跨域人脸活体检测的单边对抗网络算法

现有跨域人脸活体检测算法,其特征提取过程容易发生过拟合和缺乏特征聚合所导致的泛化性不足问题。针对该问题,提出了跨域人脸活体检测的单边对抗网络算法,将分组卷积与改进的倒残差结构融合替换普通卷积,降低网络参数同时加强人脸细粒度特征的表达能力,并引入自适应特征归一化模块,强调图像中人脸活体信息区域淡化无关背景区域,有效避免人脸活体信息的过拟合并加强来自不同源域的人脸活体检测能力。基于NetVLAD引入通道注意力机制模块,通道注意力机制模块作为特征聚合网络的分支,学习不同源域中人脸局部特征的语义信息,有效增强对不同源域的人脸活体信息分类的泛化能力。设计两模块融合网络以提高未知场景下跨域人脸活体检测精度。在OULU-NPU、CASIA-FASD、MSU-MFSD和Idiap Replay-Attack数据集上的实验结果表明,该算法在跨数据集测试O&C&M to I、O&C&I to M、I&C&M to O、O&M&I to C均有不错的表现,其中,在O&C&I to M及O&M&I to C性能评估指标分别提升了0.99个百分点和0.5个百分点的精度。

具有对抗鲁棒性的人脸活体检测方法

现有人脸活体检测方法在深度神经网络的支持下已获得优秀的检测能力,但面临对抗样本攻击时仍呈现脆弱性。针对此问题,引入胶囊网络(Capsule Network,CapsNet)提出一种具有对抗鲁棒性的人脸活体检测方法FAS-CapsNet:通过CapsNet及其图像重建机制保留特征间关联,过滤样本中的对抗扰动;根据皮肤与平面介质的反射性质差异,以Retinex算法增强图像光照特征,增大活体与非活体人脸类间距离的同时破坏对抗扰动模式,进而提升模型准确性与鲁棒性。在CASIA-SURF数据集上进行实验可知:FAS-CapsNet对正负样本的检测准确率为87.344%,对比模型中最高准确率为78.917%,说明FAS-CapsNet具备充分的常规活体检测能力。为进一步验证模型鲁棒性,基于CASIA-SURF测试集生成两种对抗样本数据集并进行实验:FAS-CapsNet在两数据集上的检测准确率分别为84.552%和79.042%,较常规检测准确率下降3.197%和9.505%;对比模型在两数据集上的最高准确率分别为74.938%和41.667%,较常规检测下降5.042%和47.201%。可见FAS-CapsNet受对抗扰动影响更小,具有显著的对抗鲁棒性优势。

改进ResNet双目视觉算法在人脸活体检测中的应用研究

r级联分类器同时提取双目图像中的人脸,将其提取到的局部人脸左右并联制作成数据集;然后把“shortcut”思想引入到残差块中提高特征的利用率,最后改进了具有注意力机制的SENet模块在SE-ResNet神经网络中的位置。利用实验室采集的图像数据进行验证,结果表明:该实验测试集的平均准确率达到了98.62%,较ResNet34网络测试集的平均准确率提升2.07%,本实验对因为光线和角度变化的人脸活体检测有较好的鲁棒性。

引入跨批存储机制度量学习的人脸活体检测

针对人脸活体检测中存在的嵌入特征混叠、泛化能力差的问题,采用异常检测的方法来学习活体样本的一个紧凑表示空间,并通过像素级的辅助监督来获得更细粒度的活性特征;为了获得更清晰的分类边界,引入多尺度三元组损失来优化模型,采用批内和批间样本挖掘相结合的方法,来扩大样本挖掘范围,以获得更多有效的样本对。通过在公开数据集OULU、Replay Attack和CASIA上的对比实验,证明了算法的鲁棒性和泛化能力。

结合反射图像的双流多层次融合人脸活体检测

针对从RGB图像提取到的特征对光照敏感,导致人脸活体检测模型泛化性能较差的问题,提出一种结合反射图像的双流多层次融合检测(face anti-spoofing using dual-stream multi-level fusion and reflection images,DMF-RI)算法。对RGB图像进行带色彩恢复的多尺度Retinex增强,获得反射图,并分别提取原图和反射图的低、中、高多层次深度特征;通过双流多层次特征融合模块(dual multi-level feature fusion,DMFF)实现不同层次不同特征的有效融合;联合基于二值掩码的像素级监督和基于二值标签的二分类监督训练网络模型。在CASIA-FASD、Replay-Attack、MSU-MFSD、OULU-NPU和SiW这5个人脸活体检测数据集上的多组实验表明,所提算法通过多层次融合RGB图像和MSRCR图像的深度特征,能提取人脸中更为本质的特征信息,在复杂背景条件下表现出较强的鲁棒性和泛化能力。

基于中心差分卷积与频域辅助的人脸活体检测

针对当前基于深度学习的人脸活体检测算法模型结构复杂、参数量和计算量大,同时基于可见光相机读取数据作为模型输入时,容易受到环境光变化的影响,导致模型性能下降等问题,提出一种基于中心差分卷积(CDC)和频域辅助的轻量级人脸活体检测算法。通过CDC、ACON自适应激活函数以及轻量化注意力机制重构MobileNetV3轻量级特征提取网络,并设计傅里叶变换支路对主干提取网络进行辅助矫正,实现降低模型大小、提高活体检测精度的目的。在Replay-Attack以及CASIA-FASD数据集上进行实验,结果表明:算法在模型大小、等错误率、召回率、曲线下面积(AUC)以及准确率等方面有较好的表现。

基于多尺度双通道网络的人脸活体检测

人脸活体检测在人脸识别系统的安全保护中发挥着重要作用。现有基于频率域处理人脸活体检测问题的方法是从高频信息中提取边缘和纹理信息,进而获取伪造痕迹特征,但是频域方法对光照环境和传感器采集设备变化的适应性差,鲁棒性较差。针对该问题,提出了基于多尺度双通道神经网络的人脸活体检测方法,构建了频率域通道和空间域通道,分别从频率域图像和RGB图像中提取多尺度频率域特征和多尺度空间域特征,并采用注意力机制进行双通道的特征融合,增强了网络的特征提取能力。与同类方法相比,本文方法在Oulu-NPU和Siw数据集上的检测错误率最低,并且在Idiap Replay Attack数据集上的准确率可达99%以上,验证了本文所提出的多尺度双通道网络的有效性和鲁棒性。

基于轻量级网络的多模态人脸活体检测

人脸活体检测是人脸识别系统中不可或缺的模块。针对多模态人脸欺诈数据,本文提出一种轻量级人脸活体检测模型,采用轻量级倒残差模块提取不同模态人脸特征并融合,再引入卷积注意力机制(convolutional block attention module, CBAM)增强提取的特征,最终将模型低、中、高各阶段特征进行融合,提高模型检测精度与泛化能力。实验结果表明,该模型在CASIA-SURF数据集的平均分类错误率(average classification error rate, ACER)为1.4%,证明该模型具备良好的检测效果与泛化能力。

基于LBP和多层DCT的人脸活体检测算法

随着安全性成为制约人脸识别系统应用的最大瓶颈,提高人脸识别系统的抗欺骗攻击能力已成为亟待解决的问题.针对基于视频的人脸欺骗攻击,基于局部二值模式(local binary patterns,LBP)和多层离散余弦变换(discrete cosine transform,DCT)提出了一种新的人脸活体检测算法.其基本思想是首先从目标视频中每隔一定帧数提取1张人脸图像;其次对提取出的每张人脸图像进行LBP操作得到低级特征描述子(LBP算子);然后在LBP特征上进行多层DCT变换得到高级特征描述子(LBP-MDCT算子);最后将得到的高级特征描述子送入支持向量机(support vector machine,SVM)中判断该视频是非法用户实施的人脸欺骗攻击还是合法用户的进入请求.通过在Replay-Attack和CASIAFASD数据库上与现有的人脸活体检测算法做比较,验证了该算法能够取得优异的检测效果且十分简单、高效.

基于条件对抗域泛化的人脸活体检测方法

针对现存的跨场景人脸活体检测模型泛化性能差、类间重叠等问题,提出了一种基于条件对抗域泛化的人脸活体检测方法。首先,该方法使用嵌入注意力机制的U-Net和ResNet-18编码器提取多个源域的特征,然后将提取的特征送入辅助分类器,并将特征编码器的输出和分类器预测的结果通过多线性映射的方法进行融合,再输入到域判别器中进行对抗训练,以实现特征和类层面对齐多个源域。其次,为了减少预测不准确的难迁移样本对域泛化造成的影响,采用了熵函数来控制样本的优先级,以提高域泛化的性能。此外,通过添加人脸深度图以进一步抓取活体与假体的区别特征,通过非对称三元组损失约束作为辅助监督,进一步提高类内紧凑性和类间区分性。在公开活体检测数据集上的对比实验验证了所提方法的有效性。

基于多模态特征融合的轻量级人脸活体检测方法

人脸活体检测是人脸识别过程中的一个重要环节,对于身份验证的安全性尤为重要。针对人脸识别过程存在照片、视频、面具、头套、头模等欺骗手段,通过Intel Realsense相机采集人脸RGB图和深度图信息,并在MobileNetV3的基础上提出了特征融合的轻量级活体检测网络,将深度图与RGB图的特征融合起来并且进行端到端的训练。而为了解决深度学习中参数量较大以及网络尾部对于权重区域的区分的问题,提出在网络尾部采用Streaming Module以减少网络参数量并且对权重区域进行区分。在CASIA-SURF数据集以及所制作的CQNU-LN数据集上进行仿真实验,结果表明所提方法在两个数据集上均于TPR@FPR=10E-4的级别上达到了95%的精度,相较对比方法中精度最高的ShuffleNet分别提高了0.1%和0.05%;在所制作的CQNU-3Dmask数据集上,所提方法于TPR@FPR=10E-4的级别达到了95.2%的精度,比仅训练RGB图或仅训练深度图的方法分别提升了0.9%和6.5%,并且,模型的参数文件的大小仅为1.8 MB,每秒浮点数运算量(FLOPs)仅为1.5×10^6。该方法能够在实际应用中对提取到的人脸进行准确的实时检测。

基于微调策略的多线索融合人脸活体检测

为解决身份认证过程中可能会出现的打印攻击、视频重播攻击等安全问题,提出一种多线索融合人脸活体检测方法。利用金字塔LK光流追踪视频帧并将其进行剪切波变换,以获取图像质量特征,通过卷积神经网络对数据集进行网络微调,得到真假活体。在Print-attack数据库和CISIA数据库上进行实验,结果表明,与LFDNet方法相比,该方法具有较高的人脸活体检测准确率,可用于抵制欺骗攻击。

一种面向人脸活体检测的对抗样本生成算法

近年来,基于深度卷积神经网络的人脸活体检测技术取得了较好的性能.然而,深度神经网络被证明容易受到对抗样本的攻击,影响了人脸系统的安全性.为了建立更好的防范机制,需充分研究活体检测任务对抗样本的生成机理.相对于普通分类问题,活体检测任务具有类间距离小,且扰动操作难度大等特性.在此基础上,提出了基于最小扰动维度和人眼视觉特性的活体检测对抗样本生成算法,将扰动集中在少数几个维度上,并充分考虑人眼的视觉连带集中特性,加入扰动点的间距约束,以便最后生成的对抗样本更不易被人类察觉.该方法只需平均改变输入向量总维度的1.36%,即可成功地欺骗网络,使网络输出想要的分类结果.通过志愿者的辨认,该方法的人眼感知率比DeepFool方法降低了20%.

一种基于规则过滤的红外人脸活体检测方法

由于人脸图像和视频很容易得到,活体成为人脸识别大规模应用的障碍。提出一种基于规则过滤的红外人脸活体检测方法,基于红外成像的机理,可以高效地防止照片、视频重放和人脸动作编辑等攻击。

人脸活体检测综述

人脸活体检测是为了提高人脸识别系统安全性而需要重点研究的问题.本文首先从人脸活体检测的问题出发,分个体、类内、类间三个层面对人脸活体检测存在的困难与挑战进行了阐述分析.接下来,本文以算法使用的分类线索为主线,分类别对人脸活体检测算法及其优缺点进行了梳理和总结.之后,本文就常用人脸活体检测数据集的特点、数据量、数据多样性等方面进行了对比分析,对算法评估常用的性能评价指标进行了阐述,总结分析了代表性人脸活体检测方法在照片视频类数据集CASIA-MFSD、Replay-Attack、Oulu-NPU、SiW以及面具类数据集3DMAD、SMAD、HKBU-MARsV2上的实验性能.最后本文对人脸活体检测未来可能的发展方向进行了思考和探讨.

基于深度学习和特征融合的人脸活体检测算法

针对目前基于深度学习的活体检测算法大都基于大型卷积神经网络的问题,提出一种基于轻量级网络MobileNetV2和特征融合的活体检测算法。首先,以改进的MobileNetV2为基础网络分别从RGB、HSV、LBP图中提取特征;然后,将得到的特征图堆叠在一起以进行特征层的融合;最后,从融合后的特征图中继续提取特征,并利用Softmax层作出真假人脸的判断。仿真结果显示,所提算法在NUAA数据集上的等错误率(EER)为0.02%,在Siw数据集上的ACER(Average Classification Error Rate)为0.75%,而且测试单张图像仅用时6 ms。实验结果表明:融合不同的信息可以获得更低的错误率,改进的轻量化网络保证了算法的高效性并满足实时性需求。

基于Gabor纹理增强的人脸活体检测算法

针对人脸信息认证系统中存在的欺骗攻击问题,利用色彩空间转换信息丢失的特性,提出一种人脸活体检测算法。通过Gabor滤波器组多尺度、多方向地增强关键人脸图像纹理特征,抑制人脸图像的一般特征。高斯径向基函数分类器分类SURF(speeded up robust features)算子提取特征描述子,区分人脸活体与非法用户的欺骗攻击。利用类间方差衡量特征改进前后的可分性,计算图像原始特征与纹理增强后特征的类间方差、类内方差大小以及可分性判据J。在公开数据集Replay-Attack,CASIA-FASD数据库进行测试,彩色纹理图像增强后,人脸关键特征被增强而一般特征被抑制,背景与目标的类间方差增大,类内方差减小,特征可分性增强从而更具鲁棒性,使得纹理细节能被有效利用。实验结果表明,该算法能有效、实时地判断人脸活体与欺骗攻击。

基于LBP-MDCT和CNN的人脸活体检测算法

人脸活体检测技术作为人脸识别系统安全运行的重要保障,对保障网络空间安全意义重大.针对基于视频的人脸欺骗攻击,提出一种基于局部二值模式-多层离散余弦变换(local binary pattern and multilayer discrete cosine transform,LBP-MDCT)和卷积神经网络(convolutional neural network,CNN)融合的人脸活体检测算法.首先从检测视频中提取人脸图像;接着对人脸图像进行LBP和多层DCT变换以得到LBP-MDC T特征,将部分人脸图像输入CNN中以得到CNN特征;然后将两种特征分别输入到支持向量机(support vector machine,SVM)中得到分类结果;最后将SVM的输出进行决策级融合以判定检测视频的合法性.在Replay-Attack和CASIA-FASD数据库上的实验结果表明,相对于现有算法,该算法的检测性能更加优越.

基于上下文特征与单类支持向量机的人脸活体检测

非法入侵者通过伪装人脸欺骗识别系统,给人脸识别应用带来严重威胁。现有人脸活体检测方法多为在同一数据集内进行训练和测试,当应用在跨数据集场景中时效果并不理想。针对这一问题,提出了利用HOG等算法对上下文环境中的线索信息进行提取,提取出来的特征送入单类支持向量机进行训练、分类。将分类结果与上下文环境中异常线索的探测结果相结合。算法在公开的数据集NUAA和CASIA-FASD上进行了验证,实验结果表明在跨数据集检测时该算法的泛化能力及检测准确率较已存在算法有所提高。

融合DQ_CoALBP和LPQ算子的人脸活体检测

面向图片与视频攻击下的人脸活体检测任务,提出了一种差分量化相邻局部二值模式(DQ_CoALBP)算子,综合不同方向上的图像局部中心点与周围点之间的差值,同时为了更加充分地描述人脸的彩色纹理信息,在颜色空间通道上将该算子与局部相位量化(LPQ)直方图特征相融合,并利用支持向量机(SVM)分类器实现人脸反欺诈判别。在公开CASIA-FASD与Replay-Attack数据集上的实验结果表明,DQ_CoALBP算子的表现均优于LBP、LPQ、CoALBP与DQ_LBP四种算子。采用YCbCr颜色空间在融合DQ_CoALBP与LPQ算子时,CASIA-FASD数据集上的等错误率(EER)和半错误率(HTER)分别降至2.5%和3.7%,Replay-Attack数据集上实现了无差错检测,优于一些深度卷积神经网络模型。