(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210745308.3 (22)申请日 2022.06.27 (71)申请人 平安银行股份有限公司 地址 518000 广东省深圳市罗湖区深南 东 路5047号 (72)发明人 洪叁亮　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 刘秋月 (51)Int.Cl. G06V 40/16(2022.01) G06V 40/40(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06F 21/32(2013.01)G06N 3/04(2006.01) G06Q 40/02(2012.01) G06Q 40/08(2012.01) (54)发明名称 基于人脸图像的活体检测方法、 装置及服务 器 (57)摘要 本发明提供了一种基于人脸图像的活体检 测方法、 装置及服务器， 涉及图像检测的技术领 域， 该方法包括： 提取待检测图像中的人脸区域； 对人脸区域中的人脸图像进行关键点定位， 生成 每个关键点的标识信息； 根据标识信息在待检测 图像对应的深度图像中提取人脸图像包含鼻子 区域和脸颊区域的关键区域； 分别计算鼻子区域 和脸颊区域的像素灰度均值 以及鼻子区域和脸 颊区域的像素灰度均值的差值； 根据差值确定待 检测图像是否为对活体目标采集的图像。 本发明 提供的基于人脸图像的活体检测方法、 装置及服 务器， 充分利用了鼻子区域和脸颊区域之间的像 素灰度均值的差值， 从而达到辅助人脸活体检测 的目的， 有助于有效拦截假脸的同时， 也进一步 提高了真人通过率。 权利要求书3页 说明书11页 附图4页 CN 115100714 A 2022.09.23 CN 115100714 A 1.一种基于人脸图像的活体 检测方法， 其特 征在于， 包括： 获取待检测图像， 提取 所述待检测图像中的人脸区域； 对所述人脸区域中包含的人脸图像进行关键点定位， 生成每个所述关键点的标识信 息； 根据所述标识信息在所述待检测图像对应的深度图像中提取所述人脸图像包含的多 个关键区域， 所述关键区域包括鼻子区域和脸颊区域； 分别计算所述鼻子区域的像素 灰度均值和所述 脸颊区域的像素 灰度均值； 计算所述鼻子区域的像素 灰度均值和所述 脸颊区域的像素 灰度均值的差值； 根据所述差值确定所述待检测图像是否为对活体目标采集的图像。 2.根据权利要求1所述的方法， 其特征在于， 根据 所述差值确定所述待检测图像是否为 对活体目标采集的图像的步骤， 包括： 如果所述差值大于预设的差值阈值， 则确定所述待检测图像为对活体目标采集的图 像； 如果所述差值小于预设的差值阈值， 则确定所述待检测图像为对非活体目标采集的图 像。 3.根据权利要求1所述的方法， 其特征在于， 提取所述待检测图像中的人脸区域的步 骤， 包括： 提取所述待检测图像中的人脸检测框； 在所述人脸检测框中裁 剪出所述人脸区域。 4.根据权利要求1所述的方法， 其特征在于， 对所述人脸 区域中包含的人脸图像进行关 键点定位， 生成每 个所述关键点的标识信息的步骤， 包括： 将所述人脸区域输入至预先训练好的人脸关键点网络模型， 基于所述人脸关键点网络 模型输出每 个关键点的标识信息； 其中， 所述关键点用于表征所述人脸图像的五官轮廓， 且， 所述关键点的标识信 息包括 所述关键点的序号以及关键点 坐标。 5.根据权利要求4所述的方法， 其特征在于， 根据 所述标识信 息在所述待检测图像对应 的深度图像中提取 所述人脸图像包 含的多个关键区域的步骤， 包括： 提取所述鼻子区域所包括的多个所述关键点的序号； 基于所述序号， 以及， 多个所述关 键点的关键点坐标， 在所述待检测图像对应的深度图像中确定所述鼻子区域对应的矩形 框； 以及， 提取所述脸颊区域所包括的多个所述关键点的序号； 基于所述序号， 以及， 多个所述关 键点的关键点 坐标， 在所述待检测图像对应的深度图像中确定所述 脸颊区域应的矩形框 。 6.根据权利要求5所述的方法， 其特征在于， 分别计算所述鼻子区域的像素灰度均值和 所述脸颊区域的像素 灰度均值的步骤， 包括： 基于所述鼻子区域对应的矩形框， 按照下述公式计算所述鼻子区域的像素 灰度均值： 其中， roi_nose(i， j)表示鼻子区域的矩形框， m、 n为鼻子区域的矩形框的高和宽； 以权　利　要　求　书 1/3 页 2 CN 115100714 A 2及， 基于所述 脸颊区域对应的矩形框， 按照下述公式计算所述 脸颊区域的像素 灰度均值： 其中， roi_cheek(i， j)表示 脸颊区域的矩形框， m,n 为脸颊区域ro i_cheek的高和宽 。 7.根据权利要求6所述的方法， 其特征在于， 计算所述鼻子区域的像素灰度均值和所述 脸颊区域的像素 灰度均值的差值的步骤， 包括： 按照下述公式计算所述鼻子区域的像素灰度均值和所述脸颊区域的像素灰度均值的 差值： Δ＝mean_n ose‑mean_cheek。 8.根据权利要求4所述的方法， 其特征在于， 预先训练好的人脸关键点网络模型为基于 MobilenetV2为主干网络建立的深度学习神经网络模型； 所述人脸关键点网络模型包括依次连接的主干网络MobileNetV2、 自定义的卷积层、 多 尺度卷积层和全连接层， 且， 所述全连接层的输出包括多个神经元， 所述神经元的数量与所 述关键点的数量对应。 9.根据权利要求8所述的方法， 其特 征在于， 所述方法还 包括： 获取训练集， 其中， 所述训练集中包 含多个标记有关键点标签的训练样本图像； 将所述训练样本图像输入至预先构建的深度 学习神经网络模型， 通过所述深度 学习神 经网络模型输出 所述训练样本图像的多个预测关键点； 根据多个所述预测关键点和所述训练样本图像的关键点标签计算损失函数， 并基于所 述损失函数调整所述深度学习神经网络模型的网络参数， 以生成所述人脸关键点网络模 型。 10.根据权利要求9所述的方法， 其特征在于， 根据多个所述预测关键点和所述训练样 本图像的关键点标签 计算损失函数的步骤， 包括： 根据多个所述预测关键点和所述训练样本图像的关键点标签， 按照下述公式计算损失 函数： 其中， Loff为损失函数， 用于表征所述 关键点的坐标损失值； ok为所述训练样本图像的关 键点标签对应的坐标值； 为预测关键点的坐标值， N 为所述训练集的样本总量。 11.一种基于人脸图像的活体 检测装置， 其特 征在于， 包括： 获取模块， 用于获取待检测图像， 提取 所述待检测图像中的人脸区域； 定位模块， 用于对所述人脸区域中包含的人脸图像进行关键点定位， 生成每个所述关 键点的标识信息； 提取模块， 用于根据 所述标识信 息在所述待检测图像对应的深度图像中提取所述人脸 图像包含的多个关键区域， 所述关键区域包括鼻子区域和脸颊区域；权　利　要　求　书 2/3 页 3 CN 115100714 A 3