【技术实现步骤摘要】
一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法
本专利技术涉及图像处理和生物安全
，具体涉及一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法。
技术介绍
如今，人脸识别技术已被应用在日常生活中的方方面面，比如人脸考勤系统、手机人脸解锁、人脸支付等等。当人脸成为众多识别和认证系统中关键的生物特征时，一旦恶意者假冒合法用户成功通过人脸识别系统，将带来难以预料的安全事故和经济损失。企图用合法用户的人脸照片、视频等手段以借用该用户身份通过人脸识别系统的操作，被称为人脸表示攻击。检测这类攻击的方法，称为人脸活体检测。在人脸活体检测中，人脸图像可被分为两类，一类是直接对合法用户本人进行拍摄得到的图像，这类图像将会通过活体检测算法。另一类图像则不是直接对合法用户拍摄的图像，拍摄的对象可能是合法用户的照片、视频、蜡像，或者一切跟合法用户脸部相似度高的对象，比如3D人脸面具等。这类图像被称为人脸表示攻击图像(简称攻击图像)，是活体检测技术要检测的对象。活体检测算法的核心在于提取人脸图像中对检测活性最有辨...
【技术保护点】
1.一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的人脸表示攻击检测方法包括下列步骤：/n构建LBP-VAE异常检测模型，包括确定LBP的类型，确定VAE中编码器、解码器的网络结构及隐变量分布类型，其中，LBP表示局部二值化模式，VAE表示变分自动编码器；/n获取训练样本，其中，训练样本只包括真实样本，而不需要任何的攻击样本；/n提取训练样本的LBP特征，得到样本特征向量；/n将样本特征向量作为VAE的输入，训练VAE网络，VAE网络中编码器学习由特征向量到隐变量的条件概率分布，引入随机噪声后对隐变量进行采样，得到编码值，VAE网络中解码器根据编...
【技术特征摘要】
1.一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的人脸表示攻击检测方法包括下列步骤：
构建LBP-VAE异常检测模型，包括确定LBP的类型，确定VAE中编码器、解码器的网络结构及隐变量分布类型，其中，LBP表示局部二值化模式，VAE表示变分自动编码器；
获取训练样本，其中，训练样本只包括真实样本，而不需要任何的攻击样本；
提取训练样本的LBP特征，得到样本特征向量；
将样本特征向量作为VAE的输入，训练VAE网络，VAE网络中编码器学习由特征向量到隐变量的条件概率分布，引入随机噪声后对隐变量进行采样，得到编码值，VAE网络中解码器根据编码值重构特征向量，训练VAE网络优化特征重构误差和隐变量后验分布与预设分布的误差；
VAE网络训练结束后，得到完整的LBP-VAE异常检测模型，输入人脸样本，假如LBP-VAE异常检测模型输出的损失大于模型分类阈值，判为人脸攻击样本，否则判为真实样本。
2.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的LBP-VAE异常检测模型包括LBP特征提取模块和VAE网络，LBP特征为原始LBP特征及各类改进LBP特征，各类改进LBP特征包括圆形LBP特征、旋转不变LBP特征、等价模式LBP特征、多尺度LBP；VAE网络由编码器和解码器构成，编码器和解码器选用多层感知机MLP、基于卷积神经网络或循环神经网络的深层神经网络，VAE网络中隐变量的分布选用正态分布函数。
3.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的训练样本只由真实样本构成，而不需要任何的攻击样本，所述的真实样本即直接对合法用户本人进行拍摄得到的人脸图像，不包括任何类型的人脸表示攻击样本，即不包括对合法用户的照片、视频、蜡像、三维面具等拍摄得到的人脸图像。
4.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的LBP特征用于对训练样本的多个色彩空间进行提取，所述的色彩空间包括RBG、HSV和YCrCv色彩空间，最后的样本LBP特征向量由所有使用到的色彩空间提取到的LBP特征向量进行拼接构成。
5.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：傅予力，许晓燕，谢扬，吕玲玲，肖芸榕，黄汉业，向友君，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44
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。