[发明专利]一种基于卷积神经网络的人脸活体检测方法及装置

权利要求书

1.一种基于卷积神经网络的人脸活体检测方法，其特征在于，包括以下步骤：

S101，获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；

S102，构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；

S103，将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；

S104，将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。

2.根据权利要求1所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述对获取到的所述人脸样本图像进行预处理的步骤，包括：

调整所述人脸样本图像为预设的尺寸；

标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。

3.根据权利要求2所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述S102的步骤，具体为：

基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；

将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。

4.根据权利要求3所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述S103的步骤，具体为：

将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。

5.根据权利要求2至4中任一项所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述标识所述人脸样本图像中的活体人脸图像和非活体人脸图像的步骤之前，还包括：

定位所述人脸样本图像中的人脸图像区域。

6.一种基于卷积神经网络的人脸活体检测装置，其特征在于，包括：

获取模块，用于获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；

构建模块，用于构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；

训练模块，用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；

检测模块，用于将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。

7.根据权利要求6所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述获取模块，还包括：

预处理单元，用于调整所述人脸样本图像为预设的尺寸；以及，标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。

8.根据权利要求7所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述构建模块，包括：

搜索单元，用于基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；

整合单元，用于将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。

9.根据权利要求8所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述训练模块，具体用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。

10.根据权利要求7至9中任一项所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述预处理单元，还用于定位所述人脸样本图像中的人脸图像区域。