原文
穆大强.多模融合的人脸活体检测算法的研究[D].安徽大学,2020.DOI:10.26917/d.cnki.ganhu.2020.001264.
贡献 / 创新点
准确性和鲁棒性
贡献:
1)文中对 HSV 和 YCbCr 颜色空间上的完整人脸与局部 patch 图像以及包含动态信息的时序图像进行特征提取,并为此设计了一种多输入的融合网络
2)网络瘦身
方法
3D face fitting 方法获取面部高度标签
由于攻击类型的多样性、环境的干扰以及不同种类摄像头采集图像的差异等因素的影响,使得活体检测模型在现实场景使用中效果不佳
由于采集时每个采集对象的视频前后帧之间有着较高的相似度,这个时候需要在原始数据上实施必要的预处理,以避免在网络学习过程中出现过拟合而导致模型训练失败
56*56 的patch 堆叠了 10 个
我们选择三张灰度图像中对应的灰度值进行加权求和作为时序图像中相应位置的像素值
patch 盲猜一手是通过堆叠 channels 输入进去的
这里的决策网络融合了不同 level 的 feature
HSV + YCbCr + crop_size:
56 × 56 + crop_size: 72 × 72
数据库中每一帧的相似性较高,所以堆叠过后的时序图没有包含丰富的动态特征,时序特征要比在 RGB 颜色空间上中获得的特征更具有鉴别力
光照强度的影响、背景的干扰、摄像头的视点等