[go: up one dir, main page]

CN111160102B - 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 - Google Patents

人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 Download PDF

Info

Publication number
CN111160102B
CN111160102B CN201911201319.XA CN201911201319A CN111160102B CN 111160102 B CN111160102 B CN 111160102B CN 201911201319 A CN201911201319 A CN 201911201319A CN 111160102 B CN111160102 B CN 111160102B
Authority
CN
China
Prior art keywords
sub
data set
training
sample
support
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911201319.XA
Other languages
English (en)
Other versions
CN111160102A (zh
Inventor
赵晨旭
秦云霄
王泽正
余梓彤
周峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aibee Technology Co Ltd
Original Assignee
Beijing Aibee Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN201911201319.XA priority Critical patent/CN111160102B/zh
Publication of CN111160102A publication Critical patent/CN111160102A/zh
Application granted granted Critical
Publication of CN111160102B publication Critical patent/CN111160102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供了一种人脸防伪识别模型的训练方法、人脸防伪识别方法及装置，本实施例可以在序列集中的样本类型与支撑集中的样本类型相同时，识别出已有的人脸防伪攻击方式，在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也就是说，如果有新的攻击方式出现，得益于元学习的方式，元学习的人脸防伪识别模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。

Description

人脸防伪识别模型的训练方法、人脸防伪识别方法及装置
技术领域
本发明涉及元学习领域，更具体的说，涉及一种人脸防伪识别模型的训练方法、人脸防伪识别方法及装置。
背景技术
人脸防伪识别指的是针对伪造的人脸特征进行有效甄别，比如在人脸识别系统中，会有人制造一些伪造的人脸(比如视频，照片和面具等)对人脸识别系统进行攻击，人脸防伪识别就是针对伪造的人脸特征进行甄别。
通常情况下，人脸防伪识别是通过预先训练好的人脸防伪识别模型来实现的，因此，人脸防伪识别模型的识别准确度是影响人脸防伪识别结果准确性的关键因素。随着社会的发展，对于安全的需求逐渐增加，而因此更加准确的识别出伪造人脸的需求也越来越高，因此对人脸防伪识别模型的识别准确度要求越来越高。
发明内容
有鉴于此，本发明提供一种人脸防伪识别模型的训练方法、人脸防伪识别方法及装置，以解决如何提高人脸防伪识别模型的识别准确度的问题。
为解决上述技术问题，本发明采用了如下技术方案：
一种人脸防伪识别模型的训练方法，包括：
获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像；
利用所述至少一个样本数据集对所述元学习器进行训练，直到满足预设训练条件；
其中，利用样本数据集对所述元学习器进行训练的过程包括：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
可选地，所述利用样本数据集对所述元学习器进行训练的过程还包括：
依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率。
可选地，所述依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率包括：
将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
可选地，所述满足预设训练条件包括：
所述元学习器的测试准确率或损失函数满足预设条件，或，所述至少一个样本数据集被全部训练完。
一种人脸防伪识别方法，包括：
获取待识别人脸图像；
调用采用上述人脸防伪识别模型的训练方法得到的人脸防伪识别模型，对所述待识别人脸图像进行处理；
获取所述预先训练的人脸防伪识别模型的处理结果。
一种人脸防伪识别模型的训练装置，包括：
数据集获取子模块，用于获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像；
训练子模块，用于利用所述至少一个样本数据集对所述元学习器进行训练，直到满足预设训练条件；
其中，所述训练子模块用于利用样本数据集对所述元学习器进行训练的过程时，具体用于：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
可选地，所述模型训练模块还包括：
学习率调整子模块，用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率。
可选地，学习率调整子模块用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率时，具体用于：
将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
可选地，所述满足预设训练条件包括：
所述元学习器的测试准确率或损失函数满足预设条件，或，所述至少一个样本数据集被全部训练完。
一种人脸防伪识别装置，包括：
图像获取模块，用于获取待识别人脸图像；
模型调用模块，用于调用采用上述人脸防伪识别模型的训练装置得到的人脸防伪识别模型，对所述待识别人脸图像进行处理；
结果获取模块，用于获取所述预先训练的人脸防伪识别模型的处理结果。
相较于现有技术，本发明具有以下有益效果：
本发明提供了一种人脸防伪识别模型的训练方法、人脸防伪识别方法及装置，人脸防伪识别模型是利用预先设定的至少一个样本数据集对元学习器进行训练后得到的，所述样本数据集包括两个子数据集，每一子数据集包括支撑集和序列集；所述子数据集的属性不同，所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像，基于这一样本数据集的设定以及采用元学习器的训练方式，可以在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也就是说，如果有新的攻击方式出现，得益于元学习的方式，元学习的人脸防伪识别模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种人脸防伪识别方法的方法流程图；
图2为本发明实施例提供的一种人脸样本的场景示意图；
图3为本发明实施例提供的一种人脸样本分类结果的场景示意图；
图4为本发明实施例提供的另一种人脸防伪识别方法的方法流程图；
图5为本发明实施例提供的一种人脸样本分类及训练的场景示意图；
图6为本发明实施例提供的一种元学习的算法流程图；
图7为本发明实施例提供的一种人脸防伪识别方法的代码图；
图8为本发明实施例提供的一种人脸防伪识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的应用领域为真实人脸和伪造人脸的识别，以避免通过伪造人脸进行信息、金钱等的窃取。
发明人在研究中发现，目前可以通过采集待识别对象的红外光成像以及可见光成像，通过红外光成像以及可见光成像来是实现对真实人脸和伪造人脸的识别，这样可以防住全部的视频攻击、大部分的照片、孔洞攻击、3d面具攻击，再通过对可见光成像和红外光成像之间的特征对比，最终保证了极大的非活体攻击。但是该方法仅仅可以实现识别红外光成像以及可见光成像，若出现新的针对现有交互方式的伪造人脸无法有效进行防御，如出现了人脸深度Depth模态等，此时则无法进行有效识别，因此，就需要针对人脸深度Depth模态等等特征，构建新的人脸防伪识别模型，以弥补该缺陷。
但是，随着技术的发展，伪造人脸的手段层出不穷，利用既有的模型进行识别，很难识别出哪些人脸是伪造的，因而会导致识别结果的准确性较低。并且，在预防阶段，很难有针对性的构建防伪识别模型，而当有新的手段产生或者出现时，需要积累大量样本后再进行特征提取然后进行模型训练，进而拿来应用的过程周期较长，很难及时的应对攻击，仍然存在较大的安全隐患。
发明人在解决以上问题的过程中经过研究发现，可以构建基于元学习的人脸防伪模型来实现在出现新的伪造人脸方式时，能够通过较少的样本对伪造人脸进行有效防御的目的。其中，基于元学习的人脸防伪模型会使用元学习算法，元学习是一种“学习如何学习”的策略，与一般的深度学习方法不同，元学习的方法不会直接去学习特征本身，而是去学习如何去学习特征这一过程。比如在人脸防伪中，一般的深度学习方法学习的是一种特征，该特征能够区分伪造人脸与真实人脸，而元学习学的是如何高效的在只有少量未知伪造人脸类别样本或者只有已知类别的情况下学习区分未知类别的伪造人脸的特征。
需要特别说明的是，在基于元学习的人脸防伪模型中，模型会专注到学习如何学习区分伪造人脸的学习过程中，例如：
在各个模态的人脸防伪问题中，学习如何学习伪造特征这一过程，学习该模态中各类伪造特征的通用性；
在各个模态的人脸防伪问题中，学习如何学习真人特征这一过程，学习该模态中各场景下真人特征的通用性；
通过这一策略，对元学习器进行训练的过程中，预先依据不同样本类型将样本数据分成多个样本数据集，每一样本数据集包括两个子数据集，每一子数据集包括支撑集和序列集；所述子数据集的属性不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像。所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，也就是说，本发明实施例中，序列集中的样本类型可以是支撑集中包含的样本类型中的一种，也可以与支撑集中的样本类型完全不同。通过支撑集对元学习器的参数进行内部更新，再利用序列集对内部更新后的元学习器的参数进行外部更新。元学习的人脸防伪模型虽然并没有直接学习什么是伪造人脸与真实人脸，但是学习到了学习区分他们的过程，学习到了不同真人与伪造特征中的通用部分。
基于这一样本数据集的设定，可以在序列集中的样本类型与支撑集中的样本类型相同时，识别出已有的人脸防伪攻击方式，在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也即，本申请中的人脸防伪识别方法，如果有新的攻击方式出现，得益于上述的基于元学习的人脸防伪模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
在上述内容的基础上，本发明实施例提供了一种人脸防伪识别模型的训练方法，实现了人脸防伪识别模型(外部更新后的元学习器)的生成，同时又提供了一种人脸防伪识别方法，主要用于学习如何区分真实人脸和伪造人脸的过程，以及使用训练到的人脸防伪识别模型进行伪造人脸的识别。
参照图1，人脸防伪识别方法可以包括：
S11、获取待识别人脸图像。
本实施例中的待识别人脸图像是指需要进行真实人脸和伪造人脸识别的图像，在实际应用中，在网上支付、用户登录等场景下，若用户选择了人脸验证方式，则需要采集用户的人脸图像，采集的人脸图像可以是用户真实的人脸照片，也可以是通过打印、面具等方式伪造的人脸，因此需要进行人脸图像的真伪验证。
S12、调用预先训练的人脸防伪识别模型，对所述待识别人脸图像进行处理。
本实施例中，预先构建了人脸防伪识别模型，将该待识别人脸图像输入到人脸防伪识别模型中，人脸防伪识别模型就可以对该待识别人脸图像的特征进行分析，从而得到待识别人脸图像的处理结果。处理结果可以包括两种，一种是该待识别人脸图像为真实人脸，另一种是该待识别人脸图像为伪造人脸。
本实施例中的人脸防伪识别模型是利用预先设定的至少一个样本数据集对元学习器进行训练后得到的，也即采用元学习的方式训练得到人脸防伪识别模型，元学习是一种“学习如何学习”的策略，与一般的深度学习方法不同，元学习的方法不会直接去学习特征本身，而是去学习如何去学习特征这一过程，即基于元学习的人脸防伪识别模型虽然并没有直接学习什么是伪造人脸与真实人脸，但是学习到了学习区分他们的过程，学习到了不同真人与伪造特征中的通用部分。如果有新的攻击方式出现，得益于之前元学习的方式，元学习的人脸防伪模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
元学习器对训练样本有一定的要求，具体的，元学习器的样本数据集为：
所述样本数据集包括两个子数据集，每一子数据集包括支撑集和序列集；所述子数据集的属性不同，所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像。
真实人脸图像为采集的真实人脸的图像信息，伪造人脸图像为采集的伪造人脸的图像信息，如采集的打印的图片、照片、面具等的图像信息。也即人脸伪造方式可以包括图片、打印、面具等等方式。
所述真实人脸图像和所述伪造人脸图像的分类方式不同。在实际应用中，真实人脸图像分类可以按照人所在的场景不同、光照不同、拍摄设备不同等方式进行分类，如在草原环境采集到的人的图像信息与在城市环境采集到的人脸图像信息分为不同的两类。在强光条件下采集的人的图像信息与在暗光条件下采集的人的图像信息分为不同的两类。伪造人脸样本按照伪造方式的不同进行分类，如将图片、打印、面具等方式分为不同的种类。
参照图2，图2中的左侧Living是指真实人脸图像，Scenario1、Scenario2表示不同的真实人脸图像的不同种类。右侧的Spoofing是指伪造人脸图像，分为打印(print)、播放录像(Replay)等种类。图2中的虚线下方的Few-shotnew Scenario是指仅存在少量的真实人脸图像(如仅有1-5张)和伪造人脸图像(如仅有1-5张)时如何实现真实人脸和伪造人脸的区分(即在小样本下如何实现真实人脸和伪造人脸的区分)，Zero-shot new Scenario是指不存在真实人脸图像和伪造人脸图像时如何实现真实人脸和伪造人脸的区分(即在零样本下如何实现真实人脸和伪造人脸的区分)。
预先设定至少一个样本数据集Task，每一样本数据集Task中包括两个子数据集Way，子数据集Way的属性不同，属性可以是指真实人脸图像和伪造人脸图像，也可以说，一个子数据集Way包括真实人脸图像，另一个子数据集Way包括伪造人脸图像，对于一个子数据集Way来说，包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同。在实际应用中，支撑集可以包括至少一种，至多两种样本类型，在支撑集为一种样本类型时，序列集与支撑集中的样本类型完全不同，此时为零样本训练场景，在支撑集为两种样本类型时，序列集可以包括支撑集中的一种样本类型，此时为小样本训练场景。
参照图3，举例说明样本数据集的内容，图3中包括两个样本数据集Task，如图3中的Task1和Task2，每个样本数据集Task包括两个子数据集，分别为伪造人脸图像Way-1和真实人脸图像Way-2，伪造人脸图像Way-1包括的样本均为伪造人脸图像，真实人脸图像Way-2包括的样本均为真实人脸图像。
Task1包括伪造人脸图像Way-1和真实人脸图像Way-2，对于伪造人脸图像Way-1，又分为支撑集Support和序列集Query，支撑集Support中包括两种样本类型的伪造人脸图像，如包括Print Support(打印支撑集)和Mask Support(面具支撑集)，序列集Query仅包括Mask Support(面具支撑集)，伪造人脸图像Way-1的样本数量的要求是，Print Support(打印支撑集)和Mask Support(面具支撑集)的数量均大于零且小于某一数量阈值(如5)，即为小样本训练场景。
对于真实人脸图像Way-2，又分为支撑集Support(也可以称为支撑集)和序列集Query，支撑集Support中包括两种样本类型的真实人脸图像，如包括Sce.1Support(一种类型的支撑集)和Sce.3Support(另一种类型的支撑集)，序列集Query仅包括Sce.3Support(另一种类型的支撑集)，真实人脸图像Way-2的样本数量的要求是，Sce.1Support(一种类型的支撑集)和Sce.3Support(另一种类型的支撑集)的数量均大于零且小于某一数量阈值(如5)，即为小样本训练场景。
Task2包括伪造人脸图像Way-1和真实人脸图像Way-2，对于伪造人脸图像Way-1，又分为支撑集Support和序列集Query，支撑集Support中包括一种样本类型的伪造人脸图像，如包括Replay Support(播放录像支撑集)，序列集Query仅包括Print Support(打印支撑集)，伪造人脸图像Way-1的样本数量的要求是，Print Support(打印支撑集)和ReplaySupport(播放录像支撑集)的数量均大于零，也即伪造人脸图像Way-1缺少Replay Support(播放录像支撑集)，即为零样本训练场景。
对于真实人脸图像Way-2，又分为支撑集Support(也可以称为支撑集)和序列集Query，支撑集Support中包括一种样本类型的真实人脸图像，如包括Sce.1Support(一种类型的支撑集)，序列集Query仅包括Sce.2Support(另一种类型的支撑集)，真实人脸图像Way-2的样本数量的要求是，Sce.1Support(一种类型的支撑集)和Sce.2Support(另一种类型的支撑集)的数量均大于零，也即伪造人脸图像Way-1缺少Sce.2Support(另一种类型的支撑集)，即为零样本训练场景。
总结来说，对于一子数据集，子数据集中的支撑集Support包括一个样本类型C1,C1有M(M>0)个样本，还包含另外一个样本类型C2,C2有K(K>＝0)个样本，序列集Query中包含一个样本类型C2，C2有L(L>0)个样本。当K＝0时，即为零样本人脸防伪条件，K>0时即为小样本人脸防伪条件。参照图5，图5中的从左往右的前两个方框表示为将获取的不同种类的真实人脸样本和伪造人脸样本确定成样本数据集的过程。
上述的样本数据集确定之后，就可以使用上述的样本数据集对元学习器进行训练，得到上述的人脸防伪识别模型。其中，支撑集用于训练得到一个可以高效的从包含少量样本或者零样本的新的人脸攻击类别中学习这种人脸攻击类别的特征的初始化模型，序列集用于测试这个初始化模型是否可以在序列集中的新的攻击类别中的少量样本或者零样本的学习效果。
S13、获取所述预先训练的人脸防伪识别模型的处理结果。
在实际应用中，直接获取该人脸防伪识别模型的输出结果即可。
本实施例中，人脸防伪识别模型是利用预先设定的至少一个样本数据集对元学习器进行训练后得到的，所述样本数据集包括两个子数据集，每一子数据集包括支撑集和序列集；所述子数据集的属性不同，所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像，基于这一样本数据集的设定以及采用元学习器的训练方式，可以在序列集中的样本类型与支撑集中的样本类型相同时，识别出已有的人脸防伪攻击方式，在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也就是说，如果有新的攻击方式出现，得益于元学习的方式，元学习的人脸防伪识别模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
上述提及了利用预先设定的至少一个样本数据集对元学习器进行训练后得到人脸防伪识别模型，现对其具体实现过程进行介绍，参照图4，所述利用预先设定的至少一个样本数据集对元学习器进行训练后得到的过程可以包括：
S21、获取至少一个样本数据集。
样本数据集的内容已经在上述相应内容中进行了详细介绍，请参照上述相应内容。
S22、利用所述至少一个样本数据集对所述元学习器进行训练，直到满足预设训练条件。
在实际应用中，利用样本数据集对所述元学习器进行训练的过程可以为：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
在实际应用中，Support提供给meta-learner(元学习器)作为内部更新使用，即用来训练得到内部更新后的元学习器，该内部更新后的元学习器是学习了如何识别真实人脸和伪造人脸的过程，进而就可以使用Query对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
为了验证基于元学习的人脸防伪方法的能力，我们在现有的人脸防伪数据集的基础上，改造了能够验证元学习方法性能的测试标准。将现有数据集划分成上述的Support与Query，这样可以训练基于元学习的人脸防伪识别模型。图6为元学习的算法网络结构图，分为池化层、卷积层等等。如可以通过使用人脸深度作为人脸图像的标签，最终训练得到的网络可以从面部图像Facial image中预测人脸深度Predicted depth，预测人脸深度Predicteddepth可以作为本实施例中元学习输入的特征。本实施例中，基于元学习的人脸防伪识别模型按照数据划分为Task的形式进行训练。元学习可以与一般的深度学习方法使用的训练数据总量相同，也可以少于一般的深度学习方法使用的训练数据总量。按照Task的形式，使用Support训练得到内部更新后的元学习器，使用对其微调，得到外部更新后的元学习器。
参照图5，图5给出了整个人脸防伪识别模型的生成原理图，得到Support和Query后，使用第一组Support训练得到内部更新后的元学习器，即得到内部更新后的元学习器中的每一权重θ，然后使用第一组Query对该内部更新后的元学习器进行外部更新，即微调，此时可以得到外部更新后的元学习器以及该外部更新后的元学习器的测试准确率和损失函数，若测试准确率大于预设阈值或损失函数小于指定数值，则停止训练，若测试准确率不大于预设阈值、且损失函数不小于指定数值，则在使用前两组Support重新得到内部更新后的元学习器，即得到内部更新后的元学习器中的每一θ，然后使用前两组Query对该内部更新后的元学习器进行外部更新，即微调，此时可以得到外部更新后的元学习器以及该外部更新后的元学习器的测试准确率和损失函数，若测试准确率大于预设阈值或损失函数小于指定数值，则停止训练，若测试准确率不大于预设阈值、且损失函数不小于指定数值，则使用前三组Support执行上述的流程，直到满足预设条件，其中，每一组Support包括若干个Support，每一组Query包括若干个Query，具体数量以实际训练过程为准，预设条件包括：
所述元学习器的测试准确率或损失函数满足预设条件(如测试准确率大于预设阈值或损失函数小于指定数值)或，所述至少一个样本数据集被全部训练完，也即当所有的样本数据集均训练完成，此时也可以停止训练。
另外，针对小样本人脸防伪条件，即当C2不为零时，可以识别出已有的伪造方式，针对零样本人脸防伪条件，即当C2为零时，可以识别出新的伪造方式。具体原因是：若需要识别出新的伪造方式，即该新的防伪方式的样本数量为零时，可以从已有的伪造方式中进行攻击方式的分析，得到新的防伪方式。
需要说明的是，上述中依次使用一组Support训练，一组Query测试，不满足测试准确率，则使用多组Support训练，多个Query测试，是为了在多个Support训练，多个Query测试时可以将多个样本数据集均进行训练和测试，则最终得到的θ是多个样本数据集对应的比较平均化的数值，使得训练得到的模型的识别准确率更高。
参照图7，图7是Meta-Learning(元学习)的元学习人脸防伪算法，目的是得到人脸防伪识别模型。本发明实施例对确定人脸防伪识别模型的过程进行了改进，将原有的固定的内部更新学习率更改为可学习的、自适应的内部更新学习率，也即内部更新学习率与支撑集有关且通过支撑集训练得到，在测试过程中阿尔法(α)固定不变。
训练的输入为包括零样本和小样本的样本数据集T(即Task)，还有预先设定的外部更新的学习率β，内部更新的可学习的参数γ、可学习的内部更新学习率α、内部更新的最大次数u。输出为人脸防伪识别模型的权重θ。
图7中，各个参数代表的含义为：τi是随机生成的零样本任务或者少样本任务，s(τi)是任务τi的support集合，||s(τi)||是support集合中的图片的数量，x和y为输入的人脸图片以及对应的人脸深度标签(label)，j为内部更新的次数，α是本实施例提出的一个可学习的内部更新学习率，γ是另一个可学习的参数，γ用来帮助α一起调节内部更新学习率，θ是meta-learner的内部更新前的参数，是meta-learner在s(τi)上更新j次之后的参数，Ls(τi)是meta-learner在s(τi)计算出来的损失(loss),f是meta-learner对人脸深度的预测过程。
T是所有训练任务的任务列表，u是内部更新的最大次数，q(τi)是任务τi的query集合，||q(τi)||是query集合中的图片的数量，Lq(τi)是meta-learner在q(τi)计算出来的损失(loss)，β是外部更新的学习率，l代表Softmax loss function或者Euclidean lossfunction等分类或者回归问题损失函数。
在该算法中，meta-learner首先通过随机初始化或者加载预训练权重的方式进行初始化。在训练过程中，meta-learner通过优化在Support上的loss对自己进行内部更新，并通过它在Query上的loss对自己进行外部更新。需要注意的是，在模型使用阶段，在Query上不再进行外部更新，直接得到准确率。
元学习人脸防伪算法具体包括：
步骤1：随机初始化模型参数θ；
步骤2：开始训练；
步骤3：随机对若干个T ask进行采样，形成一个batch(批处理)；
步骤4-步骤11：第一次梯度更新过程。复制了一个原模型，计算出新的参数，用在第二轮梯度的计算过程中。元学习器是渐变gradient by gradient的，有两次梯度更新的过程。步骤4～11中，利用batch中的每一个task，我们分别对模型的参数进行更新(如若有4个task即更新4次)。注意这个过程在算法中是可以反复执行多次的。
利用batch中的某一个task中的Support，计算每个参数的梯度。注意：这里的损失loss计算方法，在回归问题中，就是均方误差MSE；在分类问题中，就是交叉熵cross-entropy。
元学习器在所有的Support都完成训练后，即认为完成了第一次梯度更新。接下来要做的，是根据第一次梯度更新得到的参数，通过gradient by gradient，计算第二次梯度更新。第二次梯度更新时计算出的梯度，直接通过序列集作用于上述得到的模型上，也就是我们的模型真正用于更新其参数的梯度。
具体的，步骤13-14：这里对应第二次梯度更新的过程。这里的loss计算方法，大致与步骤8相同，但是不同点有两处：第一处是我们不再分别利用每个task的loss更新梯度，而是像常见的模型训练过程一样，计算一个batch的loss总和，对梯度进行随机梯度下降SGD(Saccharomyces Genome Database，优化器)；参与计算的样本，是Task中的query，目的是增强模型在task上的泛化能力，避免过拟合support set。步骤14结束后，若测试准确率达到预设阈值，或所有的query都测试完成，即认为训练结束，此时就可以得到最终的人脸防伪识别模型。
在上述过程中，参照下述公式：
在步骤8-9之间，依据预先设定的外部更新结果(如β、损失值)与内部更新学习率之间的关联关系(即上述公式)，调整所述外部更新后的元学习器的内部更新学习率。具体来说，将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
基于序列集query对内部更新后的元学习器进行测试，得到损失值，依据θ、γ和α与损失值之间的关系，最终计算得到学习后的θ、γ和α。
相比于一般深度学习的方法来说，一般深度学习的方法按照一般的方式进行微调，基于元学习的方法按照上述的元学习的测试阶段策略对meta-learner进行内部更新完成微调。二者使用的Support数量可以保持一致，注意这里每个Task均要生成一个内部更新后的元学习器，并且每个Task里Support的数量非常少，一般为0，1或者5。
本实施例中，预先设置了可学习的内部更新学习率，在训练的过程中，内部更新学习率也不断的在调整，从而使得训练得到的人脸防伪识别模型更加适应于本实施例提供的样本数据集，进而使得得到的人脸防伪识别模型的识别准确率更高。
另外，本实施例中，模拟了只有少量样本的新的攻击方式出现的场景，能有效针对零样本和只有少量样本但是层出不穷的伪造人脸的攻击，带来的益处主要包括：1、有效提高人脸防伪系统的防御能力；2、大大减少针对每一种新的攻击手段进行的大量的数据采集，减少时间、人力成本。
可选的，在上述人脸防伪识别方法的实施例的基础上，本发明的另一实施例提供了一种人脸防伪识别装置，参照图8，可以包括：
图像获取模块11，用于获取待识别人脸图像；
模型调用模块12，用于调用预先训练的人脸防伪识别模型，对所述待识别人脸图像进行处理，所述预先训练的人脸防伪识别模型为，利用预先设定的至少一个样本数据集对元学习器进行训练后得到的，其中，所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像；
结果获取模块13，用于获取所述预先训练的人脸防伪识别模型的处理结果。
本实施例中，人脸防伪识别模型是利用预先设定的至少一个样本数据集对元学习器进行训练后得到的，所述样本数据集包括两个子数据集，每一子数据集包括支撑集和序列集；所述子数据集的属性不同，所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像，基于这一样本数据集的设定以及采用元学习器的训练方式，可以在序列集中的样本类型与支撑集中的样本类型相同时，识别出已有的人脸防伪攻击方式，在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也就是说，如果有新的攻击方式出现，得益于元学习的方式，元学习的人脸防伪识别模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述人脸防伪识别装置的实施例的基础上，还包括模型训练模块；所述模型训练模块包括：
数据集获取子模块，用于获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像；
训练子模块，用于利用所述至少一个样本数据集对所述元学习器进行训练，直到满足预设训练条件；
其中，所述训练子模块用于利用样本数据集对所述元学习器进行训练的过程时，具体用于：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
进一步，所述模型训练模块还包括：
学习率调整子模块，用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率。
进一步，学习率调整子模块用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率时，具体用于：
将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
进一步，所述满足预设训练条件包括：
所述元学习器的测试准确率或损失函数满足预设条件，或，所述至少一个样本数据集被全部训练完。
本实施例中，预先设置了可学习的内部更新学习率，在训练的过程中，内部更新学习率也不断的在调整，从而使得训练得到的人脸防伪识别模型更加适应于本实施例提供的样本数据集，进而使得得到的人脸防伪识别模型的识别准确率更高。
另外，本实施例中，模拟了只有少量样本的新的攻击方式出现的场景，能有效针对零样本和只有少量样本但是层出不穷的伪造人脸的攻击，带来的益处主要包括：1、有效提高人脸防伪系统的防御能力；2、大大减少针对每一种新的攻击手段进行的大量的数据采集，减少时间、人力成本。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述人脸防伪识别方法的实施例的基础上，本发明的另一实施例提供了一种人脸防伪识别模型的训练装置，包括：
数据集获取子模块，用于获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像；
训练子模块，用于利用所述至少一个样本数据集对所述元学习器进行训练，直到满足预设训练条件；
其中，所述训练子模块用于利用样本数据集对所述元学习器进行训练的过程时，具体用于：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
进一步，所述模型训练模块还包括：
学习率调整子模块，用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率。
进一步，学习率调整子模块用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率时，具体用于：
将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
进一步，所述满足预设训练条件包括：
所述元学习器的测试准确率或损失函数满足预设条件，或，所述至少一个样本数据集被全部训练完。
可选的，在上述人脸防伪识别方法的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像；
利用所述至少一个样本数据集对所述元学习器进行训练，直到满足预设训练条件；
其中，利用样本数据集对所述元学习器进行训练的过程包括：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器。
可选的，在上述人脸防伪识别方法的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
获取待识别人脸图像；
调用上述的人脸防伪识别模型，对所述待识别人脸图像进行处理；获取所述预先训练的人脸防伪识别模型的处理结果。
本实施例中，人脸防伪识别模型是利用预先设定的至少一个样本数据集对元学习器进行训练后得到的，所述样本数据集包括两个子数据集，每一子数据集包括支撑集和序列集；所述子数据集的属性不同，所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像，基于这一样本数据集的设定以及采用元学习器的训练方式，可以在序列集中的样本类型与支撑集中的样本类型相同时，识别出已有的人脸防伪攻击方式，在序列集中的样本类型与支撑集中的样本类型不相同时，识别出新的人脸防伪攻击方式。也就是说，如果有新的攻击方式出现，得益于元学习的方式，元学习的人脸防伪识别模型能够发现新攻击方式中的通用特征从而进行防御，并且通过少量的样本，快速学到新的伪造人脸特征从而进行更有效的防御，因此能够大大提升人脸防伪识别结果的准确性。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种人脸防伪识别模型的训练方法，其特征在于，包括：
获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像，所述样本数据集包括小样本训练场景下的样本数据集和零样本训练场景下的样本数据集；
其中，所述小样本训练场景下的样本数据集包括：当第一子数据集的属性为伪造人脸图像时，所述第一子数据集中的支撑集包括打印支撑集和面具支撑集的伪造人脸图像，所述第一子数据集中的序列集包括所述面具支撑集的伪造人脸图像；当第二子数据集的属性为真实人脸图像时，所述第二子数据集中的支撑集包括一种类型的支撑集和另一种类型的支撑集的真实人脸图像，所述第二子数据集中的序列集包括所述另一种类型的支撑集的真实人脸图像，所述第一子数据集的支撑集和序列集的样本数据均大于零且小于预设数量阈值，所述第二子数据集中的支撑集和序列集的样本数据均大于零且小于预设数量阈值；
其中，所述零样本训练场景下的样本数据集包括：当第三子数据集的属性为伪造人脸图像时，所述第三子数据集中的支撑集包括播放录像支撑集的伪造人脸图像，所述第三子数据集中的序列集包括打印支撑集的伪造人脸图像；当第四子数据集的属性为真实人脸图像时，所述第四子数据集中的支撑集包括一种类型的支撑集的真实人脸图像，所述第四子数据集中的序列集包括另一种类型的支撑集的真实人脸图像，所述第三子数据集的支撑集和序列集的样本数据均大于零，所述第四子数据集中的支撑集和序列集的样本数据均大于零；
利用所述至少一个样本数据集对元学习器进行训练，直到满足预设训练条件；
其中，利用样本数据集对所述元学习器进行训练的过程包括：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器；
其中，利用样本数据集对所述元学习器进行训练的过程还包括：依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率，所述预先设定的外部更新结果包括外部更新的学习率和损失值；
其中，所述利用所述至少一个样本数据集对所述元学习器进行训练之后，所述方法还包括：若所述元学习器的测试准确率不大于预设阈值、且损失函数不小于指定数值，则使用前三组样本数据集对所述元学习器进行训练，直到满足所述预设训练条件；
其中，所述满足预设训练条件包括：若所述元学习器的测试准确率大于预设阈值，或，所述损失函数小于指定数值，或，所述至少一个样本数据集被全部训练完。
2.根据权利要求1所述的训练方法，其特征在于，所述依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率包括：
将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
3.一种人脸防伪识别方法，其特征在于，包括：
获取待识别人脸图像；
调用采用如权利要求1-2任一项所述人脸防伪识别模型的训练方法得到的人脸防伪识别模型，对所述待识别人脸图像进行处理；
获取预先训练的人脸防伪识别模型的处理结果。
4.一种人脸防伪识别模型的训练装置，其特征在于，包括：
数据集获取子模块，用于获取至少一个样本数据集；所述样本数据集包括两个子数据集，所述子数据集的属性不同，每一子数据集包括支撑集和序列集；所述子数据集包含的所述支撑集和所述序列集的样本类型部分相同或完全不同，所述子数据集的属性包括真实人脸图像和伪造人脸图像，所述样本数据集包括小样本训练场景下的样本数据集和零样本训练场景下的样本数据集；
其中，所述小样本训练场景下的样本数据集包括：当第一子数据集的属性为伪造人脸图像时，所述第一子数据集中的支撑集包括打印支撑集和面具支撑集的伪造人脸图像，所述第一子数据集中的序列集包括所述面具支撑集的伪造人脸图像；当第二子数据集的属性为真实人脸图像时，所述第二子数据集中的支撑集包括一种类型的支撑集和另一种类型的支撑集的真实人脸图像，所述第二子数据集中的序列集包括所述另一种类型的支撑集的真实人脸图像，所述第一子数据集的支撑集和序列集的样本数据均大于零且小于预设数量阈值，所述第二子数据集中的支撑集和序列集的样本数据均大于零且小于预设数量阈值；
其中，所述零样本训练场景下的样本数据集包括：当第三子数据集的属性为伪造人脸图像时，所述第三子数据集中的支撑集包括播放录像支撑集的伪造人脸图像，所述第三子数据集中的序列集包括打印支撑集的伪造人脸图像；当第四子数据集的属性为真实人脸图像时，所述第四子数据集中的支撑集包括一种类型的支撑集的真实人脸图像，所述第四子数据集中的序列集包括另一种类型的支撑集的真实人脸图像，所述第三子数据集的支撑集和序列集的样本数据均大于零，所述第四子数据集中的支撑集和序列集的样本数据均大于零；
训练子模块，用于利用所述至少一个样本数据集对元学习器进行训练，直到满足预设训练条件；
其中，所述训练子模块用于利用样本数据集对所述元学习器进行训练的过程时，具体用于：
利用所述样本数据集中的子数据集中的支撑集对所述元学习器进行训练，得到内部更新后的元学习器，并利用所述样本数据集中的子数据集中的序列集对所述内部更新后的元学习器进行训练，得到外部更新后的元学习器；
学习率调整子模块，用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率，所述预先设定的外部更新结果包括外部更新的学习率和损失值；
其中，所述训练子模块用于利用样本数据集对所述元学习器进行训练的过程之后，还具体用于：若所述元学习器的测试准确率不大于预设阈值、且损失函数不小于指定数值，则使用前三组样本数据集对所述元学习器进行训练，直到满足所述预设训练条件；
其中，所述满足预设训练条件包括：若所述元学习器的测试准确率大于预设阈值，或，所述损失函数小于指定数值，或，所述至少一个样本数据集被全部训练完。
5.根据权利要求4所述的训练装置，其特征在于，学习率调整子模块用于依据预先设定的外部更新结果与内部更新学习率之间的关联关系，调整所述外部更新后的元学习器的内部更新学习率时，具体用于：
将梯度下降算法中的步长作为外部更新学习率，并通过梯度下降算法对所述外部更新后的元学习器的损失进行优化，得到所述外部更新后的元学习器的内部更新学习率。
6.一种人脸防伪识别装置，其特征在于，包括：
图像获取模块，用于获取待识别人脸图像；
模型调用模块，用于调用采用如权利要求4-5任一项所述人脸防伪识别模型的训练装置得到的人脸防伪识别模型，对所述待识别人脸图像进行处理；
结果获取模块，用于获取预先训练的人脸防伪识别模型的处理结果。
CN201911201319.XA 2019-11-29 2019-11-29 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 Active CN111160102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201319.XA CN111160102B (zh) 2019-11-29 2019-11-29 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201319.XA CN111160102B (zh) 2019-11-29 2019-11-29 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置

Publications (2)

Publication Number Publication Date
CN111160102A CN111160102A (zh) 2020-05-15
CN111160102B true CN111160102B (zh) 2024-02-23

Family

ID=70556342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201319.XA Active CN111160102B (zh) 2019-11-29 2019-11-29 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置

Country Status (1)

Country Link
CN (1) CN111160102B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12131335B2 (en) * 2020-09-22 2024-10-29 Lawrence Livermore National Security, Llc Automated evaluation of anti-counterfeiting measures
CN112884160B (zh) * 2020-12-31 2024-03-12 北京爱笔科技有限公司 一种元学习方法及相关装置
CN112733760B (zh) * 2021-01-15 2023-12-12 上海明略人工智能(集团)有限公司 人脸防伪检测方法及系统
CN112784790B (zh) * 2021-01-29 2022-05-10 厦门大学 一种基于元学习的泛化性伪造脸检测方法
CN114863470B (zh) * 2021-02-08 2024-11-22 中国科学技术大学 伪造人像检测模型的训练方法
CN113312965B (zh) * 2021-04-14 2023-04-28 重庆邮电大学 一种人脸未知欺骗攻击活体检测方法及系统
CN113128619B (zh) * 2021-05-10 2022-05-31 北京瑞莱智慧科技有限公司 伪造样本检测模型的训练方法、伪造样本识别方法、装置、介质和设备
CN113343771B (zh) * 2021-05-12 2022-04-15 武汉大学 一种基于自适应元学习的人脸防伪方法
CN114693999B (zh) * 2022-05-09 2025-07-08 阳光保险集团股份有限公司 一种训练识别模型的方法、装置、设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1371504A (zh) * 1999-01-13 2002-09-25 电脑相关想象公司 签名识别系统和方法
CN108509833A (zh) * 2017-12-21 2018-09-07 苏州大学 一种基于结构化分析字典的人脸识别方法、装置及设备
CN108509965A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种超深度强对抗学习的机器学习方法
CN109462691A (zh) * 2018-10-27 2019-03-12 中国人民解放军战略支援部队信息工程大学 一种基于多传感器数据融合的隐式防护方法及系统
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7231404B2 (en) * 2003-01-31 2007-06-12 Nokia Corporation Datacast file transmission with meta-data retention

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1371504A (zh) * 1999-01-13 2002-09-25 电脑相关想象公司 签名识别系统和方法
CN108509965A (zh) * 2017-02-27 2018-09-07 顾泽苍 一种超深度强对抗学习的机器学习方法
CN108509833A (zh) * 2017-12-21 2018-09-07 苏州大学 一种基于结构化分析字典的人脸识别方法、装置及设备
CN109462691A (zh) * 2018-10-27 2019-03-12 中国人民解放军战略支援部队信息工程大学 一种基于多传感器数据融合的隐式防护方法及系统
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chenxu Zhao等.Meta Anti-spoofing: Learning to Learn in Face Anti-spoofing.《arXiv》.2019, 第1-12页. *
潘磊. 基于集成学习的人脸识别算法研究.《中国优秀硕士学位论文全文数据库(信息科技辑)》.2013,(第01期),I138-1557. *

Also Published As

Publication number Publication date
CN111160102A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160102B (zh) 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置
CN111783505B (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
CN111598182B (zh) 训练神经网络及图像识别的方法、装置、设备及介质
Abbas et al. Lightweight deep learning model for detection of copy-move image forgery with post-processed attacks
CN109657715B (zh) 一种语义分割方法、装置、设备及介质
CA3166091A1 (en) An identification method, device computer equipment and storage medium for identity document reproduction
Timmerman et al. Video camera identification from sensor pattern noise with a constrained convnet
CN112084936B (zh) 一种人脸图像预处理方法、装置、设备及存储介质
CN114387451B (zh) 异常图像检测模型的训练方法、装置及介质
CN110956080A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN117115736B (zh) 基于FocalNeXtFold聚焦堆叠块的YOLOv8密集行人检测方法
CN117522807A (zh) 基于对比学习改进的图像篡改检测方法
Zhao et al. A transferable anti-forensic attack on forensic CNNs using a generative adversarial network
CN108156130B (zh) 网络攻击检测方法和装置
Hussain et al. Few-shot based learning recaptured image detection with multi-scale feature fusion and attention
Aravena et al. Impact of face image quality estimation on presentation attack detection
CN114494723A (zh) 基于多局部图自适应加权的无参考图像质量评价方法
CN117496601A (zh) 基于细分类和对抗域泛化的人脸活体检测系统及方法
You et al. Tampering detection and localization base on sample guidance and individual camera device convolutional neural network features
CN111027573A (zh) 基于盲取证技术的图像真伪鉴别方法
CN113642353B (zh) 一种人脸检测模型的训练方法、存储介质及终端设备
CN115393901A (zh) 一种跨模态行人重识别方法及计算机可读存储介质
CN115775409A (zh) 一种人脸图像防篡改融合检测方法
Berthet et al. Towards a more reliable and reproducible protocol of source camera recognition
Singh et al. Image Forgery Detection Model using CNN Architecture with SVM Classifier

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant