结合多模态和注意力机制的人脸活体检测算法.pdf

1、本文档共6页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

第40卷第9期计算机仿真2023年9月

文章编号：1006-9348（2023）09-0202-06

结合多模态和注意力机制的人脸活体检测算法

周航,蔡茂国，唐剑兰，徐翔

（深圳大学电子与通信工程学院，广东深圳518000）

摘要：针对常见人脸活体检测算法从单一RCB模态图像中提取的特征较为单一等问题，提出一种结合注意力机制的多模态

双流活体检测算法SE-FeatherNet。首先，基于改进的FeatherNet网络，分别从IntelRealSense300相机拍摄的Depth、近红外

（InfraredRadiation,IR）图像中提取特征，然后将获取的特征图叠加在一起进行特征层融合，最后从融合的特征图中继续提

取特征，并加入自注意力机制。针对单一评价标准存在偶然性的问题，使用多指标评价标准来验证模型的准确性。仿真结

果表明，所提算法在CASIA-SURF数据集中的等错误率（equalerrorrateEER）为1.341%，半错误率（halftotalerrorrate，

HTER）为1.537%，真正类率TPR@FRR=10e-2为96.99%，并且参数量仅仅为0.58M。融合多模态的特征信息可以获取更

低的错误率，改进的网络保证了算法的高效性和时效性以满足边缘设备算力有限的需求。

关键词：多模态；深度神经网络；特征融合；注意力机制

中图分类号：TP391文献标识码：B

FaceAnti-SpoofingAlgorithmCombinedwithMulti-Modal

andAttentionMechanisms

ZHOUHang,CAIMao-guo,TANGJian-lan,XUXiang

(CollegeofElectronicsandInformationEngineering,ShenzhenUniversity,ShenzhenGuangdong518000,China)

ABSTRACT:AimingforthecharacteristicsextractedfromasingleRGBmodalimageforcommonhumanfaceanti-

spoofingalgorithms,amulti-modaldualflowlivingdetectionalgorithmSE-FeatherNetcombinedwithattentionmech-

anismisproposedinthispaper.First,basedontheimprovedFeatherNetnetwork,depthandnearinfraredFeatures

wereextractedfrominfraredradiation(IR)images,andthentheobtainedfeaturemapsweresuperimposedforfeature

layerfusion.Finally,thefeatureswereextractedfromthefusedfeaturemapandselfattentionmechanismwasadded.

Toaddresstheissueofrandomnessinasingleevaluationcriterion,multipleindicatorevaluationcriteriawereusedto

verifytheaccuracyofthemodel.Thesimulationexperimentresultsshowthat,theequalerrorrate(EER)ofthepro-

安全评价师持证人

该用户很懒，什么也没介绍

咨询Ta 进入空间

领域认证该用户于2023年09月13日上传了安全评价师

更多 >