一种考虑人脸欺诈的车载系统安全认证管理方法技术方案

本发明专利技术提供了一种考虑人脸欺诈的车载系统安全认证管理方法，其中，构建车载系统安全认证管理卷积神经网络，所述的构建包括：所述的卷积神经网络包括纹理呈现子网络、光学呈现子网络和特征融合子网络；所述的车载系统安全认证管理卷积神经网络以MobileNet

【技术实现步骤摘要】
一种考虑人脸欺诈的车载系统安全认证管理方法


[0001]本专利技术属于计算机视觉
，涉及车载系统，具体涉及一种考虑人脸欺诈的车载系统安全认证管理方法。

技术介绍

[0002]近年来，智能检测车逐渐成为智能交通
的研究热点。与此同时，人脸识别技术也被应用在智能汽车，在用户身份验证、驾驶员行驶访问控制、系统数据安全等方面都采用人脸识别系统进行登录认证。
[0003]由于检测车系统内的用户信息、系统数据是高度保密的，人脸识别的认证是获取数据的唯一途径，人脸信息也就成为保障车载系统安全的关键部分，所以针对人脸识别系统的欺诈攻击也逐渐出现。为了提高系统的安全性，很有必要对这种表示攻击进行检测。许多项目中使用的典型类人脸抗欺骗(FAS)方法是基于姿态识别的，通常需要用户协同完成一系列动作来确认真假，准确率高但不适合被动识别。对于传统的基于静态纹理的方法是利用手工制作的描述符从面部图像中提取欺骗模式来区分皮肤、照片和视频在纹理上的差异。然而，人脸区域的模式在不同光照、不同捕获设备或不同攻击欺诈情况下存在明显的类内差异。之后人们提出了多帧PAD方法，根据深度卷积神经网络在二维图像中生成的深度图像或rPPG技术提取的反映面部区域血流的信号来检测假人脸。尽管多帧方法在许多数据集上的性能更好，但其缺点是计算比其他方法复杂，可能不适合需要快速决策或具有少量计算能力的开发平台的条件。
[0004]目前大多数人脸抗欺骗方法都采用神经网络作为骨干，如VGG、ResNet和DenseNet，并采用二元交叉熵损失或三态焦点损失进行训练。然而，深度神经网络倾向于关注语义信息，如身份特征，而不是对PAD有用的纹理特征，而且简单的丢失函数不能很好地监督模型学习。因此，有许多著作采用了深度地图监督学习。但设计的新型损耗函数增加了收敛的难度，在一定程度上不利于移动设备运行复杂而深刻的模型。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的目的在于，提供一种考虑人脸欺诈的车载系统安全认证管理方法，以解决现有技术中的安全认证管理方法在复杂环境中的应用的鲁棒性有待进一步提升的技术问题。
[0006]为了解决上述技术问题，本专利技术采用如下技术方案予以实现：
[0007]一种考虑人脸欺诈的车载系统安全认证管理方法，该方法包括以下步骤：
[0008]步骤1，输入采集的连续两帧人脸视频，通过基于深度学习的运动放大方法对捕捉到的视频帧图像进行预处理，对视频帧图像中的反映人体呼吸信号的目标频段在0.04Hz～0.4Hz之间的人的运动进行增强，获得增强后的RGB图像；
[0009]步骤2，采用逐像素稠密光流方法，追踪在步骤1中放大后的相邻两帧视频帧图像中的所有点，提取相邻两帧视频帧图像的稠密光流动态特征，生成光流场图；
[0010]步骤3，采用HOG算法对步骤1中所输入的视频帧图像中的人脸区域进行定位，裁剪出经过步骤1增强后的RGB图像中的人脸区域；之后同样对步骤2中所获得的光流场图中的人脸区域进行定位，裁剪出光流场图中的人脸区域；
[0011]步骤4，构建车载系统安全认证管理卷积神经网络，所述的构建包括：所述的卷积神经网络包括纹理呈现子网络、光学呈现子网络和特征融合子网络；所述的车载系统安全认证管理卷积神经网络以MobileNet
‑
V2为骨干；
[0012]将步骤3所获得的增强后的RGB图像的人脸区域图像和光流场图的人脸区域图像分别作为纹理呈现子网络和光学呈现子网络的输入，采用车载系统安全认证管理卷积神经网络进行训练，通过纹理呈现子网络和光学呈现子网络的训练进行纹理特征和光流特征的提取，在特征融合子网络中获得特征融合，最后，基于光流特征和纹理特征，进行真人脸和假人脸的分类，输出最终结果。
[0013]本专利技术还具有如下技术特征：
[0014]步骤1中，包括如下子步骤：
[0015]步骤101，利用一个基于残差网络的运动视觉编码器编码器作为一个空间分解过滤器提取输入的单个视频帧图像的形状表示信号和纹理表示信号；
[0016]步骤102，将视频视作连续视频帧图像，
[0017]视频中某处的像素值变化能够视为一种时域信号，用一个时域滤波器从得到的动作表示中提取目标频段进行动作放大，得到放大后的运动信号；
[0018]步骤103，利用解码器将形状表示信号和纹理表示信号与放大后的运动信号相结合，重构出增强后的RGB图像。
[0019]步骤2中，具体包括如下子步骤：
[0020]步骤201，将步骤1中获得的增强后的RGB图像视为一个二维变量函数，并通过二项式展开进行近似估计；
[0021]步骤202，对于每帧视频帧图像中的每个像素点，将像素点在(2n+1)
×
(2n+1)的邻域内的全部像素点作为样本点，通过最小二乘法拟合得到中心像素点的六维系数，对于视频帧图像中的每个像素点都能得到一个六维向量；
[0022]其中，n为正整数；
[0023]步骤203，将每个六维向量作为系数，代入不同像素点的位置，求出视频前后帧的视频帧图像中每个像素点的参数向量；
[0024]步骤204，利用参数向量计算人脸视频的帧间位移，将帧间位移转换为极坐标系形式的位移并映射到HSV色彩空间，生成光流场图。
[0025]步骤3中，采用HOG算法定位的过程具体包括如下子步骤：
[0026]步骤301，将步骤1中获得的增强后的RGB图像和步骤2中生成的光流场图分别划分为多个块，每个块中分为多个单元，计算每个单元中每个像素的梯度，并根据梯度的分布生成单元的HOG；
[0027]步骤302，对每个块中的所有单元的HOG进行向量运算，得到每个块对应的块空间HOG；
[0028]步骤303，对块空间的HOG进行归一化处理，最终将所有块的块空间HOG组合在一起，形成该检测窗口的HOG特征向量；利用滑动窗口，采用机器学习算法来判断当前窗口中
的HOG特征向量是否与人脸区域相匹配，从而根据窗口坐标定位人脸。
[0029]步骤4中，所述的构建还包括：
[0030]步骤401，对纹理呈现子网络和光学呈现子网络构建了由N个子块组成的动态卷积块，子块包含K个大小相同的动态卷积滤波器；
[0031]步骤402，在纹理特征子网络中设置了中间层特征提取块和多级特征融合块作为网络主干进行纹理特征提取。
[0032]本专利技术与现有技术相比，具有如下技术效果：
[0033](Ⅰ)本专利技术的方法提出了一种以MobileNet
‑
V2为骨干的PAD网络结构，用于从RGB图像和光流图中提取人脸活动特征，并在重放攻击数据集上评估了该方法的有效性。
[0034](Ⅱ)本专利技术的方法分析了MobileNet
‑
V2在人脸反欺骗中的多层次特征，提出了多层次特征融合模块，提取并融合多层次特征，将深层和阴影输出结合起来，提高轻量级模型对PAD任务的表示能力。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑人脸欺诈的车载系统安全认证管理方法，其特征在于，该方法包括以下步骤：步骤1，输入采集的连续两帧人脸视频，通过基于深度学习的运动放大方法对捕捉到的视频帧图像进行预处理，对视频帧图像中的反映人体呼吸信号的目标频段在0.04Hz～0.4Hz之间的人的运动进行增强，获得增强后的RGB图像；步骤2，采用逐像素稠密光流方法，追踪在步骤1中放大后的相邻两帧视频帧图像中的所有点，提取相邻两帧视频帧图像的稠密光流动态特征，生成光流场图；步骤3，采用HOG算法对步骤1中所输入的视频帧图像中的人脸区域进行定位，裁剪出经过步骤1增强后的RGB图像中的人脸区域；之后同样对步骤2中所获得的光流场图中的人脸区域进行定位，裁剪出光流场图中的人脸区域；步骤4，构建车载系统安全认证管理卷积神经网络，所述的构建包括：所述的卷积神经网络包括纹理呈现子网络、光学呈现子网络和特征融合子网络；所述的车载系统安全认证管理卷积神经网络以MobileNet
‑
V2为骨干；将步骤3所获得的增强后的RGB图像的人脸区域图像和光流场图的人脸区域图像分别作为纹理呈现子网络和光学呈现子网络的输入，采用车载系统安全认证管理卷积神经网络进行训练，通过纹理呈现子网络和光学呈现子网络的训练进行纹理特征和光流特征的提取，在特征融合子网络中获得特征融合，最后，基于光流特征和纹理特征，进行真人脸和假人脸的分类，输出最终结果。2.如权利要求1所述的考虑人脸欺诈的车载系统安全认证管理方法，其特征在于，步骤4中，所述的构建还包括：步骤401，对纹理呈现子网络和光学呈现子网络构建了由N个子块组成的动态卷积块，子块包含K个大小相同的动态卷积滤波器；步骤402，在纹理特征子网络中设置了中间层特征提取块和多级特征融合块作为网络主干进行纹理特征提取。3.如权利要求1所述的考虑人脸欺诈的车载系统安全认证管理方法，其特征在于，步骤1中，包括如下子步骤：步骤101，利用一个基于残差网络的运动视觉编码器编码器作为...

【专利技术属性】
技术研发人员：周洲，程鑫，张煜昕，宁航，王宏飞，赵犇，翟茗禹，李思含，连新宇，赵祥模，
申请(专利权)人：长安大学，
类型：发明
国别省市：