基于MobileNet的人脸活体检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115775414A(43)申请公布日2023.03.10(21)申请号202211499883.6G06N3/048(2023.01)(22)申请日2022.11.28G06N3/047(2022.01)G06N5/046(2022.01)(71)申请人江苏邦融微电子有限公司地址215316江苏省苏州市昆山市玉山镇苇城南路1699号9层909-1室(72)发明人卢孟王露张莉董艳丽(74)专利代理机构无锡市汇诚永信专利代理事务所(普通合伙)32260专利代理师葛莉华(51)Int.Cl.G06V40/40(2022.01)G06V40/16(2023.01)G06V10/82(2023.01)G06V10/774(2023.01)G06N3/0464(2022.01)权利要求书2页说明书5页附图3页(54)发明名称基于MobileNet的人脸活体检测方法(57)摘要本申请公开一种基于MobileNet的人脸活体检测方法，涉及人脸识别领域，包括：通过摄像模组采集包含真人脸和假人脸照片，检测并标注出人脸图像，获得裁剪后的人脸图像；采用双线性差值方法对人脸图像进行缩放，获得标准化图像；输入轻量化MobileNet模型，提取和识别标准化图像的人脸特征数据，进行模型训练；导出模型参数并部署到嵌入式设备，通过C语言执行网络结构和网络各层间的卷积运算，执行前向推理过程，获得人脸活体检测模型。采用多个DPBlock模块级联，降低每层特征图的通道数进行参数缩减，嵌入端部署时无需硬件加速辅助，在低时延要求下完成人脸活体检测，同时保持较高的精度。CN115775414ACN115775414A权利要求书1/2页1.一种基于MobileNet的人脸活体检测方法，其特征在于，所述方法包括：通过摄像模组采集包含真人脸和假人脸照片，检测并标注出人脸图像，获得裁剪后的人脸图像；采用双线性差值方法对裁剪后的所述人脸图像进行缩放，获得标准化图像；将所述标准化图像输入轻量化MobileNet模型中，提取和识别人脸特征数据，并基于真假人脸组成的训练集进行模型训练；其中所述轻量化MobileNet模型包括一个普通卷积层、至少四个深度可分离卷积DPBlock模块和一个第一深度卷积层，所述DPBlock模块用于提取所述人脸特征数据，以及将特征图长度和宽度缩小一半；导出所述轻量化MobileNet模型的模型参数并部署到嵌入式设备中，通过C语言执行网络结构和网络各层间的卷积运算，执行前向推理过程，获得人脸活体检测模型。2.根据权利要求1所述的方法，其特征在于，所述轻量化MobileNet网络的所述普通卷积层级联在输入层后方，卷积步长s＝2，卷积核的张量大小为3*3*4，经过所述普通卷积层后输出的特征图张量大小为4*48*48；所述输入层输入的所述标准化图像尺寸为96*96。3.根据权利要求2所述的方法，其特征在于，所述普通卷积层后方连续级联有四个相同的所述DPBlock模块，依次为第一DPBlock模块至第四DPBlock模块；每组所述DPBlock模块包括两组第二深度卷积层及归一化及激活层、两组点卷积层及对应所述归一化及激活层，以及一组第三深度卷积层；其结构层次为第二深度卷积层、归一化及激活层、点卷积层、归一化及激活层、第二深度卷积层、归一化及激活层、点卷积层、归一化及激活层、第三深度卷积层。4.根据权利要求3所述的方法，其特征在于，所述第二深度卷积层的卷积核大小为3*3，卷积步长s＝1；所述第三深度卷积层的卷积核大小为3*3，卷积步长s＝2；所述归一化及激活层包括BN层和ReLU6激活层。5.根据权利要求4所述的方法，其特征在于，所述第四DPBlock模块输出特征图大小为3*3；所述第一深度卷积层级联在所述第四DPBlock模块后方，卷积核大小为3*3，卷积步长s＝1，经过所述第一深度卷积层后输出的特征图大小为1*1，特征图通道数为2。6.根据权利要求1所述的方法，其特征在于，模型训练过程包括：以pytorch框架训练人脸活体检测模型，将真人脸和假人脸照片组成的数据集划分为训练集、验证集和测试集，且比例为6:2:2；将真人脸数据的所述标准化图像标签设置为1，将假人脸的所述标准化图像标签设置为0，将标签和所述标准化图像送入所述轻量化MobileNet模型中，采用交叉熵损失函数进行模型训练，并根据对测试集上的人脸图片判断正确的准确率大小调节模型批大小、学习率和梯度参数；当所述轻量化MobileNet模型在测试集上的准确率趋向稳定，或训练次数达到设定阈值时停止训练。7.根据权利要求6所述的方法，其特征在于，所述导出所述轻量化MobileNet模型的模型参数并部署到嵌入式设备中，通过C语言执行网络结构和网络各层间的卷