[发明专利]一种基于正样本训练的人脸静默活体检测方法及装置

说明书

本发明公开了一种基于正样本训练的人脸静默活体检测方法及装置，所述方法包括：获取训练数据集；利用网络模型中的图像特征编码子网络，对输入正常人脸图像进行特征编码与分离，获得潜在人脸特征与潜在背景特征；利用图像重构子网络，对潜在人脸特征与潜在背景特征进行重构，得到重构清晰人脸图像与重构正常人脸图像；利用网络模型中的重构特征编码子网络对重构正常人脸图像进行特征提取，得到潜在重构人脸特征和潜在重构背景特征；根据正常人脸图像的训练数据集，利用网络模型中的判别网络和预训练人脸身份特征提取网络对所述重构人脸图像和输入人脸图像进行判别，结合损失函数，实现网络模型的收敛，得到训练好的网络模型；将待测的图像输入训练好的网络模型，确定输入人脸图像的活体性。

技术领域

本发明涉及深度学习应用技术领域，尤其涉及一种基于正样本训练的人脸静默活体检测方法及装置。

背景技术

人脸识别系统逐渐成为现有安防身份认证系统的重要组成部分，并广泛应用到各个安防领域中。但是，包含有人脸信息的照片和视频等资源容易对人脸识别系统进行攻击，造成系统安全性低。因此，需要加入人脸活体检测，以便于增强人脸识别系统的防御，抵御不同的人脸假体攻击，如照片攻击、视频攻击、面具攻击等。

人脸活体检测主要是通过识别活体上的生理信息来进行判断该人脸是否为活体，活体检测技术可以把生理信息作为生命特征来区分用照片、硅胶、塑料等非生命物质假装的生物特征。目前,人脸活体检测方法可以分为基于用户协作式检测法、基于辅助设备检测法以及静默式检测法。但是，基于用户协作式检测法的其用户体验较差，且等待时间较长，效率低下，而基于辅助设备检测法虽准确度较高，但也提高了产品的成本，限制了其应用场景和推广进度。相反地，仅仅根据可见光下人脸图像进行的人脸静默活体检测能够大大提高用户体验，减低成本，并能够保护人脸识别系统的正确性。

针对人脸静默活体检测问题，其关键的问题是人脸假体攻击的类型多种多样，难以在算法模型设计过程中考虑到每一种攻击类型，容易造成算法模型的泛化性不强。相反的，现有实际应用容易采集到大量正常、真实的人脸图像正样本数据，因此，如何设计相应合理的深度学习网络框架，结合大量正样本训练数据，利用高性能的计算机处理能力对网络进行训练，进而可以获得鲁棒性高、泛化性强的人脸静默活体检测网络，进而有效地确保真实人脸的准确判断，杜绝多种人脸假体攻击，为后续人脸识别的安全性提供保障。

现有技术方案：有平台提供了多种活体检测SDK，包括交互式的APP活体检测(需要配合眨眼、张嘴、摇头等动作)、离线RGB活体检测、红外活体检测、在线图像活体检测等。使用者在拿到百度的授权后，调用SDK中的接口函数进行二次开发，输入合适的数据，如图片等，得到其计算的结果(是否为活体)，再利用计算结果进行后续开发。

现有技术存在的缺点：只有单独的活体人脸检测功能。不利于二次开发，平台搭建方面的自主性或兼容性不高；在训练模型时使用了超过十万张图片，在样本采集上存在困难。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于正样本训练的人脸静默活体检测方法及装置，该方法利用深度学习网络框架构建网络模型，通过构建网络模型中的图像特征编码子网络与图像重构子网络，从而获得重构图像生成网络，结合判别网络和预训练人脸身份特征提取网络，实现了基于正样本数据的网络模型训练；将获得的人脸图像输入训练好的网络模型，通过比较输入人脸图像与重构人脸图像之间的编码特征差异，实现输入人脸图像的活体检测，为后续人脸识别的实际应用打下坚实基础。

本发明的目的通过以下的技术方案来实现：

一种基于正样本训练的人脸静默活体检测方法，包括：

获取训练数据集，训练数据集中的图像为高清高质量的正常人脸图像；

利用网络模型中重构图像生成网络的图像特征编码子网络，对输入正常人脸图像进行特征编码与分离，获得潜在人脸特征与潜在背景特征；