文章目录
- 原文
- 相关工作
- 方法
-
- [静态 Gabor 小波和动态 LBP 的融合特征](#静态 Gabor 小波和动态 LBP 的融合特征)
- [基于 GAN 的数据增强人脸活体检测方法](#基于 GAN 的数据增强人脸活体检测方法)
- 半监督学习用于图像修复的人脸活体检测
- 点评
原文
李莉.反欺骗人脸活体图像的机器学习方法研究[D].广东工业学,2020.DOI:10.27029/d.cnki.ggdgu.2020.001204.
相关工作
一、基于手工特征的人脸活体检测方法
（1）基于图像纹理特征
（2）基于多光谱特征
（3）基于运动信息
由于伪造欺骗人脸模仿真实人脸运动时，人脸会连带身后的背景区域一同运动，背景区域也会被识别。当一个点在运动时，对应图像上相同或位置的光源也在移动，这种基于图像亮度运动特征的提取方法便是光流法。真实人脸和伪造的欺骗二维人脸图像在运动模式上是不同的。真实人脸做出动作时，脸部不同运动产生不同的光流。而伪造的欺骗二维人脸图像则几乎无变化
二、基于深度学习的人脸活体检测方法
三、基于融合特征的人脸活体检测方法
空间金字塔编码微纹理(SPMT)特征描述符
方法
静态 Gabor 小波和动态 LBP 的融合特征
传统：提取 Gabor 小波特征和动态 LBP 特征 + SVM
数据集
结果
基于 GAN 的数据增强人脸活体检测方法
时常会造成训练时模式崩溃(collapse mode)，产生的结果不具备多样性，比较单一
GAN------DCGAN 生成难样本加入训练集 + SVM
半监督学习用于图像修复的人脸活体检测
半监督（利用图像修复的方法）
引入基于 GAN 的图像修复模型
网络结构分为生成模型 用于修复图像；局部判别器 负责判别修复图像的清晰度和局部一致性，全局判别器负责判别修复图像与原图像的匹配程度和全局一致性。训练中，网络模型一方面修复掩码或缺失的图像，一方面通过全局判别器进行真伪人脸图
点评
GAN 用于图像修复，生成与活检的结合方式
★★★
