人脸识别方法、装置、终端设备及计算机可读存储介质与流程

1.本技术涉及图像处理技术领域，具体涉及一种人脸识别方法、装置、终端设备及计算机可读存储介质。


背景技术：

2.在银行个人贷款远程视频面签业务场景下，进行远程面签时，当用户提交的面签视频被篡改或通过虚假人脸生成方法伪造视频进行远程面签时，系统可能被攻击，影响银行系统的数据安全以及用户的数据安全.
3.现有的人脸识别防欺骗技术主要分为四类：利用图像纹理进行来区分、通过人脸生物活体检测、三维场景检测和采用多光谱图像分析，这些方法能从一定程度上识别虚假人脸，但存在识别准确度不高的问题。


技术实现要素：

4.本技术提供了一种人脸识别方法，通过采集人脸图像中的图像退化特征和面部信息特征，并同时基于图像退化特征和面部信息特征对人脸进行识别，提高了人脸识别的准确率。
5.第一方面，本技术提供了一种人脸识别方法，所述方法包括：
6.获取目标用户办理目标业务的视频数据；
7.获取所述视频数据中的人脸图像；
8.对所述人脸图像进行退化特征识别，得到图像退化特征以及对所述人脸图像进行面部特征识别，得到面部信息特征；
9.根据所述图像退化特征和所述面部信息特征，检测所述人脸图像是否为虚假人脸图像。
10.在本技术一些实施例中，所述对所述人脸图像进行退化特征识别，得到图像退化特征以及对所述人脸图像进行面部特征识别，得到面部信息特征，包括：
11.基于预设的人脸识别模型，对所述人脸图像进行退化特征识别，得到图像退化特征以及对所述人脸图像进行面部特征识别，得到面部信息特征，所述人脸识别模型根据预设的人脸图像生成模型生成的模拟人脸图像训练得到。
12.在本技术一些实施例中，所述基于预设的人脸识别模型，对所述人脸图像进行退化特征识别，得到图像退化特征以及对所述人脸图像进行面部特征识别，得到面部信息特征之前，所述方法还包括：
13.获取人脸图像生成模型生成的第一模拟人脸图像，将所述第一模拟人脸图像输入至初始人脸识别模型，得到所述第一模拟人脸图像的图像退化特征以及面部信息特征；
14.根据所述第一模拟人脸图像的图像退化特征以及面部信息特征，得到所述第一模拟人脸图像的识别结果；
15.基于所述识别结果，对所述初始人脸识别模型进行训练，得到人脸识别模型。
16.在本技术一些实施例中，所述基于所述识别结果，对所述初始人脸识别模型进行训练，得到人脸识别模型，包括：
17.若所述识别结果表征所述第一模拟人脸图像为真实人脸图像，则将所述第一模拟人脸图像对应的样本人脸图像输入至所述初始人脸识别模型，得到所述样本人脸图像的图像退化特征以及面部信息特征；
18.根据所述第一模拟人脸图像的图像退化特征以及所述样本人脸图像的图像退化特征，得到图像退化损失；
19.根据所述第一模拟人脸图像的面部信息特征以及所述样本人脸图像的面部信息特征，得到面部信息损失；
20.根据所述图像退化损失以及所述面部信息损失，对所述初始人脸识别模型的参数进行调整，以得到人脸识别模型。
21.在本技术一些实施例中，所述基于所述识别结果，对所述初始人脸识别模型进行训练，得到人脸识别模型，包括：
22.若所述识别结果表征所述第一模拟人脸图像为虚假人脸图像，则获取第一模拟人脸图像对应的样本人脸图像；
23.确定所述样本人脸图像与所述第一模拟人脸图像的生成损失，基于所述生成损失，对所述人脸图像生成模型的参数进行调整，得到中间人脸图像生成模型；
24.获取所述中间人脸图像生成模型生成的第二模拟人脸图像，并确定所述第二模拟人脸图像与所述样本人脸图像的图像退化损失以及面部信息损失；
25.根据所述图像退化损失以及所述面部信息损失，对所述初始人脸识别模型的参数进行调整，以得到人脸识别模型。
26.在本技术一些实施例中，所述根据所述图像退化损失以及所述面部信息损失，对所述初始人脸识别模型的参数进行调整，以得到人脸识别模型，包括：
27.确定所述图像退化损失、所述面部信息损失以及人脸图像生成模型的生成损失之和收敛时对应的初始人脸识别模型为人脸识别模型。
28.在本技术一些实施例中，所述根据所述图像退化特征和所述面部信息特征，检测所述人脸图像是否为虚假人脸图像，包括：
29.若所述图像退化特征通过退化特征的识别，且所述面部信息特征通过面部特征的识别，确定所述视频数据中的人脸图像不为虚假人脸图像；
30.若所述图像退化特征通过退化特征的识别，所述面部信息特征未通过面部特征的识别，确定所述视频数据中的人脸图像为虚假人脸图像；
31.若所述图像退化特征未通过退化特征的识别，所述面部信息特征通过面部特征的识别，确定所述视频数据中的人脸图像为虚假人脸图像；
32.若所述图像退化特征未通过退化特征的识别，所述面部信息特征未通过面部特征的识别，确定所述视频数据中的人脸图像为虚假人脸图像。
33.第二方面，本技术提供了一种人脸识别装置，所述装置包括：
34.第一获取模块，用于获取目标用户办理目标业务的视频数据；
35.第二获取模块，用于获取所述视频数据中的人脸图像；
36.识别模块，用于对所述人脸图像进行退化特征识别，得到图像退化特征以及对所
述人脸图像进行面部特征识别，得到面部信息特征；
37.检测模块，用于根据所述图像退化特征和所述面部信息特征，检测所述人脸图像是否为虚假人脸图像。
38.第三方面，本技术还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储于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以实现任一项所述的人脸识别方法中的步骤。
39.第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现任一项所述的人脸识别方法中的步骤。
40.本技术提供的人脸识别方法，通过识别人脸图像中的图像退化特征和面部信息特征，并同时基于图像退化特征和面部信息特征对人脸进行检测。换言之，在考虑了人脸自身的面部特征的基础之上，再结合图像退化的特征，对人脸进行识别，丰富了识别时参考的特征，提高了人脸识别的准确率。
附图说明
41.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。
42.图1是本技术实施例中提供的人脸识别系统的场景示意图；
43.图2是本技术实施例中人脸识别方法的一个实施例流程示意图；
44.图3是本技术实施例中人脸识别装置的一个功能模块示意图；
45.图4是本技术实施例中终端设备的结构示意图。
具体实施方式
46.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
47.在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
48.在本技术中，“示例性”一词用来表示“用作例子、例证或说明”。本技术中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。同时，可以理解的是，在本技术的具体实施方式中，涉及到用户信息、用户数据等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
49.为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描
述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本技术的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
50.如背景技术，现有的人脸识别防欺骗技术主要分为四类：利用图像纹理进行来区分、通过人脸生物活体检测、三维场景检测和采用多光谱图像分析，这些方法能从一定程度上识别虚假人脸，但是存在识别准确度不高的问题。
51.随着图像处理技术的不断发展，对于通过生成对抗网络生成的虚假人脸，由于生成人脸与真实人脸之间相似度较高，单纯从图像纹理、三维场景检测和多光谱分析很难区分虚假人脸，可能出现误判。
52.同时，对于真实人脸图像，由于真实人脸图像在采集与传输过程中可能受到光照、通信、传感器噪声等因素影响，使得真实人脸图像会出现多样性、混合性图像退化现象。真实图像的退化特征和通过虚假人脸图像通过图像退化处理得到的图像退化特征是不一样的，主要体现在真实人脸图像的退化特征分布具有多样性(存在多种退化)以及无规律性的特点，而虚假人脸图像的退化特征分布具有半规则性的特点。但是现有真伪人脸判断没有考虑其分布的差异性，从而出现误判。
53.本技术提供了一种人脸识别方法、装置、终端设备及计算机可读存储介质，以下分别进行详细说明。
54.请参阅图1，图1为本技术实施例所提供的人脸识别系统的场景示意图，该人脸识别系统可以包括终端设备100和存储设备200，该存储设备200可以向该终端设备100传输数据。如图1中的终端设备100，可以获取该存储设备200中存储的人脸数据或者视频数据，从而执行本技术中的人脸识别方法。
55.本技术实施例中，终端设备100其包括但不限可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，pda)、平板电脑、无线终端设备、嵌入式设备等。
56.本技术的实施例中，终端设备100和存储设备200之间可通过任何通信方式实现通信，包括但不限于，基于第三代合作伙伴计划(3rd generation partnership project，3gpp)、长期演进(long term evolution，lte)、全球互通微波访问(worldwide interoperability for microwave access，wimax)的移动通信，或基于tcp/ip协议族(tcp/ip protocol suite，tcp/ip)、用户数据报协议(user datagram protocol，udp)的计算机网络通信等。
57.需要说明的是，图1所示的人脸识别系统的场景示意图仅仅是一个示例，本技术实施例描述的人脸识别系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着人脸识别系统的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
58.如图2所示，图2为本技术实施例中人脸识别方法的一个实施例流程示意图，人脸识别方法可以包括如下步骤201～204：
59.201、获取目标用户办理目标业务的视频数据。
60.本技术实施例中，目标业务可以指代任意一种银行中需要采集视频数据的银行业务。目标用户可以指代任意一位办理该目标业务的具体人员。其中，获取该视频数据的方式，可以通过手机app采集用户的人脸视频数据，再将手机app采集得到的人脸视频数据，发送至人脸识别的服务器进行识别，具体此处不做限定。
61.202、获取视频数据中的人脸图像。
62.在获取人脸图像时，可以针对该视频数据中的每一个视频帧进行检测，获取每个视频帧中是否存在人脸图像。具体的，可以使用一些较为简单的人脸识别模型，该简单的人脸识别模型可以通过神经网络(如卷积神经网络、深度卷积神经网络)训练得到，具体的，可以将包括类似眼睛、类似鼻子、类似嘴巴等五官的特征的图像对该简单的人脸识别模型进行训练，使得该简单的人脸识别模型可以检测视频帧中是否存在类似眼睛、类似鼻子、类似嘴巴等五官的特征，对于任意一个视频帧，若该视频帧中存在这些类似五官的特征，则将该视频帧从视频数据中截取出来，作为人脸图像即可。
63.203、对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征。
64.本技术实施例中，图像退化的原因可以为光照、通信、传感器噪声等因素影响，使得人脸图像出现图像退化现象。即，退化现象可以理解为图像中出现了信息丢失。因此，在后续的人脸识别时，不考虑丢失的信息，容易存在识别准确度不高的问题。
65.此外，本步骤中，识别退化特征和面部特征，可以通过任意一种训练好的识别模型，识别出图像退化特征和面部信息特征，具体此处不做限定。
66.为了更好的实现本技术实施例，在一个本技术实施例中，对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征，包括：
67.基于预设的人脸识别模型，对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征，人脸识别模型根据预设的人脸图像生成模型生成的模拟人脸图像训练得到。
68.本实施例中提供的预设的人脸识别模型与上述实施例中任意的识别模型不同，该人脸识别模型可以包括5个隐藏层，第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层。
69.其中，该第一隐藏层用于提取人脸图像中的第一图像退化特征；第二隐藏层用于提取人脸图像中的第二图像退化特征；第三隐藏层可以用于提取人脸图像中的第一面部信息特征；第四隐藏层可以用于提取人脸图像中的第二面部信息特征；第五隐藏层可以用于提取人脸图像中的第三面部信息特征。
70.其中，该第一图像退化特征可以是图像的模糊退化特征；第二图像退化特征可以是图像的运动退化特征等，需要说明的是第一图像退化特征与第二图像退化特征不同，且具体指代的退化特征可以发生变化，具体此处不做限定。第一面部信息特征可以指代表情特征；第一面部信息特征可以指代五官特征；第一面部信息特征可以指代皮肤纹理特征等，同理第一面部信息特征、第二面部信息特征和第三面部信息特征之间互不相同，且具体指代的面部信息特征可以发生变化，具体此处不做限定。此外，除了该5个隐藏层之外，该人脸识别模型还可以包括其他的网络结构，例如池化层等，具体此处不做赘述。
71.通过该预设的人脸识别模型可以识别出多种图像退化特征和多种面部信息特征，
使得在后续虚假人脸的识别中，能够参考的特征更加丰富，进一步提高识别的准确性。
72.为了更好的实现本技术实施例，在一个本技术实施例中，基于预设的人脸识别模型，对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征之前，方法还包括：
73.获取人脸图像生成模型生成的第一模拟人脸图像，将第一模拟人脸图像输入至初始人脸识别模型，得到第一模拟人脸图像的图像退化特征以及面部信息特征；根据第一模拟人脸图像的图像退化特征以及面部信息特征，得到第一模拟人脸图像的识别结果；基于识别结果，对初始人脸识别模型进行训练，得到人脸识别模型。
74.为了使得预设的人脸识别模型能够准确的识别人脸，故在使用该预设的人脸识别模型进行人脸识别之前，还需要对该人脸识别模型进行模型训练，使得该人脸识别模型能够达到相应的识别能力。
75.本技术实施例中，该人脸图像生成模型可以为完成训练的生成模型。此过程中，可以将真实的样本人脸图像输入该人脸图像生成模型，该人脸图像生成模型可以基于该真实的样本人脸图像，生成第一模拟人脸图像。通过此方式的好处在于，当样本人脸图像的数量不足时，训练该人脸识别模型时的训练效果存在较差的问题。因此，通过人脸图像生成模型依据一张真实的样本人脸图像时，可以生成多张第一模拟人脸图像。例如：真实的样本人脸图像可以为无表情的图像，该人脸图像生成模型可以依据该无表情的人脸图像，生成该人脸图像的喜悦表情的人脸、惊讶表情的人脸、悲伤表情的人脸等等。
76.同时，通过人脸图像生成模型，也可以获取得到与真实人脸相似的第一模拟人脸图像，在将第一模拟人脸图像作为训练人脸识别模型的样本图像，可以提高人脸识别模型对虚假人脸的识别准确性。
77.将获取第一模拟人脸图像输入至初始人脸识别模型后，初始人脸识别模型即可提取第一模拟人脸图像的图像退化特征以及面部信息特征，根据第一模拟人脸图像的图像退化特征以及面部信息特征，得到第一模拟人脸图像的识别结果。若识别结果表征第一模拟人脸图像为真实人脸图像，即表征第一模拟人脸图像识别出错，则需要对初始人脸识别模型进行训练。
78.可以理解地，初始人脸识别模型可以是未训练的人脸识别模型或者是训练了一段时间，但未完成训练的人脸识别模型。
79.为了提高人脸识别模型的准确性，在一个本技术实施例中，基于识别结果，对初始人脸识别模型进行训练，得到人脸识别模型，包括：
80.若识别结果表征第一模拟人脸图像为真实人脸图像，则将第一模拟人脸图像对应的样本人脸图像输入至初始人脸识别模型，得到样本人脸图像的图像退化特征以及面部信息特征；根据第一模拟人脸图像的图像退化特征以及样本人脸图像的图像退化特征，得到图像退化损失；根据第一模拟人脸图像的面部信息特征以及样本人脸图像的面部信息特征，得到面部信息损失；根据图像退化损失以及面部信息损失，对初始人脸识别模型的参数进行调整，以得到人脸识别模型。
81.当识别结果表征第一模拟人脸图像为真实人脸图像，即表征人脸识别模型把第一模拟人脸图像识别为真实图像，初始人脸识别模型的识别出错，需要再次训练，为了提高初始人脸识别模型的识别能力，本实施例可以基于第一模拟人脸图像与样本人脸图像的图像
退化损失以及面部信息损失对初始人脸识别模型进行训练。其中，样本人脸图像为第一模拟人脸图像对应的真实人脸图像。
82.其中，第一模拟人脸图像与样本人脸图像的图像退化损失可以通过公式(1)和公式(2)所示：
[0083][0084][0085]
该公式(1)和(2)中，λj为平衡2个不同隐藏层对图像退化特征分布差异带来影响的超参数；g(xi)表示第一模拟人脸图像的图像退化特征；yi为输入的样本人脸图像的图像退化特征。表示人脸识别模型上的第j个隐藏层计算图像退化特征分布；为人脸识别网络的第j个隐藏层测量的真实的样本人脸图像和第一模拟人脸图像的图像退化特征分布差异；m可以为输入的样本数量；l
degen
为图像退化特征。
[0086]
此外，面部信息损失函数可以根据如下公式(3)、(4)和(5)所示：
[0087][0088][0089][0090]
该公式(3)、(4)和(5)中，f可以为3；m为正裕度；λj为平衡3个不同隐藏层影响的超参数；dj(.)为人脸识别模型的第j个隐藏层上的图像表示；g(xi)表示第一模拟人脸图像的面部信息特征；yi为输入的样本人脸图像的面部信息特征；为人脸识别模型的第j个隐藏层面部信息特征的差异；ld为面部信息损失；lg为人脸图像生成模型的感知损耗；n也为输入样本的数量。
[0091]
在通过上述公式，确定得到图像退化损失以及面部信息损失后，可以图像退化损失以及面部信息损失的和作为初始人脸识别模型的识别损失，然后基于识别损失，对初始人脸识别模型的参数进行调整，得到调整后的初始人脸识别模型，然后再基于调整后的初始人脸识别模型对人脸图像生成模型生成的模拟人脸图像再次进行识别，以此重复，直至识别损失收敛，完成训练，得到人脸识别模型。
[0092]
本技术实施例中的人脸图像生成模型可以为完成训练的人脸图像生成模型，也可以为未完成训练的人脸图像生成模型。当人脸识别模型可以准确识别出人脸图像生成模型生成的模拟图像时，有可能是人脸图像生成模型所生成的模拟人脸图像与真实人脸图像差别较大，不能代表人脸识别模型的识别能力满足要求，因此，在本技术实施例，可以通过感知对抗的方式训练人脸图像生成模型和人脸识别模型。
[0093]
基于此，在本技术实施例中，基于识别结果，对初始人脸识别模型进行训练，得到人脸识别模型，包括：
[0094]
若识别结果表征第一模拟人脸图像为虚假人脸图像，则获取第一模拟人脸图像对应的样本人脸图像；确定样本人脸图像与第一模拟人脸图像的生成损失，基于生成损失，对人脸图像生成模型的参数进行调整，得到中间人脸图像生成模型；获取中间人脸图像生成
模型生成的第二模拟人脸图像，并确定第二模拟人脸图像与样本人脸图像的图像退化损失以及面部信息损失；根据图像退化损失以及面部信息损失，对初始人脸识别模型的参数进行调整，以得到人脸识别模型。
[0095]
其中，当识别结果表征第一模拟人脸图像为虚假人脸图像时，则表示人脸识别模型准确识别出人脸图像生成模型所生成的模拟图像，为了提高人脸识别模型的识别准确率，可以通过确定第一模拟人脸图像与样本人脸图像的生成损失，基于生成损失对人脸图像生成模型再次进行训练。其中生成损失可以通过如下公式(6)、(7)和(8)所示：
[0096][0097][0098]
jg＝lg+l
ffl
+l
feat
……
(8)
[0099]
其中，w、h、c分别表示样本人脸图像的宽、高和通道个数。i0、ig分别表示输入的样本人脸图像和第一模拟人脸图像；φ(
·
)表示特征空间函数，用于将图像映射到特征空间；lg为感知损耗；l
ffl
为特征真实度；l
feat
为特征保真度。
[0100]
在确定得到生成损失后，即可基于生成损失，对人脸图像生成模型的参数进行调整，得到中间人脸图像生成模型，然后基于中间人脸图像生成模型再次生成第二模拟人脸图像，将第二模拟人脸图像输入至初始人脸识别模型中，再次提取第二模拟人脸图像的图像退化特征以及面部信息特征，基于第二模拟人脸图像的图像退化特征以及面部信息特征，得到第二模拟人脸图像的识别结果，若第二模拟人脸图像的识别结果，表征第二模拟人脸图像为虚假人脸图像，则可以继续基于第二模拟人脸图像与样本人脸图像的生成损失，对中间人脸图像生成模型的参数进行调整。
[0101]
若第二模拟人脸图像的识别结果，表征第二模拟人脸图像为真实人脸图像时，则确定第二模拟人脸图像与样本人脸图像的图像退化损失以及面部信息损失，根据第二模拟人脸图像与样本人脸图像的图像退化损失以及面部信息损失，对初始人脸识别模型的参数进行调整。
[0102]
重复上述过程，通过感知对抗的方式，对人脸图像生成模型以及人脸识别模型交替训练，则可以得到能准确识别虚假人脸的人脸识别模型。为了避免模型无休止的训练，浪费资源，在一个本技术实施例中，根据图像退化损失以及面部信息损失，对初始人脸识别模型的参数进行调整，以得到人脸识别模型，包括：
[0103]
确定图像退化损失、面部信息损失以及人脸图像生成模型的生成损失之和收敛时对应的初始人脸识别模型为人脸识别模型。
[0104]
上述实施例示出了图像退化损失、面部信息损失以及人脸图像生成模型的生成损失，且由于该人脸图像生成模型和该人脸识别模型可以为感知对抗训练，因此仅当图像退化损失、面部信息损失以及人脸图像生成模型三者损失小于一定程度时，才能确定该人脸识别模型完成训练。因此，当图像退化损失、面部信息损失以及人脸图像生成模型三者的损失值之和收敛时，则可以确定人脸识别模型完成训练。
[0105]
本实施例通过感知对抗的方式，基于生成损失、图像退化损失以及面部信息损失对人脸图像生成模型和人脸识别模型进行交替训练，可以得到能生成与真实人脸极其相似的虚假人脸的人脸图像生成模型，以及可准确识别与真实人脸极其相似的虚假人脸的人脸
识别模型，提高了人脸识别模型的识别准确性。
[0106]
204、根据图像退化特征和面部信息特征，检测人脸图像是否为虚假人脸图像。
[0107]
当上述完成训练的人脸识别模型将图像退化特征以及面部信息特征完成提取之后，便可以检测视频中的人脸图像是否为虚假人脸。此时，由于该视频数据可以根据手机app采集获得。而进行人脸识别还需要将app采集的视频数据实时上传至服务器中进行识别。由于，传输过程中可能存在退化情况，因此可以基于该手机当前的网络状态，确定退化的程度。
[0108]
例如：当网络状态良好时，退化的程度可能较低；网络状态较差时，退化的程度可能较高。因此，当网络状态较好时，退化特征的权重可以适当提高；当网络状态较差时，退化特征的权重可以适当降低。例如：当网络状态较好时，退化的程度可能较低，若此时退化特征的检测不能通过时，可以证明该人脸图形存在虚假的风险上升。当网络状态较差时，退化的程度可能较高，此时若退化特征的检测不通过时，可能是由于退化的原因，导致面部特征出现模糊，从而造成的模型给出了虚假人脸的判断。因此，当网络状态较好时，需要提高图像退化特征的权重比。
[0109]
具体的，当网络状态较好时，若退化特征识别未通过时，面部特征识别通过时，在没有权重的情况下，可能会使得模型确定该人脸图像为真实人脸；当引入权重之后，由于退化特征识别未通过的比重增加，可能会使得模型确定该人脸图像为虚假人脸。该权重可以根据不同的情况进行调整，具体此处不做限定。
[0110]
需要说明的是，也可以通过权重之外的方式影响检测结果，具体此处不做限定。
[0111]
为了更好的实现本技术实施例，在一个本技术实施例中，根据图像退化特征和面部信息特征，检测人脸图像是否为虚假人脸图像，包括：
[0112]
若根据图像退化特征检测得到人脸图像为虚假人脸图像和/或者根据面部信息特征检测得到人脸图像为虚假人脸图像时，则确定人脸图像为虚假人脸图像；若根据图像退化特征检测得到人脸图像为真实人脸图像且根据面部信息特征检测得到人脸图像为真实人脸图像时，则确定人脸图像为真实人脸图像。
[0113]
根据上述实施例可得，可以通过增加权重的方式，从而影响检测结果。而本技术实施例中，为了确保人脸识别时的万无一失，因此需要该人脸图像即通过退化特征的识别，也要通过面部特征的识别，具体的可以如上文中的方式，确定该人脸图像是否为真实人脸，还是为虚假人脸，具体此处不再赘述。
[0114]
本技术提供的人脸识别方法，通过识别人脸图像中的图像退化特征和面部信息特征，并同时基于图像退化特征和面部信息特征对人脸进行检测。换言之，在考虑了人脸自身的面部特征的基础之上，再结合图像退化的特征，对人脸进行识别，丰富了识别时参考的特征，提高了人脸识别的准确率。
[0115]
为了更好实施本技术实施例中的人脸识别方法，在人脸识别方法之上，本技术实施例中还提供了一种人脸识别装置，如图3所示，装置300包括：
[0116]
第一获取模块301，用于获取目标用户办理目标业务的视频数据；
[0117]
第二获取模块302，用于获取视频数据中的人脸图像；
[0118]
识别模块303，用于对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征；
[0119]
检测模块304，用于根据图像退化特征和面部信息特征，检测人脸图像是否为虚假人脸图像。
[0120]
本技术提供的人脸识别装置，先通过第一获取模块301采集相关的视频数据，再通过第二获取模块302获取视频数据中的人脸图像，再通过识别模块303识别人脸图像中的图像退化特征和面部信息特征，并通过检测模块304同时基于图像退化特征和面部信息特征对人脸进行识别。换言之，在考虑了人脸自身的面部特征的基础之上，再结合图像退化的特征，对人脸进行识别，丰富了识别时参考的特征，提高了人脸识别的准确率。
[0121]
在本技术一些实施例中，识别模块303具体用于：
[0122]
基于预设的人脸识别模型，对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征，人脸识别模型根据预设的人脸图像生成模型生成的模拟人脸图像训练得到。
[0123]
在本技术一些实施例中，该人脸识别装置还包括训练模块，训练模块具体用于：
[0124]
获取人脸图像生成模型生成的第一模拟人脸图像，将第一模拟人脸图像输入至初始人脸识别模型，得到第一模拟人脸图像的图像退化特征以及面部信息特征；
[0125]
根据第一模拟人脸图像的图像退化特征以及面部信息特征，得到第一模拟人脸图像的识别结果；
[0126]
基于识别结果，对初始人脸识别模型进行训练，得到人脸识别模型。
[0127]
在本技术一些实施例中，训练模块具体用于：
[0128]
若识别结果表征第一模拟人脸图像为真实人脸图像，则将第一模拟人脸图像对应的样本人脸图像输入至初始人脸识别模型，得到样本人脸图像的图像退化特征以及面部信息特征；
[0129]
根据第一模拟人脸图像的图像退化特征以及样本人脸图像的图像退化特征，得到图像退化损失；
[0130]
根据第一模拟人脸图像的面部信息特征以及样本人脸图像的面部信息特征，得到面部信息损失；
[0131]
根据图像退化损失以及面部信息损失，对初始人脸识别模型的参数进行调整，以得到人脸识别模型。
[0132]
在本技术一些实施例中，训练模块具体用于：
[0133]
若识别结果表征第一模拟人脸图像为虚假人脸图像，则获取第一模拟人脸图像对应的样本人脸图像；
[0134]
确定样本人脸图像与第一模拟人脸图像的生成损失，基于生成损失，对人脸图像生成模型的参数进行调整，得到中间人脸图像生成模型；
[0135]
获取中间人脸图像生成模型生成的第二模拟人脸图像，并确定第二模拟人脸图像与样本人脸图像的图像退化损失以及面部信息损失；
[0136]
根据图像退化损失以及面部信息损失，对初始人脸识别模型的参数进行调整，以得到人脸识别模型。
[0137]
在本技术一些实施例中，训练模块具体用于：
[0138]
确定图像退化损失、面部信息损失以及人脸图像生成模型的生成损失之和收敛时对应的初始人脸识别模型为人脸识别模型。
[0139]
在本技术一些实施例中，检测模块304具体用于：
[0140]
若根据图像退化特征检测得到人脸图像为虚假人脸图像和/或者根据面部信息特征检测得到人脸图像为虚假人脸图像时，则确定人脸图像为虚假人脸图像；
[0141]
若根据图像退化特征检测得到人脸图像为真实人脸图像且根据面部信息特征检测得到人脸图像为真实人脸图像时，则确定人脸图像为真实人脸图像。
[0142]
本技术实施例还提供一种终端设备，该终端设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序以实现本技术实施例中任一项的人脸识别方法中的步骤。其中，该终端设备，其集成了本技术实施例所提供的任一种人脸识别方法，如图4所示，其示出了本技术实施例所涉及的终端设备的结构示意图，具体来讲：
[0143]
该终端设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
[0144]
处理器401是该终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；处理器401可以是中央处理单元(central 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)、现成可编程门阵列(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，优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界是面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
[0145]
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器402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。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
[0146]
终端设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0147]
该终端设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
[0148]
尽管未示出，终端设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，终端设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，例如：
[0149]
获取目标用户办理目标业务的视频数据；
[0150]
获取视频数据中的人脸图像；
[0151]
对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征；
[0152]
根据图像退化特征和面部信息特征，检测人脸图像是否为虚假人脸图像。
[0153]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
[0154]
为此，本技术实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本技术实施例所提供的任一种人脸识别方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
[0155]
获取目标用户办理目标业务的视频数据；
[0156]
获取视频数据中的人脸图像；
[0157]
对人脸图像进行退化特征识别，得到图像退化特征以及对人脸图像进行面部特征识别，得到面部信息特征；
[0158]
根据图像退化特征和面部信息特征，检测人脸图像是否为虚假人脸图像。
[0159]
在上述实施例中，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，可以参见上文针对其他实施例的详细描述，此处不再赘述。
[0160]
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
[0161]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0162]
以上对本技术实施例所提供的一种人脸识别方法及装置进行了详细介绍，本文中应用了具体个例对本技术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技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本技术的限制。