基于轻量深度学习网络的活体识别方法及其识别系统

摘要

本发明涉及视频识别与分析技术领域，公开了一种基于轻量深度学习网络的活体识别方法及其识别系统。本发明在识别方法的步骤S1中使用拉普拉斯算子提取摩尔纹信息，在步骤S2中对深度网络模型进行轻量化改进，使得深度网络能够降低处理图像维度的同时避免处理不相关的特征信息，是深度网络模型能更准确的学习到摩尔纹特征；同时，在步骤S3中进一步利用边框检测和灰度检测来筛选非活体图像，进一步提供检测准确性和速度。采用该方法的识别系统也具有同样的技术效果。

说明书

技术领域

本发明涉及视频识别与分析技术领域，更具体的说，特别涉及一种基于轻量深度学习网络的活体识别方法及其识别系统。

背景技术

目前图像或者视频的活体识别可以分为主动配合和非主动配合两大类，主动配合顾名思义需要待验证目标作出一系列配合系统识别的动作；非主动配合又可分为针对打印和屏幕类翻拍的活体验证以及3D假体的活体识别。目前非主动配合主要通过识别图像中是否存在摩尔纹来判断是否为电子屏幕类的翻拍攻击，其采用的深层神经网络结构和参数均较复杂，导致网络收敛速度很慢，识别效率不高。现有技术存在不足。

发明内容

本发明的目的在于针对现有技术存在的技术问题，提供一种基于轻量深度学习网络的活体识别方法及其识别系统，用以避免网络收敛缓慢，识别效率不高。

为了解决以上提出的问题，本发明采用的技术方案为：

一种基于轻量深度学习网络的活体识别方法，包括以下步骤：

S1.针对屏幕翻拍构建摩尔纹图像数据集；

S2.利用所述摩尔纹图像数据集训练轻量深度网络模型，采用所述轻量深度网络模型检测目标图像中是否存在摩尔纹；

S3.对所述目标图像进行边框检测和灰度检测；

S4.综合摩尔纹检测、边框检测和灰度检测三者的结果得到最终活体检测结果。

为了解决以上提出的问题，本发明还提供：

一种应用上述任一项所述基于轻量深度学习网络的活体识别方法的识别系统，包括：

数据集构建单元，针对屏幕翻拍构建摩尔纹图像数据集；

摩尔纹检测单元，利用所述摩尔纹图像数据集训练轻量深度网络模型，采用所述轻量深度网络模型检测目标图像中是否存在摩尔纹；

边框及黑白图像检测单元，对所述目标图像进行边框检测和灰度检测；

综合判断单元，综合摩尔纹检测、边框检测和灰度检测三者的结果得到最终活体检测结果。

与现有技术相比，本发明的有益效果在于：能够从网络结构上降低图像维度且保存需要关注的特征信息，减少了网络的参数，使得网络收敛更快。

本发明在识别方法的步骤S1中使用拉普拉斯算子提取摩尔纹信息，在步骤S2中对深度网络模型进行轻量化改进，使得深度网络能够降低处理图像维度的同时避免处理不相关的特征信息，是深度网络模型能更准确的学习到摩尔纹特征。同时，在步骤S3中进一步利用边框检测和灰度检测来筛选非活体图像，进一步提供检测准确性和速度。采用该方法的识别系统也具有同样的技术效果。

附图说明

图1为本发明基于轻量深度学习网络的活体识别方法的流程图。

图2为本发明基于轻量深度学习网络的活体识别系统功能框图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

参阅图1所示，本发明提供一种基于轻量深度学习网络的活体识别方法，包括以下步骤：

S1.针对屏幕翻拍构建摩尔纹图像数据集；

S2.利用所述摩尔纹图像数据集训练轻量深度网络模型，采用所述轻量深度网络模型检测目标图像中是否存在摩尔纹；

S3.对所述目标图像进行边框检测和灰度检测；

S4.综合摩尔纹检测、边框检测和灰度检测三者的结果得到最终活体检测结果。

采用上述步骤进行活体检测不仅可适用于人脸识别，也可以应用在人以外的其他生物，例如猫、犬等活体识别上。

进一步的，所述步骤S1中还包括以下步骤对图像数据集(包含摩尔纹图像和非摩尔纹图像两种)进行预处理，以使得数据集更容易训练。具体步骤为：

S11.采用拉普拉斯算子提取图像中的摩尔纹信息，去除不关注的其他特征信息；以降低数据特征的总量。

S12.采用数据增广扩展所述摩尔纹图像数据集。

进一步的，所述数据增广包括对包含有摩尔纹信息的图像进行裁剪、旋转和镜像。

进一步的，所述轻量深度网络模型包括依次连接的：卷积核尺寸为7×7的第一卷积层、卷积核尺寸为3×3的第二卷积层、卷积核尺寸为1×1的瓶颈层、最大池化层、指定输出大小为1×1的二维自适应均值池化层和全连接层；所述第一卷积层输入待检测目标图像，所述全连接层输出二分类结果。以此判定待检测图像中是否存在摩尔纹。

第一卷积层包括卷积核尺寸为7×7的二维卷积、批处理归一化和Relu激活函数。第二卷积层包括卷积核尺寸为3×3的二维卷积、批处理归一化和Relu激活函数。在二维卷积核后加入批处理归一化可以加快模型收敛速度，防止梯度爆炸或梯度消失。

改进后的轻量模型能够更快更好的检测摩尔纹，提升活体检测效率，更有利于实际落地。

在其他实施例中，检测摩尔纹的网络模型可采用SSD、RetinaNet、RCNN、FastRCNN、FasterRCNN、FPN中的一个或多个的集合。

进一步的，所述轻量深度网络模型中，所述第二卷积层和所述瓶颈层连接为瓶颈结构；三个所述瓶颈结构次序连接，并连接在所述最大池化层与所述二维自适应均值池化层之间，对输入的降维特征图像进行进一步特征提取。

在三个瓶颈结构后加入最大池化层可以降维以减少训练参数，进一步加快深度网络模型的收敛速度。

进一步的，所述第一卷积层的输入尺寸为224＊224＊3，输出32通道；所述最大池化层输入尺寸为112＊112＊32，输出32通道；所述二维自适应均值池化层输入尺寸为7＊7＊1024，输出1024通道和所述全连接层输入尺寸为1＊1＊1024，输出2通道。

进一步的，所述步骤S3中边框检测为利用霍夫变换对待检测图像进行检测。识别待检测图像中的边框。一旦存在边框，该待检测图像即为非活体图像。

进一步的，所述步骤S3中灰度检测为利用RGB三通道方差均值来检测待检测图像是否为黑白打印图。

进一步的，所述步骤S4中，将检测不到摩尔纹和图像边框，以及不存在黑白图像的待检测图像识别为活体图像，否则识别为非活体图像。

请参阅图2，为了解决以上提出的问题，本发明还提供：

一种应用上述任一项所述基于轻量深度学习网络的活体识别方法的识别系统，包括：

数据集构建单元，针对屏幕翻拍构建摩尔纹图像数据集；

摩尔纹检测单元，利用所述摩尔纹图像数据集训练轻量深度网络模型，采用所述轻量深度网络模型检测目标图像中是否存在摩尔纹；

边框及黑白图像检测单元，对所述目标图像进行边框检测和灰度检测；

综合判断单元，综合摩尔纹检测、边框检测和灰度检测三者的结果得到最终活体检测结果。

在优选的实施例中，数据集构建单元还包括采用拉普拉斯算子提取图像中的摩尔纹信息，去除不关注的其他特征信息的预处理模块，以降低数据特征的总量。

以及采用数据增广扩展所述摩尔纹图像数据集进行裁剪、旋转和镜像的数据增广模块。

在具体实施中，本申请的轻量深度学习网络模型优选采用如下表的架构。

表1.轻量深度学习分类网络

其中，Conv1为第一卷积层，包括Conv2d(7×7)，BN，Relu；

Conv2为第二卷积层，包括Conv2d(3×3)，BN，Relu；

Bottleneck为瓶颈层，包括Conv2d(1×1)，BN，Relu；

Maxpooling为最大池化层，主要可以降维以减少训练参数；

Conv2d(3×3)为二维卷积，主要用于图像卷积操作，n＊n为卷积核的尺寸；

BN为Batch Normalization意为批处理归一化，主要可以加快模型收敛速度，防止梯度爆炸或梯度消失；

Relu为常用激活函数；

AdaptiveAvgPool2d为二维自适应均值池化层，指定输出大小为1＊1；

Linear为全连接层，输出二分类结果。

综上所述，对数据集的预处理和轻量化改进的深度学习网络模型都可以在图像的非活体识别中减少参数，提高收敛速度，进一步提高摩尔纹的识别性能。同时，结合边框检测和灰度检测可以进一步提高整个图像中活体检测识别的效率。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。