[發明專利]一種基于卷積神經網絡的面部活體檢測方法

在審

• 申請號: 202110135891.1
• 申請日: 2021-02-01
• 公開（公告）號: CN112906508A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 魏強;易明權;漆光聰;李曉飛
• 申請（專利權）人: 四川觀想科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊

1.一種基于卷積神經網絡的面部活體檢測方法，其特征在于，包括以下步驟：

S1、采集人臉圖像，采用人臉檢測器對人臉圖像進行處理，得到人臉檢測圖像數據集；

S2、對人臉檢測圖像數據集進行預處理，得到標準化人臉數據集；

S3、構建活體檢測網絡，并采用標準化人臉數據集對活體檢測網絡進行訓練，得到訓練完成的活體檢測網絡；

S4、對訓練完成的活體檢測網絡輸入待處理的視頻流，得到標記出真實或偽造的人臉視頻圖像幀。

2.根據權利要求1所述的基于卷積神經網絡的面部活體檢測方法，其特征在于，所述步驟S2包括以下分步驟：

S21、采用高斯濾波對人臉檢測圖像數據集進行圖像降噪，得到降噪人臉檢測圖像數據集；

S22、采用USM銳化方法對降噪人臉檢測圖像數據集進行圖像增強，得到增強人臉檢測圖像數據集；

S23、對增強人臉檢測圖像數據集中每張圖像進行左右翻轉和旋轉，得到擴充人臉檢測圖像數據集；

S24、對擴充人臉檢測圖像數據集按照Channel方向計算均值和標準差；

S25、根據均值和標準差，對擴充人臉檢測圖像數據集進行歸一化和標準化處理，得到標準化人臉數據集。

3.根據權利要求1所述的基于卷積神經網絡的面部活體檢測方法，其特征在于，所述步驟S3中活體檢測網絡包括依次連接的輸入層、骨干子網絡和特征處理分類子網絡；所述骨干子網絡包括：Conv2D_BN_ReLU層、DownSampledLayer層、SpindleResidual層和1個DownSampledLayer層；

所述Conv2D_BN_ReLU層的數量為2個；

所述DownSampledLayer層的數量為2個至6個；

所述SpindleResidual層的數量為2個至6個；

所述2個的Conv2D_BN_ReLU層分別為：第一Conv2D_BN_ReLU層和第二Conv2D_BN_ReLU層；

所述DownSampledLayer層的數量為4個；

所述4個DownSampledLayer層分別為：第一DownSampledLayer層、第二DownSampledLayer層、第三DownSampledLayer層、第四DownSampledLayer層和第五DownSampledLayer層；

所述SpindleResidual層的數量為4個；

所述4個SpindleResidual層分別為：第一SpindleResidual層、第二SpindleResidual層、第三SpindleResidual層和第四SpindleResidual層；

所述特征處理分類子網絡包括：第一線性層和第二線性層。

4.根據權利要求3所述的基于卷積神經網絡的面部活體檢測方法，其特征在于，所述步驟S3中活體檢測網絡包括依次連接的輸入層、第一Conv2D_BN_ReLU層、第二Conv2D_BN_ReLU層、第一DownSampledLayer層、第一SpindleResidual層、第二DownSampledLayer層、第二SpindleResidual層、第三DownSampledLayer層、第三SpindleResidual層、第四DownSampledLayer層、第四SpindleResidual層、第五DownSampledLayer層、第一線性層和第二線性層；所述輸入層的輸入端作為活體檢測網絡的輸入端；所述第二線性層的輸出端作為活體檢測網絡的輸出端。

5.根據權利要求4所述的基于卷積神經網絡的面部活體檢測方法，其特征在于，所述第一Conv2D_BN_ReLU層和第二Conv2D_BN_ReLU層均包括依次連接的卷積層、批歸化層和非線性單元。

6.根據權利要求4所述的基于卷積神經網絡的面部活體檢測方法，其特征在于，所述第一Conv2D_BN_ReLU層的卷積核大小為3×3，步長為1，輸出通道為32。