System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像识别,具体地涉及一种人脸活体检测方法及一种人脸活体检测系统。
技术介绍
1、近年来,随着人脸识别技术的发展,人脸活体检测成为了人脸识别的重要保障。欺诈人脸和真实人脸的差异集中在人脸关键区域(眼睛、鼻子、嘴巴)的局部细节,欺诈人脸无法复制真实人脸的局部纹理特征,因此也成为真假人脸判别的重要依据。目前主流的人脸活体检测方法分为两类,即基于手工特征提取的方法和基于深度学习的方法。基于手工特征提取的方法,依据人脸图像的颜色、纹理、材质、图像质量、运动变化等差异手动设计特征算子。但随着欺诈人脸图像质量逐渐提升,特征算子的提取性能明显不足,造成此类方法的性能下降。基于深度学习的方法,最初采用卷积神经网络模型提取人脸特征并做出判断,在大部分公开数据集测试中取得优异的效果,但由于卷积神经网络有限的感受野使得模型忽略了人脸全局信息,影响模型性能,因此transformer模型被引入人脸活体检测领域。transformer模型具备优异的全局信息提取能力,在人脸活体检测领域表现出一定的竞争力,但由于其局部信息提取能力不足,无法捕捉真假人脸的局部细微差异。在实际应用中,面对未知类型的欺诈攻击,基于卷积神经网络和transformer的方法由于各自的不足,无法提取真假人脸的固有差异,导致其检测精度较低和泛化性能较差的问题。基于此种状况,目前急需一种方法将人脸图像全局信息和局部信息有效结合,面对未知攻击可以充分利用人脸不同尺度的信息来提高检测精度与泛化能力。
技术实现思路
1、本专利技术实施
2、为了实现上述目的,本专利技术第一方面提供一种人脸活体检测方法,所述方法包括:采集包含人脸信息的视频图像信息,并基于所述视频图像信息获得帧图像信息;在所述帧图像信息中,进行人脸图像截取,并基于人脸图像构建数据集;基于预训练的人脸活体识别模型对所述数据集进行训练,获得识别结果;其中,所述人脸活体识别模型基于改进的swintransformer模型训练获得;基于所述识别结果,进行当前人脸是否为活体判断,并输出判断结果。
3、可选的,所述基于所述视频图像信息获得帧图像信息,包括:在视频图像中识别出存在人脸信息的视频区段;在所述视频区段中,基于预设时间周期,进行视频图像抽帧处理,获得多个帧图像信息。
4、可选的,所述在所述帧图像信息中,进行人脸图像截取,包括:基于mtcnn算法对在帧图像信息中进行人脸检测;基于检测结果,按照预设截取框尺寸进行人脸区域截取,获得截取后的人脸图像。
5、可选的,所述基于人脸图像构建数据集,包括:分别对各帧图像信息进行人脸图像截取,获得多个人脸图像;基于多个人脸图像构成数据集。
6、可选的,所述方法还包括:进行人脸活体识别模型训练,包括:采集包含人脸标注状态的历史图像信息,构建基础数据集;对所述基础数据集进行图像预处理,获得包括训练集和测试集的训练样本;基于所述训练集,在预构建的swin transformer模型中进行模型训练,获得初始模型;基于所述测试集对所述初始模型进行测试修正,获得人脸活体识别模型。
7、可选的,所述方法还包括:进行swin transformer模型构建,包括:在swintransformer模块前构建中心差分卷积模块,获得主干模型;在所述主干模型上引入瓶颈注意力模块,获得感知模型;在所述感知模型的输出侧构建对应的自适应特征融合模块,获得swin transformer模型。
8、可选的,所述中心差分卷积模块的执行规则为:
9、
10、其中,x,y分别为中心差分卷积的输入与输出特征图;表示输入特征图的当前位置;为中心区域r中的位置;为卷积核;为超参数。
11、可选的,所述自适应特征融合模块的执行规则包括:将模型不同阶段输出的特征信息进行全局平均池化;基于全局平均池化后的多个不同尺度的特征信息融合为一个特征信息化,具体规则为:
12、
13、
14、其中,,,,为各不同尺度的特征信息;为融合后的特征信息;、、、分别代表特征信息对应的权重;,为初始化权重系数。
15、本专利技术第二方面提供一种人脸活体检测系统,所述系统包括:采集单元,用于采集包含人脸信息的视频图像信息,并基于所述视频图像信息获得帧图像信息;截取单元,用于在所述帧图像信息中,进行人脸图像截取,并基于人脸图像构建数据集;训练单元,用于基于预训练的人脸活体识别模型对所述数据集进行训练,获得识别结果;其中,所述人脸活体识别模型基于改进的swin transformer模型训练获得;输出单元,用于基于所述识别结果,进行当前人脸是否为活体判断,并输出判断结果。
16、另一方面,本专利技术提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的人脸活体检测方法。
17、通过上述技术方案,本专利技术方案将中心差分卷积模块与swin transformer模型相结合,利用中心差分卷积模块提取人脸局部信息,再利用swin transformer模型提取人脸全局信息,同时引入瓶颈注意力模块增强所提人脸关键信息,去除冗余,最终利用自适应特征融合模块将主干模型不同阶段的信息融合,可有效的提升模型面对未知攻击的检测精度与泛化能力。
18、本专利技术实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种人脸活体检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述视频图像信息获得帧图像信息,包括:
3.根据权利要求1所述的方法,其特征在于,所述在所述帧图像信息中,进行人脸图像截取,包括:
4.根据权利要求2所述的方法,其特征在于,所述基于人脸图像构建数据集,包括:
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
7.根据权利要求1所述的方法,其特征在于,所述中心差分卷积模块的执行规则为:
8.根据权利要求1所述的方法,其特征在于,所述自适应特征融合模块的执行规则包括:
9.一种人脸活体检测系统,其特征在于,所述系统包括:
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行权利要求1-8中任一项权利要求所述的人脸活体检测方法。
【技术特征摘要】
1.一种人脸活体检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述视频图像信息获得帧图像信息,包括:
3.根据权利要求1所述的方法,其特征在于,所述在所述帧图像信息中,进行人脸图像截取,包括:
4.根据权利要求2所述的方法,其特征在于,所述基于人脸图像构建数据集,包括:
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的方...
【专利技术属性】
技术研发人员:张婷,王旭光,张秋生,王富强,卜辰宇,王文彬,董泽,李京,
申请(专利权)人:国家能源集团新能源技术研究院有限公司,
类型:发明
国别省市:
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。