[发明专利]一种安全高效移动端人脸识别方法、电子设备及存储介质

说明书

本发明属于数字图像处理和模式识别技术领域，公开了一种安全高效移动端人脸识别方法、电子设备及存储介质，包括：构建矩阵分解卷积单元作为后续轻量级人脸反欺骗网络和人脸识别网络基础；分别构建轻量级人脸反欺骗和人脸识别网络的特征提取模块与分类模块；分别对轻量级人脸反欺骗网络和轻量级人脸识别网络进行训练；输入人脸图像依次经过人脸反欺骗模块和人脸识别模块实现安全高效移动端人脸识别。本发明基于矩阵分解理论和卷积分离思想，提出了完整的面向移动端的轻量级、安全、高效人脸识别技术；能够解决现有移动端人脸识别模型安全性低、结构复杂、运算速度慢且在移动端部署困难等问题和缺陷。

技术领域

本发明属于数字图像处理和模式识别技术领域，尤其涉及一种安全高效移动端人脸识别方法、电子设备及存储介质。

背景技术

目前，人脸识别是使用计算机、移动终端摄像头从图像或者视频中自动识别或验证对象身份的技术。由于其采集廉价性和非侵入性的优势，人脸识别已经成为最受关注的生物特征识别模态之一。随着人脸识别技术性能的不断提高，它在社会的各个方面逐渐得到普及。近年来人脸识别更在移动智能终端如智能手机上得到极大的关注，带给了用户更好的体验。此外，基于智能手机的人脸识别在移动支付上也吸引了大量企业和研究人员的注意，通过“刷脸”的方式进行消费支付，解决了要随时携带银行卡或现金的不便。

但是现阶段实际应用的人脸识别系统极易受到攻击，比如不法分子采用打印照片等作假途径进行攻击，登录别人账号、盗取别人信息。最近几年随着人脸识别的推广，各种人脸识别系统遭到破解的事件层出不穷，比如2019年10月份浙江某“科学小队”发现只要用一张打印照片就能轻松破解“丰巢智能柜”的刷脸取件系统，取出他人快件，随后有媒体进行测试，发现果然如此；人脸识别的该项弱点使得采用人脸识别进行移动支付等具有安全隐患，解决方法是要求人脸识别系统具备高效高安全性的判断是否为活体的功能，即人脸反欺骗技术。

与此同时，现实中的移动终端人脸识别系统大多数还是采用传统人脸识别算法，传统方法通常是基于个人经验设计的手工特征来进行的，这些特征属于浅层特征，因此导致算法在具体系统中使用时，识别能力弱、用户体验差，而深度学习是端到端的学习过程，能自动的从输入图像的原始像素中学习到表征能力很强的深度特征，将学到的特征用于分类。

以往深度学习方法结构复杂、计算量较大。因此，为了提高在具体场景中人脸识别速度，设计高效轻量级神经网络尤为重要。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统人脸识别算法在具体系统中使用时，识别能力弱、用户体验差；

(2)现有的深度学习方法结构复杂、计算量较大；

(3)现有人脸识别系统安全性不高或者未考虑安全性。

解决以上问题及缺陷的难度为：

目前，结构复杂、计算量较大的深度学习方法应用于移动端设备进行使用，系统响应较慢、用户体验较差，与此同时，设计简单的卷积神经网络进行人脸识别准确率较低。在保证准确率较高的情况下，设计轻量级卷积神经网络提高系统响应速度成为当前研究需要应对的巨大挑战。

解决以上问题及缺陷的意义为：

人脸识别在提供便利的同时，安全性问题以及识别准确率问题更值得我们去考虑，而现阶段在实际应用中，大部分移动端人脸识别系统要么采用传统方法、要么采用复杂的深度学习模型，使得人脸识别系统安全性不高、准确性低，容易被不法分子攻击。因此，设计具有安全性与高效性的面向移动端的人脸识别系统就变得非常重要。本发明设计了轻量级卷积单元MDCU，利用轻量级卷积单元MDCU设计了高安全人脸反欺骗网络LWASNet，利用轻量级卷积单元MDCU设计了高效人脸识别网络LWFace，在保证人脸识别准确率的前提下，解决了深度学习网络计算量较大、在移动端响应速度慢等问题，今后在移动端设备具有良好的应用价值。

发明内容