[发明专利]一种融合三元组损失函数的rgb人脸活体识别方法

说明书

本发明公开了一种融合三元组损失函数的rgb人脸活体识别方法，包括如下步骤：步骤1：将采集的到图片让标注人员标注，标注的类别只有两个，即真实人脸和攻击样本；步骤2：对所有的图片通过人脸检测得到人脸检测框，然后使用关键点模型将检测后的人脸姿态矫正；步骤3：根据标注的结果，将所有的数据生成大量的三元组；步骤4：将生成好的所有的三元组作为我们的训练输入，设置不同的神经网络模型超参数，选择合适的网络结构，然后开始训练，每训练完一个epoch都把训练的模型参数保存下来。本发明在训练的过程中逐渐拉开不同样本之间的距离以及缩小同类别样本之间的距离，从而能使得模型的精度进一步提升，而且泛化性能大大加强。

技术领域

本发明涉及一种人脸识别技术领域，具体涉及一种融合三元组损失函数的rgb人脸活体识别方法。

背景技术

随着人工智能技术地不断发展，人脸识别作为一种图像识别技术，广泛地应用在安防、支付等领域。但是在人脸识别技术中，存在这么一个问题，即攻击者使用特定人员的照片来绕开人脸识别；因此，为了防止被人脸照片攻破，需要对获取到的人脸图像先进行活体识别判断是否是真人，再使用人脸识别技术。

现有技术中，通常通过让用户完整指定动作来验证当前验证人员是否为真人，虽然此举可以对抗大部分的图片或者视频伪造的活体攻击，但同时仍能被攻击者精心制作的视频给绕过，且用户体验不够好。用户希望得到的体验是当人脸出现在摄像头面前，即使是不需要做任何动作，系统也能在较短时间内快速识别出到底是攻击样本还是真实人脸。因此，大量研究人员开始使用基于深度神经网络模型来做活体识别。

在人脸活体识别这一领域，有诸如基于rgb的或者基于depth等多种不同的方式，由于不同的方式可利用的信息不等，所以无法统一比较。

现有的技术方案大多都是先搜集大量的攻击样本和真实人脸样本，使用诸如ResNet或者MobileNet等神经网络进行训练，最终使用 Softmax损失函数来进行二分类，即攻击样本还是真实人脸。Softmax 函数的优点是在训练模型的时候收敛速度快，但是有个最大的缺点就是无法优化训练出来的特征的表征能力，通常得到特征之间的类内距离和类间距离不够明显，公式如下：

其原理是将神经网络模型生成的特征向量值映射到(0,1)之间，且这些值相加之和等于1；由公式可见，神经网络在训练过程中，会逐渐向样本正确的分类去学习，却没有去学习如何拉开不同样本之间的差距，其分类精度较低，降低了从抗击活体攻击样本的成功率。

发明内容

本发明的目的在于提供一种融合三元组损失函数的rgb人脸活体识别方法，其在训练的过程中逐渐拉开不同样本之间的距离以及缩小同类别样本之间的距离，从而能使得模型的精度进一步提升，而且加强了泛化性能。

为解决上述技术问题，本发明所采用的技术方案是：

一种融合三元组损失函数的rgb人脸活体识别方法，包括如下步骤：

步骤1：将采集的到图片让标注人员标注，标注的类别只有两个，即真实人脸和攻击样本；

步骤2：对所有的图片通过人脸检测得到人脸检测框，然后使用关键点模型将检测后的人脸姿态矫正；

步骤3：根据标注的结果，将所有的数据生成大量的三元组；

步骤4：将生成好的所有的三元组作为我们的训练输入，设置不同的神经网络模型超参数，选择合适的网络结构，然后开始训练，每训练完一个epoch都把训练的模型参数保存下来，最后根据评价指标决定最终使用保存的哪个epoch模型参数；

步骤3中，数据生成大量的三元组函数公式如下：

其中：

a代表anchor，为从训练集中随机选定的样本，