[发明专利]人脸防欺诈方法及系统

权利要求书

1.一种人脸防欺诈方法，其特征在于，所述人脸防欺诈方法包括：

步骤S1、获取人脸信息；

步骤S2、检测获取的人脸信息，确定人脸区域；

步骤S3、从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；

步骤S4、调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果；

步骤S4中，人脸检测树状网络模型设定树状网络的特征，树状网络的特征包括多棵可微分决策树，人脸检测树状网络模型中的每棵可微分决策树由树状网络算法生成；

这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A,x,b)＝σ(Ax-b)；     (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n，n∈{n₁,n₂,…,n_d}；    (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

使用多棵树来测试同一张人脸，并对这些结果平均，从而构成树状网络，对人脸信息进行综合判断。

2.根据权利要求1所述的人脸防欺诈方法，其特征在于：

所述人脸防欺诈方法进一步包括：步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，则通过检测。

3.根据权利要求1所述的人脸防欺诈方法，其特征在于：

所述人脸防欺诈方法进一步包括：步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，且连续检测视频中的多帧图片中的人脸信息为活体的人脸信息，则通过检测。

4.一种人脸防欺诈系统，其特征在于，所述人脸防欺诈系统包括服务器及至少一客户端，所述服务器连接各客户端；

所述客户端用以获取人脸信息；

所述服务器包括：

人脸信息获取模块，用以连接对应客户端，从客户端获取人脸信息；

人脸信息检测模块，用以检测获取的人脸信息，确定人脸区域；

皮肤区域识别模块，用以从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；以及

活体判断模块，用以调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果；

所述活体判断模块包括：人脸检测树状网络模型建立单元、树状网络特征设定单元、决策树生成单元及树状网络综合判断单元；

所述人脸检测树状网络模型建立单元用以建立人脸检测树状网络模型；

所述树状网络特征设定单元用以设定人脸检测树状网络模型的树状网络特征，树状网络的特征包括多棵可微分决策树；

所述决策树生成单元用以通过树状网络算法生成人脸检测树状网络模型中的每棵可微分决策树；这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A,x,b)＝σ(Ax-b)；     (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n，n∈{n₁,n₂,…,n_d}；   (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

所述树状网络综合判断单元用以使用多棵树来测试同一张人脸，并对这些结果平均；从而构成树状网络，对人脸信息进行综合判断。