[发明专利]一种基于单目的人脸静默活体检测方法

权利要求书

1.一种基于单目的人脸静默活体检测方法，其特征在于，包括以下步骤：

S1、通过数据增强的方式获得训练数据集，对数据进行增强处理；

S2、利用改进的卷积神经网络对图像进行训练，并保存训练后得到的卷积神经网络模型；

S3、用摄像头捕获单帧人脸，用卷积神经网络模型进行活体检测，实现实时人脸活体识别。

2.根据权利要求1所述的一种基于单目的人脸静默活体检测方法，其特征在于，步骤S1所述的训练集通过以下方式获得：

根据CASIA-FASD数据集中的视频，用Haar分类器从图像中剪出人脸，这些图像构成训练数据集的一部分；拍摄不同场景下的真假脸的样本图片作为训练数据集的另一部分，并对训练数据集进行图像亮度、对比度、饱和度随机调整，随机旋转的数据增强处理。

3.根据权利要求1所述的一种基于单目的人脸静默活体检测方法，其特征在于，所述改进的卷积神经网络为改进的VGG11网络，改进的VGG11网络包括11个卷积层和三个全连接层，每层卷积层后面加一个ReLU层即卷积层+ReLU层，每两个卷积层+ReLU层后面加有一个最大池化层和一个随机失活层即dropout，最后的三个随机失活层后面分别加一层全连接层，每个全连接层后面加有ReLU层，最后的ReLU层连接softmax层；在前两个卷积层的输出中，每个卷积层连接一个BN(Batch Normalization，批量归一化)层，BN层连接一个最大池化层，该最大池化层再与一个随机失活层连接。

4.根据权利要求3所述的一种基于单目的人脸静默活体检测方法，其特征在于，改进的VGG11网络的训练具体如下：

1)对前两层卷积层的输出进行批量归一化(Batch Normalization)，从而保证卷积神经网络的中间输出数值稳定，以防止梯度消失，批量归一化原理公式如下：

其中x^(k)是输入的第k维向量，E[x^(k)]为x^(k)的均值，Var[x^(k)]为x^(k)的方差；

2)对每层卷积层输出使用dropout，使得在前向传播时，让某个神经元的激活值以概率p停止工作，防止过拟合的发生；

3)学习率采用衰减学习率，在训练改进的卷积神经网络时，使用学习率控制参数的更新速度。

5.根据权利要求3所述的一种基于单目的人脸静默活体检测方法，其特征在于，softmax层表示为:

其中进的卷积神经网络最后一层的前一层的输出，j表示类别索引，表示当前元素的指数与所有元素指数和的比值，y_j包括两个神经元，这两个神经元对应一张真实脸和一张假脸的二元分类的图像的概率分布。

6.根据权利要求3所述的一种基于单目的人脸静默活体检测方法，其特征在于，采用dropout的VGG11网络结构的公式如下：

r_j^(l)～Bernoulli(p) (3)

y_i^(l+1)＝f(z_i^(l+1)) (6)

其中，z_i^(l+1)是改进的卷积神经网络中l+1层的输出，y_i^(l+1)是改进的卷积神经网络的最终输出，是经过dropout操作后第l层神经元的输出值，Bernoulli函数是为了随机生成一个0或者1的向量r_j^(l)，y^(l)是改进的卷积神经网络的第l层输出，为经过dropout处理后的第l层输出，w_i^(l+1)为l+1层的权重，b_i^(l+1)为l+1层的偏置；～表示dropout处理操作，r^(l)为0或者1的向量，i表示第i维，p为神经元的激活概率。

7.根据权利要求3所述的一种基于单目的人脸静默活体检测方法，其特征在于，BN层将数据都归一化成均值为0方差为1的标准高斯分布，具体如下：

考虑一个大小为m的向量B＝{x₁...，x_i，x_m}，x_i为向量中的元素，以及两个待学习的参数γ和β，用来保持改进后的卷积神经网络的表达能力，则经过BN层后的输出y_i＝BN_γ,β(x_i)

其中，μ_B是最小批次均值，σ_B²是最小批次方差，为归一化化后的x_i，ε为常量，设为1,y_i为BN层的输出，BN_γ,β为以γ、β为参数的BN层归一化函数。