人脸活体检测方法、人脸识别方法、装置和电子设备

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人脸活体检测方法、人脸识别方法、装置和电子设备。

背景技术

在人脸识别流程中，可以由采集设备或者模块进行人脸活体检测和图像采集，将采集获得的人脸图像发送给服务端图像算法或者识别模块进行人脸识别。但是存在通过相机注入工具(相机注入即相机被破解，采集的图像不是来自真实相机)或相机注入方式将采集获得的真实人脸图像替换掉，来达到绕过人脸活体检测的目的。目前，在对人脸图像进行活体检测操作时，通常采用的方式为：通过特定的检测算法(例如，合成视频的检测方式，即视频合成算法)对替换的人脸图像进行活体检测。

然而，发明人发现，当采用上述方式对人脸图像进行活体检测操作时，经常会存在如下技术问题：特定的检测算法仅对特定的相机注入方式或相机注入工具有效。导致覆盖的检测相机注入工具和相机注入方式的范围较小，从而导致人脸活体检测的准确率较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了人脸活体检测方法、人脸识别方法、装置和电子设备，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种人脸活体检测方法，应用于人脸检测服务端，该方法包括：将相机参数信息发送至人脸图像采集终端，其中，上述相机参数信息包括：相机原始参数信息和相机调整后参数信息；响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，生成特征距离，其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的；根据上述特征距离，确定上述图像组对应的人脸活体检测结果；将上述人脸活体检测结果发送至上述人脸图像采集终端。

可选地，上述根据上述特征距离，确定上述图像组对应的人脸活体检测结果，包括：响应于确定上述特征距离大于预设距离阈值，将表征人脸为虚假人脸的虚假人脸信息确定为人脸活体检测结果；响应于确定上述特征距离小于等于上述预设距离阈值，将表征人脸为活体人脸的活体人脸信息确定为人脸活体检测结果。

可选地，在上述根据上述特征距离，确定上述图像组对应的人脸活体检测结果之后，上述方法还包括：将上述图像组包括的各个图像发送至预先训练的人脸识别模型中，得到人脸识别结果；将上述人脸识别结果发送至上述人脸图像采集终端。

可选地，上述根据上述图像组，生成特征距离，包括：将上述图像组输入至预先训练的人脸活体检测模型中，得到特征距离。

可选地，上述人脸活体检测模型是通过以下方式训练得到的：获取样本集，其中，上述样本集中的样本包括样本初始人脸图像、样本活体人脸图像和样本虚假人脸图像；从上述样本集中选取样本，以及执行以下训练步骤；将选取的样本的样本初始人脸图像输入至初始人脸活体检测模型的初始人脸图像特征提取网络中，得到样本初始人脸图像特征信息，其中，上述初始人脸活体检测模型还包括：初始活体人脸图像特征提取网络、初始虚假人脸图像特征提取网络和距离度量层，上述初始人脸图像特征提取网络、上述初始活体人脸图像特征提取网络和上述初始虚假人脸图像特征提取网络共享网络参数；将选取的样本的样本活体人脸图像输入至上述初始活体人脸图像特征提取网络中，得到样本活体人脸图像特征信息；将选取的样本的样本虚假人脸图像输入至上述初始虚假人脸图像特征提取网络中，得到样本虚假人脸图像特征信息；将上述样本初始人脸图像特征信息、上述样本活体人脸图像特征信息和上述样本虚假人脸图像特征信息输入至上述距离度量层，得到样本活体人脸距离和样本虚假人脸距离；基于预设损失函数、上述样本活体人脸距离和上述样本虚假人脸距离，确定上述样本活体人脸距离和上述样本虚假人脸距离对应的损失函数值；响应于确定上述损失函数值满足预设优化目标，将初始人脸活体检测模型确定为训练完成的人脸活体检测模型。

可选地，上述方法还包括：响应于确定上述损失函数值不满足预设优化目标，调整初始人脸活体检测模型的网络参数，以及从上述样本集中重新选取样本，使用调整后的初始人脸活体检测模型作为初始人脸活体检测模型，再次执行上述训练步骤。

第二方面，本公开的一些实施例提供了一种人脸活体检测装置，装置包括：第一发送单元，被配置成将相机参数信息发送至人脸图像采集终端，其中，上述相机参数信息包括：相机原始参数信息和相机调整后参数信息；生成单元，被配置成响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，生成特征距离，其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的；确定单元，被配置成根据上述特征距离，确定上述图像组对应的人脸活体检测结果；第二发送单元，被配置成将上述人脸活体检测结果发送至上述人脸图像采集终端。

在一些实施例的一些可选的实现方式中，确定单元被进一步配置成：响应于确定上述特征距离大于预设距离阈值，将表征人脸为虚假人脸的虚假人脸信息确定为人脸活体检测结果；响应于确定上述特征距离小于等于上述预设距离阈值，将表征人脸为活体人脸的活体人脸信息确定为人脸活体检测结果。

在一些实施例的一些可选的实现方式中，在上述根据上述特征距离，确定上述图像组对应的人脸活体检测结果之后，上述确定单元被更进一步配置成：将上述图像组包括的各个图像发送至预先训练的人脸识别模型中，得到人脸识别结果；将上述人脸识别结果发送至上述人脸图像采集终端。

在一些实施例的一些可选的实现方式中，生成单元被进一步配置成：将上述图像组输入至预先训练的人脸活体检测模型中，得到特征距离。

在一些实施例的一些可选的实现方式中，上述人脸活体检测模型是通过以下方式训练得到的：获取样本集，其中，上述样本集中的样本包括样本初始人脸图像、样本活体人脸图像和样本虚假人脸图像；从上述样本集中选取样本，以及执行以下训练步骤；将选取的样本的样本初始人脸图像输入至初始人脸活体检测模型的初始人脸图像特征提取网络中，得到样本初始人脸图像特征信息，其中，上述初始人脸活体检测模型还包括：初始活体人脸图像特征提取网络、初始虚假人脸图像特征提取网络和距离度量层，上述初始人脸图像特征提取网络、上述初始活体人脸图像特征提取网络和上述初始虚假人脸图像特征提取网络共享网络参数；将选取的样本的样本活体人脸图像输入至上述初始活体人脸图像特征提取网络中，得到样本活体人脸图像特征信息；将选取的样本的样本虚假人脸图像输入至上述初始虚假人脸图像特征提取网络中，得到样本虚假人脸图像特征信息；将上述样本初始人脸图像特征信息、上述样本活体人脸图像特征信息和上述样本虚假人脸图像特征信息输入至上述距离度量层，得到样本活体人脸距离和样本虚假人脸距离；基于预设损失函数、上述样本活体人脸距离和上述样本虚假人脸距离，确定上述样本活体人脸距离和上述样本虚假人脸距离对应的损失函数值；响应于确定上述损失函数值满足预设优化目标，将初始人脸活体检测模型确定为训练完成的人脸活体检测模型。

在一些实施例的一些可选的实现方式中，上述方法还包括：响应于确定上述损失函数值不满足预设优化目标，调整初始人脸活体检测模型的网络参数，以及从上述样本集中重新选取样本，使用调整后的初始人脸活体检测模型作为初始人脸活体检测模型，再次执行上述训练步骤。

第三方面，本公开的一些实施例提供了一种人脸识别方法，应用于人脸图像采集终端，包括：响应于接收到人脸检测服务端发送的相机参数信息，根据上述相机参数信息对应的相机原始参数信息和相机调整后参数信息，分别对目标人脸进行人脸图像采集；将根据相机原始参数信息采集的人脸图像和根据相机调整后参数信息采集的人脸图像确定为图像组；响应于确定人脸图像采集完毕，将上述图像组发送至上述人脸检测服务端。

第四方面，本公开的一些实施例提供了一种人脸识别装置，装置包括：采集单元，被配置成响应于接收到人脸检测服务端发送的相机参数信息，根据上述相机参数信息对应的相机原始参数信息和相机调整后参数信息，分别对目标人脸进行人脸图像采集；确定单元，被配置成将根据相机原始参数信息采集的人脸图像和根据相机调整后参数信息采集的人脸图像确定为图像组；发送单元，被配置成响应于确定人脸图像采集完毕，将上述图像组发送至上述人脸检测服务端。

在一些实施例的一些可选的实现方式中，发送单元被进一步配置成：接收上述人脸检测服务端发送的人脸活体检测结果和人脸识别结果，以及对上述人脸活体检测结果和人脸识别结果进行结果显示，其中，上述人脸活体检测结果和人脸识别结果是基于上述第一方面上述的方法得到的。

第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

第七方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的人脸活体检测方法，扩大了覆盖的检测相机注入工具和方式的范围，从而提高了人脸活体检测的准确率。具体来说，导致覆盖的检测相机注入工具和方式的范围较小，从而导致人脸活体检测的准确率较低的原因在于：特定的检测算法仅对特定的相机注入方式或相机注入工具有效。导致覆盖的检测相机注入工具和相机注入方式的范围较小，从而导致人脸活体检测的准确率较低。基于此，本公开的一些实施例的人脸活体检测方法，首先，将相机参数信息发送至人脸图像采集终端。其中，上述相机参数信息包括：相机原始参数信息和相机调整后参数信息。由此，可以将相机参数信息发送至人脸图像采集终端，从而可以采集到不同参数信息的各个图像。其次，响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，生成特征距离。其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的。由此，可以得到特征距离，从而可以用于判断图像组是否是真实相机采集的活体人脸图像。然后，根据上述特征距离，确定上述图像组对应的人脸活体检测结果。由此，可以得到表征相机是否被注入的人脸活体检测结果。最后，将上述人脸活体检测结果发送至上述人脸图像采集终端。由此，可以将人脸活体检测结果发送至前端以供显示。也因为通过对要采集的人脸图像进行不同参数调整，可以采集到不同参数信息的人脸图像，从而可以提高相机检测的难度。还因为通过判断各个图像间的距离，可以确定人脸是否是真实相机采集的活体人脸图像。从而扩大了覆盖的检测相机注入工具和方式的范围，进而提高了人脸活体检测的准确率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的人脸活体检测方法的一个应用场景的示意图；

图2是根据本公开的人脸活体检测方法的一些实施例的流程图；

图3是根据本公开的一些实施例的人脸活体检测方法的另一些实施例的流程图；

图4是根据本公开的一些实施例的人脸识别方法的一个应用场景的示意图；

图5是根据本公开的人脸识别方法的一些实施例的流程图；

图6是根据本公开的人脸活体检测装置的一些实施例的结构示意图；

图7是根据本公开的人脸识别装置的一些实施例的结构示意图；

图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的一些实施例的人脸活体检测方法的一个应用场景的示意图。

在图1的应用场景中，首先，人脸检测服务端101将相机参数信息102发送至人脸图像采集终端。其中，上述相机参数信息102包括：相机原始参数信息1021和相机调整后参数信息1022。然后，响应于接收到上述人脸图像采集终端发送的图像组103，人脸检测服务端101根据上述图像组103，生成特征距离104。其中，上述图像组103是上述人脸图像采集终端根据上述相机原始参数信息1021和上述相机调整后参数信息1022采集的，其次，人脸检测服务端101根据上述特征距离104，确定上述图像组103对应的人脸活体检测结果105。最后，人脸检测服务端101将上述人脸活体检测结果105发送至上述人脸图像采集终端。

需要说明的是，人脸检测服务端101可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

继续参考图2，示出了根据本公开的人脸活体检测方法的一些实施例的流程200。该人脸活体检测方法，包括以下步骤：

步骤201，将相机参数信息发送至人脸图像采集终端。

在一些实施例中，人脸活体检测方法的执行主体(例如人脸检测服务端101)可以通过有线连接方式或者无线连接方式将相机参数信息发送至人脸图像采集终端。其中，上述相机参数信息可以包括相机原始参数信息和相机调整后参数信息。上述人脸图像采集终端可以为能够采集人脸图像的终端设备。例如，上述终端设备可以包括但不限于：智能手机、平板电脑、考勤机和门禁机。上述人脸图像可以为任意用户的人脸图像。上述相机原始参数信息可以为对上述终端设备包括的摄像头进行初始参数设定的参数信息。例如，上述相机原始参数信息可以包括但不限于：曝光强度、分辨率、光照环境、模糊强度和采集角度。上述相机调整后参数信息可以为对上述相机原始参数信息包括的曝光强度、分辨率、光照环境、模糊强度和采集角度进行参数调整后的各个参数信息。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，响应于接收到人脸图像采集终端发送的图像组，根据图像组，生成特征距离。

在一些实施例中，响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，上述执行主体可以生成特征距离。其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的。其中，上述图像组可以包括至少一张根据相机原始参数信息采集的图像和至少一张根据相机调整后参数信息采集的图像。上述特征距离可以为上述图像组包括的至少一张根据相机原始参数信息采集的图像和至少一张根据相机调整后参数信息采集的图像映射在低维嵌入空间中的图像特征距离。

实践中，作为示例，上述执行主体可以通过距离度量公式生成特征距离。上述距离度量公式可以包括但不限于：欧式距离、曼哈顿距离、切比雪夫距离、堪培拉距离和马氏距离。

作为另一种实现方式，上述执行主体可以通过直方图相似度函数(compareHist)、结构性相似度(Structure Similarity Index Measure，SSIM)和哈希相似度算法(Hashalgorithm)生成特征距离。

步骤203，根据特征距离，确定图像组对应的人脸活体检测结果。

在一些实施例中，根据上述特征距离，上述执行主体可以确定上述图像组对应的人脸活体检测结果。

作为示例，实践中，上述执行主体可以通过人脸活体检测算法，确定图像组对应的人脸活体检测结果。其中，上述人脸活体检测算法可以为以人脸图像为输入，以人脸活体检测结果为输出的神经网络模型。例如，上述人脸活体检测算法可以为Yolov5模型。

在一些实施例的一些可选的实现方式中，根据上述特征距离，上述执行主体可以通过以下步骤确定上述图像组对应的人脸活体检测结果：

第一步，响应于确定上述特征距离大于预设距离阈值，将表征人脸为虚假人脸的虚假人脸信息确定为人脸活体检测结果。其中，上述预设距离阈值可以为预先设定的距离阈值。上述虚假人脸信息可以为图像组包括的人脸图像为非活体人脸图像的信息。例如，上述预设距离阈值可以为2。实践中，响应于确定上述特征距离大于预设距离阈值，上述执行主体可以将表征人脸为虚假人脸的虚假人脸信息确定为人脸活体检测结果。

第二步，响应于确定上述特征距离小于等于上述预设距离阈值，将表征人脸为活体人脸的活体人脸信息确定为人脸活体检测结果。其中，上述活体人脸信息可以为图像组包括的各个图像为真实相机拍摄的活体人脸图像的信息。实践中，响应于确定上述特征距离小于等于上述预设距离阈值，上述执行主体可以将表征人脸为活体人脸的活体人脸信息确定为人脸活体检测结果。

可选地，在上述根据上述特征距离，确定上述图像组对应的人脸活体检测结果之后，上述执行主体还可以执行以下步骤：

第一步，将上述图像组包括的各个图像发送至预先训练的人脸识别模型中，得到人脸识别结果。其中，上述人脸识别模型可以为以人脸图像为输入，以人脸识别结果为输出的网络模型。例如，上述人脸识别模型可以为卷积神经网络模型(Convolutional NeuralNetworks，CNN)。上述人脸识别结果可以表征识别的人脸对应的用户信息是否存在的信息。例如，对欲进入某小区的用户进行人脸识别，得到的人脸识别结果可以表征该用户是否是该某小区的居民。

第二步，将上述人脸识别结果发送至上述人脸图像采集终端。

步骤204，将人脸活体检测结果发送至人脸图像采集终端。

在一些实施例中，上述执行主体可以将上述人脸活体检测结果发送至上述人脸图像采集终端。实践中，上述执行主体可以将上述人脸活体检测结果发送至上述人脸图像采集终端。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的人脸活体检测方法，扩大了覆盖的检测相机注入工具和方式的范围，从而提高了人脸活体检测的准确率。具体来说，导致覆盖的检测相机注入工具和方式的范围较小，从而导致人脸活体检测的准确率较低的原因在于：特定的检测算法仅对特定的相机注入方式或相机注入工具有效。导致覆盖的检测相机注入工具和相机注入方式的范围较小，从而导致人脸活体检测的准确率较低。基于此，本公开的一些实施例的人脸活体检测方法，首先，将相机参数信息发送至人脸图像采集终端。其中，上述相机参数信息包括：相机原始参数信息和相机调整后参数信息。由此，可以将相机参数信息发送至人脸图像采集终端，从而可以采集到不同参数信息的各个图像。其次，响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，生成特征距离。其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的。由此，可以得到特征距离，从而可以用于判断图像组是否是真实相机采集的活体人脸图像。然后，根据上述特征距离，确定上述图像组对应的人脸活体检测结果。由此，可以得到表征相机是否被注入的人脸活体检测结果。最后，将上述人脸活体检测结果发送至上述人脸图像采集终端。由此，可以将人脸活体检测结果发送至前端以供显示。也因为通过对要采集的人脸图像进行不同参数调整，可以采集到不同参数信息的人脸图像，从而可以提高相机检测的难度。还因为通过判断各个图像间的距离，可以确定人脸是否是真实相机采集的活体人脸图像。从而扩大了覆盖的检测相机注入工具和方式的范围，进而提高了人脸活体检测的准确率。

进一步参考图3，其示出了人脸活体检测方法的另一些实施例的流程300。该人脸活体检测方法的流程300，包括以下步骤：

步骤301，将相机参数信息发送至人脸图像采集终端。

在一些实施例中，步骤301的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。

步骤302，将图像组输入至预先训练的人脸活体检测模型中，得到特征距离。

在一些实施例中，上述执行主体可以将上述图像组输入至预先训练的人脸活体检测模型中，得到特征距离。其中，上述人脸活体检测模型可以为以初始人脸图像和活体人脸图像(或者虚假人脸图像)为输入，以初始人脸图像和活体人脸图像(或者虚假人脸图像)对应的特征距离为输出的网络模型。上述人脸活体检测模型可以包括：初始人脸图像特征提取网络、初始活体人脸图像特征提取网络(或初始虚假人脸图像特征提取网络)和距离度量层。上述初始人脸图像特征提取网络、初始活体人脸图像特征提取网络(或初始虚假人脸图像特征提取网络)共享网络参数。上述初始人脸图像可以为根据相机原始参数信息采集的人脸图像。上述活体人脸图像可以为通过相机调整后参数信息采集的人脸图像。上述虚假人脸图像可以为通过非真实相机采集的非活体人脸图像。其中，上述初始人脸图像特征提取网络可以为对通过相机原始参数信息采集的人脸图像进行特征提取的神经网络。上述初始活体人脸图像特征提取网络(或初始虚假人脸图像特征提取网络)可以为对通过相机调整后参数信息采集的人脸图像(或被置换后的虚假人脸图像)进行特征提取的神经网络。上述距离度量层可以为能够对图像组包括的各个图像对应的嵌入向量进行距离度量的网络层。这里，嵌入向量可以为通过Embedding进行特征处理的向量。

在一些实施例的一些可选的实现方式中，人脸活体检测模型是可以通过以下方式训练得到的：

第一训练步骤，获取样本集。其中，上述样本集中的样本包括样本初始人脸图像、样本活体人脸图像和样本虚假人脸图像。其中，上述样本初始人脸图像可以为通过相机原始参数信息采集的样本人脸图像。上述样本活体人脸图像可以为通过相机调整后参数信息采集的样本活体人脸图像。上述样本虚假人脸图像可以为通过非真实相机采集的非活体样本人脸图像。需要说明的是，训练上述人脸活体检测模型的执行主体可以是上述执行主体，也可以是其他计算设备。

第二训练步骤，从上述样本集中选取样本，以及执行以下训练步骤：

第一训练子步骤，将选取的样本的样本初始人脸图像输入至初始人脸活体检测模型的初始人脸图像特征提取网络中，得到样本初始人脸图像特征信息。其中，上述初始人脸活体检测模型还包括：初始活体人脸图像特征提取网络、初始虚假人脸图像特征提取网络和距离度量层，上述初始人脸图像特征提取网络、上述初始活体人脸图像特征提取网络和上述初始虚假人脸图像特征提取网络共享网络参数。上述初始人脸活体检测模型可以为以样本初始人脸图像、样本活体人脸图像和样本虚假人脸图像为输入，以样本活体人脸距离和样本虚假人脸距离为输出的初始神经网络模型。上述初始神经网络模型可以为待训练的神经网络模型。上述样本活体人脸距离可以表征样本初始人脸图像和样本活体人脸图像的相似程度。上述样本虚假人脸距离可以表征样本初始人脸图像和样本虚假人脸图像的相似程度。上述初始活体人脸图像特征提取网络可以为能够对样本活体人脸图像进行特征提取的网络。上述初始虚假人脸图像特征提取网络可以为能够对样本虚假人脸图像进行特征提取的网络。上述初始人脸图像特征提取网络可以为能够对样本初始人脸图像进行特征提取的网络。

第二训练子步骤，将选取的样本的样本活体人脸图像输入至上述初始活体人脸图像特征提取网络中，得到样本活体人脸图像特征信息。

第三训练子步骤，将选取的样本的样本虚假人脸图像输入至上述初始虚假人脸图像特征提取网络中，得到样本虚假人脸图像特征信息。

第四训练子步骤，将上述样本初始人脸图像特征信息、上述样本活体人脸图像特征信息和上述样本虚假人脸图像特征信息输入至上述距离度量层，得到样本活体人脸距离和样本虚假人脸距离。

第五训练子步骤，基于预设损失函数、上述样本活体人脸距离和上述样本虚假人脸距离，确定上述样本活体人脸距离和上述样本虚假人脸距离对应的损失函数值。其中，上述损失函数值对应的预设函数可以通过以下公式表示：

其中，上述W可以表示初始人脸活体检测模型的网络参数。上述b可以表示初始人脸活体检测模型的网络参数。上述i可以为样本集中的样本序号。上述N可以为样本总数量。上述

第六训练子步骤，响应于确定上述损失函数值满足预设优化目标，将初始人脸活体检测模型确定为训练完成的人脸活体检测模型。其中，上述预设优化目标可以为本轮训练的损失函数值与本轮之前连续预设数量的各个损失函数值的差值绝对值均小于等于预设损失差值阈值。上述预设损失差值阈值可以为预先设定的损失差值阈值。例如，上述预设损失差值阈值可以为10的负三次方。上述预设数量可以为预先设定的数量。例如，上述预设数量可以为20。

可选地，上述执行主体还可以执行以下步骤：

第七训练子步骤，响应于确定上述损失函数值不满足预设优化目标，调整初始人脸活体检测模型的网络参数，以及从上述样本集中重新选取样本，使用调整后的初始人脸活体检测模型作为初始人脸活体检测模型，再次执行上述训练步骤。作为示例，可以采用反向传播算法(Back Propagation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始人脸活体检测模型的网络参数进行调整。

步骤303，根据特征距离，确定图像组对应的人脸活体检测结果。

在一些实施例中，步骤303的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤203，在此不再赘述。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的人脸活体检测方法的流程300体现了通过模型进行预测得到图像间的距离。由此，这些实施例描述的方案通过对初始人脸活体检测模型的不断训练优化，可以最大化样本初始人脸图像和样本虚假人脸图之间距离，以及最小化样本初始人脸图像和样本活体人脸图像的距离，从而提高了模型预测的准确率，即可以提高人脸活体检测的准确性。

图4是根据本公开一些实施例的人脸识别方法的一个应用场景的示意图。

在图4的应用场景中，首先，人脸图像采集终端401响应于接收到人脸检测服务端发送的相机参数信息402，根据上述相机参数信息对应的相机原始参数信息4021和相机调整后参数信息4022，分别对目标人脸进行人脸图像采集。然后，人脸图像采集终端401将根据相机原始参数信息采集的人脸图像403和根据相机调整后参数信息采集的人脸图像404确定为图像组405。响应于确定人脸图像采集完毕，人脸图像采集终端401将上述图像组405发送至上述人脸检测服务端。

需要说明的是，上述人脸图像采集终端401可以是硬件。且当人脸图像采集终端为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。

继续参考图5，示出了根据本公开的人脸识别方法的一些实施例的流程500。该人脸识别方法，包括以下步骤：

步骤501，响应于接收到人脸检测服务端发送的相机参数信息，根据相机参数信息对应的相机原始参数信息和相机调整后参数信息，分别对目标人脸进行人脸图像采集。

在一些实施例中，上述人脸识别方法的执行主体(人脸图像采集终端401)通过有线连接方式或者无线连接方式利用人脸图像采集终端对应的终端设备分别对目标人脸进行相机原始参数信息的人脸图像采集和相机调整后参数信息的人脸图像采集。其中，上述目标人脸可以为任意用户的人脸。上述任意用户在此不做具体限定。上述人脸检测服务端可以为对目标人脸进行活体人脸检测的服务器。

步骤502，将根据相机原始参数信息采集的人脸图像和根据相机调整后参数信息采集的人脸图像确定为图像组。

在一些实施例中，上述执行主体可以将根据相机原始参数信息采集的人脸图像和根据相机调整后参数信息采集的人脸图像确定为图像组。

步骤503，响应于确定人脸图像采集完毕，将图像组发送至人脸检测服务端。

在一些实施例中，响应于确定人脸图像采集完毕，上述执行主体可以将上述图像组发送至上述人脸检测服务端。

在一些实施例的一些可选的实现方式中，上述执行主体还可以接收上述人脸检测服务端发送的人脸活体检测结果和人脸识别结果，以及对上述人脸活体检测结果和人脸识别结果进行结果显示。其中，上述人脸活体检测结果和人脸识别结果是基于权利要求1-6上述的方法得到的。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种人脸活体检测装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的人脸活体检测装置600包括：第一发送单元601、生成单元602、确定单元603和第二发送单元604。其中，发送单元601被配置成将相机参数信息发送至人脸图像采集终端，其中，上述相机参数信息包括：相机原始参数信息和相机调整后参数信息；生成单元602被配置成响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，生成特征距离，其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的；确定单元603被配置成根据上述特征距离，确定上述图像组对应的人脸活体检测结果；第二发送单元604被配置成将上述人脸活体检测结果发送至上述人脸图像采集终端。

在一些实施例的一些可选的实现方式中，确定单元603被进一步配置成：响应于确定上述特征距离大于预设距离阈值，将表征人脸为虚假人脸的虚假人脸信息确定为人脸活体检测结果；响应于确定上述特征距离小于等于上述预设距离阈值，将表征人脸为活体人脸的活体人脸信息确定为人脸活体检测结果。

在一些实施例的一些可选的实现方式中，在上述根据上述特征距离，确定上述图像组对应的人脸活体检测结果之后，上述确定单元603被更进一步配置成：将上述图像组包括的各个图像发送至预先训练的人脸识别模型中，得到人脸识别结果；将上述人脸识别结果发送至上述人脸图像采集终端。

在一些实施例的一些可选的实现方式中，生成单元602被进一步配置成：将上述图像组输入至预先训练的人脸活体检测模型中，得到特征距离。

在一些实施例的一些可选的实现方式中，上述人脸活体检测模型是通过以下方式训练得到的：获取样本集，其中，上述样本集中的样本包括样本初始人脸图像、样本活体人脸图像和样本虚假人脸图像；从上述样本集中选取样本，以及执行以下训练步骤；将选取的样本的样本初始人脸图像输入至初始人脸活体检测模型的初始人脸图像特征提取网络中，得到样本初始人脸图像特征信息，其中，上述初始人脸活体检测模型还包括：初始活体人脸图像特征提取网络、初始虚假人脸图像特征提取网络和距离度量层，上述初始人脸图像特征提取网络、上述初始活体人脸图像特征提取网络和上述初始虚假人脸图像特征提取网络共享网络参数；将选取的样本的样本活体人脸图像输入至上述初始活体人脸图像特征提取网络中，得到样本活体人脸图像特征信息；将选取的样本的样本虚假人脸图像输入至上述初始虚假人脸图像特征提取网络中，得到样本虚假人脸图像特征信息；将上述样本初始人脸图像特征信息、上述样本活体人脸图像特征信息和上述样本虚假人脸图像特征信息输入至上述距离度量层，得到样本活体人脸距离和样本虚假人脸距离；基于预设损失函数、上述样本活体人脸距离和上述样本虚假人脸距离，确定上述样本活体人脸距离和上述样本虚假人脸距离对应的损失函数值；响应于确定上述损失函数值满足预设优化目标，将初始人脸活体检测模型确定为训练完成的人脸活体检测模型。

在一些实施例的一些可选的实现方式中，上述方法还包括：响应于确定上述损失函数值不满足预设优化目标，调整初始人脸活体检测模型的网络参数，以及从上述样本集中重新选取样本，使用调整后的初始人脸活体检测模型作为初始人脸活体检测模型，再次执行上述训练步骤。

可以理解的是，该人脸活体检测装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于人脸活体检测装置600及其中包含的单元，在此不再赘述。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种人脸识别装置的一些实施例，这些装置实施例与图5所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，一种人脸识别装置700包括：采集单元701、确定单元702和发送单元703。其中，采集单元701被配置成响应于接收到人脸检测服务端发送的相机参数信息，根据上述相机参数信息对应的相机原始参数信息和相机调整后参数信息，分别对目标人脸进行人脸图像采集；确定单元702被配置成将根据相机原始参数信息采集的人脸图像和根据相机调整后参数信息采集的人脸图像确定为图像组；发送单元703被配置成响应于确定人脸图像采集完毕，将上述图像组发送至上述人脸检测服务端。

在一些实施例的一些可选的实现方式中，发送单元703被进一步配置成：接收上述人脸检测服务端发送的人脸活体检测结果和人脸识别结果，以及对上述人脸活体检测结果和人脸识别结果进行结果显示，其中，上述人脸活体检测结果和人脸识别结果是基于权利要求1-6上述的方法得到的。

可以理解的是，该人脸识别装置700中记载的诸单元与参考图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。

下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备800(人脸检测服务端101)的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置801(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将相机参数信息发送至人脸图像采集终端，其中，上述相机参数信息包括：相机原始参数信息和相机调整后参数信息；响应于接收到上述人脸图像采集终端发送的图像组，根据上述图像组，生成特征距离，其中，上述图像组是上述人脸图像采集终端根据上述相机原始参数信息和上述相机调整后参数信息采集的；根据上述特征距离，确定上述图像组对应的人脸活体检测结果；将上述人脸活体检测结果发送至上述人脸图像采集终端。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一发送单元、生成单元、确定单元和第二发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“根据上述特征距离，确定上述图像组对应的人脸活体检测结果的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种人脸活体检测方法和人脸识别方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。