一种生物特征活体检测方法、装置及计算机设备与流程

1.本发明涉及生物特征活体检测领域，更具体地说，涉及一种生物特征活体检测方法、装置及计算机设备。


背景技术：

2.人工神经网络越来越多的被应用于防伪领域，相对于传统目标检测方法具有明显的优势，如对于指纹图像或者生物特征图像真伪的识别与检测。需要说明的是，基于人工神经网络的生物特征防伪技术面临的主要挑战之一就是训练神经网络时候的初始化权重，神经网络一般都使用imagenet训练后的模型参数作为初始化参数，但是imagenet数据集中包含了大量自然图像，因此，在该数据集中训练后得到的初始化权重对活体检测问题缺乏针对性。因此使用imagenet预训练的模型往往无法取得非常好的效果，导致神经网络训练的准确性大大降低，使根据神经网络建立的指纹真伪分类器不能准确对指纹图像进行真伪识别，真伪分辨能力低，防伪能力弱。


技术实现要素：

3.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种生物特征活体检测方法、装置及计算机设备。
4.本发明解决其技术问题所采用的技术方案是：构造一种生物特征活体检测方法，包括下述步骤：
5.s1、选取生物特征样本集合中一个原始生物特征数据，对所述原始生物特征数据进行随机涂鸦生成涂鸦生物特征数据，其中所述生物特征样本集合包括多个所述原始生物特征数据；
6.s2、将所述原始生物特征数据和所述涂鸦生物特征数据输入特征提取器，提取所述原始生物特征数据的原始特征和所述涂鸦生物特征数据的涂鸦特征；
7.s3、计算所述原始特征和所述涂鸦特征的相似度，使用损失函数约束所述相似度以使所述相似度趋于最小；
8.s4、重复执行所述步骤s1至步骤s3，逐个使用所述生物特征样本集合中的原始生物特征数据训练所述特征提取器，直至所述生物特征样本集合中所有所述原始生物特征数据全部完成训练，所述特征提取器完成训练；
9.s5、将完成训练的所述特征提取器嵌入生物特征识别系统，所述生物特征识别系统调用所述特征提取器进行生物特征活体检测。
10.进一步，在本发明所述的生物特征活体检测方法中，在所述步骤s3之后所述步骤s4之前还包括：s31、增加所述原始特征和所述涂鸦特征的约束条件，计算增加所述约束条件后所述原始特征和所述涂鸦特征的相似度；
11.所述步骤s4中重复执行所述步骤s1至步骤s3包括：重复执行所述步骤s1至步骤s31。
12.进一步，在本发明所述的生物特征活体检测方法中，所述步骤s1中对所述原始生物特征数据进行随机涂鸦生成涂鸦生物特征数据包括：使用随机线条对所述原始生物特征数据进行随机涂鸦生成涂鸦生物特征数据。
13.进一步，在本发明所述的生物特征活体检测方法中，所述随机线条的形状随机生成，所述随机线条的宽度从5至35个像素随机选取，所述随机线条的颜色三通道数值从0至255中随机选取。
14.进一步，在本发明所述的生物特征活体检测方法中，所述特征提取器为神经网络结构；
15.所述生物特征为人脸或指纹。
16.进一步，在本发明所述的生物特征活体检测方法中，所述神经网络结构为resnet
‑
18。
17.进一步，在本发明所述的生物特征活体检测方法中，所述步骤s2中提取所述原始生物特征数据的原始特征和所述涂鸦生物特征数据的涂鸦特征包括：所述特征提取器的所有神经元全部被激活后提取所述原始生物特征数据的原始特征和所述涂鸦生物特征数据的涂鸦特征。
18.进一步，在本发明所述的生物特征活体检测方法中，所述步骤s5中所述生物特征识别系统调用所述特征提取器进行生物特征活体检测包括：所述生物特征识别系统调用分类器识别摄像头获取的生物特征图像是否为生物特征活体图像，若是则调用所述特征提取器进行生物特征活体检测。
19.另外，本发明还提供一种生物特征活体检测装置，包括：
20.涂鸦单元，用于选取生物特征样本集合中一个原始生物特征数据，对所述原始生物特征数据进行随机涂鸦生成涂鸦生物特征数据，其中所述生物特征样本集合包括多个所述原始生物特征数据；
21.特征提取单元，用于将所述原始生物特征数据和所述涂鸦生物特征数据输入特征提取器，提取所述原始生物特征数据的原始特征和所述涂鸦生物特征数据的涂鸦特征；
22.相似度计算单元，用于计算所述原始特征和所述涂鸦特征的相似度，使用损失函数约束所述相似度以使所述相似度趋于最小；
23.重复训练单元，用于重复执行所述涂鸦单元、特征提取单元和相似度计算单元，逐个使用所述生物特征样本集合中的原始生物特征数据训练所述特征提取器，直至所述生物特征样本集合中所有所述原始生物特征数据全部完成训练，所述特征提取器完成训练；
24.生物特征识别单元，用于将完成训练的所述特征提取器嵌入生物特征识别系统，所述生物特征识别系统调用所述特征提取器进行生物特征活体检测。
25.另外，本发明还提供一种计算机设备，包括处理器和存储器，所述处理器通信连接所述存储器；
26.所述存储器用于存储计算机程序；
27.所述处理器用于执行所述存储器中存储的计算机程序以实现如上述的生物特征活体检测方法。
28.实施本发明的一种生物特征活体检测方法、装置及计算机设备，具有以下有益效果：本发明通过建立涂鸦复原前置学习任务，使特征提取器可以捕捉到更多的生物特征，通
过使用这些丰富的生物特征，实现更高质量的生物特征活体检测。
附图说明
29.下面将结合附图及实施例对本发明作进一步说明，附图中：
30.图1是本发明实施例提供的一种人脸活体检测方法的流程图；
31.图2a和图2b是本发明实施例提供的涂鸦前后人脸图像；
32.图3是本发明实施例提供的一种人脸活体检测方法的流程图；
33.图4是本发明实施例提供的一种人脸活体检测装置的结构示意图。
具体实施方式
34.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
35.本发明的生物特征可为人脸或指纹，现以生物特征为人脸为例进行说明，生物特征为指纹时可参考实施。参考图1，本实施例的人脸活体检测方法包括下述步骤：
36.s1、选取人脸样本集合中一个原始人脸数据，对原始人脸数据进行随机涂鸦生成涂鸦人脸数据，其中人脸样本集合包括多个原始人脸数据。
37.具体的，事先准备大量原始人脸数据作为人脸样本集合，需要说明的是，人脸样本集合中的原始人脸数据可不属于后续活体人脸检测所使用数据，因为真实的人脸数据往往相比于伪造攻击更容易获得，因此准备数据是易于获得的。建立前置学习任务后，选取人脸样本集合中一个原始人脸数据，对原始人脸数据进行随机涂鸦生成涂鸦人脸数据。所谓“随机涂鸦”是指涂鸦图案并非提前设置，而是未知图案，是临时随机组合生成的，这种随机涂鸦方式更贴近现实涂鸦，使得特征提取器的训练更加科学。
38.作为选择，本实施例的随机涂鸦生成的涂鸦图案包括但不限于单点、点阵、文字、线条、图形等，现以随机线条为例进行原理说明，其他图案可参考实施。则步骤s1中对原始人脸数据进行随机涂鸦生成涂鸦人脸数据包括：使用随机线条对原始人脸数据进行随机涂鸦生成涂鸦人脸数据，其中随机线条的形状随机生成，随机线条的宽度从5至35个像素随机选取，随机线条的颜色三通道数值(rgb)从0至255中随机选取，随机线条的颜色三通道数值即红、绿、蓝三种基本颜色的数值分别可在0至255中随机选取。图2a为原始人脸数据，图2b为增加随机线条后的涂鸦人脸数据。
39.s2、将原始人脸数据和涂鸦人脸数据输入特征提取器，提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征。
40.具体的，提前设置特征提取器，该特征提取器为神经网络结构。该特征提取器是由深度卷积神经网络构成，通过叠加卷积神经网络层获得提取特征的能力，可根据具体任务深度学习网络自适应调整。该特征提取器提取到的特征涉及纹理信息、上下文信息和语义信息，其中上下文信息指在人脸识别系统中如果人脸的周边出现明显的边界缺陷或边框，这表明输入样本大概率为攻击样本，需要有不同感受野的内容同时融合。语义信息是指人脸的语义特征，例如眼睛有双眼皮、单眼皮等，这种脱离低维度像素信息的特征。作为选择，神经网络结构为resnet
‑
18，即残差网络
‑
18层。
41.将原始人脸数据和涂鸦人脸数据输入特征提取器，提取原始人脸数据的原始特征
和涂鸦人脸数据的涂鸦特征。需要注意的是，提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征时需保证特征提取器的神经网络的所有神经元尽可能全部被激活，也就是说，特征提取器的所有神经元全部被激活后提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征。
42.s3、计算原始特征和涂鸦特征的相似度，使用损失函数约束相似度以使相似度趋于最小。具体的，提取原始特征和涂鸦特征后计算原始特征和涂鸦特征的相似度，使用损失函数约束相似度以使相似度趋于最小。作为选择，本实施例使用cosine相似度计算原始特征和涂鸦特征的距离，最小化这个距离以训练神经网络结构。
43.s4、重复执行步骤s1至步骤s3，逐个使用人脸样本集合中的原始人脸数据训练特征提取器，直至人脸样本集合中所有原始人脸数据全部完成训练，特征提取器完成训练。
44.s5、将完成训练的特征提取器嵌入人脸识别系统，人脸识别系统调用特征提取器进行人脸活体检测。
45.具体的，特征提取器对应的神经网络模型里面有一些参数需要通过不断训练得到的，因此神经网络模型的初始化节点非常重要，本实施例通过上述步骤的涂鸦
‑
去除涂鸦前置任务获得一个理想的初始化参数，在后续活体检测中使用这个初始化参数。将完成训练的特征提取器嵌入人脸识别系统，在嵌入时需根据具体活体检测任务进行重适应和调整，即包含训练所得初始化参数神经网络模型嵌入人脸识别系统，进行活体任务检测的常规训练、损失函数、数据设置、模型设置与正常的基于深度学习的活体检测无特殊变化。特征提取器嵌入人脸识别系统后，人脸识别系统可调用特征提取器进行人脸活体检测。
46.为区分活体人脸和非活体人脸，本实施例设置分类器用于活体人脸判断，若输入的人脸图像为活体人脸，则分类器输出1；若输入的人脸图像为非活体人脸，例如面具、显示屏显示人脸图像等，则分类器输出0。人脸识别系统调用特征提取器进行人脸活体检测时，由人脸识别系统调用分类器识别摄像头获取的人脸图像是否为人脸活体图像，若获取的人脸图像为人脸活体图像则调用特征提取器进行人脸活体检测；若获取的人脸图像不是人脸活体图像则发出该人脸图像不是人脸活体图像的提醒信息。
47.本实施例通过建立涂鸦复原前置学习任务，使特征提取器可以捕捉到更多的人脸特征，通过使用这些丰富的人脸特征，实现更高质量的人脸特征活体检测。
48.在一些实施例的人脸活体检测方法中，参考图3，在步骤s3之后步骤s4之前还包括：s31、增加原始特征和涂鸦特征的约束条件，计算增加约束条件后原始特征和涂鸦特征的相似度。具体的，上述实施例是针对一张人脸图像进行的涂鸦复原，但是仅考虑涂鸦复原会出现模型坍塌问题，即不论输入是什么样的图像，输出都为常数。为解决该问题，需要添加约束条件，给定一张人脸，使用特征提取器进行特征提取得到特征向量，记为anchor向量。之后再进行其他人脸的随机采样，并将其作为输入，使用特征提取器对其进行特征提取得到特征向量，记为negative向量。通过计算anchor向量和negative向量的余弦相似度，并将其作为另外一个损失函数，最小化该相似度，既可以实现防止模型坍塌的问题。也就是说，不同于上述实施例步骤s3的相似性约束同一张人脸的涂鸦前后对应提取到的原始特征和涂鸦特征，本实施例步骤s31中是利用cosine相似度计算不同人脸的特征距离，然后最大化这个距离，保证人脸之间的差异度最大化。对应的，步骤s4中重复执行步骤s1至步骤s3包括：重复执行步骤s1至步骤s31。本实施例通过添加约束条件增加不同人脸之间区别，防止
出现模型坍塌，提高人脸特征活体检测成功率。
49.本发明的生物特征可为人脸或指纹，现以生物特征为人脸为例进行说明，生物特征为指纹时可参考实施。参考图4，本实施例的人脸活体检测装置包括涂鸦单元、特征提取单元、相似度计算单元、重复训练单元和生物特征识别单元，以下分别进行说明。
50.涂鸦单元，用于选取人脸样本集合中一个原始人脸数据，对原始人脸数据进行随机涂鸦生成涂鸦人脸数据，其中人脸样本集合包括多个原始人脸数据。
51.具体的，事先准备大量原始人脸数据作为人脸样本集合，需要说明的是，人脸样本集合中的原始人脸数据可不属于后续活体人脸检测所使用数据，因为真实的人脸数据往往相比于伪造攻击更容易获得，因此准备数据是易于获得的。建立前置学习任务后，选取人脸样本集合中一个原始人脸数据，对原始人脸数据进行随机涂鸦生成涂鸦人脸数据。所谓“随机涂鸦”是指涂鸦图案并非提前设置，而是未知图案，是临时随机组合生成的，这种随机涂鸦方式更贴近现实涂鸦，使得特征提取器的训练更加科学。
52.作为选择，本实施例的随机涂鸦生成的涂鸦图案包括但不限于单点、点阵、文字、线条、图形等，现以随机线条为例进行原理说明，其他图案可参考实施。则对原始人脸数据进行随机涂鸦生成涂鸦人脸数据包括：使用随机线条对原始人脸数据进行随机涂鸦生成涂鸦人脸数据，其中随机线条的形状随机生成，随机线条的宽度从5至35个像素随机选取，随机线条的颜色三通道数值(rgb)从0至255中随机选取，随机线条的颜色三通道数值即红、绿、蓝三种基本颜色的数值分别可在0至255中随机选取。图2a为原始人脸数据，图2b为增加随机线条后的涂鸦人脸数据。
53.特征提取单元，用于将原始人脸数据和涂鸦人脸数据输入特征提取器，提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征。
54.具体的，提前设置特征提取器，该特征提取器为神经网络结构。该特征提取器是由深度卷积神经网络构成，通过叠加卷积神经网络层获得提取特征的能力，可根据具体任务深度学习网络自适应调整。该特征提取器提取到的特征涉及纹理信息、上下文信息和语义信息，其中上下文信息指在人脸识别系统中如果人脸的周边出现明显的边界缺陷或边框，这表明输入样本大概率为攻击样本，需要有不同感受野的内容同时融合。语义信息是指人脸的语义特征，例如眼睛有双眼皮、单眼皮等，这种脱离低维度像素信息的特征。作为选择，神经网络结构为resnet
‑
18，即残差网络
‑
18层。
55.将原始人脸数据和涂鸦人脸数据输入特征提取器，提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征。需要注意的是，提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征时需保证特征提取器的神经网络的所有神经元尽可能全部被激活，也就是说，特征提取器的所有神经元全部被激活后提取原始人脸数据的原始特征和涂鸦人脸数据的涂鸦特征。
56.相似度计算单元，用于计算原始特征和涂鸦特征的相似度，使用损失函数约束相似度以使相似度趋于最小。具体的，提取原始特征和涂鸦特征后计算原始特征和涂鸦特征的相似度，使用损失函数约束相似度以使相似度趋于最小。作为选择，本实施例使用cosine相似度计算原始特征和涂鸦特征的距离，最小化这个距离以训练神经网络结构。
57.重复训练单元，用于重复执行所述涂鸦单元、特征提取单元和相似度计算单元，逐个使用人脸样本集合中的原始人脸数据训练特征提取器，直至人脸样本集合中所有原始人
脸数据全部完成训练，特征提取器完成训练。
58.生物特征识别单元，用于将完成训练的特征提取器嵌入人脸识别系统，人脸识别系统调用特征提取器进行人脸活体检测。
59.具体的，特征提取器对应的神经网络模型里面有一些参数需要通过不断训练得到的，因此神经网络模型的初始化节点非常重要，本实施例通过上述步骤的涂鸦
‑
去除涂鸦前置任务获得一个理想的初始化参数，在后续活体检测中使用这个初始化参数。将完成训练的特征提取器嵌入人脸识别系统，在嵌入时需根据具体活体检测任务进行重适应和调整，即包含训练所得初始化参数神经网络模型嵌入人脸识别系统，进行活体任务检测的常规训练、损失函数、数据设置、模型设置与正常的基于深度学习的活体检测无特殊变化。特征提取器嵌入人脸识别系统后，人脸识别系统可调用特征提取器进行人脸活体检测。
60.为区分活体人脸和非活体人脸，本实施例设置分类器用于活体人脸判断，若输入的人脸图像为活体人脸，则分类器输出1；若输入的人脸图像为非活体人脸，例如面具、显示屏显示人脸图像等，则分类器输出0。人脸识别系统调用特征提取器进行人脸活体检测时，由人脸识别系统调用分类器识别摄像头获取的人脸图像是否为人脸活体图像，若获取的人脸图像为人脸活体图像则调用特征提取器进行人脸活体检测；若获取的人脸图像不是人脸活体图像则发出该人脸图像不是人脸活体图像的提醒信息。
61.本实施例通过建立涂鸦复原前置学习任务，使特征提取器可以捕捉到更多的人脸特征，通过使用这些丰富的人脸特征，实现更高质量的人脸特征活体检测。
62.在一优选实施例中，本实施例的计算机设备包括处理器和存储器，处理器通信连接存储器。存储器用于存储计算机程序；处理器用于执行存储器中存储的计算机程序以实现如上述的人脸活体检测方法。本实施例的计算机设备通过建立涂鸦复原前置学习任务，使特征提取器可以捕捉到更多的人脸，通过使用这些丰富的人脸，实现更高质量的人脸活体检测。
63.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
64.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
65.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
66.以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要
求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。