人脸防伪检测方法及系统

技术领域

本申请涉及人脸检测领域，特别是涉及人脸防伪检测方法及系统。

背景技术

人脸防伪识别指的是针对伪造的人脸特征进行有效甄别，比如在人脸识别系统中，会有人制造一些伪造的人脸对人脸识别系统进行攻击，常见的非活体攻击类型主要有：照片攻击；屏幕播放攻击(包括视频或者照片或者远程遥控)；软件模拟。使用目前的打印照片翻拍和手机(多种不同手机类型)屏幕翻拍，已经足够覆盖大部分常见的攻击，包括软件模拟(等效于翻拍)。人脸防伪识别就是针对伪造的人脸特征进行甄别。一般在人脸识别系统中，用户需要通过人脸防伪识别的检测，又可以被称为活体检测。

现有的人脸检测方案中，如公开号为106372601A的专利中公开的一种基于红外可见双目图像的活体检测方法及装置，该发明先通过红外摄像头能否采集图像进行预识别，这样可以防住全部的视频攻击、大部分的照片、孔洞攻击、3d面具攻击，再通过对可见光成像和红外光成像之间的特征对比，最终保证了极大的非活体攻击。但是，通过判断近红外成像中是否能检测到人脸以及人脸与眼部在可见光、近红外成像中的区别来抵御伪造人脸的攻击。但是该方法中没有提到，如果出现了近红外之外的其他模态，比如可见光模态或者深度模态，这种情况如何进行防御。再如，论文文献《Momentum Contrast for UnsupervisedVisual Representation Learning》中提出的一种无监督对比学习方法，一方面，该方法将由同一张图片数据增强来的不同图片作为正样本对，将不同图片作为负样本对，而在人脸防伪任务中，相同的ID的不同攻击方式的图片应该属于负样本对，不同ID的相同攻击方式或真人场景应该属于正样本对。另一方面，使用上述方法在无标签数据上训练，人脸防伪的数据往往是通过数据采集得到，一般自带标签，无监督的意义不大。

人脸图像中会有很多其他要素影响人脸防伪的特征，比如人脸图像中ID身份信息特征，图像中光线特征，场景信息特征等，这些信息与人脸防伪特征均无关。如果能通过一种对比的手段将这些信息与人脸防伪特征剥离开来，那么对于人脸防伪的性能会有很明显的提升。

发明内容

基于上述考虑，本申请实施例提供了一种人脸防伪检测方法、系统、计算机设备和计算机可读存储介质，利用对比学习，针对人脸图像中的非防伪特征信息，将非防伪特征信息从防伪特征中剔除，从而提升人脸防伪模型的性能。

第一方面，本申请实施例提供了一种人脸防伪检测方法，包括：

样本数据集构建步骤，用于获取采集样本并根据所述采集样本基于非防伪特征信息采集若干正样本对及若干负样本对，建立样本数据集；

人脸防伪检测模型构建步骤，用于基于CDCN网络及分类器构建得到所述人脸防伪检测模型；其中，CDCN网络(全称为Central Difference Convolutional Network，又称中心差分卷积网络)用于提取的人脸特征结果，所述分类器用于根据所述人脸特征结果计算输出检测结果；CDCN网络相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

模型预训练步骤，用于将所述样本数据集输入所述人脸防伪检测模型进行训练以调整所述人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；

人脸防伪检测步骤，用于将一待检测人脸图像输入预训练后的所述人脸防伪检测模型，得到检测结果。具体的，经CDCN网络提取人脸特征后，将得到的特征结果输入分类器进行分类，得到检测结果。

在其中一些实施例中，所述样本数据集构建步骤进一步包括：

正样本对获取步骤，用于以非防伪特征信息作为变量从所述采集样本中获取正样本对；具体的，所述非防伪特征信息包括但不限于光线信息、运动信息、场景信息、身份信息及攻击类型其一或其任意组合。

负样本对获取步骤，用于从所述采集样本中获取相同场景下身份信息相同的真、伪人脸图像组成负样本对。具体的，所述真、伪人脸图像取自具有相同身份ID的真实视频、攻击视频中相同帧的人脸图像。

在其中一些实施例中，所述正样本对获取步骤进一步包括：

第一正样本对获取步骤，用于从所述采集样本中获取相同场景下身份信息相同但光线信息和/或运动信息不同的人脸图像组成第一正样本对；所述第一正样本对取自一具有相同身份ID的真实视频中不同帧的人脸图像；

第二正样本对获取步骤，用于从所述采集样本中获取具有同一身份信息的场景不同的人脸图像组成第二正样本对；具体的，所述第二正样本对取自二具有相同身份ID的不同真实视频中相同帧的人脸图像；

第三正样本对获取步骤，用于从所述采集样本中获取不同身份信息的人脸图像组成第三正样本对；具体的，所述第三正样本对取自身份ID不同的真实视频中相同帧的人脸图像；

第四正样本对获取步骤，用于从所述采集样本中获取同一攻击类型的人脸图像组成第四正样本对；具体的，所述第四正样本对取自不同身份ID的相同攻击方式的攻击视频中相同帧的人脸图像。

在其中一些实施例中，所述模型预训练步骤中，通过循环随机抽取所述样本数据集中的正样本对和负样本对进行模型训练。基于上述训练过程，有效剥离光线、运动、场景、身份及攻击类型等非防伪特征信息，以避免所述人脸防伪检测模型受上述非防伪特征信息的影响，从而提升人脸防伪检测模型的性能。

在其中一些实施例中，所述CDCN网络基于Center Loss损失函数和MSE Loss损失函数自动调整网络权重。

第二方面，本申请实施例提供了一种人脸防伪检测系统，包括：

样本数据集构建模块，用于获取采集样本并根据所述采集样本基于非防伪特征信息采集若干正样本对及若干负样本对，建立样本数据集；

人脸防伪检测模型构建模块，用于基于CDCN网络及分类器构建得到所述人脸防伪检测模型；其中，CDCN网络用于提取的人脸特征结果，所述分类器用于根据所述人脸特征结果计算输出检测结果；CDCN网络相较于用普通卷积构建的网络能够提供更稳健的建模能力。

模型预训练模块，用于将所述样本数据集输入所述人脸防伪检测模型进行训练以调整所述人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；

人脸防伪检测模块，用于将一待检测人脸图像输入预训练后的所述人脸防伪检测模型，得到检测结果。具体的，经CDCN网络提取人脸特征后，将得到的特征结果输入分类器进行分类，得到检测结果。

在其中一些实施例中，所述样本数据集构建模块进一步包括：

正样本对获取模块，用于以非防伪特征信息作为变量从所述采集样本中获取正样本对；具体的，所述非防伪特征信息包括但不限于光线信息、运动信息、场景信息、身份信息及攻击类型其一或其任意组合。

负样本对获取模块，用于从所述采集样本中获取相同场景下身份信息相同的真、伪人脸图像组成负样本对。具体的，所述真、伪人脸图像取自具有相同身份ID的真实视频、攻击视频中相同帧的人脸图像。

在其中一些实施例中，所述正样本对获取模块进一步包括：

第一正样本对获取模块，用于从所述采集样本中获取相同场景下身份信息相同但光线信息和/或运动信息不同的人脸图像组成第一正样本对；所述第一正样本对取自一具有相同身份ID的真实视频中不同帧的人脸图像；

第二正样本对获取模块，用于从所述采集样本中获取具有同一身份信息的场景不同的人脸图像组成第二正样本对；具体的，所述第二正样本对取自二具有相同身份ID的不同真实视频中相同帧的人脸图像；

第三正样本对获取模块，用于从所述采集样本中获取不同身份信息的人脸图像组成第三正样本对；具体的，所述第三正样本对取自身份ID不同的真实视频中相同帧的人脸图像；

第四正样本对获取模块，用于从所述采集样本中获取同一攻击类型的人脸图像组成第四正样本对；具体的，所述第四正样本对取自不同身份ID的相同攻击方式的攻击视频中相同帧的人脸图像。

在其中一些实施例中，所述模型预训练模块中，通过循环随机抽取所述样本数据集中的正样本对和负样本对进行模型训练。基于上述训练过程，有效剥离光线、运动、场景、身份及攻击类型等非防伪特征信息，以避免所述人脸防伪检测模型受上述非防伪特征信息的影响，从而提升人脸防伪检测模型的性能。

在其中一些实施例中，所述CDCN网络基于Center Loss损失函数和MSE Loss损失函数自动调整网络权重。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的人脸防伪检测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的人脸防伪检测方法。

相比于相关技术，本申请实施例提供的人脸防伪检测方法、系统、计算机设备及计算机可读存储介质，提出一种新的人脸防伪的正负样本对组织方式，利用对比学习将人脸图像中与非防伪特征的信息从防伪特征中进行剥离，从而提升人脸防伪检测模型的性能。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的人脸防伪检测方法的流程示意图；

图2是根据本申请实施例的人脸防伪检测方法的步骤S11的分步骤流程示意图；

图3是根据本申请实施例的人脸防伪检测系统的结构框图；

图4是根据本申请实施例的人脸防伪检测系统的部分结构框图；

图5是根据本申请优选实施例的人脸防伪检测方法的第一样本对对比学习原理图；

图6是根据本申请优选实施例的人脸防伪检测方法的第二样本对对比学习原理图；

图7是根据本申请优选实施例的人脸防伪检测方法的第三样本对对比学习原理图；

图8是根据本申请优选实施例的人脸防伪检测方法的第四样本对对比学习原理图；

图9是根据本申请优选实施例的人脸防伪检测方法的负样本对对比学习原理图；

图10是根据本申请实施例的人脸防伪检测方法的分类器内样本距离示意图。附图说明：

1、样本数据集构建模块；2、人脸防伪检测模型构建模块；

3、模型预训练模块；4、人脸防伪检测模块；

11、正样本对获取模块；12、负样本对获取模块；

111、第一正样本对获取模块；112、第二正样本对获取模块；

113、第三正样本对获取模块；114、第四正样本对获取模块。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本实施例提供了一种人脸防伪检测方法。图1-2是根据本申请实施例的人脸防伪检测方法的流程图，如图1-2所示，该流程包括如下步骤：

样本数据集构建步骤S1，用于获取采集样本并根据采集样本基于非防伪特征信息采集若干正样本对及若干负样本对，建立样本数据集；具体的，采集样本为视频文件，该视频文件包括若干真实视频和攻击视频。

人脸防伪检测模型构建步骤S2，用于基于CDCN网络及分类器构建得到人脸防伪检测模型；其中，CDCN网络用于提取的人脸特征结果，分类器用于根据人脸特征结果计算输出检测结果，可选的，分类器采用孪生神经网络(Siamese Network)，其采用的损失函数是Contrastive Loss，用于处理孪生神经网络中成对数据的关系，实现样本特征结果的真伪聚合及聚合中心点之间欧式距离的计算；CDCN网络相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

模型预训练步骤S3，用于将样本数据集输入人脸防伪检测模型进行训练以调整人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；

人脸防伪检测步骤S4，用于将一待检测人脸图像输入预训练后的人脸防伪检测模型，得到检测结果。具体的，经CDCN网络提取人脸特征后，将得到的特征结果输入分类器进行分类，得到检测结果。可选的，CDCN网络基于Center Loss损失函数和MSE Loss损失函数自动调整网络权重。

其中，样本数据集构建步骤S1进一步包括：

正样本对获取步骤S11，用于以非防伪特征信息作为变量从采集样本中获取正样本对；具体的，非防伪特征信息包括但不限于光线信息、运动信息、场景信息、身份信息及攻击类型其一或其任意组合。

负样本对获取步骤S12，用于从采集样本中获取相同场景下身份信息相同的真、伪人脸图像组成负样本对。具体的，考虑到同一个ID的真人与附带该ID信息的某种攻击方式组成一个负样本对，人脸的身份信息相同，场景与光照等信息尽量一致，不一致的地方就在于一个为真，一个为假，利用这一特点，真、伪人脸图像取自具有相同身份ID的真实视频、攻击视频中相同帧的人脸图像。所述身份ID用于表示视频中人脸是否为同一真人。

通过上述步骤，基于步骤S1建立的样本数据集进行训练后的人脸防伪检测模型可以剔除待测人脸图像中上述非防伪特征信息，提高人脸防伪检测模型的性能和检测结果的精确度。

在其中一些实施例中，正样本对获取步骤S11进一步包括：

第一正样本对获取步骤S111，用于从采集样本中获取相同场景下身份信息相同但光线信息和/或运动信息不同的人脸图像组成第一正样本对；具体的，考虑到同一段视频中，人脸区域内的光线等信息可能会有很多不同，但是防伪信息是一致的，即同为真或者同为假，利用这一特点，第一正样本对取自一具有相同身份ID的真实视频中不同帧的人脸图像；

第二正样本对获取步骤S112，用于从采集样本中获取具有同一身份信息的场景不同的人脸图像组成第二正样本对；具体的，考虑到同一个真人的不同视频中，场景等信息可能会有很多不同，但是防伪信息是一致的，即同为真或者同为假，利用这一特点，第二正样本对取自二具有相同身份ID的不同真实视频中相同帧的人脸图像；

第三正样本对获取步骤S113，用于从采集样本中获取不同身份信息的人脸图像组成第三正样本对；具体的，考虑到不同的真人(即身份信息不一致)的不同视频中，人脸的身份信息不同，但是防伪信息是一致的，即同为真或者同为假，利用这一特点，第三正样本对取自身份ID不同的真实视频中相同帧的人脸图像；

第四正样本对获取步骤S114，用于从采集样本中获取同一攻击类型的人脸图像组成第四正样本对；具体的，考虑到同样攻击类型的视频中，人脸的身份信息不同，场景不同，光照信息等均不同，但是攻击类型信息是一致的，即属于同一种攻击方式，利用这一特点，第四正样本对取自不同身份ID的相同攻击方式的攻击视频中相同帧的人脸图像。

在其中一些实施例中，模型预训练步骤S3中，通过循环随机抽取样本数据集中的正样本对和负样本对进行模型训练。基于上述训练过程，有效剥离光线、运动、场景、身份及攻击类型等非防伪特征信息，以避免人脸防伪检测模型受上述非防伪特征信息的影响，从而提升人脸防伪检测模型的性能。

下面通过一组样本对对比学习原理图举例说明本申请优选实施例对模型进行训练的过程。参考图5-9所示，

如图5所示，第一样本对中的一对样本表示为view11、view12，view1为“ID-1_Real_video1_frame10”、view12为“ID-1_Real_video1_frame20”，由于前述二者取自一具有相同身份ID的真实视频中不同帧的人脸图像；同一段视频中的同一张人脸一定同为真或者同为假，那么不同帧的人脸防伪信息一致，不一致的是光线、运动等其他信息，利用对比学习的方式，不同帧相互监督，经过人脸防伪检测模型使两个网络最后的embedding相似度尽量的高，从而剔除出光线、运动等无关信息。

如图6所示，第二样本对中的一对样本表示为view21、view22，view21为“ID-1_Real_video2_frame1”、view22为“ID-1_Real_video3_frame1”，由于前述二者取自二具有相同身份ID的不同真实视频中相同帧的人脸图像；因为同一个真人即使在不同的场景中，也一定都属于真人，那么不同场景中某一帧的人脸防伪信息一致，不一致的是场景等其他信息，利用对比学习的方式，两个view相互监督，经过人脸防伪检测模型使两个网络最后的embedding相似度尽量的高，从而剔除出场景等无关信息。

如图7所示，第三样本对中的一对样本表示为view31、view32，view31为“ID-2_Real_video1_frame1”、view32为“ID-3_Real_video1_frame1”，由于前述二者取自身份ID不同的真实视频中相同帧的人脸图像，即使人脸的身份信息不一致，但是也一定都属于真人，利用对比学习的方式，两个view相互监督，经过人脸防伪检测模型使两个网络最后的embedding相似度尽量的高，从而剔除出身份等无关信息。

如图8所示，第四样本对中的一对样本表示为view41、view42，view41为“ID-2_Spoofn_video1_frame1”、view42为“ID-3_Spoofn_video1_frame1”，由于前述二者取自不同身份ID的相同攻击方式的攻击视频中相同帧的人脸图像，因为即使人脸的身份信息不一致，场景不一致，光线等条件不一致，但是也一定都属于同一种攻击方式，利用对比学习的方式，两个view相互监督，经过人脸防伪检测模型使两个网络最后的embedding相似度尽量的高，从而剔除出与攻击方式无关的信息。

如图9所示，负样本对中的一对样本表示为view1’、view2’，view1’为“ID-1_Real_video1_frame1”、view2’为“ID-1_Spoof2_video1_frame1”，由于前述二者取自具有相同身份ID的真实视频、攻击视频中相同帧的人脸图像，不一致的地方就在于一个为真，一个为假，利用对比学习的方式，互相监督，经过人脸防伪检测模型使两个网络最后的embedding相似度尽量的低，从而辨别真伪。

由于本申请实施例用到的是海量人脸图像数据，数据量较大，以上仅为原理示意，并不构成对样本对数量上的限定。

值得注意的是，考虑到本申请实施例的正样本对中的第四样本对是带有攻击方式的人脸图像，分类器需要让真人和攻击方式尽量聚拢在不同的中心点上，参考图10所示，样本特征进行分类时真人人脸图像样本特征数据聚拢在中心点Center D周围，带有攻击方式的人脸图像样本特征数据聚拢在Center S周围。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，步骤S11、S12可以互换，步骤S1、S2可以互换。

本实施例还提供了一种人脸防伪检测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3-4是根据本申请实施例的人脸防伪检测系统的结构框图，如图3-4所示，该系统包括：

样本数据集构建模块1，用于获取采集样本并根据采集样本基于非防伪特征信息采集正样本对及负样本对，建立样本数据集；优选的，采集样本为视频文件，该视频文件包括若干真实视频和攻击视频。

人脸防伪检测模型构建模块2，用于基于CDCN网络及分类器构建得到人脸防伪检测模型；其中，CDCN网络用于提取的人脸特征结果，分类器用于根据人脸特征结果计算输出检测结果，可选的，分类器采用孪生神经网络(Siamese Network)，其采用的损失函数是Contrastive Loss，用于处理孪生神经网络中成对数据的关系，实现样本特征结果的真伪聚合及聚合中心点之间欧式距离的计算；CDCN网络相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

模型预训练模块3，用于将样本数据集输入人脸防伪检测模型进行训练以调整人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型，具体的，通过循环随机抽取样本数据集中的正样本对和负样本对进行模型训练。可选的，CDCN网络基于Center Loss损失函数和MSE Loss损失函数自动调整网络权重。

人脸防伪检测模块4，用于将一待检测人脸图像输入预训练后的人脸防伪检测模型，得到检测结果。具体的，经CDCN网络提取人脸特征后，将得到的特征结果输入分类器进行分类，得到检测结果。

其中，样本数据集构建模块1进一步包括：正样本对获取模块11，用于以非防伪特征信息作为变量从采集样本中获取正样本对；具体的，非防伪特征信息包括但不限于光线信息、运动信息、场景信息、身份信息及攻击类型其一或其任意组合。其中，正样本对获取模块11进一步包括：第一正样本对获取模块111，用于从采集样本中获取相同场景下身份信息相同但光线信息和/或运动信息不同的人脸图像组成第一正样本对；具体的，第一正样本对取自一具有相同身份ID的真实视频中不同帧的人脸图像；第二正样本对获取模块112，用于从采集样本中获取具有同一身份信息的场景不同的人脸图像组成第二正样本对；具体的，第二正样本对取自二具有相同身份ID的不同真实视频中相同帧的人脸图像；第三正样本对获取模块113，用于从采集样本中获取不同身份信息的人脸图像组成第三正样本对；具体的，第三正样本对取自身份ID不同的真实视频中相同帧的人脸图像；第四正样本对获取模块114，用于从采集样本中获取同一攻击类型的人脸图像组成第四正样本对；具体的，第四正样本对取自不同身份ID的相同攻击方式的攻击视频中相同帧的人脸图像。负样本对获取模块12，用于从采集样本中获取相同场景下身份信息相同的真、伪人脸图像组成负样本对。具体的，真、伪人脸图像取自具有相同身份ID的真实视频、攻击视频中相同帧的人脸图像。

基于上述系统，人脸防伪检测模型实现有效剥离光线、运动、场景、身份及攻击类型等非防伪特征信息，以避免人脸防伪检测模型受上述非防伪特征信息的影响，从而提升人脸防伪检测模型的性能。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

另外，结合图1-2描述的本申请实施例人脸防伪检测方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。

具体地，上述处理器可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性(Non-Volatile)存储器。在特定实施例中，存储器包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random AccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。

处理器通过读取并执行存储器中存储的计算机程序指令，以实现上述实施例中的任意一种人脸防伪检测方法。

该计算机设备可以基于获取到的采集样本及待检测人脸图像，执行本申请实施例中的人脸防伪检测方法，从而实现结合图1-2描述的人脸防伪检测方法。

另外，结合上述实施例中的人脸防伪检测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种人脸防伪检测方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。