人脸活体检测方法、系统、电子设备及存储介质与流程

1.本发明涉及图像识别技术领域，特别涉及一种人脸活体检测方法、系统、电子设备及存储介质。


背景技术：

2.随着人工智能和计算机视觉算法的深入研究与快速发展，运用人脸识别技术应用于越来越多的生活场景，由于人脸识别技术使用方便以及非接触性等优点，在金融、安防以及互联网等诸多领域得到了广泛应用，比如线上支付、门禁安防以及手机解锁等。但是这些使用人脸信息进行身份认证的设备也带来了一些信息安全隐患，原因在于可以使用照片和面具等冒充本人进行身份认证。
3.在现有技术中，传统的应用于检测人脸活体的方法是使用方向梯度直方图以及尺度不变特征等方法直接从人脸图像中提取特征，以确定目标人脸图像与真实人脸图像之间的差异。然而传统的人脸活体检测方法只能针对特定的特征点进行检测对比，应用于丰富多变的人脸应用场景则检测结果准确率较低。此外，还存在一种人脸活体检测方法：借助红外摄像头和结构光传感器等特殊硬件设备，通过检测体温、扫描面部3d信息等方式进行活体检测；这种方式虽然准确率较高但增加了额外的硬件成本，不利于推广。
4.因此，亟需一种在兼顾硬件成本的同时能够提高检测准备率的人脸活体检测方法，以解决现有技术的上述技术问题。


技术实现要素：

5.为了解决现有技术的不足，本发明的主要目的在于提供一种人脸活体检测方法、系统、电子设备及存储介质，以解决现有技术的上述技术问题。
6.为了达到上述目的，第一方面本发明提供了一种人脸活体检测方法，所述方法包括：
7.构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
8.对待检测图像进行预处理以获取待检测人脸图像；
9.根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
10.在一些实施例中，所述第一网络模块及所述第二网络模块均由两个网络子模块以及一个池化层组成；
11.其中，每一所述网络子模块包括一个卷积层、一个激活函数及一个归一化层。
12.在一些实施例中，所述对待检测图像进行预处理以获取待检测人脸图像，包括：
13.采集待检测图像并检测所述待检测图像是否包含人脸图像；
14.根据检测到的人脸图像对所述待检测图像进行剪裁并调整成预设尺寸以获取所
述待检测人脸图像。
15.在一些实施例中，所述根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果包括：
16.将所述待检测人脸图像输入所述人脸活体检测模型；
17.所述第一网络模块根据第一预设规则对所述待检测人脸图像进行处理并输出第一特征图像数据；
18.所述第二网络模块根据第二预设规则对所述第一特征图像数据进行处理并输出第二特征图像数据；
19.所述全连接层将所述第二特征图像数据转换为预测值，并根据归一化指数函数进行归一化处理以输出所述人脸检测结果。
20.在一些实施例中，所述第一网络模块根据第一预设规则对所述待检测人脸图像进行处理并输出第一特征图像，包括：
21.所述第一网络模块获取所述待检测人脸图像，并输入所述第一网络模块内的第一个所述网络子模块；
22.所述待检测人脸图像在所述第一网络模块内的第一个所述网络子模块内由卷积层对进行卷积运算后输出第一待处理特征数据，并利用所述激活函数对所述第一待处理特征数据进行激活，以及将激活后的所述第一待处理特征数据输入归一化层进行归一化处理；
23.将经归一化处理后的所述待处理特征数据输入第二个所述网络子模块内，并在第二个所述网络子模块内重复与第一个所述网络子模块内相同的操作以输出第一特征数据。
24.在一些实施例中，所述第二网络模块根据第二预设规则对所述第一特征图像数据进行处理并输出第二特征图像数据，包括：
25.所述第二网络模块获取所述第一特征数据，并输入所述第二网络模块内的第一个所述网络子模块；
26.所述待检测人脸图像在所述第一网络模块内的第一个所述网络子模块内由卷积层对进行卷积运算后输出第二待处理特征数据，并利用所述激活函数对所述第二待处理特征数据进行激活，以及将激活后的所述第二待处理特征数据输入归一化层进行归一化处理；
27.将经归一化处理后的所述第二待处理特征数据输入第二个所述网络子模块内，并在第二个所述网络子模块内重复与第一个所述网络子模块内相同的操作以输出第二特征数据。
28.在一些实施例中，所述构建并训练人脸活体检测模型，包括：
29.收集真实人脸图像和虚假人脸图像以建立图像训练集和图像测试集；
30.根据所述图像训练集对构建的人脸活体检测模型进行训练；
31.输入所述图像测试集到所述人脸活体检测模型，并判断所述人脸活体检测模型输出的所述测试结果误差是否小于预设阈值；
32.若所述测试结果误差小于预设阈值，则所述人脸活体检测模型训练成功。
33.第二方面，本技术提供了一种人脸活体检测系统，所述系统包括：
34.模型训练模块，用于构建并训练人脸活体检测模型，所述人脸活体检测模型包括
第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
35.预处理模块，用于对待检测图像进行预处理以获取待检测人脸图像；
36.模型预测模块，用于根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
37.第三方面，本技术提供了一种电子设备，所述电子设备包括：
38.一个或多个处理器；
39.以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
40.构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
41.对待检测图像进行预处理以获取待检测人脸图像；
42.根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
43.第四方面，本技术还提供了一种计算机可读存储介质，所述存储介质上存储计算机程序，所述计算机程序使得计算机执行如下操作：
44.构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
45.对待检测图像进行预处理以获取待检测人脸图像；
46.根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
47.本技术实现的有益效果为：
48.本技术提供了一种人脸活体检测方法、系统、电子设备及存储介质，包括构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；对待检测图像进行预处理以获取待检测人脸图像；根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。本技术基于卷积神经网络构建人脸活体检测模型，基于模型的结构实现快速、准确地检测真实人脸的功能；使用多级网络增加网络深度，在第一个网络模块中采用较少的卷积核过滤无关特征，在第二个模块中增加卷积核的数量以确保检测结果的准确率，在保证准确率的前提下提高模型训练速度和推理速度。此外，本技术在采集人脸图像时无需借助特殊元件，只需借助普通的摄像头即可完成满足模型对输入图像的要求，在提高准确率的同时降低了检测成本，有利于推广。
附图说明
49.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他
的附图，其中：
50.图1是本技术实施例提供的检测人脸活体方法示意图；
51.图2是本技术实施例提供的人脸活体检测模型训练示意图
52.图3是本技术实施例提供的人脸活体检测方法流程图；
53.图4是本技术实施例提供的人脸活体检测系统结构图；
54.图5是本技术实施例提供的电子设备结构图。
具体实施方式
55.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.应当理解，在本技术的描述中，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
57.还应当理解，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
58.需要注意的是，术语“s1”、“s2”等仅用于步骤的描述目的，并非特别指称次序或顺位的意思，亦非用以限定本技术，其仅仅是为了方便描述本技术的方法，而不能理解为指示步骤的先后顺序。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
59.如背景技术所述，对于现在复杂多变的人脸应用场景，传统的人脸活体检测方法已经不能确保检测结果的准备率；而现有的解决办法是加大硬件成本，借助红外摄像头和结构光传感器等特殊硬件成本，通过检测体温以及扫描面部3d信息等方式来进行活体检测；这种方法虽然提高了人脸活体检测的准确率，却由于成本较高，在推广应用上存在阻碍，减少了应用范围。
60.为解决上述技术问题，本技术提供了一种基于神经网络的人脸活体检测方法；使用网络层参数与图像数据在各网络层之间进行计算，完成特征对比，最后使用归一化指数函数输出检测结果，以实现快速、准确地检测真实人脸的功能。
61.实施例一
62.如图1所示，本技术公开了一种人脸活体检测方法，应用本实施例公开的方法判断待检测图像是否包含真实人脸的过程包括：
63.s100、采集待检测图像并对待检测图像进行预处理以获取待检测人脸图像。
64.具体的，从摄像头等图像采集设备采集待检测图像，采集到的待检测图像由人脸检测器进行预处理。人脸检测器利用图像识别技术检测并定位待检测图像中的人脸，在识别到待检测图像中具有人脸时，对待检测图像进行剪裁以将待检测图像中的人脸部分剪裁下来。其中，图像采集设备不要求是具备红外摄像头或者结构光传感器等特殊硬件成本，普通摄像头即可实现；人脸检测器在剪裁待检测图像时，剪裁出的待检测人脸图像人为设定，
优选的可以设置为32*32的尺寸等较小尺寸的图像。上述利用图像识别技术检测并定位图像中的人脸部分为现有技术，本技术在此不再赘述。
65.s200、向人脸活体检测模型输入待检测人脸图像，以输出人脸检测结果。
66.其中，人脸活体检测模型包括两个网络模块：第一网络模块及第二网络模块；每一网络模块包括两个网络子模块；每一网络子模块内包括一个卷积层、一个激活函数及一个归一化层。
67.具体的，在人脸活体检测模型内对待检测人脸图像的处理过程如下：
68.s210、待检测人脸图像输入模型后，由第一个网络模块根据第一预设规则进行处理以输出第一特征图像数据，以减少无关特征。
69.具体的，第一网络模块在模型接收到待检测人脸图像后，先利用第一个网络子模块对待检测人脸图像进行处理。在第一个网络子模块内，待检测人脸图像先在卷积层中经过预设数的卷积核的卷积运算后输出第一待处理特征数据(即固定尺寸的特征图像)。将上述待处理特征数据再输入到激活函数进行激活，本技术所使用的激活函数为relu函数(rectified linearunit，线性整流函数)，可以将卷积层输出的特征图像中的负数值去除，相当于保留有效特征以过滤无关特征。随后将经过激活函数激活的待处理特征数据化输入归一化层进行归一化处理，通过计算特征值的均值和方差，将特征值分布归一化为标准的正态输入，以加速模型的收敛。至此，第一网络模块内的第一个网络子模块的处理过程结束。第一网络模块再将经过归一化处理的待处理特征数据再输入到第二个网络子模块内，在第二个网络子模块内再次输入有预设数量和步长的卷积核的卷积层和进行卷积运算，并再利用激活函数进行激活，最后输入到归一化层进行归一化处理。此时，再将归一化后的待处理特征数据输入池化层，采用2*2的卷积核进行最大池化，以压缩待处理特征数据，此时池化层输出的数据为第一特征图像数据。
70.s220、第二网络模块接收第一网络模块输出的第一特征图像数据并根据第二预设规则对第一特征图像数据进行处理以输出第二特征图像数据。
71.上述根据第二预设规则对第一特征图像数据进行处理的过程与第一网络模块利用第一预设规则对待处理人脸图像进行处理的过程一致，本技术再次不在赘述。
72.值得注意的是，为了尽量保证待检测人脸图像的局部细节，本技术在设置卷积核尺寸和步长时，优先选择较小的卷积核尺寸和步长如3*3的步长为1的卷积核。此外，在本技术公开的模型内，在第一个网络模块中采用较少的卷积核过滤无关特征，在第二个网络模块中增加卷积核数量以确保检测结果的准确率；例如可以在第一网络模块的卷积层中设置16个3*3的步长为1的卷积核，在第二网络模块的卷积层中设置32个3*3的步长为1的卷积核。这种网络结果可在使用多级网络增加网络深度的同事，确保模型测试准确率。
73.此外，上述每一卷积层输出的固定尺寸的特征图像的尺寸值n可以由卷积核的尺寸和步长推导出来，推导公式为n＝(w-f 2p)/s 1，其中输入图片(即待检测人脸图像)大小为w*w，卷积核大小f*f，步长为s，填充为p。
74.s230、全连接层对第二特征图像数据进行转换为预测值，并根据归一化指数函数进行归一化处理以输出人脸检测结果。
75.具体的，将第二网络模块输出的第二特征图像数据输入全连接层，将其中的特征值转换为预测值，并使用归一化指数函数进行归一化处理，将预测值输出为二分类预测值，
根据二分类预测值确定人脸检测结果。若二分类预测值为1，则确定人脸检测结果为真实人脸；若二分类预测值为0，则确定人脸检测结果为虚假人脸。此外，在确定人脸检测结果后，可将检测结果标注在原始图像(即待检测图像)中，以便工作人员识别。
76.此外，如图2所示，本技术实施例还公开了人脸活体检测模型的训练过程，具体包括以下步骤：
77.步骤一、收集真实人脸和伪造人脸的图像以构建图像训练集和图像测试集。
78.具体的，由于本模型的目标在于检测输入人体活体检测模型的图像中是否包含真实人脸，其中真实人脸是来自现实生活中活体人类的人脸，而伪造人脸则是使用屏幕或者照片打印等方法显示出来的人脸。因此，在构建图像训练集和图像测试集时，需要收集这两种图像。
79.步骤二、基于卷积神经网络搭建人脸活体检测模型。
80.本技术构架的人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数；其中，每一网络模块包含两个网络子模块以及一个池化层，每一网络子模块包含一个卷积层、一个激活函数以及一个归一化层。
81.步骤三、训练图像集训练人脸活体检测模型，使卷积神经网络获得最佳参数。
82.利用训练图像集训练人脸活体检测模型，并根据输出的预测结果调整网络参数以获得最佳参数。保存训练完成后的人脸活体检测模型，并输入所述图像测试集到人脸活体检测模型；判断所述人脸活体检测模型输出的所述测试结果误差是否小于预设阈值；若所述测试结果误差小于预设阈值，则所述人脸活体检测模型训练成功；若所述测试结果误差大于预设阈值，则所述人脸活体检测模型训练失败，此时更新训练图像集数据并根据更新后的训练图像集再次训练人脸活体检测模型直至训练成功。其中，预设阈值人为设定，可以设置为0.05％等较小的误差值。
83.实施例二
84.对应上述实施例，本技术提供了一种人脸活体检测方法，如图3所示，所述方法包括：
85.3100、构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
86.优选的，所述第一网络模块及所述第二网络模块均由两个网络子模块以及一个池化层组成；
87.其中，每一所述网络子模块包括一个卷积层、一个激活函数及一个归一化层。
88.优选的，所述构建并训练人脸活体检测模型，包括：
89.3110、收集真实人脸图像和虚假人脸图像以建立图像训练集和图像测试集；
90.3120、根据所述图像训练集对构建的人脸活体检测模型进行训练；
91.3130、输入所述图像测试集到所述人脸活体检测模型，并判断所述人脸活体检测模型输出的所述测试结果误差是否小于预设阈值；
92.3140、若所述测试结果误差小于预设阈值，则所述人脸活体检测模型训练成功。
93.3200、对待检测图像进行预处理以获取待检测人脸图像；
94.优选的，所述对待检测图像进行预处理以获取待检测人脸图像，包括：
95.3210、采集待检测图像并检测所述待检测图像是否包含人脸图像；
96.3220、根据检测到的人脸图像对所述待检测图像进行剪裁并调整成预设尺寸以获取所述待检测人脸图像。
97.3300、根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
98.优选的，所述根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果包括：
99.3310、将所述待检测人脸图像输入所述人脸活体检测模型；
100.3320、所述第一网络模块根据第一预设规则对所述待检测人脸图像进行处理并输出第一特征图像数据；
101.优选的，所述第一网络模块根据第一预设规则对所述待检测人脸图像进行处理并输出第一特征图像，包括：
102.3321、所述第一网络模块获取所述待检测人脸图像，并输入所述第一网络模块内的第一个所述网络子模块；
103.3322、所述待检测人脸图像在所述第一网络模块内的第一个所述网络子模块内由卷积层对进行卷积运算后输出第一待处理特征数据，并利用所述激活函数对所述第一待处理特征数据进行激活，以及将激活后的所述第一待处理特征数据输入归一化层进行归一化处理；
104.3323、将经归一化处理后的所述待处理特征数据输入第二个所述网络子模块内，并在第二个所述网络子模块内重复与第一个所述网络子模块内相同的操作以输出第一特征数据。
105.3330、所述第二网络模块根据第二预设规则对所述第一特征图像数据进行处理并输出第二特征图像数据；
106.优选的，所述第二网络模块根据第二预设规则对所述第一特征图像数据进行处理并输出第二特征图像数据，包括：
107.3331、所述第二网络模块获取所述第一特征数据，并输入所述第二网络模块内的第一个所述网络子模块；
108.3332、所述待检测人脸图像在所述第一网络模块内的第一个所述网络子模块内由卷积层对进行卷积运算后输出第二待处理特征数据，并利用所述激活函数对所述第二待处理特征数据进行激活，以及将激活后的所述第二待处理特征数据输入归一化层进行归一化处理；
109.3333、将经归一化处理后的所述第二待处理特征数据输入第二个所述网络子模块内，并在第二个所述网络子模块内重复与第一个所述网络子模块内相同的操作以输出第二特征数据。
110.3340、所述全连接层将所述第二特征图像数据转换为预测值，并根据归一化指数函数进行归一化处理以输出所述人脸检测结果。
111.实施例三
112.对应上述实施例一和实施例二，如图4所示，本技术还提供一种人脸活体检测系统，其特征在于，所述系统包括：
113.模型训练模块410，用于构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
114.预处理模块420，用于对待检测图像进行预处理以获取待检测人脸图像；
115.模型预测模块430，用于根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
116.在一些实施例中，所述第一网络模块及所述第二网络模块均由两个网络子模块以及一个池化层组成；其中，每一所述网络子模块包括一个卷积层、一个激活函数及一个归一化层。
117.在一些实施例中，所述预处理模块420还用于采集待检测图像并检测所述待检测图像是否包含人脸图像；所述预处理模块420还用于根据检测到的人脸图像对所述待检测图像进行剪裁并调整成预设尺寸以获取所述待检测人脸图像。在一些实施例中，所述模型预测模块430还用于将所述待检测人脸图像输入所述人脸活体检测模型；所述模型预测模块430还用于利用所述第一网络模块根据第一预设规则对所述待检测人脸图像进行处理并输出第一特征图像数据；所述模型预测模块430还用于利用所述第二网络模块根据第二预设规则对所述第一特征图像数据进行处理并输出第二特征图像数据；所述模型预测模块430还用于利用所述全连接层将所述第二特征图像数据转换为预测值，并根据归一化指数函数进行归一化处理以输出所述人脸检测结果。
118.在一些实施例中，所述模型预测模块430还用于利用所述第一网络模块获取所述待检测人脸图像，并输入所述第一网络模块内的第一个所述网络子模块；所述待检测人脸图像在所述第一网络模块内的第一个所述网络子模块内由卷积层对进行卷积运算后输出第一待处理特征数据，并利用所述激活函数对所述第一待处理特征数据进行激活，以及将激活后的所述第一待处理特征数据输入归一化层进行归一化处理；所述模型预测模块430还用于将经归一化处理后的所述待处理特征数据输入第二个所述网络子模块内，并在第二个所述网络子模块内重复与第一个所述网络子模块内相同的操作以输出第一特征数据。
119.在一些实施例中，所述模型预测模块430还用于利用所述第二网络模块获取所述第一特征数据，并输入所述第二网络模块内的第一个所述网络子模块；所述待检测人脸图像在所述第一网络模块内的第一个所述网络子模块内由卷积层对进行卷积运算后输出第二待处理特征数据，并利用所述激活函数对所述第二待处理特征数据进行激活，以及将激活后的所述第二待处理特征数据输入归一化层进行归一化处理；所述模型预测模块430还用于将经归一化处理后的所述第二待处理特征数据输入第二个所述网络子模块内，并在第二个所述网络子模块内重复与第一个所述网络子模块内相同的操作以输出第二特征数据。
120.在一些实施例中，所述模型训练模块410还用于收集真实人脸图像和虚假人脸图像以建立图像训练集和图像测试集；所述模型训练模块410还用于根据所述图像训练集对构建的人脸活体检测模型进行训练；所述模型训练模块410还用于输入所述图像测试集到所述人脸活体检测模型，并判断所述人脸活体检测模型输出的所述测试结果误差是否小于预设阈值；若所述测试结果误差小于预设阈值，则所述人脸活体检测模型训练成功。
121.实施例四
122.对应上述所有实施例，本技术实施例提供一种电子设备，包括：
123.一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
124.构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
125.对待检测图像进行预处理以获取待检测人脸图像；
126.根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
127.其中，图5示例性的展示出了电子设备的架构，具体可以包括处理器510，视频显示适配器511，磁盘驱动器512，输入/输出接口513，网络接口514，以及存储器520。上述处理器510、视频显示适配器511、磁盘驱动器512、输入/输出接口513、网络接口514，与存储器520之间可以通过总线530进行通信连接。
128.其中，处理器510可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术所提供的技术方案。
129.存储器520可以采用rom(read only memory，可编写存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器520可以存储用于控制电子设备500执行的操作系统521，用于控制电子设备500的低级别操作的基本输入输出系统(bios)522。另外，还可以存储网页浏览器523，数据存储管理系统524，以及图标字体处理系统525等等。上述图标字体处理系统525就可以是本技术实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本技术所提供的技术方案时，相关的程序代码保存在存储器520中，并由处理器510来调用执行。
130.输入/输出接口513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
131.网络接口514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
132.总线530包括一通路，在设备的各个组件(例如处理器510、视频显示适配器511、磁盘驱动器512、输入/输出接口513、网络接口514，与存储器520)之间传输信息。
133.另外，该电子设备500还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。
134.需要说明的是，尽管上述设备仅示出了处理器510、视频显示适配器511、磁盘驱动器512、输入/输出接口513、网络接口514，存储器520，总线530等，但是在具体实施过程中，该设备还可以包括实现正常执行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本技术方案所必需的组件，而不必包含图中所示的全部组件。
135.实施例五
136.对应上述所有实施例，本技术实施例还提供一种计算机可读存储介质，其特征在于，其存储计算机程序，所述计算机程序使得计算机如下操作：
137.构建并训练人脸活体检测模型，所述人脸活体检测模型包括第一网络模块、第二网络模块、全连接层以及归一化指数函数，其中，所述第二网络模块内卷积层的卷积核数量大于所述第一网络模块内的卷积核数量；
138.对待检测图像进行预处理以获取待检测人脸图像：
139.根据训练好的所述人脸活体检测模型及所述待检测人脸图像，确定人脸检测结果。
140.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，云服务端，或者网络设备等)执行本技术各个实施例或者实施例的某些部分所述的方法。
141.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
142.以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。