【技术实现步骤摘要】
本专利技术涉及人脸欺诈检测，具体涉及一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法及系统。
技术介绍
1、如今，在企业和行业的使用面部生物识别技术的场景急剧增加，例如，可以使用面部解锁技术来保护电子设备中的个人隐私，可以使用面部生物识别技术对付款进行身份验证。但是，将面部用作身份验证的生物特征是不安全的。面部生物识别系统可能容易受到欺诈攻击。人脸欺诈攻击方式一般来说可分为四类：1)照片攻击；2)视频重放攻击；3)人脸面具攻击；4)对抗样本攻击。这些人脸欺诈攻击不仅成本低廉，而且能欺骗系统，严重影响和威胁着人脸识别系统的应用；
2、现有人脸欺诈检测算法主要从两个方面研究，一方面是采用手工特征捕捉欺诈线索，如lbp、hog、rppg等，还有一些方法关注时序线索，如眨眼和嘴唇运动。另一方面，随着深度学习的发展，许多方法开始使用卷积神经网络(cnn)来提取判别线索，主要包括提取更具表征性的特征和设计更先进的网络架构来提高分类性能。尽管如此，上述人脸欺诈检测算法大多视为分类问题，分类结果通过softmax损失函数优化得到，能在库内达到很好的检测效果，但是进行跨库检测准确率会急剧下降，存在泛化性能不足和迁移性差的问题。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本专利技术提供一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法及系统，本专利技术通过聚类的方法对复杂的数据进行建模，引入原型学习网络，用多个原型中心来代表每个类的局部聚类簇中心，经过潜在分布骨干网络提
2、为了达到上述目的，本专利技术采用以下技术方案：
3、本专利技术提供一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，包括下述步骤：
4、将划分的各数据集视频分帧，提取各帧图像人脸区域作为待检测区域；
5、基于resnet-18构建潜在分布骨干网络，初始化原型中心；
6、将待检测图像输入预训练好的潜在分布骨干网络得到潜在分布特征，对潜在分布特征和原型中心进行归一化；
7、计算归一化后的潜在分布特征和所有原型中心的余弦相似度；
8、对同一个类别的所有原型中心余弦相似度加权求和得到对应类别的分类预测角度余弦；
9、对分类预测角度计算带有边缘惩罚系数的加性角度损失函数；
10、基于类间损失函数和类内损失函数计算各个原型中心的距离；
11、基于加性角度损失函数、类间损失函数、类内损失函数加权求和后得到总损失函数，基于总损失函数训练得到预测模型；
12、构建自适应调整原型中心算法，根据各个原型中心周围样本密度对原型中心个数进行调整，优化预测模型；
13、基于优化后的预测模型进行特征提取和预测分类，输出测试人脸欺诈检测结果。
14、作为优选的技术方案，所述基于resnet-18构建潜在分布骨干网络，初始化原型中心，具体包括：
15、预训练resnet-18并增加全连接层作为潜在分布骨干网络；
16、在样本空间中随机初始化两类多个原型中心向量作为初始原型中心。
17、作为优选的技术方案，所述对潜在分布特征和原型中心进行归一化，具体表示为：
18、
19、
20、
21、
22、其中，f表示潜在分布特征，fi表示l2归一化后的潜在分布特征，c1表示特征向量的维度，ctotal1表示特征向量的维度总数，表示原型中心，表示l2归一化后的原型中心，c2表示原型中心向量的维度，ctotal2表示原型中心向量的维度总数。
23、作为优选的技术方案，所述计算归一化后的潜在分布特征和所有原型中心的余弦相似度，具体表示为：
24、
25、其中，fi为第i个batch数据归一化后的潜在分布特征，表示每个归一化后的原型中心，j∈{0,1}代表所属于的类别，r∈{1,2,…,k}代表对应类别中的第r个原型中心，为潜在分布特征和原型中心在空间中的夹角。
26、作为优选的技术方案，所述对同一个类别的所有原型中心余弦相似度加权求和得到对应类别的分类预测角度余弦，具体表示为：
27、
28、其中，θj为类别j的分类预测角度大小，τ为缩放因子，fi为第i个batch数据归一化后的潜在分布特征，表示每个归一化后的原型中心，j∈{0,1}代表所属于的类别，r∈{1,2,…,k}代表对应类别中的第r个原型中心。
29、作为优选的技术方案，所述对分类预测角度计算带有边缘惩罚系数的加性角度损失函数，具体表示为：
30、
31、其中，yi为第i个批次batch的标签向量，表示错误标签对应角度，m为边缘惩罚系数，s为缩放因子，lossdata表示加性角度损失函数。
32、作为优选的技术方案，所述类间损失函数具体表示为：
33、
34、其中，第一项代表不同类别的原型中心的最小距离，第二项代表相同类别的原型中心中最大的距离，δ1为修正系数，+表示括号里的值大于0。
35、作为优选的技术方案，所述类内损失函数具体表示为：
36、
37、其中，代表类别j的不同原型中心，δ2为修正指数，r∈{1,2,…,k}代表对应类别中的第r个原型中心。
38、作为优选的技术方案，所述构建自适应调整原型中心算法，根据各个原型中心周围样本密度对原型中心个数进行调整，优化预测模型，具体包括：
39、对所有训练好的所有原型中心进行遍历，对所有样本计算该样本与所选的原型中心计算余弦相似度作为距离度量，设定距离判定阈值，当所计算的余弦相似度小于该距离判定阈值时，即该样本属于此原型中心，对应的原型中心样本密度加1，在遍历完所有的原型中心或者所有的样本后停止；
40、设定密度判定阈值，当原型中心周围样本密度小于密度判定阈值时剔除该原型中心，保存最佳的预测模型和最佳权重。
41、本专利技术还提供一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测系统，包括：视频预处理模块、潜在分布骨干网络构建模块、原型中心初始化模块、潜在分布特征提取模块、归一化模块、余弦相似度计算模块、分类预测角度余弦计算模块、加性角度损失计算模块、原型中心距离计算模块、总损失函数构建模块、训练模块、调整优化模块和预测模块；
42、所述视频预处理模块用于将划分的各数据集本文档来自技高网...
【技术保护点】
1.一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述基于ResNet-18构建潜在分布骨干网络，初始化原型中心，具体包括：
3.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述对潜在分布特征和原型中心进行归一化，具体表示为：
4.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述计算归一化后的潜在分布特征和所有原型中心的余弦相似度，具体表示为：
5.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述对同一个类别的所有原型中心余弦相似度加权求和得到对应类别的分类预测角度余弦，具体表示为：
6.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述对分类预测角度计算带有边缘惩罚系数的加性角度损失函数，具体表示为：
7.根据权利要求1所述的基
8.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述类内损失函数具体表示为：
9.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述构建自适应调整原型中心算法，根据各个原型中心周围样本密度对原型中心个数进行调整，优化预测模型，具体包括：
10.一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测系统，其特征在于，包括：视频预处理模块、潜在分布骨干网络构建模块、原型中心初始化模块、潜在分布特征提取模块、归一化模块、余弦相似度计算模块、分类预测角度余弦计算模块、加性角度损失计算模块、原型中心距离计算模块、总损失函数构建模块、训练模块、调整优化模块和预测模块；
...【技术特征摘要】
1.一种基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述基于resnet-18构建潜在分布骨干网络，初始化原型中心，具体包括：
3.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述对潜在分布特征和原型中心进行归一化，具体表示为：
4.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述计算归一化后的潜在分布特征和所有原型中心的余弦相似度，具体表示为：
5.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在于，所述对同一个类别的所有原型中心余弦相似度加权求和得到对应类别的分类预测角度余弦，具体表示为：
6.根据权利要求1所述的基于原型学习和余弦相似度的特征聚类人脸欺诈检测方法，其特征在...
【专利技术属性】
技术研发人员：林泽锋，胡永健，刘琲贝，李纪成，
申请(专利权)人：华南理工大学，
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。