[发明专利]一种多截取区域的人脸活体判定方法、设备及存储介质

说明书

一种多截取区域的人脸活体判定方法，其特征在于，包括如下步骤：步骤S1：在第一RGB图像和第一深度图像上分别获取人脸区域，并在所述人脸区域内截取至少两个子区域；其中，所述第一RGB图像和所述第一深度图像为像素级对齐；步骤S2：将所述子区域分别输入子网络；步骤S3：将多个所述子网络的数据输入子网络融合层，并利用分类函数进行二分类，得到第一结果和第二结果；步骤S4：根据所述第一结果和所述第二结果判断是否为人脸活体。本发明可以有效抵挡2D平面假体等的攻击。

背景技术

深度图像也被称为距离影像，是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像，它直接反映了景物可见表面的几何形状。深度摄像头所获取的原始深度数据通常是10位或者12位的，将10位或者12位的深度数据转为8位的深度值，即可得到深度图像。

活体判定算法是人脸图像进行人脸识别之前的重要一环，在进行人脸识别之前，算法需要判断所要识别的人脸图像属于活体真人的图像，需要抵挡打印照片，电子视频，3D头模等等非真人活体图像的攻击。二维平面假体(打印二维平面假体，挖孔的二维平面假体，局部裁剪的二维平面假体，弯曲的二维打印平面假体，视频二维平面假体等等)由于和真人人脸的相似度过大，因此直接采用RGB摄像头来做假体判断泛化效果过差。但是二维平面假体相比真人的人脸，在深度图像上有明显的差异；二维平面假体在深度图上会出现大块的平坦区域，但是真实的人脸在深度图上却会有明显的纹理。因此，采用深度数据来进行上述二维平面假体的判定可以有效弥补RGB在这一类假体上的能力不足。

发明内容

为此，本发明针对RGB图像和深度图像，采用多区域截取的方法，结合网络结构进行训练与推理，可以有效抵挡打印二维平面假体，挖孔的二维平面假体，局部裁剪的二维平面假体，弯曲的二维打印平面假体，视频二维平面假体等等的攻击。

第一方面，本发明提供一种多截取区域的人脸活体判定方法，其特征在于，包括如下步骤：

步骤S1：在第一RGB图像和第一深度图像上分别获取人脸区域，并在所述人脸区域内截取至少两个子区域；其中，所述第一RGB图像和所述第一深度图像为像素级对齐；

步骤S2：将所述子区域分别输入子网络；

步骤S3：将多个所述子网络的数据输入子网络融合层，并利用分类函数进行二分类，得到第一结果和第二结果；

步骤S4：根据所述第一结果和所述第二结果判断是否为人脸活体。

可选地，所述的一种多截取区域的人脸活体判定方法，其特征在于，所述步骤S1包括：

步骤S11：在第一RGB图像上检测到人脸位置，并获得第一人脸关键点；

步骤S12：基于所述人脸关键点在所述第一RGB图像和第一深度图像上同时进行归一化处理，分别得到第二RGB图像和第二深度图像；

步骤S13：在所述第二RGB图像上提取第二人脸关键点，并获得相应的子区域；

步骤S14：将所述第二人脸关键点对应到所述第二深度图像，得到所述第二深度图像的第三人脸关键点。

可选地，所述的一种多截取区域的人脸活体判定方法，其特征在于，所述子网络包括卷积层、批量归一化层、非线性激活层、池化层和叠加层。

可选地，所述的一种多截取区域的人脸活体判定方法，其特征在于，所述子网络至少包含八个卷积层。

可选地，所述的一种多截取区域的人脸活体判定方法，其特征在于，所述子网络在训练时，采用联合训练的方式。

可选地，所述的一种多截取区域的人脸活体判定方法，其特征在于，在进行所述联合训练时，先将所述子区域的损失函数分别做反向传播，更新所述子网络和所述子网络融合层的网络权值。