基于神经网络的多通道人脸活体检测方法及装置

摘要

本发明涉及基于神经网络的多通道人脸活体检测方法及装置，其人脸活体识别模型不仅同时输入X个人脸放大图和Y个人脸细节图至X+Y个通道，还通过叠加组合考虑二者的融合，得到X+Y+Z个人脸活体识别不确定度，并判定待检测人脸图像是否为活体。由于同时考虑了X个人脸放大图和Y个人脸细节图，以及二者内部特征的叠加组合，使得融合后的特征包含了全局和局部信息，更有利于后续分类判别；另外使得在人脸活体识别模型的训练学习中，梯度回传会促进并行的X+Y个通道的分类能力；相较于现有技术，人脸活体识别精度和准确性更高，能进一步预防照片、视频、3D等各种形式的非生物活体攻击，进一步保障人身财产安全。

权利要求

1.一种基于神经网络的多通道人脸活体检测方法，其特征在于，包括：获取N个待训练人脸图像；

处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图；

构造用于学习人脸活体识别不确定度的人脸活体识别模型；所述人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输入Y个人脸细节图；

依次将所述N个待训练人脸图像的X个人脸放大图和Y个人脸细节图分别输入所述人脸活体识别模型的X+Y个通道，输出对应每个待训练人脸图像的X+Y+Z个人脸活体识别不确定度，并通过人脸活体识别不确定性回归损失，确定训练好的人脸活体识别模型；

获取待检测人脸图像；

处理所述待检测人脸图像得到所述待检测人脸图像的X个人脸放大图和Y个人脸细节图；

将所述待检测人脸图像的X个人脸放大图和Y个人脸细节图输入所述训练好的人脸活体识别模型，输出对应所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度；

根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像是否为活体；

其中，N代表所述待训练人脸图像的样本个数；X代表所述人脸放大图的选取个数；Y代表所述人脸细节图的选取个数；Z代表人脸放大图和人脸细节图的组合的选取个数；

处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图的步骤，包括：

检测所述N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

选取X个放大系数，根据所述X个放大系数将每个待训练人脸图像的边框区域分别放大相应倍数得到每个待训练人脸图像的X个放大的边框区域；

重塑每个待训练人脸图像的X个放大的边框区域至预设规格，得到每个待训练人脸图像的X个人脸放大图；

处理所述N个待训练人脸图像，得到每个待训练人脸图像的人脸细节图的步骤，包括：检测所述N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

在每个待训练人脸图像的边框区域上选定预设数量的关键点；

以所述关键点为中心截取预设宽高的区块图，并选取所述区块图拼接为对应每个待训练人脸图像的Y个人脸细节图。

2.根据权利要求1所述的多通道人脸活体检测方法，其特征在于，所述人脸活体识别模型，用于根据输入的X个人脸放大图输出X个人脸活体识别不确定度；根据输入的Y个人脸细节图输出Y个人脸活体识别不确定度；根据输入的X个人脸放大图和Y个人脸细节图中的至少两个组合的元素叠加，输出Z个人脸活体识别不确定度。

3.根据权利要求1‑2任意一项所述的多通道人脸活体检测方法，其特征在于，还包括：在所述待检测人脸图像为非活体时，根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像的攻击类型。

4.一种基于神经网络的多通道人脸活体检测装置，其特征在于，包括：第一获取模块，用于获取N个待训练人脸图像；

第一处理模块，与所述第一处理模块连接，用于处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图；

构造模块，用于构造用于学习人脸活体识别不确定度的人脸活体识别模型；所述人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输入Y个人脸细节图；

训练模块，与所述第一处理模块和所述构造模块连接，用于依次将所述N个待训练人脸图像的X个人脸放大图和Y个人脸细节图分别输入所述人脸活体识别模型的X+Y个通道，输出对应每个待训练人脸图像的X+Y+Z个人脸活体识别不确定度，并通过人脸活体识别不确定性回归损失，确定训练好的人脸活体识别模型；

第二获取模块，用于获取待检测人脸图像；

第二处理模块，与所述第二获取模块连接，用于处理所述待检测人脸图像得到所述待检测人脸图像的X个人脸放大图和Y个人脸细节图；

检测模块，与所述第二处理模块和所述训练模块连接，用于将所述待检测人脸图像的X个人脸放大图和Y个人脸细节图输入所述训练好的人脸活体识别模型，输出对应所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度；

判断模块，与所述检测模块连接，用于根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像是否为活体；

其中，N代表所述待训练人脸图像的样本个数；X代表所述人脸放大图的选取个数；Y代表所述人脸细节图的选取个数；Z代表人脸放大图和人脸细节图的组合的选取个数；

所述第一处理模块，包括：

检测单元，用于检测所述N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

放大单元，与所述检测单元连接，用于选取X个放大系数，根据所述X个放大系数将每个待训练人脸图像的边框区域分别放大相应倍数得到每个待训练人脸图像的X个放大的边框区域；

重塑单元，与所述放大单元连接，用于重塑每个待训练人脸图像的X个放大的边框区域至预设规格，得到每个待训练人脸图像的X个人脸放大图；

关键点选取单元，与所述检测单元连接，用于在每个待训练人脸图像的边框区域上选定预设数量的关键点；

拼接单元，与所述关键点选取单元连接，用于以所述关键点为中心截取预设宽高的区块图，并选取所述区块图拼接为对应每个待训练人脸图像的Y个人脸细节图。

5.一种终端设备，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，所述计算机程序用于实现权利要求1‑3任意一项所述的多通道人脸活体检测方法。

6.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序用于实现权利要求1‑3任意一项所述的多通道人脸活体检测方法。

说明书

基于神经网络的多通道人脸活体检测方法及装置

技术领域

[0001] 本发明涉及深度神经网络，特别是涉及一种基于神经网络的多通道人脸活体检测方法、装置、终端设备和计算机可读介质。

背景技术

[0002] 人脸，作为人类最具影响力的生物特征，已广泛应用于认证系统的各行各业（大到机密场合的门禁系统、商务系统、支付系统、刑事鉴定，小到手机、电脑等终端设备的登录解
锁）。尤其是，随着近年来人工智能技术、计算机技术、图像识别技术等的快速发展，人脸识
别和人脸检测的准确性有了大大提高，但是如果无法判别输入人脸是否为人脸生物学活
体，则很容易被不法分子攻击，造成严重的人身财产损失。

[0003] 据不完全统计，常见的人脸非活体攻击形式，主要包括：照片攻击(纸质照片、电子照片)、视频回放攻击、3D攻击（面具、头模）等。因此，引入人脸活体检测技术，即识别出成像
设备(摄像头、手机等)上检测到的人脸图像是来自真实的人脸，还是某种形式的攻击或伪
装，对于人脸应用于认证系统的各行各业，有着至关重要的作用。

[0004] 现有的人脸活体检测方法包括基于交互（眨眼、张嘴、点头、摇动等）的活体检测、基于立体性（立体角度、阴影等）的活体检测、基于亚表面（皮肤纹理、活性、血色等）的活体
检测和基于深度学习神经网络的活体检测。

[0005] 但是，基于交互的活体检测，需要用户根据交互类型而做相应动作配合，能避免照片和静止的3D攻击，但是无法避免视频回放和动态的3D攻击；基于立体性和亚表面的活体
检测，虽然考虑了人脸的立体、阴影、皮肤纹理等细节，但是随着人脸非活体攻击的越发逼
真，准确率有所下降。所以，基于深度学习神经网络的活体检测方法因其鲁棒性和检测精
度，应用最为广泛。

[0006] 但是，现有基于深度学习神经网络的人脸活体检测方法的检测精度仍待提升，如何提供一种高精度、高准确性的人脸活体检测方法，是目前人脸识别之前亟待解决的一个
重要技术问题。

发明内容

[0007] 基于此，有必要针对现有人脸活体检测技术中检测精度有待提高的技术问题，提供一种基于神经网络的多通道人脸活体检测方法，包括：

[0008] 获取N个待训练人脸图像；

[0009] 处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图；

[0010] 构造用于学习人脸活体识别不确定度的人脸活体识别模型；所述人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输入Y个人脸细节
图；

[0011] 依次将所述N个待训练人脸图像的X个人脸放大图和Y个人脸细节图分别输入所述人脸活体识别模型的X+Y个通道，输出对应每个待训练人脸图像的X+Y+Z个人脸活体识别不
确定度，并通过人脸活体识别不确定性回归损失，确定训练好的人脸活体识别模型；

[0012] 获取待检测人脸图像；

[0013] 处理所述待检测人脸图像得到所述待检测人脸图像的X个人脸放大图和Y个人脸细节图；

[0014] 将所述待检测人脸图像的X个人脸放大图和Y个人脸细节图输入所述训练好的人脸活体识别模型，输出对应所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度；

[0015] 根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像是否为活体；

[0016] 其中，N代表所述待训练人脸图像的样本个数；X代表所述人脸放大图的选取个数；Y代表所述人脸细节图的选取个数；Z代表人脸放大图和人脸细节图的组合的选取个数；
。

[0017] 进一步地，处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图的步骤，包括：

[0018] 检测所述N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

[0019] 选取X个放大系数，根据所述X个放大系数将每个待训练人脸图像的边框区域分别放大相应倍数得到每个待训练人脸图像的X个放大的边框区域；

[0020] 重塑每个待训练人脸图像的X个放大的边框区域至预设规格，得到每个待训练人脸图像的X个人脸放大图。

[0021] 进一步地，处理所述N个待训练人脸图像，得到每个待训练人脸图像的人脸细节图的步骤，包括：

[0022] 检测所述N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

[0023] 在每个待训练人脸图像的边框区域上选定预设数量的关键点；

[0024] 以所述关键点为中心截取预设宽高的区块图，并选取所述区块图拼接为对应每个待训练人脸图像的Y个人脸细节图。

[0025] 进一步地，所述人脸活体识别模型，用于根据输入的X个人脸放大图输出X个人脸活体识别不确定度；根据输入的Y个人脸细节图输出Y个人脸活体识别不确定度；根据输入
的X个人脸放大图和Y个人脸细节图中的至少两个组合的元素叠加，输出Z个人脸活体识别
不确定度。

[0026] 进一步地，多通道人脸活体检测方法，还包括：

[0027] 在所述待检测人脸图像为非活体时，根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像的攻击类型。

[0028] 进一步地，本发明还提供一种基于神经网络的多通道人脸活体检测装置，包括：

[0029] 第一获取模块，用于获取N个待训练人脸图像；

[0030] 第一处理模块，与所述第一处理模块连接，用于处理所述N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图；

[0031] 构造模块，用于构造用于学习人脸活体识别不确定度的人脸活体识别模型；所述人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输
入Y个人脸细节图；

[0032] 训练模块，与所述第一处理模块和所述构造模块连接，用于依次将所述N个待训练人脸图像的X个人脸放大图和Y个人脸细节图分别输入所述人脸活体识别模型的X+Y个通
道，输出对应每个待训练人脸图像的X+Y+Z个人脸活体识别不确定度，并通过人脸活体识别
不确定性回归损失，确定训练好的人脸活体识别模型；

[0033] 第二获取模块，用于获取待检测人脸图像；

[0034] 第二处理模块，与所述第二获取模块连接，用于处理所述待检测人脸图像得到所述待检测人脸图像的X个人脸放大图和Y个人脸细节图；

[0035] 检测模块，与所述第二处理模块和所述训练模块连接，用于将所述待检测人脸图像的X个人脸放大图和Y个人脸细节图输入所述训练好的人脸活体识别模型，输出对应所述
待检测人脸图像的X+Y+Z个人脸活体识别不确定度；

[0036] 判断模块，与所述检测模块连接，用于根据所述待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定所述待检测人脸图像是否为活体；

[0037] 其中，N代表所述待训练人脸图像的样本个数；X代表所述人脸放大图的选取个数；Y代表所述人脸细节图的选取个数；Z代表人脸放大图和人脸细节图的组合的选取个数；
。

[0038] 进一步地，所述第一处理模块，包括：

[0039] 检测单元，用于检测所述N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

[0040] 放大单元，与所述检测单元连接，用于选取X个放大系数，根据所述X个放大系数将每个待训练人脸图像的边框区域分别放大相应倍数得到每个待训练人脸图像的X个放大的
边框区域；

[0041] 重塑单元，与所述放大单元连接，用于重塑每个待训练人脸图像的X个放大的边框区域至预设规格，得到每个待训练人脸图像的X个人脸放大图。

[0042] 进一步地，所述第一处理模块，还包括：

[0043] 关键点选取单元，与所述检测单元连接，用于在每个待训练人脸图像的边框区域上选定预设数量的关键点；

[0044] 拼接单元，与所述关键点选取单元连接，用于以所述关键点为中心截取预设宽高的区块图，并选取所述区块图拼接为对应每个待训练人脸图像的Y个人脸细节图。

[0045] 进一步地，本发明还提供一种终端设备，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，所述计算机程序用于实现上述任意的多通道
人脸活体检测方法。

[0046] 进一步地，本发明还提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序用于实现上述任意的多通道人脸活体检测方法。

[0047] 本发明提供的多通道人脸活体检测方法中，人脸活体识别模型包括X+Y个通道，不仅同时输入X个人脸放大图和Y个人脸细节图至X+Y个通道，还通过叠加组合考虑二者的元
素融合，得到X+Y+Z个人脸活体识别不确定度，并以此判定待检测人脸图像是否为活体。由
于同时考虑了X个人脸放大图和Y个人脸细节图，以及二者内部特征的叠加组合，一方面使
得融合后的特征包含了全局（人脸放大图）和局部（人脸细节图）的信息，更有利于后续分类
判别；另一方面使得在人脸活体识别模型的训练学习中，梯度回传会促进并行的X+Y个通道
的分类能力。因此，本发明的基于神经网络的多通道人脸活体检测方法相较于现有技术，人
脸活体识别精度和准确性更高，能进一步预防照片、视频、3D等各种形式的非生物活体攻
击，进一步提高认证系统的安保性，保障人身财产安全。

附图说明

[0048] 图1为本发明多通道人脸活体检测方法的一个实施例的流程图；

[0049] 图2为本发明人脸细节图的一个实施例的示意图；

[0050] 图3为本发明多通道人脸活体检测方法的一个实施例的子流程图；

[0051] 图4为本发明人脸细节图的另一个实施例的示意图；

[0052] 图5为本发明人脸活体识别模型的一个实施例的框图；

[0053] 图6至图9为本发明人脸活体识别模型中特征提取主网的4个实施例的框图；

[0054] 图10为本发明人脸活体识别模型中分类判别支网的一个实施例的框图；

[0055] 图11为本发明多通道人脸活体检测装置的一个实施例的框图；

[0056] 图12为本发明多通道人脸活体检测装置的第一处理模块的一个实施例的框图。

具体实施方式

[0057] 如图1所示，为提高现有人脸活体检测的精度和准确性，本发明提供了一种基于神经网络的多通道人脸活体检测方法，包括：

[0058] S1：获取N个待训练人脸图像（如图2所示的一个人脸图像）。具体的，该步骤S1，可选但不仅限于从RGB、红外传感器、相机、摄像头等图像采集设备或图像存储库中获取待训
练人脸图像。该数量N，可选但不仅限于为待训练人脸图像的总数或待训练人脸图像的子样
本总数。

[0059] S2：处理N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图。值得注意的，1、X、Y数量越大，则所需的待训练人脸图像的样本个数将越大，后续
人脸活体识别模型的计算势必将更复杂，对设备要求更高、所需时间也更多，但是其结
果——人脸活体识别精度也将更高。因此，X、Y的具体数值，可根据用户当前认证系统所需
的人脸活体识别精度而灵活的权衡设定。2、该人脸放大图所放大的具体倍数，优选为1‑5
倍，以抓取人脸中间的关键部分。

[0060] 具体的，如图3所示，该步骤S2，可选但不仅限于包括：

[0061] S21：（利用人脸检测器）检测N个待训练人脸图像，获取每个待训练人脸图像的边框区域（bounding‑box）（如图2所示的最大方框）；

[0062] S22：选取X个放大系数，根据X个放大系数将每个待训练人脸图像的边框区域分别放大相应倍数得到每个待训练人脸图像的X个放大的边框区域；

[0063] S23：重塑每个待训练人脸图像的X个放大的边框区域至预设规格，得到每个待训练人脸图像的X个人脸放大图；

[0064] S24：在每个待训练人脸图像的边框区域上选定预设数量的关键点；

[0065] S25：以关键点为中心截取预设宽高的区块图，并选取该区块图拼接为对应每个待训练人脸图像的Y个人脸细节图。具体的，可选但不仅限于利用landMark检测器获取（68个）
人脸关键点，并选定额头中心、左眼瞳孔中心、右眼瞳孔中心、鼻尖、嘴巴中心、以及边框区
域的四个角为9个关键点，并以此为中心截取预设宽高的区块图（如图2所示），或直接选定
待训练人脸图像的边框区域的四个角、横纵中心点及四条边的中心点为9个关键点，并以此
为中心截取预设宽高的区块图（如图4所示），最终拼接为人脸细节图。更为具体的，关键点
的具体选定方式及数量、区块图的具体选定方式及数量、以及拼接形成的人脸细节图的具
体数量均可根据用户的人脸活体识别精度而灵活设定。值得注意的，步骤S22、S23和步骤
S24、S25的具体形式以及执行步骤仅以上述为例，并不以此示例为限。

[0066] S3：构造用于学习人脸活体识别不确定度的人脸活体识别模型，该人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输入Y个人脸细节
图。具体的，如图5所示，以X=2、Y=1为例，根据步骤S21‑S23，针对每个待训练人脸图像，获取
1.2倍和2倍的人脸放大图分别输入图5所示的Input1和Input2中（值得注意的，人脸放大图
的具体数量X及放大倍数可任意设定，并不以此为限，当有X个人脸放大图时，即可将他们输
入Input1至InputX），同时根据步骤S21、S24‑S25获取1个人脸细节图输入图5所示的Input3
（Input1至InputY）中，再经过虚线框所示的识别模型，学习得到人脸活体识别不确定度。更
为优选的，为方便数据发送以及增加用户体验，X个人脸放大图和Y个人脸细节图可分别直
接输入X+Y个通道，也可如图5上端所示的，打包发送，再通过channel split按通道划分至X
+Y个通道。

[0067] S4：依次将N个待训练人脸图像的X个人脸放大图和人脸细节图分别输入人脸活体识别模型的X+Y个通道，输出对应每个待训练人脸图像的X+Y+Z个人脸活体识别不确定度，
并通过人脸活体识别不确定性回归损失，最终确定训练好的人脸活体识别模型。具体的，以
X=2、Y=1、Z=1为例，如图5所示，将2个人脸放大图和1个人脸细节图分别输入Input1‑Input3，
经若干层级的特征提取主网（如图5示例的Block框）提取特征，再经分类判别支网（如图5示
例的Head框），得到人脸活体识别不确定度Head1‑Head（3 当有X个人脸放大图、Y个人脸细节
图时，则可得到Head1‑HeadX+Y），并将相同维度的元素叠加组合形成Add 通道（如图5示例的
Add），同样的得到人脸活体识别不确定度Head（4 值得注意的，相同维度的元素叠加可以是X
个人脸放大图和Y个人脸细节图的相

[0068] 同维度的至少两个任意元素的叠加组合，组合种类 。

[0069] 以X=2、Y=1为例，该组合有4种（ ）组合方式，即选取2个人脸放大图叠加组合（种类1）、选取2个人脸放大图的任意一个和1个人脸细节图叠加组合（种类2、3），选取2个
人脸放大图和1个人脸细节图叠加组合（种类4，也就是图5示例的实施方式）。

[0070] 当选取X个人脸放大图、Y个人脸细节图、Z个叠加组合时，则可得到Head1至HeadX+Y+Z，进而以公式（1）作为人脸活体识别不确定性回归损失，训练人脸活体识别模型，最
终确定训练好的人脸活体识别模型。

[0071]  H=K1Head1…+KX HeadX+ KX+1HeadX+1…+KX+Y HeadX+Y+ KX+Y+1 Head X+Y+1… K X+Y+Z Head X+Y+（Z 1）

[0072] 其中，H代表人脸活体识别不确定回归损失，K1至KX代表X个人脸放大图的人脸活体识别不确定度的权重系数，Head1至HeadX代表X个人脸放大图的人脸活体识别不确定度，KX+1
至KX+Y代表Y个人脸细节图的人脸活体识别不确定度的权重系数，HeadX+1至HeadX+Y代表Y个
人脸细节图的人脸活体识别不确定度，KX+Y+1至KX+Y+Z代表X个人脸放大图和Y个人脸细节图
的元素叠加的人脸活体识别不确定度的权重系数，Head X+Y+1至Head X+Y+Z代表X个人脸放大
图和Y个人脸细节图的元素叠加的人脸活体识别不确定度。

[0073] 更为具体的，特征提取主网（如图5示例的Block框）的内部结构、卷积层数量可任意设定，其中的任意一个Block框，可选但不仅限于采用图6至图9为例的单卷积层或多卷积
层叠加，唯一需要确保的是，同层级的Block框后的元素必须是相同维数，以确保后续Add通
道能够完成元素叠加。同样的，分类判别支网（如图5示例的Head框）的具体结构、卷积层数
量可任意设定，可选但不仅限于采用图10为例的连接层，输出两分类值，判定为活体或非活
体，还可接softMax层转为概率输出。更为优选的，分类判别支网还可选但不仅限于输出多
分类值，在判定人脸图像为非活体的基础上，具体判定非活体的具体类型，属于照片攻击、
视频攻击或者3D攻击的哪一种。

[0074] S5：获取待检测人脸图像。具体的，步骤S5与步骤S1类似的，可选但不仅限于从RGB、红外传感器、相机、摄像头等图像采集设备或图像存储库中获取待检测人脸图像。

[0075] S6：处理待检测人脸图像得到待检测人脸图像的X个人脸放大图和Y个人脸细节图。具体的，步骤S6与步骤S2类似，具体方法步骤在此不再赘述。

[0076] S7：将待检测人脸图像的X个人脸放大图和Y个人脸细节图输入训练好的人脸活体识别模型，输出对应待检测人脸图像的X+Y+Z个人脸活体识别不确定度。具体的，步骤S7与
步骤S4类似，具体方法步骤在此不再赘述。

[0077] S8：根据待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定待检测人脸图像是否为活体。更为具体的，步骤S8，优选为在判定待检测人脸图像为非活体时，进一步判定
为哪种攻击类型，如照片攻击(纸质照片、电子照片)、视频回放攻击、3D攻击（面具、头模）
等。

[0078] 本发明提供的多通道人脸活体检测方法中，人脸活体识别模型包括X+Y个通道，不仅同时输入X个人脸放大图和Y个人脸细节图至X+Y个通道，还通过叠加组合考虑二者的元
素融合，得到X+Y+Z个人脸活体识别不确定度，并以此判定待检测人脸图像是否为活体。由
于同时考虑了X个人脸放大图和Y个人脸细节图，以及二者内部特征的叠加组合，一方面使
得融合后的特征包含了全局（人脸放大图）和局部（人脸细节图）的信息，更有利于后续分类
判别；另一方面使得在人脸活体识别模型的训练学习中，梯度回传会促进并行的X+Y个通道
的分类能力。因此，本发明的基于神经网络的多通道人脸活体检测方法相较于现有技术，人
脸活体识别精度和准确性更高，能进一步预防照片、视频、3D等各种形式的非生物活体攻
击，进一步提高认证系统的安保性，保障人身财产安全。

[0079] 进一步地，如图11所示，本发明在该人脸活体检测方法的基础上，还提供一种基于神经网络的多通道人脸活体检测装置，包括：

[0080] 第一获取模块10，用于获取N个待训练人脸图像；

[0081] 第一处理模块20，与第一处理模块连接，用于处理N个待训练人脸图像，得到每个待训练人脸图像的X个人脸放大图和Y个人脸细节图；

[0082] 构造模块30，用于构造用于学习人脸活体识别不确定度的人脸活体识别模型；人脸活体识别模型包括X+Y个通道，其中X个通道用于输入X个人脸放大图；Y个通道用于输入Y
个人脸细节图；

[0083] 训练模块40，与第一处理模块和构造模块连接，用于依次将N个待训练人脸图像的X个人脸放大图和Y个人脸细节图分别输入人脸活体识别模型的X+Y个通道，输出对应每个
待训练人脸图像的X+Y+Z个人脸活体识别不确定度，并通过人脸活体识别不确定性回归损
失，确定训练好的人脸活体识别模型；

[0084] 第二获取模块50，用于获取待检测人脸图像；

[0085] 第二处理模块60，与第二获取模块连接，用于处理待检测人脸图像得到待检测人脸图像的X个人脸放大图和Y个人脸细节图；

[0086] 检测模块70，与第二处理模块和训练模块连接，用于将待检测人脸图像的X个人脸放大图和Y个人脸细节图输入训练好的人脸活体识别模型，输出对应待检测人脸图像的X+Y
+Z个人脸活体识别不确定度；

[0087] 判断模块80，与检测模块连接，用于根据待检测人脸图像的X+Y+Z个人脸活体识别不确定度，判定待检测人脸图像是否为活体；

[0088] 其中，N代表待训练人脸图像的样本个数；X代表人脸放大图的选取个数；Y代表人脸细节图的选取个数；Z代表人脸放大图和人脸细节图的组合的选取个数； 。

[0089] 优选的，如图12所示，第一处理模块20，包括：

[0090] 检测单元21，用于检测N个待训练人脸图像，获取每个待训练人脸图像的边框区域；

[0091] 放大单元22，与检测单元连接，用于选取X个放大系数，根据X个放大系数将每个待训练人脸图像的边框区域分别放大相应倍数得到每个待训练人脸图像的X个放大的边框区
域；

[0092] 重塑单元23，与放大单元连接，用于重塑每个待训练人脸图像的X个放大的边框区域至预设规格，得到每个待训练人脸图像的X个人脸放大图。

[0093] 更为优选的，第一处理模块，还包括：

[0094] 关键点选取单元24，与检测单元连接，用于在每个待训练人脸图像的边框区域上选定预设数量的关键点；

[0095] 拼接单元25，与关键点选取单元连接，用于以关键点为中心截取预设宽高的区块图，并选取区块图拼接为对应每个待训练人脸图像的Y个人脸细节图。

[0096] 进一步地，本发明还提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该计算机程序用于实现上述任意的多通道人脸活体检
测方法。

[0097] 进一步地，本发明还提供一种计算机可读介质，存储有计算机程序，该计算机程序用于实现上述任意的多通道人脸活体检测方法。

[0098] 值得注意的，上述多通道人脸活体检测装置、终端设备及计算机可读介质均与上述多通道人脸活体检测方法对应，其各模块及整个系统的具体实现形式、优选替代方案、功
能作用和有益效果均与该方法相对应，在此不再赘述。

[0099] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存
在矛盾，都应当认为是本说明书记载的范围。

[0100] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护
范围。因此，本发明专利的保护范围应以所附权利要求为准。