一种人脸活体检测方法和装置与流程

1.本发明涉及深度学习技术领域，特别是涉及一种人脸活体检测方法和装置。


背景技术：

2.随着人脸识别技术在信息安全领域的广泛应用，人脸活体检测作为一种验证手段，其应用越来越广泛，而传统的人脸活体检测技术，容易受到图片编辑、录制翻拍攻击。


技术实现要素：

3.基于此，有必要针对传统技术存在的问题，提供一种机器学习和运动信息相结合的人脸活体检测方法和装置。具体的，在本发明中，使用机器学习方法，更快速、精准的过滤出屏幕翻拍和纸质照片的人像信息，提高人脸活体检测的准确性。
4.第一方面，本发明实施例提供了一种人脸活体检测方法，所述方法包括：获取待检测对象的多张图片；按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。
5.在其中一个实施例中，所述人脸定位检测模型和屏幕翻拍模型的训练方法，具体包括：获取人脸图库数据信息；对获取的所述人脸图库数据信息进行处理，完成训练数据与测试数据的划分操作；根据所述训练数据进行训练，生成人脸定位检测模型和屏幕翻拍模型。
6.在其中一个实施例中，根据所述训练数据进行训练，生成人脸定位检测模型的过程，具体包括：第一阶段p
‑
net，通过一个浅层cnn生成候选人脸窗口，具体包括：通过一个全部由卷积层组成的cnn，获取候选人脸窗口以及人脸框回归向量，基于所述人脸框回归向量对候选人脸窗口进行校正，之后采用nms合并高重叠率的候选人脸窗口；第二阶段r
‑
net，通过一个复杂cnn否决大量非人脸窗口，具体包括：第一阶段输出的候选人脸窗口作为本阶段的输入，能够进一步筛除大量非人脸窗口，再利用所述人脸框回归向量对筛除后剩余的候选窗口做校正，并执行nms；第三阶段o
‑
net，使用复杂cnn进一步精化结果并输出多个人脸特征点位置坐标。
7.在其中一个实施例中，根据所述训练数据进行训练，生成屏幕翻拍模型的过程，具体包括：计算所述训练数据在水平及垂直方向的梯度卷积，得到水平卷积图像及垂直卷积图像；
计算所述水平卷积图像及垂直卷积图像对应的7*7协方差矩阵，并转化为特征向量；基于预设的支持向量机svm算法对所述特征向量进行分类，生成屏幕翻拍模型。
8.在其中一个实施例中，所述根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体，具体包括：由所述人脸定位检测模型计算出眼睛的多个位置坐标，包括眼睛左右角的位置和上眼皮位置、下眼皮位置；根据所述眼睛的多个位置坐标计算出每张图片中眼睛的开合程度；若所述多张图片中眼睛的最大和最小开合程度之差大于或等于预定阈值，则判断所述待检测对象为人脸活体。
9.第二方面，本发明实施例还提供了一种人脸活体检测装置，其特征在于，所述装置包括：获取模块，用于获取待检测对象的多张图片；人脸检测模块，用于按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；翻拍判断模块，用于按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；活体检测模块，用于若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。
10.第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的人脸活体检测方法。
11.第四方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面的人脸活体检测方法。
12.本发明提供的一种人脸活体检测方法和装置，使用机器学习和运动信息相结合的手段可以更准确地识别出更快速、精准的过滤出屏幕翻拍和纸质照片的人像信息，提高人脸活体检测的准确性。
附图说明
13.图1为本发明一个实施例中的一种人脸活体检测方法的步骤流程示意图；图2为本发明另一实施例中人脸定位检测模型的训练过程示意图；图3为本发明一个实施例中的一种人脸活体检测装置的结构示意图。
具体实施方式
14.为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明基于机器学习和运动信息相结合的人脸活体检测方法和装置的具体实施方式进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
15.本发明涉及cnn卷积神经网络技术领域，cnn(卷积神经网络)，它是深度学习技术中非常重要而且非常流行的一个算法，cnn是从视觉皮层的生物学上获得启发的。视觉皮层有小部分细胞对特定部分的视觉区域敏感。例如，一些神经元只对垂直边缘兴奋，另一些对水平或对角边缘兴奋。所有这些神经元都以柱状结构的形式进行排列，而且一起工作才能产生视觉感知。这种一个系统中的特定组件有特定任务的观点（视觉皮层的神经元细胞寻找特定特征）在机器中同样适用。
16.申请人经过研究发现，人脸活体与静态人脸图片相比，会在人脸器官上呈现一定的动作变化，例如眨眼等动作。
17.申请人经过研究还发现，录制翻拍则常会呈现摩尔纹、屏幕反光等特性。由于相机感光元件与显示器之间的波的干涉效应，通过翻拍电脑或手机屏幕上的证件照片而得到的图片上会出现明显的周期性条纹，称为摩尔纹。摩尔纹是区别真实图片和翻拍图片的重要线索。
18.综合以上发现，申请人提出了一种基于机器学习和运动信息相结合的人脸活体检测方法和装置，本发明利用cnn方法，包括以下步骤：步骤1）数据获取；步骤2）数据预处理；步骤3）数据模型的训练；步骤4）使用训练好的模型来判断是否为人脸活体。
19.如图1所示，为一个实施例中的一种人脸活体检测方法的流程示意图。具体包括以下步骤：s101，获取待检测对象的多张图片；具体的，该步骤中由用户输入一组人脸图片，例如，可由手机采集2秒视频，间隔一定帧数将该视频均匀切分成多张图片。
20.，按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；s103，按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；在一个实施例中，人脸定位检测模型和屏幕翻拍模型的训练方法，具体包括：s201，获取人脸图库数据信息；训练机器学习需要大量的训练数据，因此需要使用大规模的数据集，使用的静态人脸图片信息和屏幕翻拍人脸图片信息，是从网上获取的。测试输入的图片信息包含网上获取和手工录制的图片序列集合。
21.在获取人脸图库数据信息之后，本发明还包括：将获取的人脸图库数据信息进行处理，包括去除重复信息，去除遮挡图片，去掉高曝光图片等操作，并将处理后的结果以字典编号的形式进行保存。
22.，对获取的所述人脸图库数据信息进行处理，完成训练数据与测试数据的划分操作；具体的，可按照8:2分成训练数据和测试数据，分别用来作为模型的训练和模型的测试。
23.，根据所述训练数据进行训练，生成人脸定位检测模型和屏幕翻拍模型。
24.在一个实施例中，根据训练数据进行训练，生成人脸定位检测模型包括：通过多个cnn模型对多个关联信息进行训练，生成人脸定位模型。
25.具体的，如图2所示，第一阶段p
‑
net，通过一个浅层cnn生成候选窗口，全部由卷积层组成的cnn，获取候选人脸窗口以及人脸框回归向量，基于人脸框回归向量对候选窗口进
行校正。之后采用nms合并高重叠率的候选窗口。
26.第二阶段r
‑
net，通过一个复杂cnn否决大量非人脸窗口。第一阶段输出的候选窗口作为本阶段的输入，能够进一步筛除大量错误的候选窗口，再利用人脸框回归向量对候选窗口做校正，并执行nms。
27.第三阶段o
‑
net，使用更复杂的cnn进一步精化结果并输出多个人脸特征点，包括双眼位置多点信息。与第二阶段相似，用更多的监督来识别人脸区域，从而输出五个人脸特征点位置坐标。
28.在一个实施例中，根据训练图片数据进行训练，生成屏幕翻拍模型包括：通过计算水平及垂直方向的梯度卷积，并计算水平卷积图像及垂直卷积图像对应的7*7协方差矩阵，转化为特征向量，可基于预设的支持向量机算法(svm)对特征向量进行分类，生成翻拍判断的模型。
29.由于摩尔纹呈现周期性，在频率域中摩尔纹的特性会更加明显。因此，利用由于相机感光元件与显示器之间的波的干涉效应而产生的摩尔纹，计算获得图片边缘的像素梯度变化，可以有效提高翻拍图片识别的精度。
30.基于训练完成的模型，将测试数据作为测试集对模型进行评测，求得测试集的评测结果。下表为试验对应的多次测试的平均准确率，有网上的图片序列和自主录制的图片序列，因为有两个模型，所以这里使用训练时间，准确率，数据如下：评测标准/模型训练周期10次20次30次40次50次60次准确率90.594.596.197.898.398.5s104，若所述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。
31.在一个实施例中，步骤s104具体包括：s1041，由所述人脸定位检测模型计算出眼睛的多个位置坐标，包括眼睛左右角的位置和上眼皮位置、下眼皮位置；s1042，根据所述眼睛的多个位置坐标计算出每张图片中眼睛的开合程度；s1043，若所述多张图片中眼睛的最大和最小开合程度之差大于或等于预定阈值，则判断所述待检测对象为人脸活体。
32.本发明提供的一种人脸活体检测方法，使用机器学习和运动信息相结合的手段可以更准确地识别出更快速、精准的过滤出屏幕翻拍和纸质照片的人像信息，提高人脸活体检测的准确性。
33.基于同一发明构思，本发明还提供了一种人脸活体检测装置。由于此装置解决问题的原理与前述一种人脸活体检测方法相似，因此，该装置的实施可以按照前述方法的具体步骤实现，重复之处不再赘述。
34.如图3所示，为一个实施例中的一种人脸活体检测装置的结构示意图。该人脸活体检测装置10包括：获取模块100、人脸检测模块200、翻拍判断模块300、活体检测模块400。
35.其中，获取模块100用于获取待检测对象的多张图片；人脸检测模块200用于按照预先训练的人脸定位检测模型对所述图片中的人脸器官进行检测；翻拍判断模块300用于按照预先训练的屏幕翻拍模型判断所述图片是否为翻拍图片；活体检测模块400用于若所
述图片不为翻拍图片，则根据检测到的所述人脸器官的运动信息判断所述待检测对象是否为人脸活体。
36.以上，根据本公开实施例的基于机器学习和运动信息相结合的人脸活体检测方法和装置，以及计算机可读存储介质，使用机器学习和人工智能的手段可以更高效地处理这些信息，提取出有用的信息，更精准得出是否为人脸活体。本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行。
37.本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行上述图1的方法。
38.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（read
‑
only memory，rom）或随机存储记忆体（random access memory，ram）等。
39.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
40.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
41.以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
42.本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
43.另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，例如“a、b或c的至少一个”的列举意味着a或b或c，或ab或ac或bc，或abc（即a和b和c）。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
44.还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
45.可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组
成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
46.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
47.为了示例和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。