[发明专利]一种基于卷积神经网络的面部活体检测方法

权利要求书

1.一种基于卷积神经网络的面部活体检测方法，其特征在于，包括以下步骤：

S1、采集人脸图像，采用人脸检测器对人脸图像进行处理，得到人脸检测图像数据集；

S2、对人脸检测图像数据集进行预处理，得到标准化人脸数据集；

S3、构建活体检测网络，并采用标准化人脸数据集对活体检测网络进行训练，得到训练完成的活体检测网络；

S4、对训练完成的活体检测网络输入待处理的视频流，得到标记出真实或伪造的人脸视频图像帧。

2.根据权利要求1所述的基于卷积神经网络的面部活体检测方法，其特征在于，所述步骤S2包括以下分步骤：

S21、采用高斯滤波对人脸检测图像数据集进行图像降噪，得到降噪人脸检测图像数据集；

S22、采用USM锐化方法对降噪人脸检测图像数据集进行图像增强，得到增强人脸检测图像数据集；

S23、对增强人脸检测图像数据集中每张图像进行左右翻转和旋转，得到扩充人脸检测图像数据集；

S24、对扩充人脸检测图像数据集按照Channel方向计算均值和标准差；

S25、根据均值和标准差，对扩充人脸检测图像数据集进行归一化和标准化处理，得到标准化人脸数据集。

3.根据权利要求1所述的基于卷积神经网络的面部活体检测方法，其特征在于，所述步骤S3中活体检测网络包括依次连接的输入层、骨干子网络和特征处理分类子网络；所述骨干子网络包括：Conv2D_BN_ReLU层、DownSampledLayer层、SpindleResidual层和1个DownSampledLayer层；

所述Conv2D_BN_ReLU层的数量为2个；

所述DownSampledLayer层的数量为2个至6个；

所述SpindleResidual层的数量为2个至6个；

所述2个的Conv2D_BN_ReLU层分别为：第一Conv2D_BN_ReLU层和第二Conv2D_BN_ReLU层；

所述DownSampledLayer层的数量为4个；

所述4个DownSampledLayer层分别为：第一DownSampledLayer层、第二DownSampledLayer层、第三DownSampledLayer层、第四DownSampledLayer层和第五DownSampledLayer层；

所述SpindleResidual层的数量为4个；

所述4个SpindleResidual层分别为：第一SpindleResidual层、第二SpindleResidual层、第三SpindleResidual层和第四SpindleResidual层；

所述特征处理分类子网络包括：第一线性层和第二线性层。

4.根据权利要求3所述的基于卷积神经网络的面部活体检测方法，其特征在于，所述步骤S3中活体检测网络包括依次连接的输入层、第一Conv2D_BN_ReLU层、第二Conv2D_BN_ReLU层、第一DownSampledLayer层、第一SpindleResidual层、第二DownSampledLayer层、第二SpindleResidual层、第三DownSampledLayer层、第三SpindleResidual层、第四DownSampledLayer层、第四SpindleResidual层、第五DownSampledLayer层、第一线性层和第二线性层；所述输入层的输入端作为活体检测网络的输入端；所述第二线性层的输出端作为活体检测网络的输出端。

5.根据权利要求4所述的基于卷积神经网络的面部活体检测方法，其特征在于，所述第一Conv2D_BN_ReLU层和第二Conv2D_BN_ReLU层均包括依次连接的卷积层、批归化层和非线性单元。

6.根据权利要求4所述的基于卷积神经网络的面部活体检测方法，其特征在于，所述第一Conv2D_BN_ReLU层的卷积核大小为3×3，步长为1，输出通道为32。