基于GhostNet和特征融合的人脸活体检测算法

人脸识别技术的广泛应用在为用户带来方便的同时,也带来了人脸欺骗和展示攻击等问题。针对经常出现的展示攻击和打印攻击问题,提出了一种基于GhostNet和特征融合的人脸活体检测算法。首先,将GhostNet模型的特征提取过程分为三种不同的阶段,即低等特征、中等特征和高等特征;然后,分别输出每个阶段的特征图信息;最后,将具有不同语义信息的特征图送入特征融合模块进行自适应加权融合,以获得更加具有辨别性的特征映射。在NUAA和CelebA-Spoof两个公开数据集上进行实验,实验结果表明所提算法的准确率分别为99.97%和93.41%,相较于GhostNet模型直接进行训练的算法分别提高了8.00和9.20个百分点。与异构内核的卷积神经网络(HK-CNN)、轻量级卷积神经网络FeatherNet、基于分块的多流网络FaceBagNet等算法相比,所提算法在NUAA和CelebA-Spoof数据集上表现出更好的性能;并且,由于GhostNet是一种轻量化的网络模型,所提算法在CelebA-Spoof数据集上对单张图像进行推理的时间仅需3.6 ms。