[发明专利]一种基于新型池化及注意力机制双流网络的活体检测方法

说明书

本发明公开了一种基于新型池化及注意力机制双流网络的活体检测方法，包括构建空间流网络和时间流网络结合的双流网络；提取光流图片并进行面部检测，得到所述双流网络的两个输入；在所述双流网络末端加入空间金字塔池化和全局平均混合池化，利用全连接层对两个池化后的特征进行分类并做分数层面的融合；对所述空间流网络和所述时间流网络进行特征层面的融合；最后输出融合的特征完成活体检测。本发明的有益效果：充分考虑时间维度，提出的空间金字塔和全局平均混合池化策略能有效的利用特征；针对包含多种攻击类型、图片质量差异较大的数据集，网络模型均能取得较低的错误率。

技术领域

本发明涉及活体检测的技术领域，尤其涉及一种基于新型池化及注意力机制双流网络的活体检测方法。

背景技术

近年来人脸识别技术在当前的社会起着重要的作用，但也出现了大量的欺诈攻击对人脸识别产生了威胁，比如打印攻击和重放攻击。传统的活体检测方法是以手工方式提取特征且缺乏对时间维度的考虑，导致检测效果不佳。卷积神经网络的流行以及计算机视觉的发展使得高精度的人脸识别成为了可能。TaigmanY等人提出了DeepFace，其精度达到了97.35％，相较之前最佳表现错误率降低了27％。相较于过去的指纹或者虹膜，人脸包含着更多的信息，也更加可区分，并且人脸识别在交互上更加友好。

随着人脸识别的广泛应用，出现了很多的欺诈策略。人脸的欺诈主要是通过在人脸识别系统前面呈现照片或者视频等假的实体而骗过系统。对于没有加入活体检测的人脸识别算法，则可以通过一个人的照片就能骗过系统。由此可见，高稳定性、高识别率的欺诈检测算法对人脸识别系统的重要性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统的活体检测方法是以手工方式提取特征且缺乏对时间维度的考虑，导致检测效果不佳。

为解决上述技术问题，本发明提供如下技术方案：一种基于新型池化及注意力机制双流网络的活体检测方法，包括构建空间流网络和时间流网络结合的双流网络；提取光流图片并进行面部检测，得到所述双流网络的两个输入；在所述双流网络末端加入空间金字塔池化和全局平均混合池化，利用全连接层对两个池化后的特征进行分类并做分数层面的融合；对所述空间流网络和所述时间流网络进行特征层面的融合；最后输出融合的特征完成活体检测。

作为本发明所述的基于混合池化双流网络的活体检测方法的一种优选方案，其中：所述空间流网络定义如下，

score_s＝SpatialNet(x)

其中x代表RGB或者HSV不同颜色空间的图片；SpatialNet包括多个卷积层、由GAP和SPP构成的混合池化层；scores代表所述空间流网络的输出分数。

作为本发明所述的基于混合池化双流网络的活体检测方法的一种优选方案，其中：所述时间流网络定义如下，

x'＝TVNet(x₁,x₂)

score_t＝TemporalNet(x')

其中x₁，x₂代表RGB图片的两帧，经过TVNet网络则产生一张光流图片x'，代表两张图片对应像素的位置差，因此其中包含了时间维度的信息；TemporalNet包括多个带有残差块的层。

作为本发明所述的基于混合池化双流网络的活体检测方法的一种优选方案，其中：所述双流网络学习过程中，包括，