CN115035559A - 人脸活体检测方法、装置、电子设备及计算机存储介质 - Google Patents

人脸活体检测方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN115035559A
CN115035559A CN202110240298.3A CN202110240298A CN115035559A CN 115035559 A CN115035559 A CN 115035559A CN 202110240298 A CN202110240298 A CN 202110240298A CN 115035559 A CN115035559 A CN 115035559A
Authority
CN
China
Prior art keywords
image
neural network
convolutional neural
target
loss
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.)
Pending
Application number
CN202110240298.3A
Other languages
English (en)
Inventor
罗朝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110240298.3A priority Critical patent/CN115035559A/zh
Publication of CN115035559A publication Critical patent/CN115035559A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种人脸活体检测方法、装置、电子设备及计算机可读存储介质，涉及人工智能领域。该方法包括：基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；基于第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；确定出原始特征图像与第一目标图像的第一目标损失，并基于第一目标损失确定出检测的检测结果。本申请实施例不仅实现了人脸活体检测，而且，由于不需要基于非活体的人脸样本图像进行训练，所以不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。

Description

人脸活体检测方法、装置、电子设备及计算机存储介质
技术领域
本申请涉及人工智能技术领域，具体而言，本申请涉及一种人脸活体检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的人脸识别、机器学习等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
人脸活体检测是人脸识别的一种具体应用，用于判断从摄像头获取的人脸图像数据是否为真人，从而抵御使用打印照片或者电子屏幕显示照片等骗过人脸识别系统的非法攻击。由于静默活体检测方法不需要用户做张嘴/眨眼等交互动作，体验较好，所以静默活体检测方法成为当前使用比较广泛的人脸活体检测方法。
该方法主要使用神经网络等机器学习方法对输入图片进行分类，以判断当前图片中的人脸是否为活体。这种分类方法往往需要采集大量标注好的活体和非活体数据训练分类模型，训练数据越多，训练出的模型效果越好。但实际中，采集大规模非活体数据存在如下缺点：
1)非活体场景多种多样，由于人力物力的限制，采集过程很难覆盖所有场景，比如各种光照，因此会限制检测方法的使用范围；
2)无法采集无法预见的未知攻击类型，减弱了检测方法的安全性。
发明内容
本申请提供了一种人脸活体检测方法、装置、电子设备及计算机可读存储介质，可以解决人脸活体检测使用范围受限制、安全性较低的问题。所述技术方案如下：
根据本申请的一个方面，提供了一种人脸活体检测方法，该方法包括：
基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果。
一个或多个实施例中，所述基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量，包括：
将所述原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；
采用所述编码卷积神经网络对所述缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。
一个或多个实施例中，所述基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像，包括：
通过所述解码卷积神经网络对所述第一特征向量进行图像重建，得到具有目标尺寸的第一目标图像。
一个或多个实施例中，所述确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果，包括：
计算所述原始特征图像与所述第一目标图像的重建损失；
当所述重建损失小于重建损失阈值时，判定所述检测的检测结果为人脸活体；
当所述重建损失不小于所述重建损失阈值时，判定所述检测的检测结果为非人脸活体。
一个或多个实施例中，所述计算所述原始特征图像与所述第一目标图像的重建损失，包括：
计算所述原始特征图像与所述第一目标图像的均方损失、绝对值损失以及结构相似性损失；
将所述均方损失、绝对值损失以及结构相似性损失的加权和作为所述重建损失。
一个或多个实施例中，编码卷积神经网络和解码卷积神经网络通过如下方式训练得到：
训练步骤：针对具有标注的样本图像采用所述编码卷积神经网络进行编码，得到至少一维的第二特征向量；
基于所述第二特征向量采用所述解码卷积神经网络进行图像重建，得到重建后的第二目标图像；
确定出所述原始特征图像与所述第二目标图像的第二目标损失；
当所述第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新所述编码卷积神经网络和所述解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将所述目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将所述目标解码卷积神经网络作为当前的解码卷积神经网络；
重复执行所述训练步骤，直至所述第二目标损失小于所述目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。
根据本申请的另一个方面，提供了一种人脸活体检测装置，该装置包括：
编码模块，用于基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
重建模块，用于基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
检测模块，用于确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果。
一个或多个实施例中，所述编码模块包括：
缩放子模块，用于将所述原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；
编码子模块，用于采用所述编码卷积神经网络对所述缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。
一个或多个实施例中，所述重建模块具体用于：
通过所述解码卷积神经网络对所述第一特征向量进行图像重建，得到具有预设的目标尺寸的第一目标图像。
一个或多个实施例中，所述检测模块包括：
计算子模块，用于计算所述原始特征图像与所述第一目标图像的重建损失；
判定子模块，用于当所述重建损失小于重建损失阈值时，判定所述检测的检测结果为人脸活体；以及，当所述重建损失不小于所述重建损失阈值时，判定所述检测的检测结果为非人脸活体。
一个或多个实施例中，所述计算子模块包括：
第一计算单元，用于计算所述原始特征图像与所述第一目标图像的均方损失、绝对值损失以及结构相似性损失；
第二计算单元，用于将所述均方损失、绝对值损失以及结构相似性损失的加权和作为所述重建损失。
一个或多个实施例中，还包括：
编码模块，还用于针对具有标注的样本图像采用所述编码卷积神经网络进行编码，得到至少一维的第二特征向量；
重建模块，还用于基于所述第二特征向量采用所述解码卷积神经网络进行图像重建，得到重建后的第二目标图像；
检测模块，还用于确定出所述原始特征图像与所述第二目标图像的第二目标损失；
更新模块，用于当所述第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新所述编码卷积神经网络和所述解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将所述目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将所述目标解码卷积神经网络作为当前的解码卷积神经网络；
重复调用所述编码模块、所述重建模块、所述检测模块以及所述更新模块，直至所述第二目标损失小于所述目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。
根据本申请的另一个方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行第一方面所示的人脸活体检测方法。
根据本申请的再一个方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的人脸活体检测方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一方面的各种可选实现方式中提供的方法。
本申请提供的技术方案带来的有益效果是：
在本发明实施例中，针对待检测的原始特征图像采用训练得到的编码卷积神经网络进行至少一维的特征向量编码，得到至少一维的第一特征向量，然后采用训练得到的解码卷积神经对第一特征向量进行图像重建，得到重建后的第一目标图像，再计算第一目标图像与原始特征图像的重建损失，并基于计算得到的重建损失确定出原始特征图像中的人脸为活体或非活体。这样，不仅实现了人脸活体检测，而且，由于编码卷积神经网络和解码卷积神经网络是基于活体的人脸样本图像训练得到的，而不需要基于非活体的人脸样本图像进行训练，所以人脸活体检测的使用范围不会受到限制，同时，也就不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种人脸活体检测方法的应用环境示意图；
图2为本申请实施例提供的一种人脸活体检测方法的流程示意图；
图3为本申请实施例提供的编码流程示意图；
图4为本申请实施例提供的解码流程示意图；
图5为本申请实施例提供的一种人脸活体检测方法的逻辑示意图；
图6为本申请实施例提供的编码卷积神经网络、解码卷积神经网络的训练流程示意图；
图7为本申请图6对应的逻辑示意图；
图8为本申请实施例提供的一种人脸活体检测装置的结构示意图；
图9为本申请实施例提供的一种人脸活体检测的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请涉及的几个名词进行介绍和解释：
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。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision，CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在本申请中，可以基于人工智能进行人脸活体检测。具体的，采用计算机视觉技术进行人脸活体检测，人脸活体检测指的是在人脸识别系统中，判断用于人脸识别的图片是否是真人的活体人脸，或者是打印照片、电子设备屏幕显示照片、人脸面具等非活体人脸。在检测的过程中可以采用人工神经网络，而人工神经网络则可以基于机器学习训练得到。
人脸活体检测是人脸识别的一种具体应用，用于判断从摄像头获取的人脸图像数据是否为真人，从而抵御使用打印照片或者电子屏幕显示照片等骗过人脸识别系统的非法攻击。由于静默活体检测方法不需要用户做张嘴/眨眼等交互动作，体验较好，所以静默活体检测方法成为当前使用比较广泛的人脸活体检测方法。
该方法主要使用神经网络等机器学习方法对输入图片进行分类，以判断当前图片中的人脸是否为活体。这种分类方法往往需要采集大量标注好的活体和非活体数据训练分类模型，训练数据越多，训练出的模型效果越好。但实际中，采集大规模非活体数据存在如下缺点：
1)非活体场景多种多样，由于人力物力的限制，采集过程很难覆盖所有场景，比如各种光照，因此会限制检测方法的使用范围；
2)无法采集无法预见的未知攻击类型，减弱了检测方法的安全性。
本申请提供的人脸活体检测方法、装置、电子设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本发明实施例提供了一种人脸活体检测方法的应用环境，参见图1，该应用环境包括：第一设备101和第二设备102。第一设备101和第二设备102之间通过网络连接，第一设备101为访问设备，第二设备102为被访问设备。第一设备101可以为终端，第二设备102可以为服务器。终端可以具有如下特点：
(1)在硬件体系上，设备具备中央处理器、存储器、输入部件和输出部件，也就是说，设备往往是具备通信功能的微型计算机设备。另外，还可以具有多种输入方式，诸如键盘、鼠标、触摸屏、送话器和摄像头等，并可以根据需要进行调整输入。同时，设备往往具有多种输出方式，如受话器、显示屏等，也可以根据需要进行调整；
(2)在软件体系上，设备必须具备操作系统，如Windows Mobile、Symbian、Palm、Android、iOS等。同时，这些操作系统越来越开放，基于这些开放的操作系统平台开发的个性化应用程序层出不穷，如通信簿、日程表、记事本、计算器以及各类游戏等，极大程度地满足了个性化用户的需求；
(3)在通信能力上，设备具有灵活的接入方式和高带宽通信性能，并且能根据所选择的业务和所处的环境，自动调整所选的通信方式，从而方便用户使用。设备可以支持3GPP(3rd Generation Partnership Project，第三代合作伙伴计划)、4GPP(4rd GenerationPartnership Project，第四代合作伙伴计划)、5GPP(5rd Generation PartnershipProject，第五代合作伙伴计划)、LTE(Long Term Evolution，长期演进)、WIMAX(WorldInteroperability for Microwave Access，全球微波接入互操作性)的移动通信、基于TCP/IP(Transmission Control Protocol/Internet Protocol，传输控制协议/网际协议)、UDP(User Datagram Protocol，用户数据报协议)协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式，不仅支持语音业务，更支持多种无线数据业务；
(4)在功能使用上，设备更加注重人性化、个性化和多功能化。随着计算机技术的发展，设备从“以设备为中心”的模式进入“以人为中心”的模式，集成了嵌入式计算、控制技术、人工智能技术以及生物认证技术等，充分体现了以人为本的宗旨。由于软件技术的发展，设备可以根据个人需求调整设置，更加个性化。同时，设备本身集成了众多软件和硬件，功能也越来越强大。
服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。
在本申请中，人工神经网络可以部署在第二设备中，这样，用户可以在第一设备上发起人脸活体检测请求，第一设备将人脸活体检测请求发送至第二设备，第二设备进行人脸活体检测，得到检测结果，并将检测结果反馈至第一设备。
人工神经网络也可以部署在第一设备中，这样，用户可以在第一设备上发起人脸活体检测请求，第一设备采用人工神经网络直接进行人脸活体检测，从而得到检测结果。
在实际应用中，可以根据实际需求对人工神经网络的部署进行设置，本申请对此不作限制。
在上述应用环境中可以执行一种人脸活体检测方法，如图2所示，该方法包括：
步骤S201，基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
其中，待检测的原始特征图像可以是第一设备获取到的图像，图像中包括至少一维的特征向量。比如，可以是用户从第一设备的相册(包含至少一张图像)中选择出的图像，也可以是用户通过第一设备的图像采集设备(比如摄像头)实时采集到的，还可以通过其它方式获取到待检测的原始特征图像，在实际应用中可以根据实际需求进行调整，本发明实施例对此不作限制。
进一步，本发明实施例仅仅以对一张原始特征图像进行人脸活体检测为例进行说明，在实际应用中，待检测的原始特征图像可以是一张，即对一张原始特征图像进行人脸活体检测，也可以是多张，即同时对多张原始特征图像进行人脸活体检测，在实际应用中可以根据实际需求进行设置，本发明实施例对此也不作限制。
第一设备在获取到待检测的原始特征图像后，可以采用训练得到的编码卷积神经网络对原始特征图像进行至少一维的特征向量编码，编码输出的形式为一维或多维的特征向量。其中，编码可以是在第一设备中进行，也可以是第一设备先将原始特征图像发送至第二设备，然后在第二设备中进行，在实际应用中可以根据实际需求进行设置，本发明实施例对此不作限制。
步骤S202，基于第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
对原始特征图像进行编码得到第一特征向量后，可以采用训练得到的解码卷积神经网络对第一特征向量进行解码和图像重建，得到重建后的第一目标图像。
步骤S203，确定出原始特征图像与第一目标图像的第一目标损失，并基于第一目标损失确定出检测的检测结果。
通过重建得到重建后的第一目标图像后，可以将原始特征图像与第一目标图像进行对比，确定出二者的第一目标损失，然后基于第一目标损失即可确定出人脸活体检测的检测结果。其中，检测结果可以是原始特征图像中的人脸为活体，或者原始特征图像中的人脸为非活体。
在本发明实施例中，针对待检测的原始特征图像采用训练得到的编码卷积神经网络进行至少一维的特征向量编码，得到至少一维的第一特征向量，然后采用训练得到的解码卷积神经对第一特征向量进行图像重建，得到重建后的第一目标图像，再计算第一目标图像与原始特征图像的重建损失，并基于计算得到的重建损失确定出原始特征图像中的人脸为活体或非活体。这样，不仅实现了人脸活体检测，而且，由于编码卷积神经网络和解码卷积神经网络是基于活体的人脸样本图像训练得到的，而不需要基于非活体的人脸样本图像进行训练，所以人脸活体检测的使用范围不会受到限制，同时，也就不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。
在本发明实施例中对图2所示的一种人脸活体检测方法中的各个进行详细说明。
步骤S201，基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
其中，待检测的原始特征图像可以是第一设备获取到的图像，图像中包括至少一维的特征向量。比如，可以是用户从第一设备的相册(包含至少一张图像)中选择出的图像，也可以是用户通过第一设备的图像采集设备(比如摄像头)实时采集到的，还可以通过其它方式获取到待检测的原始特征图像，在实际应用中可以根据实际需求进行调整，本发明实施例对此不作限制。
进一步，本发明实施例仅仅以对一张原始特征图像进行人脸活体检测为例进行说明，在实际应用中，待检测的原始特征图像可以是一张，即对一张原始特征图像进行人脸活体检测，也可以是多张，即同时对多张原始特征图像进行人脸活体检测，在实际应用中可以根据实际需求进行设置，本发明实施例对此也不作限制。
第一设备在获取到待检测的原始特征图像后，可以采用训练得到的编码卷积神经网络对原始特征图像进行至少一维的特征向量编码，编码输出的形式为一维或多维的特征向量。其中，编码可以是在第一设备中进行，也可以是第一设备先将原始特征图像发送至第二设备，然后在第二设备中进行，在实际应用中可以根据实际需求进行设置，本发明实施例对此不作限制。
在本发明一种优选实施例中，基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量，包括：
将原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；
通过预先训练得到的编码卷积神经网络对缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。
具体而言，在对原始特征图像进行编码之前，可以先对原始进行预处理，预处理包括但不限于对原始特征图像进行缩放，将原始特征图像从原始尺寸缩放至预设的目标尺寸，得到缩放后的图像。比如，预设的目标尺寸为240*240，当原始特征图像的尺寸为800*800时，那么将其缩小至240*240，或者，原始特征图像的尺寸为125*125，那么将其放大至240*240。需要说明的是，在实际应用中，目标尺寸的大小可以根据实际需求进行设置，本发明实施例对此不作限制。
得到缩放后的图像之后，就可以通过预先训练得到的编码卷积神经网络对该缩放后的图像进行编码。如图3所示，预先训练得到的编码卷积神经网络可以包括多层网络，每层网络均包括但不限于卷积层、池化层以及激活层，缩放后的图像通过多层网络，其中，每层网络可以执行卷积层处理、池化层处理以及激活层处理，编码卷积神经网络最终可以输出原始特征图像的编码，也就是一维或多维的第一特征向量。需要说明的是，在实际应用中，编码卷积神经网络的网络层数可以根据实际需求预先设置，本发明实施例对此也不作限制。
步骤S202，基于第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
对原始特征图像进行编码得到第一特征向量后，可以采用训练得到的解码卷积神经网络对第一特征向量进行解码和图像重建，得到重建后的第一目标图像。
在本发明一种优选实施例中，基于第一特征向量进行图像重建，得到重建后的第一目标图像，包括：
通过解码卷积神经网络对第一特征向量进行图像重建，得到具有预设的目标尺寸的第一目标图像。
具体而言，如图4所示，预先训练得到的解码卷积神经网络也可以包括多层网络，每层网络均包括但不限于激活层和反卷积层。在重建时，第一特征向量通过多层网络，其中，每层网络可以执行激活层处理和反卷积层处理，解码卷积神经网络最终可以输出具有预设的目标尺寸的第一目标图像。比如，接上例，如果缩放后的图像的尺寸为240*240，那么重建后的第一目标图像的尺寸也240*240。
需要说明的是，在实际应用中，解码卷积神经网络的网络层数可以根据实际需求预先设置，本发明实施例对此不作限制。进一步，编码卷积神经网络与解码卷积神经网络可以部署在同一个人脸活体检测模型中，这样，在进行人脸活体检测时，采用该人脸活体检测模型直接进行检测即可；也可以部署在不同的检测模型中，这样，在进行人脸活体检测时，采用多个检测模型进行联合检测即可；当然，还可以采用其它的方式，在实际应用中可以根据实际需求进行设置，本发明实施例对此也不作限制。
步骤S203，确定出原始特征图像与第一目标图像的第一目标损失，并基于第一目标损失确定出检测的检测结果。
通过重建得到重建后的第一目标图像后，可以将原始特征图像与第一目标图像进行对比，确定出二者的第一目标损失，然后基于第一目标损失即可确定出人脸活体检测的检测结果。其中，检测结果可以是原始特征图像中的人脸为活体，或者原始特征图像中的人脸为非活体。
在本发明一种优选实施例中，确定出原始特征图像与第一目标图像的第一目标损失，并基于第一目标损失确定出检测的检测结果，包括：
计算原始特征图像与第一目标图像的重建损失；
当重建损失小于重建损失阈值时，判定检测的检测结果为人脸活体；
当重建损失不小于重建损失阈值时，判定检测的检测结果为非人脸活体。
具体而言，确定出原始特征图像与第一目标图像的第一目标损失包括但不限于计算二者的重建损失，若计算得到的重建损失小于重建损失阈值，则判定人脸活体检测的检测结果为人脸活体；若计算得到的重建损失不小于重建损失阈值，则判定人脸活体检测的检测结果为非人脸活体。比如，计算得到原始特征图像与第一目标图像的重建损失为0.08，小于重建损失阈值0.1，那么就可以判定原始特征图像中的人脸为活体。然后将检测结果进行展示，用户即可得知原始特征图像的检测结果。
其中，计算原始特征图像与第一目标图像的重建损失，包括：
计算原始特征图像与第一目标图像的均方损失、绝对值损失以及结构相似性损失；
将均方损失、绝对值损失以及结构相似性损失的加权和作为重建损失。
在本发明实施例中，重建损失可以包括但不限于均方损失、绝对值损失和结构相似性损失。其中，均方损失为计算预测值和真实值之间的欧式距离，欧式距离越小，预测值和真实值就越接近，二者的均方差就越小，二者也就越相似；绝对值损失为计算预测值与目标值的差的绝对值，绝对值越小，预测值和真实值就越接近，二者也就越相似；结构相似性损失为计算两幅图像间的结构的相似度，主要包括照明度、对比度和结构三个方面的指标。
在分别计算得到原始特征图像与第一目标图像的均方损失、绝对值损失以及结构相似性损失之后，将三者的加权和作为最终的重建损失。具体的，均方损失、绝对值损失以及结构相似性损失分别具有对应的权重，比如，均方损失记为L2，其对应的权重记为W0；绝对值损失记为L1，其对应的权重记为W1；结构相似性损失记为LS，其对应的权重记为W2，那么最终的重建损失L可以通过如下公式计算得到：
L＝W0*L2+W1*L1+W2*LS；
相比使用单独一种损失，本发明实施例使用多种损失加权和可以让编码卷积神经网络和解码卷积神经网络在训练的过程中，学习到更多的人脸活体的数据表征，从而在检测的过程中提高人脸活体检测的准确率。
为方便理解，图5示出了本发明实施例的一种人脸活体检测方法的逻辑示意图。具体的，获取到待检测的原始特征图像后，将原始特征图像输入训练得到的编码卷积神经网络，编码卷积神经网络对原始特征图像进行编码，输出一维或多维的第一特征向量，然后将第一特征向量输入训练得到的解码卷积神经网络，解码卷积神经网络对第一特征向量进行解码，输出重建后的第一目标图像，其中，第一目标图像与原始特征图像的尺寸相同，然后计算第一目标图像与原始特征图像的重建损失，若重建损失小于重建损失阈值，则判定原始特征图像中的人脸为活体；若重建损失不小于重建损失阈值，则判定原始特征图像中的人脸为非活体。
在本发明实施例中，针对待检测的原始特征图像采用训练得到的编码卷积神经网络进行至少一维的特征向量编码，得到至少一维的第一特征向量，然后采用训练得到的解码卷积神经对第一特征向量进行图像重建，得到重建后的第一目标图像，再计算第一目标图像与原始特征图像的重建损失，并基于计算得到的重建损失确定出原始特征图像中的人脸为活体或非活体。这样，不仅实现了人脸活体检测，而且，由于编码卷积神经网络和解码卷积神经网络是基于活体的人脸样本图像训练得到的，而不需要基于非活体的人脸样本图像进行训练，所以人脸活体检测的使用范围不会受到限制，同时，也就不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。
进一步，在本发明实施例中，基于均方损失、绝对值损失和结构相似性损失得到最终的重建损失，相比使用单独一种损失，使用多种损失加权和可以让编码卷积神经网络、解码卷积神经网络在训练的过程中学习到更多的人脸活体的数据表征，进一步提高了人脸活体检测的安全性和普适性。
在本发明实施例中，对上述实施例中预先训练得到的编码卷积神经网络、解码卷积神经网络的训练方法进行详细说明，如图6所示，该训练方法包括：
步骤S601，针对具有标注的样本图像采用编码卷积神经网络进行编码，得到至少一维的第二特征向量；
步骤S602，基于第二特征向量采用解码卷积神经网络进行图像重建，得到重建后的第二目标图像；
步骤S603，确定出原始特征图像与第二目标图像的第二目标损失；
具体而言，步骤S601～步骤S603与步骤S201～步骤203原理上相同，具体可参照步骤S201～步骤203，为避免重复，在此就不赘述了。
需要说明的是，步骤S601与步骤S201不同的是，在训练的过程，输入的样本图像是具有标注的，而且，标注的类型为人脸活体，也就是说，在训练过程中，样本图像中的人脸都是活体，不需要输入非活体的人脸样本图像。
进一步，第一特征向量与第二特征向量仅仅只是表述上的区别，该区别仅仅只是为了方便理解，二者并不存在实质上的区别；第一目标图像与第二目标图像仅仅只是表述上的区别，该区别仅仅只是为了方便理解，二者也不存在实质上的区别；第一目标损失与第二目标损失仅仅只是表述上的区别，该区别仅仅只是为了方便理解，二者也不存在实质上的区别。
步骤S604，当第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新编码卷积神经网络和解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将目标解码卷积神经网络作为当前的解码卷积神经网络；
具体而言，第二目标损失包括但不限于重建损失，当第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新编码卷积神经网络和解码卷积神经网络的参数，从而得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将目标解码卷积神经网络作为当前的解码卷积神经网络。
步骤S605，重复执行步骤S601～步骤S605，直至第二目标损失小于目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。
得到当前的编码卷积神经网络和当前的解码卷积神经网络后，重复执行步骤S601～步骤S605，直至第二目标损失小于目标损失阈值，即可得到训练后的编码卷积神经网络和解码卷积神经网络。
为方便理解，图7示出本发明实施例的逻辑示意图。具体的，获取到具有标注的样本图像后，将样本图像输入未训练的编码卷积神经网络，编码卷积神经网络对样本图像进行编码，输出一维或多维的第二特征向量，然后将第二特征向量输入未训练的解码卷积神经网络，解码卷积神经网络对第二特征向量进行解码，输出重建后的第二目标图像，其中，第二目标图像与样本图像的尺寸相同，然后计算第二目标图像与样本图像的重建损失(即第二目标损失)，若重建损失不小于重建损失阈值，则采用预设的随机梯度下降算法更新编码卷积神经网络和解码卷积神经网络的参数，直至重建损失小于重建损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。
在本发明实施例中，针对具有标注的样本图像采用编码卷积神经网络进行编码，得到至少一维的第二特征向量，然后基于第二特征向量采用解码卷积神经网络进行图像重建，得到重建后的第二目标图像，再确定出原始特征图像与第二目标图像的第二目标损失，当第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新编码卷积神经网络和解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，将目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将目标解码卷积神经网络作为当前的解码卷积神经网络，重复执行训练步骤，直至第二目标损失小于目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。由于编码卷积神经网络和解码卷积神经网络是基于活体的人脸样本图像训练得到的，而不需要基于非活体的人脸样本图像进行训练，所以人脸活体检测的使用范围不会受到限制，同时，也就不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。
进一步，在本发明实施例中，基于均方损失、绝对值损失和结构相似性损失得到最终的重建损失，相比使用单独一种损失，使用多种损失加权和可以让编码卷积神经网络、解码卷积神经网络在训练的过程中学习到更多的人脸活体的数据表征，进一步提高了人脸活体检测的安全性和普适性。
图8为本申请实施例提供的一种人脸活体检测装置的结构示意图，如图8所示，本实施例的装置可以包括：
编码模块801，用于基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
重建模块802，用于基于第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
检测模块803，用于确定出原始特征图像与第一目标图像的第一目标损失，并基于第一目标损失确定出检测的检测结果。
在本发明一种优选实施例中，编码模块包括：
缩放子模块，用于将原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；
编码子模块，用于采用编码卷积神经网络对缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。
在本发明一种优选实施例中，重建模块具体用于：
通过解码卷积神经网络对第一特征向量进行图像重建，得到具有预设的目标尺寸的第一目标图像。
在本发明一种优选实施例中，检测模块包括：
计算子模块，用于计算原始特征图像与第一目标图像的重建损失；
判定子模块，用于当重建损失小于重建损失阈值时，判定检测的检测结果为人脸活体；以及，当重建损失不小于重建损失阈值时，判定检测的检测结果为非人脸活体。
在本发明一种优选实施例中，计算子模块包括：
第一计算单元，用于计算原始特征图像与第一目标图像的均方损失、绝对值损失以及结构相似性损失；
第二计算单元，用于将均方损失、绝对值损失以及结构相似性损失的加权和作为重建损失。
在本发明一种优选实施例中，还包括：
编码模块，还用于针对具有标注的样本图像采用编码卷积神经网络进行编码，得到至少一维的第二特征向量；
重建模块，还用于基于第二特征向量采用解码卷积神经网络进行图像重建，得到重建后的第二目标图像；
检测模块，还用于确定出原始特征图像与第二目标图像的第二目标损失；
更新模块，用于当第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新编码卷积神经网络和解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将目标解码卷积神经网络作为当前的解码卷积神经网络；
重复调用编码模块、重建模块、检测模块以及更新模块，直至第二目标损失小于目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。
本实施例的人脸活体检测装置可执行本申请前述实施例所示的人脸活体检测方法，其实现原理相类似，此处不再赘述。
在本发明实施例中，针对待检测的原始特征图像采用训练得到的编码卷积神经网络进行至少一维的特征向量编码，得到至少一维的第一特征向量，然后采用训练得到的解码卷积神经对第一特征向量进行图像重建，得到重建后的第一目标图像，再计算第一目标图像与原始特征图像的重建损失，并基于计算得到的重建损失确定出原始特征图像中的人脸为活体或非活体。这样，不仅实现了人脸活体检测，而且，由于编码卷积神经网络和解码卷积神经网络是基于活体的人脸样本图像训练得到的，而不需要基于非活体的人脸样本图像进行训练，所以人脸活体检测的使用范围不会受到限制，同时，也就不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。
进一步，在本发明实施例中，基于均方损失、绝对值损失和结构相似性损失得到最终的重建损失，相比使用单独一种损失，使用多种损失加权和可以让编码卷积神经网络、解码卷积神经网络在训练的过程中学习到更多的人脸活体的数据表征，进一步提高了人脸活体检测的安全性和普适性。
本申请实施例中提供了一种电子设备，该电子设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，与现有技术相比可实现：在本发明实施例中，针对待检测的原始特征图像采用训练得到的编码卷积神经网络进行至少一维的特征向量编码，得到至少一维的第一特征向量，然后采用训练得到的解码卷积神经对第一特征向量进行图像重建，得到重建后的第一目标图像，再计算第一目标图像与原始特征图像的重建损失，并基于计算得到的重建损失确定出原始特征图像中的人脸为活体或非活体。这样，不仅实现了人脸活体检测，而且，由于编码卷积神经网络和解码卷积神经网络是基于活体的人脸样本图像训练得到的，而不需要基于非活体的人脸样本图像进行训练，所以人脸活体检测的使用范围不会受到限制，同时，也就不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。
在一个可选实施例中提供了一种电子设备，如图9所示，图9所示的电子设备9000包括：处理器9001和存储器9003。其中，处理器9001和存储器9003相连，如通过总线9002相连。可选地，电子设备9000还可以包括收发器9004，收发器9004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器9004不限于一个，该电子设备9000的结构并不构成对本申请实施例的限定。
处理器9001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器9001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线9002可包括一通路，在上述组件之间传送信息。总线9002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线9002可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器9003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器9003用于存储执行本申请方案的应用程序代码(计算机程序)，并由处理器9001来控制执行。处理器9001用于执行存储器9003中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、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。
本申请实施例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，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种人脸活体检测方法，其特征在于，包括：
基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果。
2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量，包括：
将所述原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；
采用所述编码卷积神经网络对所述缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。
3.根据权利要求1所述的人脸活体检测方法，其特征在于，所述基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像，包括：
通过所述解码卷积神经网络对所述第一特征向量进行图像重建，得到具有预设的目标尺寸的第一目标图像。
4.根据权利要求1所述的人脸活体检测方法，其特征在于，所述确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果，包括：
计算所述原始特征图像与所述第一目标图像的重建损失；
当所述重建损失小于重建损失阈值时，判定所述检测的检测结果为人脸活体；
当所述重建损失不小于所述重建损失阈值时，判定所述检测的检测结果为非人脸活体。
5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述计算所述原始特征图像与所述第一目标图像的重建损失，包括：
计算所述原始特征图像与所述第一目标图像的均方损失、绝对值损失以及结构相似性损失；
将所述均方损失、绝对值损失以及结构相似性损失的加权和作为所述重建损失。
6.根据权利要求2或3所述的人脸活体检测方法，其特征在于，编码卷积神经网络和解码卷积神经网络通过如下方式训练得到：
训练步骤：针对具有标注的样本图像采用所述编码卷积神经网络进行编码，得到至少一维的第二特征向量；
基于所述第二特征向量采用所述解码卷积神经网络进行图像重建，得到重建后的第二目标图像；
确定出所述原始特征图像与所述第二目标图像的第二目标损失；
当所述第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新所述编码卷积神经网络和所述解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将所述目标编码卷积神经网络作为当前的编码卷积神经网络，以及，将所述目标解码卷积神经网络作为当前的解码卷积神经网络；
重复执行所述训练步骤，直至所述第二目标损失小于所述目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。
7.一种人脸活体检测装置，其特征在于，包括：
编码模块，用于基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；
重建模块，用于基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；
检测模块，用于确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果。
8.根据权利要求7所述的人脸活体检测装置，其特征在于，所述编码模块包括：
缩放子模块，用于将所述原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；
编码子模块，用于采用所述编码卷积神经网络对所述缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器；
一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1～6任一项所述的人脸活体检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当所述计算机指令在计算机上运行时，使得计算机可以执行上述权利要求1～6中任一项所述的人脸活体检测方法。
CN202110240298.3A 2021-03-04 2021-03-04 人脸活体检测方法、装置、电子设备及计算机存储介质 Pending CN115035559A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110240298.3A CN115035559A (zh) 2021-03-04 2021-03-04 人脸活体检测方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110240298.3A CN115035559A (zh) 2021-03-04 2021-03-04 人脸活体检测方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN115035559A true CN115035559A (zh) 2022-09-09

Family

ID=83118303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110240298.3A Pending CN115035559A (zh) 2021-03-04 2021-03-04 人脸活体检测方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN115035559A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117459727A (zh) * 2023-12-22 2024-01-26 浙江省北大信息技术高等研究院 一种图像处理方法、装置、系统、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117459727A (zh) * 2023-12-22 2024-01-26 浙江省北大信息技术高等研究院 一种图像处理方法、装置、系统、电子设备及存储介质
CN117459727B (zh) * 2023-12-22 2024-05-03 浙江省北大信息技术高等研究院 一种图像处理方法、装置、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110796111B (zh) 图像处理方法、装置、设备及存储介质
US20210224601A1 (en) Video sequence selection method, computer device, and storage medium
CN111898696A (zh) 伪标签及标签预测模型的生成方法、装置、介质及设备
CN111275784B (zh) 生成图像的方法和装置
CN113792871B (zh) 神经网络训练方法、目标识别方法、装置和电子设备
CN111401406A (zh) 一种神经网络训练方法、视频帧处理方法以及相关设备
CN111078940B (zh) 图像处理方法、装置、计算机存储介质及电子设备
CN113704531A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN110781413A (zh) 兴趣点确定方法及装置、存储介质、电子设备
CN115205150A (zh) 图像的去模糊方法、装置、设备、介质及计算机程序产品
CN112085120A (zh) 多媒体数据的处理方法、装置、电子设备及存储介质
CN111950700A (zh) 一种神经网络的优化方法及相关设备
CN110121719A (zh) 用于深度学习的装置、方法和计算机程序产品
CN114359225A (zh) 图像检测方法、装置、计算机设备及存储介质
CN116229584A (zh) 一种人工智能领域的文本分割识别方法、系统、设备及介质
CN114495916A (zh) 背景音乐的插入时间点确定方法、装置、设备和存储介质
CN116824308B (zh) 图像分割模型训练方法与相关方法、装置、介质及设备
CN111783734B (zh) 原版视频识别方法及装置
CN115035559A (zh) 人脸活体检测方法、装置、电子设备及计算机存储介质
CN116469177A (zh) 混合精度的活体目标检测方法和活体检测模型的训练方法
CN117351382A (zh) 视频对象定位方法及其装置、存储介质、程序产品
CN114283460A (zh) 一种特征提取方法、装置、计算机设备及存储介质
CN116310615A (zh) 图像处理方法、装置、设备及介质
CN111079472A (zh) 图像对比方法和装置
CN116091675B (zh) 一种图像处理方法、装置、设备及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40074037

Country of ref document: HK