[发明专利]一种基于微信小程序平台的人脸特征与动态属性的认证方法

权利要求书

1.基于微信小程序平台的人脸特征与动态属性的认证方法，其特征在于：包括以下步骤：

S1、首先通过智能手机采集用户人脸图像，将人脸图像发送到服务器端进行人脸预处理，通过SSD算法检测人脸位置，采用多任务级联CNN（MTCNN）人脸检测模型，检测人脸关键点，注册人脸信息；

S2、通过智能手机采集用户人脸视频帧，按步骤S1检测视频帧的图像，获取人脸关键点，计算确定人脸姿态，并辅以Gabor滤波器变换对视频帧的图像进行眨眼检测；然后采用FaceNet模型，基于深度神经网络的图像映射方法和基于triplets的loss函数训练神经网络，网络直接输出为128维度的向量空间进行人脸对比；

S3、通过密钥认证系统对认证请求进行安全判定；

步骤S1的所述SSD算法中，从真实人脸位置GTbox出发构造正负样本，找到IOU最匹配的priorbox放入候选正样本集，对于负样本，做难例挖掘，使正负样本比例1:3，训练样本得到人脸位置检测模型；

步骤S2中，采用SE-ResNet网络获取人脸关键点，SE-ResNet包括以下步骤：

1)首先将人脸视频进行卷积运算，把残差结构输出的卷积图放入globalpooling，对特征图进行全图的平均，平均完之后可以获得1×1的特征图；

2)随后通过全连接层计算权值，在第一个FC层会对通道进行下采样，降低整个网络的参数量，在得到FC层计算出来的权重之后，通过sigmoid层进行归一化；

3)接着在特征图上赋予sigmoid权重，实现对通道的加权，再将加权后的特征图与原始的特征图相加，得到最终SE-ResNet网络的输出；

所述获取人脸姿态指的是获取人脸角度信息，获取人脸姿态的过程涉及三个坐标系：图像坐标系、相机坐标系和世界坐标系，其中，世界坐标系下的人脸模型的关键点已知，通过人脸关键点检测方法找到像素坐标系下的人脸关键点，从而计算出旋转矩阵和平移矩阵，通过OpenCV提供的decomposeProjectionMatrix将旋转矩阵转化为欧拉角，从而获取人脸的姿态的三个关键参数pitch,roll,yaw；

所述Gabor滤波器变换通过人脸姿态的三个关键参数选择Gabor滤波器的尺度和方向；

当人脸倾斜较大时，首先获取人脸区域坐标，通过OpenCV对人脸进行切割及旋转，旋转的最终目的是将双眼置于水平位置，以便Gabor滤波器变换后使用水平积分图投影进行眨眼检测；

所述密钥认证系统包括移动端、云端和受控端；所述移动端和受控端与云端通过网络信号连接，移动端和受控端通过蓝牙连接，首先由手机端拍摄用户人脸视频，发送认证请求到云服务器端，云服务器端基于所述步骤S2进行人脸安全认证，认证成功会将经过二次加密的密钥字符串发送到受控端，同时把未经二次加密的初始密钥字符串发送给手机端，并指示手机端的客户程序完成相应的二次加密，然后转发给受控端，受控端接收到两串二次加密的密钥串后立即加以比对认证，认证通过，受控端完成解锁。