[发明专利]应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质

说明书

本发明公开了一种应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质，属于人脸活体检测领域中。包括人脸视频采集模块、人脸视频预处理模块、活体标注模块、活体运动放大模块、双分支三维卷积活体识别训练模块、活体判断模块；所述的双分支三维卷积模型训练模块配置有双分支三维卷积模型，包括静态纹理信息子模块、动态运动线索子模块、融合子模块和分类子模块；静态纹理信息子模块和动态运动线索子模块的输出经融合子模块进行池化、汇总、融合，再经分类子模块输出检测结果；本发明是拟态的具有生物学意义的，并且具有很强的鲁棒性和泛化性；可以为人脸识别系统提供极大的活体检测保障，提升系统的安全性，保护信息和财产不受侵害。

技术领域

本发明涉及一种人脸活体检测领域，具体涉及一种应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质。

背景技术

随着人们越来越多得使用着像笔记本电脑和智能手机之类的电子设备，用他们付款，购物，支付账单以及社交互动，而与之而生的，对于电子身份认证的需求也越来越多。人脸识别验证在众多系统中脱颖而出，并在本发明生活中大规模的展开部署。为了保障安全，预防各种潜在的黑客攻击，人脸活体检测对于人脸验证系统是至关重要的一环。

目前，人脸活体检测算法面临的最大问题就是泛化性的不足，很多训练的模型在训练和对应的测试集上表现很出色，但是在全新的未知数据集中的表现却不尽如人意，这让人脸活体检测算法的实际部署价值大打折扣，所以针对这一现象，发明主要着眼于人脸活体检测模型泛化性的提高。

传统方法的模式众多，不尽相同。局部二值模式方法具有灰度不变性和旋转不变性等显著优点，有简单易算性但是较为简单。加速稳健特征方法使用海森矩阵的行列式值作特征点响应侦测并用积分图加速运算进行检测。但是无论是哪种传统方法，大部分的传统特征方法大多通过人工提取的特征，结合例如SVM以及LDA等传统的浅层分类器进行活体检测。基于传统人工特征提取方法又往往由于自身方法和训练样本的限制，只能针对特定的攻击方式、或者适用于特定的环境或者光照条件下。哪怕是综合性的多重传统特征提取的方法亦是如此，因为其阈值和参数往往通过人工设定，所以无法做到非常强的适应性和泛化性，不能够适用未知的场景和攻击方法，在实际场景中大多较为脆弱且不稳定。

交互式的方法虽然较为简单有效，不过整个验证时间过程会较长，且在便利性和用户体验上会给用户带来诸多负面感受，而且如果采用视频攻击的方式，往往可以使基于眨眼检测、以及嘴唇运动等交互式方法失去效用，所以交互式人脸活体检测算法的局限性也较为明显。

目前更多的使用深度学习的方法来解决人脸活体检测问题。二维卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现。相较于局部二值模式方法等，其能够更好的提取出具有一定泛化性的二维图像特征，从而增加模型准确性。但是深度学习方法同样存在着一定的瓶颈，其模型固然在很多数据集上表现都非常出色，但是在跨数据集测试中仍然表现会不佳。这是由于大部分二维CNN模型只重点学习了训练样本的纹理特征，但是样本中的纹理特征因为不同的环境、不同的光线、不同的攻击方式、不同的显示设备材质，也会具有很强的差异性和随机多样性，所以对于为训练集合之外的全新样本的位置纹理特征就不能做到很好的拟合。

另外，会有一些方法试图通过提取人脸深度图，或者其他的辅助监督手段来额外的引入约束，来增强模型的泛化能力，但是这种辅助监督首先只是一种间接的监督手段，和人脸的活体检测的相关性目前尚无定论。而且其提取不仅需要耗费大量的计算量，而且会占用大量的硬盘空间，无论对于训练还是后续测试的都会带来诸多不便。

因此，模型的泛化问题一直是深度学习在活体检测领域应用中亟待解决的问题。

发明内容