一种人脸活体检测方法、装置、设备及存储介质与流程

1.本发明涉及人脸识别技术领域，特别涉及一种人脸活体检测方法、装置、设备及存储介质。


背景技术：

2.当前，一个完整的人脸识别系统包括人脸检测、活体检测、人脸识别等模块。人脸检测的目的是为了确定人脸在画面中的坐标位置，而人脸识别是为了判断当前用户是谁，人脸活体检测则是为了判断当前人脸的真实性。人脸活体检测在人脸识别系统中有着重要的作用，没有活体检测功能，人脸识别系统形同虚设。现有的活体检测技术方案存在网络耗时大的问题，并且假体攻击类别多，各类之间差异性大，现有技术利用攻击线索进行活体判别时，只约束了真人的攻击，而对假体的攻击没有约束，导致真假特征间距较小，区分度不够，从而导致检测准确率较低。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种人脸活体检测方法、装置、设备及存储介质，能够提升人脸活体检测的准确率。其具体方案如下：
4.第一方面，本技术公开了一种人脸活体检测方法，包括：
5.利用收集到的人脸图像构造目标字典，并将所述人脸图像输入至预设深度学习网络，得到所述预设深度学习网络输出的各所述人脸图像对应的图像特征图；
6.基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图，并确定所述造假特征图对应的特征图损失；
7.确定所述人脸图像对应的分类损失，并利用所述分类损失和所述特征图损失对预先构建的初始活体检测模型进行训练以得到目标活体检测模型；
8.通过所述目标活体检测模型提取待检测人脸图像对应的造假特征和真假分类概率，并基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。
9.可选的，所述利用收集到的人脸图像构造目标字典，包括：
10.收集各场景的活体人脸图像和各假体攻击类型的假体人脸图像，得到包含所述活体人脸图像和所述假体人脸图像的目标数据集；
11.基于字典学习算法对所述目标数据集中的所述活体人脸图像和所述假体人脸图像进行字典训练以构造出目标字典。
12.可选的，所述基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图，包括：
13.将所述图像特征图中的各通道特征与所述目标字典进行加权求和以重构出与所述人脸图像对应的造假特征图。
14.可选的，所述确定所述造假特征图对应的特征图损失，包括：
15.检测所述人脸图像的类别标签，并基于所述类别标签确定出相应的特征图损失计算方法；
16.根据所述特征图损失计算方法确定所述造假特征图对应的特征图损失。
17.可选的，所述确定所述人脸图像对应的分类损失，包括：
18.对所述图像特征图进行池化运算以得到相应的分类特征向量；
19.基于所述分类特征向量和所述类别标签确定所述人脸图像对应的分类损失。
20.可选的，所述基于所述类别标签确定出相应的特征图损失计算方法，包括：
21.当所述类别标签表明所述人脸图像为活体人脸图像，则对所述造假特征图进行平均处理以确定出与所述活体人脸图像对应的特征图损失；
22.当所述类别标签表明所述人脸图像为假体人脸图像，则对所述造假特征图进行平均处理得到相应的特征均值，并基于所述特征均值和预设特征间隔确定出与所述假体人脸图像对应的特征图损失。
23.可选的，所述基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像，包括：
24.当所述真假分类概率中的活体人脸分类概率大于或等于第一预设判别阈值且所述造假特征不大于第二预设判别阈值，则判定所述待检测人脸图像为活体人脸图像；
25.当所述真假分类概率中的活体人脸分类概率小于第一预设判别阈值或所述造假特征大于第二预设判别阈值，则判定所述待检测人脸图像为假体人脸图像。
26.第二方面，本技术公开了一种人脸活体检测装置，包括：
27.字典构造模块，用于利用收集到的人脸图像构造目标字典，并将所述人脸图像输入至预设深度学习网络，得到所述预设深度学习网络输出的各所述人脸图像对应的图像特征图；
28.特征图重构模块，用于基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图；
29.特征图损失确定模块，用于确定所述造假特征图对应的特征图损失；
30.分类损失确定模块，用于确定所述人脸图像对应的分类损失；
31.模型训练模块，用于利用所述分类损失和所述特征图损失对预先构建的初始活体检测模型进行训练以得到目标活体检测模型；
32.提取模块，用于通过所述目标活体检测模型提取待检测人脸图像对应的造假特征和真假分类概率；
33.图像判断模块，用于基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。
34.第三方面，本技术公开了一种电子设备，包括：
35.存储器，用于保存计算机程序；
36.处理器，用于执行所述计算机程序，以实现前述公开的人脸活体检测方法的步骤。
37.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的人脸活体检测方法的步骤。
38.可见，本技术提供了一种人脸活体检测方法，包括：利用收集到的人脸图像构造目标字典，并将所述人脸图像输入至预设深度学习网络，得到所述预设深度学习网络输出的
各所述人脸图像对应的图像特征图；基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图，并确定所述造假特征图对应的特征图损失；确定所述人脸图像对应的分类损失，并利用所述分类损失和所述特征图损失对预先构建的初始活体检测模型进行训练以得到目标活体检测模型；通过所述目标活体检测模型提取待检测人脸图像对应的造假特征和真假分类概率，并基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。也就是说，本技术将构造出的目标字典导入深度学习网络中，然后使用该目标字典重构出造假特征图，避免仅让模型学习到数据的分布情况，从而提高模型的鲁棒性，而且依据分类概率和造假特征综合判断人脸图像是否为活体人脸图像，能够提升模型的鲁棒性，从而提升人脸活体检测的准确率。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
40.图1为本技术公开的一种人脸活体检测方法流程图；
41.图2为本技术公开的一种目标字典示意图；
42.图3为本技术公开的一种使用目标字典表示图像块示意图；
43.图4为本技术公开的一种具体的人脸活体检测方法流程图；
44.图5为本技术公开的一种活体人脸造假特征和假体人脸造假特征示意图；
45.图6为本技术公开的一种目标活体检测模型训练流程图；
46.图7为本技术公开的一种人脸活体检测装置结构示意图；
47.图8为本技术公开的一种电子设备结构图。
具体实施方式
48.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，都属于本发明保护的范围。
49.当前，现有技术中，现有的活体检测技术方案存在网络耗时大的问题，并且现有技术利用攻击线索进行活体判别时，只约束了真人的攻击，而对假体的攻击没有约束，导致真假特征间距较小，区分度不够，从而导致检测准确率较低。为此，本技术提供了一种人脸活体检测方案，能够提升人脸活体检测的准确率。
50.本发明实施例公开了一种人脸活体检测方法，参见图1所示，该方法包括：
51.步骤s11：利用收集到的人脸图像构造目标字典，并将所述人脸图像输入至预设深度学习网络，得到所述预设深度学习网络输出的各所述人脸图像对应的图像特征图。
52.本实施例中，收集各种场景下的活体人脸图像和各种攻击类型的假体人脸图像，然后利用收集到的活体人脸图像和所述假体人脸图像构造目标字典，并将收集到的所述活体人脸图像和所述假体人脸图像输入到预设深度学习网络中，得到上述预设深度学习网络
输出的各所述人脸图像对应的图像特征图。具体的，收集各场景的活体人脸图像和各假体攻击类型的假体人脸图像，得到包含所述活体人脸图像和所述假体人脸图像的目标数据集。基于字典学习算法对所述目标数据集中的所述活体人脸图像和所述假体人脸图像进行字典训练以构造出目标字典。其中，所述目标数据集可以包括各场景的活体人脸图像以及各种假体攻击类型的假体人脸图像，各种假体攻击类型的所述假体人脸图像可以包括但不限于打印照片、裁剪照片、收集照片、面具、头套等。可以理解的是，收集到活体人脸图像和各类假体人脸图像，得到相应的目标数据集之后，可以通过字典学习的方法，对该目标数据集中的人脸图像进行字典训练，从而构造出目标字典。
53.例如，收集活体人脸图像和各类假体攻击类型的假体人脸图像，将图像缩放为同一尺寸，该尺寸可以为224*224，然后将图像分解为多个相互重叠的块，分解后图像的大小可以为32*32。对任一图像块i，该图像块可以表示为：i＝dx，其中，d表示目标字典，x为图像对应的特征向量，该目标字典d的大小为32*32，且长度为256。需要指出的是，图像缩放的尺寸和深度学习网络输入的尺寸一致，字典的大小和深度学习网络的下采样倍数一致，字典的长度和深度学习网络输出图像特征图的通道数一致，并且i＝dx对应的目标函数可以表示为：
[0054][0055]
其中,表示2范数，|| ||1表示1范数，使用omp(orthogonal matching pursuit，正交匹配追踪)算法交替求解d和x，从而迭代得到目标字典d，该目标字典d如图2所示。对于任意图像块，均可以由上述目标字典进行加权求和，例如，如图3所示，框中图像块由上述图2中所有字典进行加权求和表示，也就是说，将目标字典d作为图像组成的基本单元。
[0056]
步骤s12：基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图，并确定所述造假特征图对应的特征图损失。
[0057]
本实施例中，利用收集到的人脸图像构造目标字典，并将人脸图像输入至上述预设深度学习网络，得到上述预设深度学习网络输出的各所述人脸图像对应的图像特征图，然后可以基于该目标字典和各所述人脸图像对应的图像特征图重构出与各所述人脸图像分别对应的造假特征图，进而确定造假特征图对应的特征图损失。具体地，将所述图像特征图中的各通道特征与所述目标字典进行加权求和以重构出与所述人脸图像对应的造假特征图。可以理解的是，将人脸图像输入至上述预设深度学习网络，得到所述人脸图像对应的图像特征图，并基于字典学习算法对收集到的人脸图像进行字典训练，从而构造出目标字典，然后将该图像特征图中的各通道特征与所述目标字典进行加权求和，进而重构出与所述人脸图像对应的造假特征图，然后可以利用预设损失算法确定所述造假特征图对应的特征图损失。
[0058]
步骤s13：确定所述人脸图像对应的分类损失。
[0059]
本实施例中，上述预设深度学习网络输出各所述人脸图像对应的图像特征图之后，进而确定该人脸图像对应的分类损失，也即对各所述人脸图像求分类损失。
[0060]
步骤s14：利用所述分类损失和所述特征图损失对预先构建的初始活体检测模型
进行训练以得到目标活体检测模型。
[0061]
本实施例中，确定出各所述人脸图像对应的分类损失以及确定出各所述人脸图像对应的图像特征图的特征图损失之后，可以利用所述分类损失和所述特征图损失训练预先构建的初始活体检测模型以得到目标活体检测模型。
[0062]
步骤s15：通过所述目标活体检测模型提取待检测人脸图像对应的造假特征和真假分类概率，并基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。
[0063]
本实施例中，模型训练完成后，利用目标活体检测模型提取待检测图片的造假特征和真假分类概率，然后基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。可以理解的是，待检测人脸图像输入至上述目标活体检测模型，该目标活体检测模型能够提取出所述待检测人脸图像对应的造假特征和真假分类概率，也就是说，该目标活体检测模型用于提取待检测人脸图像对应的造假特征和真假分类概率，然后基于提取的造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。当所述真假分类概率中的活体人脸分类概率大于或等于第一预设判别阈值且所述造假特征不大于第二预设判别阈值，则判定所述待检测人脸图像为活体人脸图像；当所述真假分类概率中的活体人脸分类概率小于第一预设判别阈值或所述造假特征大于第二预设判别阈值，则判定所述待检测人脸图像为假体人脸图像。例如，根据造假特征的2范数均值和真假分类概率判别人脸图像中的人脸是否为活体，当目标活体检测模型提取出的待检测人脸图像对应的活体分类概率prob
cls
大于0.5，则说明该待检测人脸图像对应的假体分类概率小于0.5，并且该待检测人脸图像对应的造假特征2范数均值小于特征间隔的二分之一时，将该待检测人脸图像判定为活体人脸图像，否则，将该待检测人脸图像判定为假体人脸图像，对应的判别表达式可以为：
[0064][0065]
其中，prob
cls
表示待检测人脸图像对应的活体分类概率，mean()表示求均值运算，d表示目标字典，feature
map
表示图像特征图，表示待检测人脸图像对应的造假特征，表示2范数，margin表示各重构的造假特征图之间的特征间隔。
[0066]
可见，本技术实施例利用收集到的人脸图像构造目标字典，并将人脸图像输入至预设深度学习网络得到相应的图像特征图，基于该图像特征图和该目标字典重构出造假特征图，确定出所述造假特征图的特征图损失，确定出各人脸图像对应的分类损失，然后利用该分类损失和该特征图损失训练初始活体检测模型得到目标活体检测模型，然后通过该目标活体检测模型提取出待检测图像对应的造假特征和真假分类概率，进而基于该造假特征和真假分类概率综合判断待检测人脸图像是否为活体人脸图像，也就是说，本技术实施例将构造出的目标字典导入深度学习网络中，然后使用该目标字典重构出造假特征图，避免仅让模型学习到数据的分布情况，从而提高模型的鲁棒性，而且依据分类概率和造假特征判断人脸图像时是否为活体人脸图像，能够提升人脸活体检测的准确率。
[0067]
参见图4所示，本发明实施例公开了一种具体的人脸活体检测方法，相较于上一实
施例，本实施例对技术方案作了进一步的说明和优化。
[0068]
步骤s21：利用收集到的人脸图像构造目标字典，并将所述人脸图像输入至预设深度学习网络，得到所述预设深度学习网络输出的各所述人脸图像对应的图像特征图。
[0069]
步骤s22：基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图。
[0070]
步骤s23：检测所述人脸图像的类别标签，并基于所述类别标签确定出相应的特征图损失计算方法。
[0071]
需要指出的是，收集人脸图像时，同时根据收集到的人脸图像的类别，为该人脸图像打上相应的标签，例如，如果当前收集到的人脸图像为活体人脸图像，则为该图像打上活体标签，如果当前收集到的人脸图像为假体人脸图像，则为该图像打上假体标签。
[0072]
本实施例中，基于图像特征图和目标字典重构出与人脸图像对应的造假特征图之后，需要确定该造假特征图对应的特征图损失，而且在确定出造假特征图的特征图损失时，不同的人脸图像类别的确定方式也是不同的，所以在确定该造假特征图对应的特征图损失，需要检测所述造假特征图对应的人脸图像的类别标签，进而基于该类别标签选择对应的特征图损失确定方式，即基于所述类别标签确定出相应的特征图损失计算方法。
[0073]
步骤s24：根据所述特征图损失计算方法确定所述造假特征图对应的特征图损失。
[0074]
本实施例中，检测所述造假特征图对应的人脸图像的类别标签，并基于所述类别标签确定出相应的特征图损失计算方法之后，可以根据该特征图损失计算方法确定该造假特征图的特征图损失，也即，当所述类别标签表明所述人脸图像为活体人脸图像，则对所述造假特征图进行平均处理以确定出与所述活体人脸图像对应的特征图损失；当所述类别标签表明所述人脸图像为假体人脸图像，则对所述造假特征图进行平均处理得到相应的特征均值，并基于所述特征均值和预设特征间隔确定出与所述假体人脸图像对应的特征图损失。例如，当检测出的人脸图像对应的类别标签为活体时，即该人脸图像对应的类别标签yk＝1，将上述预设深度学习网络输出的与该人脸图像对应的图像特征图feature
map
与构建出的目标字典进行加权求和重构出造假特征图，然后对该造假特征图求平均，从而得到类别标签为活体的人脸图像对应的造假特征图的特征图损失，也即，对类别标签为活体的人脸图像对应的造假特征图进行平均运算后，得到相应的平均值，直接将该平均值确定为特征图损失。当检测出的人脸图像对应的类别标签为假体时，即该人脸图像对应的类别标签yk＝0，除了需要对重构出的造假特征进行平均处理之外，还需要使用预设特征间隔减去所述造假特征图对应的特征均值得到相应的计算结果，从而将该计算结果和零的最大值确定为所述类别标签为假体的人脸图像对应的造假特征图的特征图损失。因此，不同类别标签的所述人脸图像对应的造假特征图损失的计算公式可以为：
[0075][0076]
其中，i表示图像的宽，j表示图像的高，d表示目标字典，feature
map
表示图像特征图，其中，目标字典d的维度为(32，32，256)，feature
map
的维度为(7，7，256)，分别为宽、高和
通道数。图像特征图对应位置通道的信息表示对应造假类型的编码，通过和字典加权求和重构出各真假类型的人脸图像对应的造假特征(224，224，1)，也即，使用目标字典重构造假特征图时，将目标字典分别和图像特征图对应的宽高维度特征进行相乘，充分考虑了造假特征图的局部信息，避免全局平均池化过程中仅考虑全局信息。其中，mean()表示求均值运算，表示求2范数。margin表示各重构的造假特征图之间的特征间隔。其中，规定活体人脸图像不存在造假痕迹，将活体人脸图像的造假特征图置为0，各类假体攻击类型存在不同的造假痕迹，可以在各类假体的造假特征图与活体的造假特征图之间设置一个最小特征间隔为margin＝0.03，从而使网络学习的特征之间区分度更高。如图5所示，使活体造假特征图和假体造假特征图存在差异，上述图5示出了活体人脸图像对应的造假特征图和假体人脸图像对应的造假特征图。通过字典学习的方法构造目标字典d，使用目标字典对预设深度学习网络提取的图像特征图进行约束，将图像特征图不同位置的特征表示为对图像不同区域的编码，从而使不同类别标签的人脸图像之间的特征区分更加明显。并且在活体检测的过程中，通常使用0、1分类来判断人脸图像是活体还是假体，但是单纯0、1分类不能使深度学习网络学到较好的特征表示，导致特征可解释性较弱。因此，通过字典重构出各假体攻击类型的造假特征图，通过造假特征图和0、1类别标签约束网络训练，使深度学习网络能够学习到较好的特征表示，并提高特征的可解释性。例如图6所示，将打上类别标签的样本数据输入至人脸目标活体检测模型基础网络中，该网络输出活体人脸图像对应的图像特征图和假体人脸图像对应的图像特征图，然后利用构造出的目标字典结合该图像特征图重构出造假特征图，并确定该造假特征图的特征图损失，同时还需要通过全局平均池化运算确定该图像特征图的分类特征向量，从而确定出该分类特征向量对应的分类损失，进而利用该分类损失和该特征图损失训练初始活体检测模型，并且对造假特征图设置了特征间隔。也就是说，在模型训练的过程中加入人工特征的引导，避免模型只学习到数据的分布情况，从而提升模型的鲁棒性。进而利用该模型进行活体检测时根据该模型提取出的分类概率和造假特征判别人脸图像中的人脸是活体还是假体，能够提升模型检测的准确率。
[0077]
步骤s25：对所述图像特征图进行池化运算以得到相应的分类特征向量。
[0078]
本实施例中，上述预设深度学习网络输出各所述人脸图像对应的图像特征图之后，对各所述人脸图像对应的所述图像特征图进行池化运算，得到各所述人脸图像对应的分类特征向量以便确定该分类特征向量对应的分类损失，也即以便对各所述人脸图像对应的各所述分类特征向量求分类损失。
[0079]
步骤s26：基于所述分类特征向量和所述类别标签确定所述人脸图像对应的分类损失。
[0080]
本实施例中，检测所述造假特征图对应的人脸图像的类别标签时，可以基于所述分类特征向量和所述类别标签确定所述人脸图像对应的分类损失。也就是说，基于预设深度学习网络输出的各所述人脸图像对应的图像特征图的分类特征向量和检测出的所述人脸图像的分类标签确定所述人脸图像的分类损失。例如。计算所述分类损失的公式可以为：
[0081][0082]
[0083]
其中，loss
cls
为分类损失，yk为分类标签，对于活体人脸图像的类别标签yk＝1，对于假体人脸图像的类别标签yk＝0，f(zk)为网络分类层输出，zk为网络特征层输出的特征向量。
[0084]
步骤s27：利用所述分类损失和所述特征图损失对预先构建的初始活体检测模型进行训练以得到目标活体检测模型。
[0085]
步骤s28：通过所述目标活体检测模型提取待检测人脸图像对应的造假特征和真假分类概率，并基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。
[0086]
关于上述步骤s21至步骤s22以及步骤s27至步骤s28的具体内容可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0087]
可见，本技术实施例利用收集到的人脸图像构造目标字典，并将人脸图像输入至预设深度学习网络得到相应的图像特征图，基于该图像特征图和该目标字典重构出造假特征图，并基于检测出的所述人脸图像的类别标签确定出相应的特征图损失计算方法，进而根据所述特征图损失计算方法确定出所述造假特征图的特征图损失，然后对该图像特征图进行池化运算后得到相应的分类特征向量，从而基于所述分类特征向量和所述类别标签确定出该分类特征对应的分类损失，利用该分类损失和该特征图损失训练初始活体检测模型得到目标活体检测模型，然后通过该目标活体检测模型提取出待检测图像对应的造假特征和真假分类概率，进而基于该造假特征和真假分类概率判断待检测人脸图像是否为活体人脸图像，也就是说，本技术将构造出的目标字典导入深度学习网络中，然后使用该目标字典重构出造假特征图，避免仅让模型学习到数据的分布情况，从而提高模型的鲁棒性，而且依据分类概率和造假特征判断人脸图像时是否为活体人脸图像，能够提升人脸活体检测的准确率。
[0088]
相应的，本技术实施例还公开了一种人脸活体检测装置，参见图7所示，该装置包括：
[0089]
字典构造模块11，用于利用收集到的人脸图像构造目标字典，并将所述人脸图像输入至预设深度学习网络，得到所述预设深度学习网络输出的各所述人脸图像对应的图像特征图；
[0090]
特征图重构模块12，用于基于所述图像特征图和所述目标字典重构出与所述人脸图像对应的造假特征图；
[0091]
特征图损失确定模块13，用于确定所述造假特征图对应的特征图损失；
[0092]
分类损失确定模块14，用于确定所述人脸图像对应的分类损失；
[0093]
模型训练模块15，用于利用所述分类损失和所述特征图损失对预先构建的初始活体检测模型进行训练以得到目标活体检测模型；
[0094]
提取模块16，用于通过所述目标活体检测模型提取待检测人脸图像对应的造假特征和真假分类概率；
[0095]
图像判断模块17，用于基于所述造假特征和所述真假分类概率判断所述待检测人脸图像是否为活体人脸图像。
[0096]
由上可见，本技术实施例利用收集到的人脸图像构造目标字典，并将人脸图像输入至预设深度学习网络得到相应的图像特征图，基于该图像特征图和该目标字典重构出造
假特征图，确定出所述造假特征图的特征图损失，并确定出各人脸图像对应的分类损失，利用该分类损失和该特征图损失训练初始活体检测模型得到目标活体检测模型，然后通过该目标活体检测模型提取出待检测图像对应的造假特征和真假分类概率，进而基于该造假特征和真假分类概率判断待检测人脸图像是否为活体人脸图像，也就是说，本技术将构造出的目标字典导入深度学习网络中，然后使用该目标字典重构出造假特征图，避免仅让模型学习到数据的分布情况，从而提高模型的鲁棒性，而且依据分类概率和造假特征判断人脸图像时是否为活体人脸图像，能够提升模型的准确率，从而提升人脸活体检测的准确率。
[0097]
在一些具体的实施例中，所述字典构造模块11，具体可以包括：
[0098]
图像收集单元，用于收集各场景的活体人脸图像和各假体攻击类型的假体人脸图像，得到包含所述活体人脸图像和所述假体人脸图像的目标数据集；
[0099]
字典构造单元，用于基于字典学习算法对所述目标数据集中的所述活体人脸图像和所述假体人脸图像进行字典训练以构造出目标字典。
[0100]
在一些具体的实施例中，所述特征图重构模块12，具体可以包括：
[0101]
特征区重构单元，用于将所述图像特征图中的各通道特征与所述目标字典进行加权求和以重构出与所述人脸图像对应的造假特征图。
[0102]
在一些具体的实施例中，所述特征图损失确定模块13，具体可以包括：
[0103]
类别标签检测单元，用于检测所述人脸图像的类别标签；
[0104]
计算方法确定单元，用于基于所述类别标签确定出相应的特征图损失计算方法；
[0105]
第二损失确定单元，用于根据所述特征图损失计算方法确定所述造假特征图对应的特征图损失。
[0106]
在一些具体的实施例中，所述分类损失确定模块14，具体可以包括：
[0107]
特征图池化单元，用于对所述图像特征图进行池化运算以得到相应的分类特征向量；
[0108]
分类损失确定单元，用于基于所述分类特征向量和所述类别标签确定所述人脸图像对应的分类损失。
[0109]
在一些具体的实施例中，所述计算方法确定单元，具体可以包括：
[0110]
第一损失确定子单元，用于当所述类别标签表明所述人脸图像为活体人脸图像，则对所述造假特征图进行平均处理以确定出与所述活体人脸图像对应的特征图损失；
[0111]
第二损失确定子单元，用于当所述类别标签表明所述人脸图像为假体人脸图像，则对所述造假特征图进行平均处理得到相应的特征均值，并基于所述特征均值和预设特征间隔确定出与所述假体人脸图像对应的特征图损失。
[0112]
在一些具体的实施例中，所述图像判断模块17，具体可以包括：
[0113]
第一判定单元，用于当所述真假分类概率中的活体人脸分类概率大于或等于第一预设判别阈值且所述造假特征不大于第二预设判别阈值，则判定所述待检测人脸图像为活体人脸图像；
[0114]
第二判定单元，用于当所述真假分类概率中的活体人脸分类概率小于第一预设判别阈值或所述造假特征大于第二预设判别阈值，则判定所述待检测人脸图像为假体人脸图像。
[0115]
进一步的，本技术实施例还提供了一种电子设备。图8是根据一示例性实施例示出
的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0116]
图8为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的人脸活体检测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0117]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0118]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
[0119]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的人脸活体检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0120]
进一步的，本技术实施例还公开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计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的人脸活体检测方法步骤。
[0121]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0122]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0123]
以上对本发明所提供的一种人脸活体检测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。