[发明专利]基于树形神经网络结构的人脸活体检测方法

说明书

一种基于树形神经网络结构的人脸活体检测方法，收集训练样本并标注后用于对基于树形神经网络结构的人脸活体检测模型进行训练，再将预处理后的待测图片输入训练后的人脸活体检测模型，实现活体检测。本发明在面对待检测图片多样的光线条件变化、摄像头条件变化以及多种非活体类型的攻击时，保证活体检测的检测准确性，显著提高人脸活体检测的可用性、可靠性和泛用性以及进行非活体攻击类型的判断。

技术领域

本发明涉及的是一种图像检测领域的技术，具体是一种基于树形神经网络结构的人脸活体检测方法。

背景技术

由于现有的人脸识别技术极易通过照片、视频，甚至仿真模具等方式进行复制，恶意者试图在识别过程中进行伪装，以图通过验证，达到非法入侵的目的。人脸活体检测由此而生，其主要采用的技术手段有：①图片活体检测：基于图片中人像的破绽(摩尔纹、成像畸形等)来判断目标对象是否为活体，可有效防止屏幕二次翻拍等作弊攻击，可使用单张或多张判断逻辑；②视频流活体检测：利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时，光流场对物体运动比较敏感，利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测；红外双目摄像头活体检测，利用近红外成像原理，实现夜间或无自然光条件下的活体判断。其成像特点(如屏幕无法成像，不同材质反射率不同等)可以实现高鲁棒性的活体判断；3D摄像头活体检测，基于3D结构光成像原理，通过人脸表面反射光线构建深度图像，判断目标对象是否为活体，可强效防御图片、视频、屏幕、模具等攻击。缺点是需要额外设备且成本较高；动作配合活体检测，给出指定动作要求，用户需配合完成，通过实时检测用户眼睛，嘴巴，头部姿态的状态，来判断是否是活体，是现在被广泛使用的技术。

但现有的人脸活体检测技术均存在以下缺陷：使用额外设备以及不要求动作配合的静默检测的检测准确率较低；不能应对对特定检测方式的攻击；在各种不同的光线条件下的检测准确率不稳定；不能应对未知攻击的应对即方法的泛化性低。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于树形神经网络结构的人脸活体检测方法，在面对待检测图片多样的光线条件变化、摄像头条件变化以及多种非活体类型的攻击时，保证活体检测的检测准确性，显著提高人脸活体检测的可用性、可靠性和泛用性以及进行非活体攻击类型的判断。

本发明是通过以下技术方案实现的：

本发明涉及一种基于树形神经网络结构的人脸活体检测方法，收集训练样本并标注后用于对基于树形神经网络结构的人脸活体检测模型进行训练，再将预处理后的待测图片输入训练后的人脸活体检测模型，实现活体检测。

所述的收集训练样本并标注是指：使用公开数据集，该数据集包括：在室内光环境下采集拍摄用于训练的活体样本视频及纸张打印和屏幕攻击的非活体样本视频，除此以外，还包括：从视频网站收集的用于训练的包含化妆、面具等攻击类型的非活体样本视频，并为非活体样本视频中每一帧通过MTCNN人脸检测算法进行人脸检测并制作作为训练监督数据的掩膜。

所述的用于训练的活体样本视频，为在自然光及室内下拍摄的活体样本视频。

所述的非活体样本视频为作为打印攻击的拍摄打印的人脸照片及作为屏幕攻击的屏幕展示人脸照片。

所述的非活体样本视频进一步包括：从视频网站收集的包括：部分面具、硅脂面具、纸张面具、假人模特、化妆模仿、纸张打印眼部眼镜等多种类型的非活体样本视频，增加非活体样本的类型数量，提升训练数据的丰富程度以提高模型的效果。并从训练样本视频中随机抽取10帧即共1626*10张图像作为训练数据，标注活体样本标签为0，非活体样本标签为1，从而以达到数据增强的效果。

所述的人脸检测是指：真实人脸部分为0，假体部分为1，具体为：真实人脸的掩膜即为人脸的区域为0，打印照片的掩膜为人脸的区域为1，眼部面具的掩膜即为眼部区域为1，脸部其他区域为0。