[发明专利]人脸活体检测方法、装置、电子设备及计算机存储介质

权利要求书

1.一种人脸活体检测方法，其特征在于，包括：

获取待检测人脸图像；

将所述待检测人脸图像输入至人脸活体检测模型中，得到所述待检测人脸图像的活体预测值；其中，所述人脸活体检测模型由多个人脸图像的训练样本对深度学习模型进行训练得到；所述人脸图像的训练样本包括多个活体的人脸图像和多个非活体的人脸图像；所述深度学习模型为包含分类模型结构的深度学习模型；所述分类模型结构中的每一个密集网络层均为融合了原始卷积和空洞卷积的网络结构；

若所述待检测人脸图像的活体预测值大于阈值，则确定所述待检测图像中的人脸为活体。

2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述人脸活体检测模型的构建方法，包括：

构建人脸图像的训练样本集；其中，所述人脸图像的训练样本集包括多个人脸图像的训练样本；所述多个人脸图像的训练样本包括多个活体的人脸图像和多个非活体的人脸图像；

针对每一个人脸图像的训练样本，将所述人脸图像的训练样本输入至深度学习模型中的连续的多个密集网络层，得到所述人脸图像的训练样本是否为活体的第一预测结果，以及所述人脸图像的训练样本在多个场景下是否为活体的第二预测结果；

根据所述人脸图像的训练样本是否为活体的第一预测结果，所述人脸图像的训练样本在多个场景下是否为活体的第二预测结果、每一个所述密集网络层的输出值、所述人脸图像的训练样本是否为活体的真实结果，以及所述人脸图像的训练样本在多个场景下是否为活体的真实结果，计算得到所述人脸图像的训练样本的最终损失函数值；

若所述最终损失函数值不满足预设的收敛条件，则对所述深度学习模型中的参数进行调整，直至调整后的所述深度学习模型计算得到的最终损失函数值满足预设的收敛条件，将所述深度学习模型作为人脸活体检测模型。

3.根据权利要求2所述的人脸活体检测方法，其特征在于，所述根据所述人脸图像的训练样本是否为活体的第一预测结果，所述人脸图像的训练样本在多个场景下是否为活体的第二预测结果、每一个所述密集网络层的输出值、所述人脸图像的训练样本是否为活体的真实结果，以及所述人脸图像的训练样本在多个场景下是否为活体的真实结果，计算得到所述人脸图像的训练样本的最终损失函数值，包括：

将每一个所述密集网络层的输出值合并，得到一个串联的特征图；

将所述串联的特征图输入至空间注意力输出层，得到所述人脸图像的训练样本是否为活体的第三预测结果；

根据所述人脸图像的训练样本是否为活体的第三预测结果、以及所述人脸图像的训练样本是否为活体的真实结果，确定所述人脸图像的训练样本的第一损失函数值；

根据所述人脸图像的训练样本是否为活体的第一预测结果、以及与所述人脸图像的训练样本是否为活体的真实结果，确定所述人脸图像的训练样本的第二损失函数值；

根据所述人脸图像的训练样本在多个场景下是否为活体的第二预测结果、以及与所述人脸图像的训练样本在多个场景下是否为活体的真实结果，确定所述人脸图像的训练样本的第三损失函数值；

将所述第一损失函数值、所述第二损失函数值以及所述第三损失函数值的和，作为所述最终的损失函数值。

4.根据权利要求1所述的人脸活体检测方法，其特征在于，所述深度学习模型为结合分类模型结构和空间注意力输出层的深度学习模型，所述将所述待检测人脸图像输入至人脸活体检测模型中，得到所述待检测人脸图像的活体预测值，包括：

将所述待检测人脸图像输入至人脸活体检测模型中的连续的多个密集网络层，得到每一个所述密集网络层的输出值；

将所述每一个所述密集网络层的输出值合并，得到一个串联的特征图；

将所述串联的特征图输入至所述空间注意力输出层，得到所述待检测人脸图像的活体预测值。