[发明专利]一种人脸识别活体检测方法及装置

权利要求书

1.一种人脸识别活体检测方法，其特征在于，所述方法包括：

对待检测图片进行人脸检测；

对检测到的人脸图像进行人脸对齐；

将经过人脸对齐的人脸图像输入至训练好的第一卷积神经网络，生成所输入人脸图像的特征图，并输出基于特征的欺骗程度评分f；

生成所输入人脸图像的深度图，利用训练好的第二卷积神经网络输出基于深度的欺骗程度评分d；

对所述基于特征的欺骗程度评分f和基于深度的欺骗程度评分d进行加权计算得出活体评分s，并根据预设阈值范围对所述活体评分s进行判断；

若活体评分s的值属于预设的阈值范围，则生成不同动作的随机序列，并根据对目标用户是否在规定时间内完成随机序列要求的动作的检测结果给出最终的活体检测结果；

若活体评分s的值高于预设的阈值范围，则判定当前检测目标为合法真人，活体检测通过；

若活体评分s的值低于预设的阈值范围，则判定当前检测目标为非法用户，活体检测不通过。

2.根据权利要求1所述的一种人脸识别活体检测方法，其特征在于，所述对待检测图片进行人脸检测包括：

采用人脸检测算法检测出待检测图片中人脸框位置；

若未检测到人脸，则判定活体检测失败；

若检测到人脸，则根据检测到的人脸框，提取出人脸特征点。

3.根据权利要求2所述的一种人脸识别活体检测方法，其特征在于，所述对检测到的人脸图像进行人脸对齐包括：

采用人脸对齐算法，计算所述人脸特征点在人脸框中的相对坐标；

根据迭代模型中预设的标准脸特征点坐标，对人脸特征点进行人脸对齐操作，得到相对精确的人脸特征点坐标。

4.根据权利要求1所述的一种人脸识别活体检测方法，其特征在于，所述将经过人脸对齐的人脸图像输入至训练好的第一卷积神经网络，生成所输入人脸图像的特征图，并输出基于特征的欺骗程度评分f包括：

所述第一卷积神经网络包括多个卷积层和全连接层，每个卷积层之后均采用标准化批处理，并接入激活层和池化层，使用软标签损失监督第一卷积神经网络的训练，在训练阶段，若人脸图像是活体样本，则为其分配二进制标签为1，若人脸图像是欺骗样本，则为其分配二进制标签为0，在测试阶段，第一卷积神经网络会对人脸图像的特征图中的每个人脸特征点给出[0,1]之间的欺骗分数，若输入为图片形式，则计算特征图中所有特征点欺骗分数的平均欺骗分数得到最终的基于特征的欺骗程度评分f，若输入为视频流形式，则计算视频流中所有帧的平均欺骗分数得到最终的基于特征的欺骗程度评分f，f为[0,1]之间的实数，其数值越接近0则代表欺骗程度越高。

5.根据权利要求1所述的一种人脸识别活体检测方法，其特征在于，所述生成所输入人脸图像的深度图包括：

人脸三维模型M通过以下形式表示，

其中x、y表示人脸的平面信息，z表示人脸的深度信息，q为三维顶点的个数，人脸三维模型M的计算方式如下：

M＝m*[S′+∑PⁱSⁱ]，

式中，S′为平均脸三维模型，m为预设投影矩阵，Sⁱ表示单个脸型，Pⁱ为三维模型拟合算法估计的形状参数，对于输入的人脸图像，采用三维人脸拟合算法估计出形状参数Pⁱ和投影矩阵m，计算后获取三维形状顶点z值的深度图，由深度图组成平滑的深度信息，对应着人脸图像输入的纹理信息，进行归一化后作为第二卷积神经网络的标签，其中，在欺骗样本的假人脸中，深度图的z值为0。

6.根据权利要求1所述的一种人脸识别活体检测方法，其特征在于，所述利用第二卷积神经网络输出基于深度的欺骗程度评分d包括：

所述第二卷积神经网络的结构为瓶颈型，包括上采样模块和下采样模块，所述下采样模块用于使用卷积层提取深度特征，所述上采样模块使用反卷积层还原深度信息，所述第二卷积神经网络的每个卷积层之后均连接BN层和激活层，损失函数定义为像素级，在测试时，第二卷积神经网络会对深度图给出[0,1]之间的欺骗分数，此欺骗分数即为基于深度的欺骗程度评分d，其数值越接近0则代表欺骗程度越高。