[发明专利]活体检测方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能技术领域，提供一种活体检测方法、装置、电子设备及存储介质，先对构建的初始图像超分模型的网络结构和损失函数进行改进，使得基于改进后的初始图像超分模型进行训练得到图像超分模型，能够得到更好的超分辨率重建效果，在接收到对待测对象进行活体检测的指令时，将待测对象的人脸图像输入图像超分模型中，得到人脸图像对应的超分图像，实现了将数据分布统一到同一个域里面，增强了整体活体检测的泛化性，最后基于超分图像进行活体检测，得到准确度较高的活体检测结果。

技术领域

本发明涉及人工智能技术领域，具体涉及一种活体检测方法、装置、电子设备及存储介质。

背景技术

活体检测是指区分一张图像是否为通过拍摄真实对象得到的。现有的活体检测方式，通常是采用基于深度学习的活体检测模型对图像中的检测对象进行活体检测。

然而，发明人在实现本发明的过程发现，基于深度学习的活体检测模型对于训练数据的清晰度有很强的依赖性，在脱离训练数据的获取光线，清晰度，摄像头型号等情况下，导致活体检测模型的泛化性不强，因而无法较准确的判断检测对象是否为活体。

发明内容

鉴于以上内容，有必要提出一种活体检测方法、装置、电子设备及存储介质，能够提高活体检测的准确度。

本发明的第一方面提供一种活体检测方法，所述方法包括：

基于生成判别网络构建初始图像超分模型，并对所述初始图像超分模型的损失函数进行改进，基于改进后的初始图像超分模型进行训练得到图像超分模型；

响应于对待测对象进行活体检测的指令，获取所述待测对象的人脸图像；

将所述人脸图像输入所述图像超分模型中，通过所述图像超分模型输出所述人脸图像对应的超分图像；

将所述超分图像输入活体检测模型中，通过所述活体检测模型输出活体检测概率；

基于所述活体检测概率输出所述待测对象的活体检测结果。

在一个可选的实施方式中，所述基于改进后的初始图像超分模型进行训练得到图像超分模型包括；

读取训练集，其中，所述训练集中包括多个低分辨率的训练图像及每个训练图像对应的高分辨率的参考图像；

将所述训练图像输入所述初始图像超分模型的生成网络中，通过所述生成网络生成高分辨率的生成图像；

将所述生成图像及对应的所述参考图像输入所述初始图像超分模型的判别网络中，通过所述判别网络对所述生成图像进行判别；

采用随机梯度下降法，最小化所述改进后的损失函数，当所述改进后的损失函数收敛到收敛阈值时，得到图像超分模型。

在一个可选的实施方式中，所述改进后的损失函数为：

其中，为改进后的损失函数，是生成网络的重建损失函数，是VGG网络的感知损失函数，是判别网络的对抗损失函数，λ1，λ2，λ3为权重系数。

在一个可选的实施方式中，所述获取所述待测对象的人脸图像包括：

获取包含所述待测对象的待测图像；

对所述待测图像进行人脸检测，得到所述待测图像中的第一人脸区域；

根据所述第一人脸区域，获取所述待测图像中包含所述第一人脸区域的第二人脸区域，所述第二人脸区域与所述第一人脸区域的尺寸比例为预设比例；

对所述待测图像中的所述第二人脸区域进行裁剪处理；

将裁剪处理得到的图像确定为所述人脸图像。