The present invention relates to a face biopsy detection method based on migration learning, which belongs to the field of image processing and computer vision technology. The method includes dividing video data into image sequences, detecting faces in image sequences, dividing data into training sets and test sets, training 3D convolution neural networks using training sets in source domain, and obtaining a label classifier for distinguishing true and false faces. After the convolution layer, a gradient inversion layer is added to extract the common features of the source and target domains; the data of the source and target domains are trained through the gradient inversion layer to obtain the domain classifier that distinguishes the source and target domains; the test set of the target domain is sent to the trained label neural network, and the maximum probability of network classification is selected as the final detection result. The invention applies the idea of antagonistic transfer learning to the biopsy detection and improves the generalization ability of the biopsy detection. Through the 3D convolution neural network, not only the spatial information of video but also the time information can be utilized, but also the accuracy of the biopsy detection can be improved.
【技术实现步骤摘要】
基于迁移学习的人脸活体检测方法
本专利技术属于图像处理与计算机视觉
,涉及一种基于迁移学习的人脸活体检测方法。
技术介绍
目前,生物识别技术为认证程序提供了便捷的解决方案。人脸生物特征识别技术,由于检测速度快、用户体验好、非接触式等突出的优点,现在已经被广泛地应用于日常生活中的方方面面。现存的人脸生物识别技术存在很大的弊端,非常容易被攻击。常见的人脸攻击方式包括照片攻击和视频攻击。照片攻击具备真人脸部特征,而视频攻击更带有合法用户的动态特征,更具欺骗性,严重地影响了人脸识别系统判别的准确性。目前活体检测的方法主要有三种:基于纹理信息的活体检测、基于运动信息的人脸活体检测和基于深度学习的人脸活体检测方法。第一种基于纹理信息的活体检测:在同一设备采集伪造人脸和用该设备采集的真人脸相比存在细节丢失或差异,而这些细节上的差异就引起了图像微纹理上的差异,根据纹理上的差异判断真假脸。这类方法在特定的光照环境下,表现较好,但是泛化能力弱。第二种基于运动信息的人脸活体检测:这类方法旨在通过检测人脸的生理反应来判定采集的对象是否为真实人脸。真实人脸和虚假人脸相比,有更多的自主性,所以这类方法通过要求用户进行指定的动作来判定是否为合法用户。基于运动信息的人脸活体检测方法容易受到光照等自然环境的影响,且通常需要处理序列图像,资源消耗大,并且要求用户进行特定的动作,对用户的要求过高,用户体验不佳。第三种是基于深度学习的人脸活体检测方法:这类方法旨在充分的提取照片中关于人脸的信息,这种方法在单个数据集上准确度很高,但是泛化能力很差。这是因为在用深度网络学习人脸特征时,过于考虑 ...
【技术保护点】
1.基于迁移学习的人脸活体检测方法,其特征在于:S1、将视频数据切分为图像序列,检测图像序列中的人脸,把图像中的人脸部分进行处理;将处理后的数据分为源域和目标域;S2、在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层,形成标签神经网络,将源域数据送入该标签神经网络中,从而训练出标签分类器;S3、在该标签神经网络的卷积层后添加梯度反转层,形成梯度反转神经网络,将源域和目标域的数据送入该梯度反转神经网络中,从而训练出域分类器;S4、根据该域分类器提取出源域和目标域的公共特征,再次训练标签分类器;S5、将目标域的测试集数据送入步骤S4中训练好的标签分类器,确定出该图像的标签,即判断该图像为真实人脸或是虚假人脸;其中,源域带有真假人脸标签,目标域未带标签。
【技术特征摘要】
1.基于迁移学习的人脸活体检测方法,其特征在于:S1、将视频数据切分为图像序列,检测图像序列中的人脸,把图像中的人脸部分进行处理;将处理后的数据分为源域和目标域;S2、在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层,形成标签神经网络,将源域数据送入该标签神经网络中,从而训练出标签分类器;S3、在该标签神经网络的卷积层后添加梯度反转层,形成梯度反转神经网络,将源域和目标域的数据送入该梯度反转神经网络中,从而训练出域分类器;S4、根据该域分类器提取出源域和目标域的公共特征,再次训练标签分类器;S5、将目标域的测试集数据送入步骤S4中训练好的标签分类器,确定出该图像的标签,即判断该图像为真实人脸或是虚假人脸;其中,源域带有真假人脸标签,目标域未带标签。2.根据权利要求1所述的基于迁移学习的人脸活体检测方法,其特征在于:步骤S1具体包括:将视频数据切分为图像序列,检测每一帧图像中的人脸,把人脸部分剪切成相同的大小,并将处理后的人脸图像分为源域和目标域,分别对应为训练集和测试集。3.根据权利要求1所述的基于迁移学习的人脸活体检测方法,其特征在于:所述3D卷积神经网络具体包括:搭建3D卷积神经网络,第l层的卷积核为Wl×Hl×Tl,Tl是连续帧值,Wl×Hl是卷积核的空间大小;3D卷积操作的计算公式为:其中,表示第l卷积层中的第d2个特征在点(i,j,k)的输出值;表示第l卷积层中的第d2个特征在点(i,j,k)的输入值,是3D卷积神经网络中第l层中的第d1特征到d2特征在点(m,n,p)的权重,是第d2个特征在第l个卷积层的偏置,σ(·)是非线性激活函数。4.根据权利要求1所述的基于迁移学习的人脸活体检测方法,其特征在于:所述标签分类器是通过如下方式训练的:将3D卷积神经网络后增加两层全连接层和Softmax层,搭建出标签神经网络;通过将源域数据送至该标签神经网络中,使得第一分...
【专利技术属性】
技术研发人员:高陈强,周风顺,李新豆,李鹏程,胡凯,周美琪,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。