[发明专利]一种基于深度信息的人脸活体检测方法

权利要求书

1.一种基于深度信息的人脸活体检测方法，其特征在于，包括以下步骤：

步骤S1，获取目标的深度图像和RGB图像；

步骤S2，根据RGB图像中人脸特征点的检测结果，对获取的深度图像数据进行人脸尺寸归一化处理；

步骤S3，求取尺寸归一化后的深度图像像素的最大值和最小值，然后将图像中的所有像素点归一化处理，得到归一化后的深度图像；将像素归一化后的深度图像转化为一个列向量，所述列向量表示为：

步骤S4，用预先构建的PCA模型对归一化处理后的深度图像进行降维，得到PCA系数，PCA系数计算公式为：其中α_i为PCA系数，X_i是步骤S3所得的深度图像转化的列向量，W_opt为PCA模型主成分矩阵，μ是样本均值；

步骤S5，将PCA系数输入预先训练的判别模型，得到判定为活体的得分；

步骤S6，将得分与阈值做比较，得出人脸活体检测结果。

2.如权利要求1所述的一种基于深度信息的人脸活体检测方法，其特征在于，步骤S4中，所述构建的PCA模型，构建步骤如下：

步骤S41，采集多个真实人脸的深度图像数据和RGB图像数据，形成深度图像数据集和RGB图像数据集；

步骤S42，针对获取的每一个人脸的深度图像数据，根据对应的RGB图像中人脸特征点的检测结果，进行尺寸归一化处理，得到尺寸归一化处理后的深度图像数据集；

步骤S43，求取尺寸归一化后每一个人脸深度图像数据像素的最大值和最小值，然后将图像中的所有像素点归一化处理，形成训练集；

步骤S44，计算训练集样本的均值，然后每个样本减去均值；

步骤S45，计算训练集中减均值后的样本的协方差矩阵；

步骤S46，求取协方差矩阵的特征值和特征向量；

步骤S47，选取特征向量，构建PCA模型。

3.如权利要求1所述的一种基于深度信息的人脸活体检测方法，其特征在于，步骤S5中，所述判别模型，构建步骤如下：

步骤S51，另取多个真实人脸的深度图像数据构成训练集，求取该训练集中样本的均值，用PCA模型处理该均值，得到PCA系数

步骤S52，计算余弦相似性S_cos，将余弦相似性S_cos作为判别为活体的得分输出，余弦相似性S_cos计算公式为：

其中，α_i是输入的待测深度图像数据的PCA系数，是步骤S51中求得的PCA系数。

4.如权利要求3所述的一种基于深度信息的人脸活体检测方法，其特征在于，所述判别模型可替换为，拟合训练集中所有样本的PCA系数α_i，得到概率密度函数：

其中，P是指PCA系数的取值在某个确定的取值点附近的可能性，将P作为判别为活体的得分输出。

5.如权利要求4所述的一种基于深度信息的人脸活体检测方法，其特征在于，所述概率密度函数采用混合高斯模型，用最大期望算法求得参数π_αi、μ_αi和∑_αi,i＝1,2,…,K，π_αi、μ_αi和∑_αi分别为单个高斯模型的权重、均值和协方差矩阵，K为高斯模型的个数，概率密度函数计算公式为：