[发明专利]一种非配合式人脸活体检测方法及计算机存储介质

说明书

本发明提供一种非配合式人脸活体检测方法及计算机存储介质，所述方法包括以下步骤：S1、获取模型训练用活体检测图像集合，并对所述图像集合进行处理；S2、设计Inception Net分类网络；S3、设计SSD检测网络；S4、通过所述Inception Net分类网络和所述SSD检测网络对所述图像集合进行模型训练；S5、获取实时图像，根据模型训练的结果预测所述实时图像是否为人脸活体。根据本发明实施例的非配合式人脸活体检测方法，不需要增添摄像头以外的硬件设备，且不需要待测人员配合，能够达到超实时的人脸活体检测速度，成本低廉，使用方便。

技术领域

本发明涉及人脸检测领域，更具体地，涉及一种非配合式人脸活体检测方法及计算机存储介质。

背景技术

人脸识别以其快速性、有效性、用户友好性，逐渐成为了一种重要的加解密方式，但是目前许多人脸识别系统无法辨别人脸的真伪，因此，在人脸识别系统中引入活体检测方法有助于提高人脸识别的实用性与安全性。目前人脸活体检测的方法主要有以下几种：

1)基于视频流交互式的主动活体检测。主要技术手段：首先系统进行人脸检测及人脸关键点定位，如果视频中存在人脸，则随机生成若干个动作，如果测试人员在规定时间内完成指定动作，则系统判定测试人员为活体，反之则判定为非活体。该方法存在的问题和缺陷为：需要用户配合，且用时较长。

2)基于亮瞳效应的人脸活体检测方法。主要技术手段：通过检测人脸的眼睛区域是否存在亮瞳效应来区分活体人脸与非活体人脸。该方法存在的问题和缺陷为：需要增加额外的光源设备，造价较高，且操作繁琐。

3)具有图像失真分析的人脸活体检测方法。主要技术手段：首先系统进行人脸检测及人脸关键点定位，如果图片中存在人脸，则提取图片中的4种特征(镜面反射特征、模糊程度特征、矩特征、颜色多样性特征),应用支持向量机进行训练和预测。存在的问题和缺陷为：该方法提取的特征相对简单，判别能力不强且泛化能力不强，不能很好的在现实场景中应用。

因此，基于现有技术尚存在以上问题有待解决，亟需开发一种新型的非配合式人脸活体检测方法。

发明内容

有鉴于此，本发明提供一种非配合式人脸活体检测方法及计算机存储介质，能够有效提高人脸活体检测的精确度与速度。

为解决上述技术问题，一方面，本发明提供一种非配合式人脸活体检测方法，所述方法包括以下步骤：S1、获取模型训练用活体检测图像集合，并对所述图像集合进行处理；S2、设计Inception Net分类网络；S3、设计SSD检测网络；S4、通过所述Inception Net分类网络和所述SSD检测网络对所述图像集合进行模型训练；S5、获取实时图像，根据模型训练的结果预测所述实时图像是否为人脸活体。

根据本发明实施例的非配合式人脸活体检测方法，通过将Inception Net分类网络与SSD检测网络配合使用，极大地提高了人脸活体检测的精确度与速度，利用SSD检测网络可以适应多种尺度的电子设备边框的训练和检测任务，并且能够实时高精度的检测目标。本发明使用的活体检测方法不需要增添摄像头以外的硬件设备，且不需要待测人员配合，能够达到超实时的人脸活体检测速度，成本低廉，使用方便。

根据本发明的一些实施例，步骤S1包括：S11、通过摄像设备批量保存活体检测图像集合Q；S12、对所述图像集合Q中的第一集合的图像进行边框标注，获取有边框标注信息的图像G和不带标注信息的图像P，其中所述第一集合图像是所述图像集合Q的子集。

根据本发明的一些实施例，在步骤S2中，将设计的所述Inception Net分类网络记为M，所述Inception Net分类网络包括深度神经网络A和3组Inception结构C，所述Inception结构C包括四个分支，每个所述分支分别由1*1卷积、3*3卷积、5*5卷积、3*3最大池化组成。