- 1、本文档共65页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
摘要
摘要
随着计算机技术及软件理论的发展,计算机的运用普及到了生活的方方
面面,其中人脸识别这种基于生物信息的身份识别技术已经运用到安全访问、
在线支付、电子商务等众多领域。然而,随着这项技术被广泛使用,一些安全
问题也暴露了出来。人脸识别虽能高效准确地分辨身份,但是在面对一些简
单的欺骗和攻击手段时易失去身份验证的效果。例如,恶意用户可以用他人
的照片或视频呈现在摄像头前来骗过人脸识别系统,从而让系统识别为照片
或视频上的人,以达到他们的目的。针对这些攻击手段,人们开始研究反制的
方法,即人脸活体检测。它的步骤是在人脸识别系统识别身份之前,先对获取
的人脸图像或视频进行攻击检测,判断是否存在攻击行为。
人脸活体检测的算法从机器学习方法到深度学习方法,准确率不断提升。
近期也有研究用领域泛化的算法增强了模型在未知条件和环境下的人脸活体
检测的能力。然而这些领域泛化算法的泛化能力在某些数据集上仍然存在不
足,其原因如下:(一)这些算法注重于各个源域样本特征的对齐,忽略了对
特征提取网络做针对于人脸活体检测任务的优化。(二)这些算法在对样本特
征的分布做优化时,没有进一步考虑到人脸活体检测任务中人脸图像样本的
实际分布情况。基于以上两点不足,本文分别从特征提取与分布的优化和特
征解耦两种角度提出了两种新颖的基于领域泛化的活体检测算法,具体包括:
(一)提出基于多层自注意力残差网络的领域泛化算法。算法将自注意
力机制和残差网络组合成一种多层自注意力残差网络,使模型具有多个层次
的大感受野,能更好地提取分布于整个图像的多层次的欺骗特征。同时,算法
还采用了正样本相关性对齐和正样本三元组挖掘两种特征分布优化方法,促
使模型在正样本(活体人脸图像)中提取域不变的信息,并且同时让具有多种
欺骗手段的负样本(非活体人脸图像)的特征分布在空间中发散。
(二)提出基于通道注意力残差网络领域泛化算法。算法将通道注意力
1
基于领域泛化的人脸活体检测
和残差网络组合成一种通道注意力残差网络,能将欺骗特征解耦为高级语义
特征和非高级语义特征两部分,非高级语义特征以特征图各通道权重和偏差
的形式体现。同时,算法对高级语义特征进行了相关性对齐,促使模型在样本
高级语义信息中提取域不变的特征,并且算法还利用了差异化损失促使两部
分特征进一步解耦。
最后,本文在CASIA-FASD,IdiapReplay-Attack,MSU-MFSD,OULU-
NPU数据集上对本文提出的两种活体检测算法进行了广泛的实验。结果表明,
本文中提出的两种算法在泛化性能上优于RFM、DRDG、ANRL等算法。
关键词:人脸活体检测深度学习领域泛化注意力机制特征分布优化
2
Abstract
Abstract
Withthedevelopmentofcomputertechnologyandsoftwaretheory,the
applicationofcomputershasspreadtoallaspectsoflife.Amongthem,face
recognition,abiometric-basedidentificationtechnology,hasbeenappliedtomany
fieldssuchassecurityaccess,onlinepayment,e-commerceandsoon.However,
withthewidespreaduseofthistechnology,somesecurityproblemshavealsobeen
exposed.Although
文档评论(0)