[发明专利]基于多特征融合的人脸活体检测方法及设备

说明书

本发明涉及一种基于多特征融合的人脸活体检测方法及设备，属于图像处理与计算机视觉技术领域，该方法包含将具有代表性的图像块送入神经网络支路和二值模式LBP支路，得到每个图像块的第一和第二分类概率，通过反向传播更新网络参数，得到第一和第二分类概率的最优权重，把得到的每个图像块的第一和第二分类概率做加权融合，得到最终检测结果，本发明首次利用人脸图像块，结合LBP特征和深度神经网络提取的特征进行人脸活体检测，更好地利用了图像信息，不仅提高了人脸活体检测的精确度，而且提高了其泛化能力。

技术领域

本发明属于图像处理与计算机视觉技术领域，涉及一种基于多特征融合的人脸活体检测方法。

背景技术

目前，人脸识别技术的研究方兴未艾，近年来一直都是计算机视觉领域的研究热点。由于其和传统的生物识别模式相比(如：指纹和虹膜)，具有方便、快捷和非接触等显著的优点，现已广泛应用于社会和生活的诸多领域，从金融机构的身份认证，到机场、车站的身份验证，再到专业考试或手机、app中的身份验证。这也对人脸识别的准确性和安全性提出了更严格的要求。现有的人脸识别系统比较脆弱，容易受到欺骗、攻击，常见的欺骗种类有打印照片和视频回放。

目前抗欺骗的方法主要有三种：(1)基于纹理信息的人脸活体检测方法，由于真实人脸图像是通过对真人的脸部(复杂的非刚性三维物体)进行拍摄得到，而虚假人脸图像是通过二次采集用户的照片或视频得到，所以两种图像的纹理信息会有所不同，可以根据纹理上的差别判断真假脸，这类方法在特定的光照环境下，表现较好，但泛化能力弱。(2)基于运动信息的人脸活体检测方法，这类方法通过检测人脸的自主性生理运动来区分真假脸，如眼部、头部和嘴部的运动。基于运动信息的人脸活体检测方法容易受到光照等自然环境的影响，通常需要处理序列图像，计算投入较大，而且需要用户的配合，用户体验效果不佳。(3)基于深度学习的人脸活体检测方法，这类方法可以更好地提取图像中的人脸信息，检测的精确度也很高，但是深度网络在学习过程中会存在过拟合问题，所以它的泛化能力较差。

发明内容

本发明为解决上述问题，提供一种基于多特征融合的人脸活体检测方法及设备，利用图像块训练了端到端的神经网络，更全面的提取真实人脸和虚假人脸之间的差异信息，提高了人脸识别的准确率，由于真实人脸和虚假人脸之间差异性较小，我们利用LBP提取图像块的颜色纹理特征，使模型具有较好的泛化能力，有效地将两种特征进行融合，可以使人脸识别更好地应用到实践中。

根据本发明的一个方面，提供一种基于多特征融合的人脸活体检测方法，包括以下六个步骤：

步骤1，提取数据集中的人脸图像，进行归一化处理，将数据分为训练集和测试集；

步骤2，使用人脸识别算法，以眼睛为基准，对数据集中人脸部分的特征区域进行剪切，得到具有代表性的图像块；

步骤3，将图像块送入神经网络支路，利用卷积神经网络提取特征，使用SoftMax分类器，得到每个图像块的第一分类概率；

步骤4，将图像块送入局部二值模式LBP支路，利用LBP模式提取人脸图像块的颜色纹理特征，训练支持向量机SVM模型，得到每个图像块的第二分类概率；

步骤5，根据训练集从神经网络支路得到的第一分类概率和LBP支路得到的第二分类概率，通过反向传播更新网络参数，得到第一和第二分类概率的最优权重；

步骤6，提取测试集中的图像块分别送入到训练完成的神经网络支路和LBP支路，把得到的每个图像块的第一和第二分类概率做加权融合，得到最终检测结果。

根据本发明的另一个方面，提供一种基于多特征融合的人脸活体检测设备，包括以下模块：

数据预处理模块，用于与摄像头连接，接收摄像头采集的视频或图片数据，提取数据集中的人脸图像，进行归一化处理，将数据分为训练集和测试集；