一种活体检测方法、终端设备及存储介质与流程

1.本发明涉及人体检测领域，尤其涉及一种活体检测方法、终端设备及存储介质。


背景技术：

2.随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用，许多不法分子会利用高度逼真的照片、电子成像、面具等手段来攻击人脸识别系统，人脸防伪和活体检测(face anti-spoofing)技术在近年来得到了越来越多的关注。
3.活体检测的目的是在判断人脸识别采集到的人脸样本是活体还是非活体(如：彩色纸张打印人脸图，电子设备屏幕中的人脸数字图像以及面具等)。随着监控摄像头的快速发展，大量的人脸识别系统被部署在不同的场景下。活体检测一般是嵌套在人脸检测与人脸识别的验证中的模块，用来验证是否用户真实本人。在过去的几年中，深度学习技术的快速发展，活体检测算法识别性能得到了大幅提升。
4.目前活体检测算法就是分类问题，可看成二分类(活体或者非活体)；也可看成多分类(真人，纸张攻击，屏幕攻击，面具攻击)。现有算法常采用resnet50作为主干网络，并取得显著的分类性能。然而，现有算法忽略了活体检测算法在现实场景中的实时性问题，也忽略了在产品实际应用中，活体检测算法会受到摄像头参数、光照和角度问题带来的精度下降问题。特别地，在近红外人脸成像和广角摄像头下，常用的活体检测方法的精度往往会有所下降。


技术实现要素：

5.为了解决上述问题，本发明提出了一种活体检测方法、终端设备及存储介质。
6.具体方案如下：
7.一种活体检测方法，包括以下步骤：
8.s1：采集活体人脸图像样本和非活体人脸图像样本组成训练集；
9.s2：构建活体检测模型，通过训练集对活体检测模型进行训练；
10.活体检测模型的网络结果采用轻量级网络作为主干网络，输入图像依次经过主干网络中的浅层卷积块、中层卷积块和深层卷积块进行特征提取；
11.将中层卷积块提取的特征经过反卷积扩展为与浅层卷积块提取的特征相同大小后，将扩展后的特征与浅层卷积块提取的特征进行第一次双线性池化；
12.将深层卷积块提取的特征经过反卷积扩展为与中层卷积块提取的特征相同大小后，将扩展后的特征与中层卷积块提取的特征进行第二次双线性池化；
13.分别将第一次双线性池化、第二次双线性池化和深层卷积块经过全局池化层输出的结果分别经过分类网络进行分类；根据三个分类网络的分类结果判断输入人脸图像是否为活体人脸图像；
14.s3：通过训练后的活体检测模型进行活体检测。
15.进一步的，三个分类网络对应三个损失函数，活体检测模型的总损失函数为三个
损失函数之和。
16.进一步的，三个损失函数均采用标签平滑正则化的交叉熵损失函数。
17.进一步的，当三个分类网络的分类结果不一致时，选取结果出现次数最多的结果作为活体检测模型的分类结果。
18.一种活体检测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
19.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
20.本发明采用如上技术方案，能够解决静默活体应用过程中因不同环境，不同设备和参数所产生的问题，能以轻量级网络实现重量级网络的性能，在实际项目应用中具有重要意义。
附图说明
21.图1所示为本发明实施例一的流程图。
22.图2所示为该实施例中模型的网络结构示意图。
具体实施方式
23.为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
24.现结合附图和具体实施方式对本发明进一步说明。
25.实施例一：
26.本发明实施例提供了一种活体检测方法，如图1所示，所述方法包括以下步骤：
27.s1：采集活体人脸图像样本和非活体人脸图像样本组成训练集。
28.该实施例中采集的活体人脸图像样本为直接对人脸进行拍摄的图像，非活体人脸图像样本为对人脸图像进行二次拍摄的图像。
29.s2：构建活体检测模型，通过训练集对活体检测模型进行训练。
30.如图2所示，该实施例中模型的网络结构采用轻量级网络(osnet或者mobilnet v2)作为主干网络，模型的输入为人脸图像样本，输入图像依次经过浅层卷积块、中层卷积块和深层卷积块进行特征提取，浅层卷积块、中层卷积块和深层卷积块提取的特征分别为f
l
、fm和fh，其维度大小分别b*c*h*w，b、c、h、w四个参数分别表示批处理大小、特征通道数、高度、宽度。
31.由于三个特征f
l
、fm、fh对应的特征图大小不同，在做双线性池化之前，将中层卷积块提取的特征fm经过反卷积层拓展为与浅层卷积块提取的特征f
l
相同大小后，将fm扩展后的特征与浅层卷积块提取的特征f
l
进行第一次双线性池化；将深层卷积块提取的特征fh经过反卷积层拓展为与中层卷积块提取的特征fm相同大小后，将fh扩展后的特征与中层卷积块提取的特征进行fm第二次双线性池化。
32.双线性池化表达式如下：
processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述活体检测终端设备的控制中心，利用各种接口和线路连接整个活体检测终端设备的各个部分。
49.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述活体检测终端设备的各种功能。所述存储器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；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
50.本发明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存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
51.所述活体检测终端设备集成的模块/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令相关的硬件来完成，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)、随机存取存储器(ram，random access memory)以及软件分发介质等。
52.尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。