基于多粒度的可增量深宽网络活体检测方法技术

本发明专利技术提供了一种基于多粒度的可增量深宽网络活体检测方法

【技术实现步骤摘要】
基于多粒度的可增量深宽网络活体检测方法、介质及设备


[0001]本专利技术涉及活体检测
，更具体地说，涉及一种基于多粒度的可增量深宽网络活体检测方法
、
介质及设备
。

技术介绍

[0002]活体检测技术主要分为基于手工设计特征的方法和基于深度学习的方法
。
人工设计的特征针对图像采集时的信息损失和噪声引入，对比图像的纹理差异，如局部高光
、
阴影变化
、
模糊程度和高频分量信息损失等实现识别目的
。
随着高清摄像机和高清
3D
面具的应用，其不足之处日益凸显
。
基于运动信息的检测方法是常见识别率较高的人脸认证技术，但它需要认证人员的高度配合，检测过程不友好，且耗时较长
。
这类方法虽识别率较高，但严重依赖于特征表达
(
需要解决细节损失
、
颜色失真
、
阴影模糊和图像高光等问题
)
和硬件支持，在视频回放
、3D
面具等逼真的伪信息下，鲁棒性和泛化能力有限
。
[0003]相较于基于手工设计特征的方法，基于深度学习的活体检测方式适用于各种欺骗手段
。
如针对照片和视频攻击的双流
CNN
的人脸反欺骗方法；反
3D
面具欺骗方法；使用
Inception
和
ResNet
架构在不同的环境下的人脸欺骗检测等
。
然而该类方法成本高
、
体量大，轻量化部署难度高，不能满足在线实时处理需求
。
[0004]宽度学习作为一种单隐层神经网络，保留高度非线性逼近能力的同时，能在短时间内实现较高识别率
。
若能将宽度学习网络应用于活体检测领域，则可克服深度学习资源消耗高，训练时间长等缺点，满足工业中轻量化部署的需求
。
同时，考虑到随着攻击手段更新，神经网络模型也需要不断学习，因此，如何加快新样本学习，对活体检测技术也十分重要
。

技术实现思路

[0005]为克服现有技术中的缺点与不足，本专利技术的目的在于提供一种基于多粒度的可增量深宽网络活体检测方法
、
介质及设备；该方法可解决学习时间消耗和资源占用问题，检测精度高，鲁棒性强
。
[0006]为了达到上述目的，本专利技术通过下述技术方案予以实现：一种基于多粒度的可增量深宽网络活体检测方法，将待检测的图像依次进行人脸区域提取
、
人脸对齐
、
人脸特征向量提取处理，得到人脸区域和
C2维人脸特征；之后将包括人脸特征和人脸区域的多粒度信息融合，并输入到稀疏宽度活体识别网络，得到活体检测结果；
[0007]稀疏宽度活体识别网络是指经过训练的稀疏宽度活体识别网络；稀疏宽度活体识别网络的训练方法，包括如下步骤：
[0008]步骤
Y1、
获取当前的样本图像；根据样本图像对应的标签和机器容纳能力，将样本图像分成若干批次；
[0009]步骤
Y2、
将各个样本图像分别进行人脸区域提取
、
人脸对齐
、
人脸特征向量提取处理，得到各个样本图像的
C2维人脸特征和人脸区域；对于各个批次，将批次对应样本图像的
包括人脸特征和人脸区域的多粒度信息进行融合，得到数据
B
a
；
[0010]步骤
Y3、
对各个批次数据
B
a
依次进行学习：
[0011]步骤
Y31、
对于第1批次输入的数据
B1，计算映射特征节点和增强特征节点合并映射特征节点和增强特征节点形成人脸活体识别特征层并连接到稀疏宽度活体识别网络的输出层
Y
；
[0012]计算人脸活体识别特征层和输出层
Y
的连接权重
[0013][0014]通过优化问题求解稀疏宽度学习的连接权重
[0015][0016]步骤
Y32、
对于第
a(a≥2)
批次输入的数据
B
a
，计算增量映射特征节点和增强特征节点形成新的人脸活体识别特征层为：
[0017][0018]输出层权重由如下公式更新：
[0019][0020][0021][0022][0023]其中，为数据
B
a
对应的标签；
[0024]当获取到新的样本图像时，根据新的样本图像对应的标签和机器容纳能力，将新的样本图像分成若干批次；之后执行步骤
Y2
和步骤
Y32
；
[0025]所述稀疏宽度活体识别网络的输出
Y
为：
[0026][0027]在稀疏宽度活体识别网络中，由于稀疏宽度学习输入的是人脸特征和脸部区域形成的高维数据，直接使用一次性样本内存和计算的压力较大，因此宽度活体识别网路采用增量学习的方式进行训练；这样既能缓解计算压力，又能在动态环境中不断更新数据和模型
。
[0028]此外，由于在实际场景中，随着新的攻击手段更新，会有新的样本图像；如果新的样本图像
(
包括原始攻击手段和新攻击手段
)
到来时，如果需要重新训练稀疏宽度活体识别网络，无疑会重复相同的工作并浪费大量的计算资源
。
本专利技术中的增量学习设计致力于解决这一尴尬问题
。
对于新的样本图像，直接使用相同的过程来提取人脸的多粒度信息；采用与以上
a(a≥2)
批次计算过程，执行增量学习更新
。
[0029]优选地，在稀疏宽度活体识别网络的训练方法中，对于第
a(a≥1)
批次输入的数据
B
a
，计算增量映射特征节点和增强特征节点是指：
[0030][0031][0032]其中，为随机线性映射函数；
ζ
为一个非线性激活函数；连接权重
W
ei
和
β
ei
(e
＝
1,2,
…
,n)
，以及连接权重
W
hj
和
β
hj
(j
＝
1,2,
…
,m)
是随机产生
。
[0033]优选地，所述将待检测的图像依次进行人脸区域提取
、
人脸对齐
、
人脸特征向量提取处理，得到人脸区域和
C2维人脸特征；之后将包括
C2维人脸特征和人脸区域的多粒度信息融合，并输入到稀疏宽度活体识别网络，得到活体检测结果，是指：包括如下步骤：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多粒度的可增量深宽网络活体检测方法，其特征在于：将待检测的图像依次进行人脸区域提取
、
人脸对齐
、
人脸特征向量提取处理，得到人脸区域和
C2维人脸特征；之后将包括人脸特征和人脸区域的多粒度信息融合，并输入到稀疏宽度活体识别网络，得到活体检测结果；稀疏宽度活体识别网络是指经过训练的稀疏宽度活体识别网络；稀疏宽度活体识别网络的训练方法，包括如下步骤：步骤
Y1、
获取当前的样本图像；根据样本图像对应的标签和机器容纳能力，将样本图像分成若干批次；步骤
Y2、
将各个样本图像分别进行人脸区域提取
、
人脸对齐
、
人脸特征向量提取处理，得到各个样本图像的
C2维人脸特征和人脸区域；对于各个批次，将批次对应样本图像的包括人脸特征和人脸区域的多粒度信息进行融合，得到数据
B
a
；步骤
Y3、
对各个批次数据
B
a
依次进行学习：步骤
Y31、
对于第1批次输入的数据
B1，计算映射特征节点和增强特征节点合并映射特征节点和增强特征节点形成人脸活体识别特征层并连接到稀疏宽度活体识别网络的输出层
Y
；计算人脸活体识别特征层和输出层
Y
的连接权重的连接权重通过优化问题求解稀疏宽度学习的连接权重通过优化问题求解稀疏宽度学习的连接权重步骤
Y32、
对于第
a
批次输入的数据
B
a
，
a≥2
，计算增量映射特征节点和增强特征节点形成新的人脸活体识别特征层为：输出层权重由如下公式更新：由如下公式更新：由如下公式更新：由如下公式更新：其中，为数据
B
a
对应的标签；当获取到新的样本图像时，根据新的样本图像对应的标签和机器容纳能力，将新的样本图像分成若干批次；之后执行步骤
Y2
和步骤
Y32
；
所述稀疏宽度活体识别网络的输出
Y
为：
2.
根据权利要求1所述的基于多粒度的可增量深宽网络活体检测方法，其特征在于：在稀疏宽度活体识别网络的训练方法中，对于第
a
批次输入的数据
B
a
，
a≥1
，计算增量映射特征节点和增强特征节点是指：是指：其中，为随机线性映射函数；
ζ
为一个非线性激活函数；连接权重
W
ei
和
β
ei
(e
＝
1,2,
…
,n)
，以及连接权重
W
hj
和
β
hj
(j
＝
1,2,
…
,m)
是随机产生
。3.
根据权利要求1所述的基于多粒度的可增量深宽网络活体检测方法，其特征在于：所述将待检测的图像依次进行人脸区域提取
、
人脸对齐
、
人脸特征向量提取处理，得到人脸区域和
C2维人脸特征；之后将包括
C2维人脸特征和人脸区域的多粒度信息融合，并输入到稀疏宽度活体识别网络，得到活体检测结果，是指：包括如下步骤：步骤
S1、
将待检测的图像输入到人脸区域提取模型；人脸区域提取模型对图像中的人脸进行检测，得到人脸区域的坐标信息；步骤
S2、
对人脸区域，通过关键点估计方法找到
C1个初步的人脸关键点；通过级联姿势回归算法使各个人脸关键点对齐，从而将人脸区域中的脸部调整为设定的正脸姿态和大小，得到调整后的人脸图像；步骤
S3、
使用人脸表征提取模块对人脸图像进行
C2维人脸特征向量提取；步骤
S4、
将包括人脸特征和人脸区域的多粒度信息融合，并输入到稀疏宽度活体识别网络；根据稀疏宽度活体识别网络的输出，得到活体检测结果
。4.
根据权利要求3所述的基于多粒度的可增量深宽网络活体检测方法，其特征在于：所述步骤
S1
中，人脸区域提取模型包括
P

【专利技术属性】
技术研发人员：张通，郭继凤，陈业林，陈俊龙，
申请(专利权)人：人工智能与数字经济广东省实验室广州，
类型：发明
国别省市：