基于主动近红外光的人脸防伪算法制造技术

本发明专利技术涉及人脸识别领域，尤其涉及一种基于主动近红外光的人脸防伪算法，包括以下步骤：S1：在近红外光源下采集人脸的正类样本；S2：在近红外光源下采集图片的负类样本；S3：使用SGD优化方法训练一个基于深度神经网络的分类器；S4：利用分类器进行人脸识别，得到结果。与现有技术相比，本申请具有以下优点：1.能够实现活体检测；2.分类精度高；3.分类速度快；4.采用近红外光源，不受可见光的影响。

【技术实现步骤摘要】

本专利技术涉及人脸识别领域，尤其涉及一种基于主动近红外光的人脸防伪算法。
技术介绍
目前，在图像处理和模式识别领域,由手动人工特征和浅层的人工神经网络所获取的特征来进行分类和识别。在复杂环境条件下,这些浅层特征对识别来说是不够的。深层的神经网络即深度学习应运而生，已被大量应用到图像和模式识别领域。深度模型训练(即深度网络训练、深度学习系统训练)的基本流程简要描述如下。网络的每层参数基本都表示成(w,b)，其中w是权值参数，b是偏置参数，每层的输入输出关系是y＝wx+b，其中，x表示输入，y表示输出。各层连接起来就是一个嵌套关系，为简单计，假定总的参数为(W,B)，总的输入输出关系是Y＝F(X,W,B)。如果模型已训练好，即(W,B)已确定，则有输入X直接得到前向输出Y，就是所需的结果。如果模型还没训练好，即(W,B)没有确定，则先给(W,B)一个初始值(W0,B0)，得到训练样本的预测输出Y0＝F(X,W0,B0)，它与训练样本的标签即标定输出Ytrue存在很大的偏差。可以设置一个损失函数，比如说loss＝0.5*(Ytrue-Y0)^2，即预测输出和标签相差越远，则损失函数越大，这时进行误差反传来更新模型参数。每训练一次，就将参数(W,B)更新一次，其目的就是使得预测输出和标定输出的差值越来越小，经过很多训练样本的多次训练，当loss值小于一定的值时，就认为模型训练好了(即找到了合适的的(W,B)值)，训练过程结束。但是现有的基于模拟训练的人脸识别主要根据图片实现人脸识别，但是不能够实现活体检测。换句话说，现有技术对真实的人脸以及同一个人的人脸照片的识别结果都是成功，这样就造成了安全隐患。另外，现有的分类器精度不够，有待进一步提高。
技术实现思路
本专利技术的目的在于为避免上述现有技术所存在的不足，提出一种基于主动近红外光的人脸防伪算法，其能够解决无法实现活体检测的问题。本专利技术提供了一种基于主动近红外光的人脸防伪算法，包括以下步骤：S1：在近红外光源下采集人脸的正类样本；S2：在近红外光源下采集图片的负类样本；S3：使用SGD优化方法训练一个基于深度神经网络的分类器；S4：利用分类器进行人脸识别，得到结果。进一步的，步骤S3中CNN分类器包括依次连接的第一层、第二层、第三层、第四层、第五层、第六层，所述第一层为Input层，所述第二层包括依次连接的Conv0层、Bn0层、Relu0层以及Pool0层，所述第三层包括依次连接的Conv1层、Bn1层、Relu1层、Conv2层、Bn2层、Relu2层、Pool1层，所述第四层包括依次连接的Local0层、Bn3层、Relu3层、Pool2层，所述第五层包括依次连接的Local1层、Bn4层、AvgPool层，所述第六层为Softmax层。进一步的，步骤S2中SGD优化方法为：对于训练样本集，我们首先将其分成n个batch，每个batch包含m个样本。我们每次更新都利用一个batch的数据，而非整个训练集，即：xt+1＝xt+ΔxtΔxt＝-ηgt其中，η为学习率，gt为x在t时刻的梯度。与现有技术相比，本申请具有以下优点：1.能够实现活体检测；2.分类精度高；3.分类速度快；4.采用近红外光源，不受可见光的影响。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是本专利技术实施例1的流程示意图；图2是本专利技术实施例1中分类器的结构示意图。具体实施方式以下结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。在本申请中，提供了一种基于主动近红外光的人脸防伪算法。由于活体的人脸结构是立体的，而照片的结构是平面的，在近红外光源下，立体结构的人脸显现出光亮处和阴影处，所以采集到的活体人脸的亮暗分布会与照片上的人脸不同。基于此，我们将采集到的活体人脸的样本作为正类样本，而将采集到的图片样本作为负类样本。再根据正类样本和负类样本，利用SGD优化方法训练一个基于深度神经网络的分类器，从而实现活体检测、人脸识别。在下面的实施例中进行详细说明。参考图1，本实施例包括以下步骤：S1：在近红外光源下采集人脸的正类样本；S2：在近红外光源下采集图片的负类样本；S3：使用SGD优化方法训练一个基于深度神经网络的分类器S4：利用分类器进行人脸识别，得到结果。结合附图2，步骤S3中CNN分类器包括依次连接的第一层、第二层、第三层、第四层、第五层、第六层，所述第一层为Input层，所述第二层包括依次连接的Conv0层、Bn0层、Relu0层以及Pool0层，所述第三层包括依次连接的Conv1层、Bn1层、Relu1层、Conv2层、Bn2层、Relu2层、Pool1层，所述第四层包括依次连接的Local0层、Bn3层、Relu3层、Pool2层，所述第五层包括依次连接的Local1层、Bn4层、AvgPool层，所述第六层为Softmax层。输入图片，图片大小一般为56x56x1；进入第二层，进入Conv0层进行卷积后进入Bn0层将数据归一化到零均值一方差后进入Relu0层激活函数最后进入pool层下采样；进入第三层，进入Conv1层卷积后进入Bn1层将数据归一化到零均值一方差后进入Relu1层激活函数，进入Conv2卷积后进入Bn2层将数据归一化到零均值一方差后进入Relu2层激活函数，最后进入pool1层下采样；进入第四层，进入Local0层后进入Bn3层将数据归一化到零均值一方差后进入Relu3层激活函数，最后进入pool2层下采样；进入第五层，进入Local1层后进入Bn4层将数据归一化到零均值一方差，最后进入AvgPool层进行采样后的平均值计算；最后进入第六层Softmax层。进一步的，步骤S2中SGD优化方法为：对于训练样本集，我们首先将其分成n个batch，每个batch包含m个样本。我们每次更新都利用一个batch的数据，而非整个训练集，即：xt+1＝xt+ΔxtΔxt＝-ηgt其中，η为学习率，gt为x在t时刻的梯度。这么做的好处在于：当训练数据太多时，利用整个数据集更新往往时间上不显示。batch的方法可以减少机器的压力，并且可以更快地收敛。当训练集有很多冗余时(类似的样本出现多次)，batch方法收敛更快。以一个极端情况为例，若训练集前一半和后一半梯度相同。那么如果前一半作为一个batch，后一半作为另一个batch，那么在一次遍历训练集时，batch的方法向最优解前进两个step，而整体的方法只前进一个step。一般的训练数据为10w张正负样本图片，识别的准确度为99％，其中，训练参数lr＝0.01。本文中所描述的具体实施例仅仅是对本专利技术精神作举例说明。本专利技术所属
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本专利技术的精神或者超越所附权利要求书所定义的范围。本文档来自技高网...

【技术保护点】
基于主动近红外光的人脸防伪算法，其特征在于，包括以下步骤：S1：在近红外光源下采集人脸的正类样本；S2：在近红外光源下采集图片的负类样本；S3：使用SGD优化方法训练一个基于深度神经网络的分类器；S4：利用分类器进行人脸识别，得到结果。

【技术特征摘要】
1.基于主动近红外光的人脸防伪算法，其特征在于，包括以下步骤：S1：在近红外光源下采集人脸的正类样本；S2：在近红外光源下采集图片的负类样本；S3：使用SGD优化方法训练一个基于深度神经网络的分类器；S4：利用分类器进行人脸识别，得到结果。2.根据权利要求1所述的基于主动近红外光的人脸防伪算法，其特征在于，步骤S3中分类器包括依次连接的第一层、第二层、第三层、第四层、第五层、第六层，所述第一层为Input层，所述第二层包括依次连接的Conv0层、Bn0层、Relu0层以及Pool0层，所述第三层包括依次连接的Conv1层、Bn1层、Relu...

【专利技术属性】
技术研发人员：王涛，赵五岳，林先炎，
申请(专利权)人：杭州宇泛智能科技有限公司，
类型：发明
国别省市：浙江;33