基于面部潜在血管分布的虚假人脸入侵检测方法与流程

本发明涉及一种虚假人脸入侵检测方法，特别是涉及基于面部潜在血管分布的虚假人脸入侵检测方法。

背景技术：

近年来随着计算机视觉技术的提升，人脸识别在多种权限系统中得到了广泛应用，极大地提升了人们生活的便利性。但是基于人脸识别技术的权限系统存在一定的安全风险，尤其在将权限系统使用者的人脸图像、视频或者面具等虚假人脸置于识别系统的摄像头前面时，系统会将这些虚假人脸识别为使用者本人，致使权限系统被入侵。另一方面，互联网及社交网络的快速发展，攻击者可以很容易地获取到他人的人脸图像、视频等信息，进一步的加剧了人脸识别系统被入侵的风险。根据所依赖的图像数量，近年来虚假人脸入侵检测方法主要分为两种：(1)基于视频帧的虚假人脸入侵检测；(2)基于视频序列的虚假人脸入侵检测。其中，基于视频序列的虚假人脸入侵检测方法主要利用多视频帧间的活体信息完成检测任务，缺陷在于耗时高；而基于视频帧的检测方法则只需要单帧图像，实时性能高。文献“boulkenafetz,komulainenj,hadida.facespoofingdetectionusingcolourtextureanalysis.ieeetransactionsoninformationforensicsandsecurity,2017,11(8):1818-1830”提出了一种基于纹理分析的虚假人脸检测方法，该方法通过分析单帧真脸图像与假脸图像在彩色纹理存在的差异，利用支持向量机(supportvectormachine，svm)对假脸入侵进行检测。

该方法计算简单，耗时低，可以有效检测打印粗糙的虚假人脸，但对于纹理清晰度较高的虚假人脸入侵，方法的有效性会大大降低。基于此，本发明提出了一种基于面部潜在血管分布的虚假人脸入侵检测方法，以解决纹理清晰度较高时难以利用彩色纹理检测的问题。

技术实现要素：

为了克服纹理清晰度较高的虚假人脸入侵难以检测的问题，本发明提出了基于面部潜在血管分布的虚假人脸入侵检测方法。该方法计算简单，在受到纹理清晰度较高的虚假人脸入侵攻击时，该检测方法可有效对真脸与虚假人脸进行区分，检测误差更低。

本发明解决其技术问题所采用的技术方案是：提出了一种基于面部潜在血管分布的虚假人脸入侵检测方法，该方法根据真脸与虚假人脸在可见光吸收变化存在的差异性，对纹理清晰度较高的虚假人脸入侵进行检测。其特点包括以下几个步骤：

基于面部潜在血管分布的虚假人脸入侵检测方法，包括如下步骤：

步骤一：首先获取人脸识别系统采集的人脸图像，然后对人脸图像进行注意力机制处理，使得不同的人脸区域对检测结果具有不同的权重，给定采集得到的人脸图像i，并对人脸图像i进行注意力机制处理；

步骤二：将注意力人脸图像的每一列输入到由卷积层、激活函数连接而成1dcnn网络，用以提取注意力人脸图像每列像素值的特征，从而提取能有效描述可见光穿透皮肤后的吸收特征；

步骤三：利用gru网络提取可见光吸收变化特征，提取每列输出特征之间的潜在联系，表征由血管分布引起的不同人脸区域间的可见光吸收变化；

步骤四：在gru网络输出后，将循环网络的特征向量输入到softmax分类器，根据分类器的输出结果对虚假人脸入侵进行检测。

具体的，所述步骤一中对人脸图像i进行注意力机制处理依照式1：

式中，i′为处理后的注意力人脸图像，conv(·)为卷积核尺寸为3×3的卷积操作，sigmoid(x)＝1/1+e^-x。

具体的，所述步骤二中提取能有效描述可见光穿透皮肤后的吸收特征方式为：对于注意力人脸图像i′的第i列i′i，将其输入到卷积核为3×1的卷积层进行卷积计算，结果记为然后利用relu函数进行激活，激活结果记为依次重复五次卷积、relu的计算，得到第五次的relu结果并输入到维度为1024的全连接层，作为可见光吸收特性在第i列的特征描述，记为最后，注意力人脸图像i′经过1dcnn网络后的输出记为式2；

式中，f(·)表示1dcnn网络的映射函数，n为人脸图像的列数。

具体的，所述步骤三中利用gru网络提取可见光吸收变化特征方式为：将注意力人脸图像每列的可见光吸收特征描述ci输入到gru网络，用来提取每列特征之间的动态变化，即将ci的列作为一个时序信号输入到gru网络的映射结果记为式3；

式中，为ci中的对应的隐含层输出。

具体的，所述步骤四中利用softmax代价函数判断输入的人脸推向是是真脸还是虚假人脸的方式为：在gru网络输出后，将连接到具有两个结点的全连接层，记为l，进一步的利用softmax代价函数度量训练过程中产生的分类误差，如式4所示；

式中，t表示分类类别数，此处t＝2，yj为one-hot标签的第j个值，αj为最后全连接层l的第j个结点的值，在测试过程中，根据最后全连接层l的结点值判断输入人脸图像的类别属性。

本发明的有益效果是：本方法计算简单，易于实现，只需要将人脸图像输入到端对端的1dcnn、gru网络、softmax函数即可。根据提出的潜在血管分布造成的可见光吸收差异可以看出，该方法具有很高的算法的鲁棒性。在公开的3dmad、msu与replay-attack数据库对发明的检测方法的有效性进行测试，相对于文献中的彩色纹理方法，本发明提出的基于面部潜在血管分布的虚假人脸入侵检测方法得到的等错误率(equalerrorrate，eer)有了极大地降低，其中在3dmad数据库上降低了74％、在msu数据库上的打印照片攻击降低了90％、在replay-attack数据库的打印照片攻击降低了76％。

下面结合附图对本发明作详细说明。

附图说明

图1是本发明基于面部潜在血管分布的虚假人脸入侵检测方法的流程图。

图2为gru网络特征提取的示意图。

具体实施方式

本发明首先将人脸识别系统采集到的单帧人脸图像进行注意力机制处理，使得不同的人脸区域具有不同的权重；然后，分别提取注意力人脸图像每列像素值的特征，用来描述可见光穿透人脸皮肤后的吸收特性；进一步的，利用循环网络提取每列输出特征之间的潜在联系，表征有血管分布引起的不同人脸区域间的可见光吸收变化；最后，将循环网络的特征向量输入到softmax分类器，根据分类器的输出结果对虚假人脸入侵进行检测。本发明计算简单，在受到纹理清晰度较高的虚假人脸入侵攻击时，该检测方法可有效对真脸与虚假人脸进行区分，检测误差更低。

参照图1，本发明提出的基于面部潜在血管分布的虚假人脸入侵检测方法的具体步骤如下：(1)人脸图像

首先获取人脸识别系统采集的人脸图像，然后对人脸图像进行注意力机制处理，使得不同的人脸区域对检测结果具有不同的权重。给定采集得到的人脸图像i，按照式1对其进行注意力机制处理：

式中，i′为处理后的注意力人脸图像，conv(·)为卷积核尺寸为3×3的卷积操作，sigmoid(x)＝1/1+e^-x。

(2)1dcnn网络

为了提取能有效描述可见光穿透皮肤后的吸收特征，将注意力人脸图像的每一列输入到由卷积层、激活函数连接而成1dcnn网络。对于注意力人脸图像i′的第i列i′i，将其输入到卷积核为3×1的卷积层进行卷积计算，结果记为然后利用relu(leakyrectifiedlinearunit)函数进行激活，激活结果记为依次重复五次卷积、relu的计算，得到第五次的relu结果并输入到维度为1024的全连接层，作为可见光吸收特性在第i列的特征描述，记为最后，注意力人脸图像i′经过1dcnn网络后的输出记为式2：

式中，f(·)表示1dcnn网络的映射函数，n为人脸图像的列数(此处n＝192)。

(3)gru网络

gru(gatedrecurrentunit)网络提取可见光吸收变化特征。面部血管分布引起面部血流量在不同区域分布是不一样的，在可见光穿过真皮层时，会由于血液的存在使得可见光被吸收；而不同区域的血流量分布使得可见光在不同区域的吸收存在变化。基于此，将注意力人脸图像每列的可见光吸收特征描述ci输入到gru网络，用来提取每列特征之间的动态变化。其中，gru网络作为传统循环网络的变种，具有较少的网络参数，一定程度上可避免训练过程中的过拟合问题。将ci的列作为一个时序信号输入到gru网络的映射结果记为式3：

式中，为ci中的对应的隐含层输出。

(4)softmax函数

对于虚假人脸入侵检测，其本质是判断输入的人脸推向是否是真脸或者虚假人脸，属于二分类问题。因此在gru网络输出后，将连接到具有两个结点的全连接层(记为l)，进一步的利用softmax代价函数度量训练过程中产生的分类误差，如式4所示。

式中，t表示分类类别数(此处t＝2)，yj为one-hot标签的第j个值，αj为最后全连接层l的第j个结点的值。在测试过程中，根据最后全连接层l的结点值判断输入人脸图像的类别属性。