[发明专利]一种多尺度注意力融合的双重监督人脸活体检测方法

说明书

本发明公开了一种多尺度注意力融合的双重监督人脸活体检测方法，包括以下步骤：预处理图像，获取目标输入图像，并对目标输入图像进行原始特征的提取，得到目标输入图像的原始深度特征；对原始深度特征进行多层次特征的提取，对多层次特征进行基于注意力机制的特征优化，并进行融合，得到融合后的特征图；对融合后的特征图展开并训练模型，得到训练后的人脸活体检测模型；对待检测人脸视频中采集到的图像进行人脸检测，对待检测的人脸图像输入到训练好的人脸活体检测模型，得到最终真假人脸的判别；反馈结果以便进行后续的处理。本发明的一种多尺度注意力融合的双重监督人脸活体检测方法，实现端到端训练模型，提高检测性能、检测精度和泛化能力。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种多尺度注意力融合的双重监督人脸活体检测方法。

背景技术

随着信息时代的飞速发展，基于人工智能的人脸识别系统已在门禁、安检、金融支付等领域得到了广泛的应用。但人脸识别系统一般不会对输入人脸的来源进行甄别，因此不法分子利用合法用户的人脸图像和视频欺骗人脸识别系统，造成巨大安全隐患。人脸活体度检测的目的是判断待检测人脸是来自真实人体还是图像或视频等假的实体，有利于防范人脸识别系统面临的人脸伪造攻击，对于提高人脸识别系统的安全性有重要意义。

在相关技术中，人脸活体检测算法的研究大致可以划分为传统的基于人工特征的方法和基于深度学习的方法。早期的人脸活体检测算法一般先从人脸图像中提取图像的纹理特征，再通过分类器进行真实人脸和攻击人脸的判别。由于传统的人工特征表征能力不强，且易受光照变化的影响，导致系统的识别性能不佳。基于深度学习的人脸活体检测方法采用端到端训练方式，并且深度特征表征能力更强，无需人工设计，因此可以获得更好的识别精度。但基于深度学习的人脸活体检测方法对背景信息较为敏感，且难以提取有效的本质特征信息。

当前基于深度学习的人脸活体度检测研究已经取得较大进展，但模型的精度及其泛化性能仍在很大程度上受到场景复杂度的制约。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有的人脸活体度检测方法存在的易受复杂背景信息的影响，难以提取有效的本质特征信息，导致模型检测精度以及泛化能力低等问题。本发明提供了一种多尺度注意力融合的双重监督人脸活体检测方法，实现端到端训练模型，尽可能在复杂背景条件下提取人脸图像中有效的判别信息，提高检测性能、检测精度和泛化能力。

为实现上述目的，本发明提供了一种多尺度注意力融合的双重监督人脸活体检测方法，包括以下步骤：

预处理图像，获取训练集图像，进行人脸检测和关键点检测，得到人脸框位置信息和关键点位置信息，根据人脸框信息和关键点信息对人脸图像，进行裁剪和归一化处理；

获取目标输入图像，并通过特征预提取网络对目标输入图像进行原始特征的提取，得到目标输入图像的原始深度特征；

对原始深度特征采用三个不同卷积块进行多层次特征的提取，得到低中高三个层次的特征；

对多层次特征进行基于注意力机制的特征优化，将优化后的特征调整到同等维度大小的特征并进行融合，得到融合后的特征图；

对融合后的特征图展开为一个一维向量，送入到全连接层中，通过全连接层输出二维特征，分别表示活体概率值和非活体概率值。并采用基于二值掩码和二值标签的联合监督训练模型，得到训练后的人脸活体检测模型；

对待检测人脸视频进行采集处理，将采集得到的视频进行切割成单帧图像；对于采集到的图像进行人脸检测，如果有人脸，采用预处理图像步骤对人脸图像进行处理得到待检测的人脸图像；

对待检测的人脸图像输入到训练好的人脸活体检测模型，得到最终真假人脸的判别，如果判别结果为真人脸时，系统会允许通过，否则，该输入图像为假人脸，不允许通过；

将判别结果反馈给使用方，使用方根据判别结果进行后续的处理。