一种人脸活体检测方法及装置制造方法及图纸

本申请公开了一种人脸活体检测方法及装置，该方法包括：获取多个人脸图像序列，多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；采用卷积神经网络对多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，卷积神经网络包括多个子神经网络，每一个子神经网络用于对多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；将多组人脸特征图像输入至卷积神经网络的同一卷积层，按照预设处理方式，对多组人脸特征图像进行处理，获得检测对象的人脸活体特征；根据人脸活体特征对检测对象进行活体判定。该方法，能够克服可见光下检测不稳定的缺点和采用单帧人脸图像进行活体检测时，检测准确性低的问题。

A method and device for detection of human face in vivo

The present application discloses a method and device for detecting human face in vivo. The method includes: obtaining the sequence of multi person face image, the sequence of multi face image as the face image sequence of the same object under multiple spectra, and using the convolution neural network to extract the features of the multiple face image sequence and generate a number of face feature maps. Among them, the convolution neural network includes multiple sub neural networks. Each sub neural network is used to extract the feature of one face image sequence in the multi face image sequence and generate a group of face feature images. The multiple face feature images are input to the same volume of the convolution neural network. In this way, many groups of face feature images are processed to obtain the living features of the detected objects, and the detection objects are determined in vivo according to the living features of the face. This method can overcome the shortcomings of unstable detection under visible light and the low detection accuracy when using a single face image for in vivo detection.

【技术实现步骤摘要】
一种人脸活体检测方法及装置
本申请涉及生物特征识别
，尤其涉及一种人脸活体检测方法及装置。
技术介绍
随着技术的进步，生物特征识别技术被越来越多应用于日常生活。人脸识别技术作为一种生物特征识别技术，由于其易采集、非接触式、识别率高等特点，得到了广泛的应用。人脸活体检测技术是人脸识别系统的重要组成部分，通过区分摄像机前的物体是真人还是假体，可有效提升人脸识别系统的安全性。当前的人脸活体检测方法主要是通过机器学习的方法，对可见光下的单帧人脸图像进行识别，从而对检测对象进行活体判定。其中，可见光的光线变化较大，可见光下的人脸图像极易受外界光线的干扰，例如可见光下，侧光和逆光均会影响人脸图像的成像效果，导致检测效果不稳定；另外，采用单帧图像进行活体检测，检测过程中缺失图像的时序信息，会对人脸活体检测的准确率造成影响，导致检测准确率较低。
技术实现思路
本申请提供了一种人脸活体检测方法及装置，以解决现有的人脸活体检测方法中，光线变化较大时，检测效果不稳定以及图像的时序信息的缺失导致检测准确率较低的问题。第一方面，本申请提供了一种人脸活体检测方法，该人脸活体检测方法包括：获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；根据所述人脸活体特征对所述检测对象进行活体判定。进一步，采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像的过程，具体包括：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。进一步，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征的过程，具体包括：按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。进一步，根据所述人脸活体特征对所述检测对象进行活体判定的过程，具体包括：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；根据分类的结果对所述检测对象进行活体判定。进一步，获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列的过程，具体包括：采集同一检测对象在多个光谱下的初始人脸图像序列；从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。第二方面，本申请还提供了一种人脸活体检测装置，该人脸活体检测装置包括：人脸图像序列获取模块，用于获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；人脸特征图像生成模块，用于采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；人脸活体特征获取模块，用于将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；活体识别模块，用于根据所述人脸活体特征对所述检测对象进行活体判定。进一步，所述人脸特征图像生成模块具体用于：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。进一步，所述人脸活体特征获取模块具体用于：将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。进一步，所述活体识别模块具体用于：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；根据分类的结果对所述检测对象进行活体判定。进一步，所述人脸图像序列获取模块包括：人脸图像序列采集单元，用于采集同一检测对象在多个光谱下的初始人脸图像序列；人脸区域图像提取单元，用于从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；人脸图像序列合成单元，用于将每一个光谱对应的人脸区域图像，按照时间顺序，合成该光谱下的人脸图像序列。本申请实施例可以包括以下有益效果：本申请提供了一种人脸活体检测方法及装置。该人脸活体检测方法中，首先获取同一检测对象在多个光谱下的人脸图像序列，之后采用卷积神经网络从多个光谱下的人脸图像序列中提取检测对象的人脸活体特征，并根据提取出的人脸活体特征对该检测对象进行活体判定。其中，从多个光谱下的人脸图像序列中提取检测对象的人脸活体特征，弥补了可见光条件下，检测结果受光线影响较大，检测不稳定的缺点。并且，同时从人脸图像序列(连续的多帧人脸图像)中进行特征提取，能够将人脸图像序列中不同本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于，包括：获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；根据所述人脸活体特征对所述检测对象进行活体判定。

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括：获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列；采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像；将所述多组人脸特征图像输入至所述卷积神经网络的同一卷积层，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征；根据所述人脸活体特征对所述检测对象进行活体判定。2.如权利要求1所述的人脸活体检测方法，其特征在于，采用卷积神经网络对所述多个人脸图像序列进行特征提取，生成多组人脸特征图像，其中，所述卷积神经网络包括多个子神经网络，每一个子神经网络用于对所述多个人脸图像序列中的一个人脸图像序列进行特征提取，生成一组人脸特征图像的过程，具体包括：将所述多个人脸图像序列输入至包括多个子神经网络的卷积神经网络，其中，向每一个子神经网络中输入所述多个人脸图像序列中的一个人脸图像序列；在每一个子神经网络中，对相应人脸图像序列依次进行如下操作：采用预设第一卷积核进行卷积操作、非线性激活操作和池化操作，生成一组人脸特征图像。3.如权利要求2所述的人脸活体检测方法，其特征在于，按照预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征的过程，具体包括：按照下述预设处理方式，对所述多组人脸特征图像进行处理，获得所述检测对象的人脸活体特征：对所述多组人脸特征图像依次进行如下操作：采用预设第二卷积核进行卷积操作、非线性激活操作和池化操作，生成第一特征响应图；依次采用预设第三、第四和第五卷积核对所述第一特征响应图进行卷积操作，生成第二特征响应图；对所述第二特征响应图进行池化操作，生成第三特征响应图；依次采用所述卷积神经网络的第一全连接层和第二全连接层对所述第三特征响应图进行特征融合处理，获得所述检测对象的人脸活体特征。4.如权利要求3所述的人脸活体检测方法，其特征在于，根据所述人脸活体特征对所述检测对象进行活体判定的过程，具体包括：采用所述卷积神经网络的分类器对所述人脸活体特征进行分类；根据分类的结果对所述检测对象进行活体判定。5.如权利要求1至4任意一项所述的人脸活体检测方法，其特征在于，获取多个人脸图像序列，所述多个人脸图像序列为同一检测对象在多个光谱下的人脸图像序列的过程，具体包括：采集同一检测对象在多个光谱下的初始人脸图像序列；从每一个光谱下的初始人脸图像序列中提取一帧图像，检测提取出的所有图像中是否均包含人脸，如果是，针对提取出的每一帧图像，再次提取其人脸区域图像，将该人脸区域图像进行预处理后，按照时间进行存储；或，如果否，删除提取出的所有图像，重新执行从每一个光谱下的初始人脸图像序列中提取一帧图像的步骤，直至将所有初始人脸图像序列中的图像提取完毕为止；将每一...

【专利技术属性】
技术研发人员：王睿，谢树雷，
申请(专利权)人：北京中科奥森数据科技有限公司，
类型：发明
国别省市：北京,11