活体检测方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种活体检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着电子时代的到来，人脸识别在金融、安防等重要领域被广泛应用，但利用照片、工卡等方式攻击识别设备的作弊方式层出不穷，活体检测作为检测人脸识别作弊的有效措施，成为技术攻坚的重点方向。
3.目前主流的活体检测方法更多是集中在静态检测或者短时序的动作验证，但伴随着电子屏幕的像素升级、纸张成像技术的成熟以及非法用户对活体检测流程的孰能生巧，现有的活体检测方案风险随之增加，导致活体检测的准确度不高。


技术实现要素：

4.本发明提供一种活体检测方法、装置及计算机可读存储介质，其主要目的在于解决进行活体检测时精确度较低的问题。
5.为实现上述目的，本发明提供的一种活体检测方法，包括：
6.获取活体检测的实时视频流，从所述视频流中定位至少一个人脸图像；
7.检测每个所述人脸图像中人脸区域在图像内的比例，并在侦测到任何一个所述比例发生变化时，触发活体检测；
8.利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，其中，所述空间特征包括浅层空间特征及高层空间特征；
9.获取所述不同比例的人脸图像的光流图，并对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征；
10.利用预训练完成的分类模型对所述时序特征进行分类，得到活体检测结果。
11.可选地，所述从所述视频流中定位至少一个人脸图像，包括：
12.将所述视频流转换为按时间排序的视频帧序列；
13.利用预设的人脸识别模型对所述视频帧序列进行人脸识别，得到至少一个人脸图像。
14.可选地，所述检测每个所述人脸图像中人脸区域在图像内的比例，包括：
15.将所述人脸图像输入到预设的人脸检测模型，得到所述人脸图像对应的人脸检测框；
16.计算所述人脸检测框中的像素点数量，得到人脸像素点数量，以及计算所述人脸图像中的像素点数量，得到整体像素点数量；
17.计算所述人脸像素点数量与所述真题像素点数量的比值，得到所述人脸图像中人脸区域在图像内的比例。
18.可选地，所述利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，包括：
19.利用所述深度卷积神经网络中的的浅层卷积层对所述标准化图像集进行卷积操作，得到卷积图像集；
20.对所述卷积图像集记性全局池化处理，得到所述人脸图像的浅层空间特征；
21.利用所述深度卷积神经网络的多层卷积层提取所述浅层空间特征中的特征信息，并对所述特征信息进行残差连接；
22.将所述残差连接后的特征信息输入各个卷积层中，得到所述各个卷积层的特征，并对最后一个卷积层的特征进行全局池化操作，得到所述人脸图像的高层空间特征。
23.可选地，所述获取所述不同比例的人脸图像的光流图，包括：
24.将所述不同比例的人脸图像输入到预设的神经光流网络，其中，所述神经光流网络包括卷积神经网络及反卷积神经网络；
25.利用所述卷积神经网络对所述不同比例的人脸图像进行卷积操作，得到所述卷积神经网络中各个卷积层的光流特征图；
26.利用预设的激活函数计算所述各个卷积层的光流特征图中每个元素的预测值，得到各个所述卷积层的预测光流图；
27.将所述光流特征图及所述预测光流图输入至所述反卷积神经网络中，利用所述反卷积神经网络对所述光流特征图及所述预测光流图进行上采样，得到所述不同比例的人脸图像的光流图。
28.可选地，所述对所述高层空间特征进行反卷积操作，包括：
29.获取所述深度卷积神经网络中卷积核的参数信息，其中，所述参数信息包括卷积核的滑动步长及所述卷积核的尺寸信息；
30.根据所述滑动步长及所述尺寸信息将所述卷积核拆分成多个子卷积核；
31.利用所述多个子卷积核对所述高层空间特征进行反卷积操作，得到反卷积操作后的高层空间特征。
32.可选地，所述利用预训练完成的分类模型对所述空间特征及所述时序特征进行分类之前，所述方法还包括：
33.获取预构建的活体人脸图像集及作弊人脸图像集，得到人脸图像集；
34.提取所述人脸图像集的时序特征，得到特征集；
35.将所述特征集输入到预构建的分类模型中，得到分类结果；
36.利用预设的损失函数计算所述分类结果与真实结果之间的损失函数值；
37.在所述损失函数值大于或等于预设阈值时，调整所述分类模型中的参数，并返回上述将所述特征集输入到预构建的分类模型中，得到分类结果的步骤；
38.在所述损失值小于预设阈值时，确定所述分类模型训练完成。
39.为了解决上述问题，本发明还提供一种活体检测装置，所述装置包括：
40.人脸图像定位模块，用于获取活体检测的实时视频流，从所述视频流中定位至少一个人脸图像；
41.人脸区域比例计算模块，用于检测每个所述人脸图像中人脸区域在图像内的比例，并在侦测到任何一个所述比例发生变化时，触发活体检测；
42.空间特征提取模块，用于利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，其中，所述空间特征包括浅层空间特征及高层空间特征；
43.时序特征获取模块，用于获取所述不同比例的人脸图像的光流图，并对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征；
44.活体检测模块，用于利用预训练完成的分类模型对所述时序特征进行分类，得到活体检测结果。
45.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
46.至少一个处理器；以及，
47.与所述至少一个处理器通信连接的存储器；其中，
48.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的活体检测方法。
49.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的活体检测方法。
50.本发明实施例通过检测活体检测视频流中人脸图像中人脸区域在图像内的比例，在比例发生变化时触发活体检测，提高活体检测的效率；利用深度卷积神经网络提取不同比例的人脸图像浅层空间特征及高层空间特征，使得特征更丰富，有利于提高活体检测的准确度；再获取不同比例人脸图像的光流图，实现利用光流原理进行活体检测，对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征，进一步地增加特征的丰富度；利用时序特征进行分类，得到活体检测结果，利用更加丰富的特征进行活体检测，可实现更加准确的活体检测。因此本发明提出的活体检测方法、装置、电子设备及计算机可读存储介质，可以解决进行活体检测是精确度较低的问题。
附图说明
51.图1为本发明一实施例提供的活体检测方法的流程示意图；
52.图2为本发明一实施例提供的计算人脸区域比例的流程示意图；
53.图3为本发明一实施例提供的提取空间特征的流程示意图；
54.图4为本发明一实施例提供的活体检测装置的功能模块图；
55.图5为本发明一实施例提供的获取光流图的流程示意图；
56.图6为本发明一实施例提供的实现所述活体检测方法的电子设备的结构示意图。
57.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
58.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
59.本技术实施例提供一种活体检测方法。所述活体检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一
种。换言之，所述活体检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
60.参照图1所示，为本发明一实施例提供的活体检测方法的流程示意图。
61.在本实施例中，所述活体检测方法包括：
62.s1、获取活体检测的实时视频流，从所述视频流中定位至少一个人脸图像；
63.本发明实施例中，所述视频流为进行活体检测的实时视频，所述人脸图像即为所述视频流中出现人脸图像的视频帧，所述人脸图像可以是待检测的活体图像，也可能是非法用户的作弊人脸图像，其中所述作弊人脸图像可能是包含但不限于人脸图像的照片、卡证、纸张等。
64.详细地，所述从所述视频流中定位至少一个人脸图像，包括：
65.将所述视频流转换为按时间排序的视频帧序列；
66.利用预设的人脸识别模型对所述视频帧序列进行人脸识别，得到至少一个人脸图像。
67.本发明实施例中，所述预设的人脸识别模型可以是通过卷积神经网络对多张人脸图像的训练样本图像集进行训练得到的。s2、检测每个所述人脸图像中人脸区域在图像内的比例，并在侦测到任何一个所述比例发生变化时，触发活体检测；
68.本发明实施例中，人脸图像帧中人脸区域在图像内的比例，反映了被检测用户与活体检测设备的距离，在检测到人脸区域在图像内的比例发生变化时，即被检测用户与活体检测设备之间的距离发生了改变，比例不同的人脸图像帧的图像信息会出现不同的时序特征，此时会触发活体检测对所述人脸图像进行活体检测。
69.详细地，参阅图2所示，所述检测每个所述人脸图像中人脸区域在图像内的比例，包括：
70.s21、将所述人脸图像输入到预设的人脸检测模型，得到所述人脸图像对应的人脸检测框；
71.s22、计算所述人脸检测框中的像素点数量，得到人脸像素点数量，以及计算所述人脸图像中的像素点数量，得到整体像素点数量；
72.s23、计算所述人脸像素点数量与所述真题像素点数量的比值，得到所述人脸图像中人脸区域在图像内的比例。
73.具体地，本发明实施例中，所述预设的人脸检测模型可以与上述的人脸识别模型一致，在此不做赘述。
74.本发明实施例中，所述在人脸比例发生变化时触发活体检测，只在人脸采集阶段利用用户调整过程监测是否存在作弊行为，在满足条件时触发活体检测，使得用户无法通过提示降低作弊难度，进一步地提高活体检测的准确度。
75.s3、利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，其中，所述空间特征包括浅层空间特征及高层空间特征；
76.本发明实施例中，所述深度卷积神经网络可以为mobilenetv3结构的轻量型神经网络，其中，所述深度卷积神经网络包括多个卷积层，所述卷积层可以采用7*7*512的卷积核进行特征提取，其中，所述7*7为所述深度卷积神经网络的卷积核大小，所述512为卷积核通道数量。
77.本发明实施例中，所述浅层空间特征的分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多，所述高层空间特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。
78.本发明实施例中，所述空间特征为卷积神经网络输出的特征图，根据深度卷积神经网络中卷积层以及卷积核的参数不同，得到的特征图的形式也不同。
79.详细地，参阅图3所示，所述利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，包括：
80.s31、利用所述深度卷积神经网络中的的浅层卷积层对所述标准化图像集进行卷积操作，得到卷积图像集；
81.s32、对所述卷积图像集记性全局池化处理，得到所述人脸图像的浅层空间特征；
82.s33、利用所述深度卷积神经网络的多层卷积层提取所述浅层空间特征中的特征信息，并对所述特征信息进行残差连接；
83.s34、将所述残差连接后的特征信息输入各个卷积层中，得到所述各个卷积层的特征，并对最后一个卷积层的特征进行全局池化操作，得到所述人脸图像的高层空间特征。
84.本发明实施例中，通过提取所述不同比例人脸图像的浅层空间特征以及高层空间特征，保证了空间特征的细节信息的同时也具有更强的语义信息，使得空间特征信息更全面，更准确。
85.s4、获取所述不同比例的人脸图像的光流图，并对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征；
86.本发明实施例中，所述光流图中是利用不同的图像帧在时间上的变化以及相邻图像之间的相关性找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻人脸图像帧之间人脸的运动变化信息。
87.本发明其中一可选实施例中，因为光流图涉及到不同比例的人脸图像像素点之间的联系，所以可以利用预训练完成的神经光流网络(flownet:learning optical flow with convolutional networks)提取光流特征所述神经光流网络是将卷积神经网络去掉全连接层，改成两个网络，所述两个网络一种是一般普通的全是卷积层的神经网络，另一个除了卷积层之外还包括一个反卷积层，并且对这两种网络分别进行点对点的训练，使网络能从一对图片中预测光流变化，得到光流图。
88.详细地，参阅图4所示，所述获取所述不同比例的人脸图像的光流图，包括：
89.s41、将所述不同比例的人脸图像输入到预设的神经光流网络，其中，所述神经光流网络包括卷积神经网络及反卷积神经网络；
90.s42、利用所述卷积神经网络对所述不同比例的人脸图像进行卷积操作，得到所述卷积神经网络中各个卷积层的光流特征图；
91.s43、利用预设的激活函数计算所述各个卷积层的光流特征图中每个元素的预测
值，得到各个所述卷积层的预测光流图；
92.s44、将所述光流特征图及所述预测光流图输入至所述反卷积神经网络中，利用所述反卷积神经网络对所述光流特征图及所述预测光流图进行上采样，得到所述不同比例的人脸图像的光流图。
93.具体地，本发明实施例中，所述激活函数可以是relu线性激活函数。
94.本发明实施例中，通过对所述光流特征图及所述预测光流图进行上采样，使得上采样不仅具有深层的特征信息，同时又具有浅层的光流具体信息，弥补了因上采样尺寸扩大而损失的信息，提高了光流图的准确度。
95.本发明实施例中，输入的图像在经过卷积神经网络进行特征提取后，输出的图像尺寸会变小，导致图像分辨率也会减小，所述反卷积操作即为了将图像恢复到原来的尺寸以便进行进一步地计算，实现图像由小分辨率到大分辨率。
96.进一步地，所述对所述高层空间特征进行反卷积操作，包括：
97.获取所述深度卷积神经网络中卷积核的参数信息，其中，所述参数信息包括卷积核的滑动步长及所述卷积核的尺寸信息；
98.根据所述滑动步长及所述尺寸信息将所述卷积核拆分成多个子卷积核；
99.利用所述多个子卷积核对所述高层空间特征进行反卷积操作，得到反卷积操作后的高层空间特征。
100.本发明实施例中，所述利用多个子卷积核对所述高层空间特征进行反卷积操作，是对所述子卷积核的空缺处填充0，并根据子卷积核的步长进行反卷积，得到高分辨率的高层空间特征。
101.本发明实施例中，通过汇集所述高层空间特征、所述光流图、所述反卷积操作后的高层空间特征及浅层空间特征得到时序特征，避免了高层空间特征的特征细节信息流失，同时根据光流图，找到不同比例的人脸图像之间的运动关系，进一步地将活体与作弊行为进行区分，提高活体检测的准确性。
102.s5、利用预训练完成的分类模型对所述时序特征进行分类，得到活体检测结果。
103.本发明实施例中，所述预训练完成的分类模型包括但不限于具有分类功能的神经网络、支持向量机、bert等具有分类功能的模型，根据所述预训练完成的分类模型可利用所述时序特征将人脸图像分为活体人脸图像或非活体的作弊人脸图像，得到活体检测的结果。
104.详细地，本发明实施例中，所述利用预训练完成的分类模型对所述空间特征及所述时序特征进行分类之前，所述方法还包括：
105.获取预构建的活体人脸图像集及作弊人脸图像集，得到人脸图像集；
106.提取所述人脸图像集的时序特征，得到特征集；
107.将所述特征集输入到预构建的分类模型中，得到分类结果；
108.利用预设的损失函数计算所述分类结果与真实结果之间的损失函数值；
109.在所述损失函数值大于或等于预设阈值时，调整所述分类模型中的参数，并返回上述将所述特征集输入到预构建的分类模型中，得到分类结果的步骤；
110.在所述损失值小于预设阈值时，确定所述分类模型训练完成。
111.具体的，本发明实施例中，可以利用如下损失函数计算与所述真实结果之间的损
失值：
112.l＝l
classify
al
flow
[0113][0114]
其中，所述l
classify
为交叉熵损失值，a为预设的参数，l
flow
为人脸图像集不同分辨率的最小平方误差之和，n为人脸图像集的数量，i为所述人脸图像集中第i个人脸图像，yi为所述人脸图像的分类标签，所述分类标签为活体是1，作弊行为是0，pi为预测为活体的概率。
[0115]
具体地，本发明实施例中，所述提取所述人脸图像集的时序特征，可以利用与上述提取时序特征的步骤一致的方法进行特征提取，在此不做赘述。
[0116]
本发明实施例中，根据所述分类模型进行活体检测，同时结合了光流图中的光流原理以及人脸不同比例下的人脸特征，丰富了活体检测的特征信息，特征维度从空间领域扩展到时间领域，使得活体检测的准确度明显提升。
[0117]
本发明实施例通过检测活体检测视频流中人脸图像中人脸区域在图像内的比例，在比例发生变化时触发活体检测，提高活体检测的效率；利用深度卷积神经网络提取不同比例的人脸图像浅层空间特征及高层空间特征，使得特征更丰富，有利于提高活体检测的准确度；再获取不同比例人脸图像的光流图，实现利用光流原理进行活体检测，对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征，进一步地增加特征的丰富度；利用时序特征进行分类，得到活体检测结果，利用更加丰富的特征进行活体检测，可实现更加准确的活体检测。因此本发明提出的活体检测方法，可以解决进行活体检测是精确度较低的问题。
[0118]
如图5所示，是本发明一实施例提供的活体检测装置的功能模块图。
[0119]
本发明所述活体检测装置100可以安装于电子设备中。根据实现的功能，所述活体检测装置100可以包括人脸图像定位模块101、人脸区域比例计算模块102、空间特征提取模块103、时序特征获取模块104及活体检测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0120]
在本实施例中，关于各模块/单元的功能如下：
[0121]
所述人脸图像定位模块101，用于获取活体检测的实时视频流，从所述视频流中定位至少一个人脸图像；
[0122]
所述人脸区域比例计算模块102，用于检测每个所述人脸图像中人脸区域在图像内的比例，并在侦测到任何一个所述比例发生变化时，触发活体检测；
[0123]
所述空间特征提取模块103，用于利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，其中，所述空间特征包括浅层空间特征及高层空间特征；
[0124]
所述时序特征获取模块104，用于获取所述不同比例的人脸图像的光流图，并对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征；
[0125]
所述活体检测模块105，用于利用预训练完成的分类模型对所述时序特征进行分
类，得到活体检测结果。
[0126]
详细地，本发明实施例中所述活体检测装置100中所述的各模块在使用时采用与上述图1至图4中所述的活体检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0127]
如图6所示，是本发明一实施例提供的实现活体检测方法的电子设备的结构示意图。
[0128]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如活体检测程序。
[0129]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行活体检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0130]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如活体检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0131]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0132]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0133]
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某
些部件，或者不同的部件布置。
[0134]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0135]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0136]
所述电子设备1中的所述存储器11存储的活体检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0137]
获取活体检测的实时视频流，从所述视频流中定位至少一个人脸图像；
[0138]
检测每个所述人脸图像中人脸区域在图像内的比例，并在侦测到任何一个所述比例发生变化时，触发活体检测；
[0139]
利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，其中，所述空间特征包括浅层空间特征及高层空间特征；
[0140]
获取所述不同比例的人脸图像的光流图，并对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征；
[0141]
利用预训练完成的分类模型对所述时序特征进行分类，得到活体检测结果。
[0142]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0143]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0144]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0145]
获取活体检测的实时视频流，从所述视频流中定位至少一个人脸图像；
[0146]
检测每个所述人脸图像中人脸区域在图像内的比例，并在侦测到任何一个所述比例发生变化时，触发活体检测；
[0147]
利用深度卷积神经网络提取所述不同比例的人脸图像的空间特征，其中，所述空间特征包括浅层空间特征及高层空间特征；
[0148]
获取所述不同比例的人脸图像的光流图，并对所述高层空间特征进行反卷积操作，汇集所述高层空间特征、所述反卷积操作后的高层空间特征、所述浅层空间特征及所述光流图，得到时序特征；
[0149]
利用预训练完成的分类模型对所述时序特征进行分类，得到活体检测结果。
[0150]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0151]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0152]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0153]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0154]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0155]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0156]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0157]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0158]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。