本发明实施例涉及金融领域，尤其是一种人脸姿态检测方法、装置、计算机设备及存储介质。
背景技术：
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。在人脸识别时为防止他人采用用户照片或视频资料进行身份蒙骗，需要在进行人脸时确认该用户是否为活体。
现有技术中识别系统在进行识别时会要求人做张嘴、眨眼等动作，通过对张嘴、眨眼动作的识别来判断活体，一般录制好的视频很难估计出张嘴、眨眼的指令发出时间，所以也很难模拟出正确的动作。
本发明创造的发明人在研究中发现，现有技术中的活体检测技术涉及提取人体脸部关键点的技术，但是现有技术中人脸关键点提取技术的准确率偏低，导致对张嘴、眨眼动作识别的难度高，准确率偏低，往往要求人重复的做动作，用户体验不好。同时，不同人的眼睛/嘴大小的不同，需要确定不同的阈值判断人脸的动作，导致准确率进一步降低，很影响用户的体验。
技术实现要素：
本发明实施例提供能够检测人脸图像的空间姿态进而确定用户是否为活体的人脸姿态检测方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种人脸姿态检测方法，包括下述步骤：
获取表征用户人脸姿态的人脸图像；
比对所述人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，所述第一姿态指令为人脸的空间偏转角度；
当所述人脸姿态与所述第一姿态指令相同时执行预设的第一状态指令，其中，所述第一状态指令为确认用户为活体状态指令。
可选地，所述人脸姿态检测方法具体还包括，下述步骤：
依次获取表征用户空间姿态的至少两张人脸图像；
依次比对所述至少两张人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，所述第一姿态指令包括至少两种姿态指令；
当所述至少两张人脸图像中的人脸姿态均与所述第一姿态指令相同时执行所述第一状态指令。
可选地，所述获取表征用户人脸姿态的人脸图像的步骤之前，还包括下述步骤：
获取待执行的用户指令；
根据所述用户指令在预设的姿态指令数据库中随机抽取姿态指令生成所述第一姿态指令；
向用户展示所述第一姿态指令。
可选地，所述比对所述人脸图像中人脸姿态与预设的第一姿态指令是否相同的步骤，具体包括下述步骤：
将所述人脸图像输入预设的卷积神经网络模型中；
读取所述卷积神经网络模型输出的分类信息；
比对所述分类信息与预设的第一姿态指令是否相同。
可选地，所述当所述人脸姿态与所述第一姿态指令相同时执行预设的第一状态指令的步骤，具体包括下述步骤：
当所述分类信息与预设的第一姿态指令相同时执行预设第一状态指令。
可选地，所述比对所述人脸图像中人脸姿态与预设的第一姿态指令是否相同的步骤之后，还包括下述步骤：
当所述人脸姿态与所述第一姿态指令不相同时执行预设第二状态指令，其中，所述第二状态指令为否定用户为活体的状态指令。
可选地，所述当所述人脸姿态与所述第一姿态指令不相同时执行预设第二状态指令的步骤之后，还包括下述步骤：
获取连续执行所述第二状态指令的次数信息；
将所述次数信息与预设的第一警示阈值进行比对；
当所述次数信息大于所述第一警示阈值时，执行预设的警示指令。
为解决上述技术问题，本发明实施例还提供一种人脸姿态检测装置，包括：
获取模块，用于获取表征用户人脸姿态的人脸图像；
处理模块，用于比对所述人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，所述第一姿态指令为人脸的空间偏转角度；
执行模块，用于当所述人脸姿态与所述第一姿态指令相同时执行预设的第一状态指令，其中，所述第一状态指令为确认用户为活体状态指令。
可选地，所述人脸姿态检测装置还包括：
第一获取子模块，用于依次获取表征用户空间姿态的至少两张人脸图像；
第一处理子模块，用于依次比对所述至少两张人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，所述第一姿态指令包括至少两种姿态指令；
第一执行子模块，用于当所述至少两张人脸图像中的人脸姿态均与所述第一姿态指令相同时执行所述第一状态指令。
可选地，所述人脸姿态检测装置还包括：
第二获取子模块，用于获取待执行的用户指令；
第二处理子模块，用于根据所述用户指令在预设的姿态指令数据库中随机抽取姿态指令生成所述第一姿态指令；
第二执行子模块，用于向用户展示所述第一姿态指令。
可选地，所述人脸姿态检测装置还包括：
第一输入子模块，用于将所述人脸图像输入预设的卷积神经网络模型中；
第一读取子模块，用于读取所述卷积神经网络模型输出的分类信息；
第三处理子模块，用于比对所述分类信息与预设的第一姿态指令是否相同。
可选地，所述人脸姿态检测装置还包括：
第三执行子模块，用于当所述分类信息与预设的第一姿态指令相同时执行预设第一状态指令。
可选地，所述人脸姿态检测装置还包括：
第四执行子模块，用于当所述人脸姿态与所述第一姿态指令不相同时执行预设第二状态指令，其中，所述第二状态指令为否定用户为活体的状态指令。
可选地，所述人脸姿态检测装置还包括：
第三获取子模块，用于获取连续执行所述第二状态指令的次数信息；
第四处理子模块，用于将所述次数信息与预设的第一警示阈值进行比对；
第五执行子模块，用于当所述次数信息大于所述第一警示阈值时，执行预设的警示指令。
为解决上述技术问题，本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述人脸姿态检测方法的步骤。
为解决上述技术问题，本发明实施例还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述人脸姿态检测方法的步骤。
本发明实施例的有益效果是：通过向用户发送人脸姿态调整的指令，并获取用户执行该指令时的人脸图像，通过比对确认人脸图像中用户的人脸姿态与预设的第一姿态指令是否相同，由于第一姿态指令与向用户发送人脸姿态调整的指令相同，因此，通过比对就能够确定用户是否执行了人脸姿态调整的指令，进而判断出用户是否为活体。由于人脸姿态的判断无需提取人脸图像的关键点，因此，准确率很高，需要用户进行重复动作的几率极小。同时，也无需考虑人脸的器官的差别，进一步的提高了准确率，大大提高了用户的体验效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例人脸姿态检测方法的基本流程示意图；
图2为本发明实施例对用户进行多组活体姿态确认的基本流程示意图；
图3为本发明实施例警示方法的流程示意图；
图4为本发明实施例随机获取第一姿态指令的流程示意图；
图5为本发明实施例卷积神经网络模型输出人脸图像姿态的流程示意图；
图6为本发明实施例人脸姿态检测装置基本结构框图；
图7为本发明实施例计算机设备基本结构框图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personalcommunicationsservice，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personaldigitalassistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(globalpositioningsystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobileinternetdevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本实施方式中的终端能够是人脸识别系统中的所有组成部件(摄像头、音响、显示屏、处理器和存储器等)，也能够是安装有人脸识别系统的便携式设备(不限于)：智能手机、pda或移动计算机等。
具体请参阅图1，图1为本实施例人脸姿态检测方法的基本流程示意图。
如图1所示，一种人脸姿态检测方法，包括下述步骤：
s1100、获取表征用户人脸姿态的人脸图像；
终端向用户发送人脸姿态调整的指令，该姿态调整指令用于调整人体头部的空间位置。举例说明，终端发送语音指令要求用户向左或向右摆动头部。
当终端向用户发送人脸姿态的调整指令后，通过摄像头采集用户人脸的图像。但不局限于此，在一些实施方式中，采集时拍摄用户脸部的视频信息，然后通过截取视频信息中的帧画面图像来获取用户的人脸图像。
s1200、比对所述人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，所述第一姿态指令为人脸的空间偏转角度；
获取用户的人脸图像后，通过已经训练至收敛的卷积神经网络模型，对人脸图像进行特征提取和分类，分类结果则是该人脸图像中，人脸的空间位置。
由于由于第一姿态指令与向用户发送人脸姿态调整的指令相同，即终端向用户发出向左转的指令，则第一姿态指令为左转指令的字符表示。比对人脸图像中人脸姿态与预设的第一姿态指令是否相同，即比较用户是否按终端的提示指令进行了转动。
s1300、当所述人脸姿态与所述第一姿态指令相同时执行预设的第一状态指令，其中，所述第一状态指令为确认用户为活体状态指令。
第一状态指令为确认用户为活体状态指令，当终端通过检测人脸图像中的人脸姿态符合姿态调整指令的要求时，确定该用户为活体。
确定用户为活体后，终端继续执行人脸相似度比对。或者在记性活体确认之前或同时已经完成了人脸图像识别，在该实施场景中当确定用户为活体后，则进入下一步开放程序(例如，开启门禁系统、关闭安全检查系统或关闭锁屏功能进入操作界面等)。
上述实施方式通过向用户发送人脸姿态调整的指令，并获取用户执行该指令时的人脸图像，通过比对确认人脸图像中用户的人脸姿态与预设的第一姿态指令是否相同，由于第一姿态指令与向用户发送人脸姿态调整的指令相同，因此，通过比对就能够确定用户是否执行了人脸姿态调整的指令，进而判断出用户是否为活体。由于人脸姿态的判断无需提取人脸图像的关键点，因此，准确率很高，需要用户进行重复动作的几率极小。同时，也无需考虑人脸的器官的差别，进一步的提高了准确率，大大提高了用户的体验效果。
在一些实施方式中，为进一步的提高活体确认结果的精度，降低系统被蒙骗的几率，在进行活体验证时，终端需要提示用户进行几组头部姿态的调整，并在每一次指令发出后，获取用户的脸部图像，并依次进行确认。具体地，请参阅图2，图2为本实施例对用户进行多组活体姿态确认的基本流程示意图。
如图2所示，步骤s1100具体包括步骤s1110
s1110依次获取表征用户空间姿态的至少两张人脸图像；
终端依次向用户发送至少两个指令，两个指令之间的间隔时间为一个随机时间，例如在3-5s之间随机抽取一个间隔时间，进一步的防止他人通过获取规律，有意识的对终端进行蒙骗。在一些优选实施例中，终端向用户发送三次指令，并依次获取三张用户的人脸图像。
当终端向用户发送人脸姿态的调整指令后，通过摄像头采集用户人脸的图像。但不局限于此，在一些实施方式中，采集时拍摄用户脸部的视频信息，然后通过截取视频信息中的帧画面图像来获取用户的人脸图像。
步骤s1200具体包括步骤s1210。
s1210、依次比对所述至少两张人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，所述第一姿态指令包括至少两种姿态指令；
终端将依次获取的至少两张人脸图像输入到卷积神经网络中，并分别获取多张人脸图像的空间位置分类结果。并将该分类结果与预设的第一姿态指令进行比对。
第一姿态指令包括多个(优选的为三个，但不局限于此，能够根据具体的实施环境进行确定，对活体检测准确率较高的使用环境中，第一姿态包括的姿态指令数量越多，否则，则越少)。
获取用户的人脸图像后，通过已经训练至收敛的卷积神经网络模型，对人脸图像进行特征提取和分类，分类结果则是该人脸图像中，人脸的空间位置。
将分类得到的空间位置与第一姿态指令表征的空间位置进行比对，其中，对比方式是按次序进行的，第一个分类结果对应于第一姿态指令中的第一个姿态指令。
s1310、当所述至少两张人脸图像中的人脸姿态均与所述第一姿态指令相同时执行所述第一状态指令。
第一状态指令为确认用户为活体状态指令，当终端通过检测人脸图像中的人脸姿态符合姿态调整指令的要求时，确定该用户为活体。
当获取的多张人脸图像中的人脸姿态均与第一姿态指令进行次序比对后，得到的结果均相同时，执行第一状态指令。
确定用户为活体后，终端继续执行人脸相似度比对。或者在记性活体确认之前或同时已经完成了人脸图像识别，在该实施场景中当确定用户为活体后，则进入下一步开放程序(例如，开启门禁系统、关闭安全检查系统或关闭锁屏功能进入操作界面等)。
终端通过向用户发出多项姿态指令，并对应的收集每一次姿态指令后，用户的人脸图像，依次的对用户是否执行该姿态指令进行判断，通过增加判断次数的方式减少随机误差的出现，提高了活体检测的准确率。
在一些实施方式中，当活体检测确认用户不是活体时，终端需要对该进行相应的提示。具体的提示方法请参阅步骤s1400。
具体地，步骤s1300或步骤s1310之后还包括步骤s1400。
s1400、当所述人脸姿态与所述第一姿态指令不相同时执行预设第二状态指令，其中，所述第二状态指令为否定用户为活体的状态指令。
第二状态指令为否定用户为活体状态指令。当终端发出的姿态指令为一个时，当人脸图像与第一姿态指令不符时，确定该用户为非活体，并执行第二状态指令。当终端发出的姿态指令为多个时，依次检测每个姿态指令对应的人脸图像，是否与第一姿态指令中的姿态指令相同，当其中有一项不符时，则确定该用户为非活体，并执行第二状态指令。例如，当终端依次向用户发出三次姿态指令后，对应的人脸图像与姿态指令相同，而第二次姿态指令与人脸图像表征的姿态不符时，则认定该用户为非活体，并执行第二状态指令。
步骤s1300与步骤s1400无确定的先后次序，步骤s1200之后能够选择执行。
在一些实施方式中，为防止用户通过多次反复试验的方式对活体检测系统进行破解，需要设置警示阈值，当用户多次活体检测均为成功时，向管理者或者用户发出警示信息。具体请参阅图3，图3为本实施例警示方法的流程示意图。
如图3所示，步骤s1400之后还包括下述步骤：
s1410、获取连续执行所述第二状态指令的次数信息；
在用户进行活体检测时，终端记录用户连续执行第二状态指令的情况下，对连续执行第二状态指令的次数进行记录，记录时采用累加的方式，例如执行第二状态指令的次数是零次时，记录的状态为00；当执行第二状态指令的次数是1次时，记录状态为01；当执行第二状态指令的次数为3次时，记录状态为11。
s1420、将所述次数信息与预设的第一警示阈值进行比对；
将记录的次数信息与预设的第一警示阈值进行比对。第一警示阈值为设定的执行第二状态指令的次数阈值。例如，将第一警示阈值设为3，即表示连续执行第二状态指令的次数为三次，但不局限于此，在一些实施方式中，根据应用场景的不同，第一警示阈值的设定能够自定义设置，自定义设置的规则为第一警示阈值越小，则要求活体检测的容错率越小，对于安全性的要求就越高，当第一警示阈值为1时，表示用户执行错误1次，就会触发警示指令，说明应用场景中要求活体检测级别很高，一旦出现失误即被判定为错误。而第一警示阈值的数值越大，则表明该应用场景中对于活体检测级别要求较低。
s1430、当所述次数信息大于所述第一警示阈值时，执行预设的警示指令。
当连续执行第二状态指令的次数大于第一警示阈值时，执行预设的警示指令。警示指令是指终端向用户或管理者发出语音警示信息或文字警示信息。例如，警示指令为开启警铃或者通过文字向用户提示无法通过验证。
在一些实施方式中，为防止用户通过收集姿态指令的规则，对终端进行蒙骗。第一姿态指令的获取为随机获取的。具体请参阅图4，图4为本实施随机获取第一姿态指令的流程示意图。
如图4所示，步骤s1100之前还包括下述步骤：
s1011、获取待执行的用户指令；
用户指令是指终端在接收到用户通过外部设备(按键或点击触摸屏)的方式唤醒系统，进入到活体检测系统时发出的唤醒指令。但不局限于此，在一些实施方式中，终端定时(例如0.5s)获取摄像头拍摄视界内的图像，检测该图像中是否有人脸图像，当出现人脸图像时则执行唤醒指令，终端进入活体检测程序。
s1012、根据所述用户指令在预设的姿态指令数据库中随机抽取姿态指令生成所述第一姿态指令；
终端在本地存储空间内存储有姿态指令数据库，用于存储不同的姿态指令。例如，姿态指令为表示人脸在x,y,z三个坐标轴上的偏转角度是否超过45°或-45°，其中，x轴对应左右方向，z轴对应上下方向，y轴表示用户头部与摄像头之间的距离。45表示在该方向上的转动幅度，而+-则表示转动的方向，则姿态指令数据库包括的姿态指令为：向左偏转，向右偏转、向上偏转和向下偏转四种。
随机抽取的方法为采用excel表格中随机抽取的插件软件实现，也能够通过其他随机抽取算法实现。
当第一姿态指令包括多个姿态指令时，依次随机产生多个姿态指令。
s1013、向用户展示所述第一姿态指令。
终端通过语音或者文字提示的方式向用户展示第一姿态指令。当第一姿态指令为多个姿态指令时，对多个姿态指令进行依次展示，多个姿态指令之间设有时间间隔，例如在3-5s之间随机抽取一个间隔时间，通过两个随机参数进一步的防止他人通过获取规律，有意识的对终端进行蒙骗。
在一些实施方式中，姿态指令为表示人脸在x,y,z三个坐标轴上的偏转角度是否超过45°或-45°，其中，x轴对应左右方向，z轴对应上下方向，y轴表示用户头部与摄像头之间的距离。卷积神经网络模型为三个任务网络模型，分别用来表示表示人脸在x,z两个方向上的偏移值，以及人脸距离摄像头的距离。具体地，请参阅图5，图5为本实施例卷积神经网络模型输出人脸图像姿态的流程示意图。
如图5所示，步骤s1200和步骤s1210具体还包括下述步骤：
s1211、将所述人脸图像输入预设的卷积神经网络模型中；
本实实施方式中，预设的卷积神经网络模型为预先训练至收敛的用于检测人脸图像空间位置的卷积神经网络模型。其中空间位置是指人脸在x,z两个方向上的偏移值，以及人脸距离摄像头的距离。
卷积神经网络模型输出的分类结果中包括人脸图像的空间位置。具体地，姿态指令为表示人脸在x,y,z三个坐标轴上的偏转角度是否超过45°，将分类信息归一化为0、1和-1。其中，0表示在某个方向上的偏转角度未超过45°，而1则表示在某个方向上的偏转角度超过45°，-1则表示在反方向上偏转角超过了45度。表示距离时，0表示距离合适，1表示距离过近，-1表示距离过远。
在一些实施方式中，卷积神经网络模型为分为三个任务模型，三个任务模型分别负责一个方向上的信息分类，进行人脸图像特征提取时，将人脸图像分别输入到三个任务模型，并获取对应的空间位置。
s1212、读取所述卷积神经网络模型输出的分类信息；
读取三个任务模型分别输出的分类信息形成数集，例如[1,0,0,0,0]其中，前两个数字分别表示方向向左和向右是否超过45度，其次两个数字表示向上和向下是否超过45°。最后一个数字表示人脸距摄像头的距离是否合适。则该数集表示的结果为人脸图像中人脸向左偏转超过了45°，人脸与摄像头的距离合适。
s1213、比对所述分类信息与预设的第一姿态指令是否相同。
第一姿态参数同样为一个归一化后的数集，将卷积神经网络模型输出的分类数集与第一姿态指令的数集进行比对。
在一些实施方式中，步骤s1213之后还包括步骤s1214。
s1214、当所述分类信息与预设的第一姿态指令相同时执行预设第一状态指令。
当分类信息与预设的第一姿态指令相同时，例如，分类信息为[1,0,0,0,0]而第一姿态指令同样也为[1,0,0,0,0]时，确定该用户为活体。确定用户为活体后，终端继续执行人脸相似度比对。或者在记性活体确认之前或同时已经完成了人脸图像识别，在该实施场景中当确定用户为活体后，则进入下一步开放程序(例如，开启门禁系统、关闭安全检查系统或关闭锁屏功能进入操作界面等)。
为解决上述技术问题本发明实施例还提供一种用户行为激励装置。具体请参阅图6，图6为本实施例人脸姿态检测装置基本结构框图。
如图6所示，一种人脸姿态检测装置，包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块2100用于获取表征用户人脸姿态的人脸图像；处理模块2200用于比对人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，第一姿态指令为人脸的空间偏转角度；执行模块2300用于当人脸姿态与第一姿态指令相同时执行预设的第一状态指令，其中，第一状态指令为确认用户为活体状态指令。
人脸姿态检测装置通过向用户发送人脸姿态调整的指令，并获取用户执行该指令时的人脸图像，通过比对确认人脸图像中用户的人脸姿态与预设的第一姿态指令是否相同，由于第一姿态指令与向用户发送人脸姿态调整的指令相同，因此，通过比对就能够确定用户是否执行了人脸姿态调整的指令，进而判断出用户是否为活体。由于人脸姿态的判断无需提取人脸图像的关键点，因此，准确率很高，需要用户进行重复动作的几率极小。同时，也无需考虑人脸的器官的差别，进一步的提高了准确率，大大提高了用户的体验效果。
在一些实施方式中，人脸姿态检测装置还包括：第一获取子模块、第一处理子模块和第一执行子模块。其中，第一获取子模块用于依次获取表征用户空间姿态的至少两张人脸图像；第一处理子模块用于依次比对至少两张人脸图像中人脸姿态与预设的第一姿态指令是否相同，其中，第一姿态指令包括至少两种姿态指令；第一执行子模块用于当至少两张人脸图像中的人脸姿态均与第一姿态指令相同时执行第一状态指令。
在一些实施方式中，人脸姿态检测装置还包括：第二获取子模块、第二处理子模块和第二执行子模块。其中，第二获取子模块用于获取待执行的用户指令；第二处理子模块用于根据用户指令在预设的姿态指令数据库中随机抽取姿态指令生成第一姿态指令；第二执行子模块用于向用户展示第一姿态指令。
在一些实施方式中，人脸姿态检测装置还包括：第一输入子模块、第一读取子模块和第三处理子模块。其中，第一输入子模块用于将人脸图像输入预设的卷积神经网络模型中；第一读取子模块用于读取卷积神经网络模型输出的分类信息；第三处理子模块用于比对分类信息与预设的第一姿态指令是否相同。
在一些实施方式中，人脸姿态检测装置还包括：第三执行子模块用于当分类信息与预设的第一姿态指令相同时执行预设第一状态指令。
在一些实施方式中，人脸姿态检测装置还包括：第四执行子模块用于当人脸姿态与第一姿态指令不相同时执行预设第二状态指令，其中，第二状态指令为否定用户为活体的状态指令。
在一些实施方式中，人脸姿态检测装置还包括：第三获取子模块、第四处理子模块和第五执行子模块。其中，第三获取子模块用于获取连续执行第二状态指令的次数信息；第四处理子模块用于将次数信息与预设的第一警示阈值进行比对；第五执行子模块用于当次数信息大于第一警示阈值时，执行预设的警示指令。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
如图7所示，计算机设备的内部结构示意图。如图7所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种人脸姿态检测方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种人脸姿态检测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图6中获取模块2100、处理模块2200和执行模块2300的具体内容，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸姿态检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过通过向用户发送人脸姿态调整的指令，并获取用户执行该指令时的人脸图像，通过比对确认人脸图像中用户的人脸姿态与预设的第一姿态指令是否相同，由于第一姿态指令与向用户发送人脸姿态调整的指令相同，因此，通过比对就能够确定用户是否执行了人脸姿态调整的指令，进而判断出用户是否为活体。由于人脸姿态的判断无需提取人脸图像的关键点，因此，准确率很高，需要用户进行重复动作的几率极小。同时，也无需考虑人脸的器官的差别，进一步的提高了准确率，大大提高了用户的体验效果。
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述人脸姿态检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，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。