[发明专利]活体人脸识别方法和装置

说明书

本发明公开了一种活体人脸识别方法和装置，属于人脸识别领域。所述方法包括：检测到视频中的待测人脸，选取N个监测点；对每个监测点，连续测量M帧的RBG中的G值，每帧内监测点的G值与其相邻多点的G值取平均后形成该监测点在该帧的颜色值，最终得到颜色值G[M][N]；采用CNN学习得到模型，将G[M][N]输入模型得到第一判定结果；利用快速傅里叶变换或小波变换对G[M][N]进行运算基于血谱频率得到第二判定结果；判定结果组合后根据对应的识别概率或对应的心率确定是否为活体人脸。所述装置包括：检测模块、测量模块、第一判定模块、第二判定模块和识别模块。本发明能够提高活体人脸的识别率。

技术领域

本发明涉及人脸识别领域，特别涉及一种活体人脸识别方法和装置。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

目前，常见的活体人脸识别普遍采用人脸的动作识别来确认是否为真实的人脸，例如，要求被检测者做指定动作，眨眼，旋转脑袋等等，如果能够按照要求正确执行指定动作，则确认为真实的人脸。但是，这种检测技术存在一个弊端，就是执行指定动作也是可以作假的，检测的结果会出现误判，即将一个非活体人脸识别为真实的活体人脸，从而导致识别率降低。

发明内容

本发明提供了一种活体人脸识别方法和装置，以解决上述技术问题。所述技术方案如下：

一方面，本发明提供了一种活体人脸识别方法，所述方法包括：

检测到视频中的待测人脸，在所述人脸的不同部位上选取N个监测点；

对于选取的每一个监测点，连续测量所述视频内M帧的RBG中的G值，将每帧内所述监测点的G值与其相邻多个点的G值取平均后形成所述监测点在该帧的颜色值，最终得到所述M帧内所述N个监测点的颜色值G[M][N]；

采用卷积神经网络(Convolutional Neural Networks，CNN)进行人脸识别学习得到模型，将所述颜色值G[M][N]输入所述模型识别所述人脸是活体还是非活体，得到第一判定结果；

利用快速傅里叶变换或小波变换对所述颜色值G[M][N]进行运算，得到所述人脸的血谱频率，与预设阈值比较后确定所述人脸是活体还是非活体，得到第二判定结果；

将所述第一判定结果与第二判定结果进行组合，查找预设的组合与识别概率的对应关系，找到所述组合对应的识别概率确定是否为活体人脸；或者，查找预设的组合与心率的对应关系，找到所述组合对应的心率确定是否为活体人脸。

可选地，所述采用卷积神经网络CNN进行人脸识别学习得到模型，将所述颜色值G[M][N]输入所述模型识别所述人脸是活体还是非活体，得到第一判定结果，包括：

采用卷积神经网络CNN学习指定个数以上的人脸监测点数据与真实人脸的对应关系，得到模型，并采用多个真实人脸数据测试后调整所述模型；

将所述颜色值G[M][N]输入调整后的所述模型得到一个向量的相似度，如果所述相似度大于指定的相似度阈值，则得到第一判定结果为活体人脸，如果所述相似度小于等于所述相似度阈值，则得到第一判定结果为非活体人脸。

可选地，所述利用快速傅里叶变换或小波变换对所述颜色值G[M][N]进行运算，得到所述人脸的血谱频率，与预设阈值比较后确定所述人脸是活体还是非活体，得到第二判定结果，包括：

利用快速傅里叶变换或小波变换对所述颜色值G[M][N]进行运算，得到每个监测点的波形频率级数，在每个频率级数中取最小频率得到N个频率；去掉所述N个频率中的最大值和最小值后取平均，得到所述人脸的血谱频率；