《表3 CASIA数据集上的实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《联合多通道特征与最小二乘决策的人脸反欺诈方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

在实验中只使用了五个卷积层的轻量神经网络进行卷积特征的提取，比文中其他CNN方法[12～14]使用的参数要少得多。文献[13]提出了一种基于神经网络的非线性模糊人脸反欺诈方法，该方法将非线性模糊的人脸图像送入卷积神经网络训练，更方便获得深度和人脸边缘位置信息的融合特征，从而进行真假人脸的判别。在replay数据集上，本文方法得到的HTER比其降低了约5.4%。文献[14]将不同时域下的三维LBP特征与CNN的卷积特征相融合进行分类训练，本文方法则是将卷积特征与纹理特征、颜色梯度特征进行决策结果的融合，并且取得了比其更好的效果。在replay-attack数据集上，本文方法虽然在EER参数上较差，但HTER比其低了约0.07%，在CASIA数据集上，本文方法得到的EER比其降低了2%，HTER降低了约3.5%。从与上述先进的方法比较发现，本文方法无论是与单一的特征还是各种方法融合的特征相比，对真假人脸的识别都有着较好的效果。