[发明专利]基于深度卷积网络的人脸活体检测方法及装置

权利要求书

1.一种基于深度卷积网络的人脸活体检测方法，其特征在于，包括：

采集人脸样本数据，并定义为活体图像，对所述活体图像进行二次拍摄，将拍摄得到的图像定义为非活体图像；

建立人脸的目标检测模型，其中，将人脸样本数据作为输入样本进行模型训练，定位人脸所在的位置；

建立活体检测模型，其中，所述活体检测模型包含生成器及判别器，根据所述活体图像及非活体图像训练所述生成器及判别器，直至活体检测模型区分活体图像和非活体图像的成功率达到设定值；

获取待检测的图像数据，利用所述人脸的目标检测模型检测所述待检测的图像数据中人脸所在的位置，在检测到人脸后，利用所述活体检测模型进行活体识别，得到人脸活体识别结果。

2.根据权利要求1所述的方法，其特征在于，定位人脸所在的位置，包括：

采用YOLOv3深度卷积网络模型进行目标检测，定位人脸所在的位置；其中，所述YOLOv3深度卷积网络模型根据输入的人脸样本数据，输出多种尺寸的特征图，并通过矩阵变换处理得到四维特征图，在第四维度中至少包含检测框的位置、检测置信度及人脸类别在内的信息，根据所述四维特征图定位人脸所在的位置。

3.根据权利要求1所述的方法，其特征在于，所述活体检测模型至少包含两个生成器和两个判别器；其中，

第一生成器用于学习从活体图像到非活体图像的映射关系，第一判别器用于判断生成的非活体图像的真实度，通过训练提升非活体图像的真实度；

第二生成器用于学习从非活体图像到活体图像的映射关系，第二判别器用于判断生成的活体图像的真实度，通过训练提升活体图像的真实度。

4.根据权利要求3所述的方法，其特征在于，建立活体检测模型，包括：

将活体图像及非活体图像分别输入第一生成器、第二生成器，并利用第一判别器及第二判别器分别判断生成的非活体图像的真实度、生成的活体图像的真实度；

计算活体图像的真实度减非活体图像的真实度的差值，判断所述差值是否小于设定值，若所述差值不小于设定值则继续训练迭代，对活体检测模型进行优化，直至所述差值小于设定值，得到训练完成的活体检测模型。

5.根据权利要求4所述的方法，其特征在于，还包括：

在训练的过程中，将生成器每次训练生成的结果进行缓存，并在生成器训练达到一定次数时，利用缓存中生成的结果对判别器的参数进行一次更新。

6.一种基于深度卷积网络的人脸活体检测装置，其特征在于，包括：

样本数据采集模块，用于采集人脸样本数据，并定义为活体图像，对所述活体图像进行二次拍摄，将拍摄得到的图像定义为非活体图像；

人脸定位模块，用于建立人脸的目标检测模型，其中，将人脸样本数据作为输入样本进行模型训练，定位人脸所在的位置；

活体检测模块，用于建立活体检测模型，其中，所述活体检测模型包含生成器及判别器，根据所述活体图像及非活体图像训练所述生成器及判别器，直至活体检测模型区分活体图像和非活体图像的成功率达到设定值；

识别模块，用于获取待检测的图像数据，利用所述人脸的目标检测模型检测所述待检测的图像数据中人脸所在的位置，在检测到人脸后，利用所述活体检测模型进行活体识别，得到人脸活体识别结果。

7.根据权利要求6所述的装置，其特征在于，所述人脸定位模块具体用于：

采用YOLOv3深度卷积网络模型进行目标检测，定位人脸所在的位置；其中，所述YOLOv3深度卷积网络模型根据输入的人脸样本数据，输出多种尺寸的特征图，并通过矩阵变换处理得到四维特征图，在第四维度中至少包含检测框的位置、检测置信度及人脸类别在内的信息，根据所述四维特征图定位人脸所在的位置。