【技术实现步骤摘要】
一种基于图像转换的活体检测方法
本专利技术属于图像处理领域，涉及一种基于图像转换的活体检测方法。
技术介绍
目前人脸识别技术广泛应用于各类智能身份认证场景。用户身份认证对系统安全性上有较高的要求，然而传统的人脸识别系统并不辨别当前获取的图像中的人脸是活体人脸还是伪造人脸。近年来，人脸照片、人脸视频、三维面具等伪造人脸层出不穷，为了保障系统安全性，人脸活体检测也逐渐成为人脸识别系统中不可或缺的环节。目前常见的人脸活体检测的方法有基于可见光图像处理的方法和基于多光谱图像处理的方法。基于可见光图像的方法通常分为有感检测和无感检测两大类。有感检测随机指定动作，判断用户是否完成了指定的东西来区分真人人脸和伪造人脸。无感检测通过手工设计算子或者神经网络抽取颜色纹理、微动作、图像质量等信息。有感检测需要用户配合，用户体验不佳。无感检测无需用户配合，用户体验相对较好，但是模型的跨数据迁移能力不佳，抽取的特征不够鲁棒。基于多光谱的方法常利用近红外、远红外、热红外等多个光谱进行活体检测。真人人脸和伪造人脸的材质在近红外、远红外、热红外光谱下的反射信息有较大差异，为活体检测提供了有效而...
【技术保护点】
1.一种基于图像转换的活体检测方法，其特征在于：该方法包括模型训练部分和检测部分；所述模型训练部分包括图像转换模型的训练和活体检测分类模型的训练；所述图像转换模型的训练包括以下步骤：S111：利用可见光近红外光双目摄像头采集活体人脸和伪造人脸的可见光图像和近红外光图像S112：检测可见光图像和近红外光图像中的人脸，根据数据分辨率将人脸图像进行裁剪，裁剪大小为A，对检测到的人脸图像进行归一化处理；S113：利用多类别图像转换生成对抗网络结构进行图像转换：多类别图像转换生成对抗网络结构由两个生成器Ga,Gb和两个判别器Da,Db组成；其中，两个生成器组成循环结构，Ga将源域图像...
【技术特征摘要】
1.一种基于图像转换的活体检测方法，其特征在于：该方法包括模型训练部分和检测部分；所述模型训练部分包括图像转换模型的训练和活体检测分类模型的训练；所述图像转换模型的训练包括以下步骤：S111：利用可见光近红外光双目摄像头采集活体人脸和伪造人脸的可见光图像和近红外光图像S112：检测可见光图像和近红外光图像中的人脸，根据数据分辨率将人脸图像进行裁剪，裁剪大小为A，对检测到的人脸图像进行归一化处理；S113：利用多类别图像转换生成对抗网络结构进行图像转换：多类别图像转换生成对抗网络结构由两个生成器Ga,Gb和两个判别器Da,Db组成；其中，两个生成器组成循环结构，Ga将源域图像转换为目标域图像，Gb将目标域图像转换为源域图像；Ga和Da，Gb和Db分别组成两组生成对抗网络；生成器学习图像数据分布，试图生成让判别器无法分辨真假的图像；判别器判断图像的真假，试图识别出所有假图像，并将真实图像分到正确的类别；两者相互博弈，相互迭代学习；S114：利用循环损失，控制源域图像和经由两个生成器循环生成后的图像一致，目标域图像和经由两个生成器循环生成后的图像一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；S115：利用像素损失，控制生成器生成的图片和目标图片从像素上一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；S116：利用特征损失，控制生成器生成的图片和目标图片经由判别器后的特征一致，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；S117：利用样式损失，控制生成器生成的图片和目标图片特征相关性一致；特征相关性即图片经由判别器后的特征的平方，损失函数使用L1损失，还能够根据需要调整为其他损失函数L2；S118：生成器生成大小为A的图像，网络结构使用CycleGAN生成器的网络结构，由三个卷积层、九个残差块、三个反卷积层依次组成；判别器的网络在CycleGAN判别器的网络结构上做调整，前三个卷积层不变，将最后一个卷积层的输出节点改成类别数加一个；生成器和判别器的每个卷积层后接归一化层和ReLU层；生成器和判别器的网络根据实际业务更换；S119：将可见光图像和近红外光人脸图像输入多类别图像转换生成对抗网络，生成器和判别器依次迭代更新，进行训练；S1110：保存训练得到的图像转换模型；所述活体检测分类模型的训练包括以下步骤：S121：利用常用的可见光摄像头采集活体人脸和伪造人脸的可见光RGB图像；S122：检测可见光RGB图像的人脸，将人脸图像大小裁剪为A大小，对检测到的人脸图像进行归一化处理；...
【专利技术属性】
技术研发人员：蒋方玲，刘鹏程，邵枭虎，张宇，周祥东，石宇，程俊，罗代建，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，中国科学院大学，
类型：发明
国别省市：重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。