基于轻量深度学习网络的活体识别方法及其识别系统技术方案

本发明专利技术涉及视频识别与分析技术领域，公开了一种基于轻量深度学习网络的活体识别方法及其识别系统。本发明专利技术在识别方法的步骤S1中使用拉普拉斯算子提取摩尔纹信息，在步骤S2中对深度网络模型进行轻量化改进，使得深度网络能够降低处理图像维度的同时避免处理不相关的特征信息，是深度网络模型能更准确的学习到摩尔纹特征；同时，在步骤S3中进一步利用边框检测和灰度检测来筛选非活体图像，进一步提供检测准确性和速度。采用该方法的识别系统也具有同样的技术效果。同样的技术效果。同样的技术效果。

【技术实现步骤摘要】
基于轻量深度学习网络的活体识别方法及其识别系统


[0001]本专利技术涉及视频识别与分析
，更具体的说，特别涉及一种基于轻量深度学习网络的活体识别方法及其识别系统。

技术介绍

[0002]目前图像或者视频的活体识别可以分为主动配合和非主动配合两大类，主动配合顾名思义需要待验证目标作出一系列配合系统识别的动作；非主动配合又可分为针对打印和屏幕类翻拍的活体验证以及3D假体的活体识别。目前非主动配合主要通过识别图像中是否存在摩尔纹来判断是否为电子屏幕类的翻拍攻击，其采用的深层神经网络结构和参数均较复杂，导致网络收敛速度很慢，识别效率不高。现有技术存在不足。

技术实现思路

[0003]本专利技术的目的在于针对现有技术存在的技术问题，提供一种基于轻量深度学习网络的活体识别方法及其识别系统，用以避免网络收敛缓慢，识别效率不高。
[0004]为了解决以上提出的问题，本专利技术采用的技术方案为：
[0005]一种基于轻量深度学习网络的活体识别方法，包括以下步骤：
[0006]S1.针对屏幕翻拍构建摩尔纹图像数据集；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量深度学习网络的活体识别方法，其特征在于，包括以下步骤：S1.针对屏幕翻拍构建摩尔纹图像数据集；S2.利用所述摩尔纹图像数据集训练轻量深度网络模型，采用所述轻量深度网络模型检测目标图像中是否存在摩尔纹；S3.对所述目标图像进行边框检测和灰度检测；S4.综合摩尔纹检测、边框检测和灰度检测三者的结果得到最终活体检测结果。2.根据权利要求1所述的识别方法，其特征在于，所述步骤S1中还包括以下步骤：S11.采用拉普拉斯算子提取图像中的摩尔纹信息，去除不关注的其他特征信息；S12.采用数据增广扩展所述摩尔纹图像数据集。3.根据权利要求2所述的识别方法，其特征在于，所述数据增广包括对包含有摩尔纹信息的图像进行裁剪、旋转和镜像。4.根据权利要求1所述的识别方法，其特征在于，所述轻量深度网络模型包括依次连接的：卷积核尺寸为7
×
7的第一卷积层、卷积核尺寸为3
×
3的第二卷积层、卷积核尺寸为1
×
1的瓶颈层、最大池化层、指定输出大小为1
×
1的二维自适应均值池化层和全连接层；所述第一卷积层输入待检测目标图像，所述全连接层输出二分类结果。5.根据权利要求4所述的识别方法，其特征在于，所述轻量深度网络模型中，所述第二卷积层和所述瓶颈层连接为瓶颈结构；三个所述瓶颈结构次序连接，并连接...

【专利技术属性】
技术研发人员：徐强，陈宇桥，李凌，
申请(专利权)人：苏州中科先进技术研究院有限公司，
类型：发明
国别省市：