摘要：从2006年开始深度学习的初露头角，到近两年的人工智能+的提出，深度学习技术已经日渐成熟，特别是在图形图像领域的应用，几乎是超过了传统的方法。人脸识别是用计算机处理图像中的一个分支，同时也是热门研究，人脸的识别技术已经越来越成熟，逐渐在商业应用中普及，并且越来越广泛，随之而来的问题是在人脸的识别和验证中，可以很容易的用照片、视屏或者制造假脸，复制出真实的信息，对设备以及计算机进行欺骗。在生物识别安全领域中，人脸防欺骗已经成为最新的热点问题。本文首先通过传统活体检测技术的探究，深入了解人脸的活体检测技术，然后运用深度学习的方法使用不同的两种网络在Caffe上进行训练，然后活体检测，最后调用Skikite-learn库函数训练一个SVM分类器，用训练好的分类器在测试集上进行效果的比较：1、采用MTCNN进行人脸对齐，用VGG_FACE网络训练自己的模型参数来提取人脸特征，用这些特征训练出分类器在测试集上测试。2、在研究中发现人脸的头发特征对于人脸活体检测有很好的区分效果，在对齐的时候特别关注了头发部分，然后采用Sphereface来提取特征——Sphereface 深入修改了网络模型，提出了新的损失函数用来评测模型好坏，更加适应人脸的问题。

关键词：深度学习；人脸识别；活体检测；卷积神经网络；机器学习

目录

摘要

Abstract

1 绪论-1

1.1 引言-1

1.2 人脸识别-1

1.3 人脸欺骗检测-2

1.4 深度学习在图像识别的应用-2

2 人脸识别综述-4

2.1 生物特征识别-4

2.2 人脸识别简介-4

2.3 人脸识别的欺骗形式-5

3 人脸活体检测-6

3.1 人脸活体检测简介-6

3.2 活体检测系统-6

3.3 现有的人脸活体检测技术手段方法-7

3.3.1 基于光流的分析-7

3.3.2 基于二分类的分析-7

3.3.3 基于面部器官的分析-7

3.4 实验人脸活体检测数据库介绍-8

3.5 实验人脸活体检测数据库测试指标-8

4 基于Caffe的人脸活体检测-10

4.1 卷积神经网络介绍-10

4.1.1 人工神经网络-10

4.1.2 卷积神经网络的层级结构-11

4.2 深度学习框架Caffe-13

4.3 基于CNN的人脸活体检测两种方法研究-13

4.3.1 采用VGG_FACE提取特征的方法示例-13

4.3.2 实验结果及分析-14

4.3.3 采用Sphereface提取经过预处理的人脸特征的方法示例-15

结    论-19

参 考 文 献-20

致    谢-22