人脸静默活体检测方法、装置、可读存储介质及设备制造方法及图纸

本发明专利技术公开了一种人脸静默活体检测方法、装置、计算机可读存储介质及设备，属于人脸识别领域。该方法包括：训练预先构建的分类模型；获取待活体检测人脸图像并进行预处理；将预处理后的人脸图像输入分类模型，得到活体检测结果。该分类模型包括若干层的卷积神经网络，前一层的每一个卷积神经网络在后一层都对应有两个卷积神经网络，前一层的一个卷积神经网络能够将人脸图像分类为活体和假体两类，后一层的卷积神经网络对前一层的卷积神经网络分类后的结果(尤其是分类错误的结果)进一步分类。以此类推，最后一层卷积神经网络的分类结果即为活体检测结果。本发明专利技术的人脸静默活体检测方法不需要用户配合，用户体验性好，速度快，分类准确。

【技术实现步骤摘要】
人脸静默活体检测方法、装置、可读存储介质及设备
本专利技术涉及人脸识别领域，特别是指一种人脸静默活体检测方法、装置、计算机可读存储介质及设备。
技术介绍
随着人脸识别系统在金融、安防等领域的应用，如人脸支付、人脸解锁等，出现越来越多的人脸假体攻击的问题。人脸假体攻击主要是指使用假体人脸攻击人脸识别系统，进而达到骗过系统，得到相关权限的目的。假体人脸主要有三种，分别为打印类假体，屏幕类假体和3D面具假体。打印类假体指人脸经过纸质打印后再翻拍出来的结果，屏幕类假体指的是对电子屏幕显示的视频图像或图片进行翻拍而获得假体图像，而3D面具假体则指的是戴着3D的仿真面具采集得到的假体图像。在实际的生活中，由于3D假体面具的造价较高并且较难获取，所以本专利技术主要解决的是打印类假体和屏幕类假体的防假问题。目前的人脸活体检测方法是系统发出一系列如请左右转头、请眨眼等动作指令，用户根据指令做出相应的动作，然后系统去判断该动作是否正确，进而判断使用者是否是活体。该方法一方面需要用户根据系统的指令进行配合，降低了用户体验；另一方面，为了提高活体检测的准确率，往往需要用户随机多次的做出某些动作，耗时也会较长。
技术实现思路
为解决上述技术问题，本专利技术提供一种人脸静默活体检测方法、装置、计算机可读存储介质及设备，本专利技术不需要用户配合，用户体验性好，速度快，分类准确。本专利技术提供技术方案如下：第一方面，本专利技术提供一种人脸静默活体检测方法，所述方法包括：训练预先构建的分类模型，其中：所述分类模型包括若干层的卷积神经网络，前一层的每一个卷积神经网络在后一层都对应有两个卷积神经网络，前一层的一个卷积神经网络能够将输入该卷积神经网络的人脸图像分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第一个能够将被前一层卷积神经网络分类为假体的人脸图像继续分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第二个能够将被前一层卷积神经网络分类为活体的人脸图像继续分类为活体和假体两类；获取待检测人脸图像并对所述待检测人脸图像进行预处理；将预处理后的人脸图像输入所述分类模型，得到活体检测结果，其中：所述分类模型的第一层卷积神经网络将预处理后的人脸图像分类为活体或假体；若分类为假体，则使用第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第一个将预处理后的人脸图像继续分类为活体或假体；若分类为活体，则使用第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第二个将预处理后的人脸图像继续分类为活体或假体；以此类推，最后一层卷积神经网络的分类结果即为活体检测结果；其中，所述分类模型通过如下方法训练得到：使用第一样本集训练分类模型的第一层卷积神经网络，所述第一样本集包括假体图像和活体图像；使用第二样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第一个，所述第二样本集包括假体图像和活体图像，所述假体图像包括被所述第一层卷积神经网络分类为活体的假体图像；使用第三样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第二个，所述第三样本集包括假体图像和活体图像，所述活体图像包括被所述第一层卷积神经网络分类为假体的活体图像；以此类推，直至训练完最后一层的卷积神经网络。进一步的，所述预处理包括：通过人脸检测算法检测出代表人脸区域的人脸检测框；通过人脸定位算法定位出包括左右眼睛的人脸关键点；根据左右眼睛坐标进行人脸对齐；将对齐后的人脸图像进行归一化处理，得到预处理后的人脸图像。进一步的，所述预处理还包括：获取人脸的俯仰姿态角、摇头姿态角和转头姿态角；所述将预处理后的人脸图像输入所述分类模型之前还包括人脸大小检测和/或人脸姿态检测，若所述人脸大小检测通过和/或人脸姿态检测通过，则继续执行下一步，否则，判断人脸图像为假体，结束；所述人脸大小检测包括：判断所述人脸检测框的宽度和高度是否分别均在预设的宽度范围和高度范围内，若是，则人脸大小检测通过；所述人脸姿态检测包括：判断所述人脸的俯仰姿态角、摇头姿态角和转头姿态角是否分别均在预设的俯仰姿态角范围、摇头姿态角范围和转头姿态角范围内，若是，则人脸姿态检测通过。进一步的，每个卷积神经网络的结构相同或不同，其中一个或多个卷积神经网络的结构包括依次相连的第一卷积层、第一池化层、第一Rnorm层、第二卷积层、第三卷积层、第二Rnorm层、第二池化层、第一Inception模块、第二Inception模块、第三池化层、第三Inception模块、第四Inception模块、第五Inception模块、第六Inception模块、第七Inception模块、第四池化层、第八Inception模块、第九Inception模块、第五池化层。第二方面，本专利技术提供一种人脸静默活体检测装置，所述装置包括：训练模块，用于训练预先构建的分类模型，其中：所述分类模型包括若干层的卷积神经网络，前一层的每一个卷积神经网络在后一层都对应有两个卷积神经网络，前一层的一个卷积神经网络能够将输入该卷积神经网络的人脸图像分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第一个能够将被前一层卷积神经网络分类为假体的人脸图像继续分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第二个能够将被前一层卷积神经网络分类为活体的人脸图像继续分类为活体和假体两类；预处理模块，用于获取待检测人脸图像并对所述待检测人脸图像进行预处理；分类模块，用于将预处理后的人脸图像输入所述分类模型，得到活体检测结果，其中：所述分类模型的第一层卷积神经网络将预处理后的人脸图像分类为活体或假体；若分类为假体，则使用第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第一个将预处理后的人脸图像继续分类为活体或假体；若分类为活体，则使用第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第二个将预处理后的人脸图像继续分类为活体或假体；以此类推，最后一层卷积神经网络的分类结果即为活体检测结果；其中，所述分类模型通过如下单元训练得到：第一训练单元，用于使用第一样本集训练分类模型的第一层卷积神经网络，所述第一样本集包括假体图像和活体图像；第二训练单元，用于使用第二样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第一个，所述第二样本集包括假体图像和活体图像，所述假体图像包括被所述第一层卷积神经网络分类为活体的假体图像；第三训练单元，用于使用第三样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第二个，所述第三样本集包括假体图像和活体图像，所述活体图像包括被所述第一层卷积神经网络分类为假体的活体图像；以此类推，直至使用第N训练单元训练完最后一层的卷积神经网络，其中N为卷积神经网络的个数。进一步的，所述预处理模块包括：人脸检测本文档来自技高网...

【技术保护点】
1.一种人脸静默活体检测方法，其特征在于，所述方法包括：/n训练预先构建的分类模型，其中：/n所述分类模型包括若干层的卷积神经网络，前一层的每一个卷积神经网络在后一层都对应有两个卷积神经网络，前一层的一个卷积神经网络能够将输入该卷积神经网络的人脸图像分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第一个能够将被前一层卷积神经网络分类为假体的人脸图像继续分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第二个能够将被前一层卷积神经网络分类为活体的人脸图像继续分类为活体和假体两类；/n获取待检测人脸图像并对所述待检测人脸图像进行预处理；/n将预处理后的人脸图像输入所述分类模型，得到活体检测结果；/n其中，所述分类模型通过如下方法训练得到：/n使用第一样本集训练分类模型的第一层卷积神经网络，所述第一样本集包括假体图像和活体图像；/n使用第二样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第一个，所述第二样本集包括假体图像和活体图像，所述假体图像包括被所述第一层卷积神经网络分类为活体的假体图像；/n使用第三样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第二个，所述第三样本集包括假体图像和活体图像，所述活体图像包括被所述第一层卷积神经网络分类为假体的活体图像；/n以此类推，直至训练完最后一层的卷积神经网络。/n...

【技术特征摘要】
1.一种人脸静默活体检测方法，其特征在于，所述方法包括：
训练预先构建的分类模型，其中：
所述分类模型包括若干层的卷积神经网络，前一层的每一个卷积神经网络在后一层都对应有两个卷积神经网络，前一层的一个卷积神经网络能够将输入该卷积神经网络的人脸图像分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第一个能够将被前一层卷积神经网络分类为假体的人脸图像继续分类为活体和假体两类，后一层的与前一层该神经网络对应的两个神经网络中的第二个能够将被前一层卷积神经网络分类为活体的人脸图像继续分类为活体和假体两类；
获取待检测人脸图像并对所述待检测人脸图像进行预处理；
将预处理后的人脸图像输入所述分类模型，得到活体检测结果；
其中，所述分类模型通过如下方法训练得到：
使用第一样本集训练分类模型的第一层卷积神经网络，所述第一样本集包括假体图像和活体图像；
使用第二样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第一个，所述第二样本集包括假体图像和活体图像，所述假体图像包括被所述第一层卷积神经网络分类为活体的假体图像；
使用第三样本集训练第二层中与第一层卷积神经网络对应的两个卷积神经网络中的第二个，所述第三样本集包括假体图像和活体图像，所述活体图像包括被所述第一层卷积神经网络分类为假体的活体图像；
以此类推，直至训练完最后一层的卷积神经网络。


2.根据权利要求1所述的人脸静默活体检测方法，其特征在于，所述预处理包括：
通过人脸检测算法检测出代表人脸区域的人脸检测框；
通过人脸定位算法定位出包括左右眼睛的人脸关键点；
根据左右眼睛坐标进行人脸对齐；
将对齐后的人脸图像进行归一化处理，得到预处理后的人脸图像。


3.根据权利要求2所述的人脸静默活体检测方法，其特征在于，所述预处理还包括：
获取人脸的俯仰姿态角、摇头姿态角和转头姿态角；
所述将预处理后的人脸图像输入所述分类模型之前还包括人脸大小检测和/或人脸姿态检测，若所述人脸大小检测通过和/或人脸姿态检测通过，则继续执行下一步，否则，判断人脸图像为假体，结束；
所述人脸大小检测包括：判断所述人脸检测框的宽度和高度是否分别均在预设的宽度范围和高度范围内，若是，则人脸大小检测通过；
所述人脸姿态检测包括：判断所述人脸的俯仰姿态角、摇头姿态角和转头姿态角是否分别均在预设的俯仰姿态角范围、摇头姿态角范围和转头姿态角范围内，若是，则人脸姿态检测通过。


4.根据权利要求1-3任一所述的人脸静默活体检测方法，其特征在于，每个卷积神经网络的结构相同或不同，其中一个或多个卷积神经网络的结构包括依次相连的第一卷积层、第一池化层、第一Rnorm层、第二卷积层、第三卷积层、第二Rnorm层、第二池化层、第一Inception模块、第二Inception模块、第三池化层、第三Inception模块、第四Inception模块、第五Inception模块、第六Inception模块、第七Inception模块、第四池化层、第八Inception模块、第九Inception模块、第五池化层。


5.一种人脸静默活体检测装置，其特征在于，所述装置包括：
训练模块，用于训练预先构建的分类模型，其中：
所述分类模型包括若干层的卷积神经网络，前一层的每一个卷积神经网络在后一层都对应有两个卷积神经网络，前一层的一个卷积神经网络能够将输入该卷积神经网络的人脸图像分类为活体和假体两类，后一层的与前一层该神经网络...

【专利技术属性】
技术研发人员：周军，王洋，
申请(专利权)人：北京眼神智能科技有限公司，北京眼神科技有限公司，
类型：发明
国别省市：北京;11