CN107066942A - 一种活体人脸识别方法及*** - Google Patents

Abstract

本发明公开了一种活体人脸识别方法，包括步骤：采集摄像头拍摄的视频帧图像；通过已训练的卷积神经网络来识别视频帧图像是否为活体人脸图像。本发明还公开了一种活体人脸识别***，包括摄像模块、采集模块、活体人脸检测模块，采集模块分别与摄像模块、活体人脸检测模块相连，其中：采集模块对摄像模块拍摄的视频进行采样获得视频帧图像；活体人脸检测模块通过已训练的卷积神经网络检测识别视频帧图像是否为活体人脸图像。本发明用采用深度学习神经网络模拟人类的大脑，通过训练神经网络来判别是否是活体人脸，很大程度上让计算机通过“直觉”来判别是活体人脸还是照片，而不是设计的算法，这样避免了算法的缺陷，大大提高了识别的准确率。

Description

一种活体人脸识别方法及***

技术领域

本发明属于人脸识别技术领域，尤其涉及一种活体人脸识别方法及***。

背景技术

生物特征识别***的使用安全性是人们普遍关注的问题，人们对生物特征识别***的信心和接受很大程度上取决于***的鲁棒性、低错误率和抗欺骗能力。因此活体检测是生物特征识别***中检测和拒绝仿冒身份特征的一项重要功能。在人脸识别***中有可能面临的所有的欺骗中，通过照片或者视频的方式毫无疑问是最常见的。如果没有活体人脸检测做保障，用一张照片、一段视频都可以欺诈通过，那么这样的人脸识别有什么实际应用价值？因此，人脸识别技术目前还存在严重的安全隐患。比如，在智能家居的安防产品中，通过人脸识别认证是普遍的做法，但人脸识别有一个很大的问题，当有人用照片来欺骗安防摄像头时，有时候显得无能为力。

现有技术中中，专利号CN201510633817《活体人脸识别方法和装置》中，通过双摄像头采集图像数据，然后根据双摄像头采集的两张图片数据中通过一定算法提取人脸面目深度信息来确定是否是真实的人脸，因为照片是平面的，是没有深度信息的。但这种传统算法不可能是无缺陷的，这种方法在真实使用中很容易造成误判，尤其是在复杂环境下，比如光照较差的情况下，准确率不高。

发明内容

本发明提供一种活体人脸识别方法及***，可以避免使用含有人脸的照片或视频来骗取认证，提高了***安全性，同时缩短了识别时间，提高了识别准确率。

本发明一种活体人脸识别方法包括：

S100采集摄像头拍摄的视频帧图像；

S200通过已训练的卷积神经网络来识别所述视频帧图像是否为活体人脸图像。

本发明提供了一种基于卷积神经网络的活体人脸检测方法，该方法可以判别人脸图像是活体人脸图像还是照片(或者视频)，从而防止非法用户使用合法用户的照片、视频进行欺骗。传统的活体人脸检测算法都是基于手工特征提取的，一种有效的手工特征需要很长时间才能设计出来，且算法也是存在一定缺陷的，对准确率有一定影响，而卷积神经网络不需要手工设计特征，只需要设计网络结构，训练参数即可。

进一步地，所述步骤S100之前还包括步骤：

S010通过摄像头采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；

S020通过卷积神经网络的深度学习所述活体人脸图像样本、人脸照片样本，学习训练后获得能分辨出活体人脸与照片的活体人脸识别模型。

训练样本，如果想要分辨率高的话，样本的数量自然是越多越好。由于训练的模型需要能分辨出拍摄的是活体人脸还是照片，因此在训练的时候就需要进行分类训练，通过摄像头拍摄活体人脸获得的活体人脸图像作为活体人脸图像样本，并标记为活体人脸，通过摄像头拍摄人脸照片(或视频)而获得的人脸图像作为人脸照片样本，并标记为人脸照片，从而让卷积神经网络分类学习和训练，从而使得能快速区分活体人脸与照片。

进一步地，所述步骤S200包括步骤：

S210对所述视频帧图像进行图像处理；

S220对处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是则进入下一步骤；

S230将所述处理后的视频帧图像作为所述活体人脸识别模型的输入，获得识别分类结果。

进一步地，所述步骤S210中所述的图像处理包括对所述视频帧图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

对图像进行预处理会更利用提高识别速度与效率。

进一步地，所述摄像头为双摄像头。

本发明还公开了一种活体人脸识别***，包括摄像模块、采集模块、活体人脸检测模块，所述采集模块分别与所述摄像模块、活体人脸检测模块相连，其中：所述采集模块对所述摄像模块拍摄的视频进行采样获得视频帧图像；所述活体人脸检测模块通过已训练的卷积神经网络检测识别所述视频帧图像是否为活体人脸图像。

进一步地，所述活体人脸检测模块包括学习子模块、与所述学习子模块相连的，活体人脸识别子模块，其中：所述采集模块通过所述摄像模块采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；所述学习子模块通过卷积神经网络深度学习所述活体人脸图像样本、人脸照片样本，并将训练的结果给到所述活体人脸识别子模块，使得所述活体人脸识别子模块能对活体人脸图像与人脸照片进行区分。

进一步地，所述活体人脸检测模块还包括：图像处理子模块、人脸检测子模块、所述人脸检测子模块分别与所述图像处理子模块、活体人脸识别子模块相连，所述活体人脸检测子模块与所述图像处理子模块相连，其中：所述图像处理子模块对所述视频帧图像进行图像处理；所述人脸检测子模块对所述图像处理子模块处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是，则所述活体人脸识别子模块对所述视频帧图像进行识别，判断所述视频帧图像是否为活体人脸图像。

进一步地，所述图像处理模块对所述视频帧图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

进一步地，所述摄像模块包含至少两个摄像头。

本发明有益效果如下：

本发明采用基于卷积神经网络的深度学习方法学习活体人脸数据，深度学习的一些网络结构模拟人的大脑，通过网络的深度和卷积，在活体人脸识别领域达到很好的效果，可以避免使用含有人脸的视频或照片来骗取认证，提高了***安全性，同时可缩短识别时间，提高识别准确率。且通过用深度学习神经网络模拟人类的大脑，通过训练神经网络来判别是否是照片，很大程度上让计算机通过“直觉”来判别照片，而不是设计的算法，这样避免了算法的缺陷，大大提高了识别的准确率。且深度学习网络可以通过学习在复杂环境下的图像样本，使得在复杂环境下产生较好的效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种活体人脸识别方法实施例一流程图；

图2为本发明一种活体人脸识别方法另一实施例流程图；

图3为本发明一种活体人脸识别***实施例一框图；

图4为本发明一种活体人脸识别***另一实施例框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明公开了一种活体人脸识别方法，如图1所示，包括步骤：

S100采集摄像头拍摄的视频帧图像；

S200通过已训练的卷积神经网络来识别所述视频帧图像是否为活体人脸图像。

卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。

已训练的卷积神经网络，由于已对其进行了学***面的，光线是固定的。而真实的人脸是3维的，在光线下将产生更多的特征，通过双摄像头获取的真实人脸将内含这种特征，而照片是没有这种特征的。我们采取深度学习方法来训练神经网络抓取这种特征。

在利用卷积神经网络来进行活体人脸识别之前，需要对该卷积神经网络进行训练，具体的，包括步骤：

S010通过摄像头采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；

S020通过卷积神经网络的深度学习所述活体人脸图像样本、人脸照片样本，学习训练后获得能分辨出活体人脸与照片的活体人脸识别模型。

训练方法很简单，我们输入大量的照片到深度学习网络，标识其为照片。而输入真实的人脸图像(即活体人脸图像)到深度学习网络，标识其为活体人脸。在经过大量的训练后，我们的网络就会学习到什么是照片，什么是活体人脸。例如，我们可采用由两个摄像头采集的图像，其中采集一组为真实人脸(即活体人脸)的图像100000对(一张摄像头1的照片和一张摄像头2的照片为一对)。采集一组为人脸照片的图像100000对。这两组照片我们要进行分类学习。在选取照片和真实人脸的图像时，我们采用不同光照条件下的图片，包括任意大小、位置、姿势、方向、肤色、面部表情和光照条件的真实人脸图像和人脸照片。使得***在各种可能出现的情况下均具有高的准确率。

本发明方法的另一实施例，如图2所示，包括步骤：

S010通过摄像头采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；

S020通过卷积神经网络的深度学习所述活体人脸图像样本、人脸照片样本，学习训练后获得能分辨出活体人脸与照片的活体人脸识别模型；

S100采集摄像头拍摄的视频帧图像；

S210对所述视频帧图像进行图像处理；

S220对处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是则进入下一步骤；

S230将所述处理后的视频帧图像作为所述活体人脸识别模型的输入，获得识别分类结果。

人脸检测步骤主要是用来判断视频帧图像是否包含了人脸。人脸检测可以采用多种方式进行判别，只需要能检测出图像中是否含有人脸就可以了。比如，对摄像头采集到的视频帧图像，进行灰度变换、滤波处理等图像处理后，获得高质量的灰度图，然后对灰度图利用积分快速计算出Haar-Like小波特征值，应用到离散训练好的AdaBoost(AdaptiveBoosting)分类器，判别是否是人脸。Haar-like特征，即很多人常说的Haar特征，是计算机视觉领域一种常用的特征描述算子，可用于人脸描述。得到Haar-Like小波特征值后，采用离散训练好的AdaBoost分类器进行人脸识别。所谓分类器，在这里就是指对人脸和非人脸进行分类的算法，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测。值得注意的是，本发明中关于人脸检测的方法不限于本实施例中提到的方法，其它现有可以实现人脸检测的方法均可。

如果判断出采集的视频帧图像根本不含有人脸，那么也就无需进行后面的活体人脸认证，只有检测出含有人脸后，才进一步判断该视频帧图像是否是拍摄的活体人脸的图像。由于卷积神经网络已深度学习了活体人脸的特征、及训练时分类为人脸照片的特征，由此获得了能够快速区分出该视频帧图像是活体人脸还是照片的活体人脸识别模型。只需将人脸检测后的视频帧图像直接输入到该活体人脸识别模型中，即可快速输出识别结果。

较佳的，上述步骤S210中所述的图像处理包括对所述视频帧图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

***获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。在通过活体人脸识别模型对视频帧图像进行识别之前，先对人脸图像进行预处理，能有效的提高最终的识别效率及准确度。

较佳的，上述任一方法实施例中所述的摄像头均可采用双摄像头。由于一个摄像头采集的单个人脸平面图像的识别率受到环境光线、采集角度、表情等等因素的影响，因此受到了受到较大的局限性。而通过双摄像头来采集的话则能较好的克服这些问题。

基于相同的技术构思，本发明实施例还提供一种活体人脸识别***，该***可执行上述方法实施例，具体的，本发明活体人脸识别***的实施例一如图一所示，包括摄像模块、采集模块、活体人脸检测模块，所述采集模块分别与所述摄像模块、活体人脸检测模块相连，其中：所述采集模块对所述摄像模块拍摄的视频进行采样获得视频帧图像；所述活体人脸检测模块通过已训练的卷积神经网络检测识别所述视频帧图像是否为活体人脸图像。

摄像头用来拍摄视频，而采集模块则从摄像头拍摄的视频中进行采样，采集视频帧图像，活体人脸检测模块则用来检测采集的视频帧图像是否是拍摄的活体人脸的图像。

本发明***采用深度学习神经网络模拟人类的大脑，通过训练神经网络来判别是否是活体人脸，很大程度上让计算机通过“直觉”来判别活体人脸，而不是设计的算法，这样避免了算法的缺陷，大大提高了识别的准确率。

在上述***实施例一的基础上，所述活体人脸检测模块包括学习子模块、与所述学习子模块相连的，活体人脸识别子模块，其中：所述采集模块通过所述摄像模块采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；所述学习子模块通过卷积神经网络深度学习所述活体人脸图像样本、人脸照片样本，并将训练的结果给到所述活体人脸识别子模块，使得所述活体人脸识别子模块能对活体人脸图像与人脸照片进行区分。

较佳的，在上述实施例基础上所述活体人脸检测模块还包括：图像处理子模块、人脸检测子模块、所述人脸检测子模块分别与所述图像处理子模块、活体人脸识别子模块相连，所述活体人脸检测子模块与所述图像处理子模块相连，其中：所述图像处理子模块对所述视频帧图像进行图像处理；所述人脸检测子模块对所述图像处理子模块处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是，则所述活体人脸识别子模块对所述视频帧图像进行识别，判断所述视频帧图像是否为活体人脸图像。

先通过人脸检测确定视频帧图像中是否含有人脸，含有的人脸的话才会进行下一步的活体人脸识别。

上述实施例中的所述图像处理模块对所述视频帧图像进行图像处理包括进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。***获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。

上述任一***实施例中所述的摄像模块包含至少两个摄像头。单个摄像头一般会受光照条件、采集角度、人脸表情等等的影响，而至少两个摄像头则能从一定程度上减小这些受限影响。本发明通过摄像模块的至少两个摄像头拍摄图片，由于照片是平面的，光线是固定的。而真实的人脸是3维的，在光线下将产生更多的特征，通过至少两个摄像头获取的真实人脸将内含这种特征，而照片是没有这种特征的。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种活体人脸识别方法，其特征在于，包括步骤：

S100采集摄像头拍摄的视频帧图像；

S200通过已训练的卷积神经网络来识别所述视频帧图像是否为活体人脸图像。

2.根据权利要求1所述的一种活体人脸识别方法，其特征在于，所述步骤S100之前还包括步骤：

S010通过摄像头采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；

S020通过卷积神经网络的深度学习所述活体人脸图像样本、人脸照片样本，学习训练后获得能分辨出活体人脸与照片的活体人脸识别模型。

3.根据权利要求2所述的一种活体人脸识别方法，其特征在于，所述步骤S200包括步骤：

S210对所述视频帧图像进行图像处理；

S220对处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是则进入下一步骤；

S230将所述处理后的视频帧图像作为所述活体人脸识别模型的输入，获得识别分类结果。

4.根据权利要求3所述的一种活体人脸识别方法，其特征在于，所述步骤S210中所述的图像处理包括对所述视频帧图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

5.根据权利要求1-4任一项所述的一种活体人脸识别方法，其特征在于，所述摄像头为双摄像头。

6.一种活体人脸识别***，其特征在于，包括摄像模块、采集模块、活体人脸检测模块，所述采集模块分别与所述摄像模块、活体人脸检测模块相连，其中：

所述采集模块对所述摄像模块拍摄的视频进行采样获得视频帧图像；

所述活体人脸检测模块通过已训练的卷积神经网络检测识别所述视频帧图像是否为活体人脸图像。

7.根据权利要求6所述的一种活体人脸识别***，其特征在于，所述活体人脸检测模块包括学习子模块、与所述学习子模块相连的活体人脸识别子模块，其中：

所述采集模块通过所述摄像模块采集用于训练的活体人脸图像样本及人脸照片样本，并进行分类；

所述学习子模块通过卷积神经网络深度学习所述活体人脸图像样本、人脸照片样本，并将训练的结果给到所述活体人脸识别子模块，使得所述活体人脸识别子模块能对活体人脸图像与人脸照片进行区分。

8.根据权利要求7所述的一种活体人脸识别***，其特征在于，所述活体人脸检测模块还包括：图像处理子模块、人脸检测子模块、所述人脸检测子模块分别与所述图像处理子模块、活体人脸识别子模块相连，所述活体人脸检测子模块与所述图像处理子模块相连，其中：

所述图像处理子模块对所述视频帧图像进行图像处理；

所述人脸检测子模块对所述图像处理子模块处理后的视频帧图像进行人脸检测，判断所述视频帧图像是否包含了人脸，若是，则所述活体人脸识别子模块对所述视频帧图像进行识别，判断所述视频帧图像是否为活体人脸图像。

9.根据权利要求8所述的一种活体人脸识别***，其特征在于，所述图像处理模块对所述视频帧图像进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理。

10.根据权利要求6-9任一项所述的一种活体人脸识别***，其特征在于，所述摄像模块包含至少两个摄像头。