一种人脸活体检测方法和装置制造方法及图纸

本公开涉及一种人脸活体检测方法和装置，该方法包括，获取待检测对象的多张图片；按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。该方法使用机器学习和运动信息相结合的手段可以更准确地识别出更快速、精准的过滤出屏幕翻拍和纸质照片的人像信息，提高人脸活体检测的准确性，并具有应用的高效性与易用性。并具有应用的高效性与易用性。并具有应用的高效性与易用性。

【技术实现步骤摘要】
一种人脸活体检测方法和装置


[0001]本专利技术涉及深度学习
，特别是涉及一种人脸活体检测方法和装置。

技术介绍

[0002]随着人脸识别技术在信息安全领域的广泛应用，人脸活体检测作为一种验证手段，其应用越来越广泛，而传统的人脸活体检测技术，容易受到图片编辑、录制翻拍攻击。

技术实现思路

[0003]基于此，有必要针对传统技术存在的问题，提供一种机器学习和运动信息相结合的人脸活体检测方法和装置。具体的，在本专利技术中，使用机器学习方法，更快速、精准的过滤出屏幕翻拍和纸质照片的人像信息，提高人脸活体检测的准确性。
[0004]第一方面，本专利技术实施例提供了一种人脸活体检测方法，所述方法包括：获取待检测对象的多张图片；按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。
[0005]在其中一个实施例中，所述人脸定位检测模型和屏幕翻拍模型的训练方法，具体包括：获取人脸图库数据信息；对获取的所述人脸图库数据信息进行处理，完成训练数据与测试数据的划分操作；根据所述训练数据进行训练，生成人脸定位检测模型和屏幕翻拍模型。
[0006]在其中一个实施例中，根据所述训练数据进行训练，生成人脸定位检测模型的过程，具体包括：第一阶段P
‑
Net，通过一个浅层CNN生成候选人脸窗口，具体包括：通过一个全部由卷积层组成的CNN，获取候选人脸窗口以及人脸框回归向量，基于所述人脸框回归向量对候选人脸窗口进行校正，之后采用NMS合并高重叠率的候选人脸窗口；第二阶段R
‑
Net，通过一个复杂CNN否决大量非人脸窗口，具体包括：第一阶段输出的候选人脸窗口作为本阶段的输入，能够进一步筛除大量非人脸窗口，再利用所述人脸框回归向量对筛除后剩余的候选窗口做校正，并执行NMS；第三阶段O
‑
Net，使用复杂CNN进一步精化结果并输出多个人脸特征点位置坐标。
[0007]在其中一个实施例中，根据所述训练数据进行训练，生成屏幕翻拍模型的过程，具体包括：计算所述训练数据在水平及垂直方向的梯度卷积，得到水平卷积图像及垂直卷积图像；
计算所述水平卷积图像及垂直卷积图像对应的7*7协方差矩阵，并转化为特征向量；基于预设的支持向量机SVM算法对所述特征向量进行分类，生成屏幕翻拍模型。
[0008]在其中一个实施例中，所述根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体，具体包括：由所述人脸定位检测模型计算出眼睛的多个位置坐标，包括眼睛左右角的位置和上眼皮位置、下眼皮位置；根据所述眼睛的多个位置坐标计算出每张图片中眼睛的开合程度；若所述多张图片中眼睛的最大和最小开合程度之差大于或等于预定阈值，则判断所述待检测对象为人脸活体。
[0009]第二方面，本专利技术实施例还提供了一种人脸活体检测装置，其特征在于，所述装置包括：获取模块，用于获取待检测对象的多张图片；人脸检测模块，用于按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；翻拍判断模块，用于按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；活体检测模块，用于若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。
[0010]第三方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的人脸活体检测方法。
[0011]第四方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面的人脸活体检测方法。
[0012]本专利技术提供的一种人脸活体检测方法和装置，使用机器学习和运动信息相结合的手段可以更准确地识别出更快速、精准的过滤出屏幕翻拍和纸质照片的人像信息，提高人脸活体检测的准确性。
附图说明
[0013]图1为本专利技术一个实施例中的一种人脸活体检测方法的步骤流程示意图；图2为本专利技术另一实施例中人脸定位检测模型的训练过程示意图；图3为本专利技术一个实施例中的一种人脸活体检测装置的结构示意图。
具体实施方式
[0014]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本专利技术基于机器学习和运动信息相结合的人脸活体检测方法和装置的具体实施方式进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0015]本专利技术涉及CNN卷积神经网络
，CNN(卷积神经网络)，它是深度学习技术中非常重要而且非常流行的一个算法，CNN是从视觉皮层的生物学上获得启发的。视觉皮层有小部分细胞对特定部分的视觉区域敏感。例如，一些神经元只对垂直边缘兴奋，另一些对水平或对角边缘兴奋。所有这些神经元都以柱状结构的形式进行排列，而且一起工作才能产生视觉感知。这种一个系统中的特定组件有特定任务的观点（视觉皮层的神经元细胞寻找特定特征）在机器中同样适用。
[0016]申请人经过研究发现，人脸活体与静态人脸图片相比，会在人脸器官上呈现一定的动作变化，例如眨眼等动作。
[0017]申请人经过研究还发现，录制翻拍则常会呈现摩尔纹、屏幕反光等特性。由于相机感光元件与显示器之间的波的干涉效应，通过翻拍电脑或手机屏幕上的证件照片而得到的图片上会出现明显的周期性条纹，称为摩尔纹。摩尔纹是区别真实图片和翻拍图片的重要线索。
[0018]综合以上发现，申请人提出了一种基于机器学习和运动信息相结合的人脸活体检测方法和装置，本专利技术利用CNN方法，包括以下步骤：步骤1）数据获取；步骤2）数据预处理；步骤3）数据模型的训练；步骤4）使用训练好的模型来判断是否为人脸活体。
[0019]如图1所示，为一个实施例中的一种人脸活体检测方法的流程示意图。具体包括以下步骤：S101，获取待检测对象的多张图片；具体的，该步骤中由用户输入一组人脸图片，例如，可由手机采集2秒视频，间隔一定帧数将该视频均匀切分成多张图片。
[0020]，按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；S103，按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；在一个实施例中，人脸定位检测模型和屏幕翻拍模型的训练方法，具体包括：S201，获取人脸图库数据信息；训练机器学习需要大量的训练数据，因此需要使用大规模的数据集，使用的静态人脸图片信息和屏幕翻拍人脸图片信息，是从网上获取的。测试输入的图片信息包含网上获取和手工录制的图片序列集合。
[0021]在获取人脸图库数据信息之后，本专利技术还包括：将获取的人脸图库数据信息进行处理，包括去除重复信息，去除遮挡图片，去掉高曝光图片等操作，并将处理后的结果以字典编号的形式进行保存。
[0022]，对获取的所述人脸图库数据信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，所述方法包括：获取待检测对象的多张图片；按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。2.根据权利要求1所述的人脸活体检测方法，其特征在于，所述人脸定位检测模型和屏幕翻拍模型的训练方法，具体包括：获取人脸图库数据信息；对获取的所述人脸图库数据信息进行处理，完成训练数据与测试数据的划分操作；根据所述训练数据进行训练，生成人脸定位检测模型和屏幕翻拍模型。3.根据权利要求2所述的人脸活体检测方法，其特征在于，根据所述训练数据进行训练，生成人脸定位检测模型的过程，具体包括：第一阶段P
‑
Net，通过一个浅层CNN生成候选人脸窗口，具体包括：通过一个全部由卷积层组成的CNN，获取候选人脸窗口以及人脸框回归向量，基于所述人脸框回归向量对候选人脸窗口进行校正，之后采用NMS合并高重叠率的候选人脸窗口；第二阶段R
‑
Net，通过一个复杂CNN否决大量非人脸窗口，具体包括：第一阶段输出的候选人脸窗口作为本阶段的输入，能够进一步筛除大量非人脸窗口，再利用所述人脸框回归向量对筛除后剩余的候选窗口做校正，并执行NMS；第三阶段O
‑
Net，使用复杂CNN进一步精化结果并输出多个人脸特征点位置坐标。4.根据权利要求2所述的人脸活体检测方法，其特征在于，根据所述训练数据进行训练，生成屏幕翻拍模型的过程，具体包括：...

【专利技术属性】
技术研发人员：王迟，梁从象，杨帆，
申请(专利权)人：六度云计算有限公司，
类型：发明
国别省市：