[發明專利]一種人臉活體檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202110547658.4
• 申請日: 2021-05-19
• 公開（公告）號: CN113128481A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 王哲;焦任直;梁瀟;王薷泉;韓澤;崔玉君;謝會斌;李聰廷
• 申請（專利權）人: 濟南博觀智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 丁曼曼

1.一種人臉活體檢測方法，其特征在于，包括：

獲取待檢測圖像；所述待檢測圖像包括可見光人臉圖像，以及與所述可見光人臉圖像對應的近紅外人臉圖像；

利用預先基于卷積神經網絡創建的可見光活體檢測模型，預測所述可見光人臉圖像是否為活體人臉圖像；

若是，則利用預先基于卷積神經網絡創建的近紅外活體檢測模型對所述近紅外人臉圖像進行活體檢測，并根據檢測結果判斷所述待檢測圖像中是否包含活體人臉目標。

2.根據權利要求1所述的人臉活體檢測方法，其特征在于，所述獲取待檢測圖像；所述待檢測圖像包括可見光人臉圖像，以及與所述可見光人臉圖像對應的近紅外人臉圖像，包括：

利用可見光相機采集得到可見光圖像，并利用近紅外相機采集得到與所述可見光圖像對應的近紅外圖像；

對所述可見光圖像中的人臉區域進行提取，得到所述可見光人臉圖像，并對所述近紅外圖像中的人臉區域進行提取，得到所述近紅外人臉圖像。

3.根據權利要求1所述的人臉活體檢測方法，其特征在于，所述可見光活體檢測模型的創建過程，包括：

獲取樣本圖像并對所述樣本圖像添加相應的標簽，得到第一訓練樣本集；所述樣本圖像包括可見光特征裁剪假人圖像、可見光真人圖像和近紅外打印假人圖像；

以卷積神經網絡為基礎構建得到第一待訓練網絡；所述第一待訓練網絡包括卷積層、全連接層和Softmax分類層；

利用所述第一訓練樣本集對所述第一待訓練網絡進行訓練，得到所述可見光活體檢測模型。

4.根據權利要求1所述的人臉活體檢測方法，其特征在于，所述利用預先基于卷積神經網絡創建的近紅外活體檢測模型對所述近紅外人臉圖像進行活體檢測，并根據檢測結果判斷所述待檢測圖像中是否包含活體人臉目標，包括：

利用所述近紅外活體檢測模型對所述近紅外人臉圖像進行目標特征提取；所述目標特征包括深度特征和紅外分類特征；

根據所述深度特征對應的類別概率和所述紅外分類特征對應的類別概率，按照預設概率判定規則判斷所述待檢測圖像中是否包含活體人臉目標。

5.根據權利要求1所述的人臉活體檢測方法，其特征在于，所述預測所述可見光人臉圖像是否為活體人臉圖像之后，還包括：

若通過所述可見光活體檢測模型預測出所述可見光人臉圖像不是活體人臉圖像，則判定所述待檢測圖像中不存在活體人臉目標；

所述利用預先基于卷積神經網絡創建的近紅外活體檢測模型對所述近紅外人臉圖像進行活體檢測之后，還包括：

若通過所述近紅外活體檢測模型檢測出所述近紅外人臉圖像不是活體人臉圖像，則判斷所述待檢測圖像中不存在活體人臉目標。

6.根據權利要求1至5任一項所述的人臉活體檢測方法，其特征在于，所述近紅外活體檢測模型的創建過程，包括：

獲取近紅外人臉活體圖像和近紅外非人臉活體圖像，并對所述近紅外人臉活體圖像和所述近紅外非人臉活體圖像添加對應的深度標簽，以得到第二訓練樣本集；

基于卷積神經網絡、歐氏距離損失函數和Softmax損失函數進行網絡搭建，得到第二待訓練網絡；其中，所述歐氏距離損失函數用于計算深度損失值，所述Softmax損失函數用于計算分類損失值；

利用所述第二訓練樣本集對所述第二待訓練網絡進行訓練，得到所述近紅外活體檢測模型；其中，訓練過程中的損失值為所述深度損失值和所述分類損失值的加權求和總值。

7.一種人臉活體檢測裝置，其特征在于，包括：

圖像獲取模塊，用于獲取待檢測圖像；所述待檢測圖像包括可見光人臉圖像，以及與所述可見光人臉圖像對應的近紅外人臉圖像；

可見光活體檢測模塊，用于利用預先基于卷積神經網絡創建的可見光活體檢測模型，預測所述可見光人臉圖像是否為活體人臉圖像；

近紅外活體檢測模塊，用于若所述可見光活體檢測模塊的預測結果為是，則利用預先基于卷積神經網絡創建的近紅外活體檢測模型對所述近紅外人臉圖像進行活體檢測，并根據檢測結果判斷所述待檢測圖像中是否包含活體人臉目標。