[发明专利]人脸防伪检测方法及系统

说明书

本申请涉及一种人脸防伪检测方法及系统，其中，该人脸防伪检测方法包括：样本数据集构建步骤，用于获取采集样本并根据所述采集样本基于非防伪特征信息采集若干正样本对及若干负样本对，建立样本数据集；人脸防伪检测模型构建步骤，用于基于CDCN网络及分类器构建得到所述人脸防伪检测模型；模型预训练步骤，用于将所述样本数据集输入所述人脸防伪检测模型进行训练以调整所述人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；人脸防伪检测步骤，用于将一待检测人脸图像输入预训练后的所述人脸防伪检测模型，得到检测结果。通过本申请，将非防伪特征信息从防伪特征中剔除，从而提升人脸防伪模型的性能。

技术领域

本申请涉及人脸检测领域，特别是涉及人脸防伪检测方法及系统。

背景技术

人脸防伪识别指的是针对伪造的人脸特征进行有效甄别，比如在人脸识别系统中，会有人制造一些伪造的人脸对人脸识别系统进行攻击，常见的非活体攻击类型主要有：照片攻击；屏幕播放攻击(包括视频或者照片或者远程遥控)；软件模拟。使用目前的打印照片翻拍和手机(多种不同手机类型)屏幕翻拍，已经足够覆盖大部分常见的攻击，包括软件模拟(等效于翻拍)。人脸防伪识别就是针对伪造的人脸特征进行甄别。一般在人脸识别系统中，用户需要通过人脸防伪识别的检测，又可以被称为活体检测。

现有的人脸检测方案中，如公开号为106372601A的专利中公开的一种基于红外可见双目图像的活体检测方法及装置，该发明先通过红外摄像头能否采集图像进行预识别，这样可以防住全部的视频攻击、大部分的照片、孔洞攻击、3d面具攻击，再通过对可见光成像和红外光成像之间的特征对比，最终保证了极大的非活体攻击。但是，通过判断近红外成像中是否能检测到人脸以及人脸与眼部在可见光、近红外成像中的区别来抵御伪造人脸的攻击。但是该方法中没有提到，如果出现了近红外之外的其他模态，比如可见光模态或者深度模态，这种情况如何进行防御。再如，论文文献《Momentum Contrast for UnsupervisedVisual Representation Learning》中提出的一种无监督对比学习方法，一方面，该方法将由同一张图片数据增强来的不同图片作为正样本对，将不同图片作为负样本对，而在人脸防伪任务中，相同的ID的不同攻击方式的图片应该属于负样本对，不同ID的相同攻击方式或真人场景应该属于正样本对。另一方面，使用上述方法在无标签数据上训练，人脸防伪的数据往往是通过数据采集得到，一般自带标签，无监督的意义不大。

人脸图像中会有很多其他要素影响人脸防伪的特征，比如人脸图像中ID身份信息特征，图像中光线特征，场景信息特征等，这些信息与人脸防伪特征均无关。如果能通过一种对比的手段将这些信息与人脸防伪特征剥离开来，那么对于人脸防伪的性能会有很明显的提升。

发明内容

基于上述考虑，本申请实施例提供了一种人脸防伪检测方法、系统、计算机设备和计算机可读存储介质，利用对比学习，针对人脸图像中的非防伪特征信息，将非防伪特征信息从防伪特征中剔除，从而提升人脸防伪模型的性能。

第一方面，本申请实施例提供了一种人脸防伪检测方法，包括：

样本数据集构建步骤，用于获取采集样本并根据所述采集样本基于非防伪特征信息采集若干正样本对及若干负样本对，建立样本数据集；

人脸防伪检测模型构建步骤，用于基于CDCN网络及分类器构建得到所述人脸防伪检测模型；其中，CDCN网络(全称为Central Difference Convolutional Network，又称中心差分卷积网络)用于提取的人脸特征结果，所述分类器用于根据所述人脸特征结果计算输出检测结果；CDCN网络相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

模型预训练步骤，用于将所述样本数据集输入所述人脸防伪检测模型进行训练以调整所述人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；