CN116311552B - 基于人工智能的人脸活体检测方法、装置、设备及介质 - Google Patents

基于人工智能的人脸活体检测方法、装置、设备及介质

Info

Publication number
CN116311552B
CN116311552B CN202310319805.1A CN202310319805A CN116311552B CN 116311552 B CN116311552 B CN 116311552B CN 202310319805 A CN202310319805 A CN 202310319805A CN 116311552 B CN116311552 B CN 116311552B
Authority
CN
China
Prior art keywords
face
filter
image
color
images
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
Application number
CN202310319805.1A
Other languages
English (en)
Other versions
CN116311552A (zh
Inventor
朱禹萌
曹钰鑫
陆进
陈远旭
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310319805.1A priority Critical patent/CN116311552B/zh
Publication of CN116311552A publication Critical patent/CN116311552A/zh
Application granted granted Critical
Publication of CN116311552B publication Critical patent/CN116311552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提出一种基于人工智能的人脸活体检测方法、装置、电子设备及存储介质，基于人工智能的人脸活体检测方法包括：对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集；对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。本申请通过构建多个损失函数来对神经网络进行全方位的训练，从而提升获得的人脸活体检测模型对滤镜颜色攻击的防御能力，降低人脸欺诈风险。

Description

基于人工智能的人脸活体检测方法、装置、设备及介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的人脸活体检测方法、装置、电子设备及存储介质。
背景技术
人脸防欺诈的方法也叫做活体检测，主要是判断人脸是否为活体，常见的活体检测主要是基于动作的活体检测和静默活体检测，活体检验技术是无监督场景应用落地的重要前提，尤其是身份核验、支付交易等场景。如果该技术被破解或者可以通过较低的成本进行攻击，则会带来较为严重的安全风险，使用户的利益受损。因此，活体检验技术的可靠性是至关重要的。
但是随着人脸识别技术的广泛应用，对人脸识别系统进行欺骗攻击的方式也迅速增加。而现有的活体检测模型往往是基于常见的特征提取器进行改进的深度神经网络模型，虽然这类模型在不同的数据集上都获得了很高的检测精度，但是却很容易被添加有不同滤镜颜色的图片所误导，会给不法分子可乘之机，从而带来极大的安全隐患。
发明内容
鉴于以上内容，有必要提出一种基于人工智能的人脸活体检测方法、装置、电子设备及存储介质，以解决如何提升对滤镜颜色攻击的防御能力，从而降低人脸欺诈风险这一技术问题。
本申请提供一种基于人工智能的人脸活体检测方法，所述方法包括：
对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集；
对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；
基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；
基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；
基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
在一些实施例中，所述对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集包括：
获取不同的人脸目标，并为每个所述人脸目标拍摄多张人脸图像获得人脸目标图像集；
分别为所述人脸目标图像集中的图像添加多种不同的滤镜颜色获得第一滤镜图像集和第二滤镜图像集，所述第一滤镜图像集中各图像具有相同的人脸目标和不同的滤镜颜色，所述第二滤镜图像集中各图像具有相同的滤镜颜色和不同的人脸目标；
将所述第一滤镜图像集和所述第二滤镜图像集作为人脸测试图像集。
在一些实施例中，所述对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征包括：
依据预设的特征提取器对所述人脸测试图像集中的图像进行多层卷积操作获得所述图像不同层级的浅层特征；
依据预设的颜色编码器对所述图像不同层级的浅层特征进行融合获得深层颜色融合特征；
对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；
对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征；
将所述图像不同层级的浅层特征和所述深层颜色特征作为所述图像的人脸测试特征。
在一些实施例中，所述对所述浅层颜色特征进行叠加获得深层颜色特征包括：
对不同层级的浅层颜色特征和浅层特征进行融合获得深层颜色融合特征；
对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；
对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征。
在一些实施例中，所述活体检测损失函数包括分类损失函数、颜色损失函数和内容损失函数，所述分类损失函数满足关系式：
其中，Lclassifyx1i表示所述第一滤镜图像集中的第i幅图像对应的分类损失，x1表示所述第一滤镜图像集，y1表示所述x1对应的标签图像集，y1i为所述第一滤镜图像集中的第i幅图像x1i经过标注后的标签图像，N1表示所述第一滤镜图像集中的图像数量，Nc为所述第一滤镜图像集中包括的滤镜颜色的数量，CE(x1i，y1i)为所述第一滤镜图像集中的第i幅图像和对应的经过标注后的标签图像之间的交叉熵，colork表示第k个滤镜颜色，G(x1i，colork)表示图像x1i具有第k个滤镜颜色，CE(G(x1i，colork)，y1i)表示具有第k个滤镜颜色的图像x1i与对应的标签图像y1i之间的交叉熵。
在一些实施例中，所述颜色损失函数满足关系式：
其中，Lcolorx2i表示所述第二滤镜图像集中的第i幅图像对应的颜色损失，x2表示所述第二滤镜图像集，γk，l＝e-dis(k，l)，用于衡量第k个滤镜颜色与第l个滤镜颜色之间的相近程度，sim(i，j，k，l)表示具有第k个滤镜颜色的图像i与具有第l个滤镜颜色的图像j之间的相似度，N2为所述第二滤镜图像集中的图像总数量，α为超参数，Nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量，其中，sim(i，j，k，l)满足关系式：
其中，zcolor表示深层颜色特征，当k＝l时，sim(i，j，k，l)用于表示属于同一第二滤镜图像集中的图像i与图像j之间的相似度，当k≠l时，sim(i，j，k，l)用于表示属于不同的第二滤镜图像集中的图像i与图像j之间的相似度。
在一些实施例中，所述内容损失函数满足关系式：
其中，Lcontentxi表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的内容损失，xi表示从所述人脸测试图像集中任意选取的第i幅浅层特征图像，fcontent(xi)表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的人脸测试特征，fcontent(G(xi，colork))表示从所述人脸测试图像集中提取到的添加了第k个滤镜颜色后的第i幅浅层特征图像对应的人脸测试特征，N表示所述第一滤镜图像集和所述第二滤镜图像集中的图像总数量，Nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量。
本申请实施例还提供一种基于人工智能的人脸活体检测装置，所述装置包括采集模块、提取模块、构建模块、训练模块以及检测模块：
所述采集模块，用于对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集；
所述提取模块，用于对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；
所述构建模块，用于基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；
所述训练模块，用于基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；
所述检测模块，用于基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
本申请实施例还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的人脸活体检测方法。
本申请实施例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指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的人脸活体检测方法。
本申请通过对采集到的人脸图像施加不同的滤镜颜色来构建多个损失函数，从而对神经网络进行全方位的训练，从而提升获得的人脸活体检测模型对滤镜颜色攻击的防御能力，有效降低人脸欺诈风险。
附图说明
图1是本申请所涉及的基于人工智能的人脸活体检测方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的人脸活体检测装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的人脸活体检测方法的较佳实施例的电子设备的结构示意图。
图4是本申请所涉及的特征提取器和颜色编码器的结构示意图。
图5是本申请所涉及的神经网络的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的人脸活体检测方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，是本申请基于人工智能的人脸活体检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集。
在一个可选的实施例中，所述对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集包括：
获取不同的人脸目标，并为每个所述人脸目标拍摄多张人脸图像获得人脸目标图像集；
分别为所述人脸目标图像集中的图像添加多种不同的滤镜颜色获得第一滤镜图像集和第二滤镜图像集，所述第一滤镜图像集中各图像具有相同的人脸目标和不同的滤镜颜色，所述第二滤镜图像集中各图像具有相同的滤镜颜色和不同的人脸目标；
将所述第一滤镜图像集和所述第二滤镜图像集作为人脸测试图像集。
该可选的实施例中，可通过RGB相机分别为不同的人脸目标拍摄多张人脸图像，如为每个人脸目标拍摄200张图像，本方案中将采集到的所有人脸图像作为人脸目标图像集。其中，所述人脸目标可以是真人的人脸，也可以是人脸面具和人脸模具等模拟真实人脸的物体。
该可选的实施例中，为了能够更加准确地获取活体检测结果，减少图片颜色带来的检测误差，可通过图像处理工具如PS等对采集到的人脸图像添加多种颜色的滤镜。由于图像由RGB三种颜色通道构成，且每种颜色通道的取值范围为[0～255]，示例性的，因此每种颜色通道都可以从85和170中选取一个数值作为对应的颜色数值，因为R、G、B三种颜色通道每种都可以从85和170中任选一个，因此三种颜色通道共产生2×2×2＝8种颜色组合，每种颜色组合作为一种滤镜颜色，最终共获得8种滤镜颜色。在其他实施例中，每种颜色通道也可以从其他至少两个数值中任选一个数值作为对应的颜色数值，从而组成另外的至少8种滤镜颜色。
该可选的实施例中，可分别为所述人脸目标图像集中的图像添加上述8种颜色的滤镜，由于每个人脸目标都被采集到多张相同的人脸图像，因此可对具有相同人脸目标的人脸图像添加8种颜色的滤镜，其中，每张图像对应添加一种滤镜颜色，并将这些具有相同的人脸目标但滤镜颜色不同的图像作为所述第一滤镜图像集，即所述第一滤镜图像集中所有的图像都是同一人脸目标，每个人脸目标都具有一个第一滤镜图像集；同时由于每个人脸目标所对应的人脸图像都包括8种颜色的滤镜，因此会存在滤镜颜色一致但人脸目标不同的人脸图像，本方案中将这些具有相同的滤镜颜色和不同的人脸目标的图像作为第二滤镜图像集，每种滤镜颜色均会有一个第二滤镜图像集；并将所述多个第一滤镜图像集和所述多个第二滤镜图像集一起作为人脸测试图像集。
示例性的，现有A、B、C、D、E五个人脸目标，每个人脸目标拍了200张图像共1000张，每个人脸目标对应的200张图像都添加有八种颜色的滤镜，滤镜颜色为1、2、3、4、5、6、7、8，即每个人脸目标对应的200张图像都分别包括滤镜颜色为1、2、3、4、5、6、7、8的各25张图像。其中，将任意一个人脸目标如A对应的200张图像中取出8张滤镜颜色各不同的图像作为所述第一滤镜图像集，将A、B、C、D、E中具有相同滤镜颜色如2的五张图像作为第二滤镜图像集。因此第一滤镜图像集中的图像具有相同的人脸目标和不同的滤镜颜色，第二滤镜图像集中的图像具有相同的滤镜颜色和不同的人脸目标。
如此，通过对采集到的人脸图像添加不同的滤镜可以获得包括多种滤镜颜色的人脸图像，从而为后续过程提供具有多种颜色维度的数据支撑。
S11，对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征。
在一个可选的实施例中，所述对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征包括：
依据预设的特征提取器对所述人脸测试图像集中的图像进行多层卷积操作获得所述图像不同层级的浅层特征；
依据预设的颜色编码器对所述图像不同层级的浅层特征进行融合获得深层颜色融合特征；
对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；
对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征；
将所述图像不同层级的浅层特征和所述深层颜色特征作为所述图像的人脸测试特征。
该可选的实施例中，如图4所示，为特征提取器和颜色编码器所在的卷积神经网络的结构示意图，在一个优选的实施例中，所述特征提取器由至少四个卷积核大小为3×3的卷积层组成，各卷积层的输出通道数分别为16、24、40和160，所述颜色编码器由至少三个卷积核大小为3×3的卷积层、一个池化层和一个全连接层组成。
该可选的实施例中，可首先将所述人脸测试图像集中的所有图像转换为具有统一尺寸的图像，如对所述人脸测试图像集中的图像进行分辨率调整，获得分辨率为224×224的人脸图像，其中各人脸图像的通道数为3，因此在对所述人脸测试图像集中的各图像进行分辨率调整之后，可以得到分辨率为1×3×224×224的图像。
该可选的实施例中，如图4所示，首先将分辨率为1×3×224×224的特征图像输入所述特征提取器中第一层通道数为16的卷积层中进行卷积处理，从而输出1×3×112×112的图像，即此时的卷积处理调整了输入图像的分辨率和通道数。接着进行第二层通道数为24和第三层通道数为40的卷积处理，分别可以输出分辨率为1×24×56×56和1×40×28×28的图像，再通过第四层通道数为160的卷积处理，获得分辨率为1×160×7×7的图像，本方案中将各卷积层输出的图像作为所述图像对应层级的浅层特征。
该可选的实施例中，如图4所示，可将特征提取器的第二层卷积层输出的分辨率为1×24×56×56的浅层特征图像同时输入颜色编码器的第一层通道数为40的卷积层中进行卷积处理，从而提取出该图像的浅层颜色特征。由于此时颜色编码器第一层输出的该图像的浅层颜色特征图像的通道数和特征提取器的第三层卷积层输出的1×40×28×28的图像的通道数均为40，因此可将该浅层颜色特征同第三层卷积层输出的浅层特征1×40×28×28的图像进行融合，接着根据颜色编码器中第二层通道数为160的卷积层继续对融合后的特征图像进行卷积处理得到所述图像的第二层级的浅层颜色特征，并将颜色编码器中输出的通道数为160的所述第二层级的浅层颜色特征图像同特征提取器中第四层卷积层输出的1×160×7×7的所述图像的浅层特征图像继续进行融合后获得所述图像的深层颜色融合特征，然后将获得的深层颜色融合特征图像输入至所述颜色编码器的第三层通道数为256的卷积层进行卷积操作，从而提取出该深层颜色融合特征的分辨率为1×256×4×4的深层颜色卷积特征。
该可选的实施例中，如图4所示，可通过平均池化层(avg pool)对获得的深层颜色卷积特征图像进行池化操作，从而将分辨率为1×256×4×4，也即特征维度为1×256×4×4的深层颜色卷积特征图像减少至1×256×1×1的特征维度，进而减少后续过程的计算量，同时减少特征图像中的噪声影响，最终通过fc(Fully Connected Layers，全连接层)对特征维度为1×256×1×1的特征图像进行缩减通道数的处理，输出最终的深层颜色特征。
该可选的实施例中，由于所获得的深层颜色特征图像经过特征提取器和颜色编码器中多个卷积层对输入的人脸图像逐步深入的特征提取和特征融合，因此所述深层颜色特征图像中包含有对应的人脸图像中真实的深层颜色特征，便于在后续过程中根据该深层颜色特征对神经网络做出更为准确的训练。
值得说明的是，由于本方案中将S10步骤中获得的所有第一滤镜图像集和第二滤镜图像集均作为人脸测试图像集，因此最终可获得所述人脸测试图像集中各图像的深层颜色特征。
如此，通过构建多个卷积层提取出人脸图像中的深层颜色特征，可以对后续过程中的神经网络做出更准确有效的训练，从而提升训练效果。
S12，基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数。
在一个可选的实施例中，对于所述第一滤镜图像集中的图像，虽然具有不同的滤镜颜色，但具有相同的人脸目标，因此在经过活体检测后输出的图像之间应该具有相同的结果，因此为了使活体检测过程中不再受滤镜颜色影响，可构建分类损失函数Lclassify，所述分类损失函数满足关系式：
其中，Lclassifyx1i表示所述第一滤镜图像集中的第i幅图像对应的分类损失，x1表示所述第一滤镜图像集，y1表示所述x1对应的标签图像集，y1i为所述第一滤镜图像集中的第i幅图像x1i经过标注后的标签图像，N1表示所述第一滤镜图像集中的图像数量，Nc为所述第一滤镜图像集中包括的滤镜颜色的数量，CE(x1i，y1i)为所述第一滤镜图像集中的第i幅图像和对应的经过标注后的标签图像之间的交叉熵，colork表示第k个滤镜颜色，G(x1i，colork)表示图像x1i具有第k个滤镜颜色，CE(G(x1i，colork)，y1i)表示具有第k个滤镜颜色的图像x1i与对应的标签图像y1i之间的交叉熵。
在一个可选的实施例中，对于所述第二滤镜图像集中的图像，虽然具有不同的人脸目标，但由于具有相同的滤镜颜色，因此各图像的颜色特征应尽可能的相同，由此可构建颜色损失函数Lcolor，所述颜色损失函数满足关系式：
其中，Lcolorx2i表示所述第二滤镜图像集中的第i幅图像对应的颜色损失，x2表示所述第二滤镜图像集，γk，l＝e-dis(k，l)，用于衡量第k个滤镜颜色与第l个滤镜颜色之间的相近程度，sim(i，j，k，l)表示具有第k个滤镜颜色的图像i与具有第l个滤镜颜色的图像j之间的相似度，其中k和l可以相同，N2为所述第二滤镜图像集中的图像总数量，α为超参数，本方案中取α＝1，Nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量，由于每个第二滤镜图像集中仅对应一个滤镜颜色，因此本方案中通过在上述公式中加入Nc来计算所有滤镜颜色下单幅图像的平均损失作为所述颜色损失，从而获得更为准确的颜色损失，其中，sim(i，j，k，l)满足关系式：
其中，zcolor表示深层颜色特征，当k＝l时，sim(i，j，k，l)用于表示属于同一第二滤镜图像集中的图像i与图像j之间的相似度，当k≠l时，sim(i，j，k，l)用于表示属于不同的第二滤镜图像集中的图像i与图像j之间的相似度，至此颜色损失函数可根据滤镜颜色之间的相近程度来控制颜色特征的相似程度。
在一个可选的实施例中，对于所述人脸测试图像集中的图像，添加有滤镜颜色后的图像应当保留与原图相同的内容信息，因此可通过OpenCV中的split()函数将提取到的浅层特征中的颜色分离出去，并保证分离过颜色后的浅层特征图像与原浅层特征图像的内容损失尽量小，由此可构建内容损失函数Lcontent，所述内容损失函数满足关系式：
其中，Lcontentxi表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的内容损失，由于所述人脸测试图像集由所述第一滤镜图像集和所述第二滤镜图像集构成，因此xi表示从所述第一滤镜图像集和所述第二滤镜图像集中任意选取的第i幅浅层特征图像，fcontent(xi)表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的人脸测试特征，fcontent(G(xi，colork))表示从所述人脸测试图像集中提取到的添加了第k个滤镜颜色后的第i幅浅层特征图像对应的人脸测试特征，N表示所述第一滤镜图像集和所述第二滤镜图像集中的图像总数量，Nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量。
该可选的实施例中，可通过对所述分类损失函数、颜色损失函数和内容损失函数进行线性求和构建得到活体检测损失函数Ltotal，所述活体检测损失函数满足关系式：
Ltotal＝Lclassify+α1Lcontent+α2Lcolor
其中α1和α2为权重超参数，可选的，α1可以为5，α2可以为10。
该可选的实施例中，所述活体检测损失函数可用于在后续过程中对神经网络进行全方位的训练，从而获得训练好的人脸活体检测模型，降低人脸欺诈风险。
如此，通过在后续过程中对神经网络进行全方位的训练，大大提高训练得到的人脸活体检测模型，从而降低人脸欺诈风险。
S13，基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型。
在一个可选的实施例中，需要进行训练的神经网络结构如图5所示，所述神经网络结构主要由依据卷积神经网络构成的特征提取器和颜色编码器所组成，并通过构建的所述分类损失函数、颜色损失函数和内容损失函数完成对所述神经网络的训练。
该可选的实施例中，首先将所述人脸测试图像集中的图像输入至所述神经网络中，经过特征提取器对输入的图像进行卷积操作来完成特征提取，从而获得不同层级的浅层特征。所述浅层特征一方面经过颜色编码器处理获得深层颜色特征，并通过深层颜色特征计算得到第二滤镜图像集中图像的颜色损失，另一方面对所述浅层特征进行颜色分离获得分离过颜色后的浅层特征，并由此计算出所述第一滤镜图像集和第二滤镜图像集中分离过颜色后的浅层特征与未进行颜色分离的浅层特征之间的内容损失。
该可选的实施例中，可以通过人为标记的方式为所述第一滤镜图像集中的图像根据滤镜颜色的不同设置不同的标签，所述标签可以是字母、数字和符号等，本方案中不做具体限制。优选的，可根据自然数字由小到大的顺序依次为不同滤镜颜色的图像设置对应的标签获得标签图像，从而通过分类损失函数计算出输出图像与第一滤镜图像集中对应的标签图像之间的分类损失。
该可选的实施例中，可预先采集大量的人脸目标图像以保证所述人脸测试图像集能够对所述神经网络进行足够有效的训练，通过在训练过程中调节神经网络结构的参数和激活函数等方式，使所述活体检测损失能够得到持续减小，最终在所述活体检测损失函数减小到预设阈值或为0时停止训练，并将此时训练好的神经网络作为人脸活体检测模型。其中，在训练过程中所述分类损失函数、颜色损失函数和内容损失函数的计算过程为同步进行，原因在于所述活体检测损失函数由所述分类损失函数、颜色损失函数和内容损失函数组成，对活体检测损失函数计算出的活体检测损失进行调整的过程即是对所述分类损失、颜色损失和内容损失进行同步调整的过程。
该可选的实施例中，由于存在多个所述第一滤镜图像集和多个所述第二滤镜图像集，因此在训练过程中每次从所述人脸测试图像集中任选一幅图像输入至所述神经网络中时，即是从所有的第一滤镜图像集和所有的第二滤镜图像集中任选一幅图像输入至所述神经网络中。因此，可预先通过人为方式对各第一滤镜图像集和各第二滤镜图像集中的图像设置归属编码，所述编码可以是字母、数字、符号等，本方案中对此不作具体限制。
该可选的实施例中，在从所有的第一滤镜图像集和所有的第二滤镜图像集中任选一幅图像输入至所述神经网络中时，可首先根据当前输入图像的归属编码确定该图像对应的图像集，并据此选择对应的损失函数进行计算，从而获得当前输入图像对应的活体检测损失，并最终根据所述活体检测损失实现对所述神经网络的持续训练。
示例性的，设共有5个第一滤镜图像集，其中Am表示第m个第一滤镜图像集，则第m个第一滤镜图像集中的所有图像的归属编码均为Am，同时共有8个第二滤镜图像集，则第n个第二滤镜图像集Bn中的所有图像的归属编码均为Bn。若当前输入所述神经网络的图像的归属编码为A2，则可确定当前输入图像属于第二个第一滤镜图像集，此时仅需计算当前输入图像对应的分类损失和内容损失并进行求和即可获得当前输入图像对应的活体检测损失；若当前输入输入所述神经网络的图像的归属编码为B3，则可确定当前输入图像属于第三个第二滤镜图像集，此时仅需计算当前输入图像对应的颜色损失和内容损失并进行求和即可获得当前输入图像对应的活体检测损失。
如此，可通过所述人脸测试图像集和活体检测损失函数对神经网络进行有效训练，从而获得检测结果更为准确的人脸活体检测模型。
S14，基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
在一个可选的实施例中，可通过获得的人脸活体检测模型对待检测的人脸图像进行快速检测以获得人脸活体检测结果，从而有效识别出不同滤镜颜色下待检测的人脸图像是否为真人校验，提高金融和安防等领域中对人脸识别的安全性。
该可选的实施例中，所述人脸活体检测模型可通过采用softmax激活函数输出最终得到的图像所对应的人脸活体概率值，并通过比较所述活体概率值与预设的活体概率阈值之间的大小获得所述人脸活体检测结果，所述人脸活体检测结果包括通过和不通过。
该可选的实施例中，所述活体概率阈值可以为0.75，当所述活体概率值大于所述活体概率阈值，则所述人脸活体检测结果为通过，当所述活体概率值不大于所述活体概率阈值，则所述人脸活体检测结果为不通过，此时可通知工作人员进行介入，通过人工视频验证的方式对待检测的人脸图像进行二次校验。
如此，通过所述人脸活体检测模型可完成对待检测的人脸图像的快速检测，从而提高人脸活体检测效率。
请参见图2，图2是本申请基于人工智能的人脸活体检测装置的较佳实施例的功能模块图。基于人工智能的人脸活体检测装置11包括采集模块110、提取模块111、构建模块112、训练模块113、检测模块114。本申请所称的单元/模块是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各单元/模块的功能将在后续的实施例中详述。
在一个可选的实施例中，采集模块110用于对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集。
在一个可选的实施例中，所述对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集包括：
获取不同的人脸目标，并为每个所述人脸目标拍摄多张人脸图像获得人脸目标图像集；
分别为所述人脸目标图像集中的图像添加多种不同的滤镜颜色获得第一滤镜图像集和第二滤镜图像集，所述第一滤镜图像集中各图像具有相同的人脸目标和不同的滤镜颜色，所述第二滤镜图像集中各图像具有相同的滤镜颜色和不同的人脸目标；
将所述第一滤镜图像集和所述第二滤镜图像集作为人脸测试图像集。
在一个可选的实施例中，提取模块111用于对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征。
在一个可选的实施例中，所述对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征包括：
依据预设的特征提取器对所述人脸测试图像集中的图像进行多层卷积操作获得所述图像不同层级的浅层特征；
依据预设的颜色编码器对所述图像不同层级的浅层特征进行融合获得深层颜色融合特征；
对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；
对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征；
将所述图像不同层级的浅层特征和所述深层颜色特征作为所述图像的人脸测试特征。
在一个可选的实施例中，构建模块112用于基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数。
在一个可选的实施例中，对于所述第一滤镜图像集中的图像，虽然具有不同的滤镜颜色，但具有相同的人脸目标，因此在经过活体检测后输出的图像之间应该具有相同的结果，因此为了使活体检测过程中不再受滤镜颜色影响，可构建分类损失函数Lclassify，所述分类损失函数满足关系式：
其中，Lclassifyx1i表示所述第一滤镜图像集中的第i幅图像对应的分类损失，x1表示所述第一滤镜图像集，y1表示所述x1对应的标签图像集，y1i为所述第一滤镜图像集中的第i幅图像x1i经过标注后的标签图像，N1表示所述第一滤镜图像集中的图像数量，Nc为所述第一滤镜图像集中包括的滤镜颜色的数量，CE(x1i，y1i)为所述第一滤镜图像集中的第i幅图像和对应的经过标注后的标签图像之间的交叉熵，colork表示第k个滤镜颜色，G(x1i，colork)表示图像x1i具有第k个滤镜颜色，CE(G(x1i，colork)，y1i)表示具有第k个滤镜颜色的图像x1i与对应的标签图像y1i之间的交叉熵。
在一个可选的实施例中，对于所述第二滤镜图像集中的图像，虽然具有不同的人脸目标，但由于具有相同的滤镜颜色，因此各图像的颜色特征应尽可能的相同，由此可构建颜色损失函数Lcolor，所述颜色损失函数满足关系式：
其中，Lcolorx2i表示所述第二滤镜图像集中的第i幅图像对应的颜色损失，x2表示所述第二滤镜图像集，γk，l＝e-dis(k，l)，用于衡量第k个滤镜颜色与第l个滤镜颜色之间的相近程度，sim(i，j，k，l)表示具有第k个滤镜颜色的图像i与具有第l个滤镜颜色的图像j之间的相似度，其中k和l可以相同，N2为所述第二滤镜图像集中的图像总数量，α为超参数，本方案中取α＝1，Nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量，由于每个第二滤镜图像集中仅对应一个滤镜颜色，因此本方案中通过在上述公式中加入Nc来计算所有滤镜颜色下单幅图像的平均损失作为所述颜色损失，从而获得更为准确的颜色损失，其中，sim(i，j，k，l)满足关系式：
其中，zcolor表示深层颜色特征，当k＝l时，sim(i，j，k，l)用于表示属于同一第二滤镜图像集中的图像i与图像j之间的相似度，当k≠l时，sim(i，j，k，l)用于表示属于不同的第二滤镜图像集中的图像i与图像j之间的相似度，至此颜色损失函数可根据滤镜颜色之间的相近程度来控制颜色特征的相似程度。
在一个可选的实施例中，训练模块113用于基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型。
在一个可选的实施例中，检测模块114用于基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
由以上技术方案可以看出，本申请能够通过对采集到的人脸图像施加不同的滤镜颜色来构建多个损失函数，从而对神经网络进行全方位的训练，从而提升获得的人脸活体检测模型对滤镜颜色攻击的防御能力，有效降低人脸欺诈风险。
请参见图3，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的人脸活体检测方法。
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的人脸活体检测程序。
图3仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备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。
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的人脸活体检测方法，所述处理器13可执行所述多个指令从而实现：
对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集；
对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；
基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；
基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；
基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。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。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1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。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的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。
处理器13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。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的人脸活体检测程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的人脸活体检测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个单元/模块，所述一个或者多个单元/模块被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个单元/模块可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成采集模块110、提取模块111、构建模块112、训练模块113、检测模块114。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述的基于人工智能的人脸活体检测方法的部分。
电子设备1集成的单元/模块如果以软件功能模块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取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存储器及其他存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请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。
总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，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。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的人脸活体检测方法。
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，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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。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。
此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。说明书陈述的多个模块或装置也可以由一个模块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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (8)

1.一种基于人工智能的人脸活体检测方法，其特征在于，所述方法包括：
对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集，包括：获取不同的人脸目标，并为每个所述人脸目标拍摄多张人脸图像获得人脸目标图像集；分别为所述人脸目标图像集中的图像添加多种不同的滤镜颜色获得第一滤镜图像集和第二滤镜图像集，所述第一滤镜图像集中各图像具有相同的人脸目标和不同的滤镜颜色，所述第二滤镜图像集中各图像具有相同的滤镜颜色和不同的人脸目标；将所述第一滤镜图像集和所述第二滤镜图像集作为人脸测试图像集；
对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；
基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；所述活体检测损失函数包括分类损失函数，所述分类损失函数满足关系式：；其中，表示所述第一滤镜图像集中的第i幅图像对应的分类损失，表示所述第一滤镜图像集，表示所述对应的标签图像集，为所述第一滤镜图像集中的第i幅图像经过标注后的标签图像，表示所述第一滤镜图像集中的图像数量，为所述第一滤镜图像集中包括的滤镜颜色的数量，为所述第一滤镜图像集中的第i幅图像和对应的经过标注后的标签图像之间的交叉熵，表示第k个滤镜颜色，表示图像具有第k个滤镜颜色，表示具有第k个滤镜颜色的图像与对应的标签图像之间的交叉熵；
基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；
基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
2.如权利要求1所述的基于人工智能的人脸活体检测方法，其特征在于，所述对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征包括：
依据预设的特征提取器对所述人脸测试图像集中的图像进行多层卷积操作获得所述图像不同层级的浅层特征；
依据预设的颜色编码器对所述图像不同层级的浅层特征进行融合获得深层颜色融合特征；
对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；
对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征；
将所述图像不同层级的浅层特征和所述深层颜色特征作为所述图像的人脸测试特征。
3.如权利要求2所述的基于人工智能的人脸活体检测方法，其特征在于，所述图像不同层级的浅层特征包括第一浅层特征、第二浅层特征、第三浅层特征和第四浅层特征，所述依据预设的颜色编码器对所述图像不同层级的浅层特征进行融合获得深层颜色融合特征，包括：
依据预设的颜色编码器对所述第二浅层特征进行第一卷积操作获得第一浅层颜色特征；
融合所述第一浅层颜色特征和所述第三浅层特征获得浅层颜色融合特征；
依据预设的颜色编码器对所述浅层颜色融合特征进行第二卷积操作获得第二浅层颜色特征；
融合所述第二浅层颜色特征和所述第四浅层特征获得深层颜色融合特征。
4.如权利要求1所述的基于人工智能的人脸活体检测方法，其特征在于，所述活体检测损失函数还包括颜色损失函数，所述颜色损失函数满足关系式：
其中，表示所述第二滤镜图像集中的第i幅图像对应的颜色损失，表示所述第二滤镜图像集，，用于衡量第k个滤镜颜色与第个滤镜颜色之间的相近程度，表示具有第k个滤镜颜色的图像i与具有第个滤镜颜色的图像j之间的相似度，为所述第二滤镜图像集中的图像总数量，为超参数，表示所述第一滤镜图像集中包括的滤镜颜色的总数量，其中，满足关系式：
其中，表示深层颜色特征，当k=时，用于表示属于同一第二滤镜图像集中的图像i与图像j之间的相似度，当时，用于表示属于不同的第二滤镜图像集中的图像i与图像j之间的相似度。
5.如权利要求1所述的基于人工智能的人脸活体检测方法，其特征在于，所述活体检测损失函数还包括内容损失函数，所述内容损失函数满足关系式：
其中，表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的内容损失，表示从所述人脸测试图像集中任意选取的第i幅浅层特征图像，表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的人脸测试特征，表示从所述人脸测试图像集中提取到的添加了第k个滤镜颜色后的第i幅浅层特征图像对应的人脸测试特征，N表示所述第一滤镜图像集和所述第二滤镜图像集中的图像总数量，表示所述第一滤镜图像集中包括的滤镜颜色的总数量。
6.一种基于人工智能的人脸活体检测装置，其特征在于，所述装置包括采集模块、提取模块、构建模块、训练模块以及检测模块：
所述采集模块，用于对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集，包括：获取不同的人脸目标，并为每个所述人脸目标拍摄多张人脸图像获得人脸目标图像集；分别为所述人脸目标图像集中的图像添加多种不同的滤镜颜色获得第一滤镜图像集和第二滤镜图像集，所述第一滤镜图像集中各图像具有相同的人脸目标和不同的滤镜颜色，所述第二滤镜图像集中各图像具有相同的滤镜颜色和不同的人脸目标；将所述第一滤镜图像集和所述第二滤镜图像集作为人脸测试图像集；
所述提取模块，用于对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；
所述构建模块，用于基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；所述活体检测损失函数包括分类损失函数，所述分类损失函数满足关系式：；其中，表示所述第一滤镜图像集中的第i幅图像对应的分类损失，表示所述第一滤镜图像集，表示所述对应的标签图像集，为所述第一滤镜图像集中的第i幅图像经过标注后的标签图像，表示所述第一滤镜图像集中的图像数量，为所述第一滤镜图像集中包括的滤镜颜色的数量，为所述第一滤镜图像集中的第i幅图像和对应的经过标注后的标签图像之间的交叉熵，表示第k个滤镜颜色，表示图像具有第k个滤镜颜色，表示具有第k个滤镜颜色的图像与对应的标签图像之间的交叉熵；
所述训练模块，用于基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；
所述检测模块，用于基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。
7. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至5中任意一项所述的基于人工智能的人脸活体检测方法。
8.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的基于人工智能的人脸活体检测方法。
CN202310319805.1A 2023-03-22 2023-03-22 基于人工智能的人脸活体检测方法、装置、设备及介质 Active CN116311552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310319805.1A CN116311552B (zh) 2023-03-22 2023-03-22 基于人工智能的人脸活体检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310319805.1A CN116311552B (zh) 2023-03-22 2023-03-22 基于人工智能的人脸活体检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116311552A CN116311552A (zh) 2023-06-23
CN116311552B true CN116311552B (zh) 2026-05-01

Family

ID=86783304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310319805.1A Active CN116311552B (zh) 2023-03-22 2023-03-22 基于人工智能的人脸活体检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116311552B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082995A (zh) * 2022-06-27 2022-09-20 平安银行股份有限公司 人脸活体检测方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126283B (zh) * 2019-12-25 2023-05-12 创新奇智(广州)科技有限公司 一种自动过滤模糊人脸的快速活体检测方法及系统
CN113361349B (zh) * 2021-05-25 2023-08-04 北京百度网讯科技有限公司 人脸活体检测方法、装置、电子设备和存储介质
CN114519897B (zh) * 2021-12-31 2024-09-24 重庆邮电大学 基于颜色空间融合及循环神经网络的人脸活体检测方法
CN115376183A (zh) * 2022-07-12 2022-11-22 苏州浪潮智能科技有限公司 人脸活体检测方法、系统、电子设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082995A (zh) * 2022-06-27 2022-09-20 平安银行股份有限公司 人脸活体检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN116311552A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN114638777B (zh) 图像瑕疵检测方法、装置、电子设备及介质
CN112883918B (zh) 人脸检测方法、装置、终端设备及计算机可读存储介质
CN111104925A (zh) 图像处理方法、装置、存储介质和电子设备
CN115063632B (zh) 基于人工智能的车辆损伤识别方法、装置、设备及介质
CN111079816A (zh) 图像的审核方法、装置和服务器
CN112668453B (zh) 视频识别方法及相关设备
CN114387548B (zh) 视频及活体检测方法、系统、设备、存储介质及程序产品
CN112232203B (zh) 行人识别方法、装置、电子设备及存储介质
CN112464873A (zh) 模型的训练方法、人脸活体识别方法、系统、设备及介质
CN114399803A (zh) 人脸关键点检测方法及装置
CN113723310A (zh) 基于神经网络的图像识别方法及相关装置
CN116824161A (zh) 图像扩增方法、电子设备及存储介质
CN112102205B (zh) 图像去模糊方法、装置、电子设备及存储介质
Bunzel et al. Signals are all you need: Detecting and mitigating digital and real-world adversarial patches using signal-based features
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
CN115018886B (zh) 运动轨迹识别方法、装置、设备及介质
CN111128233B (zh) 录音检测方法、装置、电子设备及存储介质
CN115359490B (zh) 文本方向识别方法、装置、设备及存储介质
CN114898155A (zh) 车辆定损方法、装置、设备及存储介质
CN113705468B (zh) 基于人工智能的数字图像识别方法及相关设备
CN114549409A (zh) 图像处理方法、装置、存储介质及计算机设备
CN118799219B (zh) 一种基于去噪网络的图像生成方法、装置、介质及设备
CN113641844A (zh) 婚姻登记系统身份核验的方法、装置、终端及存储介质
CN115459952B (zh) 攻击检测方法、电子设备和计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant