本技术涉及人脸识别领域，提出了一种静默活体检测方法及其配套装置、可读存储介质和设备。该方法包括获取并预处理人脸图像，随后将图像输入至经过预训练的多级深度学习模型中进行活体检测，以确保识别的准确性和安全性。
背景技术
近年来，人脸识别以获取方便、非接触等优点，深受人们喜爱，广泛应用于金融、安全等领域。但也正因为其容易获取，容易被他人所利用，以打印照片或者拍摄视频等方式制作假体人脸，攻击人脸识别系统，从而冒名通过。所以，基于人脸图像的活体检测极其重要，是人脸识别的前提保障。
目前，常见的人脸活体检测技术有两类：用户配合式活体检测和静默活体检测。用户配合式活体检测，是指活体检测系统随机发送多个面部动作指令，要求用户在规定时间内做出顺序回应动作，系统判断用户回应动作是否准确，从而给出是否为活体人脸的判断。静默活体检测，是指用户在无感知的情况下，不动声色地完成活体检测任务。从两种活体检测定义中可以直观地看出，人脸静默活体检测打破了配合式活体检测的“完成指定动作＝我是活体”的公式，不需要用户配合，更具人性化，检测速度快且用户体验佳。
目前，主流的人脸静默活体检测方法大致可分为：传统人工设计分类特征的方法和基于深度学习的方法。
(一)基于传统人工设计特征的活体检测
早期人脸静默活体检测目标很明确，找到活体和非活体攻击图像的差异，设计极具针对性的特征，训练活体人脸和非活体人脸分类器。这种差异通常表现为成像的纹理差异(如摩尔纹)、颜色差异(不同颜色空间颜色分布不同)，以及从连续帧图像分析脸部微小动作的非刚性变化等。针对这些差异，一般设计不同参数的LBP特征、Gabor特征等。最后，基于机器学习方法训练活体和非活体特征分类器，特征分类器一般为SVM等分类器。
人工设计特征受制于设计者的先验知识，并且需要反复实验和调整，找到有效的人工特征，这需要耗费很长时间。另外，随着科技的发展，各电子产品镜头成像极其细腻，同时美颜相机的兴起，淡化了成像的纹理差异，导致人工设计特征分类困难。
(二)基于深度学习的活体检测
深度学习处理人脸活体检测任务时，将其看为二分类或多分类任务，以大量的活体和非活体人脸数据为驱动，自动学习能够有效判别活体和非活体的特征。二分类是将所有假体攻击成像分为一类，多分类是将假体攻击按照攻击类别分类，如打印类攻击、屏幕类攻击、面具类攻击等。
通常，越复杂的神经网络(更深更宽的网络结构)，对训练数据集具有更好的知识提取。同样，设计宽而深的网络，能够简单直接地提升人脸静默检活的准确率。但复杂的网络存在几个弊端：
1.更复杂的网络意味着更多的参数，需要更多的计算资源，限制了算法的速度性能，难以在智能终端和嵌入式设备上部署。
2.假体攻击方式多样，数据收集困难，面对新型攻击，通常需要重新训练神经网络或对神经网络进行Fine-tuning(微调)，单一网络难以应对众多攻击类型。
实现思路