活体检测方法、装置、设备与存储介质与流程

1.本说明书涉及计算机技术领域，尤其涉及一种活体检测方法、装置、设备与存储介质。


背景技术：

2.人脸识别技术在为人们的生产和生活提供便利的同时，也引出了额外的风险。其中较为典型的为活体攻击，即通过照片、手机等媒介尝试仿冒用户的攻击方法。活体攻击也是目前人脸识别系统面临的最有威胁的安全隐患。解决上述问题的方法通常称为活体检测，其目的是判断获取到的生物特征是否来自一个有生命、在现场的、真实的人。
3.针对现有的活体攻击事件提出了多种活体检测方法。目前，如何在安全性和用户体验上达到良好的折衷一直是活体检测的挑战。


技术实现要素：

4.本说明书的主要目的在于提供一种活体检测方法、装置、设备与存储介质，旨在解决现有活体检测方法灵活性低，无法适应不同的场景要求的问题。所述技术方案如下：
5.第一方面，本说明书实施例提供了一种活体检测方法，包括：
6.采集目标检测对象针对刷脸事务的场景图像；
7.基于所述场景图像，确认所述场景图像的场景时效分类结果；
8.基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作；
9.获取所述目标检测对象做出所述目标认证动作的认证动作图像；
10.基于所述认证动作图像，生成目标检测对象的活体检测结果。
11.第二方面，本说明书实施例提供了一种场景状态感知模型的训练方法，包括：
12.初始化场景状态感知模型中的第一初始结构参数；
13.获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；
14.将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；
15.将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；
16.将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；
17.基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；
18.基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；
19.基于所述拥挤度损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练
后的所述场景状态感知模型。
20.第三方面，本说明书实施例提供了一种动作选择模型的训练方法，包括：
21.初始化动作选择模型中的第五初始结构参数；
22.获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；
23.将所述样本人体分割结果、所述样本人物计数结果和所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；
24.将所述样本人体分割结果特征，样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；
25.基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；
26.基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。
27.第四方面，本说明书实施例提供了一种活体检测模型的训练方法，包括：
28.初始化活体检测模型中的第六初始结构参数；
29.获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；
30.将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；
31.将所述样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征；
32.计算所述样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征；
33.将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；
34.基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；
35.基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的活体检测损失值；
36.基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。
37.第五方面，本说明书实施例提供一种活体检测装置，包括：
38.第一采集模块，用于采集目标检测对象针对刷脸事务的场景图像；
39.场景分类模块，用于基于所述场景图像，确认场景时效分类结果；
40.认证动作确认模块，用于基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作；生成认证交互信息用于指示目标检测对象做出目标认证动作；
41.第二采集模块，用于获取所述目标检测对象做出所述目标认证动作的认证动作图像；
42.结果生成模块，用于基于所述认证动作图像，生成目标检测对象的活体检测结果。
43.第六方面，本说明书实施例提供一种活体检测装置，包括：
44.第一参数设置模块，用于初始化场景状态感知模型中的第一初始结构参数；
45.第一样本获取模块，用于获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；
46.第一特征提取模块，用于将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；
47.拥挤度检测模块，用于将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；
48.时效感知模块，用于将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；
49.拥挤度损失计算模块，用于基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；
50.时效分类损失计算模块，用于基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；
51.第一训练模块，用于基于所述拥挤度损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
52.第七方面，本说明书实施例提供一种活体检测装置，包括：
53.第二参数设置模块，用于初始化动作选择模型中的第五初始结构参数；
54.第二样本获取模块，用于获取包含样本检测对象的样本图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；
55.第二特征提取模块，用于将所述样本人体分割结果、所述样本人物计数结果和所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；
56.认证动作预测模块，用于将所述样本人体分割结果特征，样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；
57.动作分类损失计算模块，用于基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；
58.第二训练模块，用于基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。
59.第八方面，本说明书实施例提供一种活体检测装置，包括：
60.第三参数设置模块，用于初始化活体检测模型中的第六初始结构参数；
61.第三样本获取模块，用于获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；
62.第三特征提取模块，用于将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；
63.未来动作预测模块，用于将所述样本认证动作特征输入未来动作预测模块，输出
样本预测认证动作特征；
64.残差计算模块，用于计算所述样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征；
65.样本结果生成模块，用于将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；
66.未来特征预测损失计算模块，用于基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；
67.活体检测损失计算模块，用于基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的活体检测损失值；
68.第三训练模块，用于基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。
69.第九方面，本说明书实施例提供一种电子设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述方法的步骤。
70.第十方面，本说明书实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述活体检测程序被处理器执行时实现如上述方法的步骤。
71.第十一方面，本说明书实施例提供了一种计算机程序产品，包括：计算机程序，当所述计算机程序被电子设备的处理器执行时，使所述处理器至少可以实现如第一方面至第四方面所述的方法。
72.在本说明书实施例中，通过采集目标检测对象针对刷脸事务的场景图像，基于场景图像，确认场景图像的场景时效分类结果，基于场景时效分类结果，确认目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作，获取目标检测对象做出目标认证动作的认证动作图像，基于认证动作图像，生成目标检测对象的活体检测结果。通过分析当前场景对于时效的要求，根据场景对于时效的要求高低，来选择目标交互动作，然后根据目标检测对象做出目标认证动作的认证动作图像进行活体检测，从而能够根据场景的不同灵活地进行活体检测，保障刷脸事务的安全性。
附图说明
73.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
74.图1是本说明书实施例提供的一种活体检测方法的举例示意图；
75.图2是本说明书实施例提供的一种活体检测方法的流程示意图；
76.图3是本说明书实施例提供的一种活体检测方法的流程示意图；
77.图4是本说明书实施例提供的一种活体检测方法的流程示意图；
78.图5是本说明书实施例提供的一种活体检测方法的流程示意图；
79.图6是本说明书实施例提供的一种活体检测模型的训练的流程示意图；
80.图7是本说明书实施例提供的一种活体检测模型的训练的流程示意图；
81.图8是本说明书实施例提供的一种活体检测模型的训练的流程示意图；
82.图9是本说明书实施例提供的一种活体检测模型的训练的流程示意图；
83.图10是本说明书实施例提供的一种活体检测装置的结构示意图；
84.图11是本说明书实施例提供的一种活体检测装置的结构示意图；
85.图12是本说明书实施例提供的一种活体检测装置的结构示意图；
86.图13是本说明书实施例提供的一种活体检测装置的结构示意图；
87.图14是本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
88.下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
89.此外，需要说明的是，本说明书实施例中如：人脸识别、活体检测中涉及到的数据的获取、存储、使用、处理等，均符合国家法律法规的相关规定。
90.活体检测装置可以为手机、电脑、平板电脑、智能手表或车载设备等终端设备，也可以为终端设备中用于实现活体检测方法的模块，活体检测装置可以采集目标检测对象针对刷脸事务的场景图像，基于场景图像，确认场景图像的场景时效分类结果，基于场景时效分类结果，确认目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作，获取目标检测对象做出目标认证动作的认证动作图像，基于认证动作图像，生成目标检测对象的活体检测结果。
91.对应的，活体检测装置可以进行活体检测模型的训练。活体检测模型初始化活体检测模型中的第六初始结构参数，获取样本检测对象的样本认证动作图像，样本认证动作图像标注有样本检测对象的样本身份标签，将样本认证动作图像输入基础特征编码器，输出样本认证动作特征，将样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征，计算样本认证动作特征和样本预测认证动作特征对应的样本残差特征，将样本残差特征和样本认证动作特征输入差分活体分类模块，输出样本活体检测结果，基于未来特征预测损失函数计算样本认证动作特征和预测认证动作特征对应的未来特征预测损失值，基于活体检测损失函数计算样本活体检测结果和样本身份标签对应的活体检测损失值，基于未来特征预测损失值和活体检测损失值对第六初始结构参数进行调整，以得到第六目标结构参数，基于第六目标结构参数生成训练后的活体检测模型。
92.进一步地，活体检测装置可以进行活体检测模型的训练。活体检测模型包括动作选择模型，通过初始化动作选择模型中的第五初始结构参数，获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，样本场景图像标注有样本检测对象的优选认证动作标签，将样本人体分割结果、样本人物计数结果和样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征，将样本人体分割结果特征，样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出样本检测对象的样本认证动作，基于动
作分类损失函数计算样本认证动作与优选认证动作标签对应的动作分类损失值，基于动作分类损失值对第五初始结构参数进行调整，以得到第五目标结构参数，基于第五目标结构参数生成训练后的动作选择模型。
93.进一步地，活体检测装置还可以进行活体检测模型的训练。活体检测模型包括场景状态感知模型，通过初始化场景状态感知模型中的第一初始结构参数，获取包含样本检测对象的样本场景图像，样本场景图像标注有人物拥挤度标签和图像时效要求标签，将样本场景图像输入基础特征编码模块，输出样本场景特征图，将样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果，将样本人物拥挤度结果和样本场景特征图输入时效感知模块，输出样本时效分类结果，基于拥挤度损失函数计算样本人物拥挤度结果和人物拥挤度标签对应的拥挤度损失值，基于时效分类损失函数计算样本时效分类结果和图像时效要求标签对应的时效分类损失值，基于拥挤度损失值、人物计数损失值和时效分类损失值对第一初始结构参数进行调整，以得到第一目标结构参数，基于第一目标结构参数生成训练后的场景状态感知模型。
94.需要说明的是，用于活体检测的活体检测装置与活体检测模型训练的活体检测装置可以为同一装置也可以是不同的装置，优选地，将活体检测方法与活体检测模型的训练方法在不同的活体检测装置上实现。
95.请一并参见图1，为本说明书实施例提供了一种活体检测方法的场景示意图，活体检测装置在检测到有目标检测对象靠近时，获取当前包含目标检测对象的场景图像(可以默认将活体检测装置最近目标的确认为目标检测对象)，基于场景图像，确认场景图像的场景时效分类结果，基于场景时效分类结果，确认目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作，再获取目标检测对象做出目标认证动作的认证动作图像，基于认证动作图像，生成目标检测对象的活体检测结果。
96.下面结合具体的实施例对本说明书提供的活体检测方法进行详细说明。
97.请参见图2，为本说明书实施例提供了一种活体检测方法的流程示意图。如图2所示，本说明书实施例的所述方法可以包括以下步骤s102-s110。
98.获取目标检测对象针对事务发起的身份认证请求，基于所述身份认证请求生成认证交互信息，所述认证交互信息用于指示所述目标检测对象做出认证动作；
99.采集所述目标检测对象的所述认证动作，以生成认证动作视频；
100.s102，采集目标检测对象针对刷脸事务的场景图像；
101.s104，基于所述场景图像，确认所述场景图像的场景时效分类结果；
102.s106，基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作；
103.s108，获取所述目标检测对象做出所述目标认证动作的认证动作图像；
104.s110，基于所述认证动作图像，生成目标检测对象的活体检测结果。
105.常见的活体检测方法根据其安全性和用户体验侧重的不同，可以被分为两种类型。第一种是侧重安全性的主动交互活体检测方法。这类活体检测方法一般要求用户配合完成各类动作，例如眨眼、张嘴等等。由于用户配合交互需要耗费较长时间，因此，一方面整体系统效率会明显下降，另一方面用户的体验也会明显降低。第二种方法则是侧重用户体验的静默活体检测方法。这类方法在用户“无感知”以及“自然状态”的情况下完成数据采集
和活体检测。这使得系统整体效率提升，也因此被广泛应用于例如门禁、考勤等对效率要求较高的场景。但是，这类方法由于缺少用户交互动作配合，信息量缺失，导致安全能力下降明显，容易被攻破。
106.由于传统的门禁、考勤应用下的活体检测，无论场景状态如何，都会使用静默的、无交互的活体，因此为了能够提升在门禁场景的活体检测的安全性，提出了本说明书实施例中的活体检测方法。其中，目标检测对象可以为生物特征具有差异性的活体生物，也可以是用来攻击的假脸。此外，在本说明书中以用户代称目标检测对象，两者可以互相替换，后续不再加以说明。以下将对各个步骤进行详细说明：
107.s102，采集目标检测对象针对刷脸事务的场景图像；
108.在本说明书一个实施例中，刷脸事务可以是在门禁、考勤场景下对考勤人员或者访客的身份进行识别的刷脸事务，通过刷脸事务可以识别目标检测对象是否为真实活体且身份是否正确，也即活体检测仅为刷脸事务的一部分，当活体检测通过还可以进一步的对目标检测对象的身份进行识别。场景图像为当前场景下包含目标检测对象和目标检测对象所处环境的图像。在场景图像中可以包括一个或者多个候选检测对象，当候选检测对象到达活体检测装置的预设检测范围内时，候选检测对象即为目标检测对象，活体检测装置则开始采集包含目标检测对象的场景图像。
109.需要说明的是，活体检测装置的图像采集范围可以根据实际需求以及活体检测装置的设置位置来确定。
110.s104，基于所述场景图像，确认所述场景图像的场景时效分类结果；
111.在本说明书一个实施例中，场景时效分类结果为当前场景对时效的需求。示例性的，可以根据时效的要求将场景时效分类结果分为高、中、低三类，进而基于场景图像确认对应的场景时效分类结果。可以理解的，由于在门禁、考勤场景中，可能会有多个检测对象需要通过同一个活体检测装置进行检测的情况，因此对于时效有一定要求，如果检测过程太慢，则会导致拥堵和排队的发生，进而降低用户的体验感。通过对场景图像进行分析，可以得到当前场景的时效要求，时效要求越高则代表当前等候刷脸的用户比较多，时效要求越低则代表当前等候刷脸的用户比较少。在一种可行的实施方式中，预先基于人数总数和场景时效分类结果建立关联关系，进而可以通过对场景图像中的人物数量进行识别确认场景时效分类结果。
112.s106，基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作；
113.在本说明书一个实施例中，当确认场景时效分类结果后，根据场景时效分类结果确认目标检测对象的目标认证动作。目标认证动作为根据场景对于时效的要求高低，从多个候选认证动作中选择的一个优选交互动作。在一种可行的实施方式中，候选认证动作可以包括张张嘴、眨眨眼、摇摇头、点点头、左右看，确认每个候选认证动作的耗时，根据耗时对候选认证动作进行排序，根据场景时效分类结果对时效要求的程度确认目标认证动作，例如：场景时效分类结果为高，对应的目标认证动作为“眨眨眼”；场景时效分类结果为中，对应的目标认证动作为“点点头”；场景时效分类结果为低，对应的目标认证动作为“张张嘴”。
114.当确认出目标认证动作后，可以输出认证交互信息，认证交互信息中包含了提示
信息，用于提示用户做出认证动作。认证交互信息可以以音频方式输出和/或图像方式在活体检测装置的显示屏上输出。可选的，认证交互信息还可以包括认证姿势提示信息，提示用户将头部或者面部放置在预设的取景框中，以及如何做认证动作的提示文字信息或视频信息。
115.可选的，在确认出场景时效分类结果后，如果场景时效分类结果指示当前场景下所需要的时效很高，目标检测对象也可以不需要做出目标认证动作，直接对目标检测对象进行静默活体检测。
116.s108，获取所述目标检测对象做出所述目标认证动作的认证动作图像；
117.在本说明书一个实施例中，认证动作图像为目标检测对象做出目标认证动作时采集的图像。通过活体检测装置上的图像采集装置可以获取连续多张认证动作图像。示例性的，在展示认证交互信息后，可以对目标检测对象进行图像采集，可以采集多张动作图像，从中筛选出预设数量的动作图像作为认证动作图像。
118.s110，基于所述认证动作图像，生成目标检测对象的活体检测结果。
119.在本说明书一个实施例中，当采集到认证动作图像后，基于认证动作图像生成目标检测对象的活体检测结果。示例性的，可以根据预训练的机器学习算法提取认证动作图像特征，基于认证动作图像特征，预测此次目标检测对象为活体攻击的概率，将预测的攻击概率p与概率阈值t进行比较，如果p大于t，则判断为攻击，得到目标检测对象的活体检测结果。
120.在本说明书实施例中，通过采集目标检测对象针对刷脸事务的场景图像，基于场景图像，确认场景图像的场景时效分类结果，基于场景时效分类结果，确认目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作，获取目标检测对象做出目标认证动作的认证动作图像，基于认证动作图像，生成目标检测对象的活体检测结果。通过分析当前场景对于时效的要求，根据场景对于时效的要求高低，来选择目标交互动作，然后根据目标检测对象做出目标认证动作的认证动作图像进行活体检测，从而能够根据场景的不同灵活地进行活体检测，保障刷脸事务的安全性。
121.请参见图3，为本说明书实施例提供了一种活体检测方法的流程示意图。如图3所示，本说明书实施例的所述方法可以包括以下步骤s202-s206。
122.s202，提取所述场景图像的特征，生成场景特征图；
123.在本说明书一个实施例中，对场景图像进行特征提取，得到场景特征图。具体的，可以采用卷积神经网络中的卷积层，对场景图像进行卷积操作，当图像像素值经过卷积层中的过滤器后得到的就是特征图。其中，过滤器的尺寸和数量以及卷积层的数量等网络参数可以根据实际情况进行选择，具体不做限定。通过设置不同的网络的参数可以使卷积神经网络关注场景图像的部分像素部分，从而得到与人物拥挤度确定更加关联的场景特征图。
124.s204，基于所述场景特征图，确认所述场景图像的人物拥挤度；所述人物拥挤度代表所述场景图像中人物的密集程度；
125.在本说明书一个实施例中，当得到场景特征图后，可以进一步地通过分类任务，从场景特征图中确认出图中的人物。人物拥挤度代表场景图像中人物的密集程度。
126.在一种可行的实施方式中，可以采用hog进行特征提取，得到场景特征图，进而利
用线性svm作为分类器，从而实现图像中人物的检测，当得到图像中的人物后，可以确认图像中的人物数量，进而根据人物数量确认人物拥挤度。可选的，也可以采用卷积神经网络进行密度估计，例如：人群计数模型decidenet。人物数量与人物拥挤度为正相关的关系，可以通过为每一个人物数量与人物拥挤度建立相关关系，进而得到当前场景图像的人物拥挤度，例如：人物数量为2，人物拥挤度为4，人物数量为3，人物拥挤度为6。
127.s206，基于所述人物拥挤度和所述场景特征图，确认所述场景图像的场景时效分类结果。
128.具体的，基于识别得到的人物拥挤度和场景特征图，进一步地基于预先训练的分类模型，得到场景图像的场景时效分类结果。可以理解的，预先采集多个样本场景图像，对各样本场景图像标注对应的场景时效分类结果，通过卷积神经网络对样本场景图像进行特征提取，得到样本场景特征图，进而通过拥挤度确认模型确认对应的样本人物拥挤度，基于样本人物拥挤度和样本场景特征图，通过分类模型确认对应的场景时效分类结果，与标注的场景时效分类结果进行比较，确认模型准确率，进而迭代优化各模型得到训练后的模型，当获取到场景图像后，则可以直接进行场景时效分类。
129.请参见图4，为本说明书实施例提供了一种活体检测方法的流程示意图。如图4所示，本说明书实施例的所述方法可以包括以下步骤s302-s308。
130.s302，提取所述场景图像的特征，生成场景特征图；
131.请参照上说明书实施例步骤s202，在此不加赘述。
132.s304，基于所述场景特征图，确认所述场景图像的人物计数结果和人体分割结果；
133.在本说明书一个实施例中，人物拥挤度包括人物计数结果和人体分割结果，基于场景特征图确认场景图像中的人物计数结果和人体分割结果。具体的，人体分割结果为对场景特征图进行人体分割处理将图像分割为属于人的和不属于人的像素后的图像，可以采用例如bodypix、unet等人体分割算法实现。人物计数结果也即场景图像中人物的数量，通过人物计数算法可以确认场景特征图的人物计数结果。
134.s306，对所述人体分割结果、所述人物计数结果和所述时效分类结果进行特征编码，输出对应的人体分割结果特征、人物计数结果特征和时效分类结果特征；
135.在本说明书一个实施例中，当得到人体分割结果、人物计数结果和时效分类结果后，对这三个数据进行特征编码，转化为这三个数据对应的特征，也即人体分割结果特征、人物计数结果特征和时效分类结果特征。
136.s308，基于所述人体分割结果特征、人物计数结果特征和时效分类结果特征，确认所述目标检测对象的目标认证动作。
137.在本说明书一个实施例中，基于人体分割结果特征、任务计数结果特征和时效分类结果特征，确认目标检测对象的目标认证动作。具体的，构建数据集，数据集包括包含一个或多个目标检测对象的场景图像，对场景图像手动标注优选认证动作，认证动作选择模型中可以包括特征编码模块和动作分类模块，通过特征编码模块对获取到的人体分割结果、人物计数结果和时效分类结果进行特征提取，将提取出的人体分割结果特征、人物计数结果特征和时效分类结果特征输入动作分类模块，输出预测优选认证动作，基于预测优选认证动作和标注优选认证动作来确认模型准确性指标，通过随机分布该认证动作选择模型的网络参数，应用上述数据集反复迭代以更新上述网络参数，每次迭代结束判断更新后的
网络参数是否满足网络参数准确性指标。
138.在本说明书实施例中，通过提取场景图像的特征，生成场景特征图，基于场景特征图，确认场景图像的人物拥挤度，基于人物拥挤度和场景特征图，确认场景图像的场景时效分类结果。通过引入人物拥挤度，将人物拥挤度和场景图像特征一起作为评估场景时效分类结果的因素，能够更好地对场景图像的时效要求进行预估，进而得到时效分类结果。可选的，人物拥挤度包括人物计数结果和人体分割结果，获取人物计数结果、人体分割结果和场景时效分类结果对应的人体分割结果特征、人物计数结果特征和时效分类结果特征，基于人体分割结果特征、人物计数结果特征和时效分类结果特征确认目标检测对象的目标认证动作。通过训练人体分割、人物计数和时效分类三个任务的模型，多任务之间可以互相促进，最后使得每个任务都比单独训练的性能要好，进而基于多任务结果进行动作选择，能够提高动作选择的准确性。
139.请参见图5，为本说明书实施例提供了一种活体检测方法的流程示意图。如图5所示，本说明书实施例的所述方法可以包括以下步骤s402-s408。
140.s402，连续采集预设帧数的所述目标检测对象做出所述目标认证动作的序列图像，将所述序列图像作为所述认证动作图像；
141.在本说明书一个实施例中，在指示目标检测对象做出目标认证动作后，可以获取目标检测对象做出认证动作的序列图像作为认证动作图像。其中，序列图像的数量和采集间隔时间可以根据实际需求进行设置，例如每隔五帧的时间采集一张认证动作图像，连续采集十次，获取十张认证动作图像，得到序列图像作为认证动作图像；当然，也可以设置采集间隔时间为零，也即连续采集十帧的认证动作图像，得到序列图像，作为认证动作图像。
142.s404，对所述认证动作图像进行特征提取，得到所述认证动作图像对应的第一真实特征向量；
143.在本说明书一个实施例中，对认证动作图像进行特征提取，得到认证动作图像中各认证动作图像对应的真实特征向量，进而得到第一真实特征向量。需要说明的是，由于认证动作图像是一组序列图像，也即第一真实特征向量包含了认证动作图像中每一张认证动作图像分别对应的真实特征向量。特征提取的方法在此不做限定。
144.s406，基于所述第一真实特征向量，获取所述认证动作图像的第一预测特征向量，基于所述第一真实特征向量和所述第一预测特征向量，计算所述认证动作图像对应的第一残差向量；
145.在本说明书一个实施例中，基于认证动作图像的第一真实特征向量，获取认证动作图像的第一预测特征向量，计算得到第一残差向量。第一预测特征向量包含了认证动作图像中每一张认证动作图像分别对应的预测特征向量。通过第一真实特征向量与第一预测特征向量进行特征差分，得到第一残差向量。需要说明的是，其中特征差分针对的是同一张认证动作图像的预测特征向量和真实特征向量。
146.s408，基于所述第一残差向量和所述第一真实特征向量，生成所述目标检测对象的活体检测结果。
147.在本说明书一个实施例中，通过认证动作图像的第一残差向量和第一真实特征向量，可以实现对目标检测对象的活体检测。也即通过预先训练的活体检测模型，可以判断目标检测对象是否为活体攻击。
148.可以理解的，通过每一帧认证动作图像的第一真实特征向量来计算平均向量，也可以实现活体检测，然而通过引入差分向量的方式可以提高活体检测的准确性。真实活体做出动作的规律与攻击的假脸做出的动作的规律是不同的，比如利用软件生成眨眨眼的动作，是将静止的眼睛变成眨眼，和真实活体正常的运动规律不同，因此，根据当前帧预测的下一帧预测特征向量会和真实的下一帧特征向量存在不同，通过计算预测特征向量和真实特征向量的差值，得到残差向量作为增量特征与每一帧认证动作图像的真实特征向量一起作为特征进行模型训练，能够提高活体检测的准确性。
149.可选的，所述活体检测方法还包括以下步骤s502-s504：
150.s502，基于所述认证动作图像中第二动作图像的第二真实特征向量，获取第三动作图像的第二预测特征向量，所述第二动作图像为所述认证动作图像中的任一帧认证动作图像；所述第一动作图像为所述认证动作图像中最后一帧图像；所述第三动作图像为所述第二动作图像的下一帧认证动作图像；
151.s504，基于所述第二预测特征向量和所述第三动作图像的第三真实特征向量，计算得到第三动作图像对应的第三残差向量。
152.在本说明书一个实施例中，提供了对认证动作图像中一张认证动作图像计算残差向量的方案，具体为通过上一帧认证动作图像(第二动作图像)的第二真实特征向量，来预测下一帧认证动作图像(第三动作图像)的第二预测特征向量，进而根据下一帧认证动作图像(第三动作图像)的第三真实特征向量，来计算得到第二预测特征向量和第三真实特征向量之间的差值，得到第二残差向量。由每一张认证动作图像对应的残差向量组成第一残差向量。
153.需要说明的是，认证动作图像中第一帧图像没有上一帧图像的真实特征向量可以用来预测特征向量，因此，也可以通过后一帧动作图像来预测前一帧动作图像的预测特征向量，来计算残差向量。
154.在本说明书实施例中，通过连续采集预设帧数的所述目标检测对象做出所述目标认证动作的序列图像，将所述序列图像作为所述认证动作图像，对认证动作图像进行特征提取，得到认证动作图像对应的第一真实特征向量，基于所述第一真实特征向量，获取认证动作图像的第一预测特征向量，基于第一真实特征向量和第一预测特征向量，计算认证动作图像对应的第一残差向量，基于第一残差向量和第一真实特征向量，生成目标检测对象的活体检测结果，能够提高活体检测结果的准确性。
155.请参见图6，为本说明书实施例提供的一种活体检测模型的训练方法的流程示意图。如图6所示，本说明书实施例的所述方法可以包括以下步骤s602-s610。
156.s602，初始化场景状态感知模型中的第一初始结构参数；
157.传统的门禁、考勤应用下的活体检测，无论场景状态如何，都会使用静默的、无交互的活体。这会给攻击者可乘之机。根据实际数据分析，攻击者攻击时往往只有攻击者一个人，这种情况场景对于时效的要求其实较低(没有人排队通过)。根据这个特点，提出了一个场景状态感知模型的训练方法，以实现对场景时效要求的识别，进而实现在不同场景下的活体检测。
158.具体的，先设置动作预测模型的初始结构参数如：模型的网络结构参数以及损失函数等。模型的网络结构可以采用现有卷积神经网络，损失函数可以根据实际需要进行设
置，本说明书实施例不做具体限定。
159.s604，获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；
160.在本说明书一个实施例中，样本检测对象的样本场景图像，样本场景图像为用于训练场景状态感知模型训练数据。同时标注各样本场景图像的人物拥挤度标签和图像时效要求标签。人物拥挤度标签用于表征样本场景图像的人物拥挤度，图像时效要求标签用于表征样本场景图像的时效要求。
161.s606，将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；
162.在本说明书一个实施例中，将样本场景图像输入基础特征编码模块进行特征提取，得到样本场景特征图。
163.s608，将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；
164.在本说明书一个实施例中，将基础特征编码模块得到的样本场景特征图输入人物拥挤度模块，识别得到场景图像的样本任务拥挤度结果。
165.s610，将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；
166.在本说明书一个实施例中，在得到样本人物拥挤度结果和样本场景特征图之后，将样本人物拥挤度结果和样本场景特征图输入时效感知模块，得到样本时效分类结果。
167.s612，基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；
168.s614，基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；
169.s616，基于所述拥挤度损失值和所述时效分类损失值对所述第一初始结构参数进行调整；
170.s618，判断调整第一初始结构参数后更新的活体检测模型计算出的拥挤度损失值和时效分类损失值是否满足预设收敛条件，若满足，则得到第一目标结构参数，停止训练，得到训练完成的活体检测模型，若不满足，则执行步骤s606。
171.可以理解的，步骤s616和s618可以合并为步骤：基于所述拥挤度损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
172.在本说明书实施例中，在得到样本场景图像对应的样本时效分类结果之后，基于预设损失函数计算样本人物拥挤度结果和人物拥挤度标签对应的拥挤度损失值，样本时效分类结果和图像时效要求标签对应的时效分类损失值，基于拥挤度损失值和时效分类损失值对场景状态感知模型的第一初始结构参数模型进行更新优化，并判断更新优化模型参数后的场景状态感知模型是否收敛，若模型收敛，则停止训练，得到训练完成的场景状态感知模型，若模型不收敛，则执行步骤s606，继续基于样本场景图像对场景状态感知模型进行训练，直至模型收敛。
173.请参见图7，为本说明书实施例提供的一种活体检测模型的训练方法的流程示意图。如图7所示，本说明书实施例的所述方法可以包括以下步骤s702-s720。
174.s702，初始化场景状态感知模型中的第一初始结构参数；
175.在本说明书一个实施例中，步骤s202请参见本说明书另一实施例中对步骤s102的详细描述，在此不再赘述。
176.s704，获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；
177.在本说明书一个实施例中，人物拥挤度标签包括人体分割图谱标签和人物个数标签。在获取到样本检测对象的样本场景图像之后，可以对样本场景图像标注人物个数标签、人体分割图谱标签和图像时效要求标签。人物个数标签代表样本场景图像中的人物数量，人体分割图谱标签代表样本场景图像中人体部分所占像素和非人体部分所占像素，图像时效要求标签请参见本说明书另一实施例中对步骤s104的详细描述。
178.s706，将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；
179.在本说明书一个实施例中，步骤s706请参见本说明书另一实施例中对步骤s606的详细描述，在此不再赘述。
180.s708，将所述样本场景特征图输入人体分割模块，输出样本人体分割结果；
181.在本说明书一个实施例中，在得到样本场景特征图后，将样本场景特征图输入人体分割模块，得到样本人体分割结果。
182.s710，将所述样本场景特征图输入人物计数模块，输出样本人物计数结果；
183.在本说明书一个实施例中，在得到样本场景特征图后，将样本场景特征图输入人物计数模块，得到样本人物计数结果。
184.s712，将所述样本场景特征图、所述样本人体分割结果和所述样本人物计数结果输入时效感知模块，输出样本时效分类结果；
185.在本说明书一个实施例中，将样本场景特征图、样本人体分割结果和样本人物计数结果输入时效感知模块，基于样本场景特征图、样本人体分割结果和样本人物计数结果得到样本时效分类结果。
186.s714，基于人体分割损失函数计算所述样本人体分割结果和所述人体分割图谱标签对应的人体分割损失值；
187.在本说明书一个实施例中，在得到样本人体分割结果之后，基于预先标注的人体分割图谱标签计算样本人体分割结果和人体分割图谱标签之间的人体分割损失值。
188.s716，基于人物计数损失函数计算所述样本人物计数结果和所述人物个数标签对应的人物计数损失值；
189.在本说明书实施例中，在得到样本人物计数结果之后，根据人物计数损失函数。
190.s718，基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；
191.在本说明书一个实施例中，在得到样本时效分类结果之后，基于时效分类损失函数计算样本时效分类结果与图像时效要求标签之间的时效分类损失值。需要说明的是，时效分类损失函数、人物计数损失函数和人体分割损失函数都可以根据实际需要进行选择，例如指数损失函数、绝对值损失函数等。
192.s720，基于所述人体分割损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
193.在本说明书一个实施例中，基于人体分割损失值、人物计数损失值和时效分类损失值对场景状态感知模型的第一初始结构参数模型进行更新优化，并判断更新优化模型参数后的场景状态感知模型是否收敛，若模型收敛，则停止训练，得到训练完成的场景状态感知模型，若模型不收敛，则执行步骤s706，继续基于样本场景图像对场景状态感知模型进行训练，直至模型收敛。
194.可选的，在本说明书一个实施例中，所述第一初始结构参数包括第二初始结构参数、第三初始结构参数和第四初始结构参数；
195.所述基于所述人体分割损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型，包括：
196.若所述人体分割损失值未收敛到第一预设值，则基于所述人体分割损失值调整所述人体分割模块的第二初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人体分割损失值收敛到所述第一预设值，得到第二目标结构参数；
197.若所述人物计数损失值未收敛到第二预设值，则基于所述人物计数损失值调整所述人物计数模块的第三初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人物计数损失值收敛到第二预设值，得到第三目标结构参数；
198.若所述时效分类损失值未收敛到第三预设值，则基于所述时效分类损失值调整所述时效感知模块的第四初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述时效分类损失值收敛到第三预设值，得到第四目标结构参数；
199.基于所述第二目标结构参数、所述第三目标结构参数和所述第四目标结构参数得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
200.具体的，损失函数为：loss
total
＝loss
seg
+loss
count
+loss
cls
，其中loss
total
为场景状态感知模型的总损失值，loss
seg
为人体分割损失值，loss
count
为人物计数损失值，loss
cls
为时效分类损失值。基于上述模型结构和损失函数进行网络训练，当各损失值收敛至预设值，则代表模型收敛，得到训练后的场景状态感知模型。可以理解的，由于场景状态感知模型是通过多任务训练得到的，因此对于每一个任务都需要满足其对应的收敛条件，对三个任务模型进行分别调参，当人体分割损失值收敛到第一预设值、人物计数损失值收敛到第二预设值和时效分类损失值收敛到第三预设值时，基于第二目标结构参数、第三目标结构参数和第四目标结构参数得到第一目标结构参数，完成模型的训练。若模型收敛，则停止训练，得到训练完成的场景状态感知模型，若模型不收敛，则执行步骤s706，继续基于样本场景图像对人体分割模块、人物计数模块和时效感知模块进行训练，直至模型收敛。
201.在本说明书实施例中，初始化动作预测模型中的第一初始结构参数包括人体分割模块的第二初始结构参数，人物计数模块的第三初始结构参数和时效感知模块的第四初始结构参数，基于人体分割损失值对人体分割模块的第二初始结构参数进行迭代优化，直到人体分割损失值收敛到第一预设值，基于人物计数损失值对人物计数模块的第三初始结构参数进行优化，直到人物计数损失值收敛到第二预设值，基于时效分类损失值对时效感知
模块的第四初始结构参数进行优化，直到时效分类损失值收敛到第三预设值，通过多任务的训练方式提高模型的训练效果。
202.请参见图8，为本说明书实施例提供的一种活体检测模型的训练方法的流程示意图。如图8所示，本说明书实施例的所述方法可以包括以下步骤s802-s810。
203.步骤s802，初始化动作选择模型中的第五初始结构参数；
204.在本说明书一个实施例中，考虑到不同动作对于效率的影响是不一样的，例如眨眨眼相比摇摇头就更节约时间，因此，根据场景状态感知模型得到的多任务结果，来进行动作的选择，也即训练动作选择模型来进行认证动作的选择。具体的，先设置动作选择模型的第五初始结构参数如：模型的网络结构参数以及损失函数等。模型的网络结构中的卷积层、全连接层、激活函数等都可以根据实际需要进行设置，本说明书实施例不做具体限定。
205.步骤s804，获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；
206.在本说明书一个实施例中，获取样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，并标注样本场景图像对应的优选认证动作标签。优选认证动作标签为与人工标注的与样本场景图像对应的认证动作。
207.步骤s806，将所述样本人体分割结果、所述样本人物计数结果和所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；
208.在本说明书一个实施例中，将样本人体分割结果、所述人物计数结果和样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征。
209.步骤s808，将所述样本人体分割结果特征，所述样本人物计数结果特征和所述样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；
210.在本说明书一个实施例中，在得到样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征后，输入动作分类模块，基于动作分类模块得到样本检测对象的样本认证动作。
211.步骤s810，基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；
212.在本说明书一个实施例中，在得到样本认证动作后，基于动作分类损失函数计算样本认证动作和优选认证动作标签之间的动作分类损失值。动作分类损失值表征的是模型预测的样本认证动作与优选认证动作之间的差距，可以理解的，差距越小代表模型准确性越高，效果越高。
213.步骤s812，基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。
214.可以理解的，对模型的优化过程，就是使模型的性能能够满足所需要的效果。因此通过迭代训练的方式，调整动作选择模型的第五初始结构参数，当动作分类损失值满足预设收敛条件时，结束训练，生成训练后的动作选择模型。可以理解的，在动作选择模型训练的过程中，也可以仅基于时效分类结果作为模型的输入，基于时效分类结果特征确认动作
选择结果，然而基于人体分割结果、人物计数结果和时效分类结果能够提高模型对动作选择的准确性，使之更加贴合场景时效需求。
215.在本说明书实施例中，通过初始化动作选择模型中的初始结构参数，获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，将样本人体分割结果、样本人物计数结果和样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征，将样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作，基于动作分类损失函数计算样本认证动作与优选认证动作标签对应的动作分类损失值，基于动作分类损失值对第五初始结构参数进行调整，以得到第五目标结构参数，基于第五目标结构参数生成训练后的所述动作选择模型，从而在刷脸环节时，可以直接调用动作选择模型选择符合场景时效要求的认证动作，灵活生成认证动作以供活体检测。
216.请参见图9，为本说明书实施例提供的一种活体检测模型的训练的流程示意图。如图9所示，本说明书实施例的所述方法可以包括以下步骤s902-s910。
217.s902，初始化活体检测模型中的第六初始结构参数；
218.在本说明书一个实施例中，根据用户配合做出认证动作产生的认证动作图像，来进行活体检测，区别于传统的简单二分类路线，本说明书实施例中提出了基于未来动作预测差分的活体检测方法。首先，先初始化活体检测模型的第六初始结构参数，如：模型的网络结构参数以及损失函数等。
219.s904，获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；
220.在本说明书一个实施例中，获取样本检测对象的样本认证动作图像，样本认证动作图像标注有样本检测对象的样本身份标签。对于一个样本检测对象其样本认证动作图像可以为多张认证动作图像，认证动作图像可以包括样本检测对象在做出多个认证动作时分别采集的样本认证动作图像。
221.可选的，样本认证动作图像为序列图像，也即按时间顺序采集得到的多张样本认证动作图像。
222.s906，将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；
223.在本说明书一个实施例中，对于获取到的样本认证动作图像，可以将样本认证动作图像输入基础特征编码器，通过特征编码处理得到样本认证动作特征，例如10帧图像，对应10个特征向量。
224.s908，将所述样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征；
225.在本说明书一个实施例中，在得到样本认证动作特征之后，将样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征，也即样本认证动作图像预测的认证动作特征。
226.具体的，在一种可行的实施方式中，将每一张认证动作图像的样本认证动作特征输入未来动作预测模块后，未来动作预测模块可以基于每一个样本认证动作特征预测该样本认证动作特征下一帧认证动作图像的样本预测认证动作特征。
227.s910，计算所述样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征；
228.在本说明书一个实施例中，当预测得到样本预测认证动作特征之后，计算样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征。示例性的，可以通过对样本认证动作特征和所述样本预测认证动作特征直接相减，得到样本残差特征。对于每一个提取出的样本认证动作特征可以计算出一个对应的样本残差特征。
229.s912，将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；
230.在本说明书一个实施例中，差分活体分类模块基于样本残差特征和样本认证动作特征，进行活体检测，得到样本活体检测结果。
231.s914，基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；
232.在本说明书一个实施例中，得到样本活体检测结果后，基于未来特征预测损失函数计算样本认证动作特征和预测认证动作特征之间的未来特征预测损失值。
233.s916，基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的活体检测损失值；
234.在本说明书一个实施例中，基于活体检测损失函数计算样本活体检测结果和样本身份标签对应的活体检测损失值。
235.s918，基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。
236.在本说明书一个实施例中，基于未来特征预测损失值和活体检测损失值对活体检测模型的第六初始结构参数模型进行更新优化，并判断更新优化模型参数后的活体检测模型是否收敛，若模型收敛，则停止训练，得到训练完成的场景状态感知模型，若模型不收敛，则执行步骤s906，继续基于样本认证动作图像对活体检测模型进行训练，直至模型收敛。
237.可选的，本说明书实施例的所述方法可以包括以下步骤s1002-s1010。
238.s1002，若所述未来特征预测损失值未收敛到第四预设值，则基于所述未来特征预测损失值调整所述未来动作预测模块的第四初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述未来特征预测损失值收敛到所述第四预设值，得到第四目标结构参数；
239.s1004，若所述活体检测损失值未收敛到第五预设值，则基于所述活体检测损失值调整所述差分活体分类模块的第八初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述活体检测损失值收敛到第五预设值，得到第八目标结构参数；
240.s1006，基于所述第七目标结构参数和所述第八目标结构参数得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述活体检测模型。
241.通过分别优化未来动作预测模块和差分活体分类模块的结构参数
242.在本说明书实施例中，通过初始化活体检测模型中的第六初始结构参数，
243.获取样本检测对象的样本认证动作图像，将样本认证动作图像输入基础特征编码
器，输出样本认证动作特征，将样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征，计算样本认证动作特征和样本预测认证动作特征对应的样本残差特征，将样本残差特征和样本认证动作特征输入差分活体分类模块，输出样本活体检测结果，基于未来特征预测损失函数计算样本认证动作特征和预测认证动作特征对应的未来特征预测损失值，基于活体检测损失函数计算样本活体检测结果和样本身份标签对应的活体检测损失值，基于未来特征预测损失值和活体检测损失值对第六初始结构参数进行调整，以得到第六目标结构参数，基于第六目标结构参数生成训练后的活体检测模型。在训练过程中，通过基于样本认证动作图像预测未来认证动作图像的动作特征，计算得到了认证动作图像的样本差分特征，进一步保证了活体检测模型的检测精度。
244.在本说明书实施例中，通过上述场景状态感知模型的训练方法、动作选择模型的训练方法和活体检测模型的训练方法训练得到场景状态感知模型、动作选择模型以及活体检测模型后，将训练得到的三个模型(场景状态感知模型、动作选择模型以及活体检测模型)部署到云端服务器或者终端设备，采集包含目标检测对象的场景图像，输入到场景状态分析模型中，得到场景时效分类结果、人体分割结果和人物计数结果，将场景时效分类结果、人体分割结果和人物计数结果输入到动作选择模型中，得到优选动作(目标认证动作)；提示目标检测对象完成目标认证动作，并采集相应序列图像，得到认证动作图像；将认证作图像输入活体检测模型中到活体攻击概率p；对于提前设定的阈值阈值t，如果p大于t，则判断为攻击；否则判断为活体。
245.需要说明的是，上述场景状态感知模型的训练方法、动作选择模型的训练方法和活体检测模型的训练方法在训练完成后，在实际模型使用时，可以参照上述说明书实施例中步骤s102-s504中活体检测方法的实施方式。
246.下面将结合附图10-14，对本说明书实施例提供的活体检测装置进行详细介绍。需要说明的是，附图10中的活体检测装置，用于执行本说明书图2-图5所示实施例的方法，为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书图2-图5所示的实施例。
247.请参见图10，其示出了本说明书一个示例性实施例提供的活体检测装置的结构示意图。该活体检测装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置1包括第一采集模块11、场景分类模块12、认证动作确认模块13、第二采集模块14、结果生成模块15。
248.第一采集模块11，用于采集目标检测对象针对刷脸事务的场景图像；
249.场景分类模块12，用于基于所述场景图像，确认场景时效分类结果；
250.认证动作确认模块13，用于基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作；生成认证交互信息用于指示目标检测对象做出目标认证动作；
251.第二采集模块14，用于获取所述目标检测对象做出所述目标认证动作的认证动作图像；
252.结果生成模块15，用于基于所述认证动作图像，生成目标检测对象的活体检测结果。
253.可选的，所述场景分类模块12具体用于提取所述场景图像的特征，生成场景特征图；
254.基于所述场景特征图，确认所述场景图像的人物拥挤度；所述人物拥挤度代表所述场景图像中人物的密集程度；
255.基于所述人物拥挤度和所述场景特征图，确认所述场景图像的场景时效分类结果。
256.可选的，所述场景分类模块12具体用于基于所述场景特征图，确认所述场景图像的人物计数结果和人体分割结果；
257.基于所述场景特征图、所述人体分割结果和所述人物计数结果，确认所述场景图像的场景时效分类结果。
258.可选的，所述认证动作确认模块13具体用于对所述人体分割结果、所述人物计数结果和所述时效分类结果进行特征编码，输出对应的人体分割结果特征、人物计数结果特征和时效分类结果特征；
259.基于所述人体分割结果特征、人物计数结果特征和时效分类结果特征，确认所述目标检测对象的目标认证动作。
260.可选的，所述第二采集模块14具体用于连续采集预设帧数的所述目标检测对象做出所述目标认证动作的序列图像，将所述序列图像作为所述认证动作图像。
261.可选的，所述结果生成模块15具体用于对所述认证动作图像进行特征提取，得到所述认证动作图像对应的第一真实特征向量；
262.基于所述第一真实特征向量，获取所述认证动作图像的第一预测特征向量，基于所述第一真实特征向量和所述第一预测特征向量，计算所述认证动作图像对应的第一残差向量；
263.基于所述第一残差向量和所述第一真实特征向量，生成所述目标检测对象的活体检测结果。
264.可选的，所述结果生成模块15具体用于基于所述认证动作图像中第二动作图像的第二真实特征向量，获取第三动作图像的第二预测特征向量，所述第二动作图像为所述认证动作图像中的任一帧认证动作图像；所述第一动作图像为所述认证动作图像中最后一帧图像；所述第三动作图像为所述第二动作图像的下一帧认证动作图像；
265.基于所述第二预测特征向量和所述第三动作图像的第三真实特征向量，计算得到第三动作图像对应的第二残差向量。
266.进一步地，参照附图11示出的活体检测装置，附图11中的活体检测装置，用于执行本说明书图6-图7所示实施例的方法，为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书图6-图7所示的实施例。
267.请参见图11，其示出了本说明书一个示例性实施例提供的活体检测装置的结构示意图。该活体检测装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置2包括第一参数设置模块21、第一样本获取模块22、第一特征提取模块23、拥挤度检测模块24、时效感知模块25、拥挤度损失计算模块26、时效分类损失计算模块27、第一训练模块28。
268.第一参数设置模块21，用于初始化场景状态感知模型中的第一初始结构参数；
269.第一样本获取模块22，用于获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；
270.第一特征提取模块23，用于将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；
271.拥挤度检测模块24，用于将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；
272.时效感知模块25，用于将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；
273.拥挤度损失计算模块26，用于基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；
274.时效分类损失计算模块27，用于基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；
275.第一训练模块28，用于基于所述拥挤度损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
276.可选的，所述第一训练模块28具体用于若所述人体分割损失值未收敛到第一预设值，则基于所述人体分割损失值调整所述人体分割模块的第二初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人体分割损失值收敛到所述第一预设值，得到第二目标结构参数；
277.若所述人物计数损失值未收敛到第二预设值，则基于所述人物计数损失值调整所述人物计数模块的第三初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人物计数损失值收敛到第二预设值，得到第三目标结构参数；
278.若所述时效分类损失值未收敛到第三预设值，则基于所述时效分类损失值调整所述时效感知模块的第四初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述时效分类损失值收敛到第三预设值，得到第四目标结构参数；
279.基于所述第二目标结构参数、所述第三目标结构参数和所述第四目标结构参数得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
280.进一步地，参照附图12示出的活体检测装置，附图12中的活体检测装置，用于执行本说明书图8所示实施例的方法，为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书图8所示的实施例。
281.请参见图12，其示出了本说明书一个示例性实施例提供的活体检测装置的结构示意图。该活体检测装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置3包括第二参数设置模块31、第二样本获取模块32、第二特征提取模块33、认证动作预测模块34、动作分类损失计算模块35、第二训练模块36。
282.第二参数设置模块31，用于初始化动作选择模型中的第五初始结构参数；
283.第二样本获取模块32，用于获取包含样本检测对象的样本图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；
284.第二特征提取模块33，用于将所述样本人体分割结果、所述样本人物计数结果和
所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；
285.认证动作预测模块34，用于将所述样本人体分割结果特征，样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；
286.动作分类损失计算模块35，用于基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；
287.第二训练模块36，用于基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。
288.进一步地，参照附图13示出的活体检测装置，附图13中的活体检测装置，用于执行本说明书图8所示实施例的方法，为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书图8所示的实施例。
289.请参见图13，其示出了本说明书一个示例性实施例提供的活体检测装置的结构示意图。该活体检测装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置4包括第三参数设置模块41、第三样本获取模块42、第三特征提取模块43、未来动作预测模块44、残差计算模块45、样本结果生成模块46、未来特征预测损失计算模块47、活体检测损失计算模块48、第三训练模块49。
290.第三参数设置模块41，用于初始化活体检测模型中的第六初始结构参数；
291.第三样本获取模块42，用于获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；
292.第三特征提取模块43，用于将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；
293.未来动作预测模块44，用于将所述样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征；
294.残差计算模块45，用于计算所述样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征；
295.样本结果生成模块46，用于将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；
296.未来特征预测损失计算模块47，用于基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；
297.活体检测损失计算模块48，用于基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的活体检测损失值；
298.第三训练模块49，用于基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。
299.可选的，所述第三训练模块49具体用于若所述未来特征预测损失值未收敛到第四预设值，则基于所述未来特征预测损失值调整所述未来动作预测模块的第四初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述未来特征预测损失值收敛到所述第四预设值，得到第四目标结构参数；
300.若所述活体检测损失值未收敛到第五预设值，则基于所述活体检测损失值调整所述差分活体分类模块的第八初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述活体检测损失值收敛到第五预设值，得到第八目标结构参数；
301.基于所述第七目标结构参数和所述第八目标结构参数得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述活体检测模型。
302.需要说明的是，上述实施例提供的活体检测装置在执行活体检测方法和活体检测模型的训练方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的活体检测装置与活体检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
303.上述本说明书实施例序号仅仅为了描述，不代表实施例的优劣。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
304.本说明书实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述图2-图9所示实施例的所述活体检测方法，具体执行过程可以参见图2-图9所示实施例的具体说明，在此不进行赘述。
305.请参考图14，其示出了本说明书一个示例性实施例提供的电子设备的结构示意图。本说明书中的活体检测设备可以包括一个或多个如下部件：处理器110、存储器120、输入装置130、输出装置140和总线150。处理器110、存储器120、输入装置130和输出装置140之间可以通过总线150连接。
306.处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个活体检测设备内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器110可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户页面和应用程序等；gpu用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块通信芯片进行实现。
307.存储器120可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-onlymemory，rom)。可选地，该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等，该操作系统可以是安卓
(android)系统，包括基于android系统深度开发的系统、苹果公司开发的ios系统，包括基于ios系统深度开发的系统或其它系统。
308.存储器120可分为操作系统空间和用户空间，操作系统即运行于操作系统空间，原生及第三方应用程序即运行于用户空间。为了保证不同第三方应用程序均能够达到较好的运行效果，操作系统针对不同第三方应用程序为其分配相应的系统资源。然而，同一第三方应用程序中不同应用场景对系统资源的需求也存在差异，比如，在本地资源加载场景下，第三方应用程序对磁盘读取速度的要求较高；在动画渲染场景下，第三方应用程序则对gpu性能的要求较高。而操作系统与第三方应用程序之间相互独立，操作系统往往不能及时感知第三方应用程序当前的应用场景，导致操作系统无法根据第三方应用程序的具体应用场景进行针对性的系统资源适配。
309.为了使操作系统能够区分第三方应用程序的具体应用场景，需要打通第三方应用程序与操作系统之间的数据通信，使得操作系统能够随时获取第三方应用程序当前的场景信息，进而基于当前场景进行针对性的系统资源适配。
310.其中，输入装置130用于接收输入的指令或数据，输入装置130包括但不限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或数据，输出装置140包括但不限于显示设备和扬声器等。在一个示例中，输入装置130和输出装置140可以合设，输入装置130和输出装置140为触摸显示屏。
311.所述触摸显示屏可被设计成为全面屏、曲面屏或异型屏。触摸显示屏还可被设计成为全面屏与曲面屏的结合，异型屏与曲面屏的结合，本说明书实施例对此不加以限定。
312.除此之外，本领域技术人员可以理解，上述附图所示出的电子设备的结构并不构成对活体检测设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，活体检测设备中还包括射频电路、输入单元、传感器、音频电路、wifi模块、电源、蓝牙模块等部件，在此不再赘述。
313.在图14所示的电子设备中，处理器110可以用于调用存储器120中存储的计算机应用程序，并具体执行以下操作：
314.采集目标检测对象针对刷脸事务的场景图像；
315.基于所述场景图像，确认所述场景图像的场景时效分类结果；
316.基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作；
317.获取所述目标检测对象做出所述目标认证动作的认证动作图像；
318.基于所述认证动作图像，生成目标检测对象的活体检测结果。
319.在一个实施例中，所述处理器110在执行所述基于所述场景图像，确认所述场景图像的场景时效分类结果时，具体执行以下操作：
320.提取所述场景图像的特征，生成场景特征图；
321.基于所述场景特征图，确认所述场景图像的人物拥挤度；所述人物拥挤度代表所述场景图像中人物的密集程度；
322.基于所述人物拥挤度和所述场景特征图，确认所述场景图像的场景时效分类结果。
323.在一个实施例中，所述处理器110在执行所述基于所述场景特征图，确认所述场景
图像的人物拥挤度时，具体执行以下操作：
324.基于所述场景特征图，确认所述场景图像的人物计数结果和人体分割结果。
325.在一个实施例中，所述处理器110在执行所述基于所述人物拥挤度和所述场景特征图，确认所述场景图像的场景时效分类结果时，具体执行以下操作：
326.基于所述场景特征图、所述人体分割结果和所述人物计数结果，确认所述场景图像的场景时效分类结果。
327.在一个实施例中，所述处理器110在执行所述基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作时，具体执行以下操作：
328.对所述人体分割结果、所述人物计数结果和所述时效分类结果进行特征编码，输出对应的人体分割结果特征、人物计数结果特征和时效分类结果特征；
329.基于所述人体分割结果特征、人物计数结果特征和时效分类结果特征，确认所述目标检测对象的目标认证动作。
330.在一个实施例中，所述处理器110在执行所述获取所述目标检测对象做出所述目标认证动作的认证动作图像时，具体执行以下操作：
331.连续采集预设帧数的所述目标检测对象做出所述目标认证动作的序列图像，将所述序列图像作为所述认证动作图像。
332.在一个实施例中，所述处理器110在执行所述基于所述认证动作图像，生成目标检测对象的活体检测结果时，具体执行以下操作：
333.对所述认证动作图像进行特征提取，得到所述认证动作图像对应的第一真实特征向量；
334.基于所述第一真实特征向量，获取所述认证动作图像的第一预测特征向量，基于所述第一真实特征向量和所述第一预测特征向量，计算所述认证动作图像对应的第一残差向量；
335.基于所述第一残差向量和所述第一真实特征向量，生成所述目标检测对象的活体检测结果。
336.在一个实施例中，所述处理器110在执行所述基于所述第一真实特征向量，获取所述认证动作图像的第一预测特征向量，基于所述第一真实特征向量和所述第一预测特征向量，计算所述认证动作图像对应的第一残差向量时，具体执行以下操作：
337.基于所述认证动作图像中第二动作图像的第二真实特征向量，获取第三动作图像的第二预测特征向量，所述第二动作图像为所述认证动作图像中的任一帧认证动作图像；所述第一动作图像为所述认证动作图像中最后一帧图像；所述第三动作图像为所述第二动作图像的下一帧认证动作图像；
338.基于所述第二预测特征向量和所述第三动作图像的第三真实特征向量，计算得到第三动作图像对应的第二残差向量。
339.所述处理器110还可以用于调用存储器120中存储的计算机应用程序，并具体执行以下操作：
340.初始化场景状态感知模型中的第一初始结构参数；
341.获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；
342.将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；
343.将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；
344.将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；
345.基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；
346.基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；
347.基于所述拥挤度损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
348.在一个实施例中，所述处理器110在执行所述将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果时，具体执行以下操作：
349.将所述样本场景特征图输入人体分割模块，输出样本人体分割结果；
350.将所述样本场景特征图输入人物计数模块，输出样本人物计数结果。
351.在一个实施例中，所述处理器110在执行所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果时，具体执行以下操作：
352.将所述样本场景特征图、所述样本人体分割结果和所述样本人物计数结果输入时效感知模块，输出样本时效分类结果。
353.在一个实施例中，所述处理器110在执行所述基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值时，具体执行以下操作：
354.基于人体分割损失函数计算所述样本人体分割结果和所述人体分割图谱标签对应的人体分割损失值；
355.基于人物计数损失函数计算所述样本人物计数结果和所述人物个数标签对应的人物计数损失值。
356.在一个实施例中，所述处理器110在执行所述基于所述拥挤度损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型时，具体执行以下操作：
357.基于所述人体分割损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
358.在一个实施例中，所述处理器110在执行所述基于所述人体分割损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型时，还执行以下操作：
359.若所述人体分割损失值未收敛到第一预设值，则基于所述人体分割损失值调整所述人体分割模块的第二初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人体分割损失值收敛到所述第一预设值，得到
第二目标结构参数；
360.若所述人物计数损失值未收敛到第二预设值，则基于所述人物计数损失值调整所述人物计数模块的第三初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人物计数损失值收敛到第二预设值，得到第三目标结构参数；
361.若所述时效分类损失值未收敛到第三预设值，则基于所述时效分类损失值调整所述时效感知模块的第四初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述时效分类损失值收敛到第三预设值，得到第四目标结构参数；
362.基于所述第二目标结构参数、所述第三目标结构参数和所述第四目标结构参数得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。
363.在一个实施例中，所述处理器110在调用存储器120中存储的计算机应用程序时，具体执行以下操作：
364.初始化动作选择模型中的第五初始结构参数；
365.获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；
366.将所述样本人体分割结果、所述样本人物计数结果和所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；
367.将所述样本人体分割结果特征、所述样本人物计数结果特征和所述样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；
368.基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；
369.基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。
370.在一个实施例中，所述处理器110在调用存储器120中存储的计算机应用程序时，具体执行以下操作：
371.初始化活体检测模型中的第六初始结构参数；
372.获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；
373.将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；
374.将所述样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征；
375.计算所述样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征；
376.将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；
377.基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；
378.基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的
活体检测损失值；
379.基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。
380.在一个实施例中，所述处理器110在执行所述基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型时，具体执行以下操作：
381.若所述未来特征预测损失值未收敛到第四预设值，则基于所述未来特征预测损失值调整所述未来动作预测模块的第四初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述未来特征预测损失值收敛到所述第四预设值，得到第四目标结构参数；
382.若所述活体检测损失值未收敛到第五预设值，则基于所述活体检测损失值调整所述差分活体分类模块的第八初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述活体检测损失值收敛到第五预设值，得到第八目标结构参数；
383.基于所述第七目标结构参数和所述第八目标结构参数得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述活体检测模型。
384.在本说明书实施例中，通过采集目标检测对象针对刷脸事务的场景图像，基于场景图像，确认场景图像的场景时效分类结果，基于场景时效分类结果，确认目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作，获取目标检测对象做出目标认证动作的认证动作图像，基于认证动作图像，生成目标检测对象的活体检测结果。通过分析当前场景对于时效的要求，根据场景对于时效的要求高低，来选择目标交互动作，然后根据目标检测对象做出目标认证动作的认证动作图像进行活体检测，从而能够根据场景的不同灵活地进行活体检测，保障刷脸事务的安全性。
385.进一步地，通过提取场景图像的特征，生成场景特征图，基于场景特征图，确认场景图像的人物拥挤度，基于人物拥挤度和场景特征图，确认场景图像的场景时效分类结果。通过引入人物拥挤度，将人物拥挤度和场景图像特征一起作为评估场景时效分类结果的因素，能够更好地对场景图像的时效要求进行预估，进而得到时效分类结果。可选的，人物拥挤度包括人物计数结果和人体分割结果，获取人物计数结果、人体分割结果和场景时效分类结果对应的人体分割结果特征、人物计数结果特征和时效分类结果特征，基于人体分割结果特征、人物计数结果特征和时效分类结果特征确认目标检测对象的目标认证动作。通过训练人体分割、人物计数和时效分类三个任务的模型，多任务之间可以互相促进，最后使得每个任务都比单独训练的性能要好，进而基于多任务结果进行动作选择，能够提高动作选择的准确性。
386.进一步地，通过连续采集预设帧数的所述目标检测对象做出所述目标认证动作的序列图像，将所述序列图像作为所述认证动作图像，对认证动作图像进行特征提取，得到认证动作图像对应的第一真实特征向量，基于所述第一真实特征向量，获取认证动作图像的第一预测特征向量，基于第一真实特征向量和第一预测特征向量，计算认证动作图像对应的第一残差向量，基于第一残差向量和第一真实特征向量，生成目标检测对象的活体检测
结果，能够提高活体检测结果的准确性。
387.进一步地，初始化动作预测模型中的第一初始结构参数包括人体分割模块的第二初始结构参数，人物计数模块的第三初始结构参数和时效感知模块的第四初始结构参数，基于人体分割损失值对人体分割模块的第二初始结构参数进行迭代优化，直到人体分割损失值收敛到第一预设值，基于人物计数损失值对人物计数模块的第三初始结构参数进行优化，直到人物计数损失值收敛到第二预设值，基于时效分类损失值对时效感知模块的第四初始结构参数进行优化，直到时效分类损失值收敛到第三预设值，通过多任务的训练方式提高模型的训练效果。
388.进一步地，通过初始化动作选择模型中的初始结构参数，获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，将样本人体分割结果、样本人物计数结果和样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征，将样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作，基于动作分类损失函数计算样本认证动作与优选认证动作标签对应的动作分类损失值，基于动作分类损失值对第五初始结构参数进行调整，以得到第五目标结构参数，基于第五目标结构参数生成训练后的所述动作选择模型，从而在刷脸环节时，可以直接调用动作选择模型选择符合场景时效要求的认证动作，灵活生成认证动作以供活体检测。
389.进一步地，通过初始化活体检测模型中的第六初始结构参数，
390.获取样本检测对象的样本认证动作图像，将样本认证动作图像输入基础特征编码器，输出样本认证动作特征，将样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征，计算样本认证动作特征和样本预测认证动作特征对应的样本残差特征，将样本残差特征和样本认证动作特征输入差分活体分类模块，输出样本活体检测结果，基于未来特征预测损失函数计算样本认证动作特征和预测认证动作特征对应的未来特征预测损失值，基于活体检测损失函数计算样本活体检测结果和样本身份标签对应的活体检测损失值，基于未来特征预测损失值和活体检测损失值对第六初始结构参数进行调整，以得到第六目标结构参数，基于第六目标结构参数生成训练后的活体检测模型。在训练过程中，通过基于样本认证动作图像预测未来认证动作图像的动作特征，计算得到了认证动作图像的样本差分特征，进一步保证了活体检测模型的检测精度。
391.另外，本说明书实施例提供了一种计算机程序产品，所述计算机程序产品中包括计算机程序，当所述计算机程序被电子设备的处理器执行时，使所述处理器至少可以实现如前述图1至图9所示实施例中提供的方法。
392.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
393.以上所揭露的仅为本说明书较佳实施例而已，当然不能以此来限定本说明书之权利范围，因此依本说明书权利要求所作的等同变化，仍属本说明书所涵盖的范围。

技术特征：
1.一种活体检测方法，包括：采集目标检测对象针对刷脸事务的场景图像；基于所述场景图像，确认所述场景图像的场景时效分类结果；基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作；获取所述目标检测对象做出所述目标认证动作的认证动作图像；基于所述认证动作图像，生成目标检测对象的活体检测结果。2.如权利要求1所述的方法，所述基于所述场景图像，确认所述场景图像的场景时效分类结果，包括：提取所述场景图像的特征，生成场景特征图；基于所述场景特征图，确认所述场景图像的人物拥挤度；所述人物拥挤度代表所述场景图像中人物的密集程度；基于所述人物拥挤度和所述场景特征图，确认所述场景图像的场景时效分类结果。3.如权利要求2所述的方法，所述人物拥挤度包括人物计数结果和人体分割结果；所述基于所述场景特征图，确认所述场景图像的人物拥挤度，包括：基于所述场景特征图，确认所述场景图像的人物计数结果和人体分割结果；所述基于所述人物拥挤度和所述场景特征图，确认所述场景图像的场景时效分类结果，包括：基于所述场景特征图、所述人体分割结果和所述人物计数结果，确认所述场景图像的场景时效分类结果。4.如权利要求3所述的方法，所述基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作，包括：对所述人体分割结果、所述人物计数结果和所述时效分类结果进行特征编码，输出对应的人体分割结果特征、人物计数结果特征和时效分类结果特征；基于所述人体分割结果特征、人物计数结果特征和时效分类结果特征，确认所述目标检测对象的目标认证动作。5.如权利要求1所述的方法，所述获取所述目标检测对象做出所述目标认证动作的认证动作图像，包括：连续采集预设帧数的所述目标检测对象做出所述目标认证动作的序列图像，将所述序列图像作为所述认证动作图像。6.如权利要求5所述的方法，所述基于所述认证动作图像，生成目标检测对象的活体检测结果，包括：对所述认证动作图像进行特征提取，得到所述认证动作图像对应的第一真实特征向量；基于所述第一真实特征向量，获取所述认证动作图像的第一预测特征向量，基于所述第一真实特征向量和所述第一预测特征向量，计算所述认证动作图像对应的第一残差向量；基于所述第一残差向量和所述第一真实特征向量，生成所述目标检测对象的活体检测结果。
7.如权利要求6所述的方法，所述基于所述第一真实特征向量，获取所述认证动作图像的第一预测特征向量，基于所述第一真实特征向量和所述第一预测特征向量，计算所述认证动作图像对应的第一残差向量，包括：基于所述认证动作图像中第二动作图像的第二真实特征向量，获取第三动作图像的第二预测特征向量，所述第二动作图像为所述认证动作图像中的任一帧认证动作图像；所述第一动作图像为所述认证动作图像中最后一帧图像；所述第三动作图像为所述第二动作图像的下一帧认证动作图像；基于所述第二预测特征向量和所述第三动作图像的第三真实特征向量，计算得到第三动作图像对应的第二残差向量。8.一种活体检测模型的训练方法，所述活体检测模型包括场景状态感知模型，包括：初始化场景状态感知模型中的第一初始结构参数；获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；基于所述拥挤度损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。9.如权利要求8所述的方法，所述人物拥挤度标签包括人体分割图谱标签和人物个数标签；所述样本人物拥挤度结果包括样本人体分割结果和样本人物计数结果；所述将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果，包括：将所述样本场景特征图输入人体分割模块，输出样本人体分割结果；将所述样本场景特征图输入人物计数模块，输出样本人物计数结果；所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果，包括：将所述样本场景特征图、所述样本人体分割结果和所述样本人物计数结果输入时效感知模块，输出样本时效分类结果；所述基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值，包括：基于人体分割损失函数计算所述样本人体分割结果和所述人体分割图谱标签对应的人体分割损失值；基于人物计数损失函数计算所述样本人物计数结果和所述人物个数标签对应的人物
计数损失值；所述基于所述拥挤度损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型，包括：基于所述人体分割损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。10.如权利要求9所述的方法，所述第一初始结构参数包括第二初始结构参数、第三初始结构参数和第四初始结构参数；所述基于所述人体分割损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型，包括：若所述人体分割损失值未收敛到第一预设值，则基于所述人体分割损失值调整所述人体分割模块的第二初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人体分割损失值收敛到所述第一预设值，得到第二目标结构参数；若所述人物计数损失值未收敛到第二预设值，则基于所述人物计数损失值调整所述人物计数模块的第三初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述人物计数损失值收敛到第二预设值，得到第三目标结构参数；若所述时效分类损失值未收敛到第三预设值，则基于所述时效分类损失值调整所述时效感知模块的第四初始结构参数，并转入执行将所述样本场景图像输入基础特征编码模块，输出样本场景特征图的步骤，直到所述时效分类损失值收敛到第三预设值，得到第四目标结构参数；基于所述第二目标结构参数、所述第三目标结构参数和所述第四目标结构参数得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。11.一种活体检测模型的训练方法，所述活体检测模型包括动作选择模型，包括：初始化动作选择模型中的第五初始结构参数；获取包含样本检测对象的样本场景图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；将所述样本人体分割结果、所述样本人物计数结果和所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；将所述样本人体分割结果特征、所述样本人物计数结果特征和所述样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。
12.一种活体检测模型的训练方法，包括：初始化活体检测模型中的第六初始结构参数；获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；将所述样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征；计算所述样本认证动作特征和所述样本预测认证动作特征对应的样本残差特征；将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的活体检测损失值；基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。13.如权利要求12所述的方法，所述第六初始结构参数包括第七初始结构参数和第八初始结构参数；所述基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型，包括：若所述未来特征预测损失值未收敛到第四预设值，则基于所述未来特征预测损失值调整所述未来动作预测模块的第四初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述未来特征预测损失值收敛到所述第四预设值，得到第四目标结构参数；若所述活体检测损失值未收敛到第五预设值，则基于所述活体检测损失值调整所述差分活体分类模块的第八初始结构参数，并转入执行将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征的步骤，直到所述活体检测损失值收敛到第五预设值，得到第八目标结构参数；基于所述第七目标结构参数和所述第八目标结构参数得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述活体检测模型。14.一种活体检测装置，所述装置包括：第一采集模块，用于采集目标检测对象针对刷脸事务的场景图像；场景分类模块，用于基于所述场景图像，确认场景时效分类结果；认证动作确认模块，用于基于所述场景时效分类结果，确认所述目标检测对象的目标认证动作；生成认证交互信息用于指示目标检测对象做出目标认证动作；第二采集模块，用于获取所述目标检测对象做出所述目标认证动作的认证动作图像；结果生成模块，用于基于所述认证动作图像，生成目标检测对象的活体检测结果。15.一种活体检测装置，所述装置包括：
第一参数设置模块，用于初始化场景状态感知模型中的第一初始结构参数；第一样本获取模块，用于获取包含样本检测对象的样本场景图像，所述样本场景图像标注有人物拥挤度标签和图像时效要求标签；第一特征提取模块，用于将所述样本场景图像输入基础特征编码模块，输出样本场景特征图；拥挤度检测模块，用于将所述样本场景特征图输入人物拥挤度模块，输出样本人物拥挤度结果；时效感知模块，用于将所述样本人物拥挤度结果和所述样本场景特征图输入时效感知模块，输出样本时效分类结果；拥挤度损失计算模块，用于基于拥挤度损失函数计算所述样本人物拥挤度结果和所述人物拥挤度标签对应的拥挤度损失值；时效分类损失计算模块，用于基于时效分类损失函数计算所述样本时效分类结果和所述图像时效要求标签对应的时效分类损失值；第一训练模块，用于基于所述拥挤度损失值、所述人物计数损失值和所述时效分类损失值对所述第一初始结构参数进行调整，以得到第一目标结构参数，基于所述第一目标结构参数生成训练后的所述场景状态感知模型。16.一种活体检测装置，所述装置包括：第二参数设置模块，用于初始化动作选择模型中的第五初始结构参数；第二样本获取模块，用于获取包含样本检测对象的样本图像对应的样本人体分割结果、样本人物计数结果和样本时效分类结果，所述样本场景图像标注有所述样本检测对象的优选认证动作标签；第二特征提取模块，用于将所述样本人体分割结果、所述样本人物计数结果和所述样本时效分类结果输入特征编码模块，得到对应的样本人体分割结果特征、样本人物计数结果特征和样本时效分类结果特征；认证动作预测模块，用于将所述样本人体分割结果特征，样本人物计数结果特征和样本时效分类结果特征输入动作分类模块，输出所述样本检测对象的样本认证动作；动作分类损失计算模块，用于基于动作分类损失函数计算所述样本认证动作与所述优选认证动作标签对应的动作分类损失值；第二训练模块，用于基于所述动作分类损失值对所述第五初始结构参数进行调整，以得到第五目标结构参数，基于所述第五目标结构参数生成训练后的所述动作选择模型。17.一种活体检测装置，所述装置包括：第三参数设置模块，用于初始化活体检测模型中的第六初始结构参数；第三样本获取模块，用于获取样本检测对象的样本认证动作图像，所述样本认证动作图像标注有所述样本检测对象的样本身份标签；第三特征提取模块，用于将所述样本认证动作图像输入基础特征编码器，输出样本认证动作特征；未来动作预测模块，用于将所述样本认证动作特征输入未来动作预测模块，输出样本预测认证动作特征；残差计算模块，用于计算所述样本认证动作特征和所述样本预测认证动作特征对应的
样本残差特征；样本结果生成模块，用于将所述样本残差特征和所述样本认证动作特征输入差分活体分类模块，输出样本活体检测结果；未来特征预测损失计算模块，用于基于未来特征预测损失函数计算所述样本认证动作特征和所述预测认证动作特征对应的未来特征预测损失值；活体检测损失计算模块，用于基于活体检测损失函数计算所述样本活体检测结果和所述样本身份标签对应的活体检测损失值；第三训练模块，用于基于所述未来特征预测损失值和所述活体检测损失值对所述第六初始结构参数进行调整，以得到第六目标结构参数，基于所述第六目标结构参数生成训练后的所述活体检测模型。18.一种电子设备，包括：处理器和存储器；其中存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至13中任一项所述方法的步骤。19.一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至13中任一项所述方法的步骤。20.一种计算机程序产品，包括：计算机程序，当所述计算机程序被电子设备的处理器执行时，使所述处理器执行如权利要求1至13中任一项所述方法的步骤。

技术总结
本说明书实施例提供一种活体检测方法、装置、设备与存储介质，该方法包括：通过采集目标检测对象针对刷脸事务的场景图像，基于场景图像，确认场景图像的场景时效分类结果，基于场景时效分类结果，确认目标检测对象的目标认证动作，生成认证交互信息用于指示目标检测对象做出目标认证动作，获取目标检测对象做出目标认证动作的认证动作图像，基于认证动作图像，生成目标检测对象的活体检测结果。生成目标检测对象的活体检测结果。生成目标检测对象的活体检测结果。


技术研发人员：曹佳炯
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2023.03.27
技术公布日：2023/7/12