[发明专利]人脸活体检测方法、系统、设备及可读存储介质

说明书

本发明公开了一种人脸活体检测方法，通过人脸检测得到人脸框以及人脸关键点的坐标，并通过人脸关键点的坐标进行人脸对齐；使用人脸追踪技术关联连续视频帧中相同的人脸ID；将人脸从原图中截取出，将RGB通道转换为HSV以及YCbCr空间，并将转换后的HSV和YCbCr图进行叠加，获得叠加图；通过Sobel算子对人脸区域提取Sobel特征，将获得的Sobel特征图；将一人脸ID预设帧数的所述Sobel特征图及所述叠加图分别从双流神经网络的两个输入通道输入，获得每一帧图片的活体判断结果；将该人脸ID的所有活体判断结果进行投票，当判断为活体的帧数多时，则认定对象为活体，判断为攻击的帧数多时，则认定对象为非活体。具有安全系数高、用户体验好，鲁棒性强的优点。

技术领域

本发明涉及图像识别技术领域，特别涉及一种人脸活体检测方法、系统、设备及可读存储介质。

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，该技术正越来越广泛的应用于安防、金融、教育等各个行业领域中。目前主流的人脸识别技术只能区分不同人脸之间的区别，而无法辨别是否用户本人在使用人脸识别。当用户的人脸信息泄露，不法分子就可以通过用户的人脸信息制作照片、视频、三维人脸模型来欺骗人脸识别系统，造成用户的财产和信息损失，因此需要人脸活体检测技术来判别进行识别的人脸的载体是否是真实的人，还是照片、视频、面具等非活体攻击手段。

现有的单目活体检测的方法有：1.提取单帧图片中人脸的纹理信息或屏幕中的摩尔纹；2.通过深度学习进行单帧单目人脸估计；3.通过深度学习进行多帧单目人脸估计。其中，纹理特征与环境光照和相机类型有关，摩尔纹与相机的分辨率有关，导致该类特征的鲁棒性较差，无法应对多环境下多类型相机的活体检测；基于深度学习的单帧人脸图像的人脸深度估计算法也只考虑人脸区域的特征，且也与图像的纹理强相关，特征的鲁棒性依然不高；基于深度学习的多帧人脸图像的人脸深度估计算法融合了多帧图像中的信息，在一定程度上提高了深度估计的鲁棒性，但是依然只考虑了人脸区域的特征，没有引入更鲁棒的特征。

发明内容

本发明要解决的技术问题是如何提供一种鲁棒性好的人脸活体检测方法、系统、设备及可读存储介质。

为了解决上述技术问题，本发明的技术方案为：

第一方面，本发明提出一种人脸活体检测方法，包括步骤：

通过人脸检测得到人脸框以及人脸关键点的坐标，并通过人脸关键点的坐标进行人脸对齐；

使用人脸追踪技术关联连续视频帧中相同的人脸ID；

将人脸从原图中截取出，将RGB通道转换为HSV以及YCbCr空间，并将转换后的HSV和YCbCr图进行叠加，获得叠加图；通过Sobel算子对人脸区域提取Sobel特征，将获得的Sobel特征图；

将一人脸ID预设帧数的所述Sobel特征图及所述叠加图分别从双流神经网络的两个输入通道输入，获得每一帧图片的活体判断结果；

将该人脸ID的所有活体判断结果进行投票，当判断为活体的帧数多时，则认定对象为活体，判断为攻击的帧数多时，则认定对象为非活体。

优选地，将人脸框面积大于图片的预设比例的图片以及人脸长宽小于预设大小的图片删除。

优选地，在通过Sobel算子对区域提取Sobel特征的步骤之前，还包括对所述区域使用高斯算子进行去噪。

优选地，在进行人脸对齐之后还包括步骤：过滤劣质的人脸图片。

优选地，在步骤通过Sobel算子对人脸区域提取Sobel特征之前，还包括将原图中的人脸框中心向外扩充，以将人脸框扩大。