基于微小运动的人脸活体检测算法

针对人脸识别过程中容易受到打印攻击、视频重放攻击的问题,提出一种利用微小运动的人脸活体检测算法。该算法对视频进行运动放大处理以增强微小运动;使用运动强度和运动方向描述微小运动,生成两种运动特征图并进行融合;使用基于注意力机制的VGG16网络进行真伪判别。在Replay-attack数据集上半错误率(HTER)为1.35%,在CASIA FASD数据集上等错误率(EER)为2.5%,证明了微小运动对人脸防伪的有效性。

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。

基于混合空间深度纹理计算的人脸活体检测

随着人脸识别技术的广泛推广应用,人脸活体检测技术变得越来越重要。以往对于人脸活体检测的研究主要集中在分析整个人脸图像,往往忽视了基于局部小特征对人脸图像进行分类会具有较强的分类性能。研究提出基于人脸关键点(包括双眼、鼻尖、两个嘴角)对人脸图像进行切片,提取子图像的LBP特征,构建切片网络,并通过融合子图像的特征学习到人脸活体的相关特征。同时,还采用基于YCrCb与HSV的两种特征融合方式进行对比。基于NUAA、CelebA-Spoof数据集的实验结果表明,基于人脸关键点进行分块网络分析的方法优于传统的基于整个人脸的活体检测方法。

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。

有监督多视图对比学习和两阶段双线性特征融合的人脸活体检测

本文提出了一种将多尺度频率特征和生成对抗网络(GAN)训练的深度图特征融合的多分支网络.具体地,高频特征中的边缘纹理信息有利于捕捉摩尔纹.低频特征对色彩失真更为敏感.作为辅助信息,深度图在视觉层面上比RGB图像更具辨别力.有监督多视图对比学习的应用进一步增强了多视图特征的学习.此外,还提出了两阶段双线性特征融合方法,以融合来自不同视图的多分支特征.为了评估该模型,我们在4个广泛使用的公共数据集(CASIA-FASD、Replay-Attack、MSU-MFSD和OULU-NPU)上进行了消融实验,特征融合对比实验,单一数据集实验和跨数据集实验.跨数据集实验结果表明,本文模型在4种测试协议上的平均HTER比只使用RGB图转换为深度图(DFA)的方法好5%(20.3%减至15.0%).

基于面部生理信号的人脸活体检测

针对现有人脸活体检测算法生理特征鲁棒性差的问题,提出一种新的基于面部生理信号的人脸活体检测算法。首先,利用远程光体积变化描记术从面部图像中提取由心脏跳动引起的面部生理信号;之后,对原始的面部信号使用带通滤波进行去噪,再进行快速傅里叶变换将信号转换至频域,提取新的频谱特征;最后,采用机器学习模型实现二分类,区分真实人脸和虚假人脸。结果表明,在Replay-Attack数据库上,应对打印、屏显两种欺诈攻击类型,最佳准确率达到99.15%。该算法在屏显攻击场景下展现出优越的性能,为进一步深化人脸反欺诈算法的研究奠定了坚实基础。

基于FMCW毫米波雷达的舱内活体检测及干扰抑制方法

针对儿童被遗留在车内导致的事故频发问题,毫米波雷达由于隐私性好、成本低的优势成为舱内活体检测的主流选择。目前活体检测雷达把呼吸信号作为检测依据,但舱内密闭金属空间的强杂波干扰问题是主要的技术挑战。为解决此问题,提出一种时频域与幅度相位相结合的干扰抑制方法。首先,对时域信号提取的幅度和相位分别作傅里叶变换到频域;然后,将幅度频谱、相位频谱及去除帧间干扰后的时域幅度信号取模相乘生成干扰抑制图;最后,对干扰抑制图进行后处理得到活体检测结果。实测数据表明,该算法可以有效地抑制强杂波干扰,降低漏报和虚警的概率,完成舱内活体检测。

多模态数据融合的活体检测算法

基于神经网络的活体检测算法有效防止各类欺诈攻击,但当前的活体检测算法无法兼顾检测速度、检测精度和成本。对此,在MobileNetv2的基础上提出一种多模态数据融合的活体检测算法,该算法引进跨阶段部分网络(Cross Stage Partial Network,CSPNet)和提出DDConvBlock,实现检测速度、检测精度和成本之间相平衡的设计目标。为验证该算法的有效性,先在公共数据集Msspoof和CASIA-SURF上进行实验验证。接着根据实际需求,构建私有数据集,并在该数据集上用该检测算法进行建模和实验验证。验证结果表明该方法在不同遮挡和不同攻击方式下能有效地进行活体检测,该检测模型具有可移植性强的特点,能够推广到对安全性和便利性要求较高的平台中。

改进型MobileNetV3轻量级人脸活体检测算法

为了解决人脸识别系统中的欺诈攻击问题,以及目前基于深度学习的活体检测方法大多以大型卷积网络作为主干网络,导致模型结构复杂、计算量大等问题,提出一种改进型MobileNetV3的轻量级人脸活体检测算法。对MobileNetV3中利用全局平均池化计算通道注意力权重和使用双非线性全连接层存在的不足进行讨论,提出新的注意力机制EFCANet,并利用EFCANet网络对MobileNetV3轻量级卷积神经网络进行改进。实验结果表明,改进后轻量型活体检测算法,在检测精度、网络模型大小、损失值和等错误率等方面有着不错的表现。

基于内容风格增强和特征嵌入优化的人脸活体检测方法

针对现有人脸活体检测算法的特征表示不佳,以及在跨数据集上泛化性能较差等问题,提出了一种基于内容风格增强和特征嵌入优化的人脸活体检测方法。首先,使用ResNet-18编码器提取来自多个源域的通用特征,并经过不同注意力机制的两个自适应模块进行分离,增强全局内容特征与局部风格特征表征;其次,基于AdaIN算法将内容特征与风格特征进行有机融合,进一步提升特征表示,并将融合后的特征输入到特定的分类器和域判别器进行对抗训练;最后,采用平均负样本的半难样本三元组挖掘优化特征嵌入,可以兼顾类内聚集和类间排斥,更好地捕捉真实和伪造类别之间的界限。该方法在四个基准数据集CASIA-FASD、REPLAY-ATTACK、MSU-MFSD和OULU-NPU上进行训练测试,分别达到了6.33%、12.05%、8.38%、10.59%的准确率,优于现有算法,表明该方法能够显著提升人脸活体检测模型在跨数据集测试中的泛化性能。

改进卷积神经网络的单词级语音活体检测方法

为提高智能家居语音验证系统中重放语音的检测精度,提出了一种新型的单词级语音活体检测方法,采用轻量型卷积全局门控循环神经网络(light convolutional global gate recurrent neural network, LC-GGRNN)作为深度特征提取器,由支持向量机(support vector machine, SVM)执行真实和重放语音的分类,即LC-GGRNN-SVM框架。LC-GGRNN是在轻量型卷积神经网络的基础上引入了全局注意力机制和门控循环单元,前者关注提取特征的通道信息、空间信息以及通道与空间相互作用的信息,后者学习深度特征的长期相关性。提取POCO(pop noise corpus)数据集中音频文件的3种声学特征分别用于模型训练、验证和测试。结果表明,提取的伽马通频率倒谱系数声学特征在所提方法上检测效果最好,准确率、等错误率分别为85.72%、14.28%,错误接受率和错误拒绝率之和为28.59%,所提方法在POCO上的语音活体检测还具有性别依赖性。此外,所提方法对句子级重放语音检测也具有较好的泛化性。

基于多光谱和面部多区域联合的人脸活体检测算法

在常见的人脸活体检测应用场景中,绝大多数相关技术聚焦于RGB图像或IR图像,但是这些图像缺乏足够的生物特征,容易受到层出不穷的假体人脸攻击。该文提出了一种基于面部多区域联合的Transformer模型,并将多光谱成像技术引入人脸活体检测任务,旨在获取人脸的独特生物特征,增加与假体的可区分性,进而提高活体检测准确率。多光谱图像拓宽了光谱范围,可获取物体更为丰富的反射特性,通过逐像元进行光谱归一化操作,可降低光照强度变化带来的影响,增强人脸反射特征区域的一致性。该文提出的算法选取多个人脸核心区域(如眼睛、鼻子、嘴巴、脸颊等)作为深度学习模型输入,构建了基于Transformer的神经网络模型,同时获取人脸局部区域特征和区域间关联特征,整合成完备的人脸生物特征。在自建的多光谱人脸数据集上,该文提出的方法获得了95.72%的活体检测准确率及5.10%的活体检测错分率,优于常用的人脸活体检测模型。

基于人脸活体检测的智能考勤系统设计

随着人工智能技术的飞速发展,人脸活体检测技术在智能考勤系统中的应用成为学术和工业界的热点之一。该研究聚焦于基于人脸活体检测的智能考勤系统,旨在探索其在提高考勤效率和准确性方面的潜力。通过深入研究先进的人脸识别算法、卷积神经网络及支持向量机等深度学习模型,结合高精度和实时性的活体检测技术,系统能够准确地区分真实的人脸与其他形式的欺诈性行为,确保了考勤数据的可靠性和安全性。该系统不仅实现了考勤过程的自动化管理,同时还提供了实时监控和反馈功能,使得考勤记录更加全面和可追溯。最终,这一便捷、高效且安全的解决方案为高校及其他机构的考勤管理提供了有力支持,为教育和企业管理带来了新的可能性。

基于并行活体检测和人脸识别的身份认证系统研究

为保障移动终端中的用户个人信息及财产安全,提出了一种在移动终端并行执行人脸识别和活体检测进行身份认证的方法,在人脸检测后通过并行执行人脸活体检测步骤和人脸识别步骤,当两者同时通过时,认证成功。通过实验发现,该方法的认证准确率达97.7%,且相较于串行活体检测和人脸识别的身份认证方法,其执行时间缩短736 ms,大大提升了移动终端身份认证的效率。

放射性Annexin V活体检测细胞凋亡的研究进展

概述了放射性AnnexinV活体检测细胞凋亡的研究状况,介绍了这类显像剂在医学临床研究上的优越性,并对放射性标记AnnexinV显像剂的研究方法和进展进行了评述。

兽用B超在肉牛活体检测中的应用

作者以兽用B超为基础,针对实际生产中肉牛皮厚、脂肪厚、腰肌厚、腰肌面积及肌间脂肪等指标的检测要求,综述了兽用B超在肉牛活体检测中的应用。

基于多分类及特征融合的静默活体检测算法

现有的静默活体检测研究忽略不同非活体攻击方式之间的差异,以及不考虑活体和非活体样本类别不均衡对模型学习的不利影响.本研究将非活体攻击类别细分成打印攻击和展示攻击,将静默活体检测由传统的二分类问题转变为多分类问题,并提出采取交叉熵作为损失函数对网络模型进行训练的方案,用以克服二分类和类别不均衡问题,使得模型训练中能更准确发现和抽象出非活体人脸样本共同的欺诈特征,提高网络模型对非活体识别的精准度.构建双流特征融合网络模型,采取注意力机制对从RGB和YCrCb这2种不同色彩空间提取到的特征向量进行自适应加权融合,以进一步提升网络模型的特征表示能力.在CASIA-FASD、 Replay-Attack、MSU-MFSD和OULU-NPU 4个公开数据集进行大量的对比实验,实验结果表明,采取多分类策略以及特征融合的静默活体检测模型能够有效降低分类错误率并提升泛化能力.

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.

基于深度学习的人脸活体检测算法

身份认证技术有了很大的发展,随之不断出现的是各种伪造合法用户信息的欺诈手段。针对这一问题,提出一种基于深度学习人脸活体检测算法,分析了真实人脸和欺诈人脸之间的区别,将真实人脸和照片进行数据去中心化、zca白化去噪声、随机旋转等处理;同时,利用卷积神经网络对照片的面部特征进行提取,提取出来的特征送入神经网络训练、分类。算法在公开的数据库NUAA上进行了验证,实验结果表明该方法降低了计算的复杂度,提高了识别准确率。

兽用B超仪在牛活体检测中的应用

本文以荷兰PIE MEDICAL公司的Aquila Vet型兽用B超仪为基础,针对实际生产中对牛皮厚、脂肪厚(BF)、腰肌厚、腰肌面积以及肌间脂肪等指标的检测要求,综述了兽用B超仪在牛活体检测中的应用。