[發(fā)明專利]一種人臉反欺詐的深度學(xué)習(xí)方法

在審

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

本發(fā)明公開了一種人臉反欺詐的深度學(xué)習(xí)方法，包括以下步驟：搭建MMCNN網(wǎng)絡(luò)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(kuò)充，為了提高準(zhǔn)確率，將原本的三模態(tài)數(shù)據(jù)通過轉(zhuǎn)換其顏色空間的方式額外擴(kuò)充兩個(gè)模態(tài)；計(jì)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C I S IA?SURF數(shù)據(jù)集，來判斷每個(gè)模態(tài)真假臉圖片的相似度。通過增加模態(tài)提升MMCNN網(wǎng)絡(luò)框架的模型精度，不但可以增強(qiáng)模型的精度，而且還有助于增大模型的穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明設(shè)計(jì)人臉識(shí)別領(lǐng)域，具體涉及一種人臉反欺詐的深度學(xué)習(xí)方法。

背景技術(shù)

隨著社會(huì)信息技術(shù)的發(fā)展，社會(huì)對(duì)于安全驗(yàn)證的需求日益增長，行人重識(shí)別作為一種新型AI安全系統(tǒng)廣泛應(yīng)用于安防領(lǐng)域，它可以用于快速檢索罪犯。而由于很多緊湊表征的行人識(shí)別方法需要使用人臉信息，這就給了犯罪嫌疑人可乘之機(jī)。犯罪嫌疑人可能使用面具去騙過系統(tǒng)，讓系統(tǒng)給出完全不一樣的檢索結(jié)果。這種情況下，我們需要使用人臉反欺詐技術(shù)去檢測(cè)該犯人的臉部的真實(shí)性，這樣就有人臉反欺詐在行人重識(shí)別問題上的應(yīng)用。

除了行人重識(shí)別領(lǐng)域，在其他領(lǐng)域人臉反欺詐也有很多應(yīng)用，像生物識(shí)別技術(shù)中的人臉驗(yàn)證，現(xiàn)在已經(jīng)廣泛應(yīng)用于我們現(xiàn)實(shí)生活中的很多場景，比如手機(jī)支付，人臉驗(yàn)證門鎖，身份驗(yàn)證等。然而不幸的是這些系統(tǒng)有時(shí)會(huì)遭到假臉攻擊，從而引發(fā)較大的安全隱患。比如手機(jī)人臉驗(yàn)證支付系統(tǒng)如果遭遇到攻擊者的欺騙會(huì)造成經(jīng)濟(jì)上的損失等。而在當(dāng)今這個(gè)信息化時(shí)代，獲取到對(duì)方的”假臉”并不是一個(gè)難事，可以通過對(duì)方的朋友圈、微博、抖音等社交軟件比較輕松地獲取。

人臉反欺詐不僅是人臉識(shí)別/驗(yàn)證/檢索系統(tǒng)的基礎(chǔ)工作，而且對(duì)于魯棒的行人重識(shí)別系統(tǒng)也很重要，所以我們認(rèn)為對(duì)于該問題的研究是非常有意義的。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的不足之處，本發(fā)明提供了以下技術(shù)方案：

一種人臉反欺詐的深度學(xué)習(xí)方法，包括以下步驟：

搭建MMCNN網(wǎng)絡(luò)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(kuò)充，為了提高準(zhǔn)確率，將原本的三模態(tài)數(shù)據(jù)通過轉(zhuǎn)換其顏色空間的方式額外擴(kuò)充兩個(gè)模態(tài)；

計(jì)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(gè)模態(tài)真假臉圖片的相似度。

上述的人臉反欺詐的深度學(xué)習(xí)方法，將RGB圖像擴(kuò)充至HSV和YCbCr兩個(gè)顏色空間模態(tài)，使用ResNet-34分別逐層對(duì)幾個(gè)模態(tài)的數(shù)據(jù)進(jìn)行特征提取，抽出res2之后的特征，將這些特征進(jìn)行連接，然后組成一組新的特征，對(duì)這組新的特征進(jìn)行連接卷積。

上述的人臉反欺詐的深度學(xué)習(xí)方法，將res3之后的特征做一個(gè)SElayer，讓每一個(gè)模態(tài)做通道加權(quán)；整個(gè)SElayer分為壓縮和激活兩部分，壓縮部分對(duì)整個(gè)特征圖在通道維度上做一個(gè)平均池化，激活部分通過兩層全連接層讓通道學(xué)習(xí)權(quán)重。

上述的人臉反欺詐的深度學(xué)習(xí)方法，所述壓縮部分的公式為：

上述的人臉反欺詐的深度學(xué)習(xí)方法，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)。

上述的人臉反欺詐的深度學(xué)習(xí)方法，將SEFeature進(jìn)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(duì)該特征按照順序送入res4和res5中；在res5之后對(duì)特征做一個(gè)池化拉伸，將特征圖變?yōu)?*1，之后使用一層全連接層，再對(duì)結(jié)果進(jìn)行softmax分類得到真臉和假臉的評(píng)分。