一种基于RGB_D特征的人脸活体检测方法及检测系统技术方案

本发明专利技术涉及人脸活体检测技术的改进，具体涉及一种基于RGB_D特征的人脸活体检测方法及检测系统，可有效解决传统人脸检测中存在的总计算量大、总耗时长，特征信息提取不足，准确率不高以及容易被欺骗等问题，包括以下步骤：步骤1、Mtcnn人脸检测模型的搭建及训练；步骤2、改进MobileneV1真假人脸识别模型的搭建及训练；步骤3、基于RGB_D特征的在线人脸活体检测方法；为人脸信息的更快速、更准确地检测与识别提供了一定的理论依据。别提供了一定的理论依据。别提供了一定的理论依据。

【技术实现步骤摘要】
一种基于RGB_D特征的人脸活体检测方法及检测系统


[0001]本专利技术涉及人脸活体检测技术的改进，具体涉及一种基于RGB_D特征的人脸活体检测方法及检测系统。

技术介绍

[0002]目前，人脸识别技术作为一项生物识别技术，凭借其非强制性和非接触性的优点在世界范围内得到了普及和发展。伴随技术水平的不断提升，人脸识别技术日益成熟，其应用领域也将愈加广泛，但随之而来的是其难以忽视的安全隐患。人脸识别在具备高便利性的同时，也较容易受到欺骗攻击。因此，检测到真实人脸再进行后续工作可增加系统的安全性，对人脸检测系统落地应用而言是至关重要的环节。
[0003]目前基于3D摄像头的人脸识别活体检测算法是设计多个网络分别输入3D摄像头采集的各类数据，根据多个网络是否能同时满足得出是否活体的判断，如专利号CN201711210041.3公开的一种基于近红外与可见光双目摄像头的活体人脸检测方法。再或者先进行人脸检测，再利用其中深度数据做软件算法方案来判断活体，如专利号CN201710055058.X公开的一种双目视觉深度特征与表观特征相结合的人脸活体检测方法。
[0004]但现有方案一方面是总计算量大、总耗时长，另一方面，因特征信息提取不足，存在准确率不高、容易被欺骗等问题，给移动支付、交通安全和门禁考勤等场合带来身份认证的安全隐患。

技术实现思路

[0005]本专利技术要解决的技术问题克服现有的缺陷，提供一种基于RGB_D特征的人脸活体检测方法及检测系统，可有效解决传统人脸检测中存在的总计算量大、总耗时长，特征信息提取不足，准确率不高以及容易被欺骗等问题。
[0006]为了解决上述技术问题，本专利技术提供了如下的技术方案：一种基于RGB_D特征的人脸活体检测方法，包括以下步骤：
[0007]步骤1、Mtcnn人脸检测模型的搭建及训练；
[0008]步骤1.1、Mtcnn人脸检测模型的搭建具体包括：
[0009]首先使用全卷积网络P
‑
Net生成大量候选窗和边框回归向量，通过边框回归的方法来校正候选窗，非极大值抑制合并重叠的候选框；再使用R
‑
Net改善候选窗，将通过P
‑
Net的候选窗输入R
‑
Net中，继续使用边框回归和非极大值抑制精修窗口，最后使用O
‑
Net输出最终的人脸框和特征点位置；
[0010]步骤1.2、人脸检测模型的训练具体包括：
[0011]首先通过CelebA数据集制作样本对算法进行训练，采用PReLU作为激活函数，PReLU的函数表达式如下：
[0012]PReLU(x)＝max(ax,x)
ꢀꢀꢀ
(0.5)
[0013]其中，x为输入值，a为斜率；当x为正时，激活函数输出值等于输入值；而当输入值
处于负数区域内，斜率a的数值较小，取0到1；
[0014]采用BCELoss作为损失函数，对P
‑
Net，R
‑
Net和O
‑
Net进行并行训练；其中，PNet训练停止损失值为0.01，RNet训练停止损失值为0.001，ONet训练停止损失值为0.0005；
[0015]BCELoss的函数表达式为：
[0016][0017]其中L为模型输出的矩阵，x为矩阵中的值，y为x对应的标签；l
n
为矩阵中的第n行的值，y
n
为n行中第n个标签，x
n
为n行中计算的值；
[0018]步骤2、改进MobileneV1真假人脸识别模型的搭建及训练；
[0019]步骤2.1、改进MobileneV1模型的搭建；
[0020]步骤2.2、真假人脸识别模型的训练具体包括：
[0021]采用活体人脸检测数据集CASIA
‑
SURF中的RGB图像和深度图像导入算法框架中进行训练；在训练时，首先按照1比9的比例划分测试集与训练集；
[0022]由于是相对简单的二分类问题，所以在激活层前插入Batch Normalization网络层进行训练，将训练数据分为m个mini
‑
bach，加速训练的同时可以有效地防止数据的过拟合；Batch Normalization网络层的前向传导过程公式为：
[0023][0024]其中x
i
为输入，y
i
为输出，m为mini
‑
bach的大小，此处的Bach大小为30；μ
B
表示每个mini
‑
bach中x的均值，σ
2B
表示标准差，表示归一化后的输入，γ和β为两个可学习的重构参数；
[0025]每个迭代训练结束后通过测试集测试算法的精确率和召回率，其计算公式如下：
[0026][0027]上式中，TP表示正确预测正样本，FP表示错误预测正样本，TN表示正确预测负样本，FN表示错误预测负样本；精确率又称查准率，是真实人脸占所有预测为真人脸的比例；召回率又称查全率，是真实人脸占所有实际为真人脸的比例；
[0028]步骤3、基于RGB_D特征的在线人脸活体检测方法具体包括：
[0029]步骤3.1、通过双目摄像头获取待处理的RGB和深度图像：
[0030]采用具有RGB
‑
D功能的双目相机，通过opencv库同时获取RGB图像和深度图像，并对其进行旋转和尺寸变换，获取的视频最大帧率可达到30FPS；
[0031]步骤3.2、将图像输入Mtcnn模型检测人脸
[0032]利用离线训练好的Mtcnn模型对RGB图像进行人脸检测，得到当前帧的人脸数和其对应的位置的坐标；
[0033]步骤3.3、对检测到的人脸进行编码并用Bounding Box框出人脸
[0034]对当前帧的每张人脸进行编码，并根据步骤3.2中生成的坐标画出Bounding Box将人脸分别框出并显示；
[0035]步骤3.4、利用人脸关键点进行人脸对齐并截取人脸目标区域；
[0036]利用步骤3.2中检测到人脸生成的人脸关键点定位当前图像中人脸轮廓的具体位置，截取RGB图像和对应深度图像中精确的人脸区域；
[0037]步骤3.5、通过改进的MobilenetV1模型判断人脸是否真实人脸；
[0038]将步骤3.4中截取的人脸区域的RGB图像和深度图像送入训练好的双通道MobileneV1模型，最终判断是否为真实人脸，并在当前图像中输出判断结果。
[0039]作为优选，所述步骤2.1中改进MobileneV1模型的搭建具体采用MobileNetV1作为主干网络，并在其基础上进行了部分改进，首先将主干部分从单通道改进为双通道，对RGB图和深度图进行训练，充分融合了色彩和深度特征，再将bottleneck部分进行特征提取，构造改进的金字塔结构。对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RGB_D特征的人脸活体检测方法，其特征在于：包括以下步骤：步骤1、Mtcnn人脸检测模型的搭建及训练；步骤1.1、Mtcnn人脸检测模型的搭建具体包括：首先使用全卷积网络P
‑
Net生成大量候选窗和边框回归向量，通过边框回归的方法来校正候选窗，非极大值抑制合并重叠的候选框；再使用R
‑
Net改善候选窗，将通过P
‑
Net的候选窗输入R
‑
Net中，继续使用边框回归和非极大值抑制精修窗口，最后使用O
‑
Net输出最终的人脸框和特征点位置；步骤1.2、人脸检测模型的训练具体包括：首先通过CelebA数据集制作样本对算法进行训练，采用PReLU作为激活函数，PReLU的函数表达式如下：PReLU(x)＝max(ax,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0.1)其中，x为输入值，a为斜率；当x为正时，激活函数输出值等于输入值；而当输入值处于负数区域内，斜率a的数值较小，取0到1；采用BCELoss作为损失函数，对P
‑
Net，R
‑
Net和O
‑
Net进行并行训练；其中，PNet训练停止损失值为0.01，RNet训练停止损失值为0.001，ONet训练停止损失值为0.0005；BCELoss的函数表达式为：其中L为模型输出的矩阵，x为矩阵中的值，y为x对应的标签；l
n
为矩阵中的第n行的值，y
n
为n行中第n个标签，x
n
为n行中计算的值；步骤2、改进MobileneV1真假人脸识别模型的搭建及训练；步骤2.1、改进MobileneV1模型的搭建；步骤2.2、真假人脸识别模型的训练具体包括：采用活体人脸检测数据集CASIA
‑
SURF中的RGB图像和深度图像导入算法框架中进行训练；在训练时，首先按照1比9的比例划分测试集与训练集；由于是相对简单的二分类问题，所以在激活层前插入Batch Normalization网络层进行训练，将训练数据分为m个mini
‑
bach，加速训练的同时可以有效地防止数据的过拟合；Batch Normalization网络层的前向传导过程公式为：
其中x
i
为输入，y
i
为输出，m为mini
‑
bach的大小，此处的Bach大小为30；μ
B
表示每个mini
‑
bach中x的均值，σ
2B
表示标准差，表示归一化后的输入，γ和β为两个可学习的重构参数；每个迭代训练结束后通过测试集测试算法...

【专利技术属性】
技术研发人员：巢渊，刘文汇，马成霞，徐魏，王雅倩，刘凯磊，丁力，
申请(专利权)人：江苏省中以产业技术研究院，
类型：发明
国别省市：