[发明专利]一种基于深度视觉词袋模型的人脸活体检测方法

摘要

本发明公开了一种基于深度视觉词袋模型的人脸活体检测方法，该方法包括以下步骤：对于训练集中每一个人脸活体图像，计算其对应的LBP特征；利用深度稀疏自编码网络将LBP特征编码成高级特征；利用训练集的人脸图像的类标对整个深度稀疏自编码网络进行训练，得到更具有区分性的高级特征；将更具有区分性的高级特征输入到LIBSVM进行训练，从而建立SVM模型；将计算的LBP特征输入深度稀疏自编码网络得到高级特征，然后利用建立的SVM模型对其进行分类，得到人脸活体图像的类标。本发明能够得到更有鲁棒性、更有区别性的高级特征，从而对非控条件下的人脸活体检测具有更高的检测率。

主权项

1.一种基于深度视觉词袋模型的人脸活体检测方法，其特征在于，包括以下步骤：步骤a、对于训练集中每一个人脸活体图像，计算其对应的LBP特征；步骤b、利用深度稀疏自编码网络将LBP特征编码成高级特征；步骤c、利用训练集的人脸图像的类标对整个深度稀疏自编码网络进行训练，得到更具有区分性的高级特征；步骤d、将步骤c得到更具有区分性的高级特征输入到LIBSVM进行训练，从而建立SVM模型；步骤e、将步骤a计算的LBP特征输入步骤b的深度稀疏自编码网络得到高级特征，然后利用步骤d建立的SVM模型对其进行分类，得到人脸活体图像的类标；所述深度稀疏自编码网络包括四层神经元：一层输入层、一层输出层以及两层隐层，输入层和两层隐层构成了堆叠的两个稀疏自编码网络；每个稀疏自编码网络包括编码和解码过程，编码：对于每个输入向量x＝(x₁,x₂,…,x_N)^T，隐层单元输出为：h＝(h₁,h₂,…,h_M)^T＝f(Wx+b)解码：对于隐层单元向量h＝(h₁,h₂,…,h_M)^T，输出层单元输出为：y＝(y₁,y₂,…,y_N)^T＝g(W'h+b')其中函数f和g都采用sigmoid函数z(x)＝1/(1+exp(‑x))；对于稀疏自编码网络的稀疏性，使得所有隐层单元的平均激活值l为0；由于隐层第j个单元的平均激活值为D是样本个数；对于理想分布l和真实分布l_j的相似度采用KL散度来衡量，其计算公式如下：稀疏自编码网络被描述成下面的优化问题：根据稀疏自编码网络是一个输入等于输出的网络，即x＝y，无监督训练得到权值W,W'和阈值b,b'；由训练得到的权值和阈值将LBP特征编码成高级特征，即四层深度稀疏自编码网络的第三层的隐层单元输出值。