申请/专利权人：华南理工大学

申请日：2020-01-02

公开（公告）日：2020-05-15

公开（公告）号：CN111160313A

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/46(20060101);G06K9/62(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.04.07#授权;2020.06.09#实质审查的生效;2020.05.15#公开

摘要：本发明公开了一种基于LBP‑VAE异常检测模型的人脸表示攻击检测方法，该方法包括：构建LBP‑VAE异常检测模型；获取训练样本，训练样本只需用真实样本；对训练样本提取LBP特征，得到样本特征向量；将训练样本的特征向量作为VAE的输入，训练VAE网络，得到完整的LBP‑VAE异常检测模型；当人脸表示攻击样本输入到该模型时，由于样本特征空间分布与真实样本不同，因此VAE网络的输出误差很大，将被作为异常检测出来，而当真实样本输入到该模型时，VAE网络的输出误差较小，由此可以区分两类样本。本发明公开的攻击检测方法，对不同类型的人脸表示攻击样本都有较好的检测性能，对噪声鲁棒性强，能适应不同的现实场景。

主权项：1.一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，其特征在于，所述的人脸表示攻击检测方法包括下列步骤：构建LBP-VAE异常检测模型，包括确定LBP的类型，确定VAE中编码器、解码器的网络结构及隐变量分布类型，其中，LBP表示局部二值化模式，VAE表示变分自动编码器；获取训练样本，其中，训练样本只包括真实样本，而不需要任何的攻击样本；提取训练样本的LBP特征，得到样本特征向量；将样本特征向量作为VAE的输入，训练VAE网络，VAE网络中编码器学习由特征向量到隐变量的条件概率分布，引入随机噪声后对隐变量进行采样，得到编码值，VAE网络中解码器根据编码值重构特征向量，训练VAE网络优化特征重构误差和隐变量后验分布与预设分布的误差；VAE网络训练结束后，得到完整的LBP-VAE异常检测模型，输入人脸样本，假如LBP-VAE异常检测模型输出的损失大于模型分类阈值，判为人脸攻击样本，否则判为真实样本。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD