基于深度学习的活体检测模型代码

以下是一个基于深度学习的活体检测模型的代码示例：

import cv2
import numpy as np
from keras.models import load_model

# 加载模型
model = load_model('model.h5')

# 定义标签
labels = {0: 'Real', 1: 'Fake'}

# 捕捉视频帧
cap = cv2.VideoCapture(0)

# 循环检测帧
while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 调整图像大小
    frame = cv2.resize(frame, (224, 224))

    # 预处理图像
    x = np.expand_dims(frame, axis=0)
    x = x / 255.0

    # 运行预测
    pred = model.predict(x)
    label = labels[np.argmax(pred)]

    # 在图像上绘制标签
    cv2.putText(frame, label, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 2)

    # 显示帧
    cv2.imshow('Live Detection', frame)
    if cv2.waitKey(1) == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

这个代码使用了一个预训练的深度学习模型（通过 `load_model` 函数加载），该模型可以对输入图像进行分类，判断是真实的人脸还是伪造的人脸。在循环中，我们捕捉摄像头的视频帧，对每一帧进行预处理和分类，并在图像上绘制分类结果。最后，我们将帧显示在屏幕上，并且可以通过按下 'q' 键来退出循环。