本发明涉及人脸检测领域，具体而言，涉及一种人脸活体检测方法、装置、存储介质及处理器。
背景技术
人脸检测凭借其非接触、便捷易用、高精度的强大优势，在金融、安防等领域得到了广泛应用。为了保障人脸检测的安全，活体检测技术借助视频分析、图像数据处理等手段，区分真实人脸与伪造人脸，有效抵御了照片、视频、3d模型、面具等伪造人脸的恶意攻击。
根据输入数据的不同，现有的活体检测技术可以分为两类：一类基于多帧图片或者视频序列进行计算，采用交互式或者非交互式的检测模式，通过分析连续多帧图像中的动作信息，鉴别人脸的真实性。该类方法计算复杂、所需时间长、用户体验度较差。另一类基于单帧图片输入，通过分析图片中的纹理、频谱、反光程度等特征进行鉴别，无需用户交互，计算效率高，可以实现实时的人脸活体检测。然而，该类方法依赖于分析大量伪造人脸所共有的判别性特征，精度难以得到保证。综上，现有技术中的人脸活体检测存在检测精度较低的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种人脸活体检测方法、装置、存储介质及处理器，以至少解决现有技术中的人脸活体检测存在的检测精度较低的技术问题。
根据本发明实施例的一个方面，提供了一种人脸活体检测方法，该方法包括：基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型，其中，上述预设活体检测模型包含两个特征提取分支；创建人脸活体检测数据集，根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态；分别输入待检测人脸图片至达到上述收敛状态的上述预设人脸检测模型和达到上述收敛状态的上述预设人脸识别模型中，得到待检测人脸区域图片、上述待检测人脸区域图片对应的人脸身份特征、上述人脸身份特征对应的预设人脸区域图片；分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果。
进一步地，上述创建人脸活体检测数据集包括：获取多张第一照片和多张第二照片，其中，上述第一照片的活体标签属性为真实人脸，上述第二照片的活体标签属性为伪造人脸；根据上述多张第一照片和上述多张第二照片创建上述预设人脸活体检测数据集；向上述预设人脸活体检测数据集添加人脸标签，其中，上述人脸标签至少包括人脸位置标签和人脸身份标签。
进一步地，上述根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态包括：根据上述预设人脸活体检测数据集对上述预设人脸检测模型进行训练，直至上述预设人脸检测模型的输出值与上述人脸位置标签相互拟合，从而使得上述预设人脸检测模型达到上述收敛状态；根据上述预设人脸活体检测数据集和上述人脸位置标签得到人脸区域数据集，根据上述人脸区域数据集对上述预设人脸识别模型进行训练，直至上述预设人脸识别模型的输出值与上述人脸身份标签相互拟合，从而使得上述预设人脸识别模型达到上述收敛状态；根据上述人脸区域数据集、上述活体标签属性和上述人脸身份标签得到人脸二元组数据集，其中，上述人脸二元组数据集中包含多对人脸二元组；向上述多对人脸二元组添加二元组标签，进而根据上述人脸二元组数据集对上述预设活体检测模型进行训练，直至上述预设活体检测模型的输出值与上述二元组标签相互拟合，从而使得上述预设活体检测模型达到上述收敛状态。
进一步地，上述分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果包括：输入上述待检测人脸区域图片至上述两个特征提取分支中的第一特征提取分支中，得到第一人脸特征结果；输入上述预设人脸区域图片至上述两个特征提取分支中的第二特征提取分支中，得到第二人脸特征结果；判断上述第一人脸特征结果和上述第二人脸特征结果的近似度是否高于预设阈值；若判断出上述近似度高于上述预设阈值，则确定上述活体检测结果为上述真实人脸；若判断出上述近似度不高于上述预设阈值，则确定上述活体检测结果为上述伪造人脸。
根据本发明实施例的另一方面，还提供了一种人脸活体检测装置，该装置包括：第一创建单元，用于基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型，其中，上述预设活体检测模型包含两个特征提取分支；第二创建单元，用于创建人脸活体检测数据集，根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态；第一处理单元，用于分别输入待检测人脸图片至达到上述收敛状态的上述预设人脸检测模型和达到上述收敛状态的上述预设人脸识别模型中，得到待检测人脸区域图片、上述待检测人脸区域图片对应的人脸身份特征、上述人脸身份特征对应的预设人脸区域图片；第二处理单元，用于分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果。
进一步地，上述第二创建单元包括：获取子单元，用于获取多张第一照片和多张第二照片，其中，上述第一照片的活体标签属性为真实人脸，上述第二照片的活体标签属性为伪造人脸；创建子单元，用于根据上述多张第一照片和上述多张第二照片创建上述预设人脸活体检测数据集；添加子单元，用于向上述预设人脸活体检测数据集添加人脸标签，其中，上述人脸标签至少包括人脸位置标签和人脸身份标签。
进一步地，上述第二创建单元包括：第一训练子单元，用于根据上述预设人脸活体检测数据集对上述预设人脸检测模型进行训练，直至上述预设人脸检测模型的输出值与上述人脸位置标签相互拟合，从而使得上述预设人脸检测模型达到上述收敛状态；第二训练子单元，用于根据上述预设人脸活体检测数据集和上述人脸位置标签得到人脸区域数据集，根据上述人脸区域数据集对上述预设人脸识别模型进行训练，直至上述预设人脸识别模型的输出值与上述人脸身份标签相互拟合，从而使得上述预设人脸识别模型达到上述收敛状态；第三训练子单元，用于根据上述人脸区域数据集、上述活体标签属性和上述人脸身份标签得到人脸二元组数据集，其中，上述人脸二元组数据集中包含多对人脸二元组；第四训练子单元，用于向上述多对人脸二元组添加二元组标签，进而根据上述人脸二元组数据集对上述预设活体检测模型进行训练，直至上述预设活体检测模型的输出值与上述二元组标签相互拟合，从而使得上述预设活体检测模型达到上述收敛状态。
进一步地，上述第二处理单元包括：第一输入子单元，用于输入上述待检测人脸区域图片至上述两个特征提取分支中的第一特征提取分支中，得到第一人脸特征结果；第二输入子单元，用于输入上述预设人脸区域图片至上述两个特征提取分支中的第二特征提取分支中，得到第二人脸特征结果；第一判断子单元，用于判断上述第一人脸特征结果和上述第二人脸特征结果的近似度是否高于预设阈值；第二判断子单元，用于若判断出上述近似度高于上述预设阈值，则确定上述活体检测结果为上述真实人脸；确定子单元，用于若判断出上述近似度不高于上述预设阈值，则确定上述活体检测结果为上述伪造人脸。
根据本发明实施例的又一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述的人脸活体检测方法。
根据本发明实施例的又一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述的人脸活体检测方法。
在本发明实施例中，采用基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型的方式，其中，上述预设活体检测模型包含两个特征提取分支；通过创建人脸活体检测数据集，根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态；分别输入待检测人脸图片至达到上述收敛状态的上述预设人脸检测模型和达到上述收敛状态的上述预设人脸识别模型中，得到待检测人脸区域图片、上述待检测人脸区域图片对应的人脸身份特征、上述人脸身份特征对应的预设人脸区域图片；达到了分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果的目的，从而实现了提升了人脸活体检测的检测精度、提高人脸活体检测的检测效率的技术效果，进而解决了现有技术中的人脸活体检测存在的检测精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的人脸活体检测方法的流程示意图；
图2是根据本发明实施例的另一种可选的人脸活体检测方法的流程示意图；
图3是根据本发明实施例的又一种可选的人脸活体检测方法的流程示意图；
图4是根据本发明实施例的又一种可选的人脸活体检测方法的流程示意图；
图5是根据本发明实施例的一种可选的人脸活体检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，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”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
实施例1
根据本发明实施例，提供了一种人脸活体检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的人脸活体检测方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤s102，基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型，其中，预设活体检测模型包含两个特征提取分支；
步骤s104，创建人脸活体检测数据集，根据人脸活体检测数据集分别训练预设人脸检测模型、预设人脸识别模型和预设活体检测模型，直至预设人脸检测模型、预设人脸识别模型和预设活体检测模型分别达到收敛状态；
步骤s106，分别输入待检测人脸图片至达到收敛状态的预设人脸检测模型和达到收敛状态的预设人脸识别模型中，得到待检测人脸区域图片、待检测人脸区域图片对应的人脸身份特征、人脸身份特征对应的预设人脸区域图片；
步骤s108，分别输入待检测人脸区域图片和预设人脸区域图片至达到收敛状态的预设活体检测模型的两个特征提取分支中，得到待检测人脸图片的活体检测结果。
在本发明实施例中，采用基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型的方式，其中，上述预设活体检测模型包含两个特征提取分支；通过创建人脸活体检测数据集，根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态；分别输入待检测人脸图片至达到上述收敛状态的上述预设人脸检测模型和达到上述收敛状态的上述预设人脸识别模型中，得到待检测人脸区域图片、上述待检测人脸区域图片对应的人脸身份特征、上述人脸身份特征对应的预设人脸区域图片；达到了分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果的目的，从而实现了提升了人脸活体检测的检测精度、提高人脸活体检测的检测效率的技术效果，进而解决了现有技术中的人脸活体检测存在的检测精度较低的技术问题。
可选地，步骤s102中，预设人脸检测模型可以包含多层卷积层、池化层、非线性层、全连接层。预设人脸识别模型可以包含多层卷积层、池化层、非线性层、全连接层。预设活体检测模型可以包含两个特征提取分支，每个特征提取分支可以包含多层卷积层、池化层、非线性层、全连接层。
可选地，步骤s102中的预设人脸检测模型可以采用r-cnn、fastrcnn、fasterrcnn、facenessnet等前沿网络结构，优选地，本申请可以采用cascadecnn网络结构。
可选地，步骤s102中的预设人脸识别模型可以采用vgg、googlenet、resnet、facenet、deepid等前沿网络结构。优选地，本申请可以采用vgg网络结构。
可选地，步骤s104中，根据人脸活体检测数据集训练预设人脸检测模型，可以将人脸活体检测数据集的人脸图片作为预设人脸检测模型的输入，将人脸标签中的人脸位置标签作为真实标签，采用随机梯度下降法进行训练，使得预设人脸检测模型的输出值拟合真实标签，训练过程迭代多次进行，直至收敛。
可选地，步骤s104中，根据人脸活体检测数据集训练预设人脸识别模型，可以将人脸活体检测数据集的人脸区域图片作为预设人脸识别模型的输入，将人脸标签中的人脸身份标签作为真实标签，采用随机梯度下降法进行训练，使得预设人脸识别模型的输出值拟合真实标签，训练过程迭代多次进行，直至收敛。
可选地，步骤s104中，根据人脸活体检测数据集训练预设活体检测模型，可以基于活体检测数据集及人脸位置标签获取人脸区域数据集，基于人脸区域数据集及人脸身份标签获取人脸二元组数据集。其中，人脸二元组数据集包含多个人脸图片二元组，每个二元组包含两张同一身份的人脸区域图片，这两张图片可以都是真实人脸，也可以是一张真实人脸和一张伪造人脸。对人脸二元组数据集添加二元组标签。若该二元组的图片均为真实人脸，则对应的二元组标签为1；否则若该二元组的图片为一张真实人脸和一张伪造人脸，则对应的二元组标签为0。将人脸二元组数据集的人脸图片二元组作为预设活体检测模型的输入，将二元组标签作为真实标签，采用随机梯度下降法进行训练，使得预设活体检测模型的输出值拟合真实标签，训练过程迭代多次进行，直至收敛。
可选地，步骤s106中，可以采集单帧包含人脸的图片作为待检测人脸图片，将待检测人脸图片输入至拟合后的预设人脸检测模型得到待检测人脸区域图片，将待检测人脸区域图片输入至拟合后的预设人脸识别模型得到待检测人脸身份，若该身份为未经授权的用户则结束检测，否则获取该身份对应的预设真实人脸区域图片。
可选地，执行步骤s104，创建人脸活体检测数据集包括：
步骤s202，获取多张第一照片和多张第二照片，其中，第一照片的活体标签属性为真实人脸，第二照片的活体标签属性为伪造人脸；
步骤s204，根据多张第一照片和多张第二照片创建预设人脸活体检测数据集；
步骤s206，向预设人脸活体检测数据集添加人脸标签，其中，人脸标签至少包括人脸位置标签和人脸身份标签。
可选地，步骤s202中，人脸活体检测数据集中的第二照片包含带面具的人脸图片、3d模型人脸图片、以及对真实人脸照片进行二次采集拍摄获得的图片(在二次采集时真实人脸照片可以是屏幕上展示的电子照片或者是纸质打印的照片)。人脸标签包含人脸位置标签、人脸身份标签、人脸类别标签。其中，人脸位置标签为脸部矩形区域的左上角及右下角的坐标值；人脸身份标签为阿拉伯数字，不同的数字代表不同的身份；人脸类别标签为0或1,0代表伪造人脸，1代表真实人脸。
可选地，执行步骤s104，根据人脸活体检测数据集分别训练预设人脸检测模型、预设人脸识别模型和预设活体检测模型，直至预设人脸检测模型、预设人脸识别模型和预设活体检测模型分别达到收敛状态包括：
步骤s302，根据预设人脸活体检测数据集对预设人脸检测模型进行训练，直至预设人脸检测模型的输出值与人脸位置标签相互拟合，从而使得预设人脸检测模型达到收敛状态；
步骤s304，根据预设人脸活体检测数据集和人脸位置标签得到人脸区域数据集，根据人脸区域数据集对预设人脸识别模型进行训练，直至预设人脸识别模型的输出值与人脸身份标签相互拟合，从而使得预设人脸识别模型达到收敛状态；
步骤s306，根据人脸区域数据集、活体标签属性和人脸身份标签得到人脸二元组数据集，其中，人脸二元组数据集中包含多对人脸二元组；
步骤s308，向多对人脸二元组添加二元组标签，进而根据人脸二元组数据集对预设活体检测模型进行训练，直至预设活体检测模型的输出值与二元组标签相互拟合，从而使得预设活体检测模型达到收敛状态。
可选地，步骤s306中的人脸二元组数据集中包含多对人脸身份相同的人脸二元组，且每对人脸二元组至少包含一张活体标签属性为真实人脸的人脸区域数据。
具体地，步骤s308中，向多对人脸二元组添加二元组标签，若人脸二元组的活体标签相同，则二元组标签为1，否则二元组标签为0。
可选地，执行步骤s108，分别输入待检测人脸区域图片和预设人脸区域图片至达到收敛状态的预设活体检测模型的两个特征提取分支中，得到待检测人脸图片的活体检测结果包括：
步骤s402，输入待检测人脸区域图片至两个特征提取分支中的第一特征提取分支中，得到第一人脸特征结果；
步骤s404，输入预设人脸区域图片至两个特征提取分支中的第二特征提取分支中，得到第二人脸特征结果；
步骤s406，判断第一人脸特征结果和第二人脸特征结果的近似度是否高于预设阈值；
步骤s408，若判断出近似度高于预设阈值，则确定活体检测结果为真实人脸；
步骤s410，若判断出近似度不高于预设阈值，则确定活体检测结果为伪造人脸。
可选地，预设活体检测模型可以包含第一征提取分支、第二征提取分支和1个共享分支。两个特征提取分支采用相同的结构及相同的权值参数。
可选地，每个特征提取分支包含：
输入层，尺寸为160x160，通道数为3；
第一卷积层，卷积核尺寸为5x5，通道数为32，步长为1；
第一池化层，池化尺寸为3x3，步长为3；
第二卷积层，卷积核尺寸为3x3，通道数为32，步长为1；
第二池化层，池化尺寸为2x2，步长为2；
第三卷积层，卷积核尺寸为3x3，通道数为64，步长为1；
可选地，共享分支包含：
级联层，将两个特征提取分支输出的特征图进行级联；
共享卷积层，卷积核尺寸为3x3，通道数为32，步长为1；
共享池化层，池化尺寸为2x2，步长为2；
全连接层，神经元个数为1000；
分类层，神经元个数为2。
在本发明实施例中，采用基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型的方式，其中，上述预设活体检测模型包含两个特征提取分支；通过创建人脸活体检测数据集，根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态；分别输入待检测人脸图片至达到上述收敛状态的上述预设人脸检测模型和达到上述收敛状态的上述预设人脸识别模型中，得到待检测人脸区域图片、上述待检测人脸区域图片对应的人脸身份特征、上述人脸身份特征对应的预设人脸区域图片；达到了分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果的目的，从而实现了提升了人脸活体检测的检测精度、提高人脸活体检测的检测效率的技术效果，进而解决了现有技术中的人脸活体检测存在的检测精度较低的技术问题。
实施例2
根据本发明实施例的另一方面，还提供了一种人脸活体检测装置，如图5所示，该装置包括：
第一创建单元501，用于基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型，其中，预设活体检测模型包含两个特征提取分支；第二创建单元503，用于创建人脸活体检测数据集，根据人脸活体检测数据集分别训练预设人脸检测模型、预设人脸识别模型和预设活体检测模型，直至预设人脸检测模型、预设人脸识别模型和预设活体检测模型分别达到收敛状态；第一处理单元505，用于分别输入待检测人脸图片至达到收敛状态的预设人脸检测模型和达到收敛状态的预设人脸识别模型中，得到待检测人脸区域图片、待检测人脸区域图片对应的人脸身份特征、人脸身份特征对应的预设人脸区域图片；第二处理单元507，用于分别输入待检测人脸区域图片和预设人脸区域图片至达到收敛状态的预设活体检测模型的两个特征提取分支中，得到待检测人脸图片的活体检测结果。
可选地，第二创建单元503包括：获取子单元，用于获取多张第一照片和多张第二照片，其中，第一照片的活体标签属性为真实人脸，第二照片的活体标签属性为伪造人脸；创建子单元，用于根据多张第一照片和多张第二照片创建预设人脸活体检测数据集；添加子单元，用于向预设人脸活体检测数据集添加人脸标签，其中，人脸标签至少包括人脸位置标签和人脸身份标签。
可选地，第二创建单元包括：第一训练子单元，用于根据预设人脸活体检测数据集对预设人脸检测模型进行训练，直至预设人脸检测模型的输出值与人脸位置标签相互拟合，从而使得预设人脸检测模型达到收敛状态；第二训练子单元，用于根据预设人脸活体检测数据集和人脸位置标签得到人脸区域数据集，根据人脸区域数据集对预设人脸识别模型进行训练，直至预设人脸识别模型的输出值与人脸身份标签相互拟合，从而使得预设人脸识别模型达到收敛状态；第三训练子单元，用于根据人脸区域数据集、活体标签属性和人脸身份标签得到人脸二元组数据集，其中，人脸二元组数据集中包含多对人脸二元组；第四训练子单元，用于向多对人脸二元组添加二元组标签，进而根据人脸二元组数据集对预设活体检测模型进行训练，直至预设活体检测模型的输出值与二元组标签相互拟合，从而使得预设活体检测模型达到收敛状态。
可选地，第二处理单元包括：第一输入子单元，用于输入待检测人脸区域图片至两个特征提取分支中的第一特征提取分支中，得到第一人脸特征结果；第二输入子单元，用于输入预设人脸区域图片至两个特征提取分支中的第二特征提取分支中，得到第二人脸特征结果；第一判断子单元，用于判断第一人脸特征结果和第二人脸特征结果的近似度是否高于预设阈值；第二判断子单元，用于若判断出近似度高于预设阈值，则确定活体检测结果为真实人脸；确定子单元，用于若判断出近似度不高于预设阈值，则确定活体检测结果为伪造人脸。
可选地，根据本发明实施例的又一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本申请实施例1中的人脸活体检测方法。
可选地，根据本发明实施例的又一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行本申请实施例1中的人脸活体检测方法。
在本发明实施例中，采用基于深度学习卷积神经网络，创建预设人脸检测模型、预设人脸识别模型和预设活体检测模型的方式，其中，上述预设活体检测模型包含两个特征提取分支；通过创建人脸活体检测数据集，根据上述人脸活体检测数据集分别训练上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型，直至上述预设人脸检测模型、上述预设人脸识别模型和上述预设活体检测模型分别达到收敛状态；分别输入待检测人脸图片至达到上述收敛状态的上述预设人脸检测模型和达到上述收敛状态的上述预设人脸识别模型中，得到待检测人脸区域图片、上述待检测人脸区域图片对应的人脸身份特征、上述人脸身份特征对应的预设人脸区域图片；达到了分别输入上述待检测人脸区域图片和上述预设人脸区域图片至达到上述收敛状态的上述预设活体检测模型的上述两个特征提取分支中，得到上述待检测人脸图片的活体检测结果的目的，从而实现了提升了人脸活体检测的检测精度、提高人脸活体检测的检测效率的技术效果，进而解决了现有技术中的人脸活体检测存在的检测精度较低的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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(可为个人计算机、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、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，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。