CN112200075A - 一种基于异常检测的人脸防伪方法 - Google Patents
一种基于异常检测的人脸防伪方法 Download PDFInfo
- Publication number
- CN112200075A CN112200075A CN202011075186.9A CN202011075186A CN112200075A CN 112200075 A CN112200075 A CN 112200075A CN 202011075186 A CN202011075186 A CN 202011075186A CN 112200075 A CN112200075 A CN 112200075A
- Authority
- CN
- China
- Prior art keywords
- hsv
- ycbcr
- face
- loss
- generator
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/10—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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于异常检测的人脸防伪方法,包括使用真实人脸数据集对其进行裁剪对齐,将其变换到HSV、YCbCr颜色空间,然后进行拼接生成HSV‑YCbCr特征;使用GAN网络来学习真实人脸HSV‑YCbCr特征的分布,在训练集上对GAN网络进行无监督训练;测试时,使用训练后的模型将预处理后的人脸HSV‑YCbCr特征用梯度下降方法映射回隐空间,计算loss值,然后与阈值进行比较判断测试图片的真假。
Description
技术领域
本发明涉及一种基于异常检测的人脸防伪方法,属于人脸识别技术领域。
背景技术
随着科技的迅猛发展和人脸识别技术本身的优越性如非侵入性、安全性等特点,人脸识别技术得到了越来越广泛的应用,如手机解锁,刷脸支付等。然而人脸识别系统容易受到非法用户的恶意攻击,如冒充者打印出别人的照片想以此来骗过人脸识别系统。因此人脸防伪技术成为人脸识别过程中必不可少的一个环节。
人脸防伪是指人脸识别系统可以有效的区分出真脸和假脸。假脸也称为攻击,一般分为打印攻击、重放攻击和面具攻击。打印攻击是指冒充者打印出合法用户的照片,试图以此攻破人脸识别系统。重放攻击是指攻击者试图以显示在电子屏幕上合法用户的照片或者视频来攻击人脸识别系统。面具攻击是指攻击者通过佩戴面具的行为来攻击人脸识别系统。
人脸防伪方法一般是将人脸防伪看成是一个二分类问题来处理。一般传统方法由LBP、SIFT、LPQ、IMQ等特征提取器和SVM、SRC、LDA等分类器组成,基于深度学习的方法则采用了神经网络来对图片进行特征提取及最终分类。这种二分类的策略,需要同时收集真脸样本和假脸样本训练,在需要增加训练样本量的时候不仅需要真脸样本还需要攻击样本,很难做到均衡;此外总会有新的攻击方式出现,这种基于分类的方法仅能对训练时用到的样本类型进行判断,泛化性能差。异常检测则为人脸防伪提供了另外一种思路。异常检测是指在一个模式中找到异常的特性或行为。异常检测可以只对正常样本进行训练,为了提高算法性能可以很容易地增加训练样本的规模,无需考虑正负样本数据量之间的均衡问题,针对先前未见的攻击具有泛化性能。
因此,本发明提出的一种基于异常检测的人脸防伪方法,能够解决泛化性能差及正负样本数据量之间不平衡的问题,具有重要的实际应用价值。
发明内容
本发明的目的在于提供一种基于异常检测的人脸防伪方法,以解决上述背景技术中提出的问题。
一种基于异常检测的人脸防伪方法,包括以下步骤:
步骤1:使用RGB人脸数据集(全部真脸,正样本),预处理后,将其转换到HSV空间和YCbCr颜色空间,然后拼接成6通道的HSV-YCbCr特征;
步骤2:从异常检测角度出发,使用真实人脸数据集的HSV-YCbCr特征,对生成网络模型(GAN,一个生成器,一个判别器)进行无监督训练;
步骤4:使用与测试集图片的HSV-YCbCr特征对应的隐空间的值z,将其带入loss计算公式L(z)=λLG(z)+(1-λ)LD(z)中进行计算,与阈值进行比较,若计算出的结果大于阈值,即若L(z)>η则判断测试图像为攻击,否则判断其为真实人脸图片;
作为本发明进一步的方案,步骤1包括如下步骤:
步骤1.1:对预处理的图片将其转换到HSV空间,转换方式为:
V=MAX;
其中MAX=max{R/255,G/255,B/255};
步骤1.2:对预处理的图片将其转换到YCbCr空间,转换方式为:
步骤1.3:将上述两步骤得到的两个3通道特征进行拼接,拼接成一个6通道的HSV-YCbCr特征。
作为本发明进一步的方案,步骤2包括如下步骤:
步骤2.1:建立一个残差网络作为生成器,用于学习真实人脸HSV-YCbCr特征的分布,实现输入一个服从随机分布的向量z,能够生成一个跟真实样本具有同样分布的足以欺骗判别器的特征;
步骤2.2建立一个一分类的卷积神经网络作为判别器,用于判断输入的样本是服从真实人脸分布的样本还是生成器生成的样本;
步骤2.3:对无监督训练所设计的网络的损失函数为GAN的生成对抗损失LG+D和残差损失LG,其中GAN的生成对抗损失如下:残差损失LG是通过对生成器生成的人脸特征和真实人脸的HSV-YCbCr特征做差运算,然后逐通道计算1范数并求和所计算得到的,即使得生成的人脸HSV-YCbCr特征更加真实。
作为本发明进一步的方案,步骤3中求解测试集图片的HSV-YCbCr特征到隐空间的映射,其损失函数包括残差损失LG和基于特征匹配的判别损失LD,其中残差损失表示测试集图片的HSV-YCbCr特征与生成器生成的特征的差异;基于特征匹配的判别损失LD(z)=||f(x)-f(G(z))||1,表示测试集图片HSV-YCbCr特征的特征与生成器所生成的特征的特征差异,通过最小化这两个损失函数来找到使得测试集图片的HSV-YCbCr特征x与生成器G所生成的6通道特征差异最小的隐变量z。
作为本发明进一步的方案,步骤3具体为:给定一个HSV-YCbCr特征x,在隐空间中找到最优的z对应到G(z),HSV-YCbCr特征x和G(z)的相似度在于特征x服从用于训练生成器的G的训练集的分布pdata的程度,通过最小化总损失函数L=λLG(z)+(1-λ)LD(z),以梯度下降的形式来更新参数z,即(α为超参数),直到z的变化量几乎不再改变时停止迭代更新,最终找到最优的z;
作为本发明进一步的方案,所有超参数的经验值设为α=0.001,β=0.4,λ=0.9,η=0.1。
与现有技术相比,本发明的有益效果是:本发明专利提出一种基于异常检测的人脸防伪方法,基于HSV,YCbCr的图像转换及HSV-YCbCr特征,避免了RGB三个通道的高相关性及其对亮度和色度的不完美分离;从异常检测角度出发,对真人脸图片的进行建模,建模时只需要正样本,不需要负样本,很容易通过增加正样本的数量来增加训练集的规模,不存在正负样本间数据不平衡的问题,对未见过的攻击具有更好的泛化性能。
附图说明
图1是本申请实施例所述一种基于异常检测的人脸防伪方法的训练流程图:
图2是本申请实施例所述生成器模型图;
图3是本申请实施例所述判别器模型图;
图4是本申请实施例所述测试流程图。
具体实施方式
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、完整的阐述。
参照图4,其示出了本申请实施例所述一种基于异常检测的人脸防伪的流程图,包括:
步骤1:使用RGB真人脸数据集(正样本,全部为真脸),并用MTCNN来对人脸照片进行对齐裁剪,变成256*256*3的图片,将裁剪后的RGB人脸数据集转换到HSV空间和YCbCr颜色空间,然后拼接成256*256*6的HSV-YCbCr特征。
步骤1.1:RGB转换到HSV方法为:
首先将R,G,B值置于(0,1)间,即令R=R/255,G=G/255,B=B/255
计算MAX=max{R,G,B},MIN=min{R,G,B},Δ=MAX-MIN则H(色调)、S(饱和度)、V(明度)分别为:
V=MAX
步骤1.2:RGB转换到YCbCr方法为:
步骤1.3:将上述两步骤得到的两个3通道特征进行拼接,拼接成一个256*256*6的6通道的HSV-YCbCr特征。
步骤2:建立一个基于GAN的网络架构。GAN由一个生成器和一个判别器构成。
步骤2.1:所使用生成网络G为一个残差网络。输入是一个服从多元高斯分布的向量,输出是256*256*6的特征,具体结构如参照图2所示。生成器的目的是为了学习真实样本HSV-YCbCr特征的分布,实现给定一个输入向量z,生成一个真实的足以欺骗判别器的人脸特征。
步骤2.2:建立一个一分类的卷积神经网络,作为判别器D,具体结构如参照图3所示。判别器的目的是能够准确的判断输入的样本是服从真实人脸分布的样本还是生成器生成的样本。
步骤2.3:损失函数包括GAN的生成对抗损失LG+D和残差损失LG,总的损失函数L=LG+D+βLG,其中
生成器G将隐空间Z中服从100维标准高斯分布pz的向量z映射到真人脸HSV-YCbCr特征的分布pdata的空间,即z~pz→G(z)~pdata。判别器D用来区别真实样本和生成器G生成的样本。G本来生成的是假样本,经过判别器D使得G生成的样本足以骗过判别器D,即生成的是真实样本而不是G生成的样本。同样地由于G生成的样本越来越真,同样使得判别器D的判别能力越来越强。二者彼此博弈,使得自身性能越来越高。对生成器G和判别器D采用对抗训练方式,首先固定生成器G来训练判别器D,之后固定判别器D来训练生成器G。
步骤3:在训练数据集上对生成网络模型进行无监督训练,在验证集上进行超参数的选择,得到训练好的生成器G和判别器D。
步骤4:对于测试图片进行预处理。首先使用MTCNN进行裁剪对齐,然后进行HSV,YCbCr颜色空间转换,拼接成大小为256*256*6的HSV-YCbCr特征。
步骤5.1:给定一个HSV-YCbCr特征x,我们想在隐空间中找到最优的z对应到G(z)。HSV-YCbCr特征x和G(z)的相似度在于特征x服从用于训练生成器的G的训练集的分布pdata的程度。我们通过最小化总损失函数L=λLG(z)+(1-λ)LD(z),以梯度下降的形式来更新参数z,即(α为超参数),直到z的变化量几乎不再改变时停止迭代更新,最终找到最优的z。
步骤6:将得到的z值带入到公式L(z)=λLG(z)+(1-λ)LD(z)计算与阈值η进行比较。若L(z)>η,将HSV-YCbCr特征x对应的裁剪前的RGB原人脸图片判断为攻击;否则,将其判断为真人照片。
本实施例中所有超参数的经验值设为α=0.001,β=0.4,λ=0.9,η=0.1。
测试一张图片是攻击还是真人的流程,参照图4所示。
综上所述,本实施例公开了一种基于异常检测的人脸防伪方法,基于HSV,YCbCr的图像转换及HSV-YCbCr特征,避免了RGB三个通道的高相关性及其对亮度和色度的不完美分离,基于异常检测的角度对真人脸的HSV-YCbCr特征进行建模,可对未见过的攻击具有更好的泛化性能。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (6)
1.一种基于异常检测的人脸防伪方法,其特征在于:包括以下步骤:
步骤1:使用RGB人脸数据集,预处理后,将其转换到HSV空间和YCbCr颜色空间,然后拼接成6通道的HSV-YCbCr特征;
步骤2:从异常检测角度出发,使用真实人脸数据集的HSV-YCbCr特征,对生成网络模型进行无监督训练;
步骤4:使用与测试集图片的HSV-YCbCr特征对应的隐空间的值z,将其带入loss计算公式L(z)=λLG(z)+(1-λ)LD(z)中计算,与阈值η进行比较,若计算出的结果大于阈值,即若L(z)>η则将HSV-YCbCr特征x对应的裁剪前的RGB原人脸图片判断为攻击攻击,否则判断其为真实人脸图片。
3.根据权利要求1所述的一种基于异常检测的人脸防伪方法,其特征在于:步骤2包括如下步骤:
步骤2.1:建立一个残差网络作为生成器,用于学习真实人脸HSV-YCbCr特征的分布,实现输入一个服从随机分布的向量z,能够生成一个跟真实样本具有同样分布的足以欺骗判别器的特征;
步骤2.2建立一个一分类的卷积神经网络作为判别器,用于判断输入的样本是服从真实人脸分布的样本还是生成器生成的样本;
步骤2.3:对无监督训练所设计的网络的损失函数为GAN的生成对抗损失LG+D和残差损失LG,其中GAN的生成对抗损失如下:
6.根据权利要求5所述的一种基于异常检测的人脸防伪方法,其特征在于:所有超参数的经验值设为α=0.001,β=0.4,λ=0.9,η=0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075186.9A CN112200075B (zh) | 2020-10-09 | 2020-10-09 | 一种基于异常检测的人脸防伪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075186.9A CN112200075B (zh) | 2020-10-09 | 2020-10-09 | 一种基于异常检测的人脸防伪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200075A true CN112200075A (zh) | 2021-01-08 |
CN112200075B CN112200075B (zh) | 2024-06-04 |
Family
ID=74013219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011075186.9A Active CN112200075B (zh) | 2020-10-09 | 2020-10-09 | 一种基于异常检测的人脸防伪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200075B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784790A (zh) * | 2021-01-29 | 2021-05-11 | 厦门大学 | 一种基于元学习的泛化性伪造脸检测方法 |
CN116844198A (zh) * | 2023-05-24 | 2023-10-03 | 北京优创新港科技股份有限公司 | 一种检测人脸攻击的方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2625795A1 (en) * | 2008-04-25 | 2009-10-25 | Gerard Voon | Neural links/artificial intelligence/computer-robotics/automation/mind control over any and all things |
CN103034874A (zh) * | 2011-09-29 | 2013-04-10 | 上海中医药大学 | 基于中医望诊的面部光泽分析方法 |
CN104463137A (zh) * | 2014-12-18 | 2015-03-25 | 上海交通大学 | 基于特征空间分裂的异常人脸图像检测方法及系统 |
CN107247916A (zh) * | 2017-04-19 | 2017-10-13 | 广东工业大学 | 一种基于Kinect的三维人脸识别方法 |
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 |
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
CN109753864A (zh) * | 2018-09-24 | 2019-05-14 | 天津大学 | 一种基于caffe深度学习框架的人脸识别方法 |
CN109858368A (zh) * | 2018-12-29 | 2019-06-07 | 浙江工业大学 | 一种基于Rosenbrock-PSO的人脸识别攻击防御方法 |
AU2019100806A4 (en) * | 2019-07-24 | 2019-08-29 | Dynamic Crowd Measurement Pty Ltd | Real-Time Crowd Measurement And Management Systems And Methods Thereof |
CN110443203A (zh) * | 2019-08-07 | 2019-11-12 | 中新国际联合研究院 | 基于对抗生成网络的人脸欺骗检测系统对抗样本生成方法 |
WO2019214557A1 (zh) * | 2018-05-08 | 2019-11-14 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN110516616A (zh) * | 2019-08-29 | 2019-11-29 | 河南中原大数据研究院有限公司 | 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法 |
CN110956681A (zh) * | 2019-11-08 | 2020-04-03 | 浙江工业大学 | 一种结合卷积网络和邻域相似性的人像背景自动替换方法 |
CN111160313A (zh) * | 2020-01-02 | 2020-05-15 | 华南理工大学 | 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 |
CN111639589A (zh) * | 2020-05-28 | 2020-09-08 | 西北工业大学 | 基于对抗学习和类颜色空间的视频虚假人脸检测方法 |
CN111695432A (zh) * | 2020-05-19 | 2020-09-22 | 中国电子科技网络信息安全有限公司 | 一种视频监控场景下的人工智能人脸异常检测系统及方法 |
WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
-
2020
- 2020-10-09 CN CN202011075186.9A patent/CN112200075B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2625795A1 (en) * | 2008-04-25 | 2009-10-25 | Gerard Voon | Neural links/artificial intelligence/computer-robotics/automation/mind control over any and all things |
CN103034874A (zh) * | 2011-09-29 | 2013-04-10 | 上海中医药大学 | 基于中医望诊的面部光泽分析方法 |
CN104463137A (zh) * | 2014-12-18 | 2015-03-25 | 上海交通大学 | 基于特征空间分裂的异常人脸图像检测方法及系统 |
CN107247916A (zh) * | 2017-04-19 | 2017-10-13 | 广东工业大学 | 一种基于Kinect的三维人脸识别方法 |
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 |
CN107992842A (zh) * | 2017-12-13 | 2018-05-04 | 深圳云天励飞技术有限公司 | 活体检测方法、计算机装置及计算机可读存储介质 |
WO2019214557A1 (zh) * | 2018-05-08 | 2019-11-14 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN109753864A (zh) * | 2018-09-24 | 2019-05-14 | 天津大学 | 一种基于caffe深度学习框架的人脸识别方法 |
CN109858368A (zh) * | 2018-12-29 | 2019-06-07 | 浙江工业大学 | 一种基于Rosenbrock-PSO的人脸识别攻击防御方法 |
WO2020199475A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
AU2019100806A4 (en) * | 2019-07-24 | 2019-08-29 | Dynamic Crowd Measurement Pty Ltd | Real-Time Crowd Measurement And Management Systems And Methods Thereof |
CN110443203A (zh) * | 2019-08-07 | 2019-11-12 | 中新国际联合研究院 | 基于对抗生成网络的人脸欺骗检测系统对抗样本生成方法 |
CN110516616A (zh) * | 2019-08-29 | 2019-11-29 | 河南中原大数据研究院有限公司 | 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法 |
CN110956681A (zh) * | 2019-11-08 | 2020-04-03 | 浙江工业大学 | 一种结合卷积网络和邻域相似性的人像背景自动替换方法 |
CN111160313A (zh) * | 2020-01-02 | 2020-05-15 | 华南理工大学 | 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 |
CN111695432A (zh) * | 2020-05-19 | 2020-09-22 | 中国电子科技网络信息安全有限公司 | 一种视频监控场景下的人工智能人脸异常检测系统及方法 |
CN111639589A (zh) * | 2020-05-28 | 2020-09-08 | 西北工业大学 | 基于对抗学习和类颜色空间的视频虚假人脸检测方法 |
Non-Patent Citations (2)
Title |
---|
宛根训;田青;朱红徽;葛利军;: "人脸识别应用活体检测技术研究", 中国安全防范技术与应用, no. 06, pages 59 - 63 * |
汪亚航;宋晓宁;吴小俊;: "结合混合池化的双流人脸活体检测网络", 中国图象图形学报, no. 07, pages 130 - 142 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784790A (zh) * | 2021-01-29 | 2021-05-11 | 厦门大学 | 一种基于元学习的泛化性伪造脸检测方法 |
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 |
CN116844198A (zh) * | 2023-05-24 | 2023-10-03 | 北京优创新港科技股份有限公司 | 一种检测人脸攻击的方法及系统 |
CN116844198B (zh) * | 2023-05-24 | 2024-03-19 | 北京优创新港科技股份有限公司 | 一种检测人脸攻击的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112200075B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Improving cross-database face presentation attack detection via adversarial domain adaptation | |
US11354917B2 (en) | Detection of fraudulently generated and photocopied credential documents | |
Bai et al. | Is physics-based liveness detection truly possible with a single image? | |
Wandzik et al. | Morphing detection using a general-purpose face recognition system | |
Zhu et al. | Detection of spoofing medium contours for face anti-spoofing | |
Yeh et al. | Face liveness detection based on perceptual image quality assessment features with multi-scale analysis | |
CN112200075B (zh) | 一种基于异常检测的人脸防伪方法 | |
CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
Daniel et al. | Texture and quality analysis for face spoofing detection | |
CN111476727B (zh) | 一种面向换脸视频检测的视频运动增强方法 | |
Lin et al. | Convolutional neural networks for face anti-spoofing and liveness detection | |
CN111767877A (zh) | 一种基于红外特征的活体检测方法 | |
Simanjuntak et al. | Face spoofing detection using color distortion features and principal component analysis | |
Shahriar et al. | An iris-based authentication framework to prevent presentation attacks | |
CN109657544B (zh) | 一种人脸检测方法和装置 | |
Rusia et al. | A Color-Texture-Based Deep Neural Network Technique to Detect Face Spoofing Attacks | |
Unnikrishnan et al. | Face spoof detection using image distortion analysis and image quality assessment | |
US20230084980A1 (en) | System for detecting face liveliness in an image | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
Wang et al. | Adversarial attack on fake-faces detectors under white and black box scenarios | |
CN117496601B (zh) | 基于细分类和对抗域泛化的人脸活体检测系统及方法 | |
Chen et al. | FaceCat: Enhancing Face Recognition Security with a Unified Generative Model Framework | |
CN117727047B (zh) | 一种基于ai大模型内容安全质检处理方法 | |
Praveen et al. | Improved complete dynamic local ternary pattern texture descriptor for face spoof attacks | |
Zhang et al. | Dynamic attention based domain generalization for face anti-spoofing |
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 |