活体检测图像预处理方法技术

本活体检测图像预处理方法，包括以下步骤：步骤S1：自适应图像人脸截取：采集应用场景中部分人脸并计算人脸框大小，根据人脸框大小设计自适应框范围，根据自适应框范围截取人脸图像并处理，得到中间图像；步骤S2：建立图像样本集：中间图像以及将中间图像随机复制到多个图像中或将所述中间图像随机复制到多个图像的非中心区域形成的正样本集和负样本集；步骤S3：对图像样本集处理：对所述正样本集和所述负样本集进行数据增强，并保持所述正样本集和所述负样本集数据量一致。利用本发明专利技术所述方法能够解决现有技术中，拍摄的图片信息丢失无法用于模型训练以及在当前应用场景下用于训练的图像数量不足的技术问题。

【技术实现步骤摘要】
活体检测图像预处理方法
本专利技术涉及人脸识别
，具体地说，涉及一种活体检测图像预处理方法。
技术介绍
随着科技的发展与普及，人脸识别技术已经广泛应用到我们生活中各个场景，比如手机登录、小区门禁、签到打卡等。为了防止他人使用照片、屏幕、模型等伪造人脸，检测当前用户是否为真实用户就很重要，即活体检测技术。而当前流行的活体检测技术，主要是基于双目摄像头的，在单目摄像头下成熟的技术不多，比如根据亮度、纹理等特征判断，或者让用户做出指定动作，或者用一序列不同颜色的光照来模拟结构光，这些技术在手机端可能有一定效果，但是其他非手机端的公共场景，由于人脸距离远，成像不够清晰，现有方法的活体检测效果就会急剧下降，使得算法无法使用。传统场景下的活体检测技术一般是通过两个摄像头(结合来判断，为了减少成本，提高应用的通用性，越来越多的厂商开始关注单目摄像头活体检测技术，即只使用一个普通彩色摄像头。目前流行的方案主要有：1.让用户做出指定动作(点头、转头等)；2.直接提取人脸图像特征(亮度、纹理、边缘等)；3.彩色光照序列模拟结构光。方案1要求用户配合做出动作，用户体验不好，不适用于公共场合。而方案2和3主要应用于手机端，因为手机端人脸离摄像头距离很近，手机摄像头清晰度也很高，采集的人脸图片就可以很好的提取相应特征。而在非手机端的一些公共设备上，这些条件往往不能满足，比如架设位置较高的摄像头，或者交互式大屏终端，这些场景下的人脸图片往往不够清晰，且由于人脸距离较远，亮度、颜色光照等信息也基本丢失，或者精度受限误差很大，因此这些图片信息无法作为有效的数据输入用于训练人脸识别的神经网络模型，无法得到有效且收敛快，准确率高的神经网络。
技术实现思路
本专利技术的目的在于提供一种用于训练神经网络的活体检测图像预处理方法，利用所述方法能够解决现有技术中，拍摄的图片信息丢失无法用于模型训练以及在当前应用场景下用于训练的图像数量不足的技术问题。所述活体检测图像预处理方法包括：步骤S1：自适应图像人脸截取：采集应用场景中部分人脸并计算人脸框大小，根据人脸框大小设计自适应框范围，根据自适应框范围截取人脸图像并处理，得到中间图像；步骤S2：建立图像样本集：中间图像以及将中间图像随机复制到多个图像中或将所述中间图像随机复制到多个图像的非中心区域形成的正样本集和负样本集；步骤S3：对图像样本集处理：对所述正样本集和所述负样本集进行数据增强，并保持所述正样本集和所述负样本集数据量一致。本专利技术首先根据实际的应用场景，例如应用于商场，所以以商场中拍摄的图片为基准设计出自适应框范围，并根据自适应框的范围对后续的随机图像进行截取人像区域，一方面能够保证截取的所有人像区域的大小统一，提高计算效率，另一面还可以降低后期神经网络在训练时的周期。除此之外，通过应用场景中的图像的截取在通过特定方式生成相对的两组图像集，一方面扩大了用于训练的图像数量，另一方面两组相对的正图像集和负图像集均是建立在应用场景下的人像区域基础上，能够提高神经网络的判断精确度。本专利技术同时还通过产生新的图像集，利用产生的图像集模拟应用场景中拍摄的实际图像来训练神经网络，从而克服了现有技术中图像信息丢失无法有效利用的问题。附图说明图1是本专利技术整体流程示意图；图2是本专利技术自适应框范围的应用场景示意图；图3是本专利技术图形样本集建立过程示意图；图4至图6是本专利技术图形样本集中的部分样本建立过程示意图；图7是本专利技术正样本集和负样本集的数据示意图。具体实施方式下面结合具体实施例和说明书附图对本专利技术做进一步阐述和说明:请参考图1，本专利技术公开了一种活体检测图像预处理方法，所述方法包括：参阅图2，步骤S1：自适应图像人脸截取：采集应用场景中部分人脸并计算人脸框(图中框1、框2…框5)大小，根据人脸框大小设计自适应框范围，根据自适应框范围截取人脸图像并处理，得到中间图像。在检测到人脸框后，首先要对人脸附近范围进行截取。而这个截取的范围大小需要根据不同的应用场景自动调整。对于不同的应用场景，先采集少部分带有人脸的原始图片，通过人脸识别系统检测人脸框，计算所有人脸框大小的平均值。设原始图片的高为h，宽为w，检测人脸框的平均宽度为m，平均高度n,根据以下公式确定截取范围大小系数s：根据这个系数，对每个人脸框，设其左上角坐标为(x0,y0)，人脸框宽为a0，高为b0，则实际截取图像的范围左上角(x1,y1)和截取宽a1高b1的值为：x1＝x0-a0×sy1＝y0-b0×sa1＝a0+a0×s×2b1＝b0+b0×s×2根据所述左上角(x1,y1)和截取宽a1高b1的值就得到了自适应框范围的大小了。进一步地，所述步骤S1中对截取的人脸图像的处理包括：判断利用自适应框范围截取的人脸图像是否超出原始图像范围，若超出，做像素填充；以超出像素范围填充后的图像或未超出有效范围的图像为所述中间图像。需要注意的是，对于处于图像边缘的人脸框，按照自适应框范围得到的截取范围坐标值可能会超出原始图片范围，这种情况就先截取到原始图片的边缘，然后不够的范围填充全0像素值，保证截取后的图像不会拉伸变形，且人脸始终居中，特征相对统一，这样有利于后期的新的图形的创建，保证创建的新的图像不变形，提高统一性，能够缩短神经网络模型的训练时间。步骤S2：建立图像样本集：中间图像以及将中间图像随机复制到多个图像中或将所述中间图像随机复制到多个图像的非中心区域形成的正样本集和负样本集。参阅图3，所述建立图形样本集的方法包括：如图4，步骤S21：采集应用场景下的含人像的图片，并利用自适应框截取图片作为样本集A1、采集应用场景下含人像以及对比对象的图片，并利用自适应框截取图片作为样本集B1；所述正样本集包含所述样本集A1，所述负样本集包含所述样本集B1。参阅图5，步骤S22：录入随机图像集，所述随机图像集包括人像图集以及背景图集；步骤S23：利用自适应框采集所述人像图集中的人像区域X1，并随机粘贴至所述背景图集中的图片中，得到样本集A2；步骤S24：利用自适应框采集所述样本集A1以及样本集A2中随机的人像区域X2，并将所述人像区域X2粘贴至所述样本集A1以及样本集A2的中心区域，得到样本B2；所述正样本集包含所述样本集A1、所述样本集A2，所述负样本集包含所述样本集B1、所述样本集B2。参阅图6，步骤S25:利用自适应框采集所述样本集A1以及样本集A2中随机的人像区域X3，并将所述人像区域X3粘贴至所述背景图集的中心区域，得到样本B3；步骤S26：利用自适应框采集所述样本集A1以及样本集A2中随机的人像区域X4，并将所述人像区域X4粘贴至所述样本集A1以及样本集A2的非中心区域，得到样本A3；如图7，其中，将所述样本集A1、所述样本集本文档来自技高网...

【技术保护点】
1.活体检测图像预处理方法，其特征在于，包括以下步骤：/n步骤S1：自适应图像人脸截取：采集应用场景中部分人脸并计算人脸框大小，根据人脸框大小设计自适应框范围，根据自适应框范围截取人脸图像并处理，得到中间图像；/n步骤S2：建立图像样本集：中间图像以及将中间图像随机复制到多个图像中或将所述中间图像随机复制到多个图像的非中心区域形成的正样本集和负样本集；/n步骤S3：对图像样本集处理：对所述正样本集和所述负样本集进行数据增强，并保持所述正样本集和所述负样本集数据量一致。/n

【技术特征摘要】
1.活体检测图像预处理方法，其特征在于，包括以下步骤：
步骤S1：自适应图像人脸截取：采集应用场景中部分人脸并计算人脸框大小，根据人脸框大小设计自适应框范围，根据自适应框范围截取人脸图像并处理，得到中间图像；
步骤S2：建立图像样本集：中间图像以及将中间图像随机复制到多个图像中或将所述中间图像随机复制到多个图像的非中心区域形成的正样本集和负样本集；
步骤S3：对图像样本集处理：对所述正样本集和所述负样本集进行数据增强，并保持所述正样本集和所述负样本集数据量一致。


2.如权利要求1所述的活体检测图像预处理方法，其特征在于，所述步骤S1中对截取的人脸图像的处理包括：判断利用自适应框范围截取的人脸图像是否超出原始图像范围，若超出，做像素填充；以超出像素范围填充后的图像或未超出有效范围的图像为所述中间图像。


3.如权利要求1所述的活体检测图像预处理方法，其特征在于，所述建立图形样本集的方法包括：
步骤S21：采集应用场景下的含人像的图片，并利用自适应框截取图片作为样本集A1、采集应用场景下含人像以及对比对象的图片，并利用自适应框截取图片作为样本集B1；
所述正样本集包含所述样本集A1，所述负样本集包含所述样本集B1。


4.如权利要求3所述的活体检测图像预处理方法，其特征在于，所述建立图形样本集的方法还包括：
步骤S...

【专利技术属性】
技术研发人员：易炜，
申请(专利权)人：深圳印像数据科技有限公司，
类型：发明
国别省市：广东;44