(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210252303.7 (22)申请日 2022.03.15 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 任园园　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 陈颖 (51)Int.Cl. G06V 40/16(2022.01) G06V 40/40(2022.01) G06V 10/32(2022.01) G06V 10/56(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06F 21/32(2013.01) (54)发明名称 一种人脸活体 检测方法及系统 (57)摘要 本发明公开了一种人脸活体检测方法及系 统， 对获取的原始人脸区域图像进行归一化处理 得到中间人脸区域图像， 对中间人脸区域图像进 行颜色空间转换得到目标人脸区域图像， 将目标 人脸区域图像输入至预先训练得到的人脸活体 检测模型， 得到原始人脸区域图像对应的人脸为 真实人脸 或虚拟人脸的检测结果。 本发明通过对 原始人脸区域图像进行归一化和颜色空间转换 减少光照对 人脸图像的影 响， 并利用人脸活体检 测模型实现真实人脸和虚拟人脸的检测。 本发明 对照片攻击、 视频重放攻击和面具等伪造人脸攻 击具有很好的检测识别能力， 从而提高了人脸识 别系统的安全性。 权利要求书3页 说明书10页 附图3页 CN 114612984 A 2022.06.10 CN 114612984 A 1.一种人脸活体 检测方法， 其特 征在于， 包括： 获取原始人脸区域图像； 对所述原 始人脸区域图像进行归一 化处理， 得到中间人脸区域图像； 对所述中间人脸区域图像进行颜色空间转换， 得到目标 人脸区域图像； 将所述目标人脸 区域图像输入至预先训练得到的人脸活体检测模型， 得到所述原始人 脸区域图像对应的人脸 为真实人脸或虚拟人脸的检测结果。 2.根据权利要求1所述的人脸活体检测方法， 其特征在于， 所述颜色空间包括： RGB图像 空间和HSV图像空间。 3.根据权利要求1所述的人脸活体检测方法， 其特征在于， 所述人脸活体检测模型的训 练过程包括： 获取人脸区域图像样本； 对所述人脸区域图像样本进行归一化处理， 并进行颜色空间转换， 得到目标人脸区域 图像样本； 将所述目标 人脸区域图像样本 输入至预 先构建的深度图监 督网络， 得到深度特 征； 将所述目标 人脸区域图像样本 输入至预 先构建的反射图监 督网络， 得到反射特 征； 将所述深度特 征和所述反射特 征进行特征融合， 得到特 征融合层； 在所述特 征融合层中加入注意力层， 得到基于注意力机制的目标 特征融合层； 将所述目标 特征融合层连接 至一个二分类 器， 得到所述人脸活体 检测模型。 4.根据权利要求3所述的人脸活体检测方法， 其特征在于， 所述深度图监督网络以所述 目标人脸区域图像为样本， 以深度特征作为样 本标签进 行监督训练得到， 其中， 所述目标人 脸区域图像为包 含RGB图像和HSV图像的6通道图像； 所述深度图监督网络共有16层， 包括： 13层卷积层和3层池化层， 每个所述卷积层卷积 核大小均为3 ×3， 步长为1， 每个所述池化层的最大池化窗口均为2 ×2， 其中， 每个所述卷积 层后都具有一个激活函数和批量归一 化层； 所述深度图监 督网络的16层被划分为5组卷积集 合， 分别为： 第一组包 含1个所述卷积层； 第二组包 含3个所述卷积层和1个所述池化层； 第三组包 含3个所述卷积层和1个所述池化层； 第四组包 含3个所述卷积层和1个所述池化层； 第五组包 含3个所述卷积层。 5.根据权利要求3所述的人脸活体检测方法， 其特征在于， 所述反射图监督网络以所述 目标人脸区域图像为样本， 以反射特征作为样 本标签进 行监督训练得到， 其中， 所述目标人 脸区域图像为包 含RGB图像和HSV图像的6通道图像； 所述反射 图监督网络共有16层， 包括： 13层卷积层和3层池化层， 每个所述卷积层卷积 核大小均为3 ×3， 步长为1， 每个所述池化层的最大池化窗口均为2 ×2， 其中， 每个所述卷积 层后都具有一个激活函数和批量归一 化层； 所述反射图监 督网络的16层被划分为5组卷积集 合， 分别为： 第一组包 含1个所述卷积层； 第二组包 含3个所述卷积层和1个所述池化层；权　利　要　求　书 1/3 页 2 CN 114612984 A 2第三组包 含3个所述卷积层和1个所述池化层； 第四组包 含3个所述卷积层和1个所述池化层； 第五组包 含3个所述卷积层。 6.根据权利要求3所述的人脸活体 检测方法， 其特 征在于， 还 包括： 利用预先确定的总损失函数的值调整所述人脸活体检测模型的参数， 直至所述总损失 函数的值收敛； 其中， 所述总损 失函数基于深度图监督网络损 失函数、 反射图监督网络损 失函数和融 合特征分类损失函数及其对应的占比权 重得到。 7.一种人脸活体 检测系统， 其特 征在于， 包括： 获取单元， 用于获取原 始人脸区域图像； 归一化单元， 用于对所述原 始人脸区域图像进行归一 化处理， 得到中间人脸区域图像； 转换单元， 用于对所述中间人脸区域图像进行颜色空间转换， 得到目标 人脸区域图像； 检测单元， 用于将所述目标人脸区域图像输入至预先训练得到的人脸活体检测模型， 得到所述原 始人脸区域图像对应的人脸 为真实人脸或虚拟人脸的检测结果。 8.根据权利要求7 所述的人脸活体 检测系统， 其特 征在于， 还 包括： 模型训练单 元， 用于训练所述人脸活体 检测模型； 获取子单 元， 用于获取 人脸区域图像样本； 归一化子单元， 用于对所述人脸区域图像样本进行归一化处理， 并进行颜色空间转换， 得到目标 人脸区域图像样本； 深度特征确定子单元， 用于将所述目标人脸 区域图像样本输入至预先构建的深度图监 督网络， 得到深度特 征； 反射特征确定子单元， 用于将所述目标人脸 区域图像样本输入至预先构建的反射图监 督网络， 得到反射特 征； 融合子单 元， 用于将所述深度特 征和所述反射特 征进行特征融合， 得到特 征融合层； 添加子单元， 用于在所述特征融合层中加入注意力层， 得到基于注意力机制的目标特 征融合层； 连接子单元， 用于将所述目标特征融合层连接至一个二分类器， 得到所述人脸活体检 测模型。 9.根据权利要求8所述的人脸活体 检测系统， 其特 征在于， 所述模型训练单 元还包括： 第一训练子单元， 用于以所述目标人脸区域图像为样本， 以深度特征作为样本标签进 行监督训练得到所述深度图监督网络， 其中， 所述目标人脸区域图像为包含RGB图像和 HSV 图像的6通道图像； 所述深度图监督网络共有16层， 包括： 13层卷积层和3层池化层， 每个所述卷积层卷积 核大小均为3 ×3， 步长为1， 每个所述池化层的最大池化窗口均为2 ×2， 其中， 每个所述卷积 层后都具有一个激活函数和批量归一 化层； 所述深度图监 督网络的16层被划分为5组卷积集 合， 分别为： 第一组包 含1个所述卷积层； 第二组包 含3个所述卷积层和1个所述池化层； 第三组包 含3个所述卷积层和1个所述池化层；权　利　要　求　书 2/3 页 3 CN 114612984 A 3