
他逻辑来实现各种方法步骤。还应当注意的是，此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
148.此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中，软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现，其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
149.出于示例和描述的目的，已经给出了本公开实施的前述说明。前述说明并非是穷举性的也并非要将本公开限制到所公开的确切形式，根据上述教导还可能存在各种变形和修改，或者是可能从本公开的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本公开的原理及其实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本公开。
150.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
151.可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。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他含义。
152.进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，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，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，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。
153.进一步可以理解的是，除非有特殊说明，“连接”包括两者之间不存在其他构件的直接连接，也包括两者之间存在其他元件的间接连接。
154.进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
155.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利范围指出。
156.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利范围来限制。