Silent Live Face Detection in Near-Infrared Images Based on Optimized LeNet-5
-
摘要: 针对当前交互式活体检测过程繁琐、用户体验性差的问题，提出了一种优化LeNet-5和近红外图像的静默活体检测方法。首先，采用近红外光摄像头构建了一个非活体数据集；其次，通过增大卷积核、增加卷积核数目、引入全局平均池化等方法对LeNet-5进行了优化，构建了一个深层卷积神经网络；最后，将近红外人脸图片输入到模型中实现活体静默活体检测。实验结果表明，所设计的模型在活体检测数据集上有较高的识别率，为99.95%，整个静默活体检测系统的运行速度约为18~22帧/s，在实际应用中鲁棒性较高。Abstract: An improved method of silent liveness detection for LeNet-5 and near-infrared images is proposed to overcome the problem of the interactive liveness detection process and poor user experience. First, a face attack dataset was constructed using a near-infrared camera. Second, the LeNet-5 was optimized by increasing the number of convolution kernels and introducing global average pooling to construct a deep convolutional neural network. Finally, the near-infrared face image is input to the model to realize silent liveness detection. The experimental results show that the proposed model has a higher recognition rate for the liveness detection dataset, reaching 99.95%. The running speed of the silent liveness detection system is approximately 18-22 frames per second, which shows high robustness in practical applications.
-
0. 引言
随着人脸识别技术的普及和计算机视觉技术的蓬勃发展，人脸支付、人脸登录、人脸取件等系统已被实施应用在人们的生活中。但是，在一些特殊场景下，人脸识别系统极易被外来手段攻击，如：电子屏幕翻拍、照片打（冲）印、三维人脸模型等。因此，为了维护人脸识别系统的安全，保障用户的利益，人脸活体检测技术显得相当重要。目前，市面上及研究领域中被用的最广泛的是交互式的活体检测方法。
文献[1]提出了一个关于眼睛和嘴部动作的交互式活体检测方法，主要思想是计算用户眼睛区域和牙齿的HSV（Hue, Saturation, Value）色彩空间，以此来判断它们的开合状态。文献[2]设计了一个关于嘴部状态和头部姿态的互动式活体检测系统，作者利用支持向量机（support vector machine，SVM）[3]和面部特征点算法，来预测头部姿态方向和嘴部开合状态，通过随机指令要求用户做出对应动作，以实现活体检测。文献[4]要求用户完成一些随机表情动作，并计算连续视频帧的SIFT（scale-invariant feature transform）流能量值来判断表情变化。文献[5]则在虚拟柜员机（virtual teller machine，VTM）的相机条件下，利用眼球色素变化进行眨眼检测，加以背景检测、张嘴检测和微笑检测等组合命令得以实现交互式活体检测。
交互式活体检测存在着人机交互不友好、认证过程繁琐等缺点，针对其弊端，本文提出了一种基于卷积神经网络（convolutional neural network，CNN）和近红外光的静默活体检测方法，利用近红外光的成像特点及光在材质上的反射特性，直接去除了电子屏幕、相片冲印的人脸攻击；利用CNN自动提取图像特征的优势，对近红外光下的真人人脸图像和照片打印人脸图像进行分类，相对于可见光下的人脸图像，近红外人脸图像特征明显，更易于区分活体人脸与非活体人脸。针对上述内容，主要做了如下两个重点工作：
1）自建非活体人脸数据集（照片打印人脸），利用近红外摄像头采集包含人脸的照片打印图像；
2）对LeNet-5[6]的结构、卷积核大小、特征图数目、全连接层等部分进行研究讨论，修改并设计了一个活体分类模型，通过实验验证了该模型在活体检测方面有着较高的识别率。
1. 卷积神经网络和LeNet-5
1.1 卷积神经网络
1.1.1 卷积层
在CNN中，卷积层是核心，它的主要作用是提取图像特征，提升图像分类准确率。该层由若干个卷积核和激活函数组成，每个卷积核参数均通过反向传播进行不断地更新，最终提取出多个特征图。通常第一个卷积层提取的图像特征较为模糊，但随着卷积层数的增加，网络提取能力越来越强，图像特征也越来越清晰。卷积层的数学表达式[7]如下所示：
$$x_j^l = f(\sum\limits_{i \in {m_j}} {x_i^{(l - 1)} * {\boldsymbol{k}}_j^l} + {b_j})$$ (1) 式中：k为卷积核矩阵；xi(l－1)为上层输出特征图；b为加性偏置项；f(·)为激活函数，一般采用ReLU（Rectified Linear Unit）激活函数。
1.1.2 池化层
卷积操作虽然可以提取图像特征，但输出的特征图参数量大、信息杂，在网络训练时会严重占用计算资源，加重过拟合现象，所以，为了提高计算和运行速度，缩减模型参数，提高模型泛化能力，池化层经常作为卷积层的下一层输入单元，其数学表达式[8]为：
$$x_j^l = f(\beta _j^l{\rm{down}}(x_j^{l - 1}) + b_j^l)$$ (2) 式中：down(·)为下采样函数；βjl为权重项；bjl为偏置项。
1.1.3 全局平均池化
CNN中的参数主要集中在全连接层中，是导致模型发生过拟合的现象的源头，全局平均池化（global average pooling，GAP）[9]是一种能有效解决过拟合的主要方法之一。它的主要原理是计算上层特征图的像素均值，从而获得相关低维特征。相比于全连接层，它更好地保留了空间信息，降低了参数量，具有更强的鲁棒性。相关数学表达式为：
$${f_k} = \operatorname{average} ({f_{i,j,k}})$$ (3) 式中：(i, j)表示像素位置；k表示通道索引。
1.1.4 输出层
输出层也叫做SoftMax层，该层含有一个SoftMax分类器，作用是归一化全连接层的输出结果，经过SoftMax函数的计算，会返回一组概率值，在模型推导时，概率值最高的一类可作为模型的分类结果。有关该层的数学表达式为：
$${\mathit{y}_\mathit{i}} = {\mathit{e}^{{\mathit{a}_\mathit{i}}}}/\sum\limits_{j = 1}^n {{{\rm{e}}^{{a_j}}}} $$ (4) 式中：ai为上层结构的输出结果；n为类别数。
1.1.5 交叉熵损失
交叉熵损失反映了真实值和预测值的概率分布差异，训练中，交叉熵主要用于计算SoftMax输出的概率损失，值越低，模型的预测效果就越好。有关交叉熵损失的数学表达式为：
$$H(p,q) = - \sum\limits_{i = 1}^n {p({x_i})} \log (q({x_i}))$$ (5) 式中：n为类别数，p(x)为真实分布值，q(x)为预测分布值。在分类模型的训练中，由于独热编码(One-Hot)的特殊性，损失函数可以写成如下表达式：
$${\rm{Loss}} = - \log (q({x_i}))$$ (6) 1.2 LeNet-5模型
LeNet-5是深度学习中较经典的CNN模型之一，是一种结构较为简单的CNN，最早被用来进行手写数据集的识别。LeNet-5主要包含7个结构层，其中有3个卷积层（C1、C3、C5）、2个池化层（S2、S4）、1个全连接层（F6）和1个输出层（Output），此外，LeNet-5还包含一个输入层，该层的图片输入大小为32×32。
C1的核大小为5，步长为1，输入层的图片经过该层操作之后会输出6个28×28的特征图；
S2的核大小为2，步长为2，C1输出的特征图经过该层操作之后会输出6个14×14的特征图；
C3的核大小为5，步长为1，S2输出的特征图经过该层操作之后会输出16个10×10的特征图；
S4的核大小为2，步长为2，C3输出的特征图经过该层操作之后会输出16个5×5的特征图；
C5的核大小为5，步长为1，S4输出的特征图经过该层操作之后会输出120个1×1的特征图；
F6是全连接层，共有84个神经元结点，层中每一个神经元均与C5中的神经元相连接；
Output是LeNet-5的最后一层，因为LeNet-5是一个10分类的模型，所以该层共有10个神经元节点。
由于本文实现的是一个2分类（活体、非活体）的任务，且样本数据比手写数据集复杂，所以使用LeNet-5进行活体图片的分类显然是不合理的。因此，本文参考LeNet-5的结构与思想，在该结构上做进一步研究，以达到任务要求，以下是本文对LeNet-5的改进方案。
2. 优化LeNet-5的人脸活体检测模型
在真实场景中，模型的识别准确率和实时性是评价系统是否合格的重要指标，因此，本文经过多次实验验证，在保证模型实时性较高的前提下提升了准确率。最终确定了活体检测模型的结构并将其命名为LeNet_Liveness，其中，主要进行了以下优化：
1）改变部分卷积核大小。常见的卷积核大小有7×7、5×5和3×3等，从数学角度出发，7×7的卷积核能提取到更多的图像细节，即卷积核越大，感受野越大，提取到的特征越多，有利于提升图像分类的精度。由于图像中的“人脸”目标远大于“数字”目标，特征复杂，因此，为了在前期不丢失太多的图像信息，本文将第一和第二卷积层的核大小设为7，以增大感受野，扩大提取细节，后面几个卷积层的核大小保持不变，依旧为5。
2）增加卷积核个数。与手写数据集相比，活体检测数据集稍复杂，使用较少的卷积核无法表达图像信息，而使用较多的卷积核又会带来计算量的增加，但有助于提升图像分类的准确率，基于此考虑，本文最初在模型第一层选择32个卷积核，一来，模型参数不会增加太多；二来，能提取出更多的低层次信息，保留更多细节特征。
3）加深模型结构。浅层神经网络由于复杂度较低，无法更好地提取到图像中的主要特征，使得模型分类效果欠佳，最终影响模型的识别率，本文在LeNet-5的结构层数上做了修改，将原来的3层卷积增加至5层，以提高网络的拟合能力。
4）GAP替代全连接层。CNN大部分参数集中在全连接层中，如果采用传统的全连接层，势必会造成模型参数的增大，而GAP属于无参结构，那么整个模型的参数就能有所降低，对于模型后期的预测速度能有所提高，除此之外，还能有效防止过拟合。
图 1为LeNet_Liveness的结构图，表 1为模型的相关结构参数。输入层为128×128的三通道人脸图片。C1、C2、C3、C4和C5是卷积层，移动步长均为1，其中，C1、C2层的卷积核大小为7×7，C3、C4和C5层的卷积核大小为5×5，除此之外，C1输出32个特征图，C2输出64个特征图，C3输出128个特征图，C4输出256个特征图，C5输出512个特征图。P1、P2、P3、P4和P5均为最大池化层，即对每个输入的特征图进行2×2的最大值运算，步长为2，以缩减图像长宽，减小计算量。GAP为全局平均池化层，OutPut为输出层。
表 1 模型结构参数Table 1. Model structure parametersLayer Name Layer Type Output Size/Strides Kernel Size Input Input layer 128×128×3/- - C1 Convolution 128×128×32/1 7 P1 Max Pooling 64×64×32/2 2 C2 Convolution 64×64×64/1 7 P2 Max Pooling 32×32×64/2 2 C3 Convolution 32×32×128/1 5 P3 Max Pooling 16×16×128/2 2 C4 Convolution 16×16×256/1 5 P4 Max Pooling 8×8×256/2 2 C5 Convolution 8×8×512/1 5 P5 Max Pooling 4×4×512/2 2 GAP GAP 1×1×512/1 4 Softmax Softmax 2/- - 3. 实验与结果分析
3.1 实验环境与评估指标
实验的硬件环境为Intel Core i5-8300H处理器，NVIDIA GeForce GTX1050TI（4GB显存），内存为8GB大小，深度学习框架为TensorFlow-1.13.1，图像处理库为OpenCV-4.1.0，编程语言为Python-3.6.7，使用1920×1080的近红外摄像头（带补灯光，850nm）采集数据。
分类模型通常使用准确率（Accuracy）作为其性能的评估标准，相关计算公式如下：
$${\rm{Accuracy}} = \frac{{{\rm{TP + TN}}}}{{{\rm{TP + TN + FP + FN}}}}$$ (7) 式中：“TP”表示正样本中预测为正的样本数；“TN”表示负样本中预测为负的样本数；“FP”表示负样本中预测为正的样本数；“FN”表示正样本中预测为负的样本数；“Accuracy”越接近1表示模型分类效果越好。
3.2 数据集
实验所使用的数据集中共包含两类：一类为近红外活体样本；另一类为近红外非活体样本。其中，活体图像数据为香港理工大学在2010年采集的公开数据集PolyU-NIRFD[10]，该数据集包含了350名志愿者分别在不同光照强度、不同头部姿态和不同表情下的近红外图像，每人被采集了约100张图像，共计38981张，使用MTCNN（Multi-task convolutional neural network）人脸检测器[11]截出人脸区域。相关示例样本如图 2(a)所示。
非活体样本图像数据为本文自建数据集，该数据集建立方式遵循以下准则：
1）图像攻击数据应具有多样性。本文从CelebA数据集、互联网中随机选取了约500张不同头部姿态和不同表情状态下的图像，并使用惠普打印机（DeskJet 2600）将每张图像打印在A4纸上，以构建攻击样本。
2）采集过程应与活体样本采集过程类似。根据PolyU-NIRFD的采集条件，本文在数据采集时控制了以下变量：
① 距离特定。在和摄像头距离保持不变的情况下，随机开启或关闭摄像头补光灯，在这两种光照条件下，手持A4纸图像，通过旋转、弯曲纸张等方式进行图像捕捉。
② 光照特定。光照包含两种情况，一种是打开补光灯，另一种是关闭补光灯，在补光灯开启/关闭的情况下，手持A4纸张由远及近、从左往右的移动，在移动过程中，随机旋转、弯曲纸张。
上述采集过程设置每5帧保存一张图片，最终利用近红外摄像头采集了A4纸图像在不同距离、不同角度、不同光照下的近红外图像，共计42300张，使用MTCNN人脸检测器截出人脸区域。相关示例样本如图 2(b)所示。
3.3 模型训练
为了更好地验证模型的识别率，本文采用10折交叉验证法，每份样本集中的图像均采取随机抽样方法，模型训练时，设置BatchSize为64，共训练10个epoch，初始学习率为10－4，每隔5个epoch学习率乘以0.1，梯度下降优化器为Adam[12]，将三通道人脸图像设为128×128大小，使用最小最大值归一化方法将像素值归一化到[0, 1]区间，具体公式为：
$${\rm{norm}} = \frac{{x - {x_{\min }}}}{{{x_{\max }} - {x_{\min }}}}$$ (8) 式中：x为当前像素值；xmin、xmax分别为图像像素最小值和最大值。
表 2为10折交叉验证相关结果，从中可得，10组测试集的准确率均在99.90%以上，平均准确率达到了99.95%，每组测试的准确率差距较小，这说明模型在epoch达到10时已趋于稳定状态。图 3为第一组实验的迭代过程图，从图中可以看出，当epoch大于4后，Accuracy基本保持在一条直线上，Loss值也下降到0.02以下，随着迭代次数的增加，Loss值继续下降。当epoch大于5后，Loss值基本保持一条直线，且十分接近于0，最终达到稳态。图 4是测试图片过程中的所有卷积层提取的特征图可视化结果。
表 2 10折交叉验证结果Table 2. 10-fold cross-validation resultsCategory Test Dadaset 1 2 3 4 5 6 7 8 9 10 Liveness 99.97 99.97 99.97 100 100 99.97 99.97 99.97 100 99.95 Non-liveness 99.98 99.95 99.91 99.98 99.88 99.93 99.86 99.93 99.91 99.83 Overall 99.96 99.95 99.94 99.95 99.98 99.95 99.91 99.95 99.96 99.90 3.4 模型比较与结果分析
为了说明本文设计的LeNet_Liveness的有效性，在数据预处理、数据集划分等基本条件不变的情况下，本文分别使用SVM和LeNet-5对活体检测数据集进行分类识别，最终实验测试结果如表 3所示。
表 3 三种算法结果比较Table 3. Comparison of the results of the three algorithmsAlgorithm Accuracy/% Average prediction time for a single picture/ms GPU CPU SVM 96.67 - 4.43 LeNet-5 98.23 2.03 7.57 LeNet_Liveness 99.95 10.77 31.08 由表 3可得，本文的近红外数据集在SVM和LeNet-5的算法下均有较高的准确率，其中，SVM的平均准确率为96.67%，LeNet-5的平均准确率为98.23%，这是因为真人/照片在近红外光成像中特征明显，易于区分，所以准确率较高。本文所提出的LeNet_Liveness的实验结果最高，达到了99.95%，单张图片的平均预测时间在CPU上为31.08ms，GPU上仅为10.77ms，与SVM和LeNet-5相比，速度较慢，这是由于模型结构的加深、卷积核数量的增加等带来的弊端，降低了推理速度，但对于FPS为30的摄像头来说，实时性依旧较高。图 5为本文的近红外活体检测系统，当真人人脸/照片打印出现在系统中时，系统会自动判断对象的活体属性，且系统的实时速度每秒约为18~22帧（包含了MTCNN人脸检测算法），实时性较高。
![]()
图 5 活体检测系统示例注：系统测试对象均未在数据集中出现过Figure 5. Examples of live detection systemsNote: None of the system test objects have appeared in the dataset为了进一步验证本文方法的有效性，现与其它文献中所提出的活体检测方法进行对比，对比结果如表 4所示。
表 4 不同文献结果比较Table 4. Comparison of results from different literatureDetection type Literature Algorithm Equipment Accuracy/% Interactive [2] Head posture + mouth opening and closing detection Visible light camera 99.25 [4] Random emoji commands Visible light camera 95.85 [5] Blink detection + smile detection + open mouth detection VTM camera 97.67 Silent [13] LBP+Gabor+SVM Visible light camera 98.00 [14] SVM+3D point cloud reconstruction+Face key point Binocular camera(Near infrared light+visible light) 99.00 [15] CNN(double-mean pooling +multiple types of activation function) Visible light camera 99.67 This article CNN (LeNet-5 improvements) near-infrared camera(Near infrared light) 99.95 由表 4各项指标比较可得，交互式活体检测基本不依赖于特殊设备，环境易部署，成本低，算法准确率高，但人机友好性较差。静默活体检测大多依赖于特殊设备，特别是近红外设备，在近红外光下，使用CNN提取的特征较其它机器学习类算法明显，具有很高的活体识别率，本文借助近红外图像和CNN取得的活体识别率最高，达到了99.95%，具有良好的鲁棒性和泛化能力。
4. 结语
根据近红外光在真人人脸和打印照片上的成像特点，提出一种基于改进LeNet-5和近红外图像的静默活体检测方法，在LeNet-5的结构基础上进行改进，构建了一个LeNet_Liveness，针对该结构进行了多次的实验分析，最终实验发现，在近红外场景下，本文提出的LeNet_Liveness在活体检测数据集上有较高的分类准确率，对抗击非活体攻击非常有效。
虽然本文对LeNet-5进行了结构上的优化，增加了网络训练、推理时间和模型参数，但在活体识别率上取得了比较好的成绩。高精度、高效率一直是科研人员在深度学习领域不断探索的最终目标，本文虽然提高了模型精度，但在推理效率上依旧有所降低，下一步，本文计划在维持模型识别率的基础上，减少模型参数，提升推理效率，同时，配合可见光摄像头，利用CNN、多色彩特征等方法，实现在可见光场景下的静默活体检测。
-
![]()
图 5 活体检测系统示例
注：系统测试对象均未在数据集中出现过
Figure 5. Examples of live detection systems
Note: None of the system test objects have appeared in the dataset
表 1 模型结构参数
Table 1 Model structure parameters
Layer Name Layer Type Output Size/Strides Kernel Size Input Input layer 128×128×3/- - C1 Convolution 128×128×32/1 7 P1 Max Pooling 64×64×32/2 2 C2 Convolution 64×64×64/1 7 P2 Max Pooling 32×32×64/2 2 C3 Convolution 32×32×128/1 5 P3 Max Pooling 16×16×128/2 2 C4 Convolution 16×16×256/1 5 P4 Max Pooling 8×8×256/2 2 C5 Convolution 8×8×512/1 5 P5 Max Pooling 4×4×512/2 2 GAP GAP 1×1×512/1 4 Softmax Softmax 2/- - 
下载: 导出CSV
表 2 10折交叉验证结果
Table 2 10-fold cross-validation results
Category Test Dadaset 1 2 3 4 5 6 7 8 9 10 Liveness 99.97 99.97 99.97 100 100 99.97 99.97 99.97 100 99.95 Non-liveness 99.98 99.95 99.91 99.98 99.88 99.93 99.86 99.93 99.91 99.83 Overall 99.96 99.95 99.94 99.95 99.98 99.95 99.91 99.95 99.96 99.90
下载: 导出CSV
表 3 三种算法结果比较
Table 3 Comparison of the results of the three algorithms
Algorithm Accuracy/% Average prediction time for a single picture/ms GPU CPU SVM 96.67 - 4.43 LeNet-5 98.23 2.03 7.57 LeNet_Liveness 99.95 10.77 31.08
下载: 导出CSV
表 4 不同文献结果比较
Table 4 Comparison of results from different literature
Detection type Literature Algorithm Equipment Accuracy/% Interactive [2] Head posture + mouth opening and closing detection Visible light camera 99.25 [4] Random emoji commands Visible light camera 95.85 [5] Blink detection + smile detection + open mouth detection VTM camera 97.67 Silent [13] LBP+Gabor+SVM Visible light camera 98.00 [14] SVM+3D point cloud reconstruction+Face key point Binocular camera(Near infrared light+visible light) 99.00 [15] CNN(double-mean pooling +multiple types of activation function) Visible light camera 99.67 This article CNN (LeNet-5 improvements) near-infrared camera(Near infrared light) 99.95
下载: 导出CSV
-
[1] Singh A K, Joshi P, Nandi G C. Face recognition with liveness detection using eye and mouth movement[C]//Proceedings of the 2014 International Conference on Signal Propagation and Computer Technology (ICSPCT), IEEE, 2014: 592-597.
[2] 张进, 张娜娜. 优化特征提取的互动式人脸活体检测研究[J]. 计算机工程与应用, 2019, 55(13): 193-200. DOI: 10.3778/j.issn.1002-8331.1804-0227 ZHANG Jin, ZHANG Nana. Research on Interactive Face Detection Based on Optimized Feature Extraction[J]. Computer Engineering and Applications, 2019, 55(13): 193-200. DOI: 10.3778/j.issn.1002-8331.1804-0227
[3] V David, A Sanchez. Advanced support vector machines and kernel methods[J]. Neurocomputing, 2003, 55(1/2): 5-20. http://www.onacademic.com/detail/journal_1000035125251010_2624.html
[4] Ng E S, Chia Y S. Face verification using temporal affective cues[C]// Proceedings of the 21st International Conference on Pattern Recognition, Piscataway, 2012: 1249-1252.
[5] 马钰锡, 谭励, 董旭, 等. 面向VTM的交互式活体检测算法[J]. 计算机工程, 2019, 45(3): 256-261. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJC201903043.htm MAYuxi, TAN Li, DONG Xu, et al. Interactive Liveness Detection Algorithm for VTM[J]. Computer Engineering, 2019, 45(3): 256-261. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJC201903043.htm
[6] Lecun Y, Bottou L. Gradient-based learning applied to document recognition[C]//Proceedings of the IEEE, 1998, 86(11): 2278-2324.
[7] 李文宽, 刘培玉, 朱振方, 等. 基于卷积神经网络和贝叶斯分类器的句子分类模型[J]. 计算机应用研究, 2020, 37(2): 333-336, 341. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ202002003.htm LI Wenkuan, LIU Peiyu, ZHU Zhenfang, et al. Sentence classification model based on convolution neural network and Bayesian classifier[J]. Application Research of Computers, 2020, 37(2): 333-336, 341. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ202002003.htm
[8] 程淑红, 周斌. 基于改进CNN的铝轮毂背腔字符识别[J]. 计算机工程, 2019, 45(5): 182-186. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJC201905029.htm CHENG Shuhong, ZHOU Bing. Recognition of Characters in Aluminum Wheel Back Cavity Based on Improved Convolution Neural Network[J]. Computer Engineering, 2019, 45(5): 182-186. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJC201905029.htm
[9] LIN M, CHEN Q, YAN S. Network In Network[EB/OL]. [2014-03-04]. https://arxiv.org/pdf/1312.4400.pdf.
[10] ZHANG B, ZHANG L, ZHANG D, et al. Directional binary code with application to PolyU near-infrared face database[J]. Pattern Recognition Letters, 2010, 31(14): 2337-2344. DOI: 10.1016/j.patrec.2010.07.006
[11] 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. DOI: 10.1109/LSP.2016.2603342
[12] KINGMA D P, BA J. Adam: a method for stochastic optimization[EB/OL]. [2014-12-22]. https://arxiv.org/pdf/1412.6980v8.pdf.
[13] Määttä J, Hadid A, Pietikäinen M. Face spoofing detection from single images using micro-texture analysis[C]//Proceedings of the International Joint Conference on Biometrics, IEEE, 2011: 1-7.
[14] 邓茜文, 冯子亮, 邱晨鹏. 基于近红外与可见光双目视觉的活体人脸检测方法[J]. 计算机应用, 2020, 40(7): 2096-2103. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY202007038.htm DENG Qianwen, FENG Ziliang, QIU Pengchen. Face liveness detection method based on near-infrared and visible binocular vision[J]. Journal of Computer Applications, 2020, 40(7): 2096-2103. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY202007038.htm
[15] 龙敏, 佟越洋. 应用卷积神经网络的人脸活体检测算法研究[J]. 计算机科学与探索, 2018, 12(10): 1658-1670. DOI: 10.3778/j.issn.1673-9418.1801009 LONG Min, TONG Yueyang. Research on Face Liveness Detection Algorithm Using Convolutional Neural Network[J]. Journal of Frontiers of Computer Science and Technology, 2018, 12(10): 1658-1670. DOI: 10.3778/j.issn.1673-9418.1801009
-
期刊类型引用(4)
1. 陈材，韩潇，杨三强，邓浩，蒋疆，祁俊峰. 空间反射镜选区激光熔化成形工艺研究. 航天制造技术. 2025(01): 72-78 . 
百度学术
2. 王连强，刘洋，王灵杰，曾雪锋，周頔，张德浩. 可快速、大批量研制的金属基铍铝反射镜分级设计方法. 军民两用技术与产品. 2025(02): 43-49 . 百度学术
3. 张楚鹏，杨贤昭，陈肖. 轻量化铝反射镜拓扑优化与加工试验研究. 应用光学. 2024(05): 1034-1041 . 百度学术
4. 张成成，何斌，吕阳，聂婷，贺玉坤. 小卫星空间跟踪遥感相机二维摆镜组件优化设计. 仪器仪表学报. 2022(07): 54-62 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 201
- HTML全文浏览量: 44
- PDF下载量: 49
- 被引次数: 7
