基于半监督学习的人脸识别反欺骗方法研究

 【摘 要】鉴别图像中的真伪人脸是一个长期具有挑战性的问题。当合成的伪造人脸十分逼真时，机器识别难分真假，甚至肉眼也难以区分。基于监督学习的真伪人脸识别建模往往需要大量的标签样本，模型的性能严重依赖样本的规模。提出一种基于半监督学习的人脸识别反欺骗方法，以减少对大量标签样本的依赖。该方法利用图像修复模型来学习人脸图像潜在的数据分布。在训练过程中，少量标签样本周期性地提供有监督信号来训练分类器，以区分真伪人脸。该方法可用于不同场景的伪造人脸，如基于摄像头拍摄的人脸或生成对抗网络生成的人脸。在NUAA 数据集和口罩遮挡人脸数据集 RMFD 上进行验证，实验结果表明，所提方法能够在不降低修复图像质量的情况下达到理想的分类精度。仅依靠少量带标签图像，所提方法比Improved-GAN方法和常用的半监督机器学习方法优势更明显，并优于支持向量机和卷积神经网络的监督学习方法。

【关键词】人脸反欺骗 ; 半监督学习 ; 生成对抗网络 ; 图像修复

1.引言

人脸识别技术在日常生活中已经被应用到各种身份识别系统中，如门禁系统、公共场合的安检系统、屏幕解锁等，保障了信息安全。尽管如此，人脸识别技术仍然存在安全隐患，例如照片、视频或 3D 打印技术可以高度模拟人脸图像，欺骗识别系统。为了规避这一问题，近年来人脸反欺骗技术受到了广泛的关注。尤其在新型冠状病毒肺炎疫情期间，口罩遮挡的情况给真伪人脸的识别带来了新的挑战。本文主要研究区分真实和伪造人脸图像的反欺骗方法。该类方法根据特征表示的不同通常分为3种类型，分别为基于传统手工特征、深度学习特征和融合特征的方法。

传统手工特征由特定的算子得到，着重区分活体和非活体之间的区别。Li J W等人通过估计傅里叶频谱中的高频成分判定真伪人脸图像的区别。Boulkenafe