[发明专利]一种基于深度信息的人脸活体检测方法

说明书

本发明公开了一种基于深度信息的人脸活体检测方法，所述方法采用PCA模型对人脸深度图像数据进行分析，包括以下步骤：1、获取目标的深度图像和RGB图像；2、对获取的深度图像数据进行人脸尺寸归一化处理；3、像素点归一化处理，得到归一化后深度图像；4、用预先构建的PCA模型处理经归一化处理的深度图像，求得PCA系数；5、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；6、将得分与预设阈值做比较，得出活体检测结果。其中，PCA模型和判别模型是预先基于训练集训练得到的。上述方法的计算过程中，深度图像经过PCA模型处理，数据的维度明显下降，有效减少了计算量，提高了活体检测的效率。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种基于深度信息的人脸活体检测方法。

背景技术

二维人脸识别技术目前已经大量应用于考勤系统和门禁系统，金融领域也有逐渐引入人脸识别技术。但是二维人脸识别系统在实际的应用中存在一些问题，由于人脸容易获取，使得人脸容易被一些人用照片、视频等方式复制，而且人脸识别系统恰好不能很好的抵抗视频或者照片的攻击，也就是人脸识别系统活体检测或者防伪能力较薄弱。针对人脸识别系统的这个缺陷，一系列的人脸识别防伪方法或活体检测方法被提出，解决二维人脸识别系统不能抵抗照片或者视频攻击的缺陷。

现阶段人脸识别系统的防伪或活体检测方法可分为使用额外硬件和使用软件两大类。其中使用额外硬件的方法一般是外加可以探测到活体生物信息的硬件来判断识别对象是否为真实活人的人脸，比如说红外或近红外摄像头；而使用软件的方法则是基于数字图像处理，分析图像、视频或者视频帧的特征(比如眼部动作，嘴部动作)来区分识别对象是照片、视频还是真实人脸。

现有的使用软件的方法，数字图像处理分析的对象，不论是图像、视频还是视频帧，都是二维的数据，在运算过程中，数据的处理速度慢，效率低。而且，由于运算量较大，增加人脸活体识别需要额外配备硬件资源，不易与现有的移动终端集成。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于深度信息的人脸识别活体检测方法。

为了实现上述发明目的，本发明提供了以下技术方案：

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。

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，计算公式如下：

其中，α_i为PCA系数，X_i是S3所得的深度图像转化的列向量。

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。

上述步骤S4中，构建PCA模型的步骤如下：

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；