CN113657154A - 活体检测方法、装置、电子装置和存储介质 - Google Patents

Abstract

本申请涉及一种活体检测方法、装置、电子装置和存储介质。其中，该活体检测方法包括：获取被检测对象的红外图像；从红外图像中提取被检测对象的部分人脸图像，其中，部分人脸图像未被物体遮挡；使用已训练的第一深度学习网络对部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。通过本申请，解决了相关技术中活体检测的准确率低的问题，提高了活体检测的准确率。

Description

活体检测方法、装置、电子装置和存储介质

技术领域

本申请涉及图像处理领域，特别是涉及活体检测方法、装置、电子装置和存储介质。

背景技术

随着人工智能的快速发展，人脸识别技术在生活中的应用越来越广泛，比如支付，门禁等应用场景。人脸识别具有使用方便非接触性等优点，深受大量人群喜爱，与此同时系统的安全性也得到越来越多的关注，如何防范使用打印照片、屏幕、面具等伪装方式对人脸识别系统进行攻击也是当下的研究热点。为了应对这些攻击手段，杜绝虚假人脸，活体检测技术就显得非常重要，它可以有效地提升人脸识别系统的安全性。

目前，通常使用的活体检测方式有两种，一种是配合式活体检测，需要使用者完成指定动作，比如点头摇头、张嘴、眨眼等，这种方式用户体验不佳，且效率低下。另一种是非配合式活体检测，通过采集人脸图像直接判定是否活体，这种方式体验感好，简单效率高。如何快速准确地判定活体决定着人脸识别的效率和安全性，这也是目前人脸识别技术中需要解决的问题之一。

在相关技术中，非配合式活体检测的主要方式是通过获取到的待检测视频中提取多帧人脸图像，基于多帧目标人脸图像中每帧目标人脸图像的特征提取结果，得到第一检测结果；基于多帧目标人脸图像中每两帧相邻的目标人脸图像的差分图像，得到第二检测结果；基于第一检测结果和第二检测结果，确定所述待检测视频的活体检测结果的方式，来实现活体检测。而在研究过程中发现，相关技术中的方式使用了多帧图像来进行活体判别的方式，相对于单帧图像耗时更多，且没有考虑到人脸被遮挡(例如戴口罩)的情况，现如今实际场景中会存在有部分人群的人脸被遮挡，而被遮挡之后的人脸特征分布也发生了变化，难以准确地判定目标是活体还是非活体。

针对相关技术中存在活体检测的准确率低的问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种活体检测方法、装置、电子装置和存储介质，以解决相关技术中活体检测的准确率低的问题。

第一个方面，在本实施例中提供了一种活体检测方法，包括：

获取被检测对象的红外图像；

从所述红外图像中提取所述被检测对象的部分人脸图像，其中，所述部分人脸图像未被物体遮挡；

使用已训练的第一深度学习网络对所述部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

在其中的一些实施例中，所述部分人脸图像包括所述被检测对象的人脸图像中处于下眼脸以上的图像。

在其中的一些实施例中，所述已训练的第一深度学习网络在训练时还基于所述第一训练图像的频谱特征进行辅助监督学习。

在其中的一些实施例中，在从所述红外图像中提取所述被检测对象的部分人脸图像之前，所述方法还包括：使用已训练的第二深度学习网络对所述红外图像进行活体检测，获得第二活体检测结果，其中，已训练的第二深度学习网络基于分别被标注为活体或非活体的第二训练图像以监督学习的方式训练，所述第二训练图像包括：活体人脸的红外图像和由纸张打印的人脸的红外图像；在所述第二活体检测结果表示所述红外图像为非活体人脸的情况下，确定所述被检测对象为非活体；

从所述红外图像中提取所述被检测对象的部分人脸图像包括：在所述第二活体检测结果表示所述红外图像为活体人脸的情况下，从所述红外图像中提取所述被检测对象的部分人脸图像。

在其中的一些实施例中，使用已训练的第二深度学习网络对所述红外图像进行活体检测包括：

从所述红外图像中检测所述被检测对象的人脸图像，获得所述人脸图像的检测框及检测框的中心位置；

以所述检测框的中心位置为中心，将所述检测框的尺寸扩大数倍，得到扩大的检测框；

获取扩大的检测框内的图像，使用已训练的第二深度学习网络对扩大的检测框内的图像进行纸张边缘检测，以及基于纸张边缘检测结果确定所述第二活体检测结果。

在其中的一些实施例中，所述第二训练图像包括基于人脸图像的检测框确定的人脸图像区域和包围所述人脸图像区域的边缘区域，其中，所述边缘区域基于以所述检测框的中心位置为中心，将所述检测框的尺寸扩大数倍得到的扩大的检测框确定。

在其中的一些实施例中，所述第二训练图像的人脸图像区域的像素值被置为预设值。

在其中的一些实施例中，已训练的第二深度学习网络在训练时基于注意力机制学习多通道特征图中各通道的权重值。

第二个方面，本申请提供了一种活体检测装置，包括：

第一获取模块，用于获取被检测对象的红外图像；

第一提取模块，用于从所述红外图像中提取所述被检测对象的部分人脸图像，其中，所述部分人脸图像未被物体遮挡；

第一检测模块，用于使用已训练的第一深度学习网络对所述部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的活体检测方法。

第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的活体检测方法。

与相关技术相比，在本实施例中提供的活体检测方法、装置、电子装置和存储介质，通过获取被检测对象的红外图像；从红外图像中提取被检测对象的部分人脸图像，其中，部分人脸图像未被物体遮挡；使用已训练的第一深度学习网络对部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练的方式，解决了相关技术中活体检测的准确率低的问题，提高了活体检测的准确率。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

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

图1是本实施例的活体检测方法的终端的硬件结构框图；

图2是本实施例的活体检测方法的流程图；

图3是本实施例的第一深度学习网络的结构示意图；

图4是本实施例的第一深度学习网络的第一训练图像的示意图；

图5是本实施例的第二深度学习网络的第二训练图像的示意图；

图6是本实施例的第二深度学习网络的结构示意图；

图7是本优选实施例的活体检测方法的流程图；

图8是本实施例的活体检测装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的活体检测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的活体检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种活体检测方法，图2是本实施例的活体检测方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，获取被检测对象的红外图像。

在本步骤中，可以通过单路红外相机实时获取人脸红外图像。

需要说明的是，由于屏幕攻击在红外相机下不成像，所以在本实施例中采用获取红外图像的方式，对于屏幕攻击具有天生防御能力，实现了对屏幕攻击的防御。

步骤S202，从红外图像中提取被检测对象的部分人脸图像，其中，部分人脸图像未被物体遮挡。

在本步骤中，由于人脸可能存在被遮挡的情况，因此在本实施例中通过提取被检测对象的部分人脸图像的方式，可以避免被遮挡之后的人脸特征分布也发生了变化，而基于被遮挡的人脸图像进行活体检测造成无法准确地判定目标是活体还是非活体的问题。

步骤S203，使用已训练的第一深度学习网络对部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

在本步骤中，通过第一深度学习网络来对部分人脸图像进行检测的方式，可以避免被遮挡之后的人脸特征分布也发生了变化，而基于被遮挡的人脸图像进行活体检测造成无法准确地判定目标是活体还是非活体的问题，实现了对被遮挡的人脸的活体检测。

需要说明的是，该第一深度学习网络是预先训练好的，且具有一定检测准确率的第一深度学习网络，通过该第一深度学习网络来实现对部分人脸图像的活体检测，可以对活体检测的准确率。

基于步骤S201至步骤S203，通过从红外图像中提取被检测对象的部分人脸图像，其中，部分人脸图像未被物体遮挡，使用已训练的第一深度学习网络对部分人脸图像进行活体检测，获得第一活体检测结果的方式，实现了基于人脸未被遮挡的部分在人脸红外图像中所对应的人脸图像来对活体进行检测，避免被遮挡之后的人脸特征分布也发生了变化，而基于被遮挡的人脸图像进行活体检测造成无法准确地判定目标是活体还是非活体的问题，解决了相关技术中活体检测的准确率低的问题，提高了活体检测的准确率。

在相关技术中，人可能存在戴口罩的情况，而导致无法获取人脸的整个特征，因此，在其中的一些实施例中，部分人脸图像包括被检测对象的人脸图像中处于下眼脸以上的图像。

在本实施例中，通过获取被检测对象的人脸图像中处于下眼脸以上的图像的方式，实现基于人脸图像中处于下眼脸以上的图像来对活体进行检测，进而来避免相关技术中被遮挡之后的人脸特征分布也发生了变化，而基于被遮挡的人脸图像进行活体检测造成无法准确地判定目标是活体还是非活体的问题。

在其中的一些实施例中，所述已训练的第一深度学习网络在训练时还基于所述第一训练图像的频谱特征进行辅助监督学习。

在本实施例中，考虑到真实人脸与虚假人脸的傅里叶频谱存在差异，所以该网络引入了频谱特征对第一深度学习网络的训练进行辅助监督，其第一深度学习网络的网络结构，如图3所示。

需要说明的是，辅助监督的方式可以是但不限于通过引入傅里叶频谱对模型的训练进行辅助监督。

图3中的人有效脸图像进过多个堆叠卷积和池化层后，连接两个全连接层，用softmaxloss监督训练。该图像同时进行傅里叶变换，然后进行归一化和resize后得到傅里叶频谱图，并与从pool3提取的特征图卷积后求ftloss，作为辅助监督。ftloss是傅里叶频谱图和特征图的L2loss。训练时的总损失为0.5softmaxloss+0.5ftloss。这种方式训练的网络对于人脸的活体特征具有更好的判断能力，可以提高对活体的部分人脸图像的检测的准确率。

在相关技术中，在进行活体检测时，会存在一些明显的纸张打印攻击，其中，纸张打印攻击指的是当前识别的人脸图像是打印的人脸图像(或打印的照片，即非活体)，为了避免上述方式，在其中的一些实施例中，在从红外图像中提取被检测对象的部分人脸图像之前，方法还包括：使用已训练的第二深度学习网络对红外图像进行活体检测，获得第二活体检测结果，其中，已训练的第二深度学习网络基于分别被标注为活体或非活体的第二训练图像以监督学习的方式训练，第二训练图像包括：活体人脸的红外图像和由纸张打印的人脸的红外图像；在第二活体检测结果表示红外图像为非活体人脸的情况下，确定被检测对象为非活体；从红外图像中提取被检测对象的部分人脸图像包括：在第二活体检测结果表示红外图像为活体人脸的情况下，从红外图像中提取被检测对象的部分人脸图像。

在本实施例中，通过第二深度学习网络来检测人脸红外图像，并在第二活体检测结果表示红外图像为活体人脸的情况下，从红外图像中提取被检测对象的部分人脸图像的方式，实现了对人脸红外图像的初步活体检测，以达到初步筛选人脸红外图像中的活体以及非活体，避免了相关技术中的明显纸张打印攻击的问题。

在其中的一些实施例中，使用已训练的第二深度学习网络对红外图像进行活体检测包括：从红外图像中检测被检测对象的人脸图像，获得人脸图像的检测框及检测框的中心位置；以检测框的中心位置为中心，将检测框的尺寸扩大数倍，得到扩大的检测框；获取扩大的检测框内的图像，使用已训练的第二深度学习网络对扩大的检测框内的图像进行纸张边缘检测，以及基于纸张边缘检测结果确定第二活体检测结果。

在本实施例中，通过将输入图像处理为扩大的检测框内的图像的方式，可以便于第二深度学习网络对扩大的检测框内的图像进行纸张边缘检测，以及基于纸张边缘检测结果确定第二活体检测结果，从而，实现了对人脸红外图像的初步活体检测，达到初步筛选人脸红外图像中的活体以及非活体，避免了相关技术中的明显纸张打印攻击的问题。其中，扩大的检测框内的图像如图4所示。

在其中的一些实施例中，第二训练图像包括基于人脸图像的检测框确定的人脸图像区域和包围人脸图像区域的边缘区域，其中，边缘区域基于以检测框的中心位置为中心，将检测框的尺寸扩大数倍得到的扩大的检测框确定。

在本实施例中，通过边缘区域基于以检测框的中心位置为中心，将检测框的尺寸扩大数倍得到的扩大的检测框确定的方式，可以便于第二深度学习网络对扩大的检测框内的图像进行纸张边缘检测，以及基于纸张边缘检测结果确定第二活体检测结果，从而，实现了对人脸红外图像的初步活体检测，达到初步筛选人脸红外图像中的活体以及非活体，避免了相关技术中的明显纸张打印攻击的问题。

在其中的一些实施例中，第二训练图像的人脸图像区域的像素值被置为预设值。

在本实施例中，应对纸张打印攻击，最有效的信息不一定完全分布在人脸区域，因此为了让第二深度学习网络的关注点在纸张边缘，训练时将第一人脸区域和第二人脸区域所对应的像素值置为预设值，然后进行训练。这样网络就不会学习人脸的信息，减少干扰。

需要说明的是，一般是将像素值置为0，如图5所示。

在其中的一些实施例中，已训练的第二深度学习网络在训练时基于注意力机制学习多通道特征图中各通道的权重值。

在本实施例中，第二深度学习网络结构是多个堆叠的卷积和池化层，为了让该第二深度学习网络对纸张边缘具有更好的感知能力，可以在训练时增加注意力机制，例如在第二深度学习网络中加入SE模块，第二深度学习网络结构如图6所示，global pool可以把pool3特征图的每个通道编码为一个全局特征，经过两个1×1卷积后用sigmoid激活，得到各通道的权重，然后加权到pool3的原特征图上，这种方式可以学习各通道之间的相关性，筛选出了针对通道的注意力。训练完成后，模型对纸张边缘具有良好的判定能力。

下面通过优选实施例对本实施例进行描述和说明。

图7是本优选实施例的活体检测方法的流程图，如图7所示，该活体检测方法包括如下步骤：

步骤S701，获取被检测对象的红外图像。

步骤S702，使用已训练的第二深度学习网络对红外图像进行活体检测，获得第二活体检测结果。

步骤S703，在第二活体检测结果表示红外图像为活体人脸的情况下，从红外图像中提取被检测对象的部分人脸图像。

步骤S704，使用已训练的第一深度学习网络对部分人脸图像进行活体检测，获得第一活体检测结果。

在本实施例中，使用了两个深度学习模型级联的方式进行多阶段活体检测判定；其中，第一个深度学习模型主要是根据是否有纸张边缘判定明显的纸张打印攻击，第二个深度学习模型是通过部分人脸图像来判定是活体还是非活体，不用考虑人脸部分被遮挡的问题，通过上述方式，实现了活体检测。

在本实施例中还提供了一种活体检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图8是本实施例的活体检测装置的结构框图，如图8所示，该装置包括：

第一获取模块81，用于获取被检测对象的红外图像；

第一提取模块82，耦合至第一获取模块81，用于从所述红外图像中提取所述被检测对象的部分人脸图像，其中，所述部分人脸图像未被物体遮挡；

第一检测模块83，耦合至第一提取模块82，用于使用已训练的第一深度学习网络对所述部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

在其中的一些实施例中，部分人脸图像包括被检测对象的人脸图像中处于下眼脸以上的图像。

在其中的一些实施例中，已训练的第一深度学习网络在训练时还基于第一训练图像的频谱特征进行辅助监督学习。

在其中的一些实施例中，该装置还包括：第二检测模块，用于使用已训练的第二深度学习网络对红外图像进行活体检测，获得第二活体检测结果，其中，已训练的第二深度学习网络基于分别被标注为活体或非活体的第二训练图像以监督学习的方式训练，第二训练图像包括：活体人脸的红外图像和由纸张打印的人脸的红外图像；在第二活体检测结果表示红外图像为非活体人脸的情况下，确定被检测对象为非活体；第二提取模块，用于在第二活体检测结果表示红外图像为活体人脸的情况下，从红外图像中提取被检测对象的部分人脸图像。

在其中的一些实施例中，第二检测模块包括：检测单元，同于从红外图像中检测被检测对象的人脸图像，获得人脸图像的检测框及检测框的中心位置；扩大单元，用于以检测框的中心位置为中心，将检测框的尺寸扩大数倍，得到扩大的检测框；获取单元，用于获取扩大的检测框内的图像，使用已训练的第二深度学习网络对扩大的检测框内的图像进行纸张边缘检测，以及基于纸张边缘检测结果确定第二活体检测结果。

在其中的一些实施例中，第二训练图像包括基于人脸图像的检测框确定的人脸图像区域和包围人脸图像区域的边缘区域，其中，边缘区域基于以检测框的中心位置为中心，将检测框的尺寸扩大数倍得到的扩大的检测框确定。

在其中的一些实施例中，该装置包括：处理模块，用于第二训练图像的人脸图像区域的像素值被置为预设值。

在其中的一些实施例中，该装置还包括：学习模块，用于已训练的第二深度学习网络在训练时基于注意力机制学习多通道特征图中各通道的权重值。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

步骤S201，获取被检测对象的红外图像。

步骤S202，从红外图像中提取被检测对象的部分人脸图像，其中，部分人脸图像未被物体遮挡。

步骤S203，使用已训练的第一深度学习网络对部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的活体检测方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种活体检测方法。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种活体检测方法，其特征在于包括：

获取被检测对象的红外图像；

从所述红外图像中提取所述被检测对象的部分人脸图像，其中，所述部分人脸图像未被物体遮挡；

使用已训练的第一深度学习网络对所述部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

2.根据权利要求1所述的活体检测方法，其特征在于，所述部分人脸图像包括所述被检测对象的人脸图像中处于下眼脸以上的图像。

3.根据权利要求1所述的活体检测方法，其特征在于，所述已训练的第一深度学习网络在训练时还基于所述第一训练图像的频谱特征进行辅助监督学习。

4.根据权利要求1所述的活体检测方法，其特征在于，

在从所述红外图像中提取所述被检测对象的部分人脸图像之前，所述方法还包括：使用已训练的第二深度学习网络对所述红外图像进行活体检测，获得第二活体检测结果，其中，已训练的第二深度学习网络基于分别被标注为活体或非活体的第二训练图像以监督学习的方式训练，所述第二训练图像包括：活体人脸的红外图像和由纸张打印的人脸的红外图像；在所述第二活体检测结果表示所述红外图像为非活体人脸的情况下，确定所述被检测对象为非活体；

从所述红外图像中提取所述被检测对象的部分人脸图像包括：在所述第二活体检测结果表示所述红外图像为活体人脸的情况下，从所述红外图像中提取所述被检测对象的部分人脸图像。

5.根据权利要求4所述的活体检测方法，其特征在于，使用已训练的第二深度学习网络对所述红外图像进行活体检测包括：

从所述红外图像中检测所述被检测对象的人脸图像，获得所述人脸图像的检测框及检测框的中心位置；

以所述检测框的中心位置为中心，将所述检测框的尺寸扩大数倍，得到扩大的检测框；

获取扩大的检测框内的图像，使用已训练的第二深度学习网络对扩大的检测框内的图像进行纸张边缘检测，以及基于纸张边缘检测结果确定所述第二活体检测结果。

6.根据权利要求4所述的活体检测方法，其特征在于，所述第二训练图像包括基于人脸图像的检测框确定的人脸图像区域和包围所述人脸图像区域的边缘区域，其中，所述边缘区域基于以所述检测框的中心位置为中心，将所述检测框的尺寸扩大数倍得到的扩大的检测框确定。

7.根据权利要求4所述的活体检测方法，其特征在于，所述第二训练图像的人脸图像区域的像素值被置为预设值。

8.根据权利要求4所述的活体检测方法，其特征在于，已训练的第二深度学习网络在训练时基于注意力机制学习多通道特征图中各通道的权重值。

9.一种活体检测装置，其特征在于，包括：

第一获取模块，用于获取被检测对象的红外图像；

第一提取模块，用于从所述红外图像中提取所述被检测对象的部分人脸图像，其中，所述部分人脸图像未被物体遮挡；

第一检测模块，用于使用已训练的第一深度学习网络对所述部分人脸图像进行活体检测，获得第一活体检测结果，其中，已训练的第一深度学习网络基于分别被标注为活体或非活体的第一训练图像以监督学习的方式训练。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的活体检测方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的活体检测方法的步骤。

Images