活体人脸图像的检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种活体人脸图像的检测方法，应用于人工智能技术领域，用于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。本发明专利技术提供的方法包括：获取待检测的人脸图像；通过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，得到第一特征；通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取，得到第二特征；将第一特征和第二特征进行拼接得到第三特征；将该第三特征输入该训练好的活体人脸检测模型的全连接层，并将该全连接层对第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器，得到该人脸图像是否为活体人脸的预测结果。

【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，得到第一特征；通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取，得到第二特征；将该第一特征和该第二特征进行拼接，得到第三特征；将该第三特征输入该训练好的活体人脸检测模型的全连接层，并将该全连接层对该第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器，得到该人脸图像是否为活体人脸的预测结果。一种活体人脸图像的检测装置，该装置包括：图像获取模块，用于获取待检测的人脸图像；第一特征提取模块，用于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，得到第一特征；第二特征提取模块，用于通过该训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取，得到第二特征；拼接模块，用于将该第一特征和该第二特征进行拼接，得到第三特征；预测模块，用于将该第三特征输入该训练好的活体人脸检测模型的全连接层，并将该全连接层对该第三特征的输出结果输入至该训练好的活体人脸检测模型的分类器，得到该人脸图像是否为活体人脸的预测结果。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述活体人脸图像的检测方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述活体人脸图像的检测方法的步骤。本专利技术提出的活体人脸图像的检测方法、装置、计算机设备及存储介质，在对待检测的人脸图像进行活体检测时，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，降低了图像清晰度质量对判断该人脸图像是否为活体的影响，另一方面又通过训练好的活体人脸检测模型的注意力纹理特征提取器对该人脸图像进行特征提取，同时还降低了光照条件对检测结果的不良影响，然后将通过图像质量特征提取器得到的第一特征和通过注意力纹理特征提取器得到的第二特征进行拼接，最后通过该活体人脸检测模型的全连接层和分类器输出该人脸图像是否为活体的预测结果，使得本专利技术提出的活体人脸图像的检测方法能够更好的抵抗环境噪声，提高对于新型的伪造活体人脸攻击检测的鲁棒性，从而提高在真实预测场景下的预测准确性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中活体人脸图像的检测方法的一应用环境示意图；图2是本专利技术一实施例中活体人脸图像的检测方法的一流程图；图3是本专利技术一实施例中活体人脸检测模型的网络结构示意图；图4是本专利技术一实施例中图像质量特征提取器的网络结构示意图；图5是本专利技术一实施例中attention模块对输入特征的处理流程图；图6是本专利技术一实施例中活体人脸图像的检测装置的结构示意图；图7是本专利技术一实施例中计算机设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本申请提供的活体人脸图像的检测方法，可应用在如图1的应用环境中，其中，该计算机设备可通过网络与服务器进行通信。其中，该计算机设备包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一实施例中，如图2所示，提供一种活体人脸图像的检测方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤S101至S105。S101、获取待检测的人脸图像。可以理解的是，该待检测的人脸图像可以是活体人脸图像，也可以是翻拍或者伪造的非活体人脸图像。可以通过摄像头实时获取该待检测的人脸图像，也可以接受其他设备发送的待检测的人脸图像或存储在本地的人脸图像。S102、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。其中，所述人脸检测模型的图像质量特征提取器的网络结构可以选用DNN(DeepNeuralNetworks，深度神经网络)的特征提取器的网络结构，但是该图像质量特征提取器的损失函数需要根据本实施例提出的活体人脸图像的检测方法来单独设计。在其中一个实施例中，图3是本专利技术一实施例中活体人脸检测模型的网络结构示意图，所述活体人脸检测模型的网络结构如图3所示，其中，CD表示中心差异卷积，也叫中心差分卷积，CDBA表示中心差异卷积+attention模块，3*3表示卷积核的尺寸，64、128、1均表示通道数，256*256*3表示人脸图像的长宽均为258且通道数为3。如图3所示，该活体人脸检测模型10包括图像质量特征提取器、注意力纹理特征提取器20、全连接层Dense和分类器。该分类器可以选用softmax归一化指数函数。图3中的“缩放”操作可以将输出的特征通过一个1*1的卷积来进行缩放。在其中一个实施例中，训练所述活体人脸检测模型的图像质量特征提取器的步骤包括以下本文档来自技高网...

【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