[发明专利]基于光流引导特征块和卷积GRU的人脸活体检测方法

说明书

本发明公开了基于光流引导特征块和卷积GRU的人脸活体检测方法，该方法包括：构建多帧人脸活体检测初始网络模型，该模型包括单帧部分和多帧部分，所述单帧部分利用卷积神经网络获得单帧部分深度图特征，所述多帧部分利用光流引导特征块和卷积GRU引入时空信息，获得多帧部分深度图特征，基于单帧部分深度图特征和多帧部分深度图特征生成深度图；采用训练数据集对初始网络模型进行训练，得到多帧人脸活体检测网络模型。本发明使用光流引导特征块和卷积GRU引入了时空信息，利用多帧图片间的空间微变化，能更加精确的构建人脸3D结构从而生成深度图，在保证识别精度的同时能够加快模型的运行速度，提高算法的实时性。

技术领域

本发明涉及计算机视觉、生物特征识别等技术领域，具体涉及基于光流引导特征块和卷积GRU的人脸活体检测方法。

背景技术

生物特征识别技术利用诸如指纹，面部和虹膜之类的生理学特征或诸如打字节奏和步态之类的行为特征来唯一地识别或认证个体。由于生物识别系统广泛用于实际应用，包括移动电话认证和访问控制，近年来生物识别欺诈或演示攻击(PA)的威胁越来越严重，攻击者试图利用具有欺骗性样本来进行身份验证从而攻破生物识别系统。由于面部特征是最容易获得的生物识别特征，因此对于面部攻击有许多不同类型的PA，包括打印攻击，重放攻击，3D面具等等。传统的面部识别系统非常容易受到这种PA的影响。

人脸活体检测技术主要是判断人脸是活体还是非活体。只有在人脸被检测为是活体人脸的情况下，身份认证才是有效的，否则就将视为人脸攻击，这样就增强了人脸识别系统的抗攻击能力。图1给出了传统的基于人脸的在线身份认证系统框架，图2是加入了活体检测功能的人脸身份认证系统框架。

现有的活体检测技术包括：

现有技术1，在人脸识别系统中多数伪造人脸攻击(如合法用户的人脸彩色打印图和合法用户在电子设备屏中的静态图或者动态视频)它们的人脸面部纹理特征质量较低，而且真实人脸的色域比伪造人脸的色域广。HSV和YC_bC_r是两种区分图片亮度和色度的颜色空间，因此可以在这两个颜色空间中，通过分析图片的纹理特征来识别伪造人脸。在HSV和YC_bC_r两个颜色空间中，对于图像中的每个像素点，通过LBP描述子将其转化为局部二值模式，然后通过直方图统计不同的二进制值，将这些直方图连接起来获得颜色描述算子，最后将这些LBP特征放入SVM分类器中进行分类。

然而，现有技术1仅仅利用手工提取的LBP统计量作为特征，容易被高清的视屏和3D面具等伪造人脸攻击。并且手工提取的特征对具体场景和问题的依赖性很高，从而导致泛化性能和鲁棒性较差。还有，只分析了单张图片在不同的颜色空间的特征，没有利用连续的视频数据。

现有技术2，由于真实人脸图与以纸张和屏幕为载体的伪造人脸图在深度上不同，同时真实人脸图的rPPG与没有生命的伪造人脸图有较大差异。因此现有技术2对于单帧的活体与非活体的人脸图片可以通过卷积神经网络(CNN)来预测其的深度图；对于连续的真实人脸与伪造人脸的多帧图使用LSTM(RNN)来预测其rPPG信号的频域分布。

然而，现有技术2在预测深度图时，只用了单张图片，而连续多帧图片间的空间微变化有助于重构环境图像的3D信息；另一方面，该方法使用了non-rigid Registration层来去除脸部表情和姿态的影响，这样忽略了重要的线索：非活体脸部不同表情与姿态的变化不自然。

发明内容

本发明提供了基于光流引导特征块和卷积GRU的人脸活体检测方法，解决了目前人脸识别系统容易被欺诈的问题，包括合法用户的人脸打印图，合法用户的人脸视频和合法用户的3D模型或面具头套等。

本发明通过下述技术方案实现：

基于光流引导特征块和卷积GRU的人脸活体检测方法，包括以下步骤：