基于细粒度模型对抗样本眼镜的人脸识别方法和装置制造方法及图纸

本申请涉及一种基于细粒度模型对抗样本眼镜的人脸识别方法、装置和终端，属于人脸识别相关技术领域，通过视频数据帧图像进行频域转换得到频域图像后采用高通滤波器过滤噪音，使用高通滤波的方法减少了噪音的干扰和提高了图像质量，根据人脸关键点检测结果中的眉毛和鼻子的关键点坐标确定眼镜和鼻子的区域轮廓；之后将眼镜和鼻子的区域轮廓图像输入预先训练的细粒度模型中进行人脸识别，得到所述视频数据帧图像的识别结果，采用轻量级准确率高的细粒度分类算法添加se

【技术实现步骤摘要】
基于细粒度模型对抗样本眼镜的人脸识别方法和装置


[0001]本申请涉及人脸识别相关
，尤其涉及一种基于细粒度模型对抗样本眼镜的人脸识别方法和装置。

技术介绍

[0002]随着技术的不断发展，人脸识别的应用场景越来越广泛，同时人脸防伪、活检技术与黑产攻击在不断斗争中升级。对抗样本技术的出现使黑产攻击只要使用一些简单的噪音特征就能让人脸识别算法出现错误的识别结果，甚至在非客户的照片中添加一些客户的特征(肉眼看不到的特征)就能让算法将非客户识别成客户本人(肉眼看上去是非客户的照片)，完成客户的虚假人脸识别，大大削弱了人脸识别的安全性。
[0003]虽然目前的活检技术可以有效鉴别照片的对抗样本，但最近出现了一种新型“对抗样本眼镜”的人脸攻击方法，只需要佩戴带有客户特征的对抗本眼镜就能通过人脸识别解锁客户的终端设备。“对抗样本眼镜”如图1和图2所示，通过将对抗样本贴在眼镜上而非整个人脸，完全可以通过动作活检和炫光活检，进而导致人脸识别结果的可靠性降低，大大削弱了人脸识别的安全性。

技术实现思路

[0004]本申请提供一种基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度模型对抗样本眼镜的人脸识别方法，其特征在于，所述人脸识别方法包括：读取若干帧含有人脸图像的视频数据帧图像；对所述视频数据帧图像进行频域转换得到频域图像，然后采用高通滤波器过滤噪音；将滤波处理之后的所述频域图像转换为RGB图像，并针对所述RGB图像采用mediapipe算法中进行人脸检测得到人脸关键点检测结果；根据人脸关键点检测结果中的眉毛和鼻子的关键点坐标确定眼镜和鼻子的区域轮廓；将眼镜和鼻子的区域轮廓图像输入预先训练的细粒度模型中进行人脸识别，得到所述视频数据帧图像的识别结果；将连续多帧所述视频数据帧图像的识别结果的平均加权结果作为人脸识别结果输出。2.如权利要求1所述的人脸识别方法，其特征在于，所述对所述视频数据帧图像进行频域转换得到频域图像，然后采用高通滤波器过滤噪音，具体包括：利用傅里叶变换将所述视频数据帧图像从空间域转化到频域后得到频域图像；采用Butterworth高通滤波器对所述频域图像进行低频分量过滤处理，其中，所述Butterworth高通滤波器的公式为：其中，H(u,v)为过滤后的频域图像，D(u,v)原始频域图像，n为阶数取2，D0位截止频域取125。3.如权利要求1所述的人脸识别方法，其特征在于，所述将滤波处理之后的所述频域图像转换为RGB图像，并针对所述RGB图像采用mediapipe算法中进行人脸检测得到人脸关键点检测结果，具体包括：采用傅里叶反变换将滤波处理之后的所述频域图像转换为空间域RGB图像；针对所述RGB图像采用mediapipe算法中进行人脸检测；若所述RGB图像采用mediapipe算法检测到人脸，则输出人脸关键点检测结果，其中，每一帧视频数据帧图像得到一个人脸关键点检测结果landmark。4.如权利要求3所述的人脸识别方法，其特征在于，根据人脸关键点检测结果中的眉毛和鼻子的关键点坐标确定眼镜和鼻子的区域轮廓包括：根据人脸关键点检测结果中的眉毛和鼻子的关键点坐标，选取下眉毛的landmark点为区域轮廓上边界，鼻尖的landmark点为区域轮廓下边界，脸最左边的landmark点为区域轮廓左边界，最右边的landmark点为区域轮廓有边界；根据区域轮廓上边界、区域轮廓下边界、区域轮廓左边界和区域轮廓有边界确定眼镜和鼻子的区域轮廓。5.如权利要求1或4所述的人脸识别方法，其特征在于，所述预先训练的细粒度模型采用多部分注意力卷积神经...

【专利技术属性】
技术研发人员：梁俊杰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：