[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

说明书

本发明公开了一种人脸活体检测方法及系统、计算机可读取的存储介质。本发明的人脸活体检测方法及系统，基于多帧3D深度图像进行人脸活体检测，相对于现有的基于BGR图像进行人脸活体检测的方式，其不受环境光照变化的影响，检测准确率和泛化能力更好，并且构建了循环注意力网络模型对多帧3D深度图像进行处理，引入了注意力机制，结合前后多帧深度图像动态选择有利于检测是否为活体的深度图像区域，从而进一步提升了人脸活体检测的准确率和泛化能力，避免出现由于用户距离较远导致单帧3D深度图像不明显从而导致出现误判的情况。

技术领域

本发明涉及人脸识别活体检测技术领域，特别地，涉及一种人脸活体检测方法及系统、计算机可读取的存储介质。

背景技术

人脸活体检测技术是人脸识别能够推广的前提，是人脸识别领域的研究热点之一，其目的在于判断摄像头捕捉的是真实人脸还是伪造的人脸，以防止非法之徒攻击人脸识别系统，以谋取不当得利。人脸活体检测技术在安防领域、金融以及实际生活中有着广泛的应用，比如：人脸识别门禁，人脸锁等，这其中往往存在安全问题，目前的人脸活体检测的准确性很低，容易被攻破，往往威胁用户的人身安全和财产安全。但是，现有方法通常不尽如人意，在环境光线变化时，人脸活体检测往往失效。

目前，人脸活体检测的方法主要包括：1)随机交互式人脸活体检测技术；2)无需额外硬件设备的基于BGR图像的人脸活体检测技术；3)需要额外硬件设备的基于近红外或者深度图的人脸活体检测技术。

1)、随机交互式人脸活体检测技术，是通过随机交互的方式判断当前人脸是否真实人脸，一般是要求用户完成一组随机动作，包括：眨眼、张闭嘴、摇摇头，点点头等动作，如果能在规定的时间完成规定的动作，即判断为该人脸是用户的真实人脸，否则是伪造的人脸。虽然可以一定程度上抵挡非法人员的攻击，但也存在用户体验较差的问题，影响用户的使用，不利于人脸识别系统的推广。

2)、无需额外硬件设备的基于BGR图像的人脸活体检测技术，是通过针对BGR图像提取特征，进行二分类，判断是否为真实人脸，提取的特征包括：LBP等传统机器学习方法提取的特征，卷积神经网络等提取的特征等。但是在环境光照变化时，BGR图像成像不稳定，很难提取到能够区别真实人脸和伪造人脸的本质特征，所以其较低的准确率和泛化性能无法满足人脸识别的安全性能的保障。

3)、需要额外硬件设备的基于近红外或者3D深度图的人脸活体检测技术，由于BGR图像的成像随光照环境的变化差异较大，准确率较低，需要结合额外的硬件设备，采用近红外摄像头或者结构光、TOF摄像头采集的近红外图像和3D深度图像，并针对近红外图像和3D深度图像提取特征，进行二分类，判断是否为真实人脸，提取的特征包括：PCA等传统机器学习方法提取的特征，卷积神经网络等提取的特征等。虽然近红外和3D深度图都一定程度上有利于提升人脸活体检测的准确率和泛化性能，但是现有的特征提取和分类都是基于单帧图像的，有时也会造成误判，比如：用户在离摄像头较远时，深度图的成像可能会不完整，无法体现真假图像之间的差异。

发明内容

本发明提供了一种人脸活体检测方法及系统、计算机可读取的存储介质，以解决现有的人脸活体检测方法存在的用户体验感差、在环境光照发生变化和用户距离较远时识别准确率低的技术问题。

根据本发明的一个方面，提供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，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。