【技术实现步骤摘要】
本专利技术涉及人脸识别，特别涉及一种非交互的人脸活体检测及人脸验证方法和系统。
技术介绍
1、人脸检测技术可以应用于安全领域、身份认证、门禁系统、视频监控等多个领域，提供便捷、高效的身份识别功能，同时，人脸活体检测技术可以防止使用照片、视频等欺骗手段进行身份验证，提高身份验证的安全性，然而，目前常用的活体检测技术主要依赖于交互方式，即用户需要根据提示完成相应的动作以判断是否为活体，这种模式操作复杂，且易被预先录制的视频欺骗，同时，仅对待检测对象进行人脸活体检测，易被身份无关人员干扰和欺骗，无法完成对待检测对象的身份确定，需要对待检测对象进行额外的人脸对比验证从而验证其身份，故此，就需要一种非交互的人脸活体检测及人脸验证方法和系统。
2、该一种非交互的人脸活体检测及人脸验证方法和系统，借助基于卷积神经网络的人脸活体检测模型，无需用户交互，通过神经网络的输出特征图以及网络的辅助分类器进行综合判别待检测对象是否为真人，即可得到高准确率的活体检测结果，同时本专利技术基于返回的活体检测人脸结果图像，与该用户提前存储的(例如上传用户相关信息时)能够判断用户身份的照片(例如身份证照片)进行人脸验证对比，即判断用户为真人且为本人，从而实现更安全的人脸检测和认证，具有较高的安全性和稳定性。
3、本
技术实现思路
4、本专利技术提供了一种非交互的人脸活体检测及人脸验证方法和系统，旨在利用深度学习方法进行高准确率的非交互式人脸活体检测和人脸验证，提高系统的安全性。
5、本专利技术提出的一种非交互的人脸活体
6、步骤101：收集、制作人脸活体检测和人脸验证数据集，从互联网中搜集、申请人脸活体检测和人脸验证的公开数据集。然后对数据集进行数据处理，使之能够被模型训练。
7、步骤102：提取视频流或照片中待检测对象的人脸，进行人脸活体检测，使用人脸检测模型检测并提取视频帧或照片中的人脸，然后将人脸图像输入神经网络模型，得到分类器结果与模型特征图输出，通过分类器结果与特征图综合判定人脸是否为活体。
8、步骤103：活体检测头像与待检测对象身份人脸对比，验证是否为本人，当人脸活体检测通过后，与提前存储的能够判断用户身份的照片进行认证，将活体检测头像和用户信息头像输入神经网络模型，得到活体检测头像和用户信息头像的匹配验证结果，即完成最终的真人且本人验证。
9、本专利技术的有益效果是：该一种非交互的人脸活体检测及人脸验证方法和系统，可以以非交互的方式完成对用户的活体检测及人脸对比认证，提高了对欺骗攻击的抵抗力，其优点如下：
10、(1)本专利技术提出的一种新的非交互的人脸活体检测和人脸对比方法和系统，该待检测对象无需与检测系统进行交互，简化了人脸活体检测的使用流程。
11、(2)本专利技术提出的一种新的非交互的人脸活体检测和人脸对比方法和系统，神经网络模型中的不同特征多次融合，特征语义更加丰富；此外，活体检测通过模型输出的特征图和其分类器进行协同判断，与仅使用分类器进行二分类的方法相比，融合了多种信息，提高了检测结果的准确性和稳定性。
12、(3)本专利技术提出的一种新的非交互的人脸活体检测和人脸对比方法和系统，除人脸活体检测任务以外，神经网络模型也支持人脸验证任务而无需修改网络结构，即可以完成是真人也是本人的人脸认证，实现更安全、全面的人脸识别任务，提供更完善的系统功能。
技术实现思路
本文档来自技高网...【技术保护点】
1.一种非交互的人脸活体检测及人脸验证方法和系统，包括以下步骤：
2.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统，其特征在于：所述步骤101中可以搜集或申请公开的人脸检测数据集和人脸验证数据集，例如：SiW、OCELEB-SPOOF、Casia、Oulu等人脸活体检测数据集和IMDB-WIKI、WiderFace、CelebA等人脸验证数据集。
3.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统，其特征在于：所述步骤102包括人脸提取、骨干网络、特征融合与特征向量表征和的根据分类器和特征进行活体检测判断。
4.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统。其特征在于：所述步骤102中可以对一段视频流进行活体检测，亦可活体检测一张图片，其中解码器部分可以近似看作编码器的逆过程，其结构也与编码器类似，由残差单元组成。
5.根据权利2所述的一种非交互的人脸活体检测及人脸验证方法和系统。其特征在于：所述步骤102中提出了一种特征融合与向量表征模块，其中特征融合向量表征模块的输入是解
6.根据权利2所述的一种非交互的人脸活体检测及人脸验证方法和系统。其特征在于：所述在步骤102中根据分类器和特征进行活体检测判断；
7.根据权利6所述的一种非交互的人脸活体检测及人脸验证方法和系统。其特征在于：该分类器可以为各种经典的分类神经网络，本专利技术中使用的分类器为相对轻量化的resnet18。训练时，针对分类器的损失为交叉熵损失函数，
8.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统。其特征在于：所述步骤103会附加使用ArcFace Loss损失函数，其表达公式如下：
...【技术特征摘要】
1.一种非交互的人脸活体检测及人脸验证方法和系统，包括以下步骤：
2.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统，其特征在于：所述步骤101中可以搜集或申请公开的人脸检测数据集和人脸验证数据集，例如：siw、oceleb-spoof、casia、oulu等人脸活体检测数据集和imdb-wiki、widerface、celeba等人脸验证数据集。
3.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统，其特征在于：所述步骤102包括人脸提取、骨干网络、特征融合与特征向量表征和的根据分类器和特征进行活体检测判断。
4.根据权利要求1所述的一种非交互的人脸活体检测及人脸验证方法和系统。其特征在于：所述步骤102中可以对一段视频流进行活体检测，亦可活体检测一张图片，其中解码器部分可以近似看作编码器的逆过...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。