[发明专利]一种基于视频的人脸活体检测方法

说明书

本发明公开了一种基于视频的人脸活体检测方法，该人脸活体检测方法分为两个模块：离线训练模块和在线检测模块。所述离线训练模块分为3个步骤：S11、用摄像头采集大量人脸视频数据；S12、对采集到的视频数据进行预处理；S13、用深度学习对预处理后的视频数据进行训练。所述在线检测模块分为4个步骤：S21、用摄像头采集待检测对象的视频数据；S22、对采集的待检测对象的视频数据进行预处理；S23、对待检测对象进行活体检测。将检测结果和预先设定的阈值对比得到预测结果，从而判断检测对象是否为活体。与现有技术相比，本发明的一种基于视频的人脸活体检测方法不仅利用了单张图片的信息，而且加入了视频中各帧图片之间的信息，提高了人脸活体检测的准确率。本发明基于视频的人脸活体检测方法提高了人脸活体检测的精度，增强了活体相关金融、安防等领域的安全性。

技术领域

本发明涉及能够实现人脸活体检测的方法和使用该活体检测方法的人脸活体检测系统。具体为一种基于视频的人脸活体检测方法。

背景技术

随着人脸识别技术的发展，人脸识别系统越来越多地被应用于安防、金融等各种需要身份验证的领域中，如银行远程开户、门禁系统、远程交易操作验证等。在这些高安全级别的应用领域中，除了要确保被验证者的身份外，首先需要被验证者是一个合法的生物活体，即人脸识别系统需要能够防范攻击者使用照片、视频回放等方式进行攻击。人脸活体检测技术用于判断当前人脸识别的操作者是否为活体用户，进而可以实现对照片、视频回放等非活体的攻击进行拦截。

目前，人脸活体检测技术主要分为两大类：第一类技术为主动式人脸活体检测技术，这类技术要求用户在进行人脸识别时根据指令，配合完成特定的活体动作(如眨眼、摇头、张嘴等)，从而活体检测模块可以根据操作者是否准确地完成了活体动作，判定操作者是否是活体；第二类技术为被动式人脸活体检测技术，这类技术不需要用户配合完成活体动作，用户体验较好，但技术难度高，主要依赖输入的单帧图像信息或者其他设备传感器信息进行活体检测。在现有技术中，对于上述被动式人脸活体检测技术，通常使用活体与非活体的人脸采集图像用深度学习进行监督式训练，然后使用训练后的模型针对输入的单帧图像进行人脸活体预测。但是，这种技术方案只凭借单帧图像信息判断是否为活体，并没有分析摄像头捕捉到的视频序列中各帧图片之间的信息，从而使得其模型对于人脸活体的特征表达能力不足，进而会降低人脸活体检测结果的准确性。

鉴于上述问题，本发明提供一种基于视频的人脸活体检测方法，使用一段视频而非单张图片训练，使得网络学习时不仅学到单张图片的信息，同时还学到一个视频序列中各帧图片之间的信息。首先采集大量的活体和非活体人脸视频数据训练活体检测模型，对于待检测的对象，用摄像头采集待检测对象的人脸视频，对视频预处理之后输入到训练好的活体检测模型，最后输出视频的检测结果，将检测结果和预先设定的阈值进行对比得到预测结果，从而判断检测对象是否为活体。

发明内容

(一)要解决的技术问题

针对上述问题，本发明提供了一种基于视频的人脸活体检测方法，对摄像头采集到的视频数据进行活体检测，在无需用户主动配合及其它硬件传感器配合的情况下，有效防御照片、视频等非活体攻击者，基于视频的人脸活体检测方法在现有人脸活体检测模型的基础上加入视频帧间的信息，有效的提高了人脸活体检测的精度。

(二)技术方案

本发明提出的一种基于视频的人脸活体检测方法，该活体检测方法分为两个模块：离线训练模块和在线检测模块。所述离线训练模块分为3个步骤：S11、用摄像头采集大量人脸视频数据；S12、对采集到的视频数据进行预处理；S13、用深度学习对预处理后的视频数据进行训练。所述在线检测模块分为4个步骤：S21、用摄像头采集待检测对象的视频数据；S22、对采集的待检测对象的视频数据进行预处理；S23、对待检测对象视频数据进行预测；将检测结果和预先设定的阈值对比得到预测结果，从而判断检测对象是否为活体。S24、对待检测对象进行活体检测。

该人脸活体检测方法离线训练模块具体为：