[发明专利]基于特征空间约束的人脸欺骗检测方法

说明书

本发明涉及一种基于特征空间约束的人脸欺骗检测方法，属于人脸识别领域，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；S5：进行模型训练，得到用于人脸欺骗检测的Soft‑max模型分类器；S6：采集测试集并对待测试的视频数据进行步骤S1和步骤S2的处理；S7：将测试集预处理的数据输入到训练好的Softmax模型分类器中判断数据的活体真假。本发明缓解了人脸欺骗检测中真假人脸数据之间的类间距离小，类内距离大的问题，进一步提升了人脸欺骗检测网络模型的泛化能力。

技术领域

本发明属于人脸识别领域，涉及一种基于特征空间约束的人脸欺骗检测方法。

背景技术

随着科学技术的进步，人脸识别技术已经被广泛的应用在日常生活中，如人脸支付、考勤打卡、身份识别、车站安检、快递领取等。人脸识别技术的广泛应用给人们的生活带来了极大的便利，但是与此同时人脸识别技术也给人们的个人隐私和财产安全带来了极大的威胁。在人脸识别系统中，当具有合法用户的人脸欺骗在视觉上与真实人脸极其接近时，人脸识别系统很有可能会被攻破，造成个人隐私和财产安全的极大损失。比如2019年10月17日，多家媒体报道，浙江嘉兴外国语学院的小学生利用父母的纸质照片成功打开了小区里的智能快递柜，取出快递。还有2019年12月12日美国《财富》杂志报道，美国圣地亚哥的一家人工智能公司Kneron宣称他们用一种特制的3D面具，成功欺骗过荷兰最大机场的一台自助终端机以及中国火车站的人脸识别系统。由此可见，目前人脸识别系统并未达到安全的标准。因此，如何在人脸识别系统中成功检测各种人脸欺骗是目前人脸识别技术领域必须要解决的问题。

目前学术界提出了各种人脸欺骗检测的方法，有基于外观纹理信息的检测方法、有基于时间序列信息的检测方法、有基于三维深度信息的检测方法、也有基于其它特征信息检测的方法。总的来说，近几年，根据特征提取方法的不同，人脸欺骗检测大致可以分为两类，一类是基于手工设计特征提取的传统方法，一类是近几年在模式识别领域迅速崛起的卷积特征提取方法。

基于手工设计特征的方法包括基于图像纹理信息分析方法(基于Fourier频谱分析和基于颜色纹理分析)、基于运动信息分析方法(基于运动光流分析和人机交互分析)、基于深度信息分析方法(基于结构光深度信息分析和基于TOF深度信息分析)以及基于其它生物信息分析方法(如基于心率监测分析、图像质量分析和上下文情景分析)。对于早期人脸欺骗检测特征提取来说，主要采用特征提取算法有LBP(Local Binary Patterns)、HOG(Histogram of Oriented Gridients)以及SURF(Speeded Up Robust Features)等，利用这些特征提取算法找到活体人脸与欺骗人脸之间的特征差异，然后根据这些差异来进行真假人脸的判别。这种手工设计特征提取的方式在深度学习没有被应用在图像识别领域之前是被人脸识别研究者广泛使用的，因为这种特征提取方式对特定的欺骗类型检测具有良好的效果。但是，基于手工设计特征提取的方法也有弊端，那就是对采集的环境、设备变化等都非常敏感，很容易因为这些变化使模型分类失败。简单地说，也就是基于手工设计特征提取的方法一般在同一数据集上训练和测试能够得到显著的分类性能，但是在跨数据集训练测试时，因为不同数据集之间采集环境和设备有所变化，跨数据集训练的模型在测试集上分类容易失败。所以，一些学者为了使模型能够在真实环境下具备良好的适用性和泛化性，就提出利用时间信息来确定当前人脸是否是活体人脸。针对于最常用的照片欺骗和视频欺骗，利用合法用户人为配合人脸识别系统指令，如眨眼、摇头等去检测当前人脸的真实性，保障系统具有较高的分类准确率和通用性。这也是前几年社会上人脸识别系统应用多为交互式人脸识别系统的主要原因。