基于卷积神经网络的人脸活体检测模型研究

针对以往身份验证系统容易被攻击活体欺诈的问题，提出了一种基于深度学习的活体检测算法。主要包括：1) 通过图像增强技术对现有少量真实和欺诈图像进行平移、旋转、翻转等几何变换自制数据集，用于模型训练、验证及测试。2) 针对现有算法对光照条件不足的照片识别准确率较低的问题，提出了一种基于照片的活体检测模型。通过检测照片中的人脸区域，并针对人脸区域中的像素、纹理以及人脸特征差异进行活体和非活体二分类预测。实验结果表明，本文提出的算法在光照条件不足的图像中准确率达到86%。同时与以往模型相比，在保证模型预测精度的基础上减少了参数的数量。

活体检测主要指的是针对图像中的人脸区域进行识别分类的过程，其最终只有活体和非活体两类返回结果，因此也可看作一种二分类任务。其中非活体图像即攻击欺诈图像，其可以通过生物仿真技术和图像生成对抗网络得到，能够对人脸识别等诸多应用场景下造成安全隐患[1]。随着近些年人们对活体检测技术的研究逐渐深入，以及其本身具有的重要经济与研究价值，目前活体检测研究已成为计算机视觉和模式识别领域的热点研究方向。其在银行信贷、社区安防、在线教育等诸多应用场景中，都获得了诸多应用和实际落地的项目。

现有的活体检测算法往往通过传统设计滑动窗口的方式对活体和非活体进行检测，该方法不仅无法保证算法的泛化能力，且需要依靠人工提取图像特征的方式进行编码，很大程度上增加了算法的时间开销并降低了精度。本文提出了一种基于卷积神经网络的活体检测算法，其通过深度神经网络自动提取图像特征的方式进行编码，能够有效提高模型的精度并减少参数的数量，从而降低时间开销。同时使用DropOut 以一个概率值丢弃参数传递过程中的一部分参数，从而能够有效增强模型在未测试过的图像数据集上的泛化能力。

2. 现有技术 目前的活体检测算法中在解决该任务时，往往使用深度学习的方式设计损失函数，并使用传统的方式提取图像特征。

其大致可分为：1) 直接使用二元交叉熵监督的方式；2) 利用辅助任务使用像素级监督。

第一种方法中包括：Li 等人(2004)提出了基于傅里叶谱分析的方法，主要假设为真实人脸图像比打印照片图像包含的高频成分多。Tan 等人(2010)利用基于变分Retinex 的方法和高斯差分(difference of Gaussian, DoG)的滤波器提取人脸图像的潜在反射特征，然后训练稀疏低秩双线性判别模型进行分类。

第二种方法主要包括：Peixoto 等人(2011)提出结合DoG 滤波器和标准稀疏Logistic 回归模型在极端光照条件下的人脸活体验证算法。之后，Maata 等人(2011)提出根据局部二值模式(LBP)特征进行人脸活体验证。de Freitas Pereira 等人(2012)使用时空纹理特征来检测欺诈攻击，具体而言，提出一种称为三正交平面的局部二值模式(LBP from three orthogonal planes, LBP-TOP)算子，将时间和空间信息结合起来作为一个统一的描述子。