CN113869219B - 人脸活体检测方法、装置、设备及存储介质 - Google Patents
人脸活体检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113869219B CN113869219B CN202111148144.8A CN202111148144A CN113869219B CN 113869219 B CN113869219 B CN 113869219B CN 202111148144 A CN202111148144 A CN 202111148144A CN 113869219 B CN113869219 B CN 113869219B
- Authority
- CN
- China
- Prior art keywords
- face
- preset
- color
- optical flow
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 137
- 230000003287 optical effect Effects 0.000 claims abstract description 104
- 239000003086 colorant Substances 0.000 claims abstract description 31
- 230000004313 glare Effects 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 23
- 210000001061 forehead Anatomy 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 14
- 210000003128 head Anatomy 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001727 in vivo Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims 1
- 230000011514 reflex Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种人脸活体检测方法，包括：利用包含白色及随机颜色的颜色序列，对人脸进行反光照射，生成人脸反光视频；提取白色段的人脸反光子视频的光流信息合成光流图，利用预先训练的光流信息检测模型对所述光流图进行检测，得到检测概率值；当根据所述检测概率值判断为活体时，提取人脸反光视频的关键帧，获取关键帧中的人脸中心区域；利用训练好的炫光颜色分类模型对人脸中心区域进行颜色预测，将颜色预测结果与颜色序列进行对比，得到活体验证的结论。此外，本发明还涉及区块链技术，人脸反光视频可存储于区块链节点中。本发明还提出一种人脸活体检测装置、电子设备以及存储介质。本发明可以提高活体检测精确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种活体检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们对人机智能交互需求的增加，人脸识别技术的应用越来越广泛，但同时存在的风险也越来越高，利用假人脸完成线上人脸识别的例子司空见惯。因此在人脸识别的过程中对用户真实性、可信度的要求较为严格，给人脸识别技术带来挑战。
为了克服利用假人脸执行线上人脸识别的问题，发展出了活体人脸检测技术。目前主流的活体人脸检测方法大致可以分为两种：
1、动作活体检测：所述动作活体检测方法要求用户执行眨眼、张嘴、摇头、点头等组合动作验证人脸是否是活体，当用户配合度不高时，这种活体检测技术的活体检测准确率较低。
2、脸部炫光活体检测：所述脸部炫光活体检测方法利用特定序列光线在脸上产生相应的反射光，通过模型分析2D脸部反射光是否与该特定序列光线一致来进行活体检测，仅使用了脸部炫光的信息，信息特征单一，这种活体检测技术的活体检测准确率较低。
综上所述，目前的活体检测技术均存在活体检测准确率较低的问题。
发明内容
本发明提供一种人脸活体检测方法、装置及计算机可读存储介质，其主要目的在于解决进行产品推荐时的精确度较低的问题。
为实现上述目的，本发明提供的一种人脸活体检测方法，包括：
基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
判断所述检测概率值是否小于预设概率阈值；
当所述检测概率值小于预设概率阈值时，确定所述待检测人脸的活体验证结果为非活体；
当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
检测每一张所述关键帧中的人脸中心区域；
利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
可选地，所述基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频，包括：
从预设颜色集合中随机抽取预设种数的颜色，对所述预设种数的随机颜色以及白色随机排列，生成颜色序列；
利用拍摄装置依次发出所述颜色序列对应颜色的光线，并接收从待检测人脸反射回来的反射光，生成所述颜色序列对应人脸反光视频。
可选地，所述从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图，包括：
从所述人脸反光子视频中预设的头部区域、中间区域以及尾部区域内分别提取N帧符合预设条件的图像，得到3N帧图像，其中，所述N为大于0的自然数；
分别提取所述3N帧图像的关键点的位置信息；
根据所述关键点的位置信息计算人脸的左上角坐标、人脸的宽及人脸的高，根据所述人脸的左上角坐标、人脸的宽及人脸的高提取人脸最小矩形框；
利用所述人脸的高和预设的额头高度计算公式，计算所述人脸的额头高度；
根据所述人脸最小矩形框及所述额头高度，获取所述3N帧图像的人脸及额头区域；
分别提取所述3N帧图像的人脸及额头区域在预设平面直角坐标系中的x、y方向上的光流信息，将所述光流信息合成光流图。
可选地，所述利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值，包括：
提取所述光流图的初始特征图；
利用预设的注意力机制模块对所述初始特征图进行权重调整，得到注意力特征图；
对所述注意力特征图进行标准化、卷积、池化操作以及利用softmax函数进行概率计算，得到检测概率值。
可选地，所述利用预设的注意力机制模块对所述初始特征图进行权重调整，得到注意力特征图，包括：
对所述初始特征图进行全局平均池化操作，得到一维平均池化特征图；
对所述一维平均池化特征图进行卷积运算，并利用sigmoid函数对所述卷积运算结果进行运算，得到通道注意力权重；
利用所述通道注意力权重调整所述初始特征图，得到通道注意力特征图；
利用预设的2个矩阵分别对所述初始特征图进行卷积运算，得到第一卷积特征图及第二卷积特征图；
对所述第一卷积特征图进行维度变换和行列转置操作后获取第一操作结果；
对所述第二卷积特征图进行维度变换操作后获取第二操作结果；
将所述第一操作结果与所述第二操作结果进行矩阵相乘，并利用softmax函数对所述矩阵相乘的结果进行运算，得到初步空间注意力特征图，并将所述初步空间注意力特征图与所述初始特征图进行相加，得到空间注意力特征图；
将所述通道注意力特征图与所述空间注意力特征图通过平均操作，并进行特征融合后得到注意力特征图。
可选地，所述利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测之前，所述方法还包括：
利用初始炫光颜色分类模型对训练图像集中的人脸中心区域进行颜色预测，得到所述人脸中心区域的颜色跳变特征；
将所述颜色跳变特征与所述与所述训练图像集中的人脸中心区域对应的标准颜色序列进行匹配，分别计算拒识率及误识率，并计算所述拒识率与误识率之间的平衡值；
当所述平衡值不满足预设的平衡阈值时，调整所述炫光颜色分类模型的模型参数后，返回上述的利用初始炫光颜色分类模型对训练图像集中的人脸中心区域进行颜色预测的步骤，直至所述平衡值达到预设的平衡阈值时，得到所述训练完成的炫光颜色分类模型。
可选地，所述分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧，包括：
计算所述人脸反光视频中每种颜色的起始帧数以及终止帧数；
在所述起始帧数及终止帧数之间，抽取预设数量的图像帧，得到所述每种颜色对应的图像帧；
判断所述图像帧是否满足预设的条件；
在所述图像帧不满足所述预设的条件时，返回所述在所述起始帧数及终止帧数之间，抽取预设数量的图像帧的步骤直至得到满足所述预设条件的图像帧；
汇总所述满足所述预设条件的图像帧，得到所述关键帧。
为了解决上述问题，本发明还提供一种人脸活体检测装置，所述装置包括：
反光照射模块，用于基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
光流图生成模块，用于从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
光流信息检测模块，用于利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
关键帧提取模块，用于判断所述检测概率值是否小于预设概率阈值；当所述检测概率值小于预设概率阈值时，确认所述待检测人脸的活体验证结果为非活体；当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
活体验证模块，用于检测每一张所述关键帧中的人脸中心区域；利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的人脸活体检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人脸活体检测方法。
本发明实施例基于白色及随机颜色生成的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应人脸反光视频，利用从白色段的人脸反光子视频，提取的图像光流信息合成光流图，进行人脸的初步活体检测，实现了活体的初步分类，由于白色光对人脸进行反光照射生成的人脸反光子视频，在提取光流信息时噪声少，提取的光流信息更加准确，进一步当初步分类结果为活体时，进一步利用预先训练的炫光颜色分类模型对所述人脸反光视频中关键帧的人脸中心区域进行颜色预测，将所述颜色预测结果与所述颜色序列进行对比，得到所述待检测人脸的活体验证结果，经过两次的检测验证进一步提高了活体检测的准确率。因此本发明提出的人脸活体检测方法、装置、电子设备及计算机可读存储介质，可以解决进行人脸活体检测时准确率较低的问题。
附图说明
图1为本发明一实施例提供的人脸活体检测方法的流程示意图；
图2为图1所示人脸活体检测方法中其中一个步骤的详细实施流程示意图；
图3为图1所示人脸活体检测方法中其中一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的人脸活体检测装置的功能模块图；
图5为本发明一实施例提供的实现所述人脸活体检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种人脸活体检测方法。所述人脸活体检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸活体检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的人脸活体检测方法的流程示意图。在本实施例中，所述人脸活体检测方法包括：
S1、基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
本发明实施例随机生成的颜色序列由预设数量的不同颜色组合而成，例如，本发明实施例从赤橙黄绿青蓝紫七种颜色中随机抽取三种不同颜色，根据选取的三种不同颜色加上白色生成所述颜色序列。
进一步地，按照不同的顺序排序，本发明实施例可以得到 种不同颜色序列。因此，攻击方想要猜中颜色方案的概率为通过随机产生变换颜色来让攻击者难以猜测颜色的变换顺序，从而提高了所述颜色序列的隐私性和不易被窃取性。
详细地，所述S1，包括：
从预设颜色集合中随机抽取预设种数的颜色，对所述预设种数的颜色以及白色随机排列，生成颜色序列；
利用拍摄装置依次发出所述颜色序列对应颜色的光线，并接收从待检测人脸反射回来的反射光，生成所述颜色序列对应的人脸反光视频。
本发明实施例中，所述拍摄装置可以是用于人脸识别的手机、银行设备等终端中包含的相机模块。
S2、从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
所述光流(optical flow)信息是时变图像中模式运动速度，反映了微小时间间隔内由于运动形成的影像变化。
本发明实施例中，基于白色光对人脸进行反光照射生成的人脸反光子视频，在提取光流信息时噪声少，提取的光流信息更加准确。
详细地，参阅图2所示，所述S2中所述从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图，包括：
S21、从所述人脸反光子视频中预设的头部区域、中间区域以及尾部区域内分别提取N帧符合预设条件的图像，得到3N帧图像，其中，所述N为大于0的自然数；
本发明实施例中，所述N可以取值为1，即一共得到三帧图像。
S22、分别提取所述3N帧图像的关键点的位置信息；
S23、根据所述关键点的位置信息计算人脸的左上角坐标、人脸的宽及人脸的高，根据所述人脸的左上角坐标、人脸的宽及人脸的高提取人脸最小矩形框；
S24、利用所述人脸的高和预设的额头高度计算公式，计算所述人脸的额头高度；
S25、根据所述人脸最小矩形框及所述额头高度，获取所述3N帧图像的人脸及额头区域；
S26、分别提取所述3N帧图像的人脸及额头区域在预设平面直角坐标系中的x、y方向上的光流信息，将所述光流信息合成光流图。
详细地，所述S21，包括：
步骤A、按照所述人脸反光子视频中包含的图像帧的数量，将所述人脸反光子视频划分为头部区域、中间区域以及尾部区域；
例如，所述人脸反光子视频包含12帧图像帧，则其中的第1～4帧为头部区域、第5～8帧为中间区域，第9～12帧为尾部区域。
步骤B、从所述人脸反光子视频的头部区域依次选取其中一帧图像帧，直到检测到选择的所述图像帧中有满足条件的人脸时，提取出选择的所述图像帧作为头帧；
步骤C、从所述人脸反光子视频的中间区域依次选取其中一帧图像帧，直到检测到选择的所述图像帧中有满足条件的人脸时，提取出选择的所述图像帧作为中间帧；
步骤D、从所述人脸反光子视频的尾部区域依次选取其中一帧图像帧，直到检测到选择的所述图像帧中有满足条件的人脸时，提取出选择的所述图像帧作为尾帧；
整合所述头帧、中间帧及尾帧，得到三帧图像。
进一步地，本发明其中一个实施例分别从所述头帧、中间帧及尾帧提取出68个关键点，并根据所述关键点的位置信息，按照从左到右、从上到下的顺序为所述68个关键点编号，其中，所述关键点的位置信息采用二维坐标(x，y)表示。
具体地，本发明实施例采用下述方式计算人脸的左上角坐标、人脸的宽及人脸的高：
左上角：left_corner.x＝min(landmark.x)
left_corner.y＝min(landmark.y)
宽：w＝max(landmark.x)-min(landmark.x)
商：h＝max(landmark.y)-min(landmark.y)
其中，left_corner.x为左上角的横坐标，left_corner.y为左上角的纵坐标，min(landmark.x)为所述关键点的位置信息中的横坐标最小值，min(landmark.y)为所述关键点的位置信息中的纵坐标最小值。
本发明实施例根据上述人脸的左上角坐标、人脸的宽及人脸的高，得到人脸最小矩形框。
进一步地，本发明实施例利用人脸的高h和下述额头高度计算公式，计算额头高度：e_h：e_h＝0.25*h。
本发明实施例通过所述额头高度得到额头区域。
进一步地，本发明实施例采用下述方式定位所述三帧图像中每一帧的人脸及额头区域；
左上角坐标为face_ex.x＝left_corner.x，face_ex.y＝left_corner.y。
宽为：face_ex_w＝w。
商为：face_exh＝h+e_h。
其中，left_corner.x为左上角的横坐标，left_corner.y为左上角的纵坐标，w为人脸宽度，e_h为额头高度，h为人脸的高。
进一步地，本发明实施例分别提取所述3N帧图像的人脸及额头区域在预设平面直角坐标系中的x、y方向上的光流信息，将所述光流信息合成光流图。
本发明实施例根据活体人脸的光流图中光流是不规则运动的，而图片等假人脸的光流是规则的，根据上述特点作为真假活体判断的依据。
S3、利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
本发明实施例所述光流信息检测模型可以为在密集连接的卷积神经网络(DenseNet)的各个区块之间的卷积层(convolution)加上注意力机制模块的模型，所述注意力机制模块的模型包含通道注意力模块及空间注意力模块。
本发明其中一个实施例中，所述利用预先训练的光流信息检测模型对所述光流图进行所述人脸的活体检测，得到检测概率值之前，还可以包括：
生成训练数据集和所述训练数据集对应的标准结果；
将所述训练数据集输入至初始光流信息检测模型进行检测，得到检测结果；
利用预设的损失函数对所述检测结果与标准结果进行损失值计算，得到损失值；
当所述损失值大于或等于预设的损失阈值时，调整所述光流信息检测模型的参数，并返回所述将所述训练数据集输入至初始光流信息检测模型进行检测，得到检测结果；
当所述损失值小于所述损失阈值，则说明所述光流信息检测模型的输出结果精确，得到训练完成的光流信息检测模型。
本发明实施例中，当所述损失值大于或等于预设的损失阈值时，可采用adam优化器对所述光流信息检测模型的参数进行优化，利用余弦退火的算法调节的所述光流信息检测模型训练过程中的学习率，使得光流信息检测模型更加精确。
详细地，参阅图3所示，所述S3，包括：
S31、提取所述光流图的初始特征图；
S32、利用预设的注意力机制模块对所述初始特征图进行权重调整，得到注意力特征图；
S33、对所述注意力特征图进行标准化、卷积、池化操作以及利用softmax函数进行概率计算，得到检测概率值。
详细地，所述利用预设的注意力机制模块对所述初始特征图进行权重调整，得到注意力特征图，包括：
对所述初始特征图进行全局平均池化操作，得到一维平均池化特征图；
对所述一维平均池化特征图进行卷积运算，并利用sigmoid函数对所述卷积运算结果进行运算，得到通道注意力权重；
利用所述通道注意力权重调整所述初始特征图，得到通道注意力特征图；
利用预设的2个矩阵分别对所述初始特征图进行卷积运算得到第一卷积特征图及第二卷积特征图；
对所述第一卷积特征图进行维度变换和行列转置操作后获取第一操作结果；
对所述第二卷积特征图进行维度变换操作后获取第二操作结果；
将所述第一操作结果与所述第二操作结果进行矩阵相乘，并利用softmax函数对所述矩阵相乘的结果进行运算，得到初步空间注意力特征图，并将所述初步空间注意力特征图与所述初始特征图进行相加，得到空间注意力特征图；
将所述通道注意力特征图与所述空间注意力特征图通过平均操作，并进行特征融合后得到注意力特征图。
本发明其中一个实施例，对所述初始特征图进行全局平均池化操作，得到C×1×1的平均池化特征图，将所述平均池化特征图经过一个C/r×1×1的卷积得到维度为C/r×1×1的第一结果，将所述第一结果经过一个ReLU激活函数输出维度与第一结果相同的第二结果，将所述第二结果经过一个C×1×1的卷积得到维度为C×1×1的第三结果，将所述第三结果经过sigmoid函数得到通道注意力权重，其中C表示通道数目，r表示压缩率。将所述通道注意力权重与所述初始特征图进行点积后获取点积特征图，并将所述点积特征图与所述初始特征图进行相加，得到通道注意力特征图。
进一步地，本发明其中一个实施例，利用预设的两个3×3卷积分别对所述初始特征图进行卷积运算，得到第一卷积特征图及第二卷积特征图；对所述第一卷积特征图进行维度变换和行列转置操作后获取第一操作结果；对所述第二卷积特征图进行维度变换操作后获取第二操作结果；将所述第一操作结果与所述第二操作结果进行矩阵相乘，并利用softmax函数对所述矩阵相乘的结果进行运算，得到大小为C×W×H的初步空间注意力特征图，将所述初步空间注意力特征图与所述初始特征图进行相加，得到空间注意力特征图。其中所述C表示所述空间注意力特征图的通道数、W表示所述空间注意力特征图的宽度、H表示所述空间注意力特征图的高度。
优选地，本发明其中一个实施例，卷积层的核大小为7×7，步长为2；平均池化层的核大小为3×3，步长为2。这样设置能够不过早合并深度信息，而且还可以减少网络结构的参数数量和增强网络结构的鲁棒性。
本发明实施例，利用所述注意力机制模块对所述光流信息检测模型进行优化，提升光流信息检测模型的特征提取能力，从而提升人脸活体检测的准确率。
S4、判断所述检测概率值是否小于预设概率阈值；
本发明将判断光流信息检测模型输出的检测概率值与预设概率阈值进行比较大小，以进行人脸活体的第一次检测。
当所述检测概率值小于预设概率阈值时，S5、确定所述待检测人脸的活体验证结果为非活体；
当所述检测概率值大于或等于所述预设概率阈值时，S6、分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
本发明实施根据所述颜色序列，从所述人脸反光视频中提取白色及其他三种颜色对应的图像帧，得到所述关键帧。
详细地，所述从所述人脸反光视频人脸中提取所述颜色序列中每种颜色对应的关键帧，包括：
计算人脸反光视频中每种颜色的起始帧数以及终止帧数；
在所述起始帧数及终止帧数之间，抽取预设数量的图像帧，得到所述每种颜色对应的图像帧；
判断所述图像帧是否满足预设的条件；
在所述图像帧不满足所述预设的条件时，返回所述在所述起始帧数及终止帧数之间，抽取预设数量的图像帧的步骤，直至得到满足所述预设条件的图像帧；
汇总所述满足所述预设条件的图像帧，得到所述关键帧。
例如，本发明其中一个实施例中，所述人脸反光视频中共有S帧，以及有N种颜色，所述N种颜色的颜色序列为N1、N2...Ni，则每种颜色的图像帧的起始帧为帧，以及所述每种颜色的图像帧的结束帧为/>
本发明实施例中，所述预设数量可以设置为4，以及所述预设条件可以为所述图像帧中包括人脸中心区域。
S7、检测每一张所述关键帧中的人脸中心区域；
详细地，本发明实施例中，根据所述人脸的左上角坐标、人脸的宽及人脸的高及预设的缩放比例系数，得到人脸中心区；
具体地，本发明实施例采用下述方法定位获取人脸中心区域；
左上角坐标：face_center.x＝left_corner.x+a*left_corner.x
face_center.y＝left_corner.y+b*left_corner.y
宽为：face_center_w＝left_corner.x+c*left_corner.x
商为：face_center_h＝left_corner.y+d*left_corner.y
其中，face_center.x为人脸中心区域图左上角的横向坐标，face_center.y为人脸中心区域图左上角的纵向坐标，face_center_w为人脸中心区域图的宽，face_center_h为人脸中心区域图的高，a、b、c及d为预设的缩放比例系数。
S8、利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
本发明实施例中所述炫光颜色分类模型可以采用与所述光流信息检测模型相同架构。
本发明其中一个实施例中，所述利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测之前，还可以包括：
利用初始炫光颜色分类模型对训练图像集中的人脸中心区域进行颜色预测，得到所述人脸中心区域的颜色跳变特征；
将所述颜色跳变特征与所述训练图像集中的人脸中心区域对应的标准颜色序列进行匹配，分别计算拒识率及误识率：
拒识率：
误识率：
其中TP表示真实活体预测为活体次数、FP表示真实活体预测为非活体次数、TN表示真实非活体预测为非活体次数、FN表示真实非活体预测为活体次数；
并计算所述拒识率与误识率之间的平衡值；
本发明其中一个实施例，可以利用ROC曲线来计算所述拒识率与误识率之间的平衡值，其中所述ROC(接受者操作特性，Receiver Operator characteristic Curve)曲线，横坐标为FRR，纵坐标为FAR，所述拒识率与误识率之间的平衡值为等错误率，所述等错误率取到的值越低，表示所述炫光颜色分类模型的性能越好。
当所述平衡值不满足预设的平衡阈值时，调整所述炫光颜色分类模型的模型参数后，返回上述的利用初始炫光颜色分类模型对训练图像集中的人脸中心区域进行颜色预测的步骤，直到所述平衡值满足所述预设的平衡阈值时，得到所述训练完成的炫光颜色分类模型。
本发明实施例，利用所述炫光颜色分类模型对所述人脸进行二次活体验证，提高了人脸活体检测的准确率。将所述颜色预测结果与所述颜色序列进行对比，当所述颜色预测结果与所述颜色序列相同时，确认为活体，当所述颜色预测结果与所述颜色序列不同时，判断为非活体。例如：所述颜色预测结果为黄、白、蓝、紫，所述颜色序列也为黄、白、蓝、紫，则确认为活体；当所述颜色预测结果为黄、白、蓝、紫，所述颜色序列也为黄、白、绿、紫，则判断为非活体。
本发明实施例基于白色及随机颜色生成的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应人脸反光视频，利用从白色段的人脸反光子视频，提取的图像光流信息合成光流图，进行人脸的初步活体检测，实现了活体的初步分类，由于白色光对人脸进行反光照射生成的人脸反光子视频，在提取光流信息时噪声少，提取的光流信息更加准确，进一步当初步分类结果为活体时，进一步利用预先训练的炫光颜色分类模型对所述人脸反光视频中关键帧的人脸中心区域进行颜色预测，将所述颜色预测结果与所述颜色序列进行对比，得到所述待检测人脸的活体验证结果，经过两次的检测验证进一步提高了活体检测的准确率。因此本发明提出的人脸活体检测方法、装置、电子设备及计算机可读存储介质，可以解决进行人脸活体检测时准确率较低的问题。
如图4所示，是本发明一实施例提供的人脸活体检测装置的功能模块图。
本发明所述人脸活体检测装置100可以安装于电子设备中。根据实现的功能，所述人脸活体检测装置100可以包括反光照射模块101、光流信息检测模块102、关键帧提取模块103及活体验证模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述反光照射模块101，用于基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
所述光流图生成模块102，用于从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
所述光流信息检测模块103，用于利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
所述关键帧提取模块104，用于判断所述检测概率值是否小于预设概率阈值；当所述检测概率值小于预设概率阈值时，确定所述待检测人脸的活体验证结果为非活体；当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
所述活体验证模块105，用于检测每一张所述关键帧中的人脸中心区域；利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
详细地，本发明实施例中所述人脸活体检测装置100中所述的各模块在使用时采用与上述图1至图3中所述的人脸活体检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现人脸活体检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如人脸活体检测程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行人脸活体检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如人脸活体检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的人脸活体检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
判断所述检测概率值是否小于预设概率阈值；
当所述检测概率值小于预设概率阈值时，确定所述待检测人脸的活体验证结果为非活体；
当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
检测每一张所述关键帧中的人脸中心区域；
利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
判断所述检测概率值是否小于预设概率阈值；
当所述检测概率值小于预设概率阈值时，确定所述待检测人脸的活体验证结果为非活体；
当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
检测每一张所述关键帧中的人脸中心区域；
利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种人脸活体检测方法，其特征在于，所述方法包括：
基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
判断所述检测概率值是否小于预设概率阈值；
当所述检测概率值小于预设概率阈值时，确定所述待检测人脸的活体验证结果为非活体；
当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
检测每一张所述关键帧中的人脸中心区域；
利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果；
其中，所述从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图，包括：从所述人脸反光子视频中预设的头部区域、中间区域以及尾部区域内分别提取N帧符合预设条件的图像，得到3N帧图像，其中，所述N为大于0的自然数；分别提取所述3N帧图像的关键点的位置信息；根据所述关键点的位置信息计算人脸的左上角坐标、人脸的宽及人脸的高，根据所述人脸的左上角坐标、人脸的宽及人脸的高提取人脸最小矩形框；利用所述人脸的高和预设的额头高度计算公式，计算所述人脸的额头高度；根据所述人脸最小矩形框及所述额头高度，获取所述3N帧图像的人脸及额头区域；分别提取所述3N帧图像的人脸及额头区域在预设平面直角坐标系中的x、y方向上的光流信息，将所述光流信息合成光流图；
所述利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值，包括：提取所述光流图的初始特征图；利用预设的注意力机制模块对所述初始特征图进行权重调整，得到注意力特征图；对所述注意力特征图进行标准化、卷积、池化操作以及利用softmax函数进行概率计算，得到检测概率值；
所述利用预设的注意力机制模块对所述初始特征图进行权重调整，得到注意力特征图，包括：对所述初始特征图进行全局平均池化操作，得到一维平均池化特征图；对所述一维平均池化特征图进行卷积运算，并利用sigmoid函数对所述卷积运算结果进行运算，得到通道注意力权重；利用所述通道注意力权重调整所述初始特征图，得到通道注意力特征图；利用预设的2个矩阵分别对所述初始特征图进行卷积运算，得到第一卷积特征图及第二卷积特征图；对所述第一卷积特征图进行维度变换和行列转置操作后获取第一操作结果；对所述第二卷积特征图进行维度变换操作后获取第二操作结果；将所述第一操作结果与所述第二操作结果进行矩阵相乘，并利用softmax函数对所述矩阵相乘的结果进行运算，得到初步空间注意力权重特征图，并将所述初步空间注意力权重特征图与所述初始特征图进行相加，得到空间注意力特征图；将所述通道注意力特征图与所述空间注意力特征图通过平均操作，并进行特征融合后得到注意力特征图。
2.如权利要求1所述的人脸活体检测方法，其特征在于，所述基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频，包括：
从预设颜色集合中随机抽取预设种数的颜色，对所述预设种数的随机颜色以及白色随机排列，生成颜色序列；
利用拍摄装置依次发出所述颜色序列对应颜色的光线，并接收从待检测人脸反射回来的反射光，生成所述颜色序列对应的人脸反光视频。
3.如权利要求1所述的人脸活体检测方法，其特征在于，所述利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测之前，所述方法还包括：
利用初始炫光颜色分类模型对训练图像集中的人脸中心区域进行颜色预测，得到所述人脸中心区域的颜色跳变特征；
将所述颜色跳变特征与所述训练图像集中的人脸中心区域对应的标准颜色序列进行匹配，分别计算拒识率及误识率，并计算所述拒识率与误识率之间的平衡值；
当所述平衡值不满足预设的平衡阈值时，调整所述炫光颜色分类模型的模型参数后，返回上述的利用初始炫光颜色分类模型对训练图像集中的人脸中心区域进行颜色预测的步骤，直至所述平衡值达到预设的平衡阈值时，得到所述训练完成的炫光颜色分类模型。
4.如权利要求1所述的人脸活体检测方法，其特征在于，所述从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧，包括：
计算所述人脸反光视频中每种颜色的起始帧数以及终止帧数；
在所述起始帧数及终止帧数之间，抽取预设数量的图像帧，得到所述每种颜色对应的图像帧；
判断所述图像帧是否满足预设的条件；
在所述图像帧不满足所述预设的条件时，返回所述在所述起始帧数及终止帧数之间，抽取预设数量的图像帧的步骤，直至得到满足所述预设的条件的图像帧；
汇总所述满足所述预设的条件的图像帧，得到所述关键帧。
5.一种人脸活体检测装置，用于实现如权利要求1至4中任意一项所述的人脸活体检测方法，其特征在于，所述装置包括：
反光照射模块，用于基于包含白色及预设种数的随机颜色的颜色序列，对待检测人脸进行反光照射，生成所述颜色序列对应的人脸反光视频；
光流图生成模块，用于从所述人脸反光视频中提取白色段对应的人脸反光子视频，并从所述人脸反光子视频的预设区间内提取预设帧数的图像，并提取所述预设帧数的图像的光流信息，利用所述光流信息合成光流图；
光流信息检测模块，用于利用训练完成的光流信息检测模型对所述光流图进行人脸活体检测，得到检测概率值；
关键帧提取模块，用于判断所述检测概率值是否小于预设概率阈值；当所述检测概率值小于预设概率阈值时，确认所述待检测人脸的活体验证结果为非活体；当所述检测概率值大于或等于所述预设概率阈值时，分别从所述人脸反光视频中提取所述颜色序列中每种颜色对应的关键帧；
活体验证模块，用于检测每一张所述关键帧中的人脸中心区域；利用训练完成的炫光颜色分类模型对所述人脸中心区域进行颜色预测，得到颜色预测结果，并根据所述颜色预测结果与所述颜色序列之间的对比结果，得到所述待检测人脸的活体验证结果。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的人脸活体检测方法。
7.一种计算机可读存储介质，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如权利要求1至4中任意一项所述的人脸活体检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111148144.8A CN113869219B (zh) | 2021-09-29 | 2021-09-29 | 人脸活体检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111148144.8A CN113869219B (zh) | 2021-09-29 | 2021-09-29 | 人脸活体检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113869219A CN113869219A (zh) | 2021-12-31 |
| CN113869219B true CN113869219B (zh) | 2024-05-21 |
Family
ID=78992247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111148144.8A Active CN113869219B (zh) | 2021-09-29 | 2021-09-29 | 人脸活体检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869219B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387655A (zh) * | 2022-01-14 | 2022-04-22 | 云从科技集团股份有限公司 | 一种活体检测方法、计算机可读存储介质以及电子设备 |
| CN114612979B (zh) * | 2022-03-09 | 2024-05-31 | 平安科技（深圳）有限公司 | 一种活体检测方法及装置、电子设备、存储介质 |
| CN115147705B (zh) * | 2022-09-06 | 2023-02-03 | 平安银行股份有限公司 | 人脸翻拍检测方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243386A (zh) * | 2014-07-10 | 2016-01-13 | 汉王科技股份有限公司 | 人脸活体判断方法以及系统 |
| CN107992794A (zh) * | 2016-12-30 | 2018-05-04 | 腾讯科技（深圳）有限公司 | 一种活体检测方法、装置和存储介质 |
| CN109858375A (zh) * | 2018-12-29 | 2019-06-07 | 深圳市软数科技有限公司 | 活体人脸检测方法、终端及计算机可读存储介质 |
| CN111274928A (zh) * | 2020-01-17 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 一种活体检测方法、装置、电子设备和存储介质 |
| CN112507922A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
| CN112528909A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-09-29 CN CN202111148144.8A patent/CN113869219B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243386A (zh) * | 2014-07-10 | 2016-01-13 | 汉王科技股份有限公司 | 人脸活体判断方法以及系统 |
| CN107992794A (zh) * | 2016-12-30 | 2018-05-04 | 腾讯科技（深圳）有限公司 | 一种活体检测方法、装置和存储介质 |
| CN109858375A (zh) * | 2018-12-29 | 2019-06-07 | 深圳市软数科技有限公司 | 活体人脸检测方法、终端及计算机可读存储介质 |
| CN111274928A (zh) * | 2020-01-17 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 一种活体检测方法、装置、电子设备和存储介质 |
| CN112507922A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
| CN112528909A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113869219A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113869219B (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
| WO2021073364A1 (zh) | 一种人脸活体检测方法、装置、设备及存储介质 | |
| CN108573203B (zh) | 身份认证方法和装置及存储介质 | |
| CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
| CN106599872A (zh) | 用于验证活体人脸图像的方法和设备 | |
| CN111898538B (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
| CN107316029B (zh) | 一种活体验证方法及设备 | |
| CN112507922A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
| EP4033458A2 (en) | Method and apparatus of face anti-spoofing, device, storage medium, and computer program product | |
| CN112528909B (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
| CN112395979A (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
| CN111414858A (zh) | 人脸识别方法、目标图像的确定方法、装置和电子系统 | |
| CN111339897A (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
| CN117037244A (zh) | 人脸安全检测方法、装置、计算机设备和存储介质 | |
| CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN108460811B (zh) | 面部图像处理方法、装置及计算机设备 | |
| CN111191549A (zh) | 一种两级人脸防伪检测方法 | |
| CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
| CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
| CN111539420B (zh) | 基于注意力感知特征的全景图像显著性预测方法及系统 | |
| CN114881103A (zh) | 一种基于通用扰动贴纸的对抗样本检测方法及装置 | |
| CN114677737A (zh) | 生物信息识别方法、装置、设备及介质 | |
| CN114299569A (zh) | 一种基于眼球运动的安全人脸认证方法 | |
| CN114118412A (zh) | 证件识别模型训练及证件识别的方法、系统、设备及介质 | |
| CN114299590A (zh) | 人脸补全模型的训练方法、人脸补全方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |