[发明专利]一种基于风格增强的人脸活体检测方法

说明书

本发明涉及一种基于风格增强的人脸活体检测方法，包括2个阶段，风格特征提取阶段和风格特征增强阶段。在风格特征提取阶段，通过风格特征提取网络提取当前输入活体(假体)图像的风格，然后在元网络中将该风格转变成转换网络中的特征，接着在转换网络对内容图像进行风格增强，获取风格增强后的假体(活体)，最后通过计算图像风格损失、图像内容损失、图像变化损失，更新整个网络。在风格特征增强阶段，首先对风格特征提取阶段训练完毕的风格特征提取网络固定所有权重，然后向该网络输进风格图像，获得小样本场景下的风格，该风格经过多级特征融合、元网络的计算，变成转换网络中的特征权重，在给定的内容图像下，在转换网络中快速大量产生风格化的图像，进一步训练活体模型。

技术领域

本发明涉及计算机视觉、模式识别、机器学习、卷积神经网络、人脸识别等领域，特别涉及一种基于风格增强的人脸活体检测方法。

背景技术

人脸识别技术已经广泛应用在安防监控、人机交换、电子商务、移动支付等领域，而人脸活体检测是人脸识别第一道门槛，也是人脸识别技术应用的前提。当前活体检测中，主要的技术解决方案有交互式活体检测、多源信息融合活体检测、静态图像活体检测。交互式活体检测需要用户配合操作，十分之不便，步骤繁琐，用户易抵触，效率低。多源信息融合的活体检测往往需要增加深度摄像头、红外摄像头、3D摄像头、麦克风等，不仅仅增加了硬件开销，同时也带来了大量复杂的3D建模计算。静态图像活体检测是一种低成本、快速的活体检测方法，但由于场景众多且复杂，在场景光照、相机镜头物理参数与性能、抓拍活体时人脸的状态、假体攻击手段等因素之间相互影响，得到的RGB图像风格往往差异性大，导致不同场景下的模型泛化能力低。

在当前的静态图像活体检测方法中，通常会在单一或若干图像风格类型下，进行活体检测模型构建。实际情况中，活体和假体的风格是多种多样的，不仅仅是场景的光照、背景多样，而且也会存在攻击类型、攻击手段的多样性，例如，常见攻击类型中，打印假体攻击会受到打印机类型、打印质量、打印材质等影响，电子显示屏攻击会受到显示屏类型、分辨率、屏幕大小、呈现攻击的角度、呈现攻击的距离、显示屏亮度、显示设备是否贴膜等等因素的影响。这些因素导致最后得到的静态图的风格存在极大差异。针对活体检测方法中训练数据的风格差异性大、单一风格图像数据不足问题，提出一种基于风格增强的活体检测方法，通过活体风格增强，提高不同风格下活体检测的泛化能力。

专利CN109840467A使用了一种称为生成式对抗网络(GAN)来产生新的负样本(所述负样本为攻击图像)训练集，其目的是想解决采用深度学习训练网络时负样本数过少的问题。目前该方法无法将不同风格的样本相互迁移，只能产生特定样本类型(负样本)，所产生的图像数据代表性有限。该方法由于只能针对某一种样本类型进行生成相似样本，每次训练完成的模型只能产出一种类型的活体图像，当有新场景下的风格图像，需要重新训练模型，效率低下，无法将不同风格的样本快速迁移。

现有的技术中，由于得到活体RGB图像的风格往往差异性非常大，风格和风格之间关联性小，而现有的模型无法对不同的活体风格进行增强建模，导致了模型精度往往不高。有的情况受制于场景，在某一类场景下采集的图像数据量非常少，整体上活体风格样本分布不均，导致了模型往往在小样本场景泛化性不足问题，普遍无法在工业和真实生产场景下使用。

发明内容

本发明针对上述问题中由于风格差异性大导致活体检测模型精度低，小样本场景下单一风格图像数据不足问题，提出了一种基于风格增强的人脸活体检测方法。

本发明通过以下技术方案实现：

一种基于风格增强的人脸活体检测方法，分为2个阶段，风格特征提取阶段和风格特征增强阶段，其中，

在所述风格特征提取阶段，包括步骤：

S101：将风格图像(100)输入风格特征提取网络(102)；

S102：将风格图像(100)的风格特征通过多级特征融合(103)输入至元网络(104)；