CN113887408B - 活化人脸视频的检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种活化人脸视频的检测方法，包括：按照预定时间间隔，在人脸动作视频中抽取人脸图像帧集；将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到空间纹理图集；在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。此外，本发明还涉及区块链技术，空间纹理图集及纹理图差矩阵可存储于区块链的节点。本发明还提出一种活化人脸视频的检测装置、电子设备以及存储介质。本发明可以提高活化人脸视频的检测准确率。

Description

活化人脸视频的检测方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种活化人脸视频的检测方法、装置、电子设备及计算机可读存储介质。

背景技术

随着移动互联网的发展，基于人脸识别的身份验证场景(确定用户对象的真实性)在金融保险，银行证券等领域得到越来越多的关注，而人脸识别的身份验证场景中经常会被利用活化技术产生的视频所欺骗。所述活化技术是指利用一张静态的图像，生成例如眨眼、张嘴、摇头等动作的视频，进而通过这段视频绕过人脸动作验证，达到非法目的。当前防范活化技术的方式主要是通过抽取活化人脸视频(活化技术产生的人脸视频)中的图像帧和正常视频中的图像帧来训练二分类模型，利用所述二分类模型来分辨人脸动作视频是否为活化视频，但是活化人脸视频和正常视频的单帧图像之间的差异非常小，很难实现高效的区分活化人脸视频与非活化人脸视频，因此，对活化人脸视频的检测准确率较低。

发明内容

本发明提供一种活化人脸视频的检测方法、装置及计算机可读存储介质，其主要目的在于解决活化人脸视频的检测准确率较低的问题。

为实现上述目的，本发明提供的一种活化人脸视频的检测方法，包括：

获取人脸动作视频；

按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

可选地，所述将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到空间纹理图集，包括：

构建中性人脸基网格；

利用预构建的形状纹理公式，根据所述人脸图像帧集计算出所述中性人脸基网格的形状向量集及纹理向量集；

利用所述形状向量集调整所述中性人脸基网格的形状，并利用所述纹理向量集调整所述中性人脸基网格的纹理，得到所述空间纹理图集。

可选地，所述在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，包括：

根据所述空间纹理图集中空间纹理图的数量，计算出取样间隔；

根据所述取样间隔，在所述空间纹理图集中选取空间纹理图，计算选取的所述空间纹理图中脸部特定区域的纹理变化值，得到所述空间纹理图之间的差值。

可选地，所述计算选取的所述空间纹理图中脸部特定区域的纹理变化值，得到所述空间纹理图之间的差值，包括：

对选取的所述空间纹理图进行网格化划分，得到所述空间纹理图中的网格单元，提取所有的所述网格单元的RGB值，得到RGB值集；

对选取的所述空间纹理图中相邻空间纹理图中相同脸部区域的网格单元的RGB值集作差，得到原始动态差值；

利用预先设定的脸部特定区域的权重，对所述原始动态差值进行加权，得到所述所述空间纹理图之间的差值。

可选地，所述利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频之前，所述方法还包括：

接收预构建的UV活化图差矩阵和UV非活化图差矩阵；

将所述UV活化图差矩阵和UV非活化图差矩阵输入预构建的初始活化分辨模型的注意力加权层，利用所述注意力加权层对所述UV活化图差矩阵和UV非活化图差矩阵中的数据进行加权，得到加权活化图差矩阵及加权非活化图差矩阵；

利用所述初始活化分辨模型中的深度卷积池化层对所述加权活化图差矩阵及加权非活化图差矩阵进行特征提取，得到活化特征图差矩阵及非活化特征图差矩阵；

将所述活化特征图差矩阵和非活化特征图差矩阵进行扁平化操作，得到一维活化矩阵和一维非活化矩阵；

利用所述初始活化分辨模型中的前馈神经网络中每个节点的参数对所述一维活化矩阵和一维非活化矩阵进行加权激活处理，得到所述一维活化矩阵和一维非活化矩阵的输出预测值；

利用所述初始活化分辨模型中的损失函数计算所述一维活化矩阵的输出预测值与所述UV活化图差矩阵对应的真实标签值的活化差异值，以及所述一维非活化矩阵的输出预测值与所述UV非活化图差矩阵对应的真实标签值的非活化差异值；

判断所述活化差异值和非活化差异值是否同时小于预设的差异阈值；

若所述活化差异值和非活化差异值不满足同时小于所述差异阈值，则利用所述活化差异值和非活化差异值反向调节所述前馈神经网络；

若所述活化差异值和非活化差异值满足同时小于所述差异阈值，则停止训练，得到所述活化分辨模型。

可选地，所述利用所述初始活化分辨模型中的深度卷积池化层对所述加权活化图差矩阵及加权非活化图差矩阵进行特征提取，得到活化特征图差矩阵及非活化特征图差矩阵，包括：

利用所述深度卷积池化层中的逐通道卷积核，对所述加权活化图差矩阵及加权非活化图差矩阵进行一次卷积处理，并对一次卷积处理后的所述加权活化图差矩阵及加权非活化图差矩阵执行一次池化处理，得到初始活化特征图差矩阵及初始非活化特征图差矩阵；

利用所述深度卷积层中的逐点卷积核，对所述初始活化特征图差矩阵及初始非活化特征图差矩阵进行二次卷积操作，并对二次卷积操作后的所述初始活化特征图差矩阵和初始非活化特征图差矩阵执行二次池化处理，得到所述活化特征图差矩阵和非活化特征图差矩阵。

可选地，所述利用所述深度卷积池化层中的逐通道卷积核，对所述加权活化图差矩阵及加权非活化图差矩阵进行一次卷积处理，包括：

按照脸部特定区域的划分，对所述加权活化图差矩阵和加权非活化图差矩阵进行拆分，得到每一个脸部特定区域对应的活化图差子矩阵和非活化图差子矩阵；

建立每一个所述脸部特定区域和所述逐通道卷积核中每一个通道的对应关系；

将所述活化图差子矩阵和非活化图差子矩阵，输入到所述逐通道卷积核中对应的通道，利用所述逐通道卷积核对所述活化图差子矩阵和非活化图差子矩阵，进行一次卷积处理。

为了解决上述问题，本发明还提供一种活化人脸视频的检测装置，所述装置包括：

人脸图像帧集获取模块，用于获取人脸动作视频；按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

空间纹理图集映射模块，用于将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

纹理图差矩阵构建模块，用于在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

活化分辨模型检测模块，用于根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的活化人脸视频的检测方法。

为了解决上述问题，本发明还提供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个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的活化人脸视频的检测方法。

本发明实施例中，通过从人脸动作视频中抽取得到所述人脸图像帧集，再将所述图片帧集进行映射，得到空间纹理图集，利用所述空间纹理图集，计算出纹理图差矩阵，相比于传统利用二分类模型来分辨人脸动作视频是否为活化视频，本发明实施例，结合相邻图片帧之间的差异，并将所述差异输入预构建的活化分辨模型中，来检测人脸动作视频的真伪，具有更高的准确性。因此本发明提出的活化人脸视频的检测方法、装置、电子设备及计算机可读存储介质，可以解决对活化人脸视频的检测准确率较低的问题。

附图说明

图1为本发明一实施例提供的活化人脸视频的检测方法的流程示意图；

图2为本发明一实施例提供的活化人脸视频的检测装置的功能模块图；

图3为本发明一实施例提供的实现所述活化人脸视频的检测方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种活化人脸视频的检测方法。所述活化人脸视频的检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述活化人脸视频的检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content Delivery Network，CDN)、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。

参照图1所示，为本发明一实施例提供的活化人脸视频的检测方法的流程示意图。在本实施例中，所述活化人脸视频的检测方法包括：

S1、获取人脸动作视频；

本发明实施例中，所述人脸动作视频可以是对用户进行身份验证时，拍摄到的所述用户根据预设的指令进行脸部运动时的视频。例如：用户登录客户端APP时需要进行的脸部识别。

S2、按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

本发明实施例中，所述预定时间间隔可以是0.2s。因此，本发明实施例可以每0.2s在人脸动作视频中抽取一张人脸图像帧，并汇总抽取到的所有人脸图像帧，得到人脸图像帧集。

S3、将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

本发明实施例中，所述纹理空间坐标系是将二维纹理坐标(U-VEEZ，简称UV)中的图片映射到三维曲面贴图的空间坐标系。所述二维纹理坐标带有多边形和细分曲面网格的顶点组件信息。所述空间纹理图是所述纹理空间坐标系中的三维人脸空间图。

本发明实施例中，所述将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集，包括：

构建中性人脸基网格；

利用预构建的形状纹理公式，根据所述人脸图像帧集计算出所述中性人脸基网格的形状向量集及纹理向量集；

利用所述形状向量集调整所述中性人脸基网格的形状，并利用所述纹理向量集调整所述中性人脸基网格的纹理，得到所述空间纹理图集。

本发明实施例中，所述中性人脸基网格是将预先构建的人脸数据库中的人脸形状和纹理进行平均化，而得到的空间网格模型。

进一步地，所述形状纹理公式如下：

其中，S_model表示空间纹理图的人脸形状向量集，S²表示所述中性人脸基网格的形状，S_i是根据所述空间纹理图和中性人脸基网格的形状差异，按照形状特征值降序排列的协方差阵的形状向量集，α_i是S_i的参数；指T_model表示所述空间纹理图的纹理向量集，T²表示所述中性人脸基网格的纹理，T_i是根据所述三维人脸空间图和中性人脸基网格的纹理差异，按照纹理特征值降序排列的协方差阵的纹理向量集，β_i是T_i的参数。

本发明实施例中，所述形状向量集及纹理向量集也可以利用现有的人脸3D形变统计模型(3D Morphable Model，简称3 DMM)技术计算得出，在此不再赘述。

S4、在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

本发明实施例中，所述纹理图差矩阵是根据所述空间纹理图集中脸部不同区域的RGB值的变化，生成的图差矩阵。

本发明实施例中，所述在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，包括：

根据所述空间纹理图集中空间纹理图的数量，计算出取样间隔；

根据所述取样间隔，在所述空间纹理图集中选取空间纹理图，计算选取的所述空间纹理图中脸部特定区域的纹理变化值，得到所述空间纹理图之间的差值。

详细地，所述取样间隔可以根据所述空间纹理图集中的空间纹理图的数量进行设定，当空间纹理图的数量较大时，可以增大所述取样间隔。例如：所述取样间隔可以设置为2，因此当所述空间纹理图的数量为n时，选取到的空间纹理图的序号为i时，则选取的下一张空间纹理图的序号为i+2。

进一步地，所述计算选取的所述空间纹理图中脸部特定区域的纹理变化值，得到所述空间纹理图之间的差值，包括：

对选取的所述空间纹理图进行网格化划分，得到所述空间纹理图中的网格单元，提取所有的所述网格单元的RGB值，得到RGB值集；

对选取的所述空间纹理图中相邻空间纹理图中相同脸部区域的网格单元的RGB值集作差，得到原始动态差值；

利用预先设定的脸部特定区域的权重，对所述原始动态差值进行加权，得到所述所述空间纹理图之间的差值。

本发明实施例中，所述网格单元可以根据所述空间纹理图的像素大小进行划分，每一个网格单元可以对应一个RGB值。

本发明实施例中，所述脸部特定区域的权重可以根据脸部不同部位的重要程度进行设定。例如：对眼睛的权重可以设置为1.3，对嘴巴的权重可以设置为1.5，对脸部其它部位的权重可以设置为0.8。对于眼睛和嘴巴的关键区域的权重可以设置为1.8。

S5、根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

本发明实施例中，所述活化分辨模型是预构建的可以根据所述纹理图差矩阵的特征分辨出所述纹理图差矩阵对应的人脸动作视频的真伪的神经网络。

本发明实施例中，所述利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频之前，所述方法还包括：

步骤A：接收预构建的UV活化图差矩阵和UV非活化图差矩阵；

本发明实施例中，所述UV活化图差矩阵是由人脸活化视频计算得到的图差矩阵，所述UV非活化图差矩阵是由正常人脸视频计算得到的图差矩阵。

步骤B：将所述UV活化图差矩阵和UV非活化图差矩阵输入预构建的初始活化分辨模型的注意力加权层，利用所述注意力加权层对所述UV活化图差矩阵和UV非活化图差矩阵中的数据进行加权，得到加权活化图差矩阵及加权非活化图差矩阵；

本发明实施例中，所述注意力加权层是对所述UV活化图差矩阵和UV非活化图差矩阵中描述脸部不同部位的数值加权，进一步提高脸部重要部位的权重。

步骤C：利用所述初始活化分辨模型中的深度卷积池化层对所述加权活化图差矩阵及加权非活化图差矩阵进行特征提取，得到活化特征图差矩阵及非活化特征图差矩阵；

本发明实施例中，所述特征提取是利用所述活化分辨模型对所述UV活化图差矩阵和UV非活化图差矩阵进行卷积池化操作，得到脸部不同部位变化特征的矩阵。

步骤D：将所述活化特征图差矩阵和非活化特征图差矩阵进行扁平化操作，得到一维活化矩阵和一维非活化矩阵；

详细地，所述扁平化操作指对所述活化特征图差矩阵及非活化特征图差矩阵进行向量维度的转换，得到一维的活化特征图差矩阵及非活化特征图差矩阵。

步骤E：利用所述初始活化分辨模型中的前馈神经网络中每个节点的参数对所述一维活化矩阵和一维非活化矩阵进行加权激活处理，得到所述一维活化矩阵和一维非活化矩阵的输出预测值；

步骤F：利用所述初始活化分辨模型中的损失函数计算所述一维活化矩阵的输出预测值与所述UV活化图差矩阵对应的真实标签值的活化差异值，以及所述一维非活化矩阵的输出预测值与所述UV非活化图差矩阵对应的真实标签值的非活化差异值；

本发明实施例中，所述损失函数如下：

其中，Loss指所述活化差异值或非活化差异值，为所述UV活化图差矩阵或UV非活化图差矩阵对应的真实标签值，/>为所述UV活化图差矩阵或UV非活化图差矩阵对应的输出预测值。BCE为二元交叉损失函数。

步骤G：判断所述活化差异值和非活化差异值是否同时小于预设的差异阈值；

本发明实施例中，根据所述UV非活化图差矩阵也可能得出对应的人脸动作视频为活化视频，所以需要设置所述差异阈值，以提高所述活化分辨模型的鲁棒性。

步骤H：若所述活化差异值和非活化差异值不满足同时小于所述差异阈值，则利用所述活化差异值和非活化差异值反向调节所述活化分辨模型，并返回上述的步骤B对所述活化分辨模型进行迭代训练；

本发明实施例中，当所述活化差异值和非活化差异值不满足同时小于所述差异阈值时，可以利用所述活化差异值和非活化差异值反向调节所述前馈神经网络中的节点参数，直至所述活化差异值和非活化差异值满足同时小于所述差异阈值。

步骤I：若所述活化差异值和非活化差异值满足同时小于所述差异阈值，则停止所述迭代训练，得到所述活化分辨模型。

进一步地，本发明实施例中，所述利用所述初始活化分辨模型中的深度卷积池化层对所述加权活化图差矩阵及加权非活化图差矩阵进行特征提取，得到活化特征图差矩阵及非活化特征图差矩阵，包括：

利用所述深度卷积池化层中的逐通道卷积核，对所述加权活化图差矩阵及加权非活化图差矩阵进行一次卷积处理，并对一次卷积处理后的所述加权活化图差矩阵及加权非活化图差矩阵执行一次池化处理，得到初始活化特征图差矩阵及初始非活化特征图差矩阵；

利用所述深度卷积层中的逐点卷积核，对所述初始活化特征图差矩阵及初始非活化特征图差矩阵进行二次卷积操作，并对二次卷积操作后的所述初始活化特征图差矩阵和初始非活化特征图差矩阵执行二次池化处理，得到所述活化特征图差矩阵和非活化特征图差矩阵。

本发明实施例中，通过采用逐通道卷积和逐点卷积结合的方式，比普通的卷积在提高所述活化分辨模型的准确率以及降低所述活化分辨模型的参数量和运算量上有较大优势。

本发明实施例中，所述利用所述深度卷积池化层中的逐通道卷积核，对所述加权活化图差矩阵及加权非活化图差矩阵进行一次卷积处理，包括：

按照脸部特定区域的划分，对所述加权活化图差矩阵和加权非活化图差矩阵进行拆分，得到每一个脸部特定区域对应的活化图差子矩阵和非活化图差子矩阵；

建立每一个所述脸部特定区域和所述逐通道卷积核中每一个通道的对应关系；

将所述活化图差子矩阵和非活化图差子矩阵，输入到所述逐通道卷积核中对应的通道，利用所述逐通道卷积核对所述活化图差子矩阵和非活化图差子矩阵，进行一次卷积处理。

本发明实施例中，通过通道和脸部特定区域的对应关系，将不同的脸部特定区域进行区别化的处理，使得模型更加精确。

本发明实施例中，所述根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频，包括：

利用所述活化分辨模型对所述纹理图差矩阵进行活化检测，得到检测结果集；

利用预构建的活化视频检测公式及所述检测结果集，检测所述人脸动作视频是否为活化视频。

本发明实施例中，所述检测结果集为所述活化分辨模型根据所述空间纹理图集中每两个相邻的纹理图计算出纹理图差矩阵集合，并进行活化检测，再整合所有的检测结果，得到的检测结果集。

详细地，所述活化视频检测公式如下：

其中，J指活化视频检测结果，count(活化)指检测为活化视频的数量，total指所述纹理图差矩阵的数量，即所述检测结果集中检测结果的数量。若所述检测结果集中，检测结果为活化视频的数量与所有检测结果的数量的比值大于0.6，则检测所述人脸动作视频为活化人脸视频。

本发明另一个实施例中，可以利用预先构建的评价指标公式，对所述活化分辨模型进行评价，所述评价指标公式如下：

F＝0.1*FRR+0.9*FAR

其中，F为评价得分，FRR指对非活化视频的检测结果集中，检测结果为错误的比例，FN指对非活化视频的检测结果为错误的个数，TP指对非活化视频的检测结果为正确的个数；FAR指对活化视频的检测结果集中，检测结果为错误的比例，FP指对活化视频的检测结果为错误的个数，TN指对活化视频的检测结果为正确的个数。F的值越小，代表所述活化分辨模型的分辨效果越好。

本发明实施例中，通过从人脸动作视频中抽取得到所述人脸图像帧集，再将所述图片帧集进行映射，得到空间纹理图集，利用所述空间纹理图集，计算出纹理图差矩阵，相比于传统利用二分类模型来分辨人脸动作视频是否为活化视频，本发明实施例，结合相邻图片帧之间的差异，并将所述差异输入预构建的活化分辨模型中，来检测人脸动作视频的真伪，具有更高的准确性，解决了对活化人脸视频的检测准确率较低的问题。

如图2所示，是本发明一实施例提供的活化人脸视频的检测装置的功能模块图。

本发明所述活化人脸视频的检测装置100可以安装于电子设备中。根据实现的功能，所述活化人脸视频的检测装置100可以包括人脸图像帧集获取模块101、空间纹理图集映射模块102、纹理图差矩阵构建模块103、活化分辨模型检测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述人脸图像帧集获取模块101，用于获取人脸动作视频；按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

所述空间纹理图集映射模块102，用于将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

所述纹理图差矩阵构建模块103，用于在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

所述活化分辨模型检测模块104，用于根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

详细地，本发明实施例中所述活化人脸视频的检测装置100中所述的各模块在使用时采用与上述图1中所述的活化人脸视频的检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图3所示，是本发明一实施例提供的实现活化人脸视频的检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如活化人脸视频的检测程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行活化人脸视频的检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如活化人脸视频的检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的活化人脸视频的检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取人脸动作视频；

按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取人脸动作视频；

按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种活化人脸视频的检测方法，其特征在于，所述方法包括：

获取人脸动作视频，所述人脸动作视频是在对用户进行身份验证时，拍摄到的所述用户根据预设的指令进行脸部运动时的视频；

按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频；

其中，所述利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频之前，所述方法还包括：接收预构建的UV活化图差矩阵和UV非活化图差矩阵；将所述UV活化图差矩阵和UV非活化图差矩阵输入预构建的初始活化分辨模型的注意力加权层，利用所述注意力加权层对所述UV活化图差矩阵和UV非活化图差矩阵中的数据进行加权，得到加权活化图差矩阵及加权非活化图差矩阵；利用所述初始活化分辨模型中的深度卷积池化层对所述加权活化图差矩阵及加权非活化图差矩阵进行特征提取，得到活化特征图差矩阵及非活化特征图差矩阵；将所述活化特征图差矩阵和非活化特征图差矩阵进行扁平化操作，得到一维活化矩阵和一维非活化矩阵；利用所述初始活化分辨模型中的前馈神经网络中每个节点的参数对所述一维活化矩阵和一维非活化矩阵进行加权激活处理，得到所述一维活化矩阵和一维非活化矩阵的输出预测值；利用所述初始活化分辨模型中的损失函数计算所述一维活化矩阵的输出预测值与所述UV活化图差矩阵对应的真实标签值的活化差异值，以及所述一维非活化矩阵的输出预测值与所述UV非活化图差矩阵对应的真实标签值的非活化差异值；判断所述活化差异值和非活化差异值是否同时小于预设的差异阈值；若所述活化差异值和非活化差异值不满足同时小于所述差异阈值，则利用所述活化差异值和非活化差异值反向调节所述前馈神经网络；若所述活化差异值和非活化差异值满足同时小于所述差异阈值，则停止训练，得到所述活化分辨模型。

2.如权利要求1所述的活化人脸视频的检测方法，其特征在于，所述将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集，包括：

构建中性人脸基网格；

利用预构建的形状纹理公式，根据所述人脸图像帧集计算出所述中性人脸基网格的形状向量集及纹理向量集；

利用所述形状向量集调整所述中性人脸基网格的形状，并利用所述纹理向量集调整所述中性人脸基网格的纹理，得到所述空间纹理图集。

3.如权利要求2所述的活化人脸视频的检测方法，其特征在于，所述在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，包括：

根据所述空间纹理图集中空间纹理图的数量，计算出取样间隔；

根据所述取样间隔，在所述空间纹理图集中选取空间纹理图，计算选取的所述空间纹理图中脸部特定区域的纹理变化值，得到所述空间纹理图之间的差值。

4.如权利要求3所述的活化人脸视频的检测方法，其特征在于，所述计算选取的所述空间纹理图中脸部特定区域的纹理变化值，得到所述空间纹理图之间的差值，包括：

对选取的所述空间纹理图进行网格化划分，得到所述空间纹理图中的网格单元，提取所有的所述网格单元的RGB值，得到RGB值集；

对选取的所述空间纹理图中相邻空间纹理图中相同脸部区域的网格单元的RGB值集作差，得到原始动态差值；

利用预先设定的脸部特定区域的权重，对所述原始动态差值进行加权，得到所述空间纹理图之间的差值。

5.如权利要求1所述的活化人脸视频的检测方法，其特征在于，所述利用所述初始活化分辨模型中的深度卷积池化层对所述加权活化图差矩阵及加权非活化图差矩阵进行特征提取，得到活化特征图差矩阵及非活化特征图差矩阵，包括：

利用所述深度卷积池化层中的逐通道卷积核，对所述加权活化图差矩阵及加权非活化图差矩阵进行一次卷积处理，并对一次卷积处理后的所述加权活化图差矩阵及加权非活化图差矩阵执行一次池化处理，得到初始活化特征图差矩阵及初始非活化特征图差矩阵；

利用深度卷积层中的逐点卷积核，对所述初始活化特征图差矩阵及初始非活化特征图差矩阵进行二次卷积操作，并对二次卷积操作后的所述初始活化特征图差矩阵和初始非活化特征图差矩阵执行二次池化处理，得到所述活化特征图差矩阵和非活化特征图差矩阵。

6.如权利要求5所述的活化人脸视频的检测方法，其特征在于，所述利用所述深度卷积池化层中的逐通道卷积核，对所述加权活化图差矩阵及加权非活化图差矩阵进行一次卷积处理，包括：

按照脸部特定区域的划分，对所述加权活化图差矩阵和加权非活化图差矩阵进行拆分，得到每一个脸部特定区域对应的活化图差子矩阵和非活化图差子矩阵；

建立每一个所述脸部特定区域和所述逐通道卷积核中每一个通道的对应关系；

将所述活化图差子矩阵和非活化图差子矩阵，输入到所述逐通道卷积核中对应的通道，利用所述逐通道卷积核对所述活化图差子矩阵和非活化图差子矩阵，进行一次卷积处理。

7.一种活化人脸视频的检测装置，用于实现如权利要求1至6中任意一项所述的活化人脸视频的检测方法，其特征在于，所述装置包括：

人脸图像帧集获取模块，用于获取人脸动作视频；按照预定时间间隔，在所述人脸动作视频中抽取人脸图像帧，并将抽取到的所述人脸图像帧组成人脸图像帧集；

空间纹理图集映射模块，用于将所述人脸图像帧集映射到预构建的纹理空间坐标系，得到一组空间纹理图，根据所述一组空间纹理图组成空间纹理图集；

纹理图差矩阵构建模块，用于在所述纹理空间坐标系中，计算所述空间纹理图集中每两个空间纹理图之间的差值，根据所述差值，构建纹理图差矩阵；

活化分辨模型检测模块，用于根据所述纹理图差矩阵，利用预构建的活化分辨模型，检测所述人脸动作视频是否为活化人脸视频。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的活化人脸视频的检测方法。

9.一种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6中任意一项所述的活化人脸视频的检测方法。