[发明专利]一种两级人脸防伪检测方法

说明书

本发明公开了一种两级人脸防伪检测方法，包括：构建基于区域人脸防伪卷积神经网络的第一级人脸防伪检测器；构建基于LBP特征的第二级人脸防伪检测器；利用所述第一级人脸防伪检测器对输入的人脸图像进行第一级防伪检测，获得第一级人脸防伪检测结果；在所述第一级人脸防伪检测结果不满足需求时，基于所述第一级人脸防伪检测结果利用所述第二级人脸防伪检测器对输入的人脸区域图像进行第二级防伪检测，获得第二级人脸防伪检测结果；融合所述第一级人脸防伪检测结果和所述第二级人脸防伪检测结果，获得最终人脸防伪检测结果。该方法能够直接使用原始图片进行人脸活体检测，不需要预先对图片进行人脸检测和裁剪，符合实际应用场景。

技术领域

本发明属于生物认证防伪领域，具体涉及一种两级人脸防伪检测方法。

背景技术

随着技术的发展，人类使用多种生物特征作为认证系统的重要凭证，比如指纹，人脸，声音，瞳孔等。无论从经济角度还是社会角度，人脸都是最具有影响力的生物特征之一。另外，由于人脸识别和人脸检测的快速发展，这项技术已经在众多场合得到应用，大到机密场合的门禁系统，小到笔记本电脑的登录系统，甚至是移动终端的解锁系统，和其他生物特征相比，人脸认证逐渐成为最常使用的一种认证方式。

欺骗攻击是针对生物认证系统的一种攻击，它通过向传感器呈现合法生物特征的伪造版本，企图使生物认证系统将非法用户认证为合法用户，从而使该非法用户进入生物认证系统。由于攻击者可以轻易地从个人网站或社交网站中获取合法用户的面目特征，甚至攻击者还可以近距离地拍摄合法用户的照片和视频，和其他生物特征相比，针对人脸的欺骗攻击更容易实施。

一般说来，人脸欺骗攻击可以分为3类：照片攻击，视频攻击和面具攻击。照片攻击是指攻击者将合法用户的照片打印在纸上或显示在电子设备的屏幕上，呈现给生物认证系统传感器的一种攻击。视频攻击也被称为重放攻击，因为该种视频攻击是通过重放合法用户的视频来实施的。面具攻击则是指攻击者戴上合法用户的3D面具，伪装成合法用户，企图进入人脸识别系统的攻击行为。

从21世纪以来，国内外的研究机构开始对人脸欺骗攻击检测进行了大量的研究，传统的方法主要分为三类：第一类是基于纹理特征的方法，主要是使用人工提取的纹理特征来进行人脸欺骗攻击检测。第二类是基于运动信息的方法，主要是通过视频帧序列对视频中人的眨眼，摇头，点头等运动信息进行检测，从而判断是否是人脸欺骗攻击。第三类是基于重建人脸三维信息的方法，主要是利用人脸二维照片重构稀疏三维模型，从而判断是真脸还是图片或者视频攻击。

随着现代处理器计算能力和深度学习理论的高速发展，深度学习的方法已经开始应用到人脸欺骗攻击检测中。相对于人工提取特征，神经网络的方法检测性能有了极大的提升。神经网络可以学习到更加有区分度的特征来判断人脸欺骗攻击，但是深度学习的方法需要大量的训练数据进行模型训练，强大的学习能力也让模型的泛化性有一定的降低。所以，怎么能最大程度地利用神经网络的学习能力的同时，提高模型的泛化性是研究人员研究的热点。

发明内容

本发明的目的是提供一种两级人脸防伪检测方法，该方法能够直接使用原始图片进行人脸活体检测，不需要预先对图片进行人脸检测和裁剪，符合实际应用场景。同时利用优化Retinex的局部二值模式特征的光照鲁棒性进行第二级检测，使检测结果准确并且具有一定的泛化性。

为实现上述发明目的，本发明提供以下技术方案：

一种两级人脸防伪检测方法，其特征在于，包括以下步骤：

构建基于区域人脸防伪卷积神经网络且用于对于输入的人脸图像进行第一级防伪检测的第一级人脸防伪检测器；

构建基于LBP特征且用于对输入的人脸区域图像进行第二级防伪检测的第二级人脸防伪检测器；

利用所述第一级人脸防伪检测器对输入的人脸图像进行第一级防伪检测，获得第一级人脸防伪检测结果；