可防攻击的活体检测方法、装置、计算机设备及存储介质

摘要

本发明涉及可防攻击的活体检测方法、装置、计算机设备及存储介质，该方法包括获取待检测图像；对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；若是，则将待检测图像输入至活体检测模型内进行活体检测，以得到待检测图像的类别；其中，活体检测模型是通过照片、视频以及真人图像作为样本数据训练基于CAFFE的深度学习模型所得的。本发明通过基于大量的样本数据训练深度学习模型，使得深度学习模型能区分纸张及视频数据与真人的区别，进而得到活体检测模型，准确输出待检测图像的类别，活体检测更加准确，检测速度更加快速，模型轻量化使得活体检测模型更容易推广，可实现检测过程中防止纸张和屏幕的攻击，提高活体检测的准确率。

权利要求

1.可防攻击的活体检测方法，其特征在于，包括：获取待检测图像；

对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；

若是，则将待检测图像输入至活体检测模型内进行活体检测，以得到待检测图像的类别；

其中，所述活体检测模型是通过照片、视频以及真人图像作为样本数据训练基于CAFFE的深度学习模型所得的。

2.根据权利要求1所述的可防攻击的活体检测方法，其特征在于，所述活体检测模型是通过照片、视频以及真人图像作为样本数据训练基于CAFFE的深度学习模型所得的，包括：获取样本数据；

构建人脸和纸张位置的欧式距离损失函数；

构建对人脸及纸张进行分类的交叉熵损失函数；

采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果；

判断所述模型学习结果是否满足设定要求；

若是，则将当前的基于CAFFE的深度学习模型作为活体检测模型；

若否，则返回所述采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果。

3.根据权利要求2所述的可防攻击的活体检测方法，其特征在于，所述将当前的基于CAFFE的深度学习模型作为活体检测模型之后，还包括：减少活体检测模型的卷积层数。

4.根据权利要求3所述的可防攻击的活体检测方法，其特征在于，所述减少活体检测模型的卷积层数，包括：更换所述活体检测模型的卷积层；

更换卷积层的卷积计算方式。

5.根据权利要求4所述的可防攻击的活体检测方法，其特征在于，所述更换卷积层的卷积计算方式，包括：使用深度可分离卷积及点可分离卷积的计算方式替代原始卷积计算方式。

6.可防攻击的活体检测装置，其特征在于，包括：图像获取单元，用于获取待检测图像；

人脸检测单元，用于对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；

活体检测单元，用于若是，则将待检测图像输入至活体检测模型内进行活体检测，以得到待检测图像的类别。

7.根据权利要求6所述的可防攻击的活体检测装置，其特征在于，所述装置还包括：模型获取单元，用于通过照片、视频以及真人图像作为样本数据训练基于CAFFE的深度学习模型，以得到活体检测模型。

8.根据权利要求7所述的可防攻击的活体检测装置，其特征在于，所述模型获取单元包括：数据获取子单元，用于获取样本数据；

距离损失函数构建子单元，用于构建人脸和纸张位置的欧式距离损失函数；

交叉熵损失函数获取子单元，用于构建对人脸及纸张进行分类的交叉熵损失函数；

训练子单元，用于采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果；

判断子单元，用于判断所述模型学习结果是否满足设定要求；若是，则将当前的基于CAFFE的深度学习模型作为活体检测模型；若否，则返回所述采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。

10.一种存储介质，其特征在于，所述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可实现如权利要求1至5中任一项所述的方法。

说明书

可防攻击的活体检测方法、装置、计算机设备及存储介质

技术领域

[0001] 本发明涉及活体检测方法，更具体地说是指可防攻击的活体检测方法、装 置、计算机设备及存储介质。

背景技术

[0002] 活体检测是指用户按照系统指示做出相应的动作，防止用户在一些重要环 境下用照片骗过系统完成验证。在用户按照系统提示完成相应动作后，后台对 用户完成的动作进行识别，并提示用户活体检测是否通过。

[0003] 现有的较为准确的活体检测模型，多为动作配合式活体检测，也就是需要 用户根据指示做对应的动作以进行金策，用户体验不佳；现有的静默活体检测 系统准确率较低，只要简单攻击方式就能将系统攻破。活体检测是人脸识别系 统中一个极为重要的步骤，人脸识别已逐渐被用于门禁、考勤、安防等重要的 领域。随着人脸识别的广泛应用，也逐渐出现对人脸识别系统进行攻击的情况， 以提高检测的准确性，常用的攻击方式包括纸张攻击：使用其他人高清照片来 攻击人脸识别系统；手机平板照片手机平板视频攻击：在手机或平板中存有的 照片或者视频对人脸识别系统进行攻击；3D面具攻击：使用3D打印技术打印 其他人的人脸做成头套，戴在头上后对人脸识别系统进行攻击，针对其他人的 照片和视频较容易获取而3D面具获取成本相对极高，因此，目前大多采用纸张 和屏幕攻击活体检测系统，以使得活体检测系统的准确率下降。

[0004] 因此，有必要设计一种新的方法，实现检测过程中防止纸张和屏幕的攻击， 提高活体检测的准确率。

发明内容

[0005] 本发明的目的在于克服现有技术的缺陷，提供可防攻击的活体检测方法、 装置、计算机设备及存储介质。

[0006] 为实现上述目的，本发明采用以下技术方案：可防攻击的活体检测方法， 包括：

[0007] 获取待检测图像；

[0008] 对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；

[0009] 若是，则将待检测图像输入至活体检测模型内进行活体检测，以得到待检 测图像的类别；

[0010] 其中，所述活体检测模型是通过照片、视频以及真人图像作为样本数据训 练基于CAFFE的深度学习模型所得的。

[0011] 其进一步技术方案为：所述活体检测模型是通过照片、视频以及真人图像 作为样本数据训练基于CAFFE的深度学习模型所得的，包括：

[0012] 获取样本数据；

[0013] 构建人脸和纸张位置的欧式距离损失函数；

[0014] 构建对人脸及纸张进行分类的交叉熵损失函数；

[0015] 采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及 纸张进行分类的交叉熵损失函数，以得到模型学习结果；

[0016] 判断所述模型学习结果是否满足设定要求；

[0017] 若是，则将当前的基于CAFFE的深度学习模型作为活体检测模型；

[0018] 若否，则返回所述采用Adam优化算法训练人脸和纸张位置的欧式距离损 失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果。

[0019] 其进一步技术方案为：所述将当前的基于CAFFE的深度学习模型作为活体 检测模型之后，还包括：

[0020] 减少活体检测模型的卷积层数。

[0021] 其进一步技术方案为：所述减少活体检测模型的卷积层数，包括：

[0022] 更换所述活体检测模型的卷积层；

[0023] 更换卷积层的卷积计算方式。

[0024] 其进一步技术方案为：所述更换卷积层的卷积计算方式，包括：

[0025] 使用深度可分离卷积及点可分离卷积的计算方式替代原始卷积计算方式。

[0026] 本发明还提供了可防攻击的活体检测装置，包括：

[0027] 图像获取单元，用于获取待检测图像；

[0028] 人脸检测单元，用于对待检测图像进行人脸检测，以判断待检测图像内是 否有人脸；

[0029] 活体检测单元，用于若是，则将待检测图像输入至活体检测模型内进行活 体检测，以得到待检测图像的类别。

[0030] 其进一步技术方案为：所述装置还包括：

[0031] 模型获取单元，用于通过照片、视频以及真人图像作为样本数据训练基于 CAFFE的深度学习模型，以得到活体检测模型。

[0032] 其进一步技术方案为：所述模型获取单元包括：

[0033] 数据获取子单元，用于获取样本数据；

[0034] 距离损失函数构建子单元，用于构建人脸和纸张位置的欧式距离损失函数；

[0035] 交叉熵损失函数获取子单元，用于构建对人脸及纸张进行分类的交叉熵损 失函数；

[0036] 训练子单元，用于采用Adam优化算法训练人脸和纸张位置的欧式距离损 失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果；

[0037] 判断子单元，用于判断所述模型学习结果是否满足设定要求；若是，则将 当前的基于CAFFE的深度学习模型作为活体检测模型；若否，则返回所述采用 Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及纸张进行分 类的交叉熵损失函数，以得到模型学习结果。

[0038] 本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器， 所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述 的方法。

[0039] 本发明还提供了一种存储介质，所述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可实现上述的方法。

[0040] 本发明与现有技术相比的有益效果是：本发明通过基于大量的样本数据训 练深度学习模型，使得深度学习模型能区分纸张及视频数据与真人的区别，进 而得到活体检测模型，准确输出待检测图像的类别，活体检测更加准确，检测 速度更加快速，模型轻量化使得活体检测模型更容易推广，活体检测模型在室 内、室外逆光、弱光等环境条件下均能非常准确的进行活体检测，可实现检测 过程中防止纸张和屏幕的攻击，提高活体检测的准确率。

[0041] 下面结合附图和具体实施例对本发明作进一步描述。

附图说明

[0042] 为了更清楚地说明本发明实施例技术方案，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的前提下，还可以 根据这些附图获得其他的附图。

[0043] 图1为本发明实施例提供的可防攻击的活体检测方法的应用场景示意图；

[0044] 图2为本发明实施例提供的可防攻击的活体检测方法的流程示意图；

[0045] 图3为本发明实施例提供的可防攻击的活体检测方法的子流程示意图；

[0046] 图4为本发明实施例提供的可防攻击的活体检测方法的子流程示意图；

[0047] 图5为本发明实施例提供的可防攻击的活体检测装置的示意性框图；

[0048] 图6为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

[0049] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部 的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0050] 应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包 含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除 一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添 加。

[0051] 还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施 例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使 用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个” 及“该”意在包括复数形式。

[0052] 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且 包括这些组合。

[0053] 请参阅图1和图2，图1为本发明实施例提供的可防攻击的活体检测方法的 应用场景示意图。图2为本发明实施例提供的可防攻击的活体检测方法的示意 性流程图。该应用场景包括终端和服务器。

[0054] 其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数 字助理和穿戴式设备等电子设备；服务器可以是独立的服务器，也可以是多个 服务器组成的服务器集群。

[0055] 具体地，可根据该可防攻击的活体检测方法开发出活体检测平台和活体检 测App。活体检测平台可安装在服务器中，活体检测App可安装在终端中，利 用终端和服务器的交互完成对用户进行活体检测。

[0056] 图2是本发明实施例提供的可防攻击的活体检测方法的流程示意图。如图2 所示，该方法包括以下步骤S110至S130。

[0057] S110、获取待检测图像。

[0058] 在本实施例中，待检测图像是通过摄像头所获取的图像。

[0059] S120、对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；

[0060] 在本实施例中，具体地，可以采用SSD人脸检测技术、S3FD人脸检测技 术、MTCNN人脸检测技术等进行人脸检测。

[0061] 当有检测到有人脸存在的时候才会对图像数据进行活体检测，若不存在人 脸，则直接返回获取待检测图像的步骤，以进行下一图像的检测。

[0062] S130、若是，则将待检测图像输入至活体检测模型内进行活体检测，以得 到待检测图像的类别。

[0063] 在本实施例中，上述的类别包括真人图像或者假人图像。

[0064] 为了使得活体检测模型能准确的区分真人和纸张或视频，以及减少活体检 测的次数，对待检测图像进行人脸检测，在检测到人脸的基础上再进行活体检 测，以提高检测的准确率和检测速率。

[0065] 更进一步地，所述活体检测模型是通过照片、视频以及真人图像作为样本 数据训练基于CAFFE的深度学习模型所得的。具体包括步骤S131～S137。

[0066] S131、获取样本数据。

[0067] 在本实施例中，样本数据是指真人、手机或平板视频数据以及纸张即照片。 具体地，使用高清摄像头采集超过10万张真人、手机或平板视频数据以及纸张 即照片，作为训练深度学习模型的样本数据，采用真人、手机或平板视频数据 以及纸张即照片作为样本数据进行训练，可实现检测过程中防止纸张和屏幕的 攻击，提高活体检测的准确率。

[0068] S132、构建人脸和纸张位置的欧式距离损失函数；

[0069] S133、构建对人脸及纸张进行分类的交叉熵损失函数。

[0070] S134、采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对 人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果；

[0071] S135、判断所述模型学习结果是否满足设定要求；

[0072] 为使得深度学习模型学习到真人和假人间的区别，构建人脸和纸张位置的 欧式距离损失函数和对人脸及纸张进行分类的交叉熵损失函数，使用Adam优 化算法对该模型进行学习，该深度学习模型在四张TITAN V GPU显卡上使用 Adam算法对损失函数训练一周后达到较为准确的性能，接近于99％。

[0073] S136、若是，则将当前的基于CAFFE的深度学习模型作为活体检测模型。

[0074] 针对纸张和手机或平板视频和真人进行区分，对CAFFE深度学习模型进行 训练，[0075] S137、减少活体检测模型的卷积层数；

[0076] 基于YOLO目标检测结构进行活体检测模型的结构修改和轻量化修改，结 构修改主要通过更换更好的卷积层，且使用深度可分离卷积及点可分离卷积进 行模型轻量化；以便于更好地在移动设备中使用。

[0077] 在一实施例中，请参阅图4，上述的步骤S137包括步骤S1371～S1372。

[0078] S1371、更换所述活体检测模型的卷积层；

[0079] S1372、更换卷积层的卷积计算方式。

[0080] 减少活体检测模型的卷积层数，更改卷积计算的方式使得模型变小，所需 计算量降低，不仅将活体检测模型做到轻量化、速度快，而且对于活体检测有 极高的准确。

[0081] 具体地，是使用深度可分离卷积及点可分离卷积的计算方式替代原始卷积 计算方式，以实现更换卷积层的卷积计算方式，以轻量化整个活体检测模型。

[0082] 使得该活体检测模型具有更加广泛的应用场景，将该活体检测模型部署到 服务器端、PC端以及移动端，使得该活体检测模型能更好的应用于实际生活中。 本方法使得活体检测更加准确，而且该活体检测模型较小，运行速度较快，便 于应用和推广，而且该活体检测模型在较强逆光环境下也能极为准确的进行活 体判断，极强逆光条件下，由于检测不到人脸系统不进行活体检测，也在弱光 的环境下也能进行非常准确的活体判断。

[0083] 若否，则返回所述步骤S134。

[0084] 若否，则返回所述步骤S110。

[0085] 上述的可防攻击的活体检测方法，通过基于大量的样本数据训练深度学习 模型，使得深度学习模型能区分纸张及视频数据与真人的区别，进而得到活体 检测模型，准确输出待检测图像的类别，活体检测更加准确，检测速度更加快 速，模型轻量化使得活体检测模型更容易推广，活体检测模型在室内、室外逆 光、弱光等环境条件下均能非常准确的进行活体检测，可实现检测过程中防止 纸张和屏幕的攻击，提高活体检测的准确率。

[0086] 图5是本发明实施例提供的一种可防攻击的活体检测装置300的示意性框 图。如图5所示，对应于以上可防攻击的活体检测方法，本发明还提供一种可 防攻击的活体检测装置300。该可防攻击的活体检测装置300包括用于执行上述 可防攻击的活体检测方法的单元，该装置可以服务器以及终端中。

[0087] 具体地，请参阅图5，该可防攻击的活体检测装置300包括：

[0088] 图像获取单元301，用于获取待检测图像；

[0089] 人脸检测单元302，用于对待检测图像进行人脸检测，以判断待检测图像内 是否有人脸；

[0090] 活体检测单元303，用于若是，则将待检测图像输入至活体检测模型内进行 活体检测，以得到待检测图像的类别。

[0091] 在一实施例中，上述的装置还包括：

[0092] 模型获取单元，用于通过照片、视频以及真人图像作为样本数据训练基于 CAFFE的深度学习模型，以得到活体检测模型。

[0093] 在一实施例中，所述模型获取单元，包括：

[0094] 数据获取子单元，用于获取样本数据；

[0095] 距离损失函数构建子单元，用于构建人脸和纸张位置的欧式距离损失函数；

[0096] 交叉熵损失函数获取子单元，用于构建对人脸及纸张进行分类的交叉熵损 失函数；

[0097] 训练子单元，用于采用Adam优化算法训练人脸和纸张位置的欧式距离损 失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果；

[0098] 判断子单元，用于判断所述模型学习结果是否满足设定要求；若是，则将 当前的基于CAFFE的深度学习模型作为活体检测模型；若否，则返回所述采用 Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及纸张进行分 类的交叉熵损失函数，以得到模型学习结果。

[0099] 在一实施例中，上述的模型获取单元还包括：

[0100] 卷积层数减少子单元，用于减少活体检测模型的卷积层数；

[0101] 在一实施例中，所述卷积层数减少子单元包括：

[0102] 卷积层更换模块，用于更换所述活体检测模型的卷积层；

[0103] 计算方式更换模块，用于更换卷积层的卷积计算方式。

[0104] 需要说明的是，所属领域的技术人员可以清楚地了解到，上述可防攻击的 活体检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相 应描述，为了描述的方便和简洁，在此不再赘述。

[0105] 上述可防攻击的活体检测装置300可以实现为一种计算机程序的形式，该 计算机程序可以在如图6所示的计算机设备上运行。

[0106] 请参阅图6，图6是本申请实施例提供的一种计算机设备的示意性框图。该 计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、 平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功 能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务 器集群。

[0107] 参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存 储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器 504。

[0108] 该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算 机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种 可防攻击的活体检测方法。

[0109] 该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运 行。

[0110] 该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供 环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种可 防攻击的活体检测方法。

[0111] 该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解， 图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对 本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可 以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部 件布置。

[0112] 其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实 现如下步骤：

[0113] 获取待检测图像；

[0114] 对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；

[0115] 若是，则将待检测图像输入至活体检测模型内进行活体检测，以得到待检 测图像的类别；

[0116] 其中，所述活体检测模型是通过照片、视频以及真人图像作为样本数据训 练基于CAFFE的深度学习模型所得的。

[0117] 在一实施例中，处理器502在实现所述活体检测模型是通过照片、视频以 及真人图像作为样本数据训练基于CAFFE的深度学习模型所得的步骤时，具体 实现如下步骤：

[0118] 在一实施例中，处理器502在实现所述活体检测模型是通过照片、视频以 及真人图像作为样本数据训练基于CAFFE的深度学习模型所得的步骤时，具体 实现如下步骤：

[0119] 获取样本数据；

[0120] 构建人脸和纸张位置的欧式距离损失函数；

[0121] 构建对人脸及纸张进行分类的交叉熵损失函数；

[0122] 采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及 纸张进行分类的交叉熵损失函数，以得到模型学习结果；

[0123] 判断所述模型学习结果是否满足设定要求；

[0124] 若是，则将当前的基于CAFFE的深度学习模型作为活体检测模型；

[0125] 若否，则返回所述采用Adam优化算法训练人脸和纸张位置的欧式距离损失 函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果。

[0126] 在一实施例中，处理器502在实现所述将当前的基于CAFFE的深度学习模 型作为活体检测模型步骤之后，还实现如下步骤：

[0127] 减少活体检测模型的卷积层数。

[0128] 在一实施例中，处理器502在实现所述减少活体检测模型的卷积层数步骤 时，具体实现如下步骤：

[0129] 更换所述活体检测模型的卷积层；

[0130] 更换卷积层的卷积计算方式。

[0131] 在一实施例中，处理器502在实现所述更换卷积层的卷积计算方式步骤时， 具体实现如下步骤：

[0132] 使用深度可分离卷积及点可分离卷积的计算方式替代原始卷积计算方式。

[0133] 应当理解，在本申请实施例中，处理器502可以是中央处理单元(Central Processing Unit，CPU)，该处理器502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。其中， 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。

[0134] 本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分 流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程 序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介 质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的 实施例的流程步骤。

[0135] 因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介 质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理 器执行如下步骤：

[0136] 获取待检测图像；

[0137] 对待检测图像进行人脸检测，以判断待检测图像内是否有人脸；

[0138] 若是，则将待检测图像输入至活体检测模型内进行活体检测，以得到待检 测图像的类别；

[0139] 其中，所述活体检测模型是通过照片、视频以及真人图像作为样本数据训 练基于CAFFE的深度学习模型所得的。

[0140] 在一实施例中，所述处理器在执行所述计算机程序而实现所述活体检测模 型是通过照片、视频以及真人图像作为样本数据训练基于CAFFE的深度学习模 型所得的步骤时，具体实现如下步骤：

[0141] 获取样本数据；

[0142] 构建人脸和纸张位置的欧式距离损失函数；

[0143] 构建对人脸及纸张进行分类的交叉熵损失函数；

[0144] 采用Adam优化算法训练人脸和纸张位置的欧式距离损失函数、对人脸及 纸张进行分类的交叉熵损失函数，以得到模型学习结果；

[0145] 判断所述模型学习结果是否满足设定要求；

[0146] 若是，则将当前的基于CAFFE的深度学习模型作为活体检测模型；

[0147] 若否，则返回所述采用Adam优化算法训练人脸和纸张位置的欧式距离损 失函数、对人脸及纸张进行分类的交叉熵损失函数，以得到模型学习结果。

[0148] 在一实施例中，所述处理器在执行所述计算机程序而实现所述将当前的基 于CAFFE的深度学习模型作为活体检测模型步骤之后，还实现如下步骤：

[0149] 减少活体检测模型的卷积层数。

[0150] 在一实施例中，所述处理器在执行所述计算机程序而实现所述减少活体检 测模型的卷积层数步骤时，具体实现如下步骤：

[0151] 更换所述活体检测模型的卷积层；

[0152] 更换卷积层的卷积计算方式。

[0153] 在一实施例中，所述处理器在执行所述计算机程序而实现所述更换卷积层 的卷积计算方式步骤时，具体实现如下步骤：

[0154] 使用深度可分离卷积及点可分离卷积的计算方式替代原始卷积计算方式。

[0155] 所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory， ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

[0156] 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、计算机软件或者二者的结合来实现， 为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地 描述了各示例的组成及步骤。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。

[0157] 在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，各个单元的划分，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系统，或一些特 征可以忽略，或不执行。

[0158] 本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。 本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。

[0159] 该集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质 上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软 件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干 指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等) 执行本发明各个实施例所述方法的全部或部分步骤。

[0160] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到 各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。 因此，本发明的保护范围应以权利要求的保护范围为准。