[发明专利]一种基于信息融合的反欺骗三维人脸识别方法

权利要求书

1.一种基于信息融合的反欺骗三维人脸识别方法，其特征在于，包括如下步骤：

步骤1：采集多个真实人脸的彩色图和深度图，并对彩色图和深度图进行图像处理，获得真实人脸的彩色图像集和深度图像集；

步骤2：根据每张深度图中关键点的深度信息建立多个真实人脸的高斯分布模型，根据多个高斯分布模型确定真实人脸高斯分布参数的阈值范围；

步骤3：建立待识别人脸的高斯分布模型，将待识别人脸的高斯分布模型参数和真实人脸高斯分布参数的阈值范围进行对比，判定待识别人脸的真实性，如果判定为真实人脸则执行步骤4进行人脸识别步骤，否则不进行人脸识别步骤；

步骤4：构建深度卷积神经网络，并利用真实人脸的彩色图像集和深度图像集对深度卷积神经网络进行训练；

步骤5：将待识别人脸图像输入到训练好的深度卷积神经网络进行识别，输出识别结果。

2.如权利要求1所述的基于信息融合的反欺骗三维人脸识别方法，其特征在于，所述步骤1具体包括：

步骤1.1：采集多个真实人脸的彩色图和深度图；

步骤1.2：对彩色图进行真实人脸特征点的检测，确定人脸框的坐标信息以及多个特征点的坐标信息，完成人脸矫正对齐与人脸剪切处理；

步骤1.3：对深度图进行背景分割以及去噪预处理；

步骤1.4：根据彩色图与深度图之间的关系进行特征点的空间映射，根据特征点的映射对深度图进行人脸剪切处理；

步骤1.5：最终获得真实人脸的彩色图像集和深度图像集。

3.如权利要求1所述的基于信息融合的反欺骗三维人脸识别方法，其特征在于，所述步骤2具体包括：

步骤2.1：对每张深度图中关键点的深度信息进行离散度分析；

步骤2.2：确定每张深度图的关键点间深度信息的最大差值，并计算多张深度图的关键点间深度信息的最大差值的平均值；

步骤2.3：根据深度图中深度信息的最小值以及最大差值的平均值，对在一定差值内的深度信息进行归一化操作；

步骤2.4：根据归一化后的深度信息，建立每张真实人脸的深度图的鼻子区域的高斯分布模型；

步骤2.5：通过深度图像集中每张深度图对应的高斯分布模型，确立真实人脸的高斯分布参数的阈值范围。

4.如权利要求3所述的基于信息融合的反欺骗三维人脸识别方法，其特征在于，所述步骤3具体包括：

步骤3.1：根据步骤1中的图像处理方式对待识别人脸图像进行处理，获得处理后的深度图和彩色图；

步骤3.2：对处理后的深度图中关键点的深度信息进行离散度分析；

步骤3.3：根据深度图中深度信息的最小值以及步骤2.2中计算获得的深度信息的最大差值的平均值，对在一定差值内的深度信息进行归一化操作；

步骤3.4：根据归一化后的深度信息，建立待识别深度图的鼻子区域的高斯分布模型；

步骤3.5：将待识别人脸的高斯分布模型参数和真实人脸高斯分布参数的阈值进行对比，如果判定为真实人脸则执行步骤4进行人脸识别步骤，否则不进行人脸识别步骤。

5.如权利要求3或4所述的基于信息融合的反欺骗三维人脸识别方法，其特征在于，高斯分布模型公式如下：

其中，表示深度信息，是维度为D的向量，是多个向量的平均值，Σ表示所有向量的协方差矩阵。

6.如权利要求1所述的基于信息融合的反欺骗三维人脸识别方法，其特征在于，步骤4中的深度卷积神经网络是基于SqueezeNet的轻量型孪生网络结构构建的，数据输入端采用的是彩色图和深度图融合而成的4维图像数据，输出为两个表征人脸的特征向量；

网络结构分为结构相同的左、右两部分，每部分具体包括：依次连接的卷积层、批标准化层与池化层，之后连接的网络结构以轻量级SqueezeNet结构为主干，轻量级SqueezeNet结构之后依次连接正则化加卷积层、全局平局池化层以及正则化加全连接层；

经过左、右两个结构之后将输出的两个表征人脸的特征向量输入到loss层做欧式距离计算，再进行对比损失分类。