一种非配合式人脸活体检测方法及计算机存储介质技术

本发明专利技术提供一种非配合式人脸活体检测方法及计算机存储介质，所述方法包括以下步骤：S1、获取模型训练用活体检测图像集合，并对所述图像集合进行处理；S2、设计Inception Net分类网络；S3、设计SSD检测网络；S4、通过所述Inception Net分类网络和所述SSD检测网络对所述图像集合进行模型训练；S5、获取实时图像，根据模型训练的结果预测所述实时图像是否为人脸活体。根据本发明专利技术实施例的非配合式人脸活体检测方法，不需要增添摄像头以外的硬件设备，且不需要待测人员配合，能够达到超实时的人脸活体检测速度，成本低廉，使用方便。

【技术实现步骤摘要】
一种非配合式人脸活体检测方法及计算机存储介质
本专利技术涉及人脸检测领域，更具体地，涉及一种非配合式人脸活体检测方法及计算机存储介质。
技术介绍
人脸识别以其快速性、有效性、用户友好性，逐渐成为了一种重要的加解密方式，但是目前许多人脸识别系统无法辨别人脸的真伪，因此，在人脸识别系统中引入活体检测方法有助于提高人脸识别的实用性与安全性。目前人脸活体检测的方法主要有以下几种：1)基于视频流交互式的主动活体检测。主要技术手段：首先系统进行人脸检测及人脸关键点定位，如果视频中存在人脸，则随机生成若干个动作，如果测试人员在规定时间内完成指定动作，则系统判定测试人员为活体，反之则判定为非活体。该方法存在的问题和缺陷为：需要用户配合，且用时较长。2)基于亮瞳效应的人脸活体检测方法。主要技术手段：通过检测人脸的眼睛区域是否存在亮瞳效应来区分活体人脸与非活体人脸。该方法存在的问题和缺陷为：需要增加额外的光源设备，造价较高，且操作繁琐。3)具有图像失真分析的人脸活体检测方法。主要技术手段：首先系统进行人脸检测及人脸关键点定位，如果图片中存在人脸，则提取图片中的4种特征(镜面反射特征、模糊程度特征、矩特征、颜色多样性特征),应用支持向量机进行训练和预测。存在的问题和缺陷为：该方法提取的特征相对简单，判别能力不强且泛化能力不强，不能很好的在现实场景中应用。因此，基于现有技术尚存在以上问题有待解决，亟需开发一种新型的非配合式人脸活体检测方法。
技术实现思路
有鉴于此，本专利技术提供一种非配合式人脸活体检测方法及计算机存储介质，能够有效提高人脸活体检测的精确度与速度。为解决上述技术问题，一方面，本专利技术提供一种非配合式人脸活体检测方法，所述方法包括以下步骤：S1、获取模型训练用活体检测图像集合，并对所述图像集合进行处理；S2、设计InceptionNet分类网络；S3、设计SSD检测网络；S4、通过所述InceptionNet分类网络和所述SSD检测网络对所述图像集合进行模型训练；S5、获取实时图像，根据模型训练的结果预测所述实时图像是否为人脸活体。根据本专利技术实施例的非配合式人脸活体检测方法，通过将InceptionNet分类网络与SSD检测网络配合使用，极大地提高了人脸活体检测的精确度与速度，利用SSD检测网络可以适应多种尺度的电子设备边框的训练和检测任务，并且能够实时高精度的检测目标。本专利技术使用的活体检测方法不需要增添摄像头以外的硬件设备，且不需要待测人员配合，能够达到超实时的人脸活体检测速度，成本低廉，使用方便。根据本专利技术的一些实施例，步骤S1包括：S11、通过摄像设备批量保存活体检测图像集合Q；S12、对所述图像集合Q中的第一集合的图像进行边框标注，获取有边框标注信息的图像G和不带标注信息的图像P，其中所述第一集合图像是所述图像集合Q的子集。根据本专利技术的一些实施例，在步骤S2中，将设计的所述InceptionNet分类网络记为M，所述InceptionNet分类网络包括深度神经网络A和3组Inception结构C，所述Inception结构C包括四个分支，每个所述分支分别由1*1卷积、3*3卷积、5*5卷积、3*3最大池化组成。根据本专利技术的一些实施例，在步骤S3中，将设计的所述SSD检测网络记为S，所述SSD检测网络的主网络为卷积层增加4个卷积层的VGG16模型。根据本专利技术的一些实施例，步骤S3还包括：对5个不同的所述卷积层的输出分别用两个3*3的卷积核进行卷积，其中一个卷积核输出为分类置信度，每个defaultbox生成3个置信度，分别对应活体检测任务中的背景、真人、非活体人脸，另一个卷积核输出为目标位置的定位，每个defaultbox生成x，y，w，h4个坐标值；5个卷积层经过priorBox层生成defaultbox；将上述三个计算结果分别合并后传递给损失层。根据本专利技术的一些实施例，步骤S4包括：S41、将所述图像集合Q分为训练集T和校验集V，使训练集T和校验集V中均含有带边框标注信息的图像G和不带标注信息的图像P；S42、通过InceptionNet分类网络M对训练集T中的部分人脸图像P进行前向计算，经过模型的各层后输出识别结果，根据当前网络输出与输入特征的标签差异应用批次随机梯度下降算法进行模型训练，不断调整InceptionNet分类网络M中各个权值；S43、利用校验集V中不带标注信息的图像P验证模型训练效果，当模型M在校验集V上准确率不能随着训练时间继续提升时，模型停止训练，获得模型M’；S44、通过SSD检测网络S对训练集T中的部分带有边框标注信息的图像G进行前向计算，经过模型的各层后输出模型检测到的目标边框，以及每个边框对应的类别；S45、根据当前网络输出的结果与目标的标注信息进行对比，分别计算出定位损失Lloc与置信度损失Lconf；网络总体的目标损失函数L(x，c，l，g)是Lloc与Lconf的加权和，如公式(1)所示：其中，x表示先验框与标注信息的相匹配情况；c为模型输出预测边框的置信度，l是模型的预测边框，g是标注的边框位置，a是用于调整置信度损失和定位损失之间比例的参数，N是与标注的边框信息相匹配的预测边框个数；应用批次随机梯度下降方法算法对公式(1)中的目标函数进行模型训练，不断调整SSD检测网络S中各个权值；S46、利用校验集V中带边框标注信息的图像G验证模型训练效果，当模型S在校验集V上准确率不能随着训练时间继续提升时，模型停止训练，获得模型S’；S47、当图片经过M’和S’后，将两个模型输入真人类别的置信度相加，记为模型D的置信度得分。根据本专利技术的一些实施例，步骤S5包括：S51、通过摄像设备获取实时RGB图像A，将图像A输入到级联卷积神经网络模型中，进行人脸检测；若检测到人脸，则对人脸进行归一化，得到归一化人脸图像B；并且记录人脸在图像A中的位置k；S52、将图像A输入步骤S4获得的模型M’，得到结果x；S53、将图片B输入步骤S4获得的模型S’，得到边框集合Y；S54、判断人脸位置k与边框集合Y中各个边框的重合率；如果存在重合率超过设定值的边框，则记录该边框的置信度u；在所有符合条件的u中，选取最大值v；S55、将结果x与置信度最大值v输入给步骤S4所得的融合模型D，通过融合模型D给出图像A的人脸活体检测预测结果。根据本专利技术的一些实施例，在步骤S51中，对人脸进行归一化的步骤为：将图像A中的人脸区域图片输入给人脸关键点检测模型进行人脸关键点定位，并通过计算关键点到标准关键点的仿射变换，将不同姿态下的人脸图片变换到标准姿态下的人脸图片，获得归一化人脸图像B。根据本专利技术的一些实施例，在步骤S53中，通过非极大值抑制算法，去除掉重叠或错误的预测边框，得到边框集合W，并通过边框集合W进行后续操作。第二方面，本专利技术实施例提供一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如上述实施例所述的方法。<本文档来自技高网...

【技术保护点】
1.一种非配合式人脸活体检测方法，其特征在于，所述方法包括以下步骤：/nS1、获取模型训练用活体检测图像集合，并对所述图像集合进行处理；/nS2、设计Inception Net分类网络；/nS3、设计SSD检测网络；/nS4、通过所述Inception Net分类网络和所述SSD检测网络对所述图像集合进行模型训练；/nS5、获取实时图像，根据模型训练的结果预测所述实时图像是否为人脸活体。/n

【技术特征摘要】
1.一种非配合式人脸活体检测方法，其特征在于，所述方法包括以下步骤：
S1、获取模型训练用活体检测图像集合，并对所述图像集合进行处理；
S2、设计InceptionNet分类网络；
S3、设计SSD检测网络；
S4、通过所述InceptionNet分类网络和所述SSD检测网络对所述图像集合进行模型训练；
S5、获取实时图像，根据模型训练的结果预测所述实时图像是否为人脸活体。


2.根据权利要求1所述的方法，其特征在于，步骤S1包括：
S11、通过摄像设备批量保存活体检测图像集合Q；
S12、对所述图像集合Q中的第一集合的图像进行边框标注，获取有边框标注信息的图像G和不带标注信息的图像P，其中所述第一集合图像是所述图像集合Q的子集。


3.根据权利要求2所述的方法，其特征在于，在步骤S2中，将设计的所述InceptionNet分类网络记为M，所述InceptionNet分类网络包括深度神经网络A和3组Inception结构C，所述Inception结构C包括四个分支，每个所述分支分别由1*1卷积、3*3卷积、5*5卷积、3*3最大池化组成。


4.根据权利要求2所述的方法，其特征在于，在步骤S3中，将设计的所述SSD检测网络记为S，所述SSD检测网络的主网络为卷积层增加4个卷积层的VGG16模型。


5.根据权利要求4所述的方法，其特征在于，步骤S3还包括：
对5个不同的所述卷积层的输出分别用两个3*3的卷积核进行卷积，其中一个卷积核输出为分类置信度，每个defaultbox生成3个置信度，分别对应活体检测任务中的背景、真人、非活体人脸，另一个卷积核输出为目标位置的定位，每个defaultbox生成x，y，w，h4个坐标值；
5个卷积层经过priorBox层生成defaultbox；
将上述三个计算结果分别合并后传递给损失层。


6.根据权利要求2所述的方法，其特征在于，步骤S4包括：
S41、将所述图像集合Q分为训练集T和校验集V，使训练集T和校验集V中均含有带边框标注信息的图像G和不带标注信息的图像P；
S42、通过InceptionNet分类网络M对训练集T中的部分人脸图像P进行前向计算，经过模型的各层后输出识别结果，根据当前网络输出与输入特征的标签差异应用批次随机梯度下降算法进行模型训练，不断调整InceptionNet分类网络M中各个权值；
S43、利用校验集V中不带标注信息的图像P验证模型训练效果，当模型M在校验集V上准确率不能随着训练时间继续提升时，模型停止...

【专利技术属性】
技术研发人员：毛亮，张宇聪，张杰，朱婷婷，林焕凯，郝鹏，刘昕，山世光，黄仝宇，汪刚，宋一兵，侯玉清，刘双广，
申请(专利权)人：高新兴科技集团股份有限公司，中科视拓北京科技有限公司，
类型：发明
国别省市：广东;44