摘要
人脸活体检测任务是计算机视觉、生物特征安全领域非常重要的研究方向之一，作为人脸身份认证技术的前置安全保障，其对于推广人脸身份识别系统、保护用户的私人财产、维护社会公共安全具有十分重要的作用。然而，现有的人脸活体检测技术大多将该任务视为真实人脸与伪造人脸之间的简单二元分类问题，没有关注到不同活体类别之间的关系，忽略了各种攻击类型之间的差异以及它们与真实人脸之间的共性。本论文旨在从各活体类别的类间关系出发，利用真实人脸与各攻击类型的共性、各攻击类型间的差异进行人脸活体检测，提出三种高效准确的人脸活体检测算法。论文主要工作包括: 1)提出了一种基于类间共性的人脸活体检测算法。不同活体类别之间存在共性特征，我们利用类间共性，令网络学习提取更为细粒度的真伪辨别特征，提升人脸活体检测算法的性能，并缓解引入新攻击类型对现有模型的负面影响。我们首先提出了一种共性特征提取模块，通过“真实+给定攻击类型/其余类别”的分组分类策略，先验的从“真实-面具”与“真实-视频”两个视角学习真实人脸与两种攻击类型的共性特征。然后提出了二元分类模块，利用从共性特征提取模块得到的共性特征进行最终的真伪人脸分类。 2)提出了一种基于多视角特征学习的人脸活体检测算法。只从类间共性的视角进行特征提取会使模型忽略真实人脸独有的特征。结合共性特征和真实人脸独有的特征进行多视角的特征提取，可以有效提高人脸活体检测的性能。我们首先提出一种多视角特征提取模块，同时使用“真实+给定攻击类型/其余类别”和“真实/伪造”两种视角进行分组分类，提取真实人脸与3D面具、视频两种攻击类型的共性特征以及真实人脸独有的通用分类特征。然后利用二元分类模块结合从多视角特征提取模块得到的共性特征和通用特征，进行最终的真伪人脸分类。 3)提出了一种基于类间差异的人脸活体检测算法。将所有攻击类型统一划分为负样本，不对彼此间的差异进行进一步区分，这种对负样本资源的利用是相对低效的。我们尝试使用非生成对抗式的特征解耦网络提取活体特征，分离与活体检测无关的用户身份、环境背景信息，并考虑各攻击类型间的差异，通过全卷积结构配合像素级别的交叉熵损失进行多分类任务学习，实现人脸活体检测。
NETL