[发明专利]一种人脸活体检测方法、系统及介质

权利要求书

1.一种人脸活体检测方法，其特征在于，包括以下步骤：

采集人脸图像并输入至深度学习网络；

所述深度学习网络包括特征编码模块、跨层特征级联模块、跨域双特征约束模块和特征分类模块；

基于特征编码模块和跨层特征级联模块，对人脸图像进行特征提取和编码处理，得到编码特征信息；

基于跨域双特征约束模块，对编码特征信息进行聚集和分离处理，得到特征分布信息；

基于特征分类模块，根据特征分布信息进行判断，输出检测结果。

2.根据权利要求1所述一种人脸活体检测方法，其特征在于，所述采集人脸图像并输入至深度学习网络这一步骤之前，还包括：

构建训练集并基于训练集对深度学习网络进行训练，得到训练完成的深度学习网络。

3.根据权利要求2所述一种人脸活体检测方法，其特征在于，所述基于特征编码模块和跨层特征级联模块，对人脸图像进行特征提取和编码处理，得到编码特征信息这一步骤，其具体包括：

基于特征编码模块对人脸图像进行初步提取和编码处理，得到初步信息；

基于跨层特征级联模块对初步信息进行处理，提取局部特征和卷积特征并构建特征级联输出；

将特征级联输出反馈至特征编码模块，输出编码特征信息。

4.根据权利要求3所述一种人脸活体检测方法，其特征在于，所述跨层特征级联模块包括多个多算子特征学习单元，所述多算子特征学习单元由两条支路组成，所述基于跨层特征级联模块对初步信息进行处理，提取局部特征和卷积特征并构建特征级联输出这一步骤，其具体包括：

基于多算子特征学习单元第一支路，根据局部特征算子对初步信息进行处理，提取得到局部特征；

基于多算子特征学习单元第二支路，根据卷积算子对初步信息进行处理，提取得到卷积特征；

将局部特征和卷积特征级联，得到多算子特征学习单元的输出；

将多算子特征学习单元的输出整合，得到特征级联输出。

5.根据权利要求4所述一种人脸活体检测方法，其特征在于，所述跨域双特征约束模块包括域内多类特征约束单元和域间多类特征约束单元，所述基于跨域双特征约束模块，对编码特征信息进行聚集和分离处理，得到特征分布信息这一步骤，其具体包括：

基于域内多类特征约束单元对编码特征信息进行处理，在特征空间上将同域同类的样本进行聚集，将同域不同类的样本进行分离；

基于域间多类特征约束单元对编码特征信息进行处理，在特征空间上将同类不同域的样本进行聚集，将不同域不同类的样本进行分离；

整合得到特征分布信息。

6.根据权利要求5所述一种人脸活体检测方法，其特征在于，所述域内多类特征约束单元，约束条件公式表示如下：

上式中，a^d，和分别代表锚样本、正样本和负样本，且d表示特征来自哪个域,“(,)”代表内积操作，E_s[]表示求均值。

7.根据权力要求6所述一种人脸活体检测方法，其特征在于，所述域间多类特征约束单元，约束条件公式表示如下：

上式中，a^d、和分别代表锚样本、正样本和负样本，k和d表示特征来自哪个域且k≠d，α表示隔阂参数，“(,)”表示内积操作，E_s[]表示求均值。

8.根据权利要求7所述一种人脸活体检测方法，其特征在于，所述构建训练集并基于训练集对深度学习网络进行训练，得到训练完成的深度学习网络这一步骤，其具体包括：

采集不同域的真实人脸图像和对应的攻击人脸图像并进行裁剪预处理，构建得到训练集；

以不同域的人脸图片为输入，真实标签为输出，对深度学习网络进行训练，得到训练完成的深度学习网络。