技术特征：
1.一种单模态静默活体检测方法，其特征在于，包括：通过单目rgb摄像头获取待检测图像；利用预先训练的活体检测模型通过深度学习提取待检测图像中的图像特征数据，将张量通过一维卷积与softmax层输出图像的预测活体概率与非活体概率；依据预测到人脸是活体的概率和其他分类预测概率判断所述待检测图像是否通过检测。2.根据权利要求1所述的方法，其特征在于，所述活体检测模型的训练过程包括：从人脸反欺诈数据集中裁剪出真实人脸样本以及虚假人脸样本，将选取的真实人脸样本以及虚假人脸样本按照6:2:2的比例分为训练样本、校验样本和测试样本；数据集加载后同一张图片会通过二维傅里叶变换，然后将低频移到图片中心形成幅频图再和原图同时返回，对原图做图片增强如放大、缩小、剪切；将幅频图与原图同时输入到所述活体检测模型中进行训练。3.根据权利要求1所述的方法，其特征在于，活体检测模型卷积后进行分支处理，包含3个分支，其中两个分支分别用来捕获通道维度和空间维度之间的跨通道交互，剩下的一个分支就是空间注意力权重的计算。4.根据权利要求1所述的方法，其特征在于，通过卷积与注意力机制以获取所述图像特征，注意力机制的输入数据为人脸图像rgb三通道经过卷积后提取的特征矩阵，注意力机制的输出为调整权重后的特征矩阵。5.根据权利要求4所述的方法，其特征在于，经过注意力机制的权重调整以加强图片中所需关注的特征的提取。6.根据权利要求1所述的方法，其特征在于，构建网络模型的具体操作为：网络模型由10个卷积块、一个flatten层、一个bn层以及两个一维卷积组成，每个卷积块分别由triplet attention、若干残差块以及标准化层组成。7.根据权利要求1所述的方法，其特征在于，网络的输入为单目rgb摄像头获取的待检测人脸归一化处理后的图像，网络的输出为真实或虚假人脸的检测概率，本模型输出为四类分别为真实人脸、照片攻击、视频重放攻击与面具攻击。8.一种单模态静默活体检测系统，其特征在于，包括：检测模块：通过单目rgb摄像头获取到人脸图像，并对图像做人脸检测与校正；构建模块，用于构件triplet attention和残差网络结合的网络模型；训练模块，用于获取训练数据集，并利用数据集对网络模型进行训练；检测模块，用训练后的数据模型进行人脸活体检测；服务模块，用opencv搭建实时视频流活体检测服务。
技术总结
本发明提供一种单模态静默活体检测方法及系统，属于特征识别技术领域，首先使用RGB摄像头对获取到的人脸进行检测与校正，对获取到的人脸区域图像进行归一化处理以便于模型快速训练。同时对人脸区域图像进行傅里叶变换，获取到幅频图。训练时将归一化后的原图与幅频图同时输入来进行模型训练。模型中添加了Triplet Attention注意力机制，加强了空间与通道的信息捕获。然后利用训练后的模型进行人脸活体检测。该方法及系统对照片攻击、视频重放攻击和面具等伪造人脸攻击具有很好的检测识别能力，从而提高了人脸识别系统的安全性。从而提高了人脸识别系统的安全性。从而提高了人脸识别系统的安全性。
技术研发人员：刘毅 段京峰 卢则兴 李淑圣 李玉坤 梁翔宇
受保护的技术使用者：厦门信息技术应用创新研究院有限公司
技术研发日：2022.08.29
技术公布日：2022/12/5