摘要

随着人脸识别技术的广泛应用,在为用户带来方便的同时,也带来了人脸欺骗和演示攻击等问题。针对经常出现的展示攻击和打印攻击问题,提出了一种基于GhostNet和特征融合的人脸活体检测算法。首先,将GhostNet模型的特征提取过程分为三种不同的阶段,即低等特征、中等特征和高等特征;然后,分别输出每个阶段的特征图信息;最后,将具有不同语义信息的特征图送入特征融合模块进行自适应加权融合,以此获得更加具有辨别性的特征映射。在NUAA和CelebA-Spoof两个公开数据集上进行实验,所提算法的准确率分别为99.97%和93.41%,相较于对GhostNet模型直接进行训练,准确率增加了8.00和9.20个百分点。与异构内核卷积神经网络(HK-CNN)、轻量级卷积神经网络(FeatherNet)、基于分块的多流网络(FaceBagNet)等算法进行对比实验,所提算法在NUAA和CelebA-Spoof数据集上表现出更好的性能,并且由于GhostNet是一种轻量化的网络模型,因此对单张图像进行推理的时间仅需3.6ms。