CN110245645B - 人脸活体识别方法、装置、设备及存储介质 - Google Patents

Abstract

本公开实施例提供一种人脸活体识别方法、装置、设备及存储介质，该方法包括：获取待识别图像；基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的；其中，所述拍摄图像为拍摄活体照片的图像。本公开实施例能够解决现有技术存在耗时较长，且检测效率较低的问题。

Description

人脸活体识别方法、装置、设备及存储介质

技术领域

本公开实施例涉图像识别技术领域，尤其涉及一种人脸活体识别方法、装置、设备及存储介质。

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，目前基于人脸识别技术的闸机被广泛使用，但是传统人脸识别的闸机通过人脸的照片也可以打开，安全性不够。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。

但是，目前常用的活体检测技术要求摄像头前的物体与摄像头产生交互或是计算量较大，因此，现有技术存在耗时较长，且检测效率较低的问题。

发明内容

本公开实施例提供一种人脸活体识别方法、装置、设备及存储介质，以克服现有技术存在耗时较长，且检测效率较低的问题。

第一方面，本公开实施例提供一种人脸活体识别方法，包括：

获取待识别图像；

基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的；

其中，所述拍摄图像为拍摄活体照片的图像。

在一种可能的设计中，在所述获取待识别图像之前，所述方法还包括：

获取图像样本集合及所述图像样本集合中每个图像样本的标识，所述标识用于标记所述图像样本是拍摄图像还是活体图像，所述图像样本集合包括具有不同标识的图像样本；

根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，所述人脸活体识别分类模型输出每个图像样本的人脸特征向量和活体检测结果。

在一种可能的设计中，所述标识为二维的掩码；

所述根据所述图像样本集合及所述样本集合中每个图像样本的标识，对卷积神经网络进行训练，包括：

将所述图像样本集合及所述样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，得到所述卷积神经网络的偏置值、每个所述图像样本的第一预设维向量和第二预设维向量，所述第一预设维向量的维数大于第二预设维向量的维数，所述第二预设维向量为每个图像样本的人脸特征向量；

从所述第一预设维向量中选取任一个一维向量，根据所述一维向量和所述偏置值，对每个所述图像样本进行二分类计算，以得到每个所述图像样本的二分类值，所述二分类值用于表示所述活体检测结果；

根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数调整所述卷积神经网络的网络参数；

根据每个所述图像样本的第二预设维向量和对应的每个所述图像样本在预设人脸识别模型中得到第三预设维向量，通过交叉熵函数调整所述卷积神经网络的网络参数；

其中，所述第三预设维向量的维数与所述第二预设维向量的维数相等。

在一种可能的设计中，所述根据所述一维向量和所述偏置值，对每个所述图像样本进行二分类计算，以得到每个所述图像样本的二分类值，包括：

对所述一维向量中每个元素取正，得到新的一维向量；

将所述新的一维向量中所有元素求和，得到所有元素的总和；

将所述总和与所述偏置值的绝对值作差，得到每个所述图像样本的二分类值；

其中，若二分类值为正数，则表明所述图像样本为活体图像，若二分类值为负数，则表明所述图像样本为拍摄图像。

在一种可能的设计中，所述根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数调整所述卷积神经网络的网络参数，包括：

根据预设编码规则，对每个所述图像样本的二分类值进行编码，得到每个所述图像样本的二分类值对应的编码后的二维向量；

根据所述二维向量和对应的所述掩码，通过交叉熵函数计算，得到每个所述图像样本的二分类值与对应的所述二维向量之间的误差；

根据所述误差，通过反向传播，调整所述卷积神经网络的网络参数。

在一种可能的设计中，在所述得到所述待识别图像的人脸特征向量和活体检测结果之后，所述方法还包括：

若所述活体检测结果为所述待识别图像为活体图像，则将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对；

当所述多个人脸特征向量中存在与所述待识别图像的人脸特征向量一致的人脸特征向量时，确定所述待识别图像为待通行活体的目标图像，并开启通行通道，以使所述待通行活体通行。

第二方面，本公开实施例提供一种人脸活体识别装置，包括：

待识别图像接收模块，用于获取待识别图像；

识别模块，用于基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的；

其中，所述拍摄图像为拍摄活体照片的图像。

在一种可能的设计中，所述装置还包括：获取模块和人脸活体识别分类模型确定模块；

所述获取模块，用于在所述获取待识别图像之前，获取图像样本集合及所述图像样本集合中每个图像样本的标识，所述标识用于标记所述图像样本是拍摄图像还是活体图像，所述图像样本集合包括具有不同标识的图像样本；

所述人脸活体识别分类模型确定模块，用于根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，所述人脸活体识别分类模型输出每个图像样本的人脸特征向量和活体检测结果。

在一种可能的设计中，所述标识为二维的掩码；

所述人脸活体识别分类模型确定模块，包括：

第一确定单元，用于将所述图像样本集合及所述图像样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，得到所述卷积神经网络的偏置值、每个所述图像样本的第一预设维向量和第二预设维向量，所述第一预设维向量的维数大于第二预设维向量的维数，所述第二预设维向量为每个图像样本的人脸特征向量；

二分类单元，用于从所述第一预设维向量中选取任一个一维向量，根据所述一维向量和所述偏置值，对每个所述图像样本进行二分类计算，以得到每个所述图像样本的二分类值，所述二分类值用于表示所述活体检测结果；

第一调整单元，用于根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数计算，调整所述卷积神经网络的网络参数；

第二调整单元，用于根据每个所述图像样本的第二预设维向量和对应的每个所述图像样本在预设人脸识别模型中得到第三预设维向量，通过交叉熵函数计算，调整所述卷积神经网络的网络参数；

其中，所述第三预设维向量的维数与所述第二预设维向量的维数相等。

在一种可能的设计中，所述二分类单元，具体用于：

对所述一维向量中每个元素取正，得到新的一维向量；

将所述新的一维向量中所有元素求和，得到所有元素的总和；

将所述总和与所述偏置值的绝对值作差，得到每个所述图像样本的二分类值；

其中，若二分类值为正数，则表明所述图像样本为活体图像，若二分类值为负数，则表明所述图像样本为拍摄图像。

在一种可能的设计中，所述第一调整单元，具体用于：

根据预设编码规则，对每个所述图像样本的二分类值进行编码，得到每个所述图像样本的二分类值对应的编码后的二维向量；

根据所述二维向量和对应的所述掩码，通过交叉熵函数计算，得到每个所述图像样本的二分类值与对应的所述二维向量之间的误差；

根据所述误差，通过反向传播，调整所述卷积神经网络的网络参数。

在一种可能的设计中，所述装置还包括：比对模块和通道开启模块；

所述比对模块，用于在所述得到所述待识别图像的人脸特征向量和活体检测结果之后，在所述活体检测结果为所述待识别图像为活体图像时，将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对；

所述通道开启模块，用于当所述多个人脸特征向量中存在与所述待识别图像的人脸特征向量一致的人脸特征向量时，确定所述待识别图像为待通行活体的目标图像，并开启通行通道，以使所述待通行活体通行。

第三方面，本公开实施例提供一种人脸活体识别设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的人脸活体识别方法。

第四方面，本公开实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的人脸活体识别方法。

本公开实施例提供的人脸活体识别方法、装置、设备及存储介质，先获取待识别图像，再基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，完成人脸活体识别，其中，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的，且所述拍摄图像为拍摄活体照片的图像。本公开实施例通过获取待识别图像，将所述待识别图像输入到人脸活体识别分类模型中，能够得到所述待识别图像的人脸特征向量和活体检测结果，实现了人脸识别和活体检测模型融合的识别效果，即同时完成人脸识别和活体检测的操作，缩短检测时间，提高效率。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的人脸活体识别方法的流程示意图；

图2为本公开另一实施例提供的人脸活体识别方法的流程示意图；

图3为本公开又一实施例提供的人脸活体识别方法的流程示意图；

图4为本公开再一实施例提供的人脸活体识别方法的流程示意图；

图5为本公开又一实施例提供的人脸活体识别方法的流程示意图；

图6为本公开实施例提供的人脸活体识别装置的结构框图；

图7为本公开又一实施例提供的人脸活体识别装置的结构框图；

图8为本公开再一实施例提供的人脸活体识别装置的结构框图；

图9为本公开实施例提供的人脸活体识别设备的硬件结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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，以便这里描述的本公开的实施例，例如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。

现有技术中，在识别或检测人脸时，基于人脸识别技术的闸机被广泛使用，但是传统人脸识别的闸机通过人脸的照片也可以打开，安全性不够。后来为了提高人脸识别的安全性，在人脸识别的基础上增加了活体检测技术，即在对人脸进行识别的同时还要对闸机前的物体是否是活体进行检测，只有当闸机前的是活体，且人脸检测通过时，闸机才会打开，提高了安全性。

目前常用的活体检测技术包括两种分别是静默活体检测技术和动作活体检测技术；其中，动作活体检测技术人要求摄像头前的物体与摄像头产生交互，耗时较长效率较低，而静默活体检测技术无需摄像头前的物体与摄像头产生交互就可以识别照片和真人(活体)，因而相较于动作活体检测技术，静默活体检测技术使用的较多。但是当前使用静默活体检测技术的闸机通常包括两个模型，其中一个是静默活体检测模型，另一个是人脸检测模型，但是，两个模型的计算量较大，耗时长，闸机检测的效率较低。本公开实施例提供一种人脸活体识别方法以解决上述问题。

参考图1，图1为本公开实施例提供的人脸活体识别方法流程示意图。本公开实施例的方法可以应用在终端设备或服务器中，即执行主体可以是终端设备也可以是服务器，在此不做限定。该人脸活体识别方法包括：

S101、获取待识别图像。

在本公开实施例中，获取待识别图像可以是执行主体接收采集设备采集到的待识别图像，也可以是执行主体本身采集的待识别图像。

具体地，采集设备可以是拍摄设备，比如摄像机或照相机，可以是通过拍摄设备拍摄位于拍摄设备前的物体的图像(待识别图像)，并通过该拍摄设备获取待识别图像。或是，可以通过实时监测是否有物体出现，若监测到物体出现，则直接对物体进行拍摄，并获取待识别图像，其中，所述待识别图像可以为拍摄图像或活体图像，即使所述待识别图像为活体图像也可能为非数据库中存储可通行的人的图像。

S102、基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的；其中，所述拍摄图像为拍摄活体照片的图像。

本公开实施例中，基于已获得的人脸活体识别分类模型，对所述待识别图像进行分类识别，得到所述待识别图像的人脸特征向量和活体检测结果。其中，待识别图像可以包括拍摄活体照片的图像和活体图像(即拍摄活体的图像)等两大类图像，人脸特征向量是将人脸检测后的部分提取成低维特征的向量，活体检测结果可以包括是活体或不是活体。

在实际应用中，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的，本公开实施例依据已建立的人脸活体识别分类模型能够同时进行人脸识别和活体检测，进而提取人脸特征向量同时确定是否为活体，该人脸活体识别分类模型适用于一种检测设备，比如闸机，该闸机上可以搭载有拍摄设备，通过拍摄设备拍摄获取位于闸机前的物体的图像(待识别图像)，并基于该待识别图像，输入到人脸活体识别分类模型中进行人脸识别和活体检测，提取人脸特征向量同时确定是否为活体，使得在检测到闸机前的物体为活体，且人脸识别通过时，才允许活体进入闸机后方的区域，保证区域的安全性，由于该人脸活体识别分类模型能够同时完成人脸识别和活体检测的操作，因此，本公开实施例中的人脸活体识别分类模型能够缩短检测时间，提高效率。

本公开实施例提供的人脸活体识别方法，先获取待识别图像，再基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，完成人脸活体识别，其中，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的，且所述拍摄图像为拍摄活体照片的图像。本公开实施例通过获取待识别图像，将所述待识别图像输入到人脸活体识别分类模型中，能够得到所述待识别图像的人脸特征向量和活体检测结果，实现了人脸识别和活体检测模型融合的识别效果，即同时完成人脸识别和活体检测的操作，缩短检测时间，提高效率。

在本公开的一个实施例中，参考图2，图2为本公开另一实施例提供的人脸活体识别方法流程示意图，本公开实施例在图1实施例的基础上，本公开实施例在步骤S101之前，对所述人脸活体识别方法进行了详细说明。如图2所示，在所述获取待识别图像之前，所述人脸活体识别方法还包括：

S201、获取图像样本集合及所述图像样本集合中每个图像样本的标识，所述标识用于标记所述图像样本是拍摄图像还是活体图像，所述图像样本集合包括具有不同标识的图像样本。

在具体实现过程中，可以从数据库中获取图像样本集合及所述图像样本集合中每个图像样本的标识，其中，数据库中存储有所述图像样本集合中各个图像样本对应的人脸特征向量，所述图像样本集合包括含有不同标识的图像样本，即所述图像样本集合是包括拍摄图像和活体图像的集合。其中，数据库中各个图像的标识可以是通过人工手动归类标记的，比如标记0或1等类别标签，用0表示拍摄图像，1表示活体图像；或是使用二维向量为所述拍摄图像和活体图像作标记等等，只要能区分开拍摄图像和活体图像即可。

S202、根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，所述人脸活体识别分类模型输出每个图像样本的人脸特征向量和活体检测结果。

其中，基于图像样本集合及其各个图像样本的标识，采用卷积神经网络进行训练，建立人脸活体识别分类模型，后续等待接收或获取待识别图像，直接可以通过人脸活体识别分类模型，对待识别图像进行分类，实现自动识别人脸和活体检测。

具体地，在采用卷积神经网络进行训练时，需要将图像样本集合进行划分，分为训练集、验证集以及测试集，其中，训练集、验证集以及测试集中均含有拍摄图像和活体图像的混合的图像样本。在训练过程中，先通过训练集中所有图像样本对卷积神经网络的模型进行训练，再通过验证集中所有图像样本对卷积神经网络的模型进行验证，可以经过多轮的训练和验证，即通过一次所述训练集进行训练，再由一次所述验证集进行验证或预测，若预测效果不好，则继续通过一轮次所述训练集进行训练，所述验证集进行验证或预测，以此类推，对卷积神经网络进行多轮次训练，以使卷积神经网络的模型输出的人脸特征向量和活体检测结果更精准。

从上述描述可知，本公开实施例在获取待识别图像之前，首先搭建基础模型即卷积神经网络的模型，具体地，获取图像样本集合及所述图像样本集合中每个图像样本的标识，再根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，通过所述人脸活体识别分类模型可以输出每个图像样本的人脸特征向量和活体检测结果，本公开实施例能够通过训练卷积神经网络，在输出人脸特征向量的上一层网络层或上一预设层中作二分类输出的训练，以此，训练出的卷积神经网络即为人脸活体识别分类模型，既可以输出每个图像样本的人脸特征向量也可以输出图像样本或待识别图像是否为活体的活体检测结果，有效地解决了两个模型计算量较大，耗时长，(闸机)检测的效率较低的问题。

在本公开的一个实施例中，参考图3，图3为本公开又一实施例提供的人脸活体识别方法流程示意图，本公开实施例在上述实施例的基础上，例如，在图2实施例的基础上，本公开实施例对步骤S202进行了详细说明。如图3所示，所述标识为二维的掩码；所述根据所述图像样本集合及所述样本集合中每个图像样本的标识，对卷积神经网络进行训练，包括：

S301、将所述图像样本集合及所述样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，得到所述卷积神经网络的偏置值、每个所述图像样本的第一预设维向量和第二预设维向量，所述第一预设维向量的维数大于第二预设维向量的维数，所述第二预设维向量为每个图像样本的人脸特征向量。

本公开实施例中，标识可以为二维的掩码，比如(0，1)或(1，0)，可以用(0，1)表示活体图像，用(1，0)表示拍摄图像。具体训练过程为：将所述图像样本集合及所述样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，对每个样本图像进行图像处理即不断地降维，直至降到第二预设维向量即可输出每个样本图像的人脸特征向量，在降维到第二预设维向量的维数之前，从输出第二预设维向量之前的网络层选取一个网络层进行二分类训练，其中，选取的训练二分类的网络层可以为输出第二预设维向量的上一层网络层，也可以是输出第二预设维向量对应的前面网络层的临近网络层。在训练过程中模型可以学习到网络参数，网络参数可以包括偏置值。

S302、从所述第一预设维向量中选取任一个一维向量，根据所述一维向量和所述偏置值，对每个所述图像样本进行二分类计算，以得到每个所述图像样本的二分类值，所述二分类值用于表示所述活体检测结果。

本公开实施例中，在作二分类训练时，需要从所述第一预设维向量中任意选取一个一维向量，比如，可以是所述第一预设维向量中的倒数第一行向量也可以是倒数第二行向量等等，根据选取的一维向量和偏置值作数学运算，比如，将一维向量中的所有元素取绝对值后求和计算，再用和减去偏置值的绝对值，得到该图像样本的二分类值，可能为正也可能为负，若为正，可以表示为活体，若为负可以表示为照片。

S303、根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数调整所述卷积神经网络的网络参数。

本公开实施例中，根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数(损失函数)有效计算预测结果(输出的活体检测结果)和实际值(标记的掩码)的误差，并为反向传播中对网络参数调整提供依据，其中，网络参数可以包括权重。

S304、根据每个所述图像样本的第二预设维向量和对应的每个所述图像样本在预设人脸识别模型中得到第三预设维向量，通过交叉熵函数调整所述卷积神经网络的网络参数；其中，所述第三预设维向量的维数与所述第二预设维向量的维数相等。

本公开实施例中，在人脸识别训练时，每个所述图像样本的第三预设维向量是通过同样批次的图像样本集合输入到现有的人脸识别模型中得到的，为了与每个所述图像样本的第二预设维向量进行交叉熵的误差计算，进而调整所述卷积神经网络的网络参数。其中，在人脸识别训练时，对卷积神经网络的网络参数的调整可以基于二分类训练时对卷积神经网络的网络参数的调整对应的调整后的卷积神经网络的模型进行网络参数的更新，通过损失函数在训练过程的改善而持续减少目标值的变异，即更为接近实际值。

在本公开实施例中，根据所述图像样本集合及所述样本集合中每个图像样本的标识，对卷积神经网络进行训练的过程，可以不断地更新卷积神经网络的模型参数(网络参数)，保证每次对网络参数的调整为微调，以使卷积神经网络的模型的性能较平稳。

在本公开的一个实施例中，本公开实施例在上述实施例的基础上，例如，在图3实施例的基础上，本公开实施例对步骤S302进行了详细说明。所述根据所述一维向量和所述偏置值，对每个所述图像样本进行二分类计算，以得到每个所述图像样本的二分类值，包括：对所述一维向量中每个元素取正，得到新的一维向量；将所述新的一维向量中所有元素求和，得到所有元素的总和；将所述总和与所述偏置值的绝对值作差，得到每个所述图像样本的二分类值；其中，若二分类值为正数，则表明所述图像样本为活体图像，若二分类值为负数，则表明所述图像样本为拍摄图像。

本公开实施例中，通过公式

得到每个所述图像样本的二分类值，其中，y表示所述图像样本的二分类值；x_i表示一维向量中元素；i表示元素在一维向量中的顺序；n表示一维向量中元素的个数；b为偏置值。例如，选取的一维向量为[11，-20，9，17，-13，6]，则对所述一维向量中每个元素取正即为将一维向量中每个元素取绝对值，得到新的一维向量为[11，20，9，17，13，6]，将所述新的一维向量中所有元素求和为76，其中，学习的偏置值为60，则将所述总和与所述偏置值的绝对值作差为76-60＝16，即为图像样本的二分类值，由于二分类值为正，则表明所述图像样本为活体图像。

在本公开的一个实施例中，参考图4，图4为本公开再一实施例提供的人脸活体识别方法流程示意图，本公开实施例在上述实施例的基础上，例如，在图3实施例的基础上，本公开实施例对步骤S303进行了详细说明。所述根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数调整所述卷积神经网络的网络参数，包括：

S401、根据预设编码规则，对每个所述图像样本的二分类值进行编码，得到每个所述图像样本的二分类值对应的编码后的二维向量。

本公开实施例中，由于得到的二分类值是一个数值，为了与掩码进行交叉熵计算，需要对二分类值进行编码，可以通过取反，例如，二分类值为15，则编码后为(15，-15)。

S402、根据所述二维向量和对应的所述掩码，通过交叉熵函数计算，得到每个所述图像样本的二分类值与对应的所述二维向量之间的误差。

本公开实施例中，根据所述二维向量和对应的所述掩码，通过交叉熵函数，计算每个所述图像样本的二分类值对应的二维向量和对应的同一个所述图像样本的掩码之间的误差。具体交叉熵的计算与交叉熵损失函数的计算类似，在此不再赘述。

S403、根据所述误差，通过反向传播，调整所述卷积神经网络的网络参数。

本公开实施例中，在计算误差的过程中可以得到网络参数的梯度，根据卷积神经网络的网络结构中每个网络层的网络参数的梯度和预设的学习率、以及所述误差，通过反向传播，调整当前网络层的网络参数，并将调整后的所述当前网络层的网络参数更新为所述当前网络层的网络参数，作为下一轮训练中使用的卷积神经网络的模型的网络参数。

在实际应用中，卷积神经网络的网络层可以包括多个卷积层和一个全连接层，具体卷积核的设置可以根据实际情况而定，在此不做限定。在形成所述人脸活体识别分类模型的过程中，首先将图像样本集合中的图像样本批次输入卷积神经网络的模型中，通过卷积核对图像进行卷积处理，得到第一预设维向量，在下一层网络层训练时，分别对第一预设维向量中抽取一个一维向量进行二分类训练和对第一预设维向量继续进行卷积，得到第二预设维向量。因此，在实际使用中，通过全连接层进行二分类，在哪一层网络层进行的二分类处理得到二分类值即为实际操作中就在哪一层输出活体检测结果；

在本公开的一个实施例中，参考图5，图5为本公开又一实施例提供的人脸活体识别方法流程示意图，本公开实施例在上述实施例的基础上，例如，在图1-4或本公开的方法中任一实施例的基础上，本公开实施例对在步骤S102之后的所述人脸活体识别方法进行了详细说明。如图5所示，在所述得到所述待识别图像的人脸特征向量和活体检测结果之后，所述方法还包括：

S501、若所述活体检测结果为所述待识别图像为活体图像，则将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对。

本公开实施例中，活体检测结果可以为所述待识别图像为活体图像或所述待识别图像为拍摄图像，在实际应用中，通过闸机检测，得到的活体检测结果为活体图像或拍摄图像，若得到的检测结果为拍摄图像即在闸机拍摄面前的物体是非活体，则无需对人脸识别的结果即为人脸特征向量进行验证是否为所允许进入到闸机后方区域的人员。若得到的检测结果为活体图像，则说明在闸机面前的是真人，此时，需要对活体图像对应的人脸特征向量进行验证，即将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对，其中，数据库中存储有所有有权限进入闸机后方区域的人员的人脸特征向量即为待通行活体的人脸特征向量。

S502、当所述多个人脸特征向量中存在与所述待识别图像的人脸特征向量一致的人脸特征向量时，确定所述待识别图像为待通行活体的目标图像，并开启通行通道，以使所述待通行活体通行。

在本公开实施例中，通过将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对后，若在数据库中查找到与所述待识别图像的人脸特征向量一致的人脸特征向量，说明所述待识别图像的人脸特征向量对应的人员有权限进入闸机后方的区域即所述待识别图像为待通行活体的目标图像，这里待通行活体的目标图像为待通行活体的活体图像。在确定所述待识别图像为待通行活体的目标图像之后，闸机自动开启通行通道，使得待通行活体能够通过该闸机进入闸机后方的区域。

在实际应用中，一种应用场景可以是，将该人脸活体识别分类模型应用于闸机上，该闸机上搭载有拍摄设备，通过拍摄设备拍摄获取位于闸机前的物体的图像，并基于该图像进行人脸识别和活体检测，这样在有人员想进入闸机后方的区域时，在对人脸进行识别的同时还要对闸机前的物体是否是活体进行检测，只有当闸机前的是活体，且人脸检测通过时，闸机才会打开，这样通过闸机检测，保证了通过的安全性。

具体地，在前期人脸活体识别分类模型建立过程中，首先获取N个第一图像(拍摄图像)，和M个第二图像(活体图像)，其中，第一图像为拍摄设备通过拍摄活体人脸照片获取到的图像，第二图像为拍摄设备通过拍摄活体得到的图像。其次，分别对所有的第一图像和第二图像进行标注，该标注包括对图像中的物体是否是活体进行标注，以及对图像中的人脸进行标注。再次，利用第一图像和第二图像训练模型得到可用于人脸识别和活体检测的模型。

另外，在前期人脸活体识别分类建立模型的过程中，具体可以采用模型训练方法，比如，可以先获取H个图像，并对H个图像中的人脸进行标注，再将标注后的H个图像输入模型训练得到可用于人脸识别的第一模型。其中，H个图像中包括拍摄图像和活体图像的混合图像；锁定第一模型中用于进行人脸识别的网络层的参数不变，获取G个图像，并对G个图像中的物体是否是活体进行标注，再采用标注后的G个图像对第一模型进行训练得到既能够人脸识别又能够活体检测的第二模型，其中，G个图像中包括拍摄图像和活体图像的混合图像，H+G＝N+M。这种训练方法能够最大限度利用已有的样本，减少重标注的数量，节约成本。上述虽然是先训练的识别人脸的能力再训练的识别活体的能力，但是在其他实施例中可以不必局限于该训练顺序，实际上也可以先训练识别活体的能力，再识别人脸的能力。若人脸识别被通过，且检测到该人脸图像是通过拍摄活体获得得到的图像，那么闸机开启，否则不开启。

其中，闸机上搭载的摄像头可以是一个也可以是多个。该摄像头可以是RGB摄像头、深度摄像头，红外摄像头，灰度摄像头中的至少一种。

本公开实施例通过获取待识别图像，将所述待识别图像输入到人脸活体识别分类模型中，能够得到所述待识别图像的人脸特征向量和活体检测结果，实现了人脸识别和活体检测模型融合的识别效果，即同时完成人脸识别和活体检测的操作，缩短检测时间，提高效率，且可以保证闸机的通行安全。

对应于上文实施例的人脸活体识别方法，图6为本公开实施例提供的人脸活体识别装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图6，所述装置包括：待识别图像接收模块601和识别模块602；待识别图像接收模块601，用于获取待识别图像；识别模块602，用于基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为样本采用卷积神经网络训练获得的；其中，所述拍摄图像为拍摄活体照片的图像。

在本公开的一个实施例中，参考图7，图7为本公开又一实施例提供的人脸活体识别装置的结构框图，本公开实施例在上述实施例的基础上，例如，在图6实施例的基础上，本公开实施例对所述人脸活体识别装置进行了详细说明。如图7所示，所述人脸活体识别装置还包括：获取模块603和人脸活体识别分类模型确定模块604；所述获取模块603，用于在所述获取待识别图像之前，获取图像样本集合及所述图像样本集合中每个图像样本的标识，所述标识用于标记所述图像样本是拍摄图像还是活体图像，所述图像样本集合包括具有不同标识的图像样本；所述人脸活体识别分类模型确定模块604，用于根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，所述人脸活体识别分类模型输出每个图像样本的人脸特征向量和活体检测结果。

在本公开的一个实施例中，所述标识为二维的掩码；所述人脸活体识别分类模型确定模块，包括：第一确定单元，用于将所述图像样本集合及所述图像样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，得到所述卷积神经网络的偏置值、每个所述图像样本的第一预设维向量和第二预设维向量，所述第一预设维向量的维数大于第二预设维向量的维数，所述第二预设维向量为每个图像样本的人脸特征向量；二分类单元，用于从所述第一预设维向量中选取任一个一维向量，根据所述一维向量和所述偏置值，对每个所述图像样本进行二分类计算，以得到每个所述图像样本的二分类值，所述二分类值用于表示所述活体检测结果；第一调整单元，用于根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数计算，调整所述卷积神经网络的网络参数；第二调整单元，用于根据每个所述图像样本的第二预设维向量和对应的每个所述图像样本在预设人脸识别模型中得到第三预设维向量，通过交叉熵函数计算，调整所述卷积神经网络的网络参数；其中，所述第三预设维向量的维数与所述第二预设维向量的维数相等。

在本公开的一个实施例中，所述二分类单元，具体用于：对所述一维向量中每个元素取正，得到新的一维向量；将所述新的一维向量中所有元素求和，得到所有元素的总和；将所述总和与所述偏置值的绝对值作差，得到每个所述图像样本的二分类值；其中，若二分类值为正数，则表明所述图像样本为活体图像，若二分类值为负数，则表明所述图像样本为拍摄图像。

在本公开的一个实施例中，所述第一调整单元，具体用于：根据预设编码规则，对每个所述图像样本的二分类值进行编码，得到每个所述图像样本的二分类值对应的编码后的二维向量；根据所述二维向量和对应的所述掩码，通过交叉熵函数计算，得到每个所述图像样本的二分类值与对应的所述二维向量之间的误差；根据所述误差，通过反向传播，调整所述卷积神经网络的网络参数。

在本公开的一个实施例中，参考图8，图8为本公开再一实施例提供的人脸活体识别装置的结构框图，本公开实施例在上述实施例的基础上，例如，在图6、7或任一本公开的装置实施例的基础上，本公开实施例对所述人脸活体识别装置进行了详细说明。如图8所示，所述人脸活体识别装置还包括：比对模块605和通道开启模块606；所述比对模块605，用于在所述得到所述待识别图像的人脸特征向量和活体检测结果之后，在所述活体检测结果为所述待识别图像为活体图像时，将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对；所述通道开启模块606，用于当所述多个人脸特征向量中存在与所述待识别图像的人脸特征向量一致的人脸特征向量时，确定所述待识别图像为待通行活体的目标图像，并开启通行通道，以使所述待通行活体通行。

本公开实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本公开实施例此处不再赘述。

参考图9，其示出了适于用来实现本公开实施例的电子设备900的结构示意图，该电子设备900可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable MediaPlayer，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(Read Only Memory，简称ROM)902中的程序或者从存储装置908加载到随机访问存储器(Random Access Memory，简称RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (12)

1.一种人脸活体识别方法，其特征在于，包括：

获取待识别图像；

基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为图像样本采用卷积神经网络训练获得的，且在训练过程中得到所述卷积神经网络的偏置值和每个所述图像样本的第一预设维向量；

从所述第一预设维向量中选取任一个一维向量，对所述一维向量中每个元素取正，得到新的一维向量；

将所述新的一维向量中所有元素求和，得到所有元素的总和；

将所述总和与所述偏置值的绝对值作差，得到每个所述图像样本的二分类值，所述二分类值用于表示所述活体检测结果；

其中，若二分类值为正数，则表明所述图像样本为活体图像，若二分类值为负数，则表明所述图像样本为拍摄图像；

其中，所述拍摄图像为拍摄活体照片的图像。

2.根据权利要求1所述的方法，其特征在于，在所述获取待识别图像之前，所述方法还包括：

获取图像样本集合及所述图像样本集合中每个图像样本的标识，所述标识用于标记所述图像样本是拍摄图像还是活体图像，所述图像样本集合包括具有不同标识的图像样本；

根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，所述人脸活体识别分类模型输出每个图像样本的人脸特征向量和活体检测结果。

3.根据权利要求2所述的方法，其特征在于，所述标识为二维的掩码；

所述根据所述图像样本集合及所述样本集合中每个图像样本的标识，对卷积神经网络进行训练，包括：

将所述图像样本集合及所述样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，得到所述卷积神经网络的偏置值、每个所述图像样本的第一预设维向量和第二预设维向量，所述第一预设维向量的维数大于第二预设维向量的维数，所述第二预设维向量为每个图像样本的人脸特征向量；

根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数调整所述卷积神经网络的网络参数；

根据每个所述图像样本的第二预设维向量和对应的每个所述图像样本在预设人脸识别模型中得到第三预设维向量，通过交叉熵函数调整所述卷积神经网络的网络参数；

其中，所述第三预设维向量的维数与所述第二预设维向量的维数相等。

4.根据权利要求3所述的方法，其特征在于，所述根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数调整所述卷积神经网络的网络参数，包括：

根据预设编码规则，对每个所述图像样本的二分类值进行编码，得到每个所述图像样本的二分类值对应的编码后的二维向量；

根据所述二维向量和对应的所述掩码，通过交叉熵函数计算，得到每个所述图像样本的二分类值与对应的所述二维向量之间的误差；

根据所述误差，通过反向传播，调整所述卷积神经网络的网络参数。

5.根据权利要求1-4任一项所述的方法，其特征在于，在所述得到所述待识别图像的人脸特征向量和活体检测结果之后，所述方法还包括：

若所述活体检测结果为所述待识别图像为活体图像，则将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对；

当所述多个人脸特征向量中存在与所述待识别图像的人脸特征向量一致的人脸特征向量时，确定所述待识别图像为待通行活体的目标图像，并开启通行通道，以使所述待通行活体通行。

6.一种人脸活体识别装置，其特征在于，包括：

待识别图像接收模块，用于获取待识别图像；

识别模块，用于基于人脸活体识别分类模型，得到所述待识别图像的人脸特征向量和活体检测结果，所述人脸活体识别分类模型是以拍摄图像和活体图像为图像样本采用卷积神经网络训练获得的，且在训练过程中得到所述卷积神经网络的偏置值和每个所述图像样本的第一预设维向量；

所述人脸活体识别分类模型确定模块，包括：二分类单元；所述二分类单元，用于：

从所述第一预设维向量中选取任一个一维向量，对所述一维向量中每个元素取正，得到新的一维向量；

将所述新的一维向量中所有元素求和，得到所有元素的总和；

将所述总和与所述偏置值的绝对值作差，得到每个所述图像样本的二分类值，所述二分类值用于表示所述活体检测结果；

其中，若二分类值为正数，则表明所述图像样本为活体图像，若二分类值为负数，则表明所述图像样本为拍摄图像；

其中，所述拍摄图像为拍摄活体照片的图像。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：获取模块和人脸活体识别分类模型确定模块；

所述获取模块，用于在所述获取待识别图像之前，获取图像样本集合及所述图像样本集合中每个图像样本的标识，所述标识用于标记所述图像样本是拍摄图像还是活体图像，所述图像样本集合包括具有不同标识的图像样本；

所述人脸活体识别分类模型确定模块，用于根据所述图像样本集合及所述图像样本集合中每个图像样本的标识，对卷积神经网络进行训练，以得到所述人脸活体识别分类模型，所述人脸活体识别分类模型输出每个图像样本的人脸特征向量和活体检测结果。

8.根据权利要求7所述的装置，其特征在于，所述标识为二维的掩码；

所述人脸活体识别分类模型确定模块，还包括：

第一确定单元，用于将所述图像样本集合及所述图像样本集合中每个图像样本的掩码输入到所述卷积神经网络的模型中，得到所述卷积神经网络的偏置值、每个所述图像样本的第一预设维向量和第二预设维向量，所述第一预设维向量的维数大于第二预设维向量的维数，所述第二预设维向量为每个图像样本的人脸特征向量；

第一调整单元，用于根据每个所述图像样本的二分类值和对应的所述掩码，通过交叉熵函数计算，调整所述卷积神经网络的网络参数；

第二调整单元，用于根据每个所述图像样本的第二预设维向量和对应的每个所述图像样本在预设人脸识别模型中得到第三预设维向量，通过交叉熵函数计算，调整所述卷积神经网络的网络参数；

其中，所述第三预设维向量的维数与所述第二预设维向量的维数相等。

9.根据权利要求8所述的装置，其特征在于，所述第一调整单元，具体用于：

根据预设编码规则，对每个所述图像样本的二分类值进行编码，得到每个所述图像样本的二分类值对应的编码后的二维向量；

根据所述二维向量和对应的所述掩码，通过交叉熵函数计算，得到每个所述图像样本的二分类值与对应的所述二维向量之间的误差；

根据所述误差，通过反向传播，调整所述卷积神经网络的网络参数。

10.根据权利要求6-9任一项所述的装置，其特征在于，所述装置还包括：比对模块和通道开启模块；

所述比对模块，用于在所述得到所述待识别图像的人脸特征向量和活体检测结果之后，在所述活体检测结果为所述待识别图像为活体图像时，将所述待识别图像的人脸特征向量与数据库中存储的多个人脸特征向量进行比对；

所述通道开启模块，用于当所述多个人脸特征向量中存在与所述待识别图像的人脸特征向量一致的人脸特征向量时，确定所述待识别图像为待通行活体的目标图像，并开启通行通道，以使所述待通行活体通行。

11.一种电子设备，其特征在于，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的人脸活体识别方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至5任一项所述的人脸活体识别方法。

Images