【技术实现步骤摘要】
基于单帧RGB图像的轻量级人脸反欺诈方法及装置
[0001]本专利技术涉及深度学习和计算机视觉的
，尤其是指一种基于单帧RGB图像的轻量级人脸反欺诈方法及装置。
技术介绍
[0002]人脸识别系统的广泛应用引起了用户对人脸欺诈攻击的担忧，一方面人脸欺诈攻击的制作成本低，敌手通过打印真实用户的照片或重放包含真实用户的视频就可以实施人脸欺诈攻击；另一方面敌手获取用户的人脸信息非常容易，敌手可以通过从社交平台下载或非法偷拍等方式获取到用户的人脸信息。因此，人脸反欺诈方法对于确保人脸识别系统的安全性十分重要。
[0003]目前已有的人脸反欺诈方法可以分为两类，一类方法是基于手工特征的传统方法，这类方法需要人为设计并提取特征，泛化能力弱，检测错误率高；另一类方法是基于深度学习的方法，借助于深度学习自动学习特征的能力，这类方法泛化能力较强，与传统方法相比，检测错误率显著下降。然而，大多数基于深度学习的人脸反欺诈方法参数量庞大，计算耗时，并且部分方法还需要借助深度相机等额外的设备采集信息，推广成本高。因此，设计基于单帧RGB...
【技术保护点】
【技术特征摘要】
1.基于单帧RGB图像的轻量级人脸反欺诈方法，其特征在于，包括以下步骤：S1、训练数据的采集和预处理，以及搭建人脸欺诈检测网络；所述训练数据是指单帧的RGB图像，包括真实人脸图像和欺诈人脸图像；在预处理过程中，首先使用MTCNN网络检测训练数据中的人脸区域，然后裁剪出真实人脸图像和欺诈人脸图像中的人脸区域图像，并将裁剪出来的人脸区域图像缩放为M
×
M大小，M代表图像宽和高方向上的像素个数；所述人脸欺诈检测网络包括编码器模块、全局注意力模块、解码器模块和等通道像素级二元监督模块；S2、使用经过预处理后的训练数据训练搭建的人脸欺诈检测网络，训练直至损失函数收敛，得到最优的人脸欺诈检测网络；S3、将待检测的人脸图像经过步骤S1中的预处理过程后，再输入最优的人脸欺诈检测网络，得到网络输出的预测欺诈得分；S4、判断步骤S3中预测欺诈得分是否大于预设阈值，若是，则待检测的人脸图像是一个真实人脸图像；若否，则待检测的人脸图像是一个欺诈人脸图像。2.根据权利要求1所述的基于单帧RGB图像的轻量级人脸反欺诈方法，其特征在于：在步骤S1中，所述编码器模块由倒残差瓶颈模块搭建而成，其作用是将输入图像编码到低分辨率的特征空间内。3.根据权利要求1所述的基于单帧RGB图像的轻量级人脸反欺诈方法，其特征在于，在步骤S1中，所述全局注意力模块对输入特征添加注意力，具体步骤包括：将输入特征输入到ReNet模块中，在ReNet模块中通过一个横向的LSTM扫描和一个竖直方向的LSTM扫描提取到全局特征，然后通过一个点卷积将全局特征通道数转换为D，并将转换后的特征变形为D
×
HW的矩阵，其中H和W分别为特征的高和宽；将输入特征输入到点卷积中，转换通道数为D，然后对转换后的特征应用全局平均池化操作，并将池化后得到的特征变形为1
×
D的矩阵；将1
×
D的矩阵和D
×
HW的矩阵进行矩阵乘法，得到1
×
HW的矩阵，并将其变形为1
×
H
×
W的矩阵，最后对该矩阵中的数值应用Sigmoid函数归一化到0
‑
1区间内，即可得到全局注意力权重图A；用全局注意力权重图A对输入特征进行加权，得到添加注意力后的特征，计算公式为：式中，I代表输入特征，O代表最终添加注意力后的特征，
⊙
代表广播乘法，代表逐元素加法。4.根据权利要求1所述的基于单帧RGB图像的轻量级人脸反欺诈方法，其特征在于，在步骤S1中，所述解码器模块由倒残差瓶颈模块搭建而成，其作用是对全局注意力模块添加注意力后的特征，逐步上采样，并解码生成与输入图像大小相等的预测欺诈得分...
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。