基于多特征与多尺度融合的人脸活体检测方法

针对人脸活体检测卷积神经网络特征提取单一问题展开研究,提出了一种基于多特征与多尺度融合检测方法.通过对原始图像进行HSV空间和LBP空间转换,分别去除原图对光照敏感部分并提取活体人脸特征有效部分进行不同特征的有效融合即HV_LBP;提取ResNet50_FF(ResNet50 and Feature Fusion)不同层次得到特征图像的浅层、中层、高层语义特征部分,进行多尺度融合得到最终特征,最后使用Faster-ResNet50_FF-RCNN网络进行训练并分类实现人脸活体检测.所提算法在CASIA-FASD、NUAA、REPLAY-ATTACK和OULU-NPU等 4 个人脸活体检测公开数据集上进行实验,NUAA数据集仿真实验曲线下面积(AUC)为 0.995,表明了所提方法的有效性;OULU-NPU数据集仿真实验,平均分类错误率(ACER)为 0.3％,对比ACER为 6.9％的CPqD(基于Inception-V3 的改进模型)、ACER为 5.9％的MSR-Resnet(基于ResNet18 的改进模型)、ACER为1.5％的的FaceDs(基于欺骗噪声分析法)、ACER为 1.9％的STASN(基于融合全局和局部空间注意力机制模型)等人脸活体检测模型,所提模型平均分类错误率更低,具备一定的优越性.