[发明专利]一种基于深度图的单目人脸活体检测方法、装置及设备

说明书

本发明公开了一种基于深度图的单目人脸活体检测方法、装置、设备及计算机可读存储介质，包括：利用目标活体人脸图像集与目标非活体人脸图像集对预建的初始人脸图像的深度图生成模型进行训练，得到目标人脸图像的深度图生成模型；根据目标人脸图像的深度图生成模型与二分类训练模型，构建初始单目人脸活体检测模型；利用目标活体人脸图像集与目标非活体人脸图像集对初始单目人脸活体检测模型进行训练，得到目标单目人脸活体检测模型；将待检测人脸图像输入目标单目人脸活体检测模型，输出分类结果，并判断待检测人脸图像是否为活体。本发明所提供的方法、装置、设备及计算机可读存储介质，在有效提高人脸活体检测识别率与算法的鲁棒性和泛化能力。

技术领域

本发明涉及计算机数字图像处理技术领域，特别是涉及一种基于深度图的单目人脸活体检测方法、装置、设备以及计算机可读存储介质。

背景技术

人脸活体，即判断捕捉到的人脸是真实人脸还是伪造人脸，是当前计算机视觉研究中极具挑战性的热点问题之一。主要就是找到活体与非活体之间的差异性，然后采用这种差异性就可以判断出是否为活体。该技术对后续的人脸识别等的性能具有重要影响，也能提高产品的安全性。现有的活体检测技术，主要分为基于传统方法和深度学习方法。

传统人脸活体检测方法的主要是根据活体与非活体之间的差异性，分别是颜色纹理、非刚性运动变形、材料(皮肤、纸质)、图像质量。根据这些差异性特征来设计特征分类器。比如可以用svm分类器。比如有用到HSV空间人脸多级LBP特征和YCbCr空间LPQ特征，然后进行svm二分类训练。

基于深度学习的人脸活体检测方法，用到多帧的方法，通过卷积神经网络和循环神经网络来模拟传统方法。也有把活体检测直接放到人脸检测模块做，训练的时候分为真人、非活体、背景，三个类别处理，这一部分可以在前期处理一些活体。

但传统人脸活体检测方法的识别率较低，而基于深度学习的人脸活体检测方法，虽然活体识别率较高，但算法复杂度高，鲁棒性以及泛化能力差。

综上所述可以看出，如何在提高人脸活体检测性能的同时提高人脸活体检测算法的鲁棒性是目前有待解决的问题。

发明内容

本发明的目的是提供一种基于深度图的单目人脸活体检测方法、装置、设备以及计算机可读存储介质，已解决现有技术中的活体人脸检测算法识别率低且鲁棒性差的问题。

为解决上述技术问题，本发明提供一种基于深度图的单目人脸活体检测方法，包括：对预先采集到的活体人脸图像集及非活体人脸图像集进行预处理后，得到目标活体人脸图像集与目标非活体人脸图像集；利用所述目标活体人脸图像集与所述目标非活体人脸图像集对预先构建的初始人脸图像的深度图生成模型进行训练，得到目标人脸图像的深度图生成模型；根据所述目标人脸图像的深度图生成模型与二分类训练模型，构建初始单目人脸活体检测模型；利用所述目标活体人脸图像集与所述目标非活体人脸图像集对所述初始单目人脸活体检测模型进行训练，得到目标单目人脸活体检测模型；将待检测人脸图像输入所述目标单目人脸活体检测模型，输出所述待检测人脸图像的分类结果，根据所述分类结果判断所述待检测人脸图像是否为活体人脸图像。

优选地，所述对预先采集到的活体人脸图像集及非活体人脸图像集进行预处理后，得到目标活体人脸图像集与目标非活体人脸图像集包括：

利用预选摄像机在不同场景下采集多幅活体人脸图像，分别将采集到的每幅活体人脸图像转换为像素大小为256×256的图像，得到活体人脸图像集；

利用移动终端拍摄的图像与视频伪造多幅人脸图像，并将伪造的每幅人脸图像转换为像素大小为256×256的图像，得到非活体人脸图像集；

分别对所述活体人脸图像集与所述非活体人脸图像集中的每幅图像执行数据与色彩的增强操作，亮度、对比度、色调与饱和度的调整操作，镜像操作以及随机采样操作后，得到目标活体人脸图像集与目标非活体人脸图像集。