[發(fā)明專利]一種人臉反欺詐的深度學習方法

在審

• 申請?zhí)枺?/td>: 202110484253.0
• 申請日: 2021-04-30
• 公開（公告）號: CN113111853A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設計）人: 李暉;馮剛;施若
• 申請（專利權）人: 貴州聯(lián)科衛(wèi)信科技有限公司;貴州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46;G06N3/04
• 代理公司: 北京華創(chuàng)智道知識產(chǎn)權代理事務所(普通合伙) 11888
• 代理人: 彭隨麗

1.一種人臉反欺詐的深度學習方法，包括以下步驟：

搭建MMCNN網(wǎng)絡框架，允許多模態(tài)數(shù)據(jù)輸入且可以充分融合其信息；

模態(tài)擴充，為了提高準確率，將原本的三模態(tài)數(shù)據(jù)通過轉換其顏色空間的方式額外擴充兩個模態(tài)；

計算損失函數(shù)；

真假圖片不同模態(tài)定量分析，通過定量分析CISIA-SURF數(shù)據(jù)集，來判斷每個模態(tài)真假臉圖片的相似度。

2.如權利要求1所述的人臉反欺詐的深度學習方法，其特征在于，將RGB圖像擴充至HSV和YCbCr兩個顏色空間模態(tài)，使用ResNet-34分別逐層對幾個模態(tài)的數(shù)據(jù)進行特征提取，抽出res2之后的特征，將這些特征進行連接，然后組成一組新的特征，對這組新的特征進行連接卷積。

3.如權利要求2所述的人臉反欺詐的深度學習方法，其特征在于，將res3之后的特征做一個SElayer，讓每一個模態(tài)做通道加權；整個SElayer分為壓縮和激活兩部分，壓縮部分對整個特征圖在通道維度上做一個平均池化，激活部分通過兩層全連接層讓通道學習權重。

4.如權利要求3所述的人臉反欺詐的深度學習方法，其特征在于，所述壓縮部分的公式為：

5.如權利要求4所述的人臉反欺詐的深度學習方法，其特征在于，所述激活部分的公式為：

s＝F_e(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

其中σ為激活函數(shù)，r為放縮參數(shù)。

6.如權利要求5所述的人臉反欺詐的深度學習方法，其特征在于，將SEFeature進行連接，并且做連接卷積，獲取一組特征為CatSEFeature，并將中層特征CatFrature與高層特征CatSEFeature做殘差，之后對該特征按照順序送入res4和res5中；在res5之后對特征做一個池化拉伸，將特征圖變?yōu)?*1，之后使用一層全連接層，再對結果進行softmax分類得到真臉和假臉的評分。

7.如權利要求6所述的人臉反欺詐的深度學習方法，其特征在于，所述模態(tài)擴充將原始的可見光圖像轉變?yōu)镠SV顏色空間圖像和YCbCr圖像，將色度和亮度分離，為整個模型提供更細節(jié)的紋理特征。

8.如權利要求7所述的人臉反欺詐的深度學習方法，其特征在于，所述損失函數(shù)通過擴大真臉和假臉特征的聚類中心的類間距離，來輔助交叉熵損失。

9.如權利要求8所述的人臉反欺詐的深度學習方法，其特征在于，所述定量分析通過對待識別人臉的若干個模態(tài)做LBP特征提取，計算每種模態(tài)LBP特征的直方圖，計算直方圖的卡方距離。

10.如權利要求9所述的人臉反欺詐的深度學習方法，其特征在于，所述計算直方圖的卡方距離為：卡方距離越大說明真假兩張臉在該模態(tài)上差距越大。