CN114202790A - 活体人脸检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供一种活体人脸检测方法、装置、电子设备及存储介质，获取3D结构光相机拍摄的当前待识别用户同时刻的带有结构光编码的人脸图像和没有结构光编码的人脸图像，并根据所述带有结构光编码的人脸图像得到所述用户的人脸深度图像；根据没有结构光编码的人脸图像和人脸深度图像，得到所述用户的多个人脸活体检测结果，并根据所述多个人脸活体检测结果确定用户人脸是否为活体人脸。本发明方案在人脸检测基础上进一步检测人脸是否为活体人脸，避免不法分子使用非活体人脸破解人脸检测设备，提高人脸检测的准确率。

Description

活体人脸检测方法、装置、电子设备及存储介质

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种活体人脸检测方法、装 置、电子设备及存储介质。

背景技术

随着人工智能技术的普及，人脸识别被应用到人脸门禁、快递柜、智 能门锁以及人脸支付等越来越多的领域，给人们的生活带来极大的便利。

但是由于目前市场上的人脸识别技术参差不齐，导致一些人脸设备存 在技术漏洞，容易被不法分子使用假人脸攻击而被破解，给人们的财产造 成损失。

因此有必要研究出一种准确率高，不易被破解的人脸识别方法，以切 实保护人们的财产安全。

本文提出了一种基于深度学习的3D活体检测方法，利用3D结构光 相机和深度学习算法，通过将3D结构光相机和深度学习算法相结合，提 高人脸检测的准确率。

发明内容

本发明提供一种活体人脸检测方法、装置、电子设备及存储介质，通 过将3D结构光相机和深度学习算法相结合，对用户进行活体人脸检测， 避免不法分子使用非活体人脸破解人脸检测设备，提高人脸检测的准确率。

第一方面，本发明提供一种活体人脸检测方法，包括：

获取3D结构光相机拍摄的当前待识别用户同时刻的带有结构光编码 的人脸图像和没有结构光编码的人脸图像，并根据所述带有结构光编码的 人脸图像得到所述用户的人脸深度图像；

将所述没有结构光编码的人脸图像输入到预先训练完毕的人脸检测 模型中进行人脸检测，得到人脸检测框；其中，所述人脸检测模型是 MTCNN网络模型；

根据所述用户的人脸深度图像确定人脸与3D结构光相机之间的距离， 并判断所述人脸与3D结构光相机之间的距离是否处于预设阈值范围；

若是，则根据所述人脸检测框从所述用户的人脸深度图像中截取人脸 深度子图，根据所述人脸深度子图得到第一人脸活体检测结果和人脸深度 图标准差，根据所述第一人脸活体检测结果和人脸深度图标准差得到第二 人脸活体检测结果；

重复上述步骤，得到所述用户的多个第二人脸活体检测结果，并根据 所述多个第二人脸活体检测结果确定最终人脸活体检测结果。

可选实施例中，若所述人脸与3D结构光相机之间的距离未处于预设 阈值范围，则提醒用户调整头部位置重新拍摄。

可选实施例中，所述根据所述人脸深度子图得到第一人脸活体检测结 果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标 准差得到第二人脸活体检测结果，包括：

将所述人脸深度子图输入预先训练完毕的活体人脸检测模型进行活 体检测得到第一人脸活体检测结果，并根据所述人脸深度子图计算人脸深 度图标准差；

若所述第一人脸活体检测结果为真人脸且所述人脸深度图标准差大 于预设标准差阈值，则确定第二人脸活体检测结果为真人脸，否则确定第 二人脸活体检测结果为假人脸。

可选实施例中，所述根据所述多个第二人脸活体检测结果确定最终人 脸活体检测结果，包括：

确定所述多个第二人脸活体检测结果中真人脸的数量和假人脸的数 量；

判断所述多个第二人脸活体检测结果中真人脸的数量是否大于假人 脸的数量；

若是，则确定最终人脸活体检测结果为真人脸。

可选实施例中，所述方法还包括：

将所述最终人脸活体检测结果发送至业务平台进行处理。

第二方面，本发明提供一种活体人脸检测装置，包括：

获取模块，用于获取3D结构光相机拍摄的当前待识别用户同时刻的 带有结构光编码的人脸图像和没有结构光编码的人脸图像，并根据所述带 有结构光编码的人脸图像得到所述用户的人脸深度图像

人脸检测模块，用于将所述没有结构光编码的人脸图像输入到预先训 练完毕的人脸检测模型中进行人脸检测，得到人脸检测框；其中，所述人 脸检测模型是MTCNN网络模型；

距离判断模块，用于根据所述用户的人脸深度图像确定人脸与3D结 构光相机之间的距离，并判断所述所述人脸与3D结构光相机之间的距离 是否处于预设阈值范围；

人脸活体检测模块，用于根据所述人脸检测框从所述用户的人脸深度 图像中截取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检测 结果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图 标准差得到第二人脸活体检测结果，根据所述多个第二人脸活体检测结果 确定最终人脸活体检测结果。

可选实施例中，所述装置还包括：发送模块；

所述发送模块，用于将所述最终人脸活体检测结果发送至业务平台进 行处理。

第三方面，本发明提供一种电子设备，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第一方面任一项所述的活体人脸检测方法。

第四方面，本发明实施例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，实现如第一方面任一项所述的活体人脸检测方法。

本发明提供的一种活体人脸检测方法、装置、电子设备及存储介质， 获取3D结构光相机拍摄的当前待识别用户同时刻的带有结构光编码的人 脸图像和没有结构光编码的人脸图像，并根据所述带有结构光编码的人脸 图像得到所述用户的人脸深度图像；将所述没有结构光编码的人脸图像输 入到预先训练完毕的人脸检测模型中进行人脸检测，得到人脸检测框；其 中，所述人脸检测模型是MTCNN网络模型；根据所述用户的人脸深度图 像确定人脸与3D结构光相机之间的距离，并判断所述人脸与3D结构光 相机之间的距离是否处于预设阈值范围；若是，则根据所述人脸检测框从 所述用户的人脸深度图像中截取人脸深度子图，根据所述人脸深度子图得 到第一人脸活体检测结果和人脸深度图标准差，根据所述第一人脸活体检 测结果和人脸深度图标准差得到第二人脸活体检测结果；重复上述步骤， 得到所述用户的多个第二人脸活体检测结果，并根据所述多个第二人脸活 体检测结果确定最终人脸活体检测结果。与现有技术相比，本方案通过将 3D结构光相机和深度学习算法相结合，在对用户普通人脸图像进行人脸 检测的基础上，进一步根据人脸深度图像检测人脸是否为活体人脸，避免 不法分子使用非活体人脸破解人脸检测设备，提高人脸检测的准确率。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地， 下面描述中的附图仅仅是本发明的一些实施例，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为本公开实施例一提供的一种活体人脸检测方法的流程示意图；

图2为本公开实施例一提供的另一种活体人脸检测方法的流程示意图；

图3为本公开实施例二提供的一种活体人脸检测装置的结构示意图；

图4为本公开实施例三提供的一种电子设备的结构示意图。

具体实施方式

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，都属于本发明保护的 范围。

实施例一

图1为本公开实施例一提供的一种活体人脸检测方法的流程示意图。 如图1所示，本公开实施例提供的一种活体人脸检测方法包括：

S101、获取3D结构光相机拍摄的当前待识别用户同时刻的带有结构 光编码的人脸图像和没有结构光编码的人脸图像，并根据所述带有结构光 编码的人脸图像得到所述用户的人脸深度图像。

其中，3D结构光相机包含结构光投影设备、数字相机和计算机处理 系统。

本实施例中，通过光栅发生器发射条纹光栅，投射到待识别用户人脸 上，再由数字相机进行拍摄，得到带有结构光编码的人脸图像，并由数字 相机对待识别用户人脸直接进行拍摄，得到没有结构光编码的人脸图像， 投射的条纹光栅在人脸的不同深度区域结构呈现变化，通过相位解调单元 将这种结构变化换算成深度信息，获得人脸深度图像。

S102、将所述没有结构光编码的人脸图像输入到预先训练完毕的人脸 检测模型中进行人脸检测，得到人脸检测框；其中，所述人脸检测模型是 MTCNN网络模型。

本实施例中，可通过预先训练完毕的MTCNN网络模型对没有结构光 编码的人脸图像中的人脸进行检测，确定人脸在人脸图像中的位置，并利 用人脸检测框标识脸图像中的人脸。

S103、根据所述用户的人脸深度图像确定人脸与3D结构光相机之间 的距离，并判断所述人脸与3D结构光相机之间的距离是否处于预设阈值 范围。

本实施例中，由于人脸与相机之间的距离会影响人脸检测的准确率， 而用户的人脸深度图像中蕴含人脸与3D结构光相机的距离信息，可对用 户的人脸深度图像进行解算确定人脸与3D结构光相机之间的距离，当人 脸与3D结构光相机之间的距离处于预设阈值范围之内，则进一步判断检 测到的人脸是否为活体人脸，否则提醒用户调整头部位置重新拍摄用户同 时刻的带有结构光编码的人脸图像和没有结构光编码的人脸图像。

S104、若是，则根据所述人脸检测框从所述用户的人脸深度图像中截 取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检测结果和人 脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标准差得 到第二人脸活体检测结果。

本实施例中，由于人脸深度图像中除了人脸深度信息之外，还包含背 景深度信息，可根据人脸检测框信息从人脸深度图像中截取人脸检测框包 围的人脸图像区域得到人脸深度子图，可对人脸深度子图进行检测分析确 定人脸结构是否为真人脸，得到第一人脸活体检测结果，根据人脸深度子 图计算人脸深度图标准差，人脸深度图标准差可以反映图像像素值与均值 的离散程度，人脸深度图标准差越大说明人脸深度子图的质量越好(说明 图像边缘清晰)，更有可能是真实人脸图像，根据预设判断规则，结合第 一人脸活体检测结果和人脸深度图标准差进一步确定人脸结构是否为真 人脸，得到第二人脸活体检测结果。

在一种可能的实施方式中，步骤S104具体包括：根据所述人脸检测 框从所述用户的人脸深度图像中截取人脸深度子图；将所述人脸深度子图 输入预先训练完毕的活体人脸检测模型进行活体检测得到第一人脸活体 检测结果，并根据所述人脸深度子图计算人脸深度图标准差；若所述第一 人脸活体检测结果为真人脸且所述人脸深度图标准差大于预设标准差阈 值，则确定第二人脸活体检测结果为真人脸，否则确定第二人脸活体检测结果为假人脸。

S105、重复上述步骤，得到所述用户的多个第二人脸活体检测结果， 并根据所述多个第二人脸活体检测结果确定最终人脸活体检测结果。

本实施例中，由于单次活体人脸检测存在误检问题，可多次获取待识 别用户同时刻的带有结构光编码的人脸图像和没有结构光编码的人脸图 像进行活体人脸检测，得到多个第二人脸活体检测结果，根据多个第二人 脸活体检测结果中真人脸和假人脸的数量确定最终人脸活体检测结果，从 而确定用户人脸是否为活体人脸。

在一种可能的实施方式中，步骤S105中所述根据所述多个第二人脸 活体检测结果确定最终人脸活体检测结果，具体包括：确定所述多个第二 人脸活体检测结果中真人脸的数量和假人脸的数量；判断所述多个第二人 脸活体检测结果中真人脸的数量是否大于假人脸的数量；若是，则确定最 终人脸活体检测结果为真人脸。

本实施例提供了一种活体人脸检测方法，获取3D结构光相机拍摄的 当前待识别用户同时刻的带有结构光编码的人脸图像和没有结构光编码 的人脸图像，并根据所述带有结构光编码的人脸图像得到所述用户的人脸 深度图像；将所述没有结构光编码的人脸图像输入到预先训练完毕的人脸 检测模型中进行人脸检测，得到人脸检测框；其中，所述人脸检测模型是 MTCNN网络模型；根据所述用户的人脸深度图像确定人脸与3D结构光 相机之间的距离，并判断所述人脸与3D结构光相机之间的距离是否处于 预设阈值范围；若是，则根据所述人脸检测框从所述用户的人脸深度图像 中截取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检测结果 和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标准 差得到第二人脸活体检测结果；重复上述步骤，得到所述用户的多个第二 人脸活体检测结果，并根据所述多个第二人脸活体检测结果确定最终人脸 活体检测结果。通过采用本公开所提供的技术方案，在人脸检测基础上进 一步检测人脸是否为活体人脸，避免不法分子使用非活体人脸破解人脸检 测设备，提高人脸检测的准确率。

在获得人脸活体检测结果后，可以根据人脸活体检测结果确定是否有 不法分子恶意破解人脸检测设备，在上述实施例的基础上，图2为本公开 实施例一提供的另一种活体人脸检测方法的流程示意图，所述方法还包括：

S106、将所述最终人脸活体检测结果发送至业务平台进行处理。

本实施例中，可将最终人脸活体检测结果通过网络实时发送到业务平 台，以使业务平台根据最终人脸活体检测结果及时对用户身份的真实性进 行验证，并发出警示信息，避免不法分子使用非活体人脸破解人脸检测设 备。

结合上述实施例提出以下具体示例，可以理解地，以下具体示例仅对 上述实施例的具体实施进行示例性阐述，并非对上述实施例的技术方案进 行限定。

在以下具体示例中，获取3D结构光相机拍摄的一用户当前时刻带有 结构光编码的人脸图像和没有结构光编码的人脸图像，通过相位解调单元 将带有结构光编码的人脸图像换算成人脸深度图像，通过预先训练完毕的 MTCNN网络模型对没有结构光编码的人脸图像中的人脸进行检测，得到 人脸检测框，对该用户的人脸深度图像进行解算确定人脸与3D结构光相 机之间的距离为1.3m，由于预设阈值范围为0.5m～2m，人脸与3D结构光 相机之间的距离为1.3m位于预设预设阈值范围，则根据人脸检测框信息 从该用户的人脸深度图像中截取人脸深度子图，将人脸深度子图输入预先 训练完毕的活体人脸检测模型进行活体检测，得到第一人脸活体检测结果 为假人脸，根据人脸深度子图计算人脸深度图标准差，经过判断，第一人 脸活体检测结果为假人脸且人脸深度图标准差小于预设标准差阈值，则确 定第二人脸活体检测结果为假人脸，重复20次获取该用户同时刻的带有 结构光编码的人脸图像和没有结构光编码的人脸图像进行活体人脸检测， 得到20个第二人脸活体检测结果，20个第二人脸活体检测结果中真人脸 的数量为1及假人脸的数量为19，则确定最终人脸活体检测结果为假人脸， 即非活体人脸，将最终人脸活体检测结果通过网络实时发送到业务平台， 业务平台确定用户身份的真实性存在问题，发出警示信息。

实施例二

对应于上文实施例的活体人脸检测方法，图3为本公开实施例二提供 的一种活体人脸检测装置的结构示意图。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3，所述一种活体人脸检测装置包括：

获取模块31，用于获取3D结构光相机拍摄的当前待识别用户同时刻 的带有结构光编码的人脸图像和没有结构光编码的人脸图像，并根据所述 带有结构光编码的人脸图像得到所述用户的人脸深度图像

人脸检测模块32，用于将所述没有结构光编码的人脸图像输入到预先 训练完毕的人脸检测模型中进行人脸检测，得到人脸检测框；其中，所述 人脸检测模型是MTCNN网络模型；

距离判断模块33，用于根据所述用户的人脸深度图像确定人脸与3D 结构光相机之间的距离，并判断所述所述人脸与3D结构光相机之间的距 离是否处于预设阈值范围；

人脸活体检测模块34，用于根据所述人脸检测框从所述用户的人脸深 度图像中截取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检 测结果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度 图标准差得到第二人脸活体检测结果，根据所述多个第二人脸活体检测结 果确定最终人脸活体检测结果。

本实施例提供了一种活体人脸检测装置，通过获取模块获取3D结构 光相机拍摄的当前待识别用户同时刻的带有结构光编码的人脸图像和没 有结构光编码的人脸图像，并根据所述带有结构光编码的人脸图像得到所 述用户的人脸深度图像；通过人脸检测模块将所述没有结构光编码的人脸 图像输入到预先训练完毕的人脸检测模型中进行人脸检测，得到人脸检测 框；其中，所述人脸检测模型是MTCNN网络模型；通过距离判断模块根 据所述用户的人脸深度图像确定人脸与3D结构光相机之间的距离，并判 断所述人脸与3D结构光相机之间的距离是否处于预设阈值范围；若是， 则通过人脸活体检测模块根据所述人脸检测框从所述用户的人脸深度图 像中截取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检测结 果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标 准差得到第二人脸活体检测结果；重复上述步骤，得到所述用户的多个第 二人脸活体检测结果，并通过人脸活体检测模块根据所述多个第二人脸活 体检测结果确定最终人脸活体检测结果。通过采用本公开所提供的技术方 案，在人脸检测基础上进一步检测人脸是否为活体人脸，避免不法分子使 用非活体人脸破解人脸检测设备，提高人脸检测的准确率。

可选的，所述人脸活体检测模块34包括人脸截取单元341、第一活体 检测单元342、图像标准差计算单元343、第二活体检测单元344及第三 活体检测单元345；

所述人脸截取单元341，用于根据所述人脸检测框从所述用户的人脸 深度图像中截取人脸深度子图；

所述第一活体检测单元342，用于将所述人脸深度子图输入预先训练 完毕的活体人脸检测模型进行活体检测得到第一人脸活体检测结果；

所述图像标准差计算单元343，用于根据所述人脸深度子图得到人脸 深度图标准差；

所述第二活体检测单元344，用于若所述第一人脸活体检测结果为真 人脸且所述人脸深度图标准差大于预设标准差阈值，则确定第二人脸活体 检测结果为真人脸，否则确定第二人脸活体检测结果为假人脸；

所述第三活体检测单元345，用于确定所述多个第二人脸活体检测结 果中真人脸的数量和假人脸的数量；判断所述多个第二人脸活体检测结果 中真人脸的数量是否大于假人脸的数量；若是，则确定最终人脸活体检测 结果为真人脸。

可选的，所述装置还包括：发送模块35；

所述发送模块35，用于将所述最终人脸活体检测结果发送至业务平台 进行处理。

上述产品可执行本公开任意实施例所提供的方法，具备执行方法相应 的功能模块和有益效果。

实施例三

图4为本公开实施例三提供的一种电子设备的结构示意图，如图4所 示，本实施例的电子设备40可以包括：存储器41、处理器42。

存储器41，用于存储计算机程序(如实现上述一种活体人脸检测方法 的应用程序、功能模块等)、计算机指令等；

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器 41中。并且上述的计算机程序、计算机指令等可以被处理器42调用。

处理器42，用于执行存储器41存储的计算机程序，以实现上述实施 例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

存储器41和处理器42可以是独立结构，也可以是集成在一起的集成 结构。当存储器41和处理器42是独立结构时，存储器41、处理器42可 以通过总线43耦合连接。

本实施例的一种电子设备可以执行实施例一所述方法中的技术方案， 其具体实现过程和技术原理参见实施例一所述方法中的相关描述，此处不 再赘述。

此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储 介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机 执行指令时，用户设备执行上述各种可能的方法。

其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质 包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可 以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦 合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质 写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质 可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存 储介质也可以作为分立组件存在于通信设备中。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各 示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结 合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特 定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方 法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。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，上述描述的系统、 装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此 不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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，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，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端口，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。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。 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变 化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应 以本发明权利要求的保护范围为准。

Claims (9)

1.一种活体人脸检测方法，其特征在于，包括：

获取3D结构光相机拍摄的当前待识别用户同时刻的带有结构光编码的人脸图像和没有结构光编码的人脸图像，并根据所述带有结构光编码的人脸图像得到所述用户的人脸深度图像；

将所述没有结构光编码的人脸图像输入到预先训练完毕的人脸检测模型中进行人脸检测，得到人脸检测框；其中，所述人脸检测模型是MTCNN网络模型；

根据所述用户的人脸深度图像确定人脸与3D结构光相机之间的距离，并判断所述人脸与3D结构光相机之间的距离是否处于预设阈值范围；

若是，则根据所述人脸检测框从所述用户的人脸深度图像中截取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检测结果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标准差得到第二人脸活体检测结果；

重复上述步骤，得到所述用户的多个第二人脸活体检测结果，并根据所述多个第二人脸活体检测结果确定最终人脸活体检测结果。

2.根据权利要求1所述的活体人脸检测方法，其特征在于，若所述人脸与3D结构光相机之间的距离未处于预设阈值范围，则提醒用户调整头部位置重新拍摄。

3.根据权利要求1所述的活体人脸检测方法，其特征在于，所述根据所述人脸深度子图得到第一人脸活体检测结果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标准差得到第二人脸活体检测结果，包括：

将所述人脸深度子图输入预先训练完毕的活体人脸检测模型进行活体检测得到第一人脸活体检测结果，并根据所述人脸深度子图计算人脸深度图标准差；

若所述第一人脸活体检测结果为真人脸且所述人脸深度图标准差大于预设标准差阈值，则确定第二人脸活体检测结果为真人脸，否则确定第二人脸活体检测结果为假人脸。

4.根据权利要求1所述的活体人脸检测方法，其特征在于，所述根据所述多个第二人脸活体检测结果确定最终人脸活体检测结果，包括：

确定所述多个第二人脸活体检测结果中真人脸的数量和假人脸的数量；

判断所述多个第二人脸活体检测结果中真人脸的数量是否大于假人脸的数量；

若是，则确定最终人脸活体检测结果为真人脸。

5.根据权利要求1-4任一项所述的活体人脸检测方法，其特征在于，所述方法还包括：

将所述最终人脸活体检测结果发送至业务平台进行处理。

6.一种活体人脸检测装置，其特征在于，包括：

获取模块，用于获取3D结构光相机拍摄的当前待识别用户同时刻的带有结构光编码的人脸图像和没有结构光编码的人脸图像，并根据所述带有结构光编码的人脸图像得到所述用户的人脸深度图像；

人脸检测模块，用于将所述没有结构光编码的人脸图像输入到预先训练完毕的人脸检测模型中进行人脸检测，得到人脸检测框；其中，所述人脸检测模型是MTCNN网络模型；

距离判断模块，用于根据所述用户的人脸深度图像确定人脸与3D结构光相机之间的距离，并判断所述所述人脸与3D结构光相机之间的距离是否处于预设阈值范围；

人脸活体检测模块，用于根据所述人脸检测框从所述用户的人脸深度图像中截取人脸深度子图，根据所述人脸深度子图得到第一人脸活体检测结果和人脸深度图标准差，根据所述第一人脸活体检测结果和人脸深度图标准差得到第二人脸活体检测结果，根据所述多个第二人脸活体检测结果确定最终人脸活体检测结果。

7.根据权利要求6所述的活体人脸检测装置，其特征在于，所述装置还包括：发送模块；

所述发送模块，用于将所述最终人脸活体检测结果发送至业务平台进行处理。

8.一种电子设备，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1-5任一项所述的活体人脸检测方法。

9.一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1-5任一项所述的活体人脸检测方法。

Images