一种人脸识别中的基于红外图像的活体检测的方法技术

本发明专利技术提供一种人脸识别中的基于红外图像的活体检测的方法，首先，本发明专利技术使用多种算法相结合，构成一个整体，并采用人脸模糊检测神经网络筛选出的成像质量较好的非模糊人脸图像矩阵进行人脸面部特征提取，以此精细化检测亮瞳效应的方式，在场景变化剧烈时，亮瞳效应误检漏检率也较低，从而拥有相对较高的活体检测的识别精度；其次，本发明专利技术能够在光照强度、场景等变化较大的情况下，具有很高的鲁棒性，能够达到较高的活体检测精度；最后，本发明专利技术不仅能够很好的判别打印照片、手机屏幕中的人脸相片等为仿照物，而且能够很大程度上区分活体与红外相机拍摄彩色油墨人脸照片得到的图像。

A method of living detection based on infrared image in face recognition

【技术实现步骤摘要】
一种人脸识别中的基于红外图像的活体检测的方法
本专利技术属于机器视觉
，尤其涉及一种人脸识别中的基于红外图像的活体检测的方法。
技术介绍
随着人脸识别技术应用渐趋广泛，安全性也越来越成为关注的焦点。活体检测技术是提高人脸识别安全性的关键技术。活体检测技术是防止系统遭受攻击的主要手段，其价值就在于判断操作用户身份，抵御照片、视频、模具等作弊攻击。活体检测技术应用相当广泛，从社保参保人员身份校验、互联网系统实名认证到银行、证券远程开户等方面均有涉及。目前，在利用近红外做活体检测的
中，主要有计算红外图像人脸区域对比度的方式和利用活体非活体的红外图像样本训练活体检测判别模型的方式以及使用模板匹配算法检测亮瞳效应的方式。具体为：计算红外图像人脸区域对比度的方式，大多通过各种计算图像对比度的算法计算出对比度，当对比度大于一定阈值的，判断为活体，否则为仿照物；利用活体和仿照物的红外图像样本训练活体检测判别模型的方式，大多通过红外摄像头采集正负样本，红外摄像头拍摄打印人脸照片、手机屏幕中的人脸照片等作为负样本，红外摄像头拍摄真人的图像作为正样本，然后把这些正负样本带入模型，训练出活体检测判别模型，最终通过模型来判断活体与仿照物；使用模板匹配算法检测亮瞳效应的方式，通过模板匹配算法判断被检测人脸是否存在亮瞳效应，若存在亮瞳效应则判定该人脸为真实人脸，否则判定为仿照物。虽然计算红外图像人脸区域对比度的方式和利用活体非活体的红外图像样本训练活体检测判别模型的方式以及使用模板匹配算法检测亮瞳效应的方式等几种利用近红外做活体检测方案取得了不错的效果，但是仍然存在一些不足：(1)计算红外图像人脸区域对比度的方式，判别对比度是否为活体的阈值的取值受光照强度、场景变化等因素影响较大，造成算法的鲁棒性较差，在活体检测的识别精度上表现一般。(2)利用活体非活体的红外图像样本训练活体检测判别模型的方式，虽然算法能够很好的判别打印照片、手机屏幕中的人脸相片等为仿照物，能够满足某些特殊的应用场景中的应用，但是在很大程度上区分不出活体与红外相机拍摄彩色油墨人脸照片得到的图像。(3)使用模板匹配算法检测亮瞳效应的方式，虽然算法能够很好的判别打印照片、手机屏幕中的人脸相片为仿照物，并且能够很大程度上区分活体与红外相机拍摄彩色油墨人脸照片得到的图像，但是使用模板匹配算法来检测亮瞳效应的方式，在场景变化剧烈时，亮瞳效应误检漏检率较高，从而大大降低活体检测的识别精度。
技术实现思路
为解决上述问题，本专利技术提供一种人脸识别中的基于红外图像的活体检测的方法，能够有效提高活体检测的识别精度。一种人脸识别中的基于红外图像的活体检测的方法，包括以下步骤：S1：采用MTCNN人脸检测算法从红外图像上检测人脸，得到人脸图像矩阵；S2：采用已经训练好的人脸模糊检测神经网络判断所述人脸图像矩阵是否模糊，保留不模糊的人脸图像矩阵；S3：提取人脸图像矩阵中的面部特征点，然后通过面部特征点得到眼睛图像矩阵；S4：判断所述眼睛图像矩阵中是否存在亮度高于设定值的瞳孔，若存在，则所述红外图像中的人脸为活体。进一步地，训练所述人脸模糊检测神经网络时，使用CelebA数据集中属性为模糊的人脸作为正样本，使用CelebA数据集中属性为非模糊的人脸作为负样本。进一步地，步骤S4中判断所述眼睛图像矩阵中是否存在亮度高于设定值的瞳孔，具体包括以下步骤：S41：采用高斯滤波对眼睛图像矩阵进行降噪处理，得到降噪后的眼睛图像矩阵；S42：对降噪后的眼睛图像矩阵进行直方图均衡化，得到均衡化后的眼睛图像矩阵；S43：对均衡化后的眼睛图像矩阵进行Canny边缘检测，筛选亮度高于设定值的边缘信息，得到边缘检测图像；S44：对所述边缘检测图像进行霍夫变换圆检测，若检测到圆形，则存在亮度高于设定值的瞳孔。有益效果：本专利技术提供一种人脸识别中的基于红外图像的活体检测的方法，首先，相对于使用模板匹配算法检测亮瞳效应的方式来说，本专利技术使用多种算法相结合，构成一个整体，并采用人脸模糊检测神经网络筛选出的成像质量较好的非模糊人脸图像矩阵进行人脸面部特征提取，以此精细化检测亮瞳效应的方式，在场景变化剧烈时，亮瞳效应误检漏检率也较低，从而拥有相对较高的活体检测的识别精度；其次，相对于计算红外图像人脸区域对比度的方式，本专利技术能够在光照强度、场景等变化较大的情况下，具有很高的鲁棒性，能够达到较高的活体检测精度；最后，相对于利用活体非活体的红外图像样本训练活体检测判别模型的方式来说，本专利技术不仅能够很好的判别打印照片、手机屏幕中的人脸相片等为仿照物，而且能够很大程度上区分活体与红外相机拍摄彩色油墨人脸照片得到的图像。附图说明图1为本专利技术提供的一种人脸识别中的基于红外图像的活体检测的方法的流程图；图2为本专利技术提供的采用照片和真人的红外图像进行活体检测的结果对比示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。参见图1，该图为本实施例提供的一种人脸识别中的基于红外图像的活体检测的方法的流程图。一种人脸识别中的基于红外图像的活体检测的方法，包括以下步骤：S1：采用MTCNN人脸检测算法从红外图像上检测人脸，得到人脸图像矩阵。其中，红外图像可以通过红外相机采集。S2：采用已经训练好的人脸模糊检测神经网络判断所述人脸图像矩阵是否模糊，然后将不模糊的人脸图像矩阵执行后续步骤。需要说明的是，人脸模糊检测的神经网络结构为，使用ResNet18提取人脸模糊特征，使用交叉熵损失函数作为损失函数。训练的数据集是使用CelebA数据集中属性为模糊的人脸作为正样本，使用CelebA数据集中属性为非模糊的人脸作为负样本。其中，名人人脸属性数据集CelebA(CelebFacesAttribute)，其包含10,177个名人身份的202,599张人脸图片，每张图片都做好了特征标记，包含人脸bbox标注框、5个人脸特征点坐标以及40个属性标记，CelebA由香港中文大学开放提供，广泛用于人脸相关的计算机视觉训练任务，可用于人脸属性标识训练、人脸检测训练以及landmark标记等。S3：提取人脸图像矩阵中的面部特征点，然后通过面部特征点得到眼睛图像矩阵。进一步地，可以通过dlib官方提供的68个人脸特征点检测，检测人脸图像的68个特征点，然后通过眼部特征点的坐标从人脸图像矩阵中截取出眼睛图像矩阵。S4：判断所述眼睛图像矩阵中是否存在亮度高于设定值的瞳孔，若存在，则所述红外图像中的人脸为活体。进一步地，判断所述眼睛图像矩阵中是否存在亮度高于设定值的瞳孔，具体包括以下步骤：S41：采用高斯滤波对眼睛图像矩阵进行降噪处理，得到降噪后的眼睛图像矩阵。需要说明的是，使用高斯滤波对眼睛图像矩阵进行模糊降噪处理，减少瑕疵点，以本文档来自技高网...

【技术保护点】
1.一种人脸识别中的基于红外图像的活体检测的方法，其特征在于，包括以下步骤：/nS1：采用MTCNN人脸检测算法从红外图像上检测人脸，得到人脸图像矩阵；/nS2：采用已经训练好的人脸模糊检测神经网络判断所述人脸图像矩阵是否模糊，保留不模糊的人脸图像矩阵；/nS3：提取人脸图像矩阵中的面部特征点，然后通过面部特征点得到眼睛图像矩阵；/nS4：判断所述眼睛图像矩阵中是否存在亮度高于设定值的瞳孔，若存在，则所述红外图像中的人脸为活体。/n

【技术特征摘要】
1.一种人脸识别中的基于红外图像的活体检测的方法，其特征在于，包括以下步骤：
S1：采用MTCNN人脸检测算法从红外图像上检测人脸，得到人脸图像矩阵；
S2：采用已经训练好的人脸模糊检测神经网络判断所述人脸图像矩阵是否模糊，保留不模糊的人脸图像矩阵；
S3：提取人脸图像矩阵中的面部特征点，然后通过面部特征点得到眼睛图像矩阵；
S4：判断所述眼睛图像矩阵中是否存在亮度高于设定值的瞳孔，若存在，则所述红外图像中的人脸为活体。


2.如权利要求1所述的一种人脸识别中的基于红外图像的活体检测的方法，其特征在于，训练所述人脸模糊检测神经网络时，使用CelebA数据集中属性为模糊的人脸...

【专利技术属性】
技术研发人员：刘源，郝福珍，王吉栋，李杨，张鹏，赵煦，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：北京;11