一种轻量化可见光活体检测方法及装置制造方法及图纸

本发明专利技术公开了一种轻量化可见光活体检测方法及装置，所述轻量化可见光活体检测方法利用可见光活体检测模型，对可见光原始图像中的人脸进行活体判别，其中可见光活体检测模型包括深度神经网络、第一全连接网络和第二全连接网络，并且在可见光活体检测模型训练时引入用于对绿光强度特征进行辅助学习的辅助监督网络。本发明专利技术基于活体内的血液流过皮肤时在绿光方向上有一定的强度分布原理，在对深度神经网络进行训练时设置一个辅助监督网络，辅助监督网络辅助深度神经网络精确的提取到人脸的活体特征，解决了现有技术中基于可见光图像的静默活体检测方法无法抵御3D非活体攻击的问题，提高了活体检测的精确性，且兼具轻量化。且兼具轻量化。且兼具轻量化。

【技术实现步骤摘要】
一种轻量化可见光活体检测方法及装置


[0001]本专利技术属于图像处理以及目标识别
，具体涉及一种轻量化可见光活体检测方法及装置。

技术介绍

[0002]活体检测技术主要判别机器前出现的人脸是真实的还是伪造的，其中借助其他媒介呈现的人脸都可以定义为虚假的人脸，包括打印的照片、屏幕成像、硅胶面具、立体的3D人像等。目前主流的活体检测方案包括配合式活体检测和非配合式活体检测（静默活体检测）等。配合式活体检测需要用户根据提示完成指定的动作，然后进行活体校验，也可称为动态化的活体检测。而静默活体检测与动态活体检测相反，主要在没有眨眼、张嘴等一系列的动作配合下判断到底是不是一个真活体。由此可见，静默活体检测在技术上实现难度更高，在实际应用中对准确性要求也更高，与此同时， 静默活体检测在用户无感的情况下直接进行活体校验，具有更好的用户体验。
[0003]静默活体检测根据成像源的不同一般分为红外图像、3D 结构光和可见光图像三种技术路线：红外图像滤除了特定波段的光线，天生抵御基于屏幕成像的假脸攻击；3D 结构光引入了深度信息，能够很容易地辨别纸质照片、屏幕成像等 2D 媒介的假脸攻击；可见光图片主要通过屏幕拍摄出现的摩尔纹、纸质照片反光等一些细节信息进行判别。基于以上分析不难发现，基于可见光图片的活体检测与其他两种方法相比，仅能通过图像本身的信息进行判别，在实际的开放场景中面临着更大的挑战性。
[0004]然而基于可见光图像的静默活体检测具备识别速度快、操作简单便捷和非接触式等优点，此外，可见光成像设备相对于红外线成像设备和3D结构光成像设备而言，成本更低，集成度也高，现有的人脸识别系统的主流方向均为采用可见光成像设备，可见，针对基于可见光成像进行活体检测的方法研究具有重要价值。同时，随着5G以及AI等技术的普及，万物互联时代已经到来，从而使得人脸识别技术已经被广泛应用于各种类型的互联设备中，其中包括各种处于边缘端的互联设备，在边缘端的互联设备中应用人脸识别技术需考虑边缘端互联设备自身的算力和功耗，因此在对基于可见光成像进行活体检测的方法研究中，如何实现算法过程的轻量化，也是必须考虑的问题，便于在算力极其有限的边缘端互联设备也适用。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的一项或多项不足，提供一种轻量化可见光活体检测方法及装置。
[0006]本专利技术的目的是通过以下技术方案来实现的：第一方面本专利技术的第一方面提供了一种轻量化可见光活体检测方法，包括如下步骤：S1、获取待处理的可见光原始图像；
S2、利用预先构建好的可见光活体检测模型，从待处理的可见光原始图像中识别出人脸目标，并确定所述人脸目标为活体或非活体；其中，所述可见光活体检测模型的构建过程如下：SS1、构建深度神经网络，所述深度神经网络用于获取历史可见光原始图像，并提取该历史可见光原始图像中的目标特征，生成目标特征矩阵，所述目标特征中包括绿光强度特征，所述绿光强度特征为血液流过皮肤时绿光方向的强度分布特征；SS2、构建第一全连接网络，所述第一全连接网络用于接收目标特征矩阵，并识别出目标特征矩阵中人脸目标的位置和大小；SS3、基于所述人脸目标的位置和大小提取目标特征矩阵中的人脸特征矩阵，并对所述人脸特征矩阵进行全局最大化处理，全局最大化处理后得到活体判别特征向量；SS4、构建第二全连接网络，所述第二全连接网络用于接收所述活体判别特征向量，并根据活体判别特征向量确定当前人脸目标为活体或非活体；SS5、利用训练样本对所述深度神经网络、所述第一全连接网络和第二全连接网络进行训练，且在对所述深度神经网络进行训练时引入辅助监督网络，并以损失函数作为训练的约束，训练完成后得到深度神经网络、第一全连接网络、第二全连接网络和辅助监督网络的网络参数，然后基于深度神经网络、第一全连接网络和第二全连接网络的所述网络参数生成可见光活体检测模型；其中，所述辅助监督网络用于深度神经网络提取绿光强度特征时的辅助监督。
[0007]优选地，所述SS2中，基于非极大值抑制算法识别出目标特征矩阵中人脸目标的位置。
[0008]优选地，所述SS3具体包括如下子步骤：SS31、基于所述人脸目标的位置和大小提取目标特征矩阵中的人脸特征矩阵F
H
×
F
W
×
N；SS32、分别对N个F
H
×
F
W
×
1矩阵求取最大值，根据得到的N个最大值生成活体判别特征向量。
[0009]优选地，所述SS4中，根据活体判别特征向量确定当前人脸目标为活体或非活体，具体包括如下子步骤：SS41、第二全连接网络对获取的活体判别特征向量进行分类，并输出当前人脸目标为活体的概率和当前人脸目标为非活体的概率；SS42、若当前人脸目标为活体的概率大于当前人脸目标为非活体的概率，则确定当前人脸目标为活体；若当前人脸目标为活体的概率小于当前人脸目标为非活体的概率，则确定当前人脸目标为非活体。
[0010]优选地，所述辅助监督网络包括监督学习网络和第一谱特征提取网络；所述第一谱特征提取网络用于根据人脸目标的位置和大小从历史可见光原始图像中截取出人脸图像，并对所述人脸图像进行绿光强度分量的提取，然后基于傅里叶变换生成所述人脸图像的绿光分量空间谱特征；所述监督学习网络用于接收所述目标特征矩阵，并基于人脸目标的位置和大小提取目标特征矩阵中的单一人脸特征矩阵，然后进行学习监督，学习监督后使得该单一人脸特征矩阵中的绿光强度特征趋近所述绿光分量空间谱特征。
[0011]优选地，所述可见光原始图像为RGB三通道图像；对所述人脸图像进行绿光强度分量的提取，具体包括如下子步骤：基于第一公式将人脸图像I
f
中各个像素点的RGB三通道数值均变换为单绿色分量数值，所述第一公式为：，其中，，，表示人脸图像I
f
中第m行第n列像素点第0通道的数值，表示人脸图像I
f
中第m行第n列像素点第1通道的数值，表示人脸图像I
f
中第m行第n列像素点第2通道的数值，表示人脸图像I
f
中第m行第n列像素点变换后的数值。
[0012]优选地，所述基于傅里叶变换生成所述人脸图像的绿光分量空间谱特征，具体包括如下子步骤：SSS1、对提取了绿光强度分量后的人脸图像作傅里叶变换；SSS2、取傅里叶变换的模进行归一化计算，然后得到该人脸图像的绿光分量空间谱特征。
[0013]优选地，所述SS1中，深度神经网络提取出历史可见光原始图像中的目标特征矩阵前，对接收到的历史可见光原始图像进行缩放，缩放后的可见光原始图像大小为256
×
256
×
3，所述目标特征矩阵的大小为8
×8×
128；所述SS2中，第一全连接网络在识别目标特征矩阵中人脸目标的位置时，预设的先验框尺寸包括192
×
192、128
×
128和32
×
32。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化可见光活体检测方法，其特征在于，包括如下步骤：S1、获取待处理的可见光原始图像；S2、利用预先构建好的可见光活体检测模型，从待处理的可见光原始图像中识别出人脸目标，并确定所述人脸目标为活体或非活体；其中，所述可见光活体检测模型的构建过程如下：SS1、构建深度神经网络，所述深度神经网络用于获取历史可见光原始图像，并提取该历史可见光原始图像中的目标特征，生成目标特征矩阵，所述目标特征中包括绿光强度特征，所述绿光强度特征为血液流过皮肤时绿光方向的强度分布特征；SS2、构建第一全连接网络，所述第一全连接网络用于接收目标特征矩阵，并识别出目标特征矩阵中人脸目标的位置和大小；SS3、基于所述人脸目标的位置和大小提取目标特征矩阵中的人脸特征矩阵，并对所述人脸特征矩阵进行全局最大化处理，全局最大化处理后得到活体判别特征向量；SS4、构建第二全连接网络，所述第二全连接网络用于接收所述活体判别特征向量，并根据活体判别特征向量确定当前人脸目标为活体或非活体；SS5、利用训练样本对所述深度神经网络、所述第一全连接网络和第二全连接网络进行训练，且在对所述深度神经网络进行训练时引入辅助监督网络，并以损失函数作为训练的约束，训练完成后得到深度神经网络、第一全连接网络、第二全连接网络和辅助监督网络的网络参数，然后基于深度神经网络、第一全连接网络和第二全连接网络的所述网络参数生成可见光活体检测模型；其中，所述辅助监督网络用于深度神经网络提取绿光强度特征时的辅助监督。2.根据权利要求1所述的一种轻量化可见光活体检测方法，其特征在于，所述SS2中，基于非极大值抑制算法识别出目标特征矩阵中人脸目标的位置。3.根据权利要求1所述的一种轻量化可见光活体检测方法，其特征在于，所述SS3具体包括如下子步骤：SS31、基于所述人脸目标的位置和大小提取目标特征矩阵中的人脸特征矩阵F
H
×
F
W
×
N；SS32、分别对N个F
H
×
F
W
×
1矩阵求取最大值，根据得到的N个最大值生成活体判别特征向量。4.根据权利要求1所述的一种轻量化可见光活体检测方法，其特征在于，所述SS4中，根据活体判别特征向量确定当前人脸目标为活体或非活体，具体包括如下子步骤：SS41、第二全连接网络对获取的活体判别特征向量进行分类，并输出当前人脸目标为活体的概率和当前人脸目标为非活体的概率；SS42、若当前人脸目标为活体的概率大于当前人脸目标为非活体的概率，则确定当前人脸目标为活体；若当前人脸目标为活体的概率小于当前人脸目标为非活体的概率，则确定当前人脸目标为非活体。5.根据权利要求1所述的一种轻量化可见光活体检测方法，其特征在于，所述辅助监督网络包括监督学习网络和第一谱特征提取网络；所述第一谱特征提取网络用于根据人脸目标的位置和大小从历史可见光原始图像中截取出人脸图像，并对所述人脸图像进行绿光强度分量的提取，然后基于傅里叶变换生成
所述人脸图像的绿光分量空间谱特征；所述监督学习网络用于接收所述目标特征矩阵，并基于人脸目标的位置和大小提取目标特征矩阵中的单一人脸特征矩阵，然后进行学习监督，学习监督后使得该单一人脸特征矩阵中的绿光强度特征趋近所述绿光分量空间谱特征。6.根据权利要求5所述的一种轻量化可见光活体检测方法，其特征在于，所述可见光原始图像为RGB三通道图像；对所述人脸图像进行绿光强度...

【专利技术属性】
技术研发人员：蒙顺开，瞿锐恒，李叶雨，
申请(专利权)人：海豚乐智科技成都有限责任公司，
类型：发明
国别省市：