人脸攻击检测方法、设备、存储介质及装置与流程

本发明涉及计算机，尤其涉及一种人脸攻击检测方法、设备、存储介质及装置。

背景技术：

1、随着人脸识别技术的发展，越来越多的应用通过采集人脸数据进行安全验证，因此人脸攻击检测技术是可信人脸认证领域的核心关键技术，主要用于防御人脸识别时，不法分子利用被攻击人的照片、翻拍视频、面具等实施假脸攻击，或者利用换脸软件等工具实施的深度视频伪造攻击，亦或加入扰动噪声引导系统发生人脸图片误识别的深度对抗攻击，对公共安全、经济安全、信息安全、个人隐私都产生了重大风险隐患。

2、目前针对人脸攻击检测的方式是通过人脸、虹膜、指纹等单一生物特征进行检测，但是多种生物特征图像采集成本高、难度大、采集硬件设备昂贵、移动设备不具备及对采集环境要求高等问题导致其并不适合移动设备，因此目前的人脸攻击检测方案的应用场景具有局限性导致检测效果差。

技术实现思路

1、本发明的主要目的在于提供一种人脸攻击检测方法、设备、存储介质及装置，旨在解决现有的人脸攻击检测方案的应用场景具有局限性导致检测效果差的技术问题。

2、为实现上述目的，本发明提供一种人脸攻击检测方法，所述人脸攻击检测方法包括以下步骤：

3、基于预设多模态融合攻击检测模型和预设模态特征类型对模态融合信息进行攻击检测，获得各模态特征类型对应的攻击分数；

4、对所述各模态特征类型对应的攻击分数进行多模态全局融合处理，获得全局分数；

5、将所述全局分数和预设阈值进行对比，根据对比结果判断是否存在人脸攻击，获得判断结果。

6、可选地，所述预设模态特征类型包括人脸特征类型、终端特征类型、位置特征类型、网络特征类型以及通信特征类型；所述基于预设多模态融合攻击检测模型和预设模态特征类型对模态融合信息进行攻击检测，获得各模态特征类型对应的攻击分数的步骤，包括：

7、基于预设多模态融合攻击检测模型和人脸特征类型对模态融合信息进行攻击检测，获得人脸特征攻击分数；

8、基于预设多模态融合攻击检测模型和终端特征类型对模态融合信息进行攻击检测，获得终端特征攻击分数；

9、基于预设多模态融合攻击检测模型和位置特征类型对模态融合信息进行攻击检测，获得位置特征攻击分数；

10、基于预设多模态融合攻击检测模型和通信特征类型对模态融合信息进行攻击检测，获得通信特征攻击分数；

11、基于预设多模态融合攻击检测模型和网络特征类型对模态融合信息进行攻击检测，获得网络特征攻击分数。

12、可选地，所述对所述各模态特征类型对应的攻击分数进行多模态全局融合处理，获得全局分数的步骤，包括：

13、基于所述预设多模态融合攻击检测模型对应的损失函数确定目标权重系数；

14、根据所述目标权重系数、所述人脸特征攻击分数、所述终端特征攻击分数、所述位置特征攻击分数、所述通信特征攻击分数以及所述网络特征攻击分数进行多模态全局融合处理，获得全局分数。

15、可选地，所述将所述全局分数和预设阈值进行对比，根据对比结果判断是否存在人脸攻击，获得判断结果的步骤，包括：

16、将所述全局分数和预设阈值进行对比，获得对比结果；

17、若所述对比结果为所述全局分数小于所述预设阈值，则判定不存在人脸攻击；

18、若所述对比结果为所述全局分数不小于所述预设阈值，则判定存在人脸攻击。

19、可选地，所述基于预设多模态融合攻击检测模型和预设模态特征类型对模态融合信息进行攻击检测，获得各模态特征类型对应的攻击分数的步骤之前，还包括：

20、采集人脸、终端、网络、通信以及位置对应的原始数据，并对所述原始数据进行单模态向量化处理，获得人脸模态向量、终端模态向量、网络模态向量、通信模态向量以及位置模态向量；

21、将所述人脸模态向量、所述终端模态向量、所述网络模态向量、所述通信模态向量以及所述位置模态向量转换为低维稠密的融合特征向量形式的多模态融合的完整证据链；

22、根据所述多模态融合的完整证据链确定模态融合信息。

23、可选地，所述基于预设多模态融合攻击检测模型和预设模态特征类型对模态融合信息进行攻击检测，获得各模态特征类型对应的攻击分数的步骤之前，还包括：

24、基于预设人脸入模向量对初始深度学习模型进行训练，获得人脸攻击检测模型；

25、基于预设终端模向量对初始深度学习模型进行训练，获得终端攻击检测模型；

26、基于预设位置入模向量对初始深度学习模型进行训练，获得位置攻击检测模型；

27、基于预设通信入模向量对初始深度学习模型进行训练，获得通信攻击检测模型；

28、基于预设网络入模向量对初始深度学习模型进行训练，获得网络攻击检测模型；

29、基于所述人脸攻击检测模型、终端攻击检测模型、位置攻击检测模型、通信攻击检测模型以及网络攻击检测模型构建预设多模态融合攻击检测模型。

30、可选地，所述基于预设人脸入模向量对初始深度学习模型进行训练，获得人脸攻击检测模型的步骤之前，还包括：

31、采集人脸原始数据，并对所述人脸原始数据进行向量化处理，获得预设人脸入模向量；

32、采集终端原始数据，并基于预设终端字段变量对所述终端原始数据进行向量化处理，获得预设终端入模向量；

33、采集位置原始数据，并基于预设位置字段变量对所述位置原始数据进行向量化处理，获得预设位置入模向量；

34、采集通信原始数据，并基于预设通信字段变量对所述通信原始数据进行向量化处理，获得预设通信入模向量；

35、采集网络原始数据，并基于预设网络字段变量对所述网络原始数据进行向量化处理，获得网络终端入模向量。

36、此外，为实现上述目的，本发明还提出一种人脸攻击检测设备，所述人脸攻击检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人脸攻击检测程序，所述人脸攻击检测程序配置为实现如上文所述的人脸攻击检测的步骤。

37、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有人脸攻击检测程序，所述人脸攻击检测程序被处理器执行时实现如上文所述的人脸攻击检测方法的步骤。

38、此外，为实现上述目的，本发明还提出一种人脸攻击检测装置，所述人脸攻击检测装置包括：

39、分数确定模块，用于基于预设多模态融合攻击检测模型和预设模态特征类型对模态融合信息进行攻击检测，获得各模态特征类型对应的攻击分数；

40、全局融合模块，用于对所述各模态特征类型对应的攻击分数进行多模态全局融合处理，获得全局分数；

41、攻击判断模块，用于将所述全局分数和预设阈值进行对比，根据对比结果判断是否存在人脸攻击，获得判断结果。

42、本发明通过基于预设多模态融合攻击检测模型和预设模态特征类型对模态融合信息进行攻击检测，获得各模态特征类型对应的攻击分数；对所述各模态特征类型对应的攻击分数进行多模态全局融合处理，获得全局分数；将所述全局分数和预设阈值进行对比，根据对比结果判断是否存在人脸攻击，获得判断结果，相较于现有的人脸攻击检测方案的应用场景具有局限性导致检测效果差，本发明通过引入新的数据判别维度，并且是低成本方便获取的数据模态信息，通过与视觉类特征融合，提供完整的证据链，实现基于新数据维度和信息的多模态跨域融合模型的可信人脸认证能力。