[发明专利]人脸活体检测方法、装置及计算机可读存储介质

权利要求书

1.一种人脸活体检测方法，其特征在于，所述方法包括如下步骤：

S1步骤：提取待检测图片的YCrCb和HSV颜色空间信息，作为卷积神经网络模型的输入；

S2步骤：利用卷积神经网络模型对待检测图片的YCrCb和HSV颜色空间信息进行卷积运算获得卷积输出结果；

S3步骤：将卷积输出结果输入至分类模型进行分析以获得待检测图片的特征向量；

S4步骤：获取预先存储在存储器中的多个图片样本，并根据所述待检测图片的特征向量，从获取的多个图片样本中确定出与所述待检测图片相匹配的图片样本，其中所述获取的每个图片样本分别具有标签，所述标签中包括是否有活体以及对应的场景标识；

S5步骤：将与所述待检测图片相匹配的图片样本的标签作为所述待检测图片的标签，得到待检测图片的检测结果。

2.如权利要求1所述的人脸活体检测方法，其特征在于，S1步骤包括：提取待检测图片的YCrCb和HSV颜色空间信息中的Y分量信息、CrCb分量信息、V分量信息和HS分量信息，分别记为图片Y分量信息、图片CrCb分量信息、图片V分量信息和图片HS分量信息，作为卷积神经网络模型的输入。

3.如权利要求2所述的人脸活体检测方法，其特征在于，S2步骤包括：将所提取的图片Y分量信息、图片CrCb分量信息、图片V分量信息和图片HS分量信息分别输入预先训练好的第一单层卷积神经网络模型、第一多层卷积神经网络模型、第二单层卷积神经网络模型和第二多层卷积神经网络模型进行卷积，获得第一单层卷积输出、第一多层卷积输出、第二单层卷积输出和第二多层卷积输出。

4.如权利要求3所述的人脸活体检测方法，其特征在于，S3步骤包括：将所获得的第一单层卷积输出、第一多层卷积输出、第二单层卷积输出和第二多层卷积输出结果作为分类模型的输入，其中所述分类模型为将所述第一单层卷积神经网络模型、第一多层卷积神经网络模型、第二单层卷积神经网络模型和第二多层卷积神经网络模型根据结合策略进行模型融合后获得的分类模型，所述分类模型进行分析获得图片分类输出作为所述待检测图片的特征向量，所述待检测图片的特征向量为对不同场景具有区分度的特征向量。

5.如权利要求1所述的人脸活体检测方法，其特征在于，在所述S1步骤之前，该方法还包括步骤：

针对不同的场景分别获取每一个场景下的图片样本，每个图片样本分别具有标签；

训练每一个场景下的图片样本得到所述卷积神经网络模型和分类模型，所述分类模型的输出为对不同场景具有区分度的特征向量。

6.如权利要求5所述的人脸活体检测方法，其特征在于，所述训练获取到的各图片样本得到所述卷积神经网络模型和分类模型的步骤包括：

提取所述图片样本的YCrCb和HSV颜色空间信息中的Y分量信息、CrCb分量信息、V分量信息和HS分量信息，分别记为样本Y分量信息、样本CrCb分量信息、样本V分量信息和样本HS分量信息；

分别用所述样本Y分量信息、样本CrCb分量信息、样本V分量信息和样本HS分量信息，训练得到第一单层卷积神经网络模型、第一多层卷积神经网络模型、第二单层卷积神经网络模型和第二多层卷积神经网络模型；

将第一单层卷积神经网络模型、第一多层卷积神经网络模型、第二单层卷积神经网络模型和第二多层卷积神经网络模型的输出结果输入至分类模型，分类模型进行分析获得样本输出，所述样本输出为对不同场景具有区分度的特征向量，以便在进行活体检测时，根据所述分类模型确定出待检测图片的特征向量，并根据所述待检测图片的特征向量确定出与所述待检测图片相匹配的图片样本，将相匹配的图片样本的标签作为所述待检测图片的标签。

7.如权利要求1-6任一所述的人脸活体检测方法，其特征在于，所述分类模型为线性回归模型。

8.一种人脸活体检测装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的人脸活体检测程序，所述人脸活体检测程序被所述处理器执行时实现如权利要求1至6任一项所述人脸活体检测方法的步骤。