[发明专利]一种基于异常检测的人脸防伪方法

说明书

本发明公开了一种基于异常检测的人脸防伪方法，包括使用真实人脸数据集对其进行裁剪对齐，将其变换到HSV、YCbCr颜色空间，然后进行拼接生成HSV‑YCbCr特征；使用GAN网络来学习真实人脸HSV‑YCbCr特征的分布，在训练集上对GAN网络进行无监督训练；测试时，使用训练后的模型将预处理后的人脸HSV‑YCbCr特征用梯度下降方法映射回隐空间，计算loss值，然后与阈值进行比较判断测试图片的真假。

技术领域

本发明涉及一种基于异常检测的人脸防伪方法，属于人脸识别技术领域。

背景技术

随着科技的迅猛发展和人脸识别技术本身的优越性如非侵入性、安全性等特点,人脸识别技术得到了越来越广泛的应用，如手机解锁，刷脸支付等。然而人脸识别系统容易受到非法用户的恶意攻击，如冒充者打印出别人的照片想以此来骗过人脸识别系统。因此人脸防伪技术成为人脸识别过程中必不可少的一个环节。

人脸防伪是指人脸识别系统可以有效的区分出真脸和假脸。假脸也称为攻击，一般分为打印攻击、重放攻击和面具攻击。打印攻击是指冒充者打印出合法用户的照片，试图以此攻破人脸识别系统。重放攻击是指攻击者试图以显示在电子屏幕上合法用户的照片或者视频来攻击人脸识别系统。面具攻击是指攻击者通过佩戴面具的行为来攻击人脸识别系统。

人脸防伪方法一般是将人脸防伪看成是一个二分类问题来处理。一般传统方法由LBP、SIFT、LPQ、IMQ等特征提取器和SVM、SRC、LDA等分类器组成，基于深度学习的方法则采用了神经网络来对图片进行特征提取及最终分类。这种二分类的策略，需要同时收集真脸样本和假脸样本训练，在需要增加训练样本量的时候不仅需要真脸样本还需要攻击样本，很难做到均衡；此外总会有新的攻击方式出现，这种基于分类的方法仅能对训练时用到的样本类型进行判断，泛化性能差。异常检测则为人脸防伪提供了另外一种思路。异常检测是指在一个模式中找到异常的特性或行为。异常检测可以只对正常样本进行训练，为了提高算法性能可以很容易地增加训练样本的规模，无需考虑正负样本数据量之间的均衡问题，针对先前未见的攻击具有泛化性能。

因此，本发明提出的一种基于异常检测的人脸防伪方法，能够解决泛化性能差及正负样本数据量之间不平衡的问题，具有重要的实际应用价值。

发明内容

本发明的目的在于提供一种基于异常检测的人脸防伪方法，以解决上述背景技术中提出的问题。

一种基于异常检测的人脸防伪方法，包括以下步骤：

步骤1：使用RGB人脸数据集(全部真脸，正样本),预处理后，将其转换到HSV空间和YCbCr颜色空间，然后拼接成6通道的HSV-YCbCr特征；

步骤2：从异常检测角度出发，使用真实人脸数据集的HSV-YCbCr特征，对生成网络模型(GAN，一个生成器，一个判别器)进行无监督训练；

步骤3：使用训练完成的模型将测试集图片的HSV-YCbCr特征映射回隐空间；即根据训练好的生成器G和判别器D，将HSV-YCbCr特征x映射回隐空间中，即得到z；

步骤4：使用与测试集图片的HSV-YCbCr特征对应的隐空间的值z，将其带入loss计算公式L(z)＝λL_G(z)+(1-λ)L_D(z)中进行计算，与阈值进行比较，若计算出的结果大于阈值，即若L(z)＞η则判断测试图像为攻击，否则判断其为真实人脸图片；

作为本发明进一步的方案，步骤1包括如下步骤：

步骤1.1：对预处理的图片将其转换到HSV空间，转换方式为：

V＝MAX；

其中MAX＝max{R/255,G/255,B/255}；