[发明专利]基于神经网络的多通道人脸活体检测方法及装置

说明书

本发明涉及基于神经网络的多通道人脸活体检测方法及装置，其人脸活体识别模型不仅同时输入X个人脸放大图和Y个人脸细节图至X+Y个通道，还通过叠加组合考虑二者的融合，得到X+Y+Z个人脸活体识别不确定度，并判定待检测人脸图像是否为活体。由于同时考虑了X个人脸放大图和Y个人脸细节图，以及二者内部特征的叠加组合，使得融合后的特征包含了全局和局部信息，更有利于后续分类判别；另外使得在人脸活体识别模型的训练学习中，梯度回传会促进并行的X+Y个通道的分类能力；相较于现有技术，人脸活体识别精度和准确性更高，能进一步预防照片、视频、3D等各种形式的非生物活体攻击，进一步保障人身财产安全。

技术领域

本发明涉及深度神经网络，特别是涉及一种基于神经网络的多通道人脸活体检测方法、装置、终端设备和计算机可读介质。

背景技术

人脸，作为人类最具影响力的生物特征，已广泛应用于认证系统的各行各业（大到机密场合的门禁系统、商务系统、支付系统、刑事鉴定，小到手机、电脑等终端设备的登录解锁）。尤其是，随着近年来人工智能技术、计算机技术、图像识别技术等的快速发展，人脸识别和人脸检测的准确性有了大大提高，但是如果无法判别输入人脸是否为人脸生物学活体，则很容易被不法分子攻击，造成严重的人身财产损失。

据不完全统计，常见的人脸非活体攻击形式，主要包括：照片攻击(纸质照片、电子照片)、视频回放攻击、3D攻击（面具、头模）等。因此，引入人脸活体检测技术，即识别出成像设备(摄像头、手机等)上检测到的人脸图像是来自真实的人脸，还是某种形式的攻击或伪装，对于人脸应用于认证系统的各行各业，有着至关重要的作用。

现有的人脸活体检测方法包括基于交互（眨眼、张嘴、点头、摇动等）的活体检测、基于立体性（立体角度、阴影等）的活体检测、基于亚表面（皮肤纹理、活性、血色等）的活体检测和基于深度学习神经网络的活体检测。

但是，基于交互的活体检测，需要用户根据交互类型而做相应动作配合，能避免照片和静止的3D攻击，但是无法避免视频回放和动态的3D攻击；基于立体性和亚表面的活体检测，虽然考虑了人脸的立体、阴影、皮肤纹理等细节，但是随着人脸非活体攻击的越发逼真，准确率有所下降。所以，基于深度学习神经网络的活体检测方法因其鲁棒性和检测精度，应用最为广泛。

但是，现有基于深度学习神经网络的人脸活体检测方法的检测精度仍待提升，如何提供一种高精度、高准确性的人脸活体检测方法，是目前人脸识别之前亟待解决的一个重要技术问题。

发明内容

基于此，有必要针对现有人脸活体检测技术中检测精度有待提高的技术问题，提供一种基于神经网络的多通道人脸活体检测方法，包括：

获取N个待训练人脸图像；

处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图；

构造用于学习人脸活体识别不确定度的人脸活体识别模型；所述人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输入Y个人脸细节图；

依次将所述N个待训练人脸图像的X个人脸放大图和Y个人脸细节图分别输入所述人脸活体识别模型的X+Y个通道，输出对应每个待训练人脸图像的X+Y+Z个人脸活体识别不确定度，并通过人脸活体识别不确定性回归损失，确定训练好的人脸活体识别模型；

获取待检测人脸图像；

处理所述待检测人脸图像得到所述待检测人脸图像的X个人脸放大图和Y个人脸细节图；

将所述待检测人脸图像的X个人脸放大图和Y个人脸细节图输入所述训练好的人脸活体识别模型，输出对应所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度；

根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像是否为活体；