[发明专利]人脸静默活体检测方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种人脸静默活体检测方法、装置、电子设备及存储介质，属于图像处理技术领域，所述人脸静默活体检测方法包括：获取归一化后的人脸图像；使用卷积神经网络对所述归一化后的人脸图像进行特征提取，并根据提取的特征计算活体判断得分，其中进行特征提取时使用空洞卷积和多尺度多阶段监督训练；根据所述活体判断得分，预测活体概率。本发明实施例使用空洞卷积替代传统的卷积方法，不降低特征图的尺度同时还能增加特征图的感受野信息，能够获得泛化性较好的活体检测特征，并且使用多阶段有监督的方法，进一步增强特征的泛化性，获得了较好的活体检测效果。本发明实施例成本低，泛化性好，对各类假体检测效果佳。

技术领域

本发明涉及机器学习技术领域，特别是指一种人脸静默活体检测方法、装置、电子设备及存储介质。

背景技术

人脸支付、人脸解锁等技术在金融、安防等领域的应用，使得对人脸密码的要求越来越高，尤其是人脸防假的问题。人脸防假主要是指使用假体人脸攻击人脸系统，进而达到骗过系统，得到相关权限的目的。假体人脸主要有三种，分别为打印类假体、视频类假体和3D面具假体。打印类假体指的是人脸经过纸质打印再翻拍出来的结果，视频类假体指的是对视频图像进行翻拍而获得假体图像，而3D面具假体则指的是戴着3D的仿真面具采集得到的假体图像。静默活体检测/防假指的是不需要任何用户配合，只需要向系统中输入图像，即可判断该图像中的人为活体或是假体。

现有人脸静默活体检测方法的方案主要包括以下几类：

(1)基于局部纹理的方法

在2D图像上进行纹理特征分析，例如采用LBP(Local Binary Pattern，局部二值模式)分析，该方法对数据中未包含的攻击类型泛化性差，在复杂的光照条件下，传感器对图像的呈像也很差。基于深度学习的方法可以一定程度上解决算法泛化性和鲁棒性的问题，但现有的基于深度学习的方法都是end-to-end(端到端)的方法，对图像的细节信息使用不够充分，检测效果不佳；

(2)基于深度传感器的方法

由3D结构光等深度传感器获得3D人脸信息，该方法可以用来防御2D攻击，如Kinect、iPhoneX，但是3D摄像头成本高，并且无法呈现人脸细节图像；

(3)单张图像估计深度信息的方法

通过单张图像复原人脸的3D信息，然后进行人脸的静默活体检测，该方法对光照比较敏感，并且对训练数据中未出现的简体类型泛化性较差；

(4)基于传感器光源反射的方法

通过随机屏幕光源颜色在人脸进行光反射，采集不同光源下的人脸图像，获得不同光源下待检测对象的反射光，基于不同光源下待检测对象的反射光获取对应的电压值，然后将不同光源下待检测对象的反射光获取的电压值相比，如果比值大于阈值则为活体，反之为假体。该方案数据制作较为复杂并且对3D面具攻击的检测效果不佳。

发明内容

本发明实施例要解决的技术问题是提供一种成本低，泛化性好，检测效果佳的人脸静默活体检测方法、装置、电子设备及存储介质。

为解决上述技术问题，本发明实施例提供技术方案如下：

一方面，提供一种人脸静默活体检测方法，包括：

获取归一化后的人脸图像；

使用卷积神经网络对所述归一化后的人脸图像进行特征提取，并根据提取的特征计算活体判断得分，其中进行特征提取时使用空洞卷积和多尺度多阶段监督训练；

根据所述活体判断得分，预测活体概率。

在本发明一些实施例中，所述获取归一化后的人脸图像，包括：

获取人脸图像；

对所述人脸图像进行人脸检测，确定人脸的位置；