[發(fā)明專利]一種人臉活體檢測(cè)方法、系統(tǒng)及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210197855.2
• 申請(qǐng)日: 2022-03-01
• 公開（公告）號(hào): CN114612965A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計(jì)）人: 胡海峰;嚴(yán)文俊;曾瑩
• 申請(qǐng)（專利權(quán)）人: 中山大學(xué)
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市創(chuàng)富知識(shí)產(chǎn)權(quán)代理有限公司 44367
• 代理人: 高冰

本發(fā)明公開了一種人臉活體檢測(cè)方法、系統(tǒng)及介質(zhì)，該方法包括：采集人臉圖像并輸入至深度學(xué)習(xí)網(wǎng)絡(luò)；對(duì)人臉圖像進(jìn)行特征提取和編碼處理，得到編碼特征信息；對(duì)編碼特征信息進(jìn)行聚集和分離處理，得到特征分布信息；根據(jù)特征分布信息進(jìn)行判斷，輸出檢測(cè)結(jié)果。該系統(tǒng)包括：采集模塊、特征編碼模塊、跨層特征級(jí)聯(lián)模塊、跨域雙特征約束模塊和特征分類模塊。通過使用本發(fā)明，能夠快速且高性能的實(shí)現(xiàn)人臉活體檢測(cè)。本發(fā)明作為一種人臉活體檢測(cè)方法、系統(tǒng)及介質(zhì)，可廣泛應(yīng)用于人臉檢測(cè)領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及人臉檢測(cè)領(lǐng)域，尤其涉及一種人臉活體檢測(cè)方法、系統(tǒng)及介質(zhì)。

背景技術(shù)

人臉活體檢測(cè)是指在一些如人臉識(shí)別的身份驗(yàn)證場(chǎng)景中，判斷對(duì)象是否為真實(shí)活體本人，而非偽造人臉(如人臉照片、視頻、3D面具等)的技術(shù)。人臉識(shí)別系統(tǒng)由于其便利性，同時(shí)近些年深度學(xué)習(xí)技術(shù)的發(fā)展極大的提高了人臉識(shí)別的性能和安全性，成為目前應(yīng)用最廣泛的生物驗(yàn)證識(shí)別系統(tǒng)之一。因此，保護(hù)用戶免受惡意人臉攻擊的活體檢測(cè)系統(tǒng)也變得至關(guān)重要。但現(xiàn)有技術(shù)提供的人臉活體檢測(cè)方法，在面對(duì)未知攻擊方式的檢測(cè)能力有待進(jìn)一步提升。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種人臉活體檢測(cè)方法、系統(tǒng)及介質(zhì)，旨在解決現(xiàn)有技術(shù)面對(duì)未知攻擊方式檢測(cè)能力不足的問題。

本發(fā)明所采用的第一技術(shù)方案是：一種人臉活體檢測(cè)方法，包括以下步驟：

采集人臉圖像并輸入至深度學(xué)習(xí)網(wǎng)絡(luò)；

所述深度學(xué)習(xí)網(wǎng)絡(luò)包括特征編碼模塊、跨層特征級(jí)聯(lián)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(jí)聯(lián)模塊，對(duì)人臉圖像進(jìn)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(duì)編碼特征信息進(jìn)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(jù)特征分布信息進(jìn)行判斷，輸出檢測(cè)結(jié)果。

進(jìn)一步，所述采集人臉圖像并輸入至深度學(xué)習(xí)網(wǎng)絡(luò)這一步驟之前，還包括：

構(gòu)建訓(xùn)練集并基于訓(xùn)練集對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練完成的深度學(xué)習(xí)網(wǎng)絡(luò)。

進(jìn)一步，所述基于特征編碼模塊和跨層特征級(jí)聯(lián)模塊，對(duì)人臉圖像進(jìn)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(duì)人臉圖像進(jìn)行初步提取和編碼處理，得到初步信息；

基于跨層特征級(jí)聯(lián)模塊對(duì)初步信息進(jìn)行處理，提取局部特征和卷積特征并構(gòu)建特征級(jí)聯(lián)輸出；

將特征級(jí)聯(lián)輸出反饋至特征編碼模塊，輸出編碼特征信息。

進(jìn)一步，所述跨層特征級(jí)聯(lián)模塊包括多個(gè)多算子特征學(xué)習(xí)單元，所述多算子特征學(xué)習(xí)單元由兩條支路組成，所述基于跨層特征級(jí)聯(lián)模塊對(duì)初步信息進(jìn)行處理，提取局部特征和卷積特征并構(gòu)建特征級(jí)聯(lián)輸出這一步驟，其具體包括：

基于多算子特征學(xué)習(xí)單元第一支路，根據(jù)局部特征算子對(duì)初步信息進(jìn)行處理，提取得到局部特征；

基于多算子特征學(xué)習(xí)單元第二支路，根據(jù)卷積算子對(duì)初步信息進(jìn)行處理，提取得到卷積特征；

將局部特征和卷積特征級(jí)聯(lián)，得到多算子特征學(xué)習(xí)單元的輸出；

將多算子特征學(xué)習(xí)單元的輸出整合，得到特征級(jí)聯(lián)輸出。

進(jìn)一步，所述跨域雙特征約束模塊包括域內(nèi)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(duì)編碼特征信息進(jìn)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(nèi)多類特征約束單元對(duì)編碼特征信息進(jìn)行處理，在特征空間上將同域同類的樣本進(jìn)行聚集，將同域不同類的樣本進(jìn)行分離；