[发明专利]一种人脸活体检测方法及系统

权利要求书

1.一种人脸活体检测方法，其特征在于，包括：

获取待检测图片；

利用预先构建的卷积神经网络模型提取所述待检测图片的特征；

利用全连接层将所述特征转换为特征向量；

根据所述特征向量确定所述待检测图片的种类标签。

2.根据权利要求1所述的一种人脸活体检测方法，其特征在于，所述卷积神经网络模型的构建包括：

获取多张图片样本，每个样本唯一对应一个种类标签，且多张图片样本包括多个种类标签，所述多个种类标签至少包括两个以上假体种类标签；

利用基于深度学习的卷积神经网络提取所述图片样本的特征；

基于多张图片样本对应的所有假体种类标签的数量，利用全连接层将所述特征转换为特征向量；

根据损失函数训练所述卷积神经网络，得到优化后的网络参数；

根据优化后的网络参数构建卷积神经网络模型。

3.根据权利要求1或2所述的一种人脸活体检测方法，其特征在于，所述利用全连接层将所述特征转换为特征向量，包括：

将所述特征通过全连接层转换为一个高维向量；

将所述高维向量分别乘以一个N+1维参数矩阵和一个2维参数矩阵，得到N+1维分数特征向量和2维分数特征向量；

其中，N为假体种类标签的数量。

4.根据权利要求3所述的一种人脸活体检测方法，其特征在于，根据损失函数训练所述卷积神经网络，得到优化后的网络参数，包括：

按下式所示计算损失量：

L＝L₁+λL₂

当y_i＝1时，

当y_i≠1时，

其中，L为总体损失；L₁为第一类损失；L₂为第二类损失；λ为超参数；n为带标签的图片的个数；L_1,i为第i张图片对应的第一类损失；L_2,i为第i张图片对应的第二类损失；y_i为第i张图片的类型，y_i＝1代表图片的类型为人脸活体图片，y_i≠1代表图片的类型为其他类型图片；s为参数；θ_j,i为和x_i间的夹角；为N+1维参数矩阵W¹的第j列；x_i为第i张图片全连接层输出的多维特征向量；α_j,i为和x_i间的夹角；为2维参数矩阵W²的第j列；m为超参数阈值；W¹和W²分别为x_i与N+1维分数特征向量和2维分数特征向量间的参数矩阵。

5.根据权利要求3所述的一种人脸活体检测方法，其特征在于，根据所述特征向量确定所述待检测图片的种类标签，包括：

当N+1维分数特征向量的第一特征向量大于其他特征向量与超参数阈值之和，且2维分数特征向量的第一特征向量大于第二特征向量与超参数阈值之和，则所述待检测图片的种类标签为活体种类标签；

否则，所述待检测图片的种类标签为假体种类标签。

6.一种人脸活体检测系统，其特征在于，包括：

获取模块，用于获取待检测图片；

提取模块，用于利用预先构建的卷积神经网络模型提取所述待检测图片的特征；

转换模块，用于利用全连接层将所述特征转换为特征向量；

确定模块，用于根据所述特征向量确定所述待检测图片的种类标签。