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

本公开提供了一种人脸活体检测方法、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、图像处理、计算机视觉技术领域，可应用于活体检测等场景。包括：从第一可见光图像中提取第一可见光特征；从第一近红外图像中提取第一近红外特征；将第二可见光特征及第二近红外特征进行融合，得到融合特征；根据融合特征，确定人脸对象的融合活体检测结果；根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果；根据融合活体检测结果、可见光活体检测结果和近红外活体检测结果，确定人脸活体检测结果，提高了人脸活体检测的准确性。提高了人脸活体检测的准确性。提高了人脸活体检测的准确性。

【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


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

技术介绍

[0002]现有技术中，传统的人脸活体算法应用于人脸活体检测模型时，对于真实场景中人脸姿态过大、光照差异较大或攻击方式多样时的准确性较差，导致识别效果并不理想。

技术实现思路

[0003]本公开提供了一种用于人脸活体检测的方法、装置、电子设备以及存储介质。
[0004]根据本公开的第一方面，提供了一种人脸活体检测方法，包括：
[0005]从第一可见光图像中提取第一可见光特征；
[0006]从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
[0007]将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
[0008]根据所述融合特征，确定所述人脸对象的融合活体检测结果；
[0009]根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
[0010]根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
[0011]根据本公开的第二方面，提供了一种人脸活体检测模型训练方法，包括：
[0012]获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；
[0013]利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；
[0014]将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；
[0015]利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；
[0016]根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结
果，确定所述样本人脸对象的人脸活体预测结果；
[0017]根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。
[0018]根据本公开的第三方面，提供了一种人脸活体检测装置，包括：
[0019]第一特征提取模块，用于从第一可见光图像中提取第一可见光特征；
[0020]第二特征提取模块，用于从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；
[0021]特征融合模块，用于将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；
[0022]第一确定模块，用于根据所述融合特征，确定所述人脸对象的融合活体检测结果；
[0023]第二确定模块，用于根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；
[0024]第三确定模块，用于根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。
[0025]根据本公开的第四方面，提供了一种人脸活体检测模型训练装置，包括：
[0026]样本图像及标签获取模块，用于获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；
[0027]样本特征提取模块，用于利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；
[0028]样本特征融合模块，用于将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；
[0029]预测结果获取模块，用于利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；
[0030]确定模块，用于根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结果，确定所述样本人脸对象的人脸活体预测结果；
[0031]参数调整模块，用于根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。
[0032]根据本公开的第五方面，提供了一种电子设备，包括：
[0033]至少一个处理器；以及
[0034]与所述至少一个处理器通信连接的存储器；其中，
[0035]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本公开中任一项所述的方法。
[0036]根据本公开的第六方面，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，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
[0037]根据本公开的第七方面，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本公开中任一项所述的方法。
[0038]本公开实施例有益效果：
[0039]本公开实施例提供的一种人脸活体检测方法、装置、电子设备及存储介质，提高了人脸活体检测的准确性。
[0040]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
[0041]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0042]图1是根据本公开第一实施例的示意图；
[0043]图2是根据本公开第二实施例的示意图；
[0044]图3是根据本公开第三实施例的示意图；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测的方法，包括：从第一可见光图像中提取第一可见光特征；从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；根据所述融合特征，确定所述人脸对象的融合活体检测结果；根据第三可见光特征及第三近红外特征，分别确定可见光活体检测结果及近红外活体检测结果，其中，所述第一可见光特征包括所述第三可见光特征，所述第一近红外特征包括所述第三近红外特征；根据所述融合活体检测结果、所述可见光活体检测结果和所述近红外活体检测结果，确定人脸活体检测结果。2.根据权利要求1所述的方法，其中，所述从第一可见光图像中提取第一可见光特征，包括：通过将所述第一可见光图像输入可见光特征提取网络，并根据所述可见光特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一可见光特征；所述从第一近红外图像中提取第一近红外特征，包括：通过将所述第一近红外图像输入近红外特征提取网络，并根据所述近红外特征提取网络的至少两个预设卷积层区域的输出，获取至少两个所述第一近红外特征；其中，所述人脸活体检测模型包括：所述可见光特征提取网络和所述近红外特征提取网络。3.根据权利要求2所述的方法，其中，所述第三可见光特征为所述可见光特征提取网络的最后一个预设卷积层区域输出的第一可见光特征；所述第二可见光特征包括所述第三可见光特征；所述第三近红外特征为所述近红外特征提取网络的最后一个预设卷积层区域输出的第一近红外特征；所述第二近红外特征包括所述第三近红外特征；所述融合特征包括目标融合特征，所述目标融合特征由第三近红外特征及第三可见光特征融合得到。4.根据权利要求3所述的方法，其中，所述第二可见光特征还包括：第i个可见光特征，第i个可见光特征为所述可见光特征提取网络的第i个预设卷积层区域输出的可见光特征，i为属于1到n
‑
1的整数，n为所述可见光特征提取网络中预设卷积层区域的数量，且n大于1的整数；所述第二近红外特征还包括：第i个近红外特征，第i个近红外特征为所述近红外特征提取网络的第i个预设卷积层区域输出的近红外特征；所述融合特征还包括：第i个融合特征，所述第i个融合特征由第i个近红外特征、第i个可见光特征及第i+1个融合特征融合得到，第n个融合特征为所述目标融合特征；所述融合活体检测结果包括：第i个融合特征的活体检测结果及目标融合特征的活体检测结果。5.根据权利要求1所述的方法，其中，所述方法还包括：
获取包含所述人脸对象的第二可见光图像及第二近红外图像；对所述第二可见光图像及所述第二近红外图像进行人脸关键点检测，分别得到可见光人脸关键点及近红外人脸关键点；基于所述可见光人脸关键点及所述近红外人脸关键点，对所述第二可见光图像中的人脸区域及所述第二近红外图像中的人脸区域进行对齐，分别得到所述第三可见光图像及所述第三近红外图像；对所述第三可见光图像及所述第三近红外图像分别进行图像归一化处理，分别得到所述第一可见光图像及所述第一近红外图像。6.一种人脸活体检测模型训练方法，所述方法包括：获取包含同一样本人脸对象的可见光样本图像和近红外样本图像，以及获取所述样本人脸对象的标签，所述标签表示所述样本人脸对象是否为活体人脸；利用人脸活体检测模型的可见光特征提取网络及近红外特征提取网络，对所述可见光样本图像和所述近红外样本图像进行特征提取，分别得到第一样本可见光特征及第一样本近红外特征；将第二样本可见光特征及第二样本近红外特征进行融合，得到样本融合特征，其中，所述第一样本可见光特征包括所述第二样本可见光特征，所述第一样本近红外特征包括所述第二样本近红外特征；利用所述人脸活体检测模型的各分类网络，对所述样本融合特征、第三样本可见光特征及第三样本近红外特征进行预测，分别得到所述样本人脸对象的融合活体预测结果、可见光活体预测结果及近红外活体预测结果，其中，所述第一样本可见光特征包括所述第三样本可见光特征，所述第一样本近红外特征包括所述第三样本近红外特征；根据所述融合活体预测结果、所述可见光活体预测结果、所述近红外活体预测结果，确定所述样本人脸对象的人脸活体预测结果；根据所述样本人脸对象的人脸活体预测结果及所述标签，调整人脸活体检测模型的参数。7.一种人脸活体检测的装置，包括：第一特征提取模块，用于从第一可见光图像中提取第一可见光特征；第二特征提取模块，用于从第一近红外图像中提取第一近红外特征，其中，所述第一可见光图像与所述第一近红外图像包含相同的人脸对象；特征融合模块，用于将第二可见光特征及第二近红外特征进行融合，得到融合特征，其中，所述第一可见光特征包括所述第二可见光特征，所述第一近红外特征包括所述第二近红外特征；第一确定模块，用于根据所述融合特征，确定所述人脸对象的融合活体检测结果；第二确定模...

【专利技术属性】
技术研发人员：王珂尧，
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：