[發明專利]一種人臉活體檢測方法、系統及介質

在審

• 申請號: 202210197855.2
• 申請日: 2022-03-01
• 公開（公告）號: CN114612965A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 胡海峰;嚴文俊;曾瑩
• 申請（專利權）人: 中山大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 高冰

1.一種人臉活體檢測方法，其特征在于，包括以下步驟：

采集人臉圖像并輸入至深度學習網絡；

所述深度學習網絡包括特征編碼模塊、跨層特征級聯模塊、跨域雙特征約束模塊和特征分類模塊；

基于特征編碼模塊和跨層特征級聯模塊，對人臉圖像進行特征提取和編碼處理，得到編碼特征信息；

基于跨域雙特征約束模塊，對編碼特征信息進行聚集和分離處理，得到特征分布信息；

基于特征分類模塊，根據特征分布信息進行判斷，輸出檢測結果。

2.根據權利要求1所述一種人臉活體檢測方法，其特征在于，所述采集人臉圖像并輸入至深度學習網絡這一步驟之前，還包括：

構建訓練集并基于訓練集對深度學習網絡進行訓練，得到訓練完成的深度學習網絡。

3.根據權利要求2所述一種人臉活體檢測方法，其特征在于，所述基于特征編碼模塊和跨層特征級聯模塊，對人臉圖像進行特征提取和編碼處理，得到編碼特征信息這一步驟，其具體包括：

基于特征編碼模塊對人臉圖像進行初步提取和編碼處理，得到初步信息；

基于跨層特征級聯模塊對初步信息進行處理，提取局部特征和卷積特征并構建特征級聯輸出；

將特征級聯輸出反饋至特征編碼模塊，輸出編碼特征信息。

4.根據權利要求3所述一種人臉活體檢測方法，其特征在于，所述跨層特征級聯模塊包括多個多算子特征學習單元，所述多算子特征學習單元由兩條支路組成，所述基于跨層特征級聯模塊對初步信息進行處理，提取局部特征和卷積特征并構建特征級聯輸出這一步驟，其具體包括：

基于多算子特征學習單元第一支路，根據局部特征算子對初步信息進行處理，提取得到局部特征；

基于多算子特征學習單元第二支路，根據卷積算子對初步信息進行處理，提取得到卷積特征；

將局部特征和卷積特征級聯，得到多算子特征學習單元的輸出；

將多算子特征學習單元的輸出整合，得到特征級聯輸出。

5.根據權利要求4所述一種人臉活體檢測方法，其特征在于，所述跨域雙特征約束模塊包括域內多類特征約束單元和域間多類特征約束單元，所述基于跨域雙特征約束模塊，對編碼特征信息進行聚集和分離處理，得到特征分布信息這一步驟，其具體包括：

基于域內多類特征約束單元對編碼特征信息進行處理，在特征空間上將同域同類的樣本進行聚集，將同域不同類的樣本進行分離；

基于域間多類特征約束單元對編碼特征信息進行處理，在特征空間上將同類不同域的樣本進行聚集，將不同域不同類的樣本進行分離；

整合得到特征分布信息。

6.根據權利要求5所述一種人臉活體檢測方法，其特征在于，所述域內多類特征約束單元，約束條件公式表示如下：

上式中，a^d，和分別代表錨樣本、正樣本和負樣本，且d表示特征來自哪個域,“(,)”代表內積操作，E_s[]表示求均值。

7.根據權力要求6所述一種人臉活體檢測方法，其特征在于，所述域間多類特征約束單元，約束條件公式表示如下：

上式中，a^d、和分別代表錨樣本、正樣本和負樣本，k和d表示特征來自哪個域且k≠d，α表示隔閡參數，“(,)”表示內積操作，E_s[]表示求均值。

8.根據權利要求7所述一種人臉活體檢測方法，其特征在于，所述構建訓練集并基于訓練集對深度學習網絡進行訓練，得到訓練完成的深度學習網絡這一步驟，其具體包括：

采集不同域的真實人臉圖像和對應的攻擊人臉圖像并進行裁剪預處理，構建得到訓練集；

以不同域的人臉圖片為輸入，真實標簽為輸出，對深度學習網絡進行訓練，得到訓練完成的深度學習網絡。