[发明专利]一种活体人脸识别方法及系统

说明书

技术领域

本发明属于人脸识别技术领域，尤其涉及一种活体人脸识别方法及系统。

背景技术

生物特征识别系统的使用安全性是人们普遍关注的问题，人们对生物特征识别系统的信心和接受很大程度上取决于系统的鲁棒性、低错误率和抗欺骗能力。因此活体检测是生物特征识别系统中检测和拒绝仿冒身份特征的一项重要功能。在人脸识别系统中有可能面临的所有的欺骗中，通过照片或者视频的方式毫无疑问是最常见的。如果没有活体人脸检测做保障，用一张照片、一段视频都可以欺诈通过，那么这样的人脸识别有什么实际应用价值？因此，人脸识别技术目前还存在严重的安全隐患。比如，在智能家居的安防产品中，通过人脸识别认证是普遍的做法，但人脸识别有一个很大的问题，当有人用照片来欺骗安防摄像头时，有时候显得无能为力。

现有技术中中，专利号CN201510633817《活体人脸识别方法和装置》中，通过双摄像头采集图像数据，然后根据双摄像头采集的两张图片数据中通过一定算法提取人脸面目深度信息来确定是否是真实的人脸，因为照片是平面的，是没有深度信息的。但这种传统算法不可能是无缺陷的，这种方法在真实使用中很容易造成误判，尤其是在复杂环境下，比如光照较差的情况下，准确率不高。

发明内容

本发明提供一种活体人脸识别方法及系统，可以避免使用含有人脸的照片或视频来骗取认证，提高了系统安全性，同时缩短了识别时间，提高了识别准确率。

本发明一种活体人脸识别方法包括：

S100采集摄像头拍摄的视频帧图像；

S200通过已训练的卷积神经网络来识别所述视频帧图像是否为活体人脸图像。

本发明提供了一种基于卷积神经网络的活体人脸检测方法，该方法可以判别人脸图像是活体人脸图像还是照片(或者视频)，从而防止非法用户使用合法用户的照片、视频进行欺骗。传统的活体人脸检测算法都是基于手工特征提取的，一种有效的手工特征需要很长时间才能设计出来，且算法也是存在一定缺陷的，对准确率有一定影响，而卷积神经网络不需要手工设计特征，只需要设计网络结构，训练参数即可。

进一步地，所述步骤S100之前还包括步骤：

S010通过摄像头采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；

S020通过卷积神经网络的深度学习所述活体人脸图像样本、人脸照片样本，学习训练后获得能分辨出活体人脸与照片的活体人脸识别模型。

训练样本，如果想要分辨率高的话，样本的数量自然是越多越好。由于训练的模型需要能分辨出拍摄的是活体人脸还是照片，因此在训练的时候就需要进行分类训练，通过摄像头拍摄活体人脸获得的活体人脸图像作为活体人脸图像样本，并标记为活体人脸，通过摄像头拍摄人脸照片(或视频)而获得的人脸图像作为人脸照片样本，并标记为人脸照片，从而让卷积神经网络分类学习和训练，从而使得能快速区分活体人脸与照片。

进一步地，所述步骤S200包括步骤：

S210对所述视频帧图像进行图像处理；

S220对处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是则进入下一步骤；

S230将所述处理后的视频帧图像作为所述活体人脸识别模型的输入，获得识别分类结果。

进一步地，所述步骤S210中所述的图像处理包括对所述视频帧图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

对图像进行预处理会更利用提高识别速度与效率。

进一步地，所述摄像头为双摄像头。

本发明还公开了一种活体人脸识别系统，包括摄像模块、采集模块、活体人脸检测模块，所述采集模块分别与所述摄像模块、活体人脸检测模块相连，其中：所述采集模块对所述摄像模块拍摄的视频进行采样获得视频帧图像；所述活体人脸检测模块通过已训练的卷积神经网络检测识别所述视频帧图像是否为活体人脸图像。

进一步地，所述活体人脸检测模块包括学习子模块、与所述学习子模块相连的，活体人脸识别子模块，其中：所述采集模块通过所述摄像模块采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；所述学习子模块通过卷积神经网络深度学习所述活体人脸图像样本、人脸照片样本，并将训练的结果给到所述活体人脸识别子模块，使得所述活体人脸识别子模块能对活体人脸图像与人脸照片进行区分。