[发明专利]一种防止非活体攻击的人脸识别方法

说明书

本发明公开了一种防止非活体攻击的人脸识别方法，包括以下步骤：步骤一：训练2D人脸识别模型和3D人脸识别模型；步骤二：对人脸进行录入；步骤三：对人脸进行识别，在对人脸进行识别时，通过测温热成像模块判定检测人脸是真实人脸还是立体模型人脸，并结合2D与3D人脸识别模型进行联合判断。本发明所述的一种防止非活体攻击的人脸识别方法，区别于传统的2D人脸识别，新加入的3D人脸识别模型可基于深度信息提取不同人脸的曲面特征，可在2D人脸识别基础上对抗照片、视频等平面攻击，且该3D人脸识别模型区别于一般的3D防伪或人脸验证模型，可以独立识别不同人脸，具备人脸识别功能。

技术领域

本发明涉及人脸识别领域，特别涉及一种防止非活体攻击的人脸识别方法。

背景技术

随着深度学习模型在2D人脸识别领域的普遍使用，2D人脸识别技术已能达到在大规模个体和照片情况下准确识别个体的效果。例如在MegaFace挑战中，InsightFace模型可以在百万其他人照片干扰的情况下识别同一个人的不同照片，准确率达到96%以上，远超人类水平。但是，现有的2D人脸识别技术也有它的缺点——2D人脸识别无法区分真人人脸和人脸照片、人脸视频、人脸面具等伪人脸，容易受到非活体的攻击。

针对2D人脸识别的缺陷，市面上出现了3D人脸识别方案，如采用TOF或结构光摄像头采集人脸深度信息，辅助2D人脸识别的技术方案。但该方案的思路主要是采用2D人脸识别技术进行人脸识别，再采用深度信息进行活体验证，因此仅能防范照片、视频等平面非活体攻击，在遇到面具或类似面具道具攻击时就失去了验证效果，例如在遭遇带个体A戴上个体B的面具时，该“3D”人脸识别方案就会失效——会将个体A误识别成个体B。

为此，我们提出一种防止非活体攻击的人脸识别方法，区别于传统的2D人脸识别，加入3D人脸识别模型可基于深度信息提取不同人脸的曲面特征，可在2D人脸识别基础上对抗照片、视频等平面攻击。且不同于之前的3D防伪验证模型，本发明的3D人脸识别模型具备独立的人脸识别功能。

发明内容

本发明的主要目的在于提供一种防止非活体攻击的人脸识别方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种防止非活体攻击的人脸识别方法，包括以下步骤：

步骤一：训练2D人脸识别模型和3D人脸识别模型；

步骤二：对人脸进行录入；

步骤三：对人脸进行识别，

在对人脸进行识别时，通过测温热成像模块判定检测人脸是真实人脸还是立体模型人脸，并结合2D与3D人脸识别模型进行联合判断。

进一步的，所述2D人脸数据为普通的RGB人脸图像，3D人脸数据为从点云提取出的深度图以及深度图进行后处理的伪RGB数据，所述步骤一中2D人脸识别模型和3D人脸识别的训练流程如下：首选，准备裁剪好的人脸数据，以及其各自对应的人物标签，不同的标签代表不同的人，同一个人有一张或者多张人脸照片数据；然后，使用resent50作为主干网络，使用ArcFace Loss作为损失函数，计算网络输出与标签之间的损失，其具体公式为：

；

其次，将数据输入网络后，使用梯度下降法迭代网络参数，使网络输出的人物分类与标签一致；最后，在模型训练完成后，将网络最后的分类层去掉，将前一层输出的featuremap作为人脸特征，实现不同的人脸对比，对两个feature map分别命名为x和y，计算两个feature map间的欧式距离，公式为：

，

同一个人的人脸feature map之间相似，其距离较近，不同人的人脸feature map相异，其距离较远。