摘要: 作为广泛使用的人工智能技术之一，人脸识别获得越来越多的推广和普及，但是由于环境复杂且拍摄图像的背景多变，基于人脸识别的身份认证系统极易遭到攻击，因此人脸活体检测已经成为人脸识别领域重点研究的课题之一。人脸活体检测旨在辨别位于人脸识... 展开 作为广泛使用的人工智能技术之一，人脸识别获得越来越多的推广和普及，但是由于环境复杂且拍摄图像的背景多变，基于人脸识别的身份认证系统极易遭到攻击，因此人脸活体检测已经成为人脸识别领域重点研究的课题之一。人脸活体检测旨在辨别位于人脸识别系统前的人脸是实时拍摄的人脸还是假冒人脸。通过对该问题的研究，有助于解决人脸识别技术中的隐私安全性和身份有效性等问题，提高了人脸识别系统的安全性，保护了个人及社会的财产安全。 针对单一纹理特征难以描述人脸图像的复杂性和变化的问题，提出了一种基于混合纹理的人脸活体检测方法，融合了空域-频域纹理特征和基于卷积神经网络的空间梯度纹理特征，改进了现有单一纹理特征描述的局限性，提供了互补的目标特征信息，增强了不同人脸欺骗攻击间的检测性能。针对现有基于纹理分析的人脸活体检测方法易受采集条件变化影响和实际应用中样本不平衡的问题，使用结合焦点损失和对比深度损失的混合损失函数替代了传统的交叉熵损失，在解决正负难易样本数量不平衡的同时提高了模型的泛化性能。与现有基于纹理分析的人脸活体检测方法相比，本文方法中的混合纹理特征包含更充分的纹理信息辨别能力，并且采用基于对比深度的混合损失函数来引导网络训练，从而能够较大程度地提升模型的泛化性能。 我们的方法不仅在两个公开人脸活体检测数据集内进行了测试，还在不同数据集间进行了交叉验证，然后从定性和定量两个方面利用消融实验等方法验证了不同纹理和损失函数的有效性。实验结果表明，所提方法在NUAA数据集和Replay-Attack数据集内测试的效果均优于现有基于纹理分析的方法。此外，该方法目前已成功应用在国内某知名芯片设计公司的人脸活体检测项目中，验证了算法的可靠性和稳定性。 收起