一种人脸活体检测方法技术

本发明专利技术公开了一种人脸活体检测方法，其目的在于利用活体检测提升人脸识别的安全性和可靠性。利用图像处理技术实现人脸活体检测，其技术关键在于（1）利用MTCNN方法实现对人脸的检测以及对13个关键点的提取；（2）利用提取的关键点实现人眼眨眼动作判别是否为活体；（3）通过对照片框、视频框和手机边框的检测判断是否为活体；（4）综合人眼眨眼动作判别和对照片框、视频框和手机边框的检测来进行人脸活体检测。本发明专利技术所采用的深度学习方法能够很好的防范照片与视频的攻击，极大的提高了活体检测的准确性和鲁棒性。

【技术实现步骤摘要】
一种人脸活体检测方法
本专利技术属于图像处理领域，尤其涉及到一种人脸活体检测方法。
技术介绍
随着大数据时代的到来和深度学习的发展，人脸识别技术取得了重大突破。人脸识别已经被广泛地应用于公共安防、银行金融、公安刑侦、社交媒体等领域，特别是近来将人脸识别技术应用到手机屏幕解锁。然而，基于人脸识别缺陷的假冒手段也层出不穷，其中主要以人脸照片和视频影像作为冒充手段。提高人脸识别的安全性，可靠性，利用活体检测技术有效的防范冒充手段，这是亟待解决的问题。
技术实现思路
本专利技术的目的在于提高活体检测技术用于人脸识别系统的可靠性，提出了一种人脸活体检测方法。本专利技术采用的技术方案是：一种人脸活体检测方法，包括以下步骤：步骤1：人脸检测与关键点定位：利用MTCNN开源目标检测算法训练人脸检测模型和预测13个关键点位置，所述MTCNN算法是基于深度学习的目标检测算法，利用训练的模型检测人脸框位置信息(χf,yf,wf,hf)，输出13个关键点位置信息((x1，y1)，(x2，y2)…(x13，y13))；步骤2：基于眨眼动作的活体检测：由步骤1得到的13个关键点中的第1点为左眼的左眼角点，第2点为左眼上眼皮的点，第3点为左眼右眼角点，第4点为左眼角下眼皮的关键点，第5点为右眼的左眼角点，第6点为右眼上眼皮的点，第7点为右眼的右边眼角点，第8点为右眼角下眼皮的关键点。利用欧氏距离计算视频中第i帧人眼高和宽wi的比值ui，记录下ui的值，ui在设定的阈值T上呈现上下浮动,计算一段时间t内的睁眼总次数q和闭眼的次数k，当|q+k|≥2，|q-k|≤a,例如a取3,满足这些条件，则判断有眨眼动作发生，检测到的人脸为活体。判断眨眼动作发生的条件：在第i+m帧时比值ui+m>T>ui+m+1且随后r帧出现ui+m+r<T<ui+m+r+1或者在第i+r帧时ui+r<T<ui+r+1且随后m帧出现ui+r+m>T>ui+r+m+1,其中m为睁眼后到闭眼前时间间隔内的帧数，r为闭眼后到睁眼前时间间隔的帧数；其中wi和的计算公式为：所述阈值T的取值步骤为：①统计数据集中n张图片人眼的宽和高，求取宽高的均值和②计算阈值T：步骤3：基于边框检测的活体检测：采用深度学习训练一个检测照片框、视频边框与手机边框的边框检测卷积神经网络模型，在视频第i帧检测到人脸框位置信息为(χfi,yfi,wfi,hfi)，如果边框检测模型检测到有边框，其位置信息为(χbi,ybi,wbi,hbi)，只要人脸框包含在模型检测到的边框内，则不认为是活体,反之，则认为是活体；判断人脸框包含在检测到边框内的公式为：χfi>χbi；yfi>ybi(7)χfi+wfi<χbi+wbi(8)yfi+hfi<ybi+hbi(9)(3a)训练与测试数据准备：通过相机拍摄打印的图片、录制播放着的手机视频以及录制包含照片的视频，总计N张图片，标注边框的位置信息，标注框略大于边框；(3b)对图像数据进行数据增强：将N张图片通过平移、旋转图像(0°，90°，180°，270°)来增加数据，使数据变为原来的16倍；将数据集按照8：1：1的比例分成训练集，验证集和测试集；(3c)对图像数据进行处理：将图像缩放到M×M的尺寸，再转换成灰度图片，把处理好的图片数据存为HDF5(HierarchicalDataFormat)文件；(3d)网络结构：所述的卷积神经网络层包含3个卷积层，1个BN层和2个全连接层，它的输出层节点数4个，选定损失函数(3f)训练：将处理完的数据送入卷积神经网络，网络输入批量大小(batchsize)设置为64，随机初始化各层的连接权值W和偏置b,给定学习速率η；(3e)测试：将测试集数据输入训练好边框检测模型，检测有无边，如果有，输出边框位置信息(χb,yb,wb,hb)；步骤4：结合边框检测与人眼眨眼判断的活体检测：由步骤2与步骤3所述的两种方法进行联合活体检测。首先对摄像头采集的视频进行人脸检测，如果检测到人脸，就开始进行边框检测，如果检测到视频中带有边框，且边框内包含检测到的人脸框，则不让其通过，认为他是非活体；若未检测到边框或检测到的边框内不包含人脸，则通过对视频中人眼是否有眨眼进行判断，如果有眨眼，判断为活体，否则判断为非活体。附图说明以下结合附图，对本专利技术的具体实施方式做进一步的详细描述。图1为本专利技术的一种人脸活体检测方法所述人眼眨眼动作判断示意图；图2为本专利技术的一种人脸活体检测方法所述照片、视频和手机边框检测网络图；图3为本专利技术的一种活体检测主要流程图。具体实施方式本专利技术公开了一种人脸活体检测方法，下面结合附图对本专利技术的具体实施方式做详细的说明。步骤1：人脸检测与关键点定位：利用MTCNN开源目标检测算法训练人脸检测模型和预测13个关键点位置，所述MTCNN算法是基于深度学习的目标检测算法，利用训练的模型检测人脸框位置信息(χf,yf,wf,hf)，输出13个关键点位置信息((x1，y1)，(x2，y2)…(x13，y13))；步骤2：基于眨眼动作的活体检测：由步骤1得到的13个关键点中的第1点为左眼的左眼角点，第2点为左眼上眼皮的点，第3点为左眼右眼角点，第4点为左眼角下眼皮的关键点，第5点为右眼的左眼角点，第6点为右眼上眼皮的点，第7点为右眼的右边眼角点，第8点为右眼角下眼皮的关键点。利用欧氏距离计算视频中第i帧人眼高和宽wi的比值ui，记录下ui的值，ui在设定的阈值T上呈现上下浮动,计算一段时间t内的睁眼总次数q和闭眼的次数k，当|q+k|≥2，|q-k|≤a,例如a取3,满足这些条件，则判断有眨眼动作发生，检测到的人脸为活体。判断眨眼动作发生的条件：在第i+m帧时比值ui+m>T>ui+m+1且随后r帧出现ui+m+r<T<ui+m+r+1或者在第i+r帧时ui+r<T<ui+r+1且随后m帧出现ui+r+m>T>ui+r+m+1,其中m为睁眼后到闭眼前时间间隔内的帧数，r为闭眼后到睁眼前时间间隔的帧数；其中wi和的计算公式为：所述阈值T的取值步骤为：①统计数据集中n张图片人眼的宽和高，求取宽高的均值和②计算阈值T：步骤3：基于边框检测的活体检测：采用深度学习训练一个检测照片框、视频边框与手机边框的边框检测卷积神经网络模型，在视频第i帧检测到人脸框位置信息为(χfi,yfi,wfi,hfi)，如果边框检测模型检测到有边框，其位置信息为(χbi,ybi,wbi,hbi)，只要人脸框包含在模型检测到的边框内，则不认为是活体，反之，则认为是活体；判断人脸框包含在检测到边框内的公式为：χfi>χbi；yfi>ybi(7)χfi+wfi<χbi+wbi(8)yfi+hfi<ybi+hbi(9)(3a)训练与测试数据准备：通过相机拍摄打印的图片、录制播放着的手机视频以及录制包含照片的视频，总计N张图片，标注边框的位置信息，标注框略大于边框；(3b)对图像数据进行数据增强：将N张图片通过平移、旋转图像(0°，90°，180°，270°)来增加数据，使数据变为原来的16倍；将数据集按照8：1：1的比例分成训练集，验证集本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于包括如下步骤：步骤1：人脸检测与关键点定位；步骤2：基于眨眼动作的活体检测；步骤3：基于边框检测的活体检测；骤4：结合边框检测与人眼眨眼判断的活体检测。

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于包括如下步骤：步骤1：人脸检测与关键点定位；步骤2：基于眨眼动作的活体检测；步骤3：基于边框检测的活体检测；骤4：结合边框检测与人眼眨眼判断的活体检测。2.如权利要求1所述的人脸活体检测方法，其特征在于：所述步骤1具体如下：利用MTCNN开源目标检测算法训练人脸检测模型和预测13个关键点位置，所述MTCNN算法是基于深度学习的目标检测算法，利用训练的模型检测人脸框位置信息(χf,yf,wf,hf)，输出13个关键点位置信息((x1，y1)，(x2，y2)…(x13，y13))。3.如权利要求2所述的人脸活体检测方法，其特征在于：所述步骤2具体如下：由步骤1得到的13个关键点中的第1点为左眼的左眼角点，第2点为左眼上眼皮的点，第3点为左眼右眼角点，第4点为左眼角下眼皮的关键点，第5点为右眼的左眼角点，第6点为右眼上眼皮的点，第7点为右眼的右边眼角点，第8点为右眼角下眼皮的关键点；利用欧氏距离计算视频中第i帧人眼高hi和宽wi的比值ui，记录下ui的值，ui在设定的阈值T上呈现上下浮动,计算一段时间t内的睁眼总次数q和闭眼的次数k，当|q+k|≥2，|q-k|≤a,例如a取3,满足这些条件，则判断有眨眼动作发生，检测到的人脸为活体；判断眨眼动作发生的条件：在第i+m帧时比值ui+m>T>ui+m+1且随后r帧出现ui+m+r<T<ui+m+r+1或者在第i+r帧时ui+r<T<ui+r+1且随后m帧出现ui+r+m>T>ui+r+m+1,其中m为睁眼后到闭眼前时间间隔内的帧数，r为闭眼后到睁眼前时间间隔的帧数；其中wi和hi的计算公式为：所述阈值T的取值步骤为：①统计数据集中n张图片人眼的宽和高，求取宽高的均值和②计算阈值T：。4.如权利要求3所述的人脸活体检测方法，其特征在于：步骤3具体如下：采用深度学习训练一个检测照片框、视频边框与手机边框的边框检测卷积神...

【专利技术属性】
技术研发人员：章东平，葛俊，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江,33