[发明专利]一种基于生成模型的人脸防伪方法

说明书

本发明公开了一种基于生成模型的人脸防伪方法。其具体步骤包括：步骤1，对人脸防伪数据集进行预处理，数据集中包括对应的“0，1”标签，其中，0代表攻击图像，1代表真实图像；步骤2，搭建生成式对抗网络，该网络包括生成网络和鉴别网络，将预处理好的人脸图像输入生成网络和鉴别网络，进行训练；训练时，引入最大均值差异约束；步骤3，将一张未知是否带有攻击的人脸图像输入已经训练好的生成网络，生成网络再输入一张对应的预测真实人脸，通过计算输入人脸图像与预测真实人脸之间的差异，如果差异低于阈值，则表示输入人脸图像是真实的，如果差异超过阈值，则被判断为伪装人脸。由于本方法不用提取特征，所以泛化性和准确性更高。

技术领域

本发明涉及人脸防伪领域，并且利用生成模型预测真实人脸图像，以此实现人脸防伪检测。

背景技术

近年来，人脸识别系统已被广泛应用于手机解锁、刷脸支付、人脸签到等各种场景。然而，广泛的应用也使人脸识别系统遭受更多的攻击，例如照片攻击，视频攻击，化妆攻击，3D面具攻击等。为了确保人脸识别系统的安全性，必须要能够检测出这些带有攻击的伪装人脸。因此，人脸防伪已经引起了学术界和工业界的广泛关注。

早期的人脸防伪通常是利用传统人工设计特征(如LBP,HOG和SIFT)来区分真实人脸和伪装人脸。传统特征存在两个局限：引入的先验假设不精准；过于依赖数据库，迁移性差。这使得早期的人脸防伪方法的性能不佳。

然后，随着深度学习方法的发展和大规模公共人脸防伪数据集的出现，基于深度学习的人脸防伪方法成为主流方法，在数据集内的人脸防伪任务上达到了很高的准确率。尽管基于深度学习的方法在数据集内表现出色，但在跨数据集测试中，准确率却大幅下降。以往基于深度学习的人脸防伪方法的泛化性较差，这使得这些算法难以落地使用。所以近些年来，人们开始专注于跨域的人脸防伪方法的研究，域泛化也成了人脸防伪算法的重要目标。

为了提高人脸防伪方法的泛化性能，必须利用源域的标记数据学习对目标域也有泛化能力的特征表示，使得算法能从源域迁移到目标域。

目前已经提出了一些域泛化的人脸防伪方法。有些使用最大均值差异(MMD)计算不同域距离，通过约束这个距离来对齐不同域之间的分布；元学习能够得到更好的模型初始化参数，并找到更具泛化性的学习方向；域自适应方法先在源域数据集上训练模型，再利用无标签目标域数据集对模型进行微调，从而使得模型具有更强的泛化能力。

尽管当前的算法在域泛化任务上取得了一些进展，但还有较大的提升空间。现有的人脸防伪方法本质上都是提取伪装特征，再通过分类器输出最终的判断结果。但是，获得具有良好泛化性的特征提取网络存在巨大的挑战。第一，与人脸图像相比，人脸伪装痕迹的像素值相对微小，因而对噪声敏感。第二，即使是同一伪装技术产生的伪装痕迹也会随着不同的肤色和光照条件而变化。第三，伪装方式种类繁多，很难在已知数据集中完全收集到所有类型的伪装方式。这些困难阻碍了基于特征的人脸防伪方法提取出泛化的伪装特征，也是深度学习网络在跨域实验表现不好的原因。

发明内容

针对目前的人脸防伪方法存在着泛化性不足的问题，本发明提出使用基于生成模型学习的人脸防伪方法。

为达上述目的，本发明采用的技术方案如下：

一种基于生成模型的人脸防伪方法，该方法的具体步骤包括：

步骤1，对人脸防伪数据集进行预处理，数据集中包括对应的“0，1”标签，其中，0代表攻击图像，1代表真实图像；

步骤2，搭建生成式对抗网络，该网络包括生成网络和鉴别网络，生成网络用于学习人脸先验知识，生成与输入人脸样貌特征相同的真实人脸图像，鉴别网络用于监督生成网络生成真实人脸图像的质量；将步骤1预处理好的人脸图像输入所述生成网络和鉴别网络，进行训练；训练时，引入最大均值差异约束，使得整个网络具有更强的泛化性；