[发明专利]一种人脸静默活体检测方法、装置、终端及存储介质

说明书

本发明公开一种人脸静默活体检测方法、装置、终端及存储介质，将待检测人脸图像输入MobileNetV3‑Small网络模型进行检测，获得第一分类置信度值；将待检测人脸图像输入MobileNetV3‑Large网络模型进行检测，获得第二分类置信度值；对第一分类置信度值和第二分类置信度值求平均获得平均置信度值；判断平均置信度值是否超过预设置信度阈值，若超过则输出结果为活体，若未超过则输出结果为非活体。本发明使检测算法更适用于内存和处理性能较低的移动端，处理过程更加流畅，且提高检测精度。

技术领域

本发明涉及人脸静默活体检测领域，具体涉及一种人脸静默活体检测方法、装置、终端及存储介质。

背景技术

在不同的生物特征识别方法中，人脸识别有其自身特殊的优势：非侵扰性、便捷性、友好性、非接触性、可扩展性。人脸识别技术利用人体生物特征的唯一性进行身份认证，其在身份认证和自主签到等方面得到应用，并且人脸识别后的授权趋向于无人监督化。然而人脸生物特征并不能作为安全的密钥使用，因为带有人脸生物特征的照片、视频等多媒体媒介很容易被收集用来恶意攻击人脸识别系统，这给系统的安全性带来很大威胁，并给社会和个人造成极大损失，因此，设计一个检测精度高、耗时短、鲁棒性强、泛化能力强的人脸反欺骗系统至关重要。

人脸识别系统中的反欺骗检测称为人脸活体检测，活体检测被用来判断采集到的人脸是真实人脸还是伪造的人脸(如：照片、视频、面具等)。真实人脸图像是在摄像头下直接获取的，而伪造人脸图像主要是通过假人脸制作和二次采集获得，两者之间存在一定的差异，主要表现在图像纹理信息、深度信息、运动信息、光谱信息等方面。利用真实人脸图像和伪造人脸图像的这些差异可以设计不同的活体检测方法，对真假人脸进行检测。

近年来，随着计算机视觉领域的飞速发展，以及机器学习技术、深度学习技术等深度应用，目前的活体检测方法包括基于手工设计特征表达的方法、基于融合策略的方法、基于深度学习的方法。深度学习的出现使人脸活体检测技术取得了较大的进展。深度学习得到的人脸特征表达具有手工特征表达所不具备的重要特性，例如它是中度稀疏的、对真实人脸图像和伪造人脸图像有很强的选择性、对局部遮挡具有良好的鲁棒性。

但现有的基于深度学习的人脸静默活体检测方法一般适用于内存和处理性能较好的计算机端，对于内存和处理性能较低的移动端则友好性较差，运行不流畅，不符合移动端越来越普及的发展趋势。

发明内容

为解决上述问题，本发明提供一种人脸静默活体检测方法、装置、终端及存储介质。

本发明的技术方案为：一种人脸静默活体检测方法，包括以下步骤：

将待检测人脸图像输入MobileNetV3-Small网络模型进行检测，获得第一分类置信度值；

将待检测人脸图像输入MobileNetV3-Large网络模型进行检测，获得第二分类置信度值；

对第一分类置信度值和第二分类置信度值求平均获得平均置信度值；

判断平均置信度值是否超过预设置信度阈值，若超过则输出结果为活体，若未超过则输出结果为非活体。

进一步地，MobileNetV3-Small网络模型进行训练时引入傅里叶频谱对模型训练进行辅助监督；

MobileNetV3-Large网络模型进行训练时引入傅里叶频谱对模型训练进行辅助监督。

进一步地，该方法还包括以下步骤：

采用RetinaFace算法对采集的含有人脸的图像进行检测获得人脸定位框；

基于所获得的人脸定位框，根据裁剪阈值扩大人脸图像搜索区域，裁剪出符合条件的含有人脸图像的区域，对此区域进行尺寸变换，得到处理完成的图像作为待检测人脸图像。