一种活体识别方法、装置及电子设备

技术领域

本申请涉及计算机技术中的人工智能领域，具体涉及计算机视觉和深度学习技术等技术领域，尤其涉及一种活体识别方法、装置及电子设备。

背景技术

近几年，随着深度学习的发展，身份验证的速度和精度也随之有了很大的进步，目前身份验证已经广泛用于日常生活的认证中。然而，在身份验证过程中，假体攻击方式的类型和数量层出不穷，对验证安全等造成一定程度的威胁，因此拒绝假体攻击是非常有必要的。

目前，为减少假体攻击，提出了活体识别技术，活体识别目前是身份验证中的重要一部分，活体识别是指验证对象是否为真实活体本人的过程。现有活体识别的方案中，主要通过眨眼、张嘴等动作来验证是否为真实活体本人，实现活体识别。

发明内容

本申请提供一种活体识别方法、装置及电子设备。

第一方面，本申请一个实施例提供一种活体识别方法，所述方法包括：

采集第一对象的视频数据以及音频数据；

将所述视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，以及在语音库中检索所述音频数据得到音频匹配结果；

在所述唇语识别结果与目标内容匹配，且所述音频匹配结果为匹配成功的情况下，确定所述第一对象为活体。

在本实施例中，需要获取第一对象的视频数据和音频数据，不但可将视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，而且可在语音库中检索音频数据得到音频匹配结果，是在唇语识别结果与目标内容匹配以及音频匹配结果为匹配成功的情况下，确定第一对象为活体，即结合唇语识别和音频校验实现活体识别，如此，可提高活体识别准确性。

第二方面，本申请一个实施例提供一种活体识别装置，所述装置包括：

采集模块，用于采集第一对象的视频数据以及音频数据；

识别模块，用于将所述视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，以及在语音库中检索所述音频数据得到音频匹配结果；

第一确定模块，用于在所述唇语识别结果与目标内容匹配，且所述音频匹配结果为匹配成功的情况下，确定所述第一对象为活体。

第三方面，本申请一个实施例还提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请各实施例提供的活体识别方法。

第四方面，本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请各实施例提供的活体识别方法。

第五方面，本申请一个实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请各实施例提供的活体识别方法。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请提供的一个实施例的活体识别方法的流程示意图之一；

图2是本申请提供的一个实施例的活体识别方法的流程示意图之二；

图3是本申请提供的一个实施例的活体识别装置的结构图；

图4是用来实现本申请实施例的活体识别方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，根据本申请的实施例，本申请提供一种活体识别方法，可应用于电子设备，方法包括：

步骤S101：采集第一对象的视频数据以及音频数据。

在登录一些网页、登录应用程序、数据转移(例如，支付)等过程中，为提高安全性，需要进行活体识别认证，首先，电子设备可输出验证内容，例如，字符内容，比如，数字内容、字母内容或数字和字母混合内容等。第一对象可读取验证内容，如此，电子设备可采集第一对象读取验证内容的视频数据以及音频数据，视频数据中包括一系列图像帧。其中，第一对象可以理解为待活体识别用户等。

步骤S102：将视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，以及在语音库中检索音频数据得到音频匹配结果。

需要说明的是，唇语识别模型为已训练的模型，作为一个示例，唇语识别模型可以包括但不限于深度神经网络等。通过唇语识别模型对视频数据进行唇语识别，得到唇语识别结果，可以理解，唇语识别结果是唇语识别的字符结果。而且可预先创建语音库，语音库中可包括多个用户的音频信息等，音频信息可以包括但不限于声纹特征等，可利用第一对象的音频数据在语音库中检索，检索语音库中是否包括与第一对象的音频数据匹配的结果，从而可得到音频匹配结果，音频匹配结果可以包括匹配成功或匹配失败，若语音库中包括与第一对象的音频数据匹配的结果，则得到匹配成功的结果，否则得到匹配失败的结果。

步骤S103：在唇语识别结果与目标内容匹配，且音频匹配结果为匹配成功的情况下，确定第一对象为活体。

目标内容可以理解为期望的内容，为上述验证内容，在唇语识别结果与目标内容匹配(例如，唇语识别结果与目标内容一致)以及音频匹配结果表示匹配成功的情况下，方可确定第一对象为活体，也即是唇语验证和音频验证均通过的情况下，确定第一对象为活体，可降低假体攻击的通过率，可提高真实活体识别的准确性。在一个示例中，在唇语识别结果与目标内容不匹配，或者音频匹配结果为匹配失败的情况下，确定第一对象为假体，在这种情况下，可输出假体提示信息，以便第一对象为假体。

在本实施例中，需要获取第一对象的视频数据和音频数据，不但可将视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，而且可在语音库中检索音频数据得到音频匹配结果，是在唇语识别结果与目标内容匹配以及音频匹配结果为匹配成功的情况下，确定第一对象为活体，即结合唇语识别和音频校验实现活体识别，如此，可提高活体识别准确性。

在一个实施例中，将视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，包括：确定视频数据中的嘴唇图像帧序列；将嘴唇图像帧序列输入唇语识别模型进行唇语识别，确定唇语识别结果。

视频数据包括一系列视频帧，在唇语识别过程中，首先需要确定视频数据中的嘴唇图像帧序列，嘴唇图像帧可以理解为包括嘴唇区域的图像帧，即可预先剔除视频数据中不包括嘴唇的图像帧，将视频数据中嘴唇图像帧序列输入唇语识别模型进行唇语识别，确定唇语识别结果，如此，不但可减少唇语识别模型进行唇语识别过程中的计算量，提高识别效率，而且可提高唇语识别准确性。

在一个实施例中，将嘴唇图像帧序列输入唇语识别模型进行唇语识别，确定唇语识别结果，包括：基于唇语识别模型进行唇语识别，得到嘴唇图像帧序列中每一个嘴唇图像帧的唇语识别子结果；将嘴唇图像帧序列的唇语识别子结果进行去重以及删除预设字符，得到唇语识别结果。

将嘴唇图像帧序列输入唇语识别模型，通过唇语识别模型对嘴唇图像帧序列进行唇语识别，可得到嘴唇图像帧序列中每一个嘴唇图像帧的唇语识别子结果，即得到嘴唇图像帧序列中每一个嘴唇图像帧的唇语识别的字符，由于可能存在唇语识别子结果可能相同的相邻嘴唇图像帧，以及可能存在没有说话的嘴唇图像帧(这些图像帧的唇语识别子结果为预设字符，例如，为空格字符)，因此，在本实施例中，可将嘴唇图像帧序列的唇语识别子结果进行去重以及删除预设字符，得到唇语识别结果，提高唇语识别结果的准确性。

需要说明的是，作为一个示例，可先对嘴唇图像帧序列的唇语识别子结果进行去重。然后去重后的嘴唇图像帧序列的唇语识别子结果中的预设字符删除。视频数据中的嘴唇图像帧有对应的时间戳，在去重过程中，按照时间戳从先到后的顺序，嘴唇图像帧序列的唇语识别子结果包括N段的识别子结果，同一段识别子结果中的字符均为相同的字符，且相邻两段识别子结果之间的字符不同。可对每一段识别子结果分别进行去重，任一段识别子结果去重后得到一个识别子结果，如此，嘴唇图像帧序列的唇语识别子结果去重后得到N个识别子结果，N为分段后的段数，且N个识别子结果按照帧的时间戳从先到后的顺序排列，然后将N个识别子结果中的预设字符删除，得到最终的唇语识别结果。

例如，嘴唇图像帧序列中包括30帧图像帧，嘴唇图像帧序列的唇语识别子结果为55555555AA3333AAA4444AAAA8888，包括7段识别子结果，分别为55555555、AA、3333、AAA、4444、AAAA和8888，分别进行去重，得到5A3A4A8，A为预设字符，例如，表示空格字符，可将其删除，最终得到5348的唇语识别子结果。

在一个实施例中，确定视频数据中的嘴唇图像帧序列，包括：对视频数据进行分帧，得到视频数据的第一图像帧序列；对第一图像帧序列中每个图像帧进行关键点检测，从第一图像帧序列中确定包括嘴唇区域的嘴唇图像帧序列。

第一图像帧序列中可包括多个图像帧，第一图像帧序列中可能存在不包括嘴唇部分的图像帧，从而可对第一图像帧序列中每个图像帧进行嘴唇关键点检测，筛选出包括嘴唇区域的嘴唇图像帧序列，利用包括嘴唇的嘴唇图像帧序列输入到唇语识别模型中进行唇语识别，可提高唇语识别的效率和准确性。作为一个示例，关键点检测算法有多种，在本申请实施例中不作限定。

在一个实施例中，在语音库中检索音频数据得到音频匹配结果，包括：对音频数据进行特征提取得到第一声纹特征；在语音库中检索到与第一声纹特征之间的特征相似度大于预设阈值的目标声纹特征的情况下，得到匹配成功的音频匹配结果。

在语音库中包括多个用户的声纹特征，先对音频数据进行特征提取得到第一声纹特征，然后在语音库中检索是否包括与第一声纹特征之间的特征相似度大于预设阈值的目标声纹特征，若检索到包括，则表示语音库中存在第一对象的声纹特征，可确定音频匹配成功，反之音频匹配失败。其中，预设阈值为预先设定的一个值，预设阈值一般设定为在(0，1]范围内一个较大的值，在本实施例中不作限定，例如，预设阈值可以大于0.9。

作为一个示例，可利用已训练的语音比对模型对音频数据进行特征提取得到第一声纹特征，其中，语音比对模型可以包括但不限于神经网络等，可用于提取声纹特征等。

在本实施例中，可通过对音频数据进行声纹特征提取得到第一声纹特征，利用第一声纹特征在语音库中进行检索，在语音库中检索到与第一声纹特征之间的特征相似度大于预设阈值的目标声纹特征的情况下，方可得到匹配成功的音频匹配结果，表示音频匹配成功，如此，可提高在活体识别过程中音频校验的准确性，从而提高活体识别的准确性。

如图2所示，下面以一个具体实施例对上述活体识别方法的过程加以具体说明。

首先，可采集多个用户的语音数据，并根据多个用户的语音数据构建语音库，其中，语音库中包括多个用户的音频数据的声纹特征等，语音库中多个用户的语音数据可对语音比对模型进行训练，得到已训练的语音比对模型。而且可采集唇语视频数据集，其中包括多个唇语视频数据，唇语视频数据可以理解为包括通过嘴唇说话的视频数据，利用唇语视频数据集训练唇语识别模型，得到已训练的唇语识别模型。

然后，在实际应用场景中，例如，登录一个网页，在网页中给出随机的4位数字验证码，即验证内容或目标内容，待活体识别用户根据验证码说出4位验证码，前端采集待活体识别用户的读取4为验证码的视频数据和音频数据(例如，语音数据)。

分割视频数据和音频数据，并进行传输，传输到对应的模块进行处理，为加速视频传输，可采取视频压缩的方法。

将视频数据拆帧，得到第一图像帧序列，进行人体关键点检测并抽出第一图像帧序列中的嘴唇图像帧序列作为唇语识别模型的输入，得到唇语识别结果，将唇语识别结果和4位数字验证码按先后顺序一一比对，全部一致才算通过。例如，在唇语识别结果和4位数字验证码一致的情况下，参数F1＝1，参数F1用于指示唇语识别是否通过，例如，为1的情况下表示唇语识别通过，为0的情况下表示唇语识别不通过。以及提取音频数据的第一声纹特征，通过第一声纹特征在语音库中进行检索，如果能成功匹配则通过。例如，通过第一声纹特征在语音库中进行检索并成功匹配的情况下，参数F2＝1，参数F2用于指示音频检索是否通过，例如，为1的情况下表示音频检索通过，为0的情况下表示音频检索不通过。

只有音频检索和唇语识别都通过的情况下(F1＝1且F2＝1)，才被系统判定为活体，否则判定为假体。

本申请提出了一种基于唇语识别和音频校验的活体识别方法，该方法同时利用了用户的视觉信息和音频信息，降低了假体攻击的通过率，同时通过唇语识别和语音校验保证了真实用户视频的通过率。

如图3所示，根据本申请的实施例，本申请还提供一种活体识别装置300，装置包括：

采集模块301，用于采集第一对象的视频数据以及音频数据；

识别模块302，用于将视频数据输入唇语识别模型进行唇语识别，确定唇语识别结果，以及在语音库中检索音频数据得到音频匹配结果；

第一确定模块303，用于在唇语识别结果与目标内容匹配，且音频匹配结果为匹配成功的情况下，确定第一对象为活体。

在一个实施例中，识别模块302，包括：

第二确定模块，用于确定视频数据中的嘴唇图像帧序列；

第三确定模块，用于将嘴唇图像帧序列输入唇语识别模型进行唇语识别，确定唇语识别结果。

在一个实施例中，第三确定模块，包括：

子结果获取模块，用于基于唇语识别模型进行唇语识别，得到嘴唇图像帧序列中每一个嘴唇图像帧的唇语识别子结果；

处理模块，用于将嘴唇图像帧序列的唇语识别子结果进行去重以及删除预设字符，得到唇语识别结果。

在一个实施例中，第二确定模块，包括：

分帧模块，用于对视频数据进行分帧，得到视频数据的第一图像帧序列；

确定子模块，用于对第一图像帧序列中每个图像帧进行关键点检测，从第一图像帧序列中确定包括嘴唇区域的嘴唇图像帧序列。

在一个实施例中，识别模块302，还包括：

特征提取模块，用于对音频数据进行特征提取得到第一声纹特征；

检索模块，用于在语音库中检索到与第一声纹特征之间的特征相似度大于预设阈值的目标声纹特征的情况下，得到匹配成功的音频匹配结果。

上述各实施例的活体识别装置为实现上述各实施例的活体识别方法的装置，技术特征对应，技术效果对应，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的活体识别方法。

本申请实施例的计算机程序产品，包括计算机程序，所述计算机程序用于使计算机执行本申请各实施例提供的活体识别方法。

图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

电子设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(I)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如活体识别方法。例如，在一些实施例中，活体识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM403并由计算单元401执行时，可以执行上文描述的活体识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行活体识别方法。本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。