活体检测方法和系统与流程

本说明书涉及活体检测领域，尤其涉及一种活体检测方法和系统。

背景技术：

1、近年来，随着互联网技术的飞速发展，在人脸识别系统中活体检测已经成为不可缺少的一环，通过活体检测可以有效拦截非活体类型的攻击样本。活体检测方式的不断更迭，针对一般类型的活体攻击往往可以高效的检测出来，但是还存在一部分攻击类型无法解决，比如，高清屏幕攻击。在高清屏幕攻击中高清屏幕呈现的攻击线索很难被采集到。针对这一类的攻击，现有的活体检测方法往往通过多动作交互进行活体检测，或者，引入随机炫光进行活体检测。

2、在对现有技术的研究和实践过程中，本技术的发明人发现基于多动作交互和引入随机炫光的方式，在活体检测过程中均需要引入额外的信息(动作或炫彩光等)，不仅降低了活体检测的检测效率，而且，还增加了对用户的打扰率，因此，在保证用户体验的前提下，就会导致活体检测的检测性能降低。

技术实现思路

1、本说明书提供一种检测性能更高的活体检测方法和系统。

2、第一方面，本说明书提供一种活体检测方法，包括：获得目标用户的目标用户图像，并基于k个压缩率，对所述目标用户图像进行压缩，得到k个压缩用户图像，所述k为大于0的整数；基于所述目标用户图像和所述k个压缩用户图像，生成k个差分用户图像；以及基于所述k个差分用户图像，对所述目标用户进行活体检测，得到所述目标用户的活体检测结果，并输出所述活体检测结果。

3、在一些实施例中，所述k个压缩率在排序后，相邻的压缩率之间的差值相同。

4、在一些实施例中，所述基于所述目标用户图像和所述k个压缩用户图像，生成k个差分用户图像，包括：基于所述k个压缩率，对所述目标用户图像和所述k个压缩用户图像进行排序，得到用户图像序列；以及对所述用户图像序列中相邻的图像进行差分，得到所述k个差分用户图像。

5、在一些实施例中，所述对所述目标用户进行活体检测，得到所述目标用户的活体检测结果，包括：将所述k个差分用户图像进行融合，得到融合用户图像；对所述融合用户图像进行特征提取，得到所述目标用户的图像活体特征；以及基于所述图像活体特征，对所述目标用户进行活体分类，得到所述目标用户的活体检测结果。

6、在一些实施例中，所述将所述k个差分用户图像进行融合，得到融合用户图像，包括：确定所述k个差分用户图像对应的注意力权重；以及基于所述注意力权重，对所述k个差分用户图像进行融合，得到所述融合用户图像。

7、在一些实施例中，所述对所述目标用户进行活体分类，得到所述目标用户的活体检测结果，包括：基于所述图像活体特征，确定所述目标用户的目标攻击概率；以及基于所述目标攻击概率，执行目标操作，所述目标操作包括第一操作或第二操作，其中：所述第一操作包括确定所述目标攻击概率大于预设概率阈值，确定所述目标用户的活体检测结果为攻击用户，以及所述第二操作包括确定所述目标攻击概率小于预设概率阈值，确定所述目标用户的活体检测结果为活体用户。

8、在一些实施例中，所述对所述目标用户进行活体检测，得到所述目标用户的活体检测结果，包括：将所述k个差分用户图像输入至目标活体检测模型，以得到多个攻击概率；确定所述多个攻击概率的均值，以得到所述目标用户的目标攻击概率；以及基于所述目标攻击概率，确定所述目标用户的活体检测结果。

9、在一些实施例中，所述多个攻击概率包括融合用户图像中每一像素对应的攻击概率，所述融合用户图像包括所述k个差分用户图像进行融合后的用户图像。

10、在一些实施例中，所述目标活体检测模型的训练过程包括以下步骤：获得第一差分用户图像样本组；基于所述第一差分用户图像样本组，对预设活体检测模型进行训练，得到训练后的活体检测模型；以及对所述活体检测模型进行压缩，得到所述目标活体检测模型。

11、在一些实施例中，所述对预设活体检测模型进行训练，得到训练后的活体检测模型，包括：将所述第一差分用户图像样本组输入至所述预设活体检测模型，得到第一预测活体类别；基于所述第一预测活体类别，确定所述第一差分用户图像样本组对应的第一活体分类损失；以及基于所述第一活体分类损失，对所述预设活体检测模型进行收敛，得到所述活体检测模型。

12、在一些实施例中，所述第一差分用户图像样本组包括k个第一差分用户图像样本，所述预设活体检测模型包括图像融合网络、特征编码网络和活体分类网络；以及所述将所述第一差分用户图像样本组输入至所述预设活体检测模型，得到第一预测活体类别，包括：将所述k个第一差分用户图像样本输入至所述图像融合网络，得到第一融合用户图像样本，将所述第一融合用户图像样本输入至所述特征编码网络，得到第一样本图像活体特征，以及将所述第一样本图像活体特征输入至所述活体分类网络，得到所述第一融合用户图像样本中每一像素对应的第一预测活体类别。

13、在一些实施例中，所述确定所述第一差分用户图像样本组对应的第一活体分类损失，包括：获得所述第一差分用户图像样本组对应的第一标注活体类别；将所述第一标注活体类别与所述第一预测活体类别进行对比，以得到所述第一融合用户图像样本中每一像素对应的初始活体分类损失；以及将所述初始活体分类损失进行累加，得到所述第一活体分类损失。

14、在一些实施例中，所述确定所述第一差分用户图像样本组对应的第一活体分类损失，包括：获得所述第一差分用户图像样本组对应的第一标注活体类别，并将所述第一标注活体类别与所述第一预测活体类别进行对比，以得到所述每一像素对应的初始活体分类损失；将所述每一像素对应的第一预测活体类别进行对比，得到预测一致性损失；以及将所述预测一致性损失与所述初始活体分类损失进行融合，得到所述第一活体分类损失。

15、在一些实施例中，所述对所述活体检测模型进行压缩，得到所述目标活体检测模型，包括：将所述活体检测模型作为教师模型，并基于所述教师模型和预设元网络，对所述活体检测模型进行知识蒸馏，所述预设元网络被配置为在模型压缩过程中平衡模型性能和模型体积之间的关系；以及对蒸馏后的活体检测模型进行通道裁剪，得到所述目标活体检测模型。

16、在一些实施例中，所述对所述活体检测模型进行知识蒸馏，包括：基于所述教师模型和所述预设元网络，对所述活体检测模型进行预设第一次数的知识蒸馏，得到蒸馏后的候选活体检测模型；将所述活体检测模型更新为所述候选活体检测模型，并基于所述候选活体检测模型和所述教师模型，对所述预设元网络进行预设第二次数的训练，得到当前元网络；以及将所述预设元网络更新为所述当前元网络，并返回执行所述对所述活体检测模型进行预设第一次数的知识蒸馏的步骤，直至所述活体检测模型收敛时为止，得到所述蒸馏后的活体检测模型。

17、在一些实施例中，所述预设第一次数大于所述预设第二次数，所述预设第一次数与所述预设第二次数之间的比值为预设比值。

18、在一些实施例中，所述对所述活体检测模型进行预设第一次数的知识蒸馏，得到蒸馏后的候选活体检测模型，包括：获得第二差分用户图像样本组，并将所述第二差分用户图像样本组输入至所述教师模型，得到第二预测活体类别；将所述第二差分用户图像样本组输入至所述活体检测模型，以得到第二样本图像活体特征和第三预测活体类别，所述第二样本图像活体特征包括至少一个特征通道对应的特征元素；将所述第三预测活体类别输入至所述预设元网络，得到模型压缩权重，并基于所述模型压缩权重、所述特征元素、所述第二预测活体类别和所述第三预测活体类别，对所述活体检测模型的网络参数进行更新，得到更新后的活体检测模型；以及将所述活体检测模型更新为所述更新后的活体检测模型，并返回执行所述获得第二差分用户图像样本组的步骤，直至所述网络参数的更新次数达到所述预设第一次数时为止，得到所述候选活体检测模型。

19、在一些实施例中，所述模型压缩权重包括模型性能权重和模型体积权重；以及所述对所述活体检测模型的网络参数进行更新，得到更新后的活体检测模型，包括：获得所述第二差分用户图像样本组的第二标注活体类别，并将所述第二标注活体类别分别与所述第二预测活体类别和所述第三预测活体类别进行对比，以得到第二活体分类损失；将所述第二预测活体类别与所述第三预测活体类别进行对比，以得到蒸馏损失，并基于所述模型性能权重对所述蒸馏损失进行加权，得到目标蒸馏损失；基于所述特征元素，确定所述至少一个特征通道对应的稀疏损失，并基于所述模型体积权重对所述稀疏损失进行加权，得到目标稀疏损失，以及将所述第二活体分类损失、所述目标蒸馏损失和所述目标稀疏损失进行融合，并基于融合后的目标压缩损失对所述活体检测模型的网络参数进行更新，得到更新后的活体检测模型。

20、在一些实施例中，所述基于所述特征元素，确定所述至少一个特征通道对应的稀疏损失，包括：基于所述特征元素，确定所述至少一个特征通道中每一特征通道的通道重要性值；基于所述通道重要性值，在所述至少一个特征通道中选取出候选特征通道，所述候选特征通道包括所述通道重要性值小于预设重要性阈值的特征通道；以及基于所述候选特征通道的数量，确定所述稀疏损失，所述稀疏损失在训练过程中约束候选特征通道的数量大于预设数量阈值。

21、在一些实施例中，所述对蒸馏后的活体检测模型进行通道裁剪，得到所述目标活体检测模型，包括：获得所述蒸馏后的活体检测模型中每一特征通道的目标通道重要性值；基于所述目标通道重要值，确定出需要裁剪的目标特征通道，并在所述蒸馏后的活体检测模型中选取出所述目标特征通道对应的目标卷积核；以及在所述蒸馏后的活体检测模型中，对所述目标特征通道和所述目标卷积核进行裁剪，得到所述目标活体检测模型。

22、第二方面，本说明书还提供一种活体检测系统，包括：至少一个存储介质，存储有至少一个指令集，用于进行活体检测；以及至少一个处理器，同所述至少一个存储介质通信连接，其中，当所述活体检测系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行本说明书第一方面所述的活体检测方法。

23、由以上技术方案可知，本说明书提供的活体检测方法和系统，在获得目标用户的目标用户图像，并基于k个压缩率，对目标用户图像进行压缩，得到k个压缩用户图像之后，基于目标用户图像和k个压缩用户图像，生成k个差分用户图像，以及基于k个差分用户图像，对目标用户进行活体检测，得到目标用户的活体检测结果并输出；由于该方案针对高清屏幕这类攻击，不仅无需引入额外的信息，而且，还可以通过对目标用户的用户图像进行压缩差分处理，有效放大异常的攻击检索，另外通过不同压缩率尽可能更多的提取出异常的攻击线索，从而提升活体检测的检测精度，因此，可以提升活体检测的检测性能。

24、本说明书提供的活体检测方法和系统的其他功能将在以下说明中部分列出。根据描述，以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的活体检测方法和系统的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。