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活体检测的,特别是指基于双边注意力的近红外活体检测装置与方法。
技术介绍
1、活体检测是一种用于验证身份的方法,旨在确定对象的真实生理特征。活体检测在人脸识别中具有重要作用,可以有效抵御各种常见的攻击手段,如使用照片、视频、换脸技术、面具、遮挡、3d动画以及屏幕翻拍等手段进行的欺诈行为。通过对用户进行活体检测,可以确保其真实性,从而保障用户的利益和安全。
2、随着深度学习的发展,基于深度神经网络的活体检测方法的性能取得了很大的提升。这类方法使用卷积神经网络从大规模人脸数据集中学习具有高度区分性的特征,使用的卷积神经网络包括:残差学习网络、中心差分卷积网络、lstm、对抗生成网络。尽管活体检测技术取得了显著进展,但仍然存在一些缺陷,如:
3、1、网络提取特征的判别力不足,导致对替换局部五官人脸数据(如,戴假鼻子的真人脸、贴假眼睛的真人脸)的防攻击性较差。
4、2、当前的活体检测算法在面对之前未曾出现过的攻击场景时,其表现出的鲁棒性较差,泛化能力不足。
5、3、目前基于transformer的活体检测算法通常需要大量的计算资源和高性能的硬件来进行训练和推理。这对于一些资源受限的设备或场景来说是一个挑战。
6、有鉴于此,本专利技术人针对现有活体检测技术未臻完善所导致的诸多缺失及不便而深入构思,且积极研究改良试做而开发出本专利技术。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足,提供一种基于双边注意
2、本专利技术的另一目的在于克服现有技术的不足,提供一种基于双边注意力的近红外活体检测方法,能够充分利用图像中的通道和位置信息,提高对真假人脸之间的区分能力,最终提高用户在人脸识别系统中的体验。
3、为了达成上述目的,本专利技术的解决方案是:
4、一种基于双边注意力机制的近红外活体检测装置主要包括自定义的卷积神经网络结构、双边注意力机制及分类器;
5、所述卷积神经网络结构用于从输入的近红外图像中提取具有判别力的人脸图像特征图,作为双边注意力机制的输入;
6、所述双边注意力机制包括通道注意力子模块和位置注意力子模块,卷积神经网络结构输出的人脸图像特征图分别输入到通道注意力子模块和位置注意力子模块中,通道注意力子模块通过学习每个通道的重要性,对人脸图像特征图进行加权,以减少冗余信息和强调对活体检测有用的通道特征;位置注意力子模块通过关注人脸图像特征图中关键的面部区域,处理不同尺度的攻击、形变和遮挡;
7、所述分类器使用经自定义的卷积神经网络结构及双边注意力模块提取的特征进行真假人分类,分类器根据特征的表达和区分能力,对输入的图像进行准确分类。
8、进一步,所述双边注意力机制有两个分支,第一个分支由卷积模块和通道注意力子模块组成,第二个分支由卷积模块和位置注意力子模块组成;两个分支的输出特征通过特征拼接的方式进行连接;最后,拼接后的特征经过卷积模块得到输出特征。
9、进一步,所述卷积模块包含卷积、批归一化及relu激活函数。
10、进一步,所示通道注意力子模块的通道特征提取方法为:
11、首先,利用1×1的卷积模块对输入的人脸图像特征图进行降维,,其中,x为人脸图像特征图;
12、随后,将降维后的人脸图像特征图分别重塑为[n,c/2,h*w]、[n,h*w,c/2]的人脸图像特征图,其中,n为输入图片数量,c指的是通道数量,h是指人脸特征图的高,w指人脸特征图的宽度,
13、
14、
15、对以上两张人脸图像特征图使用批量矩阵乘法得到;沿着最后一个维度取最大值,得到形状为[n,c/2,1]的张量,将其形状扩展为[n,c/2,c/2];将减去,得到新的张量,
16、
17、
18、
19、沿着的最后一个维度进行操作,得到通道注意力权重,
20、
21、对通道注意力权重和降维后的人脸图像特征图使用批量矩阵乘法,并将输出重塑为形状为[n,c/2,h,w]的张量,
22、
23、至此,便得到了经通道注意力子模块调整后的人脸图像特征图。
24、进一步,所述位置注意力子模块提取位置特征的方法为:
25、首先,利用1×1的卷积模块对输入的人脸图像特征图进行降维,降维后的特征形状为[n,c/2,h,w],,其中,n为输入图片数量,c指的是通道数量,h是指人脸特征图的高,w指人脸特征图的宽度,x为人脸图像特征图;
26、随后,分别沿着h维度和w维度对降维后的人脸图像特征图进行平均池化操作,经池化模块后的人脸图像特征图的形状分别为[n,c/2,1,w]、[n,c/2,h,1],并转置第二个特征,转置后的人脸图像特征图的形状为[n,c/2,1,h],得到人脸图像特征图,,
27、;
28、;
29、拼接人脸图像特征图和,得到人脸图像特征图并对其进行卷积操作,以获得更精细的位置信息,
30、;
31、;
32、随后,分离人脸图像特征图,得到和,并转置分离后的第二个人脸图像特征图,
33、;
34、;
35、对和进行操作并扩张,使得以上两个人脸图像特征图中的权重均在0-1之间,
36、;
37、;
38、最后,将人脸图像特征图分别与、相乘,得到经位置注意力子模块调整后的人脸图像特征图。
39、进一步,所述分类器的具体分类方法为:
40、首先,使用卷积模块对双边注意力机制输出的张量进行降维处理;
41、随后,经过池化模块,将张量的宽和高的维度都缩小为1;
42、接着,对池化后的张量进行特征重塑;
43、再者,经过全连接层,得到形状为[n,2]的活体检测结果,其中,n为batch size大小,2为分数;
44、最后,计算预测结果与标签之间的交叉熵损失,公式如下,
45、
46、其中,为输入样本数量;为标签;为预测结果。
47、一种基于双边注意力机制的近红外活体检测方法,其包括以下步骤:
48、步骤s1:输入近红外图像;
49、步骤s2:使用自定义卷积神经网络结构从步骤s1输入的近红外图像提取出高质量的人脸图像特征图;
50、步骤s3:将步骤s2的人脸图像特征图输入到双边注意力机制,双边注意力机制有两个分支,一个分支由卷积模块和通道注意力子模块组成,另一个分支由卷积模块和位置注意力子模块组成,人脸图像特征图分别输入到双边注意力机制的两个分支,分别经过卷积模块后由通道注意力子模块提取通道特征本文档来自技高网...
【技术保护点】
1.一种基于双边注意力机制的近红外活体检测装置,其特征在于,主要包括:卷积神经网络结构、双边注意力机制及分类器;
2.如权利要求1所述的基于双边注意力机制的近红外活体检测装置,其特征在于:所述双边注意力机制有两个分支,第一个分支由卷积模块和通道注意力子模块组成,第二个分支由卷积模块和位置注意力子模块组成;两个分支的输出特征通过特征拼接的方式进行连接;最后,拼接后的特征经过卷积模块得到输出特征。
3.如权利要求2所述的基于双边注意力机制的近红外活体检测装置,其特征在于:所述卷积模块包含卷积、批归一化及ReLU激活函数。
4.如权利要求1所述的基于双边注意力机制的近红外活体检测装置,其特征在于:所述通道注意力子模块的通道特征提取方法为:
5.如权利要求1所述的基于双边注意力机制的近红外活体检测装置,其特征在于,所述位置注意力子模块提取位置特征的方法为:
6.如权利要求1所述的基于双边注意力机制的近红外活体检测装置,其特征在于,所述分类器的具体分类方法为:
7.基于双边注意力机制的近红外活体检测方法,其特征在于,包
8.如权利要求7所述的基于双边注意力机制的近红外活体检测方法,其特征在于,所示通道注意力子模块的通道特征提取方法为:
9.如权利要求7所述的基于双边注意力机制的近红外活体检测方法,其特征在于,所述位置注意力子模块提取位置特征的方法为:
10.如权利要求7所述的基于双边注意力机制的近红外活体检测方法,其特征在于,所述分类器的具体分类方法为:
...【技术特征摘要】
1.一种基于双边注意力机制的近红外活体检测装置,其特征在于,主要包括:卷积神经网络结构、双边注意力机制及分类器;
2.如权利要求1所述的基于双边注意力机制的近红外活体检测装置,其特征在于:所述双边注意力机制有两个分支,第一个分支由卷积模块和通道注意力子模块组成,第二个分支由卷积模块和位置注意力子模块组成;两个分支的输出特征通过特征拼接的方式进行连接;最后,拼接后的特征经过卷积模块得到输出特征。
3.如权利要求2所述的基于双边注意力机制的近红外活体检测装置,其特征在于:所述卷积模块包含卷积、批归一化及relu激活函数。
4.如权利要求1所述的基于双边注意力机制的近红外活体检测装置,其特征在于:所述通道注意力子模块的通道特征提取方法为:
5...
【专利技术属性】
技术研发人员:何一凡,陈昕,张帅,王汉超,贾宝芝,
申请(专利权)人:厦门瑞为信息技术有限公司,
类型:发明
国别省市:
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。