[发明专利]基于对抗学习和类颜色空间的视频虚假人脸检测方法

说明书

本发明公开了一种基于对抗学习和类颜色空间的视频虚假人脸检测方法，用于解决目前视频虚假人脸检测方法对利用对抗学习技术构建的视频虚假人脸图像检测效果较差的问题。基于对抗学习的虚假人脸检测方法需要构建对抗数据集用于训练，本发明中基于OULU‑NPU数据集，利用FGM、BIM和deepfool方法构建对抗数据集。首先在训练过程中，对训练视频数据进行预处理，提取和归一化人脸图像，然后利用上述三种攻击方法构建对抗数据集，再输入神经网络构建新颜色空间和训练模型。在检测过程中，对待测视频进行预处理，提取和归一化人脸图像。然后输入卷积神经网络，利用训练好的模型将归一化图像映射到新颜色空间，并进行特征提取和分类检测。本发明提出利用FGM、BIM和deepfool方法构建对抗数据集，然后使用对抗数据集训练自适应颜色空间映射、特征提取和分类模型。

技术领域：

本发明涉及视频虚假人脸检测的方法。

现有技术：

近年来，我国人脸身份认证技术发展突飞猛进，在门禁、安防以及金融等领域广泛应用。但是，人脸身份认证技术在给我们生活提供便捷的同时，也存在被攻击的严重安全隐患。人脸伪装是最有效且低成本地欺骗人脸识别算法的手段，具体的实现方法是利用用户的照片、视频、3D面具等伪装成本人欺骗(攻击)人脸识别系统。因此，针对虚假人脸(facespoofing)攻击的检测技术具有重要研究意义。目前，现有虚假人脸检测方法在已有数据集上获得了较好结果，但随着打印设备和显示设备的性能不断提高，虚假人脸的欺骗手段越来越高明，特别是日益发展的对抗学习技术为高逼真度的虚假人脸攻击提供了技术支撑，在现实场景中人脸攻击检测方法面临的挑战性不断增加。因此，面向对抗样本的虚假人脸检测成为亟需解决的问题。

文献1“Face anti-spoofing using patch and depth-based CNNs[C].2017IEEE International Joint Conference on Biometrics(IJCB),2017:319-328.”提出了一种视频虚假人脸检测方法。此方法首先对人脸图像分别提取其分割图块和预测其深度图，然后利用神经网络计算图块的虚假度，再利用特征提取器和支持向量机进行真假分类，最后将图块的虚假度和支持向量机的分类结果融合计算得到分类结果，最终在现有实验室数据中获得了优异的性能。

发明目的：

由于现有方法在现实场景中对利用对抗学习技术构建的视频虚假样本检测效果较差，本发明提出了一种对抗学习和类颜色空间的视频虚假人脸检测方法，通过对抗学习和构建类颜色空间优化对利用对抗学习技术构建的更逼真视频虚假人脸图像检测效果。

发明内容：

本发明是一种基于对抗学习的视频虚假人脸检测方法。发明流程如附图1所示，分为四个主要部分：数据预处理、对抗样本构建、自适应类颜色空间计算、特征提取与检测。首先，利用数据预处理将人脸图像进行归一化表达；其次，利用多种对抗攻击方法构建对抗数据集，以训练深度模型；然后，面向虚假人脸检测任务，构建自适应类颜色空间；最后，构建深度网络提取特征，并进行真假脸检测。

1、数据预处理：

对于宽度和高度分别为w和h的RGB人脸图像I(x,y),x＝1,2,…,w,y＝1,2,…,h，归一化为宽和高均为l的RGB人脸图像。

2、对抗样本构建：

1)基于FGM方法生成对抗样本：

利用文献2“Goodfellow Ian J,Shlens Jonathon,SzegedyChristian.Explaining And Harnessing Adversarial Examples[J].stat,2015,1050:20.”中FGM方法对图像I进行变换，由图像I生成对抗样本I_adv-FGM，可由公式(1)计算得到：

I_adv-FGM＝I+r_adv-FGM (1)