[發明專利]一種基于深度學習的多分類器融合的人臉活體識別方法

在審

• 申請號: 201811510432.1
• 申請日: 2018-12-11
• 公開（公告）號: CN109670430A
• 公開（公告）日: 2019-04-23
• 發明（設計）人: 毛穎;胡浩基;王曰海
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種基于深度學習的多分類器融合的人臉活體識別方法，使用傳統的邊緣特征、眼部特征等與深度神經網絡特征分別訓練三種分類器，然后利用這些分類器通過設計好的程序流程，進行人臉活體識別。該方法針對現實場景中的活體識別問題，設計了邊框檢測、眨眼檢測和摩爾紋檢測，并創新性地將上述三個檢測的結果按照一定邏輯進行融合，得到人臉活體識別結果，具有良好抗欺騙能力、優秀抗干擾能力、僅需用戶少量配合的、且僅需普通攝像頭(無需外加設備)等優點。本發明主要有邊框檢測、眨眼檢測、摩爾紋檢測、融合判斷流程等步驟，為現實推廣人臉活體識別的應用做出了一定的貢獻。

技術領域

本發明涉及機器學習、深度學習和模式識別等科研領域，尤其涉及一種基于深度學習的多分類器融合的人臉活體識別方法。

背景技術

人臉活體檢測成為人臉識別的關鍵組成部分，它對于任何一個生物檢測系統來說是十分重要和必要的一個環節，它可以保證生物檢測系統能夠安全有效地工作；對于無人監督的人臉識別系統應用來說，自動地抵抗照片和視頻欺騙是人臉識別領域中一個迫切需要解決的問題。

活體人臉的檢測主要有以下方法：三維深度信息分析、臉部運動的光流估計、人臉和語音混合識別、傅里葉頻譜分析、眨眼檢測、熱紅外成像識別等。以及上述方法中幾種方法的融合。隨著深度學習的發展，也有一些學者提出將上述方法和深度學習方法相結合的方法。相關技術主要有人臉圖像的預處理，人臉區域檢測，特征提取，活體分類等。特征提取是人臉活體識別中最重要的一步，目前主要存在基于人臉區域的特征提取方法，基于頻譜的特征提取方法，基于運動信息的特征提取方法和基于深度學習的特征提取方法等等。對于分類器的設計，常用的分類方法有支持向量機，神經網絡等。總的來說目前的人臉活體識別算法研究著重于特征的提取和分類器的設計，大部分方法不僅無法對抗視頻攻擊，而且需要額外設備的輔助。由于實際場景下需要在照片和視頻攻擊中由于電子設備顯示屏的原因經常出現摩爾紋，或者手機邊框，因此本發明綜合邊框檢測，摩爾紋檢測再加上可抵抗靜態圖片攻擊的眨眼檢測，可以滿足現有活體識別的應用場景需求。

發明內容

本發明的目的在于針對目前基于視覺的人臉活體識別方法存在的不足，提出一種基于深度學習的多分類器融合的人臉活體識別方法，該方法基于傳統邊框檢測、眨眼檢測和深度摩爾紋檢測進行人臉活體的識別。

本發明的目的是通過以下技術方案來實現的：一種基于深度學習的多分類器融合的人臉活體識別方法，該方法為利用傳統邊緣特征的邊框檢測，收集數據并訓練深度神經網絡的摩爾紋檢測，并結合使用人眼關鍵點位置的眨眼檢測，進行多分類器融合的人臉活體分類識別。

進一步的，該方法包括如下步驟：

(1)眨眼檢測：對視頻F中的待檢測視頻幀f_i進行人臉關鍵點檢測，獲得眼部區域關鍵點坐標，由眼部區域關鍵點坐標計算人眼開合度U_i，統計人眼開合度U_i小于閾值threshold1的次數z，z小于閾值threshold2則識別為非活體，否則進行下一步檢測；

(2)邊框檢測：通過眨眼檢測后，對待檢測視頻幀f_i進行canny邊緣檢測，然后進行hough變換，計算出現邊框的幀數占總幀數的比例，若小于閾值threshold3，則通過邊框檢測，進入下一步摩爾紋檢測，否則識別為非活體；

(3)摩爾紋檢測：通過邊框檢測后，構建并訓練深度卷積神經網絡，訓練后，輸入人臉圖片后，對于每一小塊區域，提取神經網絡softmax層的概率值作為分類結果，對所有圖片塊計算概率加權和P，若P大于閾值threshold4，則識別為非活體，否則識別為活體。

進一步的，所述眨眼檢測具體包括如下步驟：

(1.1)輸入一段視頻F，取待檢測視頻幀f_i；