基于GhostNet和特征融合的人脸活体检测算法.pdf

2023 08 10计算机应用,Journal of Computer Applications2023,43(8):2588-2592ISSN 10019081CODEN JYIIDUhttp：/基于GhostNet和特征融合的人脸活体检测算法韩春港1，2*，刘永辉2（1.山东建筑大学 计算机科学与技术学院，济南 250101；2.浪潮智能终端有限公司 解决方案开发部，济南 250101）（通信作者电子邮箱）摘要：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展示攻击等问题。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，实验结果表明所提算法的准确率分别为99.97%和93.41%，相较于GhostNet模型直接进行训练的算法分别提高了8.00和9.20个百分点。与异构内核的卷积神经网络（HK-CNN）、轻量级卷积神经网络FeatherNet、基于分块的多流网络FaceBagNet等算法相比，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，所提算法在CelebA-Spoof数据集上对单张图像进行推理的时间仅需3.6 ms。关键词：人脸识别；活体检测；GhostNet；自适应加权融合；CelebA-Spoof数据集中图分类号：TP183 文献标志码：AFace liveness detection algorithm based on GhostNet and feature fusionHAN Chungang1，2*，LIU Yonghui2（1.School of Computer Science and Technology，Shandong Jianzhu University，Jinan Shandong 250101，China；2.Solution Development Department，Inspur Intelligent Terminal Company Limited，Jinan Shandong 250101，China）Abstract:The wide application of face recognition technology not only brings convenience to users，but also brings problems such as face spoofing and presentation attacks.Aiming at the frequent presentation attacks and print attacks，a face liveness detection algorithm based on GhostNet and feature fusion was proposed.Firstly，the feature extraction process of GhostNet model was divided into three different stages，namely，low-level feature，medium-level feature and high-level feature.Then，the feature map information of each stage was output respectively.Finally，the feature maps with different semantic information were sent into the feature fusion module for adaptive weighted fusion，so as to obtain more discriminative feature mapping.Experiments were conducted on public datasets NUAA and CelebA-Spoof.The results show that the accuracy of the proposed algorithm is 99.97%and 93.41%respectively，which is increased by 8.00 and 9.20 percentage points respectively compared with the algorithm of direct training of GhostNet model.Compared with Heterogeneous Kernel-Convolutional Neural Network（HK-CNN），lightweight convolutional neural network FeatherNet，block based multi-stream network FaceBageNet and other algorithms，the proposed algorithm shows better performance on NUAA and CelebA-Spoof datasets.And，as GhostNet is a lightweight network model，the proposed algorithm only takes 3.6 ms on single image inference on CelebA-Spoof dataset.Key words:face recognition;live detection;GhostNet;adaptive weighted fusion;CelebA-Spoof dataset0 引言 人脸识别技术已在许多领域获得了广泛应用，比如访问控制、移动支付和安全检查。但随着人脸识别技术的快速发展，它在被应用于身份识别为用户带来便利的同时，也引起了恶意攻击者的关注。利用便捷的社交网络和高度发达的互联网技术，攻击者可以轻松地获取用户的照片或者视频，并通过在纸上打印照片、播放数字视频或者佩戴3D面具的方式来欺骗人脸识别系统，从人脸识别系统中获取非法的身份验证。为了确保人脸识别系统的准确性和安全性，对人脸活体检测算法深入研究非常有必要1。虽然对人脸进行活体检测有着重大的科学价值，但它仍存在非常具有挑战性且待解决的问题。研究人员曾尝试采用各种方式去提取具有鉴别性的特征信息，以进行高效的活体检测，但随着高清时代的到来和3D打印技术的飞速发展，非活体人脸图像和活体人脸图像的色彩和纹理差异性越来越难分辨，使得越来越多的研究人员开始着手解决这个问题2。关于人脸活体检测任务的解决方式主要可以分为以下两种：一是基于传统图像算法，辨别图像中存在的纹理特征；二是基于深度学习研究人脸活体检测。传统的人脸活体检测算法通常借助手工设计的特征提取文章编号：1001-9081（2023）08-2588-05DOI：10.11772/j.issn.1001-9081.2022071100收稿日期：20220728；修回日期：20221107；录用日期：20221121。作者简介：韩春港（1997），男，山东济宁人，硕士研究生，主要研究方向：图像识别、目标检测；刘永辉（1975），男，山东济南人，高级工程师，硕士，主要研究方向：音视频处理、机器视觉、大数据分析。第 8 期韩春港等：基于GhostNet和特征融合的人脸活体检测算法方法获取特征，然后将获取到的特征送入分类器，依据活体人脸和非活体人脸中存在的颜色、纹理信息、运动变形、材质和图像质量的差异分类。其中发展较早的是Li等2提出的基于傅里叶光谱分析技术的人脸活体检测算法，通过分析活体与非活体人脸在频域分布和反射率上的差异来进行辨别。较为经典的研究是由Boulkenafet等3提出的基于颜色纹理分析的人脸欺骗检测算法，由于之前的研究都单纯关注于灰度图像，忽略了颜色对辨别活体与非活体的重要性，该算法基于不同的颜色空间和特征之间存在的互补思想，从 RGB、YCbCr和HSV 三个颜色空间分析研究，并在局部二值模式（Local Binary Pattern，LBP）、相邻局部二值模式（Co-occurrence of Adjacent Local Binary Pattern，CoALBP）、局部相位量（Local Phase Quantization，LPQ）、二值化统计图像特征（Binarized Statistical Image Features，BSIF）和尺度-变量描述符（Scale-Invariant Descriptor，SID）五个特征上进行了实验对比，最终发现将 HSV 颜色空间和 YCbCr的 CoALBP、LPQ 特征融合可以取得最好的效果。随后Boulkenafet等4又提出了防人脸欺骗的尺度空间纹理分析，首先使用3种基于高斯的多尺度滤波技术代替之前的纹理特征提取方式；然后将这三张特征图和原图分别进行特征信息的提取，以此来辨别活体与非活体。Raghavendra等5提出一种新的人脸防欺骗特征描述符，发现基于扩展局部关联三值模式算法相较于LBP、局部三值模式（Local Ternary Pattern，LTP）和 局 部 结 构 图（Local Graph Structure，LGS）具有更好的效果。虽然基于传统的活体检测算法也取得了不错的效果，但手工提取特征的算法对图像特征提取的能力不足，泛化性能也较差。近些年来，由于深度学习的广泛应用，研究人员发现深度学习算法能够克服传统算法的缺点，因此开始使用深度学习去完成活体检测任务。Yang等6提出了一种基于深度学习的时 空 反 欺 骗 网 络（Spatio-Temporal Anti-Spoof Network，STASN），该网络的结构包含3个部分，分别是时间反欺骗模块（Temporal Anti-Spoofing Module，TASM）、区域注意力模块（Region Attention Module，RAM）和空间反欺骗模块（Spatial Anti-Spoofing Module，SASM）。TASM首先通过残差网络获取特征信息，然后将获取到的特征送入长短期记忆（Long Short-Term Memory，LSTM）人工神经网络中预分类；RAM输出对分类有重要作用的部分，作为SASM的输入；SASM将这些重要特征提取后作为分类的依据。该模型充分融合了时间和空间的特征信息，使算法取得了较好的效果。Sun等7提出了一种基于全卷积网络的活体检测算法，由于活体和非活体人脸图像存在的差异可以很好地分辨，而不必利用深度图像辅助，根据一个三值标签（后景、真人脸前景和假人脸前景）训练模型，实验结果表明效果很好。Deb等8提出了一种基于监督的神经网络算法，由于之前的算法都不具有通用性，随着攻击手段的不断更新，很多算法并不能较好地解决问题，而且可解释性较差，判断的依据就好像一个盲盒，不知依据哪些特征作出的判断，所以采取两个训练策略：首先将整张人脸图像输入模型进行训练，获得深层特征图中对辨别活体与非活体人脸贡献度较高的部分；然后将图像中贡献度较高的部分进行裁剪，送入模型进行二次推理得到最终的分类，此算法获得了更好的泛化效果和可解释性。杨瑞杰等9通过改进 InceptionV3模型，实现对不同特征层的特征提取，在活体检测任务中也取得了不错的效果。上述基于深度学习的活体检测算法研究大多数充分使用辅助信息或者复杂的网络结构获得具有辨别性的特征信息，对图像多层次特征融合技术的研究较少。所以，本文在GhostNet轻量级网络结构的基础上加以改进，提出了一种自适应加权融合 GhostNet模型各阶段特征的人脸活体检测算法。首先针对典型的攻击类型展开研究，找到攻击类型之间的共同点和差异性，使算法具备较强的泛化能力；然后将GhostNet模型中具有不同语义信息的3个特征映射送入特征融合模块进行自适应加权融合，获得最具辨别性的特征图。1 GhostNetAFF 1.1迁移学习由于重新让模型学习带来的成本较大，本文采用迁移学习的方式使模型尽快地学习待掌握的知识。目前多数模型在ImageNet数据集都已经进行了训练，只要在后续的学习中找到已掌握的知识和待掌握知识间的相似性，就可以节约学习新知识的时间。1.2GhostNet模型在解决人脸活体检测问题时，深度的特征图具有较强的语义信息，对于区分活体与非活体具有很重要的作用；但在得到深度特征图信息的过程中，需要进行多层卷积运算，这个过程难免会产生信息的冗余，而且也会加大模型的计算量，如果可以使用较小的代价去获得深度特征图，进而进行活体和非活体的检测这将是一种很好的解决方案。GhostNet10通过较小的代价获得了具有更高语义信息的特征图。在对ResNet-50模型的第1个残差模块可视化操作时，发现推理过程中得到的特征图存在很大的相似性。基于此发现，Han等10使用简单的线性变换代替普通的卷积操作，具体操作如图1所示，其中代表廉价操作，即通过此操作生成冗余特征图，Identity代表恒等映射。如图1所示，在普通的卷积操作中，输入一个大小为（w，h，c）的特征向量，中间经过大小为k k的卷积核进行卷积操作，输出相应的特征向量(w，h，n)。但在 GhostNet中，将最终输出的特征图分为n/s组，第一阶段利用k k的卷积核进行卷积操作；第二阶段利用d d的卷积核进行线性变换，线性变换过程中采用了深度可分离卷积（DepthWise separable Convolution，DWConv）。最后将两个阶段的输出特征图结合。这两个阶段的计算量之比为：s n h w c k kns h w c k k+(s-1)ns h w d d（1）由此可以得到，利用GhostNet模块中的线性变换替换普通卷积操作的理论加速比为s。基于以上改进，还搭建了两个结构，如图2所示。图1用于输出和普通卷积层相同数量特征图的GhostNet网络结构块Fig.1GhostNet network block used to output feature maps with the same number as normal convolutional layers2589第 43 卷计算机应用如图2（a）所示，当步长（Stride）为1时，输入特征先后会经过两个GhostNet module得到一个特征向量。然后将得到的特征向量与输入特征进行“相加”操作，以构成一个完整的GhostNet结构。其中，每个GhostNet module模块后面会包括批归 一 化（Batch Normalization，BN）或 ReLU（Rectified Linear Unit）激活函数操作。如图2（b）所示，当步长为2时，与图2（a）最大的不同是添加了深度可分离卷积的操作。在实际应用中，还可以尝试使用小波变换和仿射变换等方式进行代替，但考虑到模型的推理速度和人脸纹理特征可通过卷积操作来实现，本文选择了深度可分离卷积。最终的模型结构如图3所示。1.3GhostNet-AFF模型为了得到非活体和活体人脸中具有辨别性的特征信息，本文改进了基于GhostNet网络结构。根据文献 11 可知，在卷积神经网络中，如果想得到输入图像的颜色和边缘等浅层信息，仅需进行12次卷积操作；但如果想学习更加复杂的信息，比如纹理特征信息，就要进行3次卷积操作；4次卷积操作将会学到具有辨别性的信息，比如区分狗和车；5次卷积操作就能够将最具辨别性的重要特征信息获取到。随着卷积次数的增加，得到的特征图信息就会更具有区分性。对于本文来说，随着卷积层数的增加，将得到活体人脸和非活体人脸中的关键特征信息，对于人脸活体检测任务具有重要的意义。根据上述思想，本文基于GhostNet和自适应加权特征融合 提 出 了 GhostNet-AFF（GhostNet and Adaptive Feature Fusion）模型，结构如图4所示。如图4所示，当GhostNet模型输入一张人脸图片时，首先会经过一个Resize操作，将其更改为（224，224，3）的一个三维张量。然后进行第一阶段的卷积操作，从而产生一个（112，112，16）的特征图。最后这个特征图将被进行两个操作：一个是在（112，112，16）的特征图基础上进行全局平均池化操作，得到一个（1，1，16）的特征映射F1；另一个是在该特征图基础上继续进行卷积操作，得到下一阶段的三维特征张量。以此类推，本文在后续中将大小为（28，28，40）的特征图进行了和（112，112，16）相同的两个操作，得到了大小为（1，1，40）的特征映射F2。根据如图4所示得到的F1、F2和F3三个特征向量，进行自适应加权融合。因为F1、F2和F3具有不同意义的特征信息，所以在特征融合时，所占据的重要性不同。本文所使用的、三个超参，经过实验选择了0.2、0.3和0.5，将这3个值分别和F1、F2、F3进行“”操作，然后再经过“特征联合”操作，得到最后的特征映射。图4中的ReLU指激活函数为ReLU的全连接层，方便活体与非活体之间的辨别，Softmax同理。2 实验设计与分析 2.1数据集本文选用NUAA12和CelebA-Spoof13两个公开数据集进行相关实验。NUAA数据集共包含15个人的12 614张图像，其中5 105张图像是来自于活体，7 509张图像来自非活体，非活体的图像主要属于打印攻击，攻击类型较为单一。但由于较多研究人员对它们进行了实验分析，本文将在该数据集上和其他研究进行对比。CelebA-Spoof 数据集涵盖了 10 177 个人的 625 537 张图像。其中活体样本和非活体样本分别占总量的24%和74%，男女性别分别占比42%和58%，室内和室外分别占比77%和23%，4种光照条件分别占比11%、11%、19%和59%。该数据集中的非活体图像主要包括打印攻击、展示攻击、视频重播和3D面具。该数据集无论是从被拍摄者的数量、图像数量还是攻击类型来讲，都是目前规模最大且标注丰富的数据集。2.2数据增强数据增强作为一种重要的机器学习方法，已经成为学习机器模型必不可少的一部分。通过数据增强不仅可以增加训练的数据量，还能在适当限度上避免对模型的过拟合，增强测试数据的泛化能力。目前存在大量的数据增强技术，比如几何变换（如翻转、旋转和变形）、颜色变换以及随机擦除等。本文运用了数据增强技术，对人脸活体与非活体图像增强。其中：随机翻转包括水平和垂直翻转，采用该方案进行数据增强极大地丰富了检测数据集；随机擦除可以对图像的任意区域进行像素遮挡，从而减小模型过拟合的几率；基于颜色变换的数据增强，可以消除光照或色彩对图像的影响。为了清晰地展现数据增强的效果，如图5所示，可视化了这三类数据增强后的部分图像。2.3实验设置本文在ImageNet数据集上对GhostNet模型进行预训练，输入图像分辨率统一设置为224224，关于人脸的bounding box 使用 RetinaFace 提取，对于模型优化采用随机梯度下降（Stochastic Gradient Descent，SGD）算法，初始学习率为0.001。硬件环境 CPU为Inter Core i7-8700K 3.70 GHz，GPU图2GhostNet中使用的结构Fig.2Structures used in GhostNet图3GhostNet网络结构Fig.3Structure of GhostNet network图4GhostNet-AFF网络结构Fig.4Structure of GhostNet-AFF network图5数据增强可视化Fig.5Visualization of data augmentation2590第 8 期韩春港等：基于GhostNet和特征融合的人脸活体检测算法为GeForce GTX 1080 Ti，内存为16 GB。软 件 环 境 运 行 系 统 为 Windows 10，开 发 语 言 为PyThon 3.8，集 成 开 发 环 境（Integrated Development Environment，IDE）为 Pycharm 2021.1.3，深度学习框架为Keras。2.4实验结果与分析2.4.1NUAA数据集使用GhostNet-AFF模型在NUAA数据集上训练，得到的结果如图6所示，图中展示了模型在训练集和验证集上取得的效果。本文在NUAA数据集上进行300 epoch的训练，为了公正地评价模型在NUAA数据集上的效果，选取最后50个epoch的平均值计算准确率。模型在验证集上的准确率达到了98.62%，在训练集上的准确率达到了99.56%。通过图6可以看出，模型在训练集上的准确率在50个epoch后开始趋于平稳，但在验证集上一直到200个epoch后才开始趋于平稳，而且在最后的50个epoch中还出现了异常值。为了探究此问题的产生，模型在此基础上使用CelebA-Spoof数据集继续训练。2.4.2CelebA-Spoof数据集在上述训练权重的基础上，使用大规模数据集 CelebA-Spoof继续训练模型的权重，以学习不同数据集之间的关联性。最终得到的效果如图7所示。由图7可知，模型在CelebA-Spoof数据集上得到了很好的收敛，并且取得了较好的效果。选取模型最后10个epoch的平均值作为模型的精度，在验证集上达到了93.41%的准确率。2.4.3GhostNet-AFF模型与GhostNet模型的对比GhostNet-AFF是基于GhostNet对3个不同分辨率的特征图 进 行 自 适 应 融 合 的 网 络 模 型。为 了 体 现 改 进 模 型GhostNet-AFF的优势，在两个公开数据集上GhostNet-AFF和GhostNet模型作对比实验，实验结果如表1所示。其中：真正例率（True Positive Rate，TPR）表示在所有正样本中，被正确预测为正的比例；反正例率（False Positive Rate，FPR）表示在所有负样本中，被错误预测为正的比例；TPR（FPR=0.005）表示FPR为0.005时的TPR；召回率Recall表示样本中正例被正确预测的比例。从表1可以看出，无论是在NUAA数据集上还是 CelebA-Spoof 数据集上，GhostNet-AFF 模型的测试结果都要好于GhostNet。2.4.4对比实验表 2 列出了本文算法与对比算法的实验结果，其中，Alotaibi等14引入了“扩散核”操作，提出了扩散特征融合深度学习特征训练的算法，区分真实与虚假人脸；Yu等15提出了一个基于各向异性扩散的核矩阵算法，提取图像深度特征，以防止人脸欺骗攻击；蔡祥云16提出了基于局部感受野的极限学 习 机（Local Receptive Fields Based Extreme Learning Machine，ELM-LRF）算法实现人脸活体检测；陈路燕17则将注意力机制模块SE（Squeeze-and-Excitation）加入ResNet50结构中，提取图像的深度特征用于分类；卢鑫18从改进卷积核的角度出发，设计了异构内核的卷积神经网络（Heterogeneous Kernel-Convolutional Neural Network，HK-CNN）进行活体检测；李新豆等19利用纹理特征加强特征信息的表达能力，在NUAA数据集上达到了较高的准确率。本文使用在CelebA-Spoof数据集上训练的权重在NUAA数据集测试。实验结果表明，人脸活体检测的准确率可达到99.97%，比GhostNet算法的测试准确率增加了8个百分点，且超越了其他对比算法的性能。相较于其他对比算法，本文算法有两点优势：一是基于轻量级GhostNet改进的自适应加权融合算法拥有更小的复杂度，可以达到实时检测的效果；二是本文算法摒弃了利用辅助信息加强特征表达的训练方式，而是充分结合自身模型多层次特征融合的优势，借助于丰富数据集预训练学习的帮助，使得人脸活体检测取得较好的检测效果。此外，本文还在CelebA-Spoof数据集上与其他算法进行了对比实验，结果如表3所示。Zhang等20设计了一种新的融合分类器体系结构，提出了轻量级网络Feather；Shen等21提出了一种多流CNN架构，将从人脸图像中随机提取的人脸块输入CNN架构中，根据局部特征来对人脸图像进行分类。经过实验结果表明，同样使用轻量级网络结构，本文人脸活体检测算法在CelebA-Spoof数据集上的准确率可达到93.41%，比GhostNet算法的测试准确率增加了9.20个百分点，从而证明了本文算法具有一定的优越性。图6GhostNet-AFF在NUAA数据集上的准确率Fig.6Accuracy of GhostNet-AFF on NUAA dataset图7GhostNet-AFF在CelebA-Spoof数据集上的准确率Fig.7Accuracy of GhostNet-AFF on CelebA-Spoof dataset表1两种模型的测试结果对比单位：%Tab.1Comparison of test results of two modelsunit：%模型GhostNetGhostNet-AFFGhostNetGhostNet-AFF数据集NUAANUAACelebA-SpoofCelebA-SpoofTPR（FPR=0.005）92.6099.7385.2092.14Recall95.4699.9390.5093.44表2不同算法在NUAA数据集上准确率对比单位：%Tab.2Accuracy comparison of different algorithms on NUAA dataset unit：%算法ND-CNN14DK15ELM-LRF16ResNet50+depth+SE17准确率99.0099.3099.6795.91算法HK-CNN18LBP+模糊特征+色彩纹理特征19GhostNet10本文算法准确率99.8299.2791.9799.97表3不同算法在CelebA Spoof数据集上的准确率对比 单位：%Tab.3Accuracy comparison of different algorithms on CelebA-Spoof datasetunit：%算法FeatherNet20FaceBagNet21准确率89.0891.25算法GhostNet10本文算法准确率84.2193.412591第 43 卷计算机应用2.5本文模型识别结果为了证明GhostNet-AFF模型的有效性，本文进行了人脸活体检测的实时识别。具体工作总共分为两个阶段：第一阶段从CelebA-Spoof数据集中随机选取用于活体检测的人脸图像，以此来保证检测数据的公平性。其中人脸图像分为真实的人脸图像和基于打印照片、视频重放以及3D面具攻击方式的伪造人脸图像。第二阶段进行人脸图像的检测与识别，首先使用RetinaFace算法检测人脸区域并画框；然后将检测到的人脸区域输入到本文的 GhostNet-AFF模型中识别人脸真假；最后在人脸图像中标注模型的识别信息。如图8（a）所示，显示了识别真实人脸的可视化结果，live代表识别的人脸图像为真实的。如图8（b）所示，显示了识别伪造人脸的可视化结果，spoof代表识别的人脸图像是伪造的。从图8中可以看出，本文GhostNet-AFF模型能正确识别出真实与伪造的人脸，且识别单张图片所需要的推理时间仅为3.6 ms。3 结语 针对人脸识别中存在的展示攻击和打印攻击等问题，本文提出了一种基于 GhostNet和特征融合的人脸活体检测算法，将人脸图像中最具显著性的特征信息进行加权融合。与现有基于深度学习提出的算法相比，本文所提算法在NUAA和CelebA-Spoof两个公开数据集上取得了非常有竞争力的表现，此外，还提高了模型的泛化能力和推理速度。参考文献（References）1 YU B Y，LU J W，LI X，et al.Salience-aware face presentation attack detection via deep reinforcement learning J.IEEE Transactions on Information Forensics and Security，2022，17：413-427.2 LI J W，WANG Y H，TAN T N，et al.Live face detection based on the analysis of Fourier spectra C/Proceedings of the SPIE 5404，Biometric Technology for Human Identification 2004.Bellingham，WA：SPIE，2004：No.541955.3 BOULKENAFET Z，KOMULAINEN J，HADID A.Face spoofing detection using colour texture analysisJ.IEEE Transactions on Information Forensics and Security，2016，11（8）：1818-1830.4 BOULKENAFET Z，KOMULAINEN J，FENG X Y，et al.Scale space texture analysis for face anti-spoofingC/Proceedings of the 2016 International Conference on Biometrics.Piscataway：IEEE，2016：1-6.5 RAGHAVENDRA R J，SANJEEV KUNTE R.Extended local ternary co-relation pattern：a novel feature descriptor for face anti-spoofingJ.Journal of Information Security and Applications，2020，52：No.102482.6 YANG X，LUO W H，BAO L C，et al.Face anti-spoofing：model matters，so does dataC/Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2019：3502-3511.7 SUN W Y，SONG Y，CHEN C S，et al.Face spoofing detection based on local ternary label supervision in fully convolutional networksJ.IEEE Transactions on Information Forensics and Security，2020，15：3181-3196.8 DEB D，JAIN A K.Look locally infer globally：a generalizable face anti-spoofing approachJ.IEEE Transactions on Information Forensics and Security，2021，16：1143-1157.9 杨瑞杰，郑贵林.基于InceptionV3和特征融合的人脸活体检测J.计算机应用，2022，42（7）：2037-2042.（YANG R J，ZHENG G L.Face liveness detection based on InceptionV3 and feature fusionJ.Journal of Computer Applications，2022，42（7）：2037-2042.）10 HAN K，WANG Y H，TIAN Q，et al.GhostNet：more features from cheap operationsC/Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2020：1577-1586.11 ZEILER M D，FERGUS R.Visualizing and understanding convolutional networksC/Proceedings of the 2014 European Conference on Computer Vision，LNCS 8689.Cham：Springer，2014：818-833.12 TAN X Y，LI Y，LIU J，et al.Face liveness detection from a single image with sparse low rank bilinear discriminative modelC/Proceedings of the 2010 European Conference on Computer Vision，LNCS 6316.Berlin：Springer，2010：504-517.13 ZHANG Y H，YIN Z F，LI Y D，et al.CelebA-Spoof：large-scale face anti-spoofing dataset with rich annotationsC/Proceedings of the 2020 European Conference on Computer Vision，LNCS 12357.Cham：Springer，2020：70-85.14 ALOTAIBI A，MAHMOOD A.Deep face liveness detection based on nonlinear diffusion using convolution neural networkJ.Signal，Image and Video Processing，2017，11（4）：713-720.15 YU C Y，JIA Y D.Anisotropic diffusion-based kernel matrix model for face liveness detection EB/OL.（2017-07-10）2022-05-22.https：/arxiv.org/pdf/1707.02692.pdf.16 蔡祥云.人脸识别中的活体检测及应用研究 D.兰州：兰州交 通 大 学，2020：34-48.（CAI X Y.Research on spoofing detection and application in face recognitionD.Lanzhou：Lanzhou Jiaotong University，2020：34-48.）17 陈路燕.人脸识别中的活体检测算法研究 D.北京：北京邮电 大 学，2020：23-38.（CHEN L Y.Research on face anti-spoofing algorithm in face recognitionD.Beijing：Beijing Univ