融合卷积神经网络和Transformer的人脸欺骗检测模型

在人脸反欺骗领域,大多数现有检测模型都是基于卷积神经网络(convolutional neural network,CNN),该类方法虽能以较少的参数学习人脸识别,但其感受野是局部的;而基于Transformer的方法虽然能够全局感知,但参数量和计算量极大,无法在移动或边缘设备广泛部署.针对以上问题,提出一种融合CNN和Transformer的人脸欺骗检测模型,旨在保持人脸全局和局部特征提取能力的前提下,实现参数量和准确度的平衡.首先,裁剪选取局部人脸图像作为输入,有效避免过拟合现象;其次,设计基于坐标注意力的特征提取模块;最后,设计融合CNN和Transformer模块,通过局部全局局部的信息交换实现图像局部特征和全局特征的提取.实验结果表明,该模型在CASIA-SURF(Depth模态)数据集上获得了99.31%的准确率以及0.54%的平均错误率;甚至在CASIA-FASD和Replay-Attack这2个数据集上实现了零错误率,且模型参数量仅0.59MB,远小于Transformer系列模型.

应用于快递领取的防欺骗人脸识别系统

基于人脸识别的高校快递领取系统主要包括人脸检测和识别。但一般的人脸识别技术对人脸欺骗的检测并不准确,诸如假照片等都会造成识别系统将其认为是本人。针对单人脸识别系统易被欺骗的问题,设计了一种系统,可在人脸识别的基础上对电子欺骗的人脸进行检测。提出了SE-MobileNetV2,在提取人脸特征后使用SE-MobileNetV2来区分真人和人脸欺骗攻击,通过提取的人脸特征,计算与人脸库中人脸的特征的欧氏距离,低于一定阈值时认为是未录入的人脸,当有多个欧氏距离高于阈值时,取最高置信度的身份为判别结果。在人脸检测和识别方面,准确率达到97.2%,在人脸欺骗方面,准确率达到85.9%,经过一系列实验,在户外复杂背景的情况下仍有良好的识别率和检测率。