买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门瑞为信息技术有限公司

摘要：本发明公开了一种结合掩码卷积和负样本特征序列的活体检测方法，利用深度神经网络结构，通过编码器、可学习的掩码卷积模块和带负样本特征序列的分类器三个模块相互配合，实现对图像中的真假人脸进行准确区分。编码器模块用于提取输入图像的特征表示；可学习的掩码卷积模块利用卷积、池化、全连接层等操作及高斯函数获得可优化的掩码，该掩码与卷积相乘后能够对不同位置的像素赋予不同的权重，自适应地捕捉图像中的细节信息并抑制图像中的噪声和干扰使得纹理特征更加明显，增强所学纹理特征的辨别性，从而提高特征的表达能力、判别性以及抗干扰能力。此外，带负样本特征序列的分类器的使用使得算法能够学习到更加鲁棒的特征空间。

主权项：1.一种结合掩码卷积和负样本特征序列的活体检测方法，其特征在于，包括以下步骤：获取待检测用户的人脸图像；对人脸图像进行预处理后输入到部署在人脸识别系统内的经学习、训练、推理和评估的活体检测模型中；活体检测模型对输入的待检测用户的人脸图像进行实时推理，输出是否为活体的结果；所述活体检测模型利用深度神经网络结构，通过编码器、可学习的掩码卷积模块和带负样本特征序列的分类器三个模块相互配合，实现对图像中的真假人脸进行准确区分，活体检测模型学习过程包括以下步骤：步骤一、输入训练样本的图像，通过编码器提取图像的特征表示，用于后续的处理和分类；步骤二、可学习的掩码卷积模块利用卷积、池化、全连接层操作以及高斯函数生成与卷积核大小相同且与输入特征图的宽W及高H维度信息相关的掩码，然后将该掩码与卷积核进行逐元素相乘，实现对卷积操作的加权；可学习的掩码卷积模块根据输入张量及2D高斯函数公式，得到与输入张量的宽W及高H维度信息相关的张量和张量，张量和张量的计算方法包括以下步骤：步骤A1、假设输入张量的形状为[C,H,W]，C为通道，H为高，W为宽，经过卷积模块的降维后，变成形状为[C2,H,W]的张量， 其中，为非线性激活函数，BN为批量归一化处理，Conv为卷积层；步骤A2、分别沿着H和W的维度对张量进行自适应平均池化，得到池化后的张量和，形状分别为[C2,1,W]和[C2,H,1]， 分别计算张量和的标准差，得到形状为[C2,1]的张量和，并分别进行特征重塑，重塑后的形状均为[C2]， 其中，表示计算标准差，view函数表示在不改变张量元素总数的前提下，重新调整张量的形状；步骤A3、将张量和分别经过全连接层FC以及ReLU激活层，使得输出变成形状为[1]且非负的张量和， 至此，便得到了与输入张量的宽W及高H维度信息相关的张量和张量；步骤三、使用带负样本特征序列的分类器，利用负样本特征序列来动态更新及存储负样本信息并与正样本对比，拉开正负样本之间的距离，学习图像易区分正负样本且鲁棒的特征空间；带负样本特征序列的分类器的流程包括以下步骤：步骤C1、重塑输入特征，得到特征，形状为[N,256]，归一化重塑后的特征x，得到特征，以降低图像质量对分类结果的影响， 其中，表示归一化处理；步骤C2、假设正样本中心为，图像的形状为[256,1]，归一化正样本中心，得到特征，求特征和的余弦相似度， 其中，Normalize表示数据标准化，表示矩阵相乘，表示将数值限制在-1到1之间；步骤C3、假设负样本特征序列为，形状为[256,256]，其中第一个256为序列长度，若缓存的负样本特征数量大于序列长度，则在移除早期的负样本特征后，再添加新的负样本特征，第二个256为空间的长度，求特征和的余弦相似度，并取出与每个输入特征最相似的分数， ；步骤C4、从输入的负样本中挑选与正样本中心之间的余弦相似度分数小于-0.25的样本，将其加入负样本特征序列， ；步骤C5、拼接两个余弦相似度和，得到余弦相似度分数，拼接后的形状为[N,2]；根据拼接后的余弦相似度分数及标签，计算交叉熵损失， 其中，表示特征拼接处理；为输入样本数量；为标签；步骤C6、计算出交叉熵损失后，通过梯度反向传播，更新正样本中心及与输入特征相关的参数。

全文数据：

权利要求：

百度查询： 厦门瑞为信息技术有限公司 结合掩码卷积和负样本特征序列的活体检测方法