活体人脸识别方法及系统技术方案

本申请涉及一种活体人脸识别方法及系统，其方法包括获取人脸图像集；基于MobilenetV2网络，建立多个并行的深度可分离卷积网络，得到初始人脸识别模型；基于所述人脸图像集，对所述初始人脸识别模型中进行迭代训练，得到训练完备的目标人脸识别模型；获取待测试人脸图像并输入至所述目标人脸识别模型，得到人脸识别结果。本申请能够准确、快速识别人脸真假情况，有助于提高人脸识别技术的安全性。有助于提高人脸识别技术的安全性。有助于提高人脸识别技术的安全性。

【技术实现步骤摘要】
活体人脸识别方法及系统


[0001]本申请涉及人脸识别
，尤其是涉及一种活体人脸识别方法及系统。

技术介绍

[0002]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。随着深度学习领域研究的不断深入，人脸识别技术日益成熟，已应用于移动端刷脸支付、门禁系统人脸识别、会议签到等场景。然而，单一人脸识别技术难以检测出二次翻拍的假脸，使得上述应用场景存在安全漏洞。而活体人脸检测技术主要针对二次翻拍人脸，抵御人脸欺骗攻击。在会议签到系统中，使用活体人脸检测技术能有效检测出翻拍的假人脸，预防照片替签行为。
[0003]现阶段活体人脸检测技术法可以根据识别真假图像间的差异方式划分为两大类，即交互式的人脸活体检测技术和非交互式的人脸活体检测技术。其中，交互式人脸活体检测技术包括面部表情验证，需要用户配合的语音同步检测，或者唇语结合声音信息分析等方式，此类检测方式操作繁琐，用户体验感差，检测效率低。非交互式活体人脸检测技术或是采用深度摄像头或多个摄像头检测，或是利用热成像摄像头散发热辐射特点进行检测，或是利用光谱摄像头采集多波段图像进行检测，此类检测方式硬件成本较高；另一类是采用复杂模型，需要预先提取光流图像，然后用SVM训练分类；亦或采用生命信息分析的活体检测，需要检测图像或者视频中的对象是否存在心率以此来判断对象是否为活体；也可采用CNN卷积网络，此类检测方法取得了很高的精度，但是计算量较大，检测效率较低。因此，本专利技术人认为在抵御假脸欺骗方面的活体人脸检测技术还需要进一步改进。

技术实现思路

[0004]有鉴于此，本申请提供一种活体人脸识别方法及系统，用以解决如何在高精度要求下高效检测真假人脸的技术问题。
[0005]为了解决上述问题，第一方面，本申请提供一种活体人脸识别方法，所述方法包括：
[0006]获取人脸图像集；
[0007]基于MobilenetV2网络，建立多个并行的深度可分离卷积网络，得到初始人脸识别模型；
[0008]基于所述人脸图像集，对所述初始人脸识别模型中进行迭代训练，得到训练完备的目标人脸识别模型；
[0009]获取待测试人脸图像并输入至所述目标人脸识别模型，得到人脸识别结果。
[0010]可选的，所述人脸图像集包括多张活体人脸图像和对应个体的多张欺骗图像。
[0011]可选的，所述初始人脸识别模型包括两个并行的第一深度可分离卷积子网络和第二深度可分离卷积子网络，其中一个子网络采用MobilenetV2网络的原始结构，另一个子网络采用轻量化后的MobilenetV2网络；
[0012]两个子网络的输出层连接有目标全连接层，所述目标全连接层用于将两个子网络输出的特征图转换成包含多维元素的特征向量；
[0013]所述目标全连接层后设置有损失函数层。
[0014]可选的，所述方法还包括对MobilenetV2网络的原始结构进行轻量化设置，包括减少MobilenetV2网络的原始结构中倒残差层的目标参数，所述目标参数包括循环次数和扩维倍率因子。
[0015]可选的，所述第一深度可分离卷积子网络和第二深度可分离卷积子网络中分别有至少一个倒残差层中加入SE模块，所述SE模块用于对对应倒残差层输出的特征图进行加权处理。
[0016]可选的，在所述第一深度可分离卷积子网络和第二深度可分离卷积子网络中步距为2的倒残差层中加入SE模块；
[0017]所述SE模块包括依次连接的全局池化层、第一全连接层和第二全连接层，所述第一全连接层后设置第一激活函数，所述第二全连接层后设置第二激活函数；
[0018]在SE模块对对应倒残差层输出的特征图进行加权处理之前，将对应倒残差层输入的每张特征图同时输入至对应SE模块，经过全局池化层、第一全连接层和第二全连接层后，生成每张特征图的目标权重；
[0019]基于所述每张特征图的目标权重，对对应倒残差层输出的每张特征图进行对应加权处理。
[0020]可选的，将所述人脸图像集输入至所述初始人脸识别模型中进行迭代训练，得到训练完备的目标人脸识别模型，包括：
[0021]获取初始人脸识别模型对每批次每张人脸图像训练后输出的特征向量；
[0022]基于每批次每张人脸图像训练后输出的特征向量，计算每批次每张人脸图像的检测概率值，以确定每批次训练的损失值；
[0023]利用预设优化器，并基于每批次训练的损失值优化所述初始人脸识别模型的网络参数；
[0024]当所述损失值满足预设损失阈值，和/或训练次数达到预设迭代次数，则停止训练，得到训练完备的目标人脸识别模型。
[0025]可选的，所述基于每批次每张人脸图像训练后输出的特征向量，计算每批次每张人脸图像的分类概率值，以确定每批次训练的损失值，包括：
[0026]所述确定每批次的损失值，采用如下损失函数：
[0027][0028]其中，L表示每批次训练的损失值，表示对应第i个样本人脸图像识别为人体活脸的检测概率值；s表示对人脸图像集的图像缩放系数，m表示角度边界margin；N表示当前批次的样本数量；θ
j
表示对应特征向量的第j维元素的向量角；n表示对应特征向量的元素维数。
[0029]可选的，所述预设优化器为SGD优化器。
[0030]第二方面，本申请提供一种活体人脸识别系统，所述系统包括：
[0031]获取图像模块，用于获取人脸图像集；
[0032]建立模型模块，用于基于MobilenetV2网络，建立多个并行的深度可分离卷积网络，得到初始人脸识别模型；
[0033]训练模型模块，用于基于所述人脸图像集，对所述初始人脸识别模型中进行迭代训练，得到训练完备的目标人脸识别模型；
[0034]测试模块，用于获取待测试人脸图像并输入至所述目标人脸识别模型，得到人脸识别结果。
[0035]第三方面，本申请提供的一种计算机设备，采用如下的技术方案：
[0036]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述活体人脸识别方法的步骤。
[0037]第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
[0038]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述活体人脸识别方法的步骤。
[0039]采用上述实施例的有益效果是：本实施例通过对MobilenetV2网络进行改进，建立多个并行的深度可分离卷积网络，得到初始人脸识别模型，在保证识别准确性的基础上，有助于提高模型的计算效率；利用人脸图像集对所述初始人脸识别模型中进行迭代训练，从而得到训练完备的目标人脸识别模型，获取待测试人脸图像并输入至所述目标人脸识别模型，得到人脸识别结果，从而可以准确、快速识别人脸真假情况，有助于提高人脸识别技术的安全性。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活体人脸识别方法，其特征在于，所述方法包括：获取人脸图像集；基于MobilenetV2网络，建立多个并行的深度可分离卷积网络，得到初始人脸识别模型；基于所述人脸图像集，对所述初始人脸识别模型中进行迭代训练，得到训练完备的目标人脸识别模型；获取待测试人脸图像并输入至所述目标人脸识别模型，得到人脸识别结果。2.根据权利要求1所述的活体人脸识别方法，其特征在于，所述人脸图像集包括多张活体人脸图像和对应个体的多张欺骗人脸图像。3.根据权利要求1所述的活体人脸识别方法，其特征在于，所述初始人脸识别模型包括两个并行的第一深度可分离卷积子网络和第二深度可分离卷积子网络，其中一个子网络采用MobilenetV2网络的原始结构，另一个子网络采用轻量化后的MobilenetV2网络；两个子网络的输出层连接有目标全连接层，所述目标全连接层用于将两个子网络输出的特征图转换成包含多维元素的特征向量；所述目标全连接层后设置有损失函数层。4.根据权利要求3所述的活体人脸识别方法，其特征在于，所述方法还包括对MobilenetV2网络的原始结构进行轻量化设置，包括减少MobilenetV2网络的原始结构中倒残差层的目标参数，所述目标参数包括循环次数和扩维倍率因子。5.根据权利要求3所述的活体人脸识别方法，其特征在于，所述第一深度可分离卷积子网络和第二深度可分离卷积子网络中分别有至少一个倒残差层中加入SE模块，所述SE模块用于对对应倒残差层输出的特征图进行加权处理。6.根据权利要求5所述的活体人脸识别方法，其特征在于，在所述第一深度可分离卷积子网络和第二深度可分离卷积子网络中步距为2的倒残差层中加入SE模块；所述SE模块包括依次连接的全局池化层、第一全连接层和第二全连接层，所述第一全连接层后设置第一激活函数，所述第二全连接层后设置第二激活函数；在SE模块对对应倒残差层输出的特征图进...

【专利技术属性】
技术研发人员：王强，蔡启烈，张卓妮，张钰鸿，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：