[发明专利]人脸活体检测方法、装置及计算机可读存储介质有效

专利信息
申请号: 202011628054.4 申请日: 2020-12-31
公开(公告)号: CN112613471B 公开(公告)日: 2023-08-01
发明(设计)人: 余述超;浦贵阳;程耀 申请(专利权)人: 中移(杭州)信息技术有限公司;中国移动通信集团有限公司
主分类号: G06V40/16 分类号: G06V40/16;G06V40/40;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
代理公司: 上海晨皓知识产权代理事务所(普通合伙) 31260 代理人: 成丽杰
地址: 310011 浙江省杭州*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 活体 检测 方法 装置 计算机 可读 存储 介质
【权利要求书】:

1.一种人脸活体检测方法,其特征在于,包括:

获取包含待检测人脸的近红外图像和可见光图像;

分别对所述近红外图像和所述可见光图像进行裁剪处理,得到所述近红外图像的第一人脸图像块、所述可见光图像的第二人脸图像块,其中,所述第一人脸图像块和所述第二人脸图像块均至少包括一个人脸特征;

将所述第一人脸图像块和所述第二人脸图像块输入预设神经网络模型中进行活体检测,判断所述待检测人脸是否为活体;

其中,所述预设神经网络模型通过以下方式训练得到:

S1:采集正、负样本图像,其中,正样本图像包括真实活体近红外图像和真实活体可见光图像,负样本图像包括伪造活体近红外图像和伪造活体可见光图像;

S2:将所述正、负样本图像输入卷积神经网络模型,得到活体检测结果;

S3:根据所述活体检测结果计算所述卷积神经网络模型的损失函数,并根据所述损失函数调整所述卷积神经网络模型的学习率;

S4:重复步骤S1至步骤S3,直至所述损失函数满足预设要求,将满足预设要求的损失函数对应的学习率作为所述卷积神经网络模型的最终学习率,并将具有最终学习率的卷积神经网络模型作为所述预设神经网络模型;

其中,所述将所述正、负样本图像输入卷积神经网络模型,得到活体检测结果,包括:

对每个所述人脸图像块进行特征提取,得到多个人脸特征;

将所述多个人脸特征进行拼接和随机移除,得到特征矩阵,对所述特征矩阵进行特征提取,得到所述活体检测结果。

2.根据权利要求1所述的人脸活体检测方法,其特征在于,在将所述正、负样本图像输入卷积神经网络模型之前,还包括:

调整所述正、负样本图像的图像大小,以使所述图像大小等于预设阈值;

对调整图像大小后的正、负样本图像进行随机翻转和旋转,再对进行随机翻转和旋转后的正、负样本图像进行基于人脸框的裁剪,得到多个人脸图像块,其中,每个人脸图像块至少包括一个人脸特征。

3.根据权利要求1所述的人脸活体检测方法,其特征在于,所述对每个所述人脸图像块进行特征提取,包括:

采用预设残差网络对每个所述人脸图像块进行深度特征提取,其中,所述预设残差网络按照网络层由低到高的顺序被分为第一部分、第二部分、第三部分、第四部分和第五部分;

将在所述第三部分提取的特征作为所述多个人脸特征;

所述对所述特征矩阵进行特征提取,得到所述活体检测结果,包括:

通过卷积对所述特征矩阵进行特征提取,再将所述特征提取的结果依次输入所述第四部分、所述第五部分和所述预设神经网络模型的全连接层,得到所述活体检测结果。

4.根据权利要求3所述的人脸活体检测方法,其特征在于,在将所述第三部分提取的特征作为所述多个人脸特征之后,还包括:

将所述多个人脸特征输入SEnet模块,得到新的人脸特征;

所述将所述多个人脸特征进行拼接和随机移除,得到特征矩阵,包括:

将所述新的人脸特征人脸特征进行拼接和随机移除,得到所述特征矩阵。

5.根据权利要求1所述的人脸活体检测方法,其特征在于,在采集正、负样本图像之后,还包括:分别对所述真实活体近红外图像、所述真实活体可见光图像、所述伪造活体近红外图像和所述伪造活体可见光图像进行标注;

所述根据所述活体检测结果计算所述卷积神经网络模型的损失函数,包括:根据以下公式计算所述损失函数:

其中,L为所述损失函数,N为所述正、负样本图像的总数量,yi为第i张正、负样本图像的标注,pi为第i张正、负样本图像预测正确的概率,当正、负样本图像为真实活体近红外图像或真实活体可见光图像时,yi等于1;当正、负样本图像为伪造活体近红外图像或伪造活体可见光图像时,yi等于0。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中移(杭州)信息技术有限公司;中国移动通信集团有限公司,未经中移(杭州)信息技术有限公司;中国移动通信集团有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011628054.4/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top