《表3 CASIA数据集上的实验结果》
/%
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。
图表编号 | XD00222762200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.05 |
作者 | 吴启群、宋晓宁 |
绘制单位 | 江南大学物联网工程学院、江南大学物联网工程学院 |
更多格式 | 高清、无水印(增值服务) |