[发明专利]人脸活体检测方法及系统、计算机可读取的存储介质

权利要求书

1.一种人脸活体检测方法，基于循环注意力机制对深度图像进行特征提取，其特征在于，

包括以下步骤：

步骤S1：构建循环注意力网络模型并初始化其网络参数，其中，所述循环注意力网络模型包括注意力特征选取网络、注意力分类网络和注意力位置更新网络；

步骤S2：输入多帧3D深度图像；

步骤S3：利用多帧3D深度图像对循环注意力网络模型进行训练，直至目标函数收敛，训练完成后保存网络模型；

步骤S4：将任意视频的多帧3D深度图像序列输入循环注意力网络模型中进行人脸活体检测；

所述步骤S3包括以下步骤：

步骤S31：利用注意力特征选取网络对3D深度图像进行提取特征；

步骤S32：基于提取出的特征进行分类评估是否为活体和对注意力选取位置进行更新；

步骤S33：重复执行上述步骤S31和步骤S32直至目标函数收敛；

所述步骤S31包括以下步骤：

步骤S311：在输入的原图区域中以注意力位置为中心选取与注意力位置区域相同大小的k个图像区域，将k个图像区域分别扩大倍数后对每张图像进行归一化处理，以得到k张m*m大小的图像；

步骤S312：对k张m*m大小的图像进行压缩和提取特征，得到特征维度为1*128的特征θ_g⁰；

步骤S313：对注意力位置区域的图像进行压缩和提取特征，得到特征维度为128的特征θ_g¹；

步骤S314：将特征θ_g⁰和θ_g¹连接以得到维度为256的特征g_t；

所述步骤S32包括以下步骤：

步骤S321：将t时刻经过步骤S31提取得到的特征g_t与t-1时刻注意力分类网络保留的特征h_t-1一起输入至注意力分类网络中，经注意力分类网络的隐藏层单元对特征进行提取得到隐藏记忆层特征h_t；

步骤S322：将隐藏记忆层特征h_t输入注意力分类网络的交叉熵损失中进行二分类优化分类以判断是否为活体，得到分类概率值和本次的损失值，并采用Adam最优化方法更新网络参数；

步骤S323：将隐藏记忆层特征h_t输入注意力位置更新网络中以对注意力选取位置进行更新，并采用Reinforce方法更新网络参数。

2.如权利要求1所述的人脸活体检测方法，其特征在于，

所述步骤S2中的多帧3D深度图像通过结构光相机或者TOF摄像头拍摄得到。

3.一种人脸活体检测系统，采用如权利要求1所述的人脸活体检测方法，其特征在于，

包括模型构建模块(11)，用于构建循环注意力网络模型，所述循环注意力网络模型包括注意力特征选取网络、注意力分类网络和注意力位置更新网络；

初始化模块(12)，用于对循环注意力网络模型的参数进行初始化；

深度图像输入模块(13)，用于向循环注意力网络模型中输入多帧3D深度图像；

训练模块(14)，用于采用多帧3D深度图像对循环注意力网络模型进行训练，直至目标函数收敛，并保存网络模型；

预测模块(15)，用于将任意视频的多帧3D深度图像序列输入训练好的循环注意力网络模型中进行人脸活体检测。

4.一种计算机可读取的存储介质，用于存储进行人脸活体检测的计算机程序，其特征在于，该计算机程序在计算机上运行时执行如权利要求1或2所述的人脸活体检测方法的步骤。