论文部分内容阅读
由于现阶段大多数人脸识别系统没有配备活体检测功能模块,无法识别出人脸的真实性,人脸识别系统的安全性近期备受人们的关注。尤其是在现在这个信息爆炸的时代,用户人脸的信息很容易获得。非法用户可以使用注册用户的头像,或者视频甚至是具有眨眼和唇部移动能力的3D面部模型等来欺骗人脸识别系统,这将给用户带来不必要的损失。虽然目前判断活体的方法很多,但很难基于一种方法就能达到理想的效果,往往需要多种算法的交叉判断,因此本课题选择基于多模态的人脸活体检测,并应用了轻量级的深度学习网络框架,致力于融合多种人脸活体检测方法。为了使活体检测系统达到实时检测,这需要人脸反欺骗算法要以更少的计算和存储成本运行,本系统的活体检测模块部署在硬件设备NVIDIA JETSON TX2上,由于受硬件设备中计算和存储成本的限制,本文采用轻量级的CNN架构(称为FeatherNet)。它具有高的精度和低的计算复杂度,FeatherNet架构中将全局平均池化层替代成全局卷积层并加入了流媒体模块,降低了FeatherNet网络的复杂性,在使用较少参数的前提下弥补了全局平均池化层的不足。该架构分别使用深度和红外(IR)信息作为监督来学习互补的模型。本系统在此基础上,应用了一种基于集成与级联结构的融合分类器。该分类器由两个阶段级联,集成阶段是由多个深度模型构成的集成分类器。级联阶段利用IR模型对集成阶段的不确定样本进行再次分类。本系统由C/S架构和B/S架构构成,其中C/S架构为在NVIDIA JETSON TX2设备上配合显示装置的人脸活体检测模块,B/S架构为后台管理模块。人脸活体检测模块可以对人脸进行实时的活体检测并在屏幕输出结果,还可以对用户信息及系统信息进行管理。后台的管理系统分为模型管理、设备管理和用户信息管理。该系统经过系统测试后各模块均达到理想效果。