[发明专利]一种人脸活体检测方法及系统

说明书

本发明涉及一种人脸活体检测方法及系统，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。本发明提供的技术方案引入新的损失函数，综合二分类和多分类损失函数的优点，从而能够更好的对活体与假体图片进行区分，达到更好的活体检测效果。

技术领域

本发明属于人脸识别领域，尤其涉及一种人脸活体检测方法及系统。

背景技术

人脸活体检测，即利用设备或模型来区分真实的人脸图片和假体图片，其中假体图片可以包括打印人脸图片、人脸面具图片等等。而人脸活体检测由于假体图片的多样性和高仿真性，以及人脸之间的差异性，而具有很大的挑战性。

目前的基于深度学习的活体检测技术只是用了传统的深度卷积网络，利用softmax计算损失函数，再对网络参数进行更新，但是由于假体的种类繁多，且特征差别较大，所以直接利用传统的softmax计算二分类的损失函数会使得分类界面难以学习，使得原先的二分类问题变成了多分类问题，改变了活体检测问题的本质，使得人脸活体检测的效果不好。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种人脸活体检测方法及系统。

一种人脸活体检测方法，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。

进一步的，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。

进一步的，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。

进一步的，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，