[发明专利]基于深度神经网络的近红外活体人脸识别方法

摘要

本发明公开了一种基于深度神经网络的近红外光活体人脸识别方法，其具体步骤为：构建多任务级联卷积神经网络、活体检测卷积神经网络和人脸识别卷积神经网络，分别对获取的人脸图像进行预处理，得到训练数据集和测试数据集，使用得到的数据集训练和微调神经网络，生成深度神经网络，进行活体人脸识别。本发明利用三维的活体检测卷积神经网络深度提取近红外图像关于真实人脸独特的特征，以此区分真实人脸和伪造人脸，具有针对活体检测问题精度高的优点。

主权项

1.一种基于深度神经网络的近红外光活体人脸识别方法，其特征在于，利用构建三维的活体检测卷积神经网络提取近红外图像关于真实人脸独特的特征，以此区分伪造人脸；该方法的步骤包括如下：/n步骤1，获取人脸图像：/n利用近红外摄像头拍摄至少50人不同表情和不同角度的人脸，得到至少5000张活体人脸图像以及50个活体人脸视频；/n打印每张活体人脸图像，得到人脸纸质图像后再利用近红外摄像头拍摄每张人脸纸质图像，得到至少5000张人脸纸质伪造图片；/n用近红外摄像头拍摄所获取的50个活体人脸视频，得到5000张人脸视频伪造图片；/n将所有的人脸纸质伪造图片和人脸视频伪造图片组成人脸伪造图像库，将所有的活体人脸图像组成活体人脸图像库；/n步骤2，构建三维的多任务级联卷积神经网络：/n搭建一个由提案子神经网络、细化子神经网络和输出子神经网络三个子神经网络组成的多任务级联卷积神经网络；/n步骤3，构建三维的活体检测卷积神经网络：/n搭建一个12层的活体检测卷积神经网络，其结构依次为：输入层→第1卷积层→第1池化层→第2卷积层→第2池化层→第3卷积层→第3池化层→第4卷积层→第5卷积层→第4池化层→全连接层→分类层；/n设置活体检测卷积神经网络各层的参数如下：/n将输入层特征映射图总数设置为3个；/n将第1、2、3、4、5卷积层特征映射图总数分别设置为96、192、384、256、256，卷积核的大小分别设置为5×5、3×3、3×3、3×3、3×3；/n将第1、2、3、4池化层最大化采样滤波器尺寸均设置为2×2；/n将第1全连接层特征映射图总数设置为512；/n步骤4，构建三维的人脸识别卷积神经网络：/n搭建一个14层的人脸识别卷积神经网络并设置该网络各层的参数；/n步骤5，对人脸伪造图像库和活体人脸图像库中所有图像进行预处理：/n将人脸伪造图像库和活体人脸图像库中的所有图像，输入到多任务级联卷积神经网络中，为每张图像标注人脸的左右瞳孔、左右嘴角以及鼻头共五个关键点后，将每张图像裁剪成包含五个关键点的250*250大小的图像后，再依次通过尺度变换、面内旋转和平移，完成每张图像中人脸的校准摆正；/n步骤6，生成训练数据集和测试数据集：/n随机选取预处理好的所有图像中的90％的图像组成训练数据集，10％的图像组成测试数据集；/n步骤7，组建人脸数据集：/n将至少20万张不同人的人脸图片进行类别标注，每一类代表一个人，将标注完成的人脸图片组成人脸数据集；/n步骤8，训练神经网络：/n将训练数据集输入到活体检测卷积神经网络中，利用梯度下降法，迭代更新网络参数，直到该网络的损失函数值小于0.5，得到训练好的活体检测卷积神经网络；/n将人脸数据集输入到活体检测卷积神经网络中，利用梯度下降法，迭代更新网络参数，直到该网络的损失函数值小于0.5，得到训练好的人脸识别卷积神经网络；/n步骤9，微调训练好的人脸识别卷积神经网络：/n将步骤6生成的训练数据集输入到训练好的人脸识别卷积神经网络中，利用梯度下降法，迭代更新网络参数，直到该网络的损失函数值小于0.5，得到微调后的人脸检测卷积神经网络；/n步骤10，生成深度神经网络：/n将训练好的多任务级联卷积神经网络、训练好的活体检测卷积神经网络和微调后的人脸识别卷积神经网络依次连接后，生成深度神经网络；/n步骤11，进行活体人脸识别：/n将步骤6生成的测试数据集输入深度神经网络中，通过提取测试数据集图片的特征向量并与深度神经网络中提取出的活体人脸图片的特征向量作对比，得到测试数据集的活体人脸识别结果。/n