一种基于生成模型的人脸防伪方法技术

本发明专利技术公开了一种基于生成模型的人脸防伪方法。其具体步骤包括：步骤1，对人脸防伪数据集进行预处理，数据集中包括对应的“0，1”标签，其中，0代表攻击图像，1代表真实图像；步骤2，搭建生成式对抗网络，该网络包括生成网络和鉴别网络，将预处理好的人脸图像输入生成网络和鉴别网络，进行训练；训练时，引入最大均值差异约束；步骤3，将一张未知是否带有攻击的人脸图像输入已经训练好的生成网络，生成网络再输入一张对应的预测真实人脸，通过计算输入人脸图像与预测真实人脸之间的差异，如果差异低于阈值，则表示输入人脸图像是真实的，如果差异超过阈值，则被判断为伪装人脸。由于本方法不用提取特征，所以泛化性和准确性更高。所以泛化性和准确性更高。

【技术实现步骤摘要】
一种基于生成模型的人脸防伪方法


[0001]本专利技术涉及人脸防伪领域，并且利用生成模型预测真实人脸图像，以此实现人脸防伪检测。

技术介绍

[0002]近年来，人脸识别系统已被广泛应用于手机解锁、刷脸支付、人脸签到等各种场景。然而，广泛的应用也使人脸识别系统遭受更多的攻击，例如照片攻击，视频攻击，化妆攻击，3D面具攻击等。为了确保人脸识别系统的安全性，必须要能够检测出这些带有攻击的伪装人脸。因此，人脸防伪已经引起了学术界和工业界的广泛关注。
[0003]早期的人脸防伪通常是利用传统人工设计特征(如LBP,HOG和SIFT)来区分真实人脸和伪装人脸。传统特征存在两个局限：引入的先验假设不精准；过于依赖数据库，迁移性差。这使得早期的人脸防伪方法的性能不佳。
[0004]然后，随着深度学习方法的发展和大规模公共人脸防伪数据集的出现，基于深度学习的人脸防伪方法成为主流方法，在数据集内的人脸防伪任务上达到了很高的准确率。尽管基于深度学习的方法在数据集内表现出色，但在跨数据集测试中，准确率却大幅下降。以往基于深度学习的人脸防伪方法的泛化性较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成模型的人脸防伪方法，其特征在于，该方法的具体步骤包括：步骤1，对人脸防伪数据集进行预处理，数据集中包括对应的“0，1”标签，其中，0代表攻击图像，1代表真实图像；步骤2，搭建生成式对抗网络，该网络包括生成网络和鉴别网络，生成网络用于学习人脸先验知识，生成与输入人脸样貌特征相同的真实人脸图像，鉴别网络用于监督生成网络生成真实人脸图像的质量；将步骤1预处理好的人脸图像输入所述生成网络和鉴别网络，进行训练；训练时，引入最大均值差异约束，使得整个网络具有更强的泛化性；步骤3，将一张未知是否带有攻击的人脸图像输入已经训练好的生成网络，生成网络再输入一张对应的预测真实人脸，通过计算输入人脸图像与预测真实人脸之间的差异，如果差异低于阈值，则表示所述输入人脸图像是真实的，如果差异超过阈值，则所述输入人脸图像被判断为伪装人脸。2.根据权利要求1所述的一种基于生成模型的人脸防伪方法，其特征在于，所述生成网络的前半部分由卷积和池化层组成，用于提取特征；其后半部分是卷积和上采样层组成，利用所述特征重建图像。3.根据权利要求1所述的一种基于生成模型的人脸防伪方法，其特征在于，所述鉴别网络是由几层卷积层和线性层组成的浅层分类器。4.根据权利要求1所述的一种基于生成模型的人脸防伪方法，其特征在于，所述鉴别网络的损失函数为L
advD
L
advD
＝E(
‑
log(D(I
r
))
‑
log(1
...

【专利技术属性】
技术研发人员：唐伟业，陈鹏宇，沈秋，曹汛，
申请(专利权)人：南京大学，
类型：发明
国别省市：