[发明专利]人脸活体检测模型、方法、装置、设备及存储介质

说明书

本发明公开了一种人脸活体检测模型、方法、装置、设备及存储介质，该模型包括：依次连接的批量归一化层、第一卷积层、最大池化层、网络主体模块以及全连接层，网络主体模块用于根据最大池化层的输出特征图，确定最大池化层的输出特征图的浅层特征和深层特征，并将浅层特征以及深层特征进行结合，将结合后的特征图输出至全连接层，全连接层用于根据结合后的特征图，确定输入批量归一化层的待检测人脸的图像中的待检测人脸是否为活体人脸。一方面，该模型为基于卷积网络的模型，在训练时，不需要存储大量数据，降低了对硬件的依赖该模型；另一方面，在进行检测时，相当于结合待检测人脸的图像的深层特征以及浅层特征进行检测，提高了检测精度。

技术领域

本发明实施例涉及人脸检测领域，尤其涉及一种人脸活体检测模型、方法、装置、设备及存储介质。

背景技术

目前基于动态视频的人脸检测、热红外、深度图像、三维(3Dimensions，3D)人脸等人脸活体检测方法可广泛应用于手机人脸解锁、人脸考勤等领域。其中，依靠给用户下发动作指令，根据用户的反馈确定检测结果的交互式动作活体检测方法虽然准确率几乎高达100％，但是耗时长，用户体验不佳；热红外活体检测依赖于红外相机，主要是基于光流法实现，不需要动作指令实现，耗时相较于指令检测较快；深度图像以及3D人脸活体检测均需要特殊摄像头，如双摄、3D结构光。由于交互式动作活体检测方法存在用户体验不佳的问题，热红外活体检测、深度图像以及3D人脸活体检测需要依赖于特殊摄像头，成本较高，因此，目前提出了依靠普通单摄相机的人脸活体检测方法。

目前，可以基于传统机器学习方法对普通单摄相机采集的图像进行人脸活体检测：提取图像不同颜色空间的加速稳健特征(Speeded Up Robust Features，SURF)并送入支持向量机(Support Vector Machine,SVM)分类。该方法较为广泛地应用于人脸打卡机等设备，精确率可以达到90％左右。

但是，上述方法中，SURF占内存很大，大的训练集需要依赖硬件。

发明内容

本发明提供一种人脸活体检测模型、方法、装置、设备及存储介质，以解决目前训练SVM时对硬件依赖较高的技术问题。

第一方面，本发明实施例提供一种人脸活体检测模型，包括：依次连接的批量归一化层、第一卷积层、最大池化层、网络主体模块以及全连接层；

其中，所述网络主体模块用于根据所述最大池化层的输出特征图，确定所述最大池化层的输出特征图的浅层特征和深层特征，并将所述浅层特征以及所述深层特征进行结合，将结合后的特征图输出至所述全连接层；

所述全连接层用于根据所述结合后的特征图，确定输入所述批量归一化层的待检测人脸的图像中的待检测人脸是否为活体人脸。

如上所示的模型中，所述网络主体模块包括多个特征结合网络；

每个所述特征结合网络包括：第一分支单元、第二分支单元以及结合单元；所述第一分支单元的输出端与所述第二分支单元的输出端均与所述结合单元的输入端连接；

当所述特征结合网络为最靠前的第一特征结合网络时，所述第一特征结合网络的第一分支单元的输入端以及第二分支单元的输入端与所述最大池化层的输出端连接，所述第一特征结合网络的结合单元的输出端与下一个特征结合网络的第一分支单元的输入端以及第二分支单元的输入端连接；所述第一特征结合网络的第一分支单元用于确定所述最大池化层的输出特征图的深层特征，所述第一特征结合网络的第二分支单元用于确定所述最大池化层的输出特征图的浅层特征，所述第一特征结合网络的结合单元用于对所述最大池化层的输出特征图的深层特征以及所述最大池化层的输出特征图的浅层特征进行结合；

当所述特征结合网络为位于中间的第二特征结合网络时，所述第二特征结合网络的结合单元的输出端与下一个特征结合网络的第一分支单元的输入端以及第二分支单元的输入端连接；