高精度单目人脸静默活体检测技术指南.docxVIP

1

高精度单目人脸静默活体检测技术指南

1范围

本标准规定了高精度单目人脸静默活体检测技术的训练样本、实现方法和主要指标。本标准适用于高精度单目人脸静默活体检测。

2规范性引用文件

下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文件。凡是不注日期的引用文件，其必威体育精装版版本（包括所有的修改单）适用于本文件。

GA/T893-2010安防生物特征识别应用术语

GA/T1470-2018安全防范人脸识别应用分类

3术语和定义

GA/T893-2010和GA/T1470-2018界定的以及下列术语和定义适用于本标准。

3.1

人脸活体检测facelivenessdetection

检测辨别人脸图像来自活体人脸或假体人脸的功能。

[GA/T1470-2018，定义3.6]

3.2

人脸防伪faceanti-spoofing

能够抵御人脸照片、视频或者人脸面具等来自假体人脸仿冒攻击的措施，通常通过人脸活体检测实现。

[GA/T1470-2018，定义3.7]

3.3

检测率truepositiverate

视频实时智能分析设备输出的正确目标或正确事件与视频中应该被设备检测的目标或事件的百分比见式（1）。

检测率=正检数100%

正检数+漏检数 （1）

式中：

漏检数—把假脸识别成真脸的次数。

3.4

误检率falsepositiverate

视频实时智能分析设备输出的目标或事件中，错误目标或事件所占的百分比见式（2）。

2

误检率=误检检数根100%

……

（2）

式中：

误检数—把真脸识别成假脸次数。

4训练样本

人脸活体检测的训练样本参见附录A。

5人脸活体检测的实现方法

5.1算法网络结构

5.1.1训练网络

使用的改进VGG-11网络，如图1所示。

注：本活体识别算法使用改进的VGG-11网络训练得来。

图1训练网络

5.1.2网络结构

网络的结构参见表1。

表1网络结构

Layer

Filtersize

stride

Input

200×200×3

——

Conv1

7×7×3

1×1

Pool1

2×2

2×2

Conv2

5×5×64

1×1

Pool2

2×2

2×2

Conv3_1

3×3×128

1×1

Conv3_2

3×3×256

1×1

Pool3

2×2

1×1

Conv4_1

3×3×256

1×1

Conc4_2

3×3×512

1×1

3

Pool4

2×2

1×1

Conv5_1

3×3×512

1×1

Conv5_2

3×3×512

1×1

Pool5

2×2

1×1

Fullyconnectedlayer(×3）

——

——

Softmax

——

——

注1：网络结构包括八个卷积层，三个全连接层，和一个softmax层。

注2：中间的激活函数采用ReLU激活函数，池化层采用最大池化函数。

注3：利用该结构的网络对人脸图像进行训练得到真假脸判别模型，从而实现活体的单目静默检测。

5.2算法步骤

判断人脸是否为活体的算法步骤如图2所示。

注1：将ncnn:Mat格式的图片转换为cv:Mat格式，ncnn:Mat格式为腾讯ncnn网络里用于存储图片的格式，cv:Mat格

式为OpenCV存储图像的格式。

注2：通过仿射变换进行人脸对齐标定（算法中的仿射变换使用的是opencv中带的函数warpAffine()中的输入图像

必须为cv:Mat格式的，需要将ncnn:Mat格式的图片转换为cv:Mat格式）。

注3：将标定后的人脸送给训练好的分类器进行分类，分类器就是一个由各种真假脸图片训练出来的模型权重，通

过这个模型来进行分类，得到一个bool型变量isAlive。

注4：用isAlive变量来表征人脸是否为活体，isAlive为0时判定为假脸，为1时则判定为真脸。

图2算法步骤

6人脸活体检测的主要指标

6.1识别角度要求

识别角度应符合下列要求：

4

a)旋转角小于45°;

b)俯仰角小于20°;

c)偏航角小于30°。

6.2人脸像素要求

人脸像素应符合下列要求：

a)瞳间距大于15像素可检出；

b)瞳间距大于30像素可识别。

6.3人脸尺寸要求

大于20像素×20像素。

6.4其他

6.4.1按公式（1）计算的人像正面活体检测率≥94%。

6.4.2按公式（2）计算的误检率≤2.25%。

6.4.3应支持人种包括黄种人、黑人和白人。

6.4.4检测速度应小于1s。

6.4.5