基于人工智能的人脸活体检测方法、装置、设备及介质与流程

本技术涉及人工智能，尤其涉及一种基于人工智能的人脸活体检测方法、装置、电子设备及存储介质。

背景技术：

1、人脸防欺诈的方法也叫做活体检测，主要是判断人脸是否为活体，常见的活体检测主要是基于动作的活体检测和静默活体检测，活体检验技术是无监督场景应用落地的重要前提，尤其是身份核验、支付交易等场景。如果该技术被破解或者可以通过较低的成本进行攻击，则会带来较为严重的安全风险，使用户的利益受损。因此，活体检验技术的可靠性是至关重要的。

2、但是随着人脸识别技术的广泛应用，对人脸识别系统进行欺骗攻击的方式也迅速增加。而现有的活体检测模型往往是基于常见的特征提取器进行改进的深度神经网络模型，虽然这类模型在不同的数据集上都获得了很高的检测精度，但是却很容易被添加有不同滤镜颜色的图片所误导，会给不法分子可乘之机，从而带来极大的安全隐患。

技术实现思路

1、鉴于以上内容，有必要提出一种基于人工智能的人脸活体检测方法、装置、电子设备及存储介质，以解决如何提升对滤镜颜色攻击的防御能力，从而降低人脸欺诈风险这一技术问题。

2、本技术提供一种基于人工智能的人脸活体检测方法，所述方法包括：

3、对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集；

4、对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；

5、基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；

6、基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；

7、基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。

8、在一些实施例中，所述对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集包括：

9、获取不同的人脸目标，并为每个所述人脸目标拍摄多张人脸图像获得人脸目标图像集；

10、分别为所述人脸目标图像集中的图像添加多种不同的滤镜颜色获得第一滤镜图像集和第二滤镜图像集，所述第一滤镜图像集中各图像具有相同的人脸目标和不同的滤镜颜色，所述第二滤镜图像集中各图像具有相同的滤镜颜色和不同的人脸目标；

11、将所述第一滤镜图像集和所述第二滤镜图像集作为人脸测试图像集。

12、在一些实施例中，所述对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征包括：

13、依据预设的特征提取器对所述人脸测试图像集中的图像进行多层卷积操作获得所述图像不同层级的浅层特征；

14、依据预设的颜色编码器对所述图像不同层级的浅层特征进行融合获得深层颜色融合特征；

15、对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；

16、对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征；

17、将所述图像不同层级的浅层特征和所述深层颜色特征作为所述图像的人脸测试特征。

18、在一些实施例中，所述对所述浅层颜色特征进行叠加获得深层颜色特征包括：

19、对不同层级的浅层颜色特征和浅层特征进行融合获得深层颜色融合特征；

20、对所述深层颜色融合特征进行卷积操作获得深层颜色卷积特征；

21、对所述深层颜色卷积特征进行池化后，通过全连接层输出深层颜色特征。

22、在一些实施例中，所述活体检测损失函数包括分类损失函数、颜色损失函数和内容损失函数，所述分类损失函数满足关系式：

23、

24、其中，lclassifyx1i表示所述第一滤镜图像集中的第i幅图像对应的分类损失，x1表示所述第一滤镜图像集，y1表示所述x1对应的标签图像集，y1i为所述第一滤镜图像集中的第i幅图像x1i经过标注后的标签图像，n1表示所述第一滤镜图像集中的图像数量，nc为所述第一滤镜图像集中包括的滤镜颜色的数量，ce(x1i，y1i)为所述第一滤镜图像集中的第i幅图像和对应的经过标注后的标签图像之间的交叉熵，colork表示第k个滤镜颜色，g(x1i，colork)表示图像x1i具有第k个滤镜颜色，ce(g(x1i，colork)，y1i)表示具有第k个滤镜颜色的图像x1i与对应的标签图像y1i之间的交叉熵。

25、在一些实施例中，所述颜色损失函数满足关系式：

26、

27、其中，lcolorx2i表示所述第二滤镜图像集中的第i幅图像对应的颜色损失，x2表示所述第二滤镜图像集，γk，l＝e-dis(k，l)，用于衡量第k个滤镜颜色与第l个滤镜颜色之间的相近程度，sim(i，j，k，l)表示具有第k个滤镜颜色的图像i与具有第l个滤镜颜色的图像j之间的相似度，n2为所述第二滤镜图像集中的图像总数量，α为超参数，nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量，其中，sim(i，j，k，l)满足关系式：

28、

29、其中，zcolor表示深层颜色特征，当k＝l时，sim(i，j，k，l)用于表示属于同一第二滤镜图像集中的图像i与图像j之间的相似度，当k≠l时，sim(i，j，k，l)用于表示属于不同的第二滤镜图像集中的图像i与图像j之间的相似度。

30、在一些实施例中，所述内容损失函数满足关系式：

31、

32、其中，lcontentxi表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的内容损失，xi表示从所述人脸测试图像集中任意选取的第i幅浅层特征图像，fcontent(xi)表示从所述人脸测试图像集中提取到的第i幅浅层特征图像对应的人脸测试特征，fcontent(g(xi，colork))表示从所述人脸测试图像集中提取到的添加了第k个滤镜颜色后的第i幅浅层特征图像对应的人脸测试特征，n表示所述第一滤镜图像集和所述第二滤镜图像集中的图像总数量，nc表示所述第一滤镜图像集中包括的滤镜颜色的总数量。

33、本技术实施例还提供一种基于人工智能的人脸活体检测装置，所述装置包括采集模块、提取模块、构建模块、训练模块以及检测模块：

34、所述采集模块，用于对采集到的人脸图像添加多种滤镜颜色获得人脸测试图像集；

35、所述提取模块，用于对所述人脸测试图像集中的图像进行特征提取获得人脸测试特征；

36、所述构建模块，用于基于所述人脸测试图像集和所述人脸测试特征构建活体检测损失函数；

37、所述训练模块，用于基于所述人脸测试图像集和活体检测损失函数训练神经网络获得人脸活体检测模型；

38、所述检测模块，用于基于所述人脸活体检测模型对待检测的人脸图像进行检测获得人脸活体检测结果。

39、本技术实施例还提供一种电子设备，所述电子设备包括：

40、存储器，存储至少一个指令；

41、处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的人脸活体检测方法。

42、本技术实施例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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的人脸活体检测方法。

43、本技术通过对采集到的人脸图像施加不同的滤镜颜色来构建多个损失函数，从而对神经网络进行全方位的训练，从而提升获得的人脸活体检测模型对滤镜颜色攻击的防御能力，有效降低人脸欺诈风险。