[發明專利]假臉檢測方法、裝置、電子設備及計算機可讀存儲介質

在審

• 申請號: 202011473875.5
• 申請日: 2020-12-15
• 公開（公告）號: CN112507903A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 梁俊杰;賴眾程;周軍;王小紅;李會璟;鄭松輝;施國灝;洪叁亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種假臉檢測方法，其特征在于，所述方法包括：

獲取原始人臉圖像，對所述原始人臉圖像進行頻域轉換及高通濾波處理，得到初始人臉圖像；

利用預構建的輕量級深度學習模型對所述初始人臉圖像進行計算，得到第一假臉概率值；

利用預設的人臉檢測算法對所述原始人臉圖像進行人臉輪廓檢測，得到人臉框，對所述人臉框進行擴大或縮小操作，得到不同尺寸的人臉截取圖像集；

利用預構建的細粒度分類模型對所述人臉截取圖像集進行細粒度分類處理，得到所述人臉截圖圖像集對應的細粒度概率值集合，將所述細粒度概率值集合進行融合，得到第二假臉概率值；

對所述第一假臉概率值和所述第二假臉概率值進行加權融合處理，得到人臉檢測概率值；

根據所述人臉檢測概率值檢測所述原始人臉是否為假臉，并得到檢測結果；當所述檢測結果為假臉時，將所述判定結果發送至預設終端。

2.如權利要求1所述的假臉檢測方法，其特征在于，所述利用預構建的輕量級深度學習模型對所述初始人臉圖像進行計算，得到第一假臉概率值，包括：

利用所述輕量級深度學習模型對所述初始人臉圖像進行特征提取，得到初始圖像特征；

根據所述輕量級深度學習模型中的分類函數對所述初始圖像特征進行概率計算，得到第一假臉概率值。

3.如權利要求1所述的假臉檢測方法，其特征在于，所述利用預設的人臉檢測算法對所述原始人臉圖像進行人臉輪廓檢測，得到人臉框，對所述人臉框進行擴大或縮小操作，得到不同尺寸的人臉截取圖像集，包括：

利用預設的人臉檢測算法對所述原始人臉圖像進行人臉檢測處理，得到一個或者多個人臉框；

利用預設的比例對所述人臉框進行擴大或縮小操作，得到人臉擴大框和人臉縮小框；

利用所述人臉擴大框和所述人臉縮小框對所述原始人臉圖像分別進行截取處理，得到人臉區域圖像集；

根據預設的尺寸對所述人臉區域圖像集進行縮放處理，得到不同尺寸的人臉截取圖像集。

4.如權利要求1所述的假臉檢測方法，其特征在于，所述利用預構建的細粒度分類模型對所述人臉截取圖像集進行細粒度分類處理，得到所述人臉截圖圖像集對應的細粒度概率值集合，將所述細粒度概率值集合進行融合，得到第二假臉概率值，包括：

對所述人臉截取圖像集中的人臉截取圖像進行特征提取，得到截取圖像特征；

利用預設的分類函數對所述截取圖像特征進行概率計算，得到第一細粒度概率值；

將所述截取圖像特征經過預設的第一區域目標網絡進行區域信息提取處理，根據提取出來的區域信息在所述截取圖像中進行裁剪，得到第一區域圖；

根據預設的縮放尺寸對所述第一區域圖進行縮放處理，并輸入至預設的第二區域目標網絡中，得到第二區域圖，利用所述第二區域目標網絡中的分類層對所述第二區域圖進行概率計算，得到第二細粒度概率值；

將所述第二區域圖作為預設的第三區域目標網絡的輸入，得到第三區域圖和第三細粒度概率值，將所述第三區域圖作為預設的第四區域目標網絡的輸入，得到第四區域圖和第四細粒度概率值；

將所述第一細粒度概率值、所述第二細粒度概率值、所述第三細粒度概率值和所述第四細粒度概率值進行匯總，得到第二假臉概率值。

5.如權利要求1所述的假臉檢測方法，其特征在于，所述對所述原始人臉圖像進行頻域轉換及高通濾波處理，得到初始人臉圖像，包括：

對所述原始人臉圖像進行空間快速轉換，得到快速頻域圖像；

利用預設的濾波函數對所述快速頻域圖像進行濾波處理，得到濾波圖像；

對所述濾波圖像進行頻域反變換，得到初始人臉圖像。

6.如權利要求5所述的假臉檢測方法，其特征在于，所述對所述原始人臉圖像進行空間快速轉換，得到快速頻域圖像，包括：

利用預設的第一變換公式對所述原始人臉圖像進行空間快速轉換，得到快速頻域圖像的像素值F(u,v)：

其中，f(x,y)表示原始人臉圖像的像素值，F(u,v)表示快速頻域圖像的像素值，M、N表示原始人臉圖像的寬和高，j為快速傅里葉變換函數中的固定參數。