[发明专利]一种基于多损失深度融合的人脸防伪方法

说明书

本发明提出了一种基于多损失深度联合的人脸防伪方法，通过采用多个局部的并行网络来学习局部特征和微纹理特征，同时为了进一步较少对噪声的学习，提升对多样数据源的鲁棒性能，采用基于分组LASSO正则来加强局部特征稀疏性约束，对学习到的特征进行稀疏处理，达到对特征进行选择的作用；另外，采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度。与现有技术相比，本发明从数据集差异出发，考虑算法的泛化能力，在保证分类精度的同时提升了算法模型在不同数据集之间的测试精度。

技术领域

发明涉及人脸防伪技术，特别涉及一种基于多损失深度融合的人脸防伪技术。

背景技术

人脸识别技术的普遍应用引发了人们对于其安全性的思考。作为一种新的身份认证方式，人脸身份虽具有便捷性和实时性，但这些特点同时给恶意攻击者留下了可趁之机。当攻击者采用已认证身份人物的照片或者视频来假冒身份时，系统可能会错误识别并给出通过权限，对身份安全造成威胁。因此，通过检测人脸身份真伪来加固身份识别的可靠性是必不可少的。在人脸防伪的研究领域中，现有的大部分技术主要是依赖于深度学习方法提取的深层特征来进行身份判别，这些深层特征从某些角度反应了真实身份与假冒身份在颜色纹理、运动表征、背景信息等方面的差异，在同一个数据集中进行训练和测试时能够有较好的分类结果。但不同数据集中数据的采集方式、场景、光照以及采集的图像质量等都有或多或少的区别，在不同数据集的数据之间进行交叉测试时往往会出现精度降低的情况，减弱了算法的泛化性能。

发明内容

基于上述方法的不足，本发明提出了一种基于多损失深度融合的人脸防伪方法。通过采用多个局部的并行网络来学习局部特征和微纹理特征，为了进一步较少噪声学习的影响，提升模型对多样数据源的鲁棒性能，提出采用基于分组LASSO的局部特征稀疏性约束，对于网络的学习特征进行稀疏处理，实现对深层特征的筛选组合；采用ASPP多尺度网络模块学习人脸图像的多尺度全局信息，将局部人脸特征与多尺度人脸特征融合之后进行分类判别。本发明的目的通过以下技术方案实现：

步骤(1)，对视频图像进行预处理，截取视频数据中的每一帧作为人脸图像数据集；

步骤(2)，共享卷积层提取低层图像特征，记输入图像为I_i，用尺度为n×n的卷积核对图像I_i进行卷积处理，其中，图像I_i的输入通道数为3，卷积之后的输出通道数为64；

步骤(3)，设置标志量flag，当标志量flag为local part时，调用多局部并行网络学习输入图像的局部和微纹理特征；当标志量flag为global part时，调用全局网络并采用ASPP结构进行多尺度特征学习；

步骤(4)，将学习得到的局部特征与全局特征进行融合，采用Softmax分类器进行分类；

步骤(5)，计算网络损失，并采用Adam算法进行网络的反向传播训练；

步骤(6)，输出人脸图像的预测结果Y_i。

进一步的，骤(3)中调用多局部并行网络学习输入图像的局部和微纹理特征的具体实现方式如下，

步骤3.1.1，定位人脸关键点，切分局部人脸区域：通过人脸检测标注出输入人脸的特征部位，选取标注的关键点，以这些关键点为中心切取局部人脸，将人脸图像被切分成m个部分，切分之后得到局部人脸区域集合其中表示第m个局部区域的特征映射；

步骤3.1.2，局部人脸区域特征学习：将集合中每一局部分别送入局部学习网络中进行特征学习，得到每个局部区域的特征表示其中i表示第i个局部区域，θ_i表示第i个局部区域特征学习过程中的网络参数；

步骤3.1.3，全连接层特征联合，将步骤3.2学习得到的m个特征进行连接，然后采用若干个结点的全连接层对联合特征进行融合，其中x_m表示第m个局部区域经全连接层之后的特征表示，d为结点的个数；