[发明专利]一种基于双解耦生成和半监督学习的活体检测方法及系统

说明书

本发明公开了一种基于双解耦生成和半监督学习的活体检测方法及系统，该方法步骤包括：数据预处理得到RGB颜色通道图原始样本，并配对相同身份得到真假图像对；真人编码器输出真人身份向量，假体编码器输出假体身份向量和假体模式向量，三者合并送入解码器得到重建真假图像对，构建双解耦生成损失函数，噪声送到训练好的解码器得到生成样本；对原始样本和生成样本构造有标签样本、无标签样本、增强后无标签样本，三者送入教师学习模块得到教师半监督损失、无标签样本的伪标签、增强后无标签损失，更新检测器和教师网络参数；利用验证集确定阈值；加载测试数据到检测器得到分类分数，根据阈值判决分类结果。本发明能够提高活体检测模型的鲁棒性。

技术领域

本发明涉及人脸识别防欺骗检测技术领域，具体涉及一种基于双解耦生成和半监督学习的活体检测方法及系统。

背景技术

如今，在企业和行业的使用面部生物识别技术的场景急剧增加，例如，可以使用面部解锁技术来保护电子设备中的个人隐私，可以使用面部生物识别技术对付款进行身份验证。但是，将面部用作身份验证的生物特征是不安全的。面部生物识别系统可能容易受到欺骗攻击。人脸欺骗攻击方式一般来说可分为四类：1)照片攻击:攻击者利用打印或者显示屏的照片来欺骗认证系统；2)视频重放攻击:攻击者利用提前拍摄的被攻击者的视频欺骗认证系统；3)人脸面具攻击，攻击者戴着根据被攻击者精心制作的人脸面具欺骗系统；4)对抗样本攻击，攻击者通过GAN网络生成特定的样本噪声去干扰人脸认证系统产生错误的定向身份验证。这些人脸欺骗攻击不仅成本低廉而且能欺骗系统，严重影响和威胁着人脸识别系统的应用。

活体检测在防止人脸识别系统遭受假体攻击方面起着至关重要的作用，得益于深度学习网络强大的特征提取能力，基于深度学习的活体检测算法取得比基于传统手工特征算法更好的性能，尽管大多数基于深度学习的活体检测算法能在库内达到很好的检测效果，但是跨库检测性能欠佳，主要原因是库内和库外数据往往在不同条件下采集，例如拍摄设备、环境光照和攻击呈现设备不同等，导致库内和库外数据的分布不同，两者之间存在域位移。当训练数据的多样性不足时，容易在库内学习过程中过拟合，跨库泛化性能不好。尽管可以判断起因，然而在真实世界的应用过程中解决上述问题并不容易，活体检测模型难以收集所有场景下的有标签训练样本，导致目前大多数现有的反欺骗数据集多样性不足。例如，常用的CASIA、Replay-Attack、msu拍摄设备分别只有3、2、2种，拍摄背景分别只有3、2、1种。

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双解耦生成和半监督学习的活体检测方法，通过解耦学习建模活体/假体特征，在潜在空间合成生成样本来扩充数据集，提升训练数据的多样性，同时，保证生成的样本的高区分度，减少生成噪声对模型学习的影响，具体采用了基于双解耦生成和半监督学习的技术方案，解决了活体检测模型数据多样性不足及泛化性差的技术问题，达到了保证库内准确率的同时，有效地提升泛化性能的技术效果。

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双解耦生成和半监督学习的活体检测方法，包括下述步骤：

对输入图像抠取人脸区域图像，得到RGB颜色通道图；

对待训练的RGB颜色通道图原始样本的每张真图像配对相同身份的一张假图像，构成真假图像对，并为假图像标注攻击类别标签；

构建真人编码器、假体编码器、解码器；

将真图像送入真人编码器得到真人身份向量，将配对的假图像送入假体编码器得到假体身份向量和假体模式向量，将真人身份向量、假体身份向量和假体模式向量合并送入解码器输出重建的真假图像对，构建双解耦生成损失函数进行优化；

从标准正态分布采样噪声输入到训练好的解码器得到生成样本；

裁剪原始样本和生成样本构成的训练集，构建有标签样本、无标签样本、增强后的无标签样本；

构建检测器和教师网络；