CN111325185A - 人脸防欺诈方法及系统 - Google Patents

Abstract

本发明揭示了一种人脸防欺诈方法及系统，所述人脸防欺诈方法包括：步骤S1、获取人脸信息；步骤S2、检测获取的人脸信息，确定人脸区域；步骤S3、从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；步骤S4、调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。本发明提出的人脸防欺诈方法及系统，采用树状网络识别方式能同时识别多种欺诈方式，具有更强的反欺诈能力；可以有效阻挡PS换脸、视频、三维人脸模型、高清人像照片等各种不同类型的攻击。本发明无需用户配合，适应性好；同时，本发明无需额外设备，使用成本低。

Description

人脸防欺诈方法及系统

技术领域

本发明属于人脸识别技术领域，涉及一种人脸识别方法，尤其涉及一种人脸防欺诈方法及系统。

背景技术

随着人脸识别技术的大规模商业化应用，各种欺诈手段层出不穷。防欺诈算法在人脸识别架构中的重要性越来越高。目前许多人脸识别系统的防欺诈算法只能针对部分场景，只能识别部分欺诈手段。主要方法有：

(1)基于视频交互的指令动作检测方式：首先系统进行人脸检测及人脸关键点定位，如果视频中存在人脸，则随机生成若干个动作，例如人脸左转、右转、张嘴、眨眼等。如果用户在规定时间内完成指定动作，则通过活体检测，反之则判定为非活体。但是这种检测方法很难防范视频欺诈；且用时较长，在移动端应用，尤其是低端手机上，经常会出现超时。

(2)基于亮瞳效应的人脸活体检测方法：通过检测人脸的眼睛区域是否存在亮瞳效应来区分活体人脸与非活体人脸。这种检测方法需要增加额外的光源设备，存在成本较高的缺陷。

(3)基于图像失真分析的人脸欺骗检测方法：首先系统进行人脸检测及人脸关键点定位。如果图片中存在人脸的话，则提取人脸中的各种特征。该方法提取的特征相对简单，判别能力不强且泛化能力不强，因此不能很好的在现实场景中应用。

(4)连续性检测。通过跟踪人脸特征点，来验证人脸运动轨迹是否正常，如果中途换人会出现异常则判定为欺诈。该方法能够检测过程中的照片替换攻击；但该方法必须和视频交互同时使用，并不能防止面具，假脸等攻击手段。

有鉴于此，如今迫切需要设计一种新的人脸防欺诈方式，以便克服现有人脸识别方式存在的上述至少部分缺陷。

发明内容

本发明提供一种人脸防欺诈方法及系统，可同时识别多种欺诈方式，具有更强的反欺诈能力。

为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：

一种人脸防欺诈方法，所述人脸防欺诈方法包括：

步骤S1、获取人脸信息；

步骤S2、检测获取的人脸信息，确定人脸区域；

步骤S3、从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；

步骤S4、调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。

作为本发明的一种实施方式，步骤S4中，人脸检测树状网络模型设定树状网络的特征，树状网络的特征包括多棵可微分决策树，人脸检测树状网络模型中的每棵可微分决策树由树状网络算法生成；

这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；

为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数：

g(A，x，b)＝σ(Ax-b)； (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n，n∈{n₁，n₂，…，n_d}； (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

使用多棵树来测试同一张人脸，并对这些结果平均，从而构成树状网络，对人脸信息进行综合判断。

作为本发明的一种实施方式，所述人脸防欺诈方法进一步包括：步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，则通过检测。

作为本发明的一种实施方式，所述人脸防欺诈方法进一步包括：步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，且连续检测视频中的多帧图片中的人脸信息为活体的人脸信息，则通过检测。

根据本发明的另一个方面，采用如下技术方案：

一种人脸防欺诈系统，所述人脸防欺诈系统包括服务器及至少一客户端，所述服务器连接各客户端；

所述客户端用以获取人脸信息；

所述服务器包括：

人脸信息获取模块，用以连接对应客户端，从客户端获取人脸信息；

人脸信息检测模块，用以检测获取的人脸信息，确定人脸区域；

皮肤区域识别模块，用以从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；以及

活体判断模块，用以调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。

作为本发明的一种实施方式，所述活体判断模块包括：人脸检测树状网络模型建立单元、树状网络特征设定单元、决策树生成单元及树状网络综合判断单元；

所述人脸检测树状网络模型建立单元用以建立人脸检测树状网络模型；

所述树状网络特征设定单元用以设定人脸检测树状网络模型的树状网络特征，树状网络的特征包括多棵可微分决策树；

所述决策树生成单元用以通过树状网络算法生成人脸检测树状网络模型中的每棵可微分决策树；这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；

为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A，x，b)＝σ(Ax-b)； (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n，n∈{n₁，n₂，…，n_d}； (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

所述树状网络综合判断单元用以使用多棵树来测试同一张人脸，并对这些结果平均；从而构成树状网络，对人脸信息进行综合判断。

本发明的有益效果在于：本发明提出的人脸防欺诈方法及系统，采用树状网络识别方式，和常规的卷积网络相比，能同时识别多种欺诈方式，具有更强的反欺诈能力。同时，本发明可以有效阻挡PS换脸、视频、三维人脸模型、高清人像照片等各种不同类型的攻击。本发明无需用户配合，适应性好；此外，本发明无需额外设备，使用成本低。

附图说明

图1为本发明一实施例中人脸防欺诈系统的组成示意图。

图2为本发明一实施例中服务器的组成示意图。

图3为本发明一实施例中人脸防欺诈方法的流程图。

图4为不同人脸欺诈方式特征分布示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。

本发明揭示了一种人脸防欺诈方法，图3为本发明一实施例中人脸防欺诈方法的流程图；请参阅图3，所述人脸防欺诈方法包括：

【步骤S1】获取人脸信息；

【步骤S2】检测获取的人脸信息，确定人脸区域；

【步骤S3】从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；

【步骤S4】调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。

在本发明的一实施例中，步骤S4中，人脸检测树状网络模型设定树状网络的特征，树状网络的特征包括多棵可微分决策树，人脸检测树状网络模型中的每棵可微分决策树由树状网络算法生成。

这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；

为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A，x，b)＝σ(Ax-b)； (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝П_ng_n，n∈{n₁，n₂，…，n_d}； (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

使用多棵树来测试同一张人脸，并对这些结果平均，从而构成树状网络，对人脸信息进行综合判断。

在本发明的一实施例中，所述人脸防欺诈方法进一步包括步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，则通过检测。

在本发明的另一实施例中，如图2所示，所述人脸防欺诈方法进一步包括步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，且连续检测视频中的多帧图片中的人脸信息为活体的人脸信息，则通过检测。

本发明还揭示一种人脸防欺诈系统，图1为本发明一实施例中人脸防欺诈系统的组成示意图；请参阅图1，所述人脸防欺诈系统包括服务器1及至少一客户端2，所述服务器1连接各客户端2；所述客户端2用以获取人脸信息。图2为本发明一实施例中服务器的组成示意图；请参阅图2，所述服务器1包括人脸信息获取模块11、人脸信息检测模块12、皮肤区域识别模块13、活体判断模块14。

所述人脸信息获取模块11用以连接对应客户端，从客户端获取人脸信息；人脸信息检测模块12用以检测获取的人脸信息，确定人脸区域。所述皮肤区域识别模块13用以从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图。

所述活体判断模块14用以调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。

在本发明的一实施例中，所述活体判断模块14包括：人脸检测树状网络模型建立单元、树状网络特征设定单元、决策树生成单元及树状网络综合判断单元。

所述人脸检测树状网络模型建立单元用以建立人脸检测树状网络模型。所述树状网络特征设定单元用以设定人脸检测树状网络模型的树状网络特征，树状网络的特征包括多棵可微分决策树。

所述决策树生成单元用以通过树状网络算法生成人脸检测树状网络模型中的每棵可微分决策树；这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；

为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A，x，b)＝σ(Ax-b)； (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n，n∈{n₁，n₂，…，n_d}； (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

所述树状网络综合判断单元用以使用多棵树来测试同一张人脸，并对这些结果平均；从而构成树状网络，对人脸信息进行综合判断。

为了有效判断视频、图片中的人脸是否为活体，有效防御各种人脸欺诈手段，出现了一些人脸防欺诈方法；包括各种面具，他人照片替换、翻拍等。而且很多欺诈方式混合在一起，用简单的二分类网络主要用于是否存在欺诈。而在实际应用场景中，往往需要判定用户使用了哪些欺诈手段。而树状网络模型可以同时识别这些欺诈方式。即使单张图片中包含多种欺诈的方式，也能给出较准确的估计，更适合实际应用场景。

在本发明的一实施例中，采用新的树状网络算法来实现移动式设备上的人脸欺诈识别。

具体方案如下：

对于一个有N个样本和M个特征的数据集来说，树状网络算法通过训练，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

如图4所示，每颗树的内部节点都对应概率函数g

g(A，x，b)＝σ(Ax-b) (2)

其中x代表输入的人脸特征，A是关注度向量(attention vector)，b是阈值。该函数通过分析人脸特征，来做出概率决策。以第一个节点为例，g₁代表左子节点的概率，则右子节点的概率为1-g₁。这样每个页节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n；n∈{n₁，n₂，…，n_d} (3)

如图4所示，第4种欺诈的概率为p₄＝g₁g₂。第5种欺诈的概率为p₅＝g₁(1-g2)。设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

单独一颗树的预测值

正确率很低，实际应用使用多棵树来测试同一张人脸，并对这些结果平均。从而构成树状网络。

综上所述，本发明提出的人脸防欺诈方法及系统，采用树状网络识别方式，和常规的卷积网络相比，能同时识别多种欺诈方式，具有更强的反欺诈能力。同时，本发明可以有效阻挡PS换脸、视频、三维人脸模型、高清人像照片等各种不同类型的攻击。本发明无需用户配合，适应性好；此外，本发明无需额外设备，使用成本低。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现，对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (6)

1.一种人脸防欺诈方法，其特征在于，所述人脸防欺诈方法包括：

步骤S1、获取人脸信息；

步骤S2、检测获取的人脸信息，确定人脸区域；

步骤S3、从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；

步骤S4、调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。

2.根据权利要求1所述的人脸防欺诈方法，其特征在于：

步骤S4中，人脸检测树状网络模型设定树状网络的特征，树状网络的特征包括多棵可微分决策树，人脸检测树状网络模型中的每棵可微分决策树由树状网络算法生成；

这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；

为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A,x,b)＝σ(Ax-b)； (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝∏_ng_n，n∈{n₁,n₂,…,n_d}； (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

使用多棵树来测试同一张人脸，并对这些结果平均，从而构成树状网络，对人脸信息进行综合判断。

3.根据权利要求1所述的人脸防欺诈方法，其特征在于：

所述人脸防欺诈方法进一步包括：步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，则通过检测。

4.根据权利要求1所述的人脸防欺诈方法，其特征在于：

所述人脸防欺诈方法进一步包括：步骤S5、根据步骤S4的检测结果做进一步处理；若步骤S4判断人脸信息并非活体的人脸信息，则返回至步骤S1重新获取人脸信息；若步骤S4判断人脸信息为活体的人脸信息，且连续检测视频中的多帧图片中的人脸信息为活体的人脸信息，则通过检测。

5.一种人脸防欺诈系统，其特征在于，所述人脸防欺诈系统包括服务器及至少一客户端，所述服务器连接各客户端；

所述客户端用以获取人脸信息；

所述服务器包括：

人脸信息获取模块，用以连接对应客户端，从客户端获取人脸信息；

人脸信息检测模块，用以检测获取的人脸信息，确定人脸区域；

皮肤区域识别模块，用以从人脸信息的人脸区域中提取人脸特征数据；排除眼睛、嘴唇、眉毛部位对应区域，得到皮肤区域分布图；以及

活体判断模块，用以调用人脸检测树状网络模型，检测获取的人脸信息是否为活体的人脸信息，得到检测结果。

6.根据权利要求5所述的人脸防欺诈系统，其特征在于：

所述活体判断模块包括：人脸检测树状网络模型建立单元、树状网络特征设定单元、决策树生成单元及树状网络综合判断单元；

所述人脸检测树状网络模型建立单元用以建立人脸检测树状网络模型；

所述树状网络特征设定单元用以设定人脸检测树状网络模型的树状网络特征，树状网络的特征包括多棵可微分决策树；

所述决策树生成单元用以通过树状网络算法生成人脸检测树状网络模型中的每棵可微分决策树；这些可微分决策树是基于人脸数据集训练得到，人脸检测树状网络模型的树状网络算法通过训练人脸样本数据，得到一系列可微分决策树{T¹,T²,T³,…,T^K},来预测输出：

其中，x为输入的人脸特征；

为预测值，代表该人脸是否有欺诈；K为树的数量，T^h为其中的某棵树；

每颗树的内部节点都对应概率函数g：

g(A,x,b)＝σ(Ax-b)； (2)

其中，x代表输入的人脸特征，A是关注度向量，b是阈值；该函数通过分析人脸特征，来做出概率决策；这样每个叶节点的概率由其路径{n₁,n₂,…,n_d}决定，如公式(3)所示:

p_j＝Π_ng_n，n∈{n₁,n₂,…,n_d}； (3)

设每个叶节点j上的分布为Q_j，则对一棵树来说，其输出是所有叶节点分布的概率之和：

所述树状网络综合判断单元用以使用多棵树来测试同一张人脸，并对这些结果平均；从而构成树状网络，对人脸信息进行综合判断。

Images