基于相似度计算的人脸异常攻击筛查方法和装置制造方法及图纸

本申请涉及一种基于相似度计算的人脸异常攻击筛查方法和装置，属于人脸识别和身份验证相关技术领域，通过计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度是否大于预设阈值来识别人脸异常攻击，基于二维图像序列实现基于高阶背景特征相似度计算的人脸异常攻击筛查，采用深度孪生网络提取待识别图像的高阶背景特征确保针对复杂环境的背景具有更好的鲁棒性，基于待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度判断是否为人脸异常攻击，提高了人脸异常攻击的识别精度和鲁棒性，可以广泛用于辅助人脸活体检测和提升防御假脸攻击能力。假脸攻击能力。假脸攻击能力。

【技术实现步骤摘要】
基于相似度计算的人脸异常攻击筛查方法和装置


[0001]本申请涉及人脸识别和身份验证相关
，尤其涉及一种基于相似度计算的人脸异常攻击筛查方法和装置
。

技术介绍

[0002]随着移动互联网的发展，身份验证场景（确定用户对象的真实性）在金融保险
、
银行证券等领域得到越来越多关注，假脸攻击对人脸活体检测可靠性的威胁也越来越大，而且假脸攻击手段越来越丰富
。
[0003]已有技术中常用的对抗假脸攻击的方法主要包括基于单张图像的静默活体识别和基于随机动作的动作活体识别
。
其中，基于单张图像的静默活体识别方法通过搜集海量数据（包括人脸活体图片和人脸非活体图片）进行二分类训练网络模型，基于单张图像的静默活体识别方法存在需要搜集海量数据而且二分类网络模型对各种异常软件合成的非活体表现较差，假脸攻击识别精度低
。
基于随机动作的动作活体识别方法通常是设备端提示用户张张嘴
、
摇摇头
、
眨眨眼等动作进行配合验证，此类方法存在当攻击用户采用提前录制的带有上述动作的攻击视频时往往容易绕过动作活体验证，进而导致假脸攻击识别可靠性差
。

技术实现思路

[0004]本申请提供一种基于相似度计算的人脸异常攻击筛查方法和装置，用于辅助人脸活体检测和提升防御假脸攻击能力
。
[0005]本申请的技术方案如下：根据本申请实施例的第一方面，提供一种基于相似度计算的人脸异常攻击筛查方法包括：采用深度孪生网络提取待识别图像的高阶背景特征；计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度；若所述相似度大于预设阈值，则所述待识别图像为人脸异常攻击样本；若所述相似度不大于预设阈值，则所述待识别图像为正常识别样本
。
[0006]可选的，所述计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度包括：根据公式计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的与余弦相似度，其中，为待识别图像的高阶背景特征，为人脸异常攻击样本高阶背景特征库的高阶背景特征
。
[0007]可选的，所述人脸异常攻击样本高阶背景特征库为通过人工标注预先构建的人脸异常攻击样本库的人脸异常攻击样本分别输入深度孪生网络提取的人脸异常攻击样本高
阶背景特征组成的高阶背景特征库
。
[0008]可选的，所述预设阈值为
70~80。
[0009]可选的，所述深度孪生网络的主干网络采用
MobileNetV2
，
MobileNetV2
去掉最后一层全连接层后接入自定义卷积层
、
多尺度卷积层和全连接层
。
[0010]根据本申请实施例的第二方面，提供一种基于相似度计算的人脸异常攻击筛查装置包括：特征提取模块，用于采用深度孪生网络提取待识别图像的高阶背景特征；计算模块，用于计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度；第一判断模块，用于若所述相似度大于预设阈值，则所述待识别图像为人脸异常攻击样本；第二判断模块，用于若所述相似度不大于预设阈值，则所述待识别图像为正常识别样本
。
[0011]可选的，所述计算模块具体用于：根据公式计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的与余弦相似度，其中，为待识别图像的高阶背景特征，为人脸异常攻击样本高阶背景特征库的高阶背景特征
。
[0012]可选的，所述人脸异常攻击样本高阶背景特征库为通过人工标注预先构建的人脸异常攻击样本库的人脸异常攻击样本分别输入深度孪生网络提取的人脸异常攻击样本高阶背景特征组成的高阶背景特征库
。
[0013]可选的，所述预设阈值为
70~80。
[0014]可选的，所述深度孪生网络的主干网络采用
MobileNetV2
，
MobileNetV2
去掉最后一层全连接层后接入自定义卷积层
、
多尺度卷积层和全连接层
。
[0015]有益效果：本申请所涉及的一种基于相似度计算的人脸异常攻击筛查方法和装置，采用深度孪生网络提取待识别图像的高阶背景特征；通过计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度是否大于预设阈值来识别人脸异常攻击，基于二维图像序列实现基于高阶背景特征相似度计算的人脸异常攻击筛查，采用深度孪生网络提取待识别图像的高阶背景特征确保针对复杂环境的背景具有更好的鲁棒性，基于待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度判断是否为人脸异常攻击，提高了人脸异常攻击的识别精度和鲁棒性，可以广泛用于辅助人脸活体检测和提升防御假脸攻击能力
。
[0016]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请
。
附图说明
[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定
。
[0018]图1是根据一示例性实施例示出的一种基于相似度计算的人脸异常攻击筛查方法的流程示意图；图2是根据一示例性实施例示出的一种深度孪生网络的网络结构示意图；图3是根据一示例性实施例示出的一种基于相似度计算的人脸异常攻击筛查方法的示意图；图4是根据一示例性实施例示出的一种基于相似度计算的人脸异常攻击筛查装置的框架示意图
。
具体实施方式
[0019]为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚
、
完整地描述
。
[0020]下面将结合附图
1~
附图4对本专利技术实施例的一种基于相似度计算的人脸异常攻击筛查方法和装置进行详细的说明，其中，图1为本申请一示例性实施例提供的一种基于相似度计算的人脸异常攻击筛查方法的流程图
。
如图1所示，该基于相似度计算的人脸异常攻击筛查方法的具体步骤如下：步骤
110
：采用深度孪生网络提取待识别图像的高阶背景特征
。
[0021]其中，参考图2所示，本专利技术实施例采用的深度孪生网络的主干网络采用
MobileNetV2
，
MobileNetV2
去掉最后一层全连接层后接入自定义卷积层
、
多尺度卷积层和全连接层
。
本专利技术实施例采用的深度孪生网络的网络结构如图2所示，全连接层的输出为
1024
个神经元
。
[0022]本专利技术实施例采用的深度孪生网络的训练和优化过程如下：（1）对人脸异常攻击训练图像进行预处理，其中，预处理包括数据扩增和数据归一化处理，数据扩增包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于相似度计算的人脸异常攻击筛查方法，其特征在于，所述人脸异常攻击筛查方法包括：采用深度孪生网络提取待识别图像的高阶背景特征；计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度；若所述相似度大于预设阈值，则所述待识别图像为人脸异常攻击样本；若所述相似度不大于预设阈值，则所述待识别图像为正常识别样本
。2.
根据权利要求1所述的人脸异常攻击筛查方法，其特征在于，所述计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的相似度包括：根据公式计算待识别图像的高阶背景特征与人脸异常攻击样本高阶背景特征库之间的与余弦相似度，其中，为待识别图像的高阶背景特征，为人脸异常攻击样本高阶背景特征库的高阶背景特征
。3.
根据权利要求2所述的人脸异常攻击筛查方法，其特征在于，所述人脸异常攻击样本高阶背景特征库为通过人工标注预先构建的人脸异常攻击样本库的人脸异常攻击样本分别输入深度孪生网络提取的人脸异常攻击样本高阶背景特征组成的高阶背景特征库
。4.
根据权利要求1所述的人脸异常攻击筛查方法，其特征在于，所述预设阈值为
70~80。5.
根据权利要求1所述的人脸异常攻击筛查方法，其特征在于，所述深度孪生网络的主干网络采用
MobileNetV2
，
MobileNetV2
去掉最后一层全连接层后接入自定义卷积层
、
多尺度卷积层和全连接层
。6.
...

【专利技术属性】
技术研发人员：洪叁亮，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：