[發明專利]基于深度空間梯度的活體檢測方法、裝置、設備及介質

在審

• 申請號: 202011043415.9
• 申請日: 2020-09-28
• 公開（公告）號: CN112183347A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 喻晨曦
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 何春蘭;遲珊珊

本發明涉及人工智能領域，提供一種基于深度空間梯度的活體檢測方法、裝置、設備及介質，能夠采用視頻做活體檢測，而由于視頻包含的信息量更多，相較于采用圖片做活體檢測的方式更有優勢，利用損失函數訓練得到的活體檢測模型能夠提取深度空間梯度圖特征及動態視頻幀圖序列特征，提高了模型的泛化能力，同時也提高了模型的精度，使模型的兼容性更強，能夠抵御新型攻擊，進而利用人工智能手段實現更加準確的活體檢測。本發明還涉及區塊鏈技術，活體檢測模型及活體檢測結果可存儲于區塊鏈。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于深度空間梯度的活體檢測方法、裝置、設備及介質。

背景技術

活體檢測通常需要進行冗長與繁瑣的人工審核，因此，線下檢測的業務員往往需要面對復雜、冗長且繁瑣的步驟，不僅花費大量的時間來核查，而且在業務量高峰期時無法滿足時效，導致出現漏檢高風險案件，不僅浪費時間，且增加業務流程的機會成本與服務成本。

目前采用的活體檢測方式大多數是對單一的圖片做檢測，但是隨著智能終端的更新換代、欺詐手段的層出不窮，以及高清設備的普及，導致越來越多的非活體樣本能夠逃離大多數的人工檢測及模型檢測，且目前的視頻活體檢測多數表現不穩定，精度欠佳，無法達到業務上線的要求。

發明內容

鑒于以上內容，有必要提供一種基于深度空間梯度的活體檢測方法、裝置、設備及介質，能夠采用視頻做活體檢測，并利用損失函數訓練得到的活體檢測模型能夠提取深度空間梯度圖特征及動態視頻幀圖序列特征，提高了模型的泛化能力，同時也提高了模型的精度，使模型的兼容性更強，能夠抵御新型攻擊，進而利用人工智能手段實現更加準確的活體檢測。

一種基于深度空間梯度的活體檢測方法，所述基于深度空間梯度的活體檢測方法包括：

響應于活體檢測指令，獲取帶有預設類型的偽裝的初始視頻段，并對所述初始視頻段的每張幀圖片進行特征截取，得到樣本數據；

構建深度對比損失、距離損失及二分類監督損失；

根據所述深度對比損失、所述距離損失及所述二分類監督損失，以所述樣本數據訓練預設網絡，得到活體檢測模型，其中，所述活體檢測模型包括殘差空間梯度模塊及空間短暫傳播模塊；

當接收到待檢測視頻時，對所述待檢測視頻進行預處理，得到待檢測圖片；

將所述待檢測圖片輸入至所述活體檢測模型，并獲取所述活體檢測模型的輸出數據；

對所述輸出數據進行分析，得到活體檢測結果。

根據本發明優選實施例，所述對所述初始視頻段的每張幀圖片進行特征截取，得到樣本數據包括：

將所述初始視頻段的每張幀圖片輸入至YOLOv3網絡中進行識別，得到每張幀圖片的頭像區域；

以每張幀圖片的頭像區域截取對應的每張幀圖片，得到每個子樣本；

整合得到的子樣本，得到所述樣本數據。

根據本發明優選實施例，所述基于深度空間梯度的活體檢測方法還包括：

從所述樣本數據中獲取第一數量的樣本數據作為第一樣本，其中，所述第一數量為所述樣本數據的數據量與配置數值的差；

計算每個第一樣本的深度圖特征，其中，所述深度圖特征為經過所述殘差空間梯度模塊及所述空間短暫傳播模塊處理后得到；

根據所述第一數量及每個第一樣本的深度圖特征計算所述第一樣本的深度圖特征的均值；

將所述均值輸入預設數量的全連接層及softmax層，輸出中間特征；

采用Focal Loss函數對所述中間特征進行處理，得到所述二分類監督損失。