【技术实现步骤摘要】
活体人脸图像的检测方法、装置、计算机设备及存储介质
本专利技术涉及人工智能
,尤其涉及一种活体人脸图像的检测方法、装置、计算机设备及存储介质。
技术介绍
随着手机、相机等成像设备的更新换代以及拍摄处理技术日新月异,非人脸活体图像假冒人脸活体图像的欺诈手段也随之层出不穷。目前对于人脸活体图像的识别一般是通过训练好的活体人脸检测模型来进行预测,当预测识别出非人脸活体时,需要用户进一步核查该人脸图像是否为活体人脸图像。在对活体人脸检测模型的训练过程中,我们发现训练好的活体人脸检测模型的预测准确性会受参与训练的人脸图像样本的光照环境、图像质量等外界因素的影响,例如当参与训练的人脸图像样本的拍摄光线较为灰暗或人脸图像样本的成像质量较差时,训练出的活体人脸检测模型对于拍摄光线较暗或图片质量较差的人脸图像进行是否为活体人脸的预测准确性会降低。由于通过常规手段训练出的活体人脸检测模型难以抵抗环境噪声,导致训练出的活体人脸检测模型对于新型的攻击类型缺乏鲁棒性,使得通过常规训练方法训练出的活体人脸检测模型在真实预测场景下的预测准确性欠佳。
技术实现思路
本专利技术实施例提供一种活体人脸图像的检测方法、装置、计算机设备及存储介质,以解决通过常规手段对活体人脸图像进行检测时缺乏鲁棒性,在真实预测场景下的预测准确性较差的技术问题。一种活体人脸图像的检测方法,该方法包括:获取待检测的人脸图像;通过预先训练好的活体人脸检测模型的图像质量特征提取器对该人脸图像进行特征提取,得到第一特 ...
【技术保护点】
1.一种活体人脸图像的检测方法,其特征在于,所述方法包括:/n获取待检测的人脸图像;/n通过预先训练好的活体人脸检测模型的图像质量特征提取器对所述人脸图像进行特征提取,得到第一特征;/n通过所述训练好的活体人脸检测模型的注意力纹理特征提取器对所述人脸图像进行特征提取,得到第二特征;/n将所述第一特征和所述第二特征进行拼接,得到第三特征;/n将所述第三特征输入所述训练好的活体人脸检测模型的全连接层,并将所述全连接层对所述第三特征的输出结果输入至所述训练好的活体人脸检测模型的分类器,得到所述人脸图像是否为活体人脸的预测结果。/n
【技术特征摘要】
1.一种活体人脸图像的检测方法,其特征在于,所述方法包括:
获取待检测的人脸图像;
通过预先训练好的活体人脸检测模型的图像质量特征提取器对所述人脸图像进行特征提取,得到第一特征;
通过所述训练好的活体人脸检测模型的注意力纹理特征提取器对所述人脸图像进行特征提取,得到第二特征;
将所述第一特征和所述第二特征进行拼接,得到第三特征;
将所述第三特征输入所述训练好的活体人脸检测模型的全连接层,并将所述全连接层对所述第三特征的输出结果输入至所述训练好的活体人脸检测模型的分类器,得到所述人脸图像是否为活体人脸的预测结果。
2.根据权利要求1所述的活体人脸图像的检测方法,其特征在于,在得到所述第二特征的步骤之后,所述方法还包括:
通过所述训练好的活体人脸检测模型的中心差异卷积模块对所述第二特征进行卷积处理,得到所述人脸图像的预测深度特征图;
输出预测得到的所述预测深度特征图。
3.根据权利要求1所述的活体人脸图像的检测方法,其特征在于,训练所述活体人脸检测模型的步骤包括:
获取人脸样本图像,所述人脸样本图像携带有所述人脸图像是否为活体的标识;
对所述人脸样本图像随机抽取,通过预先训练好的图像质量特征提取器对抽取的所述人脸样本图像进行特征提取,得到第一样本特征;
通过预先训练好的注意力纹理特征提取器对抽取的所述人脸样本图像进行特征提取,得到第二样本特征;
将所述第一样本特征和所述第二样本特征进行拼接,得到第三样本特征;
将所述第三样本特征输入待训练的活体人脸检测模型的全连接层,并将所述全连接层对所述第三样本特征的输出结果输入至所述待训练的活体人脸检测模型的分类器,得到抽取的所述人脸样本图像是否为活体人脸的样本预测结果;
通过待训练的活体人脸检测模型的中心差异卷积模块对所述第二样本特征进行卷积处理,得到抽取的所述人脸样本图像的预测深度特征图;
获取抽取的所述人脸样本图像的真实深度特征图;
根据抽取的所述人脸样本图像的预测深度特征图、真实深度特征图、样本预测结果、抽取的所述人脸样本图像的标识以及所述活体人脸检测模型的损失函数计算所述活体人脸检测模型的损失;
根据所述活体人脸检测模型的损失判断所述活体人脸检测模型的损失函数是否收敛,若否,则调节所述活体人脸检测模型的参数,循环所述对所述人脸样本图像随机抽取至所述根据所述活体人脸检测模型的损失判断所述活体人脸检测模型的损失函数是否收敛的步骤,直到所述活体人脸检测模型的损失函数收敛。
4.根据权利要求3所述的活体人脸图像的检测方法,其特征在于,所述活体人脸检测模型的损失函数表示为:
Loverall=LMSE+LCDL+αLCE+(1-α)LGHM;
其中,LMSE表示深度图的均值方差误差,LCDL表示对比深度损失,α表示超参数,LCE表示二值交叉熵损失,LGHM表示二分类损失;
其中:
其中,DG表示真实深度特征图,Dp表示预测深度特征图,表示预测深度特征图的帧数,i∈[0,7]且i为整数。
5.根据权利要求1所述的活体人脸图像的检测方法,其特征在于,训练所述图像质量特征提取器的步骤包括:
从数据集中获取样本图像、所述样本图像的真实质量分数的波动值和所述样本图像的真实质量分数的均值;
从所述样本图像中随机配对得到多个样本图像组;
...
【专利技术属性】
技术研发人员:喻晨曦,
申请(专利权)人:中国平安人寿保险股份有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。