一种活体检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种活体检测方法及装置，其中，所述方法包括：采集待检测对象的人脸图像，并对所述人脸图像进行预处理；将预处理后的人脸图像输入预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型进行检测，并输出检测得分；将所述得分与设定阈值进行比较，若所述得分大于等于所述设定阈值，判定所述待检测对象为活体。本技术方案使用ELM模型和卷积神经网络模型结合的方法，减少网络参数，提高网络学习效率和增强网络的泛化性能，同时可以实现在线模型更新。

A method and device for in vivo detection

【技术实现步骤摘要】
一种活体检测方法及装置
本专利技术涉及图像处理领域，具体涉及一种活体检测方法及装置。
技术介绍
随着现阶段人工智能的快速发展，搭载在人工智能上的人脸识别技术也越来越多地被应用于安防和金融等各种需要身份验证的领域中，比如资金远程交易，门禁系统等等。但在这些设计人身和财产安全的应用领域中，除了要确保被验证者身份外，首先要确认的就是被认证者是一个生物活体，即人脸识别系统需要能够防范攻击者使用照片，面具，屏幕翻拍等常见的攻击方式进行攻击。人脸活体检测是在一些身份验证场景确定对象真实生理特征的方法。在人脸识别应用中，活体检测有效的验证用户是否为真实活体本人操作，从而有效抵御照片、打印图片、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。目前人脸活体检测技术主要分为两大类：第一类技术为主动式人脸活体检测技术，这类技术要求用户在进行人脸识别时根据指令，配合完成特定的动作(眨眼、张嘴、摇头、点头等)，从而活体检测模块可以根据操作者是否准确地完成活体动作，判定操作者是否为活体；第二类技术为被动式人脸活体检测技术，这一类技术不需要用户配合进行一系列的动作，用户的体验感较好，但是技术的难度较高，主要依赖输入的单帧图像信息或者其他传感器设备进行活体检测。现有的技术中，对于上述被动式人脸活体检测技术，通常使用活体与非活体的人脸采集图像用深度学习的方法进行有监督式训练，但是这一类操作往往需要增加深度学习框架的参数或者数量级为亿级的训练数据来保证活体检测的准确性。
技术实现思路
本专利技术实施例提供一种活体检测方法及装置，使用ELM模型和卷积神经网络模型结合的方法，减少网络参数，提高网络学习效率和增强网络的泛化性能。为达到上述目的，一方面，本专利技术实施例提供了一种活体检测方法，所述方法包括：采集待检测对象的人脸图像，并对所述人脸图像进行预处理；将预处理后的人脸图像输入预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型进行检测，并输出检测得分；将所述得分与设定阈值进行比较，若所述得分大于等于所述设定阈值，判定所述待检测对象为活体。另一方面，本专利技术实施例提供了一种活体检测装置，所述装置包括：图像预处理单元，用于采集待检测对象的人脸图像，并对所述人脸图像进行预处理；图像检测单元，用于将预处理后的人脸图像输入预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型进行检测，并输出检测得分；活体判断单元，用于将所述得分与设定阈值进行比较，若所述得分大于等于所述设定阈值，判定所述待检测对象为活体。上述技术方案具有如下有益效果：本专利技术提供了一种基于超限学习机ELM(ExtremeLearningMachine)和卷积神经网络模型的活体检测方法，结合ELM模型训练速度快及卷积神经网络模型可以提取图像深层特征信息，模型参数少，便于移动端使用的优势，本技术方案使用ELM和卷积神经网络模型结合的方法，减少了网络参数，提高了网络学习效率和增强网络的泛化性能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例一种活体检测方法的流程图；图2是本专利技术又一实施例一种活体检测方法的流程图；图3是本专利技术实施例一种活体检测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供了一种基于ELM和卷积神经网络的活体检测方法，使用ELM和卷积神经网络结合的方法，减少网络参数，提高网络学习效率和增强网络的泛化性能，同时可以实现在线模型更新。首先采集一部分活体和非活体人脸图像作为训练集用于训练卷积神经网络模型，将训练好卷积神经网络模型的softmax层删除，将训练集输入到调整之后的模型中，得到ELM的训练样本，对ELM模型进行训练，对于待检测的对象，采集待检测对象的人脸，对图像进行预处理之后输入到调整好的卷积神经网络模型中，得到输出结果之后，输入到ELM模型得到最后的检测结果，将检测结果和预先设定的阈值进行对比得到预测结果，从而判断检测对象是否是活体。如图1所示，是本专利技术实施例一种活体检测方法的流程图，所述方法包括：S101、采集待检测对象的人脸图像，并对所述人脸图像进行预处理。具体包括：对所述人脸图像中人脸所在的区域进行裁剪；将裁剪后的人脸图像设定为特定大小。具体地，裁剪后人脸图像的大小可根据使用的卷积神经网路模型的要求来确定，本实施例中可裁剪成224*224的人脸图像。S102、将预处理后的人脸图像输入预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型进行检测，并输出检测得分。其中，所述预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型通过下述步骤训练：采集设定数量的活体人脸图像及非活体人脸图像作为训练图像；即采集覆盖不同光线下、不同采集设备所拍摄的第一预定数量的活体人脸图像；采集覆盖不同光线下、不同采集设备所拍摄的第二预订数量的非活体人脸图像，以及重新拍摄的人脸打印照片以及人脸电子相片。例如共采集活体与非活体人脸图像一共40000张。将所述训练图像进行预处理后得到训练数据和测试数据；即对所述训练图像中人脸所在的区域进行裁剪；将裁剪后的人脸图像设定为特定大小，此处裁剪人脸图像的大小与预处理中人脸图像的大小一致，例如为224*224的人脸图像；将设定大小后的人脸图像生成标签，其中，活体人脸图像对应标签为1，非活体人脸图像对应标签为0；将所有设定大小后的人脸图像及其对应的标签取3/4作为训练数据，剩余1/4作为测试数据。将所述训练数据输入卷积神经网络模型中对所述卷积神经网络模型进行训练，并通过测试数据对训练后的卷积神经网络模型进行测试后，确定训练好的的卷积神经网络模型；其中通过测试准确率来判断卷积神经网络是否训练好，测试准确率的计算公式为：准确率＝正确分类图像数量/全部图像数量，所述训练好的卷积神经网络模型为对于测试数据集准确率最高的卷积神经网络模型。其中，所述卷积神经网络模型可使用MobileNet模型、ShuffleNet模型、SqueezeNet模型；所述MobileNet模型包括输入层、卷积层、BatchNorm层、ReLU层、倒置残差块和softmax层。用单隐层ELM模型替换训练好的卷积神经网络模型的softmax层，获得预先训练的由卷积神经网络模型和ELM模型组成的活体检测模型。具体为，将训练好的卷积神经网络模型进行修剪，本文档来自技高网...

【技术保护点】
1.一种活体检测方法，其特征在于，所述方法包括：/n采集待检测对象的人脸图像，并对所述人脸图像进行预处理；/n将预处理后的人脸图像输入预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型进行检测，并输出检测得分；/n将所述得分与设定阈值进行比较，若所述得分大于等于所述设定阈值，判定所述待检测对象为活体。/n

【技术特征摘要】
1.一种活体检测方法，其特征在于，所述方法包括：
采集待检测对象的人脸图像，并对所述人脸图像进行预处理；
将预处理后的人脸图像输入预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型进行检测，并输出检测得分；
将所述得分与设定阈值进行比较，若所述得分大于等于所述设定阈值，判定所述待检测对象为活体。


2.如权利要求1所述的活体检测方法，其特征在于，所述对所述人脸图像进行预处理，包括：
对所述人脸图像中人脸所在的区域进行裁剪；
将裁剪后的人脸图像设定为特定大小的人脸图像。


3.如权利要求1所述的活体检测方法，其特征在于，所述预先训练的由卷积神经网络模型和超限学习机ELM模型组成的活体检测模型通过下述步骤训练：
采集设定数量的活体人脸图像及非活体人脸图像作为训练图像；
将所述训练图像进行预处理后得到训练数据和测试数据；
将所述训练数据输入卷积神经网络模型中对所述卷积神经网络模型进行训练，并通过测试数据对训练后的卷积神经网络模型进行测试后，确定训练好的的卷积神经网络模型；
用ELM模型替换训练好的卷积神经网络模型的softMax层，获得活体检测模型；
将所述训练数据输入所述活体检测模型中对所述活体检测模型中的ELM模型进行训练，获得预先训练的由卷积神经网络模型和ELM模型组成的活体检测模型。


4.如权利要求3所述的活体检测方法，其特征在于，所述采集预定数量的活体人脸图像及非活体人脸图像作为训练图像，包括：
采集覆盖不同光线下、不同采集设备所拍摄的第一预定数量的活体人脸图像；
采集覆盖不同光线下、不同采集设备所拍摄的第二预订数量的非活体人脸图像，以及重新拍摄的人脸打印照片以及人脸电子相片。


5.如权利要求3所述的活体检测方法，其特征在于，所述将所述训练图像进行预处理后得到训练数据和测试数据，包括：
对所述训练图像中人脸所在的区域进行裁剪；
将裁剪后的人脸图像设定为特定大小的人脸图像；
将设定大小后的人脸图像生成标签，其中，活体人脸图像对应标签为1，非活体人脸图像对应标签为0；
将所有设定大小后的人脸图像及其对应的标签取3/4作为训练数据，剩余1/4作为测试数据。


6.如权利要求3所述的活体检测方法，其特征在于，所述卷积神经网络模型包括MobileNet模型，所述...

【专利技术属性】
技术研发人员：张徽，崔东顺，李宜兵，钱兴，黄广斌，
申请(专利权)人：烟台市广智微芯智能科技有限责任公司，
类型：发明
国别省市：山东;37