[发明专利]一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统

权利要求书

1.一种基于三维结构监督和置信度加权的人脸欺骗检测方法，其特征在于，包括下述步骤：

设定人脸输入分辨率，获取人脸区域图像，提取用于网络训练的深度图；

构建特征提取网络模块，输入数据增强后的人脸图像，输出特征图；

构建三维结构重建网络，选择x轴、y轴归一化坐标，将所述特征图拼接后输入三维结构重建网络，获得预测三维结构标签(X′,Y′,Z′)，分别表示预测的x轴坐标、y轴坐标和深度值，获得预测的深度图；

根据x轴、y轴归一化坐标选择并拼接所述深度图的对应深度值，获得真实的三维结构标签(X,Y,Z)，分别表示真实的x轴坐标、y轴坐标和深度值，所述深度图为真实的深度图；

构建倒角损失函数衡量真实的三维结构标签和预测三维结构标签的差异，采用Map图二元交叉熵损失衡量预测的深度图与真实的深度图的差异，完成三维结构监督模块的构建；将预测的深度图展平后输入全连接层、sigmoid激活层，并利用二元交叉熵损失进行监督，获得预测的真实人脸概率，完成二元监督模块的构建；

将所述预测的深度图展平后输入全连接层、sigmoid激活层，并采用置信度损失进行监督，获得预测的置信度，结合真实的深度值对预测的深度图进行修正，获得修正后的预测深度图和修正后的预测三维结构标签，完成置信度预测模块的构建；

对人脸图像进行实时数据增强，依次输入到特征提取网络模块、三维结构重建模块、三维结构监督模块、二元监督模块和置信度预测模块，以最小化总损失函数为目标更新网络参数，完成训练后保存网络模型和参数；

总损失函数表示为：

L＝λ₁L_CF+λ₂L_MBCE+λ₃L_BCE+λ₄L_C

其中，L_CF表示倒角损失函数，L_MBCE表示Map图二元交叉熵损失，L_BCE表示二元交叉熵损失，L_C表示置信度损失，λ₁、λ₂、λ₃、λ₄分别表示4个损失的占比权重；

将验证集人脸图像和选择的x轴、y轴归一化坐标，输入整体网络得到预测的深度值Z_v和置信度c_v，对深度值Z_v求均值，并利用置信度c_v对深度值Z_v的均值进行无先验知识修正，在阈值的取值范围(0,1)中进行等间隔搜索，并根据阈值获得预测的标签值，与真实的标签值比较，计算虚警率和漏检率，取两者相等时的阈值作为测试判决阈值T；

将测试集人脸图像和选择的x轴、y轴归一化坐标，输入完成训练的网络得到预测的深度值Z_t和置信度c_t，对深度值Z_t求均值，并利用置信度c_t对深度值Z_t的均值进行无先验知识修正，作为最终预测分数，根据测试判决阈值T获得最终预测的标签值，如果最终预测分数大于阈值T，则推断最终预测的标签值为1，表示是真实人脸样本，反之如果最终预测分数小于阈值T，则推断最终预测的标签值为0，表示是欺骗人脸样本，根据最终预测的标签值与真实的标签值，计算基准指标。

2.根据权利要求1所述的基于三维结构监督和置信度加权的人脸欺骗检测方法，其特征在于，所述构建特征提取网络模块，具体包括：

基于DenseNet利用DenseBlock块和TransitionBlock块进行构建，分辨率设为H×W×C，其中，H、W和C分别指人脸图像的高度、宽度和色彩通道数，通过N个通道输出的卷积层、批量归一化层、最大池化层进行初步特征提取，获得尺寸为的初始特征图；

通过设有L个DenseLayer层、特征通道数增长率为G、瓶颈层倍率为B的DenseBlock块，再通过设有批量归一化层、卷积层、平均池化层的TransitionBlock进行下采样，再通过卷积层和平均池化层获得最终提取的尺寸为的特征图。