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】
本专利技术属于人脸活体检测,具体涉及一种静默式人脸活体检测方法。
技术介绍
1、在过去的十年里,人脸检测技术和人脸识别技术受到了极大的关注,主要是由于其准确性、可用性和非接触式获取等特点导致它们在众多领域中无处不在,从监控和生物识别到人机交互和安全防护,日常应用包括手机解锁、访问控制系统和支付服务等。虽然人们对用于访问控制的人脸识别技术越来越感兴趣,但人脸识别技术对演示攻击(presentationattacks)的脆弱性限制了其可靠部署。演示攻击是“假脸”,是通过使用各种不同的材料构建的攻击人脸,例如3d打印面具、打印纸或来自数字设备的视频回放攻击,其目的是使攻击者能够冒充合法用户的身份,或者混淆攻击者的身份骗取人脸识别系统的信任,绕过人脸识别系统。由于与欺骗系统相关的用户隐私问题,检测演示攻击的需求变得越来越紧迫。为了可靠地使用人脸识别系统,系统拥有检测此类演示攻击的方法非常重要,因此人脸活体检测技术应运而生。
2、第一种方法是基于人机交互的方法,人脸识别系统中的合法用户是具有生命力的,可以按照系统发出的指令做出相应的面部动作,而假体人脸却无法做到这点。基于此特点,有研究者提出基于人机交互的方法,主要利用人脸的运动信息进行人脸活体检测。系统通过指令与待测者进行交互,通过判断待测者是否准确地完成了规定的动作来分辨所采集的人脸是否为活体人脸。常见的动作指令有眨眼、转头、张嘴等。但此类方法由于过程繁琐,需要用户的主动配合来完成检测过程,用户体验不佳,不具备人脸识别系统方便快捷的优点。
3、第二种方法是基于手
4、第三种方法是基于深度学习的方法,随着深度学习的不断发展,越来越多的研究者利用深度学习的方法处理一些计算机视觉领域的任务并取得了较好的效果,其中也包括人脸活体检测。得益于深度学习技术和卷积神经网络架构的发展以及最近发布的大规模人脸活体检测应用数据集,基于端到端深度学习的方法开始崭露头角,并在人脸活体检测领域占据主导地位。常见的深度学习框架通常包括使用二元交叉熵损失的直接监督方法和使用辅助信息或生成模型的像素级监督方法。
5、现有的端到端深度学习方法也存在着一些缺陷,首先,基于卷积神经网络的活体检测方法依赖于卷积神经网络的特性,依靠人脸图像语义特征作为活体检测线索,但是图像的深度语义特征描述真假人脸之间固有信息的能力较弱,而且在环境变化时容易失效,如环境光照的变化。因此如何使神经网络学习到更加鲁棒的特征表示值得探索。第二,由于活体检测数据集中所包含数据较少,难以满足卷积神经网络用大量数据进行训练的要求,易造成网络过拟合现象。如何在现有数据样本基础上进行数据扩充以获得更多样本,提取更有效的特征是亟需解决的问题。第三,大多数现存的人脸活体检测算法大都需要多帧图像作为输入来提取动态时空特征,但是过长的视频序列输入并不符合现实生活中快速检测的要求,也不符合人脸认证技术快速准确的特点。
技术实现思路
1、针对现有技术的不足,本专利技术设计一种静默式人脸活体检测方法,使用中心差分卷积替代普通卷积设计深度神经网络,并从人脸图像的rgb、hsv、ycrcb三种颜色空间提取活体检测线索对人脸图像进行分类,大幅提高人脸活体检测模型的鲁棒性和有效性。
2、一种静默式人脸活体检测方法,具体包括以下步骤:
3、步骤1:获取人脸图像数据集,对其进行预处理,获取在hsv和ycbcr颜色空间下的人脸图像;
4、获取人脸图像训练数据集,利用人脸检测算法mtcnn进行人脸检测与对齐,并裁剪出图像中的人脸区域,减少背景对活体检测任务的影响,保留只含人脸的rgb图像,并将其转换得到hsv颜色空间下的人脸图像;其中r、g、b分别是rgb图像每个像素的三个通道值;具体为:
5、计算h分量如下式所示:
6、
7、
8、计算s分量如下式所示:
9、
10、计算v分量如下式所示:
11、
12、同理按照下式得到ycbcr颜色空间下的人脸图像:
13、
14、步骤2:分别对三种颜色空间下的图像进行卷积运算来提取特征;
15、卷积有两个重要的步骤:采样和聚合;首先在输入特征图x上采样感受野区域然后将采样得到的值进行加权求和;因此输出特征图y表示如其中,p0是当前位置,pn是感受野中其他位置;
16、步骤3:基于步骤2将中心差分引入到卷积操作中,获得泛化性和鲁棒性更强的神经网络模型;
17、所述中心差分卷积以lbp特征算子思想为基础,将中心差分引入到卷积操作中,增强普通卷积的特征表示能力;lbp特征编码计算过程:将与中心点像素相邻的i个像素的灰度值进行比较,若相邻像素值大于中心像素值,则将该点标记为1,否则为0;经此过程,共产生i位二进制数;然后对每个像素点的邻域信息进行整合,得到二进制编码,即得到该中心点的lbp值;
18、所述中心差分卷积也包含采样和聚合,采样步骤与普通卷积相同,但在聚合前需要进行中心差分操作;中心差分操作,以n*n卷积核为例,在聚合前提取出n*n卷积核区域中的n2个像素点,再提取出n2个像素点的中心点,将中心点像素值与n2个像素点相减,得到中心差分更新后的像素值再进行聚合得到最终的输出值;根据此过程,由普通卷积定义式得中心差分卷积定义:
19、
20、对于人脸活体检测任务来说,普通卷积网络所带来的语义特征信息和中心差分卷积带来的梯度特征信息都对区分真假人脸有着及其重要的作用;因此将中心差分卷积与普通卷积相结合获得泛化性和鲁棒性更强的神经网络模型,则中心差分卷积算子表达为:
21、
22、其中,p0是当前位置,pn是感受野中其他位置;
23、其中第一项为中心差分卷积,第二项为普通卷积,θ∈[0,1]是可手动设置或可学习的超参数,θ值越大代表着中心差分卷积的梯度信息越重要,当θ=0时,中心差分卷积成为普通卷积;
24、所述神经网络模型是以resnext为骨干网络的深度神经网络,将其中普通卷积替换为中心差分卷积并结合高通滤波器;一共包含6层网络结构,由五组卷积块、一个全局平均池化层和一个softmax层组成;在第三个卷积块之后通过拼接的方式,连接三个子网络的特征图,最后对融合后的特征进行在softmax层进行分类;
25、步骤4:利用获得的神经网络模型,结合三种颜色空间下的图像,完成人脸活体检测;
2本文档来自技高网...
【技术保护点】
1.一种静默式人脸活体检测方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤1具体为:
3.根据权利要求2所述的一种静默式人脸活体检测方法,其特征在于,所述H分量如下式所示:
4.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤2所述卷积运算有两个重要的步骤:采样和聚合;首先在输入特征图x上采样感受野区域然后将采样得到的值进行加权求和;因此输出特征图y表示如其中,p0是当前位置,pn是感受野中其他位置。
5.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤3所述中心差分卷积以LBP特征算子思想为基础,将中心差分引入到卷积操作中,增强普通卷积的特征表示能力;LBP特征编码计算过程:将与中心点像素相邻的i个像素的灰度值进行比较,若相邻像素值大于中心像素值,则将该点标记为1,否则为0;经此过程,共产生i位二进制数;然后对每个像素点的邻域信息进行整合,得到二进制编码,即得到该中心点的LBP值;
6.根据权利要求1所述的一种静默式人脸活体检测方
7.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤4具体为:
...【技术特征摘要】
1.一种静默式人脸活体检测方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤1具体为:
3.根据权利要求2所述的一种静默式人脸活体检测方法,其特征在于,所述h分量如下式所示:
4.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤2所述卷积运算有两个重要的步骤:采样和聚合;首先在输入特征图x上采样感受野区域然后将采样得到的值进行加权求和;因此输出特征图y表示如其中,p0是当前位置,pn是感受野中其他位置。
5.根据权利要求1所述的一种静默式人脸活体检测方法,其特征在于,步骤3所述中心差分卷积以lbp特征算子思想为基础,将中心差分引入到卷积操作中,增强普通卷积的特征表示能力;lbp...
【专利技术属性】
技术研发人员:王柄然,程维,李宗晟,潘永康,孙霜铭,彭程,
申请(专利权)人:东北大学,
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。