一种基于面具人脸检测的人脸欺诈识别方法与流程

1.本发明属于信息安全领域，尤其涉及一种基于面具人脸检测的人脸欺诈识别方法。


背景技术：

2.基于深度学习的人脸识别技术已经广泛应用于各种身份验证场合，成为一种受欢迎的非接触式身份验证方式。现有的人脸识别系统通常包括以下几个模块：人脸检测模块、人脸对齐模块、人脸表征模块以及人脸匹配模块。其中，人脸检测模块能够发现在一张图片中人脸的位置并且可以返回每一个带坐标的边界框。人脸对齐的目标就是以相同的方式在图像位于固定位置的一组参考点上进行缩放和裁剪人脸图像，该典型处理需要使用标志探测器找到一组面部标志。在人脸表征阶段，将人脸图像的像素值转换为一个紧凑的有区别的特征向量，并且也可以作为一个模板。在理想情况下，所有同一主题的人脸都应该映射成相类似的特征向量。在人脸匹配模块中，两个模板通过被比较而得到相似性的分数就可以计算出是同一张脸的可能性。
3.目前，人脸识别作为一项通用的功能，需考虑适配尽量多的使用场景，并尽可能健壮抗干扰，以保证较好的可用性。因此现有的识别模型并不会专门设计为对于一些特定的异常信号敏感，从而导致伪造的人脸图像较容易骗过识别模型。


技术实现要素：

4.有鉴于此，本发明提供了一种基于面具人脸检测的人脸欺诈识别方法，专门针对在线人脸识别过程中的欺诈现象，可适用于远程人脸识别场景当中的欺诈现象识别。
5.本发明的具体技术方案如下：
6.一种基于面具人脸检测的人脸欺诈识别方法，包括以下步骤：
7.s1：通过摄像头在线采集当前人脸图像；
8.s2：将采集到的人脸图像输入预先训练好的深度视觉模型进行识别；
9.s3：所述深度视觉模型输出面具识别结果，若人脸图像中存在面具则发出警告；
10.所述步骤s2中深度视觉模型的训练方法如下：
11.s21：通过实际拍摄获得戴面具人脸图像，并将其与正常人脸图像结合，得到训练集和测试集；
12.s22：采用步骤s21得到的训练集输入待训练深度视觉模型中进行训练，并采用测试集进行性能测试，完成训练。
13.在一种可能的实现方式中，对步骤s2中采集的人脸图像记忆训练集和测试集中的人脸图像均进行以下预处理：
14.对人脸图像中的人脸位置进行标示，根据标示出的人脸位置，计算人脸图像中面具可能出现的区域，将可能出现面具的区域裁剪拼接到一起，删除或模糊化不可能出现面积的区域。
15.在一种可能的实现方式中，所述面具可能出现的区域包括眼部和口部附近。
16.在一种可能的实现方式中，所述面具可能出现的区域包括脸颊部。
17.在一种可能的实现方式中，所述s21的训练集数据量为10000-50000。
18.在一种可能的实现方式中，所述s21的训练集中实际拍摄的戴面具人脸图像占比0.2％-2％。
19.在一种可能的实现方式中，所述深度视觉模型为effectivenet。
20.相比于现有技术，本发明具有以下有益效果：
21.1.本发明的识别方法准确率可达到99％，同时召回率大于98％。
22.2.本发明的识别方法中采用的深度视觉模型相对简单，可以运行在单块gtx 1080ti显卡上，实施成本低。
23.3.本发明的深度视觉模型训练方法仅需数分钟，适合特征频繁变化的对抗场景。
24.4.本发明的深度视觉模型预测在毫秒级，可以有效满足实时检测的需要。
附图说明
25.通过参考附图可更好地理解本发明。图中的构件不应视作按比例绘制，重点应放在示出本发明的原理上。
26.图1为本发明的基于面具人脸检测的人脸欺诈识别方法的示意图。
具体实施方式
27.下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本发明。
28.本发明提出的基于面具人脸检测的人脸欺诈识别方法可用于弥补通用人脸识别系统针对面具欺诈的防范能力不足。该识别方法使用与人脸识别模型相似的深度学习模型，通过针对性的训练方法，使模型对攻击行为产生的反常信号特别敏感，达到识别和防范攻击的目的。
29.相比于现有人脸识别模型，本发明所采用的深度视觉模型更具有针对性，更为精简，预测快速，结果更为准确。该模型实现面具识别的核心技术在于：面具图像与场景中的真实物体图像之间的过渡不是自然的，必定存在可识别的边缘。面具外廓，以及面具上的挖孔都会产生边缘，只要在这些特殊位置检测到自然人脸图像不应当存在的边缘，就可以认定为面具攻击。
30.该深度视觉模型的训练方法如下：
31.1.训练数据制备：
32.深度视觉模型所用训练数据包括两类，一类是正常人脸数据，另一类是戴面具的人脸数据。其中，正常人脸数据可以使用公开数据集，也可以从专门的数据公司采购。人脸数据只使用正脸，不需要侧脸，人脸正面与画面夹角不能超过20度角度。人脸数据需要具有较高的清晰度，分辨率纵向不少于800像素，横向不少于600像素。戴面具的人像主要由正常人像数据转化而来，也有一小部分实际拍摄得来。训练一个有效的面具识别模型需要至少上万张高清晰度的面具人像图片，包含足够多样的面部特征，以避免模型对特定面部特征形成过拟合，而对面具特征不敏感。数据量不足会导致模型泛化能力不够，而实际拍摄面具
数据成本过高，因此本发明采用少量实拍面具数据以提取面具特征，并使用这些实拍获得的特征与大量人像数据结合，形成大量的训练数据，以保证模型的泛化能力。实际使用的训练数据量在10000到50000之间，其中实拍面具数据大约占比0.2％-2％。
33.2.模型设计与训练：
34.识别方法中具体采用的深度视觉模型可根据实际需要进行选择。具体可使用effectivenetb05作为深度视觉模型，选用effectivenet是因为这个模型平衡了复杂度与性能，能够使用较少的参数得到较好的性能。
35.3.数据预处理：
36.为了进一步降低面部特征的权重，提高面具特征的权重，需要对数据进行预处理，减少正常面部特征的信息量。只要保证对训练数据、测试数据和预测数据使用同样的预处理方法，就能保证预测效果与测试效果一致。预处理可将可能出现面具特征的区域裁剪拼接到一起，删除不可能出现特征的区域(比如脸颊部分)，也可以将不可能出现特征的区域模糊化，两种方法效果接近。预处理的关键是要对训练数据的正例与反例，以及测试数据、预测数据均采用同样的处理方式，避免预处理产生的痕迹成为分类依据。
37.4.模型预测结果：
38.将预处理好的人脸图像数据80％做为训练数据，20％做为校验数据。使用准确率(accuracy)做为模型的最终指标。
39.经过训练后，模型在训练数据上的准确率为97％，在校验集上的准确率为98％。校验集上的分类指标统计如下表所示：
40.labelprecisionrecallf1-scoresupport00.9810.9920260110.980.9920260
41.其中label列中0表示正常人脸，1表示面具人脸。
42.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
43.在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
44.在本发明中，术语“第一”、“第二”、第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
45.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。