静默活体检测方法、装置、设备及存储介质与流程

本发明涉及生物识别领域，尤其涉及一种静默活体检测方法、装置、设备及存储介质。

背景技术：

随着技术的发展，人脸识别技术开始广泛应用于人们日常生活的方方面面。为了避免照片或视频的攻击性登录方式，人脸识别领域有个专有手段，称为“活体检测”。常见的活体检测方式有配合式活体、静默活体、纹理特征识别等方式。其中，配合式活体需要提取人脸区域的特定运动信息来进行识别，如眨眼，嘴部运动，点头摇头。然而这需要用户进行配合，耗时长。而纹理特征识别一般是基于图像rgb纹理特征，并结合多核svm融合算法对人脸进行识别。此方法的训练和推理成本小，不需要上传到服务器进行判断，但调参困难，准确率低。因此无需用户进行繁琐的脸部动作的，基于静默活体的人脸识别具有更强的实用性和广泛性。

静默活体检测不需要用户进行眨眼，张嘴，数数等一系列的动作配合来判断是否是真实人物，而是通过提取用户的特征以判断是否为活体。然而，由于在静默活体检测中，对人脸区域的识别受到光照、遮挡等因素干扰，存在识别的精确度低的问题。

技术实现要素：

本发明的主要目的在于，解决目前静默活体检测精确率低的技术问题。

本发明第一方面提供了一种静默活体检测方法，所述静默活体检测方法包括：

对预先采集的训练样本图像进行预处理，生成训练样本集；

构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器，其中所述第一卷积层由1x1卷积核组成；

采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型；

采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

若所述静默活体检测概率大于预置阈值，则确定静默活体检测通过。

可选的，在本发明第一方面的第一种实现方式中，所述对预先采集的训练样本图像进行预处理，生成训练样本集包括：

获取待处理的训练样本图像，其中，所述训练样本图像包括活体人脸图像与非活体人脸图像；

对所述训练样本图像进行人脸调整和颜色空间转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像；

对所述目标图像进行数据标定，得到训练样本集。

可选的，在本发明第一方面的第二种实现方式中，所述对所述训练样本图像进行人脸调整和颜色空间转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像包括：

对所述待处理的训练样本图像进行人脸定位和特征点定位，得到定位结果；

根据所述定位结果，对所述训练样本图像中的人脸进行调整，其中，所述调整包括缩放、位移和旋转；

对调整后的所述待检测图像的颜色空间进行转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像。

可选的，在本发明第一方面的第三种实现方式中，所述采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型包括：

对所述xception模型进行初始化，并将所述训练样本集输入所述xception模型中；

通过所述xception模型，对所述训练样本集中所述目标图像进行处理，得到所述目标图像为静默活体图像的预测概率

基于所述数据标定和预置损失函数，计算得到所述预测概率对应的损失结果；

根据所述损失结果，对所述xception模型的参数进行调节，得到静默活体检测模型。

可选的，在本发明第一方面的第四种实现方式中，所述通过所述xception模型，对所述训练样本集中所述目标图像进行处理，得到所述目标图像为静默活体图像的预测概率包括：

通过所述第一卷积层，对所述目标图像进行卷积，得到所述第一图像对应的第一卷积值和所述第二图像对应的第二卷积值；

通过所述第二卷积层，对所述第一卷积值和所述第二卷积值进行卷积，得到所述第一图像对应的第一特征矩阵和所述第二图像对应第二特征矩阵；

通过所述全局平均池化层，对所述第一特征矩阵和所述第二特征矩阵进行池化，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量；

通过所述二分类器，将所述第一特征向量和所述第二特征向量进行平均，并将平均后的所述第一特征向量和所述第二特征向量均一化，得到所述目标图像为静默活体图像的预测概率。

可选的，在本发明第一方面的第五种实现方式中，所述第二卷积层与所述全局平均池化层之间还包括dropout层，

所述通过所述全局平均池化层，对所述第一特征矩阵和所述第二特征矩阵进行池化，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量包括：

通过所述dropout层，对所述第一特征矩阵和所述第二特征矩阵中元素进行随机丢失，得到所述第一图像对应的第三特征矩阵和所述第二图像对应的第四特征矩阵；

通过所述全局平均池化层，计算所述第三特征矩阵和所述第四特征矩阵对应的平均值，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量。

可选的，在本发明第一方面的第六种实现方式中，所述根据所述损失结果，对所述xception模型的参数进行调节，得到静默活体检测模型包括：

将所述损失结果反向传播回所述xception模型；

根据所述损失结果，采用随机梯度下降法对所述xception模型的网络参数进行迭代更新，直至所述xception模型收敛；

当所述xception模型收敛时，确定当前所述xception模型的网络参数为目标参数，得到静默活体检测模。

本发明第二方面提供了一种静默活体检测装置，包括：

预处理模块，用于对预先采集的训练样本图像进行预处理，生成训练样本集；

构建模块，用于构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器，其中所述第一卷积层由1x1卷积核组成；

训练模块，用于采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型；

检测模块，用于采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

判定模块，用于若所述静默活体检测概率大于预置阈值，则确定静默活体检测通过。

可选的，在本发明第二方面的第一种实现方式中，所述预处理模块包括：

获取单元，用于获取待处理的训练样本图像，其中，所述训练样本图像包括活体人脸图像与非活体人脸图像；

转换单元，用于对所述训练样本图像进行人脸调整和颜色空间转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像；

标定单元，用于对所述目标图像进行数据标定，得到训练样本集。

可选的，在本发明第二方面的第二种实现方式中，所述转换单元具体用于：

对所述待处理的训练样本图像进行人脸定位和特征点定位，得到定位结果；

根据所述定位结果，对所述训练样本图像中的人脸进行调整，其中，所述调整包括缩放、位移和旋转；

对调整后的所述待检测图像的颜色空间进行转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像。

可选的，在本发明第二方面的第三种实现方式中，所述训练模块包括：

输入单元，用于对所述xception模型进行初始化，并将所述训练样本集输入所述xception模型中；

处理单元，用于通过所述xception模型，对所述训练样本集中所述目标图像进行处理，得到所述目标图像为静默活体图像的预测概率；

损失结果单元，用于基于所述数据标定和预置损失函数，计算得到所述预测概率对应的损失结果；

调整单元，用于根据所述损失结果，对所述xception模型的参数进行调节，得到静默活体检测模型。

可选的，在本发明第二方面的第四种实现方式中，所述处理单元包括：

第一卷积子单元，用于通过所述第一卷积层，对所述目标图像进行卷积，得到所述第一图像对应的第一卷积值和所述第二图像对应的第二卷积值；

第二卷积子单元，用于通过所述第二卷积层，对所述第一卷积值和所述第二卷积值进行卷积，得到所述第一图像对应的第一特征矩阵和所述第二图像对应第二特征矩阵；

池化子单元，用于通过所述全局平均池化层，对所述第一特征矩阵和所述第二特征矩阵进行池化，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量；

预测子单元，用于通过所述二分类器，将所述第一特征向量和所述第二特征向量进行平均，并将平均后的所述第一特征向量和所述第二特征向量均一化，得到所述目标图像为静默活体图像的预测概率。

可选的，在本发明第二方面的第五种实现方式中，所述池化子单元具体用于：

通过所述dropout层，对所述第一特征矩阵和所述第二特征矩阵中元素进行随机丢失，得到所述第一图像对应的第三特征矩阵和所述第二图像对应的第四特征矩阵；

通过所述全局平均池化层，计算所述第三特征矩阵和所述第四特征矩阵对应的平均值，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量。

可选的，在本发明第二方面的第六种实现方式中，所述调整单元具体用于：

将所述损失结果反向传播回所述xception模型；

根据所述损失结果，采用随机梯度下降法对所述xception模型的网络参数进行迭代更新，直至所述xception模型收敛；

当所述xception模型收敛时，确定当前所述xception模型的网络参数为目标参数，得到静默活体检测模型。

本发明第三方面提供了一种静默活体检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述静默活体检测设备执行上述的静默活体检测方法。

本发明的第四方面提供了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指令，当其在计算机上运行时，使得计算机执行上述的静默活体检测方法。

本发明在传统的xception模型的卷积层之前加入了一个由1x1卷积核构成的第一卷积层。1x1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，使得网络可以表达更为复杂的特征，从而提高识别的精确性。同时，相较于常用的vgg模型，xception模型为基础，减少了模型的参数，减少了训练次数，提高了准确性。此外，将xception模型的全连接层转换为全局平均池化层，减少模型中待训练的参数，减少了训练的次数。在全局平均池化层之前还有dropout层，减少了模型过拟合的情形。本发明还将训练样本图像和待检测图像转换为颜色空间为hsv的第一图像和ycrcb的第二图像，较以往基于rgb图像而言，提高了活体识别的准确性，而较一些通过生物信号，如温度、呼吸，进行静默活体检测的方式，更为简便快捷。

附图说明

图1为本发明实施例中静默活体检测方法的第一个实施例示意图；

图2为本发明实施例中静默活体检测方法的第二个实施例示意图；

图3为本发明实施例中静默活体检测方法的第三个实施例示意图；

图4为本发明实施例中静默活体检测方法的第四个实施例示意图；

图5为本发明实施例中静默活体检测装置的第一个实施例示意图；

图6为本发明实施例中静默活体检测装置的第二个实施例示意图；

图7为本发明实施例中静默活体检测设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种静默活体检测方法、装置、设备及存储介质，本发明在传统的xception模型的卷积层之前加入了一个由1x1卷积核构成的第一卷积层。1x1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，使得网络可以表达更为复杂的特征，从而提高识别的精确性。同时，xception模型为基础参数少，减少了训练次数，提高了准确性。此外，将xception模型的全连接层转换为全局平均池化层，减少了训练的次数。在全局平均池化层之前还有dropout层，减少了模型过拟合的情形。本发明还将训练样本图像和待检测图像转换为颜色空间为hsv的第一图像和ycrcb的第二图像，更为简便快捷。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中静默活体检测方法的一个实施例包括：

101、对预先采集的训练样本图像进行预处理，生成训练样本集；

在本实施例中，先获取格式不一的训练样本图像。训练样本图像为jpg，tif等格式，大小为224*224。获取方式可以为移动设备的摄像头拍照、网上下载等方式。为提高识别的准确率，待检测图像的人脸应无遮挡物。

102、构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器，其中所述第一卷积层由1x1卷积核组成；

首先构建一个xception模型。常规的xception模型卷积层，池化层，输出层。但发明使用的xception模型中的卷积层由两个卷积层构成，一个是由1x1大小的卷积核构成的第一卷积层，另一个是其他大小，如3x3、5x5，的卷积核构成的第二卷积层。全连接层由全局平均池化层代替。此外，在全局平均池化层之后还有一个二分类器，该二分类器将输出预测结果。

103、采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型；

将训练样本图集输入xception模型中，依次经过第一卷积层，第二卷积层，得到了样本图集的特征矩阵。然后经过全局平均池化层，得到其对应的特征向量。最后将特征向量输入二分器中，得到其预测概率。

得到预测概率后，根据数据标定和损失函数，计算得到对应的损失结果。然后通过反向传播和随机梯度下降法，对xception模型的网格参数进行迭代更新，直至该模型完成收敛，从而得到静默活体检测模型。

104、采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

通过摄像机其他设备采集待检测对象的样本图像，然后该样本图像输入静默活体检测模型中，静默活体检测模型对其进行卷积、池化和均一化，得到了待检测图像对应的静默活体概率。

105、若所述静默活体概率大于预置阈值，则确定静默活体检测通过。

将获得的静默活体概率与预置的阈值进行比较。若静默活体概率大于预置阈值，如静默活体概率为99％，而预置阈值为95％，则待检测对象为活体，因此确定静默活体检测通过。

本发明在传统的xception模型的卷积层之前加入了一个由1x1卷积核构成的第一卷积层。1x1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，使得网络可以表达更为复杂的特征，从而提高识别的精确性。同时，xception模型参数少，减少了训练次数，提高了准确性。

请参阅图2，本发明实施例中静默活体检测方法的另一个实施例包括：

201、获取待处理的训练样本图像，其中，所述训练样本图像包括活体人脸图像与非活体人脸图像；

静默活体检测主要用于分辨人脸是活体还是非活体，以避免被照片攻击和视频攻击。

因此对分类模型进行训练的训练样本图像也需要包括来源于活体和非活体的照片。常见的非活体人脸图像来源包括照片的二次拍照的人脸照片，人形面具照片，人像照片等，而活体人脸图像则是真实的人脸照片。

收集作为训练样本图像的活体人脸图像和非活体人脸图像。

202、对所述待处理的训练样本图像进行人脸定位和特征点定位，得到定位结果；

在将训练样本图像输入分类模型之前，需要对训练样本图像进行人脸定位和特征点定位。

在本实施例中，首先将待检测图像种各个可能的物体进行分割裁剪，得到一个个矩形框，然后将包含物体的矩形框进行判断，确认包含人脸的矩形框。可实现设置一个判断规则，来判断矩形框包含的是否是人脸。然后识别人脸的矩形框中的特征点。常用于识别特征点包括眼睛，鼻子，嘴角等。识别这些特征点后，对这些特征点进一步的精确定位，得到定位结果。

202、根据所述定位结果，对所述训练样本图像中的人脸进行调整，其中，所述调整包括缩放、位移和旋转；

由于获得的人脸图像常常形状各异，因此需要对人脸形状进行归一化处理，从而便于后续的识别。

如训练样本图像中，一个图像的人脸与水平线呈45度斜角，而其他训练样本图像中，人脸与水平线呈90度垂角，则将前一个图像的人脸旋转。除旋转外，常见的调整方式还有移动，旋转等等。除定位的人脸外，还可以对特征点进行适当的调整。训练样本图像之间越接近，后续的训练的模型越稳定。

203、对调整后的所述待检测图像的颜色空间进行转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像；

在本实施例中，样本训练图像是一个rgb图像。

hsv分别表示色相(hue)，饱和度(saturation)，明亮度(lightness)。通过hsv颜色空间换算公式，将rgb颜色空间转换为hsv颜色空间，得到第一图像：

v＝max

其中max表示rbg图像的r、g、b三个数值中最大值，min表示这三个数值中最小的数值。将图像的rgb颜色空间转换为hsv颜色空间后，能够降低光照对图像的影响，从而减少了背景信息对人脸的干扰。

yuv为一种便于传输的颜色空间。v表示色度，而色度定义了颜色的两个方面，即色调和饱和度，可用cr和cb来表示。其中cr反应了rgb红色部分和亮度值之间的差异，而cb反映了rgb蓝色部分和亮度值之间的差异。通过yuv转换公式，将rgb颜色空间转换为yuv颜色空间，得到第二图像：

y＝0.299r+0.587g+0.114b；

u＝-0.147r-0.289g+0.436b；

v＝0.615r-0.515g-0.1b

计算得到y、u和v后，即可得到cr和cb数值，从而得到第二图像。

目标图像为由上述转换得到的第一图像和第二图像组成的整体。

204、对所述目标图像进行数据标定，得到训练样本集。

将训练样本图像中活体人脸图像标定为“活体”，非活体人脸图像标定为“非活体”。将每个训练样本图像都进行标定后，得到训练样本图像的数据标定。将训练样本图像和其对应的训练样本集作为一个训练样本集，用于后续的模型训练。

205、构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器，其中所述第一卷积层由1x1卷积核组成；

206、采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型；

207、采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

208、若所述静默活体概率大于预置阈值，则确定静默活体检测通过。

在本实施中，详细描述对xception模型训练的训练样本图集的生成方法。将训练样本图像颜色空间转为hsv颜色空间和ycrcb颜色空间。颜色空间为hsv和ycrcb的图像都可用于检测图像是否来源于活体，结合这两个颜色空间，可提高识别的准确性。同时，本发明不需要获取待检测者的心跳等活体特征，仅仅使用图像即可完成静默活体检测，提高了检测的简便性。

请参阅图3，本发明实施例中静默活体检测方法的第三个实施例包括：

301、对预先采集的训练样本图像进行预处理，生成训练样本集；

302、构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器；

303、对所述xception模型进行初始化，并将所述训练样本集输入所述xception模型中；

将构建好的xception模型初始化，其中xception模型的网络参数可为参照其他活体检测模型中使用的模型参数。

将训练样本集输入初始化后的xception模型中。

304、通过所述第一卷积层，对所述目标图像进行卷积，得到所述第一图像对应的第一卷积值和所述第二图像对应的第二卷积值；

卷积核的大小有1x1，3x3和5x5等尺寸。在本实施例中，xception模型中使用的第一卷积层都是由1x1卷积核构成。

使用这些1x1卷积核对第一图像和第二图像进行卷积，分别得到两个图像对应的第一卷积值和第二卷积值。

305、通过所述第二卷积层，对所述第一卷积值和所述第二卷积值进行卷积，得到所述第一图像对应的第一特征矩阵和所述第二图像对应第二特征矩阵；

得到第一卷积值和第二卷积值后，再通过第二卷积层，对两个卷积值进行第二次卷积。

相对于第一卷积层由1x1卷积核构成，第二卷积层中的卷积核大小不受限制，可以为3x3、5x5这种常规大小，也可以是3x7等非常规大小。

由于卷积核本身是一个矩阵，使用卷积核对图像进行卷积，可提取其中的特征值，因此第二次卷积后，得到第一图像和第二图像对应的第一特征矩阵和第二特征矩阵。

306、通过dropout层，对所述第一特征矩阵和所述第二特征矩阵中元素进行随机丢失，得到所述第一图像对应的第三特征矩阵和所述第二图像对应的第四特征矩阵，其中，所述第二卷积层与所述全局平均池化层之间还包括所述dropout层；

在本实施例中，初始化的xception中，droption层有十个神经元，但在输入特征矩阵时，dropout层会暂时随机删除其中5个神经元。而下一次再有特征矩阵输入时，dropout层会将这之前暂时删除的神经元恢复，在十个神经元中继续随机删除部分神经元。通过这种方式随机丢弃特征矩阵中的部分元素，从而减少过拟合的发生。

因此dropout层会输出部分元素丢失的第一特征矩阵和第二特征矩阵，即第三特征矩阵和第四特征矩阵。

307、通过所述全局平均池化层，对所述第一特征矩阵和所述第二特征矩阵进行池化，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量；

将随机丢失部分元素的第三特征矩阵和第四特征矩阵输入全局平均化层中。全局平均池化层是将同一个类型的所有特征矩阵汇总，并输出一个平均值。如卷积核的数量为10，则卷积之后得到10个featuremap，然后将每个featuremap求平均值，得到将这些平均值转换为长度为10的向量，并将该向量作为输出值进行输出。

308、通过所述二分类器，将所述第一特征向量和所述第二特征向量进行平均，并将平均后的所述第一特征向量和所述第二特征向量均一化，得到所述目标图像为静默活体图像的预测概率；

在本实施例中，分类器优选为采用softmax分类器。一个图像的来源是否为活体，在分类器上，可以看作是一个二分类问题。来源是活体和非活体的概率之和为1。将第一特征向量和第二特征向量输入该分类器后，先将两者求得平均值，然后将该平均值进行归一化，求得目标图像为静默活体的预测概率，并将其输出。

309、基于所述数据标定和预置损失函数，计算得到所述预测概率对应的损失结果；

预先设置该分类模型的损失函数。当得到预测结果后，将预测结果和数据标定输入至损失函数中，损失函数可以为平方损失函数，hing损失函数等。

310、根据所述损失结果，对所述xception模型的参数进行调节，得到静默活体检测模型；

将损失结果反向传播，并根据该损失结果，对分类模型的参数进行调整，以使最之后的损失结果能够梯度下降。

311、采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

312、若所述静默活体概率大于预置阈值，则确定静默活体检测通过。

在本实施例中，具体描述了xception模型如何得到目标图像对应的预测概率。在xception模型中加入了由1x1卷积核构成的第一卷积层，1x1卷积核的卷积过程相当于全连接层的过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，以提取更为复杂的特征，从而提高识别的精确性。

请参阅图4，本发明实施例中静默活体检测方法的第四个实施例包括：

401、对预先采集的训练样本图像进行预处理，生成训练样本集；

402、构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器；

403、对所述xception模型进行初始化，并将所述训练样本集输入所述xception模型中；

404、通过所述xception模型，对所述训练样本集中所述目标图像进行处理，得到所述目标图像为静默活体图像的预测概率；

405、基于所述数据标定和预置损失函数，计算得到所述预测概率对应的损失结果；

406、将所述损失结果反向传播回所述xception模型；

将损失结果从输出层向隐藏层反向传播，直至传播到输入层。

407、根据所述损失结果，采用随机梯度下降法对所述xception模型的网络参数进行迭代更新，直至所述xception模型收敛；

在反向传播的过程中，根据损失结果，随机选取一个点方向作梯度下降，，直至xception模型收敛。

408、当所述xception模型收敛时，确定当前所述xception模型的网络参数为目标参数，得到静默活体检测模型；

当xception模型收敛时，当前的xception模型能够得到局部最优的结果，因此使用此模型的网络参数为之后静默活体检测模型的目标参数，将此网格参数为目标参数得到的静默活体检测模型。

409、采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

410、若所述静默活体检测概率大于预置阈值，则确定静默活体检测通过。

本实施例详细描述了xception模型的调整模型参数的过程，采用反向传播和随机梯度下降的方式完成了模型的参数更新，直至模型收敛，得到用于静默活体检测的模型。

上面对本发明实施例中静默活体检测方法进行了描述，下面对本发明实施例中静默活体检测装置进行描述，请参阅图5，本发明实施例中静默活体检测装置一个实施例包括：

预处理模块501，用于对预先采集的训练样本图像进行预处理，生成训练样本集；

构建模块502，用于构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器，其中所述第一卷积层由1x1卷积核组成；

训练模块03，用于采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型；

检测模块504，用于采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

判定模块505，用于若所述静默活体检测概率大于预置阈值，则确定静默活体检测通过。

本发明在传统的xception模型的卷积层之前加入了一个由1x1卷积核构成的第一卷积层。1x1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，使得网络可以表达更为复杂的特征，从而提高识别的精确性。同时，xception模型为基础，减少了模型的参数，减少了训练次数，提高了准确性。

参阅图6，本发明实施例中静默活体检测装置的另一个实施例包括：

预处理模块601，用于对预先采集的训练样本图像进行预处理，生成训练样本集；

构建模块602，用于构建xception模型，所述xception模型依次包括输入层、第一卷积层、第二卷积层、全局平均池化层和二分类器，其中所述第一卷积层由1x1卷积核组成；

训练模块603，用于采用所述训练样本集对所述xception模型进行训练，得到静默活体检测模型；

检测模块604，用于采集待检测对象的样本图像并输入所述静默活体检测模型进行识别，输出所述待检测图像对应的静默活体概率；

判定模块605，用于若所述静默活体检测概率大于预置阈值，则确定静默活体检测通过。

其中，所述预处理模块601包括：

获取单元6011，用于获取待处理的训练样本图像，其中，所述训练样本图像包括活体人脸图像与非活体人脸图像；

转换单元6012，用于对所述训练样本图像进行人脸调整和颜色空间转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像；

标定单元6013，用于对所述目标图像进行数据标定，得到训练样本集。

可选的，所述转换单元6012具体用于：

对所述待处理的训练样本图像进行人脸定位和特征点定位，得到定位结果；

根据所述定位结果，对所述训练样本图像中的人脸进行调整，其中，所述调整包括缩放、位移和旋转；

对调整后的所述待检测图像的颜色空间进行转换，得到由hsv颜色空间的第一图像和ycrcb颜色空间的第二图像组成的目标图像。

其中，所述训练模块603包括：

输入单元6031，用于对所述xception模型进行初始化，并将所述训练样本集输入所述xception模型中；

处理单元6032，用于通过所述xception模型，对所述训练样本集中所述目标图像进行处理，得到所述目标图像为静默活体图像的预测概率；

损失结果单元6033，用于基于所述数据标定和预置损失函数，计算得到所述预测概率对应的损失结果；

调整单元6034，用于根据所述损失结果，对所述xception模型的参数进行调节，得到静默活体检测模型。

可选的，所述处理单元6032包括：

第一卷积子单元，用于通过所述第一卷积层，对所述目标图像进行卷积，得到所述第一图像对应的第一卷积值和所述第二图像对应的第二卷积值；

第二卷积子单元，用于通过所述第二卷积层，对所述第一卷积值和所述第二卷积值进行卷积，得到所述第一图像对应的第一特征矩阵和所述第二图像对应第二特征矩阵；

池化子单元，用于通过所述全局平均池化层，对所述第一特征矩阵和所述第二特征矩阵进行池化，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量；

预测子单元，用于通过所述二分类器，将所述第一特征向量和所述第二特征向量进行平均，并将平均后的所述第一特征向量和所述第二特征向量均一化，得到所述目标图像为静默活体图像的预测概率。

可选的，所述池化子单元具体用于：

通过所述dropout层，对所述第一特征矩阵和所述第二特征矩阵中元素进行随机丢失，得到所述第一图像对应的第三特征矩阵和所述第二图像对应的第四特征矩阵；

通过所述全局平均池化层，计算所述第三特征矩阵和所述第四特征矩阵对应的平均值，得到所述第一图像对应的第一特征向量和所述第二图像对应的第二特征向量。

可选的，所述调整单元6034具体用于：

将所述损失结果反向传播回所述xception模型；

根据所述损失结果，采用随机梯度下降法对所述xception模型的网络参数进行迭代更新，直至所述xception模型收敛；

当所述xception模型收敛时，确定当前所述xception模型的网络参数为目标参数，得到静默活体检测模型。

本发明将xception模型的全连接层转换为全局平均池化层，减少模型中待训练的参数，减少了训练的次数。在全局平均池化层之前还有dropout层，减少了模型过拟合的情形。本发明还将训练样本图像和待检测图像转换为颜色空间为hsv的第一图像和ycrcb的第二图像，较以往基于rgb图像而言，提高了活体识别的准确性，而较一些通过生物信号，如温度、呼吸，进行静默活体检测的方式，更为简便快捷。

上面图5和图6从模块化功能实体的角度对本发明实施例中的静默活体检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中静默活体检测设备进行详细描述。

图7是本发明实施例提供的一种静默活体检测设备的结构示意图，该静默活体检测设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对静默活体检测设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质830通信，在静默活体检测+设备700上执行存储介质730中的一系列指令操作。

静默活体检测设备设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如windowsserve，macosx，unix，linux，freebsd等等。本领域技术人员可以理解，图7示出的静默活体检测设备设备结构并不构成对静默活体检测设备设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述静默活体检测设备方法的步骤。

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。

所述集成的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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。