[发明专利]一种基于卷积神经网络的活体人脸检测方法

摘要

一种基于卷积神经网络的活体人脸检测方法，涉及机器学习以及模式识别领域。本发明是面向人脸识别中的欺骗问题提出的。传统的人脸识别技术很容易被攻击，攻击者经常采用照片、视频以及3D模型等方法对合法用户的人脸进行复制。如果人脸识别系统不能有效地区分真实人脸和假冒人脸，入侵者就很容易以假冒身份通过识别系统。基于这个问题，本发明提出了一种针基于卷积神经网络的活体人脸检测方法。本发明所提出的方法中的卷积神经网络是基于cuda_convnet框架实现的，网络结构包括四个卷积层，两个max‑pooling层，以及一个全连接层和一个soft‑max层，soft‑max层包括两个神经元，用来预测真假人脸的概率分布。

主权项

一种基于卷积神经网络的活体人脸检测方法,其特征在于，包括以下步骤：A、对摄像头采集的视频进行分帧采样；B、对样本图像进行归一化；C、利用卷积神经网络对归一化后的图像进行特征提取；步骤C具体包括：C1、设计卷积神经网络的网络结构；该网络结构包括一个输入层，4个卷积层一个全连接层以及一个soft‑max层；输入层的图像大小是X*X，包括RGB三个通道，所以输入为X*X*3；输入层的图像在进行卷积神经网络处理前需要进行预处理，将X*X像素的图像的四个角进行裁剪，并将图像再以中心为基准进行裁剪，裁剪后总共得到5幅大小为S*S像素(S<X)的图像，然后将5幅图像进行水平翻转；这样一幅图像经过裁剪以及翻转后得到10幅图像；第一个卷积层与第二个卷积层的是权值共享的，它们分别包括64个卷积核，每个卷积核的大小为5*5；在第一个卷积层与第二个卷积层后面分别连接了一个max‑pooling层，max‑pooling层的大小为3*3；一幅S*S像素的图像经过第一个卷积层后得到64个S*S的图像块，即特征图；经过第一个max‑pooling层后，得到64个S1*S1像素的特征图，S1＝S/2，特征图的大小变为原来的一半，也就是说经过max‑pooling层后进行了降维，特征向量的维数变为原来的一半；这样，经过第二个卷积层与第二个max‑pooling层后，特征图的大小为S2*S2像素，S2＝S1/2又缩减为原来的一半；第三个卷积层与第四个卷积层没有权值共享，它们分别包括32个卷积核，每个卷积核的大小为3*3；全连接层由n个神经元组成，它与第四个卷积层是全连接状态，所以，经过全连接层后，就得到一个n维的特征向量；最后一层是soft‑max层，包括两个神经元，这两个神经元就对应着一幅图像在真实人脸与及假冒人脸的二分类上的概率分布；C2、网络结构设计完成之后，把数据库中的图像转换成卷积网络可读的文件类型，而且需要把训练集分成m个batch，m>1；C3、使用前m‑1个batch进行训练，第m个batch进行验证，学习率为10^‑2，迭代次数为1000‑1500；C4、m个batch一起进行训练，仍然使用第m个batch进行验证，学习率为10^‑3，再迭代1000‑1500次；C5、学习率降低为10^‑4，最后再迭代500‑100次；D、统计测试集中每幅人脸图像的概率分布，将一段视频中所有样本人脸图像的概率最大值所对应的类别作为该视频的分类结果。