[发明专利]基于深度学习的人脸识别与活体检测方法

说明书

本发明公开基于深度学习的人脸识别与活体检测方法，收集人脸图像信息分为训练集和测试集，设计神经网络利用训练集和测试集训练人脸模型得到能准确获取图像中的人脸的优化人脸模型；将优化人脸模型获取的人脸信息细分出若干反映人脸特征的有效点位为锚点，根据人脸与锚点设计卷积神经网络以卷积得到快速获取人脸有效信息模型；从摄像头拍摄的视频中分别截取一个以上指定区域的图像作为待测图像；待测图像依次经过优化人脸模型人脸有效信息模型处理得到人脸有效信息，人脸有效信息包括若干反应动作状态的锚点；人脸有效信息构建对应各个锚点之间的关系，通过算法计算锚点向量之间的行为阈值以判断是否活体。本发明验证效果增加显著，活体验证成功率高。

技术领域

本发明涉及人脸识别技术领域，尤其涉及基于深度学习的人脸识别与活体检测方法。

背景技术

在如今一个信息数据时代，数据的公开透明给人们造成了极大便利的同时，其弊端也逐渐崭露头角，甚至有些不法分子利用非法的来的信息，从事各种非法工作，如何保证信息数据给科技带来便利的同事，信息安全的需求也在人们日常活动中显得越为重要，一套安全的验证系统，能够过滤绝大多数非法验证信息，由此，本专利推出一种基于深度学习的人脸识别技术，来加强信息验证。同时，根据人脸生物特征，检测人脸的同时，校验样本活体的可信度，来进一步巩固验证按得安全等级，同时解放双手。搭配上时下5G技术，让该系统更加快速便捷。

顾名思义，该方法基于深度学习(Deep Learning,DL)这种智能方式，获取足够多的人脸样本数量，来训练人脸识别，捕捉人脸特征，而后构建一套卷积神经网络，卷积不同的人脸信息，来比对人脸的相似度，相似度达到一定阈值后，即视为验证通过。该技术在银行验证系统中，有被利用，但是安全等级并不令人满意，基于这一人脸识别技术，该方法引入动态图像分析，通过摄像头采集验证当事人当前的图像信息，验证者完成指定的相应动作，通过生物特征，识别活体的可信度，最终达到验证目的，同时解放双手。根据该项技术，后续可以进一步研发自动上妆等技术。数据的公开透明给人们造成了极大便利的同时，其弊端也逐渐崭露头角，甚至有些不法分子利用非法的来的信息。

发明内容

本发明的目的在于提供基于深度学习的人脸识别与活体检测方法。

本发明采用的技术方案是：

基于深度学习的人脸识别与活体检测方法，其包括以下步骤：

步骤1，收集人脸图像信息分为训练集和测试集，设计神经网络利用训练集和测试集训练人脸模型得到能准确获取图像中的人脸的优化人脸模型；

步骤2，将优化人脸模型获取的人脸信息细分出若干反映人脸特征的有效点位为锚点，根据人脸与锚点设计卷积神经网络以卷积得到快速获取人脸有效信息模型：

步骤3，从摄像头拍摄的视频中分别截取一个以上指定区域的图像作为待测图像；

步骤4，待测图像依次经过优化人脸模型人脸有效信息模型处理得到人脸有效信息，人脸有效信息包括若干反应动作状态的锚点；

步骤5，人脸有效信息构建对应各个锚点之间的关系，通过算法计算锚点向量之间的行为阈值以判断是否活体。

步骤2中若干反映人脸特征包括脸型轮廓特征点、眉形特征点、眼型特征点、鼻型特征点和嘴型特征点。

步骤2中人脸的锚点包括：左眉头点、右眉头点、左眉顶点、右眉顶点、左眉尾点、右眉尾点、左眼内眼角点、右眼内眼角点、左眼外眼角点、右眼外眼角点、左脸宽点、右脸宽点、左鼻顶点、右鼻顶点、左鼻翼点、右鼻翼点、左鼻侧点、右鼻侧点、左鼻孔点、右鼻孔点、鼻顶点、鼻下点、左嘴角点、右嘴角点、眉心点和下巴点。

步骤3中指定区域为眼睛或者眼睛和嘴巴。

步骤4中涉及在嘴巴图像选定嘴巴特征点时，嘴巴特征点包括一组左右嘴角特征点以及三组以上的上下嘴唇特征点，每组上下嘴唇特征点间隔选取且上下嘴唇对应位置各选取一个特征点。