一种活体检测方法和系统与流程

1.本说明书涉及数据处理技术领域，特别涉及一种活体检测方法和系统。


背景技术：

2.系统注入攻击一般是黑产将相机输出的原始视频进行劫持，换成自己准备好的视频，从而绕过活体算法达到以假乱真的目的。由于黑产注入的视频通常是真人视频，很容易绕过当前的单帧活体检测算法，从而造成极大地危害。
3.因此，有必要提供一种更安全的活体检测方法。


技术实现要素：

4.本说明书的主要目的是提供一种活体检测方法和系统。
5.本说明书一方面提供一种活体检测方法，用于视频检测设备，包括：从视频采集设备获得活体变换视频的随机帧号和随机变换参数，所述活体变换视频被配置为：从初始活体视频中随机抽取任一视频帧作为第一视频帧，并将所述第一视频帧按照所述随机变换参数进行变换后得到的视频，其中，所述随机帧号为所述第一视频帧的帧号；获得目标视频，所述目标视频包括所述活体变换视频、注入攻击视频中的任意一种；从所述目标视频中抽取一帧视频帧作为第二视频帧，并从所述目标视频中抽取与所述随机帧号对应的视频帧作为第三视频帧；以及基于所述第二视频帧、所述第三视频帧和所述随机变换参数确定所述目标视频的活体检测结果，并输出所述活体检测结果。
6.在一些实施例中，所述随机变换参数包括图像处理过程中的白平衡变换参数、焦距变换参数、模糊变换参数中的任意一种。
7.在一些实施例中，所述基于所述第二视频帧、所述第三视频帧和所述随机变换参数确定所述目标视频的活体检测结果，包括：基于所述第二视频帧和所述第三视频帧确定所述目标视频的类型以及所述目标视频的目标变换参数，其中，所述目标视频的类型包括注入攻击视频、非注入攻击视频中的任一一种；确定所述目标变换参数和所述随机变换参数的一致性结果；以及基于所述目标视频的类型和所述一致性结果确定所述活体检测结果。
8.在一些实施例中，所述基于所述第二视频帧和所述第三视频帧确定所述目标视频的类型以及所述目标视频的目标变换参数，包括：获得活体检测模型，所述活体检测模型被配置为：基于所述第二视频帧和所述第三视频帧对所述目标视频进行分类，输出第一分类结果和第二分类结果，其中，所述第一分类结果对应所述目标视频的类型，所述第二分类结果对应所述目标视频的目标变换参数；以及基于所述活体检测模型、所述第二视频帧和所述第三视频帧对所述目标视频进行分类，确定所述目标视频的所述第一分类结果和所述第二分类结果。
9.在一些实施例中，所述基于所述目标视频的类型和所述一致性结果确定所述活体检测结果，包括：确定所述目标视频的类型为所述非注入攻击视频；以及基于所述一致性结
果确定所述活体检测结果。
10.在一些实施例中，所述基于所述一致性结果确定所述活体检测结果，包括：确定所述目标变换参数与所述随机变换参数一致，确定所述目标视频为所述活体变换视频；或确定所述目标变换参数与所述随机变换参数不一致，确定所述目标视频为所述注入攻击视频。
11.在一些实施例中，按照所述目标视频的安全等级由高到低依次为：所述活体变换视频、所述非注入攻击视频和所述注入攻击视频。
12.在一些实施例中，所述活体检测模型的训练方法包括：获得训练样本，所述训练样本包括原始帧和变换帧；基于预设的活体检测模型对所述训练样本进行分类预测，得到第一分类预测结果和第二分类预测结果，其中，第一分类预测结果对应所述训练样本的类型，所述第二分类预测结果对应所述训练样本的目标变换参数；以及基于所述第一分类预测结果和所述第二分类预测结果对所述预设的活体检测模型进行训练，得到训练后的活体检测模型。
13.在一些实施例中，所述基于所述第一分类预测结果和所述第二分类预测结果对所述预设的活体检测模型进行训练，得到训练后的活体检测模型，包括：基于所述第一分类预测结果确定所述预设的活体检测模型的第一分类损失数据；
14.基于所述第二分类预测结果确定所述预设的活体检测模型的第二分类损失数据；以及基于所述第一分类损失数据和所述第二分类损失数据对所述预设的活体检测模型进行收敛，获得所述训练后的意愿识别模型。
15.在一些实施例中，所述基于所述第一分类预测结果确定所述预设的活体检测模型的第一分类损失数据，包括：获得所述训练样本的原始标注类型，所述原始标注类型包括攻击样本、非攻击样本中的任一一种；以及将所述第一分类预测结果与所述原始标注类型进行对比，确定所述第一分类损失数据。
16.在一些实施例中，所述基于所述第二分类预测结果确定所述预设的活体检测模型的第二分类损失数据，包括：获得所述训练样本的原始标注变换参数；以及将所述第二分类预测结果与所述原始标注变换参数进行对比，确定所述第二分类损失数据。
17.第二方面，本说明书提供一种活体检测系统，包括视频检测设备，所述视频检测设备包括：至少一个存储介质，包括至少一个指令集，用于活体检测方法的实施分析；以及至少一个处理器，同所述至少一个存储介质通讯连接，
18.其中，当所述系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行如上述任一项所述的方法。
19.第三方面，本说明书提供一种活体检测方法，用于视频采集设备，包括：
20.采集目标场景下的初始活体视频，并从所述初始活体视频中随机抽取任一视频帧作为第一视频帧，并将所述第一视频帧的帧号作为随机帧号；确定随机变换参数；对于所述初始活体视频：将所述第一视频帧按照所述随机变换参数进行变换后得到活体变换视频；以及输出所述随机变换参数、所述随机帧号和所述活体变换视频。
21.在一些实施例中，所述确定随机变换参数，包括：获得多个预设变换参数；从所述多个预设变换参数中随机选取一个预设变换参数作为所述随机变换参数。
22.在一些实施例中，所述预设变换参数包括图像处理过程中的白平衡变换参数、焦
距变换参数、模糊变换参数中的至少一种。
23.第四方面，本说明书提供一种活体检测系统，包括视频采集设备，所述视频采集设备包括：至少一个存储介质，包括至少一个指令集，用于活体检测方法的实施分析；以及至少一个处理器，同所述至少一个存储介质通讯连接，其中，当所述系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行如上述任一项所述的方法。
24.由以上技术方案可知，本说明书提供的活体检测方法、执行此方法的系统。由于系统中的视频采集设备与视频检测设备是相互独立的，且对初始活体视频进行随机变换处理的过程是在视频采集设备上进行的，对于每一次活体检测任务，视频检测设备可以获得视频采集设备下发的随机帧号和随机变换参数，而黑产很难破解视频采集设备下发的随机帧号和随机变换参数，因而，本说明书可以有效避开黑产注入攻击的环节，提高黑产破解随机变换参数和随机帧号的难度。
25.本说明书提供的活体检测方法和系统的其他功能将在以下说明书中部分列出。根据描述，以下数字和实例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的活体检测方法和系统的创造性方面可以通过实践或使用下面详细实例中所述的方法、装置和组合得到充分解释。
附图说明
26.为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例描述中所需要的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。
27.图1示出了根据本说明书中的一些实施例中的一种活体检测方法涉及的系统应用场景示意图；
28.图2示出了根据本说明书中的一些实施例提供的一种计算设备的结构示意图；
29.图3示出了根据本说明书的一些实施例提供的一种活体检测方法的方法流程图；
30.图4示出了根据本说明书的一些实施例提供的一种活体检测方法中的数据处理示意图；
31.图5示出了根据本说明书的一些实施例提供的一种活体检测方法的方法流程图；
32.图6示出了根据本说明书的一些实施例提供的一种活体检测方法的数据流向示意图；以及
33.图7示出了根据本说明书的一些实施例提供的一种活体检测方法中视频数据的变化示意图。
具体实施方式
34.以下描述提供了本说明书的特定应用场景和要求，目的是使本领域技术人员能够制造和使用本说明书中的内容。对于本领域技术人员来说，对所公开的实施例的各种局部修改是显而易见的，并且在不脱离本说明书的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用。因此，本说明书不限于所示的实施例，而是与权利要求一
致的最宽范围。
35.这里使用的术语仅用于描述特定示例实施例的目的，而不是限制性的。比如，除非上下文另有明确说明，这里所使用的，单数形式“一”，“一个”和“该”也可以包括复数形式。当在本说明书中使用时，术语“包括”、“包含”和/或“含有”意思是指所关联的整数，步骤、操作、元素和/或组件存在，但不排除一个或多个其他特征、整数、步骤、操作、元素、组件和/或组的存在或在该系统/方法中可以添加其他特征、整数、步骤、操作、元素、组件和/或组。
36.考虑到以下描述，本说明书的这些特征和其他特征、以及结构的相关元件的操作和功能、以及部件的组合和制造的经济性可以得到明显提高。参考附图，所有这些形成本说明书的一部分。然而，应该清楚地理解，附图仅用于说明和描述的目的，并不旨在限制本说明书的范围。还应理解，附图未按比例绘制。
37.本说明书中使用的流程图示出了根据本说明书中的一些实施例的系统实现的操作。应该清楚地理解，流程图的操作可以不按顺序实现。相反，操作可以以反转顺序或同时实现。此外，可以向流程图添加一个或多个其他操作。可以从流程图中移除一个或多个操作。
38.图1示出了根据本说明书中一些实施例中的一种活体检测方法所涉及的系统100的应用场景示意图。系统100可以包括视频采集设备110、视频检测设备120以及数据库130。
39.所述视频采集设备110可以采集目标场景下的初始活体视频。目标场景可以是一些需要进行活体检测的场景，例如，目标场景可以是需要进行刷脸的支付场景、或是安全验证场景。此时，视频采集设备110可以采集包含用户脸部信息的视频作为初始活体视频，初始活体视频可以作为活体检测的数据来源。本说明书中，视频采集设备可以是具有拍摄功能的任意终端设备。例如，视频采集设备可以是相机、摄像机、或是其它具有拍摄功能的终端设备(如电脑、手机、平板等)。视频采集设备110采集到初始活体视频后，可以对初始活体视频进行数据处理，从而得到活体变换视频。视频采集设备110可以将活体变换视频发送给视频检测设备120，以供视频检测设备120进行活体检测。所述视频采集设备110在对采集到的所述初始活体视频进行数据处理的过程中，还会产生其它数据(例如随机变换参数、随机帧号等)，所述视频采集设备110可以将其它数据发送给视频检测设备120，以供所述视频检测设备120进行活体检测。
40.本说明书中，所述视频采集设备110可以存储有执行本说明书描述的活体检测方法(视频采集设备端)的数据或指令，并可以执行或用于执行所述数据和/或指令。在一些实施例中，所述视频采集设备110可以包含服务器(图中未示出)。所述视频采集设备110的服务器中存储有执行本说明书描述的活体检测方法(视频采集设备端)的数据或指令，并可以执行或用于执行所述数据和/或指令。所述视频采集设备110的服务器可以包括具有数据信息处理能力的硬件设备和驱动该硬件设备工作所需必要的程序。当然，所述视频采集设备110的服务器也可以仅为具有数据处理能力的硬件设备，或者，仅为运行在硬件设备中的程序。在一些实施例中，所述视频采集设备110的服务器也可以作为插件，并部署在所述视频采集设备110中。
41.视频检测设备120可以从其他设备处获得目标视频进行活体检测。由于黑产可能将所述视频采集设备110输出的活体变换视频进行劫持，换成自己准备好的视频，因此，所述视频检测设备120获得的目标视频可能是由所述视频采集设备110发送的活体变换视频，
也可能是来源于黑产的注入攻击视频。所述视频检测设备120还可以接收所述视频采集设备110处产生的其它数据(例如随机变换参数、随机帧号等)，并根据这些数据进行活体检测。
42.本说明书中，所述视频检测设备120可以存储有执行本说明书描述的活体检测方法(视频检测设备端)的数据或指令，并可以执行或用于执行所述数据和/或指令。在一些实施例中，所述视频检测设备120可以包含服务器(图中未示出)。所述视频检测设备120的服务器中存储有执行本说明书描述的活体检测方法(视频检测设备端)的数据或指令，并可以执行或用于执行所述数据和/或指令。所述视频检测设备120的服务器可以包括具有数据信息处理能力的硬件设备和驱动该硬件设备工作所需必要的程序。当然，所述视频检测设备120的服务器也可以仅为具有数据处理能力的硬件设备，或者，仅为运行在硬件设备中的程序。在一些实施例中，所述视频检测设备120的服务器也可以作为插件，并部署在所述视频检测设备120中。
43.数据库130可以存储数据和/或指令。在一些实施例中，所述数据库130可以存储所述视频采集设备110执行或用于执行本说明书中描述的活体检测方法(视频采集设备端)的数据和/或指令。在一些实施例中，所述数据库130还可以存储所述视频检测设备120执行或用于执行本说明书中描述的活体检测方法(视频检测设备端)的数据和/或指令。所述视频采集设备110和所述视频检测设备120可以具有访问所述数据库130的权限，所述视频采集设备110和所述视频检测设备120可以通过网络访问存储在所述数据库130中的数据或指令。在一些实施例中，所述数据库130可以直接连接到所述视频采集设备110和所述视频检测设备120。在一些实施例中，所述数据库130可以是所述视频采集设备110的一部分，或者，所述数据库130可以是所述视频检测设备120的一部分。在一些实施例中，所述数据库130可以包括大容量存储、可移动存储、易失性读写存储器、只读存储器(rom)或类似内容，或其任意组合。示例性大容量存储可能包括磁盘、光盘、固态驱动器等非暂时性存储介质(non-transitory storage medium)。示例可移动存储可能包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。典型的易失性读写内存可能包括随机存取存储器(ram)。示例ram可能包括动态ram(dram)、双日期速率同步动态ram(ddrsdram)、静态ram(sram)、晶闸管ram(t-ram)和零电容ram(z-ram)等。示例性rom可包括掩码rom(mrom)、可编程rom(prom)、可虚拟可编程rom(perom)、电子可编程rom(eeprom)、光盘(cd-rom)和数字多功能磁盘rom等。
44.应该理解，图1中的所述视频采集设备110、所述视频检测设备120以及所述数据库130的数目仅仅是示意性的。根据实现需要，可以具有任意数目的所述视频采集设备110、所述视频检测设备120以及所述数据库130。
45.需要说明的是，本说明书中的视频采集设备110和视频检测设备120可以是独立的终端设备，也可以是集成在同一终端设备上的两个独立的子设备。
46.图2是根据本说明书的一些实施例提供的一种计算设备200的结构示意图。所述计算设备200可以是通用计算机或专用计算机。比如，所述计算设备200可以是服务器、个人电脑、便携式电脑(比如笔记本计算机、平板电脑等)，也可以是有其他计算能力的电子设备。所述计算设备200可以存在于图1所示的所述视频采集设备110中，用于存储所述视频采集设备110中要处理和/或传输的各种数据文件；所述计算设备200也可以存在于图1所示的所述视频检测设备120中，用于存储所述视频检测设备120中要处理和/或传输的各种数据文
件。
47.如图2所示，所述计算设备200可以包括com端口250，该com端口250可以连接到网络或从其连接的网络中出来，以促进数据通信。计算设备200还可包括以一个或多个处理器的形式的处理器220，比如中央处理单元(cpu)，用于执行程序指令。所述计算设备200还可以包括内部通信总线210和不同形式的程序存储介质和数据存储介质，例如磁盘270(非暂时性存储器)以及只读存储器(rom)230或随机存取存储器(ram)240等等，用于存储要处理和/或传输的各种数据文件。所述存储介质可以是所述计算设备200本地的存储介质，也可以是所述计算设备200共享的存储介质(比如图1所示的存储介质m)。所述计算设备200还可以包括存储在rom 230，ram 240和/或要由处理器220执行的其他类型的非暂时性存储介质中的程序指令。所述计算设备200还可以包括i/o组件260来支持同所述分布式计算系统100中其他计算设备之间的数据通信。所述计算设备200还可以经由网络通信来接收编程和数据。
48.仅出于说明的目的，在所述计算设备200中仅描述了一个处理器220。然而，本领域普通技术人员可以理解的是，本技术中的计算设备200还可以包括多个处理器。因此本技术中所述的由一个处理器执行的方法/步骤/操作也可以由多个处理器共同或分别执行。例如，如果在本技术中，所述计算设备200的处理器可以同时执行步骤a和步骤b。应当理解的是，步骤a和步骤b也可以由两个不同的处理器共同执行。例如，第一处理器执行步骤a，第二处理器执行步骤b，或者第一处理器和第二处理器共同执行步骤a和b。
49.图3示出了根据本说明书的一些实施例提供的一种活体检测方法的方法流程图p10。
50.下面将结合图3描述本说明书的技术方案。实施所述方法p10的主体为视频采集设备110。具体地，所述视频采集设备110可以具有如图2所述的结构，即，所述视频采集设备110可以是一种用于活体检测方法的设备，包括：至少一个存储介质，和至少一个处理器。所述至少一个存储介质中包括至少一个指令集，用于程序中的活体检测方法。所述至少一个处理器，同所述至少一个存储介质通信连接。当所述系统运行时，所述至少一个处理器可以读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行图3所述的方法p10。所述方法p10可以包括：
51.s102，采集目标场景下的初始活体视频，并从所述初始活体视频中随机抽取任一视频帧作为第一视频帧，并将所述第一视频帧的帧号作为随机帧号。
52.本说明书中，所述视频采集设备110采集的所述初始活体视频可以包含多个视频帧，初始活体视频中包含的所述视频帧的帧数可以是2帧、3帧、4帧、5帧、6帧或者大于6帧的任一帧数。视频采集设备110可以将初始活体视频中所包含的视频帧按照顺序进行编号。为了便于描述，本说明书中以所述初始活体视频中包含4帧视频帧为例进行说明。图4示出了根据本说明书的一些实施例中视频采集设备110对初始活体视频进行数据处理的示意图。如图4所示，视频采集设备110采集的初始活体视频中包含4帧视频帧，分别编号为1、2、3、4。视频采集设备110可以从上述4帧视频帧中随机抽取任意一帧作为第一视频帧，并将第一视频帧的帧号作为随机帧号。例如，视频采集设备110可以随机抽取第1帧(1号视频帧)、第2帧(2号视频帧)、第3帧(3号视频帧)或第4帧(4号视频帧)作为第一视频帧，并记录抽取的视频帧的帧号。图4中以视频采集设备110随机抽取第3帧作为第一视频帧，此时，第一视频帧的
帧号作为随机帧号，即随机帧号为第3帧(3号视频帧)。
53.应当理解，视频采集设备110还可以随机抽取其它视频帧作为第一视频帧，并将作为第一视频帧的其它视频帧的帧号作为随机帧号，在此不一一赘述。图4所示的抽取第三帧视频帧作为第一视频帧的方式不对本说明书的视频帧随机抽取方式具有限制作用。
54.s104，确定随机变换参数。
55.本说明书中，随机变换参数可以理解为供视频采集设备110对第一视频帧进行数据处理的多个可选变换方案中的一个。
56.在一些实施例中，s104可以包括：
57.s1042，获得多个预设变换参数；
58.s1044，从所述多个预设变换参数中随机选取一个预设变换参数作为所述随机变换参数。
59.本说明书中，预设变换参数可以理解为供视频采集设备110对第一视频帧进行数据处理的预设的可选变换方案。预设变换参数包括图像处理可能涉及的变换类型，图像处理中不同的变换类型对应不同的变换参数。例如，预设变换参数可以包括图像白平衡变换、图像焦距变换、图像模糊变换、或其他变换类型中的至少一种。视频采集设备110可以从多个预设变换参数中随机选取一个作为随机变换参数。
60.如图4所示，图4中示例了4种预设变换参数的类型，分别为a、b、c和d。视频采集设备110可以从a、b、c或d中随机选取一个作为随机变换参数，图4中示例了视频采集设备110随机选取c类型的预设变换参数作为随机变换参数。
61.应当理解，视频采集设备110还可以随机选取其它类型的预设变换参数作为随机变换参数，在此不一一赘述。图4所示的选取c类型的预设变换参数作为随机变换参数不对本说明书的随机变换参数的选取方式具有限制作用。
62.s106，对于所述初始活体视频：将所述第一视频帧按照所述随机变换参数进行变换后得到活体变换视频。
63.在抽取到第一视频帧，且选取确认随机变换参数之后，视频采集设备110可以对初始活体视频进行数据处理得到活体变换视频。具体的，视频采集设备110可以对随机抽取到的第一视频帧按照随机变换参数进行变换得到第一视频帧的变换帧，初始活体视频中的其他视频帧不做变化。视频采集设备110将第一视频帧的变换帧替换第一视频帧后，相应地，初始活体视频变换为活体变换视频。例如在图4中，视频采集设备110按照c类型的预设变换参数对随机抽取到的第3帧视频帧进行变换后，相应地，初始活体视频变换为活体变换视频。
64.s108，输出所述随机变换参数、所述随机帧号和所述活体变换视频。
65.本说明书中，视频采集设备110在对采集到的初始活体视频进行数据处理后，可以输出随机变换参数、随机帧号和活体变换视频。具体的，视频采集设备110可以将随机变换参数、随机帧号和活体变换视频发送给视频检测设备120，以供视频检测设备120利用上述数据进行活体检测。
66.本说明书中，由于对初始活体视频进行随机变换处理是在视频采集设备110上进行的，而视频采集设备110与视频检测设备120是相互独立的，而黑产的注入环节一般发生于视频检测设备120获取视频数据的过程中，因而，黑产很难介入在视频采集设备110上进
行的随机变换处理过程，即本说明书在视频采集设备110上对采集的初始活体视频进行随机变换处理的过程可以有效避开黑产注入攻击的环节。并且，由于视频采集设备110在对采集的初始活体视频进行随机变换处理的过程中，对第一视频帧、随机变换参数的选取都是随机的，相应的，输出的随机变换参数、随机帧号也是随机的，因而可以有效提高黑产破解随机变换参数和随机帧号的难度，从而提高活体检测的安全性。此外，由于在视频采集设备110上对采集的初始活体视频进行随机变换处理的过程一般来说是隐秘进行的，用户或者其他设备(包括黑产和视频检测设备120)感知不到上述变换，从而可以进一步提高黑产破解的难度。
67.图5示出了根据本说明书的一些实施例提供的一种活体检测方法的方法流程图p20。
68.下面将结合图5描述本说明书的技术方案。实施所述方法p20的主体为视频检测设备120。具体地，所述视频检测设备120可以具有如图2所述的结构，即，所述视频检测设备120可以是一种用于活体检测方法的设备，包括：至少一个存储介质，和至少一个处理器。所述至少一个存储介质中包括至少一个指令集，用于程序中的活体检测方法。所述至少一个处理器，同所述至少一个存储介质通信连接。当所述系统运行时，所述至少一个处理器可以读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行图5所述的方法p20。所述方法p20可以包括：
69.s202，从视频采集设备获得活体变换视频的随机帧号和随机变换参数，所述活体变换视频被配置为：从初始活体视频中随机抽取任一视频帧作为第一视频帧，并将所述第一视频帧按照所述随机变换参数进行变换后得到的视频，其中，所述随机帧号为所述第一视频帧的帧号。
70.图6示出了根据本说明书的一些实施例中的数据流向示意图。如图6所示，视频采集设备110可以向视频检测设备120输出随机变换参数、随机帧号和活体变换视频，但是在数据传输过程中，黑产可能将视频采集设备110输出的活体变换视频进行劫持，因此，视频检测设备120可以从视频采集设备110处获得随机帧号和随机变换参数。而对于视频采集设备110输出的活体变换视频，视频检测设备120可能无法正常获取。
71.s204，获得目标视频，所述目标视频包括所述活体变换视频、注入攻击视频中的任意一种。
72.如前所述，由于黑产可能将视频采集设备110输出的活体变换视频进行劫持，换成自己准备好的视频，因此，如图6所示，视频检测设备120获得的目标视频可能是由视频采集设备110发送的活体变换视频，也可能是来源于黑产的注入攻击视频。
73.s206，从所述目标视频中抽取一帧视频帧作为第二视频帧，并从所述目标视频中抽取与所述随机帧号对应的视频帧作为第三视频帧。
74.本说明书中，由于视频检测设备120获得的目标视频可能是来源于黑产的注入攻击视频，因而视频检测设备120需要对目标视频进行活体安全检测，以甄别目标视频是否为注入攻击视频。具体的，视频检测设备120可以从目标视频中随机抽取一帧视频帧作为第二视频帧，并从目标视频中抽取与随机帧号对应的视频帧作为第三视频帧。应当理解，当目标视频为活体变换视频时，第三视频帧即为第一视频帧的变换帧。
75.视频检测设备120从目标视频中随机抽取一帧视频帧作为第二视频帧时，可以抽
取第1帧视频帧(对应活体变换视频或注入攻击视频的1号视频帧)作为第二视频帧，也可以抽取第2帧视频帧(对应活体变换视频或注入攻击视频的2号视频帧)作为第二视频帧，还可以抽取其它帧号对应的视频帧作为第二视频帧。一般来讲，视频检测设备120抽取的第二视频帧的帧号与随机帧号不相同，以避免重复抽帧导致第二视频帧和第三视频帧相同。
76.图7示出了根据本说明书的一些实施例中的视频数据的变化示意图。以下将结合图7对本说明书的技术方案进行举例说明，视频检测设备120可以对目标视频所包含的视频帧按照顺序进行编号。应当理解，注入攻击视频所包含的视频帧帧数与活体变换视频所包含的视频帧帧数可以相同，也可以不同，在此不做限制。
77.如图7所示，视频检测设备120从目标视频中随机抽取第4帧(4号视频帧)作为第二视频帧。此时，根据不同来源(活体变换视频或注入攻击视频)确定的第二视频帧所包含的信息有所不同。
78.由于视频检测设备120从视频采集设备110获取的随机帧号为第3帧(3号视频帧)，视频检测设备120则从目标视频中抽取第3帧(3号视频帧)作为第三视频帧。同理，根据不同来源(活体变换视频或注入攻击视频)确定的第三视频帧所包含的信息也有所不同。具体的，当目标视频为活体变换视频时，第三视频帧即为第一视频帧的变换帧。而当目标视频为注入攻击视频时，第三视频帧极大可能为未经变换处理的视频帧。即便来源于注入攻击视频的第三视频帧为经过变换处理的视频帧，但第三视频帧对应的变换参数类型也极大可能不同于视频采集设备110下发的随机变换参数的类型。此外，即便注入攻击视频中包含按照随机变换参数进行变换的一个或多个视频帧，上述一个或多个视频帧的帧号也极大可能与视频采集设备110下发的随机帧号不同，从而导致视频检测设备120按照随机帧号并不能提取到注入攻击视频中与按照随机变换参数进行变换处理的视频帧。
79.s208，基于所述第二视频帧、所述第三视频帧和所述随机变换参数确定所述目标视频的活体检测结果，并输出所述活体检测结果。
80.本说明书中，视频检测设备120在目标视频进行活体检测的过程中，由于随机帧号和随机变换参数是从视频采集设备110获得的，黑产很难破解，即黑产很难预先获知视频采集设备110每一次下发的随机帧号、以及随机变换参数，黑产也就很难预先对随机帧号对应的视频帧按照随机变换参数进行预处理，以达到以假乱真的目的。并且，如前所述，来源于活体变换视频的第二视频帧、第三视频帧的信息与来源于注入攻击视频的第二视频帧、第三视频帧的信息不同。因而，视频检测设备120在获得由视频采集设备110下发的随机变换参数，并确定第二视频帧、第三视频帧后，即可基于第二视频帧、第三视频帧以及随机变换参数确定目标视频的活体检测结果。
81.例如，结合图4、图7进行说明，对于某次活体检测任务，视频采集设备110下发的随机帧号为第3帧(3号视频帧)、随机变换参数的类型为c，相应的，视频检测设备120获得的随机帧号为第3帧(3号视频帧)、随机变换参数的类型为c。并且，视频检测设备120从目标视频中随机抽取第4帧(4号视频帧)作为第二视频帧。
82.当目标视频为活体变换视频时，视频检测设备120从目标视频中随机抽取的第二视频帧(对应4号视频帧)为未经变换处理的视频帧，视频检测设备120按照随机帧号从目标视频中抽取的第三视频帧(对应3号视频帧)为经过c类型的随机变换参数进行变换处理后的视频帧。
83.而对于黑产的注入攻击视频而言，可能存在如下情况：(1)黑产的注入攻击视频中不存在经过参数变换的视频帧，此时，视频检测设备120从目标视频中随机抽取的第二视频帧(对应4号视频帧)为未经变换处理的视频帧，视频检测设备120按照随机帧号从目标视频中抽取的第三视频帧(对应3号视频帧)同样为未经变换处理的视频帧。在此情况下，视频检测设备120可以确定目标视频为注入攻击视频。(2)黑产的注入攻击视频中存在经过参数变换的视频帧，但是由于黑产很难预先获知视频采集设备110下发的随机帧号为第3帧(3号视频帧)、随机变换参数的类型为c，使得在黑产的注入攻击视频中存在多种可能性，很难同时满足第4帧为未经参数变换的视频帧，第3帧恰好为经过c类型的随机变换参数进行变换处理后的视频帧。而在不满足第二视频帧(对应4号视频帧)为未经变换处理的视频帧，且第三视频帧(对应3号视频帧)为经过c类型的随机变换参数进行变换处理后的视频帧的条件下，视频检测设备120可以确定目标视频为注入攻击视频。(3)黑产的注入攻击视频中全部为经过参数变换的视频帧，此时，无论黑产的注入攻击视频中所包含的视频帧对应的变换参数的类型是否为c类型，视频检测设备120可以确定目标视频为注入攻击视频。
84.本说明书中，正是由于视频采集设备110与视频检测设备120是相互独立的，且对初始活体视频进行随机变换处理的过程是在视频采集设备110上进行的，对于每一次活体检测任务，视频检测设备120可以获得视频采集设备110下发的随机帧号和随机变换参数，而黑产很难破解视频采集设备110下发的随机帧号和随机变换参数，因而，本说明书可以有效避开黑产注入攻击的环节，提高黑产破解随机变换参数和随机帧号的难度。
85.本说明书中，目标视频的活体检测结果可以理解为目标视频的属性，即目标视频是否为注入攻击视频。当目标视频为注入攻击视频时，目标视频的活体检测结果是不安全的。
86.在一些实施例中，s208可以包括：
87.s2082，基于所述第二视频帧和所述第三视频帧确定所述目标视频的类型以及所述目标视频的目标变换参数，其中，所述目标视频的类型包括注入攻击视频、非注入攻击视频中的任一一种。
88.如前所述，由于来源于活体变换视频的第二视频帧、第三视频帧的信息与来源于注入攻击视频的第二视频帧、第三视频帧的信息极大可能存在不同。因此，视频检测设备120可以基于第二视频帧和第三视频帧确定目标视频的类型以及与目标视频相对应的目标变换参数，进而根据目标视频的类型以及目标变换参数确定当前进行的活体检测任务的检测结果。
89.在一些实施例中，s2082可以包括：
90.s2082-a，获得活体检测模型；以及
91.s2082-b，基于所述活体检测模型、所述第二视频帧和所述第三视频帧对所述目标视频进行分类，确定所述目标视频的所述第一分类结果和所述第二分类结果。
92.本说明书中的活体检测模型可以被配置为：基于所述第二视频帧和所述第三视频帧对所述目标视频进行分类，输出第一分类结果和第二分类结果，其中，所述第一分类结果对应所述目标视频的类型，所述第二分类结果对应所述目标视频的目标变换参数。因此，视频检测设备120可以利用预先训练好的活体检测模型对第二视频帧、第三视频帧进行分类预测，以得到目标视频的第一分类结果和第二分类结果。
93.具体的，在一些实施例中，活体检测模型可以包含两个分类器，每个分类器对应一个输出结果。活体检测模型以第二视频帧和第三视频帧作为输入，活体检测模型可以通过其中一个分类器进行二分类，输出目标视频为注入攻击视频或非注入攻击视频的概率；活体检测模型还可以通过另一个分类器预测目标视频的变换参数类型(目标变换参数)。
94.s2084，确定所述目标变换参数和所述随机变换参数的一致性结果。
95.本说明书中，视频检测设备120利用活体检测模型对第二视频帧、第三视频帧进行分类预测得到的第一分类结果和第二分类结果可以作为判断目标视频安全属性的依据。视频检测设备120可以结合第一分类结果和第二分类结果对目标视频的安全属性进行判断。具体的，视频检测设备120可以根据第一分类结果确定目标视频是注入攻击视频还是非注入攻击视频；并且，视频检测设备120还可以根据第二分类结果确定目标变换参数的类型是否与随机变换参数的类型相同。
96.s2086，基于所述目标视频的类型和所述一致性结果确定所述活体检测结果。
97.本说明书中，视频检测设备120基于目标视频的类型和一致性结果对目标视频的安全属性进行判断的过程中，可能出现以下几种情况：(1)目标视频的类型为注入攻击视频，且目标变换参数的类型与随机变换参数的类型一致；(2)目标视频的类型为注入攻击视频，且目标变换参数的类型与随机变换参数的类型不一致；(3)目标视频的类型为非注入攻击视频，且目标变换参数的类型与随机变换参数的类型一致；(4)目标视频的类型为非注入攻击视频，且目标变换参数的类型与随机变换参数的类型不一致。
98.本说明书中，当目标视频的类型为非注入攻击视频，且目标变换参数的类型与随机变换参数的类型相同时，即目标视频属于第(3)种情况时，视频检测设备120可以确定目标视频为活体变换视频。而其余三种情况下，视频检测设备120均判断目标视频为注入攻击视频。本说明书中，视频检测设备120通过将第一分类结果和第二分类结果相结合的方式判断目标视频的安全属性，可以提高活体检测结果的准确性。
99.在实际应用中，对于第(1)种和第(2)种情况，视频检测设备120一旦检测出目标视频的类型为注入攻击视频，可以不需再考虑目标变换参数和随机变换参数的一致性结果，即可直接确定目标视频为注入攻击视频，从而可以在一定程度上减少视频检测设备120的计算量。
100.因此，在一些实施例中，s2086可以包括：
101.s2086-a，确定所述目标视频的类型为所述非注入攻击视频。
102.本说明书中，视频检测设备120可以先根据第一分类结果确定目标视频是否为注入攻击视频，若目标视频为非注入攻击视频，表明目标视频具备一定的安全性。此时，视频检测设备120还需结合第二分类结果所确定的目标变换参数作进一步的判断。因此，本说明书中按照所述目标视频的安全等级由高到低依次为：活体变换视频、非注入攻击视频和注入攻击视频。
103.s2086-b，基于所述一致性结果确定所述活体检测结果。
104.在一些实施例中，s2086-b可以包括以下两种情况：
105.第一种情况，当确定所述目标变换参数与所述随机变换参数一致时，确定所述目标视频为安全视频，且所述目标视频为所述活体变换视频。本说明书中，当视频检测设备120进一步确定目标变换参数的类型与随机变换参数的类型一致时，可以确定目标视频为
安全视频，此时，目标视频即为活体变换视频。
106.第二种情况，当确定所述目标变换参数与所述随机变换参数不一致时，确定所述目标视频为注入攻击视频。本说明书中，当视频检测设备120进一步确定目标变换参数的类型与随机变换参数的类型不一致时，表明第一分类结果预测有误，此时，可以对第一分类结果进行修正，直接确定目标视频为注入攻击视频。
107.本说明书中，视频检测设备120通过先根据第一分类结果确定目标视频是否为注入攻击视频，再结合目标变换参数和随机变换参数的一致性结果确定目标视频最终的活体检测结果的方式，既可以确保活体检测结果的准确性，还可以在一定程度上减少视频检测设备120的计算量，提高活体检测效率。
108.在一些实施例中，视频检测设备120还可以根据至少一个指令集执行活体检测模型的训练方法p30。具体地，所述视频检测设备120可以具有如图2所述的结构，即，所述视频检测设备120可以是一种用于活体检测方法的设备，包括：至少一个存储介质，和至少一个处理器。所述至少一个存储介质中包括至少一个指令集，用于程序中的活体检测方法。所述至少一个处理器，同所述至少一个存储介质通信连接。当所述系统运行时，所述至少一个处理器可以读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行所述方法p30。
109.应当理解，实施所述方法p30的主体可以为视频检测设备120，也可以是其它具有数据处理能力的设备。为了便于描述，本说明书以视频检测设备120作为实施所述方法p30的主体为例进行说明。所述方法p30可以包括：
110.s302，获得训练样本，所述训练样本包括原始帧和变换帧。
111.本说明书中，用于训练活体检测模型的训练样本可以理解为从一段包含多个视频帧的原始视频中抽取的两帧视频帧，两帧视频帧分别为原始帧和变换帧。训练样本可以分为正样本和负样本，其中，对于同一原始视频，正样本的标记方法可以包括：从原始视频中随机抽取一帧视频帧作为原始帧；再从原始视频中随机抽取另一帧视频帧，并从系统中存在的预设变换参数中选取一个变换类型对抽取的视频帧进行变换处理得到变换帧。负样本的标记方法可以包括：从原始视频中随机抽取两帧视频帧，其中一帧作为原始帧，另一帧则作为变换帧。相应的，正样本的原始标注类型为非攻击样本，正样本的原始标注变换参数为选取的预设变换参数的变换类型。负样本的原始标注类型为攻击样本。
112.s304，基于预设的活体检测模型对所述训练样本进行分类预测，得到第一分类预测结果和第二分类预测结果，其中，第一分类预测结果对应所述训练样本的类型，所述第二分类预测结果对应所述训练样本的目标变换参数。
113.本说明书中，视频检测设备120可以基于预设的活体检测模型对训练样本进行分类预测，得到第一分类预测结果和第二分类结果。第一分类预测结果对应训练样本的类型，包括攻击样本、非攻击样本中的任意一种。第二分类预测结果对应训练样本可能的变换参数类型。
114.s306，基于所述第一分类预测结果和所述第二分类预测结果对所述预设的活体检测模型进行训练，得到训练后的活体检测模型。
115.本说明书中，视频检测设备120在获得第一分类预测结果和第二分类预测结果后，可以基于第一分类预测结果和第二分类预测结果对预设的活体检测模型进行训练，获得训
练后的活体检测模型。
116.在一些实施例中，s306可以包括：
117.s3062，基于所述第一分类预测结果确定所述预设的活体检测模型的第一分类损失数据。本说明书中，第一分类损失数据用于约束活体检测模型预测出的训练样本的类型与训练样本实际的类型保持一致。
118.在一些实施例中，s3062可以包括：
119.s3062-a，获得所述训练样本的原始标注类型，所述原始标注类型包括攻击样本、非攻击样本中的任一一种；以及
120.s3062-b，将所述第一分类预测结果与所述原始标注类型进行对比，确定所述第一分类损失数据。
121.本说明书中，视频检测设备设备120在获得训练样本的原始标注类型后，可以将原始标注类型与预测得到的第一分类预测结果进行对比，从而确定第一分类损失数据。第一分类损失数据的类型可以有多种，比如，可以包括交叉熵损失函数或者其他可以用于确定第一特征损失信息(l1)的损失函数，等等。
122.s3064，基于所述第二分类预测结果确定所述预设的活体检测模型的第二分类损失数据。本说明书中，第二分类损失数据用于约束活体检测模型预测出的目标变换参数与训练样本实际的变换参数类型保持一致。
123.在一些实施例中，s3064可以包括：
124.s3064-a，获得所述训练样本的原始标注变换参数；以及
125.s3064-b，将所述第二分类预测结果与所述原始标注变换参数进行对比，确定所述第二分类损失数据。
126.本说明书中，视频检测设备设备120在获得训练样本的原始标注变换参数后，可以将原始标注变换参数与预测得到的目标变换参数进行对比，从而确定第二分类损失数据。第二分类损失数据的类型可以有多种，比如，可以包括交叉熵损失函数或者其他可以用于确定第一特征损失信息(l1)的损失函数，等等。
127.s3066，基于所述第一分类损失数据和所述第二分类损失数据对所述预设的活体检测模型进行收敛，获得所述训练后的意愿识别模型。
128.本说明书中，视频检测设备设备120在获得第一分类损失数据和第二分类损失数据后，即可基于第一分类损失数据和第二分类损失数据对预设的活体检测模型进行收敛，从而得到训练后的活体检测模型。基于第一分类损失数据和第二分类损失数据对活体检测模型进行收敛的方式可以有多种。例如。视频检测设备设备120可以采用梯度下降算法基于第一分类损失数据和第二分类损失数据，对预设的活体检测模型的网络参数进行更新，直至预设的活体检测模型收敛，从而得到训练后的活体检测模型。或者，还可以采用其他参数更新算法基于第一分类损失数据和第二分类损失数据，对预设的活体检测模型进行更新，直至预设的活体检测模型收敛，从而得到训练后的活体检测模型，等等。
129.综上所述，在阅读本详细公开内容之后，本领域技术人员可以明白，前述详细公开内容可以仅以示例的方式呈现，并且可以不是限制性的。尽管这里没有明确说明，本领域技术人员可以理解本说明书意图囊括对实施例的各种合理改变，改进和修改。这些改变，改进和修改旨在由本说明书提出，并且在本说明书的示例性实施例的精神和范围内。
130.此外，本说明书中的某些术语已被用于描述本说明书的实施例。例如，“一个实施例”，“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征，结构或特性可以包括在本说明书的至少一个实施例中。因此，可以强调并且应当理解，在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外，特定特征，结构或特性可以在本说明书的一个或多个实施例中适当地组合。
131.应当理解，在本说明书的实施例的前述描述中，为了帮助理解一个特征，出于简化本说明书的目的，本说明书有时将各种特征组合在单个实施例、附图或其描述中。或者，本说明书又是将各种特征分散在多个本说明书的实施例中。然而，这并不是说这些特征的组合是必须的，本领域技术人员在阅读本说明书的时候完全有可能将其中一部分特征提取出来作为单独的实施例来理解。也就是说，本说明书中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。

技术特征：
1.一种活体检测方法，用于视频检测设备，包括：从视频采集设备获得活体变换视频的随机帧号和随机变换参数，所述活体变换视频被配置为：从初始活体视频中随机抽取任一视频帧作为第一视频帧，并将所述第一视频帧按照所述随机变换参数进行变换后得到的视频，其中，所述随机帧号为所述第一视频帧的帧号；获得目标视频，所述目标视频包括所述活体变换视频、注入攻击视频中的任意一种；从所述目标视频中抽取一帧视频帧作为第二视频帧，并从所述目标视频中抽取与所述随机帧号对应的视频帧作为第三视频帧；以及基于所述第二视频帧、所述第三视频帧和所述随机变换参数确定所述目标视频的活体检测结果，并输出所述活体检测结果。2.如权利要求1所述的活体检测方法，其中，所述随机变换参数包括图像处理过程中的白平衡变换参数、焦距变换参数、模糊变换参数中的任意一种。3.如权利要求1所述的活体检测方法，其中，所述基于所述第二视频帧、所述第三视频帧和所述随机变换参数确定所述目标视频的活体检测结果，包括：基于所述第二视频帧和所述第三视频帧确定所述目标视频的类型以及所述目标视频的目标变换参数，其中，所述目标视频的类型包括注入攻击视频、非注入攻击视频中的任一一种；确定所述目标变换参数和所述随机变换参数的一致性结果；以及基于所述目标视频的类型和所述一致性结果确定所述活体检测结果。4.如权利要求3所述的活体检测方法，其中，所述基于所述第二视频帧和所述第三视频帧确定所述目标视频的类型以及所述目标视频的目标变换参数，包括：获得活体检测模型，所述活体检测模型被配置为：基于所述第二视频帧和所述第三视频帧对所述目标视频进行分类，输出第一分类结果和第二分类结果，其中，所述第一分类结果对应所述目标视频的类型，所述第二分类结果对应所述目标视频的目标变换参数；以及基于所述活体检测模型、所述第二视频帧和所述第三视频帧对所述目标视频进行分类，确定所述目标视频的所述第一分类结果和所述第二分类结果。5.如权利要求3所述的活体检测方法，其中，所述基于所述目标视频的类型和所述一致性结果确定所述活体检测结果，包括：确定所述目标视频的类型为所述非注入攻击视频；以及基于所述一致性结果确定所述活体检测结果。6.如权利要求5所述的活体检测方法，其中，所述基于所述一致性结果确定所述活体检测结果，包括：确定所述目标变换参数与所述随机变换参数一致，确定所述目标视频为所述活体变换视频；或确定所述目标变换参数与所述随机变换参数不一致，确定所述目标视频为所述注入攻击视频。7.如权利要求6所述的活体检测方法，其中，按照所述目标视频的安全等级由高到低依次为：所述活体变换视频、所述非注入攻击视频和所述注入攻击视频。8.如权利要求4所述的活体检测方法，其中，所述活体检测模型的训练方法包括：
获得训练样本，所述训练样本包括原始帧和变换帧；基于预设的活体检测模型对所述训练样本进行分类预测，得到第一分类预测结果和第二分类预测结果，其中，第一分类预测结果对应所述训练样本的类型，所述第二分类预测结果对应所述训练样本的目标变换参数；以及基于所述第一分类预测结果和所述第二分类预测结果对所述预设的活体检测模型进行训练，得到训练后的活体检测模型。9.如权利要求8所述的活体检测方法，其中，所述基于所述第一分类预测结果和所述第二分类预测结果对所述预设的活体检测模型进行训练，得到训练后的活体检测模型，包括：基于所述第一分类预测结果确定所述预设的活体检测模型的第一分类损失数据；基于所述第二分类预测结果确定所述预设的活体检测模型的第二分类损失数据；以及基于所述第一分类损失数据和所述第二分类损失数据对所述预设的活体检测模型进行收敛，获得所述训练后的意愿识别模型。10.如权利要求9所述的活体检测方法，其中，所述基于所述第一分类预测结果确定所述预设的活体检测模型的第一分类损失数据，包括：获得所述训练样本的原始标注类型，所述原始标注类型包括攻击样本、非攻击样本中的任一一种；以及将所述第一分类预测结果与所述原始标注类型进行对比，确定所述第一分类损失数据。11.如权利要求9所述的活体检测方法，其中，所述基于所述第二分类预测结果确定所述预设的活体检测模型的第二分类损失数据，包括：获得所述训练样本的原始标注变换参数；以及将所述第二分类预测结果与所述原始标注变换参数进行对比，确定所述第二分类损失数据。12.一种活体检测系统，包括视频检测设备，所述视频检测设备包括：至少一个存储介质，包括至少一个指令集，用于活体检测方法的实施分析；以及至少一个处理器，同所述至少一个存储介质通讯连接，其中，当所述系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行权利要求1-11中任一项所述的方法。13.一种活体检测方法，用于视频采集设备，包括：采集目标场景下的初始活体视频，并从所述初始活体视频中随机抽取任一视频帧作为第一视频帧，并将所述第一视频帧的帧号作为随机帧号；确定随机变换参数；对于所述初始活体视频：将所述第一视频帧按照所述随机变换参数进行变换后得到活体变换视频；以及输出所述随机变换参数、所述随机帧号和所述活体变换视频。14.如权利要求13所述的活体检测方法，其中，所述确定随机变换参数，包括：获得多个预设变换参数；从所述多个预设变换参数中随机选取一个预设变换参数作为所述随机变换参数。15.如权利要求14所述的活体检测方法，其中，所述预设变换参数包括图像处理过程中
的白平衡变换参数、焦距变换参数、模糊变换参数中的至少一种。16.一种活体检测系统，包括视频采集设备，所述视频采集设备包括：至少一个存储介质，包括至少一个指令集，用于活体检测方法的实施分析；以及至少一个处理器，同所述至少一个存储介质通讯连接，其中，当所述系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行权利要求13-15中任一项所述的方法。

技术总结
本说明书提供了一种活体检测方法和系统，涉及数据处理技术领域。本说明书提供的活体检测方法通过将视频采集设备与视频检测设备相互独立设置，在视频采集设备上对初始活体视频进行随机变换处理，对于每一次活体检测任务，视频检测设备可以获得视频采集设备下发的随机帧号和随机变换参数，而黑产很难破解视频采集设备下发的随机帧号和随机变换参数，因此可以有效避开黑产注入攻击的环节，提高黑产破解随机变换参数和随机帧号的难度。随机变换参数和随机帧号的难度。随机变换参数和随机帧号的难度。


技术研发人员：李宇明 丁菁汀 李亮
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：2023.04.13
技术公布日：2023/7/21