[发明专利]一种非生物面部信号拦截方法及系统

说明书

本发明公开了一种非生物面部信号拦截方法和系统，其方法包括：在包含人脸的图像中自动框选人脸区域，通过深度估计网络对真实人脸进行深度估计。利用自适应规范化算法提取图像数据的规范化特征，将自适应规范化算法嵌入到主特征提取网络中进行协同训练并提取人脸特征，通过分类网络得到分类向量，通过训练得到网络模型。再利用测试集的数据对得到的网络模型进行测试，测试通过，该模型即可用于判定需要推断的人脸图像的种类。在该方法基础上设计了非生物面部信号拦截系统，系统前端负责人脸图像的采集及活体检测结果的反馈，后端进行数据预处理和活体检测方法的实现及封装，前后端分离，使系统具有很高的可迁移性和鲁棒性。

技术领域

本发明涉及非生物面部信号拦截技术领域，尤其是一种基于基于自适应规范化方法的非生物面部信号拦截方法及系统。

背景技术

非生物面部信号拦截是人脸识别流程中的一个关键步骤，它直接关系到用户身份验证的安全问题，但由于真实数据的不可见性和多样性，充分利用训练数据得到一个泛化性足够好的模型成为当前研究的难点。目前业内常用的处理域泛化活体检测的技术主要有两种：基于元学习的活体检测方法和基于域对齐的活体检测方法。

基于元学习的活体检测方法通常会进行多轮训练，每轮训练时从多个源域中划分出一个域作为伪目标域，又称元测试域，其余的源域则称为元训练域。其原理是使得元训练域和元测试域上根据损失计算出的梯度方向尽可能一致，这样模型面对任意域数据的收敛方向都相对一致，从而达到较好的泛化效果。具体来说，首先在元训练域数据上计算当前任务的损失L1，接着利用梯度下降将当前模型的参数更新，然后在元测试域数据上基于新参数计算新的任务损失L2，最后将L2计算出的梯度用于更新之前的模型参数，从而确保模型收敛的一致性。该类算法的缺点主要是使用了二次梯度，所以计算量较大，同时模型优化时收敛不够稳定，使得模型性能没有足够的保障。

基于域对齐的活体检测方法主要目的是将原始图像映射到一个关注活体信息而对域信息不敏感的特征空间中，也就是对所有域的数据进行对齐，其原理是多个域的数据分布不同，经过模型映射后提取的特征难免依旧带有域信息，因此而为了泛化到没有见过的目标域数据上，特征提取器需要弱化域信息的干扰，强化活体信息的利用。具体实现借助一个域判别器，利用对抗的思想，特征提取器得到的特征在确保活完成体任务的同时，需要骗过域判别器，使其分不出特征来自哪个源域，而域判别器的任务是尽可能判断出特征的域出处，二者相互促进，最终完成所有的域在特征空间中的对齐。该类算法的缺点主要是利用对抗的思想进行训练时特征提取器和域判别器之间的平衡难以掌握，导致模型难以训练。

发明内容

为解决上述现有技术问题，本发明提供一种能够在多种应用场景下保持较高鲁棒性的非生物面部信号拦截的方法和系统，该方法及系统借助自适应规范化算法，利用神经网络进行数据均值和方差的估计，不需要在测试及推断时强行套用训练样本的均值和方差，大大提高了模型的泛化性能和收敛速度，同时，系统前后端高度分离，降低了对系统前端硬件性能的要求，保证了较高的可迁移性。

为了实现上述目的，本发明采用的技术方案是：

一种非生物面部信号拦截方法，其中，包括：

步骤1、人脸图像预处理：

收集人体面部数据，再将人体面部数据扩充到人脸活体数据集，并将数据集按比例划分为训练集和测试集，对数据集图像中的人脸进行深度估计，得到深度图像；

其中，所述人体面部数据包括：人脸活体图像和攻击图像，

步骤2、面部图像特征提取及分类：

在训练集，通过自适应规范化算法计算出规范化特征，得到规范化面部图像，将自适应规范化算法,即AN,嵌入到主特征提取网络中进行协同训练并提取人脸特征，并将所提取特征输入分类网络得到分类向量，再通过计算损失函数值优化网络参数，得到训练好的网络模型；