一种人脸细粒度特征差异性学习的人脸防欺骗方法与系统技术方案

本发明专利技术公开了一种人脸细粒度特征差异性学习的人脸防欺骗方法与系统，包括：S1、将人脸图片及其对应的傅里叶变换频谱图进行特征加权；S2、通过梯度特征提取网络，获得人脸局部细粒度特征和人脸差异信息；S3、通过局部特征对齐网络，对真实人脸和不同欺骗类型进行特征空间聚类，进一步增强欺骗人脸的检测效果；通过全局平均池化层、全连接层以及softmax分类器，对所获取的人脸特征进行分类，识别人脸是否为欺骗人脸。本发明专利技术增强了原始输入人脸图片包含的语义信息，不仅利用融合卷积与大尺度的中心差分卷积，充分提取人脸的细粒度特征与差异信息，而且基于欺骗特征对齐检测网络分割真实人脸与欺骗人脸的特征空间，增强人脸防欺骗检测性能。性能。性能。

【技术实现步骤摘要】
一种人脸细粒度特征差异性学习的人脸防欺骗方法与系统


[0001]本专利技术涉及人脸识别的
，尤其是指一种人脸细粒度特征差异性学习的人脸防欺骗方法、系统、存储介质及计算设备。

技术介绍

[0002]人脸识别技术以其便捷性和卓越的准确性已应用于签到、移动支付等一些交互式智能应用中。然而，现有的人脸识别系统是容易受到从打印、重放、化妆、面具等欺骗攻击从而通过系统认证。因此，检测人脸防欺骗技术作为人脸识别系统的一种安全措施，越来越受到学术界和工业界的重视。现有的人脸防欺骗方法可以分为两大类，基于手工制作特征的传统方法和基于深度学习的方法。基于传统手工特征的表示攻击检测方法都是基于人类面部活动线索和手工特征进行设计的，这需要丰富的任务感知先验知识进行设计。随着深度学习技术的发展和大量可获得的公开人脸防欺骗数据集，包含各种不同的人脸防欺骗的攻击种类、光照变化、低分辨率等条件，以应对不同场景下的训练需求，从而帮助人脸防欺骗技术性能得到大幅提高。

技术实现思路

[0003]本专利技术的第一目的在于解决现有人脸防欺骗技术的局限性与泛化能力低等问题，提供一种人脸细粒度特征差异性学习的人脸防欺骗方法，通过辅助信息的特征提取对输入人脸图片进行加权融合的特征增强的方式，增强输入人脸图片的特征信息；并且在特征增强后的人脸图片中采用梯度特征提取的方法，利用人脸局部梯度差异信息的特征，获取真实人脸与欺骗人脸的差异信息，同时使用局部特征聚合网络，结合注意力机制对输入人脸图进行局部特征筛选，获取人脸欺骗区域的特征空间，提高人脸欺骗区域的辨识度，进一步提高人脸防欺骗检测的效率。
[0004]本专利技术的第二目的在于提出了一种人脸细粒度特征差异性学习的人脸防欺骗系统。
[0005]本专利技术的第三目的在于提供一种存储介质。
[0006]本专利技术的第四目的在于提供一种计算设备。
[0007]本专利技术的第一目的通过下述技术方案实现：一种人脸细粒度特征差异性学习的人脸防欺骗方法，包括以下步骤：
[0008]S1、将输入人脸图片转换为傅里叶变换频谱图，通过卷积操作获得傅里叶变换频谱图特征权重，将特征权重与输入人脸图片进行特征加权，得到特征增强的人脸图片；
[0009]S2、通过梯度特征提取网络，对特征增强后的人脸图片进行特征提取，获得深层的人脸特征；其中，所述梯度特征提取网络为三层结构，第一层为人脸局部细粒度特征提取模块，其采用的是卷积核大小3
×
3和卷积核大小为1
×
1所构成的融合卷积层，第二层为提取人脸局部梯度差异信息的特征提取模块，其采用的是大小为5
×
5的中心差分卷积；第三层是用于进行整合特征图各通道特征，输出人脸特征信息；
[0010]S3、通过局部特征聚合网络，利用人脸特征信息将真实人脸和欺骗人脸进行特征空间聚类分割，进一步增强欺骗人脸的检测效果；通过全局平均池化层、全连接层以及softmax分类器，对所获取的人脸特征信息及特征空间进行分类，识别人脸是否为欺骗人脸。
[0011]进一步，所述步骤S1包括以下步骤：
[0012]S101、对人脸图片进行变换，生成相对应的傅里叶变换频谱图，变换如下公式：
[0013][0014]式中，F(u,v)代表图片的傅里叶变换频谱图，u和v代表变换后的频域值，x(h,w)代表图片中在某个点的像素值；h，w分别代表图片某个点的像素值的高和宽的坐标值；H和W分别代表图片高和宽，j代表复数；
[0015]S102、将输入的人脸图片和对应的傅里叶变换频谱图进行二值化操作，分别得到对应的二值化图；
[0016]S103、通过卷积核对傅里叶变换频谱图进行操作，得到人脸辅助信息特征与对应的加权值；
[0017]S104、将人脸辅助信息特征根据加权值与输入的原始人脸进行融合，得到特征增强后的人脸图片。
[0018]进一步，所述步骤S2包括以下步骤：
[0019]S201、对于特征增强后的人脸图片，通过融合卷积层提取人脸细粒度特征信息；
[0020]S202、提出一个5
×
5的中心差分卷积，其能划分成25个局部感受野区域R，在输入特征图x上采样局部感受野区域，通过加权求和聚合采样值，其关系表示为：
[0021][0022]式中，R代表局部感受野区域，F(k0)代表k0位置上的卷积结果，k0代表特征图当前滑动窗口的中心位置，k
n
代表特征图局部感受野区域R中的第n个位置，w代表卷积权重，x(k0)代表卷积当前滑动窗口在k0位置上的值，x(k0+k
n
)代表卷积当前滑动窗口在局部感受野区域R中的第n个位置上的值，代表5
×
5滑动窗口中的卷积乘法运算；
[0023]S203、采用大小为1
×
1的卷积核对各通道上的特征信息进行梳理融合降为输出人脸特征信息V，并通过通道注意力机制融合人脸信息，表示为：
[0024]Y＝F
·
V
[0025]其中，Y为融合人脸信息，F为5
×
5中心差分卷积输出特征图，
·
表示空间中3
×
3滑动窗口中的卷积乘法运算。
[0026]进一步，所述步骤S3包括以下步骤：
[0027]S301、将人脸图片输入到局部特征聚合网络中获得人脸特征信息，通过注意力机制对人脸欺骗区域进行定位；
[0028]S302、对人脸欺骗区域进行卷积操作，在真人脸和欺骗人脸的特征空间中进行聚类；
[0029]S303、对聚类后的人脸欺骗区域进行判断，通过全局平均池化层、全连接层后送入
softmax分类器进行分类，根据分类输出概率得分作为欺骗特征对齐检测网络的结果以判别此图片是否为真实人脸，此结果与梯度特征提取网络一起进行梯度训练优化，则整个网络的损失函数L为：
[0030]L＝(1
‑
λ)L1+λL2[0031]式中，L1表示梯度特征提取网络的二元交叉熵损失，L2表示欺骗特征对齐检测网络的softmax交叉熵损失，λ为L1和L2损失函数的融合比例系数；
[0032]S304、将梯度特征提取网络和局部特征聚合网络各自的输出得分通过权重进行融合，通过全连接层和softmax分类器，输出输入的人脸图片为真实人脸和欺骗人脸的得分，最后根据比较得分，获得最大得分的所属类别，即可判断出该人脸图片是否为欺骗人脸。
[0033]本专利技术的第二目的通过下述技术方案实现：一种人脸细粒度特征差异性学习的人脸防欺骗系统，用于实现上述的人脸细粒度特征差异性学习的人脸防欺骗方法，包括：
[0034]特征增强模块，用于将人脸的辅助信息即傅里叶变换频谱图所提取的特征加权到输入的原始人脸图中，提高人脸局部的特征信息，得到特征增强的人脸图片；
[0035]人脸特征提取模块，通过梯度特征提取网络对特征增强后的人脸图片进行特征提取，获得深层的人脸特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸细粒度特征差异性学习的人脸防欺骗方法，其特征在于，包括以下步骤：S1、将输入人脸图片转换为傅里叶变换频谱图，通过卷积操作获得傅里叶变换频谱图特征权重，将特征权重与输入人脸图片进行特征加权，得到特征增强的人脸图片；S2、通过梯度特征提取网络，对特征增强后的人脸图片进行特征提取，获得深层的人脸特征；其中，所述梯度特征提取网络为三层结构，第一层为人脸局部细粒度特征提取模块，其采用的是卷积核大小3
×
3和卷积核大小为1
×
1所构成的融合卷积层，第二层为提取人脸局部梯度差异信息的特征提取模块，其采用的是大小为5
×
5的中心差分卷积；第三层是用于进行整合特征图各通道特征，输出人脸特征信息；S3、通过局部特征聚合网络，利用人脸特征信息将真实人脸和欺骗人脸进行特征空间聚类分割，进一步增强欺骗人脸的检测效果；通过全局平均池化层、全连接层以及softmax分类器，对所获取的人脸特征信息及特征空间进行分类，识别人脸是否为欺骗人脸。2.根据权利要求1所述的一种人脸细粒度特征差异性学习的人脸防欺骗方法，其特征在于，所述步骤S1包括以下步骤：S101、对人脸图片进行变换，生成相对应的傅里叶变换频谱图，变换如下公式：式中，F(u,v)代表图片的傅里叶变换频谱图，u和v代表变换后的频域值，x(h,w)代表图片中在某个点的像素值；h，w分别代表图片某个点的像素值的高和宽的坐标值；H和W分别代表图片高和宽，j代表复数；S102、将输入的人脸图片和对应的傅里叶变换频谱图进行二值化操作，分别得到对应的二值化图；S103、通过卷积核对傅里叶变换频谱图进行操作，得到人脸辅助信息特征与对应的加权值；S104、将人脸辅助信息特征根据加权值与输入的原始人脸进行融合，得到特征增强后的人脸图片。3.根据权利要求2所述的一种人脸细粒度特征差异性学习的人脸防欺骗方法，其特征在于，所述步骤S2包括以下步骤：S201、对于特征增强后的人脸图片，通过融合卷积层提取人脸细粒度特征信息；S202、提出一个5
×
5的中心差分卷积，其能划分成25个局部感受野区域R，在输入特征图x上采样局部感受野区域，通过加权求和聚合采样值，其关系表示为：式中，R代表局部感受野区域，F(k0)代表k0位置上的卷积结果，k0代表特征图当前滑动窗口的中心位置，k
n
代表特征图局部感受野区域R中的第n个位置，w代表卷积权重，x(k0)代表卷积当前滑动窗口在k0位置上的值，x(k0+k
n
)代表卷积当前滑动窗口在局部感受野区域R中的第n个位置上的值，代表5
×
5滑动窗口中的卷积乘法运算；S203、采用大小为1
×
1的卷积核对各通道上的特征信息进行梳理融合降为输出人脸特征信息V，并通过通道注意力机制融合人脸信息，表示为：
Y＝F

【专利技术属性】
技术研发人员：龚汝洪，杜振锋，周晓清，周燕，曾凡智，
申请(专利权)人：广东宜教通教育有限公司，
类型：发明
国别省市：