[发明专利]人脸活体检测方法、系统、设备及存储介质

说明书

本发明提供了一种人脸活体检测方法、系统、设备及存储介质，该方法包括：采集训练样本图像；将训练样本图像输入人脸活体检测模型中，所述人脸活体检测模型包括特征提取网络、傅里叶监督分支、深度监督分支和活体分类分支；分别计算所述傅里叶监督分支、深度监督分支和活体分类分支的损失函数，并根据所述损失函数训练所述人脸活体检测模型；将待检测的图像输入训练好的所述人脸活体检测模型，得到输出的活体分类结果，所述活体分类结果包括检测到的至少一个活体属性类别。本发明提供了一种简单的辅助监督信号，监督活体检测模型的训练，提升了活体检测效果。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种人脸活体检测方法、系统、设备及存储介质。

背景技术

人脸活体检测是在一些身份验证场景确定对象真实生理特征的方法，在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。

现有技术中已经出现了一种基于CNN-RNN(卷积神经网络-递归神经网络)模型进行人体活性检测的方法，其使用深度图和rPPG(Remote Photoplethysmography，远程光电体积描记术)信号进行空间域和时间域的辅助监督，这种方法主要体现在论文《LearningDeep Models for Face Anti-Spoofing:Binary or Auxiliary Supervision》。然而，这种方法也存在一些问题，其需要视频作为输入信号来建立rPPG信号，同时rPPG信号在开放环境容易受到干扰。视频相对于图片来说，数据量太大，会大大增加处理时间。此外，这种方法使用真实的深度图来监督，会导致样本成本过高，限制了训练样本的规模，进而影响模型训练的效果。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种人脸活体检测方法、系统、设备及存储介质，提供一种简单的辅助监督信号，监督活体检测模型的训练，提升活体检测效果。

本发明实施例提供一种人脸活体检测方法，包括如下步骤：

采集训练样本图像；

将训练样本图像输入人脸活体检测模型中，所述人脸活体检测模型包括特征提取网络、傅里叶监督分支、深度监督分支和活体分类分支；

分别计算所述傅里叶监督分支、深度监督分支和活体分类分支的损失函数，并根据所述损失函数训练所述人脸活体检测模型；

将待检测的图像输入训练好的所述人脸活体检测模型，得到输出的活体分类结果，所述活体分类结果包括检测到的至少一个活体属性类别。

在一些实施例中，所述训练样本图像输入所述傅里叶监督分支后，所述傅里叶监督分支对所述训练样本图像进行傅里叶变换和归一化后，尺寸调整至预设尺寸。

在一些实施例中，所述训练样本图像输入所述深度监督分支后，所述深度监督分支对负样本图像采用PRNet生成预设尺寸的伪深度图，对正样本图像采用预设尺寸的像素值全为0的图像作为深度图。

在一些实施例中，所述特征提取网络采用残差网络和金字塔网络，所述残差网络为resnet18网络或resnet34网络，所述金字塔网络的输出分别连接第一输出辅助监督分支、第二输出辅助监督分支和第三输出辅助监督分支。

在一些实施例中，分别计算所述傅里叶监督分支、深度监督分支和活体分类分支的损失函数，包括如下步骤：

根据所述第一输出辅助监督分支的输出与所述傅里叶监督分支的输出计算傅里叶监督分支损失函数；

根据所述第二输出辅助监督分支的输出与所述深度监督分支的输出计算深度监督分支损失函数；