用于检测数字化和打印扫描变形人脸图像的可转换深层CNN特征【参考文献29】

用于检测数字化和打印扫描变形人脸图像的可转换深层CNN特征
摘要
利用可转换的特徵从一个预先训练的深卷积神经网路（D-CNN）来侦测数位及印刷扫描变形人脸影像。基于两个D-CNN（VGG19和AlexNet）的第一个完全连接层的特征级融合，这两个层是使用变形人脸图像数据库专门微调的。该方法在新建立的数据库上进行了广泛的评估，该数据库包含数字和打印扫描变形人脸图像，对应真实的变形数据，反映了真实场景

1. 预处理
   给定人脸图像，我们首先使用Viola-Jones算法进行人脸检测[17]。在下一步中，使用[16]中介绍的仿射变换将检测到的面部区域归一化以补偿旋转，并将图像大小调整为227⇥227像素。我们选择了227⇥227像素的尺寸，以使其适应同样用227⇥227像素的图像预先训练的D-cnn的输入层的大小
2. D-CNNs的特征级融合
   从预先训练的D-CNN网络中探索可转移的特征。在这方面，使用了两个流行的预先训练的D-cnn，即VGG19和AlexNet，它们是在大型ImageNet数据库上训练的。由于这些D-cnn虽然是在同一个数据库（ImageNet）上训练的，但它们基于不同的配置（或架构），因此，利用变形后的人脸数据库对这两个D-cnn进行微调，并在特征级将这两个网络结合起来，可以提供适合于检测变形人脸图像的互补特征，该从VGG19和AlexNet两个微调网络中探索了第一个完全连接层（FC-6）的特性。从FC-6层中选择特征，以便在退出层（尤其是AlexNet）之前利用全尺寸特征。然后，在将这些特征向量提供给分类块之前，将这些特征串接成单个向量。在这项工作中，VGG19和AlexNet的微调是在变形人脸图像数据库的训练数据集上独立进行的。在对网络进行微调的同时，与网络中的其他层相比，我们在最后一层应用了较高的学习速率值
   3.分类
   使用概率协作表示分类器（P-CRC），它将测试样本的似然比与其他类结合起来进行分类。根据真实人脸图像和变形人脸图像对应的训练集，对预训练的D-CNN网络进行微调，并从AlexNet和VGG19中提取第一个完全连通层（FC-6）的特征。让我们从AlexNet be和VGG19 be中提取FC-6特征。然后，我们通过将提取的特征串联起来形成一个单一的特征向量＝[FA | | FV]，用于训练P-CRC。然后将测试人脸图像独立地投影到AlexNet和vgg19d-CNN的FC-6层上，得到相应的特征。然后使用特征串联将这些特征组合起来形成一个单一的向量=[FteA | | FteV]，作为测试特征向量和P-CRC来获得变形检测分数

结论：
脸变形是一个潜在的威胁，特别是对于护照管理应用程序。由于许多国家根据申请人提交的照片签发电子护照，因此可以有效地应用各种面部变形技术来隐藏身份。免费提供的面部变形软件的可用性为攻击者提供了一个充分的机会来生成变形的人脸照片，这是很难被人类操作员发现的。在这项工作中，我们提出了一种新的方法和框架，利用预先训练的深度卷积神经网络（D-CNN）的可转移特征来检测变形人脸图像，以同时检测数字和打印扫描的变形人脸图像。在新构建的变形图像数据库上进行了大量的实验，该数据库由352幅真实人脸图像和431幅变形人脸图像组成，使用104个独特的主题创建。此外，通过人工干预生成变形后的人脸图像，以获得最佳质量的变形图像，并进行进一步的后处理以去除产生重影图像的未对准边缘。为了实际分析所提出方案的性能，数据库使用两种不同的扫描仪创建，包括照片扫描仪和office扫描仪（或文档扫描仪），后者可以以300dpi扫描高质量打印的变形和真实的人脸图像。在该数据库上进行的大量实验表明，数字和打印扫描变形人脸图像的误差最小。此外，该方法所取得的改进的检测性能，特别是在跨数据库评估实验2中，表明了该方法对变形人脸图像检测的鲁棒性
鲁棒性：鲁棒是Robust的音译，也就是健壮和强壮的意思。它也是在异常和危险情况下系统生存的能力。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，也是指控制系统在一定（结构，大小）的参数摄动下，维持其它某些性能的特性