一種基于視頻分析的活體判別方法及系統技術方案

本發明專利技術實施例公開了基于視頻分析的活體判別方法及系統，應用于信息處理技術領域。在本實施例的方法中，基于視頻分析的活體判別系統會通過待分析視頻的第一特征信息及預置的分類模型得到待分析視頻的類型判別參數值，然后根據類型判別參數值確定待分析視頻是否屬于活體視頻。這樣不需要與用戶進行交互，也不需要配備雙攝像頭，只需錄制一段視頻，則基于視頻分析的活體判別系統就會根據預置的機器學習模型(包括分類模型和特征提取模型)確定該段視頻是否屬于活體視頻，簡化了活體判別過程，方便了活體判別方法在各個領域的應用。

In vivo identification method and system based on video analysis

The embodiment of the invention discloses a living identification method and a system based on video analysis, and is applied to the field of information processing technology. In the method of this embodiment, in vivo video analysis system identification classification model by the first feature information and analysis to the preset video for analysis of video type identification parameters based on Discriminant parameter value is determined according to the type and then to be analyzed whether the video live video. Do not need to interact with users, do not need to be equipped with dual cameras, only need to record a video, live video is based on discriminant analysis system will be based on the preset machine learning model (including classification and feature extraction model) determine the video is a living video, simplified living judgment, convenient living the application of discriminant method in various fields.

【技術實現步驟摘要】
一種基于視頻分析的活體判別方法及系統
本專利技術涉及信息處理
，特別涉及一種基于視頻分析的活體判別方法及系統。
技術介紹
活體判別技術可以應用于越來越多的領域，比如人臉門禁、閘機、網絡銀行遠程開戶等領域的應用。具體地，在人臉門禁、閘機的應用中，需要驗證當前用戶確實是本棟樓層的合法用戶，能夠有效抵擋非法用戶借用合法用戶的照片通過系統的檢測。一種現有的活體判別方法，需要在實際應用場景中結合一定的交互，如搖頭、眨眼等，當用戶按照提示做出正確的交互后，才能通過活體檢測，整個活體判別過程較繁瑣，且存在用戶不配合交互的情況，導致通過率較低，影響用戶體驗。而另一種基于雙目視覺的活體判別方法，是通過雙攝像頭重建視頻中的活體，計算重建三維模型是否在一個平面內，從而判斷是否為活體，該方法需要配備雙攝像頭，且計算量大，不適用于嵌入式和移動端的活體判別。
技術實現思路
本專利技術實施例提供一種基于視頻分析的活體判別方法及系統，實現了根據訓練的機器學習模型確定待分析視頻是否為活體視頻。本專利技術實施例提供一種基于視頻分析的活體判別方法，包括：根據預置的特征提取模型提取待分析視頻的第一特征信息；根據預置的分類模型及所述第一特征信息，計算所述待分析視頻對應的類型判別參數值，所述分類模型包括活體視頻和非活體視頻分別對應的基于特征信息的類型判別參數的計算信息；根據所述類型判別參數值確定所述待分析視頻是否屬于活體視頻。本專利技術實施例提供一種基于視頻分析的活體判別系統，包括：特征提取單元，用于根據預置的特征提取模型提取待分析視頻的第一特征信息；參數值計算單元，用于根據預置的分類模型及所述第一特征信息，計算所述待分析視頻對應的類型判別參數值，所述分類模型包括活體視頻和非活體視頻分別對應的基于特征信息的類型判別參數的計算信息；類型確定單元，用于根據所述類型判別參數值確定所述待分析視頻是否屬于活體視頻。可見，在本實施例的方法中，基于視頻分析的活體判別系統會通過待分析視頻的第一特征信息及預置的分類模型得到待分析視頻的類型判別參數值，然后根據類型判別參數值確定待分析視頻是否屬于活體視頻。這樣不需要與用戶進行交互，也不需要配備雙攝像頭，只需錄制一段視頻，則基于視頻分析的活體判別系統就會根據預置的機器學習模型(包括分類模型和特征提取模型)確定該段視頻是否屬于活體視頻，簡化了活體判別過程，方便了活體判別方法在各個領域的應用。附圖說明為了更清楚地說明本專利技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本專利技術實施例提供的一種基于視頻分析的活體判別方法的流程圖；圖2是本專利技術實施例中提取待分析視頻的第一特征信息的方法流程圖；圖3是本專利技術應用實施例中提取的特征提取模型和分類模型的結構示意圖；圖4是本專利技術實施例提供的一種基于視頻分析的活體判別系統的結構示意圖；圖5是本專利技術實施例提供的另一種基于視頻分析的活體判別系統的結構示意圖；圖6是本專利技術實施例提供的一種終端設備的結構示意圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。本專利技術的說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三”“第四”等(如果存在)是用于區別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的本專利技術的實施例例如能夠以除了在這里圖示或描述的那些以外的順序實施。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排它的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。本專利技術實施例提供一種基于視頻分析的活體判別方法，主要是基于視頻分析的活體判別系統所執行的方法，流程圖如圖1所示，包括：步驟101，根據預置的特征提取模型提取待分析視頻的第一特征信息，這里的第一特征信息可以包括時間特征信息和空間特征信息，其中空間特征信息具體是待分析視頻包含的多幀圖像的像素特征信息。步驟102，根據預置的分類模型及第一特征信息，計算待分析視頻對應的類型判別參數值，其中，分類模型包括活體視頻和非活體視頻分別對應的基于特征信息的類型判別參數的計算信息，這里的計算信息可以是指在將特征信息作為輸入計算類型判別參數值的過程中所用到的數學公式和固定參數值等。在本實施例中，預置的特征提取模型和分類模型可以是基于視頻分析的活體判別系統對多個已標記活體視頻和非活體視頻的視頻訓練樣本進行訓練得到并儲存在系統中的。具體地，特征提取模型可以采用深度學習網絡，包括多個參數計算層(比如卷積層，全連接層等)，在系統中可以儲存該特征提取模型的數據包括各個參數計算層的計算參數值(比如卷積核信息等)及關系信息(比如參數計算層之間的連接關系)，其中，卷積層可以對視頻所包含的多幀圖像的時間信息和像素信息進行卷積運算，從而可以得到視頻的時間特征信息和像素特征信息，全連接層可以得到卷積層獲取的特征信息之間的關聯關系。分類模型可以是二分類器，在一種情況下，系統中儲存的分類模型的數據可以包括活體視頻和非活體視頻分別對應的基于特征信息的概率計算信息，包括概率計算公式和固定參數值，這樣在執行本步驟102時，可以根據第一特征信息及概率計算信息計算待分析視頻屬于活體視頻的第一概率和屬于非活體視頻的第二概率。該分類模型具體可以是softmax分類器等，其中，softmax分類器主要是將上述第一特征信息作為輸入，并通過softmax函數計算待分析視頻屬于活體視頻的第一概率和屬于非活體視頻的第二概率，且第一概率與第二概率之和為1。在另一種情況下，系統中儲存的分類模型的數據可以包括分別與活體視頻和非活體視頻的特征信息之間的距離計算信息，包括距離計算公式(可以是歐式距離計算公式等)及活體視頻和非活體視頻分別對應的特征信息等，這樣在執行本步驟102時，可以根據距離計算信息計算上述第一特征信息分別與活體視頻的特征信息的第一距離和非活體視頻的特征信息的第二距離。該分類模型具體可以采用支持向量機(SupportVectorMachines，SVM)分類器等。步驟103，根據上述步驟102得到的類型判別參數值確定待分析視頻是否屬于活體視頻。一種情況下，如果上述步驟102計算的類型判別參數值為待分析視頻屬于活體視頻的第一概率和屬于非活體視頻的第二概率，將第一概率和第二概率中較大概率的視頻類型(活體視頻或非活體視頻)作為待分析視頻的視頻類型，比如屬于活體視頻的第一概率較大，則該待分析視頻屬于活體視頻。另一種情況下，如果上述步驟102計算的類型判別參數值為第一特征信息分別與活體視頻的特征信息的第一距離和非活體視頻的特征信息的第二距離，則可以將第一距離和第二距離中較小距離對應的視頻類型確本文檔來自技高網...

【技術保護點】
一種基于視頻分析的活體判別方法，其特征在于，包括：根據預置的特征提取模型提取待分析視頻的第一特征信息；根據預置的分類模型及所述第一特征信息，計算所述待分析視頻對應的類型判別參數值，所述分類模型包括活體視頻和非活體視頻分別對應的基于特征信息的類型判別參數的計算信息；根據所述類型判別參數值確定所述待分析視頻是否屬于活體視頻。

【技術特征摘要】
1.一種基于視頻分析的活體判別方法，其特征在于，包括：根據預置的特征提取模型提取待分析視頻的第一特征信息；根據預置的分類模型及所述第一特征信息，計算所述待分析視頻對應的類型判別參數值，所述分類模型包括活體視頻和非活體視頻分別對應的基于特征信息的類型判別參數的計算信息；根據所述類型判別參數值確定所述待分析視頻是否屬于活體視頻。2.如權利要求1所述的方法，其特征在于，所述根據預置的特征提取模型提取待分析視頻的第一特征信息，具體包括：將所述待分析視頻分為多段n幀的子視頻，兩段相鄰的所述子視頻之間有m幀的重疊圖像，所述n為大于m的自然數；分別根據所述特征提取模型提取所述多段子視頻的特征信息；計算所述多段子視頻的特征信息的平均值作為所述第一特征信息。3.如權利要求2所述的方法，其特征在于，所述特征提取模型包括卷積層，池化層和全連接層，根據所述特征提取模型提取所述多段子視頻中某一子視頻的特征信息，具體包括：通過所述卷積層對所述某一子視頻的時間信息和像素信息進行卷積計算得到t個維度的時間特征信息和像素特征信息；通過所述池化層將所述t個維度的時間特征信息和像素特征信息進行降維處理得到p個維度的時間特征信息和像素特征信息；通過所述全連接層確定所述p個維度的時間特征信息和像素特征信息之間的關聯關系，則所述某一子視頻的特征信息包括具有所述關聯關系的p個維度的時間特征信息和像素特征信息。4.如權利要求1至3任一項所述的方法，其特征在于，所述分類模型的數據包括活體視頻和非活體視頻分別對應的基于特征信息的概率計算信息，則所述根據預置的分類模型及第一特征信息，計算所述待分析視頻對應的類型判別參數值，具體包括：根據所述第一特征信息及所述概率計算信息計算所述待分析視頻屬于活體視頻的第一概率和屬于非活體視頻的第二概率；所述根據所述類型判別參數值確定所述待分析視頻是否屬于活體視頻，具體包括：將所述第一概率和第二概率中較大概率的視頻類型確定為所述待分析視頻的類型。5.如權利要求4所述的方法，其特征在于，所述根據預置的特征提取模型提取待分析視頻的第一特征信息之前，所述方法還包括：分別將多個視頻訓練樣本包含的圖像的元素值輸入到計算網絡中計算得到對應的特征信息，所述計算網絡包括多個串聯的參數計算層，任一參數計算層根據輸入信息與對應的計算參數值得到計算結果，并輸入到下一參數計算層；其中，在得到一個視頻訓練樣本對應的特征信息后，調整所述計算網絡中的各個參數計算層對應的計算參數值，并基于調整后的計算網絡得到另一視頻訓練樣本的特征信息，使得另一視頻訓練樣本的特征信息滿足收斂條件，則所述特征提取模型為進行所述調整后的計算網絡。6.如權利要求5所述的方法，其特征在于，所述方法還包括：根據所述多個視頻訓練樣本中屬于活體視頻的第一視頻訓練樣本對應的第二特征信息確定活體視頻的基于特征信息的第一概率計算信息，使得根據所述第一概率計算信息得到的概率大于0.5；或，根據所述多個視頻訓練樣本中屬于非活體視頻的第二視頻訓練樣本對應的第三特征信息確定非活體視頻的基于特征信息的第二概率計算信息，使得根據所述第二概率計算信息得到的概率大于0.5。7.如權利要求1至3任一項所述的方法，其特征在于，所述分類模型的數據包括分別與活體視頻和非活體視頻的特征信息之間的距離計算信息，則所述根據預置的分類模型及第一特征信息，計算所述待分析視頻對應的類型判別參數值，具體包括：根據所述距離計算信息計算所述第一特征信息分別與活體視頻的特征信息的第一距離和非活體視頻的特征信息的第二距離；所述根據所述類型判別參數值確定所述待分...

【專利技術屬性】
技術研發人員：趙凌，李季檁，
申請(專利權)人：騰訊科技上海有限公司，
類型：發明
國別省市：上海,31