一种活体检测方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了活体检测方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、活体检测等场景。具体实现方案为：获取待检测的人脸RGB图像；分别对人脸RGB图像进行色彩模型转换和傅里叶变换，得到YUV图像和频谱图；将YUV图像和频谱图输入预先训练完成的活体检测模型，以使活体检测模型提取YUV图像的YUV图像特征，提取频谱图的频谱图特征，并对YUV图像特征和频谱图特征进行融合，得到融合特征，基于融合特征进行活体检测；获得活体检测模型输出的活体检测结果。使网络模型学习到的特征更加鲁棒，提高了活体检测的准确度。提高了活体检测的准确度。提高了活体检测的准确度。

【技术实现步骤摘要】
一种活体检测方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，具体为深度学习、计算机视觉
，可应用于人脸识别、活体检测等场景。

技术介绍

[0002]随着电子商务等技术的发展，基于人脸的身份验证已经得到广泛的应用，基于人脸的身份验证主要是通过人脸识别技术来实现，在人脸识别技术极大提高了人们生活便利性的同时，其安全性问题也逐渐暴露，例如通过打印照片、屏幕照片等伪装为实体人脸通过验证。
[0003]可见，人脸识别技术中，需要人脸活体检测技术来判断人脸图像是否是通过拍摄活体人脸得到的。

技术实现思路

[0004]本公开提供了一种活体检测方法、装置、电子设备及存储介质。
[0005]根据本公开的一方面，提供了一种活体检测方法，包括：
[0006]获取待检测的人脸RGB图像；
[0007]分别对所述人脸RGB图像进行色彩模型转换和傅里叶变换，得到YUV图像和频谱图；
[0008]将所述YUV图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述YUV图像的YUV图像特征，提取所述频谱图的频谱图特征，并对所述YUV图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；
[0009]获得所述活体检测模型输出的活体检测结果。
[0010]根据本公开的另一方面，提供了一种活体检测模型的训练方法，包括：
[0011]获取样本图像以及所述样本图像的活体检测真实标签；
[0012]分别对所述样本图像进行色彩模型转换和傅里叶变换，得到样本YUV图像和样本频谱图；
[0013]将所述样本YUV图像和所述样本频谱图输入初始网络，得到活体检测预测标签；其中，所述初始网络中包含特征提取层、池化层、全连接层和softmax层；所述特征提取层包括：YUV提取层、频谱提取层；所述YUV提取层，用于提取所述YUV图像的YUV图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征；
[0014]基于所述活体检测真实标签和所述活体检测预测标签计算损失值，并基于损失值调整所述初始网络中的可学习参数。
[0015]根据本公开的另一方面，提供了一种活体检测装置，包括：
[0016]第一获取模块，用于获取待检测的人脸RGB图像；
[0017]第一转换模块，用于分别对所述人脸RGB图像进行色彩模型转换和傅里叶变换，得到YUV图像和频谱图；
[0018]输入模块，用于将所述YUV图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述YUV图像的YUV图像特征，提取所述频谱图的频谱图特征，并对所述YUV图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；
[0019]获得模块，用于获得所述活体检测模型输出的活体检测结果。
[0020]根据本公开的另一方面，提供了一种活体检测模型的训练装置，包括：
[0021]第二获取模块，用于获取样本图像以及所述样本图像的活体检测真实标签；
[0022]第二转换模块，用于分别对所述样本图像进行色彩模型转换和傅里叶变换，得到样本YUV图像和样本频谱图；
[0023]预测模块，用于将所述样本YUV图像和所述样本频谱图输入初始网络，得到活体检测预测标签；其中，所述初始网络中包含特征提取层、池化层、全连接层和softmax层；所述特征提取层包括：YUV提取层、频谱提取层；所述YUV提取层，用于提取所述YUV图像的YUV图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征；
[0024]调整模块，用于基于所述活体检测真实标签和所述活体检测预测标签计算损失值，并基于损失值调整所述初始网络中的可学习参数。
[0025]根据本公开的另一方面，提供了一种电子设备，包括：
[0026]至少一个处理器；以及
[0027]与所述至少一个处理器通信连接的存储器；其中，
[0028]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活体检测方法。
[0029]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行活体检测方法。
[0030]根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现活体检测方法。
[0031]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0032]附图用于更好地理解本方案，不构成对本公开的限定。
[0033]图1为本公开实施例提供的活体检测方法的一种流程示意图；
[0034]图2为本公开实施例提供的活体检测模型的一种结构示意图；
[0035]图3为本公开实施例提供的活体检测模型的另一种结构示意图；
[0036]图4为本公开实施例提供的活体检测模型的训练方法的一种流程示意图；
[0037]图5是用来实现本公开实施例的活体检测方法的装置的框图；
[0038]图6是用来实现本公开实施例的活体检测模型的训练方法的装置的框图；
[0039]图7是用来实现本公开实施例的活体检测方法的电子设备的框图。
具体实施方式
[0040]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0041]人脸活体检测是人脸相关领域的基础技术之一，可以应用于考勤、门禁通行等诸多场景。在当前的很多业务上都有广泛的应用。
[0042]目前的人脸活体检测过程，通常是对人脸或人脸外扩一定区域的RGB(red
‑
green
‑
bule，红绿蓝三原色)图像进行特征提取，之后基于图像特征进行二分类，得到检测结果。
[0043]然而，GRB图像中，光照亮度信息、模糊度信息等是融合在一起的，仅使用RGB图像作为输入，网络模型学习到的特征不够鲁棒，最终导致活体检测的准确率较低。
[0044]为了解决上述技术问题，本公开提供了一种活体检测方法、装置、电子设备及存储介质。
[0045]本公开的一个实施例中，提供了一种人脸活体检测方法，方法包括：
[0046]获取待检测的人脸RGB图像；
[0047]分别对所述人脸RGB图像进行色彩模型转换和傅里叶变换，得到YUV图像和频谱图；
[0048]将所述YUV图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，包括：获取待检测的人脸RGB图像；分别对所述人脸RGB图像进行色彩模型转换和傅里叶变换，得到YUV图像和频谱图；将所述YUV图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述YUV图像的YUV图像特征，提取所述频谱图的频谱图特征，并对所述YUV图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；获得所述活体检测模型输出的活体检测结果。2.根据权利要求1所述的方法，其中，所述活体检测模型包括：特征提取层、池化层、全连接层和softmax层；所述特征提取层包括：YUV提取层、频谱提取层；所述YUV提取层，用于提取所述YUV图像的YUV图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征。3.根据权利要求2所述的方法，其中，所述YUV提取层包括第一YUV子提取层和第二YUV子提取层；所述频谱提取层包括第一频谱子提取层和第二频谱子提取层；所述第二YUV子提取层的输入特征为所述第一YUV子提取层的输出特征与所述第一频谱子提取层的输出特征的拼接特征；所述池化层的输入特征为所述第二YUV子提取层的输出特征与所述第二频谱子提取层的输出特征的拼接特征。4.根据权利要求3所述的方法，其中，所述第一YUV子提取层包括Resnet18网络中的第一卷积层、第二卷积层和第三卷积层；所述第二YUV子提取层包括Resnet18网络中的第四卷积层和第五卷积层；所述第一频谱子提取层包括inception v3网络和第一降维卷积层；所述第二频谱子提取层包括双层inception v3网络和第二降维卷积层。5.根据权利要求1所述的方法，在将所述YUV图像和所述频谱图输入预先训练完成的活体检测模型之前，还包括：对所述频谱图进行频谱对齐。6.一种活体检测模型的训练方法，包括：获取样本图像以及所述样本图像的活体检测真实标签；分别对所述样本图像进行色彩模型转换和傅里叶变换，得到样本YUV图像和样本频谱图；将所述样本YUV图像和所述样本频谱图输入初始网络，得到活体检测预测标签；其中，所述初始网络中包含特征提取层、池化层、全连接层和softmax层；所述特征提取层包括：YUV提取层、频谱提取层；所述YUV提取层，用于提取所述YUV图像的YUV图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征；基于所述活体检测真实标签和所述活体检测预测标签计算损失值，并基于损失值调整所述初始网络中的可学习参数。7.根据权利要求6所述的方法，其中，基于所述活体检测真实标签和所述活体检测预测标签计算损失值的步骤，包括：
获取所述softmax层输出的所述样本图像的活体检测预测标签；基于所述样本图像的活体检测真实标签、所述样本图像的活体检测预测标签进行交叉熵运算，得到损失值。8.一种活体检测装置，包括：第一获取模块，用于获取待检测的人脸RGB图像；第一转换模块，用于分别对所述人脸RGB图像进行色彩模型转换和傅里叶变换，得到YUV图像和频谱图；输入模块，用于将所述YUV图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述YUV图像的YUV图像特征，提取所述频谱图的频谱图特征，并对所述YUV图像特征和所述频...

【专利技术属性】
技术研发人员：黄泽斌，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：