活体检测方法和活体检测装置制造方法及图纸

一种活体检测方法和活体检测装置，该方法包括：获取针对待测对象拍摄的图像，对图像进行人脸检测，得到人脸图像；对人脸图像进行预处理，得到待测人脸图像；利用训练好的活体检测模型对待测人脸图像进行活体检测并输出活体检测结果；其中，活体检测模型基于可扩展高效目标检测网络对待测人脸图像进行特征提取得到多尺度特征，并基于多尺度特征得到待测对象的活体检测结果，可扩展高效目标检测网络包括主干网络、特征网络和预测网络，主干网络、特征网络和预测网络能够统一缩放。该方法和装置基于活体检测模型对待测人脸图像提取多尺度特征来表征真人或者假体信息，使得该活体检测模型能够分析人脸区域的细致纹理信息，从而提高活体检测能力。高活体检测能力。高活体检测能力。

【技术实现步骤摘要】
活体检测方法和活体检测装置


[0001]本申请涉及人脸识别
，更具体地涉及一种活体检测方法和活体检测装置。

技术介绍

[0002]人脸识别作为一种常用的身份验证技术，已经越来越多地应用于安防、金融等领域，如智能门锁、刷脸支付等场景。然而，在对安全级别有较高要求的应用领域中，能够防范如照片、面具或者3D头模等攻击，仍是人脸识别技术的研究重点。因此，活体检测技术作为能够区分真人与假体的关键技术，其准确性及抗攻击能力是衡量人脸识别效果的关键指标之一。
[0003]目前主流的活体检测方案主要可分为配合式和静默式两种。配合式活体检测是通过用户根据提示做出相应的动作，如眨眼、张嘴、摇头等。配合式活体检测用户体验感、检测的隐蔽性较差。静默式活体检测是在用户无感的情况下直接进行检测。在静默式活体检测中，采集的图像信息包括普通RGB图像、基于红外成像原理生成的近红外图像、通过3D结构光或飞行时间传感器(TOF)获取3D人脸信息生成的深度信息图像等。但是，目前的静默式活体检测方法中，如果仅采集一种模态的图像信息，诸如普通RGB图像，则只能解决简单的图片攻击；如果想应对更复杂的攻击，则需要诸如RGB图像、近红外图像等至少两种甚至更多模态的图像信息，从而需要复杂的硬件采集环境及复杂的多模态算法。

技术实现思路

[0004]为了解决上述问题而提出了本申请的活体检测方案，该活体检测方案仅采集一种模态的图像信息即可应对照片、面具、3D头模等多种攻击。此处对本申请的活体检测方案进行概括，更多细节在后文中描述。
[0005]根据本申请一方面，提供了一种用于活体检测方法，所述方法包括：获取针对待测对象拍摄的图像，对所述图像进行人脸检测，得到人脸图像；对所述人脸图像进行预处理，得到待测人脸图像；利用训练好的活体检测模型对所述待测人脸图像进行活体检测并输出活体检测结果；其中，所述活体检测模型基于可扩展高效目标检测网络对所述待测人脸图像进行特征提取得到多尺度特征，并基于所述多尺度特征得到所述待测对象的活体检测结果，所述可扩展高效目标检测网络包括主干网络、特征网络和预测网络，所述主干网络、特征网络和预测网络能够统一缩放。
[0006]在本申请的实施例中，所述活体检测模型基于可扩展高效目标检测网络对所述待测人脸图像进行特征提取得到多尺度特征，并基于所述多尺度特征得到所述待测对象的活体检测结果，包括：基于主干网络对所述待测人脸图像进行特征提取，得到多个第一特征图，并从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图；基于特征网络对每个所述可用特征图进行特征提取，得到多个尺度的第二特征图；基于激活函数对所述多个尺度的第二特征图进行处理，得到多个尺度的第三特征图；对所述多个尺度的第三
特征图进行全局平均汇聚处理，得到特征向量；基于所述特征向量得到分类结果，并基于所述分类结果输出针对所述待测对象的活体检测结果。
[0007]在本申请的实施例中，所述活体检测模型在训练过程中基于样本图像的高频信息进行自监督学习。
[0008]在本申请的实施例中，所述活体检测模型的训练过程包括：将经过所述预处理的样本图像输入到主干网络，由所述主干网络输出多个第一特征图；从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图；将所述可用特征图输入到特征网络，由所述特征网络输出多个尺度的第二特征图；基于激活函数对所述多个尺度的第二特征图进行处理，得到多个尺度的第三特征图；对所述多个尺度的第三特征图进行全局平均汇聚处理，得到特征向量，并将所述特征向量输入到损失函数，得到第一损失；将所述多个尺度的第三特征图输入到傅里叶生成网络，由所述傅里叶生成网络输出所述第三特征图的傅里叶频谱，并基于所述第三特征图的傅里叶频谱和所述样本图像的傅里叶频谱确定第二损失；基于所述第一损失和所述第二损失得到最终损失，将所述最终损失回传以优化所述活体检测模型，直到训练完成。
[0009]在本申请的实施例中，所述从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图，包括：从所述多个第一特征图中获取最后输出的n个不同尺度的特征图作为可用特征图，其中n为大于1的自然数。
[0010]在本申请的实施例中，所述n等于3。
[0011]在本申请的实施例中，所述待处理人脸图像的图像尺寸为3*512*512，所述可用特征图的图像尺寸包括40*64*64、112*32*32、320*16*16，所述第二特征图的图像尺寸包括64*16*16、64*8*8、64*4*4。
[0012]在本申请的实施例中，所述样本图像包括不同条件下拍摄得到的真人活体样本图像和非活体样本图像，所述不同条件包括以下中的至少一项：不同光照条件、不同人脸角度、不同距离。
[0013]在本申请的实施例中，所述预处理包括以下中的至少一项：将图像中的人脸区域扩展为方形区域；对所述图像进行裁剪；对所述图像进行缩放；对所述图像进行归一化。
[0014]在本申请的实施例中，所述方法还包括：在得到所述待测人脸图像后，对所述待测人脸图像进行质量评估，将通过质量评估的待测人脸图像输入至所述训练好的活体检测模型以进行活体检测。
[0015]在本申请的实施例中，对所述待测人脸图像进行质量评估，包括：确定所述待测人脸图像的亮度是否在预设范围内；其中，当所述人脸图像的亮度在所述预设范围内时，确定所述待测人脸图像通过质量评估。
[0016]在本申请的实施例中，所述针对待测对象拍摄的图像为彩色图像。
[0017]在本申请的实施例中，所述可扩展高效目标检测网络为Efficient Det网络。
[0018]在本申请的实施例中，所述主干网络为Efficient Net网络。
[0019]在本申请的实施例中，所述特征网络为加权双向特征金字塔网络。
[0020]根据本申请另一方面，还提供了一种活体检测装置，所述装置包括：人脸检测模块，用于获取针对待测对象拍摄的图像，对所述图像进行人脸检测，得到人脸图像；预处理模块，用于对所述人脸图像进行预处理，得到待测人脸图像；活体检测模块，用于利用训练
好的活体检测模型对所述待测人脸图像进行活体检测并输出活体检测结果；其中，所述活体检测模型基于可扩展高效目标检测网络对所述待测人脸图像进行特征提取得到多尺度特征，并基于所述多尺度特征得到所述待测对象的活体检测结果，所述可扩展高效目标检测网络包括主干网络、特征网络和预测网络，所述主干网络、特征网络和预测网络能够统一缩放。
[0021]在本申请的实施例中，所述活体检测模型基于可扩展高效目标检测网络对所述待测人脸图像进行特征提取得到多尺度特征，并基于所述多尺度特征得到所述待测对象的活体检测结果，包括：基于主干网络对所述待测人脸图像进行特征提取，得到多个第一特征图，并从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图；基于特征网络对每个所述可用特征图进行特征提取，得到多个尺度的第二特征图；基于激活函数对所述多个尺度的第二特征图进行处理，得到多个尺度的第三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体检测方法，其特征在于，所述方法包括：获取针对待测对象拍摄的图像，对所述图像进行人脸检测，得到人脸图像；对所述人脸图像进行预处理，得到待测人脸图像；利用训练好的活体检测模型对所述待测人脸图像进行活体检测并输出活体检测结果；其中，所述活体检测模型基于可扩展高效目标检测网络对所述待测人脸图像进行特征提取得到多尺度特征，并基于所述多尺度特征得到所述待测对象的活体检测结果，所述可扩展高效目标检测网络包括主干网络、特征网络和预测网络，所述主干网络、特征网络和预测网络能够统一缩放。2.根据权利要求1所述的方法，其特征在于，所述活体检测模型基于可扩展高效目标检测网络对所述待测人脸图像进行特征提取得到多尺度特征，并基于所述多尺度特征得到所述待测对象的活体检测结果，包括：基于所述主干网络对所述待测人脸图像进行特征提取，得到多个第一特征图，并从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图；基于所述特征网络对每个所述可用特征图进行特征提取，得到多个尺度的第二特征图；基于激活函数对所述多个尺度的第二特征图进行处理，得到多个尺度的第三特征图；对所述多个尺度的第三特征图进行全局平均汇聚处理，得到特征向量；基于所述特征向量得到分类结果，并基于所述分类结果输出针对所述待测对象的活体检测结果。3.根据权利要求1所述的方法，其特征在于，所述活体检测模型在训练过程中基于样本图像的高频信息进行自监督学习。4.根据权利要求3所述的方法，其特征在于，所述活体检测模型的训练过程包括：将经过所述预处理的样本图像输入到所述主干网络，由所述主干网络输出多个第一特征图；从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图；将所述可用特征图输入到所述特征网络，由所述特征网络输出多个尺度的第二特征图；基于激活函数对所述多个尺度的第二特征图进行处理，得到多个尺度的第三特征图；对所述多个尺度的第三特征图进行全局平均汇聚处理，得到特征向量，并将所述特征向量输入到损失函数，得到第一损失；将所述多个尺度的第三特征图输入到傅里叶生成网络，由所述傅里叶生成网络输出所述第三特征图的傅里叶频谱，并基于所述第三特征图的傅里叶频谱和所述样本图像的傅里叶频谱确定第二损失；基于所述第一损失和所述第二损失得到最终损失，将所述最终损失回传以优化所述活体检测模型，直到训练完成。5.根据权利要求2或4所述的方法，其特征在于，所述从所述多个第一特征图中获取多个不同尺度的特征图作为可用特征图，包括：从所述多个第一特征图中获取最后输出的n个不同尺度的特征图作为可用特征图，其中n为大于1的自然数。
6.根据权利要求5所述的方法，其特征在于，所述n等于3。7.根据权利要求6所述的方法，其特征在于，所述待处理人脸图像的图像尺寸为3*512*512，所述可用特征图的图像尺寸包括40*64*64、112*32*32、320*16*16，所述第二特征图的图像尺寸包括64*16*16、64*8*8、64*4*4。8.根据权利要求4所述的方法，其特征在于，所述样本图像包括不同条件下拍摄得到的真人活体样本图像和非活体样本图像，所述不同条件包括以下中的至少一项：不同光照条件、不同人脸角度、不同距离。9.根据权利要求1或4所述的方法，其特征在于，所述预处理包括以下中的至少一项：将图像中的人脸区域扩展为方形区域；对所述图像进行裁剪；对所述图像进行缩放；对所述图像进行归一化。10.根据权利要求1所述的方法，其特征在于，所述方法还包括：在得到所述待测人脸图像后，对所述待测人脸图像进行质量评估，将通过质量评估的待测人脸图像输入至所述训练好的活体检测模型以进行活体检测。11.根据权利要求10所述的方法，其特征在于，对所述待测人脸图像进行质量评估，包括：确定所述待测人脸图像的亮度是否在预设范围内；其中，当所述人脸图像的亮度在所述预设范围内时，确定所述待测人脸图像通过质量评估。12.根据权利要求1所述的方法，其特征在于，所述针对待测对象拍摄的图像为彩色图像。13.根据权利要求1所述的方法，其特征在于，所述可扩展高效目标检测网络为Efficient Det网络。14.根据权利要求1所述的方法，其特征在于，所述主干网络为Efficient Net网络。15.根据权利要求1所述的方法，其特征在于，所述特征网络为加权双向特征金字塔网络。16.一种活体...

【专利技术属性】
技术研发人员：韦美丽，张建良，刘金胜，苑京立，
申请(专利权)人：北京驭光科技发展有限公司，
类型：发明
国别省市：