[发明专利]基于元伪标签和光照不变特征的人脸欺骗检测方法和系统

说明书

本发明公开了一种基于元伪标签和光照不变特征的人脸欺骗检测方法和系统，该方法的步骤包括：数据预处理得到RGB颜色通道图和PLGF图；RGB颜色通道图划分出有标签样本、无标签样本、增强后的无标签样本，送入教师学习模块得到教师半监督损失、无标签样本的伪标签、增强后的无标签损失，更新学生模型和教师模型的参数；将PLGF图送入光照不变特征提取网络得到特征向量和分类向量，利用三元组损失和交叉熵损失监督训练后保存网络模型和参数；利用验证集确定阈值；加载测试数据到学生模型和光照不变特征提取网络，得到相应的RGB分类分数和PLGF分类分数，加权求和得到分类分数，根据阈值判决分类结果。本发明在训练样本不充足情况下提高人脸欺骗检测模型的鲁棒性。

技术领域

本发明涉及人脸识别防欺骗检测技术领域，具体涉及一种基于元伪标签和光照不变特征的人脸欺骗检测方法和系统。

背景技术

如今，在企业和行业的使用面部生物识别技术的场景急剧增加，例如，可以使用面部解锁技术来保护电子设备中的个人隐私，可以使用面部生物识别技术对付款进行身份验证。但是，将面部用作身份验证的生物特征是不安全的。面部生物识别系统可能容易受到欺骗攻击。人脸欺骗攻击方式一般来说可分为四类：1)照片攻击:攻击者利用打印或者显示屏的照片来欺骗认证系统；2)视频重放攻击:攻击者利用提前拍摄的被攻击者的视频欺骗认证系统；3)人脸面具攻击，攻击者戴着根据被攻击者精心制作的人脸面具欺骗系统，加之目前3D打印技术愈发成熟，制作3D面具也愈发真实；4)对抗样本攻击，攻击者通过GAN网络生成特定的样本噪声去干扰人脸认证系统产生错误的定向身份验证。这些人脸欺骗攻击不仅成本低廉而且能欺骗系统，严重影响和威胁着人脸识别系统的应用。

相关研究中，局部二值模式(Local Binary Pattern,LBP)、方向梯度直方图(Histogram of Oriented Gradient,HoG)、尺度不变特征变换匹配(Scale InvariantFeature Transform,SIFT)、加速稳健特征(Speeded Up Robust Features,SURF)等用传统方法手工提取的纹理特征不仅纹理细节相对粗糙而且容易受到光照和场景的影响；深度神经网络的方法相比于传统手工特征在学习纹理特征层面有显著优势，但纯数据驱动方法的方法普遍在泛化性能和计算复杂度上有较大的局限；监督学习的方法受到有标签的训练样本的限制，因为使用梯度下降法优化神经网络模型时，梯度下降法旨在降低训练集上的损失，因此很可能因为训练数据数量和多样性不足而导致过拟合的现象，泛化能力有限。

现有人脸防欺骗检测算法能在库内达到很好的检测效果，但是进行跨库检测准确率会急剧下降。一方面，纯数据驱动的方法过于依赖训练数据，训练数据数量和多样性不足会导致过拟合的现象，碰到不同拍摄规格设备、甚至性别、年龄和皮肤颜色这些特征，泛化能力就会严重下降；另一方面，光照变化影响了分类模型对本质的欺骗纹理的提取。同时，人脸识别系统的模型往往需要大量的有标签训练数据，但难以收集所有采集场景如不同光照、拍摄设备的样本，对数据的多样性有较高要求，也制约了模型的泛化性。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于元伪标签和光照不变特征的人脸欺骗检测方法和系统，本发明采用了基于元伪标签和光照不变特征的技术方案，解决了人脸欺骗检测模型过于依赖训练数据及泛化性差的技术问题，达到了保证库内准确率的同时，有效地提升泛化性能的技术效果。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于元伪标签和光照不变特征的人脸欺骗检测方法，包括下述步骤：

对输入图像抠取人脸区域图像，得到RGB颜色通道图；

对待训练的RGB颜色通道图随机裁剪出图像块，划分为有标签样本、无标签样本、增强后的无标签样本，作为RGB分支训练的样本；

对待训练的RGB颜色通道图进行光照分离预处理得到PLGF图，进行数据增强，作为PLGF分支训练的样本；