[发明专利]基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统

说明书

本发明公开了一种基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统，该方法步骤包括：将视频分帧后抠取人脸图像，通道分离得到颜色通道图；经过光照分离纹理保留模块得到光照不变纹理特征图，归一化后与颜色通道图合并为人脸特征，数据增强后为待训练的输入特征；用多感受野的中心差异卷积搭建多尺度纹理模块，嵌入至轻量网络构建轻量多尺度纹理网络；将像素级损失和交叉熵损失加权为总损失；将输入特征送入轻量多尺度纹理网络学习纹理本质性的欺骗特征；根据损失函数更新网络参数，完成训练后保存网络模型和参数；根据已保存模型预测分类结果。本发明准确提取纹理本质性的欺骗特征，有效提升模型泛化性能并降低部署的存储和计算消耗。

技术领域

本发明涉及人脸欺骗检测技术领域，具体涉及一种基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统。

背景技术

人脸生物特征具有丰富、独特的个人信息以供认证识别，且因其方便性和友好性成为最受欢迎的生物识别特征，并取得极为精准的识别验证性能。然而存在多种人脸欺骗攻击：照片攻击是指攻击者利用打印照片或者显示屏的人脸图像来欺骗认证系统；视频重放攻击是指攻击者利用提前录制的被攻击者的视频欺骗认证系统；人脸面具攻击是指攻击者戴着根据被攻击者人脸精心制作的面具欺骗系统；对抗样本攻击是指攻击者通过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，严重的影响和威胁着人脸识别系统的应用。

相关研究中，LBP、HoG、SIFT、SURF等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；基于深度图和rppg信号(人脸血管跳动信号)等生理特征的检测算法的计算复杂度较高；MSR(多尺度视网膜特征)和反射率图等非光照特征不能保留丰富的欺骗痕迹和纹理；现有的方法普遍在泛化性能和计算复杂度上有较大的局限。

现有人脸防欺骗检测算法能在库内达到很好的检测效果，但在光照和环境变化较大情况下，算法的泛化性能会严重下降；此外，人脸识别系统广泛应用于嵌入式终端、移动设备和监控设备，在计算和存储资源方面难以满足现有人脸防欺骗检测算法高存储和高计算要求。

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多尺度光照不变性纹理特征的人脸欺骗检测方法及系统，本发明中的光照不变纹理图和原图合并的人脸特征，该特征包含了仅与反射系数相关的材质性特征以及光照成分中由二次成像和色域损失引入的欺骗噪声等区分性线索，配合轻量多尺度纹理网络，能准确提取欺骗特征，提高算法模型的检测和泛化性能；本发明所设计的轻量多尺度纹理网络由于模型轻量化，能降低内存和计算资源的要求，便于在手机、监控设备和嵌入式终端上部署。

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多尺度光照不变性纹理特征的人脸欺骗检测方法，包括下述步骤：

将视频分帧后抠取人脸图像，通道分离得到多个颜色通道图；

多个颜色通道图分别经过光照分离纹理保留模块得到光照不变纹理特征图；

将光照不变纹理特征图归一化后与颜色通道图合并为人脸特征；

将人脸特征进行实时数据增强后作为待训练的输入特征；

用多感受野的中心差异卷积搭建多尺度纹理模块；

将多尺度纹理模块嵌入到轻量网络中构建轻量多尺度纹理网络；

将像素级均方差损失和二分类交叉熵损失加权作为网络训练的损失函数；

将数据增强后的输入特征送入到轻量多尺度纹理网络学习纹理本质性的欺骗特征，以最小化损失函数为目标训练轻量多尺度纹理网络；

根据损失函数用优化器更新网络参数，完成训练后保存轻量多尺度纹理网络模型和参数；