一种多尺度动态卷积人脸防伪方法、系统、设备及介质技术方案

本发明专利技术公开了一种多尺度动态卷积人脸防伪方法、系统、设备及介质，其中方法包括：浅层特征提取：输入的待检测人脸图像，通过浅层特征提取得到浅层特征向量；多尺度动态卷积：将浅层特征向量通过处理得到第一组权重，并与n个卷积核进行动态聚合得到适合当前输入的动态卷积核及其输出；基于多注意力机制进行处理：将动态卷积核的输出依次通过处理得到第二、三组权重，输出深层特征；基于损失函数进行预测：使用调整后的损失函数对深层特征进行处理，预测输出与真实标签之间的差异值，若该差异值超过设定阈值，则判断待检测人脸图像为伪造的人脸图像。本发明专利技术能够更高效过滤与人脸防伪无关的信息，增强了神经网络对人脸信息的特征提取能力。征提取能力。征提取能力。

【技术实现步骤摘要】
一种多尺度动态卷积人脸防伪方法、系统、设备及介质


[0001]本专利技术涉及人脸识别
，尤其涉及一种多尺度动态卷积人脸防伪方法、系统、设备及介质。

技术介绍

[0002]人脸识别作为一种方便、自然、高精度的生物特征识别技术，在模式识别和计算机视觉领域一直是研究的热点。近年来，人脸识别技术取得了重大进展，并在人们的日常生活中得到广泛应用，如手机解锁、门禁系统、金融支付和安检系统等，为智慧城市、智能工业园区建设提供了重要支撑。
[0003]然而现有的人脸识别系统仍存在许多安全隐患，由于人脸信息的易获取性，攻击者可以利用合法用户的面部进行伪装来欺骗人脸识别系统，这种行为称为面部欺诈攻击。随着用户对人脸识别技术的依赖增加，面部欺诈攻击变得更加复杂。
[0004]常见的面部欺诈攻击方式包括打印攻击(即用打印在纸上的人脸图像欺骗人脸识别系统)、屏显攻击(即在电子屏幕上播放人脸视频、照片或者三维模型来欺骗人脸识别系统)与面具攻击(即攻击者戴上面具欺骗人脸识别系统)。这些攻击方式经过巧妙设计，不仅能提供逼真的人脸纹理，还能提供三维结构信息和动态信息，具有较高的欺诈性。近年来，学术界和工业界越来越多地重视人脸识别系统对上述面部欺诈攻击的脆弱性。开发具有反欺诈攻击能力的人脸防伪系统是十分必要的。
[0005]人脸信息往往受到干扰因素的影响，如噪音、阴影以及光照条件。为了减少这些干扰因素对人脸防伪信息的影响，需要对特征进行提炼，将干扰因素去除，以便更好地提取所需要的特征。人脸防伪系统可分为基于手工特征提取的方法和数据驱动的深度学习方法。在这两种方法中，基于深度神经网络的深度学习方法通常比基于手工特征提取的方法表现更优。传统的静态神经网络在大规模数据集上进行训练，最终得到了参数固定的、静态的网络模型。在测试时，固定的模型参数可能无法应对输入样本的多样性。
[0006]专利技术专利CN201811192155.4公开了一种人脸防伪检测方法、装置及多目相机，该人脸防伪检测方法包括：利用TOF相机及RGB相机获取深度图像、红外图像及RGB图像；通过预设人脸检测算法对RGB图像进行分析，确定RGB图像中人脸的RGB人脸区域及RGB人脸区域的位置信息；按照RGB人脸区域的位置信息，确定人脸在深度图像中的深度人脸区域，及人脸在红外图像中的红外人脸区域；在深度人脸区域、红外人脸区域及RGB人脸区域各自满足相应的预设规则时，判定人脸通过检测。但该方法需要额外的采集设备才能够解决人脸信息易伪造的问题，通用性较差。
[0007]专利技术专利申请CN202210921234.4公开了一种人脸防伪检测方法、装置、计算机设备及存储介质，方法部分包括：首先接收检测终端拍摄到的待验证图像，在待验证图像中包括有待验证的目标人脸，然后对待验证图像进行目标检测，识别到目标检测框，该目标检测框包括目标人脸对应的人脸检测框，通过确定人脸检测框的大小，并根据人脸检测框的大小匹配对应的人脸防伪检测方式，实现对目标人脸进行防伪检测。但该方法难以高效提取
所需的特性信息，效率不高。

技术实现思路

[0008]本专利技术要解决的技术问题如下：
[0009]1)已有的人脸防伪方案大多针对长的视频序列，帧级的人脸防伪方法尽管可能存在一些性能上的损失，但在一些需要快速做出判断的实际部署场景下，获取长时间的视频信息是困难且不现实的，从可用性的角度来看帧级的人脸防伪方案是更有优势的。
[0010]2)传统的人脸防伪方法在面对跨数据集的场景时可能会表现不佳，这是因为传统方法训练出的模型只适合于某一数据集，处理其他数据的能力有限，缺乏泛化能力，获取的特征不足以预测复杂的情景，在现实应用中的准确率不够理想。
[0011]3)已有的人脸防伪方案神经网络层数较多，计算量较大，应用在计算能力较低的边缘设备时受设备的性能影响，导致模型性能下降，处理面部信息的能力也会受到限制。
[0012]为了解决上述问题，本专利技术提出一种多尺度动态卷积人脸防伪方法、系统、设备及介质，通过多尺度的动态卷积，引入通道注意力和像素注意力机制，并设计了更适用的损失函数，能够更高效的过滤与人脸防伪无关的信息，增强了神经网络对人脸信息的特征提取能力，提升准确度的同时减轻计算压力，可有效解决人脸防伪系统缺乏泛化能力的问题，提升系统效率。
[0013]本专利技术采用的技术方案如下：
[0014]一种多尺度动态卷积人脸防伪方法，先输入待检测人脸图像，经过网络的浅层特征提取后，进行多尺度的动态卷积，然后将所得到的特征信息通过多注意力机制提取到深层特征，最后预测输入的人脸图像是否为伪造的人脸。该方法具体包括以下步骤：
[0015]S1.浅层特征提取：输入的待检测人脸图像，通过浅层特征提取得到浅层特征向量x；
[0016]S2.多尺度动态卷积：将浅层特征向量x依次通过第一平均池化层、第一全连接层、第一ReLU函数层、第二全连接层和第一Softmax函数层处理得到第一组权重{a1，a2，...，a
n
}，并与n个卷积核进行动态聚合得到适合当前输入的动态卷积核及其输出y；
[0017]S3.基于多注意力机制进行处理：将动态卷积核的输出y依次通过第二平均池化层、第三全连接层、第二ReLU函数层、第四全连接层和第一Sigmoid函数层处理得到第二组权重W
a
，同时通过第五全连接层、第三ReLU函数层、第六全连接层和第二Sigmoid函数层处理得到第三组权重W
b
，输出深层特征其中其中为向量相乘；
[0018]S4.基于损失函数进行预测：使用调整后的损失函数对深层特征O
b
进行处理，预测输出与真实标签之间的差异值，若该差异值超过设定阈值，则判断待检测人脸图像为伪造的人脸图像。
[0019]进一步地，步骤S2中，动态卷积核的输出其中Conv表示卷积操作的激活函数，W
i
为第i个卷积核的权值，b
i
为第i个卷积核的权值和偏置，
[0020]进一步地，步骤S3中，通过第二平均池化层生成输入特征的全局平均值，从而获得输入特征的整体信息；通过第一和第二Sigmoid函数层将特征的权重归一化到0到1之间的范围，从而确定每个特征的重要性程度；通过第三至第六全连接层根据权重值调整特征的表示，从而增强或减弱特定区域的特征响应。
[0021]进一步地，步骤S4中，调整后的损失函数L为：
[0022][0023]其中，N表示需要分类的特征数，p为训练的批次数，为第i个样本与其对应类别y
i
之间的角距离，m为增加类内分离度的超参数，s为调整缩放余弦值的缩放因子。
[0024]一种多尺度动态卷积人脸防伪系统，包括：
[0025]浅层特征提取模块，被配置为输入待检测人脸图像，通过浅层特征提取得到浅层特征向量x；
[0026]多尺度动态卷积模块，被配置为将浅层特征向量x依次通过第一平均池化层、第一全连接层、第一ReLU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度动态卷积人脸防伪方法，其特征在于，包括以下步骤：S1.浅层特征提取：输入的待检测人脸图像，通过浅层特征提取得到浅层特征向量x；S2.多尺度动态卷积：将浅层特征向量x依次通过第一平均池化层、第一全连接层、第一ReLU函数层、第二全连接层和第一Softmax函数层处理得到第一组权重{a1,a2,
…
,a
n
}，并与n个卷积核进行动态聚合得到适合当前输入的动态卷积核及其输出y；S3.基于多注意力机制进行处理：将动态卷积核的输出y依次通过第二平均池化层、第三全连接层、第二ReLU函数层、第四全连接层和第一Sigmoid函数层处理得到第二组权重W
a
，同时通过第五全连接层、第三ReLU函数层、第六全连接层和第二Sigmoid函数层处理得到第三组权重W
b
，输出深层特征其中其中为向量相乘；S4.基于损失函数进行预测：使用调整后的损失函数对深层特征O
b
进行处理，预测输出与真实标签之间的差异值，若该差异值超过设定阈值，则判断待检测人脸图像为伪造的人脸图像。2.根据权利要求1所述的一种多尺度动态卷积人脸防伪方法，其特征在于，步骤S2中，动态卷积核的输出其中Conv表示卷积操作的激活函数，W
i
为第i个卷积核的权值，b
i
为第i个卷积核的权值和偏置，3.根据权利要求1所述的一种多尺度动态卷积人脸防伪方法，其特征在于，步骤S3中，通过第二平均池化层生成输入特征的全局平均值，获得输入特征的整体信息；通过第一和第二Sigmoid函数层将特征的权重归一化到0到1之间的范围，确定每个特征的重要性程度；通过第三至第六全连接层根据权重值调整特征的表示，增强或减弱特定区域的特征响应。4.根据权利要求1所述的一种多尺度动态卷积人脸防伪方法，其特征在于，步骤S4中，调整后的损失函数L为：其中，N表示需要分类的特征数，p为训练的批次数，为第i个样本与其对应类别y
i
之间的角距离，m为增加类内分离度的超参数，s为调整缩放余弦值的缩放因子。5.一种多尺度动态卷积人脸防伪系统，其特征在于，包括：浅层特征提取模块，被配置为输入待检测人脸图像，通过浅层特征提取得到浅层特征向量x；多尺度动态卷积模块，被配置为将浅层特征向量x依次通过第一平均池化层、第一全连接层、第一ReLU函数...

【专利技术属性】
技术研发人员：林乐羽，赵越，郝尧，乔兰斐，陈宇翔，
申请(专利权)人：中国电子科技集团公司第三十研究所，
类型：发明
国别省市：