[发明专利]一种条件对抗域泛化的人脸活体检测方法及网络模型架构

说明书

本发明公开一种条件对抗域泛化的人脸活体检测方法及网络模型架构。所述网络模型架构包括特征生成模块、条件域对抗训练模块和辅助监督分类模块；采用条件对抗域泛化的人脸活体检测方法进行人脸活体检测，在训练阶段，通过人脸深度图损失、非对称三元组损失、分类损失和域对抗损失来训练特征生成网络和分类网络；在测试阶段，将测试样本送入特征生成网络和分类网络，从而进行人脸活体检测。本发明能够有效提高跨场景下未知欺诈检测的泛化性能。

技术领域

本发明涉及数据处理、计算机视觉等领域，尤其涉及一种条件对抗域泛化的人脸活体检测方法及网络模型架构。

背景技术

人脸识别作为一个备受关注的问题被广泛应用于生物识别领域(例如，智能手机解锁、访问控制、刷脸支付)，人脸欺诈攻击(例如，打印攻击、视频攻击、3D面具攻击等)对人脸识别系统造成了极大威胁，曾有研究人员利用合法用户在社交网络上发布的照片轻松的经过了较成熟的商业人脸识别系统的识别认证。人脸活体检测技术可以辨别当前获取的人脸图像是来自活体样本还是攻击样本，可以验证用户的真实性，有效提高人脸识别系统的安全性能。

随着高清摄像机的普及和高质量3D面具的应用，人脸活体检测技术面临新的挑战。具体表现在以下几点：假体人脸与活体人脸的区别特征越加细微，类间的特征重叠越加严重，降低了人脸活体检测的精度和泛化性能；由于图像纹理特征、颜色差异以及攻击类型的多样性导致不同数据库的人脸数据分布差异很大，跨场景的、未知欺诈形式的人脸活体检测的泛化性能较差。

现有的很多对抗域泛化的方法只是对齐了多个源域的特征分布，而忽略了类层面的对齐，不能保证多个源域的分布差异足够融合，影响系统的泛化性能；此外，域判别器对所有样本给予同样的重要性，那些预测不准确的难迁移样本可能会影响模型的性能。

发明内容

本发明提供了一种条件对抗域泛化的人脸活体检测方法，包括：

从多源域图像中提取多源域图像特征，将提取的特征输入特征生成器生成特征编码，并将提取的特征输入深度估计网络输出人脸深度损失；

将特征编码输入分类器预估分类结果，将特征编码器输出的特征编码和分类器输出的分类结果进行融合，将融合结果输入域判别器，进行域判别器和特征生成器的域对抗网络训练，得到域对抗损失；

使用交叉熵损失函数对分类器进行训练，得到分类损失；以及利用非对称三元组训练模型对特征编码进行训练，得到非对称三元组损失；

根据人脸深度图损失、非对称三元组损失、分类损失和域对抗损失构造综合优化目标，使用综合优化目标训练特征生成器和分类器；

在测试阶段，将测试样本送入特征生成器和分类器进行人脸活体检测。

如上所述的条件对抗域泛化的人脸活体检测方法，其中，从多源域图像中提取多源域图像特征，具体为：将多源域图像输入注意力残差网络来提取输入图像的特征，利用注意力机制抑制输入图像中的不相关区域，同时突出特定局部区域的显著特征。

如上所述的条件对抗域泛化的人脸活体检测方法，其中，进行域判别器和特征生成器的域对抗网络训练，具体包括：基于多线性映射的数据融合域对抗训练，通过多线性映射的方式进行数据融合，具体操作是使用特征编码和分类结果两个向量的张量积进行数据融合。

如上所述的条件对抗域泛化的人脸活体检测方法，其中，进行域判别器和特征生成器的域对抗网络训练，还包括基于熵加权条件域对抗训练，根据样本的分类预测结果，给予不同的样本以不同的权重，减小预测不准确的难迁移样本对模型性能的影响。

如上所述的条件对抗域泛化的人脸活体检测方法，其中，基于熵加权条件域对抗训练，具体包括：

采用信息熵来衡量分类器分类的不确定性，式中，C为类别数，g_c是样本的分类预测结果；