一种基于卷积神经网络的人脸活体检测方法及装置制造方法及图纸

本发明专利技术的实施例提供一种基于卷积神经网络的人脸活体检测方法，通过获取人脸样本图像，构建包括多尺度注意力模块的基于活体检测的卷积神经网络，将人脸样本图像输入基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型，将待检测的人脸图像输入基于活体检测的卷积神经网络模型，进行活体人脸图像检测。本发明专利技术的实施例同时提供一种基于卷积神经网络的人脸活体检测装置。本发明专利技术的实施例通过构建基于活体检测的卷积神经网络，训练优化基于活体检测的卷积神经网络模型，能够快速准确地实现活体人脸识别，实用性强，有效地提高了人脸识别效率及安全性。

【技术实现步骤摘要】
一种基于卷积神经网络的人脸活体检测方法及装置
本专利技术涉及计算机视觉及图像识别
，具体而言，涉及一种基于卷积神经网络的人脸活体检测方法及装置。
技术介绍
随着计算机视觉与模式识别技术的深入研究与快速发展，人脸识别、指纹识别、虹膜识别等生物特征识别技术在不同场景中得到应用。其中，人脸识别技术因具有使用方便、非接触性等优点，在金融、安防及互联网等诸多领域得到广泛应用。与此同时，针对通过使用照片、视频、面具等伪装活体人脸进行人脸识别系统攻击，如何通过有效识别活体人脸，保证人脸识别系统安全性成为了用户普遍关注的问题。目前，常用的活体人脸识别方法主要有两种，一种是采用人机交互方式，使用者需要完成指定动作，如张嘴、眨眼、摇头等，人脸识别系统通过检测上述动作判断被检测对象是否是真人，这种方法需要用户配合完成指定动作，用户体验不佳，且检测效率较低；另一种是使用深度相机采集被检测者的三维人脸信息，使用光流场等方法提取特征向量进行活体人脸判定，这种方法需要增加额外设备，推广成本较高。因此，如何快速准确地实现活体人脸识别，有效提高人脸识别效率及安全性，成为人脸识别技术发展及应用过程中亟待解决的技术问题之一。
技术实现思路
为了解决上述技术问题至少之一，本专利技术的实施例提出了一种基于卷积神经网络的人脸活体检测方法，包括以下步骤：S101，获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；S102，构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；S103，将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；S104，将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。优选地，所述对获取到的所述人脸样本图像进行预处理的步骤，包括：调整所述人脸样本图像为预设的尺寸；标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。优选地，所述S102的步骤，具体为：基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。优选地，所述S103的步骤，具体为：将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。优选地，所述标识所述人脸样本图像中的活体人脸图像和非活体人脸图像的步骤之前，还包括：定位所述人脸样本图像中的人脸图像区域。本专利技术的实施例同时提出了一种基于卷积神经网络的人脸活体检测装置，包括：获取模块，用于获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；构建模块，用于构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；训练模块，用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；检测模块，用于将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。优选地，所述获取模块，还包括：预处理单元，用于调整所述人脸样本图像为预设的尺寸；以及，标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。优选地，所述构建模块，包括：搜索单元，用于基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；整合单元，用于将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。优选地，所述训练模块，具体用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。优选地，所述预处理单元，还用于定位所述人脸样本图像中的人脸图像区域。本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术的实施例的基于卷积神经网络的人脸活体检测方法的流程示意图；图2是本专利技术实施例的卷积神经网络DepthNet的网络架构示意图；图3是本专利技术实施例的卷积神经网络DepthNet的单元结构示意图；图4是本专利技术实施例的卷积神经网络的多尺度注意力融合模块示意图；图5是本专利技术实施例的基于活体检测的卷积神经网络VivoNet的网络架构示意图；图6是本专利技术实施例的多尺度注意力融合模块的结构示意图；图7是本专利技术实施例基于卷积神经网络的人脸活体检测装置的结构示意图。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。实施例一本专利技术实施例提出一种基于卷积神经网络的人脸活体检测方法，如图1所示，包括以下步骤：S101、获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；S102、构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；S103、将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；S104、将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。在该技术方案中，采集预设数量的人脸样本图像作为训练数据集，构建基于活体检测的卷积神经网络，将人脸样本图像输入构建的基于活体检测的卷积神经网络进行训练优化，得到基于活体检测的卷积神经网络模型，将测试数据集中的待检测人脸图像输入基于活体检测的卷积神经网络模型，根据基于活体检测的卷积神经网络模型的输出数据，判断输入的待检测人脸图像是否为活体人脸图像。在上述技术方案中，对获取到的所述人脸样本图像进行预处理的步骤，包括：调整本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的人脸活体检测方法，其特征在于，包括以下步骤：/nS101，获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；/nS102，构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；/nS103，将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；/nS104，将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。/n

【技术特征摘要】
1.一种基于卷积神经网络的人脸活体检测方法，其特征在于，包括以下步骤：
S101，获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；
S102，构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；
S103，将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；
S104，将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。


2.根据权利要求1所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述对获取到的所述人脸样本图像进行预处理的步骤，包括：
调整所述人脸样本图像为预设的尺寸；
标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。


3.根据权利要求2所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述S102的步骤，具体为：
基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；
将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。


4.根据权利要求3所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述S103的步骤，具体为：
将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。


5.根据权利要求2至4中任一项所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述标识所述人脸样本图像中的活体人脸图像和非活体人脸图像的步骤之前，还包括：
定位所述人脸样本图...

【专利技术属性】
技术研发人员：李薪宇，
申请(专利权)人：成都奥快科技有限公司，
类型：发明
国别省市：四川;51