CN109583342B - 基于迁移学习的人脸活体检测方法 - Google Patents

基于迁移学习的人脸活体检测方法 Download PDF

Info

Publication number
CN109583342B
CN109583342B CN201811391295.4A CN201811391295A CN109583342B CN 109583342 B CN109583342 B CN 109583342B CN 201811391295 A CN201811391295 A CN 201811391295A CN 109583342 B CN109583342 B CN 109583342B
Authority
CN
China
Prior art keywords
domain
neural network
layer
label
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811391295.4A
Other languages
English (en)
Other versions
CN109583342A (zh
Inventor
高陈强
周风顺
李新豆
李鹏程
胡凯
周美琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201811391295.4A priority Critical patent/CN109583342B/zh
Publication of CN109583342A publication Critical patent/CN109583342A/zh
Application granted granted Critical
Publication of CN109583342B publication Critical patent/CN109583342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于迁移学习的人脸活体检测方法，属于图像处理与计算机视觉技术领域；所述方法包括将视频数据切分为图像序列，检测图像序列中的人脸，将数据分为训练集和测试集；使用源域的训练集训练3D卷积神经网络，得到区分真假脸的标签分类器；在卷积层后添加梯度反转层，提取源域和目标域的公共特征；把源域和目标域的数据通过梯度反转层进行对抗训练，得到区分源域和目标域数据的域分类器；把目标域的测试集送入到训练好的标签神经网络中，选取网络分类的最大概率为最后的检测结果。本发明把对抗性迁移学习的思想运用到活体检测，提高了活体检测的泛化能力；通过3D卷积神经网络，不仅能利用视频的空间信息也能利用时间信息，还能提高活体检测的精度。

Description

基于迁移学习的人脸活体检测方法
技术领域
本发明属于图像处理与计算机视觉技术领域，涉及一种基于迁移学习的人脸活体检测方法。
背景技术
目前，生物识别技术为认证程序提供了便捷的解决方案。人脸生物特征识别技术，由于检测速度快、用户体验好、非接触式等突出的优点，现在已经被广泛地应用于日常生活中的方方面面。现存的人脸生物识别技术存在很大的弊端，非常容易被攻击。常见的人脸攻击方式包括照片攻击和视频攻击。照片攻击具备真人脸部特征，而视频攻击更带有合法用户的动态特征，更具欺骗性，严重地影响了人脸识别系统判别的准确性。
目前活体检测的方法主要有三种：基于纹理信息的活体检测、基于运动信息的人脸活体检测和基于深度学习的人脸活体检测方法。
第一种基于纹理信息的活体检测：在同一设备采集伪造人脸和用该设备采集的真人脸相比存在细节丢失或差异，而这些细节上的差异就引起了图像微纹理上的差异，根据纹理上的差异判断真假脸。这类方法在特定的光照环境下，表现较好，但是泛化能力弱。
第二种基于运动信息的人脸活体检测：这类方法旨在通过检测人脸的生理反应来判定采集的对象是否为真实人脸。真实人脸和虚假人脸相比，有更多的自主性，所以这类方法通过要求用户进行指定的动作来判定是否为合法用户。基于运动信息的人脸活体检测方法容易受到光照等自然环境的影响，且通常需要处理序列图像，资源消耗大，并且要求用户进行特定的动作，对用户的要求过高，用户体验不佳。
第三种是基于深度学习的人脸活体检测方法：这类方法旨在充分的提取照片中关于人脸的信息，这种方法在单个数据集上准确度很高，但是泛化能力很差。这是因为在用深度网络学习人脸特征时，过于考虑照片中其他干扰信息，造成网络过拟合。
上述三种主要的解决活体检测的方法存在的弊端是泛化能力太差，在一个数据集上训练的模型不能应用到其他相关的数据集上。本发明把对抗的思想用在活体检测上，通过对抗训练提取源域和目标域的公共特征，避免了网络在单个数据集上过拟合，从而提高模型的泛化能力。
发明内容
有鉴于此，本发明的目的在于提供一种基于迁移学习的人脸活体检测方法，用3D卷积神经网络可以提取数据的空间和时间信息可以更好的描述图像的特征，采用对抗的思想进行训练神经网络可以更好的调整学习得到的网络参数；结合3D卷积神经网络和对抗学习不仅可以提高人脸活体检测的准确度还可以提高模型的泛化能力，使学到的网络模型能更好的应用到实践中。
为达到上述目的，本发明提供如下技术方案：
基于迁移学习的人脸活体检测方法，包括以下步骤：
S1：将视频数据切分为图像序列，检测图像序列中的人脸，把图像中的人脸部分进行处理；将处理后的数据分为源域和目标域；
S2：在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层，形成标签神经网络，将源域数据送入该标签神经网络中，从而训练出标签分类器；
S3：在该标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将源域和目标域的数据送入该梯度反转神经网络中，从而训练出域分类器；
S4、根据该域分类器提取出源域和目标域的公共特征，再次训练标签分类器；
S5、将目标域的测试集数据送入步骤S4中训练好的标签分类器，确定出该图像的标签，即判断该图像为真实人脸或是虚假人脸；
其中，源域带有真假人脸标签，目标域未带标签。
进一步的，步骤S1数据预处理，具体包括：
首先把视频数据切分为图像序列，然后检测每一帧中的人脸，最后把人脸部分剪切成相同的大小，并将数据分为训练集和测试集。其中源域带有真假人脸标签，目标域未带标签。
进一步的，步骤S2的3D卷积神经网络具体包括：
3D卷积神经网络的优点在于不仅考虑了视频中的空间信息，也运用了视频中人脸的连续时间信息。首先搭建3D卷积神经网络，第l层的卷积核为Wl×Hl×Tl，Tl是连续帧值，Wl×Hl是卷积核的空间大小；
3D卷积操作的计算公式为：
Figure BDA0001874117340000031
Figure BDA0001874117340000032
其中，
Figure BDA0001874117340000033
表示第l个卷积层中的第d2个特征在点(i,j,k)的输出值；
Figure BDA0001874117340000034
表示第l个卷积层中的第d2个特征在点(i,j,k)的输入值，
Figure BDA0001874117340000035
是3D卷积神经网络中第l层中的第d1特征到d2特征在点(m,n,p)的权重，
Figure BDA0001874117340000036
是第d2个特征在第l个卷积层的偏置，σ(·)是非线性激活函数。
搭建好3D卷积网络后，使用源域的训练集训练3D卷积神经网络，得到一个可以区分真假脸的标签二分类器；
进一步的，所述标签分类器是通过如下方式训练的：将3D卷积神经网络后增加两层全连接层和Softmax层，搭建出标签神经网络；通过将源域数据送至该标签神经网络中，使得第一分类损失函数最小化，完成训练后获得该标签分类器。
进一步的，第一分类损失函数为：
Figure BDA0001874117340000037
其中，Ly(·)表示第一分类损失函数，Gy(:,yi)表示yi的预测函数，Gf(·)表示隐藏层函数，x表示预测数据，(xi,yi)表示第i个源域数据。
进一步的，步骤S3域分类器是通过如下方式训练：
在所述标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将3D卷积神经网络作为特征生成器，将域分类器作为判别器；由于梯度反转层的存在，使得特征生成器和判别器形成对抗关系，特征生成器和判别器在梯度反转层的作用下形成对抗关系，利用源域和目标域训练对抗网络，使得特征生成器生成的特征混淆判别器，从而特征提取器提取的特征为源域和目标域的公共特征；最小化第二分类损失函数，最大化域损失函数，从而获得该域分类器。
梯度反转层具体包括：
在网络前向传播的时候梯度反转层不会作用于网络，但是在反向传播的时候梯度反转层会把反向传播参数乘某一负数，即，经过梯度反转层后的反向传播的参数不是
Figure BDA0001874117340000041
而是
Figure BDA0001874117340000042
从而达到梯度反转提取共同特征的效果。
梯度反转具体过程为：把梯度反转当作函数R(X)，定义前向传播的过程为：R(X)＝X，反向传播公式为：
Figure BDA0001874117340000043
其中I是单位矩阵。
在对抗学习过程中真假脸的分类损失函数(classification loss)和源域、目标域的域损失函数(domain loss)分别为：
Figure BDA0001874117340000044
Figure BDA0001874117340000045
其中，
Figure BDA0001874117340000046
表示对于第i个源域数据的第二分类损失函数；
Figure BDA0001874117340000047
表示第i个源域数据的域损失函数；Gf(:；θf)表示D维的神经网络特征提取，Gy(:；θy)表示标签预测输出层，Gd(:；θd)是域的预测输出，xi表示真实数据，yi表示真实数据对应的标签，di表示域标签，θf表示3D卷积网络参数；θy表示标签损失函数传递参数，θd表示域损失函数传递参数。
在进行对抗学习的过程中其最后总的损失函数为：
Figure BDA0001874117340000051
其中，n表示数据中源域的样本数，
Figure BDA0001874117340000054
表示数据中目标域的样本数，ρ表示域损失函数和标签损失函数的权衡参数。
使用对抗的思想学习源域和目标域的公共特征，在训练过程中，最小化分类损失函数，最大化域损失函数，其定义为：
Figure BDA0001874117340000052
Figure BDA0001874117340000053
进一步的，步骤S5测试数据，具体包括：
把目标域测试集，送入到训练好的网络，由于网络的最后一层是Softmax层输出的是分类样本为真实人脸或虚假人脸的概率值，取概率值最大的类别概率，当作最后的检测结果。
本发明的有益效果在于：1)本发明提出一种基于迁移学习的人脸活体检测方法，该方法不仅能够准确的检测出虚假人脸图像还具有较强的泛化能力。2)本方法利用3D卷积神经网络进行提取图像特征，不仅包含图像的空间特征而且还包含图像的时间信息，使提取的特征能更好的表达图像信息。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为基于迁移学习的人脸活体检测方法的整体流程示意图；
图2为3D卷积神经网络结构示意图；
图3为神经网络标签分类器过程示意图；
图4为神经网络通过对抗学习，训练域分类器过程示意图；
具体实施方式
下面结合说明书附图对本发明一种基于迁移学习的人脸活体检测方法进行进一步的说明。
在本发明中，首先对源域和目标域的视频数据切分为图像序列，然后用人脸检测算法检测出原始图像中人脸的位置，对人脸部分进行剪切，形成固定大小的照片。然后初始化3D卷积神经网络的参数，用有标签的源域数据训练3D卷积神经网络，损失函数使用分类损失函数。在训练好网络参数的基础上，然后把源域和目标域送入到带有梯度反转层的网络中，再次训练网络，损失函数为域的损失函数，最终训练的网络模型不仅具有很高的准确度还具有较强的泛化能力。
本次使用的源域数据集共有50名测试者，覆盖了不同肤色的人种，共有1200个短视频，正样本(真实人脸视频)200个，负样本(虚假人脸视频)1000个。目标域数据集共有50个不同的测试者包含600个视频，拍摄设备和条件和源域数据完全不一样，目标域数据没有标签。
图1为本发明基于迁移学习的人脸活体检测方法的整体流程示意图，如图1所示，本发明方法具体包括以下步骤：
S1：数据预处理，将视频数据切分为图像序列，检测图像序列中的人脸，把图像中的人脸部分进行处理；将处理后的数据分为源域和目标域；
首先把视频数据切分为图像序列，然后检测每一帧中的人脸，最后把人脸部分剪切成相同的大小，并将数据分为训练集和测试集。其中源域带有真假人脸标签，目标域未带标签。
S2：在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层，形成标签神经网络，将源域数据送入该标签神经网络中，从而训练出标签分类器；
3D卷积神经网络的优点在于不仅考虑了视频中的空间信息，也运用了视频中人脸的连续时间信息。首先搭建3D卷积神经网络，第l层的卷积核为Wl*Hl*Tl，Tl是连续帧值，Wl*Hl是卷积核的空间大小。
3D卷积操作的计算公式为：
Figure BDA0001874117340000071
Figure BDA0001874117340000072
其中，
Figure BDA0001874117340000073
表示第l个卷积层中的第d2个特征在点(i,j,k)的输出值；
Figure BDA0001874117340000074
表示第l个卷积层中的第d2个特征在点(i,j,k)的输入值，
Figure BDA0001874117340000075
是3D卷积神经网络中第l层中的第d1特征到d2特征在点(m,n,p)的权重，
Figure BDA0001874117340000076
是第d2个特征在第l个卷积层的偏置，σ(·)是非线性激活函数。
3D卷积神经网络的网络模型如图2所示，共有5个3D卷积层，5个池化层。为了防止过拟合每个卷积层和池化层之间有归一化层，每层的激励函数用的是LeakyReLU。3D卷积神经网络不仅包含图像的空间信息还包含了图像连的时间信息，用3D卷积神经网络提取照片的信息，更全面的包含了图像的特征信息。
如图3所示是在只有分类损失函数的情况下，训练神经网络的框图，在3D卷积神经网络的基础上，添加了2层全连接层和Softmax层。定义输入数据
Figure BDA0001874117340000078
网络隐藏层映射函数为Gf，Gf:X→RD，隐含层网络之间的矩阵表示关系为：
Gf(X；W,b)＝sigm(Wx+b)
其中W为网络的权值矩阵形式，b为网络的偏置矩阵形式。
在最后的Softmax层定义为Gy,Gy:RD→[0,1]l，最后输出层的矩阵表示为：
Gy(Gf(x)；V,c)＝softmax(VGf(x)+c)
每个有标签的源域数据定义为(xi,yi),神经网络的分类损失classificationloss，即第一分类损失函数为：
Figure BDA0001874117340000077
最后把带有真假脸标签的源域数据，送到搭建好的网络中，使分类损失函数最小化，完成训练后就会得到能区分真假脸的二分类器；
S3：在该标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将源域和目标域的数据送入该梯度反转神经网络中，从而训练出域分类器；
在网络前向传播的时候梯度反转层不会作用于网络，但是在反向传播的时候梯度反转层会把反向传播参数乘某一负数，即，经过梯度反转层后的反向传播的参数不是
Figure BDA0001874117340000081
而是
Figure BDA0001874117340000082
从而达到梯度反转提取共同特征的效果。
梯度反转具体过程为：把梯度反转当作函数R(X)，定义前向传播的过程为：R(X)＝X，反向传播公式为：
Figure BDA0001874117340000083
其中I是单位矩阵。
S4：根据该域分类器提取出源域和目标域的公共特征，再次训练标签分类器；
图4为神经网络通过对抗学习，训练域分类器过程示意图，网络结构在3D卷积神经网络的基础上添加一个梯度反转层，其目是的为了特征生成器和域的分类器形成对抗，更好的提取源域和目标域的公共特征。
把3D卷积神经网络当作特征生成器，把域的分类器当作是一个判别器。由于梯度反转层的存在，使得特征生成器和判别器形成对抗关系，用源域和目标域训练对抗网络，使得特征生成器最后生成的特征足以混淆判别器，从而特征提取器提取的特征为源域和目标域的公共特征。在对抗学习过程中真假脸的分类损失函数(classification loss)和源域、目标域的域损失函数(domain loss)分别为：
Figure BDA0001874117340000084
Figure BDA0001874117340000085
网络在进行对抗学习的优化过程中，主要是通过损失函数计算预测数据和真实数据的损失，来进行优化参数。整个网络的损失函数包含域损失函数和标签损失函数，其最后总的损失函数为：
Figure BDA0001874117340000091
使用对抗的思想学习源域和目标域的公共特征，在训练过程中，最小化分类损失函数，最大化域损失函数，其定义为：
Figure BDA0001874117340000092
Figure BDA0001874117340000093
S5：将目标域的测试集数据送入步骤S4中训练好的标签分类器，确定出该图像的标签，即判断该图像为真实人脸或是虚假人脸。
把目标域测试集，送入到训练好的网络，由于网络的最后一层是Softmax层输出的是分类样本为真实人脸或虚假人脸的概率值，我们取概率值最大的类别概率，当作最后的检测结果。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于迁移学习的人脸活体检测方法，其特征在于：
S1、将视频数据切分为图像序列，检测图像序列中的人脸，把图像中的人脸部分进行处理；将处理后的数据分为源域和目标域；
S2、在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层，形成标签神经网络，将源域数据送入该标签神经网络中，从而训练出标签分类器；
S3、在该标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将源域和目标域的数据送入该梯度反转神经网络中，从而训练出域分类器；
S4、根据该域分类器提取出源域和目标域的公共特征，再次训练标签分类器；
S5、将目标域的测试集数据送入步骤S4中训练好的标签分类器，确定出该图像的标签，即判断该图像为真实人脸或是虚假人脸；
其中，源域带有真假人脸标签，目标域未带标签；
所述3D卷积神经网络的卷积层包括5个3D卷积层、5个池化层，每个3D卷积层和池化层之间有归一化层，每层的激励函数用的是LeakyReLU。
2.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S1具体包括：
将视频数据切分为图像序列，检测每一帧图像中的人脸，把人脸部分剪切成相同的大小，并将处理后的人脸图像分为源域和目标域，分别对应为训练集和测试集。
3.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：所述3D卷积神经网络具体包括：
搭建3D卷积神经网络，第l层的卷积核为Wl×Hl×Tl，Tl是连续帧值，Wl×Hl是卷积核的空间大小；3D卷积操作的计算公式为：
Figure FDA0003857917150000011
Figure FDA0003857917150000021
其中，
Figure FDA0003857917150000022
表示第l卷积层中的第d2个特征在点(i,j,k)的输出值；
Figure FDA0003857917150000023
表示第l卷积层中的第d2个特征在点(i,j,k)的输入值，
Figure FDA0003857917150000024
是3D卷积神经网络中第l层中的第d1特征到d2特征在点(m,n,p)的权重，
Figure FDA0003857917150000025
是第d2个特征在第l个卷积层的偏置，σ(·)是非线性激活函数。
4.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：所述标签分类器是通过如下方式训练的：将3D卷积神经网络后增加两层全连接层和Softmax层，搭建出标签神经网络；通过将源域数据送至该标签神经网络中，使得第一分类损失函数最小化，完成训练后获得该标签分类器。
5.根据权利要求4所述的基于迁移学习的人脸活体检测方法，其特征在于：所述第一分类损失函数为：
Figure FDA0003857917150000026
其中，Ly表示第一分类损失函数，Gy(·)表示预测层函数，Gf(·)表示隐藏层函数，x表示预测数据，(xi,yi)表示第i个源域数据和对应的标签。
6.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S3域分类器是通过如下方式训练：
在所述标签神经网络的卷积层后添加梯度反转层，形成梯度反转神经网络，将3D卷积神经网络作为特征生成器，将域分类器作为判别器；特征生成器和判别器在梯度反转层的作用下形成对抗关系，利用源域和目标域训练对抗网络，使得特征生成器生成的特征混淆判别器，从而特征提取器提取的特征为源域和目标域的公共特征；最小化第二分类损失函数，最大化域损失函数，从而获得该域分类器；
将梯度反转层作为函数R(X)，定义前向传播的过程为：R(X)＝X，反向传播公式为：
Figure FDA0003857917150000027
其中I是单位矩阵。
7.根据权利要求5所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S4中的第二分类损失函数和域损失函数具体包括：
Figure FDA0003857917150000031
Figure FDA0003857917150000032
其中，
Figure FDA0003857917150000033
表示对于第i个源域数据的第二分类损失函数；
Figure FDA0003857917150000034
表示第i个源域数据的域损失函数；Gf(:；θf)表示D维的神经网络特征提取，Gy(:；θy)表示标签预测输出层，Gd(:；θd)是域的预测输出，yi表示真实标签，di表示域标签，θf表示3D卷积网络参数；θy表示标签损失函数传递参数；θd表示域损失函数传递参数，n表示样本数，ρ表示权衡参数；(xi,yi)表示第i个源域数据。
8.根据权利要求1所述的基于迁移学习的人脸活体检测方法，其特征在于：步骤S5具体包括：
把目标域的测试集，送入到S4中训练好的标签神经网络中，该标签神经网络的最后一层为Softmax层，该层输出的是分类样本为真实人脸或虚假人脸的概率值，取概率值最大的类别概率，当作最后的检测结果。
CN201811391295.4A 2018-11-21 2018-11-21 基于迁移学习的人脸活体检测方法 Active CN109583342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811391295.4A CN109583342B (zh) 2018-11-21 2018-11-21 基于迁移学习的人脸活体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811391295.4A CN109583342B (zh) 2018-11-21 2018-11-21 基于迁移学习的人脸活体检测方法

Publications (2)

Publication Number Publication Date
CN109583342A CN109583342A (zh) 2019-04-05
CN109583342B true CN109583342B (zh) 2022-11-04

Family

ID=65923600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811391295.4A Active CN109583342B (zh) 2018-11-21 2018-11-21 基于迁移学习的人脸活体检测方法

Country Status (1)

Country Link
CN (1) CN109583342B (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223230A (zh) * 2019-05-30 2019-09-10 华南理工大学 一种多前端深度图像超分辨率系统及其数据处理方法
CN110348322A (zh) * 2019-06-19 2019-10-18 西华师范大学 基于多特征融合的人脸活体检测方法及设备
CN110363122B (zh) * 2019-07-03 2022-10-11 昆明理工大学 一种基于多层特征对齐的跨域目标检测方法
CN110414586B (zh) * 2019-07-22 2021-10-26 杭州沃朴物联科技有限公司 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN110706152B (zh) * 2019-09-25 2021-09-17 中山大学 基于生成对抗网络的人脸光照迁移方法
CN110807291B (zh) * 2019-10-10 2023-09-26 南京星耀智能科技有限公司 一种基于拟态对抗学习机制的现场态势未来引导技术
CN111091047B (zh) * 2019-10-28 2021-08-27 支付宝(杭州)信息技术有限公司 活体检测方法、装置、服务器和人脸识别设备
CN110837865A (zh) * 2019-11-08 2020-02-25 北京计算机技术及应用研究所 一种基于表示学习和迁移学习的领域适配方法
CN111126283B (zh) * 2019-12-25 2023-05-12 创新奇智(广州)科技有限公司 一种自动过滤模糊人脸的快速活体检测方法及系统
CN111178543B (zh) * 2019-12-30 2024-01-09 广东石油化工学院 一种基于元学习的概率域泛化学习方法
CN113128287B (zh) * 2019-12-31 2024-01-02 暗物质(北京)智能科技有限公司 训练跨域人脸表情识别模型、人脸表情识别的方法及系统
CN111060318B (zh) * 2020-01-09 2021-12-28 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法
CN111368764B (zh) * 2020-03-09 2023-02-21 零秩科技(深圳)有限公司 一种基于计算机视觉与深度学习算法的虚假视频检测方法
CN111553202B (zh) * 2020-04-08 2023-05-16 浙江大华技术股份有限公司 进行活体检测的神经网络的训练方法、检测方法及装置
CN111754459B (zh) * 2020-04-27 2023-08-25 中国科学院信息工程研究所 基于统计深度特征的染色伪造图像检测方法及电子装置
CN111723691B (zh) * 2020-06-03 2023-10-17 合肥的卢深视科技有限公司 一种三维人脸识别方法、装置、电子设备及存储介质
CN111914712B (zh) * 2020-07-24 2024-02-13 合肥工业大学 一种铁路地面轨道场景目标检测方法及系统
CN112016501B (zh) * 2020-09-04 2023-08-29 平安科技（深圳）有限公司 人脸识别模型的训练方法、装置和计算机设备
CN112215255B (zh) * 2020-09-08 2023-08-18 深圳大学 一种目标检测模型的训练方法、目标检测方法及终端设备
CN112163493A (zh) * 2020-09-21 2021-01-01 中国科学院信息工程研究所 一种视频虚假人脸检测方法及电子装置
CN112163488B (zh) * 2020-09-21 2023-12-29 中国科学院信息工程研究所 一种视频虚假人脸检测方法及电子装置
CN112101281B (zh) * 2020-09-25 2023-06-16 北京百度网讯科技有限公司 人脸图像的检测方法、装置
CN112183456B (zh) * 2020-10-19 2021-07-02 北京深睿博联科技有限责任公司 基于样本生成和域适应的多场景运动目标检测方法及装置
CN112287811A (zh) * 2020-10-27 2021-01-29 广州番禺职业技术学院 一种基于hsic和rkhs子空间学习的域自适应方法
CN112434602B (zh) * 2020-11-23 2023-08-29 西安交通大学 一种基于可迁移共特征空间挖掘的故障诊断方法
CN112861671B (zh) * 2021-01-27 2022-10-21 电子科技大学 一种对深度伪造人脸图像和视频的鉴别方法
CN112784790B (zh) * 2021-01-29 2022-05-10 厦门大学 一种基于元学习的泛化性伪造脸检测方法
CN112861977B (zh) * 2021-02-19 2024-01-26 中国人民武装警察部队工程大学 迁移学习数据处理方法、系统、介质、设备、终端及应用
CN113033305B (zh) * 2021-02-21 2023-05-12 云南联合视觉科技有限公司 活体检测方法、装置、终端设备和存储介质
CN112801038B (zh) * 2021-03-02 2022-07-22 重庆邮电大学 一种多视点的人脸活体检测方法及系统
CN113033803A (zh) * 2021-03-25 2021-06-25 天津大学 一种基于对抗神经网络的跨平台社交机器人检测方法
CN113158993B (zh) * 2021-05-21 2023-06-09 济南博观智能科技有限公司 一种多场景反光背心穿戴识别模型创建方法及相关组件
CN113723295B (zh) * 2021-08-31 2023-11-07 浙江大学 一种基于图像域频域双流网络的人脸伪造检测方法
CN113887357B (zh) * 2021-09-23 2024-04-12 华南理工大学 一种人脸表示攻击检测方法、系统、装置及介质
CN114463859B (zh) * 2021-11-03 2023-08-11 马上消费金融股份有限公司 活体检测的对抗样本生成方法、装置、电子设备及存储介质
CN114821200B (zh) * 2022-06-28 2022-09-13 苏州立创致恒电子科技有限公司 一种应用于工业视觉检测领域的图像检测模型及方法
CN116524612B (zh) * 2023-06-21 2023-09-12 长春理工大学 一种基于rPPG的人脸活体检测系统及方法
CN116842667A (zh) * 2023-06-25 2023-10-03 成都飞机工业（集团）有限责任公司 一种弯管制造可行性确定方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596082A (zh) * 2018-04-20 2018-09-28 重庆邮电大学 基于图像扩散速度模型和色彩特征的人脸活体检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596082A (zh) * 2018-04-20 2018-09-28 重庆邮电大学 基于图像扩散速度模型和色彩特征的人脸活体检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Du Tran.Learning Spatiotemporal Features with 3D Convolutional Networks.《2015 IEEE International Conference on Computer Vision (ICCV)》.2016, *
Yaroslav Ganin.Unsupervised domain adaptation by backpropagation.《ICML"15: Proceedings of the 32nd International Conference on International Conference on Machine Learning》.2015, *
丁春辉.基于深度学习的暴力检测及人脸识别方法研究.《中国博士学位论文全文数据库 (信息科技辑)》.2017, *
李冰.人脸识别系统中的活体检测技术的研究.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2018, *
蔡宇.三维人脸检测与识别技术研究.《中国博士学位论文全文数据库 (信息科技辑)》.2014, *

Also Published As

Publication number Publication date
CN109583342A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109583342B (zh) 基于迁移学习的人脸活体检测方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN107704877B (zh) 一种基于深度学习的图像隐私感知方法
Zhu et al. A fast single image haze removal algorithm using color attenuation prior
CN111783576B (zh) 基于改进型YOLOv3网络和特征融合的行人重识别方法
Yang et al. Detecting fake images by identifying potential texture difference
CN111178183B (zh) 人脸检测方法及相关装置
CN105389562B (zh) 一种时空约束的监控视频行人重识别结果的二次优化方法
KR20160101973A (ko) 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN108446690B (zh) 一种基于多视角动态特征的人脸活体检测方法
CN108960142B (zh) 基于全局特征损失函数的行人再识别方法
CN113312965B (zh) 一种人脸未知欺骗攻击活体检测方法及系统
CN114067444A (zh) 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统
CN103593648B (zh) 一个面向开放环境的人脸识别方法
CN113762009B (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
CN113221655B (zh) 基于特征空间约束的人脸欺骗检测方法
CN115527269B (zh) 一种人体姿态图像智能识别方法及系统
CN112668557A (zh) 一种行人再识别系统中防御图像噪声攻击的方法
CN113378675A (zh) 一种同时检测和特征提取的人脸识别方法
CN115240280A (zh) 人脸活体检测分类模型的构建方法、检测分类方法及装置
Chen et al. Learning to count with back-propagated information
CN113033305B (zh) 活体检测方法、装置、终端设备和存储介质
Yang et al. HeadPose-Softmax: Head pose adaptive curriculum learning loss for deep face recognition
Yaseen et al. A Novel Approach Based on Multi-Level Bottleneck Attention Modules Using Self-Guided Dropblock for Person Re-Identification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant