基于面部特征点运动的活体识别方法

doi:10.11959/j.issn.2096-109x.2018044

网络与信息安全学报 ›› 2018, Vol. 4 ›› Issue (6): 36-44.doi: 10.11959/j.issn.2096-109x.2018044

基于面部特征点运动的活体识别方法

王宇龙,刘开元

广州大学计算机科学与教育软件学院，广东广州510006

修回日期:2018-05-04 出版日期:2018-06-01 发布日期:2018-08-08
作者简介:王宇龙（1991-），男，江苏徐州人，主要研究方向为深度学习与信息安全。|刘开元（1991-），男，安徽宣城人，主要研究方向为算法优化、深度学习与图像处理。
基金资助:
国家自然科学基金资助项目(61772007);广东省科学技术规划重点基金资助项目(2016B010124014)

Living body recognition method based on facial feature point motion

Yulong WANG,Kaiyuan LIU

School of Computer Science and Education Software,Guangzhou University,Guangzhou 510006,China

Revised:2018-05-04 Online:2018-06-01 Published:2018-08-08
Supported by:
The National Natural Science Foundation of China(61772007);Science and Technology Planning Key Project of Guangdong Province(2016B010124014)

摘要/Abstract

摘要：

提出一种应用于手机移动端基于深度学习反照片及反视频的生物识别方法，该方法利用面部动作数据集训练一个LSTM网络，通过用户配合输入一段随机动作顺序的视频，对视频预处理后提取面目特征特点得到特征点数据，最后将特征点数据放入循环神经网络判断视频是否发生了伪造攻击。实验结果表明，该方法能够有效抵御照片攻击和视频回放攻击。

关键词: 活体识别, 面部特征点, 深度学习, LSTM

Abstract:

A kind of living body recognition method was proposed,which was applied in mobile terminal and based on the deep learning.A facial movements LSTM network was trained using data sets.When users input a random sequence of video,user’s facial feature point data can be gained and whether the video forgery attacks happened will be determined by input user’s facial feature point data into circulation neural network.The test data shows that the proposed method can be protected effectively from photograph attack and video replay attack.

Key words: living body recognition, facial feature point, deep learning, LSTM

中图分类号:

TP301.6

王宇龙,刘开元. 基于面部特征点运动的活体识别方法[J]. 网络与信息安全学报, 2018, 4(6): 36-44.

Yulong WANG,Kaiyuan LIU. Living body recognition method based on facial feature point motion[J]. Chinese Journal of Network and Information Security, 2018, 4(6): 36-44.

图/表 7

图1

图2

图3

图4

表1

图5

图6

参考文献 16

[1]	徐子明 . 生物识别技术概况及其应用[J]. 科学技术创新, 2017,(35): 191.
	XU Z M . Biometrics technology and its application[J]. Science and Technology Innovation, 2017,(35): 191.
[2]	OLGA K , NASER D . 2DFace liveness detection:an overview[C]// International Conference of the Biometrics Special Interest Group (BIOSIG). 2012: 1-12.
[3]	GALBALLY J , MARCEL S , FIERREZ J . Image quality assessment for fake biometric detection:application to iris,fingerprint,and face recog-nition[J]. IEEE Transactions on Image Processing, 2014,23(2): 710-724.
[4]	PINTOA , SCHWARTZ W R , PEDRINI H ,et al. Using visual rhythms for detecting video-based facial spoof attacks[J]. IEEE Transactions on Information Forensics and Security, 2015,10(5): 1025-1038.
[5]	KIM W , SUH S , HAN J J . Face liveness detection from a single image via diffusion speed model[J]. IEEE Transactions on Image Processing, 2015,24(8): 2456-2465.
[6]	CHINGOVSKA I , ANJOS A , MARCEL S ,et al. On the effectiveness of local binary patterns in face anti-spoofing[C]// Biometrics Special Interest Group. 2012: 1-7.
[7]	ANJOS A , MARCEL S . Counter-measures to photo attacks in face recognition:a public database and a baseline[C]// International Joint Conference on Biometrics. 2011: 1-7.
[8]	TAN X , LI Y , LIU J ,et al. Face liveness detection from a single image with sparse low rank bilinear discriminative model[C]// European Conference on Computer Vision. 2010: 504-517.
[9]	ZHANG Z , YAN J , LIU S ,et al. A face antispoofing database with diverse attacks[C]// Iapr International Conference on Biometrics. 2012: 26-31.
[10]	SUN L , PAN G , WU Z ,et al. Blinking-based live face detection using conditional random fields[C]// International Conference on Advances in Biometrics. 2007: 252-260.
[11]	BAO W , LI H , LI N ,et al. A liveness detection method for face recognition based on optical flow field[C]// International Conference on Image Analysis and Signal Processing. 2009: 233-236.
[12]	BHARADWAJ S , DHAMECHA T I , VATSA M ,et al. Computationally efficient face spoofing detection with motion magnification[C]// IEEE Conf Comput Vis Pattern Recognit Workshops (CVPRW). 2013: 105-110.
[13]	ZHANG K , ZHANG Z , LI Z et al . Joint face detection and alignment using multitask cascaded convolutional networks[J]. IEEE Signal Processing Letters, 2016,23(10): 1499-1503.
[14]	KAZEMI V , SULLIVAN J . One millisecond face alignment with an ensemble of regression trees[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2014: 1867-1874.
[15]	CHEN S H , HWANG S H , WANG Y R . An RNN-based prosodic information synthesizer for mandarin text-to-speech[J]. IEEE Transactions on Speech ＆ Audio Processing, 1998,6(3): 226-239.
[16]	HOCHREITER S , SCHMIDHUBER J . Long short-term memory[J]. Neural Computation, 1997,9(8): 1735.

视频类型	召回率	精确率	F1
照片欺骗	1	1	1
视频合成	1	0.923 0	0.959 9

基于面部特征点运动的活体识别方法

Living body recognition method based on facial feature point motion

在线阅读

pdf下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 16

相关文章 15

Metrics

推荐阅读 0

[1]	李晓萌, 郭玳豆, 卓训方, 姚恒, 秦川. 载体独立的抗屏摄信息膜叠加水印算法[J]. 网络与信息安全学报, 2023, 9(3): 135-149.
[2]	谢绒娜, 马铸鸿, 李宗俞, 田野. 基于卷积神经网络的加密流量分类方法[J]. 网络与信息安全学报, 2022, 8(6): 84-91.
[3]	章登勇, 文凰, 李峰, 曹鹏, 向凌云, 杨高波, 丁湘陵. 基于双分支网络的图像修复取证方法[J]. 网络与信息安全学报, 2022, 8(6): 110-122.
[4]	林佳滢, 周文柏, 张卫明, 俞能海. 空域频域相结合的唇型篡改检测方法[J]. 网络与信息安全学报, 2022, 8(6): 146-155.
[5]	陈晋音, 吴长安, 郑海斌. 基于softmax激活变换的对抗防御方法[J]. 网络与信息安全学报, 2022, 8(2): 48-63.
[6]	邱宝琳, 易平. 基于多维特征图知识蒸馏的对抗样本防御方法[J]. 网络与信息安全学报, 2022, 8(2): 88-99.
[7]	李丽娟, 李曼, 毕红军, 周华春. 基于混合深度学习的多类型低速率DDoS攻击检测方法[J]. 网络与信息安全学报, 2022, 8(1): 73-85.
[8]	秦中元, 贺兆祥, 李涛, 陈立全. 基于图像重构的MNIST对抗样本防御算法[J]. 网络与信息安全学报, 2022, 8(1): 86-94.
[9]	邹德清, 李响, 黄敏桓, 宋翔, 李浩, 李伟明. 基于图结构源代码切片的智能化漏洞检测系统[J]. 网络与信息安全学报, 2021, 7(5): 113-122.
[10]	王正龙, 张保稳. 生成对抗网络研究综述[J]. 网络与信息安全学报, 2021, 7(4): 68-85.
[11]	李炳龙, 佟金龙, 张宇, 孙怡峰, 王清贤, 常朝稳. 基于TensorFlow的恶意代码片段自动取证检测算法[J]. 网络与信息安全学报, 2021, 7(4): 154-163.
[12]	谭清尹, 曾颖明, 韩叶, 刘一静, 刘哲理. 神经网络后门攻击研究[J]. 网络与信息安全学报, 2021, 7(3): 46-58.
[13]	杨路辉,白惠文,刘光杰,戴跃伟. 基于可分离卷积的轻量级恶意域名检测模型[J]. 网络与信息安全学报, 2020, 6(6): 112-120.
[14]	刘西蒙,谢乐辉,王耀鹏,李旭如. 深度学习中的对抗攻击与防御[J]. 网络与信息安全学报, 2020, 6(5): 36-53.
[15]	杜思佳,于海宁,张宏莉. 基于深度学习的文本分类研究进展[J]. 网络与信息安全学报, 2020, 6(4): 1-13.