基于对抗学习的人脸活体检测方法、装置、设备及介质与流程

1.本技术涉及计算机视觉技术领域，特别是涉及一种基于对抗学习的人脸活体检测方法、装置、计算机设备和存储介质。


背景技术：

2.由于时代的进步，计算机技术的发展正朝着智能化和科技化的方向迈进，计算机视觉技术也得到了一定的突破，其中针对人体的各项生物特性的身份认证技术引起了广泛关注。人脸识别技术在日益发展的同时，其适应的领域和场景也逐步多元化，人脸的欺骗攻击也随之出现，巨大的安全问题也随之产生，对识别设备的安全性造成威胁，这可能会引发用户个人资料的遗失并且造成经济损失等，因此，要拥有稳定可靠的人脸认证系统，除了能够准确无误的判定人脸的相关信息，也要有能够识别各种欺骗手段的能力。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够提高人脸活体检测准确率的基于对抗学习的人脸活体检测方法、装置、计算机设备和存储介质。
4.一种基于对抗学习的人脸活体检测方法，所述方法包括：
5.获取摄像头拍摄的人脸图片；
6.通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片；
7.对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；
8.将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；
9.将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；
10.根据伪造痕迹元素和人脸数据对进行线性重构，得到重构真实人脸图片和拟合伪造人脸图片；
11.将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；
12.根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图；
13.将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；
14.利用人脸图片的最终得分对人脸照片是否为活体进行检测。
15.在其中一个实施例中，训练好的对抗网络包括生成器和鉴别器；鉴别器包括主鉴别器和辅助鉴别器；主鉴别器用于约束生成器，进行人脸图片中面部皮肤的鉴别；辅助鉴别器为区域鉴别器用于改进人脸五官细节的生成，进行人脸图片中面部五官的鉴别。
16.在其中一个实施例中，将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分，包括：
17.将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入训练好的对抗网络的主鉴别器和辅助鉴别器中对人脸图片的面部皮肤的遮罩和面部五官的遮罩进行评分，得到人脸图片的初始得分。
18.在其中一个实施例中，生成器的总体损失函数包括基本损失函数、损失约束和人脸遮罩的损失约束；人脸遮罩的损失约束为l
g3
＝l1_loss(mask2(ij),mask2(i'j))，其中mask2表示针对人脸生成面部五官的遮罩，ij表示人脸图片，i'j表示由生成器生成的人脸图片。
19.在其中一个实施例中，鉴别器的损失函数包括主鉴别器的损失函数和辅助鉴别器的损失函数。
20.在其中一个实施例中，主鉴别器的损失函数为l
d1
＝log(d(mask1(ij))) log(1-d(mask1(g(ij))))，其中，d表示鉴别器，mask1表示针对人脸生成面部皮肤的遮罩。
21.在其中一个实施例中，辅助鉴别器的损失函数为l
d2
＝log(d(mask2(ij))) log(1-d(mask2(g(ij))))。
22.一种基于对抗学习的人脸活体检测装置，所述装置包括：
23.图片预处理模块，用于获取摄像头拍摄的人脸图片；通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片；
24.数据对构造模块，用于对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；
25.线性重构模块，用于将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；根据伪造痕迹元素和人脸数据对进行线性重构，得到重构真实人脸图片和拟合伪造人脸图片；
26.初始评分模块，用于将所述真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；
27.伪造痕迹元素优化模块，用于根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络；将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图；
28.活体检测模块，用于将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；利用人脸图片的最终得分对人脸照片是否为活体进行检测。
29.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30.获取摄像头拍摄的人脸图片；
31.通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片；
32.对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；
33.将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；
34.将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；
35.根据伪造痕迹元素和人脸数据对进行线性重构，得到重构真实人脸图片和拟合伪造人脸图片；
36.将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；
37.根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图；
38.将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；
39.利用人脸图片的最终得分对人脸照片是否为活体进行检测。
40.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.获取摄像头拍摄的人脸图片；
42.通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片；
43.对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；
44.将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；
45.将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；
46.根据伪造痕迹元素和人脸数据对进行线性重构，得到重构真实人脸图片和拟合伪造人脸图片；
47.将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；
48.根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图；
49.将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；
50.利用人脸图片的最终得分对人脸照片是否为活体进行检测。
51.上述基于对抗学习的人脸活体检测方法、装置、计算机设备和存储介质，首先通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片，使得脸部竖直，便于进行脸部特征提取，对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；然后将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；通过在对抗网络中添加辅助鉴别器解析人脸的五官，辅助鉴别器主要用于改进人脸五官细节的生成，不仅注意人脸的全局信息，同时也注意到了面部的细节信息，在对人脸图片进行评分时，使得评分结果更加准确，根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到更加准确的优化后的伪造痕迹元素和特征图，将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；利用人脸图片的最终得分对人脸照片是否为活体进行检测。本技术通过设置两个主鉴别器和辅助鉴别器，并且在设计的鉴别器中使用人脸的关键点产生五官和皮肤上的遮罩，两个鉴别器独立处理五官、皮肤的细节问题，使生成器在学习过程中除了注意全局的特征外，更注意五官和皮肤上的细节，进一步强化伪造人脸图片五官、皮肤上的特征，便于人脸的活体检测，并且根据人脸图片的初始得分对初始对抗网络进行训练后可以得到更加准确的伪造痕迹元素和特
征图，进而得到更加准确的人脸图片的最终得分，提高了人脸活体检测的准确率。
附图说明
52.图1为一个实施例中一种基于对抗学习的人脸活体检测方法的流程示意图；
53.图2为一个实施例中人脸生成面部五官的遮罩的效果图；
54.图3为一个实施例中训练好的对抗网络的效果图；
55.图4为一个实施例中一种基于对抗学习的人脸活体检测装置的结构框图；
56.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.在一个实施例中，如图1所示，提供了一种基于对抗学习的人脸活体检测方法，包括以下步骤：
59.步骤102，获取摄像头拍摄的人脸图片；通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片。
60.通过dlib库里的人脸对齐方法对人脸图片进行预处理，将歪曲的人脸扭转为正面图片，通过人脸上眼睛两个外眼角的对齐，将图片旋转，使得脸部竖直，得到人脸矫正图片，便于进行脸部特征提取。
61.步骤104，对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对。
62.将同一个人的真实人脸图片和伪造人脸图片以数据对的形式输入生成器中便于生成器在对应分辨率下生成对应特征图，并生成伪造痕迹元素。
63.步骤106，将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；根据伪造痕迹元素和人脸数据对进行线性重构，得到重构真实人脸图片和拟合伪造人脸图片。
64.特征图包含了人脸数据对信息，线性重构是指将生成器生成的伪造元素与人脸图片进行线性加权等方式得到重构真实人脸图片和拟合伪造人脸图片。
65.步骤108，将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；
66.主鉴别器和辅助性鉴别器分别对人脸图片的皮肤遮罩和五官遮罩进行打分，从这两个角度来判断该输入是否为生成器生成得到的结果。如果重构真实人脸图片和拟合伪造人脸图片的得分尽可能的高说明生成器的伪造痕迹元素可以很好地代表了该伪造人脸图片的痕迹，说明生成器可以有效解离出人脸图片上的伪造痕迹，同时，通过生成器数据的反馈，利用主鉴别器和辅助鉴别器进行人脸图片的评分时会更加准确，进一步提高了人脸检测准确率。同时，辅助鉴别器主要用于改进人脸五官细节的生成，在进行对抗网络训练时使得生成器更好地合成真实人脸、拟合伪造图片，不仅注意人脸的全局信息，同时也注意到了面部的细节信息，在根据伪造痕迹元素和人脸数据对进行线性重构时，生成的重构真实人
脸图片和拟合伪造人脸图片更具有真实感。
67.步骤110，根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图。
68.根据人脸图片的初始得分大小判断是否为生成器生成的图片，得分的区间是0～1之间的数值，数据集中的人脸图片得分接近于1，生成器生成的人脸图片得分接近于0，损失计算的时候给的标签也是1和0，数据集里数据集人脸图片标签是1，生成器生成的图片标签是0，如果人脸图片为生成器生成的图片，则利用人脸图片的初始得分对对初始对抗网络进行训练，如果人脸图片的初始得分低，生成器的损失就会变大，鉴别器的损失就会变小，如果人脸图片的初始得分高，生成器的损失就会变小，鉴别器的损失就会变大，鉴别器与生成器训练过程中，两者交替训练，一方训练时，另一方则冻结参数，不更新梯度，以此来对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图。
69.步骤112，将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；利用人脸图片的最终得分对人脸照片是否为活体进行检测。
70.特征图训练过程中，真实的人脸分布尽可能接近0，伪造的尽可能接近1，用特征图的均值和伪造痕迹元素的均值计算得分，进行加权判断的，得到人脸图片的最终得分，该最终得分数值在0到1之间，该最终得分的阈值为0.5，若人脸图片的最终得分大于0.5，则判断人脸照片是活体，否则判断人脸照片不是活体，最终得分的计算过程如下所示：
[0071][0072]
其中，m表示特征图，k指的特征图的尺寸大小，trace表示伪造痕迹元素，n指的trace图片的尺寸大小,α是超参数。
[0073]
上述基于对抗学习的人脸活体检测方法，首先通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片，使得脸部竖直，便于进行脸部特征提取，对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；然后将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；通过在对抗网络中添加辅助鉴别器解析人脸的五官，辅助鉴别器主要用于改进人脸五官细节的生成，不仅注意人脸的全局信息，同时也注意到了面部的细节信息，在对人脸图片进行评分时，使得评分结果更加准确，根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络，将人脸数据输入训练好的对抗网络中，得到更加准确的优化后的伪造痕迹元素和特征图，将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；利用人脸图片的最终得分对人脸照片是否为活体进行检测。本技术通过设置两个主鉴别器和辅助鉴别器，并且在设计的鉴别器中使用人脸的关键点产生五官和皮肤上的遮罩，两个鉴别器独立处理五官、皮肤的细节问题，使生成器在学习过程中除了注意全局的特征外，更注意五官和皮肤上的细节，进一步强化伪造人脸图片五官、皮肤上的特征，便于人脸的活体检测，并且根据人脸图片的初始得分对初始对抗网络进行训练后可以得到更加准确的伪造痕迹元素和特征图，进而得到更加准确的人
脸图片的最终得分，提高了人脸活体检测的准确率。
[0074]
在其中一个实施例中，训练好的对抗网络包括生成器和鉴别器；鉴别器包括主鉴别器和辅助鉴别器；主鉴别器用于约束生成器，进行人脸图片中面部皮肤的鉴别；辅助鉴别器为区域鉴别器用于改进人脸五官细节的生成，进行人脸图片中面部五官的鉴别。训练好的对抗网络的效果图如图3所示，可以对人脸进行皮肤和五官的鉴别。
[0075]
在其中一个实施例中，将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分，包括：
[0076]
将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入训练好的对抗网络的主鉴别器和辅助鉴别器中对人脸图片的面部皮肤的遮罩和面部五官的遮罩进行评分，得到人脸图片的初始得分。
[0077]
在其中一个实施例中，生成器的总体损失函数包括基本损失函数、损失约束和人脸遮罩的损失约束；人脸遮罩的损失约束为l
g3
＝l1_loss(mask2(ij),mask2(i'j))，其中mask2表示针对人脸生成面部五官的遮罩，ij表示人脸图片，i'j表示由生成器生成的人脸图片。
[0078]
生成器的基本损失函数l
g1
如公式1所示：
[0079]
l
g1
＝log(1-d(mask1(i'j)) log(1-d(mask2(i'j))
ꢀꢀꢀꢀ
(1)
[0080]
在公式(1)中，d表示鉴别器，ij表示数据集中的人脸图片，i'j表示由生成器生成的人脸图片，mask1表示针对人脸生成面部皮肤的遮罩，maks2表示针对人脸生成五官的遮罩，效果图如下图2所示：
[0081]
为了使生成的图片与真实的图片尽可能地接近，在生成的图片上加上l1损失约束，使目标图片尽可能达到预期效果。
[0082]
l
g2
＝l1_loss(i,i
′
)
ꢀꢀꢀ
(2)
[0083]
生成器在考虑图片面部细节的信息外，还要注重人脸的其他细节信息，通过face_alignment算法提取人脸面部关键点，根据人脸的68个关键点，生成人脸面部遮罩，在生成器上再加上人脸遮罩的l1损失约束。
[0084]
l
g3
＝＝l1_loss(mask1(ij),mask1(i'j)) l1_loss(mask2(ij),mask2(i'j))
ꢀꢀꢀ
(3)
[0085]
在公式(3)中，mask2表示针对人脸生成面部五官的遮罩，比如人的两个眼睛、鼻子、嘴巴，具体效果图如图2所示。
[0086]
综上，生成器的总体损失如公式(4)所示：
[0087]
lg＝l
g1
l
g2
l
g3
ꢀꢀꢀꢀ
(4)
[0088]
在其中一个实施例中，鉴别器的损失函数包括主鉴别器的损失函数和辅助鉴别器的损失函数。
[0089]
在其中一个实施例中，主鉴别器的损失函数为
[0090]
l
d1
＝log(d(mask1(ij))) log(1-d(mask1(g(ij))))，其中，d表示鉴别器，mask1表示针对人脸生成面部皮肤的遮罩。
[0091]
将生成的人脸图片皮肤遮罩和真实的图片的皮肤遮罩送入不更新梯度的鉴别器，将鉴别器的结果反馈给生成器，生成器的目的是使生成器生成的图片的鉴别器得到的初始
得分损失尽可能的大；训练鉴别器时，固定生成器，鉴别器的损失尽可能小，鉴别器才会训练的好，训练生成器使鉴别器的损失尽可能大，意味着在鉴别器有一定鉴别能力的时候依然认为生成器生成的数据标签接近真实标签，这就说明生成器训练的有效果，提高了对抗网络的训练效率。
[0092]
在其中一个实施例中，辅助鉴别器的损失函数为l
d2
＝log(d(mask2(ij))) log(1-d(mask2(g(ij))))。
[0093]
辅助鉴别器是对生成器的又一约束，改进人脸五官细节的生成使得生成器更好地合成真实人脸、拟合伪造图片根据伪造痕迹元素和人脸数据对进行线性重构时，生成的重构真实人脸图片和拟合伪造人脸图片更具有真实感，进而使得人脸图片最终得分更加准确，在进行活体检测时，能够提高检测准确率，同时针对人脸面部五官的遮罩，比如两个眼睛、鼻子、嘴巴，辅助鉴别器同样对由生成器生成的人脸图片与真实人脸图片的五官的遮罩进行评分。
[0094]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0095]
在一个实施例中，如图4所示，提供了一种基于对抗学习的人脸活体检测装置，包括：图片预处理模块402、数据对构造模块404、线性重构模块406、初始评分模块408和活体检测模块410，其中：
[0096]
图片预处理模块402，用于获取摄像头拍摄的人脸图片；通过dlib库里的人脸对齐方法对人脸图片进行预处理，得到人脸矫正图片；
[0097]
数据对构造模块404，用于对人脸矫正图片进行分类处理，得到真实人脸图片和伪造人脸图片；将同一个人的真实人脸图片和伪造人脸图片进行数据对构造，得到人脸数据对；
[0098]
线性重构模块406，用于将人脸数据对输入初始对抗网络的生成器中得到人脸数据对之间的伪造痕迹元素和特征图；根据伪造痕迹元素和人脸数据对进行线性重构，得到重构真实人脸图片和拟合伪造人脸图片；
[0099]
初始评分模块408，用于将将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分；
[0100]
伪造痕迹元素优化模块410，用于根据人脸图片的初始得分对初始对抗网络进行训练，得到训练好的对抗网络；将人脸数据输入训练好的对抗网络中，得到优化后的伪造痕迹元素和特征图；
[0101]
活体检测模块412，用于将优化后的伪造痕迹元素和特征图进行线性加和，得到人脸图片的最终得分；利用人脸图片的最终得分对人脸照片是否为活体进行检测。
[0102]
在其中一个实施例中，训练好的对抗网络包括生成器和鉴别器；鉴别器包括主鉴别器和辅助鉴别器；主鉴别器用于约束生成器，进行人脸图片中面部皮肤的鉴别；辅助鉴别
器为区域鉴别器用于改进人脸五官细节的生成，进行人脸图片中面部五官的鉴别。
[0103]
在其中一个实施例中，初始评分模块408还用于将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入初始对抗网络的主鉴别器和辅助鉴别器中进行评分，得到人脸图片的初始得分，包括：将真实人脸图片、伪造人脸图片、重构真实人脸图片和拟合伪造人脸图片输入训练好的对抗网络的主鉴别器和辅助鉴别器中对人脸图片的面部皮肤的遮罩和面部五官的遮罩进行评分，得到人脸图片的初始得分。
[0104]
在其中一个实施例中，生成器的总体损失函数包括基本损失函数、损失约束和人脸遮罩的损失约束；人脸遮罩的损失约束为l
g3
＝l1_loss(mask2(ij),mask2(i'j))，其中mask2表示针对人脸生成面部五官的遮罩，ij表示人脸图片，i'j表示由生成器生成的人脸图片。
[0105]
在其中一个实施例中，鉴别器的损失函数包括主鉴别器的损失函数和辅助鉴别器的损失函数。
[0106]
在其中一个实施例中，主鉴别器的损失函数为l
d1
＝log(d(mask1(ij))) log(1-d(mask1(g(ij))))，其中，d表示鉴别器，mask1表示针对人脸生成面部皮肤的遮罩。
[0107]
在其中一个实施例中，辅助鉴别器的损失函数为l
d2
＝log(d(mask2(ij))) log(1-d(mask2(g(ij))))。
[0108]
关于基于对抗学习的人脸活体检测装置的具体限定可以参见上文中对于基于对抗学习的人脸活体检测装置方法的限定，在此不再赘述。上述基于对抗学习的人脸活体检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0109]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于对抗学习的人脸活体检测装置方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0110]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备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。
[0111]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
[0112]
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
[0113]
本领域普通技术人员可以理解实现上述实施例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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0114]
以上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。
[0115]
以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。