[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

本發明公開了一種基于卷積神經網絡的面部活體檢測方法，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；本發明解決了如何識別偽造的人臉圖像的問題。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于卷積神經網絡的面部活體檢測方法。

背景技術

近年來，人臉識別隨著計算機視覺技術的不斷發展，識別技術的性能得到了質的提升。由于人臉識別技術具有直接、方便、易用的特點，目前廣泛應用于智能監控、金融、移動支付等領域。隨著人臉識別技術的廣泛應用，人臉識別技術的安全問題也日益突出，例如：偽造者可以利用用戶的圖片或視頻欺騙人臉識別系統進行移動支付等，造成用戶的損失。為了提高人臉識別技術的安全性，需要準確判斷當前的用戶是否為活體，目前普遍采用的是交互式活體檢測技術，即引導用戶配合(眨眼、轉頭、點頭)等指令來做出相應動作以在一系列連續的幀中來提取特征來識別是否為活體，但是此方法的侵入性太強，且檢索過程繁瑣，用戶友好性不高；除此之外，還有基于面部紋理的檢測，真實人臉和照片中的人臉在圖像紋理上存在差別，該方法計算了面部區域的局部二值模式(Local Binary Patterns，LBP)，然后通過支持向量機(SVM)將面部檢測為真實面部和偽造面部；還有頻率分析和光流算法。但這些算法大多是基于人工特征提取，手段單一，不能準確描述活體人臉的特點，對多類型攻擊手段的人臉欺詐方式的檢測精度差，不具有魯棒性，受場景約束度較高。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于卷積神經網絡的面部活體檢測方法解決了如何識別偽造的人臉圖像的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于卷積神經網絡的面部活體檢測方法，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。

進一步地，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。

進一步地，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；