本发明专利技术涉及一种基于人脸识别进行活体检测的方法,包括以下步骤:输入一段包含人脸的视频,按照帧频率将视频截成图片序列;采用人脸识别技术检测出每一帧图像中的人脸;提取一帧图像中人脸框中的绿色通道的像素值作为该帧图像的像素值,将所有图片的像素值按顺序排列,组成像素值序列;对像素值序列进行降噪处理,然后进行傅里叶变换得到像素值序列的频域信息;根据频域信息计算得到心率值;根据心率值判断视频中的人脸是否为真实人脸。本发明专利技术利用人脸所反映的心跳信息,以更好的交互方式和更快的速度进行人脸活体检测,无需测试者按照语音指令进行操作,检测速度快;无需红外摄像头或3D摄像头等硬件设备,成本低,能够广泛应用。
【技术实现步骤摘要】
一种基于人脸识别进行活体检测的方法
本专利技术属于人脸识别
,具体涉及一种基于人脸识别进行活体检测的方法。
技术介绍
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。活体检测,是人脸识别系统中区分照片与真人、视频与真人的一种方法。现如今的人脸活体检测大多采用指令式的交互方式,通过语音提示动作指令,诸如眨眼、摇头、张嘴等,来判断参与检测活动的是否为真人,存在速度慢、参与者不配合等问题。基于多光谱人脸的检测,缺点在于易受外界光照影响。采用红外摄像头或使用三维图像技术,缺点在于成本高,对设备硬件条件要求苛刻,不具有广泛应用意义。同时,目前利用人脸识别进行心跳检测的算法存在对含有人脸照片或者视频也能检测出心跳这一问题。如何能够在减少这些语音式指令的情况下同时又能准确快速地进行人脸活体检测是本专利技术所要解决的问题。
技术实现思路
有鉴于此,本专利技术的目的在于克服现有技术的不足,提供一种交互方式更好、速度更快的基于人脸识别进行活体检测的方法。为实现以上目的,本专利技术采用如下技术方案:一种基于人脸识别进行活体检测的方法,包括以下步骤:S1:输入一段包含人脸的视频,按照帧频率将视频截成图片序列;S2:采用人脸识别技术检测出每一帧图像中的人脸;S3:提取一帧图像中人脸框中的绿色通道的像素值作为该帧图像的像素值,将所有图片的像素值按顺序排列,组成像素值序列;S4:对像素值序列进行降噪处理,再对降噪后的像素值序列进行傅里叶变换得到像素值序列的频域信息;S5:根据频域信息计算得到心率值;S6:根据心率值判断视频中的人脸是否为真实人脸。所述步骤S3中提取一帧图像中人脸框中的绿色通道的像素值,具体包括以下步骤:S31:根据检测出的人脸框,使用特征点检测技术定位并提取出人脸的轮廓,去除图片中不含人脸的额外的背景信息;S32:选取感兴趣的人脸区域,并提取出该区域的绿色通道的像素值。所述步骤S31中使用特征点检测技术定位并提取出人脸的轮廓,具体包括以下步骤:对人脸图片中的特征点进行定位,在人脸框中标注多个特征点;所有的特征点均位于人脸的关键区域的轮廓上,把人脸的关键区域标示出来;所述的关键区域包括左眼、右眼、鼻子、嘴巴和脸庞。所述特征点检测技术的实现方法是:构建深度学习训练级联卷积神经网络,该网络的结构包括两层卷积神经网络,需要的训练样本是人脸图片、人脸框的位置坐标和已标注的人脸特征点的位置坐标;第一层的卷积神经网络对输入的训练样本进行学习训练;经过训练,第一层的卷积神经网络可以对一个人脸图片的特征点进行定位,第一层网络定位不准确;第二层的卷积神经网络从第一层网络定位后的图片中分割出若干个矩形区域,每个矩形区域分别包含一个关键区域的轮廓上的所有特征点;第二层网络主要对每个矩形区域进行学习和训练,得到的特征点位置结果再返回到第一层网络中;经过多次迭代训练后得到的模型,即可准确地对人脸图片进行特征点定位。所述步骤S32中选取感兴趣的人脸区域,具体包括以下步骤:以两眼之间的宽度为基准,选取一定高度的矩形区域为感兴趣的人脸区域。所述步骤S32中提取出该区域的绿色通道的像素值,具体包括以下步骤:提取该区域内所有像素点的绿色通道的像素值;将上述所有像素值累加后求平均值;该平均值即为表征该区域的绿色通道的像素值。所述步骤S4中对像素值序列进行降噪处理,具体包括以下步骤:对像素值序列使用汉明窗进行滤波减均值操作,得到降噪后的像素值序列。所述步骤S4中的傅里叶变换为快速傅里叶变换。所述步骤S5中,计算心率值的具体步骤为:输入视频的长度为t秒;频域信息中,幅值最高点对应的帧数为n;则心率值为:所述步骤S7具体包括:若心率值大于45且小于120,即在正常范围之内,则判断视频中的人脸为真实人脸;若心率值不在正常范围之内,则判断视频中的人脸不是真实人脸。本专利技术采用以上技术方案,利用人脸所反映的心跳信息,以更好的交互方式和更快的速度进行人脸活体检测,提高其准确率,抵御照片及视频对人脸识别系统的攻击。本专利技术的有益效果是:无需测试者按照语音指令进行操作,检测速度快;无需红外摄像头或3D摄像头等硬件设备,成本低,能够广泛地应用,不受硬件设备的限制;与多光谱方法相比,准确率更高。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1是本专利技术一种基于人脸识别进行活体检测的方法流程图;图2是本专利技术的具体实施例中按照步骤S31对人脸图像进行处理的示意图;图3是本专利技术的具体实施例中按照步骤S32对人脸图像进行处理的示意图;图4是本专利技术的具体实施例中级联卷积神经网络对人脸图像进行处理的示意图;图5是本专利技术的具体实施例的像素值序列进行傅里叶变换后的频域图像。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚,下面将对本专利技术的技术方案进行详细的描述。显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本专利技术所保护的范围。如图1所示,本专利技术提供一种基于人脸识别进行活体检测的方法,本方法具体包括以下步骤:S1:输入一段包含人脸的视频,按照帧频率将视频截成图片序列;S2:采用人脸识别技术检测出每一帧图像中的人脸;S3:提取一帧图像中人脸框中的绿色通道的像素值作为该帧图像的像素值,将所有图片的像素值按顺序排列,组成像素值序列;S4:对像素值序列进行降噪处理,再对降噪后的像素值序列进行傅里叶变换得到像素值序列的频域信息;S5:根据频域信息计算得到心率值;S6:根据心率值判断视频中的人脸是否为真实人脸。本专利技术的原理在于,倘若输入的视频里面不是真人,是照片或者视频,那么人脸面部区域血液的容积随心脏搏动的变化就体现不出来,所以测不出心跳值。以此,作为判断活体的依据。具体地,步骤S3中,提取一帧图像中人脸框中的绿色通道的像素值,包括以下步骤:S31:根据检测出的人脸框,使用特征点检测技术定位并提取出人脸的轮廓,去除图片中不含人脸的额外的背景信息;S32:选取感兴趣的人脸区域,并提取出该区域的绿色通道的像素值。进一步地,在步骤S31中,使用特征点检测技术定位并提取出人脸的轮廓,具体包括以下步骤:对人脸图片中的特征点进行定位,在人脸框中标注多个特征点;所有的特征点均位于人脸的关键区域的轮廓上,把人脸的关键区域标示出来;所述的关键区域包括左眼、右眼、鼻子、嘴巴和脸庞。进一步地,在步骤S32中,选取感兴趣的人脸区域,具体包括以下步骤:以两眼之间的宽度为基准,选取一定高度的矩形区域为感兴趣的人脸区域。进一步地,在步骤S32中,提取出该区域的绿色通道的像素值,具体包括以下步骤:提取该区域内所有像素点的绿色通道的像素值;将上述所有像素值累加后求平均值;该平均值即为表征该区域的绿色通道的像素值。步骤S4中,对像素值序列进行降噪处理,具体包括以下步骤:对像素值序列使用汉明窗进行滤波减均值操作,得到降噪后的像素值序列。步骤S4中的傅里叶变换为快速傅里叶变换。步骤S5中,计算心本文档来自技高网...
【技术保护点】
一种基于人脸识别进行活体检测的方法,其特征在于,包括以下步骤:S1:输入一段包含人脸的视频,按照帧频率将视频截成图片序列;S2:采用人脸识别技术检测出每一帧图像中的人脸;S3:提取一帧图像中人脸框中的绿色通道的像素值作为该帧图像的像素值,将所有图片的像素值按顺序排列,组成像素值序列;S4:对像素值序列进行降噪处理,再对降噪后的像素值序列进行傅里叶变换得到像素值序列的频域信息;S5:根据频域信息计算得到心率值;S6:根据心率值判断视频中的人脸是否为真实人脸。
【技术特征摘要】
1.一种基于人脸识别进行活体检测的方法,其特征在于,包括以下步骤:S1:输入一段包含人脸的视频,按照帧频率将视频截成图片序列;S2:采用人脸识别技术检测出每一帧图像中的人脸;S3:提取一帧图像中人脸框中的绿色通道的像素值作为该帧图像的像素值,将所有图片的像素值按顺序排列,组成像素值序列;S4:对像素值序列进行降噪处理,再对降噪后的像素值序列进行傅里叶变换得到像素值序列的频域信息;S5:根据频域信息计算得到心率值;S6:根据心率值判断视频中的人脸是否为真实人脸。2.根据权利要求1所述的一种基于人脸识别进行活体检测的方法,其特征在于,所述步骤S3中提取一帧图像中人脸框中的绿色通道的像素值,具体包括以下步骤:S31:根据检测出的人脸框,使用特征点检测技术定位并提取出人脸的轮廓,去除图片中不含人脸的额外的背景信息;S32:选取感兴趣的人脸区域,并提取出该区域的绿色通道的像素值。3.根据权利要求2所述的一种基于人脸识别进行活体检测的方法,其特征在于,所述步骤S31中使用特征点检测技术定位并提取出人脸的轮廓,具体包括以下步骤:对人脸图片中的特征点进行定位,在人脸框中标注多个特征点;所有的特征点均位于人脸的关键区域的轮廓上,把人脸的关键区域标示出来;所述的关键区域包括左眼、右眼、鼻子、嘴巴和脸庞。4.根据权利要求3所述的一种基于人脸识别进行活体检测的方法,其特征在于,所述特征点检测技术的实现方法是:构建深度学习训练级联卷积神经网络,该网络的结构包括两层卷积神经网络,需要的训练样本是人脸图片、人脸框的位置坐标和已标注的人脸特征点的位置坐标;第一层的卷积神经网络对输入的训练样本进行学习训练;经过训练,第一层的卷积神经网络可以对一个人脸图片的特征点进行定位,第一...
【专利技术属性】
技术研发人员:许靳昌,白洪亮,董远,
申请(专利权)人:北京飞搜科技有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。