[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

说明书

本申请提供了一种人脸活体检测方法、装置、电子设备及计算机存储介质，人脸活体检测方法包括：首先，获取待检测人脸图像；然后，将待检测人脸图像输入至人脸活体检测模型中，得到待检测人脸图像的活体预测值；其中，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；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；深度学习模型为包含分类模型结构的深度学习模型；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；最终，若待检测人脸图像的活体预测值大于阈值，则确定待检测图像中的人脸为活体。从而达到进行人脸活体检测时，同时兼顾检测速度与精确度的目的。

技术领域

本申请涉及计算机技术领域，特别涉及一种人脸活体检测方法、装置、电子设备及计算机存储介质。

背景技术

自从商业性人脸识别系统进入市场，被广泛的应用于身份鉴定、电子商务、人机交互、信息安全等领域。人脸活体识别变得越来越重要，在很多需要人脸识别的场景，都需要先做人脸活体检测，否则人脸识别没有意义，比如，人脸支付场景，人脸识别前必须确保人脸图像来自真人，否则的话，A可能拿着B的照片通过了人脸识别，会造成严重的安全隐患。

目前，人脸活体检测的方法通常采用纹理特征的方法或时间进行人脸活体检测的方法。然而，利用纹理特征的进行人脸活体检测的方法为：使用单帧人脸图像做活体检测，虽然速度相对较快，但无法保证人脸活体检测的精确度；基于时间进行人脸活体检测的方法为：用视频(连续多帧)做人脸活体检测，虽精确度较高，但是速度相对较慢。可以看出，目前的人脸活体检测方法，无法在移动设备上同时兼顾检测速度与精确度。

发明内容

有鉴于此，本申请提供一种人脸活体检测方法、装置、电子设备及计算机存储介质，用于进行人脸活体检测时，同时兼顾检测速度与精确度。

本申请第一方面提供了一种人脸活体检测方法，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。

可选的，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。