[发明专利]基于特征空间约束的人脸欺骗检测方法

权利要求书

1.一种基于特征空间约束的人脸欺骗检测方法，其特征在于：包括以下步骤：

S1：对摄像头采集的训练集视频数据进行分帧采样；

S2：对分帧采样的人脸数据进行预处理；

S3：将预处理后的图像进行标签标注并输入到卷积神经网络进行特征提取；

S4：对提取的特征进行空间约束；所述步骤S4包括以下步骤：

对经过神经网络最后一个全连接层得到的特征向量进行特征约束，利用欧氏距离约束

其中L_{batch_in}(X_a,X_b)为类内损失，X_a,X_b是同一类别中的两个样本，M是单个batch的样本总数，表示网络框架最后一个全连接层得到的特征图；

其中L_{batch_out}(X_i,X_j)为类间损失，X_i,X_j是不同类别中两个样本，M是单个batch的样本总数，表示网络框架最后一个全连接层得到的特征图；

对从每个batch中随机获取两个数据，对这两个数据进行标签判断，如果标签相同，将两个数据做欧氏距离，值叠加到L_{batch_in}上，如果这两个数据标签不同，同样对两个数据做欧氏距离，将值叠加到L_{batch_out}上，然后在每个batch上将叠加的类内损失L_{batch_in}和叠加的类间损失L_{batch_out}做差，值作为整个batch上的损失，最后在每轮迭代中将多个batch上的损失进行叠加作为总叠加损失函数；

每个batch上的损失函数定义为

L_{batch_loss}(X_a,X_b,X_i,X_j)＝L_{batch_in}(X_a,X_b)-L_{batch_out}(X_i,X_j)

L_{batch_in}(X_a,X_b)是单个batch上类内损失函数的和，L_{batch_out}(X_i,X_j)是单个batch上类间损失函数的和；

整个训练集上总叠加损失函数，即总成对损失函数，定义为

L_{batch_loss}(X_a,X_b,X_i,X_j)为单个batch上的损失函数，K为训练集划分的batch数目；

网络框架的总损失函数定义为

L_总loss＝L_loss+L_anti-spoof

L_loss是网络模型在训练集上的总成对损失，L_anti-spoof是网络模型的交叉熵损失，为

y_i表示样本i的标签，活体样本为1，欺骗样本为0，p_i表示样本i预测为活体的概率，N为训练集中样本总数；

利用损失函数最小化调整网络模型训练学习的权值参数，获得训练后的人脸欺骗检测网络模型；

S5：进行模型训练，得到用于人脸欺骗检测的Softmax模型分类器；

S6：采集测试集并将待测试的数据进行步骤S1和步骤S2的处理；

S7：将测试集预处理的数据输入上述得到的Softmax模型分类器中判断数据人脸的活体真假。

2.根据权利要求1所述的基于特征空间约束的人脸欺骗检测方法，其特征在于：所述步骤S1中，采用数据集CASIA-FASD、MSU-MFSD、REPLAY-ATTACK作为采集的图像数据，并将其中的训练集数据作为本方法的训练集，测试集数据作为本方法的测试集，并对训练集中的视频数据进行分帧采样，产生具有活体人脸和欺骗人脸图片的训练数据集。