一种基于卷积神经网络的人脸活体检测方法与流程

本发明涉及一种人脸活体检测方法，具体说是一种基于卷积神经网络的人脸活体检测方法。

背景技术：

随着计算机视觉技术的不断发展，人脸识别技术的性能得到了质的提升。由于人脸识别技术具有直接、方便、易用的特点，目前广泛应用于智能监控、金融、移动支付的领域。随着人脸识别技术的广泛应用，人脸识别技术的安全问题也日益突出。例如：攻击者可以利用用户的图片欺骗人脸识别系统进行移动支付等，造成用户的损失。为了提高人脸识别技术的安全性，需要准确判断当前的用户是否为活体。

最近有些关于人脸活体检测的尝试，其中最为典型的方法是交互式人脸检测，在该方法中，需要从多帧图像中判断用户的动作，导致该方法计算时间长，检测过程繁琐。同时该方法对图像的质量要求较高，当受到光照，硬件条件设备等影响的条件下，导致活体检测效果较差。

基于图像纹理特征的人脸活体检测一直是研究热点，利用局部二值化模式(lbp)图像纹理特征，利用支持向量机(svm)分类器进行人脸活体检测，该方法虽然简单，但是易受到噪声和光照条件的影响。

技术实现要素：

为解决现有技术存在的上述缺点，本技术提供一种基于卷积神经网络的人脸活体检测方法，其计算量小，人脸活体检测效率高，同时也提高了活体检测的准确率。

为实现上述目的，本技术的技术方案为：一种基于卷积神经网络的人脸活体检测方法，包括如下步骤：

步骤1，对训练集图像进行处理，归一化到64*64像素大小；

步骤2，将归一化的图像输入到预训练的卷积神经网络；

步骤3，将得到的深度人脸卷积特征进行lbp特征提取；

步骤4，进行svm训练，得到用于人脸活体识别的svm分类器；

步骤5，对待检测人脸视频进行采集处理，将采集到的单帧转化为灰度图；对于采集到的图像进行人脸检测，如果有人脸，则对人脸图像进行图像归一化到64*64像素；

步骤6，将待检测图像进行步骤2和步骤3的处理，然后进行特征提取，得到图像的lbp特征；

步骤7，将lbp特征输入到人脸活体识别的svm分类器中判断是否为活体人脸。

进一步的，针对步骤2，对于每一个人脸图像，通过预训练好的卷积神经网络，具体而言，采用deepface(o.m.parkhi,a.vedaldi,anda.zisserman,“deepfacerecognition,”inbritishmachinevisionconference,2015.)的网络结构，与该网络不同的是，去掉最后一层的全链接层，来获得人脸卷积特征图。

进一步的，针对步骤3，通过公式计算得到lbp特征值,计算公式为：

其中，(xc,yc)为中心像素的坐标，p为邻域的第p个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，s(x)为符号函数。

更进一步的，针对步骤4，首先构建训练集，训练集包括真人人脸照片以及通过照片翻拍造假的人脸照片；将样本的图像进行步骤2和步骤3的处理之后得到特征，根据样本的特征和类别进行持向量机(svm)分类器的训练。

本发明由于采用以上技术方案，能够取得如下的技术效果：本技术通过卷积神经网络提取训练集人脸图像深部特征，再进行lbp特征提取，建立svm检测模型。通过对视频的处理，进行人脸检测，获取到待检测的人脸图像，输入到卷积神经网络后进行lbp特征提取，最后输入到svm模型，得到检测结果。通过卷积神经网络结合lbp特征提取及svm分类，计算量小，人脸活体检测效率高，同时也提高了活体检测的准确率。

附图说明

图1为本技术的流程图；

图2为本技术的卷积神经网络结构图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施中的技术方案进行清楚、完整的描述，可以理解的是，所描述的实例仅仅是本发明的一部分实例，而不是全部的实施例。基于本发明的实施例，本领域的技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

本实施例提供了一种基于卷积神经网络结合lbp进行人脸活体检测的方法；通过卷积神经网络提取训练集人脸图像深部特征，再进行lbp特征提取，建立svm检测模型。通过该方法，能够准识别出是否为人脸活体，而且运行效率高，能够满足实时识别的要求。

本发明流程图如图1所示，以及网络结构图如图2所示，具体实施步骤如下：

步骤1，对训练集图像进行处理，归一化到64*64像素大小；

步骤2，将归一化的图像输入到预训练的卷积神经网络；该网络采用deepface(o.m.parkhi,a.vedaldi,anda.zisserman,“deepfacerecognition,”inbritishmachinevisionconference,2015.)的网络结构。将该网络的全连接层去掉，最后得到深度的人脸卷积特征。

步骤3，将得到的深度人脸卷积特征进行lbp特征提取，其中，本发明采用lbp8,1算子进行lbp特征提取。

步骤4，按照上述步骤1,2,3进行数据集图像处理之后进行svm训练，得到用于人脸活体识别的svm分类器。

步骤5，对待检测人脸视频进行采集处理，将采集到的单帧转化为灰度图。对于采集到的图像进行人脸检测，如果有人脸，则对人脸图像进行图像归一化到64*64像素。

步骤6，将待检测图像进行步骤2,3的处理，进行特征提取，得到图像的lbp特征。

步骤7，将lbp特征输入到人脸活体识别的svm分类器中判断是否为活体人脸。

技术特征：

技术总结
本发明公开了一种基于卷积神经网络的人脸活体检测方法，包括如下步骤：步骤1，对训练集图像进行处理；步骤2，将归一化的图像输入到预训练的卷积神经网络；步骤3，将得到的深度人脸卷积特征进行LBP特征提取；步骤4，进行SVM训练，得到用于人脸活体识别的SVM分类器；步骤5，对待检测人脸视频进行采集处理，将采集到的单帧转化为灰度图；对于采集到的图像进行人脸检测，如果有人脸，则对人脸图像进行图像归一化；步骤6，将待检测图像进行步骤2和步骤3的处理，然后进行特征提取，得到图像的LBP特征；步骤7，将LBP特征输入到人脸活体识别的SVM分类器中判断是否为活体人脸。本申请计算量小，人脸活体检测效率高，同时也提高了活体检测的准确率。

技术研发人员：王存睿;黄星宇
受保护的技术使用者：大连民族大学
技术研发日：2019.06.10
技术公布日：2019.09.10