CN109255322A - 一种人脸活体检测方法及装置 - Google Patents

Abstract

本申请提供了一种人脸活体检测方法及装置，涉及人脸识别技术领域，包括：获取多组第一人脸样本图像，人脸样本图像包括活体人脸图像和非活体人脸图像；非活体人脸图像包括人脸照片图像和人脸视频图像；基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值；基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，将处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果。本申请实施例通过基于训练好的目标卷积神经网络模型以及该模型的检测阈值进行人脸活体检测，能够检测人脸照片和人脸视频的非活体攻击，检测准确度好且效率高。

Description

一种人脸活体检测方法及装置

技术领域

本申请涉及人脸识别技术领域，具体而言，涉及一种人脸活体检测方法及装置。

背景技术

随着科技的发展，人脸识别技术由于高可靠性等优势而广泛的应用在人们的日常生活中。在人脸识别技术的应用范围不断扩大的同时，也出现了对人脸识别技术的非活体攻击，在这种攻击性，攻击者利用合法用户的人脸图片或者带有合法用户人脸的视频伪造合法用户进行业务交易，给被伪造的合法用户造成较大的损失。因此，如何提高人脸识别系统的安全性成为一个广泛关注的问题。

为了解决上述问题，相关技术提供了一种基于特征点仿射变换进行人脸活体检测的方法，采用在对采集的每一帧视频图像探测并追踪人脸特征点，采用仿射变换的方法计算相邻两帧中人脸特征点的统计学距离，将统计学距离与真实人脸对应的标准统计学距离相比较，根据比较结果确定是否为真实人脸。但是，上述通过统计学距离的人脸活体检测方法所需要的计算时间代价高，并且无法检测基于人脸视频的非活体攻击。

另外，相关技术还提供了另一种基于真实人脸的非刚性运动变化进行人脸活体检测的方法，通过在输入的连续帧视频图像中探测并分析眼睛的动作，将该动作与真实人脸对应的标准动作相比较，根据比较结果确定是否为真实人脸。同样的，上述通过人眼动作的同样无法检测基于人脸视频的非活体攻击。

发明内容

有鉴于此，本申请实施例的目的在于提供一种人脸活体检测方法及装置，基于训练好的目标卷积神经网络模型以及该模型的检测阈值进行人脸活体检测，能够检测人脸照片和人脸视频的非活体攻击，检测准确度好且效率高。

第一方面，本申请实施例提供了一种人脸活体检测方法，包括：获取多组第一人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值；

基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

第二方面，本申请实施例还提供了一种人脸活体检测装置，包括：

第一获取模块，用于获取多组第一人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

第二训练模块，用于基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值；

识别模块，用于基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

本申请实施例提供的一种人脸活体检测方法及装置，基于获取的多组活体人脸图像、非活体人脸照片图像和人脸视频图像作为样本，并基于这些样本对目标卷积神经网络模型的检测阈值进行训练，然后，通过目标卷积神经网络模型以及训练得到的检测阈值即可得到待检测人脸图像的检测结果。在上述整个人脸活体检测过程中，训练检测阈值所选取的样本数量多且涵盖了非活体人脸照片和非活体人脸视频的样本图像，因此，本申请以用于检测非活体人脸视频的攻击，且检测准确度较高；同时采用该目标卷积神经网络模型进行识别处理的处理速度快，进而提高了检测效率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种人脸活体检测系统的结构示意图。

图2示出了本申请实施例所提供的一种人脸活体检测方法的流程图。

图3示出了本申请实施例所提供的另一种人脸活体检测方法的流程图。

图4示出了本申请实施例所提供的另一种人脸活体检测方法的流程图。

图5示出了本申请实施例所提供的一种人脸活体检测装置的结构示意图。

图6示出了本申请实施例所提供的计算机设备40的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本申请实施例提供一种人脸活体检测方法所应用的人脸活体检测系统，该系统包括摄像头1和处理器2，摄像头1与处理器2电连接。其中，摄像头1用于拍摄视频图像作为样本图像，这里的摄像头1拍摄的视频图像包括拍摄的大量的活体人脸视频图像、非活体人脸照片的视频图像以及含有非活体人脸视频的视频流中的视频图像。处理器2则能够将摄像头1拍摄的这些视频图像作为样本图像，对选取的目标卷积神经网络的检测阈值来进行训练，最终训练得出卷积神经网络所对应的检测阈值。

在目标卷积神经网络的检测阈值训练好后，可以基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，当所得处理结果大于所述检测阈值时，则输出为活体人脸；在处理结果小于检测阈值时，则输出为非活体人脸。

图2为本申请第一实施例提供的一种人脸活体检测方法，所述方法包括：

S101、获取多组第一人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像。

本申请实施例中，在通过摄像头预先拍摄大量的视频图像后，首先需要进行样本图像的选取，需要对大量的视频图像预处理，从中选取一些符合条件的样本图像，这些样本图像包括活体人脸样本图像和非活体人脸样本图像，非活体样本图像包括人脸照片图像和人脸视频图像，目的是为了通过用这些选取的样本图像来训练所构建的目标卷积神经网络模型的阈值。其中，本发明采用拍摄的摄像头是近红外摄像头，进一步减小了光照的影响。

S102、基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值。

本申请实施例中，预先构建有的目标卷积神经网络模型，该目标卷积神经网络模型包括：输入层、卷积层、池化层、全连接层和输出层。在构建好目标卷积神经网络模型之后，将选取的多组人脸样本图像，借助深度学习框架Caffe，输入到上述目标卷积神经网络模型的输入层中，接着目标卷积神经网络卷积层与池化层交替连接去提取每一个样本图像中的特征信息，最终能够对应于每一个样本图像的特征信息，在提取了特征信息之后，全连接层以大于预设阈值的置信度的概率，对每一个样本图像的特征信息进行正样本或者负样本的分类，输出层根据全连接层的分类结果输出用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值。

S103、基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

本申请实施例中，基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，具体过程为：对待检测的人脸图像信息进行处理后，送入预先构建的目标卷积神经网络模型中，首先经过处理后的待检测的人脸图片信息通过目标卷积神经网络中的输入层，然后经过卷积层与池化层交替连接提取特征得到二维特征图，经过全连接层后将二维特征图转换为一维向量，一维向量跟检测阈值比较，最后通过输出层进行类别输出。其中输出层中使用Softmax分类器执行的一维向量跟检测阈值比较。对输出结果进行分类，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

本申请实施例提供的一种人脸活体检测方法，基于获取的多组活体人脸图像、非活体人脸照片图像和人脸视频图像作为样本，并基于这些样本对目标卷积神经网络模型的检测阈值进行训练，然后，通过目标卷积神经网络模型以及训练得到的检测阈值即可得到待检测人脸图像的检测结果。在上述整个人脸活体检测过程中，训练检测阈值所选取的样本数量多且涵盖了非活体人脸照片和非活体人脸视频的样本图像，因此，本申请可以用于检测非活体人脸视频的攻击，且检测准确度较高；同时采用目标卷积神经网络模型进行识别处理的处理速度快，进而提高了检测效率。

进一步的，如图3所示，本申请实施例提供的人脸活体检测方法中，所述目标卷积神经网络模型的构建方法，包括：

S201、获取多组第二人脸样本图像，所述第二人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像。

本申请实施例中，在通过摄像头预先拍摄大量的视频图像后，首先需要进行样本图像的选取，需要对大量的视频图像预处理，从中选取一些符合条件的样本图像，这些样本图像包括活体人脸样本图像和非活体人脸样本图像，非活体样本图像包括人脸照片图像和人脸视频图像。其中，本申请采用拍摄的摄像头是近红外摄像头，进一步减小了光照的影响。

所采取的获取多组第二人脸图像主要是选取的一组特定的样本图像，应用于从构建的多个卷积神经网络中，确定出一个全局误差最小目标卷积神经网络模型，用这个全局误差最小的模型来进行人脸活体检测，可以更加精确的提取人脸样本图片中的特征值，大大提高了人脸活体检测的准确度。

S202、基于多组所述第二人脸样本图像，对预设的初始的卷积神经网络模型组进行训练，确定全局误差最小目标的卷积神经网络结构，得到包括所述卷积神经网络结构的目标卷积神经网络模型；其中，初始的卷积神经网络模型组对应的卷积神经网络结构包括：预设的输入层、输出层以及待训练的卷积层、池化层、全连接层。

本申请实施例，预先选取多个初始的卷积神经网络模型，作为初始的卷积神经网络模型组。其中，每个模型对应卷积神经网络结构包括输入层、卷积层、池化层、全连接层和输出层，模型组中的各个模型的输入层、输出层结构相同，但设定的卷积层、池化层的层数不同。因此，本申请实施例中，需要从模型组中选出所训练出的包括最优卷积神经网络结构的目标模型(这里训练最优卷积神经网络结构指的是，即选取具有最优组合的卷积层和池化层层数的目标卷积神经网络)。

本申请实施例中，通过第二样本对模型组进行训练，具体包括两种训练方法：

第一，选取一个固定层数的池化层分别与多个待选择层数的卷积层进行组合，得到多个卷积神经网络模型，将样本分别输入到这多个卷积神经网络模型中，得到训练结果。从这些训练结果中选取全局误差最小的目标卷积神经网络模型，将这个模型对应卷积层的层数作为目标神经网络模型卷积层的目标层数。相应的，选取一个固定层数的卷积层分别与多个待选择层数的池化层进行组合，得到多个卷积神经网络模型，将样本分别输入到这多个卷积神经网络模型中，得到训练结果，从这些训练结果中选取全局误差最小的目标卷积神经网络模型，将这个模型所对应池化层的层数作为目标神经网络模型池化层的目标层数。最终得到包括目标层数的卷积层、池化层的卷积神经网络结构，该结构所对应的即为最优的目标卷积神经网络模型。

第二，将不同固定层数的池化层和不同层数的卷积层进行组合，得到多个卷积神经网络模型的结构，将样本分别输入到这对应的多个卷积神经网络模型中，得出训练结果。从这些所得到的训练结果中，选取全局误差最小的目标卷积神经网络模型，即为最优的目标卷积神经网络模型。

实际中，在通过摄像头预先拍摄大量的视频图像有很多问题，需要选出第一人脸样本图像，基于此，提供了一种预处理方法，包括：

S301、读取摄像头拍摄的多组原始人脸样本图像。

本申请实施例中，在提取该组原始人脸样本图像的图像特征之前，针对每一组原始人脸样本图像，对该组原始人脸样本图像进行灰度变换，并对灰度变换得到的灰度图像进行滤波处理，从而得到较高质量的灰度图，更有利于卷积层与池化层进行特征的提取，同时提高了人脸活体检测的准确率。

S302、针对每一组原始人脸样本图像，提取该组原始人脸样本图像的图像特征，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息。

本申请实施例中，需要判断样本中图像特征是否为人脸特征，这里具体的实现过程如下：

通过预设的分类器对该组原始人脸样本图像的图像特征进行人脸检测，输出人脸检测结果；其中，所述分类器在检测到所述图像特征中存在人脸图像特征时，输出人脸图像特征在所述原始人脸样本图像中位置信息。这里预设的分类器是指离线训练好的AdaBoost-Cascade分类器，通过离线训练好的AdaBoost-Cascade分类器，首先判断是否是人脸，输出人脸检测结果，若检测到所述的所述图像特征中存在人脸图像特征时，输出人脸图像特征在所述原始人脸样本图像中位置信息。

S303、若检测到所述人脸特征位置信息偏移预设的位置范围，则基于所述人脸图像特征对所述人脸样本图像进行仿射变换。

本申请实施例中，仿射变换矫正人脸的目的是将样本图像以基准图像为标准进行变换，其最终目的是通过仿射变换将样本图像中人脸特征位置偏移预设的位置范围的图像变换成基准图像，减少因样本图像人脸特征位置信息偏移对最终试验结果的不良影响。

S304、将所述仿射变换的人脸样本图像进行去背景处理，得到包括仿射变换后的人脸图像特征的第一人脸样本图像。

结合步骤S301-S304，本申请实施例中，通过读取摄像头拍摄的多组原始样本图像，并且针对每一组原始人脸样本图像，对摄像头采集到的每一帧的图像进行预处理，对预处理的图像进行特征的提取，将提取的特征应用到分类器中，判断是否是人脸，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息；若检测到所述人脸特征位置信息偏移预设的位置范围，则基于所述人脸图像特征对所述人脸样本图像进行仿射变换；将所述仿射变换的人脸样本图像进行去背景处理，得到包括仿射变换后的人脸图像特征的第一人脸样本图像。

如图5所示，为本申请第二实施例提供的一种人脸活体检测装置，用于执行第一实施例提供的一种人脸活体检测方法，所述装置包括：

第一获取模块10，用于获取多组第一人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

第二训练模块20，用于基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值；

识别模块30，用于基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

可选的，本申请实施例提供的一种人脸活体检测装置还包括：第二获取模块，用于获取多组第二人脸样本图像，所述第二人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

第二训练模块，用于基于多组所述第二人脸样本图像，对预设的初始的卷积神经网络模型组进行训练，确定全局误差最小目标的卷积神经网络结构，得到包括所述卷积神经网络结构的目标卷积神经网络模型；其中，初始的卷积神经网络模型组对应的卷积神经网络结构包括：预设的输入层、卷积层、全连接层和输出层。

可选的，本申请实施例提供的一种人脸活体检测装置中，所述第一获取模块，具体用于：读取摄像头拍摄的多组原始人脸样本图像；

针对每一组原始人脸样本图像，提取该组原始人脸样本图像的图像特征，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息；

若检测到所述人脸特征位置信息偏移预设范围，则对所述人脸图像特征进行仿射变换，得到包括仿射变换后的人脸图像特征的第一人脸样本图像。

可选的，还包括：预处理模块，用于针对每一组原始人脸样本图像，对该组原始人脸样本图像进行灰度变换，并对灰度变换得到的灰度图像进行滤波处理。

可选的，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息，包括：

通过预设的分类器对该组原始人脸样本图像的图像特征进行人脸检测，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息。识别模块，用于基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

本申请实施例提供的一种人脸活体检测装置，基于获取的多组活体人脸图像、非活体人脸照片图像和人脸视频图像作为样本，并基于这些样本对目标卷积神经网络模型的检测阈值进行训练，然后，通过目标卷积神经网络模型以及训练得到的检测阈值即可得到待检测人脸图像的检测结果。在上述整个人脸活体检测过程中，训练检测阈值所选取的样本数量多且涵盖了非活体人脸照片和非活体人脸视频的样本图像，因此，本申请以用于检测非活体人脸视频的攻击，且检测准确度较高；同时采用目标卷积神经网络模型进行识别处理的处理速度快，进而提高了检测效率。

图6为本申请实施例提供的计算机设备40的结构示意图，如图6所示，用于执行图1中的人脸活体检测方法，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述人脸活体检测方法的步骤。

具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述人脸活体检测方法。

对应于图1中的人脸活体检测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述人脸活体检测方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述人脸活体检测方法。

本申请实施例所提供的人脸活体检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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网络单元上。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，在本申请提供的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。

所述功能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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种人脸活体检测方法，其特征在于，包括：

获取多组第一人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值；

基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述目标卷积神经网络模型的构建方法，包括：

获取多组第二人脸样本图像，所述第二人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

基于多组所述第二人脸样本图像，对预设的初始的卷积神经网络模型组进行训练，确定全局误差最小目标的卷积神经网络结构，得到包括所述卷积神经网络结构的目标卷积神经网络模型；其中，初始的卷积神经网络模型组对应的卷积神经网络结构包括：预设的输入层、输出层以及待训练的卷积层、池化层、全连接层。

3.根据权利要求1所述的人脸活体检测方法，其特征在于，所述获取多组第一人脸样本图像，包括：

读取摄像头拍摄的多组原始人脸样本图像；

针对每一组原始人脸样本图像，提取该组原始人脸样本图像的图像特征，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息；

若检测到所述人脸特征位置信息偏移预设的位置范围，则基于所述人脸图像特征对所述人脸样本图像进行仿射变换；

将所述仿射变换的人脸样本图像进行去背景处理，得到包括仿射变换后的人脸图像特征的第一人脸样本图像。

4.根据权利要求3所述的人脸活体检测方法，其特征在于，所述提取该组原始人脸样本图像的图像特征之前，还包括：

针对每一组原始人脸样本图像，对该组原始人脸样本图像进行灰度变换，并对灰度变换得到的灰度图像进行滤波处理。

5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息，包括：

通过预设的分类器对该组原始人脸样本图像的图像特征进行人脸检测，输出人脸检测结果；其中，所述分类器在检测到所述图像特征中存在人脸图像特征时，输出人脸图像特征在所述原始人脸样本图像中位置信息。

6.根据权利要求3所述的人脸活体检测方法，其特征在于，所述摄像头为近红外摄像头。

7.一种人脸活体检测装置，其特征在于，包括：

第一获取模块，用于获取多组第一人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

第二训练模块，用于基于预先构建的目标卷积神经网络模型以及所述多组人脸样本图像中，训练用于检测活体人脸图像的图像特征和非活体人脸图像的图像特征的检测阈值；

识别模块，用于基于预先构建的目标卷积神经网络模型对待检测人脸图像进行处理，并将得到的处理结果与所述检测阈值进行比较，输出待检测人脸图像的检测结果；其中，在所述处理结果大于所述检测阈值时，所述检测结果为活体人脸；在处理结果小于所述检测阈值时，所述检测结果为非活体人脸。

8.根据权利要求7所述的人脸活体检测装置，其特征在于，还包括：

第二获取模块，用于获取多组第二人脸样本图像，所述第二人脸样本图像包括活体人脸图像和非活体人脸图像；所述非活体人脸图像包括人脸照片图像和人脸视频图像；

第二训练模块，用于基于多组所述第二人脸样本图像，对预设的初始的卷积神经网络模型组进行训练，确定全局误差最小目标的卷积神经网络结构，得到包括所述卷积神经网络结构的目标卷积神经网络模型；其中，初始的卷积神经网络模型组对应的卷积神经网络结构包括：预设的输入层、卷积层、全连接层和输出层。

9.根据权利要求7所述的人脸活体检测装置，其特征在于，所述第一获取模块，具体用于：

读取摄像头拍摄的多组原始人脸样本图像；

针对每一组原始人脸样本图像，提取该组原始人脸样本图像的图像特征，若所述图像特征中存在人脸图像特征，则确定所述人脸图像特征在所述原始人脸样本图像中位置信息；

若检测到所述人脸特征位置信息偏移预设范围，则对所述人脸图像特征进行仿射变换，得到包括仿射变换后的人脸图像特征的第一人脸样本图像。

10.根据权利要求9所述的人脸活体检测装置，其特征在于，还包括：

预处理模块，用于针对每一组原始人脸样本图像，对该组原始人脸样本图像进行灰度变换，并对灰度变换得到的灰度图像进行滤波处理。