[发明专利]一种通过视频进行真人验证的方法

说明书

技术领域

本发明属于真人验证的技术领域，具体涉及一种通过视频进行真人验证的方法。

背景技术

传统的身份认证方式包括密码、身份证、智能卡等，随着技术的发展出现了人脸、指纹、视网膜、虹膜、掌静脉、指静脉等身份认证方式，同时针对新技术的攻击也逐渐出现，如通过照片、视频甚至3D模型伪造人脸，通过高分辨率照片、隐形眼镜等伪造虹膜。

但是人脸攻击技术使得人脸身份认证系统中的应用受到了严重的限制，为了解决这一问题，人脸活体检测技术已然成为研究热点。目前的活体识别技术基本采用了人脸关键点检测的方式，但是需要用户配合做出相应的动作，操作复杂，验证时间较长，然而这也无法解决视频与3D模型伪造人脸的问题。

发明内容

本发明提供了一种通过视频进行真人验证的方法，采集连续视频，并将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像，采用训练好的深度学习模型处理合成的多通道图像并抽取深度特征，然后采用活体判断方法判别是否为活体并输出判别结果；本发明可以有效辨别真人。

本发明主要通过以下技术方案实现：一种通过视频进行真人验证的方法，主要包括以下步骤：

步骤A1：采集连续视频，将视频流中的连续视频帧转换为多张单通道图像，然后将多张单通道图像组合成一张多通道图像；

步骤A2：将步骤A1中合成的图像输入到深度学习的训练模型中并抽取深度特征；

步骤A3：采用活体判断方法判断当前图像中的人是否为活体，并输出结果。

人脸照片以及视频的攻击中真实人脸与假冒人脸有很大的区别，真实人脸是通过摄像头直接拍摄真实人脸得到的，而假冒人脸至少要经过两道工序才能获得，假人脸的制作以及二次采集。区分真实人脸以及假冒人脸的关键在于找到二次采集对于人脸产生的影响。

本发明是通过摄像头拍摄用户的连续视频，将视频流中的连续视频帧转换为多张单通道图像图像，组合成一张多通道图像，采用深度学习方式处理合成的图像并抽取深度特征，根据特征数据来判断当前图像中的人是否为真人。本发明使用活体判别算法分析深度特征是否属于活体；为了提高活体判别的严格程度，所述步骤A1-A3重复检测3次以上连续验证成功，则输出结果为活体；反之则活体验证失败。本发明是采用深度学习的方式在线检测活体，可以有效的解决图片、视频与3D模型伪造人脸的问题。

VGG-Net是一个应用在物体分类与识别方面的神经网络，VGG-Net的输入是固定尺寸大学的RGB的2D图像，接着依次通过一系类堆叠的，核大小为3×3的卷积层。每两个或者三个连续堆叠的卷积层为一个网络的小的单元模块，命名为Block。每一个Block后面会接入一个Max-pooling层，用于减小输入的尺寸大小，并保持网络的平移不变性。经过多个堆叠的Block单元后的输出，会接入一个三层的传统神经网络，也就是三层全连接层。最后的分类输出是一个softmax多分类器。

VGG网络模型是牛津大学视觉几何组提出的一种深度模型，在LFW数据库上取得了97%的准确率。VGG网络由5个卷积层，两层fc图像特征，一层fc分类特征组成，具体我们可以去读它的prototxt文件余弦相似度通过测量两个向量内积空间的余弦值来度量它们之间的相似性，尤其适用于任何维度的向量比较中，因此属于高维空间应用较多的机器学习算法。通常来说，数字图像包含的特征码较多，而这些特征组就属于高维空间，这正是余弦相似度算法应用的范围，算法将每个图像的特征组转化为高维空间的向量，两个向量之间的角度之余弦值可用于确定两个向量是否大致指向相同的方向。

为了更好的实现本发明，进一步的，所述步骤A1中抽取连续多帧彩色图像，将彩色图像转换为单通道灰度图像；将3张单通道灰度图像组成一张三通道的彩色图像。

为了更好的实现本发明，进一步的，所述步骤A2中训练模型为训练好的VGG Face深度学习模型；所述VGG Face模型中的fc8的输出参数mum-outptut为2，且fc8的名称参数name为fc8_living；在Caffe的环境中，使用标记的实际样本训练修改后的VGG Face模型，得到训练好的VGG Face深度学习模型。

为了更好的实现本发明，进一步的，所述步骤A2中，采用训练好的VGG Face模型处理步骤A1中合成的图像，并抽取模型网络中名称为fc8_ living的网络层特征深度信息，该信息包含第一浮点数和第二浮点数。