人脸活体检测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术实施例涉及图像处理与计算机视觉领域，公开了一种人脸活体检测方法、装置及计算机可读存储介质，所述人脸活体检测方法包括：获取包含待检测人脸的近红外图像和可见光图像；分别对所述近红外图像和所述可见光图像进行裁剪处理，得到所述近红外图像的第一人脸图像块、所述可见光图像的第二人脸图像块，其中，所述第一人脸图像块和所述第二人脸图像块均至少包括一个人脸特征；将所述第一人脸图像块和所述第二人脸图像块输入预设神经网络模型中进行活体检测，判断所述待检测人脸是否为活体。本发明专利技术提供的人脸活体检测方法、装置及计算机可读存储介质能够提高人脸活体检测的准确性的同时，确保用户的使用体验。

【技术实现步骤摘要】
人脸活体检测方法、装置及计算机可读存储介质
本专利技术实施例涉及图像处理与计算机视觉领域，特别涉及一种人脸活体检测方法、装置及计算机可读存储介质。
技术介绍
人脸图像是用于高度精确的人脸识别系统的最易访问的生物特征识别方式，当然也容易受到许多种不同类型的伪造人脸攻击。因此，旨在确定摄像头捕获的人脸图像是否真实的活体检测技术也随之产生。目前的人脸活体检测方法包括：基于单目摄像头RGB人脸图像进行的交互式活体检测、基于双目摄像头NIR图像和RGB图像进行的双目活体检测，上述两种检测方法均是利用人工选择的特征(如LBP，HoG，SIFT，SURF和DoG)来得到活体与非活体的特征分布，从而区分人脸图像是否为活体。专利技术人发现现有技术中至少存在如下问题：目前基于单目RGB人脸图片进行活体检测主要为交互式活体检测，需要用户进行点头、张嘴、眨眼等动作配合，用户配合时间长，导致用户体验不佳；基于双目摄像头NIR图像和RGB图像的两种人脸图像信息的双目活体检测，主要利用人工选取的特征，再利用SVM(支持向量机)进行分类。人工选取的特征对光照、人脸姿势、特殊长相的人脸很敏感，而SVM模型不能捕捉到歧义性信息，泛化能力差，导致人脸活体检测的准确性不高。
技术实现思路
本专利技术实施方式的目的在于提供一种人脸活体检测方法、装置及计算机可读存储介质，其能够提高人脸活体检测的准确性的同时，确保用户的使用体验。为解决上述技术问题，本专利技术的实施方式提供了一种人脸活体检测方法方法，包括：获取包含待检测人脸的近红外图像和可见光图像；分别对所述近红外图像和所述可见光图像进行裁剪处理，得到所述近红外图像的第一人脸图像块、所述可见光图像的第二人脸图像块，其中，所述第一人脸图像块和所述第二人脸图像块均至少包括一个人脸特征；将所述第一人脸图像块和所述第二人脸图像块输入预设神经网络模型中进行活体检测，判断所述待检测人脸是否为活体。本专利技术的实施方式还提供了一种人脸活体检测装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的人脸活体检测方法。本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的人脸活体检测方法。本专利技术的实施方式相对于现有技术而言，通过获取包含待检测人脸的近红外图像和可见光图像，能够直接根据上述两类图像进行活体检测，以避免用户进行点头、张嘴、眨眼等动作配合，提高了用户的使用体验；通过分别对近红外图像和可见光图像进行裁剪处理，得到至少包括一个人脸特征的第一人脸图像块和第二人脸图像块，此种方式避免了“根据整张人脸图片进行检测，无法充分利用人脸局部信息的不足”的情况的发生，采用含局部特征人脸图像块的方式进行人脸活体检测，提高了人脸活体检测的准确性。另外，所述预设神经网络模型通过以下方式训练得到：S1：采集正、负样本图像，其中，正样本图像包括真实活体近红外图像和真实活体可见光图像，负样本图像包括伪造活体近红外图像和伪造活体可见光图像；S2：将所述正、负样本图像输入卷积神经网络模型，得到活体检测结果；S3：根据所述活体检测结果计算所述卷积神经网络模型的损失函数，并根据所述损失函数调整所述卷积神经网络模型的学习率；S4：重复步骤S1至步骤S3，直至所述损失函数满足预设要求，将满足预设要求的损失函数对应的学习率作为所述卷积神经网络模型的最终学习率，并将具有最终学习率的卷积神经网络模型作为所述预设神经网络模型。另外，在将所述正、负样本图像输入卷积神经网络模型之前，还包括：调整所述正、负样本图像的图像大小，以使所述图像大小等于预设阈值；对调整图像大小后的正、负样本图像进行随机翻转和旋转，再对进行随机翻转和旋转后的正、负样本图像进行基于人脸框的裁剪，得到多个人脸图像块，其中，每个人脸图像块至少包括一个人脸特征；所述将所述正、负样本图像输入卷积神经网络模型，得到活体检测结果，包括：将所述多个人脸图像块输入卷积神经网络模型，得到活体检测结果。另外，所述将所述多个人脸图像块输入卷积神经网络模型，得到活体检测结果，包括：对每个所述人脸图像块进行特征提取，得到多个人脸特征；将所述多个人脸特征进行拼接和随机移除，得到特征矩阵，对所述特征矩阵进行特征提取，得到所述活体检测结果。另外，所述对每个所述人脸图像块进行特征提取，包括：采用预设残差网络对每个所述人脸图像块进行深度特征提取，其中，所述预设残差网络按照网络层由低到高的顺序被分为第一部分、第二部分、第三部分、第四部分和第五部分；将在所述第三部分提取的特征作为所述多个人脸特征；所述对所述特征矩阵进行特征提取，得到所述活体检测结果，包括：通过卷积对所述特征矩阵进行特征提取，再将所述特征提取的结果依次输入所述第四部分、所述第五部分和所述预设神经网络模型的全连接层，得到所述活体检测结果。另外，在将所述第三部分提取的特征作为所述多个人脸特征之后，还包括：将所述多个人脸特征输入SEnet模块，得到新的人脸特征；所述将所述多个人脸特征进行拼接和随机移除，得到特征矩阵，包括：将所述新的人脸特征人脸特征进行拼接和随机移除，得到所述特征矩阵。另外，在采集正、负样本图像之后，还包括：分别对所述真实活体近红外图像、所述真实活体可见光图像、所述伪造活体近红外图像和所述伪造活体可见光图像进行标注；所述根据所述活体检测结果计算所述卷积神经网络模型的损失函数，包括：根据以下公式计算所述损失函数：其中，L为所述损失函数，N为所述正、负样本图像的总数量，yi为第i张正、负样本图像的标注，pi为第i张正、负样本图像预测正确的概率，当正、负样本图像为真实活体近红外图像或真实活体可见光图像时，yi等于1；当正、负样本图像为伪造活体近红外图像或伪造活体可见光图像时，yi等于0。另外，根据以下公式计算所述卷积神经网络模型的学习率：其中，ηmax为初始学习率，ηt为第t次训练时的学习率，Tcur为当前训练的总次数，Tmax为需训练的总次数。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是根据本专利技术第一实施方式提供的人脸活体检测方法的流程图；图2是根据本专利技术第二实施方式提供的人脸活体检测方法的流程图；图3是根据本专利技术第二实施方式提供的预设神经网络模型训练方法的流程图；图4是根据本专利技术第三实施方式提供的人脸活体检测装置的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本专利技术而提出了许多技术细节。但是，即使没有这些技术细节和基本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于，包括：/n获取包含待检测人脸的近红外图像和可见光图像；/n分别对所述近红外图像和所述可见光图像进行裁剪处理，得到所述近红外图像的第一人脸图像块、所述可见光图像的第二人脸图像块，其中，所述第一人脸图像块和所述第二人脸图像块均至少包括一个人脸特征；/n将所述第一人脸图像块和所述第二人脸图像块输入预设神经网络模型中进行活体检测，判断所述待检测人脸是否为活体。/n

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括：
获取包含待检测人脸的近红外图像和可见光图像；
分别对所述近红外图像和所述可见光图像进行裁剪处理，得到所述近红外图像的第一人脸图像块、所述可见光图像的第二人脸图像块，其中，所述第一人脸图像块和所述第二人脸图像块均至少包括一个人脸特征；
将所述第一人脸图像块和所述第二人脸图像块输入预设神经网络模型中进行活体检测，判断所述待检测人脸是否为活体。


2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述预设神经网络模型通过以下方式训练得到：
S1：采集正、负样本图像，其中，正样本图像包括真实活体近红外图像和真实活体可见光图像，负样本图像包括伪造活体近红外图像和伪造活体可见光图像；
S2：将所述正、负样本图像输入卷积神经网络模型，得到活体检测结果；
S3：根据所述活体检测结果计算所述卷积神经网络模型的损失函数，并根据所述损失函数调整所述卷积神经网络模型的学习率；
S4：重复步骤S1至步骤S3，直至所述损失函数满足预设要求，将满足预设要求的损失函数对应的学习率作为所述卷积神经网络模型的最终学习率，并将具有最终学习率的卷积神经网络模型作为所述预设神经网络模型。


3.根据权利要求2所述的人脸活体检测方法，其特征在于，在将所述正、负样本图像输入卷积神经网络模型之前，还包括：
调整所述正、负样本图像的图像大小，以使所述图像大小等于预设阈值；
对调整图像大小后的正、负样本图像进行随机翻转和旋转，再对进行随机翻转和旋转后的正、负样本图像进行基于人脸框的裁剪，得到多个人脸图像块，其中，每个人脸图像块至少包括一个人脸特征；
所述将所述正、负样本图像输入卷积神经网络模型，得到活体检测结果，包括：
将所述多个人脸图像块输入卷积神经网络模型，得到活体检测结果。


4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述将所述多个人脸图像块输入卷积神经网络模型，得到活体检测结果，包括：
对每个所述人脸图像块进行特征提取，得到多个人脸特征；
将所述多个人脸特征进行拼接和随机移除，得到特征矩阵，对所述特征矩阵进行特征提取，得到所述活体检测结果。


5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述对每个所述人脸图像块进行特征提取，包括：
采用预设残差网络对每个所述人脸图像块进行深度特征提取，其中，所述预设残差网络按照网络层...

【专利技术属性】
技术研发人员：余述超，浦贵阳，程耀，
申请(专利权)人：中移杭州信息技术有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33