基于多频谱混合注意力的变形人脸检测制造技术

本发明专利技术针对人脸变形检测，提出了一种基于多频谱混合注意力的变形人脸检测方法，包括下列步骤：1)根据由dlib标志点检测器检测到的眼睛坐标来分割和归一化图像的面部；2)把通道注意力泛化到频域里面，提取了各个频率的重要信息；3)将改进的通道注意力和空间注意力结合起来，以提高检测精度。4)用SVM对最终的特征图进行分类。行分类。

【技术实现步骤摘要】
基于多频谱混合注意力的变形人脸检测


[0001]本专利技术涉人脸融合攻击检测领域，尤其是一种基于多频谱混合注意力的变形人脸检测技术。

技术介绍

[0002]人脸识别技术在安防领域取得了极大的成就。但在过去的几年里，研究人员指出了生物识别系统存在的各种潜在不足。最近，针对基于变形生物特征图像和模板的人脸和指纹识别的脆弱性已经被建立。变形技术可以用来创建人工生物特征样本，这些样本在图像和特征域中类似于两个(或多个)数据主体的生物特征信息。如果含有变形个体特征信息的图像或模板被渗透到生物识别系统中，则构成变形图像的受试者将根据单个注册模板成功地验证两个(或全部)。因此，个人与其生物特征参考数据之间的独特联系是不必要的。
[0003]这种攻击对生物识别系统，特别是广泛部署的边界控制系统和电子旅行证件构成严重的安全隐患。不同的商业人脸识别系统被发现极易受到此类攻击。由于人脸具有很高的类内变异性，人脸识别系统以高达0.1％的误匹配率(FMRs)来实现可接受的误匹配率(FNMRs)。也就是说，变形人脸图像的自动检测对于保证操作性人脸识别系统的安全性至关重要。
[0004]为了解决人脸识别系统的潜在不足，人脸变形攻击的检测成为一个亟待解决的问题。目前人脸变形攻击检测方法主要分为四种算法类型:基于纹理特征、基于图像质量、基于深度学习、以及基于混合特征的变形检测方法。基于纹理的方法捕捉变形过程中图片微观纹理的变化，从而实现变形人脸检测；基于图像质量的方法通过量化在变形过程中引入的压缩伪影以及噪声的差异来检测变形的人脸；最近的基于深度学习方法使用预先训练的CNN架构提取特征通过分类来检测人脸变形。然而，这些方法仍然还存在错误率较高、鲁棒性较差以及网络复杂度较高等问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术提供一种基于多频谱混合注意力的变形人脸检测方法。其目的在于解决以往方法中存在的错误率较高、鲁棒性较差以及系统复杂度较高等问题。
[0006]为了实现上述目的，本专利技术提供了一种基于多频谱混合注意力的框图，包括以下步骤：
[0007]A1、对输入的图像进行预处理；
[0008]A2、经过频谱通道注意力模块；
[0009]A3、经过空间注意力模块
[0010]A4、分类
[0011]本专利技术提供了一种基于多频谱混合注意力的变形人脸检测。与现有技术相比，具备以下有益效果：
[0012]本方案是采用的是深度学习方法，主要是用多频率分量然后通过通道和空间注意力机制的混合来检测变形人脸的。通过传统的注意力机制来进行变形人脸检测的方法已经得到成功。利用多频率分量来代替传统的全局平均池化，全局平均池化已被证实是一种特殊的离散余弦变换。如果只使用全局平均池化，会忽略掉其他有用的频率分量，然后经过通道注意力和空间注意力机制的混合，能够捕捉到更多重要的信息，可以更好的捕捉真实和变形人脸图像的不同特征，有助于可靠地检测变形的面孔。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1是基于多频谱混合注意力的变形人脸检测框图。
具体实施方式
[0015]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0016]下面结合说明书附图以及具体的实施方式对本专利技术作详细说明。如图1所示，一种基于多频谱混合注意力的变形人脸检测方法包括步骤A1～A4：
[0017]A1、对输入的图像进行预处理；
[0018]A2、经过频谱通道注意力模块；
[0019]A3、经过空间注意力模块
[0020]A4、分类
[0021]下面对各个步骤进行详细描述。
[0022]在步骤A1中，在人脸变形攻击中，人脸区域通常位于图像的中心。为了准确地从图像中提取特征，只保留图像的最大中心区域。在预处理阶段，根据由dlib标志点检测器检测到的眼睛坐标来分割和归一化图像的面部。
[0023]在步骤A2中，给定输入特征图X，按通道分为多个组[x0,x1,...x
n
‑1]，原来的通道数为C，分完之后，每个组的通道为C
′
，对于每个组，分配一个特定的2D DCT的频率分量，这个特定的分量需要事先选择好，于是将2D DCT作为通道注意力的预处理，这里我们有：
[0024][0025]这里的[u,v]是频率分量的2D索引，这里Freq就是得到的多频谱向量，Freq
i
是C
′
维的向量，整体的预处理向量就是把所有的拼接起来：
[0026]Freq＝cat([Freq0,Freq1,...,Freq
n
‑1]),
ꢀꢀ
(2)
[0027]拼接起来的向量经过两个FC层和一个sigmoid层形成一个通道注意力模块，这个多频谱通道注意力可以写为：
[0028]ms_att＝sigmoid(fc(Freq)).
ꢀꢀ
(3)
[0029]在步骤A3中，将空间注意力和通道注意力结合起来。其步骤具体为：
[0030]将多频谱通道注意力模块输出的特征图作为本模块的输入特征图。首先做一个基于通道的全局最大池化和全局平均池化，得到两个H*W*1的特征图，然后将这两个特征图基于通道做concat(通道拼接)操作。然后经过一个7*7卷积操作，降维为1个通道，即H*W*1，再经过sigmoid生成空间注意力特征图。最后将该特征图和该模块的输入特征图做乘法，得到最终生成的特征。
[0031]在步骤A4中，本专利技术的最后1个关键步骤是通过一个高辨别力的机器学习算法找到最优分类模型，从而对人脸进行判断。本文选用包含径向基核函数的支持向量机作为分类器.该分类器不仅具有很高的分类准确率，而且被广泛应用于人脸识别等研究课题。将上一步经过降维后的特征送入SVM，即可根据SVM的输出数据完成变形人脸检测。
[0032]本专利技术实施本专利技术提出了一种基于多频谱混合注意力的变形人脸检测方法，创新点包括：
[0033]提出了一种基于多频谱混合注意力的变形人脸检测方法。该方法将通道注意力融合空间注意力来进行变形人脸检测。该新混合注意力模块能够更好的捕捉真实和变形人脸图像的差异，有助于可靠地检测变形的人脸。
[0034]提出了将通道注意力泛化到频域的方法。传统通道注意力使用的全局平均池化仅仅保留了输入特征图的低频信息而忽略了其他频率的有用信息，我们改进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多频谱混合注意力的检测系统。其特征在于，所述方法由计算机执行，包括以下步骤：A1、对输入的图像进行预处理；A2、经过频谱通道注意力模块；A3、经过空间注意力模块；A4、分类。2.如权利要求1所述的基于多频谱混合注意力的检测方法，其特征在于，将归一化区域裁剪到224
×
224像素，以确保变形检测算法仅应用于面部区域，A1的具体实现过程如下：在人脸变形攻击中，人脸区域通常位于图像的中心。为了准确地从图像中提取特征，只保留图像的最大中心区域。在预处理阶段，根据由dlib标志点检测器检测到的眼睛坐标来分割和归一化图像的面部。3.如权利要求1所述的基于多频谱混合注意力的检测方法，其特征在于将通道注意力泛化到频域，A2的具体实现过程如下：给定输入特征图X，按通道分为多个组[x0,x1,...x
n
‑1]，对于每个组，分配一个特定的2DDCT的频率分量，然后将整体向量拼接起来形成通道注意力模块。这里有：Freq＝cat([Freq0,Freq1,
…
,Freq
n
‑1])...

【专利技术属性】
技术研发人员：彭烨凡，龙敏，贾成昆，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：