[发明专利]一种基于深度学习的多尺度活体检测方法及系统

权利要求书

1.一种基于深度学习的多尺度活体检测方法，其特征在于，该方法包括以下步骤：

步骤一.输入图片，提取多尺度图像；

步骤二.对所述多尺度图像提取多尺度特征：利用深度学习模型对所述多尺度图像提取多尺度特征，得到人脸图像信息特征、环境信息特征和行为信息特征；

步骤三.获取多尺度融合特征：对提取的所述多尺度特征采取不同的约束进行特征融合，得到多尺度融合特征；

步骤四.输入所述多尺度融合特征到分类网络，输出活体评分，根据阈值得到活体检验结果。

2.根据权利要求1所述的基于深度学习的多尺度活体检测方法，其特征在于，在所述步骤一中，对输入图片中的待测目标提取多尺度图像，所述多尺度图像包括低尺度人脸图像信息图像、中尺度环境信息图像和高尺度行为信息图像，所述多尺度图像是RGB图像。

3.根据权利要求1所述的基于深度学习的多尺度活体检测方法，其特征在于，在所述步骤三中，所述多尺度融合特征可用式(2)表述：

L(G_l，G_m，G_h)＝λ₁F_l+λ₂F_m+λ₃F_h (2)

在式(2)中，G_l，G_m，G_h分别为采集的低、中和高尺度图像，F^l为提取的低尺度成像特征，λ₁为其约束，F^m为提取的中尺度环境信息特征，λ₂为其约束，F^h为提取的高尺度行为信息特征，λ₃为其约束。

4.一种基于深度学习的多尺度活体检测系统，使用权利要求1、2或3所述的基于深度学习的多尺度活体检测方法，其特征在于，所述多尺度活体检测系统包括自适应多尺度图像采集模块、卷积神经网络创建模块以及多尺度活体检测模块，其中，

所述卷积神经网络创建模块，用于设计卷积神经网络模型，对输入的待检测目标进行活体判断并输出活体检测评分；

所述多尺度活体检测模块，用于待检测目标进行多尺度图像信息提取并输入到卷积神经网络模型，对卷积神经网络模型输出的多尺度活体检测评分进行融合，获取待检测目标的活体检测结果。

5.根据权利要求4所述的基于深度学习的多尺度活体检测系统，其特征在于，所述自适应多尺度图像采集模块包括：

低尺度生物信息采集单元，用于根据所述待检测目标的位置信息采集面部信息图像；

中尺度环境信息采集单元，用于根据所述待检测目标的位置信息，使用不依赖于摄像头分辨率和图像尺寸的自适应方法，采集包含环境背景的图像；

高尺度行为信息采集单元，用于根据所述待检测目标的位置信息，使用不依赖于摄像头分辨率和图像尺寸的自适应方法，采集包含待检测目标行为信息的图像。

6.根据权利要求4所述的基于深度学习的多尺度活体检测系统，其特征在于，所述卷积神经网络创建模块包括：

RGB图像特征信息提取网络，用于构建一个多层次深度神经网络，用于提取所述待检测目标在不同尺度下的多层次的语义特征信息；

RGB图像特征信息分类网络，用于构建一个多层次语义特征信息融合网络，对提取的所述待检测目标的语义信息进行融合并输出一个活体评分，评分在0到1之间，若为活体，则网络输出结果为1，若为非活体，则网络输出结果为0。

7.根据权利要求4所述的基于深度学习的多尺度活体检测系统，其特征在于，所述多尺度活体检测模块包括：

低尺度生物成像特征约束单元，用于对低尺度图像所提取的面部成像特征赋予约束权重；

中尺度环境信息特征约束单元，用于对中尺度图像所提取的环境特征赋予约束权重；

高尺度行为信息特征约束单元，用于对高尺度图像所提取的待检测目标的行为特征赋予约束权重。