[发明专利]一种基于卷积自注意力策略的人脸活体检测多分类器

说明书

针对现有的人脸欺骗攻击检测方法无法对具体攻击方式进行有效区分，这使得其难以适应越来越多的攻击方式的问题，本发明提出一种基于卷积自注意力策略的人脸活体检测多分类器，包括以下步骤：步骤一，对输入图像进行增广，将输入图像迁移到不同的风格中，同时最大程度保留图像原本的关键信息；步骤二，将Transformer模型中将Query、Key、Value的计算方式转化为卷积操作，并且将Key单独进行卷积处理后再进行叠加，将步骤一中增广后的图像导入模型进行处理；步骤三，将步骤二中处理好的特征图以MLP结构进行降维，以降维的结果通过softmax层判断置信度，置信度最高的值为判定分类结果。

技术领域

本发明涉及人脸识别领域，具体涉及一种基于卷积自注意力策略的人脸活体检测多分类器。

背景技术

随着人脸识别相关技术的发展，人脸识别技术已经广泛应用于安防、支付等领域，伴随着人脸识别技术的广泛应用，其安全性也越发重要。事实上，人脸识别系统在面对特定攻击时仍然可能被虚假的人脸指纹信息欺骗，导致严重的后果。例如人脸支付系统如果被攻击，就会对相关用户产生严重的经济损失。所以，人脸活体检测技术作为人脸识别系统的前置模块，起到了保护其安全性的重要作用。

早期的欺骗攻击往往是打印攻击和重放攻击两种，即使用特定人脸打印成照片与使用电子屏幕播放特定人脸的视频，以此来达到攻击的目的。针对这两种攻击方式，一部分模型通过检测时间特征来检测人脸欺骗行为，如要求用户进行眨眼或扭头等动作；另一部分模型通过分析欺骗攻击的特有特征，通过手工设计特征描述符，并将提取到的特征通过SVM等分类器，实现对真假人脸的区分。

随着相关技术的发展，人脸欺骗攻击的攻击方式也越来越多，例如攻击者开始通过3D打印特定的面具进行攻击，或对面部画上特定的妆容进行攻击同时由于深度神经网络在计算机视觉领域表现出了优异的性能。所以人们开始将深度神经网络引入人脸活体检测领域，深度神经网络模型通过卷积、注意力机制等手段，实现对欺骗攻击特征的自动提取，且其提取到的特征展现出了极高的准确度。这些方法往往通过以卷积神经网络(CNN)为主体，设计相应的结构，如部分方法通过设计一种双流网络，同时从欺骗样本中提取空域特征以及时域的rPPG特征，从而实现对欺骗攻击的有效检测。

现有技术往往将人脸欺骗攻击检测视为一个二分类问题，即相关模型仅仅关注其是否为欺骗人脸，而不关注其具体的欺骗攻击种类。在早期，由于攻击手段相对匮乏，所以将其视为二分类问题是合理的。但是随着攻击技术的发展，攻击的方式越来越多，攻击的目的也越来越多，不同的攻击方式往往反映了攻击者的技术能力、资金支持力度，同时辨别不同的攻击方式，也有利于系统进行更合理的处理策略。由于之前的活体检测方法将检测视为二分类问题，所以其无法对具体攻击方式进行有效区分，这使得其难以适应越来越多的攻击方式，相关人员只能盲目低效地使用相同的策略来处理所有人脸欺骗攻击。

同时由于传统的CNN模型，无法对长距离的特征进行有效提取，所以在此之前的人脸活体检测模型，大多无法对长距离特征进行有效利用，所以其难以实现有效地细粒度分类。我们为了解决这个问题，将自注意力机制引入了人脸活体检测中，从而实现了在准确识别真假人脸的基础上，对欺骗攻击具体种类进行有效检测。

此外也有少量同样基于自注意力的人脸欺骗攻击检测方法，但是这些方法往往使用线性映射达到相关特征提取的目的，这种特征提取方式无法很好地利用图像中的局部特征，同时需要消耗大量的算力，使得其再人脸活体检测领域中应用的价值不高。

发明内容

针对现有的人脸欺骗攻击检测方法无法对具体攻击方式进行有效区分，这使得其难以适应越来越多的攻击方式的问题，本发明提出一种基于卷积自注意力策略的人脸活体检测多分类器。

本发明的方法如下：

步骤一，对输入图像进行增广，将输入图像迁移到不同的风格中，同时最大程度保留图像原本的关键信息；