人脸活体检测方法、装置、电子设备制造方法及图纸

本申请公开了一种人脸活体检测方法，属于人脸识别领域，有助于提升人脸活体检测的鲁棒性和设备适配性。所述方法包括：对待检测人脸图像进行人脸定位处理，确定预设人脸关键点；根据人脸关键点对待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像；通过执行预先训练的人脸活体检测模型，获得目标人脸图像对应的第一掩码图像；其中，第一掩码图像中每个像素点的取值用于指示该目标人脸图像中相应像素点为活体图像类别或者为非活体图像类别；根据第一掩码图像确定目标人脸图像中为活体图像类别的像素点的概率值；根据预先确定的活体概率阈值和该概率值的比较结果，确定待检测人脸图像为活体人脸或非活体人脸的图像。

【技术实现步骤摘要】
人脸活体检测方法、装置、电子设备
本申请实施例涉及人脸识别领域，特别是涉及一种人脸活体检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
现有技术中的人脸活体检测算法通常包括红外图像人脸活体检测、可见光图像人脸活体检测、红外光图像结合可见光图像进行人脸活体检测。对于静默活体，当前技术通过对摄像头拍摄到的画面进行活体判断，算法通过对底层纹理判别进行分类，而全局画面会对算法进行干扰，比如背景出现不同的光线、装饰物或建筑物等干扰信息，这使得算法在训练过程中学习到更多的无关信息特征，从而使算法的泛化能力下降。这样现有的算法会对某一场景的活体判别性能很好，但是更换场景或者变换光线时性能下降。相比可见光图像，使用红外图像来判别活体往往有更好的区分度，算法的鲁棒性更强，因为红外光在不同材质反射回的光差异可区分性更强，对于活体和非活体区分性强。对于底层纹理的学习，用红外图像区分活体会有更好的性能。而当前技术中，算法所用到的训练数据往往带有全局信息，这样使得模型会学习到与活体无关的特征，使得算法的鲁棒性变差。可见，现有技术中的人脸活体检测算法还需要改进。
技术实现思路
本申请实施例提供一种人脸活体检测方法，有助于提升人脸活体检测算法的鲁棒性和对图像采集设备适配性能。第一方面，本申请实施例提供了一种人脸活体检测方法，包括：对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置；根据所述位置对所述待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像；>通过执行预先训练的人脸活体检测模型，对所述目标人脸图像进行卷积运算和特征映射处理，获得所述目标人脸图像对应的第一掩码图像；其中，所述第一掩码图像中每个像素点的取值用于指示所述目标人脸图像中相应像素点为活体图像类别或者为非活体图像类别；根据所述第一掩码图像确定所述目标人脸图像中为活体图像类别的像素点的概率值；根据预先确定的与所述目标人脸图像匹配的活体概率阈值和所述概率值的比较结果，确定所述待检测人脸图像为活体人脸的图像或非活体人脸的图像。第二方面，本申请实施例提供了一种人脸活体检测装置，包括：人脸关键点定位模块，用于对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置；归一化模块，用于根据所述位置对所述待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像；第一掩码图像获取模块，用于通过执行预先训练的人脸活体检测模型，对所述目标人脸图像进行卷积运算和特征映射处理，获得所述目标人脸图像对应的第一掩码图像；其中，所述第一掩码图像中每个像素点的取值用于指示所述目标人脸图像中相应像素点为活体图像类别或者为非活体图像类别；像素类别预估模块，用于根据所述第一掩码图像确定所述目标人脸图像中为活体图像类别的像素点的概率值；人脸活体类别确定模块，用于根据预先确定的与所述目标人脸图像匹配的活体概率阈值和所述概率值的比较结果，确定所述待检测人脸图像为活体人脸的图像或非活体人脸的图像。第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的人脸活体检测方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的人脸活体检测方法的步骤。本申请实施例公开的人脸活体检测方法，通过对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置；根据所述位置对所述待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像；通过执行预先训练的人脸活体检测模型，对所述目标人脸图像进行卷积运算和特征映射处理，获得所述目标人脸图像对应的第一掩码图像；其中，所述第一掩码图像中每个像素点的取值用于指示所述目标人脸图像中相应像素点为活体图像类别或者为非活体图像类别；根据所述第一掩码图像确定所述目标人脸图像中为活体图像类别的像素点的概率值；根据预先确定的与所述目标人脸图像匹配的活体概率阈值和所述概率值的比较结果，确定所述待检测人脸图像为活体人脸的图像或非活体人脸的图像，能够提升人脸活体检测算法的鲁棒性和对图像采集设备的适配性能。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。附图说明为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。图1是本申请实施例一的人脸活体检测方法流程图；图2是本申请实施例一的人脸活体检测方法另一流程图；图3(a)是本申请实施例一中的第一图像示意图之一；图3(b)是图3(a)的第一掩码图像示意图；图4(a)是本申请实施例一中的第一图像示意图之一；图4(b)是图4(a)的第一掩码图像示意图；图5(a)是本申请实施例一中的第二图像示意图之一；图5(b)是图5(a)的第二掩码图像示意图；图6是本申请实施例二的人脸活体检测装置结构示意图之一；图7是本申请实施例二的人脸活体检测装置结构示意图之二。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。实施例一本申请实施例公开的一种人脸活体检测方法，如图1所示，所述方法包括：步骤110至步骤150。步骤110，对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置。本申请实施例中所述的待检测人脸图像，可以为可见光人脸图像，也可以为红外光人脸图像，本申请实施例对待检测人脸图像的采集光源不做限定。本申请实施例中，可以通过单目图像采集设备采集待检测人脸图像，也可以通过双目图像采集设备，然后以其中一幅人脸图像作为待检测人脸图像，本申请实施例对采集待检测人脸图像的图像采集设备亦不做限定。本申请实施例中所述的预设人脸关键点包括但不限于：左眼中心，右眼中心，鼻尖点，左嘴角，右嘴角。对于待检测人脸图像，首先采用现有技术中的人脸定位方法，对所述待检测人脸图像进行人脸定位处理，确定所述预设人脸关键点在所述待检测人脸图像中的位置。步骤120，根据所述位置对所述待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像。之后，根据所述预设人脸关键点在所述待本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于，包括：/n对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置；/n根据所述位置对所述待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像；/n通过执行预先训练的人脸活体检测模型，对所述目标人脸图像进行卷积运算和特征映射处理，获得所述目标人脸图像对应的第一掩码图像；其中，所述第一掩码图像中每个像素点的取值用于指示所述目标人脸图像中相应像素点为活体图像类别或者为非活体图像类别；/n根据所述第一掩码图像确定所述目标人脸图像中为活体图像类别的像素点的概率值；/n根据预先确定的与所述目标人脸图像匹配的活体概率阈值和所述概率值的比较结果，确定所述待检测人脸图像为活体人脸的图像或非活体人脸的图像。/n

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括：
对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置；
根据所述位置对所述待检测人脸图像进行裁剪和归一化处理，获得目标人脸图像；
通过执行预先训练的人脸活体检测模型，对所述目标人脸图像进行卷积运算和特征映射处理，获得所述目标人脸图像对应的第一掩码图像；其中，所述第一掩码图像中每个像素点的取值用于指示所述目标人脸图像中相应像素点为活体图像类别或者为非活体图像类别；
根据所述第一掩码图像确定所述目标人脸图像中为活体图像类别的像素点的概率值；
根据预先确定的与所述目标人脸图像匹配的活体概率阈值和所述概率值的比较结果，确定所述待检测人脸图像为活体人脸的图像或非活体人脸的图像。


2.根据权利要求1所述的方法，其特征在于，所述对待检测人脸图像进行人脸定位处理，确定预设人脸关键点在所述待检测人脸图像中的位置的步骤之前，还包括：
构建训练样本，所述训练样本包括：活体人脸对应的若干正样本和非活体对应的若干负样本；其中，所述正样本的样本数据为包含活体人脸的第一图像，所述正样本的样本标签为所述第一图像的第一掩码图像，所述第一掩码图像的每个像素值用于标记相应第一图像中相应像素点对应的图像类别为活体或非活体；所述负样本的样本数据为不包含活体人脸的第二图像，所述负样本的样本标签为所述第二图像的第二掩码图像，所述第二掩码图像的每个像素值用于标记相应第二图像中相应像素点对应的图像类别为非活体；
基于所述若干正样本和所述若干负样本，训练所述人脸活体检测模型。


3.根据权利要求2所述的方法，其特征在于，所述人脸活体检测模型采用分割网络模型，所述基于所述若干正样本和所述若干负样本，训练所述人脸活体检测模型的步骤，包括：
通过所述分割网络模型的卷积层和池化层，提取每个所述训练样本的样本数据中的图像特征；
对于每个所述训练样本的样本数据中的图像特征，分段执行所述分割网络模型的上采样层，对所述图像特征分别进行上采样，得到每个所述训练样本的掩码图像；
对于所有所述训练样本，通过执行所述分割网络模型的损失函数，计算各所述训练样本的样本标签中各像素点对应的图像类别与相应训练样本的掩码图像中相应像素点对应的图像类别预估值的均方误差，作为所述分割网络模型的损失值；
通过优化所述分割网络模型的参数，使得所述损失值收敛到预设值，完成所述人脸活体检测模型的训练。


4.根据权利要求2所述的方法，其特征在于，所述第一图像的第一掩码图像通过以下方法得到：
将所述第一掩码图像中与所述第一图像中皮肤图像像素点对应的像素点的像素值，设置为指示活体图像类别的取值；以及，将所述第一掩码图像中与所述第一图像中非皮肤图像像素点对应的像素点的像素值，设置为指示非活体图像类别的取值；其中，所述非皮肤图像包括：背景图像、头发图像、遮挡物图像。


5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据预先确定的与所述目标人脸图像匹配的活体概率阈值和所述概率值的比较结果，确定所述待检测人脸图像为活体人脸的图像或非活体人脸的图像的步骤之前，还包括：
确定所述目标人脸图像中是否存在遮...

【专利技术属性】
技术研发人员：冯思博，陈莹，黄磊，彭菲，
申请(专利权)人：汉王科技股份有限公司，
类型：发明
国别省市：北京;11