一种人脸活体检测方法、装置以及电子设备制造方法及图纸

本申请公开了一种人脸活体检测方法、装置以及电子设备。所述方法包括：根据人脸采集全局图像，训练第一深度学习模型；以及，根据从所述人脸采集全局图像中裁剪的人脸区域部分图像，训练第二深度学习模型；根据训练后的所述第一深度学习模型和所述第二深度学习模型，进行人脸活体检测。利用本申请实施例，有利于提取更多的人脸活体图像特征，训练后的所述第一深度学习模型和所述第二深度学习模型联合而言，相比于现有技术的模型对于人脸活体的特征表达能力更好，进而有利于提高人脸活体检测结果的准确性。

Method, device and electronic device for detecting human face in vivo

A human face detection method, device and electronic device are disclosed in this paper. The method comprises the following steps: according to face global image acquisition, learning and training model, according to the first depth; part of the face region from the image cutting face in the global image acquisition, training second deep learning model; according to the training after the first deep learning model and the second deep learning model for face detection in vivo. The embodiment of the invention is to extract the face in image feature more, after training the first deep learning model and the second deep learning model, compared to the prior model for facial features better expression ability in vivo, which is conducive to improve the accuracy of face detection results in vivo.

【技术实现步骤摘要】
一种人脸活体检测方法、装置以及电子设备
本申请涉及计算机软件
，尤其涉及一种人脸活体检测方法、装置以及电子设备。
技术介绍
人脸活体检测技术用于判断当前人脸识别的操作者是否为活体用户，进而可以实现对屏幕重放攻击、打印照片攻击、三维建模攻击等非活体攻击进行拦截。目前，人脸活体检测技术可分为两大类：第一类技术为主动式人脸活体检测技术，这类技术要求用户在进行人脸识别时根据指令，配合完成特定的活体动作，如眨眼、转头、张嘴等，从而活体检测模块可以根据操作者是否准确地完成了活体动作，判定操作者是否是活体；第二类技术为被动式人脸活体检测技术，这类技术不需要用户配合完成活体动作，用户体验较好，但技术难度高，主要依赖输入的单帧图像信息或者其他设备传感器信息进行活体检测。在现有技术中，对于上述的被动式人脸活体检测技术，通常使用活体与非活体的人脸采集图像对于单一的深度学习模型进行监督式训练，然后使用训练后的模型针对输入的单帧图像进行人脸活体预测。但是，这种技术方案严重依赖训练数据的人脸非活体攻击种类，同时受限于训练数据不够丰富的客观条件，难以充分提取人脸活体图像特征，从而使得其模型对于人脸活体的特征本文档来自技高网...

【技术保护点】
一种人脸活体检测方法，包括：根据人脸采集全局图像，训练第一深度学习模型；以及，根据从所述人脸采集全局图像中裁剪的人脸区域部分图像，训练第二深度学习模型；根据训练后的所述第一深度学习模型和所述第二深度学习模型，进行人脸活体检测。

【技术特征摘要】
1.一种人脸活体检测方法，包括：根据人脸采集全局图像，训练第一深度学习模型；以及，根据从所述人脸采集全局图像中裁剪的人脸区域部分图像，训练第二深度学习模型；根据训练后的所述第一深度学习模型和所述第二深度学习模型，进行人脸活体检测。2.如权利要求1所述的方法，所述第一深度学习模型与所述第二深度学习模型采用不同的深度学习网络结构。3.如权利要求2所述的方法，所述不同的深度学习网络结构的以下至少一种参数不同：隐变量层数、隐变量层类型、神经元节点数、卷积单元的卷积核大小。4.如权利要求1所述的方法，所述人脸采集全局图像具有第一标签，所述第一标签表明其对应的人脸采集全局图像是活体采集图像还是非活体采集图像；所述根据人脸采集全局图像，训练第一深度学习模型，具体包括：将人脸采集全局图像输入第一深度学习模型，该第一深度学习模型根据所述人脸采集全局图像的图像结构性特征，预测所述人脸采集全局图像是活体采集图像还是非活体采集图像；根据预测结果和所述人脸采集全局图像的所述第一标签，对所述第一深度学习模型进行调整。5.如权利要求1所述的方法，所述人脸区域部分图像具有第二标签，所述第二标签表明其对应的人脸区域部分图像是活体采集图像还是非活体采集图像；所述根据从所述人脸采集全局图像中裁剪的人脸区域部分图像，训练第二深度学习模型，具体包括：获取从所述人脸采集全局图像中裁剪的人脸区域部分图像；将所述获取的人脸区域部分图像输入第二深度学习模型，该第二深度学习模型根据所述人脸区域部分图像的图像材质性特征，预测所述人脸区域部分图像是活体采集图像还是非活体采集图像；根据预测结果和所述人脸区域部分图像的所述第二标签，对所述第二深度学习模型进行调整。6.如权利要求1所述的方法，所述第一深度学习模型与所述第二深度学习模型基于卷积神经网络；所述第一深度学习模型所基于的卷积神经网络的卷积单元的卷积核大于所述第二深度学习模型所基于的卷积神经网络的卷积单元的卷积核。7.如权利要求1所述的方法，所述根据训练后的所述第一深度学习模型和所述第二深度学习模型，进行人脸活体检测，具体包括：获取为进行人脸活体检测采集的人脸采集全局图像；将所述采集的人脸采集全局图像输入训练后的所述第一深度学习模型进行处理，得到对应的第一预测数据；以及，获取从所述采集的人脸采集全局图像中裁剪的人脸区域部分图像，并输入训练后的所述第二深度学习模型进行处理，得到对应的第二预测数据；通过根据所述第一预测数据和所述第二预测数据进行联合决策，得到针对所述用户刷脸图像的人脸活体检测结果。8.一种人脸活体检测装置，包括：训练模块，根据人脸采集全局图像，训练第一深度学习模型；以及，根据从所述人脸采集全局图像中裁剪的人脸区域部分图像，训练第二深度学习模型；检测模块，根据训练后的所述第一深度学习模型和所述第二深度学习模型，进行人脸活体检...

【专利技术属性】
技术研发人员：马晨光，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY