[发明专利]人脸活体检测方法及设备

权利要求书

1.一种人脸活体检测方法，其特征在于，包括如下步骤：

S1、接收包含人脸区域的深度图像、彩色图像、红外图像，并进行配准；

S2、检测所述深度图像、彩色图像、红外图像中的人脸区域；

S3、对所述人脸区域深度图像预处理实现图像增强并提取有效人脸深度图像，其中，对输出的有效人脸深度图N_{norm_face}进行人脸尺度信息嵌入，来剔除类似人脸深度分布而非人脸尺寸目标的干扰，具体过程包含：

(a)根据人脸检测算法得到的所述人脸区域深度图像的坐标，计算该区域的像素面积，记为其中k表示该人脸的标号；

(b)计算所述图像N_{norm_Face}中，每个像素值与该人脸区域像素面积的比值，记为

(c)对每个像素点重新赋值，其值为上一步计算得到的每个像素对应的

深度预处理结束，输出具有人脸深度信息的有效人脸深度图像O；

S4、将所述有效人脸深度图像、人脸区域的彩色图像和红外图像分别输入至经训练的级联深度卷积神经网络，进行精确的人脸活体检测；步骤S4中，将有效人脸深度图像输入至第一级深度卷积神经网络中进行人脸活体检测，如果检测结果为虚假人脸，则检测结束；如果检测结果为真实人脸，则进入第二级深度卷积神经网络，将与所述有效人脸深度图像对应的人脸区域彩色图像和红外图像输入至第二级深度卷积神经网络进行人脸精确检测，最终判定为真实人脸还是虚假人脸；

所述深度卷积神经网络的训练步骤包括：

步骤601、接收多幅人脸深度图像、彩色图像和红外图像，检测人脸区域的深度图像、彩色图像和红外图像并保存到存储器；

步骤602、对人脸区域深度图像分别进行深度预处理实现图像增强，并提取有效人脸深度图像；

步骤603、将有效人脸深度图像输入至第一级深度卷积神经网络进行训练，得到一个大小为1×2的向量输出，用于人脸活体二分类判别；同时将与所述人脸区域深度图像对应的人脸区域彩色图像和人脸区域红外图像输入至第二级深度卷积神经网络进行训练，得到一个大小为1×2的向量输出，用于人脸活体二分类判别。

2.如权利要求1所述的人脸活体检测方法，其特征在于，所述级联深度卷积神经网络由两个经训练的深度卷积神经网络级联组成，每一个深度卷积神经网络均包括输入层、卷积层、池化层、全连接层、softmax层和输出层，输入层对所述有效人脸深度图像进行格式、大小调整，卷积层和池化层分别进行卷积、池化操作，输出层为一个全连接网络，经过最后一级的softmax层预测后得到一个大小为1×2的向量输出，用于人脸活体二分类判别。

3.如权利要求1所述的人脸活体检测方法，其特征在于，在步骤S1中，配准时，找到深度图像、彩色图像、红外图像三者坐标的对应关系以消除视差；在步骤S2中，通过检测出彩色图像中的人脸区域，根据对应关系定位出深度图像和红外图像的人脸区域。

4.如权利要求3所述的人脸活体检测方法，其特征在于：步骤S2中检测所述深度图像、彩色图像、红外图像中的人脸区域，具体包括如下内容：

S21、根据人脸检测算法判断在一幅包含人脸的彩色图像上检测到几个人脸，如果人脸个数等于1，则标记该人脸区域的矩形框左上顶点的坐标以及矩形框的长和宽，相关表达式表示为(x,y,width,height)；

S22、如果人脸个数大于1，记为N，则根据检测出的人脸区域矩形框的长和宽的值计算人脸矩形区域的面积S_i，i∈(1，…，N)；将所有N个人脸区域的面积进行降序排列，选取最大值并输出对应人脸区域彩色图像的相关表达式(x,y,width,height)；

S23、再根据检测到的人脸区域彩色图像的坐标位置(x,y)，对该彩色图像以及对应深度图像和红外图像上进行人脸区域截取，并将截取的人脸区域的彩色图像、深度图像和红外图像保存至存储器。