一种基于深度学习的人脸翻拍稽核方法及系统技术方案

本发明专利技术公开了一种基于深度学习的人脸翻拍稽核方法及系统，涉及人脸识别技术领域，解决传统图像处理技术的方法效率较低的技术问题，方法包括：收集与人脸稽核的应用场景相关的人脸图像数据，对收集到的人脸图像数据划分为正样本和负样本；对正样本进行增强处理得到正样本集，对负样本进行增强处理得到负样本集，分别将正样本集、负样本集以8:2的比例划分为训练集和测试集，训练集用于模型的学习训练，测试集用于模型的性能评估；构建神经网络模型，并根据训练集训练神经网络模型，根据测试集评估训练好的神经网络模型得到人脸翻拍检测模型；现场采集人脸图像，并输入到人脸翻拍检测模型得到人脸翻拍检测结果。拍检测模型得到人脸翻拍检测结果。拍检测模型得到人脸翻拍检测结果。

【技术实现步骤摘要】
一种基于深度学习的人脸翻拍稽核方法及系统


[0001]本专利技术涉及人脸识别
，更具体地说，它涉及一种基于深度学习的人脸翻拍稽核方法及系统。

技术介绍

[0002]目前人脸识别技术已经在多种稽核场景中得到广泛应用，例如运营商业务办理人证核验场景，运营商需要对办理业务的自然人进行现场照与证件照的一致性稽核工作，然而现场照的人脸照片很容易使用翻拍等技术来伪造，因此需要对其进行翻拍检测。
[0003]在相关技术中，使用传统图像处理技术对人脸照片进行翻拍检测，如通过小波变换重新构建去噪图像，将原图像与去噪图像做差得到噪声分布，再使用相关指标作为特征来刻画两类图像的噪声直方图，通过分类器来分类这些特征指标来得到翻拍结果。
[0004]上述基于传统图像处理技术的方法检测流程较为繁琐，在分类任务之前需要较多预处理操作，导致检测的效率较低，并且这种方法很难集成到检测系统的应用端，对于大批量的稽核任务来说造成了很大的不便。

技术实现思路

[0005]本专利技术要解决的技术问题是针对现有技术的上述不足，本专利技术的目的一是提供一种基于深度学习的人脸翻拍稽核方法，以提高稽核效率以及准确率。
[0006]本专利技术的目的二是提供一种基于深度学习的人脸翻拍稽核系统，以提高稽核效率以及准确率。
[0007]为了实现上述目的一，本专利技术提供一种基于深度学习的人脸翻拍稽核方法，包括：
[0008]尽可能多地收集与人脸稽核的应用场景相关的人脸图像数据，对收集到的人脸图像数据划分为正样本和负样本；
[0009]对所述正样本进行增强处理得到正样本集，对所述负样本进行增强处理得到负样本集，分别将所述正样本集、负样本集以8:2的比例划分为训练集和测试集，训练集用于模型的学习训练，测试集用于模型的性能评估；
[0010]构建神经网络模型，并根据所述训练集训练所述神经网络模型，根据所述测试集评估训练好的神经网络模型得到人脸翻拍检测模型；
[0011]现场采集人脸图像，并输入到所述人脸翻拍检测模型得到人脸翻拍检测结果。
[0012]作为进一步地改进，构建神经网络模型具体包括：
[0013]构建输入层，输入层是网络的起点，负责接收外部传入的输入图像；
[0014]构建第一卷积层，用于对输入层做卷积操作，卷积操作能够提取输入图像的特征，卷积核大小为3
×
3，个数为16，卷积步长设置为1，padding设置为same，使卷积后不改变图像的尺寸；
[0015]构建第一Relu层，用于对第一卷积层的输出做非线性激活操作，作用是增加网络的非线性映射能力；
[0016]构建第一BN层，用于对第一Relu层的输出做归一化操作；
[0017]构建第一Dropout层，用于对第一BN层的输出做dropout操作，通过随机丢弃输入的神经元来达到正则化的目的，dropout rate设置为0.5；
[0018]构建第二卷积层，用于对第一Dropout层的输出做卷积操作，卷积核大小为3
×
3，个数为32，卷积步长设置为1，padding设置为same；
[0019]构建第二Relu层，用于对第二卷积层的输出做非线性激活操作；
[0020]构建第二BN层，用于对第二Relu层的输出做归一化操作；
[0021]构建第二Dropout层，用于对第二BN层的输出做dropout操作，dropout rate设置为0.5；
[0022]构建第一注意力机制模块，该模块由第一C模块和第一S模块组成，第一C模块为第一注意力机制模块的前半部分，第一S模块为第一注意力机制模块的后半部分，用于对第二Dropout层的输出进一步处理；
[0023]构建第三卷积层，用于对第一注意力机制模块的输出层做卷积操作，卷积核大小为3
×
3，个数为64，卷积步长设置为1，padding设置为same；
[0024]构建第三Relu层，用于对第三卷积层的输出做非线性激活操作；
[0025]构建第三BN层，用于对第三Relu层的输出做归一化操作；
[0026]构建第一MaxPooling层，用于对第三BN层的输出做最大池化操作，池化窗口大小设置为2
×
2，池化步长设置为2，padding设置为same；
[0027]构建第三Dropout层，用于对第一MaxPooling层的输出做dropout操作，dropout rate设置为0.5；
[0028]构建第二注意力机制模块，该模块由第二C模块和第二S模块组成，第二C模块为第二注意力机制模块的前半部分，第二S模块为第二注意力机制模块的后半部分，用于对第三Dropout层的输出进一步处理；
[0029]构建第四卷积层，用于对第二注意力机制模块的输出层做卷积操作，卷积核大小为3
×
3，个数为128，卷积步长设置为1，padding设置为same；
[0030]构建第四Relu层，用于对第四卷积层的输出做非线性激活操作；
[0031]构建第四BN层，用于对第四Relu层的输出做归一化操作；
[0032]构建第二MaxPooling层，用于对第四BN层的输出做最大池化操作，池化窗口大小设置为2
×
2，池化步长设置为2，padding设置为same；
[0033]构建第一Flatten层，用于对第二MaxPooling层的输出做降维展平操作，即将二维矩阵变换为一维向量；
[0034]构建第一全连接层，神经元数量设置为256，用于与第一Flatten层进行全连接；
[0035]构建第五Relu层，用于对第一全连接层的输出做非线性激活操作；
[0036]构建第二全连接层，神经元数量设置为128，用于与第五Relu层进行全连接；
[0037]构建第六Relu层，用于对第二全连接层的输出做非线性激活操作；
[0038]构建输出层，输出层是网络的终点，用于与第六Relu层全连接，输出网络的计算结果。
[0039]进一步地，所述第一C模块的构建过程如下：
[0040]构建第一C模块的AvgPool层，用于对第二Dropout层的输出做平均池化操作；
[0041]构建第一C模块的MaxPool层，用于对第二Dropout层的输出做最大池化操作；
[0042]构建第一C模块的第一全连接层，神经元数量设置为16，用于与第一C模块的AvgPool层及MaxPool层进行全连接；
[0043]构建第一C模块的第二全连接层，神经元数量设置为32，用于与第一C模块的第一全连接层的两个输出进行全连接；
[0044]构建第一C模块的Add层，用于对第一C模块第二全连接层的两个输出进行相加操作；
[0045]构建第一C模块的Sigmoid层，用于对Add层的输出做非线性激活操作；
[0046]构建第一C模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人脸翻拍稽核方法，其特征在于，包括：尽可能多地收集与人脸稽核的应用场景相关的人脸图像数据，对收集到的人脸图像数据划分为正样本和负样本；对所述正样本进行增强处理得到正样本集，对所述负样本进行增强处理得到负样本集，分别将所述正样本集、负样本集以8:2的比例划分为训练集和测试集，训练集用于模型的学习训练，测试集用于模型的性能评估；构建神经网络模型，并根据所述训练集训练所述神经网络模型，根据所述测试集评估训练好的神经网络模型得到人脸翻拍检测模型；现场采集人脸图像，并输入到所述人脸翻拍检测模型得到人脸翻拍检测结果。2.根据权利要求1所述的一种基于深度学习的人脸翻拍稽核方法，其特征在于，构建神经网络模型具体包括：构建输入层，输入层是网络的起点，负责接收外部传入的输入图像；构建第一卷积层，用于对输入层做卷积操作，卷积操作能够提取输入图像的特征，卷积核大小为3
×
3，个数为16，卷积步长设置为1，padding设置为same，使卷积后不改变图像的尺寸；构建第一Relu层，用于对第一卷积层的输出做非线性激活操作，作用是增加网络的非线性映射能力；构建第一BN层，用于对第一Relu层的输出做归一化操作；构建第一Dropout层，用于对第一BN层的输出做dropout操作，通过随机丢弃输入的神经元来达到正则化的目的，dropout rate设置为0.5；构建第二卷积层，用于对第一Dropout层的输出做卷积操作，卷积核大小为3
×
3，个数为32，卷积步长设置为1，padding设置为same；构建第二Relu层，用于对第二卷积层的输出做非线性激活操作；构建第二BN层，用于对第二Relu层的输出做归一化操作；构建第二Dropout层，用于对第二BN层的输出做dropout操作，dropout rate设置为0.5；构建第一注意力机制模块，该模块由第一C模块和第一S模块组成，第一C模块为第一注意力机制模块的前半部分，第一S模块为第一注意力机制模块的后半部分，用于对第二Dropout层的输出进一步处理；构建第三卷积层，用于对第一注意力机制模块的输出层做卷积操作，卷积核大小为3
×
3，个数为64，卷积步长设置为1，padding设置为same；构建第三Relu层，用于对第三卷积层的输出做非线性激活操作；构建第三BN层，用于对第三Relu层的输出做归一化操作；构建第一MaxPooling层，用于对第三BN层的输出做最大池化操作，池化窗口大小设置为2
×
2，池化步长设置为2，padding设置为same；构建第三Dropout层，用于对第一MaxPooling层的输出做dropout操作，dropout rate设置为0.5；构建第二注意力机制模块，该模块由第二C模块和第二S模块组成，第二C模块为第二注意力机制模块的前半部分，第二S模块为第二注意力机制模块的后半部分，用于对第三
Dropout层的输出进一步处理；构建第四卷积层，用于对第二注意力机制模块的输出层做卷积操作，卷积核大小为3
×
3，个数为128，卷积步长设置为1，padding设置为same；构建第四Relu层，用于对第四卷积层的输出做非线性激活操作；构建第四BN层，用于对第四Relu层的输出做归一化操作；构建第二MaxPooling层，用于对第四BN层的输出做最大池化操作，池化窗口大小设置为2
×
2，池化步长设置为2，padding设置为same；构建第一Flatten层，用于对第二MaxPooling层的输出做降维展平操作，即将二维矩阵变换为一维向量；构建第一全连接层，神经元数量设置为256，用于与第一Flatten层进行全连接；构建第五Relu层，用于对第一全连接层的输出做非线性激活操作；构建第二全连接层，神经元数量设置为128，用于与第五Relu层进行全连接；构建第六Relu层，用于对第二全连接层的输出做非线性激活操作；构建输出层，输出层是网络的终点，用于与第六Relu层全连接，输出网络的计算结果。3.根据权利要求2所述的一种基于深度学习的人脸翻拍稽核方法，其特征在于，所述第一C模块的构建过程如下：构建第一C模块的AvgPool层，用于对第二Dropout层的输出做平均池化操作；构建第一C模块的MaxPool层，用于对第二Dropout层的输出做最大池化操作；构建第一C模块的第一全连接层，神经元数量设置为16，用于与第一C模块的AvgPool层及MaxPool层进行全连接；构建第一C模块的第二全连接层，神经元数量设置为32，用于与第一C模块的第一全连接层的两个输出进行全连接；构建第一C模块的Add层，用于对第一C模块第二全连接层的两个输出进行相加操作；构建第一C模块的Sigmoid层，用于对Add层的输出做非线性激活操作；构建第一C模块的Reshape层，用于对Sigmoid层的输出做reshape操作，改变Reshape层的维度信息；构建第一C模块的Multiply层，用于对Reshape层的输出及第二Dropout层的输出做相乘操作。4.根据权利要求2所述的一种基于深度学习的人脸翻拍稽核方法，其特征在于，所述第一S模块的构建过程如下：构建第一S模块的AvgPool层，用于对第一C模块的Multiply层的输出做平均池化操作；构建第一S模块的MaxPool层，用于对第一C模块的Multiply层的输出做最大池化操作；构建第一S模块的Concatenate层，用于对第一S模块的AvgPool层和MaxPool层进行拼接操作；构建第一S模块...

【专利技术属性】
技术研发人员：韦涛，杜欢，梁勇，吴康杰，李鹏，
申请(专利权)人：中国—东盟信息港股份有限公司，
类型：发明
国别省市：