1.本公开涉及人工智能
技术领域：
：，具体为深度学习、计算机视觉技术等领域，可应用于人脸识别等场景。尤其涉及一种人脸活体检测方法、装置、电子设备及存储介质。
背景技术：
：：2.人脸活体检测是人脸识别系统的基础模块，保证人脸识别系统的安全性。3.现有的人脸活体检测方法，主要是基于单帧的红绿蓝(redgreenblue；rgb)或者单帧rgb结合多模态数据的方法，这些方法能有效提取到人脸图像的空间特征。然后基于人脸图像的空间特征，检测图像中的人脸是否为活体人脸。技术实现要素：4.本公开提供了一种人脸活体检测方法、装置、电子设备及存储介质。5.根据本公开的一方面，提供了一种人脸活体检测方法，包括：6.获取待检测的视频流；7.基于时空特征以及梯度特征，检测所述待检测的视频流中的人脸是否为活体人脸。8.根据本公开的另一方面，提供了一种人脸活体检测装置，包括：9.获取模块，用于获取待检测的视频流；10.检测模块，用于基于时空特征以及梯度特征，检测所述待检测的视频流中的人脸是否为活体人脸。11.根据本公开的再一方面，提供了一种电子设备，包括：12.至少一个处理器；以及13.与所述至少一个处理器通信连接的存储器；其中，14.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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如上所述的方面和任一可能的实现方式的方法。15.根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。16.根据本公开的再另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。17.根据本公开的技术，能够有效地提高人脸活体检测的准确性。18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明19.附图用于更好地理解本方案，不构成对本公开的限定。其中：20.图1是根据本公开第一实施例的示意图；21.图2是根据本公开第二实施例的示意图；22.图3是根据本公开第三实施例的示意图；23.图4是本公开提供的人脸活体检测模型的卷积层的工作原理图；24.图5是根据本公开第四实施例的示意图；25.图6是根据本公开第五实施例的示意图；26.图7是用来实现本公开实施例的上述方法的电子设备的框图。具体实施方式27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。28.显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。29.需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(personaldigitalassistant，pda)、无线手持设备、平板电脑(tabletcomputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。30.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。31.对于一些高清高质量的打印图像等攻击，其真实度非常高，以致于人类都难以分辨。在采用现有的人脸活体检测方法，仅仅基于提取的空间特征进行人脸活体检测，往往有所欠缺，导致检测的准确性较差，从而无法抵御高清高质量的攻击，从而影响人脸活体的应用性能。基于此，本公开提供一种更准确、更高效地的人脸活体检测方案。32.图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种人脸活体检测方法，可以应用于任何的能够进行人脸活体检测的装置中，具体可以包括如下步骤：33.s101、获取待检测的视频流；34.s102、基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。35.与现有技术中的单帧rgb的人脸活体检测方法相比，本实施例中的人脸活体检测，检测的对象是待检测的视频流。该待检测的视频流可以认为是包括预设数量的连续多帧图像。由于连续多帧图像之间本身存在时间序列的特性，所以，在对待检测的视频流进行活体检测时，可以参考待检测的视频流中各帧图像的时间特征。另外，本实施例的检测方法中，也可以参考单帧rgb的人脸活体检测方法，参考各帧视频图像的空间特征。再者，本实施例中，在进行人脸活体检测时，还需要考虑梯度特征。从而可以从时空、梯度等多个特征维度，对待检测的视频流进行更加准确地人脸活体检测，使得检测的结果更加准确。36.在本实施例的应用场景中，在对待检测的视频进行活体人脸检测时，所参考的时空特征可以包括视频流中相邻的不同图像之间的时间维度的特征信息、和单张图像中的空间维度的特征信息。所参考的梯度特征可以包括视频流中相邻的不同图像之间的梯度特征信息、和单张图像中不同点之间的梯度特征信息。例如，可以参考纹理信息，构成相应的梯度纹理特征。具体地，梯度纹理梯度特征可以包括视频流中相邻的不同图像之间相同点的纹理差构成的梯度特征信息、和单张图像中不同点之间的纹理差构成的梯度特征信息。当然，实际应用中，也可以参考其他信息，构成相应的梯度信息，在此不做限定。37.本实施例的人脸活体检测方法，通过基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，能够实现从时空特征以及梯度特征等多个方面对待检测的视频流进行更加准确、更加全面的检测，进而可以有效地提高人脸活体检测的准确性。38.进一步可选地，在本公开的一个实施例中，上述步骤s102中基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，具体可以采用预先训练的人脸活体检测模型，基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。39.本实施例的人脸活体检测模型为一个预先训练的神经网络模型。该人脸活体检测模型的原型可以为卷积神经网络(convolutionalneuralnetworks；cnn)模型。该人脸活体检测模型在使用之前，需要经过预先训练，使得其学习到基于时空特征以及梯度特征，进行人脸活体检测的能力。40.可选地，实际应用中，也可以不采用人脸活体检测模型来实现人脸活体检测。可以直接采用一定的数学计算公式，对待检测的视频流，基于时空特征以及梯度等多方面的特征，进行人脸活体检测。41.本实施例的人脸活体检测方法，通过基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，可以实现通过更多维度的特征进行活体人脸检测，可以进一步提高活体人脸检测的准确性。42.图2是根据本公开第二实施例的示意图；本实施例的人脸活体检测方法，在上述图1所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图2所示，本实施例的人脸活体检测方法，具体可以包括如下步骤：43.s201、获取待检测的视频流；44.在进行人脸活体检测时，并不是待检测的视频流的长度越长越好，只要达到一定的预设时间长度，便可以实现对待检测的视频流进行准确检测。反而若待检测的视频流的长度过长，反而会导致检测速度慢，检测效率低。所以，在本公开具体实现时，可以设置一个预设时间长度的滑动窗口。然后采用该预设长度的滑动窗口从原始视频流中截取长度等于预设时间长度的视频流片段。具体截取时，可以在原始视频流中按照从前到后的顺序，滑动该滑动窗口，每滑动一个位置，便可以截取到一个视频流片段。本实施例中，以截取的检测任意一个视频流片段作为待检测的视频流为例，来描述人脸活体检测方案。45.s202、对于待检测的视频流，采用人脸活体检测模型的至少一个卷积层中的各卷积层，基于时空特征以及梯度特征进行处理；46.s203、采用人脸活体检测模型的多个网络处理层，基于各卷积层的处理，预测待检测的视频流中的人脸是否为活体人脸。47.步骤s202-s203为上述图1所示实施例的步骤s102的一种实现方式。在该实现方式中，仍以预先训练的人脸活体检测模型来实现。48.具体地，本实施例中，以人脸活体检测模型包括至少一个卷积层和多个网络处理层为例来描述。且本实施例中的该人脸活体检测模型中包括的卷积层的数量也不做限制，可以仅为1-2层、或者2-3层，或者也可以高达几十甚至上百层，本实施例中不做限定。另外，本实施例的多个网络处理层具体可以根据人脸活体检测模型的结构来设置，例如可以包括输入层、池化层以及全连接层等等多个功能层，每一功能层的数量可以根据需求来设置，在此不做限定。49.本实施例中，采用人脸活体检测模型的各卷积层，来实现基于时空特征以及梯度特征的处理，采用人脸活体检测模型的各卷积层之外的其他结构，实现预测待检测的视频流中的人脸是否为活体人脸。50.具体地，可以理解为，在人脸活体检测模型的各卷积层实现时间特征、空间特征以及梯度特征的提取。然后在其他结构中，可以基于提取的时间特征、空间特征以及梯度特征，实现预测待检测的视频流中的人脸是否为活体人脸。51.实际应用中，人脸活体检测模型中各卷积层并非一定位于其他结构之前，例如，其他结构中可能也包括池化层、squeeze层以及全连接层(fullyconnected；fc)层等，这些层中的有些层可以与各卷积层互相穿插，有些层可能位于所有卷积层之后。52.本实施例的人脸活体检测方法，通过采用预先训练的活体人脸检测模型来实现基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，不仅可以实现通过更多维度的特征进行活体人脸检测，而且还能够提高活体人脸检测的智能性，进一步有效地提高活体人脸检测的准确性。53.图3是根据本公开第三实施例的示意图；本实施例的人脸活体检测方法，在上述图2所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图3所示，本实施例的人脸活体检测方法，具体可以包括如下步骤：54.s301、采用预设长度的滑动窗口从原始视频流中截取多个视频流片段，并确定各视频流片段的标识；55.具体地截取方式，可以参考上述实施例中的步骤s201，在原始视频流中按照从前到后的顺序滑动该滑动窗口，每滑动一个位置，便可以截取一个视频流片段，直至滑动至原始视频流的结尾，便可以截取到多个视频流片段，每个视频流片段的长度等于预设长度。每个视频流片段的标识可以采用该视频流片段的第一帧在原始视频流中的帧号来标识。或者多个视频流片段的标识也可以按照多个视频流片段的第一帧在原始视频流中的先后顺序，采用数字1、2、3等或者字母a、b、c等来标识。或者也可以采用其他方式来标识各视频流片段，在此不做限定。56.s302、判断多个视频流片段中是否还存在未被检测的；若存在，执行步骤s303；若不存在，执行步骤s309；57.具体地，未检测前，可以将多个待检测的视频流的标识放入未检测列表中，每次选择一个进行检测时，将选择的待检测列表放入正在检测的列表中，当检测完毕后，将该待检测的视频流的标识放入已检测列表中。或者可选地，也可以省去正在检测的列表，在每次选择一个进行检测后，直接将该待检测的视频流的标识放入已检测列表中。58.可选地，实际应用中，还可以采用其他方式来管理未被检测的待检测视的视频流的标识和已检测的待检测的视频流的标识，在此不做限定。59.s303、选择一个未被检测的视频流片段作为待检测的视频流，执行步骤s304；60.s304、采用人脸活体检测模型的至少一个卷积层中的各卷积层的普通卷积核，提取该待检测的视频流在对应的该卷积层中对应的输入特征信息的全局时空特征；61.s305、采用对应的该卷积层的差分卷积核，提取输入特征信息的梯度纹理特征；62.s306、基于全局时空特征、梯度纹理特征以及对应的该卷积层内预先训练的权重参数，获取待检测的视频流在对应的该卷积层中对应的输出特征信息；63.s307、采用人脸活体检测模型的多个网络处理层，基于各卷积层的处理，预测该待检测的视频流中的人脸是否为活体人脸；执行步骤s308；64.上述步骤s304-s307为本实施例的核心步骤，用于实现基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。65.具体地，本实施例中，采用人脸活体检测模型中的卷积层来实现时空、梯度多维度的特征处理。66.例如，图4是本公开提供的人脸活体检测模型的卷积层的工作原理图。如图4所示，在本实施例的人脸活体检测模型的一个卷积层内，可以认为是进行了三维差分卷积的操作，具体可以采用三维的差分卷积算子来实现。如图4所示，本实施例的三维的差分卷积算子可以包括两个卷积核，一个是普通卷积核，可以定义为用于实现对输入特征信息的全局时空特征进行提取，该全局时空特征也可以指的是该输入特征信息的语义特征，其中不仅包括视频流中相邻不同图像的时间维度的特征信息，还可以包括每张图像的空间维度的特征信息。另一个是差分卷积核，可以定义为用于实现对输入特征信息的梯度纹理特征进行提取。该梯度纹理特征不仅包括视频流中相邻不同图像的纹理的梯度特征信息，还可以包括同一张图像上的不同点的纹理的梯度特征信息。其中相邻不同图像的纹理的梯度特征信息可以指的是相邻不同图像中相同点的纹理梯度特征信息。普通卷积核参数在人脸活体检测模型训练开始时随机初始化，并可通过网络学习更新，而差分卷积核的参数为不可学习且参数值固定，67.例如，本实施例的差分卷积核可以采用奇数的立方对称结构，如可以为3*3*3、5*5*5、或者7*7*7等的结构，这样才能实现基于立方对称结果，提取输入特征信息的梯度纹理特征。68.例如，在一个3*3*3的立方对称结构中，差分卷积核wd可以采用如下的形式：[0069][0070]在卷积层内，三维差分卷积算子处理后的输出包括普通卷积的输出yo和差分卷积输出yd，最终的输出为两者的加权y＝θ·yo (1-θ)·yd，其中θ为可学习参数，其在网络训练中能够自适应地权衡两部分特征。[0071]如下表1以一个人脸活体检测模型来的各网络层为例，描述该人脸活体检测模型的实现原理。如表1所示，以每个视频流片段包括连续的8帧图像为例，其中帧数采用d表示。视频的每一帧图像的特征维度包括高h，宽w以及通道数c。[0072]如表1所示，以向人脸活体检测模型输入一个连续8帧图像的视频流为例，视频的每一帧图像维度h，w，c为224，224，3，即第一个卷积层的输入特征信息的维度为3×8×224×224。而相应的差分卷积算子的维度可以为3×3×3,64，表示总共有64个3×3×3的三维的差分卷积算子。由于每个三维的差分卷子算子中包括一个普通卷积核和一个差分卷积核，即相当于有64个3×3×3的普通卷积核和64个3×3×3的差分卷积核。在第一个卷积层，将普卷积核的卷积结果和差分卷积核的卷积结果，加权相加后，输出的输出特征信息的维度可以为64×8×112×112。紧接着进入下一层网络层。如表1所述，从上至下表示人脸活体检测模型的依次包括的多个网络层，如依次包括卷积层、卷积层、3dmaxpooling层、卷积层、3dmaxpooling层、卷积层、3dmaxpooling层、squeeze层、卷积层、2dgap层以及fc层。其中，3dmaxpooling层表示三维最大值池化层，squeeze层表示维度为1的维度去除算子层，2dgap层为二维全局平均池化(globalaveragepooling；gap)层，fc层为全连接网络层，最终得到二分类的结果，表示待检测的视频流中的人脸是否为活体人脸。对于各卷积层，对应的差分卷积算子的维度如表1所示。其中，3×3×3,64表示总共有64个3×3×3的三维卷积核，其他类似格式同理。[0073]表1[0074][0075][0076]如表1所示，本实施例的活体人脸检测模型对应的三维差分卷积网络，输入为图像序列，并且要求输入的图像序列长度固定，因此本实施例中，也可以在输入接口处设计输入图像队列，类似于上述实施例中的视频流片段的截取。在长视频序列中，根据时间先后分别对长度为8的图像队列进行入队和出队，即类似滑动窗口形式获取到各图像序列。并依次对各图像序列进行活体人脸检测，只有存在有一段图像序列为攻击，则输出攻击信号。[0077]本实施例中，每一层卷积层中的权重参数为可学习的权重因子，可以进一步使活体人脸检测模型在训练时能自适应权衡攻击的语义特征和纹理特征，从而提高整个模型的特征提取能力。[0078]本实施例的人脸活体检测模型在使用之前，需要经过预训练。训练时，可以采集多条训练样本，每条训练样本可以包括一段预设长度的训练视频流以及人工标注的该训练视频流中的人脸是否为活体人脸的标注。然后采用多条训练样本对上述人脸活体检测模型进行训练。在训练过程中，卷积层中的普通卷积核以及权重参数都是可学习的。通过多条训练样本，使得人脸活体检测模型学习到识别活体人脸的能力。[0079]s308、记录该待检测的视频流对应的视频流片段的检测结果；返回s302；[0080]在本公开的一个实施例中，记录该待检测的视频流对应的视频流片段的检测结果，可以采用该待检测的视频流对应的视频流片段的标识加上检测结果的标识，来记录对应的视频流片段的检测结果。例如，若视频流片段对应的检测结果是检测到活体人脸，则对应的检测结果可以标识为1；若视频流片段对应的检测结果是未检测到活体人脸，则对应的检测结果可以标识为0。[0081]s309、判断多个视频流片段的检测结果中是否存在非活体人脸，若存在，执行步骤s310；否则，执行步骤s311；[0082]s310、确定原始视频流为攻击，同时输出原始视频流为攻击的提示消息，以及攻击对应的视频流片段的标识，结束。[0083]例如，可以通过分析步骤s308的方式记录的每个视频流片段的检测结果，看是否存在非活体人脸的检测结果。若存在，则确定存在攻击，此时需要输出攻击对应的视频流片段的标识，以实现在原始视频流中对攻击进行定位，便于及时获取到攻击的位置，实用性非常强。[0084]s311、确定原始视频流为正常的人脸验证视频流，并输出原始视频流为正常视频流的提示消息，结束。[0085]本实施例人脸活体检测方法，通过在活体人脸检测模型的各卷积层中设计三维差分卷积算子来提取待检测的视频流的全局时空特征和梯度纹理特征，尤其是梯度纹理特征能有效突出梯度纹理信息，使得待检测的视频流为攻击时更容易被检测到，能够进一步有效地提高人脸活体检测的准确性。而且，本实施例的技术方案，还能够在检测到攻击时，有效地对攻击进行定位，实用性非常强。[0086]本实施例的人脸活体检测方法，可以广泛的用于安防、考勤、金融、门禁通行等诸多场景。采用本实施例的方法，能够提升人脸活体检测技术性能，帮助以人脸活体检测技术为基础的诸多应用提升效果和用户体验，有利于业务项目的进一步推广。[0087]图5是根据本公开第四实施例的示意图；如图5所示，本实施例提供一种人脸活体检测装置500，包括：[0088]获取模块501，用于获取待检测的视频流；[0089]检测模块502，用于基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。[0090]本实施例的人脸活体检测装置500，通过采用上述模块实现人脸活体检测的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。[0091]图6是根据本公开第五实施例的示意图；如图6所示，本实施例的人脸活体检测装置600，包括：上述图5所示的同名同功能模块，如获取模块601和检测模块602。[0092]本实施例的人脸活体检测装置600中，检测模块602，用于：[0093]采用预先训练的人脸活体检测模型，基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。[0094]进一步可选地，人脸活体检测模型包括至少一个卷积层和多个网络处理层，检测模块602，用于：[0095]对于待检测的视频流，采用人脸活体检测模型的至少一个卷积层中的各卷积层，基于时空特征以及梯度特征进行处理；[0096]采用人脸活体检测模型的多个网络处理层，基于各卷积层的处理，预测待检测的视频流中的人脸是否为活体人脸。[0097]进一步可选地，检测模块602，用于：[0098]采用人脸活体检测模型的各卷积层的普通卷积核，提取待检测的视频流在对应的卷积层中对应的输入特征信息的全局时空特征；[0099]采用对应的卷积层的差分卷积核，提取输入特征信息的梯度纹理特征；[0100]基于全局时空特征、梯度纹理特征以及对应的卷积层内预先训练的权重参数，获取待检测的视频流在卷积层中对应的输出特征信息。[0101]进一步可选地，本实施例中的差分卷积核采用奇数立体对称结构。[0102]进一步可选地，获取模块601，用于：[0103]采用预设长度的滑动窗口从原始视频流中截取多个视频流片段；[0104]从多个视频流片段中获取待检测的视频流。[0105]进一步可选地，如图6所示，本实施例的人脸活体检测装置600，还包括：[0106]确定模块603，用于若检测到待检测的视频流为非活体人脸，确定原始视频流为攻击；[0107]输出模块604，用于输出原始视频流为攻击的提示消息，以及攻击对应的视频流片段的标识。[0108]本实施例的人脸活体检测装置600，通过采用上述模块实现人脸活体检测的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。[0109]本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。[0110]根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。[0111]图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。[0112]如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。[0113]设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。[0114]计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如本公开的上述方法。例如，在一些实施例中，本公开的上述方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的本公开的上述方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开的上述方法。[0115]本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。[0116]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。[0117]在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0118]为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。[0119]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。[0120]计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。[0121]应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。[0122]上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。当前第1页12当前第1页12
技术领域：
：，具体为深度学习、计算机视觉技术等领域，可应用于人脸识别等场景。尤其涉及一种人脸活体检测方法、装置、电子设备及存储介质。
背景技术：
：：2.人脸活体检测是人脸识别系统的基础模块，保证人脸识别系统的安全性。3.现有的人脸活体检测方法，主要是基于单帧的红绿蓝(redgreenblue；rgb)或者单帧rgb结合多模态数据的方法，这些方法能有效提取到人脸图像的空间特征。然后基于人脸图像的空间特征，检测图像中的人脸是否为活体人脸。技术实现要素：4.本公开提供了一种人脸活体检测方法、装置、电子设备及存储介质。5.根据本公开的一方面，提供了一种人脸活体检测方法，包括：6.获取待检测的视频流；7.基于时空特征以及梯度特征，检测所述待检测的视频流中的人脸是否为活体人脸。8.根据本公开的另一方面，提供了一种人脸活体检测装置，包括：9.获取模块，用于获取待检测的视频流；10.检测模块，用于基于时空特征以及梯度特征，检测所述待检测的视频流中的人脸是否为活体人脸。11.根据本公开的再一方面，提供了一种电子设备，包括：12.至少一个处理器；以及13.与所述至少一个处理器通信连接的存储器；其中，14.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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如上所述的方面和任一可能的实现方式的方法。15.根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。16.根据本公开的再另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。17.根据本公开的技术，能够有效地提高人脸活体检测的准确性。18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明19.附图用于更好地理解本方案，不构成对本公开的限定。其中：20.图1是根据本公开第一实施例的示意图；21.图2是根据本公开第二实施例的示意图；22.图3是根据本公开第三实施例的示意图；23.图4是本公开提供的人脸活体检测模型的卷积层的工作原理图；24.图5是根据本公开第四实施例的示意图；25.图6是根据本公开第五实施例的示意图；26.图7是用来实现本公开实施例的上述方法的电子设备的框图。具体实施方式27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。28.显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。29.需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(personaldigitalassistant，pda)、无线手持设备、平板电脑(tabletcomputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。30.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。31.对于一些高清高质量的打印图像等攻击，其真实度非常高，以致于人类都难以分辨。在采用现有的人脸活体检测方法，仅仅基于提取的空间特征进行人脸活体检测，往往有所欠缺，导致检测的准确性较差，从而无法抵御高清高质量的攻击，从而影响人脸活体的应用性能。基于此，本公开提供一种更准确、更高效地的人脸活体检测方案。32.图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种人脸活体检测方法，可以应用于任何的能够进行人脸活体检测的装置中，具体可以包括如下步骤：33.s101、获取待检测的视频流；34.s102、基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。35.与现有技术中的单帧rgb的人脸活体检测方法相比，本实施例中的人脸活体检测，检测的对象是待检测的视频流。该待检测的视频流可以认为是包括预设数量的连续多帧图像。由于连续多帧图像之间本身存在时间序列的特性，所以，在对待检测的视频流进行活体检测时，可以参考待检测的视频流中各帧图像的时间特征。另外，本实施例的检测方法中，也可以参考单帧rgb的人脸活体检测方法，参考各帧视频图像的空间特征。再者，本实施例中，在进行人脸活体检测时，还需要考虑梯度特征。从而可以从时空、梯度等多个特征维度，对待检测的视频流进行更加准确地人脸活体检测，使得检测的结果更加准确。36.在本实施例的应用场景中，在对待检测的视频进行活体人脸检测时，所参考的时空特征可以包括视频流中相邻的不同图像之间的时间维度的特征信息、和单张图像中的空间维度的特征信息。所参考的梯度特征可以包括视频流中相邻的不同图像之间的梯度特征信息、和单张图像中不同点之间的梯度特征信息。例如，可以参考纹理信息，构成相应的梯度纹理特征。具体地，梯度纹理梯度特征可以包括视频流中相邻的不同图像之间相同点的纹理差构成的梯度特征信息、和单张图像中不同点之间的纹理差构成的梯度特征信息。当然，实际应用中，也可以参考其他信息，构成相应的梯度信息，在此不做限定。37.本实施例的人脸活体检测方法，通过基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，能够实现从时空特征以及梯度特征等多个方面对待检测的视频流进行更加准确、更加全面的检测，进而可以有效地提高人脸活体检测的准确性。38.进一步可选地，在本公开的一个实施例中，上述步骤s102中基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，具体可以采用预先训练的人脸活体检测模型，基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。39.本实施例的人脸活体检测模型为一个预先训练的神经网络模型。该人脸活体检测模型的原型可以为卷积神经网络(convolutionalneuralnetworks；cnn)模型。该人脸活体检测模型在使用之前，需要经过预先训练，使得其学习到基于时空特征以及梯度特征，进行人脸活体检测的能力。40.可选地，实际应用中，也可以不采用人脸活体检测模型来实现人脸活体检测。可以直接采用一定的数学计算公式，对待检测的视频流，基于时空特征以及梯度等多方面的特征，进行人脸活体检测。41.本实施例的人脸活体检测方法，通过基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，可以实现通过更多维度的特征进行活体人脸检测，可以进一步提高活体人脸检测的准确性。42.图2是根据本公开第二实施例的示意图；本实施例的人脸活体检测方法，在上述图1所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图2所示，本实施例的人脸活体检测方法，具体可以包括如下步骤：43.s201、获取待检测的视频流；44.在进行人脸活体检测时，并不是待检测的视频流的长度越长越好，只要达到一定的预设时间长度，便可以实现对待检测的视频流进行准确检测。反而若待检测的视频流的长度过长，反而会导致检测速度慢，检测效率低。所以，在本公开具体实现时，可以设置一个预设时间长度的滑动窗口。然后采用该预设长度的滑动窗口从原始视频流中截取长度等于预设时间长度的视频流片段。具体截取时，可以在原始视频流中按照从前到后的顺序，滑动该滑动窗口，每滑动一个位置，便可以截取到一个视频流片段。本实施例中，以截取的检测任意一个视频流片段作为待检测的视频流为例，来描述人脸活体检测方案。45.s202、对于待检测的视频流，采用人脸活体检测模型的至少一个卷积层中的各卷积层，基于时空特征以及梯度特征进行处理；46.s203、采用人脸活体检测模型的多个网络处理层，基于各卷积层的处理，预测待检测的视频流中的人脸是否为活体人脸。47.步骤s202-s203为上述图1所示实施例的步骤s102的一种实现方式。在该实现方式中，仍以预先训练的人脸活体检测模型来实现。48.具体地，本实施例中，以人脸活体检测模型包括至少一个卷积层和多个网络处理层为例来描述。且本实施例中的该人脸活体检测模型中包括的卷积层的数量也不做限制，可以仅为1-2层、或者2-3层，或者也可以高达几十甚至上百层，本实施例中不做限定。另外，本实施例的多个网络处理层具体可以根据人脸活体检测模型的结构来设置，例如可以包括输入层、池化层以及全连接层等等多个功能层，每一功能层的数量可以根据需求来设置，在此不做限定。49.本实施例中，采用人脸活体检测模型的各卷积层，来实现基于时空特征以及梯度特征的处理，采用人脸活体检测模型的各卷积层之外的其他结构，实现预测待检测的视频流中的人脸是否为活体人脸。50.具体地，可以理解为，在人脸活体检测模型的各卷积层实现时间特征、空间特征以及梯度特征的提取。然后在其他结构中，可以基于提取的时间特征、空间特征以及梯度特征，实现预测待检测的视频流中的人脸是否为活体人脸。51.实际应用中，人脸活体检测模型中各卷积层并非一定位于其他结构之前，例如，其他结构中可能也包括池化层、squeeze层以及全连接层(fullyconnected；fc)层等，这些层中的有些层可以与各卷积层互相穿插，有些层可能位于所有卷积层之后。52.本实施例的人脸活体检测方法，通过采用预先训练的活体人脸检测模型来实现基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸，不仅可以实现通过更多维度的特征进行活体人脸检测，而且还能够提高活体人脸检测的智能性，进一步有效地提高活体人脸检测的准确性。53.图3是根据本公开第三实施例的示意图；本实施例的人脸活体检测方法，在上述图2所示实施例的技术方案的基础上，进一步更加详细地描述本公开的技术方案。如图3所示，本实施例的人脸活体检测方法，具体可以包括如下步骤：54.s301、采用预设长度的滑动窗口从原始视频流中截取多个视频流片段，并确定各视频流片段的标识；55.具体地截取方式，可以参考上述实施例中的步骤s201，在原始视频流中按照从前到后的顺序滑动该滑动窗口，每滑动一个位置，便可以截取一个视频流片段，直至滑动至原始视频流的结尾，便可以截取到多个视频流片段，每个视频流片段的长度等于预设长度。每个视频流片段的标识可以采用该视频流片段的第一帧在原始视频流中的帧号来标识。或者多个视频流片段的标识也可以按照多个视频流片段的第一帧在原始视频流中的先后顺序，采用数字1、2、3等或者字母a、b、c等来标识。或者也可以采用其他方式来标识各视频流片段，在此不做限定。56.s302、判断多个视频流片段中是否还存在未被检测的；若存在，执行步骤s303；若不存在，执行步骤s309；57.具体地，未检测前，可以将多个待检测的视频流的标识放入未检测列表中，每次选择一个进行检测时，将选择的待检测列表放入正在检测的列表中，当检测完毕后，将该待检测的视频流的标识放入已检测列表中。或者可选地，也可以省去正在检测的列表，在每次选择一个进行检测后，直接将该待检测的视频流的标识放入已检测列表中。58.可选地，实际应用中，还可以采用其他方式来管理未被检测的待检测视的视频流的标识和已检测的待检测的视频流的标识，在此不做限定。59.s303、选择一个未被检测的视频流片段作为待检测的视频流，执行步骤s304；60.s304、采用人脸活体检测模型的至少一个卷积层中的各卷积层的普通卷积核，提取该待检测的视频流在对应的该卷积层中对应的输入特征信息的全局时空特征；61.s305、采用对应的该卷积层的差分卷积核，提取输入特征信息的梯度纹理特征；62.s306、基于全局时空特征、梯度纹理特征以及对应的该卷积层内预先训练的权重参数，获取待检测的视频流在对应的该卷积层中对应的输出特征信息；63.s307、采用人脸活体检测模型的多个网络处理层，基于各卷积层的处理，预测该待检测的视频流中的人脸是否为活体人脸；执行步骤s308；64.上述步骤s304-s307为本实施例的核心步骤，用于实现基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。65.具体地，本实施例中，采用人脸活体检测模型中的卷积层来实现时空、梯度多维度的特征处理。66.例如，图4是本公开提供的人脸活体检测模型的卷积层的工作原理图。如图4所示，在本实施例的人脸活体检测模型的一个卷积层内，可以认为是进行了三维差分卷积的操作，具体可以采用三维的差分卷积算子来实现。如图4所示，本实施例的三维的差分卷积算子可以包括两个卷积核，一个是普通卷积核，可以定义为用于实现对输入特征信息的全局时空特征进行提取，该全局时空特征也可以指的是该输入特征信息的语义特征，其中不仅包括视频流中相邻不同图像的时间维度的特征信息，还可以包括每张图像的空间维度的特征信息。另一个是差分卷积核，可以定义为用于实现对输入特征信息的梯度纹理特征进行提取。该梯度纹理特征不仅包括视频流中相邻不同图像的纹理的梯度特征信息，还可以包括同一张图像上的不同点的纹理的梯度特征信息。其中相邻不同图像的纹理的梯度特征信息可以指的是相邻不同图像中相同点的纹理梯度特征信息。普通卷积核参数在人脸活体检测模型训练开始时随机初始化，并可通过网络学习更新，而差分卷积核的参数为不可学习且参数值固定，67.例如，本实施例的差分卷积核可以采用奇数的立方对称结构，如可以为3*3*3、5*5*5、或者7*7*7等的结构，这样才能实现基于立方对称结果，提取输入特征信息的梯度纹理特征。68.例如，在一个3*3*3的立方对称结构中，差分卷积核wd可以采用如下的形式：[0069][0070]在卷积层内，三维差分卷积算子处理后的输出包括普通卷积的输出yo和差分卷积输出yd，最终的输出为两者的加权y＝θ·yo (1-θ)·yd，其中θ为可学习参数，其在网络训练中能够自适应地权衡两部分特征。[0071]如下表1以一个人脸活体检测模型来的各网络层为例，描述该人脸活体检测模型的实现原理。如表1所示，以每个视频流片段包括连续的8帧图像为例，其中帧数采用d表示。视频的每一帧图像的特征维度包括高h，宽w以及通道数c。[0072]如表1所示，以向人脸活体检测模型输入一个连续8帧图像的视频流为例，视频的每一帧图像维度h，w，c为224，224，3，即第一个卷积层的输入特征信息的维度为3×8×224×224。而相应的差分卷积算子的维度可以为3×3×3,64，表示总共有64个3×3×3的三维的差分卷积算子。由于每个三维的差分卷子算子中包括一个普通卷积核和一个差分卷积核，即相当于有64个3×3×3的普通卷积核和64个3×3×3的差分卷积核。在第一个卷积层，将普卷积核的卷积结果和差分卷积核的卷积结果，加权相加后，输出的输出特征信息的维度可以为64×8×112×112。紧接着进入下一层网络层。如表1所述，从上至下表示人脸活体检测模型的依次包括的多个网络层，如依次包括卷积层、卷积层、3dmaxpooling层、卷积层、3dmaxpooling层、卷积层、3dmaxpooling层、squeeze层、卷积层、2dgap层以及fc层。其中，3dmaxpooling层表示三维最大值池化层，squeeze层表示维度为1的维度去除算子层，2dgap层为二维全局平均池化(globalaveragepooling；gap)层，fc层为全连接网络层，最终得到二分类的结果，表示待检测的视频流中的人脸是否为活体人脸。对于各卷积层，对应的差分卷积算子的维度如表1所示。其中，3×3×3,64表示总共有64个3×3×3的三维卷积核，其他类似格式同理。[0073]表1[0074][0075][0076]如表1所示，本实施例的活体人脸检测模型对应的三维差分卷积网络，输入为图像序列，并且要求输入的图像序列长度固定，因此本实施例中，也可以在输入接口处设计输入图像队列，类似于上述实施例中的视频流片段的截取。在长视频序列中，根据时间先后分别对长度为8的图像队列进行入队和出队，即类似滑动窗口形式获取到各图像序列。并依次对各图像序列进行活体人脸检测，只有存在有一段图像序列为攻击，则输出攻击信号。[0077]本实施例中，每一层卷积层中的权重参数为可学习的权重因子，可以进一步使活体人脸检测模型在训练时能自适应权衡攻击的语义特征和纹理特征，从而提高整个模型的特征提取能力。[0078]本实施例的人脸活体检测模型在使用之前，需要经过预训练。训练时，可以采集多条训练样本，每条训练样本可以包括一段预设长度的训练视频流以及人工标注的该训练视频流中的人脸是否为活体人脸的标注。然后采用多条训练样本对上述人脸活体检测模型进行训练。在训练过程中，卷积层中的普通卷积核以及权重参数都是可学习的。通过多条训练样本，使得人脸活体检测模型学习到识别活体人脸的能力。[0079]s308、记录该待检测的视频流对应的视频流片段的检测结果；返回s302；[0080]在本公开的一个实施例中，记录该待检测的视频流对应的视频流片段的检测结果，可以采用该待检测的视频流对应的视频流片段的标识加上检测结果的标识，来记录对应的视频流片段的检测结果。例如，若视频流片段对应的检测结果是检测到活体人脸，则对应的检测结果可以标识为1；若视频流片段对应的检测结果是未检测到活体人脸，则对应的检测结果可以标识为0。[0081]s309、判断多个视频流片段的检测结果中是否存在非活体人脸，若存在，执行步骤s310；否则，执行步骤s311；[0082]s310、确定原始视频流为攻击，同时输出原始视频流为攻击的提示消息，以及攻击对应的视频流片段的标识，结束。[0083]例如，可以通过分析步骤s308的方式记录的每个视频流片段的检测结果，看是否存在非活体人脸的检测结果。若存在，则确定存在攻击，此时需要输出攻击对应的视频流片段的标识，以实现在原始视频流中对攻击进行定位，便于及时获取到攻击的位置，实用性非常强。[0084]s311、确定原始视频流为正常的人脸验证视频流，并输出原始视频流为正常视频流的提示消息，结束。[0085]本实施例人脸活体检测方法，通过在活体人脸检测模型的各卷积层中设计三维差分卷积算子来提取待检测的视频流的全局时空特征和梯度纹理特征，尤其是梯度纹理特征能有效突出梯度纹理信息，使得待检测的视频流为攻击时更容易被检测到，能够进一步有效地提高人脸活体检测的准确性。而且，本实施例的技术方案，还能够在检测到攻击时，有效地对攻击进行定位，实用性非常强。[0086]本实施例的人脸活体检测方法，可以广泛的用于安防、考勤、金融、门禁通行等诸多场景。采用本实施例的方法，能够提升人脸活体检测技术性能，帮助以人脸活体检测技术为基础的诸多应用提升效果和用户体验，有利于业务项目的进一步推广。[0087]图5是根据本公开第四实施例的示意图；如图5所示，本实施例提供一种人脸活体检测装置500，包括：[0088]获取模块501，用于获取待检测的视频流；[0089]检测模块502，用于基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。[0090]本实施例的人脸活体检测装置500，通过采用上述模块实现人脸活体检测的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。[0091]图6是根据本公开第五实施例的示意图；如图6所示，本实施例的人脸活体检测装置600，包括：上述图5所示的同名同功能模块，如获取模块601和检测模块602。[0092]本实施例的人脸活体检测装置600中，检测模块602，用于：[0093]采用预先训练的人脸活体检测模型，基于时空特征以及梯度特征，检测待检测的视频流中的人脸是否为活体人脸。[0094]进一步可选地，人脸活体检测模型包括至少一个卷积层和多个网络处理层，检测模块602，用于：[0095]对于待检测的视频流，采用人脸活体检测模型的至少一个卷积层中的各卷积层，基于时空特征以及梯度特征进行处理；[0096]采用人脸活体检测模型的多个网络处理层，基于各卷积层的处理，预测待检测的视频流中的人脸是否为活体人脸。[0097]进一步可选地，检测模块602，用于：[0098]采用人脸活体检测模型的各卷积层的普通卷积核，提取待检测的视频流在对应的卷积层中对应的输入特征信息的全局时空特征；[0099]采用对应的卷积层的差分卷积核，提取输入特征信息的梯度纹理特征；[0100]基于全局时空特征、梯度纹理特征以及对应的卷积层内预先训练的权重参数，获取待检测的视频流在卷积层中对应的输出特征信息。[0101]进一步可选地，本实施例中的差分卷积核采用奇数立体对称结构。[0102]进一步可选地，获取模块601，用于：[0103]采用预设长度的滑动窗口从原始视频流中截取多个视频流片段；[0104]从多个视频流片段中获取待检测的视频流。[0105]进一步可选地，如图6所示，本实施例的人脸活体检测装置600，还包括：[0106]确定模块603，用于若检测到待检测的视频流为非活体人脸，确定原始视频流为攻击；[0107]输出模块604，用于输出原始视频流为攻击的提示消息，以及攻击对应的视频流片段的标识。[0108]本实施例的人脸活体检测装置600，通过采用上述模块实现人脸活体检测的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。[0109]本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。[0110]根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。[0111]图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。[0112]如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。[0113]设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。[0114]计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如本公开的上述方法。例如，在一些实施例中，本公开的上述方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的本公开的上述方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开的上述方法。[0115]本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。[0116]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。[0117]在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0118]为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。[0119]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。[0120]计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。[0121]应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。[0122]上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
