活体检测方法、装置及人脸识别方法和人脸检测系统制造方法及图纸

本公开提出一种活体检测方法、装置及人脸识别方法和人脸检测系统，涉及人脸识别技术领域。本公开的一种活体检测方法包括：通过深度学习获取人脸图像中的人脸图片特征数据；通过基于通道域的注意力机制处理人脸图片特征数据，确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像。通过这样的方法，能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

【技术实现步骤摘要】
活体检测方法、装置及人脸识别方法和人脸检测系统
本公开涉及人脸识别
，特别是一种活体检测方法、装置及人脸识别方法和人脸检测系统。
技术介绍
随着生物识别技术的发展，人脸识别技术已经有了较好的进展，在良好的光照条件和姿态的情况下，人脸识别系统已经可以较为准确的进行人脸检测与识别。相关的人脸识别系统能够在不区分照片、视频等非活体信息的情况下确认图像中用户的身份并通过安全验证。在网络信息高速发展的今天，用户的照片视频等信息的获取成本越来越低，这导致人脸识别系统的安全性降低。为了增强人脸识别系统的安全性，需要在识别之前增加活体识别的安全系统。
技术实现思路
专利技术人发现，相关的活体检测技术中往往需要用户主动配合做出指定的动作，操作繁琐且甄别效率低，或者只能够甄别静态照片的非活体图像，准确度较低。本公开的一个目的在于保证活体检测便捷程度的前提下，提高活体检测的效率和准确度。根据本公开的一些实施例的一个方面，提出一种活体检测方法，包括：通过深度学习获取人脸图像中的人脸图片特征数据；通过基于通道域的注意力机制处理人脸图片特征数据，确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像。在一些实施例中，人脸图片特征数据为通过人脸识别系统的神经网络模型从人脸图像中提取。在一些实施例中，通过基于通道域的注意力机制处理人脸图片特征数据包括：根据人脸图片特征数据，通过神经网络卷积层获取生物特征和非生物特征；通过池化层获取池化特征；根据池化特征，通过全连接神经网络关联生物特征和非生物特征，获取处理结果。在一些实施例中，通过全连接神经网络关联生物特征和非生物特征，获取处理结果包括：将池化特征输入第一全连接层，并依次通过ReLU(RectifiedLinearUnit，线性整流函数)、第二全连接层和S型生长曲线sigmoid函数，获取处理结果，以便根据处理结果确定活体识别结果。在一些实施例中，通过基于通道域的注意力机制处理人脸图片特征数据包括：将人脸图片特征数据通过基于通道域的注意力机制处理，获取一次处理数据；将一次处理数据通过卷积神经网络后再次通过基于通道域的注意力机制处理，获取活体识别结果。在一些实施例中，通过基于通道域的注意力机制处理人脸图片特征数据包括：将人脸图片特征数据通过基于通道域的注意力机制处理；将处理结果通过卷积神经网络后循环通过基于通道域的注意力机制处理，直至通过基于通道域的注意力机制处理的次数达到预定循环次数时，根据确定处理结果确定活体识别结果。在一些实施例中，活体检测方法还包括：利用sigmoid函数的输出对人脸图片特征数据中每个通道进行尺度缩放处理，获取优化人脸图片特征数据，以便根据优化人脸图片特征数据执行人脸识别。在一些实施例中，活体检测方法还包括：利用通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。通过这样的方法，能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。根据本公开的另一些实施例的一个方面，提出一种人脸识别方法，包括：通过神经网络模型从人脸图像中提取人脸图片特征数据；通过上文中任意一种活体检测方法确定活体识别结果；利用通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。通过这样的方法，能够将人脸识别中利用深度学习提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度；能够加强人脸图片特征数据中的生物特征，提高了人脸识别的准确度。根据本公开的又一些实施例的一个方面，提出一种活体检测装置，包括：特征获取模块，被配置为通过深度学习获取人脸图像中的人脸图片特征数据；特征处理模块，被配置为通过基于通道域的注意力机制处理人脸图片特征数据；活体识别模块，被配置为根据特征处理模块的处理结果确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像。在一些实施例中，特征获取模块为人脸识别系统的神经网络模型。在一些实施例中，特征处理模块包括：卷积层，被配置为根据人脸图片特征数据获取生物特征和非生物特征；池化层，被配置为获取池化特征；全连接处理单元，被配置为根据池化特征，通过全连接神经网络关联生物特征和非生物特征，获取处理结果。在一些实施例中，全连接处理单元被配置为：将池化特征输入第一全连接层，并依次通过ReLU、第二全连接层和sigmoid函数，获取处理结果，以便根据处理结果确定活体识别结果。在一些实施例中，活体检测装置中包括通过卷积神经网络相间隔、串行连接的两个以上的特征处理模块；活体识别模块被配置为根据串联的最后一个特征处理模块的处理结果确定活体识别结果。在一些实施例中，特征处理模块还被配置为利用sigmoid函数的输出对人脸图片特征数据中每个通道进行尺度缩放处理，获取优化人脸图片特征数据，以便根据优化人脸图片特征数据执行人脸识别。在一些实施例中，特征处理模块还被配置为利用特征处理模块的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；活体检测装置还包括：人脸识别模块，被配置为根据优化人脸图片特征数据执行人脸识别。根据本公开的再一些实施例的一个方面，提出一种活体检测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行上文中任意一种活体检测方法。这样的活体检测装置能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。根据本公开的其中一些实施例的一个方面，提出一种人脸检测系统，包括：上文中任意一种活体检测装置；和，人脸识别装置，被配置为：从人脸图像中提取人脸图片特征数据；利用活体检测装置通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。根据本公开的其中一些实施例的一个方面，提出一种人脸检测系统，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行的人脸识别方法。这样的活体检测系统能够将人脸识别中利用深度学习提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度；能够加强人脸图片特征数据中的生物特征，提高了人脸识别的准确度。另外，根据本公开的一些实施例的一个方面，提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上文中任意一种方法的步骤。通过执行这样的计算机可读存储介质上的指令，能够将深度学习中提取的人脸图片特征数据应用于活体检测，并本文档来自技高网...

【技术保护点】
1.一种活体检测方法，包括：通过深度学习获取人脸图像中的人脸图片特征数据；通过基于通道域的注意力机制处理所述人脸图片特征数据，确定活体识别结果，所述活体识别结果包括所述人脸图像为活体图像或非活体图像。

【技术特征摘要】
1.一种活体检测方法，包括：通过深度学习获取人脸图像中的人脸图片特征数据；通过基于通道域的注意力机制处理所述人脸图片特征数据，确定活体识别结果，所述活体识别结果包括所述人脸图像为活体图像或非活体图像。2.根据权利要求1所述的方法，其中，所述人脸图片特征数据为通过人脸识别系统的神经网络模型从人脸图像中提取。3.根据权利要求1所述的方法，其中，所述通过基于通道域的注意力机制处理所述人脸图片特征数据包括：根据所述人脸图片特征数据，通过神经网络卷积层获取生物特征和非生物特征；通过池化层获取池化特征；根据所述池化特征，通过全连接神经网络关联所述生物特征和所述非生物特征，获取处理结果。4.根据权利要求3所述的方法，其中，所述通过全连接神经网络关联所述生物特征和所述非生物特征，获取处理结果包括：将所述池化特征输入第一全连接层，并依次通过线性整流函数、第二全连接层和S型生长曲线sigmoid函数，获取所述处理结果，以便根据所述处理结果确定所述活体识别结果。5.根据权利要求1所述的方法，其中，所述通过基于通道域的注意力机制处理所述人脸图片特征数据包括：将所述人脸图片特征数据通过基于通道域的注意力机制处理，获取一次处理数据；将所述一次处理数据通过卷积神经网络后再次通过基于通道域的注意力机制处理，获取所述活体识别结果；或，将所述人脸图片特征数据通过基于通道域的注意力机制处理；将处理结果通过卷积神经网络后循环通过基于通道域的注意力机制处理，直至通过基于通道域的注意力机制处理的次数达到预定循环次数时，根据确定处理结果确定所述活体识别结果。6.根据权利要求4所述的方法，还包括：利用所述sigmoid函数的输出对所述人脸图片特征数据中每个通道进行尺度缩放处理，获取优化人脸图片特征数据，以便根据所述优化人脸图片特征数据执行人脸识别。7.根据权利要求1～5任意一项所述的方法，还包括：利用通过基于通道域的注意力机制处理所述人脸图片特征数据的处理结果加强所述人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据所述优化人脸图片特征数据执行人脸识别。8.一种人脸识别方法，包括：通过神经网络模型从人脸图像中提取人脸图片特征数据；通过权利要求1～5任意一项所述的活体检测方法确定活体识别结果；利用通过基于通道域的注意力机制处理所述人脸图片特征数据的处理结果加强所述人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据所述优化人脸图片特征数据执行人脸识别。9.一种活体检测装置，包括：特征获取模块，被配置为通过深度学习获取人脸图像中的人脸图片特征数据；特征处理模块，被...

【专利技术属性】
技术研发人员：王耀华，刘志伟，陈宇，刘巍，殷向阳，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11