[发明专利]基于树形神经网络结构的人脸活体检测方法

权利要求书

1.一种基于树形神经网络结构的人脸活体检测方法，其特征在于，通过收集训练样本并标注后用于对基于树形神经网络结构的人脸活体检测模型进行训练，再将预处理后的待测图片输入训练后的人脸活体检测模型，实现活体检测；

所述的基于树形神经网络结构的人脸活体检测模型为4层树形结构的神经网络，具体包括：7个特征提取模块、8个有监督训练模块和7个用于攻击样本的无监督聚类的路由模块，其中：树型神经网络上的非叶子节点均为先通过一个特征提取模块后连接一个路由模块，叶子结点均为一个有监督训练模块；

所述的收集训练样本并标注是指：使用公开数据集以及从视频网站收集的用于训练的非活体样本视频，并为非活体样本视频中每一帧通过MTCNN人脸检测算法进行人脸检测并制作作为训练监督数据的掩膜。

2.根据权利要求1所述的基于树形神经网络结构的人脸活体检测方法，其特征是，所述的公开该数据集包括：在室内光环境下采集拍摄用于训练的活体样本视频及纸张打印和屏幕攻击的非活体样本视频；

所述的用于训练的活体样本视频，为在自然光及室内下拍摄的活体样本视频；

所述的非活体样本视频为作为打印攻击的拍摄打印的人脸照片及作为屏幕攻击的屏幕展示人脸照片。

3.根据权利要求1或2所述的基于树形神经网络结构的人脸活体检测方法，其特征是，所述的非活体样本视频进一步包括：从视频网站收集的包括：部分面具、硅脂面具、纸张面具、假人模特、化妆模仿、纸张打印眼部眼镜的非活体样本视频，并从训练样本视频中随机抽取10帧即共1626*10张图像作为训练数据，标注活体样本标签为0，非活体样本标签为1，从而以达到数据增强的效果。

4.根据权利要求1所述的基于树形神经网络结构的人脸活体检测方法，其特征是，所述的人脸检测是指：真实人脸部分为0，假体部分为1，具体为：真实人脸的掩膜即为人脸的区域为0，打印照片的掩膜为人脸的区域为1，眼部面具的掩膜即为眼部区域为1，脸部其他区域为0。

5.根据权利要求1所述的基于树形神经网络结构的人脸活体检测方法，其特征是，所述的训练是指：将活体和非活体样本视频打乱并随机抽取视频帧及其掩膜输入到树形神经网络进行训练，得到训练后的基于树形神经网络结构的人脸活体检测模型。

6.根据权利要求1所述的基于树形神经网络结构的人脸活体检测方法，其特征是，所述的特征提取模块包括：三个具有残差结构的卷积层和一个最大池化层，其中：卷积层的卷积核大小均为3*3大小，具使用ReLU作为激活函数并加入BN层分别在第一层、第二层、第三层得到128*128*40、64*64*40、32*32*40大小的特征图；

所述的路由模块将输入的特征图使用1*1的卷积对特征图进行降维并缩放至16*16*20大小，并将其reshape为一个16*16*20长度的向量，后将向量输入路由函数进行计算并得出路由的目标；

所述的有监督训练模块以32*32*40的特征图为输入，首先一个分支经过1*1的卷积层生成32*32*1的非活体掩膜图；另一分支经过两个卷积层，卷积核大小均为3*3，通道数均为40，后通过两层全连接层，维度分别为500和2，得到最后的是否为活体的结果，活体为0，非活体为1。

7.根据权利要求1所述的基于树形神经网络结构的人脸活体检测方法，其特征是，所述的无监督聚类是指：将输入的向量x通过路由函数计算得到向左子节点前进的样本集S_left:以及向右子节点前进的样本集S_right:其中：S为样本集，I_k,k＝1,2,3,...,K为数据样本；

所使用的无监督聚类的路由模块的训练所采用的损失函数为其中：N,N_l,N_r分别为样本集S,S_left,S_right的样本数量。