一种针对图像演示攻击的人脸活体检测方法技术

本发明专利技术公开了一种针对图像演示攻击的人脸活体检测方法，包括：搭建深度异常检测学习框架，所深度异常检测学习框架包括三个独立的生成器网络以及分别连接生成器网络的鉴别器网络；对待检测原始图像进行预处理，得到待检测原始图像的第一预处理图像和第二预处理图像；将待检测原始图像、第一预处理图像和第二预处理图像分别输入经训练的深度异常检测学习框架中三个独立的生成器网络中进行特征学习、图像重构和异常鉴别，获得由生成器网络生成的隐向量和重构图像以及由鉴别器网络生成的预测分数；将鉴别器网络生成的预测分数与异常分数阈值进行比较。本发明专利技术解决传统异常检测中特征提取困难的问题，大大提高了人脸活体检测检测的精度。测检测的精度。测检测的精度。

【技术实现步骤摘要】
一种针对图像演示攻击的人脸活体检测方法


[0001]本专利技术属于图像异常检测
，具体涉及一种针对图像演示攻击的人脸活体检测方法。

技术介绍

[0002]随着计算机技术的不断发展和信息化水平的不断提高，人脸识别技术已经广泛应用与人们的日常生活中，例如门禁系统、手机和电脑等电子设备的加密等场景中。在身份识别任务中，人脸识别相对于虹膜识别、指纹识别等生物特征识别兼具了方便、低成本以及无感知等优势，成为了目前应用最为广泛的生物识别系统之一。但是人脸识别系统存在着潜在的安全风险，其在应对攻击时较为脆弱。为了防范不法分子对人脸识别系统的攻击，需要对人脸进行活体检测来保证首先是真实的人脸信息而不是照片或视频重放。
[0003]Saket Sathe,Jinghui Chen等人在“Jinghui Chen,Saket Sathe,Charu Aggarwal,and Deepak Turaga.2017.Outlier detection with autoencoder ensembles.In SDM.90
–
98.”中提出了一种基于AE(AutoEncoder，自动编码器)改进的方法RandNet，其训练了一组独立的AE，每个AE都有一些随机选择的常量dropout连接。通过指数增加小批量的样本大小来使用自适应抽样策略，从而进一步增强了AE在异常检测任务中的表现。虽然自动编码器是一种简单有效的异常检测架构，然而该方法在实际的人脸活体检测任务中表现并不理想，这是因为训练数据图像的噪声会使得模型的性能下降，使得最终的人脸活体检测结果较为一般。
[0004]文献“Goodfellow,Ian,Jean Pouget
‑
Abadie,Mehdi Mirza,Bing Xu,David Warde
‑
Farley,Sherjil Ozair,Aaron Courville,and Yoshua Bengio."Generative adversarial networks."Communications of the ACM 63,no.11(2020):139
‑
144.”中记载了一种基于GAN的异常检测，其在早期使用后迅速成为一种流行的深度异常检测方法。这种方法通常使用生成器G学习潜在特征空间，以便潜在空间很好地捕捉给定数据背后的正常特征，然后将真实实例和生成实例之间的某种形式的残差定义为异常分数。这种方法旨在学习某种特定的特征表示，并且再专门针对这个特征表示进行优化。单分类被称为学习一组数据实例的描述以检测新实例是否符合训练数据的问题。该方法在实际应用中训练过程易坍塌，并且当生成器的学习能力过强时，可以对异常数据图像的重构也较为真实，从而欺骗到鉴别器，致使活体检测结果中误检率较高，故该方法框架对于人脸图像的识别和分类存在表征能力不稳定、训练难度大等缺点。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种针对图像演示攻击的人脸活体检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种针对图像演示攻击的人脸活体检测方法，包括：
[0007]S1：基于生成对抗网络GAN模型以及多频域特征搭建深度异常检测学习框架，所述
深度异常检测学习框架包括三个独立的生成器网络以及分别连接所述生成器网络的鉴别器网络；
[0008]S2：对待检测原始图像进行预处理，得到所述待检测原始图像的第一预处理图像和第二预处理图像；
[0009]S3：将所述待检测原始图像、所述第一预处理图像和所述第二预处理图像分别输入经训练的深度异常检测学习框架中三个独立的生成器网络中进行特征学习、图像重构和异常鉴别，获得由所述生成器网络生成的隐向量和重构图像以及由所述鉴别器网络生成的预测分数；
[0010]S4：将所述鉴别器网络生成的预测分数与异常分数阈值进行比较，以确定所述待检测原始图像是否为真实的人脸活体图像。
[0011]在本专利技术的一个实施例中，所述生成器网络包括级联的第一编码器和第一解码器，其中，
[0012]所述第一编码器包括依次连接的第一卷积层、第一批标准化层、第一激活层、第二卷积层、第二批标准化层、第二激活层、第三卷积层、第三批标准化层和第三激活层；
[0013]所述第一解码器包括依次连接的第一反卷积层、第四批标准化层、第四激活层、第二反卷积层、第五批标准化层、第五激活层和第三反卷积层。
[0014]在本专利技术的一个实施例中，所述鉴别器网络包括依次连接的第四卷积层、第六激活层、第一Dropout层、第五卷积层、第七激活层、第二Dropout层、全连接层、Sigmod层。
[0015]在本专利技术的一个实施例中，在所述生成器网络后面还包括第二编码器，所述第二编码器的输入为所述生成器网络生成的图像，所述第二编码器包括依次连接的第六卷积层、第六批标准化层、第八激活层、第七卷积层、第七批标准化层、第九激活层、第八卷积层、第八批标准化层和第十激活层。
[0016]在本专利技术的一个实施例中，所述S2包括：
[0017]获取待检测原始图像，并对所述待检测原始图像进行人脸的目标检测和关键点定位，以减少图像噪声，增强图像质量；
[0018]对人脸目标检测后的待检测图像进行对齐和中心裁切操作，仅保留图像的人脸区域；
[0019]对裁剪获得的人脸区域分别进行LBP和bilateral滤波处理，得到第一预处理图像和第二预处理图像。
[0020]在本专利技术的一个实施例中，在步骤S3之前还包括：
[0021]利用由大量正常人脸活体图像组成的训练数据集对所述深度异常检测学习框架进行训练，获得经训练的深度异常检测学习框架。
[0022]在本专利技术的一个实施例中，利用由大量正常人脸活体图像组成的训练数据集对所述深度异常检测学习框架进行训练，包括：
[0023]选取由大量正常人脸活体图像组成的训练数据集，并对所述训练数据集中的每张训练图像进行LBP滤波和bilateral滤波处理，得到每张训练图像的第一滤波图像和第二滤波图像组成包括三张训练图像的图像组；
[0024]按照批次将每组图像组输入至所述深度异常检测学习框架的三个独立的生成器
网络中，分别由所述生成器网络得到隐向量和重构图像由所述鉴别器网络得到预测分数以及由所述第二编码器得到针对生成图像提取的高维特征向量
[0025]定义训练过程中的目标函数为：
[0026]L＝L
enc
+L
con
+L
adv
，
[0027][0028][0029][0030]其中，L
enc
表示模型重构损失，为生成器网络与编码器网络得到的隐空间向量之间的二范数，L
con
表示上下文损失，为原始图像与生成器网络得到的生成图像之间的element
‑
wise本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对图像演示攻击的人脸活体检测方法，其特征在于，包括：S1：基于生成对抗网络GAN模型以及多频域特征搭建深度异常检测学习框架，所述深度异常检测学习框架包括三个独立的生成器网络以及分别连接所述生成器网络的鉴别器网络；S2：对待检测原始图像进行预处理，得到所述待检测原始图像的第一预处理图像和第二预处理图像；S3：将所述待检测原始图像、所述第一预处理图像和所述第二预处理图像分别输入经训练的深度异常检测学习框架中三个独立的生成器网络中进行特征学习、图像重构和异常鉴别，获得由所述生成器网络生成的隐向量和重构图像以及由所述鉴别器网络生成的预测分数；S4：将所述鉴别器网络生成的预测分数与异常分数阈值进行比较，以确定所述待检测原始图像是否为真实的人脸活体图像。2.根据权利要求1所述的针对图像演示攻击的人脸活体检测方法，其特征在于，所述生成器网络包括级联的第一编码器和第一解码器，其中，所述第一编码器包括依次连接的第一卷积层、第一批标准化层、第一激活层、第二卷积层、第二批标准化层、第二激活层、第三卷积层、第三批标准化层和第三激活层；所述第一解码器包括依次连接的第一反卷积层、第四批标准化层、第四激活层、第二反卷积层、第五批标准化层、第五激活层和第三反卷积层。3.根据权利要求2所述的针对图像演示攻击的人脸活体检测方法，其特征在于，所述鉴别器网络包括依次连接的第四卷积层、第六激活层、第一Dropout层、第五卷积层、第七激活层、第二Dropout层、全连接层、Sigmod层。4.根据权利要求1所述的针对图像演示攻击的人脸活体检测方法，其特征在于，在所述生成器网络后面还包括第二编码器，所述第二编码器的输入为所述生成器网络生成的图像，所述第二编码器包括依次连接的第六卷积层、第六批标准化层、第八激活层、第七卷积层、第七批标准化层、第九激活层、第八卷积层、第八批标准化层和第十激活层。5.根据权利要求1所述的针对图像演示攻击的人脸活体检测方法，其特征在于，所述S2包括：获取待检测原始图像，并对所述待检测原始图像进行人脸的目标检测和关键点定位；对人脸目标检测后的待检测图像进行对齐和中心裁切操作，仅保留图像的人脸区域；对裁剪获得的人脸区域分别进行LBP和bilateral滤波处理，得到第一预处理图像和第二预处理图像。6.根据权利要求4所述的针对图像演示攻击的人脸活体检测方法，其特征在于，在步骤S3之前还包括：利用由大量正常人脸活体图像组成的训练数据集对所述深度异常检测学习框架进行训练，获得经训练的深度异常检测学习框架。7.根据权利要求6所述的针对图像演示攻击的人脸活体检测方法，其特征在于，利用由大量正常人脸活体图像组成的训练数据集对所述深...

【专利技术属性】
技术研发人员：郑昱，王家辉，荆久耀，党张轩，练兴林，孙雅霖，杨超，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：