CN111597944B - 活体检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种活体检测方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，可以将人脸图像的活体特征和内容特征分离出来。将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。提供了一种仅根据活体特征来进行活体检测的方法，活体检测过程仅用到了人脸图像的活体特征，并不考虑人脸图像的内容特征，避免了内容特征对活体检测过程的干扰，可以提高活体检测的准确率。

Description

活体检测方法、装置、计算机设备及存储介质

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种活体检测方法、装置、计算机设备及存储介质。

背景技术

随着计算机技术的飞速发展，人脸识别技术的应用越来越广泛。但是，人脸识别技术的安全性也容易受到恶意攻击的威胁，例如，通过面具、包括人脸的纸片或者显示人脸的屏幕来假装人脸进行识别。因此，为了提高人脸识别技术的安全性，在人脸识别过程中需要进行活体检测，以保证识别的人脸为活体人脸。

相关技术中，调用活体检测模型，提取人脸图像的全部特征，对人脸图像的全部特征进行处理，得到该人脸图像为活体人脸图像的概率，根据得到的概率确定该人脸图像是否为活体人脸图像。

但是，由于活体检测模型处理的是人脸图像的全部特征，而人脸图像的全部特征包括与人脸图像是否为活体人脸图像无关的特征，例如人脸图像中与背景或者光照等有关的特征。这些特征会影响检测结果，导致活体检测的准确率低。

发明内容

本申请实施例提供了一种活体检测方法、装置、计算机设备及存储介质，可以提高活体检测的准确率。所述技术方案如下：

一方面，提供了一种活体检测方法，所述方法包括：

调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征，所述活体特征为描述所述人脸图像包括的人脸是否为活体人脸的特征，所述内容特征为所述人脸图像的特征中，与所述人脸图像包括的人脸是否为活体人脸无关的特征；将所述内容特征过滤后，调用所述活体检测模型中的第一解码层，对所述活体特征进行解码处理，得到所述活体特征对应的特征图像；在所述特征图像满足第一预设条件的情况下，将所述人脸图像确定为活体人脸图像。

可选地，所述特征图像生成网络包括第二解码层和第三解码层，所述调用所述活体检测模型中的特征图像生成网络，对所述第二人脸特征进行处理，得到所述第二人脸特征对应的第三样本特征图像，包括：

调用所述第二解码层，对所述第二人脸特征进行解码处理，得到第二参考人脸图像；调用所述第三解码层，对所述第二参考人脸图像进行解码处理，得到所述第二参考人脸图像对应的第三样本特征图像。

可选地，所述调用所述第二解码层，对所述第二人脸特征进行解码处理，得到第二参考人脸图像之后，所述方法还包括：调用所述活体检测模型中的鉴别层，对所述第二参考人脸图像进行处理，得到所述第二参考人脸图像的第二鉴别概率，所述第二鉴别概率表示所述第二参考人脸图像为通过所述第二解码层生成的图像的概率；在所述第二鉴别概率大于预设概率的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述在所述第三样本特征图像满足第二预设条件的情况下，对所述活体检测模型的模型参数进行调整，包括：

在所述第三样本特征图像的第三样本平均像素值属于第二预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

另一方面，提供了一种活体检测装置，所述装置包括：

编码处理模块，用于调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征，所述活体特征为描述所述人脸图像包括的人脸是否为活体人脸的特征，所述内容特征为所述人脸图像的特征中，与所述人脸图像包括的人脸是否为活体人脸无关的特征；解码处理模块，用于将所述内容特征过滤后，调用所述活体检测模型中的第一解码层，对所述活体特征进行解码处理，得到所述活体特征对应的特征图像；确定模块，用于在所述特征图像满足第一预设条件的情况下，将所述人脸图像确定为活体人脸图像。

可选地，所述装置还包括：

图像采集模块，用于采集输入的目标图像；人脸检测模块，用于对所述目标图像进行人脸检测，得到所述目标图像中的人脸区域；裁剪处理模块，用于将所述目标图像中的所述人脸区域进行裁剪处理，作为所述人脸图像。

可选地，所述装置还包括：

图像采集模块，用于采集输入的目标图像；人脸检测模块，用于对所述目标图像进行人脸检测，得到所述目标图像中的第一人脸区域；所述人脸检测模块，还用于根据所述第一人脸区域，获取所述目标图像中包含所述第一人脸区域的第二人脸区域，所述第二人脸区域与所述第一人脸区域的尺寸比例为预设比例；裁剪处理模块，用于将所述目标图像中的所述第二人脸区域进行裁剪处理，作为所述人脸图像。

可选地，所述确定模块，包括：

确定单元，用于在所述特征图像的平均像素值属于第一预设像素值范围的情况下，将所述人脸图像确定为活体人脸图像。

可选地，所述装置还包括：

所述编码处理模块，还用于调用所述活体检测模型中的第一编码层，对样本人脸图像进行编码处理，得到所述样本人脸图像的第一样本活体特征和第一样本内容特征；所述解码处理模块，用于将所述第一样本内容特征过滤后，调用所述活体检测模型中的第一解码层，对所述第一样本活体特征进行解码处理，得到所述第一样本活体特征对应的第一样本特征图像；第一参数调整模块，用于在所述样本人脸图像是活体人脸图像，而所述第一样本特征图像不满足所述第一预设条件的情况下，对所述活体检测模型的模型参数进行调整；所述第一参数调整模块，还用于在所述样本人脸图像不是活体人脸图像，而所述第一样本特征图像满足所述第一预设条件的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述第一参数调整模块，包括：

第一参数调整单元，用于在所述样本人脸图像是活体人脸图像，而所述第一样本特征图像的第一样本平均像素值不属于第一预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述第一参数调整模块，包括：

第二参数调整单元，用于在所述样本人脸图像不是活体人脸图像，而所述第一样本特征图像的第一样本平均像素值属于第一预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述装置还包括：

所述编码处理模块，还用于调用所述活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到所述样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及所述样本非活体人脸图像的第三样本活体特征和第三样本内容特征；融合处理模块，用于将所述第二样本活体特征与所述第三样本内容特征进行融合处理，得到第一人脸特征；特征图像生成模块，用于调用所述活体检测模型中的特征图像生成网络，对所述第一人脸特征进行处理，得到所述第一人脸特征对应的第二样本特征图像；第二参数调整模块，用于在所述第二样本特征图像不满足第二预设条件的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述特征图像生成网络包括第二解码层和第三解码层，所述特征图像生成模块，包括：

第一解码处理单元，用于调用所述第二解码层，对所述第一人脸特征进行解码处理，得到第一参考人脸图像；第二解码处理单元，用于调用所述第三解码层，对所述第一参考人脸图像进行解码处理，得到所述第一参考人脸图像对应的第二样本特征图像。

可选地，所述装置还包括：

鉴别模块，用于调用所述活体检测模型中的鉴别层，对所述第一参考人脸图像进行处理，得到所述第一参考人脸图像的第一鉴别概率，所述第一鉴别概率表示所述第一参考人脸图像为通过所述第二解码层生成的图像的概率；第三参数调整模块，用于在所述第一鉴别概率大于预设概率的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述第二参数调整模块，包括：

第三参数调整单元，用于在所述第二样本特征图像的第二样本平均像素值不属于第二预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述装置还包括：

所述编码处理模块，还用于调用所述活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到所述样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及所述样本非活体人脸图像的第三样本活体特征和第三样本内容特征；融合处理模块，用于将所述第三样本活体特征与所述第二样本内容特征进行融合处理，得到第二人脸特征；特征图像生成模块，用于调用所述活体检测模型中的特征图像生成网络，对所述第二人脸特征进行处理，得到所述第二人脸特征对应的第三样本特征图像；第二参数调整模块，用于在所述第三样本特征图像满足第二预设条件的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述特征图像生成网络包括第二解码层和第三解码层，所述特征图像生成模块，包括：

第一解码处理单元，用于调用所述第二解码层，对所述第二人脸特征进行解码处理，得到第二参考人脸图像；第二解码处理单元，用于调用所述第三解码层，对所述第二参考人脸图像进行解码处理，得到所述第二参考人脸图像对应的第三样本特征图像。

可选地，所述装置还包括：

鉴别模块，用于调用所述活体检测模型中的鉴别层，对所述第二参考人脸图像进行处理，得到所述第二参考人脸图像的第二鉴别概率，所述第二鉴别概率表示所述第二参考人脸图像为通过所述第二解码层生成的图像的概率；第三参数调整模块，用于在所述第二鉴别概率大于预设概率的情况下，对所述活体检测模型的模型参数进行调整。

可选地，所述第二参数调整模块，包括：

第三参数调整单元，用于在所述第三样本特征图像的第三样本平均像素值属于第二预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如所述活体检测方法中所执行的操作。

再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行，以实现如所述活体检测方法中所执行的操作。

本申请实施例提供的方法、装置、计算机设备及存储介质，调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，因此本申请实施例提供了一种处理人脸图像的方案，可以将人脸图像的活体特征和内容特征分离出来，也即是实现了将人脸图像中描述该人脸图像包括的人脸是否为活体人脸的特征单独提取出来，而不是与仅可以描述人脸图像内容的特征混合在一起，实现了对人脸图像的特征解耦。获取到活体特征和内容特征，将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。因此本申请实施例提供了一种仅根据活体特征来进行活体检测的方法，活体检测过程仅用到了人脸图像的活体特征，并不考虑人脸图像的内容特征，避免了内容特征对活体检测过程的干扰，可以提高活体检测的准确率。

并且，由于该活体检测模型仅根据活体特征进行活体检测，因此在该活体检测模型的训练过程中，也仅受到了活体特征对训练过程的影响，避免了内容特征对训练过程的影响，因此避免在训练活体检测模型的过程中，将活体检测模型拟合到与活体特征无关的内容特征上，进一步提高活体检测模型的准确性。

并且，由于避免了活体检测模型拟合到与活体特征无关的内容特征上，因此该活体检测模型的检测结果仅受到描述人脸图像包括的人脸是否为活体人脸的活体特征的影响，而不会受到描述人脸图像内容的内容特征的影响，因此，即使检测的人脸图像的内容发生了变化，该活体检测模型仍可以检测出人脸图像是否为活体人脸图像，提高了活体检测模型的泛化能力。

并且，采集输入的目标图像，对目标图像进行人脸检测，得到目标图像中的第一人脸区域，根据第一人脸区域，获取目标图像中包含第一人脸区域的第二人脸区域，该第二人脸区域与第一人脸区域的尺寸比例为预设比例，将目标图像中的第二人脸区域进行裁剪处理，作为人脸图像。因此根据第一人脸区域获取第二人脸区域，可以避免人脸检测得到的第一人脸区域的尺寸不合适的情况，从而避免得到的人脸图像包含的无关信息较多或者包含的信息量较少的问题，导致对检测结果产生不利影响，可以进一步提高活体检测的准确性。

并且，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像，该第一预设条件可以根据训练活体检测模型的过程中的第一预设条件进行设置，而训练活体检测模型的过程中的第一预设条件的第一预设像素值范围可以根据训练活体检测模型中的第一解码层的方式进行设置，而该训练活体检测模型中的第一解码层的方式可以由计算机设备默认设置，或者由开发人员根据实际情况自行设置。因此，提高了训练活体检测模型的灵活性。

并且，本申请实施例提供的方法仅需根据人脸图像中的活体特征即可完成活体检测，无需用户配合做出脸部动作，也无需特定的硬件设备，降低了活体检测的成本，并且可以提高用户体验。

附图说明

为了更清楚地说明本申请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申请实施例的一些实施例，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。

图1是本申请实施例提供的一种活体检测模型的示意图。

图2是本申请实施例提供的另一种活体检测模型的示意图。

图3是本申请实施例提供的一种活体检测方法的流程图。

图4是本申请实施例提供的一种活体检测模型训练方法的流程图。

图5是本申请实施例提供的一种特征图像的示意图。

图6是本申请实施例提供的另一种活体检测模型训练方法的流程图。

图7是本申请实施例提供的另一种特征图像的示意图。

图8是本申请实施例提供的一种训练活体检测模型的示意图。

图9是本申请实施例提供的另一种训练活体检测模型的示意图。

图10是本申请实施例提供的另一种活体检测方法的流程图。

图11是本申请实施例提供的一种裁剪人脸图像的示意图。

图12是本申请实施例提供的一种活体检测装置的结构示意图。

图13是本申请实施例提供的另一种活体检测装置的结构示意图。

图14是本申请实施例提供的一种终端的结构示意图。

图15是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本申请的范围的情况下，可以将第一样本活体特征称为第二样本活体特征，且类似地，可将第二样本活体特征称为第一样本活体特征。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术包括自然语言处理技术和机器学习。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

以下将基于人工智能技术和计算机视觉技术，对本申请实施例提供的活体检测方法进行说明。

本申请实施例提供了一种活体检测方法，执行主体为计算机设备。该计算机设备调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像。在该特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像，实现了活体检测。

在一种可能实现方式中，该计算机设备为终端，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。

在另一种可能实现方式中，该计算机设备为服务器，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。

本申请实施例提供的方法，可以应用于检测活体人脸的任一场景下，

例如，在通过银行应用进行远程开户的场景下，为了确认开户人的真实身份采用了人脸识别技术，在人脸识别过程中进行活体检测。首先用户通过摄像头在终端的银行应用中输入人脸图像。终端采用本申请实施例提供的方法，对人脸图像进行活体检测，并将检测结果返回给银行应用。如果根据检测结果确定人脸图像为活体人脸图像，则人脸识别成功；如果根据检测结果确定人脸图像不为活体人脸图像，则人脸识别失败。

除此之外，本申请实施例提供的活体检测方法，还可以应用于门禁***、网上支付***或者需要远程认证用户身份的其他***中等，来确保人脸识别过程中的安全性。

在一种可能实现方式中，如图1所示，本申请实施例提供的活体检测模型11可以包括第一编码层1101和第一解码层1102。其中，第一编码层1101与第一解码层1102连接，第一编码层1101用于提取人脸图像的活体特征和内容特征，第一解码层1102用于获取活体特征对应的特征图像。

在另一种可能实现方式中，如图2所示，本申请实施例提供的活体检测模型22可以包括第一编码层2201、第一解码层2202、第二解码层2203、第三解码层2204和鉴别层2205。

其中，第一编码层2201与第一解码层2202连接，第一编码层2201还与第二解码层2203连接，第二解码层2203分别与第一解码层2202、第三解码层2204和鉴别层2205连接。

其中，第一编码层2201用于提取人脸图像的活体特征和内容特征，第一解码层2202用于获取活体特征对应的特征图像，第二解码层2203用于根据活体特征和内容特征生成对应的人脸图像，第三解码层2204用于获取人脸图像对应的特征图像，鉴别层2205用于鉴别人脸图像是否为第二解码层2203生成的图像。

图3是本申请实施例提供的一种活体检测方法的流程图。本申请实施例的执行主体为计算机设备，参见图3，该方法包括：

301、调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征。

活体检测模型是用于检测人脸图像是否为活体人脸图像的模型，包括第一编码层和第一解码层，第一编码层用于获取人脸图像的活体特征和内容特征，第二解码层用于获取活体特征对应的特征图像。

其中，活体特征为描述人脸图像包括的人脸是否为活体人脸的特征，该活体特征可以包括人脸图像中的局部纹理特征、光照反射特征、生物运动特征等，该活体特征还可以包括其他描述人脸图像中的人脸是否为活体人脸的特征，本申请实施例对此不做限定。

其中，内容特征为人脸图像的特征中，与人脸图像包括的人脸是否为活体人脸无关的特征，该内容特征可以包括描述人脸图像内容的特征，例如人脸图像中描述背景、光照、人脸的特征等。该活体特征还可以包括其他描述人脸图像内容的特征，本申请实施例对此不做限定。

其中，活体人脸是指真实人脸，也即是该人脸图像为当前输入的真实人脸的图像，而不是包括人脸的纸片、显示人脸的屏幕或者人脸面具等假装的人脸。

当计算机设备获取到待检测的人脸图像，首先调用活体检测模型中的第一编码层，对该人脸图像进行编码处理，得到该人脸图像的活体特征和内容特征。

302、将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像。

由于活体特征与人脸图像中的人脸是否为活体人脸有关，而内容特征与人脸图像中的人脸是否为活体人脸无关，为了避免活体检测结果受到与人脸图像中的人脸是否为活体人脸无关的特征的影响，因此计算机设备获取到人脸图像的活体特征和内容特征之后，将内容特征进行过滤，仅保留人脸图像的活体特征。则计算机设备调用活体检测模型中的第一解码层，对该活体特征进行解码处理，得到该活体特征对应的特征图像。其中，该特征图像用于表示人脸图像的活体特征，是根据活体特征生成的另一张图像。

303、在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。

其中，该第一预设条件为活体人脸图像对应的特征图像应满足的条件。

计算机设备获取到特征图像之后，判断该特征图像是否满足第一预设条件，若该特征图像满足第一预设条件，则将该人脸图像确定为活体人脸图像，也即是该人脸图像中的人脸属于活体人脸。若该特征图像不满足第一预设条件，则将该人脸图像确定为非活体人脸图像，也即是该人脸图像中的人脸不属于活体人脸。

本申请实施例提供的方法，调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，因此本申请实施例提供了一种处理人脸图像的方案，可以将人脸图像的活体特征和内容特征分离出来，也即是实现了将人脸图像中描述该人脸图像包括的人脸是否为活体人脸的活体特征单独提取出来，而不是与内容特征混合在一起，实现了对人脸图像的特征解耦。获取到活体特征和内容特征，将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。因此本申请实施例提供了一种仅根据活体特征来进行活体检测的方法，活体检测过程仅用到了人脸图像的活体特征，并不考虑人脸图像的内容特征，避免了内容特征对活体检测过程的干扰，可以提高活体检测的准确率。

本申请实施例提供的活体检测方法中会调用活体检测模型进行处理，而在调用该活体检测模型之前需要训练该活体检测模型。以下实施例将对训练活体检测模型的过程进行详细说明。

图4是本申请实施例提供的一种活体检测模型训练方法的流程图。本申请实施例的执行主体为计算机设备，参见图4，该方法包括：

401、计算机设备调用活体检测模型中的第一编码层，对样本人脸图像进行编码处理，得到样本人脸图像的第一样本活体特征和第一样本内容特征。

该活体检测模型用于检测人脸图像是否为活体人脸图像。其中，该活体检测模型中至少包括第一编码层和第一解码层。第一编码层用于提取人脸图像的活体特征和内容特征，第一解码层用于获取活体特征对应的特征图像，该第一编码层和第一解码层连接。

可选地，该第一编码层可以包括两个卷积神经网络，或者该第一编码层还可以为其他形式的编码层，本申请实施例对此不做限定。

计算机设备获取样本人脸图像，调用活体检测模型中的第一编码层，对样本人脸图像进行编码处理，得到样本人脸图像的第一样本活体特征和第一样本内容特征。该样本人脸图像可以是活体人脸图像也可以不是活体人脸图像。

其中，样本活体人脸图像是指包括活体人脸的图像，例如该样本活体人脸图像为计算机设备的摄像头采集的、包括真实用户人脸的图像。样本非活体人脸图像是指包括非活体人脸的图像，例如该样本非活体人脸图像为计算机设备的摄像头采集的、包括人脸的纸片的图像。其中，该样本活体人脸图像和样本非活体人脸图像可以为计算机设备中预先存储的人脸图像，或者可以为计算机设备从其他设备中下载的人脸图像，或者还可以为其他设备上传至该计算机设备中的人脸图像，本申请实施例对此不做限定。

其中，活体特征为描述人脸图像包括的人脸是否为活体人脸的特征，该活体特征可以包括人脸图像中的局部纹理特征、光照反射特征、生物运动特征等，该活体特征还可以包括其他描述人脸图像中的人脸是否为活体人脸的特征，本申请实施例对此不做限定。本申请实施例中，第一样本活体特征即为描述样本人脸图像包括的人脸是否为活体人脸的特征。

其中，内容特征为人脸图像的特征中，与人脸图像包括的人脸是否为活体人脸无关的特征，该内容特征可以包括描述人脸图像内容的特征，例如人脸图像中描述背景、光照、人脸的特征等。该活体特征还可以包括其他描述人脸图像内容的特征，本申请实施例对此不做限定。本申请实施例中第一样本内容特征即为样本人脸图像的特征中，与样本人脸图像包括的人脸是否为活体人脸无关的特征。

402、计算机设备将第一样本内容特征过滤后，调用活体检测模型中的第一解码层，对第一样本活体特征进行解码处理，得到第一样本活体特征对应的第一样本特征图像。

由于活体特征与人脸图像中的人脸是否为活体人脸有关，而内容特征与人脸图像中的人脸是否为活体人脸无关，为保证训练得到的活体检测模型的检测结果仅受到活体特征的影响，而不受内容特征的影响，因此当计算机设备获取到第一样本活体特征和第一样本内容特征，将第一样本内容特征过滤，仅保留第一样本活体特征，调用活体检测模型中的第一解码层，对第一样本活体特征进行解码处理，得到第一样本活体特征对应的第一样本特征图像。

可选地，该第一解码层可以为LBP(Local Binary Pattern，局部二值模式)网络，该LBP网络是一种用于提取图像的局部纹理特征的网络，则该第一解码层输出的特征图像为人脸图像的LBP图像。例如，参见图5，人脸图像501的活体特征对应的特征图像为LBP图像502。该第一解码层还可以为HoG(Histogram of Oriented Gradient，方向梯度直方图)网络，则该第一解码层输出的特征图像为人脸图像的方向梯度直方图。或者该第三解码层还可以为其他形式的解码层，本申请实施例对此不做限定。

403、计算机设备在样本人脸图像是活体人脸图像，而第一样本特征图像不满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。

其中，该第一预设条件为活体人脸图像对应的特征图像应满足的条件。若该样本人脸图像为活体人脸图像，则当计算机设备获取到第一样本特征图像，判断该第一样本特征图像是否满足第一预设条件。

若该第一样本特征图像满足第一预设条件说明活体检测模型成功地检测出样本人脸图像为活体人脸图像，也即是该活体检测模型中的第一编码层成功地将活体特征和内容特征分离出来，则无需对活体检测模型的模型参数进行调整。

若该第一样本特征图像不满足第一预设条件，说明活体检测模型检测确定该第一样本特征图像对应的样本人脸图像不属于活体人脸图像，检测错误，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，则对活体检测模型的模型参数进行调整。可选地，计算机设备对活体检测模型中的第一编码层的模型参数进行调整，以使第一编码层对人脸图像进行编码处理得到的活体特征和内容特征的准确性更高。

在一种可能实现方式中，该第一预设条件为：特征图像的平均像素值属于第一预设像素值范围。则计算机设备在在样本人脸图像是活体人脸图像，而第一样本特征图像的第一样本平均像素值不属于第一预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

计算机设备获取到第一样本特征图像后，获取该第一样本特征图像的第一样本平均像素值，判断该第一样本平均像素值是否属于第一预设像素值范围。若该第一样本平均像素值属于第一预设像素值范围，则无需对活体检测模型的模型参数进行调整。若该第一样本平均像素值不属于第一预设像素值范围，则计算机设备对活体检测模型的模型参数进行调整。

可选地，该第一预设像素值范围可以根据训练活体检测模型中的第一解码层的方式进行设置。当训练该第一解码层时，若设置为该第一解码层输出的活体人脸图像对应的特征图像的平均像素值高，该第一解码层输出的非活体人脸图像对应的特征图像的平均像素值低，则将第一预设像素值范围对应设置为：大于第一预设像素值的范围，因此当第一样本特征图像的第一样本平均像素值大于第一预设像素值时，检测结果为：该第一样本特征图像对应的样本人脸图像为活体人脸图像，当第一样本特征图像的第一样本平均像素值不大于第一预设像素值时，检测结果为：该第二样本特征图像对应的样本人脸图像不属于活体人脸图像。

或者，当训练该第一解码层时，若设置为该第一解码层输出的活体人脸图像对应的特征图像的平均像素值低，该第一解码层输出的非活体人脸图像对应的特征图像的平均像素值高，则将第一预设像素值范围对应设置为：小于第二预设像素值的范围，因此当第一样本特征图像的第一样本平均像素值小于第二预设像素值时，检测结果为：该第一样本特征图像对应的样本人脸图像为活体人脸图像，当第一样本特征图像的第一样本平均像素值不小于第二预设像素值时，检测结果为：该第一样本特征图像对应的样本人脸图像不属于活体人脸图像。

其中，该第一预设像素值范围可以根据训练活体检测模型中的第一解码层的方式进行设置，而该训练活体检测模型中的第一解码层的方式可以由计算机设备默认设置，或者由开发人员根据实际情况自行设置。

404、计算机设备在样本人脸图像不是活体人脸图像，而第一样本特征图像满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。

若该样本人脸图像不是活体人脸图像，则当计算机设备获取到第一样本特征图像，判断该第一样本特征图像是否满足第一预设条件。

若该第一样本特征图像不满足第一预设条件，说明活体检测模型成功地检测出第一样本特征图像对应的样本人脸图像为非活体人脸图像，也即是该活体检测模型中的第一编码层成功地将活体特征和内容特征分离出来，则无需对活体检测模型的模型参数进行调整。

若该第一样本特征图像满足第一预设条件，说明活体检测模型检测确定该第一样本特征图像对应的样本人脸图像属于活体人脸图像，检测错误，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，则对活体检测模型的模型参数进行调整。可选地，计算机设备对活体检测模型中的第一编码层的模型参数进行调整，以使第一编码层对人脸图像进行编码处理得到的活体特征和内容特征的准确性更高。

在一种可能实现方式中，该第一预设条件为：特征图像的平均像素值属于第一预设像素值范围。则计算机设备在在样本人脸图像不是活体人脸图像，而第一样本特征图像的第一样本平均像素值属于第一预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

计算机设备获取到第一样本特征图像后，获取该第一样本特征图像的第一样本平均像素值，判断该第一样本平均像素值是否属于第一预设像素值范围。若该第一样本平均像素值不属于第一预设像素值范围，则无需对活体检测模型的模型参数进行调整。若该第一样本平均像素值属于第一预设像素值范围，则计算机设备对活体检测模型的模型参数进行调整。其中，该第一预设条件与上述步骤403中的第一预设条件相同，在此不再一一赘述。

需要说明的是，上述步骤403和步骤404为两种并列方案，当步骤401中的样本人脸图像为样本活体人脸图像时，则执行步骤403，无需执行步骤404。当步骤401中的样本人脸图像不是样本活体人脸图像时，则执行步骤404，无需执行步骤403。

本申请实施例提供的方法，调用活体检测模型中的第一编码层，对样本人脸图像进行编码处理，得到第一样本活体特征和第一样本内容特征。因此本申请实施例训练的活体检测模型，可以将人脸图像的活体特征和内容特征分离出来，也即是实现了将活体特征单独提取出来，而不是将活体特征与内容特征混合在一起，实现了对人脸图像的特征解耦。

并且，将第一样本内容特征过滤后，调用活体检测模型中的第一解码层，对第一样本活体特征进行解码处理，得到第一样本特征图像。因此仅对活体特征进行处理来训练活体检测模型，可以保证该活体检测模型仅受到活体特征的影响，避免了内容特征对训练过程的影响，因此可以避免在训练活体检测模型的过程中，将活体检测模型拟合到与活体特征无关的内容特征上，能够提高活体检测模型的准确性。

并且，由于避免了活体检测模型拟合到与活体特征无关的内容特征上，因此该活体检测模型的检测结果仅受到活体特征的影响，而不会受到内容特征的影响，因此，即使检测的人脸图像的内容发生了变化，该活体检测模型仍可以检测出人脸图像是否为活体人脸图像，提高了活体检测模型的泛化能力。

并且，在样本人脸图像是活体人脸图像，而第一样本特征图像不满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。在样本人脸图像不是活体人脸图像，而第一样本特征图像满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。该第一预设条件的第一预设像素值范围可以根据训练活体检测模型中的第一解码层的方式进行设置，而该训练活体检测模型中的第一解码层的方式可以由计算机设备默认设置，或者由开发人员根据实际情况自行设置。因此，提高了训练活体检测模型的灵活性。

图6是本申请实施例提供的另一种活体检测模型训练方法的流程图。本申请实施例的执行主体为计算机设备，参见图6，该方法包括：

601、计算机设备调用活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及样本非活体人脸图像的第三样本活体特征和第三样本内容特征。

该活体检测模型用于检测人脸图像是否为活体人脸图像。其中，该活体检测模型中至少包括第一编码层、第一解码层、第二解码层、第三解码层和鉴别层。第一编码层用于提取人脸图像的活体特征和内容特征，第一解码层用于获取活体特征对应的特征图像，第二解码层用于根据活体特征和内容特征得到对应的人脸图像，第三解码层用于获取人脸图像对应的特征图像，鉴别层用于鉴别人脸图像是否为第二解码层生成的图像。

可选地，该第一编码层可以包括两个卷积神经网络，或者该第一编码层还可以为其他形式的编码层，本申请实施例对此不做限定。

计算机设备获取样本活体人脸图像和样本非活体人脸图像，先调用活体检测模型中的第一编码层，对样本活体人脸图像进行编码处理，得到样本活体人脸图像的第二样本活体特征和第二样本内容特征，再调用活体检测模型中的第一编码层，对样本非活体人脸图像进行编码处理，得到样本非活体人脸图像的第三样本活体特征和第三样本内容特征。或者，还可以先对样本非活体人脸图像进行编码处理，再对样本活体人脸图像进行编码处理，本申请实施例对此不做限定。

本申请实施例中的活体人脸图像、非活体人脸图像、活体特征以及内容特征等概念与上述图4所示实施例中的概念类似，在此不再一一赘述。其中，本申请实施例中的第二样本活体特征即为描述样本活体人脸图像包括的人脸是否为活体人脸的特征，第三样本活体特征即为描述样本非活体人脸图像包括的人脸是否为活体人脸的特征。第二样本内容特征即为样本活体人脸图像的特征中，与样本活体人脸图像包括的人脸是否为活体人脸无关的特征，第三样本内容特征即为样本非活体人脸图像的特征中，与样本非活体图像包括的人脸是否为活体人脸无关的特征。

602、计算机设备将第二样本活体特征与第三样本内容特征进行融合处理，得到第一人脸特征。

当计算机设备获取到样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及样本非活体人脸图像的第三样本活体特征和第三样本内容特征，则将第二样本活体特征与第三样本内容特征进行融合处理，得到第一人脸特征。

也即是将样本活体人脸图像对应的活体特征，与样本非活体人脸图像对应的内容特征，进行融合处理，得到第一人脸特征，因此该第一人脸特征包括样本活体人脸图像的活体特征以及样本非活体人脸图像的内容特征。

603、计算机设备调用第二解码层，对第一人脸特征进行解码处理，得到第一参考人脸图像。

活体检测模型中的第二解码层与第一编码层连接，该第二解码层用于根据活体特征和内容特征得到对应的人脸图像。可选地，该第二解码层可以包括一个反卷积神经网络，或者该第二解码层还可以为其他形式的解码层，本申请实施例对此不做限定。

由于第一人脸特征中包括第二样本活体特征和第三样本内容特征，则该第一人脸特征包括构成人脸图像的全部特征，能够根据该第一人脸特征生成一张人脸图像。因此当计算机设备获取到第一人脸特征，则调用活体检测模型中的第二解码层，对该第一人脸特征进行解码处理，即可得到该第一人脸特征对应的第一参考人脸图像。

其中，由于该第一人脸特征中的内容特征为样本非活体图像对应的内容特征，而内容特征为描述人脸图像内容的特征，因此该第一参考人脸图像的内容应与样本非活体人脸图像的内容相似。该第一人脸特征中的活体特征为样本活体人脸图像对应的活体特征，而活体特征为描述人脸图像中的人脸是否为活体人脸的特征，因此该第一参考人脸图像中的人脸应为活体人脸。

604、计算机设备调用活体检测模型中的鉴别层，对第一参考人脸图像进行处理，得到第一参考人脸图像的第一鉴别概率，在第一鉴别概率大于预设概率的情况下，对活体检测模型的模型参数进行调整。

其中，活体检测模型中的鉴别层与第二解码层连接，该鉴别层用于鉴别人脸图像是否为第二解码层生成的图像。

由于第一参考人脸图像为根据第一人脸特征生成的人脸图像，实际上是伪造的人脸图像，而不是真实输入的人脸图像。并且，第一人脸特征中的第二样本活体特征和第三样本内容特征越准确，该伪造的第一参考人脸图像与真实输入的人脸图像越相似，因此，可以调用活体检测模型中的鉴别层对第一参考人脸图像进行鉴别，来确定第一参考人脸图像是否是第二解码层生成的图像。若鉴别层成功地鉴别出第一参考人脸图像为第二解码层生成的图像，说明活体检测模型中的第一编码层分离特征的过程不准确，或者第二解码层生成参考人脸图像的过程不准确。若鉴别层未鉴别出第一参考人脸图像为第二解码层生成的图像，说明第一编码层分离特征的过程以及第二解码层生成参考人脸图像的过程都比较准确。因此，可以根据鉴别层的鉴别结果来确定是否需要对活体检测模型的模型参数进行调整，以使该活体检测模型更加准确。并且，在训练过程中，鉴别层的准确性越高，则对活体检测模型中的第一编码层和第二解码层的准确性的要求越高，从而促使不断提高第一编码层和第二解码层的准确性，而第一编码层和第二解码层的准确性越高，则对活体检测模型中的鉴别层的准确性的要求越高，从而促使不断提高鉴别层的准确性，由此形成良性循环，使训练得到的活体检测模型的准确性越来越高。

因此，当计算机设备获取到第一参考人脸图像后，调用活体检测模型中的鉴别层，对第一参考人脸图像进行处理，得到第一参考人脸图像的第一鉴别概率，该第一鉴别概率表示第一参考人脸图像为通过第二解码层生成的图像的概率。计算机设备判断该第一参考人脸图像的第一鉴别概率是否大于预设概率，当第一鉴别概率大于预设概率时，认为鉴别层可以检测出该第一参考人脸图像是通过第二解码层生成的人脸图像，而不是真实输入的人脸图像，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，或者活体检测模型中的第二解码层并未成功地根据活体特征和内容特征生成对应的人脸图像，则对活体检测模型的模型参数进行调整。

可选地，计算机设备对活体检测模型中的第一编码层的模型参数进行调整，以使第一编码层对人脸图像进行编码处理得到的活体特征和内容特征的准确性更高。可选地，计算机设备对活体检测模型中的第二解码层的模型参数进行调整，以使第二解码层对活体特征和内容特征进行解码处理得到的人脸图像的准确性更高。可选地，计算机设备还可以对活体检测模型中的第一编码层和第二解码层的模型参数同时进行调整，来提高该活体检测模型处理数据的准确性。

当第一鉴别概率不大于预设概率时，认为活体检测模型无法检测出该第一参考人脸图像是通过第二解码层生成的人脸图像，则认为活体检测模型中的第一编码层成功地将活体特征和内容特征分离出来，且活体检测模型中的第二解码层成功地根据活体特征和内容特征生成对应的人脸图像，则无需对活体检测模型的模型参数进行调整。

其中，该预设概率可以为计算机设备默认设置的概率，或者由开发人员设置的概率，该概率可以为80％、90％或者95％等，本申请实施例对此不做限定。

在一种可能实现方式中，计算机设备可以根据样本人脸图像对该鉴别层进行训练。计算机设备调用该活体检测模型中的鉴别层，对样本人脸图像进行处理，得到对应的鉴别结果。若该样本人脸图像为伪造的人脸图像，而鉴别结果指示该样本人脸图像为真实输入的人脸图像，说明该鉴别层的鉴别结果不准确，则对鉴别层的模型参数进行调整。若该样本人脸图像为真实输入的人脸图像，而鉴别结果指示该样本人脸图像为伪造的人脸图像，说明该鉴别层的鉴别结果不准确，则对鉴别层的模型参数进行调整。

605、计算机设备调用第三解码层，对第一参考人脸图像进行解码处理，得到第一参考人脸图像对应的第二样本特征图像。

当计算机设备获取到第一参考人脸图像后，调用活体检测模型中的第三解码层，对第一参考人脸图像进行解码处理，得到第一参考人脸图像对应的第二样本特征图像，该第二样本特征图像用于表示人脸图像的特征。

其中，活体检测模型中的第三解码层与第二解码层连接，该第三解码层用于获取人脸图像对应的特征图像。可选地，该第三解码层为深度估计网络(Instance DepthEstimation，IDE)，则该第三解码层输出的特征图像为人脸图像的深度图像(Depth Map)，深度图像是指包含场景对象的表面距离有关的信息的图像或图像通道。例如，参见图7，人脸图像701的活体特征对应的特征图像为深度图像702。该第三解码层还可以为二分类的网络，或者该第三解码层还可以为其他形式的解码层，本申请实施例对此不做限定。

其中，上述步骤603中的第二解码层和上述步骤605中的第三解码层构成活体检测模型中的特征图像生成网络，该特征图像生成网络用于根据人脸特征生成对应的特征图像。

需要说明的是，本申请实施例仅以活体检测模型中的特征图像生成网络包括第二解码层和第三解码层为例进行说明，计算机设备调用活体检测模型中的特征图像生成网络，对第一人脸特征进行处理，得到第一人脸特征对应的第二样本特征图像。在另一实施例中，该特征图像生成网络还可以为其他形式的网络，仅需保证特征图像生成网络可以根据输入的人脸特征生成对应的特征图像即可。

606、计算机设备在第二样本特征图像不满足第二预设条件的情况下，对活体检测模型的模型参数进行调整。

其中，该第二预设条件为活体人脸图像对应的特征图像应满足的条件。

当计算机设备获取到第一参考人脸图像对应的第二样本特征图像，判断该第二样本特征图像是否满足第二预设条件。若该第二样本特征图像满足第二预设条件，说明该第二样本特征图像对应的第一参考人脸图像为活体人脸图像，则认为活体检测模型中的第一编码层成功地将活体特征和内容特征分离出来，且活体检测模型中的第二解码层成功地根据活体特征和内容特征生成了对应的人脸图像，则无需对活体检测模型的模型参数进行调整。

若该第二样本特征图像不满足第二预设条件，说明活体检测模型检测确定该第二样本特征图像对应的第一参考人脸图像不属于活体人脸图像，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，或者活体检测模型中的第二解码层并未成功地根据活体和特征和内容特征生成对应的人脸图像，则对活体检测模型的模型参数进行调整。

可选地，计算机设备对活体检测模型中的第一编码层的模型参数进行调整，以使第一编码层对人脸图像进行编码处理得到的活体特征和内容特征的准确性更高。可选地，计算机设备对活体检测模型中的第二解码层的模型参数进行调整，以使第二解码层对活体特征和内容特征进行解码处理得到的人脸图像的准确性更高。可选地，计算机设备还可以对活体检测模型中的第一编码层和第二解码层的模型参数同时进行调整，来提高该活体检测模型处理数据的准确性。

在一种可能实现方式中，该第二预设条件为：特征图像的平均像素值属于第二预设像素值范围。则计算机设备在第二样本特征图像的第二样本平均像素值不属于第二预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

计算机设备获取到第二样本特征图像后，获取该第二样本特征图像的第二样本平均像素值，判断该第二样本平均像素值是否属于第二预设像素值范围。若该第二样本平均像素值属于第二预设像素值范围，则无需对活体检测模型的模型参数进行调整。若该第二样本平均像素值不属于第二预设像素值范围，则计算机设备对活体检测模型的模型参数进行调整。

可选地，该第二预设像素值范围可以根据训练活体检测模型中的第三解码层的方式进行设置。当训练该第三解码层时，若设置为该第三解码层输出的活体人脸图像对应的特征图像的平均像素值高，该第三解码层输出的非活体人脸图像对应的特征图像的平均像素值低，则将第二预设像素值范围对应设置为：大于第三预设像素值的范围，因此当第二样本特征图像的第二样本平均像素值大于第三预设像素值时，检测结果为：该第二样本特征图像对应的第一参考人脸图像为活体人脸图像，当第二样本特征图像的第二样本平均像素值不大于第三预设像素值时，检测结果为：该第二样本特征图像对应的第一参考人脸图像不属于活体人脸图像。

或者，当训练该第三解码层时，若设置为该第三解码层输出的活体人脸图像对应的特征图像的平均像素值低，该第三解码层输出的非活体人脸图像对应的特征图像的平均像素值高，则将第二预设像素值范围对应设置为：小于第四预设像素值，因此当第二样本特征图像的第二样本平均像素值小于第四预设像素值时，检测结果为：该第二样本特征图像对应的第一参考人脸图像为活体人脸图像，当第二样本特征图像的第二样本平均像素值不小于第四预设像素值时，检测结果为：该第二样本特征图像对应的第一参考人脸图像不属于活体人脸图像。

其中，该第二预设像素值范围可以根据训练活体检测模型中的第三解码层的方式进行设置，而该训练活体检测模型中的第三解码层的方式可以由计算机设备默认设置，或者由开发人员根据实际情况自行设置。

在另一种可能实现方式中，计算机设备可以根据样本活体人脸特征和样本非活体人脸特征对该第三解码层进行训练。计算机设备调用该活体检测模型中的第三解码层，分别对样本活体人脸图像和样本非活体人脸图像进行处理，得到样本活体人脸图像对应的特征图像和样本非活体人脸图像对应的特征图像，当该样本活体人脸图像对应的特征图像不满足第二预设条件时，计算机设备对该第三解码层的模型参数进行调整，以使该第三解码层输出的样本活体人脸图像对应的特征图像满足第二预设条件。当该样本非活体人脸图像对应的特征图像满足第二预设条件时，计算机设备对该第三解码层的模型参数进行调整，以使该第三解码层输出的样本非活体人脸图像对应的特征图像不满足第二预设条件。

需要说明的是，本申请实施例仅以按照步骤601-606的顺序来执行为例进行说明。在另一实施例中，还可以不执行步骤604，即无需通过鉴别层判断第一参考人脸图像是否为解码层生成的图像。或者，执行步骤603之后，先执行步骤605-606，再执行步骤604。或者，还可以执行步骤604之后，重新执行步骤601-603，再执行步骤604，直至步骤604中的第一鉴别概率不大于预设概率，无需对活体检测模型的模型参数进行调整，则执行步骤605-606。

607、计算机设备将第三样本活体特征与第二样本内容特征进行融合处理，得到第二人脸特征。

当计算机设备获取到样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及样本非活体人脸图像的第三样本活体特征和第三样本内容特征，则将第三样本活体特征与第二样本内容特征进行融合处理，得到第二人脸特征。

也即是将样本活体人脸图像对应的活体特征，与样本非活体人脸图像对应的内容特征，进行融合处理，得到第二人脸特征，因此该第二人脸特征包括样本活体人脸图像的内容特征以及样本非活体人脸图像的活体特征。

608、计算机设备调用第二解码层，对第二人脸特征进行解码处理，得到第二参考人脸图像。

由于第二人脸特征中包括第三样本活体特征和第二样本内容特征，则该第二人脸特征包括构成人脸图像的全部特征，能够根据该第二人脸特征生成一张人脸图像。因此当计算机设备获取到第二人脸特征，则调用活体检测模型中的第二解码层，对该第二人脸特征进行解码处理，即可得到该第二人脸特征对应的第二参考人脸图像。

其中，由于该第二人脸特征中的内容特征为样本活体图像对应的内容特征，而内容特征为描述人脸图像内容的特征，因此该第二参考人脸图像的内容应与样本活体人脸图像的内容相似。该第二人脸特征中的活体特征为样本非活体人脸图像对应的活体特征，而活体特征为描述人脸图像中的人脸是否为活体人脸的特征，因此该第二参考人脸图像中的人脸应为非活体人脸。

609、计算机设备调用活体检测模型中的鉴别层，对第二参考人脸图像进行处理，得到第二参考人脸图像的第二鉴别概率，在第二鉴别概率大于预设概率的情况下，对活体检测模型的模型参数进行调整。

第二鉴别概率表示第二参考人脸图像为通过第二解码层生成的图像的概率。

该步骤609与上述步骤604类似，在此不再一一赘述。

610、计算机设备调用第三解码层，对第二参考人脸图像进行解码处理，得到第二参考人脸图像对应的第三样本特征图像。

其中，该步骤610与上述步骤605类似，在此不再一一赘述。

611、计算机设备在第三样本特征图像满足第二预设条件的情况下，对活体检测模型的模型参数进行调整。

当计算机设备获取到第二参考人脸图像对应的第三样本特征图像，判断该第三样本特征图像是否满足第二预设条件。若该第三样本特征图像不满足第二预设条件，说明该第三样本特征图像对应的第二参考人脸图像不属于活体人脸图像，则认为活体检测模型中的第一编码层成功地将活体特征和内容特征分离出来，且活体检测模型中的第二解码层成功地根据活体和特征和内容特征生成了对应的人脸图像，则无需对活体检测模型的模型参数进行调整。

若该第三样本特征图像满足第二预设条件，说明活体检测模型检测确定该第三样本特征图像对应的第二参考人脸图像属于活体人脸图像，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，或者活体检测模型中的第二解码层并未成功地根据活体和特征和内容特征生成对应的人脸图像，则对活体检测模型的模型参数进行调整。

在一种可能实现方式中，该第二预设条件为：特征图像的平均像素值属于第二预设像素值范围。则计算机设备在第三样本特征图像的第三样本平均像素值属于第二预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

计算机设备获取到第三样本特征图像后，获取该第三样本特征图像的第三样本平均像素值，判断该第三样本平均像素值是否属于第二预设像素值范围。若该第二样本平均像素值不属于第二预设像素值范围，则无需对活体检测模型的模型参数进行调整。若该第三样本平均像素值属于第二预设像素值范围，则计算机设备对活体检测模型的模型参数进行调整。

其中，该第二预设条件与上述步骤606中的第二预设条件相同，在此不再一一赘述。

需要说明的是，本申请实施例仅以按照步骤601-611的顺序来执行为例进行说明。在另一实施例中，还可以不执行步骤609，即无需通过鉴别层判断第二参考人脸图像是否为解码层生成的图像。或者，执行步骤608之后，先执行步骤610-611，再执行步骤609。或者，还可以执行步骤609之后，重新执行步骤601、607、608，再执行步骤609，直至步骤609中的第二鉴别概率不大于预设概率，无需对活体检测模型的模型参数进行调整，则执行步骤610-611。

需要说明的是，本申请实施例仅以先执行上述步骤602-606，再执行上述步骤607-611为例进行说明，而在另一实施例中，执行步骤601之后，上述步骤602-606和步骤606-609可以穿插着执行，也即是处理第一参考人脸图像的过程与处理第二参考人脸图像的过程穿插执行；或者可以先执行步骤607-611，再执行上述602-606；或者可以仅执行步骤602-606，不执行步骤607-611；或者还可以仅执行步骤607-611，不执行步骤602-606。

图8是本申请实施例提供的一种训练活体检测模型的示意图，参见图8，活体检测模型包括第一编码层8101、第二解码层8102、第三解码层8103和鉴别层8104。将样本活体人脸图像8201输入第一编码层8101中，得到第二样本活体特征8202和第二样本内容特征8203。将样本非活体人脸图像8204输入第一编码层8101中，得到第三样本内容特征8205和第三样本活体特征8206。

将第二样本活体特征8202和第三样本内容特征8205进行融合处理得到第一人脸特征8207。将第一人脸特征8207输入第二解码层8102中得到第一参考人脸图像8208，将第一参考人脸图像8208输入第三解码层8102中得到第二样本特征图像8209，若第二样本特征图像8209不满足第二预设条件，则对活体检测模型的模型参数进行调整。将第一参考人脸图像8208输入鉴别层8104中得到第一鉴别概率8213，若第一鉴别概率8213大于预设概率，则对活体检测模型的模型参数进行调整。

将第二样本内容特征8203和第三样本活体特征8206进行融合处理得到第二人脸特征8211。将第二人脸特征8211输入第二解码层8102中得到第二参考人脸图像8212，将第二参考人脸图像8212输入第三解码层8102中得到第三样本特征图像8210，若第三样本特征图像8210满足第二预设条件，则对活体检测模型的模型参数进行调整。将第二参考人脸图像8212输入鉴别层8104中得到第二鉴别概率8214，若第二鉴别概率8214大于预设概率，则对活体检测模型的模型参数进行调整。

需要说明的是，本申请实施例中仅说明了通过第三解码层和鉴别层的处理结果来训练活体检测模型的过程。在另一实施例中，还可以调用活体检测模型中的第一解码层，对样本活体人脸图像的第二样本活体特征进行解码处理，得到第二样本活体特征对应的特征图像，在第二样本活体特征对应的该特征图像不满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。还可以调用活体检测模型中的第一解码层，对样本非活体人脸图像的第三样本活体特征进行解码处理，得到第三样本活体特征对应的特征图像，在第三样本活体特征对应的该特征图像满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。也即是将上述图4所示的模型训练方法的实施例与本实施例进行结合，来训练活体检测模型。

在一种可能实现方式中，计算机设备获取到第一参考人脸图像时，调用该活体检测模型中的第一编码层，对第一参考人脸图像进行编码处理，得到该第一参考人脸图像的第一参考活体特征和第一参考内容特征，将第一参考内容特征过滤后，调用活体检测模型中的第一解码层，对第一参考活体特征进行解码处理，得到第一参考活体特征对应的特征图像，在第一参考活体特征对应的该特征图像不满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。

当第一参考活体特征对应的该特征图像不满足第一预设条件时，说明该第一参考人脸图像不属于活体人脸图像，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，或者活体检测模型中的第二解码层并未成功地根据活体和特征和内容特征生成对应的人脸图像，则对活体检测模型的模型参数进行调整。

在另一种可能实现方式中，计算机设备获取到第二参考人脸图像时，调用该活体检测模型中的第一编码层，对第二参考人脸图像进行编码处理，得到该第二参考人脸图像的第二参考活体特征和第二参考内容特征，将第二参考内容特征过滤后，调用活体检测模型中的第一解码层，对第二参考活体特征进行解码处理，得到第二参考活体特征对应的特征图像，在第二参考活体特征对应的该特征图像满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。

当第二参考活体特征对应的该特征图像满足第一预设条件时，说明该第二参考人脸图像属于活体人脸图像，则认为活体检测模型中的第一编码层并未成功地将活体特征和内容特征分离出来，或者活体检测模型中的第二解码层并未成功地根据活体和特征和内容特征生成对应的人脸图像，则对活体检测模型的模型参数进行调整。

图9是本申请实施例提供的另一种训练活体检测模型的示意图，参见图9，活体检测模型包括第一编码层9101、第一解码层9102、第二解码层9103、鉴别层9104和第三解码层9105。将样本活体人脸图像9201输入第一编码层9101中，得到第二样本活体特征9203和第二样本内容特征9204。将样本非活体人脸图像9202输入第一编码层9101中，得到第三样本内容特征9205和第三样本活体特征9206。

将第二样本活体特征9203输入第一解码层9102中得到第四样本特征图像9209，若第四样本特征图像9209不满足第一预设条件，则对活体检测模型的模型参数进行调整。

将第三样本活体特征9206输入第一解码层9102中得到第五样本特征图像9210，若第五样本特征图像9210满足第一预设条件，则对活体检测模型的模型参数进行调整。

将第二样本活体特征9203和第三样本内容特征9205进行融合处理得到第一人脸特征9207，将第一人脸特征9207输入第二解码层9103中得到第一参考人脸图像9211，将第二样本内容特征9204和第三样本活体特征9206进行融合处理得到第二人脸特征9208，将第二人脸特征9208输入第二解码层9103中得到第二参考人脸图像9212。

将第一参考人脸图像9211输入鉴别层9104得到第一鉴别概率9213，若第一鉴别概率9213大于预设概率，则对活体检测模型的模型参数进行调整。将第一参考人脸图像9211输入第三解码层9105中得到第二样本特征图像9219，若第二样本特征图像9219不满足第二预设条件，则对活体检测模型的模型参数进行调整。

将第二参考人脸图像9212输入鉴别层9104得到第二鉴别概率9214，若第二鉴别概率9214大于预设概率，则对活体检测模型的模型参数进行调整。将第二参考人脸图像9212输入第三解码层9105中得到第三样本特征图像9220，若第三样本特征图像9220满足第二预设条件，则对活体检测模型的模型参数进行调整。

参见图9，还可以将第一参考人脸图像9211输入第一编码层9101中得到第四样本内容特征9215和第四样本活体特征9216，将第二参考人脸图像9212输入第一编码层9101中得到第五样本内容特征9217和第五样本活体特征9218，后续可调用第一解码层9102对该第四样本活体特征9216和第五样本活体特征进行9217解码处理，以便进一步判断该第一参考人脸图像9211和第二参考人脸图像9212是否为活体人脸图像。

本申请实施例提供的方法，调用活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及样本非活体人脸图像的第三样本活体特征和第三样本内容特征。因此本申请实施例训练的活体检测模型，可以将人脸图像的活体特征和内容特征分离出来，也即是实现了将人脸图像中描述该人脸图像包括的人脸是否为活体人脸的活体特征单独提取出来，而不是与内容特征混合在一起，实现了对人脸图像的特征解耦。

并且，将样本活体人脸图像的第二样本活体特征和样本非活体人脸图像的第三样本活体特征互换，得到融合后的第一人脸特征和第二人脸特征，调用活体检测模型中的第二解码层，分别生成第一参考人脸图像和第二参考人脸图像，调用第三解码层，分别生成第一参考人脸图像对应的第二样本特征图像和第二参考人脸图像对应的第三样本特征图像。因此，通过对互换活体特征后的参考图像进行检测，来确保第一编码层成功将活体特征和内容特征分离，最终训练出了可以分离活体特征和内容特征的活体检测模型，后续根据该活体检测模型进行活体检测时，可以仅对活体特征进行处理，避免内容特征对检测过程的影响，可以提高活体检测的准确性。

并且，调用活体检测模型中的鉴别层来对第一参考人脸图像和第二参考人脸图像进行鉴别，以确保第一参考人脸图像和第二参考人脸图像的来源不会对活体检测模型的训练过程造成影响，进一步提高了训练得到的活体检测模型进行活体检测时的准确性。

并且，在第二样本特征图像不满足第二预设条件的情况下，对活体检测模型的模型参数进行调整，在第三样本特征图像满足第二预设条件的情况下，对活体检测模型的模型参数进行调整。该第二预设条件的第二预设像素值范围可以根据训练活体检测模型中的第三解码层的方式进行设置，而该训练活体检测模型中的第三解码层的方式可以由计算机设备默认设置，或者由开发人员根据实际情况自行设置。因此，提高了训练活体检测模型的灵活性。

训练该活体检测模型之后，即可调用活体检测模型进行处理，实现对人脸图像的活体检测。以下实施例将对活体检测过程进行详细说明。

图10是本申请实施例提供的另一种活体检测方法的流程图。本申请实施例的执行主体为计算机设备，参见图10，该方法包括：

1001、计算机设备获取人脸图像。

计算机设备通过配置的摄像头采集当前场景下的目标图像，将该目标图像作为人脸图像，或者将目标图像进行裁剪处理得到人脸图像。可选地，还可以获取其他设备上传至该计算机设备的目标图像，将该目标图像作为人脸图像，或者将目标图像进行裁剪处理得到人脸图像。或者，还可以采取其他方式获取人脸图像，本申请实施例对此不做限定。

在一种可能实现方式中，计算机设备采集输入的目标图像，对目标图像进行人脸检测，得到目标图像中的人脸区域，将目标图像中的人脸区域进行裁剪处理，作为人脸图像。

当用户需要进行人脸识别时，触发对人脸识别的操作，计算机设备检测到对人脸识别的触发操作，通过配置的摄像头进行拍摄，从而获取包括人脸的目标图像。或者计算机设备将摄像头设置为持续拍摄状态，当计算机设备检测到有用户出现在摄像头的拍摄区域时，计算机设备自动获取包括人脸的目标图像。计算机设备对采集到的目标图像进行人脸检测，得到目标图像中的人脸区域，该人脸区域即为目标图像中包括人脸的区域。则计算机设备将目标图像中的人脸区域进行裁剪处理，得到裁剪后的人脸区域对应的图像，将该图像作为人脸图像。

在另一种可能实现方式中，计算机设备采集输入的目标图像，对目标图像进行人脸检测，得到目标图像中的第一人脸区域，根据第一人脸区域，获取目标图像中包含第一人脸区域的第二人脸区域，该第二人脸区域与第一人脸区域的尺寸比例为预设比例，计算机设备将目标图像中的第二人脸区域进行裁剪处理，作为人脸图像。

其中，采集输入的目标图像的过程与上述方法类似，在此不再一一赘述。

计算机设备对采集到的目标图像进行人脸检测，得到目标图像中的第一人脸区域，该第一人脸区域即为目标图像中包括人脸的区域。由于第一人脸区域的尺寸可能较小，导致对应的人脸图像所包含的信息较少。因此当得到第一人脸区域后，可以根据第一人脸区域进行调整。则计算机设备获取包含该第一人脸区域的第二人脸区域，并使该第二人脸区域的尺寸与第一人脸区域的尺寸之间的比例为预设比例，将目标图像中的第二人脸区域进行裁剪处理，得到裁剪后的人脸区域对应的图像，将该图像作为人脸图像。其中，该预设比例大于1。

图11是本申请实施例提供的一种裁剪人脸图像的示意图，参见图11，对目标图像进行人脸检测得到第一人脸区域1101，根据第一人脸区域，向外扩展预设比例，得到获取目标图像中包含第一人脸区域1101的第二人脸区域1102。

1002、计算机设备调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征。

当计算机设备获取到人脸图像，调用活体检测模型中的第一编码层，对该人脸图像进行编码处理，得到该人脸图像的活体特征和内容特征。

活体检测模型是用于检测人脸图像是否为活体人脸图像的模型，包括第一编码层和第一解码层，该第一编码层和第一解码层连接。第一编码层用于获取人脸图像的活体特征和内容特征，第二解码层用于获取活体特征对应的特征图像。可选地，该第一编码层可以包括两个卷积神经网络，或者该第一编码层还可以为其他形式的编码层，本申请实施例对此不做限定。该活体检测模型的训练过程可参见上述图4或者图6所示的实施例，在此不再一一赘述。

其中，活体特征为描述人脸图像包括的人脸是否为活体人脸的特征，该活体特征可以包括人脸图像中的局部纹理特征、光照反射特征、生物运动特征等，该活体特征还可以包括其他描述人脸图像中的人脸是否为活体人脸的特征，本申请实施例对此不做限定。其中，内容特征为人脸图像的特征中，与人脸图像包括的人脸是否为活体人脸无关的特征，该内容特征可以包括描述人脸图像内容的特征，例如人脸图像中描述背景、光照、人脸的特征等。该活体特征还可以包括其他描述人脸图像内容的特征，本申请实施例对此不做限定。

其中，活体人脸是指真实人脸，也即是输入的真实人脸的图像，而不是包括人脸的纸片、显示人脸的屏幕或者人脸面具等假装的人脸。

1003、计算机设备将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像。

由于活体特征与人脸图像中的人脸是否为活体人脸，而内容特征与人脸图像中的人脸是否为活体人脸无关，为了避免活体检测的结果受到与人脸图像中的人脸是否为活体人脸无关的特征的影响，因此计算机设备获取到人脸图像的活体特征和内容特征之后，将内容特征进行过滤，仅保留人脸图像的活体特征。则计算机设备调用活体检测模型中的第一解码层，对该活体特征进行解码处理，得到该活体特征对应的特征图像。

可选地，该第一解码层可以为LBP(Local Binary Pattern，局部二值模式)网络，该LBP网络是一种用于提取图像的局部纹理特征的网络，则该第一解码层输出的特征图像为人脸图像的LBP图。该第一解码层还可以为HoG(Histogram of Oriented Gradient，方向梯度直方图)网络，则该第一解码层输出的特征图像为人脸图像的方向梯度直方图。或者该第三解码层还可以为其他形式的解码层，本申请实施例对此不做限定。

1004、计算机设备在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。

其中，该第一预设条件为特征图像对应的人脸图像为活体人脸图像的条件，该第一预设条件与上述图4所示的实施例中训练活体检测模型时的第一预设条件保持一致。

计算机设备获取到特征图像之后，判断该特征图像是否满足第一预设条件，若该特征图像满足第一预设条件，则将该人脸图像确定为活体人脸图像。若该特征图像不满足第一预设条件，则将该人脸图像确定为非活体人脸图像，也即是该人脸图像中的人脸不属于活体人脸。

在一种可能实现方式中，该第一预设条件为：特征图像的平均像素值属于第一预设像素值范围。则计算机设备在特征图像的平均像素值属于第一预设像素值范围的情况下，将人脸图像确定为活体人脸图像。

计算机设备获取到特征图像后，获取该特征图像的平均像素值，判断该平均像素值是否属于第一预设像素值范围。若该平均像素值属于第一预设像素值范围，则将该人脸图像确定为活体人脸图像。若该平均像素值不属于第一预设像素值范围，则将该人脸图像确定为非活体人脸图像。

可选地，该第一预设像素值范围与图4所示的训练活体检测模型的过程中的第一预设像素值范围相同。则该第一预设像素值范围可以为：大于第一预设像素值的范围。或者，该第一预设像素值范围可以为：小于第二预设像素值的范围。

本申请实施例提供的方法，调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，因此本申请实施例提供了一种处理人脸图像的方案，可以将人脸图像的活体特征和内容特征分离出来，也即是实现了将人脸图像中描述该人脸图像包括的人脸是否为活体人脸的活体特征单独提取出来，而不是与内容特征混合在一起，实现了对人脸图像的特征解耦。获取到活体特征和内容特征，将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。因此本申请实施例提供了一种仅根据活体特征来进行活体检测的方法，活体检测过程仅用到了人脸图像的活体特征，并不考虑人脸图像的内容特征，避免了内容特征对活体检测过程的干扰，可以提高活体检测的准确率。

并且，由于该活体检测模型仅根据活体特征进行活体检测，因此在该活体检测模型的训练过程中，也仅受到了活体特征对训练过程的影响，避免了内容特征对训练过程的影响，因此避免在训练活体检测模型的过程中，将活体检测模型拟合到与活体特征无关的内容特征上，进一步提高活体检测模型的准确性。

并且，由于避免了活体检测模型拟合到与活体特征无关的内容特征上，因此该活体检测模型的检测结果仅受到描述人脸图像包括的人脸是否为活体人脸的活体特征的影响，而不会受到描述人脸图像内容的内容特征的影响，因此，即使检测的人脸图像的内容发生了变化，该活体检测模型仍可以检测出人脸图像是否为活体人脸图像，提高了活体检测模型的泛化能力。

并且，采集输入的目标图像，对目标图像进行人脸检测，得到目标图像中的第一人脸区域，根据第一人脸区域，获取目标图像中包含第一人脸区域的第二人脸区域，该第二人脸区域与第一人脸区域的尺寸比例为预设比例，将目标图像中的第二人脸区域进行裁剪处理，作为人脸图像。因此根据第一人脸区域获取第二人脸区域，可以避免人脸检测得到的第一人脸区域的尺寸不合适的情况，从而避免得到的人脸图像包含的无关信息较多或者包含的信息量较少的问题，导致对检测结果产生不利影响，可以进一步提高活体检测的准确性。

并且，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像，该第一预设条件可以根据训练活体检测模型的过程中的第一预设条件进行设置，而训练活体检测模型的过程中的第一预设条件的第一预设像素值范围可以根据训练活体检测模型中的第一解码层的方式进行设置，而该训练活体检测模型中的第一解码层的方式可以由计算机设备默认设置，或者由开发人员根据实际情况自行设置。因此，提高了训练活体检测模型的灵活性。

并且，本申请实施例提供的方法仅需根据人脸图像中的活体特征即可完成活体检测，无需用户配合做出脸部动作，也无需特定的硬件设备，降低了活体检测的成本，并且可以提高用户体验。

图12是本申请实施例提供的一种活体检测装置的结构示意图。参见图12，该装置包括：

编码处理模块1201，用于调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，活体特征为描述人脸图像包括的人脸是否为活体人脸的特征，内容特征为人脸图像的特征中，与人脸图像包括的人脸是否为活体人脸无关的特征；解码处理模块1202，用于将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像；确定模块1203，用于在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。

本申请实施例提供的装置，调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到人脸图像的活体特征和内容特征，因此本申请实施例提供了一种处理人脸图像的装置，可以将人脸图像的活体特征和内容特征分离出来，也即是实现了将人脸图像中描述该人脸图像包括的人脸是否为活体人脸的活体特征单独提取出来，而不是与内容特征混合在一起，实现了对人脸图像的特征解耦。获取到活体特征和内容特征，将内容特征过滤后，调用活体检测模型中的第一解码层，对活体特征进行解码处理，得到活体特征对应的特征图像，在特征图像满足第一预设条件的情况下，将人脸图像确定为活体人脸图像。因此本申请实施例提供了一种仅根据活体特征来进行活体检测的装置，活体检测过程仅用到了人脸图像的活体特征，并不考虑人脸图像的内容特征，避免了内容特征对活体检测过程的干扰，可以提高活体检测的准确率。

可选地，参见图13，装置还包括：

图像采集模块1204，用于采集输入的目标图像；人脸检测模块1205，用于对目标图像进行人脸检测，得到目标图像中的人脸区域；裁剪处理模块1206，用于将目标图像中的人脸区域进行裁剪处理，作为人脸图像。

可选地，参见图13，装置还包括：

图像采集模块1204，用于采集输入的目标图像；人脸检测模块1205，用于对目标图像进行人脸检测，得到目标图像中的第一人脸区域；人脸检测模块1205，还用于根据第一人脸区域，获取目标图像中包含第一人脸区域的第二人脸区域，第二人脸区域与第一人脸区域的尺寸比例为预设比例；裁剪处理模块1206，用于将目标图像中的第二人脸区域进行裁剪处理，作为人脸图像。

可选地，参见图13，确定模块1203，包括：

确定单元12031，用于在特征图像的平均像素值属于第一预设像素值范围的情况下，将人脸图像确定为活体人脸图像。

可选地，参见图13，装置还包括：

编码处理模块1201，还用于调用活体检测模型中的第一编码层，对样本人脸图像进行编码处理，得到样本人脸图像的第一样本活体特征和第一样本内容特征；解码处理模块1202，用于将第一样本内容特征过滤后，调用活体检测模型中的第一解码层，对第一样本活体特征进行解码处理，得到第一样本活体特征对应的第一样本特征图像；第一参数调整模块1207，用于在样本人脸图像是活体人脸图像，而第一样本特征图像不满足第一预设条件的情况下，对活体检测模型的模型参数进行调整；第一参数调整模块1207，还用于在样本人脸图像不是活体人脸图像，而第一样本特征图像满足第一预设条件的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，第一参数调整模块1207，包括：

第一参数调整单元12071，用于在样本人脸图像是活体人脸图像，而第一样本特征图像的第一样本平均像素值不属于第一预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，第一参数调整模块1207，包括：

第二参数调整单元12072，用于在样本人脸图像不是活体人脸图像，而第一样本特征图像的第一样本平均像素值属于第一预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，装置还包括：

编码处理模块1201，还用于调用活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及样本非活体人脸图像的第三样本活体特征和第三样本内容特征；融合处理模块1208，用于将第二样本活体特征与第三样本内容特征进行融合处理，得到第一人脸特征；特征图像生成模块1209，用于调用活体检测模型中的特征图像生成网络，对第一人脸特征进行处理，得到第一人脸特征对应的第二样本特征图像；第二参数调整模块1210，用于在第二样本特征图像不满足第二预设条件的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，特征图像生成网络包括第二解码层和第三解码层，特征图像生成模块1209，包括：

第一解码处理单元12091，用于调用第二解码层，对第一人脸特征进行解码处理，得到第一参考人脸图像；第二解码处理单元12092，用于调用第三解码层，对第一参考人脸图像进行解码处理，得到第一参考人脸图像对应的第二样本特征图像。

可选地，参见图13，装置还包括：

鉴别模块1211，用于调用活体检测模型中的鉴别层，对第一参考人脸图像进行处理，得到第一参考人脸图像的第一鉴别概率，第一鉴别概率表示第一参考人脸图像为通过第二解码层生成的图像的概率；第三参数调整模块1212，用于在第一鉴别概率大于预设概率的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，第二参数调整模块1210，包括：

第三参数调整单元12101，用于在第二样本特征图像的第二样本平均像素值不属于第二预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，装置还包括：

编码处理模块1201，还用于调用活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及样本非活体人脸图像的第三样本活体特征和第三样本内容特征；融合处理模块1208，用于将第三样本活体特征与第二样本内容特征进行融合处理，得到第二人脸特征；特征图像生成模块1209，用于调用活体检测模型中的特征图像生成网络，对第二人脸特征进行处理，得到第二人脸特征对应的第三样本特征图像；第二参数调整模块1210，用于在第三样本特征图像满足第二预设条件的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，特征图像生成网络包括第二解码层和第三解码层，特征图像生成模块1209，包括：

第一解码处理单元12091，用于调用第二解码层，对第二人脸特征进行解码处理，得到第二参考人脸图像；第二解码处理单元12092，用于调用第三解码层，对第二参考人脸图像进行解码处理，得到第二参考人脸图像对应的第三样本特征图像。

可选地，参见图13，装置还包括：

鉴别模块1211，用于调用活体检测模型中的鉴别层，对第二参考人脸图像进行处理，得到第二参考人脸图像的第二鉴别概率，第二鉴别概率表示第二参考人脸图像为通过第二解码层生成的图像的概率；第三参数调整模块1212，用于在第二鉴别概率大于预设概率的情况下，对活体检测模型的模型参数进行调整。

可选地，参见图13，第二参数调整模块1210，包括：

第三参数调整单元12101，用于在第三样本特征图像的第三样本平均像素值属于第二预设像素值范围的情况下，对活体检测模型的模型参数进行调整。

需要说明的是：上述实施例提供的活体检测装置在检测活体时，仅以上述各功能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模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的活体检测装置与活体检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图14示出了本申请一个示例性实施例提供的终端1400的结构示意图。终端1400可以用于执行上述活体检测方法中计算机设备所执行的步骤。

通常，终端1400包括有：处理器1401和存储器1402。

处理器1401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1401可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－ProgrammableGate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1401可以在集成有GPU(Graphics Processing Unit，图像处理的交互器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1401还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1402中的非暂态的计算机可读存储介质用于存储至少一条指令，该至少一条指令用于被处理器1401所具有以实现本申请中方法实施例提供的活体检测方法。

在一些实施例中，设备1400还可选包括有：***设备接口1403和至少一个***设备。处理器1401、存储器1402和***设备接口1403之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1403相连。具体地，***设备包括：射频电路1404、摄像头组件1405和电源1406中的至少一种。

***设备接口1403可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器1401和存储器1402。在一些实施例中，处理器1401、存储器1402和***设备接口1403被集成在同一芯片或电路板上；在一些其他实施例中，处理器1401、存储器1402和***设备接口1403中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1404用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1404将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1404包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1404可以通过至少一种无线通信协议来与其它设备进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1404还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

摄像头组件1405用于采集图像或视频。可选地，摄像头组件1405包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端1400的前面板，后置摄像头设置在终端1400的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1406还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

电源1406用于为终端1400中的各个组件进行供电。电源1406可以是交流电、直流电、一次性电池或可充电电池。当电源1406包括可充电电池时该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

本领域技术人员可以理解，图14中示出的结构并不构成对终端1400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图15是本申请实施例提供的一种服务器的结构示意图，该服务器1500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)1501和一个或一个以上的存储器1502，其中，所述存储器1502中存储有至少一条指令，所述至少一条指令由所述处理器1501加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

服务器1500可以用于执行上述活体检测方法中计算机设备所执行的步骤。

本申请实施例还提供了一种用于活体检测的计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条指令，该至少一条指令由处理器加载并执行，以实现上述实施例的活体检测方法中所具有的操作。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令，该至少一条指令由处理器加载并执行，以实现上述实施例的活体检测方法中所具有的操作。

本申请实施例还提供了一种计算机程序，该计算机程序包括至少一条指令，该至少一条指令由处理器加载并执行，以实现上述实施例的活体检测方法中所具有的操作。

本领域普通技术人员可以理解实现上述实施例全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。

以上所述仅为本申请实施例的可选实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种活体检测方法，其特征在于，所述方法包括：

调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征，所述活体特征为描述所述人脸图像包括的人脸是否为活体人脸的特征，所述内容特征为所述人脸图像的特征中，与所述人脸图像包括的人脸是否为活体人脸无关的特征，所述内容特征包括所述人脸图像中描述背景、光照、人脸的特征和/或其他用于描述人脸图像内容的特征；

将所述内容特征过滤后，调用所述活体检测模型中的第一解码层，对所述活体特征进行解码处理，得到所述活体特征对应的特征图像；

在所述特征图像满足第一预设条件的情况下，将所述人脸图像确定为活体人脸图像。

2.根据权利要求1所述的方法，其特征在于，所述调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征之前，所述方法还包括：

采集输入的目标图像；

对所述目标图像进行人脸检测，得到所述目标图像中的人脸区域；

将所述目标图像中的所述人脸区域进行裁剪处理，作为所述人脸图像。

3.根据权利要求1所述的方法，其特征在于，所述调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征之前，所述方法还包括：

采集输入的目标图像；

对所述目标图像进行人脸检测，得到所述目标图像中的第一人脸区域；

根据所述第一人脸区域，获取所述目标图像中包含所述第一人脸区域的第二人脸区域，所述第二人脸区域与所述第一人脸区域的尺寸比例为预设比例；

将所述目标图像中的所述第二人脸区域进行裁剪处理，作为所述人脸图像。

4.根据权利要求1所述的方法，其特征在于，所述在所述特征图像满足第一预设条件的情况下，将所述人脸图像确定为活体人脸图像，包括：

在所述特征图像的平均像素值属于第一预设像素值范围的情况下，将所述人脸图像确定为活体人脸图像。

5.根据权利要求1所述的方法，其特征在于，所述调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征之前，所述方法还包括：

调用所述活体检测模型中的第一编码层，对样本人脸图像进行编码处理，得到所述样本人脸图像的第一样本活体特征和第一样本内容特征；

将所述第一样本内容特征过滤后，调用所述活体检测模型中的第一解码层，对所述第一样本活体特征进行解码处理，得到所述第一样本活体特征对应的第一样本特征图像；

在所述样本人脸图像是活体人脸图像，而所述第一样本特征图像不满足所述第一预设条件的情况下，对所述活体检测模型的模型参数进行调整；或者，

在所述样本人脸图像不是活体人脸图像，而所述第一样本特征图像满足所述第一预设条件的情况下，对所述活体检测模型的模型参数进行调整。

6.根据权利要求5所述的方法，其特征在于，所述在所述样本人脸图像是活体人脸图像，而所述第一样本特征图像不满足所述第一预设条件的情况下，对所述活体检测模型的模型参数进行调整，包括：

在所述样本人脸图像是活体人脸图像，而所述第一样本特征图像的第一样本平均像素值不属于第一预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

7.根据权利要求5所述的方法，其特征在于，所述在所述样本人脸图像不是活体人脸图像，而所述第一样本特征图像满足所述第一预设条件的情况下，对所述活体检测模型的模型参数进行调整，包括：

在所述样本人脸图像不是活体人脸图像，而所述第一样本特征图像的第一样本平均像素值属于第一预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

8.根据权利要求1所述的方法，其特征在于，所述调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征之前，所述方法还包括：

调用所述活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到所述样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及所述样本非活体人脸图像的第三样本活体特征和第三样本内容特征；

将所述第二样本活体特征与所述第三样本内容特征进行融合处理，得到第一人脸特征；

调用所述活体检测模型中的特征图像生成网络，对所述第一人脸特征进行处理，得到所述第一人脸特征对应的第二样本特征图像；

在所述第二样本特征图像不满足第二预设条件的情况下，对所述活体检测模型的模型参数进行调整。

9.根据权利要求8所述的方法，其特征在于，所述特征图像生成网络包括第二解码层和第三解码层，所述调用所述活体检测模型中的特征图像生成网络，对所述第一人脸特征进行处理，得到所述第一人脸特征对应的第二样本特征图像，包括：

调用所述第二解码层，对所述第一人脸特征进行解码处理，得到第一参考人脸图像；

调用所述第三解码层，对所述第一参考人脸图像进行解码处理，得到所述第一参考人脸图像对应的第二样本特征图像。

10.根据权利要求9所述的方法，其特征在于，所述调用所述第二解码层，对所述第一人脸特征进行解码处理，得到第一参考人脸图像之后，所述方法还包括：

调用所述活体检测模型中的鉴别层，对所述第一参考人脸图像进行处理，得到所述第一参考人脸图像的第一鉴别概率，所述第一鉴别概率表示所述第一参考人脸图像为通过所述第二解码层生成的图像的概率；

在所述第一鉴别概率大于预设概率的情况下，对所述活体检测模型的模型参数进行调整。

11.根据权利要求8所述的方法，其特征在于，所述在所述第二样本特征图像不满足第二预设条件的情况下，对所述活体检测模型的模型参数进行调整，包括：

在所述第二样本特征图像的第二样本平均像素值不属于第二预设像素值范围的情况下，对所述活体检测模型的模型参数进行调整。

12.根据权利要求1所述的方法，其特征在于，所述调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征之前，所述方法还包括：

调用所述活体检测模型中的第一编码层，对样本活体人脸图像和样本非活体人脸图像分别进行编码处理，得到所述样本活体人脸图像的第二样本活体特征和第二样本内容特征，以及所述样本非活体人脸图像的第三样本活体特征和第三样本内容特征；

将所述第三样本活体特征与所述第二样本内容特征进行融合处理，得到第二人脸特征；

调用所述活体检测模型中的特征图像生成网络，对所述第二人脸特征进行处理，得到所述第二人脸特征对应的第三样本特征图像；

在所述第三样本特征图像满足第二预设条件的情况下，对所述活体检测模型的模型参数进行调整。

13.一种活体检测装置，其特征在于，所述装置包括：

编码处理模块，用于调用活体检测模型中的第一编码层，对人脸图像进行编码处理，得到所述人脸图像的活体特征和内容特征，所述活体特征为描述所述人脸图像包括的人脸是否为活体人脸的特征，所述内容特征为所述人脸图像的特征中，与所述人脸图像包括的人脸是否为活体人脸无关的特征，所述内容特征包括所述人脸图像中描述背景、光照、人脸的特征和/或其他用于描述人脸图像内容的特征；

解码处理模块，用于将所述内容特征过滤后，调用所述活体检测模型中的第一解码层，对所述活体特征进行解码处理，得到所述活体特征对应的特征图像；

确定模块，用于在所述特征图像满足第一预设条件的情况下，将所述人脸图像确定为活体人脸图像。

14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现如权利要求1至12任一所述的活体检测方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行，以实现如权利要求1至12任一所述的活体检测方法。

Images