[发明专利]一种活体检测方法及装置

说明书

本申请公开一种活体检测方法及装置，接收待检测人脸图片；将待检测人脸图片输入至活体检测网络模型，得到活体检测结果；活体检测网络模型是通过对样本集中的各样本添加噪声数据后训练得到的，样本集包括通过对抗网络生成的负样本。该方式中的活体检测网络模型是通过对样本集中的各样本数据添加噪声数据后训练得到的，从而可以提升活体检测网络模型的鲁棒性；以及，用于训练该活体检测网络模型的样本集中还包括有通过对抗网络生成的负样本，如此可以丰富训练该活体检测网络模型的样本集，从而可以使得训练得到的活体检测网络模型具有高泛化能力的特点。

技术领域

本申请实施例涉及计算机技术领域，尤其涉及一种活体检测方法及装置。

背景技术

近年来，随着人脸识别技术的广泛应用，识别准确率也得到了大幅提高。但是，随着应用的推广，更快、更准确地判断出待识别目标是真正的人脸而不是攻击行为，在系统应用中的作用越来越重要。

目前常常用于攻击人脸识别应用的行为主要有三种，分别为打印出的彩色图片、录制的视频回放及佩戴人脸面具伪装。

现有活体检测方法主要分为互动方式和静默方式两种。采用互动方式，需要用户在交互过程中，根据指令做出摇头、张嘴、眨眼等动作，或是读出某些语音等。采用静默方式，又可分为视频流方式或单张图片方式，包括：视频流方式可以通过对比视频流中不同时刻用户的微表情，或是根据屏幕打出不同颜色序列的光，比较用户面部变化来进行活体检测；单张图片方式，大多通过收集活体与假体图片，进行机器学习(包括深度网络学习)模型训练，最终得到一个分类模型进行检测。

现有互动活体检测方式，在整个过程中需要用户配合，用户体验较差，且检测时间较长。视频流静默活体检测方式，检测过程中虽不需要用户配合，但因视频流数据量大，不适于通过网络的远程传输，并且检测时间也较长。相比之下，单张图片静默活体检测方式既不要求用户进行动作配合、又不需要传输很大量的视频流数据，因此整个检测流程便捷且高效。

然而，单张图片静默活体检测方式，由于对负样本图片(即假体图片)采集比较困难，训练后的模型不能很好覆盖实际使用中的各种情况，导致模型泛化能力较差；此外，由于最终模型是对活体与假体进行分类的模型，存在着被对抗样本攻击的可能，导致检测模型鲁棒性较差。

综上，目前亟需一种泛化能力强、鲁棒性高的、用于对活体与假体进行准确分类的模型。

发明内容

本申请提供一种活体检测方法及装置，用于解决背景技术的活体检测网络模型泛化能力不高、鲁棒性不强的技术问题。

第一方面，本申请实施例提供一种活体检测方法，该方法包括：接收待检测人脸图片；将所述待检测人脸图片输入至活体检测网络模型，得到活体检测结果；所述活体检测网络模型是通过对样本集中的各样本添加噪声数据后训练得到的，所述样本集包括通过对抗网络生成的负样本。

基于该方案，对待检测的人脸图片进行检测时，可以使用活体检测网络模型进行检测，并由该活体检测网络模型给出检测结果。该方式中的活体检测网络模型是通过对样本集中的各样本数据添加噪声数据后训练得到的，从而可以提升活体检测网络模型的鲁棒性；以及，用于训练该活体检测网络模型的样本集中还包括有通过对抗网络生成的负样本，如此可以丰富训练该活体检测网络模型的样本集，从而可以使得训练得到的活体检测网络模型具有高泛化能力的特点。

在一种可能实现的方法中，所述活体检测网络模型是通过对样本集中各样本添加噪声数据后训练得到的，包括：从所述样本集中获取每轮训练所需的预设数量的样本；根据上一轮训练的梯度值，确定噪声区间；从所述噪声区间选取第一噪声数据；根据所述梯度值和所述第一噪声数据，确定添加至样本的第二噪声数据；所述噪声区间的任一噪声数据添加至样本后，不影响人眼对样本的识别；将添加所述第二噪声数据的样本作为校正样本进行训练，从而得到所述活体检测网络模型。