基于卷积神经网络的人脸活体检测方法研究

摘要

近几年来，随着科学技术的发展，生物特征识别技术成为广受关注的研究热点，其中基于人脸的生物识别技术因其特殊性被应用于各种场景中，但由于与人脸相关的视频和照片很容易被他人伪造或恶意盗取，人脸识别系统面临着一系列安全问题，人脸活体检测技术应运而生。人脸活体检测主要是用来判别获取的人脸面部是活体还是非活体，通过这种技术来增强系统的安全性。针对人脸活体检测存在易受外部环境影响、欺骗种类较多、检测模式单一等问题，本文对其进行深入研究，主要工作内容如下：　　(1)针对传统的人脸活体检测算法中人脸对齐不稳定、光照复杂、网络架构与特征设计复杂等问题，提出了将亮度均衡与卷积神经网络相结合的思想。该方法充分体现了卷积神经网络不需要手动设计特征的优点，以及亮度均衡算法在人脸不同亮度区域能够进行亮度补偿的这一特点，同时使用多网络级联的MTCNN实现脸部的对齐和精准定位。最终实验的准确率达到99.32%，在原来的基础上提高了7%，证明提出的方法能够对人脸活体和照片视频等非人脸活体进行有效的判别，且检测的准确率相较于传统的方法具有一定的优势。　　(2)针对卷积神经网络中输入模式单一、训练参数多、检测性能受限的问题，提出了多模态输入与mobilenetV2相结合的方法。该方法将HSV、深度图、红外图三种模式代替了单模式输入以提高特征的多样性，同时充分利用了mobilenetV2网络中倒残差块和挤压与激励模块的优势，减少了参数数量，提高了特征的有效性，最后在M-CNN网络中添加了全局平均池化防止过拟合。最终实验的平均分类错误率ACER达到了0.4%，降低幅度明显，证明了提出的基于M-CNN网络的人脸活体检测算法具有较好的性能。　　(3)利用tensorflow和Pytorch两种深度学习框架，在pycharm上开发了一个基于上面两种算法的人脸活体检测系统。该系统可以选择两种算法中的一种进行人脸活体检测，系统具有图像导入、模型选择以及人脸活体检测等功能。

目录

声明

第 1 章 绪论

1.1 选题背景及意义

1.2 国内外研究现状

1.2.1 基于静态纹理的人脸活体检测算法

1.2.2 基于运动特征的人脸活体检测算法

1.2.3 基于三维形状的人脸活体检测算法

1.2.4 基于多谱反射的人脸活体检测算法

1.2.5 深度学习在人脸活体检测中的应用

1.3 本文研究的主要内容及论文框架

第 2 章 人脸活体检测算法相关基础

2.1 卷积神经网络概述

2.1.1 卷积层

2.1.2 池化层

2.1.3 全连接层

2.1.4 损失函数和分类函数

2.2 卷积神经网络训练策略

2.2.1 前向传播

2.2.2 反向传播

2.3 人脸活体检测常用数据集

2.3.1 NUAA 数据集

2.3.2 CASIA-FASD 数据集

2.3.3 Replay-attack 数据集

2.3.4 CASIA-SURF 数据集

2.4 总结

第 3 章 基于 Light_CNN 的人脸活体检测算法

3.1 MTCNN 人脸检测器

3.2 亮度均衡

3.3 Light_CNN 算法的卷积神经网络设计

3.3.1 Light_CNN 网络结构设计

3.3.2 防止过拟合

3.4 基于 Light_CNN 的实验

3.4.1 软件的安装与实验环境的配置

3.4.2 实验参数和评估指标的设置

3.4.3 网络的训练

3.4.4 Light_CNN 算法性能分析

3.5 总结

第 4 章 基于 M-CNN 的人脸活体检测算法

4.1 融合策略

4.2 M-CNN 网络设计

4.2.1 MobileNetV2

4.2.2 SE 模块

4.2.3 全局平均池化

4.2.4 基于 MobileNetV2 的特征融合的算法

4.2.5 学习率调整方法

4.3 基于 M-CNN 活体检测算法的实验分析

4.3.1 实验环境的配置

4.3.2 实验参数和评估指标介绍

4.3.3 实验分析

4.4 总结

第 5 章 基于 Python 语言的人脸活体检测系统的设计

5.1 系统开发环境和工具介绍

5.1.1 Python、PyQt5 介绍

5.1.2 人脸活体检测的深度学习框架介绍

5.2系统总体设计

5.2.1 文件读取和处理模块

5.2.2 模型获取模块

5.2.3 评估模块

5.3 系统展示

5.3.1 Light_CNN 人脸活体检测界面

5.3.2 M-CNN 人脸活体检测界面

5.4 总结

总结与展望

1.本文总结

2.未来展望

参考文献

附录A（攻读学位期间的研究成果）

致 谢