假脸检测方法、装置、电子设备及计算机可读存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种假脸检测方法、装置、电子设备及计算机可读存储介质。

背景技术

随着人脸识别、人脸解锁的技术在各大领域广泛应用，各学术界和工业界越来越关注人脸防伪和人脸活体检测。目前大量黑产通过高端技术合成人脸来攻击各大人脸识别系统，而且人脸合成的逼真度越来越高，攻击成功率随之大大提升。特别是配合式的活体检测在假脸合成面前的防御能力也不强。

现阶段的假脸合成检测方法是计算人脸边缘的梯度幅值和纹理对比度，以及通过对肤色进行色度、饱和度分析来进行人脸合成的判断。这种方法在提取人脸特征时，会存在提取到的特征不能很好地表达合成人脸的特点的问题，致使特征表征能力不足、检测精度不够，检测算法耗时长。

发明内容

本发明提供一种假脸检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决现有检测方法提取到的特征不能很好地表达合成人脸特点的问题。

为实现上述目的，本发明提供的一种假脸检测方法，包括：

获取原始人脸图像，对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像；

利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值；

利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集；

利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值；

对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值；

根据所述人脸检测概率值检测所述原始人脸是否为假脸，并得到检测结果；

当所述检测结果为假脸时，将所述判定结果发送至预设终端。

可选地，所述利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值，包括：

利用所述轻量级深度学习模型对所述初始人脸图像进行特征提取，得到初始图像特征；

根据所述轻量级深度学习模型中的分类函数对所述初始图像特征进行概率计算，得到第一假脸概率值。

可选地，所述利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集，包括：

利用预设的人脸检测算法对所述原始人脸图像进行人脸检测处理，得到一个或者多个人脸框；

利用预设的比例对所述人脸框进行扩大或缩小操作，得到人脸扩大框和人脸缩小框；

利用所述人脸扩大框和所述人脸缩小框对所述原始人脸图像分别进行截取处理，得到人脸区域图像集；

根据预设的尺寸对所述人脸区域图像集进行缩放处理，得到不同尺寸的人脸截取图像集。

可选地，所述利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值，包括：

对所述人脸截取图像集中的人脸截取图像进行特征提取，得到截取图像特征；

利用预设的分类函数对所述截取图像特征进行概率计算，得到第一细粒度概率值；

将所述截取图像特征经过预设的第一区域目标网络进行区域信息提取处理，根据提取出来的区域信息在所述截取图像中进行裁剪，得到第一区域图；

根据预设的缩放尺寸对所述第一区域图进行缩放处理，并输入至预设的第二区域目标网络中，得到第二区域图，利用所述第二区域目标网络中的分类层对所述第二区域图进行概率计算，得到第二细粒度概率值；

将所述第二区域图作为预设的第三区域目标网络的输入，得到第三区域图和第三细粒度概率值，将所述第三区域图作为预设的第四区域目标网络的输入，得到第四区域图和第四细粒度概率值；

将所述第一细粒度概率值、所述第二细粒度概率值、所述第三细粒度概率值和所述第四细粒度概率值进行汇总，得到第二假脸概率值。

可选地，所述对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像，包括：

对所述原始人脸图像进行空间快速转换，得到快速频域图像；

利用预设的滤波函数对所述快速频域图像进行滤波处理，得到滤波图像；

对所述滤波图像进行频域反变换，得到初始人脸图像。

可选地，所述对所述原始人脸图像进行空间快速转换，得到快速频域图像，包括：

利用预设的第一变换公式对所述原始人脸图像进行空间快速转换，得到快速频域图像的像素值F(u,v)：

其中，f(x,y)表示原始人脸图像的像素值，F(u,v)表示快速频域图像的像素值，M、N表示原始人脸图像的宽和高，j为快速傅里叶变换函数中的固定参数。

可选地，所述利用预设的滤波函数对所述快速频域图像进行滤波处理，得到滤波图像，包括：

利用如下滤波函数对所述快速频域图像进行滤波处理，得到滤波图像：

其中，H(u,v)为滤波图像的像素值，F(u,v)为快速频域图像的像素值，D

为了解决上述问题，本发明还提供一种假脸检测装置，所述装置包括：

初始人脸图像获取模块，用于获取原始人脸图像，对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像；

第一假脸概率值计算模块，用于利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值；

人脸截取图像集获取模块，用于利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集；

第二假脸概率值计算模块，用于利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值；

加权融合模块，用于对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值；

假脸判定模块，用于通过将所述人脸检测概率值与预设的检测阈值进行比较，得到所述原始人脸图像是否为假脸的判定结果，并将所述判定结果通过传送至预设终端。

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：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

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指令，所述计算机程序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上述的假脸检测方法。

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，存储有计算机程序，所述计算机程序被处理器执行时实现上述的假脸检测方法。

本发明实施例首先获取原始人脸图像，对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像，利用所述频域转换将所述人脸图像转换到空间域上，所述高通滤波处理可以滤除掉图像中的低频分量。利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值；利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集，所述人脸截取图像集包括不同尺寸大小的图片，增加了后续模型训练的鲁棒性。利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值；对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值；通过将所述人脸检测概率值与预设的检测阈值进行比较，得到所述原始人脸图像是否为假脸的判定结果，并将所述判定结果通过传送至预设终端。因此，本发明提出的假脸检测方法、装置及计算机可读存储介质，可以提高假脸检测方法的效率，解决现有检测方法提取到的特征不能很好地表达合成人脸特点的问题。

附图说明

图1为本发明实施例提供的假脸检测方法的流程示意图；

图2为图1所示的假脸检测方法中其中一个步骤的流程示意图；

图3为本发明实施例提供的假脸检测装置的模块示意图；

图4为本发明实施例提供的实现假脸检测方法的电子设备的内部结构示意图。

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

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。

本发明实施例提供一种假脸检测方法，所述假脸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申请实施例提供的该方法的电子设备中的至少一种。换言之，所述假脸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。

参照图1所示，为本发明实施例提供的一种假脸检测方法的流程示意图。在本实施例中，所述假脸检测方法包括：

S1、获取原始人脸图像，对所原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像。

本发明实施例通过高端技术合成人脸来获取原始人脸图像。

进一步地，参阅图2所示，本发明实施例中，所述对所原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像，包括：

S11、对所述原始人脸图像进行空间快速转换，得到快速频域图像；

S12、利用预设的滤波函数对所述快速频域图像进行滤波处理，得到滤波图像；

S13、对所述滤波图像进行频域反变换，得到初始人脸图像。

具体地，所述对所述原始人脸图像进行空间快速转换，得到快速频域图像，包括：

利用预设的第一变换公式对所述原始人脸图像进行空间快速转换，得到快速频域图像的像素值F(u,v)：

其中，f(x,y)表示原始人脸图像的像素值，F(u,v)表示快速频域图像的像素值，M、N表示原始人脸图像的宽和高，j为快速傅里叶变换函数中的固定参数。

详细地，所述快速频域图像中会存在环境光等光线干扰，因此需要设计一个滤波函数对所述快速频域图像进行滤波处理，滤除所述快速频域图像中的低频分量。

进一步地，本发明实施例利用预设的滤波函数对所述快速频域图像进行滤波处理，得到滤波图像：

其中，H(u,v)为滤波图像的像素值，F(u,v)为快速频域图像的像素值，D

优选地，n取3，D0取130。

具体地，所述对所述滤波图像进行频域反变换，得到初始人脸图像，包括：

利用预设的第二变换公式对所述滤波图像进行频域反转换，得到初始人脸图像的像素值L(a,b)：

其中，L(a,b)为初始人脸图像的像素值，X、Y表示所述滤波图像的宽和高，j为快速傅里叶变换函数中的固定参数。

S2、利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值。

本发明实施例中，所述利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值，包括：

利用所述轻量级深度学习模型对所述初始人脸图像进行特征提取，得到初始图像特征；

根据所述轻量级深度学习模型中的分类函数，如softmax函数对所述初始图像特征进行概率计算，得到第一假脸概率值。

本发明实施例先将空间域上的图像转成频域，经过高通滤波过滤光线等干扰并还原成RGB图像，输入到轻量级模型faster_se_resnet中，输出第一个模型的分类概率。

S3、利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集。

本发明实施例中，所述预设的人脸检测算法可以是现有的轻量级人脸检测器centerface。

详细地，本发明实施例中，所述利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集，包括：

利用预设的人脸检测算法对所述原始人脸图像进行人脸检测处理，得到一个或者多个人脸框；

利用预设的比例对所述人脸框进行扩大或缩小操作，得到人脸扩大框和人脸缩小框；

利用所述人脸扩大框和所述人脸缩小框对所述原始人脸图像分别进行截取处理，得到人脸区域图像集；

根据预设的尺寸对所述人脸区域图像集进行缩放处理，得到不同尺寸的人脸截取图像集。

进一步地，本发明实施例采用TensorFlow中的缩放(Resize)模块对所述截图图像集进行缩放处理，得到不同尺寸的人脸截取图像集。

S4、利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值。

本发明实施例中，所述细粒度分类模型可以为faster_RA-CNN模型。

具体地，所述利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值，包括：

对所述人脸截取图像集中的人脸截取图像进行特征提取，得到截取图像特征；

利用预设的分类函数对所述截取图像特征进行概率计算，得到第一细粒度概率值；

将所述截取图像特征经过预设的第一区域目标网络进行区域信息提取处理，根据提取出来的区域信息在所述截取图像中进行裁剪，得到第一区域图，；

根据预设的缩放尺寸对所述第一区域图进行缩放处理，并输入至预设的第二区域目标网络中，得到第二区域图，利用所述第二区域目标网络中的分类层对所述第二区域图进行概率计算，得到第二细粒度概率值；

将所述第二区域图作为预设的第三区域目标网络的输入，得到第三区域图和第三细粒度概率值，将所述第三区域图作为预设的第四区域目标网络的输入，得到第四区域图和第四细粒度概率值；

将所述第一细粒度概率值、所述第二细粒度概率值、所述第三细粒度概率值和所述第四细粒度概率值进行汇总，得到第二假脸概率值。

详细地，利用预设的faster_se_resnet的基础网络对所述人脸截取图像进行特征提取，得到截取图像特征。

优选地，所述分类函数可以是softmax函数。

具体地，所述将所述截取图像特征经过预设的第一区域目标网络进行区域信息提取处理，根据提取出来的区域信息在所述截取图像中进行裁剪，得到第一区域图，包括：

在利用预设的全连接层对所述截取图像特征进行连接计算，得到输出值集合；

对所述输出值集合进行归一化处理，得到坐标集合；

根据所述坐标集合在所述截取图像中进行裁剪，得到第一区域图。

详细地，所述输出值集合包括3个值，分别为：tx，ty，tl，由这三个值可以确定一个正方形的区域，tx，ty是代表区域的中心点，tl代表区域的边长。

具体地，将所述输出值集合中的3个值乘以输入图的大小，将tx，ty，tl还原到原始图像上，最终得到的坐标：att_x＝tx*244,att_y＝ty*244,att_l＝tl*244，根据坐标可以得到在截取图像中裁剪出第一区域图。

进一步地，所述将所述第一细粒度概率值、所述第二细粒度概率值、所述第三细粒度概率值和所述第四细粒度概率值进行汇总，得到第二假脸概率值，包括：

其中，RA

S5、对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值。

本发明实施例中，对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值是利用预设的加权公式进行加权融合处理，包括：

P(cls)＝0.625*RA

其中，P(cls)为人脸检测概率值，Re

S6、根据所述人脸检测概率值检测所述原始人脸是否为假脸，并得到检测结果；当所述检测结果为假脸时，将所述判定结果发送至预设终端。

本发明实施例中，结合预设的判定公式将所述人脸检测概率值与预设的检测阈值进行比较，得到所述原始人脸图像是否为假脸的判定结果，包括：

所述判定公式为：

其中，y为判定结果，N为预设的检测阈值。

优选地，本发明实施例中，N为0.65。

如图3所示，是本发明实施例提供的假脸检测装置的模块示意图。

本发明所述假脸检测装置100可以安装于电子设备中。根据实现的功能，所述假脸检测装置100可以包括初始人脸图像获取模块101、第一假脸概率值计算模块102、人脸截取图像集获取模块103、第二假脸概率值计算模块104、加权融合模块105、假脸判定模块106。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。

在本实施例中，关于各模块/单元的功能如下：

所述初始人脸图像获取模块101，用于获取原始人脸图像，对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像；

所述第一假脸概率值计算模块102，用于利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值；

所述人脸截取图像集获取模块103，用于利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集；

所述第二假脸概率值计算模块104，用于利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值；

所述加权融合模块105，用于对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值；

所述假脸判定模块106，用于通过将所述人脸检测概率值与预设的检测阈值进行比较，得到所述原始人脸图像是否为假脸的判定结果，并将所述判定结果通过传送至预设终端。

详细地，所述假脸检测装置100各模块的具体实施方式如下：

步骤一、所述初始人脸图像获取模块101获取原始人脸图像，对所原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像。

本发明实施例通过高端技术合成人脸来获取原始人脸图像。

进一步地，本发明实施例中，所述初始人脸图像获取模块101对所原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像，包括：

对所述原始人脸图像进行空间快速转换，得到快速频域图像；

利用预设的滤波函数对所述快速频域图像进行滤波处理，得到滤波图像；

对所述滤波图像进行频域反变换，得到初始人脸图像。

具体地，所述对所述原始人脸图像进行空间快速转换，得到快速频域图像，包括：

利用预设的第一变换公式对所述原始人脸图像进行空间快速转换，得到快速频域图像的像素值F(u,v)：

其中，f(x,y)表示原始人脸图像的像素值，F(u,v)表示快速频域图像的像素值，M、N表示原始人脸图像的宽和高，j为快速傅里叶变换函数中的固定参数。

详细地，所述快速频域图像中会存在环境光等光线干扰，因此需要设计一个滤波函数对所述快速频域图像进行滤波处理，滤除所述快速频域图像中的低频分量。

进一步地，本发明实施例利用预设的滤波函数对所述快速频域图像进行滤波处理，得到滤波图像：

其中，H(u,v)为滤波图像的像素值，F(u,v)为快速频域图像的像素值，D

优选地，n取3，D0取130。

具体地，所述对所述滤波图像进行频域反变换，得到初始人脸图像，包括：

利用预设的第二变换公式对所述滤波图像进行频域反转换，得到初始人脸图像的像素值L(a,b)：

其中，L(a,b)为初始人脸图像的像素值，X、Y表示所述滤波图像的宽和高，j为快速傅里叶变换函数中的固定参数。

步骤二、所述第一假脸概率值计算模块102利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值。

本发明实施例中，所述第一假脸概率值计算模块102利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值，包括：

利用所述轻量级深度学习模型对所述初始人脸图像进行特征提取，得到初始图像特征；

根据所述轻量级深度学习模型中的分类函数，如softmax函数对所述初始图像特征进行概率计算，得到第一假脸概率值。

本发明实施例先将空间域上的图像转成频域，经过高通滤波过滤光线等干扰并还原成RGB图像，输入到轻量级模型faster_se_resnet中，输出第一个模型的分类概率。

步骤三、所述人脸截取图像集获取模块103利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集。

本发明实施例中，所述预设的人脸检测算法可以是现有的轻量级人脸检测器centerface。

详细地，本发明实施例中，所述人脸截取图像集获取模块103利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集，包括：

利用预设的人脸检测算法对所述原始人脸图像进行人脸检测处理，得到一个或者多个人脸框；

利用预设的比例对所述人脸框进行扩大或缩小操作，得到人脸扩大框和人脸缩小框；

利用所述人脸扩大框和所述人脸缩小框对所述原始人脸图像分别进行截取处理，得到人脸区域图像集；

根据预设的尺寸对所述人脸区域图像集进行缩放处理，得到不同尺寸的人脸截取图像集。

进一步地，本发明实施例采用TensorFlow中的缩放(Resize)模块对所述截图图像集进行缩放处理，得到不同尺寸的人脸截取图像集。

步骤四、所述第二假脸概率值计算模块104利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值。

本发明实施例中，所述细粒度分类模型可以为faster_RA-CNN模型。

具体地，所述第二假脸概率值计算模块104利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值，包括：

对所述人脸截取图像集中的人脸截取图像进行特征提取，得到截取图像特征；

利用预设的分类函数对所述截取图像特征进行概率计算，得到第一细粒度概率值；

将所述截取图像特征经过预设的第一区域目标网络进行区域信息提取处理，根据提取出来的区域信息在所述截取图像中进行裁剪，得到第一区域图，；

根据预设的缩放尺寸对所述第一区域图进行缩放处理，并输入至预设的第二区域目标网络中，得到第二区域图，利用所述第二区域目标网络中的分类层对所述第二区域图进行概率计算，得到第二细粒度概率值；

将所述第二区域图作为预设的第三区域目标网络的输入，得到第三区域图和第三细粒度概率值，将所述第三区域图作为预设的第四区域目标网络的输入，得到第四区域图和第四细粒度概率值；

将所述第一细粒度概率值、所述第二细粒度概率值、所述第三细粒度概率值和所述第四细粒度概率值进行汇总，得到第二假脸概率值。

详细地，利用预设的faster_se_resnet的基础网络对所述人脸截取图像进行特征提取，得到截取图像特征。

优选地，所述分类函数可以是softmax函数。

具体地，所述将所述截取图像特征经过预设的第一区域目标网络进行区域信息提取处理，根据提取出来的区域信息在所述截取图像中进行裁剪，得到第一区域图，包括：

在利用预设的全连接层对所述截取图像特征进行连接计算，得到输出值集合；

对所述输出值集合进行归一化处理，得到坐标集合；

根据所述坐标集合在所述截取图像中进行裁剪，得到第一区域图。

详细地，所述输出值集合包括3个值，分别为：tx，ty，tl，由这三个值可以确定一个正方形的区域，tx，ty是代表区域的中心点，tl代表区域的边长。

具体地，将所述输出值集合中的3个值乘以输入图的大小，将tx，ty，tl还原到原始图像上，最终得到的坐标：att_x＝tx*244,att_y＝ty*244,att_l＝tl*244，根据坐标可以得到在截取图像中裁剪出第一区域图。

进一步地，所述将所述第一细粒度概率值、所述第二细粒度概率值、所述第三细粒度概率值和所述第四细粒度概率值进行汇总，得到第二假脸概率值，包括：

其中，RA

步骤五、所述加权融合模块105对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值。

本发明实施例中，所述加权融合模块105对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值是利用预设的加权公式进行加权融合处理，包括：

P(cls)＝0.625*RA

其中，P(cls)为人脸检测概率值，Re

步骤六、所述假脸判定模块106根据所述人脸检测概率值检测所述原始人脸是否为假脸，并得到检测结果；当所述检测结果为假脸时，将所述判定结果发送至预设终端。

本发明实施例中，所述假脸判定模块106结合预设的判定公式将所述人脸检测概率值与预设的检测阈值进行比较，得到所述原始人脸图像是否为假脸的判定结果，包括：

所述判定公式为：

其中，y为判定结果，N为预设的检测阈值。

优选地，本发明实施例中，N为0.65。

如图4所示，是本发明实现假脸检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，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，如假脸检测程序12。

其中，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1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，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1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1的应用软件及各类数据，例如假脸检测程序12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。

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(例如执行假脸检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线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。

图4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4示出的结构并不构成对所述电子设备1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。

例如，尽管未示出，所述电子设备1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1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。

进一步地，所述电子设备1还可以包括网络接口，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1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，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1中处理的信息以及用于显示可视化的用户界面。

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。

所述电子设备1中的所述存储器11存储的假脸检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取原始人脸图像，对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像；

利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值；

利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集；

利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值；

对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值；

根据所述人脸检测概率值检测所述原始人脸是否为假脸，并得到检测结果；

当所述检测结果为假脸时，将所述判定结果发送至预设终端。

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)。

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，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：

获取原始人脸图像，对所述原始人脸图像进行频域转换及高通滤波处理，得到初始人脸图像；

利用预构建的轻量级深度学习模型对所述初始人脸图像进行计算，得到第一假脸概率值；

利用预设的人脸检测算法对所述原始人脸图像进行人脸轮廓检测，得到人脸框，对所述人脸框进行扩大或缩小操作，得到不同尺寸的人脸截取图像集；

利用预构建的细粒度分类模型对所述人脸截取图像集进行细粒度分类处理，得到所述人脸截图图像集对应的细粒度概率值集合，将所述细粒度概率值集合进行融合，得到第二假脸概率值；

对所述第一假脸概率值和所述第二假脸概率值进行加权融合处理，得到人脸检测概率值；

根据所述人脸检测概率值检测所述原始人脸是否为假脸，并得到检测结果；

当所述检测结果为假脸时，将所述判定结果发送至预设终端。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

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。

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。

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。

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。

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表记视为限制所涉及的权利要求。

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。第二等词语用来表示名称，而并不表示任何特定的顺序。

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。