一种基于双边分支网络的人脸活体检测方法及系统技术方案

本发明专利技术的实施例提供一种基于双边分支网络的人脸活体检测方法，通过获取人脸样本图像，构建基于活体检测的双边分支网络，将人脸样本图像输入基于活体检测的双边分支网络，训练得到基于活体检测的双边分支网络模型，将待检测的人脸图像输入基于活体检测的双边分支网络模型，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双边分支网络的人脸活体检测系统。本发明专利技术的实施例通过构建基于活体检测的双边分支网络，训练优化基于活体检测的双边分支网络模型，能够快速准确地实现活体人脸识别，有效地提高了非平衡样本数据的检测准确率，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】
一种基于双边分支网络的人脸活体检测方法及系统
本专利技术涉及计算机视觉及图像识别
，具体而言，涉及一种基于双边分支网络(Two-sidedbranchnetwork，TSBN)的人脸活体检测方法及系统。
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，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，也对人脸识别系统的安全性提出了挑战，如何通过有效识别活体人脸，提高人脸识别系统安全性成为了用户普遍关注的问题。目前，活体人脸识别方法的研究大都是基于理想的样本数据，即样本数据为每类样本数量一致的平衡数据，采用诸如ImageNet、ILSVR、MSCOCO和Places等高质量大规模数据集进行活体人脸识别模型的设计与测试。然而，在真实应用场景中，往往需要面对非平衡数据，由于数据集的类别分布严重不均匀，少数类别占据了大量数据，而大多数类别却有很少的数据，因此这些大规模数据集的样本类别分布均匀，并不能准确反映真实场景，无法实际应用于真实场景中。如何构建一种高效准确的人脸活体检测模型，实时准确地判定待检测目标是否为活体人脸，有效提升人脸检测识别效率及安全性，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，本专利技术的第一方面的实施例提出了一种基于双边分支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双边分支网络，所述基于活体检测的双边分支网络包括第一分支和第二分支，所述第一分支和所述第二分支的网络结构相同；S103，将所述人脸样本图像输入所述基于活体检测的双边分支网络，训练得到基于活体检测的双边分支网络模型；S104，将待检测的人脸图像输入所述基于活体检测的双边分支网络模型，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：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，分别得到训练样本集和测试样本集。优选地，所述基于活体检测的双边分支网络，还包括：累积学习策略；以及，所述累积学习策略聚合所述第一分支和所述第二分支输出的特征向量。优选地，所述累积学习策略聚合所述第一分支和所述第二分支输出的特征向量的步骤，具体为：根据自适应权重参数a，聚合所述第一分支和所述第二分支输出的特征向量，所述自适应权重参数a通过以下公式确定：其中，Tmax表示训练的总次数，T表示当前的训练次数。优选地，所述基于活体检测的双边分支网络的所述第一分支和所述第二分支的网络参数共享。优选地，所述步骤S103，具体为：将所述人脸样本图像输入所述基于活体检测的双边分支网络，分别训练所述基于活体检测的双边分支网络的表征能力和分类能力，得到基于活体检测的双边分支网络模型。优选地，所述步骤S104之前，还包括：将所述测试样本集输入所述基于活体检测的双边分支网络模型，对所述基于活体检测的双边分支网络模型进行测试。本专利技术的第二方面实施例，还提出了一种基于双边分支网络的人脸活体检测系统，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双边分支网络，所述基于活体检测的双边分支网络包括第一分支和第二分支，所述第一分支和所述第二分支的网络结构相同；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双边分支网络，训练得到基于活体检测的双边分支网络模型；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双边分支网络模型，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，分别得到训练样本集和测试样本集。优选地，所述基于双边分支网络的人脸活体检测系统，还包括：测试模块：用于将所述测试样本集输入所述基于活体检测的双边分支网络模型，对所述基于活体检测的双边分支网络模型进行测试。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中基于双边分支网络的人脸活体检测方法的流程示意图；图2是本专利技术的实施例中基于活体检测的双边分支网络的结构示意图；图3是本专利技术的实施例中基于双边分支网络的人脸活体检测系统的结构示意图；图4是使用基于不平衡数据集CIFAR-100和CIFAR-10得到的测试样本集测试基于活体检测的双边分支网络的错误率示意图。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双边分支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双边分支网络，所述基于活体检测的双边分支网络包括第一分支和第二分支，所述第一分支和所述第二分支的网络结构相同；S103，将所述人脸样本图像输入所述基于活体检测的双边分支网络，训练得到基于活体检测的双边分支网络模型；S104，将待检测的人脸图像输入所述基于活体检测的双边分支网络模型，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和测试数据集，构建基于活体检测的双边分支网络，将人脸样本图像输入构建的基于活体检测的双边分支网络进行表征能力和分类能力训练，得到基于活体检测的双边分支网络模型，并将测试数据集中的人脸图像输入基于活体检测的双边分支网络模型进行检测准确率测试和网络参数调整，将待检测人脸图像输入基于活体检测的双边分支网络模型，根据基于活体检测的双边分支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。...

【技术保护点】
1.一种基于双边分支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双边分支网络，所述基于活体检测的双边分支网络包括第一分支和第二分支，所述第一分支和所述第二分支的网络结构相同；/nS103，将所述人脸样本图像输入所述基于活体检测的双边分支网络，训练得到基于活体检测的双边分支网络模型；/nS104，将待检测的人脸图像输入所述基于活体检测的双边分支网络模型，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】
1.一种基于双边分支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双边分支网络，所述基于活体检测的双边分支网络包括第一分支和第二分支，所述第一分支和所述第二分支的网络结构相同；
S103，将所述人脸样本图像输入所述基于活体检测的双边分支网络，训练得到基于活体检测的双边分支网络模型；
S104，将待检测的人脸图像输入所述基于活体检测的双边分支网络模型，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所述的基于双边分支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：
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，分别得到训练样本集和测试样本集。


3.根据权利要求2所述的基于双边分支网络的人脸活体检测方法，其特征在于，所述基于活体检测的双边分支网络，还包括：累积学习策略；以及，
所述累积学习策略聚合所述第一分支和所述第二分支输出的特征向量。


4.根据权利要求3所述的基于双边分支网络的人脸活体检测方法，其特征在于，所述累积学习策略聚合所述第一分支和所述第二分支输出的特征向量的步骤，具体为：
根据自适应权重参数a，聚合所述第一分支和所述第二分支输出的特征向量，所述自适应权重参数a通过以下公式确定：



其中，Tmax表示训练的总次数，T表示当前的训练次数。


5.根据权利要求1-4中任一项所述的基于双边分支网络的人脸活体检测方法，其特征在于，所述基于活体检测的双边分支网络的所述第一分支和所述第二分支的网络参数...

【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