[发明专利]一种自动过滤模糊人脸的快速活体检测方法及系统

说明书

本发明公开一种自动过滤模糊人脸的快速活体检测方法及系统，涉及活体检测技术领域，包括：获取若干真实人脸图片及若干虚假人脸图片；将各真实人脸图片和各虚假人脸图片进行分组得到训练集和测试集；对训练集中进行图像特征提取，得到对应的特征图谱；对训练集进行模糊处理，得到对应的模糊图像；根据训练集中的各真实人脸图片、各虚假人脸图片、各特征图谱以及各模糊图像训练得到活体检测模型；根据活体检测模型对测试集中的各真实人脸图片和各虚假人脸图片进行活体检测，并计算活体检测结果与各真实人脸图片和各虚假人脸图片的真实结果之间的损失函数，以根据损失函数对活体检测模型进行验证。本发明有效提高了活体检测的准确率。

技术领域

本发明涉及活体检测技术领域，具体涉及一种自动过滤模糊人脸的快速活体检测方法及系统。

背景技术

随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用，活体检测(Face Anti-Spoofing)技术在近年来得到了越来越多的关注。活体检测是在一些身份验证场景确定对象真实生理特征的方法，在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。常见活体检测攻击手段有多种，如打印攻击使用，即打印的照片代替被检测者；翻拍攻击，即攻击者使用手机等电子产品播放被检测者的视频或者照片；3D面具攻击，即使用真人比例的面具戴在攻击者脸上来攻击活体检测系统。有效的活体检测能够帮助用户甄别欺诈行为，保障用户的利益。

现有技术中，活体检测算法分为静态方法和动态方法两类：

静态方法分为传统方法和基于CNN模型的方法。传统方法采用handcrafted特征(手动设计的特征)用来区分真实人脸和虚假人脸，然后使用SVM等分类算法来区分，如使用LBP特征；使用镜面放射、图片失真评估和颜色等统计量组成特征子，该方法在人脸失真不明显时效果很差；传统方法还包括使用HSV空间人脸多级LBP特征和YCbCr空间人脸LPQ特征来区分真实人脸。这些传统方法由于手动构造的特征，活体检测的泛化性能效果不好。基于CNN的模型使用CNN来提取人脸特征，将人脸分块并分别finetune模型(即是将已经预训练好的模型，采用分块得到的各个人脸分块重新训练)，然后再融合各个分块的特征，此方法性能较差且无法实时；也有用到深度图、红外图等额外人脸信息来进行活体检测并且超过了人类水平，但无法在仅获得RGB图像时进行活体检测。

动态方法分为主动活体检测和被动人脸检测，主动活体检测要求被检测者配合做一些验证动作，这种方法主要用在金融、支付等安全要求较高的场景，在很多场景中不实用；被动人脸检测利用视频中多帧之间关联信息来判定是否是真实人脸，使用CNN和LSTM利用多帧信息模拟LBP-TOP方法，性能很差。

发明内容

本发明的目的在于提供一种自动过滤模糊人脸的快速活体检测方法及系统。

为达此目的，本发明采用以下技术方案：

提供一种自动过滤模糊人脸的快速活体检测方法，具体包括以下步骤：

步骤S1，获取若干真实人脸图片以及基于所述真实人脸图片的若干虚假人脸图片；

步骤S2，将各所述真实人脸图片和各所述虚假人脸图片进行分组得到训练集和测试集；

步骤S3，对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行图像特征提取，得到各所述真实人脸图片和各所述虚假人脸图片对应的特征图谱；

步骤S4，对所述训练集中的各所述真实人脸图片和各所述虚假人脸图片进行模糊处理，得到各所述真实人脸图片和各所述虚假人脸图片对应的模糊图像；

步骤S5，根据所述训练集中的各所述真实人脸图片、各所述虚假人脸图片、各所述特征图谱以及各所述模糊图像训练得到活体检测模型；