CN109034059A - 静默式人脸活体检测方法、装置、存储介质及处理器 - Google Patents

Abstract

本发明公开了一种静默式人脸活体检测方法、装置、存储介质及处理器。其中，该方法包括：根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练；根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练；对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到活体检测模型；根据预设人脸图片数据集对活体检测模型进行训练；根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果。本发明解决了现有技术中的人脸活体检测存在的检测效率较低的技术问题。

Description

静默式人脸活体检测方法、装置、存储介质及处理器

技术领域

本发明涉及人脸识别领域，具体而言，涉及一种静默式人脸活体检测方法、装置、存储介质及处理器。

背景技术

近年来，随着深度学习、计算机视觉技术的发展，人脸识别的性能已经超越人类水平，凭借超高的识别精度在实际场景中获得了广泛应用，如基于人脸识别的刷脸支付、门禁、人脸考勤机等。人脸识别具有非接触式、方便易用等特点，然而，照片、视频、面具、3D模型等伪造人脸给人脸识别带来了极大的安全隐患。为了预防安全攻击，活体检测技术应运而生，通过多样化的技术手段，区分真实人脸与伪造人脸，保障信息安全。

现有的人脸活体检测技术从实现的手段上来讲主要分为两类：第一类从硬件角度出发，借助红外传感器、三维景深相机等进行前端采集，识别真实的人脸，设备成本高，且对硬件要求条件苛刻，难以在市场上广泛应用。另一类采用算法软件方案，通过分析真实人脸与伪造人脸的特征差别实现活体检测，如基于动作或者语音指令的交互式活体检测、高频微纹理活体检测、利用多光谱皮肤特特性的活体检测等。但是，上述两类方法大多基于多帧的视频序列进行检测，或依赖与用户之间的交互配合，其计算过程长、速度慢、用户体验度差。因此，现有技术中的人脸活体检测存在检测效率较低的技术问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种静默式人脸活体检测方法、装置、存储介质及处理器，以至少解决现有技术中的人脸活体检测存在的检测效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种静默式人脸活体检测方法，该方法包括：根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至上述预设人脸检测模型和上述预设人脸总体特征模型分别达到收敛状态；根据上述预设人脸图片数据集和达到上述收敛状态的上述预设人脸检测模型对预设人脸区域特征模型进行训练，直至上述预设人脸区域特征模型达到上述收敛状态；对达到上述收敛状态的上述预设人脸检测模型、达到上述收敛状态的上述预设人脸总体特征模型和达到上述收敛状态的上述预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；根据上述预设人脸图片数据集对上述活体检测模型进行训练，直至上述活体检测模型达到上述收敛状态；根据达到上述收敛状态的上述活体检测模型对待检测人脸图片进行检测，得到检测结果。

进一步地，在根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练之前，上述方法还包括：获取多张第一照片和多张第二照片，其中，上述第一照片的特征属性为真实人脸特征，上述第二照片的特征属性为伪造人脸特征；根据上述多张第一照片和上述多张第二照片创建上述预设人脸图片数据集。

进一步地，在根据上述人脸图片数据集和达到上述收敛状态的上述预设人脸检测模型对预设人脸区域特征模型进行训练之前，上述方法还包括：输入上述预设人脸图片数据集至达到上述收敛状态的上述预设人脸检测模型，得到多张人脸区域图片；将上述多张人脸区域图片进行尺寸归一化处理，得到上述人脸区域数据集。

进一步地，上述对达到上述收敛状态的上述预设人脸检测模型、达到上述收敛状态的上述预设人脸总体特征模型和达到上述收敛状态的上述预设人脸区域特征模型进行级联处理，得到活体检测模型包括：删除达到上述收敛状态的上述预设人脸区域特征模型中的分类层，得到第一过渡模型；将上述第一过渡模型和达到上述收敛状态的上述预设人脸检测模型进行级联，得到人脸区域子分支；删除达到上述收敛状态的上述预设人脸总体特征模型中的分类层，得到总体子分支；将上述人脸区域子分支和上述总体子分支进行并联，得到第二过渡模型；对上述第二过渡模型添加多层卷积层和全连接层，得到上述活体检测模型。

根据本发明实施例的另一方面，还提供了一种静默式人脸活体检测装置，该装置包括：第一训练单元，用于根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至上述预设人脸检测模型和上述预设人脸总体特征模型分别达到收敛状态；第二训练单元，用于根据上述预设人脸图片数据集和达到上述收敛状态的上述预设人脸检测模型对预设人脸区域特征模型进行训练，直至上述预设人脸区域特征模型达到上述收敛状态；第一处理单元，用于对达到上述收敛状态的上述预设人脸检测模型、达到上述收敛状态的上述预设人脸总体特征模型和达到上述收敛状态的上述预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；第三训练单元，用于根据上述预设人脸图片数据集对上述活体检测模型进行训练，直至上述活体检测模型达到上述收敛状态；检测单元，用于根据达到上述收敛状态的上述活体检测模型对待检测人脸图片进行检测，得到检测结果。

进一步地，上述装置还包括：获取单元，用于获取多张第一照片和多张第二照片，其中，上述第一照片的特征属性为真实人脸特征，上述第二照片的特征属性为伪造人脸特征；创建单元，用于根据上述多张第一照片和上述多张第二照片创建上述预设人脸图片数据集。

进一步地，上述装置还包括：输入单元，用于输入上述预设人脸图片数据集至达到上述收敛状态的上述预设人脸检测模型，得到多张人脸区域图片；第二处理单元，用于将上述多张人脸区域图片进行尺寸归一化处理，得到上述人脸区域数据集。

进一步地，上述第一处理单元包括：第一删除子单元，用于删除达到上述收敛状态的上述预设人脸区域特征模型中的分类层，得到第一过渡模型；级联子单元，用于将上述第一过渡模型和达到上述收敛状态的上述预设人脸检测模型进行级联，得到人脸区域子分支；第二删除子单元，用于删除达到上述收敛状态的上述预设人脸总体特征模型中的分类层，得到总体子分支；并联子单元，用于将上述人脸区域子分支和上述总体子分支进行并联，得到第二过渡模型；添加子单元，用于对上述第二过渡模型添加多层卷积层和全连接层，得到上述活体检测模型。

根据本发明实施例的另一方面，又提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述任意一项的静默式人脸活体检测方法。

根据本发明实施例的另一方面，又提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一项的静默式人脸活体检测方法。

在本发明实施例中，采用根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至预设人脸检测模型和预设人脸总体特征模型分别达到收敛状态的方式；进而根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练，直至预设人脸区域特征模型达到收敛状态；对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；根据预设人脸图片数据集对活体检测模型进行训练，直至活体检测模型达到收敛状态；达到了根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果的目的，从而实现了提高人脸活体检测的计算速度、缩短人脸活体检测的检测时长、提升人脸活体检测的用户体验的技术效果，进而解决了现有技术中的人脸活体检测存在的检测效率较低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的静默式人脸活体检测方法的流程示意图；

图2是根据本发明实施例的另一种可选的静默式人脸活体检测方法的流程示意图；

图3是根据本发明实施例的又一种可选的静默式人脸活体检测方法的流程示意图；

图4是根据本发明实施例的又一种可选的静默式人脸活体检测方法的流程示意图；

图5是根据本发明实施例的一种可选的静默式人脸活体检测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种静默式人脸活体检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的静默式人脸活体检测方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤S102，根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至预设人脸检测模型和预设人脸总体特征模型分别达到收敛状态；

步骤S104，根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练，直至预设人脸区域特征模型达到收敛状态；

步骤S106，对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；

步骤S108，根据预设人脸图片数据集对活体检测模型进行训练，直至活体检测模型达到收敛状态；

步骤S110，根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果。

在本发明实施例中，采用根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至预设人脸检测模型和预设人脸总体特征模型分别达到收敛状态的方式；进而根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练，直至预设人脸区域特征模型达到收敛状态；对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；根据预设人脸图片数据集对活体检测模型进行训练，直至活体检测模型达到收敛状态；达到了根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果的目的，从而实现了提高人脸活体检测的计算速度、缩短人脸活体检测的检测时长、提升人脸活体检测的用户体验的技术效果，进而解决了现有技术中的人脸活体检测存在的检测效率较低的技术问题。

可选地，本申请基于深度学习构建预设人脸检测模型和预设人脸区域特征模型，将两模型级联得到人脸区域子分支，进行人脸区域的高维特征提取，可以有效获得真实人脸的细节信息，如面部微纹理、皮肤特性、反光特性等，提升活体检测精度；本申请基于深度学习构建预设人脸总体特征模型，获得总体子分支，进行整张图片的高维特征提取，可以有效获得伪造人脸图片的全局信息，如电子屏幕的边缘、纸质照片轮廓、背景信息等，提升活体检测精度。

可选地，步骤S102中的预设人脸检测模型用于检测照片中人脸矩形框位置(包含矩形框左上角及右下角坐标)，预设人脸检测模型可以包含多层卷积层、池化层、非线性层、全连接层。例如，某预设人脸检测模型包含2个级联的子网络。

子网络1包含：

第一卷积层：卷积核尺寸为3x3x10，步长为1；

第一池化层：尺寸为2x2，步长为2；

第二卷积层：卷积核尺寸为3x3x16，步长为2；

第三卷积层：卷积核尺寸为3x3x32，步长为1；

第四卷积层：卷积核尺寸为3x3x32，步长为2；

第五卷积层：卷积核尺寸为3x3x64，步长为1；

输出层，包含1x1x2卷积层分支和1x1x4卷积层分支。

子网络2包含：

第一卷积层：卷积核尺寸为3x3x16，步长为1；

第一池化层：尺寸为3x3，步长为2；

第二卷积层：卷积核尺寸为3x3x32，步长为2；

第三卷积层：卷积核尺寸为3x3x32，步长为2；

第四卷积层：卷积核尺寸为3x3x64，步长为2；

第五卷积层：卷积核尺寸为3x3x128，步长为1；

全连接层：神经元个数为256；

输出层：包含2神经元全连接层分支和4神经元全连接层分支。

可选地，步骤S102中的预设人脸总体特征模型可以包含多层卷积层、池化层、非线性层、全连接层。例如，某预设人脸总体特征模型基于Resnet结构，包含：

第一卷积层：卷积核尺寸为7x7x64，步长为2；

第一池化层：尺寸为3x3，步长为2；

第一残差单元：包含1x1x64卷积层、3x3x64卷积层、1x1x256卷积层、1x1x256残差分支，步长均为1；

第二残差单元：包含1x1x64卷积层、3x3x64卷积层、1x1x256卷积层、残差分支，步长均为1；

第三残差单元：包含1x1x64卷积层、3x3x64卷积层、1x1x256卷积层、残差分支，步长均为1；

第四残差单元：包含1x1x128卷积层、3x3x128卷积层、1x1x512卷积层、1x1x512残差分支，步长均为1；

第五残差单元：包含1x1x128卷积层、3x3x128卷积层、1x1x512卷积层、残差分支，步长均为1；

第六残差单元：包含1x1x128卷积层、3x3x128卷积层、1x1x512卷积层、残差分支，步长均为1；

第七残差单元：包含1x1x128卷积层、3x3x128卷积层、1x1x512卷积层、残差分支，步长均为1；

第八残差单元：包含1x1x256卷积层、3x3x256卷积层、1x1x1024卷积层、1x1x1024残差分支，步长均为1；

第九残差单元：包含1x1x256卷积层、3x3x256卷积层、1x1x1024卷积层、残差分支，步长均为1；

第二卷积层：卷积核尺寸为1x1x256；

第二池化层：尺寸为7x7，步长为1；

分类层：神经元个数为2。

可选地，步骤S106，对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型，可以同时提取人脸区域及整张图片的特征，有效利用人脸区域的细节信息和图片的全局信息，保证活体检测的性能，有效抵御照片、视频、面具、3D模型等攻击。

可选地，图2是根据本发明实施例的另一种可选的静默式人脸活体检测方法的流程示意图，如图2所示，在根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练之前，方法还包括：

步骤S202，获取多张第一照片和多张第二照片，其中，第一照片的特征属性为真实人脸特征，第二照片的特征属性为伪造人脸特征；

步骤S204，根据多张第一照片和多张第二照片创建预设人脸图片数据集。

可选地，第二照片可以包含带面具的人脸图片、3D模型的人脸图片、以及对真实人脸图片进行二次采集拍摄获得的照片，在二次采集时真实人脸图片可以是屏幕上展示的电子照片或者是纸质打印的照片。例如，将真实人脸图片显示在手机、平板、电脑显示屏等多种电子设备上，用摄像头进行二次采集，获得多张伪造人脸图片。

可选地，图3是根据本发明实施例的又一种可选的静默式人脸活体检测方法的流程示意图，如图3所示，在根据人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练之前，方法还包括：

步骤S302，输入预设人脸图片数据集至达到收敛状态的预设人脸检测模型，得到多张人脸区域图片；

步骤S304，将多张人脸区域图片进行尺寸归一化处理，得到人脸区域数据集。

可选地，步骤S304中的脸区域图片进行尺寸归一化处理可以包括采用线性插值、双线性插值、最近邻插值等。人脸区域数据集的标签可以是人脸的类型(真实或伪造)。

可选地，图4是根据本发明实施例的又一种可选的静默式人脸活体检测方法的流程示意图，如图4所示，对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到活体检测模型包括：

步骤S402，删除达到收敛状态的预设人脸区域特征模型中的分类层，得到第一过渡模型；

步骤S404，将第一过渡模型和达到收敛状态的预设人脸检测模型进行级联，得到人脸区域子分支；

步骤S406，删除达到收敛状态的预设人脸总体特征模型中的分类层，得到总体子分支；

步骤S408，将人脸区域子分支和总体子分支进行并联，得到第二过渡模型；

步骤S410，对第二过渡模型添加多层卷积层和全连接层，得到活体检测模型。

可选地，本申请可以实现的技术效果包括：当输入为单张人脸图片进行活体检测，不需要采集多帧视频序列，检测效率更高，速度更快，可以实现实时的活体检测；本申请为静默式，无需用户配合，避免了动作交互与语音交互带来的用户友好度差的问题，带来流畅的用户体验；本申请基于深度学习构建活体检测总模型同时提取人脸区域与整体图片的特征，从全局与局部两个维度上进行分析，精度更高。

在本发明实施例中，采用根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至预设人脸检测模型和预设人脸总体特征模型分别达到收敛状态的方式；进而根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练，直至预设人脸区域特征模型达到收敛状态；对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；根据预设人脸图片数据集对活体检测模型进行训练，直至活体检测模型达到收敛状态；达到了根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果的目的，从而实现了提高人脸活体检测的计算速度、缩短人脸活体检测的检测时长、提升人脸活体检测的用户体验的技术效果，进而解决了现有技术中的人脸活体检测存在的检测效率较低的技术问题。

实施例2

根据本发明实施例的另一方面，还提供了一种静默式人脸活体检测装置，如图5所示，该装置包括：

第一训练单元501，用于根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至预设人脸检测模型和预设人脸总体特征模型分别达到收敛状态；第二训练单元503，用于根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练，直至预设人脸区域特征模型达到收敛状态；第一处理单元505，用于对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；第三训练单元507，用于根据预设人脸图片数据集对活体检测模型进行训练，直至活体检测模型达到收敛状态；检测单元509，用于根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果。

可选地，该装置还包括：获取单元，用于获取多张第一照片和多张第二照片，其中，第一照片的特征属性为真实人脸特征，第二照片的特征属性为伪造人脸特征；创建单元，用于根据多张第一照片和多张第二照片创建预设人脸图片数据集。

可选地，该装置还包括：输入单元，用于输入预设人脸图片数据集至达到收敛状态的预设人脸检测模型，得到多张人脸区域图片；第二处理单元，用于将多张人脸区域图片进行尺寸归一化处理，得到人脸区域数据集。

可选地，第一处理单元包括：第一删除子单元，用于删除达到收敛状态的预设人脸区域特征模型中的分类层，得到第一过渡模型；级联子单元，用于将第一过渡模型和达到收敛状态的预设人脸检测模型进行级联，得到人脸区域子分支；第二删除子单元，用于删除达到收敛状态的预设人脸总体特征模型中的分类层，得到总体子分支；并联子单元，用于将人脸区域子分支和总体子分支进行并联，得到第二过渡模型；添加子单元，用于对第二过渡模型添加多层卷积层和全连接层，得到活体检测模型。

根据本发明实施例的另一方面，又提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行实施例1中任意一项的静默式人脸活体检测方法。

根据本发明实施例的另一方面，又提供了一种存储介质，处理器用于运行程序，其中，程序运行时执行实施例1中任意一项的静默式人脸活体检测方法。

在本发明实施例中，采用根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至预设人脸检测模型和预设人脸总体特征模型分别达到收敛状态的方式；进而根据预设人脸图片数据集和达到收敛状态的预设人脸检测模型对预设人脸区域特征模型进行训练，直至预设人脸区域特征模型达到收敛状态；对达到收敛状态的预设人脸检测模型、达到收敛状态的预设人脸总体特征模型和达到收敛状态的预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；根据预设人脸图片数据集对活体检测模型进行训练，直至活体检测模型达到收敛状态；达到了根据达到收敛状态的活体检测模型对待检测人脸图片进行检测，得到检测结果的目的，从而实现了提高人脸活体检测的计算速度、缩短人脸活体检测的检测时长、提升人脸活体检测的用户体验的技术效果，进而解决了现有技术中的人脸活体检测存在的检测效率较低的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种静默式人脸活体检测方法，其特征在于，包括：

根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至所述预设人脸检测模型和所述预设人脸总体特征模型分别达到收敛状态；

根据所述预设人脸图片数据集和达到所述收敛状态的所述预设人脸检测模型对预设人脸区域特征模型进行训练，直至所述预设人脸区域特征模型达到所述收敛状态；

对达到所述收敛状态的所述预设人脸检测模型、达到所述收敛状态的所述预设人脸总体特征模型和达到所述收敛状态的所述预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；

根据所述预设人脸图片数据集对所述活体检测模型进行训练，直至所述活体检测模型达到所述收敛状态；

根据达到所述收敛状态的所述活体检测模型对待检测人脸图片进行检测，得到检测结果。

2.根据权利要求1所述的方法，其特征在于，在根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练之前，所述方法还包括：

获取多张第一照片和多张第二照片，其中，所述第一照片的特征属性为真实人脸特征，所述第二照片的特征属性为伪造人脸特征；

根据所述多张第一照片和所述多张第二照片创建所述预设人脸图片数据集。

3.根据权利要求1所述的方法，其特征在于，在根据所述人脸图片数据集和达到所述收敛状态的所述预设人脸检测模型对预设人脸区域特征模型进行训练之前，所述方法还包括：

输入所述预设人脸图片数据集至达到所述收敛状态的所述预设人脸检测模型，得到多张人脸区域图片；

将所述多张人脸区域图片进行尺寸归一化处理，得到所述人脸区域数据集。

4.根据权利要求1所述的方法，其特征在于，所述对达到所述收敛状态的所述预设人脸检测模型、达到所述收敛状态的所述预设人脸总体特征模型和达到所述收敛状态的所述预设人脸区域特征模型进行级联处理，得到活体检测模型包括：

删除达到所述收敛状态的所述预设人脸区域特征模型中的分类层，得到第一过渡模型；

将所述第一过渡模型和达到所述收敛状态的所述预设人脸检测模型进行级联，得到人脸区域子分支；

删除达到所述收敛状态的所述预设人脸总体特征模型中的分类层，得到总体子分支；

将所述人脸区域子分支和所述总体子分支进行并联，得到第二过渡模型；

对所述第二过渡模型添加多层卷积层和全连接层，得到所述活体检测模型。

5.一种静默式人脸活体检测装置，其特征在于，包括：

第一训练单元，用于根据预设人脸图片数据集分别对预设人脸检测模型、预设人脸总体特征模型进行训练，直至所述预设人脸检测模型和所述预设人脸总体特征模型分别达到收敛状态；

第二训练单元，用于根据所述预设人脸图片数据集和达到所述收敛状态的所述预设人脸检测模型对预设人脸区域特征模型进行训练，直至所述预设人脸区域特征模型达到所述收敛状态；

第一处理单元，用于对达到所述收敛状态的所述预设人脸检测模型、达到所述收敛状态的所述预设人脸总体特征模型和达到所述收敛状态的所述预设人脸区域特征模型进行级联处理，得到用于同时提取人脸图片的全局总体特征和局部细节特征的活体检测模型；

第三训练单元，用于根据所述预设人脸图片数据集对所述活体检测模型进行训练，直至所述活体检测模型达到所述收敛状态；

检测单元，用于根据达到所述收敛状态的所述活体检测模型对待检测人脸图片进行检测，得到检测结果。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

获取单元，用于获取多张第一照片和多张第二照片，其中，所述第一照片的特征属性为真实人脸特征，所述第二照片的特征属性为伪造人脸特征；

创建单元，用于根据所述多张第一照片和所述多张第二照片创建所述预设人脸图片数据集。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

输入单元，用于输入所述预设人脸图片数据集至达到所述收敛状态的所述预设人脸检测模型，得到多张人脸区域图片；

第二处理单元，用于将所述多张人脸区域图片进行尺寸归一化处理，得到所述人脸区域数据集。

8.根据权利要求5所述的装置，其特征在于，所述第一处理单元包括：

第一删除子单元，用于删除达到所述收敛状态的所述预设人脸区域特征模型中的分类层，得到第一过渡模型；

级联子单元，用于将所述第一过渡模型和达到所述收敛状态的所述预设人脸检测模型进行级联，得到人脸区域子分支；

第二删除子单元，用于删除达到所述收敛状态的所述预设人脸总体特征模型中的分类层，得到总体子分支；

并联子单元，用于将所述人脸区域子分支和所述总体子分支进行并联，得到第二过渡模型；

添加子单元，用于对所述第二过渡模型添加多层卷积层和全连接层，得到所述活体检测模型。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求4中任意一项所述的静默式人脸活体检测方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至权利要求4中任意一项所述的静默式人脸活体检测方法。