【FAS】《Application of machine learning to face Anti-spoofing detection》

文章目录

• 原文
• 相关工作
• 方法
• • 静态 Gabor 小波和动态 LBP 的融合特征
  • 基于 GAN 的数据增强人脸活体检测方法
  • 半监督学习用于图像修复的人脸活体检测
• 点评

原文

李莉.反欺骗人脸活体图像的机器学习方法研究[D].广东工业学,2020.DOI:10.27029/d.cnki.ggdgu.2020.001204.

相关工作

一、基于手工特征的人脸活体检测方法

（1）基于图像纹理特征

（2）基于多光谱特征

（3）基于运动信息

由于伪造欺骗人脸模仿真实人脸运动时，人脸会连带身后的背景区域一同运动，背景区域也会被识别。当一个点在运动时，对应图像上相同或位置的光源也在移动，这种基于图像亮度运动特征的提取方法便是光流法。真实人脸和伪造的欺骗二维人脸图像在运动模式上是不同的。真实人脸做出动作时，脸部不同运动产生不同的光流。而伪造的欺骗二维人脸图像则几乎无变化

二、基于深度学习的人脸活体检测方法

三、基于融合特征的人脸活体检测方法

空间金字塔编码微纹理(SPMT)特征描述符

方法

静态 Gabor 小波和动态 LBP 的融合特征

传统：提取 Gabor 小波特征和动态 LBP 特征 + SVM

数据集

结果

基于 GAN 的数据增强人脸活体检测方法

时常会造成训练时模式崩溃(collapse mode)，产生的结果不具备多样性，比较单一

GAN——DCGAN 生成难样本加入训练集 + SVM

半监督学习用于图像修复的人脸活体检测

半监督（利用图像修复的方法）

引入基于 GAN 的图像修复模型

网络结构分为生成模型用于修复图像；局部判别器负责判别修复图像的清晰度和局部一致性，全局判别器负责判别修复图像与原图像的匹配程度和全局一致性。训练中，网络模型一方面修复掩码或缺失的图像，一方面通过全局判别器进行真伪人脸图

点评

GAN 用于图像修复，生成与活检的结合方式

★★★