[发明专利]人脸活体检测方法、装置及电子设备

说明书

技术领域

本发明涉及图像处理领域，具体涉及人脸活体检测方法、装置及电子设备。

背景技术

活体检测是人脸识别实际应用中很关键的一步，通俗的讲就是判断输入的人脸图像是仿冒的人脸图像还是真实活体的人脸图像。

多数情况下，攻击者通过获取受害人的人脸图像，然后在手机屏幕或电脑屏幕等电子屏幕上显示该受害人的人脸图像或者打印出该人脸图像，试图欺骗人脸活体检测系统，从而达到仿冒受害人的目的。

一般而言，往往通过检测人脸的有效动作，如眨眼、张闭嘴、微笑、转头、点头等，有的还结合语音、唇语、面部表情等手段来进行人脸活体检测。在一些特殊的应用场合，还会利用深度信息、热成像图、多光谱图像等，来判定是否为真实活体的人脸。

在进行人脸活体检测的过程中，常用的眨眼、张闭嘴、微笑、转头、点头等容易被伪造攻击。而结合语音、深度图、热成像图、多光谱图的方法，往往要求有特定的应用场合，在多数的应用场景中，不易采集语音信息，而深度图、热成像图、多光谱图又需要特殊的甚至很昂贵的设备才能采集得到。

针对相关技术中，人脸活体检测过程比较复杂以及人脸活体检测结果 准确度不高的问题，还未提出有效的解决方案。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的人脸活体检测过程比较复杂以及人脸活体检测结果准确度不高的问题，从而提供了人脸活体检测方法、装置及电子设备。

根据本发明的一个方面，提供了一种人脸活体检测方法，包括：通过拍摄装置采集待检测人的人脸图像；获取所述拍摄装置在采集所述人脸图像时的运动参数；根据所述人脸图像和所述运动参数检测所述人脸图像是否为活体人脸图像。

可选地，所述根据所述人脸图像和所述运动参数检测所述人脸图像是否为活体人脸图像包括：将所述人脸图像和所述运动参数输入至对深度卷积神经网络模型训练而得的第一分类模型，以检测所述人脸图像是否为活体人脸图像。

可选地，所述第一分类模型通过以下方式训练得到：通过所述拍摄装置采集多个活体人脸图像以及获取所述拍摄装置在采集各个所述多个活体人脸图像时的第一运动参数；根据各个所述多个活体人脸图像和各个所述第一运动参数确定第一正样例特征；通过所述拍摄装置采集多个非活体人脸图像以及获取所述拍摄装置在采集各个所述多个非活体人脸图像时的第二运动参数；根据各个所述多个非活体人脸图像和各个所述第二运动参数确定第一负样例特征；利用所述第一正样例特征和所述第一负样例特征训 练深度卷积神经网络模型，得到所述第一分类模型。

可选地，所述第一正样例特征被替换为包括第一人脸图像特征点和所述第一运动参数，其中，所述第一人脸图像特征点为各个所述多个活体人脸图像的人脸图像特征点；所述第一负样例特征包括第二人脸图像特征点和所述第二运动参数，其中，所述第二人脸图像特征点为各个所述多个非活体人脸图像的人脸图像特征点。

可选地，所述根据所述人脸图像和所述运动参数检测所述人脸图像是否为活体人脸图像之后包括：在检测结果指示所述人脸图像为活体人脸图像的情况下，获取远距离人脸图像；根据所述远距离人脸图像确认所述检测结果是否正确。

可选地，所述获取远距离人脸图像包括：在所述拍摄装置与所述待检测人的人脸的距离大于第一距离阈值时，获取所述远距离人脸图像。

可选地，所述根据所述远距离人脸图像确认所述检测结果是否正确包括：将所述远距离人脸图像输入至对深度卷积神经网络模型训练而得的第二分类模型，以确认所述检测结果是否正确。

可选地，所述第二分类模型通过以下方式训练得到：通过所述拍摄装置采集多个远距离活体人脸图像；根据所述多个远距离活体人脸图像确定第二正样例特征；通过所述拍摄装置采集多个远距离非活体人脸图像；根据所述多个远距离非活体人脸图像确定第二负样例特征；利用所述第二正样例特征和所述第二负样例特征训练深度卷积神经网络模型，得到所述第 二分类模型。

可选地，所述多个远距离活体人脸图像为所述拍摄装置距离活体人脸的距离大于第二距离阈值时拍摄的图像；和/或，所述多个远距离非活体人脸图像为所述拍摄装置距离非活体人脸的距离大于第三距离阈值时拍摄的图像。

可选地，所述获取所述拍摄装置在采集所述人脸图像时的运动参数包括：获取所述拍摄装置的第一加速度信号；对所述第一加速度信号进行高通滤波和/或低通滤波处理，得到不受重力加速度影响的第二加速度信号；在所述第二加速度信号大于预定阈值的情况下，将所述第二加速度信号作为所述运动参数。