[发明专利]基于融合特征和字典学习的人脸表示攻击检测方法及系统

说明书

本发明公开了一种基于融合特征和字典学习的人脸表示攻击检测方法及系统，该方法步骤包括：根据人脸图像二次成像的失真来源提取完整人脸图像的图像质量特征；构建深度卷积网络模型，通过深度卷积网络提取人脸图像块的深度网络特征；将两种特征级联通过PCA生成最终的融合特征；利用融合特征初始化字典原子，训练基于低秩共享字典的字典学习分类器；基于融合特征重构残差的大小判断测试样本的类别。本发明首次结合图像质量特征和深度网络特征进行人脸表示攻击检测，更好地利用了单帧图像提供的信息，有效增强了提取特征的判别能力；首次通过低秩共享字典剥离出真伪样本的相同模式，不仅成功提高了攻击检测的准确率，而且具有良好的泛化性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于融合特征和字典学习的人脸表示攻击检测方法及系统。

背景技术

如今，人脸识别技术被广泛应用在安防、支付、娱乐设施等场景中。然而，人脸识别系统存在一定的安全隐患。随着社交网络的发展和智能手机的普及，越来越多人在网络上分享个人的照片、视频，不法分子可以通过利用这些媒介伪装成其他人或者故意混淆个人身份来攻击人脸识别系统，达到侵犯他人财产安全、逃脱法律制裁等目的。企图用合法用户的照片、视频等手段以借用该用户身份通过人脸识别系统的操作，被称为人脸表示攻击，检测这类攻击的方法，称为人脸活体检测。

在人脸活体检测中，人脸图像可分为两类，一类是直接对合法用户本人进行拍摄得到的图像。另一类图像的拍摄对象可能是合法用户的照片、视频和蜡像等跟合法用户脸部相似度高的对象。这类图像被称为人脸表示攻击图像(简称攻击人脸)，是活体检测技术要检测的对象。

人脸活体检测算法的核心在于提取人脸图像中对检测活体最有判别力的特征，传统的检测技术基于手工设计的特征，例如LBP(局部二值模式)、LPQ(局部相位量化)，随着设备成像质量的不断改善，人工设计能够检测攻击人脸的特征变得非常困难。近年来，采用卷积神经网络自动提取特征成为主流。深度卷积神经网络在图像分类任务上表现出色，但受限于活体检测数据集的规模，仅通过类别标签监督的深度网络倾向于记忆存在于训练集中的任意特征，容易导致过拟合，算法泛化性差。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于融合特征和字典学习的人脸表示攻击检测方法，通过融合人工设计的图像质量特征和深度网络特征，充分利用了单帧图像提供的信息，有效增强特征的识别能力，并采用了基于低秩共享字典的字典学习方法实现真伪样本的分类，共享字典能够剥离出真伪样本的共性，从而提高攻击检测的准确率。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于融合特征和字典学习的人脸表示攻击检测方法，包括下述步骤：

对输入视频进行人脸检测和裁剪，构建人脸图像数据库；

提取人脸图像数据库中的人脸图像的融合特征，所述融合特征包括图像质量特征和深度网络特征；

根据人脸图像二次成像的失真来源提取完整人脸图像的图像质量特征；

构建深度卷积网络模型，通过深度卷积网络提取人脸图像块的深度网络特征；

根据图像质量特征和深度网络特征，将两种特征分别标准化后级联，级联后的特征通过PCA进行降维，生成最终的融合特征；

基于融合特征初始化字典原子，训练基于低秩共享字典的字典学习分类器；

基于融合特征重构残差的大小判断测试样本的类别。

作为优选的技术方案，所述根据人脸图像二次成像的失真来源提取完整人脸图像的图像质量特征，具体步骤包括：提取镜面反射特征、提取模糊特征、提取色矩特征和提取色彩多样性特征步骤，将提取得到的特征级联，得到图像质量特征。

作为优选的技术方案，所述通过深度卷积网络提取人脸图像块的深度网络特征，具体步骤包括：