+

CN111914758A - 一种基于卷积神经网络的人脸活体检测方法及装置 - Google Patents

一种基于卷积神经网络的人脸活体检测方法及装置 Download PDF

Info

Publication number
CN111914758A
CN111914758A CN202010770605.4A CN202010770605A CN111914758A CN 111914758 A CN111914758 A CN 111914758A CN 202010770605 A CN202010770605 A CN 202010770605A CN 111914758 A CN111914758 A CN 111914758A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
face
living body
living
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010770605.4A
Other languages
English (en)
Inventor
李薪宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aokuai Technology Co ltd
Original Assignee
Chengdu Aokuai Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Aokuai Technology Co ltd filed Critical Chengdu Aokuai Technology Co ltd
Priority to CN202010770605.4A priority Critical patent/CN111914758A/zh
Publication of CN111914758A publication Critical patent/CN111914758A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例提供一种基于卷积神经网络的人脸活体检测方法，通过获取人脸样本图像，构建包括多尺度注意力模块的基于活体检测的卷积神经网络，将人脸样本图像输入基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型，将待检测的人脸图像输入基于活体检测的卷积神经网络模型，进行活体人脸图像检测。本发明的实施例同时提供一种基于卷积神经网络的人脸活体检测装置。本发明的实施例通过构建基于活体检测的卷积神经网络，训练优化基于活体检测的卷积神经网络模型，能够快速准确地实现活体人脸识别，实用性强，有效地提高了人脸识别效率及安全性。

Description

一种基于卷积神经网络的人脸活体检测方法及装置
技术领域
本发明涉及计算机视觉及图像识别技术领域，具体而言，涉及一种基于卷积神经网络的人脸活体检测方法及装置。
背景技术
随着计算机视觉与模式识别技术的深入研究与快速发展，人脸识别、指纹识别、虹膜识别等生物特征识别技术在不同场景中得到应用。其中，人脸识别技术因具有使用方便、非接触性等优点，在金融、安防及互联网等诸多领域得到广泛应用。与此同时，针对通过使用照片、视频、面具等伪装活体人脸进行人脸识别系统攻击，如何通过有效识别活体人脸，保证人脸识别系统安全性成为了用户普遍关注的问题。
目前，常用的活体人脸识别方法主要有两种，一种是采用人机交互方式，使用者需要完成指定动作，如张嘴、眨眼、摇头等，人脸识别系统通过检测上述动作判断被检测对象是否是真人，这种方法需要用户配合完成指定动作，用户体验不佳，且检测效率较低；另一种是使用深度相机采集被检测者的三维人脸信息，使用光流场等方法提取特征向量进行活体人脸判定，这种方法需要增加额外设备，推广成本较高。因此，如何快速准确地实现活体人脸识别，有效提高人脸识别效率及安全性，成为人脸识别技术发展及应用过程中亟待解决的技术问题之一。
发明内容
为了解决上述技术问题至少之一，本发明的实施例提出了一种基于卷积神经网络的人脸活体检测方法，包括以下步骤：S101，获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；S102，构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；S103，将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；S104，将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。
优选地，所述对获取到的所述人脸样本图像进行预处理的步骤，包括：调整所述人脸样本图像为预设的尺寸；标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。
优选地，所述S102的步骤，具体为：基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。
优选地，所述S103的步骤，具体为：将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。
优选地，所述标识所述人脸样本图像中的活体人脸图像和非活体人脸图像的步骤之前，还包括：定位所述人脸样本图像中的人脸图像区域。
本发明的实施例同时提出了一种基于卷积神经网络的人脸活体检测装置，包括：获取模块，用于获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；构建模块，用于构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；训练模块，用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；检测模块，用于将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。
优选地，所述获取模块，还包括：预处理单元，用于调整所述人脸样本图像为预设的尺寸；以及，标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。
优选地，所述构建模块，包括：搜索单元，用于基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；整合单元，用于将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。
优选地，所述训练模块，具体用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。
优选地，所述预处理单元，还用于定位所述人脸样本图像中的人脸图像区域。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明的实施例的基于卷积神经网络的人脸活体检测方法的流程示意图；
图2是本发明实施例的卷积神经网络DepthNet的网络架构示意图；
图3是本发明实施例的卷积神经网络DepthNet的单元结构示意图；
图4是本发明实施例的卷积神经网络的多尺度注意力融合模块示意图；
图5是本发明实施例的基于活体检测的卷积神经网络VivoNet的网络架构示意图；
图6是本发明实施例的多尺度注意力融合模块的结构示意图；
图7是本发明实施例基于卷积神经网络的人脸活体检测装置的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
本发明实施例提出一种基于卷积神经网络的人脸活体检测方法，如图1所示，包括以下步骤：S101、获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；S102、构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；S103、将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；S104、将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。
在该技术方案中，采集预设数量的人脸样本图像作为训练数据集，构建基于活体检测的卷积神经网络，将人脸样本图像输入构建的基于活体检测的卷积神经网络进行训练优化，得到基于活体检测的卷积神经网络模型，将测试数据集中的待检测人脸图像输入基于活体检测的卷积神经网络模型，根据基于活体检测的卷积神经网络模型的输出数据，判断输入的待检测人脸图像是否为活体人脸图像。
在上述技术方案中，对获取到的所述人脸样本图像进行预处理的步骤，包括：调整所述人脸样本图像为预设的尺寸；标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。
在该技术方案中，采集预设数量的活体人脸图像及非活体人脸图像作为训练图像，包括不同光线、不同背景、不同采集设备条件下采集的第一预定数量的活体人脸图像，以及通过图片、视频等采集的第二预设数量的非活体人脸图像。对采集得到的活体人脸图像和非活体人脸图像进行样本图像的选取，移除未包含完整的人脸图像或图像分辨率低于预设阈值等不符合预设条件的样本图像。对符合预设条件的样本图像进行人脸区域识别，定位样本图像中的人脸图像区域，具体地，基于Mask R-CNN模型检测样本图像中的人脸3D形状，确定样本图像中人脸图像的位置区域，根据人脸图像的位置区域对样本图像进行尺寸裁剪，将样本图像调整至预设的尺寸，例如，将样本图像尺寸调整为256×256。对调整尺寸后的样本图像进行标记，标识样本图像中的活体人脸图像和非活体人脸图像，具体地，分别为活体人脸图像和非活体人脸图像设置标签，其中，活体人脸图像对应的标签为1，非活体人脸图像对应的标签为2，从而得到人脸样本图像集，即用于训练基于活体检测的卷积神经网络的训练数据集。
在上述技术方案中，步骤S102，具体为：基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。
在该技术方案中，预设初始的卷积神经网络DepthNet，卷积神经网络DepthNet的架构，如图2所示，其中，DepthNet卷积神经网络由三个堆叠单元(低层、中层和高层)组成，每个单元中均包含最大池化层，stem和head层采用3×3的卷积核；如图3所示，每个单元包含6个节点，其中每个节点表示一个网络结构，每个节点的操作空间表示为o。6个节点包括一个输入节点、四个中间节点B1、B2、B3、B4和一个输出节点；如图4表示两个操作，即None和Skip-Connect，两个节点(除输出节点外)之间的边(i，j)表示节点间的信息流，该信息流由参数a(i,j)加权操作组成。特别地，每一条边(i，j)可以由一个函数o(i,j)表示，其中o(i,j)(xi)＝Σo∈Oηo (i,j)×o(xi)。Softmax函数将a(i,j)为权重参数，即ηo (i,j)＝exp(ao (i,j))/Σo’∈Oexp(ao’ (i,j))，即中间节点可以表示为xj＝Σi<jo(i,j)(xj)，输出节点(xN-1)用所有中间节点加权求和表示xN-1＝Σ0<i<N-1βi(xi)。中间节点的重要权重策略β，即βi＝exp(βi’)/Σ0<j<N-1exp(βj’)，其中βi是中间节点(xi)初始学习权重的损失值。
卷积神经网络DepthNet的网络参数配置如表1所示，其中，Conv表示卷积层，卷积核大小为3×3，所有卷积层的步长为1。
Figure BDA0002616467100000061
表1
以卷积神经网络DepthNet作为基线网络，通过在卷积神经网络DepthNet的三个层次(低层、中层和高层)中使用NAS(Neural Architecture Search)算法搜索最优的特征，以形成活体检测的主干网络，如图5所示；
在使用NAS算法搜索最优特征过程中，Ltrain和Lval分别表示训练损失和验证损失，搜索阶段的网络参数(w)和NAS搜索参数(a)通过以下双层优化学习得到：
Figure BDA0002616467100000071
由于不同层的神经元在其感受野的不同区域下，可能受到不同的刺激。通过引入多尺度注意力融合模块(Multiscale Attention Fusion Module，MAFM)，能够通过空间选择性注意力来细化和融合DepthNet网络的低层、中层和高层特征，具体地，将多尺度注意力融合模块整合于基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络VivoNet，具体地，如图6所示，分别来自不同层次单元(低层、中层和高层)特征F通过空间注意力来细化，然后合并在一起，细化后的特征F0可以表述为：
Fi’＝Fi⊙(σ(Ci([A(Fi)，M(Fi)]))),i∈{low,mid,high}
其中，A和M分别表示平均池层和最大池层，σ是sigmoid函数，C是卷积层，大小为7×7、5×5和3×3的卷积核分别用于低层单元Clow、中层单元Cmid和高层单元Chigh。
在上述技术方案中，步骤S103，具体为：将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。
在该技术方案中，将已通过标签标识活体人脸图像和非活体人脸图像的人脸样本图像输入基于活体检测的卷积神经网络VivoNet，通过预设的损失函数计算网络损失值，具体地，采用均方误差损失Lmse结合深度损失Lcdl来计算网络的损失，网络损失函数表达式为Lall＝Lmse+Lcdl。若损失函数值不小于预设阈值，则调整基于活体检测的卷积神经网络VivoNet的网络参数，进行继续训练优化，其中，网络参数包括基于活体检测的卷积神经网络VivoNet的各层的权值和/或迭代的次数；若损失函数值小于预设阈值，则所述训练完成，确定当前基于活体检测的卷积神经网络VivoNet为基于活体检测的卷积神经网络模型。
在上述技术方案中，步骤S104，具体为：采用OULU-NPU、CASIA-MFSD、RELAY-ATTACK、MSU-MFSD四个公开人脸数据集作为测试数据集，分别输入基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定待检测图像为活体人脸图像；若否，则确定待检测图像为非活体人脸图像。
在该技术方案中，采用与训练数据集来源不同的人脸数据集作为测试数据集，能够有效验证基于活体检测的卷积神经网络模型的识别准确度的同时，能够有助于提高基于活体检测的卷积神经网络模型的识别准确度。
本发明实施例提供的基于卷积神经网络的人脸活体检测方法，一方面，通过设计具有更强鲁棒建模能力的卷积神经网络DepthNet，提高了算法性能及准确度，解决了基于中心差分卷积(Central Difference Convolution，CDC)神经网络计算耗时高、计算效率低的问题，如表2所示，
Figure BDA0002616467100000081
表2
基于在OULU-NPU视频中训练和测试的时间统计，相较于DepthNet网络与CDC网络结合的网络模型，DepthNet网络模型的训练时间减少了21.5分钟，测试时间减少了9分钟，有效地减少了网络模型的训练及测试时长。同时，表3所示的不同卷积类型错误率测试结果表明，普通卷积相比于局部二值卷积(Local Binary Convolution，LB-Convolution)和Gabor滤波卷积(Gabor Convolution，GaborConv)的错误率更低，特征提取的效果更优。
Figure BDA0002616467100000091
表3
另一方面，基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络，并将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络VivoNet，经过测试，如表4所示测试结果表明，相较于未进行NAS算法搜索主干网络的神经网络，本发明实施例的基于活体人脸检测的卷积神经网络VivoNet的人脸检测错误率降低了0.4％，而相较于仅进行NAS搜索未整合多尺度注意力融合模块的神经网络，本发明实施例的基于活体人脸检测的卷积神经网络VivoNet的人脸检测错误率降低了0.1％，显著地提高了活体人脸检测的准确率。
Figure BDA0002616467100000092
表4
同时，为了进一步验证基于活体检测的卷积神经网络模型的泛化能力，采用CASIA-MFSD、RELAY-ATTACK和MSU-MFSD数据集对不同的神经网络模型进行对比测试，验证神经网络模型对于非活体人脸样本的泛化能力，如表5所示，本发明实施例构建的基于活体人脸检测的卷积神经网络VivoNet，在测试集中具有良好的泛化能力，相较于对照组的神经网络模型具有更优的识别效率与性能。
Figure BDA0002616467100000101
表5
实施例二
本发明的实施例同时提出了一种基于卷积神经网络的人脸活体检测装置200，如图7所示，包括：获取模块201，用于获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；构建模块202，用于构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；训练模块203，用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；检测模块204，用于将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。
在该技术方案中，获取模块201采集预设数量的人脸样本图像作为训练数据集，构建模块202构建基于活体检测的卷积神经网络，训练模块203将人脸样本图像输入构建的基于活体检测的卷积神经网络进行训练优化，得到基于活体检测的卷积神经网络模型，检测模块204将测试数据集中的待检测人脸图像输入基于活体检测的卷积神经网络模型，根据基于活体检测的卷积神经网络模型的输出数据，判断输入的待检测人脸图像是否为活体人脸图像。
在上述技术方案中，获取模块201，还包括：预处理单元，用于调整所述人脸样本图像为预设的尺寸；以及标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。
在该技术方案中，获取模块201采集预设数量的活体人脸图像及非活体人脸图像作为训练图像，包括不同光线、不同背景、不同采集设备条件下采集的第一预定数量的活体人脸图像，以及通过图片、视频等采集的第二预设数量的非活体人脸图像。预处理单元对采集得到的活体人脸图像和非活体人脸图像进行样本图像的选取，移除未包含完整的人脸图像或图像分辨率低于预设阈值等不符合预设条件的样本图像。预处理单元对符合预设条件的样本图像进行人脸区域识别，定位样本图像中的人脸图像区域，具体地，基于Mask R-CNN模型检测样本图像中的人脸3D形状，确定样本图像中人脸图像的位置区域，根据人脸图像的位置区域对样本图像进行尺寸裁剪，将样本图像调整至预设的尺寸，例如，将样本图像尺寸调整为256×256。对调整尺寸后的样本图像进行标记，标识样本图像中的活体人脸图像和非活体人脸图像，具体地，分别为活体人脸图像和非活体人脸图像设置标签，其中，活体人脸图像对应的标签为1，非活体人脸图像对应的标签为2，从而得到人脸样本图像集，即用于训练基于活体检测的卷积神经网络的训练数据集。
在上述技术方案中，构建模块202，包括：搜索单元，用于基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；整合单元，用于将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。
在该技术方案中，构建模块202预设初始的卷积神经网络DepthNet，卷积神经网络DepthNet的架构如图2所示，搜索单元以卷积神经网络DepthNet作为基线网络，通过在卷积神经网络DepthNet的三个层次(低层、中层和高层)中使用NAS算法搜索最优的特征，以形成活体检测的主干网络，如图3所示，整合单元将多尺度注意力融合模块整合于基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络VivoNet。
在上述技术方案中，训练模块203，具体用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。
在该技术方案中，训练模块203用于将已通过标签标识活体人脸图像和非活体人脸图像的人脸样本图像输入基于活体检测的卷积神经网络VivoNet，通过预设的损失函数计算网络损失值，具体地，采用均方误差损失Lmse结合深度损失Lcdl来计算网络的损失，网络损失函数表达式为Lall＝Lmse+Lcdl。若损失函数值不小于预设阈值，则调整基于活体检测的卷积神经网络VivoNet的网络参数，进行继续训练优化，其中，网络参数包括基于活体检测的卷积神经网络VivoNet的各层的权值和/或迭代的次数；若损失函数值小于预设阈值，则所述训练完成，确定当前基于活体检测的卷积神经网络VivoNet为基于活体检测的卷积神经网络模型。
在上述技术方案中，检测模块204，用于将OULU-NPU、CASIA-MFSD、RELAY-ATTACK、MSU-MFSD四个公开人脸数据集作为测试数据集，分别输入基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定待检测图像为活体人脸图像；若否，则确定待检测图像为非活体人脸图像。
本发明实施例提供的基于卷积神经网络的人脸活体检测装置，可执行本发明实施例一所提供的基于卷积神经网络的人脸活体检测方法，具备执行基于卷积神经网络的人脸活体检测方法相应的功能模块，以及具备通过实现基于卷积神经网络的人脸活体检测方法所产生的有益效果。
在本发明中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的人脸活体检测方法，其特征在于，包括以下步骤：
S101，获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；
S102，构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；
S103，将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；
S104，将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。
2.根据权利要求1所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述对获取到的所述人脸样本图像进行预处理的步骤，包括：
调整所述人脸样本图像为预设的尺寸；
标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。
3.根据权利要求2所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述S102的步骤，具体为：
基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；
将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。
4.根据权利要求3所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述S103的步骤，具体为：
将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。
5.根据权利要求2至4中任一项所述的基于卷积神经网络的人脸活体检测方法，其特征在于，所述标识所述人脸样本图像中的活体人脸图像和非活体人脸图像的步骤之前，还包括：
定位所述人脸样本图像中的人脸图像区域。
6.一种基于卷积神经网络的人脸活体检测装置，其特征在于，包括：
获取模块，用于获取人脸样本图像，所述人脸样本图像包括活体人脸图像和非活体人脸图像，对获取到的所述人脸样本图像进行预处理；
构建模块，用于构建基于活体检测的卷积神经网络，所述基于活体检测的卷积神经网络包括多尺度注意力融合模块；
训练模块，用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，训练得到基于活体检测的卷积神经网络模型；
检测模块，用于将待检测的人脸图像输入所述基于活体检测的卷积神经网络模型，判断输出数据是否大于预设阈值，若是，则确定所述待检测图像为活体人脸图像；若否，则确定所述待检测图像为非活体人脸图像。
7.根据权利要求6所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述获取模块，还包括：
预处理单元，用于调整所述人脸样本图像为预设的尺寸；以及，标识所述人脸样本图像中的活体人脸图像和非活体人脸图像。
8.根据权利要求7所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述构建模块，包括：
搜索单元，用于基于预设的初始卷积神经网络的多个预设层，通过NAS算法搜索最优特征，确定所述基于活体检测的卷积神经网络的主干网络；
整合单元，用于将所述多尺度注意力融合模块整合于所述基于活体检测的卷积神经网络的主干网络的下一层，得到所述基于活体人脸检测的卷积神经网络。
9.根据权利要求8所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述训练模块，具体用于将所述人脸样本图像输入所述基于活体检测的卷积神经网络，对所述基于活体检测的卷积神经网络进行训练优化，确定损失函数小于预设阈值时的卷积神经网络结构为所述基于活体检测的卷积神经网络模型。
10.根据权利要求7至9中任一项所述的基于卷积神经网络的人脸活体检测装置，其特征在于，所述预处理单元，还用于定位所述人脸样本图像中的人脸图像区域。
CN202010770605.4A 2020-08-04 2020-08-04 一种基于卷积神经网络的人脸活体检测方法及装置 Pending CN111914758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010770605.4A CN111914758A (zh) 2020-08-04 2020-08-04 一种基于卷积神经网络的人脸活体检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010770605.4A CN111914758A (zh) 2020-08-04 2020-08-04 一种基于卷积神经网络的人脸活体检测方法及装置

Publications (1)

Publication Number Publication Date
CN111914758A true CN111914758A (zh) 2020-11-10

Family

ID=73288090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010770605.4A Pending CN111914758A (zh) 2020-08-04 2020-08-04 一种基于卷积神经网络的人脸活体检测方法及装置

Country Status (1)

Country Link
CN (1) CN111914758A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990090A (zh) * 2021-04-09 2021-06-18 北京华捷艾米科技有限公司 一种人脸活体检测方法及装置
CN113158773A (zh) * 2021-03-05 2021-07-23 普联技术有限公司 一种活体检测模型的训练方法及训练装置
CN114495238A (zh) * 2022-02-14 2022-05-13 济南博观智能科技有限公司 一种人脸活体检测方法、装置及电子设备和存储介质
CN114495290A (zh) * 2022-02-21 2022-05-13 平安科技（深圳）有限公司 活体检测方法、装置、设备及存储介质
CN114550237A (zh) * 2022-01-24 2022-05-27 北京科技大学 一种人脸活体检测方法及系统
CN114627518A (zh) * 2020-12-14 2022-06-14 阿里巴巴集团控股有限公司 数据处理方法、装置、计算机可读存储介质和处理器
CN115131880A (zh) * 2022-05-30 2022-09-30 上海大学 一种多尺度注意力融合的双重监督人脸活体检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260643A1 (en) * 2017-03-07 2018-09-13 Eyn Limited Verification method and system
CN109255322A (zh) * 2018-09-03 2019-01-22 北京诚志重科海图科技有限公司 一种人脸活体检测方法及装置
CN109508654A (zh) * 2018-10-26 2019-03-22 中国地质大学（武汉） 融合多任务和多尺度卷积神经网络的人脸分析方法及系统
US20200005061A1 (en) * 2018-06-28 2020-01-02 Beijing Kuangshi Technology Co., Ltd. Living body detection method and system, computer-readable storage medium
CN111027400A (zh) * 2019-11-15 2020-04-17 烟台市广智微芯智能科技有限责任公司 一种活体检测方法及装置
CN111079739A (zh) * 2019-11-28 2020-04-28 长沙理工大学 一种多尺度注意力特征检测方法
WO2020125623A1 (zh) * 2018-12-20 2020-06-25 上海瑾盛通信科技有限公司 活体检测方法、装置、存储介质及电子设备
CN111460931A (zh) * 2020-03-17 2020-07-28 华南理工大学 基于颜色通道差值图特征的人脸欺骗检测方法及系统
WO2020151489A1 (zh) * 2019-01-25 2020-07-30 杭州海康威视数字技术股份有限公司 基于面部识别的活体检测的方法、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260643A1 (en) * 2017-03-07 2018-09-13 Eyn Limited Verification method and system
US20200005061A1 (en) * 2018-06-28 2020-01-02 Beijing Kuangshi Technology Co., Ltd. Living body detection method and system, computer-readable storage medium
CN109255322A (zh) * 2018-09-03 2019-01-22 北京诚志重科海图科技有限公司 一种人脸活体检测方法及装置
CN109508654A (zh) * 2018-10-26 2019-03-22 中国地质大学（武汉） 融合多任务和多尺度卷积神经网络的人脸分析方法及系统
WO2020125623A1 (zh) * 2018-12-20 2020-06-25 上海瑾盛通信科技有限公司 活体检测方法、装置、存储介质及电子设备
WO2020151489A1 (zh) * 2019-01-25 2020-07-30 杭州海康威视数字技术股份有限公司 基于面部识别的活体检测的方法、电子设备和存储介质
CN111027400A (zh) * 2019-11-15 2020-04-17 烟台市广智微芯智能科技有限责任公司 一种活体检测方法及装置
CN111079739A (zh) * 2019-11-28 2020-04-28 长沙理工大学 一种多尺度注意力特征检测方法
CN111460931A (zh) * 2020-03-17 2020-07-28 华南理工大学 基于颜色通道差值图特征的人脸欺骗检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZITONG YU ET AL.: "Searching Central Difference Convolutional Networks for Face Anti-Spoofing", pages 1 - 4, Retrieved from the Internet <URL:https://arxiv.org/pdf/2003.04092.pdf> *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627518A (zh) * 2020-12-14 2022-06-14 阿里巴巴集团控股有限公司 数据处理方法、装置、计算机可读存储介质和处理器
CN114627518B (zh) * 2020-12-14 2025-05-13 阿里巴巴集团控股有限公司 数据处理方法、装置、计算机可读存储介质和处理器
CN113158773A (zh) * 2021-03-05 2021-07-23 普联技术有限公司 一种活体检测模型的训练方法及训练装置
CN113158773B (zh) * 2021-03-05 2024-03-22 普联技术有限公司 一种活体检测模型的训练方法及训练装置
CN112990090A (zh) * 2021-04-09 2021-06-18 北京华捷艾米科技有限公司 一种人脸活体检测方法及装置
CN114550237A (zh) * 2022-01-24 2022-05-27 北京科技大学 一种人脸活体检测方法及系统
CN114495238A (zh) * 2022-02-14 2022-05-13 济南博观智能科技有限公司 一种人脸活体检测方法、装置及电子设备和存储介质
CN114495290A (zh) * 2022-02-21 2022-05-13 平安科技（深圳）有限公司 活体检测方法、装置、设备及存储介质
CN115131880A (zh) * 2022-05-30 2022-09-30 上海大学 一种多尺度注意力融合的双重监督人脸活体检测方法
CN115131880B (zh) * 2022-05-30 2024-05-10 上海大学 一种多尺度注意力融合的双重监督人脸活体检测方法

Similar Documents

Publication Publication Date Title
CN111914758A (zh) 一种基于卷积神经网络的人脸活体检测方法及装置
CN111274916B (zh) 人脸识别方法和人脸识别装置
CN109543526B (zh) 基于深度差异性特征的真假面瘫识别系统
CN106096538B (zh) 基于定序神经网络模型的人脸识别方法及装置
CN104537647B (zh) 一种目标检测方法及装置
CN112199983B (zh) 一种多层次筛选的长时间大范围行人再识别方法
CN111310668B (zh) 一种基于骨架信息的步态识别方法
CN110929687B (zh) 一种基于关键点检测的多人行为识别系统及工作方法
CN109300121A (zh) 一种心血管疾病诊断模型的构建方法、系统及该诊断模型
CN108520216A (zh) 一种基于步态图像的身份识别方法
CN106919921B (zh) 结合子空间学习与张量神经网络的步态识别方法及系统
CN113569598A (zh) 图像处理方法和图像处理装置
CN113221655A (zh) 基于特征空间约束的人脸欺骗检测方法
CN110674685B (zh) 一种基于边缘信息增强的人体解析分割模型及方法
CN111985367A (zh) 一种基于多尺度特征融合的行人重识别特征提取方法
CN112861752A (zh) 一种基于dcgan与rdn的作物病害识别方法及系统
CN113807232B (zh) 基于双流网络的伪造人脸检测方法、系统及存储介质
CN113065489A (zh) 基于图卷积的虹膜图像分类方法
CN110414338A (zh) 基于稀疏注意力网络的行人再辨识方法
Chen et al. A multi-scale fusion convolutional neural network for face detection
CN115331315A (zh) 活体检测方法和活体检测装置
CN111582057B (zh) 一种基于局部感受野的人脸验证方法
Kanagaraju et al. Emotion detection from facial expression using image processing
CN112257559A (zh) 一种基于生物个体步态信息的身份识别方法
Abayomi-Alli et al. Facial image quality assessment using an ensemble of pre-trained deep learning models (EFQnet)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201110

RJ01 Rejection of invention patent application after publication
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载