[發明專利]基于特征空間約束的人臉欺騙檢測方法

有效

• 申請號: 202110391703.1
• 申請日: 2021-04-12
• 公開（公告）號: CN113221655B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 欒曉;張虎
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V40/40;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發明涉及一種基于特征空間約束的人臉欺騙檢測方法，屬于人臉識別領域，包括以下步驟：S1：對攝像頭采集的訓練集視頻數據進行分幀采樣；S2：對分幀采樣的人臉數據進行預處理；S3：將預處理后的圖像進行標簽標注并輸入到卷積神經網絡進行特征提取；S4：對提取的特征進行空間約束；S5：進行模型訓練，得到用于人臉欺騙檢測的Soft?max模型分類器；S6：采集測試集并對待測試的視頻數據進行步驟S1和步驟S2的處理；S7：將測試集預處理的數據輸入到訓練好的Softmax模型分類器中判斷數據的活體真假。本發明緩解了人臉欺騙檢測中真假人臉數據之間的類間距離小，類內距離大的問題，進一步提升了人臉欺騙檢測網絡模型的泛化能力。

技術領域

本發明屬于人臉識別領域，涉及一種基于特征空間約束的人臉欺騙檢測方法。

背景技術

隨著科學技術的進步，人臉識別技術已經被廣泛的應用在日常生活中，如人臉支付、考勤打卡、身份識別、車站安檢、快遞領取等。人臉識別技術的廣泛應用給人們的生活帶來了極大的便利，但是與此同時人臉識別技術也給人們的個人隱私和財產安全帶來了極大的威脅。在人臉識別系統中，當具有合法用戶的人臉欺騙在視覺上與真實人臉極其接近時，人臉識別系統很有可能會被攻破，造成個人隱私和財產安全的極大損失。比如2019年10月17日，多家媒體報道，浙江嘉興外國語學院的小學生利用父母的紙質照片成功打開了小區里的智能快遞柜，取出快遞。還有2019年12月12日美國《財富》雜志報道，美國圣地亞哥的一家人工智能公司Kneron宣稱他們用一種特制的3D面具，成功欺騙過荷蘭最大機場的一臺自助終端機以及中國火車站的人臉識別系統。由此可見，目前人臉識別系統并未達到安全的標準。因此，如何在人臉識別系統中成功檢測各種人臉欺騙是目前人臉識別技術領域必須要解決的問題。

目前學術界提出了各種人臉欺騙檢測的方法，有基于外觀紋理信息的檢測方法、有基于時間序列信息的檢測方法、有基于三維深度信息的檢測方法、也有基于其它特征信息檢測的方法。總的來說，近幾年，根據特征提取方法的不同，人臉欺騙檢測大致可以分為兩類，一類是基于手工設計特征提取的傳統方法，一類是近幾年在模式識別領域迅速崛起的卷積特征提取方法。

基于手工設計特征的方法包括基于圖像紋理信息分析方法(基于Fourier頻譜分析和基于顏色紋理分析)、基于運動信息分析方法(基于運動光流分析和人機交互分析)、基于深度信息分析方法(基于結構光深度信息分析和基于TOF深度信息分析)以及基于其它生物信息分析方法(如基于心率監測分析、圖像質量分析和上下文情景分析)。對于早期人臉欺騙檢測特征提取來說，主要采用特征提取算法有LBP(Local Binary Patterns)、HOG(Histogram of Oriented Gridients)以及SURF(Speeded Up Robust Features)等，利用這些特征提取算法找到活體人臉與欺騙人臉之間的特征差異，然后根據這些差異來進行真假人臉的判別。這種手工設計特征提取的方式在深度學習沒有被應用在圖像識別領域之前是被人臉識別研究者廣泛使用的，因為這種特征提取方式對特定的欺騙類型檢測具有良好的效果。但是，基于手工設計特征提取的方法也有弊端，那就是對采集的環境、設備變化等都非常敏感，很容易因為這些變化使模型分類失敗。簡單地說，也就是基于手工設計特征提取的方法一般在同一數據集上訓練和測試能夠得到顯著的分類性能，但是在跨數據集訓練測試時，因為不同數據集之間采集環境和設備有所變化，跨數據集訓練的模型在測試集上分類容易失敗。所以，一些學者為了使模型能夠在真實環境下具備良好的適用性和泛化性，就提出利用時間信息來確定當前人臉是否是活體人臉。針對于最常用的照片欺騙和視頻欺騙，利用合法用戶人為配合人臉識別系統指令，如眨眼、搖頭等去檢測當前人臉的真實性，保障系統具有較高的分類準確率和通用性。這也是前幾年社會上人臉識別系統應用多為交互式人臉識別系統的主要原因。