跨域深度迁移用于人脸活体检测

实用的面部识别系统不仅要求高识别性能,还需具备检测欺骗攻击的能力。尽管近年来提出了多种新兴的人脸活体检测方法,其中大多数对新数据库泛化不佳。人脸活体检测的泛化能力在能被实际应用系统采用前亟需显著提升。当前方法泛化性差的主因是欺骗设备间材料的多样性。由于攻击是通过在相机前放置欺骗显示物(如纸张、电子屏幕、伪造面具)产生,欺骗材料的多样性可使攻击差异显著。此外,新环境的背景/光照条件可使真实访问与欺骗攻击均发生变化。泛化性差的另一个原因是人脸活体检测中可用的标注训练数据有限。本文聚焦于提升跨不同数据集的泛化能力。我们提出一种 CNN 框架,利用来自目标域的稀疏标注数据学习跨域不变特征以用于人脸活体检测。在公开领域人脸欺骗数据库上的实验表明,所提方法仅用少量来自目标域的标注样本即显著提升了跨数据集测试性能。