一种人脸活体检测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种人脸活体检测方法、装置、电子设备及存储介质，用于改善传统的神经网络判断人脸图像中的人脸是否为活体人脸的正确率不高的问题。该方法包括：使用双线性卷积神经网络模型的多个卷积层对获得的人脸图像提取特征，获得多个卷积特征图，双线性卷积神经网络模型是预先对双线性卷积神经网络进行训练获得的神经网络模型；使用双线性卷积神经网络模型的至少一个双线性层对多个卷积特征图进行双线性操作，获得至少一个双线性特征图；使用双线性卷积神经网络模型的拼接层、全连接层和归一化指数函数层依次对至少一个双线性特征图进行处理，获得人脸图像的分类结果，分类结果用于确定人脸图像中的人脸是否为活体。

A method, device, electronic device and storage medium for human face detection

【技术实现步骤摘要】
一种人脸活体检测方法、装置、电子设备及存储介质
本申请涉及图像识别
，具体而言，涉及一种人脸活体检测方法、装置、电子设备及存储介质。
技术介绍
活体检测是在一些身份验证场景确定对象真实生理特征的方法，用于验证用户是否为真实活体，可有效抵御照片、面具以及屏幕翻拍等常见的攻击手段，从而帮助甄别欺诈行为。目前的判断人脸图像中的人脸是否为活体任务中，通常是基于传统的神经网络来实现的图像分类，这种图像分类方法是将人脸活体检测任务无差别地当作通用图像分类的任务来处理，然而在具体的实施过程中，发现传统的神经网络判断人脸图像中的人脸是否为活体人脸的正确率不高的问题。
技术实现思路
本申请的目的在于提供一种人脸活体检测方法、装置、电子设备及存储介质，用于改善传统的神经网络判断人脸图像中的人脸是否为活体人脸的正确率不高的问题。本申请提供了一种人脸活体检测方法，该方法包括：使用双线性卷积神经网络模型的多个卷积层对获得的人脸图像提取特征，获得多个卷积特征图，所述卷积特征图为人脸图像经过至少一次卷积操作后获得的特征矩阵，所述双线本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于，该方法包括：/n使用双线性卷积神经网络模型的多个卷积层对获得的人脸图像提取特征，获得多个卷积特征图，所述卷积特征图为人脸图像经过至少一次卷积操作后获得的特征矩阵，所述双线性卷积神经网络模型是预先对双线性卷积神经网络进行训练获得的神经网络模型；/n使用所述双线性卷积神经网络模型的至少一个双线性层对所述多个卷积特征图进行双线性操作，获得至少一个双线性特征图，所述双线性特征图为所述卷积特征图经过至少一次双线性操作后获得的特征矩阵；/n使用所述双线性卷积神经网络模型的拼接层、全连接层和归一化指数函数层依次对所述至少一个双线性特征图进行处理，获得所述人脸图像的分类结...

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，该方法包括：
使用双线性卷积神经网络模型的多个卷积层对获得的人脸图像提取特征，获得多个卷积特征图，所述卷积特征图为人脸图像经过至少一次卷积操作后获得的特征矩阵，所述双线性卷积神经网络模型是预先对双线性卷积神经网络进行训练获得的神经网络模型；
使用所述双线性卷积神经网络模型的至少一个双线性层对所述多个卷积特征图进行双线性操作，获得至少一个双线性特征图，所述双线性特征图为所述卷积特征图经过至少一次双线性操作后获得的特征矩阵；
使用所述双线性卷积神经网络模型的拼接层、全连接层和归一化指数函数层依次对所述至少一个双线性特征图进行处理，获得所述人脸图像的分类结果，所述分类结果用于确定所述人脸图像中的人脸是否为活体。


2.根据权利要求1所述的方法，其特征在于，在所述使用双线性卷积神经网络模型的多个卷积层对获得的人脸图像提取特征，获得多个卷积特征图之前，还包括：
获得多个样本图像及对应的样本标签，所述样本图像为用于训练所述双线性卷积神经网络模型的人脸图像，所述样本标签用于表征对应的样本图像是否为活体人脸图像；
以所述多个样本图像为训练数据，以所述样本标签为训练标签，对双线性卷积神经网络进行训练，获得双线性卷积神经网络模型，所述双线性卷积神经网络包括依次连接的多个卷积层、至少一个双线性层、拼接层、全连接层和归一化指数函数层。


3.根据权利要求2所述的方法，其特征在于，所述以所述多个样本图像为训练数据，以所述样本标签为训练标签，对双线性卷积神经网络进行训练，获得双线性卷积神经网络模型，包括：
使用双线性卷积神经网络模型的多个卷积层对多个样本图像中的每个样本图像提取特征，获得多个第一特征图；
使用所述双线性卷积神经网络模型的至少一个双线性层对所述多个第一特征图进行双线性操作，获得至少一个第二特征图；
使用所述双线性卷积神经网络模型的拼接层、全连接层和归一化指数函数层依次对所述至少一个第二特征图进行处理，获得所述样本图像对应的分类结果；
根据所述样本图像对应的分类结果和所述训练标签对应的分类结果构造的所述双线性卷积神经网络模型的损失函数，对所述双线性卷积神经网络模型进行训练，获得训练后的双线性卷积神经网络模型。


4.根据权利要求1所述的方法，其特征在于，所述使用所述双线性卷积神经网络模型的至少一个双线性层对所述多个卷积特征图进行双线性操作，获得至少一个双线性特征图，包括：
根据Z=PT(UTXVTX)对所述至少一个双线性层的多个权重矩阵和所述多个卷积特征图
进行计算，获得至少一个双线性特征图；
其中，Z为所述双线性特征图，P为值全为1的矩阵，X为所述多个卷积特征图的第一卷积
特征图，所述第一卷积特征图是使用所述多个卷积层中的第一卷积层对所述人脸图像进行
至少一次卷积操作获得的，U为所述多个权重矩阵中的第一权重矩阵，V为所述多个权重矩
阵中不同于所述第一权重矩阵的第二权重矩阵，表征计算两个矩阵的哈达玛积。


5.根据权利要求1所述的方法，其特征在于，所述使用所述双线性卷积神经网络模型的至少一个双线性层对所述多个卷积特征图进行双线性操作，获得至少一个双线性特征图，包括：
根据Z=PT(UTXVTY)对所述至少一个双线性层的多个权重矩阵和所述多个卷积特征...

【专利技术属性】
技术研发人员：卢毅，吴宇雳，黎子骏，
申请(专利权)人：图谱未来南京人工智能研究院有限公司，
类型：发明
国别省市：江苏;32