申请/专利权人:华东交通大学
申请日:2023-12-28
公开(公告)日:2024-04-05
公开(公告)号:CN117496601B
主分类号:G06V40/40
分类号:G06V40/40;G06V40/16;G06V10/82;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.05#授权;2024.02.23#实质审查的生效;2024.02.02#公开
摘要:本发明属于人脸识别技术领域,涉及一种基于细分类和对抗域泛化的人脸活体检测系统及方法,该人脸活体检测系统由特征提取器、域鉴别器和分类器组成;该方法将人脸图像通过特征提取器分别提取真实人脸特征和攻击人脸特征,并进行归一化处理,将归一化特征输入分类器进行预测分类,并将分类结果作为权重添加进域鉴别模块,域鉴别器与特征提取器进行对抗训练,得到加权的域对抗损失;结合加权的域对抗损失、自适应分类损失和N对损失构建综合优化目标,采用综合优化目标对特征提取器和分类器进行优化训练。本发明增强了对不同人脸图像特征细节的提取,提升了鲁棒性、泛化性能、分类精度。
主权项:1.基于细分类和对抗域泛化的人脸活体检测系统,其特征在于,由特征提取器、域鉴别器和分类器组成;所述特征提取器用于对不同源域的人脸图像分别提取出真实人脸特征和攻击人脸特征,并将真实人脸特征和攻击人脸特征经过归一化处理后输入分类器进行分类;所述域鉴别器用于鉴别来自不同源域的真实人脸特征,对攻击人脸特征不做处理,域鉴别器与特征提取器形成单边的对抗学习,使人脸活体检测系统在进行真实人脸特征提取时忽略域间差异,从而在特征空间中混合不同源域的真实人脸;所述分类器,用于对人脸图像进行真实人脸图像和攻击人脸图像的分类;根据伪装展示材料和伪装方式的不同,对不同数据集中的人脸图像进行更细粒度的划分;采用添加调制因子的自适应交叉熵损失函数对分类器进行训练,得到自适应分类损失;使用引入动态内核生成器的ConvNeXt网络作为特征提取器的主干网络,所述主干网络由多个堆叠模块组成,每个堆叠模块由下采样层、若干卷积块和动态卷积块组成;所述动态卷积块包括静态卷积分支和动态内核分支;其中,静态卷积分支中仅有一个固定参数的卷积块对后一半输入特征进行卷积操作;动态内核分支结构中则包含全局平均池化操作,先将前一半的输入特征进行全局平均池化,而后,对全局平均池化后的特征进行卷积操作生成基于每个实例的动态内核,最后使用动态内核进行卷积操作提取前一半的输入特征的特有特征。
全文数据:
权利要求:
百度查询: 华东交通大学 基于细分类和对抗域泛化的人脸活体检测系统及方法
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。