[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

说明书

本发明公开了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，包括数据预处理、模型训练与验证和模型测试：数据预处理抠取人脸并提取深度图；模型训练与验证将人脸送入特征提取模块提取特征，与位置信息拼接并送入三维结构重建模块获得三维结构特征，送入三维结构监督模块、二元监督模块，利用倒角损失、交叉熵损失进行监督，同时将预测深度图送入置信度预测模块预测置信度，对预测深度图进行修正，利用置信度损失进行惩罚，接着训练并保存模型，最后利用验证集确定阈值；模型测试加载模型，预测深度图和置信度，对深度图求均值并利用置信度进行修正，根据阈值判决分类结果。本发明保证库内准确率的同时，能有效提升泛化性能。

技术领域

本发明涉及人脸识别防欺骗检测技术领域，具体涉及一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统。

背景技术

近年来，人脸识别由于其身份非侵入方式和可交互等特点，在用户身份认证中的应用越来越广泛，随着深度学习的快速发展，基于深度神经网络的人脸识别系统也取得了很好的识别效果。但与此同时，针对人脸识别系统的攻击也越发频繁，其中最常见的是视频重放、照片打印攻击和3D面具，对人脸识别系统的安全性造成巨大威胁。因此，对人脸欺骗检测算法进行研究具有重要的现实意义。

现有的人脸欺骗检测算法可以分为基于活体线索、基于纹理线索、基于三维几何线索和基于多种线索融合四大类，每类方法又可细分为基于传统手工特征和基于神经网络提取特征。其中基于神经网络效果最优，不少算法在库内测试中准确率可达到99.5％以上，但几乎所有基于神经网络的方法在跨库测试中准确率明显下降，存在泛化性能不足的问题。为了提高神经网络的泛化性，一些算法尝试利用深度图作为辅助监督，但这仅仅引入了深度信息，没有考虑深度信息与位置有关，影响了泛化性能的提升；同时现有的人脸欺骗检测算法往往通过输出一个概率值作为判断输入是否为真脸的分数，而没有对判别分数的置信度进一步进行判断，无法反映不同环境的真实情况。

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三维结构监督和置信度加权的人脸欺骗检测方法，本发明保证库内准确率的同时，能有效地提升泛化性能。

本发明的第二目的在于提供一种基于三维结构监督和置信度加权的人脸欺骗检测系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

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，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，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；

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；