基于深度可分离圆心差分卷积的人脸活体检测方法及系统

技术领域

本发明应用于信息技术领域，具体是基于深度可分离圆心差分卷积的人脸活体检测方法及系统。

背景技术

随着科技的进步与社会的发展，智能安防、移动支付等领域的应用场景出现得越来越多。基于此场景下的人脸识别开锁和支付的方式由于其便利性而被广泛接受。无论是安防、支付还是其他场景，其安全性需要得到重视。针对此场景的伪造攻击手段包括且不限于打印纸、电子屏或模型面具等。因此如何判别检测到的人脸是真人还是假脸就是此项技术的核心之一。

现阶段大多数的活体检测方案是依赖于堆叠普通卷积设计或者专家手工设计的网络，在描述纹理信息方面比较弱，难以区分真人图像和假脸图像的纹理。同时在环境变化(如不同的光照度、相机型号变化)时容易失效，普通卷积设计方法倾向于使用长序列作为输入来提取动态特征，这使得该方法很难部署到需要快速响应的场景中。因为堆叠普通卷积的方式并没有对特殊的判别任务(如活体检测任务)进行优化，而是使用一种通用的卷积方式来对活体特征进行提取，并没有很好的效果和针对性。通过专家手工提取特征而设计的网络并不具有广泛的适用性和泛化性，多依赖于专家的经验判断和根据特定工程任务的要求来进行定制化的设计，其效果多依赖于固定的场景。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于深度可分离圆心差分卷积的人脸活体检测方法及系统。

为解决上述技术问题，本发明的基于深度可分离圆心差分卷积的人脸活体检测方法，包括如下步骤：

S1，获取原始待处理图像，并进行预处理操作；

S2，将经过预处理的图像进行深度卷积操作；

S3，将经过深度卷积操作后输出的特征图进行圆心差分卷积操作；

S4，将经过圆心差分卷积后输出的特征图进行逐点卷积操作；

S5，对经过逐点卷积操作后输出的特征图进行结果判别；

S6，输出判别结果。

作为一种可能的实施方式，进一步的，所述步骤S1具体为：从终端设备或云端服务器获得原始待处理的图像，将灰度图转为RGB图、进行图像质量检测并删除错误的图像后得到三组待卷积通道图像。

作为一种可能的实施方式，进一步的，所述步骤S2具体为：采用三组3*3大小的深度卷积核对三组待卷积通道图像进行卷积操作后输出三张第一阶段特征图。

作为一种可能的实施方式，进一步的，所述步骤S3具体包括如下步骤：

S31，提取出每张特征图的圆心和其邻域的像素的特征值；

S32，利用圆心差分算子中计算不同半径邻域大小和不同像素点数的特征值；

S33，以邻域中心像素为阈值，将相邻的P个像素的灰度值与邻域中心的像素取值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0；

S34，圆形邻域内的P个点经过比较产生P位二进制数，将该P位二进制数依次排列形成一个二进制数字即中心像素的圆心插值；

S35，计算完成输出第二阶段特征图。

作为一种可能的实施方式，进一步的，所述步骤S4具体为：采用四组1×1×上一层通道数尺寸的卷积核对第二阶段特征图在深度方向上进行加权组合，生成新的特征图。

作为一种可能的实施方式，进一步的，所述步骤S5具体为利用支持向量机对经过逐点卷积操作后输出的特征图进行联合判别分析。

基于深度可分离圆心差分卷积的人脸活体检测系统，其包括：

图像采集模块，用于采集人脸的活体检测图像；

图像处理模块，用于对图像采集模块采集到的人脸的活体检测图像进行预处理并进行卷积操作提取特征图；

结果判别模块，用于对图像处理模块处理后输出的特征图进行判断分析并输出判断结果。

作为一种可能的实施方式，进一步的，所述图像处理模块具体包括：

预处理单元，用于将从终端设备或云端服务器获得的原始待处理图像中的灰度图转为RGB图并进行图像质量检测、删除错误的图像后得到待卷积通道图像；

卷积单元，用于将预处理单元得到的待卷积通道图像按先后顺序进行深度卷积操作、圆心差分卷积操作和逐点卷积操作。

作为一种可能的实施方式，进一步的，所述卷积单元具体包括：

深度卷积层，用于采用3*3大小的深度卷积核对待卷积通道图像进行卷积操作后输出三张第一阶段特征图；

圆心差分卷积层，用于提取出第一阶段特征图的圆心和其邻域的像素的特征值，再利用圆心差分算子中计算不同半径邻域大小和不同像素点数的特征值，以邻域中心像素为阈值，将相邻的P个像素的灰度值与邻域中心的像素取值进行比较标记，将圆形邻域内的P个点经过比较产生P位二进制数依次排列形成一个二进制数字，计算完成输出第二阶段特征图；

逐点卷积层，用于采用1×1×上一层通道数尺寸的卷积核对第二阶段特征图在深度方向上进行加权组合，生成新的特征图。

本发明采用以上技术方案，具有以下有益效果：

本发明使用一种新的卷积方式提取特征能更有效地捕捉到非活体的本质特征，提高了网络对细节信息的表征能力及对外部环境变化的鲁棒性。此方案对设备镜头的要求为仅需要单个摄像镜头。解决了现阶段大多数的活体检测方案是依赖于堆叠普通卷积设计或者专家手工设计的网络，在描述纹理信息方面比较弱，难以区分真人图像和假脸图像的纹理的问题。

附图说明

下面结合附图与具体实施方式对本发明做进一步详细的说明：

图1为本发明原理流程示意简图；

图2为本发明深度卷积原理流程示意简图；

图3为本发明圆心差分卷积操作原理流程示意简图；

图4为本发明逐点卷积原理流程示意简图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。

如图1-4所示，本发明提供了基于深度可分离圆心差分卷积的人脸活体检测方法，包括如下步骤：

S1，获取原始待处理图像，并进行预处理操作；即从终端设备或云端服务器获得原始待处理的图像，将灰度图转为RGB图、进行图像质量检测并删除错误的图像后得到三组待卷积通道图像。

S2，将经过预处理的图像进行深度卷积操作；即采用三组3*3大小的深度卷积核对三组待卷积通道图像进行卷积操作后输出三张第一阶段特征图。

S3，将经过深度卷积操作后输出的特征图进行圆心差分卷积操作；进一步的，所述步骤S3具体包括如下步骤：

S31，提取出每张特征图的圆心和其邻域的像素的特征值；

S32，利用圆心差分算子中计算不同半径邻域大小和不同像素点数的特征值；

S33，以邻域中心像素为阈值，将相邻的P个像素的灰度值与邻域中心的像素取值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0；

S34，圆形邻域内的P个点经过比较产生P位二进制数，将该P位二进制数依次排列形成一个二进制数字即中心像素的圆心插值；

S35，计算完成输出第二阶段特征图。

其中，圆心差分卷积部分中包含有提取步骤和计算步骤，相比于普通卷积更倾向去区分中间区域的梯度，因此能够通过聚合强度和梯度信息来捕获内在的细粒度差异。圆心差分算子中(P,R)可以计算不同半径邻域大小和不同像素点数的特征值，其中P表示周围像素点个数，R表示圆形邻域半径，R可以是小数，对于没有落到整数位置的点，根据轨道内离其最近的两个整数位置像素灰度值，利用双线性差值的方法可以计算它的灰度值。计算方式以邻域中心像素为阈值，相邻的P个像素的灰度值与邻域中心的像素取值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，圆形邻域内的P个点经过比较可产生P位二进制数，将这P位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的圆心插值(通常转换为十进制数，共2^P种)。圆心插值反映了该像素周围区域的纹理信息。

S4，将经过圆心差分卷积后输出的特征图进行逐点卷积操作；进一步的，所述步骤S4具体为：采用四组1×1×上一层通道数尺寸的卷积核对第二阶段特征图在深度方向上进行加权组合，生成新的特征图。由于前两阶段中深度卷积叠加圆心差分卷积仅对输入层的每个通道独立进行卷积运算，没有有效的利用不同通道在相同空间位置上的特征信息。因此在第三个阶段中加入了逐点卷积来将这些特征图进行组合生成新的特征图。逐点卷积运算与常规卷积运算类似，它的卷积核的尺寸为1×1×M，M为上一层的通道数。所以这里的卷积运算会将上一步的特征图在深度方向上进行加权组合，生成新的特征图。有几个卷积核，就有几个输出特征图。由于采用的是1×1卷积的方式，此步中卷积涉及到的参数个数可以计算为：1×1×3×4＝12经过逐点卷积之后，同样输出了4张第三阶段特征图，与常规卷积的输出维度相同。

与传统卷积相比，相同的输入，同样是得到4张特征图，混合深度可分离圆心差分卷积的参数个数是常规卷积的约1/3。因此，在参数量相同的前提下，采用此卷积的神经网络层数可以做的更深，也能更好地表征活体与非活体特征之间的差异。

S5，对经过逐点卷积操作后输出的特征图进行结果判别；即为利用支持向量机对经过逐点卷积操作后输出的特征图进行联合判别分析。

S6，输出判别结果。

基于深度可分离圆心差分卷积的人脸活体检测系统，其包括：

图像采集模块，用于采集人脸的活体检测图像；

图像处理模块，用于对图像采集模块采集到的人脸的活体检测图像进行预处理并进行卷积操作提取特征图；

结果判别模块，用于对图像处理模块处理后输出的特征图进行判断分析并输出判断结果。

作为一种可能的实施方式，进一步的，所述图像处理模块具体包括：

预处理单元，用于将从终端设备或云端服务器获得的原始待处理图像中的灰度图转为RGB图并进行图像质量检测、删除错误的图像后得到待卷积通道图像；

卷积单元，用于将预处理单元得到的待卷积通道图像按先后顺序进行深度卷积操作、圆心差分卷积操作和逐点卷积操作。

进一步的，所述卷积单元具体包括：

深度卷积层，用于采用3*3大小的深度卷积核对待卷积通道图像进行卷积操作后输出三张第一阶段特征图；其中一个卷积核负责一个通道，一个通道只被一个卷积核卷积。其他深度卷积模块中的卷积核可采用不同的尺寸，这里拿3x3的深度卷积模块为例子(其他模块中可替换为5x5，7x7,…,KxK等)。此模块中，卷积核的数量与上一层的通道数相同(通道和卷积核一一对应)。例如一个三通道的图像经过运算后生成了3个特征图，如第一阶段所示。其中一个模块的深度卷积核只包含一个大小为3×3的Kernel，卷积部分的参数个数计算如下：3×3×3＝27。

圆心差分卷积层，用于提取出第一阶段特征图的圆心和其邻域的像素的特征值，再利用圆心差分算子中计算不同半径邻域大小和不同像素点数的特征值，以邻域中心像素为阈值，将相邻的P个像素的灰度值与邻域中心的像素取值进行比较标记，将圆形邻域内的P个点经过比较产生P位二进制数依次排列形成一个二进制数字，计算完成输出第二阶段特征图；

逐点卷积层，用于采用1×1×上一层通道数尺寸的卷积核对第二阶段特征图在深度方向上进行加权组合，生成新的特征图。

以上所述为本发明的实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理和精神的情况下凡依本发明申请专利范围所做的均等变化、修改、替换和变型，皆应属本发明的涵盖范围。