一种基于人脸识别的活体检测系统及方法技术方案

本发明专利技术公开了一种基于人脸识别系统的活体检测系统及方法，通过采用卷积神经网络进行训练得到相应的分类模型，然后将待识别的图片输入到分类模型中得到识别结果的方式对待识别的人脸图片进行活体或非活体判断，该方法不需要人工对图片进行特征分析，不需要采用特定的指令动作配合，即可实现活体检测，用户体验好，而且在使用过程中仅需一台具有拍照功能的设备例如手机等智能终端进行不同距离的人脸图片采集，即可实现活体检测，使用范围广，而且相对于光流法活体检测，本方法仅需按照由远及近的方法采集若干张图片，而无需采集连续的视频帧，需要处理的目标数据量远小于光流法活体检测，计算量小，在实时性和实用性具有较大的优势。

【技术实现步骤摘要】
一种基于人脸识别的活体检测系统及方法
本专利技术涉及人脸识别
，具体涉及一种基于人脸识别的活体检测系统及其方法。
技术介绍
在生物识别系统中，为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。随着人脸识别技术日趋成熟，商业化应用愈加广泛，然而人脸极易用照片、视频等方式进行复制，因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。目前，人脸识别技术通行的活体检测技术主要包括以下几种方法：采用指令动作配合的方式，如人脸左转、右转、张嘴、眨眼等，指令配合错误则认为是伪造欺骗。该种方法需要用户配合，认证时间长，识别后需要重新认证几率高，用户体验不好。根据光流法，利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时，光流场对物体运动比较敏感，利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。但是如果使用3D打印出来的人脸模型进行伪造欺骗时，该方法具有较高的误判率，而且在利用该方法进行运动物体检测时，计算量加大，无法保证实时性和实用性。3D人脸检活，利用3D摄像头拍摄人脸，得到相应的人脸区域的3D数据，并基于这些数据做进一步的分析，最终判断出这个人脸是来自活体还是非活体。这里非活体的来源是比较广泛的，包括手机和Pad等介质的照片和视频、各种打印的不同材质的照片(这里包含各种情形的弯曲、折叠、剪裁、挖洞等情形)等。该方法在检测时至少需要两个摄像头进行人脸图像采集，设备成本较高，使用场合受到严重的制约。
技术实现思路
针对现有技术的问题，本专利技术提出一种基于人脸识别的活体检测方法及系统，实现在人脸识别的过程中对被识别的人脸进行活体检测，该方法通过在不同距离拍摄不同的照片，然后利用深度学习卷积神经网络来自动提取活体和非活体的区分特征，这种方法具有很强的学习性和部署的灵活性。作为本专利技术的第一方面，提供一种基于人脸识别的活体检测方法，包括以下步骤：S1，分别对活体人脸和照片人脸由远及近拍摄多张图片，然后通过卷积神经网络进行训练得到分类模型；S2，采集待识别人脸图片，并输入到上述分类模型，得到识别结果。优选地，所述步骤S1包括以下子步骤：S11，针对训练集中的每一训练对象，对活体人脸由远及近采集若干张图片，同时针对活体人脸对应的照片人脸以相同的采集规则由远及近采集相同张数图片；S12，将活体人脸对应的若干张图片和照片人脸对应的若干张图片分别进行归一化处理并组合，生成活体人脸对应的组合图片和照片人脸对应的组合图片；S13，配置具有多个迭代参数的卷积神经网络，并配置所述卷积神经网络结构计算的图片分类模型预测结果；S14，将步骤S12中得到的两张组合图片输入到所述卷积神经网络结构进行迭代计算，得到图片分类模型实际结果；S15，计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值；S16，判断所述差值是否在误差允许范围内，当所述差值在所述误差允许范围内时，确定所述图片分类模型实际结果作为所述分类模型；当所述差值不在所述误差允许范围内时，反馈调节所述卷积神经网络结构的迭代参数，重复进行迭代计算。优选地，所述步骤S14包括以下子步骤：S141，将步骤S12中得到的两张组合图片的图片大小和亮度通过数据均值归一化处理得到归一化数据；S142，将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果；S143，将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果；S144，将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果；S145，将所述第三次卷积结果，通过ReLu非线性化计算得到全连层结果；S146，将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。优选地，步骤S11中所述的采集规则为：在由远及近采集活体人脸图片时，当脸部轮廓完全处于图像采集范围内时，以脸部轮廓进行定位，随着镜头拉近，图像采集范围小于脸部轮廓时，则以鼻子轮廓进行定位，实现人脸图片的采集；同理，在由远及近采集照片人脸图片时，依照相同的规则采集相同数量的人脸图片。优选地，所述步骤S2中在采集待识别人脸图片时，按照步骤S11中所述的采集规则，采集多张待识别人脸图片，并通过归一化处理后组合成一张图片。作为本专利技术的第二方面，提供一种基于人脸识别的活体检测系统，包括：分类模型训练装置，用于对分别对活体人脸和照片人脸由远及近拍摄多张图片，然后通过卷积神经网络进行训练得到分类模型；识别结果输出装置，与分类模型训练装置连接，用于将待识别的人脸图片输入到所述分类模型，得到识别结果。优选地，所述分类模型训练装置包括：采集单元，用于按照预定的采集规则采集同一人脸对应的多张活体人脸图片和照片人脸图片并通过归一化处理后将多张活体人脸图片和多张照片人脸图片分别进行组合生成活体人脸组合图片和照片人脸组合图片；配置单元，与所述采集单元连接，用于配置具有多个参数的卷积神经网络结构，并配置所述卷积神经网络结构计算的图片分类模型预测结果；迭代计算单元，与配置单元连接，用于将所述活体人脸组合图片和照片人脸组合图片输入到卷积神经网络结构畸形迭代计算得到分类模型实际结果；差值计算单元，分别与配置单元和迭代计算单元连接，用于计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值；判断单元，与所述差值计算单元连接，用于判断所述差值是否在误差允许范围内；确定单元，与所述判断单元连接，用于当所述差值在所述误差允许范围内时，确定所述图片分类模型实际结果作为所述分类模型；反馈调节单元，与判断单元连接，用于当所述差值不在所述误差允许范围内时，反馈调节所述卷积神经网络结构的迭代参数，重复进行迭代计算。优选地，所述迭代计算单元包括：数据归一化模块，用于将所述标记图片的图片大小和亮度通过数据均值归一化处理得到归一化数据；第一卷积模块，与所述数据归一化模块连接，用于将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果；第二卷积模块，与所述第一卷积模块连接，用于将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果；第三卷积模块，与所述第二卷积模块连接，用于将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果；全连层模块，与所述第三卷积模块连接，用于将所述第三次卷积结果通过ReLu非线性化计算得到全连层结果；Softmax计算模块，所述Softmax计算模块与所述全连层模块连接，用于将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。本专利技术的有益效果是：本专利技术提供的活体检测方法及系统，通过采用卷积神经本文档来自技高网...

【技术保护点】
一种基于人脸识别的活体检测方法，其特征在于：包括以下步骤：S1，分别对活体人脸和照片人脸由远及近拍摄多张图片，然后通过卷积神经网络进行训练得到分类模型；S2，采集待识别人脸图片，并输入到上述分类模型，得到识别结果。

【技术特征摘要】
1.一种基于人脸识别的活体检测方法，其特征在于：包括以下步骤：S1，分别对活体人脸和照片人脸由远及近拍摄多张图片，然后通过卷积神经网络进行训练得到分类模型；S2，采集待识别人脸图片，并输入到上述分类模型，得到识别结果。2.根据权利要求1所述的一种基于人脸识别的活体检测方法，其特征在于：所述步骤S1具体包括以下子步骤：S11，针对训练集中的每一训练对象，对活体人脸由远及近采集若干张图片，同时针对活体人脸对应的照片人脸以相同的采集规则由远及近采集相同张数图片；S12，将活体人脸对应的若干张图片和照片人脸对应的若干张图片分别进行归一化处理并组合，生成活体人脸对应的组合图片和照片人脸对应的组合图片；S13，配置具有多个迭代参数的卷积神经网络，并配置所述卷积神经网络结构计算的图片分类模型预测结果；S14，将步骤S12中得到的两张组合图片输入到所述卷积神经网络结构进行迭代计算，得到图片分类模型实际结果；S15，计算所述图片分类模型预测结果和所述图片分类模型实际结果的差值；S16，判断所述差值是否在误差允许范围内，当所述差值在所述误差允许范围内时，确定所述图片分类模型实际结果作为所述分类模型；当所述差值不在所述误差允许范围内时，反馈调节所述卷积神经网络结构的迭代参数，重复进行迭代计算。3.根据权利要求2所述的一种基于人脸识别的活体检测方法，其特征在于：所述步骤S14具体包括以下子步骤：S141，将步骤S12中得到的两张组合图片的图片大小和亮度通过数据均值归一化处理得到归一化数据；S142，将所述归一化数据进行MaxPoolingReLu非线性化计算得到第一次卷积结果；S143，将所述第一次卷积结果通过第一次ReLu非线性化平均值Pooling计算得到第二次卷积结果；S144，将所述第二次卷积结果通过第二次ReLu非线性化平均值Pooling计算得到第三次卷积结果；S145，将所述第三次卷积结果，通过ReLu非线性化计算得到全连层结果；S146，将所述全连层结果通过Softmax层计算后得到图片分类模型实际结果。4.根据权利要求3所述的一种基于人脸识别的活体检测方法，其特征在于：步骤S11中所述的采集规则为：在由远及近采集活体人脸图片时，当脸部轮廓完全处于图像采集范围内时，以脸部轮廓进行定位，随着镜头拉近，图像采集范围小于脸部轮廓时，则以鼻子轮廓进行定位，实现人脸图片的采集；同理，在由远及近采集照片人脸图片时，依照相同的规则采集相同数量的人脸图片。5.根据权利要求4所述的一种基于人脸识别的活体检测方法，其特征在于：所述步骤S2中...

【专利技术属性】
技术研发人员：郑山奇，卓越，姚琪，黄瑞，罗畅，刘靖峰，
申请(专利权)人：武汉神目信息技术有限公司，
类型：发明
国别省市：湖北,42