[发明专利]人脸活体检测方法、装置及计算机可读存储介质

说明书

本发明公开了一种人脸活体检测方法、装置及计算机可读存储介质，该方法包括如下步骤：S1步骤：对待检测图片进行处理作为卷积神经网络模型的输入。S2步骤：对待检测图片进行卷积获得卷积输出。S3步骤：将卷积输出输入分类模型进行分析以获得待检测图片的特征向量。S4步骤：从预先获取的各图片样本中确定出与所述待检测图片相匹配的图片样本。S5步骤：将S4步骤中所确定的与所述待检测图片相匹配的图片样本的标签作为所述待检测图片的标签，得到待检测图片的检测结果。本发明使用单帧图片作为活体检测输入，简单易用，易于工业应用和旧项目的升级改造；利用特征分量提取和深度学习技术，提升了活体检测的准确率和速度。

技术领域

本发明涉及生物识别技术领域，尤其涉及一种人脸活体检测方法、装置及计算机可读存储介质。

背景技术

人脸识别是生物特征技术的一项热门的研究领域，与其他生物特征技术相比，人脸识别技术具有非接触性、友好性等优势。人脸识别系统已经在越来越多的场合进行使用，例如移动终端解锁系统、电脑开机登录系统、门禁系统。另外，人脸识别还应用在刑事侦查，监控系统等领域。但是，在人脸识别技术迅速发展的背后，存在着巨大的安全隐患。人脸识别系统可以判别人脸的真实身份，但是却无法判别摄像头前的人脸图像是来自合法用户还是非法用户。因为，非法用户可以使用合法用户的照片，视频，或者3D模型来欺骗人脸识别系统。国际知名的信息安全会议Black Hat指出，目前大部分的人脸识别系统都可以被一张彩色的打印照片所攻击。所以人脸识别技术目前还存在严重的安全隐患。针对上述人脸识别技术遇到的这一挑战，人脸活体检测技术应运而生。

现有的人脸活体检测方法有多种，例如：基于结构光和双目的活体检测方法，此方法虽然准确率高，但需要较高的硬件成本和技术要求，不利于工业应用和旧项目的改造升级。机器学习方法：有些传统机器学习方法采用HSV或YCRCB颜色空间输入，经过LBP(局部二值模式)后通过支持向量机SVM(Support Vector Machine)分类判断是否为活体，该方法虽然硬件成本和技术要求较低，但学习的特征不足，导致准确率不高。另外有些机器学习方法采用RGB颜色空间输入，经过卷积神经网络处理后得出真人和假人的分类概率进而判断是否为活体，但此方法的缺点是活体和非活体在RGB色彩空间上的区别不明显，不利于深度学习网络的训练和分析，且传统的二分类方法对活体和非活体检测的准确率较低。

发明内容

本发明提供一种人脸活体检测方法、装置及计算机可读存储介质，其主要目的在于将待检测图片(活体与非活体)的颜色空间上的Y和V分量分别做单独卷积，将CrCb和HS分量分别做较深的卷积，然后将网络模型融合来进行活体与非活体的检测，来提高活体检测的准确率和速度。

为实现上述目的，本发明提供一种人脸活体检测方法，该方法包括：

S1步骤：提取待检测图片的YCrCb和HSV颜色空间信息，作为卷积神经网络模型的输入；

S2步骤：利用卷积神经网络模型对待检测图片的YCrCb和HSV颜色空间信息进行卷积运算获得卷积输出结果；

S3步骤：将卷积输出结果输入至分类模型进行分析以获得待检测图片的特征向量；

S4步骤：获取预先存储在存储器中的多个图片样本，并根据所述待检测图片的特征向量，从预先获取的多个图片样本中确定出与所述待检测图片相匹配的图片样本，其中所述获取的每个图片样本分别具有标签，所述标签中包括是否有活体以及对应的场景标识；

S5步骤：将所确定的与所述待检测图片相匹配的图片样本的标签作为所述待检测图片的标签，得到待检测图片的检测结果。

进一步的，S1步骤包括：提取待检测图片的YCrCb和HSV颜色空间信息中的Y分量信息、CrCb分量信息、V分量信息和HS分量信息，分别记为图片Y分量信息、图片CrCb分量信息、图片V分量信息和图片HS分量信息，作为卷积神经网络模型的输入。