[发明专利]基于深度卷积网络的人脸活体检测方法及装置

说明书

本发明提出了一种基于深度卷积网络的人脸活体检测方法及装置，涉及目标检测技术领域，该方法包括：采集人脸样本数据，并定义为活体图像，对活体图像进行二次拍摄，将拍摄得到的图像定义为非活体图像；建立人脸的目标检测模型，将人脸样本数据作为输入样本进行模型训练，定位人脸所在的位置；建立活体检测模型，其中，活体检测模型包含生成器及判别器，根据活体图像及非活体图像训练生成器及判别器，直至活体检测模型区分活体图像和非活体图像的成功率达到设定值；获取待检测的图像数据，利用人脸的目标检测模型检测待检测的图像数据中人脸所在的位置，在检测到人脸后，利用活体检测模型进行活体识别，得到人脸活体识别结果。

技术领域

本发明涉及目标检测技术领域，尤指一种基于深度卷积网络的人脸活体检测方法及装置。

背景技术

现今，人脸识别与人们的生活密不可分，手机支付、银行办理业务，存取款等场景都可能使用人脸识别技术。其中，活体检测又是人脸识别过程中必不可少的一个环节。现有人脸活体检测方法，主要是基于神经网络通过简单的二分类模型检测活体。首先，通过关键点检测模块检测人脸的5个关键点，对应双眼、嘴的两边和鼻尖，并根据关键点坐标从原始图像裁剪出人脸所在局部位置。然后，将裁剪出的图像输入到一个二分类神经网络中进行人脸特征提取，通过提取到的特征判断人脸是否为活体。

但是，基于上述过程进行人脸识别时，处理过程复杂，数据采集难度大，准确度低，具体体现在以下三个方面：在关键点检测技术定位人脸所在之后，仍需经过一系列图像处理过程得到人脸，过程比较复杂。传统二分类神经网络训练模型需要大量的活体人脸图片和非活体人脸图片进行训练，非活体人脸图片数据采集和标记需要大量的人力。二分类神经网络在数据量较少情况下训练时准确度不高，对内存和处理器性能要求高。

综上来看，亟需一种可以克服上述缺陷，能够提升人脸识别的效率及准确性的技术方案。

发明内容

为解决现有技术存在的问题，本发明提出了一种基于深度卷积网络的人脸活体检测方法及装置。本发明可以简化人脸检测的实现过程、提高目标检测准确性、保证实时性，防止不法分子利用客户的照片或者视频“欺骗”银行终端进行存款、取款、汇款，或者其他需进行人脸识别的系统的人脸攻击；本发明利用深度卷积网络进行人脸活体检测，通过生成对抗网络模型对人脸活体检测结果进行双重判断，提升人脸活体检测的准确度，提升系统的安全性能，减少系统因人脸误识别造成的损失。

在本发明实施例的第一方面，提出了一种基于深度卷积网络的人脸活体检测方法，包括：

采集人脸样本数据，并定义为活体图像，对所述活体图像进行二次拍摄，将拍摄得到的图像定义为非活体图像；

建立人脸的目标检测模型，其中，将人脸样本数据作为输入样本进行模型训练，定位人脸所在的位置；

建立活体检测模型，其中，所述活体检测模型包含生成器及判别器，根据所述活体图像及非活体图像训练所述生成器及判别器，直至活体检测模型区分活体图像和非活体图像的成功率达到设定值；

获取待检测的图像数据，利用所述人脸的目标检测模型检测所述待检测的图像数据中人脸所在的位置，在检测到人脸后，利用所述活体检测模型进行活体识别，得到人脸活体识别结果。

进一步的，定位人脸所在的位置，包括：

采用YOLOv3深度卷积网络模型进行目标检测，定位人脸所在的位置；其中，所述YOLOv3深度卷积网络模型根据输入的人脸样本数据，输出多种尺寸的特征图，并通过矩阵变换处理得到四维特征图，在第四维度中至少包含检测框的位置、检测置信度及人脸类别在内的信息，根据所述四维特征图定位人脸所在的位置。

进一步的，所述活体检测模型至少包含两个生成器和两个判别器；其中，

第一生成器用于学习从活体图像到非活体图像的映射关系，第一判别器用于判断生成的非活体图像的真实度，通过训练提升非活体图像的真实度；