CN109886087A - 一种基于神经网络的活体检测方法及终端设备 - Google Patents

Abstract

本发明涉及计算机技术领域，提供了一种基于神经网络的活体检测方法及终端设备。该方法包括：获取预先训练的卷积神经网络模型；在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练；将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。本发明通过在预先训练的卷积神经网络模型中添加各个动作检测类型对应的新增卷积层，并通过相应的图像样本进行局部训练和整体训练，使活体检测模型能够实现对活体的多动作检测。

Description

一种基于神经网络的活体检测方法及终端设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于神经网络的活体检测方法及终端设备。

背景技术

目前活体动作检测例如睁眼和张嘴等动作检验大多都是基于人脸特征点(FacialLandmark Detection)来进行判断的，具有很强烈的不稳定性。而基于神经网络模型的活体检测方式通常是对于单一动作的检测，不能满足对活体多动作的检测需求。

发明内容

有鉴于此，本发明实施例提供了基于神经网络的活体检测方法及终端设备，以解决目前基于神经网络的活体检测模型只能对活体的单一动作进行检测的问题。

本发明实施例的第一方面提供了基于神经网络的活体检测方法，包括：

获取预先训练的卷积神经网络模型；

在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本；

分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练；

将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

本发明实施例的第二方面提供了基于神经网络的活体检测装置，包括：

获取模块，用于获取预先训练的卷积神经网络模型；

生成模块，用于在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本；

第一训练模块，用于分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练；

第二训练模块，用于将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

本发明实施例的第三方面提供了计算机可读存储介质，所述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第一方面中的基于神经网络的活体检测方法。

本发明实施例的第四方面提供了终端设备，包括存储器、处理器以及存储在所述存储器中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第一方面中的基于神经网络的活体检测方法。

本发明实施例与现有技术相比存在的有益效果是：在预先训练的卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；通过各组新增卷积层对应的动作训练图像样本对活体检测模型进行局部训练，然后通过全网训练图像样本对经过局部训练的活体检测模型进行整体训练。本发明实施例通过在预先训练的卷积神经网络模型中添加各个动作检测类型对应的新增卷积层，并通过相应的图像样本进行局部训练和整体训练，使活体检测模型能够实现对活体的多动作检测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于神经网络的活体检测方法的实现流程图；

图2是本发明实施例提供的一个实施示例中预先训练的卷积神经网络模型的示意图；

图3是本发明实施例提供的一个实施示例中添加全连接层支路的示意图；

图4是本发明实施例提供的基于神经网络的活体检测方法中对各组新增卷积层进行局部训练的实现流程图；

图5是本发明实施例提供的一个实施示例中局部训练过程P1阶段的示意图；

图6是本发明实施例提供的一个实施示例中局部训练过程P3阶段的示意图；

图7是本发明实施例提供的一个实施示例中局部训练过程P3阶段的示意图；

图8是本发明实施例提供的一个实施示例中活体检测模型的示意图；

图9是本发明实施例提供的基于神经网络的活体检测装置的示意图；

图10是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1为本发明实施例提供的基于神经网络的活体检测方法的实现流程图，详述如下：

在S101中，获取预先训练的卷积神经网络模型。

在本实施例中，获取预先训练的卷积神经网络模型可以是建立一个卷积神经网络模型，然后通过图像样本进行训练，得到的卷积神经网络模型；也可以是获取已经训练好的卷积神经网络模型。例如获取预先训练的vgg16模型、Mobilenet模型等。

在S102中，在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本。

在本实施例中，一组新增卷积层包括至少一层新增的卷积层，例如可以包括两层卷积层、三层卷积层等。动作检测类型为需要进行检测的动作类型，例如睁眼、张嘴、点头、摇头等。一组新增卷积层对应一个动作检测类型，用于对该动作进行识别判断。例如，动作检测类型有三个，分别为睁眼、张嘴和点头，则在预先训练的卷积神经网络模型的最后一层卷积层之后添加三组新增卷积层，分别为睁眼对应的新增卷积层，张嘴对应的新增卷积层，点头对应的新增卷积层，其中各组新增卷积层呈并列形式添加到卷积神经网络模型的最后一层卷积层之后。

在本实施例中，一个动作检测类型对应一组动作训练图像样本，通过对应的一组动作训练图像样本可以对动作检测类型对应的新增卷积层进行训练。例如，动作检测类型有三个，分别为睁眼、张嘴和点头，则动作训练图像样本有三组，分别为睁眼对应的动作训练图像样本、张嘴对应的动作训练图像样本和点头对应的动作训练图像样本。

作为本发明的一个实施例，在S101之后，S102之前，上述方法还可以包括：

将所述卷积神经网络模型的最后预设层数的卷积层删除。

在本实施例中，对于获取到的预先训练的卷积神经网络模型，若该模型的运算速度低于预设速度阈值，和/或该模型占用的内存空间超过预设内存阈值，可以先将卷积神经网络模型的倒数预设层数的卷积层删除，然后再添加动作检测类型对应的新增卷积层。这样可以确保生成的活体检测模型的运算速度，提高检测效率。

如图2所示为本发明实施例提供的一个预先训练的卷积神经网络模型的示意图，图中Conv表示卷积层。该卷积神经网络模型的卷积层有5层，可以先删除该卷积神经网络的最后两层卷积层，即删除第四层卷积层Conv4和第五层卷积层Conv5，然后再在第三层卷积层Conv3之后添加一组或多组新增卷积层。

作为本发明的一个实施例，在S102之后，上述方法还可以包括：

在第一动作检测类型对应的新增卷积层之后添加至少一个全连接层支路；所述第一动作检测类型为存在误判因素的动作检测类型；每个全连接层支路对应于第一动作检测类型的一个误判因素。

在本实施例中，误判因素为对一个动作进行活体检测时，容易造成对该动作的检测结果错误的因素。有的动作检测类型存在误判因素，有的动作检测类型不存在误判因素。将存在误判因素的动作检测类型作为第一动作检测类型。为了消除误判因素对检测结果的影响，可以在第一动作检测类型对应的新增卷积层之后添加一个或多个全连接层支路。一个全连接层支路对应于第一动检检测类型的一个误判因素，用于降低该误判因素对检测结果的影响。第一动作检测类型对应的多个全连接层支路可以呈并列形式添加在该第一动作检测类型对应的新增卷积层之后。

作为本发明的一个实施例，所述第一动作检测类型包括睁闭眼检测，所述睁闭眼检测的误判因素包括抖动因素和/或遮挡因素；如图2所示，步骤“在第一动作检测类型对应的新增卷积层之后添加至少一个全连接层支路”可以包括：

在所述睁闭眼检测对应的新增卷积层之后添加一个抖动因素对应的全连接层支路和/或一个遮挡因素对应的全连接层支路。

在本实施例中，睁闭眼检测是指对目标的睁眼和闭眼动作进行检测。图像抖动可能会造成检测误判，在此将图像抖动作为抖动因素。如果使用传统的神经网络二分类模型判断是否睁闭眼，在图像抖动时产生的图像模糊会使预测的睁闭眼概率值十分不准，从而导致动作活体检测十分难用，用户体验不好，甚至很可能出现使用纸张抖动就可以攻破动作活体检测的情况。本实施例提供的方法可以训练一个抖动因素对应的全连接层支路，从而消除抖动因素对活体检测结果的影响，防止活体检测模型因纸张抖动、图像抖动等被攻破，提高活体检测模型的检测准确性和安全性。

目标被遮挡可能会造成检测误判，在此将目标被遮挡作为遮挡因素。一方面，人脸带上面具遮挡：使用传统的睁闭眼模型是可以检测出睁闭眼来，但是这个违背了活体检测的原则，因为戴面具是非活体非本人攻击的一种。另一方面，传统睁闭眼判定模型可以使用手指和异物遮挡人脸纸张眼部来模拟闭眼的活体动作，从而达到攻破动作活体的目的。本实施例通过训练一种对应遮挡的全连接层支路来判定目标是否是有面具遮挡，如果有可以不允许用户通过活体检测模型判断或提示目标存在遮挡。本实施例通过一个遮挡因素对应的全连接层支路，从而消除遮挡因素对活体检测结果的影响，防止活体检测模型因面具遮挡、异物遮挡等被攻破，提高活体检测模型的检测准确性和安全性。

如图3所示为本发明实施例提供的添加全连接层支路的示意图。图3是在在图2所示的卷积神经网络模型中的第三层卷积层之后添加了睁闭眼检测对应的一组新增卷积层，该新增卷积层包括两层，即图中的卷积层Conv4_eye和Conv5_eye。在睁闭眼检测对应的新增卷积层之后，添加了三个全连接层支路，分别为抖动因素对应的全连接层支路FC_OpenEye、遮挡因素对应的全连接层支路FC_BlockEye、新误判因素对应的全连接层支路FC_new。其中，新误判因素是指睁闭眼检测存在除抖动因素和遮挡因素之外的某一误判因素，可以添加该某一误判因素对应的全连接层支路。

在S103中，分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练。

在本实施例中，一组新增卷积层对应的动作训练图像样本为该组新增卷积层对应的动作检测类型所对应的一组动作图像训练样本。可以通过该组动作图像训练样本作为活体检测模型的输入，对活体检测模型中的该组新增卷积层进行训练。可以先后分别利用各组动作训练图像样本来训练对应的新增卷积层的网络参数。局部训练是指该步的训练目的是针对各组新增卷积层的网络参数，活体检测模型中的其他网络参数在此步训练过程中调整较小。

作为本发明的一个实施例，所述第一动作检测类型对应的动作训练图像样本包括第一动作检测类型的各个误判因素对应的动作训练图像样本；如图4所示，S103可以包括：

在S401中，分别将所述第一动作检测类型的各个误判因素对应的动作训练图像样本输入到所述活体检测模型，对所述第一动作检测类型对应的各个全连接层支路进行分布训练。

在本实施例中，第一动作检测类型的一个误判因素对应于一组动作训练图像样本，可以用该组动作训练图像样本来训练该误判因素对应的全连接层支路，调整对应全连接层支路的参数。分别用各个误判因素对应的动作训练图像样本对各个连接层支路进行训练。

在S402中，将所述第一动作检测类型对应的动作训练图像样本输入到经过分布训练的活体检测模型，按照预设损失函数权重值对第一动作检测类型对应的新增卷积层及第一动作检测类型对应的所有全连接层支路进行联合训练；所述预设损失函数权重值为所述第一动作检测类型的各个误判因素对应的损失函数的权重值。

在本实施例中，预设损失函数权重值可以根据误判因素对检测结果的影响程度确定。例如，第一动作检测类型存在两个误判因素，可以将两个误判因素对应的损失函数的权重值分别设为0.3和0.7，或者都设为0.5等。在此步中，第一动作检测类型对应的动作训练图像样本包括但不限于该第一动作检测类型的各个误判因素对应的动作训练图像样本。通过第一动作检测类型对应的动作训练图像样本可以对第一动作检测类型对应的新增卷积层及第一动作检测类型对应的所有全连接层支路的网络参数进行训练调整。

图5至图7所示为本发明实施例提供的一个局部训练过程的示意图。其中睁闭眼检测对应两个误判因素，分别为抖动因素和遮挡因素。两个误判因素分别对应两个全连接层支路。对于睁闭眼检测的训练过程可以依次分为以下三个步骤：P1分布阶段，使用抖动的人脸图像和不抖动的人脸图像作为活体检测模型的训练输入样本，如图5所示，此步中只有矩形虚线框内的新增卷积层(Conv4_eye和Conv5_eye)和抖动因素对应的全连接层支路(FC_OpenEye)的网络参数会进行调整。P2分布阶段，使用面具遮挡的人脸图像和无面具遮挡的人脸图像作为活体检测模型的训练输入样本，如图6所示，此步中只有矩形虚线框内的新增卷积层(Conv4_eye和Conv5_eye)和遮挡因素对应的全连接层支路(FC_BlockEye)的网络参数会进行调整。P3联合阶段，使用抖动的人脸图像、不抖动的人脸图像、面具遮挡的人脸图像和无面具遮挡的人脸图像作为活体检测模型的训练输入样本，如图7所示，此步中矩形虚线框内的新增卷积层(Conv4_eye和Conv5_eye)、抖动因素对应的全连接层支路(FC_OpenEye)和遮挡因素对应的全连接层支路(FC_BlockEye)的网络参数会进行调整。

本实施例通过先将各个误判因素对应的动作训练图像样本输入到活体检测模型进行分布训练，然后将第一动作检测类型对应的动作训练图像样本输入到经过分布训练的活体检测模型进行联合训练，能够实现对活体检测模型的局部训练，提高检测精度；通过设置的预设损失函数权重值，便于灵活调节各误判因素对应的全连接层支路的损失函数的权重值，能够提高活体检测模型的准确性和安全。

在S104中，将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

在本实施例中，全网训练图像样本是指对目标进行活体检测的训练图像。全网训练图像包括但不限于第一动作检测类型对应的动作训练图像样本以及各个误判因素对应的动作训练图像样本。例如，可以通过一般的人脸图像样本对活体检测模型的网络参数进行优化，主要优化训练活体检测模型中除新增卷积层及全连接层支路之外的原卷积神经网络中的卷积层网络参数，例如图3中的第一层卷积层Conv1、第二层卷积层Conv2及第三层卷积层Conv3。

本发明实施例在预先训练的卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；通过各组新增卷积层对应的动作训练图像样本对活体检测模型进行局部训练，然后通过全网训练图像样本对经过局部训练的活体检测模型进行整体训练。本发明实施例通过在预先训练的卷积神经网络模型中添加各个动作检测类型对应的新增卷积层，并通过相应的图像样本进行局部训练和整体训练，使活体检测模型能够实现对活体的多动作检测。

在本发明实施例中，对于已经训练好的活体检测模型，如果后续有其他的活体动作检测需求(如睁闭眼，摇头，点头等)以及其它的影响判定稳定性的因素(如摄像头抖动、遮挡、戴面具等)，可以按照上述方法的步骤为活体检测模型增加对应的新的卷积层及全连接层支路。这样使得对模型做较少变动，就能实现更多的动作检测需求。

例如，参照图8，若需要新增加一个判断张嘴和闭嘴动作来进行活体检测，可以添加张闭嘴检测对应的新的网络层(如矩形框中的卷积层Conv4_Mouth和卷积层Conv5_Mouth)和全连接层支路(如矩形框中的全连接层支路FC_OpenMouth和FC_BlockMouth)，可以先通过张闭嘴检测对应的动作训练图像样本对新的网络层和全连接层支路进行训练，然后通过全网训练图像样本对活体检测模型进行整体训练。

本发明提出了一种基于神经网络嫁接方式训练活体动作判模型的方法。该模型不但稳定，而且其独有结构可以通过增加新的分支来控制未来的可能通攻破的情况，迭代优化方便。本发明实施例具有以下优点：1.使用多连接层支路的训练方式极大的防止了抖动和遮挡等带来的误判，提升整个模型的稳定性，提高检测准确度；2.使用网络嫁接的方式将不同的动作检测的神经网络层集成于一个网络之中，减少了活体检测模型的体积，提升了活体模型的速度；3.在有其他新增的活体动作检测需求时，可以在原模型的基础上通过新增卷积层和全连接层支路的方式实现新的检测需求，使得对模型做较少变动，就能实现更多的动作检测需求。

本发明实施例在预先训练的卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；通过各组新增卷积层对应的动作训练图像样本对活体检测模型进行局部训练，然后通过全网训练图像样本对经过局部训练的活体检测模型进行整体训练。本发明实施例通过在预先训练的卷积神经网络模型中添加各个动作检测类型对应的新增卷积层，并通过相应的图像样本进行局部训练和整体训练，使活体检测模型能够实现对活体的多动作检测。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的基于神经网络的活体检测方法，图9示出了本发明实施例提供的基于神经网络的活体检测装置的示意图。为了便于说明，仅示出了与本实施例相关的部分。

参照图9，该装置包括获取模块91、生成单元92、第一训练单元93和第二训练单元94。

获取模块91，用于获取预先训练的卷积神经网络模型。

生成模块92，用于在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本。

第一训练模块93，用于分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练。

第二训练模块94，用于将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

可选地，该装置还包括预处理模块，所述预处理模块用于：

将所述卷积神经网络模型的最后预设层数的卷积层删除。

可选地，该装置还包括处理模块，所述处理模块用于：

在第一动作检测类型对应的新增卷积层之后添加至少一个全连接层支路；所述第一动作检测类型为存在误判因素的动作检测类型；每个全连接层支路对应于第一动作检测类型的一个误判因素。

可选地，所述第一动作检测类型包括睁闭眼检测，所述睁闭眼检测的误判因素包括抖动因素和/或遮挡因素；

所述处理模块用于：

在所述睁闭眼检测对应的新增卷积层之后添加一个抖动因素对应的全连接层支路和/或一个遮挡因素对应的全连接层支路。

可选地，所述第一动作检测类型对应的动作训练图像样本包括第一动作检测类型的各个误判因素对应的动作训练图像样本；所述第一训练模块93用于：

分别将所述第一动作检测类型的各个误判因素对应的动作训练图像样本输入到所述活体检测模型，对所述第一动作检测类型对应的各个全连接层支路进行分布训练；

将所述第一动作检测类型对应的动作训练图像样本输入到经过分布训练的活体检测模型，按照预设损失函数权重值对第一动作检测类型对应的新增卷积层及第一动作检测类型对应的所有全连接层支路进行联合训练；所述预设损失函数权重值为所述第一动作检测类型的各个误判因素对应的损失函数的权重值。

本发明实施例在预先训练的卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；通过各组新增卷积层对应的动作训练图像样本对活体检测模型进行局部训练，然后通过全网训练图像样本对经过局部训练的活体检测模型进行整体训练。本发明实施例通过在预先训练的卷积神经网络模型中添加各个动作检测类型对应的新增卷积层，并通过相应的图像样本进行局部训练和整体训练，使活体检测模型能够实现对活体的多动作检测。

图10是本发明一实施例提供的终端设备的示意图。如图10所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如程序。所述处理器100执行所述计算机程序102时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能，例如图9所示模块91至94的功能。

示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在所述终端设备10中的执行过程。

所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。

所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器101可以是所述终端设备10的内部存储单元，例如终端设备10的硬盘或内存。所述存储器101也可以是所述终端设备10的外部存储设备，例如所述终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括所述终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元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单元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，也可以采用软件功能单元的形式实现。

所述集成的模块/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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的活体检测方法，其特征在于，包括：

获取预先训练的卷积神经网络模型；

在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本；

分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练；

将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

2.如权利要求1所述的基于神经网络的活体检测方法，其特征在于，在所述获取预先训练的卷积神经网络模型之后，在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型之前，还包括：

将所述卷积神经网络模型的最后预设层数的卷积层删除。

3.如权利要求1或2所述的基于神经网络的活体检测方法，其特征在于，在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型之后，还包括：

在第一动作检测类型对应的新增卷积层之后添加至少一个全连接层支路；所述第一动作检测类型为存在误判因素的动作检测类型；每个全连接层支路对应于第一动作检测类型的一个误判因素。

4.如权利要求3所述的基于神经网络的活体检测方法，其特征在于，所述第一动作检测类型包括睁闭眼检测，所述睁闭眼检测的误判因素包括抖动因素和/或遮挡因素；

所述在第一动作检测类型对应的新增卷积层之后添加至少一个全连接层支路包括：

在所述睁闭眼检测对应的新增卷积层之后添加一个抖动因素对应的全连接层支路和/或一个遮挡因素对应的全连接层支路。

5.如权利要求3所述的基于神经网络的活体检测方法，其特征在于，所述第一动作检测类型对应的动作训练图像样本包括第一动作检测类型的各个误判因素对应的动作训练图像样本；

所述分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练包括：

分别将所述第一动作检测类型的各个误判因素对应的动作训练图像样本输入到所述活体检测模型，对所述第一动作检测类型对应的各个全连接层支路进行分布训练；

将所述第一动作检测类型对应的动作训练图像样本输入到经过分布训练的活体检测模型，按照预设损失函数权重值对第一动作检测类型对应的新增卷积层及第一动作检测类型对应的所有全连接层支路进行联合训练；所述预设损失函数权重值为所述第一动作检测类型的各个误判因素对应的损失函数的权重值。

6.一种基于神经网络的活体检测装置，其特征在于，包括：

获取模块，用于获取预先训练的卷积神经网络模型；

生成模块，用于在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本；

第一训练模块，用于分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练；

第二训练模块，用于将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。

8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：

获取预先训练的卷积神经网络模型；

在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型；每组新增卷积层对应一个动作检测类型；每个动作检测类型对应一组动作训练图像样本；

分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练；

将全网训练图像样本输入到经过局部训练的活体检测模型，对经过局部训练的活体检测模型进行整体训练。

9.如权利要求8所述的终端设备，其特征在于，在所述获取预先训练的卷积神经网络模型之后，在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型之前，还包括：

将所述卷积神经网络模型的最后预设层数的卷积层删除。

10.如权利要求9所述的终端设备，其特征在于，在所述卷积神经网络模型的最后一层卷积层之后添加至少一组新增卷积层，生成活体检测模型之后，所述分别将各组新增卷积层对应的动作训练图像样本输入到所述活体检测模型，对各组新增卷积层进行局部训练之前，还包括：

在第一动作检测类型对应的新增卷积层之后添加至少一个全连接层支路；所述第一动作检测类型为存在误判因素的动作检测类型；每个全连接层支路对应于第一动作检测类型的一个误判因素。