一种基于深度学习的多尺度活体检测方法及系统技术方案

一种基于深度学习的多尺度活体检测方法包括以下步骤：步骤一.输入图片，提取多尺度图像；步骤二.对多尺度图像提取多尺度特征：利用深度学习模型对多尺度图像提取多尺度特征，得到人脸图像信息特征、环境信息特征和行为信息特征；步骤三.获取多尺度融合特征：对提取的多尺度特征采取不同的约束进行特征融合，得到多尺度融合特征；步骤四.输入多尺度融合特征到分类网络，输出活体评分，根据阈值得到活体检验结果。方法相比于目前基于单一人脸区域的活体检测方法，本发明专利技术的方法具有更好的场景适应性，在较差的成像环境下具有更高的检测准确性。

【技术实现步骤摘要】
一种基于深度学习的多尺度活体检测方法及系统
本专利技术属于图像识别
，特别是涉及一种基于深度学习的多尺度活体检测方法及系统。
技术介绍
生物识别尤其是人脸身份识别是计算机视觉领域长期以来的一个研究热点。随着深度学习的发展和硬件运算设备的提升，人脸识别技术被广泛应用在各个领域，例如手机人脸解锁、门禁机人脸考勤和在线人脸识别支付。目前人脸识别技术存在着身份信息被盗用的安全隐患，不法分子可通过伪造的活体人脸信息进行身份验证，并在通过身份验证后进行盗用财产和危害公共安全等非法活动。人脸识别应用需要一种活体检测方法识别给定的人脸是否为活体，其中活体指活着具有生命的物体，一般非活体攻击手段包括打印的人脸纸张攻击、视频人脸攻击和3D人脸面具攻击。目前已经有许多基于传统视觉和深度学习的RGB图像人脸活体检测算法，然而单一基于人脸信息的活体检测算法容易受到环境和设备的影响，例如光照环境和设备成像质量，在一些较差环境下，算法难以区分活体和非活体。
技术实现思路
本专利技术的基于深度学习的多尺度活体检测方法及系统，从多尺度特征方法出发，通过特征提取本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多尺度活体检测方法，其特征在于，该方法包括以下步骤：/n步骤一.输入图片，提取多尺度图像；/n步骤二.对所述多尺度图像提取多尺度特征：利用深度学习模型对所述多尺度图像提取多尺度特征，得到人脸图像信息特征、环境信息特征和行为信息特征；/n步骤三.获取多尺度融合特征：对提取的所述多尺度特征采取不同的约束进行特征融合，得到多尺度融合特征；/n步骤四.输入所述多尺度融合特征到分类网络，输出活体评分，根据阈值得到活体检验结果。/n

【技术特征摘要】
1.一种基于深度学习的多尺度活体检测方法，其特征在于，该方法包括以下步骤：
步骤一.输入图片，提取多尺度图像；
步骤二.对所述多尺度图像提取多尺度特征：利用深度学习模型对所述多尺度图像提取多尺度特征，得到人脸图像信息特征、环境信息特征和行为信息特征；
步骤三.获取多尺度融合特征：对提取的所述多尺度特征采取不同的约束进行特征融合，得到多尺度融合特征；
步骤四.输入所述多尺度融合特征到分类网络，输出活体评分，根据阈值得到活体检验结果。


2.根据权利要求1所述的基于深度学习的多尺度活体检测方法，其特征在于，在所述步骤一中，对输入图片中的待测目标提取多尺度图像，所述多尺度图像包括低尺度人脸图像信息图像、中尺度环境信息图像和高尺度行为信息图像，所述多尺度图像是RGB图像。


3.根据权利要求1所述的基于深度学习的多尺度活体检测方法，其特征在于，在所述步骤三中，所述多尺度融合特征可用式(2)表述：
L(Gl，Gm，Gh)＝λ1Fl+λ2Fm+λ3Fh(2)
在式(2)中，Gl，Gm，Gh分别为采集的低、中和高尺度图像，Fl为提取的低尺度成像特征，λ1为其约束，Fm为提取的中尺度环境信息特征，λ2为其约束，Fh为提取的高尺度行为信息特征，λ3为其约束。


4.一种基于深度学习的多尺度活体检测系统，使用权利要求1、2或3所述的基于深度学习的多尺度活体检测方法，其特征在于，所述多尺度活体检测系统包括自适应多尺度图像采集模块、卷积神经网络创建模块以及多尺度活体检测模块，其中，
所述卷积神经网络创建模块，用于设计卷积神经网络模型，对输入的待检测目标进行活体判断并输出活体检测评分；
所述多尺度...

【专利技术属性】
技术研发人员：朱鑫懿，魏文应，安欣赏，张伟民，李革，张世雄，李楠楠，
申请(专利权)人：深圳龙岗智能视听研究院，
类型：发明
国别省市：广东;44