[发明专利]基于多造假方式的人脸活体检测方法

说明书

技术领域

本发明涉及人脸活体检测领域，具体而言，涉及一种基于多造假方式的人脸活体检测方法。

背景技术

由于人脸容易获取、非接触式、使用方便等优点，人脸识别受到人们的喜爱，广泛应用在门禁出入境管理系统、登录系统等。随着智能设备的普及，人脸易被他人获取，通过面具、照片或者视频对人脸识别系统进行攻击。因此，在人脸识别系统中，人脸活体检测变得非常重要，是保证用户安全的不可或缺的手段，也是人脸识别得到广泛推广的前提。现有技术中，针对三种不同的造假方式，采用通用的网络模型进行识别，但是不同的造假方式，攻击方式不同，所以一个通用模型无法在如此多的复杂情况下学习到真假之间本质的特征，在遇到具体的造假时往往效果会变差。

发明内容

有鉴于此，本发明实施例的目的在于提供一种基于多造假方式的人脸活体检测方法，通过训练多个卷积神经网络进行融合，以判断人脸图像是否为活体的人脸图像。

为了达到上述的目的，本发明实施例采用的技术方案如下所述：

一种基于多造假方式的人脸活体检测方法，所述方法包括：

分别训练基于照片造假、视频造假和面具造假的卷积神经网络；

利用层叠泛化算法将所述三个卷积神经网络进行融合，得到分类模型；

获取待检测的人脸图像；

对所述人脸图像进行归一化处理；

将处理后的人脸图像分别输入至所述三个卷积神经网络中进行概率预测；

将所述三个卷积神经网络分别的预测结果输入至所述分类模型；

所述分类模型对所述预测结果进行分析以判断所述人脸图像的真假。

进一步地，所述利用层叠泛化算法将所述三个卷积神经网络进行融合，得到分类模型的步骤包括：

建立线性回归模型LR₍₀₎,LR₍₁₎，其中，0代表假，1代表真；

三种卷积神经网络在训练时，样本进入每种卷积神经网络，都会得到该样本属于每一类的概率，每一个样本经过三种卷积神经网络之后变为K*I维的向量，其中K为卷积神经网络个数，即3，I为类别个数即2，样本会对应K*I个概率值，当训练LR₍₀₎时，若该样本属于0类时样本的真实概率值y_n＝1，否则y_n＝0，当训练LR₍₁₎时，若该样本属于1类时y_n＝1，否则y_n＝0；

根据三种卷积神经网络预测的每一类的概率值和真实概率值，拟合一个线性回归模型，以调整模型对于每一类的预测权重。

进一步地，所述分类模型对所述预测结果进行分析以判断所述人脸图像的真假的步骤包括：

所述人脸图像首先经过三种卷积神经网络，每个卷积神经网络给出所述人脸图像属于真实人脸和造假人脸的概率值，将每一个卷积神经网络预测的概率值输入LR₍₀₎和LR₍₁₎线性回归模型，计算得到两个回归值m，n，如果m>n，则该样本属于0类，即所述人脸图像为假，否则属于1类，即人脸图像为真。

进一步地，所述对所述人脸图像进行归一化处理的步骤包括：

通过人脸检测的算法，检测到所述人脸图像中的人脸；

利用人脸特征点定位算法，找到所述人脸的准确区域，得到准确的人脸框；

将所述裁剪出来，并归一化到特定像素。

进一步地，所述将所述人脸框裁剪出来的步骤包括：将所述人脸框扩大，将扩大后的人脸框对应的原图中的区域裁剪出来。

进一步地，所述分别训练基于照片造假、视频造假和面具造假的卷积神经网络的步骤包括：

构建训练集，所述训练集包括造假视频和真人视频；

获取造假视频和真人视频中的图像；

通过人脸检测算法检测所述图像中的人脸；

将所述人脸进行裁剪；

对裁剪后出人脸图像进行归一化处理；

将所述归一化后的人脸图像输入至卷积神经网络，所述卷积神经网络包括输入层、多个卷积层、ReLU层、max-pooling层、全连接层、Dropout层和SoftmaxWithLoss层；

所述输入层将所述归一化后的人脸图像进行随机裁剪，将裁剪后的人脸图像水平翻转，得到特定像素的图像，将所述特定像素的图像送入多个卷积层中的第一个卷积层；