[发明专利]活体检测、图像分类和模型训练方法、装置、设备及介质

说明书

本发明公开了一种活体检测、图像分类和模型训练方法、装置、设备及介质，涉及图像处理技术领域，以提高活体检测的速度。该方法包括：获取目标人脸图像组，其中，所述目标人脸图像组中包括一帧RGB图和所述RGB图对应的一帧深度图；将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像；将所述第一融合图像输入到第一模型中，得到第一活体检测结果。其中，第一模型为SqueezeNet，所述RGB图中人脸区域的大小符合第一预设要求且所述深度图的深度符合第二预设要求。本发明实施例可提高活体检测的速度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种活体检测、图像分类和模型训练方法、装置、设备及介质。

背景技术

随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用，人脸防伪/活体检测(Face Anti-Spoofing)技术近年来得到了越来越多的关注。基于更深更复杂的深度神经网络模型，目前在服务器端运行的活体检测模型可以达到99％的准确率。随着应用场景的增加，需要一种在可移动的终端实时运行的活体检测模型。

目前，在可移动的终端上大多采用交互方式来进行活体检测。但是，这种方式要求被检测对象配合做动作，比较耗时，从而影响了检测速度。

发明内容

本发明实施例提供一种活体检测、图像分类和模型训练方法、装置、设备及介质。

第一方面，本发明实施例提供了一种活体检测方法，包括：

获取目标人脸图像组，其中，所述目标人脸图像组中包括一帧RGB(Red，Green，Blue，红、绿、蓝)图和所述RGB图对应的一帧深度图；

将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像；

将所述第一融合图像输入到第一模型中，得到第一活体检测结果；

其中，第一模型为SqueezeNet；所述RGB图中人脸区域的大小符合第一预设要求且所述深度图的深度符合第二预设要求。

第二方面，本发明实施例还提供一种模型训练方法，包括：

获取模型训练样本集，所述模型训练样本集包括多个融合图像，其中，每个融合图像是由一帧红绿蓝RGB图和所述RGB图对应的一帧深度图进行融合处理后获得的；

将所述训练样本集输入机器学习网络模型，训练得到第一模型；

其中，所述第一模型为压缩网络SqueezeNet；所述RGB图中人脸区域的大小符合第一预设要求且所述深度图的深度符合第二预设要求。

第三方面，本发明实施例还提供了一种图像分类方法，包括：

获取目标图像组，其中，所述目标图像组中包括一帧RGB图和所述RGB图对应的一帧深度图；

将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像；

将所述第一融合图像输入到第一模型中，得到图像分类结果；

其中，第一模型为SqueezeNet；所述RGB图中目标区域的大小符合第一预设要求且所述深度图的深度符合第二预设要求。

第四方面，本发明实施例还提供了一种活体检测装置，包括：

第一获取模块，用于获取目标人脸图像组，其中，所述目标人脸图像组中包括一帧RGB图和所述RGB图对应的一帧深度图；

第一融合模块，用于将所述RGB图和所述深度图以第一融合方式进行融合，得到第一融合图像；

第一处理模块，用于将所述第一融合图像输入到第一模型中，得到第一活体检测结果；