[发明专利]一种人脸活体检测方法、装置、机器可读介质及设备

说明书

本发明公开了一种人脸活体检测方法，包括：获取待检测的图像；将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inception block作为基础结构。本发明的人脸活体检测模型包含inception结构的卷积神经网络，可以有效提取浅层纹理特征和深层语义特征，使模型具备鉴别欺骗攻击的能力。

技术领域

本发明涉及人脸检测领域，具体涉及一种人脸活体检测方法、装置、机器可读介质及设备。

背景技术

在基于人脸识别的身份验证场景中，为了防止一些欺骗手段，诸如人皮面具、录制的人像视频、打印的人脸图片等等的欺骗攻击，通常采用红外相机采集人脸图像，然后做活体检测。由于强大的特征提取能力，卷积神经网络是做活体检测的有效工具。普通的图像任务，诸如目标识别、目标检测等依赖的是图像的语义特征；而活体检测依赖的更多是网络浅层特征和语义特征的结合。因此图像领域的主流卷积神经网络不适用于活体检测任务。另外一方面，人脸识别系统对活体检测的速度有较高需求，在系统中无法部署重量级模型。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种人脸活体检测方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。

为实现上述目的及其他相关目的，本发明提供一种人脸活体检测方法，包括：

获取待检测的图像；

将待检测的图像输入预先训练好的人脸活体检测模型，得到待检测的图像中检测对象是否为活体的检测结果；其中所述人脸活体检测模型的骨干网以inception block作为基础结构。

可选地，训练得到所述人脸活体检测模型的方法包括：

构建人脸活体检测模型的超参数池，包括多种超参数；所述多种超参数包括block的数量、block内的并联分支数目、分支内的卷积核通道数目、下采样层的位置、图像层的通道数目、是否采用全局平均池化层、全连接层的层数及通道数目；

构建训练策略池，包括多种训练策略；所述多种训练策略包括学习率大小、学习率下降策略，学习率warm-up，数据增强方法；

基于所述超参数池中的超参数以及训练策略池中的训练策略，通过迭代训练得到每一种超参数对应的优选超参数和每一种训练策略对应的优选训练策略；

基于所有所述优选超参数和所有所述优选训练策略以及训练集，确定人脸活体检测模型。

可选地，优选超参数的获得方法包括：

从所述超参数池中选择其中一种超参数作为候选超参数，以及从训练策略池中选择一种训练策略作为初始训练策略；

基于所述候选超参数、所述初始训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；

基于验证集对每个训练后的人脸活体检测模型进行验证，得到每个训练后的人脸活体检测模型在所述验证集上的验证得分；

根据所述验证得分从所述多个训练后的人脸活体检测模型中确定一个目标人脸活体检测模型；

将所述目标人脸活体检测模型的超参数作为优选超参数。

可选地，优选训练策略的获得方法包括：

从所述超参数池中选择其中一种超参数作为初始超参数，以及从训练策略池中选择一种训练策略作为候选训练策略；

基于所述初始超参数、所述候选训练策略以及训练集，对待训练的人脸活体检测模型进行迭代训练，直至满足迭代停止条件，每一次训练得到一个训练后的人脸活体检测模型；