[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

说明书

本发明公开了一种基于深度学习的多分类器融合的人脸活体识别方法，使用传统的边缘特征、眼部特征等与深度神经网络特征分别训练三种分类器，然后利用这些分类器通过设计好的程序流程，进行人脸活体识别。该方法针对现实场景中的活体识别问题，设计了边框检测、眨眼检测和摩尔纹检测，并创新性地将上述三个检测的结果按照一定逻辑进行融合，得到人脸活体识别结果，具有良好抗欺骗能力、优秀抗干扰能力、仅需用户少量配合的、且仅需普通摄像头(无需外加设备)等优点。本发明主要有边框检测、眨眼检测、摩尔纹检测、融合判断流程等步骤，为现实推广人脸活体识别的应用做出了一定的贡献。

技术领域

本发明涉及机器学习、深度学习和模式识别等科研领域，尤其涉及一种基于深度学习的多分类器融合的人脸活体识别方法。

背景技术

人脸活体检测成为人脸识别的关键组成部分，它对于任何一个生物检测系统来说是十分重要和必要的一个环节，它可以保证生物检测系统能够安全有效地工作；对于无人监督的人脸识别系统应用来说，自动地抵抗照片和视频欺骗是人脸识别领域中一个迫切需要解决的问题。

活体人脸的检测主要有以下方法：三维深度信息分析、脸部运动的光流估计、人脸和语音混合识别、傅里叶频谱分析、眨眼检测、热红外成像识别等。以及上述方法中几种方法的融合。随着深度学习的发展，也有一些学者提出将上述方法和深度学习方法相结合的方法。相关技术主要有人脸图像的预处理，人脸区域检测，特征提取，活体分类等。特征提取是人脸活体识别中最重要的一步，目前主要存在基于人脸区域的特征提取方法，基于频谱的特征提取方法，基于运动信息的特征提取方法和基于深度学习的特征提取方法等等。对于分类器的设计，常用的分类方法有支持向量机，神经网络等。总的来说目前的人脸活体识别算法研究着重于特征的提取和分类器的设计，大部分方法不仅无法对抗视频攻击，而且需要额外设备的辅助。由于实际场景下需要在照片和视频攻击中由于电子设备显示屏的原因经常出现摩尔纹，或者手机边框，因此本发明综合边框检测，摩尔纹检测再加上可抵抗静态图片攻击的眨眼检测，可以满足现有活体识别的应用场景需求。

发明内容

本发明的目的在于针对目前基于视觉的人脸活体识别方法存在的不足，提出一种基于深度学习的多分类器融合的人脸活体识别方法，该方法基于传统边框检测、眨眼检测和深度摩尔纹检测进行人脸活体的识别。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习的多分类器融合的人脸活体识别方法，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。

进一步的，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。

进一步的，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；