CN110765923A 一种人脸活体检测方法、装置、设备及存储介质 （腾讯科技（深圳）有限公司）

本申请提供了一种人脸活体检测方法，包人脸图像和所述目标检测对象在第二光照条件物体反射率和物体法向量确定目标检测对象是2获取目标检测对象在第一光照条件下的第一人脸图像和所述目标检测对象在第二光从所述差值图像中提取特征图，从所述特征图中解耦根据所述目标检测对象对应的物体反射率和物体法向量裁剪所述第一人脸图像的人脸中心区域得到第一对所述第一人脸中心区域图像和所述第二人脸中心区域图像进行图像差值处理得到裁剪所述第一人脸图像中人脸局部器官区域得到第述第二人脸图像中的人脸局部器官区域得到第对所述第一人脸局部区域图像和所述第二人脸局部区域图像进行图像差值处理得到裁剪所述第一人脸图像的人脸中心区域得到第一对所述第一人脸中心区域图像和所述第二人脸中心区域图像进行图像差值处理得到裁剪所述第一人脸图像中人脸局部器官区域得到第述第二人脸图像中的人脸局部器官区域得到第对所述第一人脸局部区域图像和所述第二人脸局部区域图像进行图像差值处理得到5.根据权利要求1至4任一项所述的方法通过预训练的人脸活体检测模型从所述差值图像中提取3将所述差值图像输入预训练的人脸活体检测模型，通和全连接分类层根据所述目标检测对象对应的物体反射率和所述物体法向量确定所述目7.根据权利要求1至4中任一项所述的方法，其特征基于所述光照指令，控制发光元件发射光线并采集根据所述光照指令和所述角度控制发光元件基于第一光照参数以及第二光照参数依获取训练数据集，所述训练数据集中每组训练根据所述训练数据集训练预构建的第一神经网络对所述处于收敛态的第一神经网络模型进行裁剪体检测模型包括所述卷积层和所述全局池化层以及4将所述训练数据集中的训练数据中的样本差值图像输入预训通过所述第一神经网络模型中的卷积层对所述样本差值图像进行特征提取得到一组通过所述第一神经网络模型中的所述卷积层将所述第一分组特征图输入所述第一神根据所述第一反卷积层输出的预测特征图和所述样本差值图像对应的深度图确定深根据每一次迭代更新周期内确定的所述深度图损失和所述材质图损失以及所述分类人脸图像获取模块，用于获取目标检测对象在第一特征提取模块，用于从所述差值图像中提取特征图，活体检测模块，用于根据所述目标检测对象对样本集获取模块，用于获取训练数据集，所述训练数本差值图像是对在不同光照条件下采集的样本检测对象的人脸图像进行图像差值所得的，所述样本差值图像的标注标签用于标识所述样本差值图像所属的样本检测对象是否为活裁剪模块，用于对所述处于收敛态的第一神经网络模5所述处理器用于根据所述计算机程序执行权利要求1至6件等平面翻拍的攻击。该算法的一大缺陷在于它在理论上就已被证明无法抵御3D攻击(真[0007]获取目标检测对象在第一光照条件下的第一人脸图像和所述目标检测对象在第7脸活体检测模型包括所述卷积层和所述全局池化层以及述样本差值图像是对在不同光照条件下采集的样本检测对象的人脸图像进行图像差值所测模型，所述人脸活体检测模型包括所述卷积层和所述全局池化层以及所述全连接分类[0027]所述处理器用于根据所述计算机程序执行如上述第一方面所述的人脸活体检测[0029]本申请第七方面提供一种包括指令的计算机程序产品，当其在8使得所述计算机执行上述第一方面所述的人脸活体检测方法或第二方面所述的人脸活体而且该方法利用不同光照条件下投射到用户面部的光线反射形成的图像进行人脸活体检9[0045]人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控[0051]可以理解，本申请提供的人脸活体检测方法包括但不限于应用于如图1所示的应下的第一人脸图像和目标检测对象在第二光照条件下的第二人脸图像，服务器102从终端率和物体法向量确定目标检测对象是否为活体，服务器102还可以将人脸活体检测结果返一人脸中心区域图像和所述第二人脸中心区域图像进行图像差值处理得到人脸中心区域为高精度的人脸识别模型的检测结果，c)区域则在b)区域的基础上向内部各缩进N个像素行训练和测试时，能够使得人脸活体检测模型更加关注人脸中心区域的深度和纹理信息，述第一人脸图像和所述第二人脸图像中分别裁剪鼻子区域得到对应的第一人脸局部区域分别裁剪人脸局部器官区域得到对应的第一人脸局部区域图像和第二人脸局部区域图像，然后对所述第一人脸中心区域图像和所述第二人脸中心区域图像进行图像差值处理得到人脸局部区域图像进行图像差值处理得到人脸局部区域的差值图像，作为第二差值图像。[0073]基于Lambert光照模型可知，同一物体在不同打光条件下的两张成像的差值包含体反射率和物体法向量确定目标检测对象是否为活体也可以通过上述人脸活体检测模型分类层基于所述纹理信息和所述深度信息确定所述样本差值图像对应的人脸活体检测分可以得到特征图，然后通过全局池化可以得到512维特征，接着通过全连接分类层利用式根据所述训练数据集训练第一神经网络模型的网络参数直到获得处于收敛态的第一神段和所述第二阶段交叉训练后的处于收敛态的第一神经网络模型，如此可以降低训练难接分类层，将不同光照条件下的人脸图像形成的样本差值图像输入上述第一神经网络模[0101]在上述示例中，第一神经网络模型的每个分支均设置对应的损失函数，即图中[0103]考虑到人脸活体检测模型主要用于检测目标检测对象为真人每组训练数据中的所述样本差值图像是基于样本检测对象在不同光照条件下对应的两张本差值图像是基于样本检测对象在不同光照条件下对应的两张图像的人脸局部区域经图[0117]终端810在该光照指令指示下依次按照两种不同颜色标识控制显示屏发射相应颜[0118]支付服务器830对上述第一人脸图像和第二人脸图像进行人脸识别，然后根据人一人脸中心区域图像和第二人脸中心区域图像进行图像差值处理得到人脸中心区域的差[0119]支付服务器830将上述差值图像输入从训练服务器820获得的[0120]以上为本申请实施例提供的人脸活体检测方法以及人脸活体检测模型训练方法[0122]人脸图像获取模块910，用于获取目标检测对象在第一光照条件下的第一人脸图[0123]差值图像确定模块920，用于根据所述第一人脸图像和所述第二人脸图像确定差[0128]对所述第一人脸中心区域图像和所述第二人脸中心区域图像进行图像差值处理剪所述第二人脸图像中的人脸局部器官区域得到[0131]对所述第一人脸局部区域图像和所述第二人脸局部区域图像进行图像差值处理[0134]对所述第一人脸中心区域图像和所述第二人脸中心区域图像进行图像差值处理剪所述第二人脸图像中的人脸局部器官区域得到[0136]对所述第一人脸局部区域图像和所述第二人脸局部区域图像进行图像差值处理解耦出所述目标检测对象对应的物体反射率和所述目标检[0144]通过所述人脸活体检测模型中的全局池化层和全连接分类层根据目标检测对象对应的物体反射率和所述物体法向量确定目[0150]可选的，所述人脸图像获取模块910在控制发光元件发射光线并采集目标检测对[0152]根据所述光照指令和所述角度控制发光元件基于第一光照参数以及第二光照参[0158]将所述训练数据集中的训练数据中的样本差值图像输入预训练的第一神经网络[0159]通过所述第一神经网络模型中的卷积层对所述样本差值图像进行特征提取得到[0160]通过所述第一神经网络模型中的所述卷积层将所述第一分组特征图输入所述第[0161]根据所述第一反卷积层输出的预测特征图和所述样本差值图像对应的深度图确[0162]根据每一次迭代更新周期内确定的所述深度图损失和所述材质图损失以及所述像是基于样本检测对象在不同光照条件下对应的两张图像的人脸中心区域经图像差值处像是基于样本检测对象在不同光照条件下对应的两张图像的人脸局部区域经图像差值处[0167]根据所述第一训练数据集和所述第二训练数据集并行训练预构建的第一神经网练第一神经网络模型的网络参数直到获得处于收[0173]获得在所述第一阶段和所述第二阶段交叉训练后的处于收敛态的第一神经网络积层的网络结构采用UNet或者Deconvolutionwithski个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存[0180]获取目标检测对象在第一光照条件下的第一人脸图像和所述目标检测对象在第脸活体检测模型包括所述卷积层和所述全局池化层以及程序用于执行前述各个实施例所述的一种人脸活体检测方法或者人脸活体检测模型训练[0191]本申请实施例还提供一种包括指令的计算机程序产品，当其在使得所述计算机执行上述人脸活体检测方法