[发明专利]一种基于人脸识别的活体检测系统及方法

说明书

本发明公开了一种基于人脸识别系统的活体检测系统及方法，通过采用卷积神经网络进行训练得到相应的分类模型，然后将待识别的图片输入到分类模型中得到识别结果的方式对待识别的人脸图片进行活体或非活体判断，该方法不需要人工对图片进行特征分析，不需要采用特定的指令动作配合，即可实现活体检测，用户体验好，而且在使用过程中仅需一台具有拍照功能的设备例如手机等智能终端进行不同距离的人脸图片采集，即可实现活体检测，使用范围广，而且相对于光流法活体检测，本方法仅需按照由远及近的方法采集若干张图片，而无需采集连续的视频帧，需要处理的目标数据量远小于光流法活体检测，计算量小，在实时性和实用性具有较大的优势。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种基于人脸识别的活体检测系统及其方法。

背景技术

在生物识别系统中，为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。

一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。

随着人脸识别技术日趋成熟，商业化应用愈加广泛，然而人脸极易用照片、视频等方式进行复制，因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。

目前，人脸识别技术通行的活体检测技术主要包括以下几种方法：

采用指令动作配合的方式，如人脸左转、右转、张嘴、眨眼等，指令配合错误则认为是伪造欺骗。该种方法需要用户配合，认证时间长，识别后需要重新认证几率高，用户体验不好。

根据光流法，利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时，光流场对物体运动比较敏感，利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。但是如果使用3D打印出来的人脸模型进行伪造欺骗时，该方法具有较高的误判率，而且在利用该方法进行运动物体检测时，计算量加大，无法保证实时性和实用性。

3D人脸检活，利用3D摄像头拍摄人脸，得到相应的人脸区域的3D数据，并基于这些数据做进一步的分析，最终判断出这个人脸是来自活体还是非活体。这里非活体的来源是比较广泛的，包括手机和Pad等介质的照片和视频、各种打印的不同材质的照片(这里包含各种情形的弯曲、折叠、剪裁、挖洞等情形)等。该方法在检测时至少需要两个摄像头进行人脸图像采集，设备成本较高，使用场合受到严重的制约。

发明内容

针对现有技术的问题，本发明提出一种基于人脸识别的活体检测方法及系统，实现在人脸识别的过程中对被识别的人脸进行活体检测，该方法通过在不同距离拍摄不同的照片，然后利用深度学习卷积神经网络来自动提取活体和非活体的区分特征，这种方法具有很强的学习性和部署的灵活性。

作为本发明的第一方面，提供一种基于人脸识别的活体检测方法，包括以下步骤：

S1，分别对活体人脸和照片人脸由远及近拍摄多张图片，然后通过卷积神经网络进行训练得到分类模型；

S2，采集待识别人脸图片，并输入到上述分类模型，得到识别结果。

优选地，所述步骤S1包括以下子步骤：

S11，针对训练集中的每一训练对象，对活体人脸由远及近采集若干张图片，同时针对活体人脸对应的照片人脸以相同的采集规则由远及近采集相同张数图片；