【技术实现步骤摘要】
人脸活体检测对抗鲁棒性的评估方法及装置
[0001]本公开涉及图像检测领域，尤其涉及一种人脸活体检测对抗鲁棒性的评估方法及装置、电子设备及计算机设备。
技术介绍
[0002]人脸活体检测用于鉴别输入人脸数据是否为真人，这一道防线是人脸识别系统可靠性的关键保障。如果人脸活体检测可信度低，那么不法分子就能使用用户的人脸照片或视频，解锁用户手机或者其它基于人脸特征的识别系统，这将极大的危害用户隐私和财产安全。
[0003]近年来，随着数据标注的丰富以及基础骨干网络的快速发展，人脸活体检测模型在公开学术数据集上的精度已经能够逼近百分之百。但是，对抗样本的发现对所有使用深度学习方法的模型提出了巨大挑战，包括人脸活体检测任务。使用最简单的快速梯度下降法（FastGradient Sign Method，FGSM）和投影梯度下降法（Project Gradient Descent，PGD）就能够通过噪声的添加，轻易地误导目标模型，致使其以高置信度给出一个错误的输出。这样的对抗脆弱性在人脸活体检测这样的二分类任务上更加严重。对抗样本...
【技术保护点】
【技术特征摘要】
1.一种人脸活体检测对抗鲁棒性的评估方法，其特征在于，包括：将待检测的原始人脸图像输入预先训练好的语义特征增广网络，输出待加载在原始人脸图像上的噪声特征；将待检测的原始人脸图像输入预先训练好的多任务网络模型，输出多个分支特征向量，其中，所述多任务网络模型包括骨干网络和多分支网络；根据所述噪声特征、所述多个分支特征向量和原始人脸图像生成多个分支对抗样本；将待检测的原始人脸图像和多个分支对抗样本分别输入预先训练好的骨干网络，输出对应的原始检测准确率以及对抗检测准确率；根据原始检测准确率与各分支对抗样本对应的对抗检测准确率之间的差值确定各分支特征的对抗鲁棒性。2.根据权利要求1所述的方法，其特征在于，所述多分支网络包括语义特征网络、几何特征网络和决策网络，通过以下表达式训练所述多任务网络模型：其中，为多任务网络损失函数，为语义损失函数，为几何损失函数，为决策网络输出的真人和假人二分类决策向量，为决策向量对应的真实标注信息，为决策损失函数。3.根据权利要求1所述的方法，其特征在于，语义特征网络包括人脸属性网络、假体种类网络和光照网络，其中，所述语义损失函数为以下表达式：其中，为人脸属性损失函数，为假体种类损失函数，为光照损失函数，为人脸属性网络输出的人脸属性向量，为假体种类网络输出的假体种类向量，为光照网络输出的光照向量，为人脸属性向量对应的真实标注信息，为假体种类向量对应的真实标注信息，为光照向量对应的真实标注信息，、和为设置参数。4.根据权利要求1所述的方法，其特征在于，几何特征网络包括深度图网络和反射图网络，所述几何损失函数为以下表达式：其中，为几何损失函数，为深度图损失函数，为反射图损失函数，为深度图网络输出的深度图特征图，为反射图网络输出的反射图特征图，为深度图特征图对应的正确标注，为反射图特征图对应的正确标注，和为设置参数。5.根据权利要求1所述的方法，其特征在于，所述语义特征增广网络包括真人噪声生成网络和假人噪声生成网络，所述真人噪声生成网络和所述假人噪声生成网络通过以下步骤训练得到：将原始人脸图像分别输入真人噪声生成网络和假人噪声生成网络；
根据真人噪声生成网络和假人噪声生成网络的输出值以及原始人脸图像的局部二值特征计算得到真人增广噪声和假人增广噪声；根据真人增广噪声和假人增广噪声对原始人脸图像进行处理，并将处理后的人脸图像输入预先训练好的骨干网络中，以与原始人脸图像的标签相反的标签作为输出，对真人噪声生成网络和假人噪声生成网络进行训练。6.根据权利要求5所述的方法，其特征在于，通过以下表达式，根据真人噪声生成网络和假人噪声生成网络的输出值以及原始人脸图像的局部二值特征计算得到真人增广噪声和假人增广噪声：和假人增广噪声：其中，为真人增广噪声，为假人增广噪声，为原始人脸图像的局部二值特征，为真人噪声生成网络的输出值，为假人噪声生成网络的输出值。7.根...
【专利技术属性】
技术研发人员：王伟，董晶，彭勃，杨嵩林，王建文，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：
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。