【技术实现步骤摘要】
一种基于CNN深度学习模型的活体人脸检测方法和装置
本专利技术涉及一种活体人脸检测技术，尤其涉及一种基于CNN深度学习模型的活体人脸检测方法和装置。
技术介绍
依据提取人脸特征的方法原理的不同，现有的活体人脸检测方法主要有：基于行为特征的活体检测方法、基于人工设计特征的方法、基于纹理特征的活体检测方法、基于三维深度信息的活体检测方法、基于深度学习的活体人脸检测等。基于行为特征的活体检测方法需要用户刻意配合，如点头、眨眼、微笑等，用户体验不自然。基于人工设计特征的方法，如频域特征、纹理特征等，这些方法原理简单，易于实现，但是采用人工设计特征的方法，由于不同特征提取的信息不同，虽然也能达到较好的检测效果，但是具有一定的不确定性，通用性较差。基于三维深度信息的活体检测方法利用真假人脸的三维深度信息的不同来进行活体检测，该方法能够较好地防止照片攻击和视频攻击，但是对于三维人脸立体模型，检测效果不够理想；而且该方法通常采用深度摄像头以获取深度信息，这就必然会导致需要额外增加新的设备投入。基于深度学习的活...
【技术保护点】
1.一种基于CNN深度学习模型的活体人脸检测方法，其特征在于：包括：/n步骤1、获取活体或非活体人脸图像，即利用包括摄像头、照相机或手机在内的图像采集设备，获取包含活体或非活体人脸的RGB彩色图像，本步骤所获取的RGB彩色图像将作为后续处理的输入；/n步骤2、通过低层活体人脸表征模块完成低层活体人脸表征，即利用超像素分割技术对步骤1获取的活体人脸图像进行分割，然后基于分割后的彩色活体人脸图像区域块，分别提取活体人脸图像区域块的纹理特征和梯度特征，并将纹理特征和梯度特征融合，形成低层活体人脸表征；/n步骤3、将步骤2得到的低层活体人脸表征作为新的网络输入，即将融合了纹理特征和...
【技术特征摘要】
1.一种基于CNN深度学习模型的活体人脸检测方法，其特征在于：包括：
步骤1、获取活体或非活体人脸图像，即利用包括摄像头、照相机或手机在内的图像采集设备，获取包含活体或非活体人脸的RGB彩色图像，本步骤所获取的RGB彩色图像将作为后续处理的输入；
步骤2、通过低层活体人脸表征模块完成低层活体人脸表征，即利用超像素分割技术对步骤1获取的活体人脸图像进行分割，然后基于分割后的彩色活体人脸图像区域块，分别提取活体人脸图像区域块的纹理特征和梯度特征，并将纹理特征和梯度特征融合，形成低层活体人脸表征；
步骤3、将步骤2得到的低层活体人脸表征作为新的网络输入，即将融合了纹理特征和梯度特征的低层活体人脸表征作为CNN深度学习模型的输入数据，通过CNN深度学习模型的卷积层、池化层、全连接层的训练后，学习并得到活体人脸图像的深度特征表示；
该步骤中，设置带方向性的多尺度卷积核，通过卷积操作，获取邻域内的方向局部边界强度信息，从而提取活体人脸图像的方向深度特征表示，具体通过以下方式来实现：
首先假设输入图像Im(x,y)，输出图像Om(x,y)，H(m,m)为带方向的卷积核，卷积核H(m,m)＝m*m，m为正整数，且1≤m≤5，则Om(x,y)＝Im(x,y)*H(m,m)；其次，将不同尺度的输出图像Om(x,y)按1≤m≤5权重求和，得到其中，O(x,y)表示多尺度输出图像，
步骤4、通过活体人脸分类模块完成活体人脸检测，在步骤3提取出活体人脸图像的深度特征表示后，利用SVM分类器进行活体人脸与非活体人脸的分类与辨识，有效避免小样本数据集存在的过拟合现象。
2.根据权利要求1所述的基于CNN深度学习模型的活体人脸检测方法，其特征在于：步骤2具体包括：
步骤2.1、将步骤1中获取的活体人脸的RGB彩色图像，转换到HSV色彩空间，并利用超像素分割技术中的SLIC方法，通过改变种子点个数和超像素边长，获取彩色活体人脸图像区域块；
步骤2.2、基于活体和非活体人脸的纹理差异，利用LBP纹理特征描述子对基于HSV空间中的彩色活体人脸图像区域块进行编码并提取纹理特征，其...
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。