[发明专利]一种基于深度学习的多分类器融合的人脸活体识别方法

权利要求书

1.一种基于深度学习的多分类器融合的人脸活体识别方法，其特征在于，该方法为利用传统边缘特征的边框检测，收集数据并训练深度神经网络的摩尔纹检测，并结合使用人眼关键点位置的眨眼检测，进行多分类器融合的人脸活体分类识别。

2.根据权利要求1所述的一种基于深度学习的多分类器融合的人脸活体识别方法，其特征在于，该方法包括如下步骤：

(1)眨眼检测：对视频F中的待检测视频帧f_i进行人脸关键点检测，获得眼部区域关键点坐标，由眼部区域关键点坐标计算人眼开合度U_i，统计人眼开合度U_i小于阈值threshold1的次数z，z小于阈值threshold2则识别为非活体，否则进行下一步检测；

(2)边框检测：通过眨眼检测后，对待检测视频帧f_i进行canny边缘检测，然后进行hough变换，计算出现边框的帧数占总帧数的比例，若小于阈值threshold3，则通过边框检测，进入下一步摩尔纹检测，否则识别为非活体；

(3)摩尔纹检测：通过边框检测后，构建并训练深度卷积神经网络，训练后，输入人脸图片后，对于每一小块区域，提取神经网络softmax层的概率值作为分类结果，对所有图片块计算概率加权和P，若P大于阈值threshold4，则识别为非活体，否则识别为活体。

3.根据权利要求2所述的一种基于深度学习的多分类器融合的人脸活体识别方法，其特征在于，所述眨眼检测具体包括如下步骤：

(1.1)输入一段视频F，取待检测视频帧f_i；

(1.2)眼部区域关键点坐标获取：使用dlib库中人脸关键点检测算法对待检测视频帧f_i进行人脸关键点检测，获得眼部区域关键点坐标；

(1.3)使用上述眼部区域关键点坐标计算人眼开合度U_i，

统计U_i小于阈值threshold1的次数z，z小于阈值threshold2则识别为非活体，否则进行下一步检测。

4.根据权利要求3所述的一种基于深度学习的多分类器融合的人脸活体识别方法，其特征在于，所述边框检测具体包括如下步骤：

对取待检测视频帧f_i进行灰度化处理，使用canny边缘提取算法提取灰度图的边缘；将边缘图进行hough变换；在hough变换图中寻找n个像素以上的直线形成的点；统计直线检测结果中直线包含像素的个数，若大于阈值threshold5，则判断为该图片检测为有边框；计算出现边框的帧数，若小于阈值threshold3，则通过边框检测，进入下一步摩尔纹检测，否则识别为非活体。

5.根据权利要求4所述的一种基于深度学习的多分类器融合的人脸活体识别方法，其特征在于，所述摩尔纹检测具体包括如下步骤：

使用手机对着电脑屏幕翻拍人脸图片，图片来自公开人脸数据集，以获取带有摩尔纹的人脸图片；使用标注软件对带有摩尔纹的人脸图片中有摩尔纹的区域进行标注；将标注区域裁切出来，并调整尺寸至固定大小，作为深度卷积神经网络训练的正样本；将公开人脸数据集的原图片，即不带有摩尔纹的人脸图片裁切，调整尺寸至同样固定大小，作为深度卷积神经网络训练的负样本；利用上述正样本和负样本进行训练，得到深度卷积神经网络分类器；

对待检测视频帧f_i进行灰度化处理，调整尺寸，并划分成m*n个网格；将每一个小网格区域S_i，输入训练好的深度卷积神经网络分类器中，输出其为摩尔纹区域的概率p_i；计算上述f_i计算总的平均概率值P，若P大于阈值threshold4，则识别为非活体，否则识别为活体。