人脸活体检测方法、装置、电子设备及计算机存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115035559A(43)申请公布日2022.09.09(21)申请号202110240298.3(22)申请日2021.03.04(71)申请人腾讯科技（深圳）有限公司地址518000广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人罗朝(74)专利代理机构北京市立方律师事务所11330专利代理师张筱宁(51)Int.Cl.G06V40/16(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图7页(54)发明名称人脸活体检测方法、装置、电子设备及计算机存储介质(57)摘要本申请实施例提供了一种人脸活体检测方法、装置、电子设备及计算机可读存储介质，涉及人工智能领域。该方法包括：基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；基于第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；确定出原始特征图像与第一目标图像的第一目标损失，并基于第一目标损失确定出检测的检测结果。本申请实施例不仅实现了人脸活体检测，而且，由于不需要基于非活体的人脸样本图像进行训练，所以不需要对非活体进行假设，进而对未知的非活体攻击具有更好的预测能力，提高了人脸活体检测的安全性和普适性。CN115035559ACN115035559A权利要求书1/2页1.一种人脸活体检测方法，其特征在于，包括：基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果。2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量，包括：将所述原始特征图像的原始尺寸缩放至预设的目标尺寸，得到缩放后的图像；采用所述编码卷积神经网络对所述缩放后的图像进行卷积层处理、池化层处理以及激活层处理，得到至少一维的第一特征向量。3.根据权利要求1所述的人脸活体检测方法，其特征在于，所述基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像，包括：通过所述解码卷积神经网络对所述第一特征向量进行图像重建，得到具有预设的目标尺寸的第一目标图像。4.根据权利要求1所述的人脸活体检测方法，其特征在于，所述确定出所述原始特征图像与所述第一目标图像的第一目标损失，并基于所述第一目标损失确定出所述检测的检测结果，包括：计算所述原始特征图像与所述第一目标图像的重建损失；当所述重建损失小于重建损失阈值时，判定所述检测的检测结果为人脸活体；当所述重建损失不小于所述重建损失阈值时，判定所述检测的检测结果为非人脸活体。5.根据权利要求4所述的人脸活体检测方法，其特征在于，所述计算所述原始特征图像与所述第一目标图像的重建损失，包括：计算所述原始特征图像与所述第一目标图像的均方损失、绝对值损失以及结构相似性损失；将所述均方损失、绝对值损失以及结构相似性损失的加权和作为所述重建损失。6.根据权利要求2或3所述的人脸活体检测方法，其特征在于，编码卷积神经网络和解码卷积神经网络通过如下方式训练得到：训练步骤：针对具有标注的样本图像采用所述编码卷积神经网络进行编码，得到至少一维的第二特征向量；基于所述第二特征向量采用所述解码卷积神经网络进行图像重建，得到重建后的第二目标图像；确定出所述原始特征图像与所述第二目标图像的第二目标损失；当所述第二目标损失不小于目标损失阈值时，采用预设的随机梯度下降算法更新所述编码卷积神经网络和所述解码卷积神经网络，得到更新后的目标编码卷积神经网络和目标解码卷积神经网络，并将所述目标编码卷积神经网络作为当前的编码卷积神经网络，以及，2CN115035559A权利要求书2/2页将所述目标解码卷积神经网络作为当前的解码卷积神经网络；重复执行所述训练步骤，直至所述第二目标损失小于所述目标损失阈值，得到训练后的编码卷积神经网络和解码卷积神经网络。7.一种人脸活体检测装置，其特征在于，包括：编码模块，用于基于训练得到的编码卷积神经网络对待检测的原始特征图像进行至少一维的特征向量编码，得到至少一维的第一特征向量；重建模块，用于基于所述第一特征向量和训练得到的解码卷积神经网络进行图像重建，得到重建后的第一目标图像；检测模块，用于确定出所述原始特征图像