【技术实现步骤摘要】
本申请涉及计算机视觉领域，具体而言，涉及一种人脸活体的检测方法、装置及电子设备。
技术介绍
1、人脸静默活体检测是人脸识别系统的关键环节，用于鉴别人脸图像属于活体人脸还是照片、面具、屏幕等伪造人脸。随着技术发展，人脸识别技术已经逐渐摆脱验证距离的限制，被广泛应用在监控远场景中，但是远场景活体检测技术还没有得到重视。
2、相关技术主要针对近距离场景(如手机解锁、刷脸支付、门禁认证)进行设计，在依据图像质量差异来进行活体检测时通常考虑的是图像分辨率、图像失真、图像镜头畸变、图像色彩差异等图像质量，如基于图像细粒度特征(色彩、纹理、人脸深度结构等)进行活体检测；但是在远距离场景中人脸图像通常会出现运动模糊、遮挡、姿态角度大、环境光照不稳定等情况，这些噪声均会导致细粒度特征不明显甚至消失。因此近场景人脸活体检测技术直接应用在远场景下真实人脸通过率非常低，然而目前大部分远距离活体检测系统都是直接搭建现有的近距离活体检测技术，未能有效地解决远距离场景下低质量人脸(运动模糊、人脸被遮挡、大姿态)对活体检测的影响；尽管有少量相关远距离活体检测技术被提出，但是这些技术没有考虑远场景人脸质量问题对活体检测精度的影响，导致活体判断容易出错且安全性不足。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种人脸活体的检测方法、装置及电子设备，以至少解决由于相关技术中主要针对近距离场景进行活体检测造成的远距离场景中存在检测精度差的技术问题。>
2、根据本申请实施例的一个方面，提供了一种人脸活体的检测方法，包括：获取采集到的目标人脸图像，其中，目标人脸图像中的人脸与图像采集设备之间的距离大于预设距离；将目标人脸图像输入训练好的活体检测模型进行检测，得到检测结果，其中，活体检测模型用于实现人脸图像的图像质量和活体域的特征解耦，以确定输入的人脸图像是否属于活体域，人脸图像与图像采集设备之间的距离大于预设距离；依据检测结果确定目标人脸图像属于活体域的概率。
3、可选地，活体检测模型通过以下方式训练得到：将训练图像输入待训练的活体检测模型，其中，训练图像包括相同质量域不同活体域的人脸图像对或不同质量域相同活体域的人脸图像对，质量域用于表示人脸图像的图像质量评分，活体域用于表示人脸图像是否为活体，活体检测模型包括活体特征编码器、特征解码器和分类器；依据训练图像的属性信息确定活体域损失函数；依据活体域损失函数对活体检测模型中的活体特征编码器进行训练，得到训练后的目标活体特征编码器；依据目标活体特征编码器和训练图像训练活体检测模型中的分类器，得到训练后的活体检测模型。
4、可选地，依据目标活体特征编码器和训练图像训练活体检测模型中的分类器，包括：将训练图像输入目标活体特征编码器，得到活体特征；将活体特征输入分类器进行活体检测分类，得到预测分类结果；依据预测分类结果和交叉熵损失函数对分类器和目标活体特征编码器进行训练，其中，交叉熵损失函数用于确定预测分类结果和训练图像的活体域标签的真实值之间的误差。
5、可选地，依据训练图像的属性信息确定活体域损失函数，包括：在属性信息为相同质量域不同活体域的情况下，将第一损失函数确定为活体域损失函数，其中，第一损失函数用于保证重构图像与训练图像中的第二训练图像之间的活体相似性，重构图像为训练图像中的第二训练图像经过活体特征编码器和特征解码器后得到的图像；在属性信息为不同质量域相同活体域的情况下，将第二损失函数确定为活体域损失函数，其中，第二损失函数用于保证重构图像与训练图像中的第一训练图像之间的质量相似性，第一训练图像用于确定人脸质量评分。
6、可选地，活体检测模型中的参数在训练过程通过以下方式进行迭代：获取活体检测模型在上一次迭代过程中的第一平均参数，在当前迭代过程中的第二平均参数，以及迭代次数；依据第一平均参数、第二平均参数和迭代次数确定下一次迭代过程中的第三平均参数。
7、可选地，方法还包括：在活体检测模型每次迭代过程中的所有参数均更新完成后，将对应迭代过程中的所有更新参数取平均值，得到第一平均参数和第二平均参数。
8、可选地，方法还包括：在活体检测模型训练结束后，获取每次迭代过程中的平均参数和对应的损失值；从损失值中确定最小损失值；依据最小损失值确定预设区间，并依据预设区间内所有平均参数的平均值确定训练后的活体检测模型的目标参数。
9、根据本申请实施例的另一方面，还提供了一种人脸活体的检测装置，包括：获取模块，用于获取采集到的目标人脸图像，其中，目标人脸图像中的人脸与图像采集设备之间的距离大于预设距离；检测模块，用于将目标人脸图像输入训练好的活体检测模型进行检测，得到检测结果，其中，活体检测模型用于实现人脸图像的图像质量和活体域的特征解耦，以确定输入的人脸图像是否属于活体域，人脸图像与图像采集设备之间的距离大于预设距离；确定模块，用于依据检测结果确定目标人脸图像属于活体域的概率。
10、根据本申请实施例的又一方面，还提供了一种电子设备，包括：存储器，用于存储程序指令；处理器，与存储器连接，用于执行实现以下功能的程序指令：获取采集到的目标人脸图像，其中，目标人脸图像中的人脸与图像采集设备之间的距离大于预设距离；将目标人脸图像输入训练好的活体检测模型进行检测，得到检测结果，其中，活体检测模型用于实现人脸图像的图像质量和活体域的特征解耦，以确定输入的人脸图像是否属于活体域，人脸图像与图像采集设备之间的距离大于预设距离；依据检测结果确定目标人脸图像属于活体域的概率。
11、根据本申请实施例的再一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行上述人脸活体的检测方法。
12、在本申请实施例中，通过获取采集到的目标人脸图像，其中，目标人脸图像中的人脸与图像采集设备之间的距离大于预设距离；将目标人脸图像输入训练好的活体检测模型进行检测，得到检测结果，其中，活体检测模型用于实现人脸图像的图像质量和活体域的特征解耦，以确定输入的人脸图像是否属于活体域，人脸图像与图像采集设备之间的距离大于预设距离；依据检测结果确定目标人脸图像属于活体域的概率，达到了通过活体检测模型对远距离场景下的人脸图像进行活体检测并确定该人脸图像活体概率值的目的，从而实现了增强远距离场景下的人脸图像活体检测精度的技术效果，进而解决了由于相关技术中主要针对近距离场景进行活体检测造成的远距离场景中存在检测精度差的技术问题。
本文档来自技高网...【技术保护点】
1.一种人脸活体的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述活体检测模型通过以下方式训练得到：
3.根据权利要求2所述的方法，其特征在于，依据所述目标活体特征编码器和所述训练图像训练所述活体检测模型中的分类器，包括：
4.根据权利要求2所述的方法，其特征在于，依据所述训练图像的属性信息确定活体域损失函数，包括：
5.根据权利要求2所述的方法，其特征在于，所述活体检测模型中的参数在训练过程通过以下方式进行迭代：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
8.一种人脸活体的检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的计算机程序，其中，所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至7中任意一项所述的人脸活体的检测方法。
【技术特征摘要】
1.一种人脸活体的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述活体检测模型通过以下方式训练得到：
3.根据权利要求2所述的方法，其特征在于，依据所述目标活体特征编码器和所述训练图像训练所述活体检测模型中的分类器，包括：
4.根据权利要求2所述的方法，其特征在于，依据所述训练图像的属性信息确定活体域损失函数，包括：
5.根据权利要求2所述的方法，其特征在于，所述活体检测模型中的参数在训练过程通过以...
【专利技术属性】
技术研发人员：徐姚文，邹棹帆，李慧，佟盟，郭知智，何智翔，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。