一种人脸活体检测方法、系统和设备技术方案

本发明专利技术实施例提供一种人脸活体检测方法、系统和设备，获取待识别人脸的人脸深度图；基于所述人脸深度图判断待识别人脸是否为活体，若所述人脸深度图满足预设条件，则判断待识别人脸为活体。利用照片或视频的二次拍摄图像与真人的图像的人脸深度预测的差异，结合深度学习的模型的预测结果，抵御照片以及视频对人脸识别系统的攻击，基于卷积神经网络可以提取图片深层次的特征这一优势，通过卷积神经网络学习一个端到端的人脸图像到人脸深度图像的映射，利用真实人脸计算出的深度图和攻击人脸默认的零深度图来监督网络的学习，检测速度快，适用范围广，手机端和电脑端都适用，基于深度学习的框架，直观的表达了真实人脸和攻击人脸的本质差别。

A Face Biopsy Detection Method, System and Equipment

The embodiment of the present invention provides a method, system and equipment for face biopsy detection to obtain the face depth map of the face to be recognized; judges whether the face to be recognized is a living body based on the face depth map, and judges whether the face to be recognized is a living body if the face depth map satisfies the preset conditions. Using the difference of face depth prediction between the second photograph or video image and the real person image, combining with the prediction result of the depth learning model, we can resist the attack of photos and videos on the face recognition system. Based on the convolution neural network, we can extract the deep-seated features of the image. We can learn an end-to-end face image to the face depth map through the convolution neural network. Image mapping, using the depth map computed by the real face and the zero depth map attacked by the default face to supervise the learning of the network, has fast detection speed and wide application range. Both mobile and computer terminals are applicable. Based on the framework of depth learning, the essential difference between real face and attacking face is intuitively expressed.

【技术实现步骤摘要】
一种人脸活体检测方法、系统和设备
本专利技术涉及生物特征识别
，更具体地，涉及一种人脸活体检测方法、系统和设备。
技术介绍
人体有诸多唯一的特征，比如人脸、指纹、虹膜、人耳等，这些特征被统称为生物特征。生物特征识别技术广泛应用于生活中的各个领域，其中，人脸识别技术因其特征采集方便、卫生等特点，应用最为广泛，例如，人脸识别应用于安防、门禁领域。随着人脸识别应用领域的扩展，也出现了越来越多的攻击人脸识别的方法。常见的攻击方法包括使用人脸照片、视频和3D面具模型等介质模拟人脸在人脸识别设备前对人脸识别进行攻击。可见，现有技术中对人脸识别进行攻击采用的大多数是非活体介质，因此，对待识别的人脸进行活体检测，以抵御对识别进行的攻击，是一个亟待解决的问题。现有技术中，进行人脸活体检测的方法主要分为两类:静态检测方法、动态检测方法。其中，动态检测方法大多采用指令式的交互方式，诸如眨眼、摇头、张嘴等，来判断参与检测活动的是否为真人，存在速度慢、参与者难配合等问题，在以视频做攻击媒介的情况下识别准确率较低；而静态的活体检测又存在准确率低，极易被攻破，难以在市场上应用。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的一种人脸活体检测方法、系统和设备。根据本专利技术的第一个方面，提供一种人脸活体检测方法，包括：获取待识别人脸的人脸深度图；基于所述人脸深度图判断待识别人脸是否为活体，若所述人脸深度图满足预设条件，则判断待识别人脸为活体。根据本专利技术的第二个方面，提供一种人脸活体检测系统，包括人脸图像获取模块、人脸深度图预测模块和判断模块；所述人脸图像获取模块用于获取待识别人脸的人脸图像；所述人脸深度图预测模块用于根据深度图像预测模型获取人脸深度图；所述判断模块用于基于所述人脸深度图判断待识别人脸是否为活体，若所述人脸深度图满足预设条件，则判断待识别人脸为活体。根据本专利技术的第三个方面，提供一种人脸活体检测设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述人脸活体检测方法。根据本专利技术的第四个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述人脸活体检测方法。本专利技术提出一种人脸活体检测方法、系统和设备，利用照片或视频的二次拍摄图像与真人的图像的人脸深度预测的差异，结合深度学习的模型的预测结果，抵御照片以及视频对人脸识别系统的攻击，基于卷积神经网络可以提取图片深层次的特征这一优势，通过卷积神经网络学习一个端到端的人脸图像到人脸深度图像的映射，利用真实人脸计算出的深度图和攻击人脸默认的零深度图来监督网络的学习，检测速度快，适用范围广，手机端和电脑端都可以适用，基于深度学习的框架，直观的表达了真实人脸和攻击人脸的本质差别。附图说明图1为根据本专利技术实施例的人脸活体检测方法示意图；图2为根据本专利技术实施例的人脸活体检测流程示意图；图3为根据本专利技术实施例的人脸活体检测设备示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。活体检测是指人脸识别系统中区分照片与真人、视频与真人的一种方法，现如今市场上的人脸活体检测大多采用指令式的交互方式，诸如眨眼、摇头、张嘴等，来判断参与检测活动的是否为真人，存在速度慢、参与者难配合等问题。而静态的活体检测又存在准确率低，极易被攻破，难以在市场上应用的问题。但是现有技术中基于交互式动作的方法存在检测速度慢、用户难配合，且交互性差的问题，另外，对于实现录制的视频攻击辨别度低；现有其他方案诸如：基于三维图像建模技术的活体检测方法，计算量大，需要3D摄像头，硬件要求高；采用红外摄像头的活体检测方法，成本高，需要红外探测设备，硬件要求高；静态活体检测方法，准确率低，易受攻击。为了现有技术中的缺点，在本实施例中，如图1所示，提供了一种人脸活体检测方法，其特征在于，包括：获取待识别人脸的人脸深度图；基于所述人脸深度图判断待识别人脸是否为活体，若所述人脸深度图满足预设条件，则判断待识别人脸为活体。在本实施例中，由于由于真实人脸是凹凸不平的，所以人脸各个部位距离图像采集设备的距离不同，所以人脸图像各个点的深度可以作为活体判断的重要依据：视频照片攻击人脸为一个平面，真实人脸为一个凹凸的曲面。在本实施例中，利用照片或视频的二次拍摄图像与真人的图像的人脸深度预测的差异，结合深度学习的模型的预测结果，抵御照片以及视频对人脸识别系统的攻击。检测速度快，适用范围广，手机端和电脑端都可以适用，基于深度学习的框架，直观的表达了真实人脸和攻击人脸的本质差别。在上述实施例的基础上，获取待识别人脸的人脸深度图前，还包括：以活体人脸图像与攻击人脸图像作为输入人脸图像样本，将真实人脸计算出的活体人脸深度图和攻击人脸图像默认的零深度图作为监督，输入到卷积神经网络中进行训练，得到深度图像预测模型。在本实施例中，基于真实人脸的结构是凹凸不平的，而视频照片攻击人脸是平面的，所以两种形式的人脸深度是不同的，而我们无法通过直观的肉眼判断出照片人脸的真伪，但是卷积神经网络可以提取图片深层次的特征，因此我们选择用卷积神经网络学习一个端到端的人脸图像到人脸深度图像的映射，得到一个深度图像预测模型，通过该模型，可以直接获取活体人脸、攻击照片人脸、攻击视频人脸的深度图像，进而根据各自的深度图像差别进行活体识别，可以解决现有静态活体识别方法、交互式动作方法中，不能同时识别攻击照片、攻击视频的问题，且本实施例中，只需要一个摄像头和处理硬件即可，硬件成本低。在上述各实施例的基础上，将活体人脸图像与攻击人脸图像作为输入人脸图像样本后，还包括：获取活体人脸图像对应的活体人脸深度图，基于密集人脸对齐方法将所述活体人脸图像匹配到3D人脸模型上，并通过Z-Buffer方法对所述3D人脸模型进行处理，得到活体人脸深度图。在本实施例中，提出了一种针对大角度人脸图像的一种3D密集人脸对齐算法，将人脸图像匹配到一个最佳的3D人脸模型上，这些3D人脸模型中包含数以千计的特征点，从而实现了密集的人脸对齐。通过训练CNN模型利用人脸图像来估计3D人脸shape，利用该shape来fitting相应的3D人脸模型，不仅能够检测到人脸特征点，还能匹配人脸轮廓和SIFT特征点；具体的，通过增加两个额外的约束：一、预测的3D人脸轮廓和2D图像中检测到的人脸轮廓相匹配；二、同一个人脸的不同图像中关键SIFT特征点对应于3D模型中同一个特征点。具体的，利用矩阵S来表示人脸的3Dshape，根据3DMM的表示方法，可以表示如式(1)中所示：上式中，有三部分组成：shape均值，个体差异的shape基函数(199个)，表情差异的shape基函数(29个)，每一个基函数都是53,215维数的向量，p为基函数的权重。得到三维S之后可以利用投影矩阵来得到相应的密集人脸shapeA：其中A是投影矩阵，包含六个自由度，可以模拟尺度，旋转和线性变换。得到A以后可以通过正交二维投影矩阵Pr投影到2D平面，对人脸图像进行关键点检测，可以得到N个人脸的关本文档来自技高网...

【技术保护点】
1.一种人脸活体检测方法，其特征在于，包括：获取待识别人脸的人脸深度图；基于所述人脸深度图判断待识别人脸是否为活体，若所述人脸深度图满足预设条件，则判断待识别人脸为活体。

【技术特征摘要】
1.一种人脸活体检测方法，其特征在于，包括：获取待识别人脸的人脸深度图；基于所述人脸深度图判断待识别人脸是否为活体，若所述人脸深度图满足预设条件，则判断待识别人脸为活体。2.根据权利要求1所述的人脸活体检测方法，其特征在于，获取待识别人脸的人脸深度图前，还包括：以活体人脸图像与攻击人脸图像作为输入人脸图像样本，将真实人脸计算出的活体人脸深度图和攻击人脸图像默认的零深度图作为监督，输入到卷积神经网络中进行训练，得到深度图像预测模型。3.根据权利要求2所述的人脸活体检测方法，其特征在于，将活体人脸图像与攻击人脸图像作为输入人脸图像样本后，还包括：获取活体人脸图像对应的活体人脸深度图，基于密集人脸对齐方法将所述活体人脸图像匹配到3D人脸模型上，并通过Z-Buffer方法对所述3D人脸模型进行处理，得到活体人脸深度图。4.根据权利要求3所述的人脸活体检测方法，其特征在于，输入到卷积神经网络中进行训练，具体包括：以所述活体人脸图像为输入、对应的活体人脸深度图为输出，以所述攻击人脸图像为输入、零深度图为输出，进行卷积神经网络训练。5.根据权利要求2所述的人脸活体检测方法，其特征在于，获取待识别人脸的人脸深度图具体包括：获取待识别人脸的人脸图像，并检测人脸图像中人脸框的位置，基于人脸框的位置对所述人脸图像进行裁剪，将裁剪后的人脸图像输入到深度图像预测模型中，得到...

【专利技术属性】
技术研发人员：马立磊，磊董远，白洪亮，熊风烨，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11