【技术实现步骤摘要】
本专利技术涉及人脸识别，特别涉及一种基于帧间差分的人脸图像活体检测方法。
技术介绍
1、活体检测在人脸识别中扮演着至关重要的角色，它用于确认被识别者是一个真实的、具有生命体征的人，还是一个静态图像或其他人为伪造的欺骗攻击，以确保系统安全性和防止欺诈行为。
2、在活体检测领域，目前的方法大致可分为两类：传统方法和基于深度学习的算法。
3、传统方法依赖于检测不同欺骗攻击类型所留下的纹理特征来判断人脸图像的真实性，如屏幕攻击产生的摩尔纹或纸张打印攻击的质量下降、打印痕迹和颜色失真等现象。这些方法通常通过手工定义算子来提取纹理特征，包括高斯差分、方向梯度直方图和局部二值模式等。然而，这些传统方法需要手动设计算子提取特征，工作量大，且容易受到光照和图像质量的影响，因此在实际应用中效果往往较差。
4、深度学习方法则克服了传统方法的局限，它利用神经网络，摆脱了对手工设计算法的依赖，通过梯度下降自动调整网络参数，进而学习真假人脸之间的差异，提升了活体检测的精度。现有的研究中提出了单模态和多模态方法：单模态仅使用rgb图像进行活体检测，在某些情况下可以取得高精度，但在跨摄像头检测时，性能下降明显；而多模态方法在此基础上结合红外图像和深度图像进行活体检测，精度有所提升，但需额外配置使用红外和深度摄像头，成本较高。
5、有鉴于此，本申请提出一种无需借助额外配置的简单有效的跨摄像头的人脸图像活体检测方法。
技术实现思路
1、本专利技术要解决的技术问题，在于提
2、本专利技术提供了一种基于帧间差分的人脸图像活体检测方法，所述方法包括：
3、在模型训练阶段，获取视频样本数据，对所述数据进行帧间差分预处理得到预处理后的图像，并自定义一用于预测位置掩膜的mg模块，将预处理后的图像输入到mobilenetv3 small分类模型中提取图像的浅层特征得到中间输出特征图m0和m1，将m0和m1进行特征图拼接得到m，将m输入到所述mg模块进行预测位置掩膜，通过位置标签辅助监督增强训练模型，得到训练后的mobilenetv3 small分类模型；
4、在应用模型阶段，获取待检测视频数据，对所述数据进行帧间差分预处理得到预处理后的图像，将预处理后的图像输入到训练后的mobilenetv3small分类模型中，输出分类结果。
5、进一步的，所述模型训练阶段和应用模型阶段中的“对所述数据进行帧间差分预处理得到预处理后的图像”具体包括：
6、在单一摄像头或跨摄像头场景下，获取一固定摄像头下的视频数据；
7、通过insightface人脸检测算法从所述视频数据中读取两帧包含人脸的画面，且所述两帧中人脸坐标差值和超过一预设值，以确保人脸存在一定运动变化；
8、对获取的两帧进行绝对值差分，得到差分图像；
9、根据insightface人脸检测算法获取人脸图像5个关键点坐标，通过仿射变化把差分图像中的人脸部分对齐到图像正下方，同时转换为灰度图并缩放到224x224像素大小。
10、进一步的，所述mg模块具体包括依次连接的第一个卷积层、归一化层、第一激活函数层、第二卷积层和第二激活函数层，所述卷积层用于提取位置特征，所述激活函数层用于将其位置特征映射在0到1范围内，以获取位置预测。
11、进一步的，所述mobilenetv3 small分类模型包括14个提取特征的模块，将其划分成三个阶段，第一阶段为block0，第二阶段为block1，第三个阶段为block2-13，其中block0和block1用来提取图像的浅层特征，其中m0为block 0的输出特征图，m1为block 1的输出特征图，block 2-13用于提取图像的深层特征，实现模型分类。
12、进一步的，所述模型的损失函数使用交叉熵损失加均方误差损失的方式，其中交叉熵损失函数用于模型的分类监督，使模型具有区分是否为活体的能力，均方误差损失用于模型的位置预测监督，使模型同时具备欺骗攻击位置检测性能。
13、进一步的，所述交叉熵损失具体公式如下：
14、
15、其中，由于活体检测为二分类，故采用交叉熵损失中的二值交叉熵损失，其中，n是batch size大小，yi表示第i个样本的标签，正样本为1，负样本为0，pi表示模型预测第i个样本为正样本的概率。
16、进一步的，所述均方误差损失具体公式如下：
17、
18、其中，mi是模型预测第i个样本的模型预测掩膜，mi’是第i个样本的标签掩膜，n是batch size大小。
19、进一步的，所述模型的输出分类结果为表示活体的0或表示非活体的1。
20、本专利技术具有如下技术效果或优点：
21、本专利技术所采用的人脸检测方式可消除不同摄像头之间的设备差异，相较于先前方法，在跨摄像头的检测中依然保持较高的检测能力，无需额外的红外或深度摄像头，降低了成本并提高了跨设备检测的鲁棒性，同时在训练阶段，使用位置掩膜来进行辅助监督，提高模型的学习能力，提高检测准确度，且该方法执行起来简单有效易于实现。
本文档来自技高网...【技术保护点】
1.一种基于帧间差分的人脸图像活体检测方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种基于帧间差分的人脸图像活体检测方法，其特征在于：所述模型训练阶段和应用模型阶段中的“对所述数据进行帧间差分预处理得到预处理后的图像”具体包括：
3.根据权利要求1所述的一种基于帧间差分的人脸图像活体检测方法，其特征在于：所述MG模块具体包括依次连接的第一个卷积层、归一化层、第一激活函数层、第二卷积层和第二激活函数层，所述卷积层用于提取位置特征，所述激活函数层用于将其位置特征映射在0到1范围内，以获取位置预测。
4.根据权利要求1所述的一种基于帧间差分的人脸图像活体检测方法，其特征在于：所述MobilenetV3 Small分类模型包括14个提取特征的模块，将其划分成三个阶段，第一阶段为block0，第二阶段为block1，第三个阶段为block2-13，其中block0和block1用来提取图像的浅层特征，其中m0为block 0的输出特征图，m1为block 1的输出特征图，block 2-13用于提取图像的深层特征，实现模型分类。
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。