基于小波卷积神经网络的活体人脸检测算法.pdf
《基于小波卷积神经网络的活体人脸检测算法.pdf》由会员分享,可在线阅读,更多相关《基于小波卷积神经网络的活体人脸检测算法.pdf(6页珍藏版)》请在咨信网上搜索。
1、 收稿日期:基金项目:甘肃省高等学校产业支撑计划项目()甘肃省高等学校创新基金项目()作者简介:李 兰()女甘肃会宁人助教硕士文章编号:()基于小波卷积神经网络的活体人脸检测算法李 兰李向伟张旭娟孙丽娟高伟哲(兰州工业学院 计算机与人工智能学院甘肃 兰州)摘要:人脸识别技术已日趋商业化但易于被伪造人脸攻击现有人脸活体检测算法存在泛化性能不高、网络模型结构复杂、预测结果依赖于数据的规模等问题 因此提出一种基于小波卷积神经网络的活体人脸检测算法 算法网络结构整体简单在 和 数据集上均取得了较好的分类精度 分别达到了.和.的效果关键词:活体人脸 卷积神经网络 二维离散小波中图分类号:文献标志码:活体
2、人脸检测是在人脸识别系统进行身份认证时判别人脸是有生命的真实人脸还是伪造的假人脸的一种技术 当下流行的攻击方式有打印人脸照片、视频回放和伪造人脸面具等 针对这些人脸攻击方式国内外学者已经提出了很多人脸活体检测技术主要分为传统的手工提取特征算法和深度学习方法 伪造人脸是设备通过二次或者多次采集获取例如打印照片和视频回放的攻击类型因此真实人脸和伪造人脸之间会在颜色、纹理、光照等方面存在明显的差异 所以传统的算法一般使用局部二值模式、尺度不变特征变换、加速鲁棒特征、定向梯度直方图、高斯差等手工特征提取方式获取真实人脸和伪造人脸图像之间的纹理差异然后对纹理差异特征使用支持向量机()进行二分类得到真实和
3、伪造人脸的结果 此外 等人直接从 或 图像空间中提取真实和伪造人脸之间的亮度、色度等颜色差异得到是否为活体的结果 相对于真实人脸多次采集的人脸图像质量不高存在失真现象也有很多算法通过图像质量和失真程度判别人脸的真假 针对视频攻击方式等人提取连续多帧的动态纹理特征分析时域和非空间域中的运动信息来判别最终结果随着深度学习的发展其在特征提取方面表现出了很强的优势近年来也已应用到了活体人脸检测方面 等人直接利用 网络自动学习伪造和真实人脸的图像特征然后将特征向量输入到 分类器中判别真实和伪造的结果首次将人脸深度图特征与卷积网络相结合设计了一种端到端的深度学习框架让网络自动学习 信号和深度图两个特征最后
4、预测 脉冲统计量和深度图的回归值若回归值越小则为活体人脸否则为伪造人脸该方法的性能超越了传统的方法 等人设计出了一种双流的 网络分别将 和 图像作为输入图像并使用注意力机制的方法有效融合了两种互补信息解决了不同拍摄设备、不同环境和不同光照条件下泛化性能不强的问题 等人提出了一种基于中心差分卷积的方法与普通卷积相结合提取人脸图像中梯度级细节信息和强度级的语义信息建模能力更强从而提升了算法的性能等人借助超复数小波变换提取图像细节特征的优势将其与卷积网络相结合提取人脸图像更加通用的特征空间综上所述传统算法和深度学习的活体人脸检第 卷 第 期 年 月兰州工业学院学报 .测算法都已经取得了一定的成果但是
5、传统方法都为手动特征提取方法特征向量具有针对性特征越多越复杂深度学习的卷积网络模型依赖于海量的数据数据越多类型越丰富训练的模型性能越高其提取到的特征向量描述细节信息较弱 在此基础上设计了一种基于小波卷积神经网络的活体人脸检测算法所提算法首先使用了二维离散小波变换()提取人脸图像的细节特征然后利用已经在大规模数据集上训练好的卷积网络模型自动提取人脸图像的特征最后将所提取到的特征输入 分类器中得到活体或伪造的结果 基于小波卷积神经网络的活体人脸检测算法针对现有活体人脸检测算法较难提取到伪造和活体人脸图像细节特征的问题论文使用了二维离散小波变换的频域细节特征并结合卷积神经网络自动学习图像特征的优势提
6、出了一种基于小波卷积神经网络的活体人脸检测算法框架如图 所示 主要包括特征提取模块和特征分类模块特征提取模块将活体和伪造人脸图像输入到卷积神经网络中自动学习图像的特征向量卷积神经网络使用大规模数据集训练好的预训练模型解决由于训练数据集少而出现的过拟合问题同时将人脸图像数据进行二维离散小波变换提取水平、垂直和对角方向上的图像细节特征提升活体和伪造人脸图像细节方面的区分度最后将两方面的特征连接在一起作为算法的特征空间 特征分类模块使用了经典的 分类器以特征模块提取到的特征向量作为输入进行训练得到具有可以高效区分活体和伪造人脸颜色、纹理和细节变化的 二分类模型测试图像经过该 分类器可得到活体和伪造的
7、结果图 所提算法框架.卷积神经网络在人脸活体检测算法中特征提取阶段与算法精度密切相关特征空间越丰富算法精度越高论文设计了一种小波卷积神经网络的方法提取人脸图像的特征二维离散小波变换的高频部分表示图像的细节特征卷积神经网络的低层特征表示图像的颜色、纹理特征高层特征表示图像更为抽象的语义特征构建较为丰富的特征空间在利用卷积网络构建特征向量时为了避免由于训练数据集少而出现的过拟合问题算法选择了在类型丰富、环境复杂的大规模数据集 上训练好的 网络模型 完整的 网络包含 个卷积层、个池化层、个全连接层和 输出层带有权重系数的层数有卷积层和全连接层共 层因此称为 其中卷积层和池化层用来提取图像的特征全连接
8、层用来做分类任务 算法中使用 的网络参数如表 所示表 所提算法 网络参数输入层名称卷积核卷积核数 图像填充步长 在所提算法中 网络是用来获得人脸图像特征向量的特征提取模块并不承担分类任务因此删除了最后一层全连接层 和 层的分类层共使用了 层权重网络最后一层为 所以在 特征提取模块共得到了 维的特征向量 兰州工业学院学报 第 卷在 卷积网络中全部使用了 的较小卷积核表达特征的能力更强卷积过程如图 所示随着网络深度的不断加深学习到的特征图大小不断减小高分辨率的特征图包含了人脸图像的颜色和纹理特征低分辨率的特征表示了人脸图像的抽象特征 所以使用 模型得到的 维特征包括了图像的颜色和纹理基本特征也包含
9、高级的抽象特征能为活体检测人脸分类过程提供有力的特征依据图 卷积核卷积过程.二维离散小波变换 网络通过图像全局信息提取图像特征但是伪造和真实的人脸图像相似度非常高仅考虑图像的全局特征可能会出现获取到的特征空间不能有效区分伪造和真实人脸的情况二维离散小波变换()可以将人脸图像变换到频域中其中高频部分代表了图像的细节特征可以作为区分伪造和真实人脸图像的局部细节特征所以将人脸图像的局部细节特征和全局特征连接起来构建判别真实和伪造人脸的丰富的特征空间 的原理如下:二维离散小波变换是进行图像频域分析的重要工具主要优势是通过对图像伸缩平移变换保留图像低频分量的同时突出水平、垂直和对角方向的细节信息 二维离
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 神经网络 活体 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),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。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;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),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。