System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机,尤其涉及人脸活体检测方法及装置。
技术介绍
1、人脸识别技术以其便捷性和显著的准确性,已经在一些交互式智能应用中得到了应用,如签到、移动支付等。然而,现有的人脸识别系统容易受到打印、视频重放、化妆、3d面罩等“表示攻击”,因此,为了保证人脸识别系统的安全,开发人脸反欺骗技术(活体检测)引起了学术界和工业界的广泛关注。该技术意在区分真实人脸和各种伪造攻击(人脸替代品),如打印、视频回放、3d面罩攻击等。活体检测是计算机视觉中一个活跃的研究课题,近年来得到了越来越多的研究与应用。
2、目前,人脸活体检测技术侧重于检测黑盒攻击,而忽略了更具挑战性的白盒攻击检测。与只能观察目标模型输出的黑盒攻击相比,攻击者可以在白盒设置中完全访问目标模型,包括模型的体系结构和参数。尽管黑盒攻击在现实世界中是一种更现实的假设,但评估模型抗白盒攻击对于衡量模型在最坏情况下的性能至关重要。因此必须提出一种防御攻击样本的活体检测方法,能够在更具有挑战的白盒攻击设定中也能发挥作用。
技术实现思路
1、本专利技术提供一种人脸活体检测方法及装置,用以解决现有技术中由于白盒攻击导致检测正确率低的缺陷,提高人脸活体检测正确率。
2、本专利技术提供一种人脸活体检测方法,包括:
3、获取待检测人脸图像数据;
4、将所述待检测人脸图像数据输入至人脸活体检测模型,获得所述人脸活体检测模型输出的活体检测结果;
5、其中,所述人脸活体检测模型是基于训练样
6、可选地,待优化人脸活体检测模型包括检测器和纠正器;
7、所述人脸活体检测模型通过如下步骤训练获得:
8、对所述训练样本进行特征提取,获得特征向量;
9、将所述特征向量输入至所述检测器,获得所述检测器输出的欺骗分数;
10、将所述特征向量输入至所述纠正器,获得所述纠正器输出的纠正分数;
11、将所述纠正分数与所述欺骗分数相乘,获得所述训练样本对应的期望分数;
12、基于所述训练样本对应的标签、所述欺骗分数、所述期望分数和预设的损失函数,优化所述待优化人脸活体检测模型,获得所述人脸活体检测模型。
13、可选地,所述损失函数包括欺骗分数损失函数和期望分数损失函数;
14、所述基于所述训练样本对应的标签、所述欺骗分数、所述期望分数和预设的损失函数,优化所述待优化人脸活体检测模型,获得所述人脸活体检测模型,包括:
15、根据所述期望分数,确定所述欺骗分数的正确性,并确定所述训练样本对应的判断标签,所述判断标签用于表示判别情况;
16、在所述欺骗分数正确的情况下,基于所述训练样本对应的标签、所述欺骗分数和所述欺骗分数损失函数训练所述检测器;
17、在所述欺骗分数错误的情况下,基于所述训练样本对应的标签、所述欺骗分数和所述欺骗分数损失函数训练所述检测器,基于所述期望分数、所述判断标签和所述期望分数损失函数训练所述检测器和所述纠正器。
18、可选地,所述攻击样本至少包括对抗攻击样本;
19、在所述训练样本包含对抗攻击样本的情况下,所述基于所述训练样本对应的标签、所述欺骗分数和所述欺骗分数损失函数训练所述检测器,包括:
20、基于所述训练样本对应的标签、所述欺骗分数和所述欺骗分数损失函数,计算检测器损失值;
21、通过掩膜矩阵抹除所述对抗攻击样本对应的检测器损失值,获得掩膜后的检测器损失值;
22、基于所述掩膜后的检测器损失值进行梯度反传,优化所述检测器的参数。
23、可选地,所述根据所述期望分数,确定所述欺骗分数的正确性,包括:
24、将所述期望分数与所述欺骗分数分别与预设的检测器阈值进行比较;
25、在所述期望分数与所述欺骗分数均大于等于或均小于等于所述检测器阈值的情况下,所述欺骗分数正确,否则,所述欺骗分数错误。
26、可选地,所述确定所述训练样本对应的判断标签,包括:
27、在所述检测器判别正确的情况下,所述判断标签的值等于所述欺骗分数;
28、在所述检测器将真实样本判别为攻击样本的情况下,所述判断标签的值等于1;
29、在所述检测器将攻击样本判别为真实样本的情况下,所述判断标签的值等于0。
30、可选地,所述期望分数损失函数为二分类交叉熵损失函数。
31、本专利技术还提供一种人脸活体检测装置,包括:
32、获取单元,用于获取待检测人脸图像数据;
33、检测单元,用于将所述待检测人脸图像数据输入至人脸活体检测模型,获得所述人脸活体检测模型输出的活体检测结果;
34、其中,所述人脸活体检测模型是基于训练样本、所述训练样本对应的标签以及所述训练样本对应的欺骗分数和期望分数训练得到的,所述训练样本包括真实样本和攻击样本,所述欺骗分数和所述期望分数是在训练过程中基于所述训练样本获得的,所述欺骗分数用于表示训练过程中所述训练样本被判断为活体图像的可能性,所述期望分数用于表示所述训练样本为活体图像的可能性。
35、本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述人脸活体检测方法。
36、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述人脸活体检测方法。
37、本专利技术提供的人脸活体检测方法及装置,通过在训练过程中增加期望分数,通过欺骗分数和期望分数联合使用,区分错误检测的人脸图像(其中包括被错误检测的攻击样本以及被错误检测的真实样本)和正确检测的人脸图像,通过欺骗分数完成活体检测任务,通过期望分数完成对抗防御任务,以解决更有挑战的白盒攻击,提高人脸活体检测的准确性。
本文档来自技高网...【技术保护点】
1.一种人脸活体检测方法,其特征在于,包括:
2.根据权利要求1所述的人脸活体检测方法,其特征在于,待优化人脸活体检测模型包括检测器和纠正器;
3.根据权利要求2所述的人脸活体检测方法,其特征在于,所述损失函数包括欺骗分数损失函数和期望分数损失函数;
4.根据权利要求3所述的人脸活体检测方法,其特征在于,所述攻击样本至少包括对抗攻击样本;
5.根据权利要求3所述的人脸活体检测方法,其特征在于,所述根据所述期望分数,确定所述欺骗分数的正确性,包括:
6.根据权利要求3所述的人脸活体检测方法,其特征在于,所述确定所述训练样本对应的判断标签,包括:
7.根据权利要求3-6任一项所述的人脸活体检测方法,其特征在于,所述期望分数损失函数为二分类交叉熵损失函数。
8.一种人脸活体检测装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述人脸活体检测方法。
1
...【技术特征摘要】
1.一种人脸活体检测方法,其特征在于,包括:
2.根据权利要求1所述的人脸活体检测方法,其特征在于,待优化人脸活体检测模型包括检测器和纠正器;
3.根据权利要求2所述的人脸活体检测方法,其特征在于,所述损失函数包括欺骗分数损失函数和期望分数损失函数;
4.根据权利要求3所述的人脸活体检测方法,其特征在于,所述攻击样本至少包括对抗攻击样本;
5.根据权利要求3所述的人脸活体检测方法,其特征在于,所述根据所述期望分数,确定所述欺骗分数的正确性,包括:
6.根据权利要求3所述的人脸活体检测方法,其特征在于,所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。