[發明專利]人臉活體檢測方法、系統、設備及可讀存儲介質

在審

• 申請號: 201911387862.3
• 申請日: 2019-12-30
• 公開（公告）號: CN111209820A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 何學智;林林;劉小揚;黃澤斌
• 申請（專利權）人: 新大陸數字技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種人臉活體檢測方法、系統、設備及可讀存儲介質。檢測圖片中的人臉關鍵點及人臉框檢測，使用人臉追蹤技術關聯連續視頻幀中相同的人臉ID；采集深度圖像，對圖片中的人臉區域進行歸一化處理，獲得處理后的人臉深度圖；將一人臉ID預設幀數的RGB人臉圖像和所述人臉深度圖輸入深度學習網絡進行檢測，獲得每一幀圖片的活體判斷結果；進而判定將該人臉ID是否為活體。相對于其他的活體檢測方法，本系統提出的方法使用深度學習算法所提取的特征具有更好的通用性，也具有更好的泛化能力，從而對各種場景的攻擊都具有更好的魯棒性，活體判斷過程無需用戶配合，且速度較快，能給用戶帶來較好的體驗感。

技術領域

本發明涉及圖像識別技術領域，特別涉及一種人臉活體檢測方法、系統、設備及可讀存儲介質。

背景技術

近年來，隨著深度學習算法的發展，人臉識別技術得到了廣泛的應用，“刷臉”的場景也越來越多，比如門禁，刷臉支付，刷臉考勤等。然而，前主流的人臉識別技術只能區分不同人臉之間的區別，而無法辨別是否用戶本人在使用人臉識別。當用戶的人臉信息泄露，不法分子就可以通過用戶的人臉信息制作照片、視頻、三維人臉模型來欺騙人臉識別系統，造成用戶的財產和信息損失。而活體檢測是用于防止這些欺騙的有效方法。

傳統的活體檢測方案主要包括交互式活體檢測、單目靜默式活體檢測，雙目靜默式活體檢測等等。交互式活體檢測主要通過用戶交互的方式來實現活體檢測功能，存在用戶體驗差，且無法應對視頻回放攻擊。單目靜默式活體檢測法通過提取圖像中人臉的紋理、摩爾紋、邊框等特征來區分真人和攻擊，然而紋理特征與相機的類型有很大關系，不同類型的相機下真人和攻擊紋理的區別很大，這會導致該項特征的泛化性較差，而摩爾紋和邊框特征則可以通過特殊角度的擺拍來避免該類特征的出現，因此單目活體檢測的安全等級和泛化性都不高，無法應用于安防、金融等需要極高準確率的應用場景上；雙目活體檢測則采用額外的紅外相機來得到紅外人臉圖像，通過提取紅外圖和RGB圖中真實人臉和攻擊人臉之間的區分性特征來實現活體檢測功能，精度相比于單目活體有所提升，但是仍未提取真人人臉和攻擊人臉的區分性特征，即人臉的深度信息，因此比較難以抵抗3D攻擊。

發明內容

本發明要解決的技術問題是如何提供安全等級高、魯棒性好的人臉活體檢測方法、系統、設備及可讀存儲介質。

為了解決上述技術問題，第一方面，本發明的技術方案為：一種人臉活體檢測方法，其特征在于，包括步驟：

人臉關鍵點及人臉框檢測，并進行人臉對齊；

使用人臉追蹤技術關聯連續視頻幀中相同的人臉ID；

采集深度圖像，對圖片中的人臉區域進行歸一化處理，獲得處理后的人臉深度圖；

將一人臉ID預設幀數的RGB人臉圖像和所述人臉深度圖輸入深度學習網絡進行檢測，獲得每一幀圖片的活體判斷結果；

將該人臉ID的所有活體判斷結果進行投票，當判斷為活體的幀數多時，則認定對象為活體，判斷為攻擊的幀數多時，則認定對象為非活體。

優選地，對圖片進行活體判斷的深度學習網絡使用Resnet作為基礎網絡，所述深度學習網絡采用人臉圖像和所述人臉深度圖的雙輸入通道，兩個輸入分支在分別進行特征提取后，通過se-module對兩個分支提取出的特征進行選擇性激發融合，再經過數層卷積對融合后的特征進行特征提取，獲得活體判斷結果。

優選地，所述深度學習網絡的目標函數為focal損失函數。

優選地，人臉關鍵點中眼睛和嘴角所有點的實際深度，計算這些點的實際深度的均值，取歸一化上限為均值加上固定值，下限為均值減去所述固定值，將人臉區域深度歸一化為像素值在0～255區間的灰度圖。

優選地，對于實際深度大于上限和小于下限位置的灰度值置為0。

優選地，歸一化公式為：