CN111160313A - 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 - Google Patents

一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 Download PDF

Info

Publication number
CN111160313A
CN111160313A CN202010001785.XA CN202010001785A CN111160313A CN 111160313 A CN111160313 A CN 111160313A CN 202010001785 A CN202010001785 A CN 202010001785A CN 111160313 A CN111160313 A CN 111160313A
Authority
CN
China
Prior art keywords
vae
lbp
sample
network
attack
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.)
Granted
Application number
CN202010001785.XA
Other languages
English (en)
Other versions
CN111160313B (zh
Inventor
傅予力
许晓燕
谢扬
吕玲玲
肖芸榕
黄汉业
向友君
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010001785.XA priority Critical patent/CN111160313B/zh
Publication of CN111160313A publication Critical patent/CN111160313A/zh
Application granted granted Critical
Publication of CN111160313B publication Critical patent/CN111160313B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于LBP‑VAE异常检测模型的人脸表示攻击检测方法，该方法包括：构建LBP‑VAE异常检测模型；获取训练样本，训练样本只需用真实样本；对训练样本提取LBP特征，得到样本特征向量；将训练样本的特征向量作为VAE的输入，训练VAE网络，得到完整的LBP‑VAE异常检测模型；当人脸表示攻击样本输入到该模型时，由于样本特征空间分布与真实样本不同，因此VAE网络的输出误差很大，将被作为异常检测出来，而当真实样本输入到该模型时，VAE网络的输出误差较小，由此可以区分两类样本。本发明公开的攻击检测方法，对不同类型的人脸表示攻击样本都有较好的检测性能，对噪声鲁棒性强，能适应不同的现实场景。

Description

一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法
技术领域
本发明涉及图像处理和生物安全技术领域，具体涉及一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法。
背景技术
如今，人脸识别技术已被应用在日常生活中的方方面面，比如人脸考勤系统、手机人脸解锁、人脸支付等等。当人脸成为众多识别和认证系统中关键的生物特征时，一旦恶意者假冒合法用户成功通过人脸识别系统，将带来难以预料的安全事故和经济损失。企图用合法用户的人脸照片、视频等手段以借用该用户身份通过人脸识别系统的操作，被称为人脸表示攻击。检测这类攻击的方法，称为人脸活体检测。
在人脸活体检测中，人脸图像可被分为两类，一类是直接对合法用户本人进行拍摄得到的图像，这类图像将会通过活体检测算法。另一类图像则不是直接对合法用户拍摄的图像，拍摄的对象可能是合法用户的照片、视频、蜡像，或者一切跟合法用户脸部相似度高的对象，比如3D人脸面具等。这类图像被称为人脸表示攻击图像(简称攻击图像)，是活体检测技术要检测的对象。
活体检测算法的核心在于提取人脸图像中对检测活性最有辨别性的特征，以此来区别合法图像和攻击图像。目前有许多方法已在实验室阶段取得较好的测试性能，包括利用传统的手工设计特征，如LBP(局部二值模式)、LPQ(局部相位量化)、IQM(图像质量特征)，以及利用深度学习中的神经网络，如CNN(卷积神经网络)、LSTM(长短时记忆网络)。然而，由于当前的活体检测数据集图片数量较少，且不同类型的攻击图像之间存在较大的差异，最关键的是实际场景中存在许多未知的攻击类型，这三个难点给活体检测带来了很大的挑战。目前的方法主要将活体检测视为二分类任务，然而，由上述难点可知，由现有少量的、类内差异大的攻击样本学习得到的二分类器在面对未知攻击类型时将无法工作，已有实验表明二分类方法在面对跨数据集测试时性能骤降，难以应用到实际场景中。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，该攻击检测方法学习真实样本的特征空间分布并且重构特征，与真实样本特征空间分布不同的各类攻击样本将被视为异常而被检测出来。
本发明的目的可以通过采取如下技术方案达到：
一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，所述的人脸表示攻击检测方法包括下列步骤：
构建LBP-VAE异常检测模型，包括确定LBP的类型，确定VAE中编码器、解码器的网络结构及隐变量分布类型，其中，LBP表示局部二值化模式，VAE表示变分自动编码器；
获取训练样本，其中，训练样本只包括真实样本，而不需要任何的攻击样本；
提取训练样本的LBP特征，得到样本特征向量；
将样本特征向量作为VAE的输入，训练VAE网络，VAE网络中编码器学习由特征向量到隐变量的条件概率分布，引入随机噪声后对隐变量进行采样，得到编码值，VAE网络中解码器根据编码值重构特征向量，训练VAE网络优化特征重构误差和隐变量后验分布与预设分布的误差；
VAE网络训练结束后，得到完整的LBP-VAE异常检测模型，当人脸表示攻击样本输入到该模型时，由于样本特征空间分布与真实样本不同，因此VAE网络的输出误差很大，将被作为异常检测出来，而当真实样本输入到该模型时，VAE网络的输出误差较小，因此可以区分两类样本。
进一步地，所述的LBP-VAE异常检测模型包括LBP特征提取模块和VAE网络，LBP特征为原始LBP特征及各类改进LBP特征，各类改进LBP特征包括圆形LBP特征、旋转不变LBP特征、等价模式LBP特征、多尺度LBP等等；VAE网络由编码器和解码器构成，二者可以选用各类主流的神经网络，如简单MLP(多层感知机)、基于卷积神经网络或循环神经网络的深层神经网络等。VAE网络中隐变量的分布可以选用各类常见的概率分布，常用的是正态分布函数。
进一步地，所述的训练样本只由真实样本构成，而不需要任何的攻击样本，所述的真实样本即直接对合法用户本人进行拍摄得到的人脸图像，不包括任何类型的人脸表示攻击样本，即不包括对合法用户的照片、视频、蜡像、三维面具等拍摄得到的人脸图像。
进一步地，所述的LBP特征用于对训练样本的多个色彩空间进行提取，所述的色彩空间包括RBG、HSV和YCrCv色彩空间，最后的样本LBP特征向量由所有使用到的色彩空间提取到的LBP特征向量进行拼接构成。
进一步地，所述的提取训练样本的LBP特征之前先对训练样本进行人脸检测和裁剪。
进一步地，区分真实样本和攻击样本的阈值由一个独立的验证集确定，验证集包含真实样本和攻击样本。
进一步地，所述的将样本特征向量作为VAE的输入，训练VAE网络的过程如下：
将VAE网络中的每一层的权重和偏置用{wn,bn}表示，非线性激活层使用relu和sigmoid函数，样本特征向量x在通过第一个隐层后得到，
h1＝relu(w1x+b1)
w1和b1分别表示第一个隐层的权重和偏置，将h1分别输入到两个网络层中，分别预测隐变量z分布的隐藏层，即
μ＝w2h1+b2
var＝w3h1+b3
其中，μ和var分别为隐变量后验概率p(z|x)中均值和方差的估计值；为了提高VAE网络对噪声的鲁棒性，引入高斯随机噪声∈，∈～N(0,I)，采样后得到隐变量z的值为
z＝μ+var*∈
至此，编码器编码与采样的任务结束，得到输入特征向量的隐变量估计z；
解码器对隐变量估计z进行解码重构，经过一个隐层后得到重构的
Figure BDA0002353763170000042
h2＝relu(w4z+b4)
Figure BDA0002353763170000043
令l表示输入特征维度，d表示隐变量z的维度，整个VAE网络的损失函数L为
Figure BDA0002353763170000041
L由两部分组成，第一部分是重构误差L1，第二部分L2为后验概率分布p(z|x)与预设分布p(z)之间的KL散度的化简形式，预设p(z)服从标准正态分布，VAE网络引入的隐变量分布预设，使在训练结束后，解码器可以单独作为特征生成器使用。损失函数L作为网络的最终输出，也是判断输入样本特征是否属于攻击的依据。
采用反向传播和梯度下降法训练网络，学习率设为0.001，观察损失函数稳定时停止训练，得到训练完成的VAE网络。
进一步地，利用REPLAY-ATTACK数据集提供的验证集进行模型的阈值选取，将其中的60个真实访问视频和60个打印照片攻击视频作为VAE-LBP模型的输入，作ROC(receiveroperating characteristic curve，受试者操作特性曲线)图，取等误差点(EER)处的损失函数Lt作为最终的模型分类阈值。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明中公开的攻击检测方法在训练过程中无须使用人脸表示攻击样本，只对真实样本的特征空间进行学习和重构，避免了攻击样本少、攻击类型多引起的攻击样本特征空间建模困难的问题。
(2)本发明将不属于真实样本特征分布的样本均视为异常，泛化性好，可以有效地检测出实际场景中已知的、未知的人脸表示攻击类型。
(3)本发明在训练时对编码值引入随机噪声以训练抗噪声能力，可以有效应对输入样本中的噪声干扰，对噪声鲁棒性强。
附图说明
图1是本发明实施例中公开的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法的流程图；
图2是是本发明实施例中公开的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法中特征提取框图；
图3是本发明实施例中公开的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法中VAE网络框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，如图1所示，该人脸表示攻击检测方法包括下列步骤：
S1、构建LBP-VAE异常检测模型。
LBP(Local Binary Pattern)是一种强大的纹理特征描述符，通过比较图像某个中心像素点与其周围像素点的像素值大小来建立特征。
Figure BDA0002353763170000061
表示中心像素点个数为1、周围像素点为8的等价LBP特征，即每次取图像中的3*3区域，依次比较中心像素点与周围8个像素点的像素值大小，用0-1表示比较结果，可得到一个8位的二进制数，公式描述如下：
Figure BDA0002353763170000062
其中，P＝8,R＝1，rc表示中心像素点的像素值，rn表示邻域像素点的像素值。对图像的边缘补零，计算图像中所有像素点的LBP值，计算LBP值的统计直方图作为最终的LBP特征向量，这样即得到原始LBP特征向量。然而，使用原始LBP得到的是28维的稀疏特征向量，因为实际图像中很多LBP值的出现频次很小。为了减少特征维度，使用改进的等价LBP(LBPu2)。等价LBP关注LBP值中0-1之间的跳变次数，当二进制LBP编码中0到1或1到0的跳变次数一共不大于2次时，该LBP编码被称为是等价的。实际图像中大部分LBP值都为等价的LBP，跳变次数大于2次的LBP编码出现较少。因此，等价LBP将所有非等价划为1类。在
Figure BDA0002353763170000071
中，等价的LBP有58种可能的LBP值，加上非等价的LBP，特征维度一共是59维，显著地降低了特征维度，提高计算效率。
由于人脸表示攻击现有可用的数据集规模较小，因此VAE(变分自动编码器)仅需用简单的神经网络就能达到较好的效果。采用简单MLP(Multi-Layer Perceptron)构成VAE中的编码器和解码器，包括输入层、隐藏层和输出层。设定VAE中的隐变量服从标准高斯分布。
S2、获取训练样本。
选择已公开的人脸表示攻击图片数据集REPLAY-ATTACK(简称RA)。RA数据集包括50人的真实访问视频和人脸表示攻击视频，并提供每段视频中每一帧的人脸区域坐标。训练仅需要真实样本，对于所有真实访问视频，采用数据集提供的人脸区域坐标裁剪视频第一帧，得到所需的真实样本，共60张，并将人脸图像统一缩放到64*64像素。如图2所示。
S3、提取训练样本的LBP特征，得到样本特征向量。
训练样本均为RGB图像，由于RGB色彩空间的三个颜色分量相关度较高，而HSV和YCbCr颜色空间都是基于亮度和色度分量的分离，被证明在人脸表示攻击检测中具有更好的表现。因此，将图像分别转到HSV、YCbCr色彩空间，并分别对两个空间中3个颜色通道提取
Figure BDA0002353763170000072
特征。每个通道得到59维的特征，将6个通道的LBP特征拼接起来，得到354维的LBP特征向量，将其归一化后得到最终的特征向量。如图2所示。
S4、将LBP特征向量作为VAE网络的输入，训练VAE网络。
如图3，神经网络中的每一层的权重和偏置用{wn,bn}表示，非线性激活层使用relu和sigmoid函数。特征向量在通过第一个隐层后得到，
h1＝relu(w1x+b1)
将h1分别输入到两个网络层中，分别预测隐变量z分布的隐藏层，即
μ＝w2h1+b2
var＝w3h1+b3
其中，μ和var分别为隐变量后验概率p(z|x)中均值和方差的估计值。为了提高VAE网络对噪声的鲁棒性，引入高斯随机噪声∈，∈～N(0,I)，采样后得到隐变量z的值为
z＝μ+var*∈
至此，编码器编码与采样的任务结束，得到输入特征向量的隐变量估计z。解码器的任务是对z进行解码重构，经过一个隐层后得到重构的
Figure BDA0002353763170000083
h2＝relu(w4z+b4)
Figure BDA0002353763170000081
令l表示输入特征维度，d表示隐变量z的维度，整个网络的损失函数L为
Figure BDA0002353763170000082
L由两部分组成，第一部分是重构误差L1，第二部分L2为后验概率分布p(z|x)与预设分布p(z)之间的KL散度的化简形式。预设p(z)服从标准正态分布。VAE网络引入的隐变量分布预设，使在训练结束后，解码器可以单独作为特征生成器使用。损失函数L作为网络的最终输出，也是判断输入样本特征是否属于攻击的依据。
采用反向传播和梯度下降法训练网络，学习率设为0.001，观察损失函数稳定时停止训练，得到训练完成的模型。利用RP数据集提供的验证集进行模型的阈值选取，将其中的60个真实访问视频和60个打印照片攻击视频作为VAE-LBP模型的输入，作ROC(receiveroperating characteristic curve)曲线图，取等误差点(EER)处的损失函数Lt作为最终的模型分类阈值。
最后，得到训练完成的LBP-VAE异常检测模型，输入人脸样本，假如模型输出的损失大于模型分类阈值，判为人脸攻击样本，否则判为真实样本。
通过上述技术方案的描述，可以看到本发明通过对人脸识别中的真实样本建模，学习真实访问人脸图像的特征分布，能够有效检测输入样本是否属于真实样本，将人脸表示攻击样本作为异常样本检测出来。在提取图像特征时，充分利用了不同色彩空间的图像纹理信息互补，使图像特征更加具有辨别性。利用VAE中的编码器和解码器学习重构LBP特征，并对隐变量添加随机噪声，使VAE在学习重构LBP特征时对噪声鲁棒，从而提高LBP-VAE异常检测模型的分类准确率，更好地应用于实际场景。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的人脸表示攻击检测方法包括下列步骤：
构建LBP-VAE异常检测模型，包括确定LBP的类型，确定VAE中编码器、解码器的网络结构及隐变量分布类型，其中，LBP表示局部二值化模式，VAE表示变分自动编码器；
获取训练样本，其中，训练样本只包括真实样本，而不需要任何的攻击样本；
提取训练样本的LBP特征，得到样本特征向量；
将样本特征向量作为VAE的输入，训练VAE网络，VAE网络中编码器学习由特征向量到隐变量的条件概率分布，引入随机噪声后对隐变量进行采样，得到编码值，VAE网络中解码器根据编码值重构特征向量，训练VAE网络优化特征重构误差和隐变量后验分布与预设分布的误差；
VAE网络训练结束后，得到完整的LBP-VAE异常检测模型，输入人脸样本，假如LBP-VAE异常检测模型输出的损失大于模型分类阈值，判为人脸攻击样本，否则判为真实样本。
2.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的LBP-VAE异常检测模型包括LBP特征提取模块和VAE网络，LBP特征为原始LBP特征及各类改进LBP特征，各类改进LBP特征包括圆形LBP特征、旋转不变LBP特征、等价模式LBP特征、多尺度LBP；VAE网络由编码器和解码器构成，编码器和解码器选用多层感知机MLP、基于卷积神经网络或循环神经网络的深层神经网络，VAE网络中隐变量的分布选用正态分布函数。
3.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的训练样本只由真实样本构成，而不需要任何的攻击样本，所述的真实样本即直接对合法用户本人进行拍摄得到的人脸图像，不包括任何类型的人脸表示攻击样本，即不包括对合法用户的照片、视频、蜡像、三维面具等拍摄得到的人脸图像。
4.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的LBP特征用于对训练样本的多个色彩空间进行提取，所述的色彩空间包括RBG、HSV和YCrCv色彩空间，最后的样本LBP特征向量由所有使用到的色彩空间提取到的LBP特征向量进行拼接构成。
5.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的提取训练样本的LBP特征之前先对训练样本进行人脸检测和裁剪。
6.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，区分真实样本和攻击样本的阈值由一个独立的验证集确定，验证集包含真实样本和攻击样本。
7.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的将样本特征向量作为VAE的输入，训练VAE网络的过程如下：
将VAE网络中的每一层的权重和偏置用{wn,bn}表示，非线性激活层使用relu和sigmoid函数，样本特征向量x在通过第一个隐层后得到，
h1＝relu(w1x+b1)
w1和b1分别表示第一个隐层的权重和偏置，将h1分别输入到两个网络层中，分别预测隐变量z分布的隐藏层，即
μ＝w2h1+b2
var＝w3h1+b3
其中，μ和var分别为隐变量后验概率p(z|x)中均值和方差的估计值；引入高斯随机噪声∈，∈～N(0,I)，采样后得到隐变量z的值为
z＝μ+var*∈
至此，编码器编码与采样的任务结束，得到输入特征向量的隐变量估计z；
解码器对隐变量估计z进行解码重构，经过一个隐层后得到重构的
Figure FDA0002353763160000033
h2＝relu(w4z+b4)
Figure FDA0002353763160000031
令l表示输入特征维度，d表示隐变量z的维度，整个VAE网络的损失函数L为
Figure FDA0002353763160000032
损失函数由两部分组成，第一部分是重构误差L1，第二部分L2为后验概率分布p(z|x)与预设分布p(z)之间的KL散度的化简形式，预设p(z)服从标准正态分布，损失函数L作为网络的最终输出，也是判断输入样本特征是否属于攻击的依据。
采用反向传播和梯度下降法训练网络，设定学习率，观察损失函数稳定时停止训练，得到训练完成的VAE网络。
8.根据权利要求1所述的一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的模型分类阈值的选取利用REPLAY-ATTACK数据集提供的验证集进行，将其中的60个真实访问视频和60个打印照片攻击视频作为LBP-VAE异常检测模型的输入，作ROC曲线图，取等误差点处的损失函数Lt作为最终的模型分类阈值。
CN202010001785.XA 2020-01-02 2020-01-02 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 Active CN111160313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010001785.XA CN111160313B (zh) 2020-01-02 2020-01-02 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010001785.XA CN111160313B (zh) 2020-01-02 2020-01-02 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法

Publications (2)

Publication Number Publication Date
CN111160313A true CN111160313A (zh) 2020-05-15
CN111160313B CN111160313B (zh) 2023-04-07

Family

ID=70561036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010001785.XA Active CN111160313B (zh) 2020-01-02 2020-01-02 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法

Country Status (1)

Country Link
CN (1) CN111160313B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595489A (zh) * 2020-05-27 2020-08-28 吉林大学 一种基于变分自编码器的启发式高分辨率海洋水温分布建立方法
CN112200075A (zh) * 2020-10-09 2021-01-08 西安西图之光智能科技有限公司 一种基于异常检测的人脸防伪方法
CN112215849A (zh) * 2020-10-31 2021-01-12 郑州航空工业管理学院 一种基于色彩空间的图像无监督分割优化方法
CN112668688A (zh) * 2020-12-30 2021-04-16 江西理工大学 一种入侵检测方法、系统、设备及可读存储介质
CN113486875A (zh) * 2021-09-08 2021-10-08 浙江大学 基于词分离和自适应的跨域人脸表示攻击检测方法和系统
CN113837236A (zh) * 2021-08-31 2021-12-24 广东智媒云图科技股份有限公司 图像中目标对象的识别方法、装置、终端设备及存储介质
CN114092994A (zh) * 2021-10-13 2022-02-25 北京工业大学 一种基于多视角特征学习的人脸活体检测方法
CN117354058A (zh) * 2023-12-04 2024-01-05 武汉安域信息安全技术有限公司 基于时间序列预测的工控网络apt攻击检测系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320950A (zh) * 2015-11-23 2016-02-10 天津大学 一种视频人脸活体检测方法
CN107862299A (zh) * 2017-11-28 2018-03-30 电子科技大学 一种基于近红外与可见光双目摄像头的活体人脸检测方法
CN110309798A (zh) * 2019-07-05 2019-10-08 中新国际联合研究院 一种基于域自适应学习和域泛化的人脸欺骗检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320950A (zh) * 2015-11-23 2016-02-10 天津大学 一种视频人脸活体检测方法
CN107862299A (zh) * 2017-11-28 2018-03-30 电子科技大学 一种基于近红外与可见光双目摄像头的活体人脸检测方法
CN110309798A (zh) * 2019-07-05 2019-10-08 中新国际联合研究院 一种基于域自适应学习和域泛化的人脸欺骗检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆经纬 等: "基于多特征融合的3D打印面具攻击检测", 《激光与光电子学进展》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595489A (zh) * 2020-05-27 2020-08-28 吉林大学 一种基于变分自编码器的启发式高分辨率海洋水温分布建立方法
CN111595489B (zh) * 2020-05-27 2021-06-25 吉林大学 一种基于变分自编码器的启发式高分辨率海洋水温分布建立方法
CN112200075A (zh) * 2020-10-09 2021-01-08 西安西图之光智能科技有限公司 一种基于异常检测的人脸防伪方法
CN112200075B (zh) * 2020-10-09 2024-06-04 西安西图之光智能科技有限公司 一种基于异常检测的人脸防伪方法
CN112215849A (zh) * 2020-10-31 2021-01-12 郑州航空工业管理学院 一种基于色彩空间的图像无监督分割优化方法
CN112215849B (zh) * 2020-10-31 2023-07-07 郑州航空工业管理学院 一种基于色彩空间的图像无监督分割优化方法
CN112668688A (zh) * 2020-12-30 2021-04-16 江西理工大学 一种入侵检测方法、系统、设备及可读存储介质
CN113837236A (zh) * 2021-08-31 2021-12-24 广东智媒云图科技股份有限公司 图像中目标对象的识别方法、装置、终端设备及存储介质
CN113486875A (zh) * 2021-09-08 2021-10-08 浙江大学 基于词分离和自适应的跨域人脸表示攻击检测方法和系统
CN114092994A (zh) * 2021-10-13 2022-02-25 北京工业大学 一种基于多视角特征学习的人脸活体检测方法
CN117354058A (zh) * 2023-12-04 2024-01-05 武汉安域信息安全技术有限公司 基于时间序列预测的工控网络apt攻击检测系统及方法

Also Published As

Publication number Publication date
CN111160313B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111160313B (zh) 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法
CN111709408B (zh) 图像真伪检测方法和装置
CN111611873B (zh) 人脸替换检测方法及装置、电子设备、计算机存储介质
CN111444881A (zh) 伪造人脸视频检测方法和装置
CN112437926B (zh) 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取
Daouk et al. Iris recognition
Zhu et al. Detection of spoofing medium contours for face anti-spoofing
US20230076017A1 (en) Method for training neural network by using de-identified image and server providing same
CN111339897B (zh) 活体识别方法、装置、计算机设备和存储介质
CN111899251A (zh) 一种区分伪造来源和目标区域的copy-move型伪造图像检测方法
Cao et al. Metric learning for anti-compression facial forgery detection
CN113743365A (zh) 人脸识别过程中的欺诈行为检测方法及装置
KR20220056707A (ko) 얼굴의 정렬 형태에 강인한 얼굴 인식 방법 및 그 장치
Huang et al. Multi-Teacher Single-Student Visual Transformer with Multi-Level Attention for Face Spoofing Detection.
Long et al. Detection of Face Morphing Attacks Based on Patch‐Level Features and Lightweight Networks
CN111967331B (zh) 基于融合特征和字典学习的人脸表示攻击检测方法及系统
CN113221842A (zh) 模型训练方法、图像识别方法、装置、设备及介质
CN116188439A (zh) 一种基于身份识别概率分布的伪造换脸图像检测方法和装置
CN113723310A (zh) 基于神经网络的图像识别方法及相关装置
CN113744158A (zh) 图像生成方法、装置、电子设备和存储介质
CN113158838B (zh) 基于全尺寸深度图监督的人脸表示攻击检测方法
CN117523616B (zh) 商场监控环境下的儿童特征提取方法、装置
US12014569B2 (en) Synthetic human fingerprints
Chen et al. Forensicability Assessment of Questioned Images in Recapturing Detection
Aljarf et al. The Development of an Images Detection System Based on Extracting the Colour Gradient Co-occurrence Matrix Features

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