CN112668519A - 基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及*** - Google Patents

Abstract

本发明提出一种基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及***，包括：从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；将处理后的数据输入训练好的深度自编码器网络MCCAE中，获取真实人脸的潜层特征，并针对潜层特征进行图像重构，进行人脸识别；获取MCCAE编码阶段网络参数至Deep SVDD特征提取网络中用于初始化，并进行进一步训练将特征在特征域中映射在一个超球体内，进行人脸识别。更有泛化能力的判断捕捉到的人脸是真实人脸还是伪造的人脸欺骗攻击，以确保人脸识别***的安全性。

Description

基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方 法及***

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及***。

背景技术

人脸识别作为一项传统的生物识别技术，随着人脸识别技术的不断成熟，如今已经广泛应用到安全认证，电子商务等很多领域，例如生活中的门禁***，智能手机人脸解锁和远程交易等。但是传统的人脸识别算法，虽然已经可以在识别准确度上表现不俗，但在面对各种各样的欺骗攻击时，却无法抵御，例如打印的人脸照片，视频回放中的人脸截屏，佩戴目标人物面具来伪造合法身份信息，达到欺骗人脸识别***的目的。

传统的人脸识别活体检测算法是基于二分类，将人脸图像作为一类，欺骗攻击作为一类，以人脸和攻击人脸作为对比样本，训练数据以得到人脸分类器，并利用该分类器进行人脸识别。这种分类器对于在训练阶段没有出现过的欺骗攻击类型，抵御能力会降低，缺乏良好的泛化能力。因为实用的人脸识别需要对各种各样场景下的欺骗攻击具有良好抵御能力，但是这样需要收集大量的表示攻击图像，浪费人力物力，而且不可能收集到所有场景的攻击类型。

打印的人脸照片，视频回放中的人脸截屏是人脸识别中最常见的欺骗攻击类型，但是现在越来越多的3D面具欺骗攻击的出现，使得我们很难仅利用RGB图像信息区分出来真实人脸和欺骗攻击。

发明内容

针对以上这些情况，需要一种基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及***，利用多通道人脸数据提取更多的真实人脸的特征，仅利用真实人脸训练模型，将真实人脸和所有其他欺骗攻击的图像在特征域上区分开来，更有泛化能力的判断捕捉到的人脸是真实人脸还是伪造的人脸欺骗攻击，以确保人脸识别***的安全性，解决现有技术中存在的人脸识别***针对各种各样新式欺骗攻击泛化能力不强的问题，同时也解决了传统模型训练必须要收集大量欺骗攻击图像数据问题，节省时间。

本发明提供一种基于MCCAE网络的异常人脸识别活体检测方法，包括：从数据集中获取同一组进行过图像较准的多通道人脸数据；其中，多通道数据集至少包括以下通道：灰度图、深度图、近红外图、热红外图。对多通道数据统一进行预处理；将处理后的数据输入训练好的深度自编码器网络MCCAE中，利用深度自编码器网络MCCAE获取真实人脸的潜层特征，并针对潜层特征进行图像重构，并将重构后的图像进行输出；根据输入图像与输出图像，计算图像重构的攻击分数；根据攻击分数识别输入图像数据是否为正常人脸数据。

本发明提供的基于异常检测的人脸识别活体检测方法，克服了二分类活体检测算法受限于训练时欺骗攻击的类型和样本数量，只在满足预先训练的欺骗攻击类型上有较好的性能，泛化能力不强的缺点，利用多通道数据之间的补充性，采取异常检测的方法，提取正常人脸在特征域的相似特征，使得对于大多数欺骗攻击都可以检测出来，有较强的泛化性能。

优选的，包括：所述深度自编码器网络MCCAE包括编码阶段和解码阶段；所述编码阶段用于从输入图像提取潜层特征信息；所述解码阶段用于从潜层特征信息到输出的重构图像。

在本发明的实施例中，利用多通道人脸识别活体检测自编码器网络MCCAE，可以直接从多通道数据中学习真实人脸的潜层特征，并针对潜层特征进行图像重构，用以区分真实人脸和各种各样的环境下不同种类的欺骗攻击图。训练阶段只利用真实人脸的特性既有利于节省收集欺骗攻击图像的人力物力，也提高了网络对于各种类型欺骗攻击的泛化性能。

在上述任意一项实施例中优选的，所述深度自编码器网络MCCAE，采用随机选取的WMCA数据集中90％的正常人脸作为训练集X_train，对于训练集，第一损失函数采用如下式表示：

其中，X_train为正常人脸的训练集；Φ代表编码阶段神经网络映射，

代表解码阶段神经网络。

在上述实施例中优选的，采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集，攻击分数采用如下式表示：

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集。

在上述任意一项实施例中优选的，所述深度自编码器网络MCCAE，在训练时包括如下方法：利用Adam优化算法，按照第一预设批训练数量，进行二阶段训练；一阶段，根据设置初始阶段学习率进行网络搜索,使得网络针对第一损失函数初步收敛；得到网络参数；二阶段，调低学习率，训练网络针对第一损失函数进一步收敛；得到精调后的网络参数；使用标准化的Glorot对精调后的所述网络参数初始化；训练完成得到标准MCCAE神经网络模型参数。

本发明还提供一种基于Deep SVDD网络的异常人脸识别活体检测方法，所述DeepSVDD网络的网络参数利用上述所述的训练好的MCCAE网络的编码部分的网络参数来进行初始化；还包括：

从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

将预处理后的数据，提取真实人脸的数据特征，获取数据特征至训练好的深度支持向量描述网络Deep SVDD中，利用Deep SVDD网络，将获取的数据特征在特征域聚集在一个超球体内部；根据异常特征值与超球体中心的距离计算攻击分数值；

根据攻击分数值识别输入图像数据是否为正常人脸数据。

在上述任意一项实施例中优选的，在深度支持向量描述网络Deep SVDD中，采用随机选取的WMCA数据集中90％的正常人脸作为训练集，根据训练时是否保留特征空间超球面半径的迭代更新，分为两种soft-boundary SVDD模式和one-class SVDD模式。

进一步优选的，所述soft-boundary SVDD模式中，训练时第二损失函数采用如下式表示：

其中，c为提取到的特征所在特征空间的中心，R为特征空间超球面的半径；v为超参数表示控制异常点的比例，λ为惩罚因子，W为模型参数，Ψ(X_n；W)表示训练数据通过神经网络之后在特征域的向量。

测试时，采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集X_test，攻击分数采用下式计算：

s(x)＝||Ψ(X_test；W^*)-c||²-(R^*)²；

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集，W^*为训练好的网络参数，R^*为训练收敛好的超球体半径。

所述one-class SVDD模式中，训练时损失函数采用如下式表示：

测试时，采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集X_test，攻击分数采用如下式表示：

s(x)＝||Ψ(X_test；W^*)-c||²；

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集，W^*为训练好的网络参数。

其中，c为提取到的特征所在特征空间的中心，R为特征空间超球面的半径；v为超参数表示控制异常点的比例，λ为惩罚因子，W为模型参数，Ψ(X_n；W)表示训练数据通过神经网络之后在特征域的向量。

在本实施例中，采用多通道人脸识别活体检测深度支持向量描述网络Deep SVDD，可以直接学习从多通道真实人脸图像到特征域的映射关系，并将其在特征域中紧缩在一个超球体中，达到区分真实人脸和欺骗攻击的效果。

本发明另一方面还提供一种基于MCCAE网络的异常人脸识别活体检测***，其特征在于，包括数据获取模块和基于MCCAE网络的异常人脸识别模块块；

所述数据获取模块用于从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

所述基于MCCAE网络的异常人脸识别模块，用于将处理后的数据输入训练好的深度自编码器网络MCCAE中，利用深度自编码器网络MCCAE获取真实人脸的潜层特征，并针对潜层特征进行图像重构，并将重构后的图像进行输出；根据输入图像与输出图像，计算图像重构的攻击分数；根据攻击分数识别输入图像数据是否为正常人脸数据；

本发明另一方面还提供一种基于Deep SVDD网络的异常人脸识别活体检测***，其特征在于，所述Deep SVDD网络的网络参数利用上述中任意一项所述的训练好的MCCAE网络的编码部分的网络参数来进行初始化；包括数据获取模块和基于Deep SVDD网络的异常人脸识别模块；

所述数据获取模块用于从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

所述基于Deep SVDD网络的异常人脸识别模块，用于将预处理后的数据，提取真实人脸的数据特征，获取数据特征至训练好的深度支持向量描述网络Deep SVDD中；利用DeepSVDD网络，将获取的数据特征在特征域聚集在一个超球体内部；根据异常特征值与超球体中心的距离计算攻击分数值；根据攻击分数值识别输入图像数据是否为正常人脸数据。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的基于MCCAE网络的异常人脸识别活体检测方法中神经网络基础模块；

图2为本发明的基于MCCAE网络异常人脸识别活体检测方法中神经网络流程图；

图3为本发明的基于MCCAE和Deep SVDD网络两种模式下的异常人脸识别活体检测方法中ROC曲线图；

图4为本发明的基于MCCAE网络异常人脸识别活体检测方法的流程图；

图5为本发明的基于Deep SVDD网络异常人脸识别活体检测方法的流程图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。

如图1所示，一种基于MCCAE网络的异常人脸识别活体检测方法，包括。

S1、从数据集中获取同一组进行过图像较准的多通道人脸数据

对多通道数据统一进行预处理

其中，多通道数据集至少包括以下通道：灰度图、深度图、近红外图、热红外图。

S2、将处理后的数据输入训练好的深度自编码器网络MCCAE中，利用深度自编码器网络MCCAE获取真实人脸的潜层特征，并针对潜层特征进行图像重构，并将重构后的图像进行输出；根据输入图像与输出图像，计算图像重构的攻击分数；

S3、根据攻击分数识别输入图像数据是否为正常人脸数据。

具体包括，S201、构建深度自编码器网络：深度自编码器网络MCCAE包括两个阶段；编码阶段从输入图像提取潜层特征信息:z＝Φ(X)。

网络结构从输入到输出依次为：卷积层a₁，批标准化层b₁，激活层c₁，池化层p₁；卷积层a₂，批标准化层b₂，激活层c₂，池化层p₂；卷积层a₃，批标准化层b₃，激活层c₃；卷积层a₄，批标准化层b₄，激活层c₄，池化层p₄；卷积层a₅，批标准化层b₅，激活层c₅；卷积层a₆，批标准化层b₆，激活层c₆，池化层p₅；卷积层a₆，批标准化层b₆，激活层c₆；卷积层a₆，批标准化层b₆，激活层c₆，池化层p₆；

所述卷积层a₁、a₂、a₃、a₄、a₅、a₆分别包含64、128、256、256、512、512个3x3的滤波器，步长均为1，无偏置项。

所述激活层c₁、c₂、c₃、c₄、c₅、c₆均为Leaky ReLU函数。

所述池化层p₁、p₂、p₄、p₆均为2x2最大池化层。

解码阶段从潜层特征到输出的重构图像：

网络从输入到输出是与编码网络对称，将其中的池化层替换为上采样层，卷积层替换为反卷积层，最后再添加sigmod激活层；

S202、随机选取WMCA数据集中90％的正常人脸作为训练集X_train，剩余10％的正常人脸图像和欺骗攻击图像作为测试集X_test；第一损失函数采取均方误差损失：

其中Φ代表编码阶段神经网络映射，

代表解码阶段神经网络；

S203、训练过程采用典型的二阶段训练，利用Adam优化算法，按照第一预设批训练数量，进行二阶段训练；一阶段，根据设置初始阶段学习率进行网络搜索,使得网络针对第一损失函数初步收敛；得到网络参数；二阶段，调低学习率，训练网络针对第一损失函数进一步收敛；得到精调后的网络参数；使用标准化的Glorot对精调后的所述网络参数初始化；训练完成得到标准MCCAE神经网络模型参数。

初始阶段学习率设置为lr₁用来搜索,子阶段学习率设置为lr₂来细调；利用Adam优化算法，批训练数量设定为f₁，算法训练两阶段分别训练g₁+g₂代；使用标准化的Glorot对网络参数初始化；训练完成得到MCCAE神经网络模型参数，MCCAE的潜层特征维度为L；

所述MCCAE网络两阶段学习率lr₁＝10^-4、lr₂＝10^-5,批训练样本数f₁＝32，两阶段分别训练g₁＝150、g₂＝100。

S204、采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集，攻击分数采用如下式表示：

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集。

本发明还提供一种基于Deep SVDD网络的异常人脸识别活体检测方法，所述DeepSVDD网络的网络参数利用上述所述的训练好的MCCAE网络的编码部分的网络参数来进行初始化；还包括：

S101、从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

S102、将预处理后的数据，提取真实人脸的数据特征，获取数据特征至训练好的深度支持向量描述网络Deep SVDD中，利用Deep SVDD网络，将获取的数据特征在特征域聚集在一个超球体内部；根据异常特征值与超球体中心的距离计算攻击分数值；

S103、根据攻击分数值识别输入图像数据是否为正常人脸数据。

具体包括，构建深度支持向量描述网络Deep SVDD神经网络并采用配对图像集训练网络；

S301、构建Deep SVDD网络：

特征提取网络部分和MCCAE网络的编码阶段网络一致，网络结构从输入到输出以此为：卷积层a₁，批标准化层b₁，激活层c₁，池化层p₁；卷积层a₂，批标准化层b₂，激活层c₂，池化层p₂；卷积层a₃，批标准化层b₃，激活层c₃；卷积层a₄，批标准化层b₄，激活层c₄，池化层p₄；卷积层a₅，批标准化层b₅，激活层c₅；卷积层a₆，批标准化层b₆，激活层c₆，池化层p₆；卷积层a₆，批标准化层b₆，激活层c₆；卷积层a₆，批标准化层b₆，激活层c₆，池化层p₆；全连接层f；Ψ(·)表示输入空间

到特征空间

的映射函数，特征提取网络参数为W；

其中，卷积层a₁、a₂、a₃、a₄、a₅、a₆分别包含64、128、256、256、512、512个3x3的滤波器，步长均为1，无偏置项。

所述激活层c₁、c₂、c₃、c₄、c₅、c₆均为Leaky ReLU函数。

所述池化层p₁、p₂、p₄、p₆均为2x2最大池化层。

S302、随机选取WMCA数据集中90％的正常人脸作为训练集X_train，剩余10％的正常人脸图像和欺骗攻击图像作为测试集；

根据训练时是否保留特征空间超球面半径的迭代更新，分为两种soft-boundarySVDD模式和one-class SVDD模式。

soft-boundary SVDD模式是将提取到的特征在特征空间紧缩在中心为c，半径为R的超球面内，损失的目标函数为：

第一项R²用来最小化超球体的体积；第二项是用来惩罚落在超球体外面的点，超参数v是用来控制异常点的比例；第三项是网络参数的正则项，λ为惩罚因子。

只用真实人脸训练的情况下，可以使用简化版的损失函数：称为one-class SVDD模式；

第三损失函数为：

训练时，网络参数利用训练好的MCCAE网络的编码阶段网络参数来进行初始化；超参数c被设置为批图像经过初始化模型参数后的网络时的均值；

one-class SVDD模式训练时；由于简化了半径因此不需要对半径进行迭代更新。

soft-boundary SVDD模式训练时，当半径R固定时训练5代，每5代之后，利用最近的模型参数W，根据网络学到的潜层特征更新半径R；运用典型的二阶段训练，初始阶段学习率设置为lr₃用来搜索,子阶段学习率设置为lr₄来细调；利用Adam优化算法，批训练数量设定为f₂，算法训练两阶段分别训练g₃+g₄代；训练完成得到Deep SVDD神经网络模型参数，Deep SVDD的潜层特征维度和MCCAE一致，为L；

优选地，所述Deep SVDD网络两阶段学习率lr₃＝10^-4、lr₄＝10^-5,批训练样本数f₂＝32，两阶段分别训练g₃＝15、g₄＝10，超参数v∈{0.01,0.1}。

优选地，所述潜层特征维度L＝64,128,256,512。

soft-boundary SVDD模式测试时，采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集X_test，攻击分数采用下式计算：

s(x)＝||Ψ(X_test；W^*)-c||²-(R^*)²；

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集，W^*为训练好的网络参数，R^*为训练收敛好的超球体半径。

one-class SVDD模式测试时，采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集X_test，攻击分数采用如下式表示：

s(x)＝||Ψ(X_test；W^*)-c||²；

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集，W^*为训练好的网络参数。

本发明另一方面还提供一种基于MCCAE网络的异常人脸识别活体检测***，包括数据获取模块和基于MCCAE网络的异常人脸识别模块块；

所述数据获取模块用于从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

所述基于MCCAE网络的异常人脸识别模块，用于将处理后的数据输入训练好的深度自编码器网络MCCAE中，利用深度自编码器网络MCCAE获取真实人脸的潜层特征，并针对潜层特征进行图像重构，并将重构后的图像进行输出；根据输入图像与输出图像，计算图像重构的攻击分数；根据攻击分数识别输入图像数据是否为正常人脸数据；具体识别过程参见上述识别方法。

本发明另一方面还提供一种基于Deep SVDD网络的异常人脸识别活体检测***，所述Deep SVDD网络的网络参数利用上述所述的训练好的MCCAE网络的编码部分的网络参数来进行初始化；包括数据获取模块和基于Deep SVDD网络的异常人脸识别模块；

所述数据获取模块用于从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

所述基于Deep SVDD网络的异常人脸识别模块，用于将预处理后的数据，提取真实人脸的数据特征，获取数据特征至训练好的深度支持向量描述网络Deep SVDD中；利用DeepSVDD网络，将获取的数据特征在特征域聚集在一个超球体内部；根据异常特征值与超球体中心的距离计算攻击分数值；根据攻击分数值识别输入图像数据是否为正常人脸数据。具体识别过程参见上述识别方法。

具体实施例：

本实验在WMCA数据集上进行实验。该数据集包含关于72人的真实人脸和欺骗攻击视频1679个。真实人脸数据和欺骗攻击数据分别347和1332张。多通道数据集包含4个通道，分别是灰度图、深度图、近红外图、热红外图。每一个视频采样50帧，图像分辨率为128x128像素，多通道数据之间进行配准，并进行图像归一化。本发明将WMCA数据集分为训练集(随机选取WMCA数据集中90％的正常人脸)和测试集(剩余10％的正常人脸图像和欺骗攻击图像)。

为了证明方法的有效性和泛化性能，选取了ROC曲线表示实验标准，并通过改变潜层特征维度L的大小，最终选取最优结果L＝256展示。

图3结果表明，Deep SVDD性能稍微弱于MCCAE，但是Deep SVDD拥有更少的网络参数，针对不同的表示攻击，足以区分真实人脸和欺骗攻击，表明本方法拥有不错的泛化性能。

本发明与现有方法相比，将异常检测的方法引入到了人脸识别活体检测中，利用了深度神经网络强大的学习能力，从多通道数据中学习正常人脸数据在特征空间的潜层特征，用以区分真实人脸和各种各样的环境下不同种类的欺骗攻击图。训练阶段只利用真实人脸的特性既有利于节省收集欺骗攻击图像的人力物力，也提高了网络对于各种类型欺骗攻击的泛化性能。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (10)

1.一种基于MCCAE网络的异常人脸识别活体检测方法，其特征在于，包括：

从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

将处理后的数据输入训练好的深度自编码器网络MCCAE中，利用深度自编码器网络MCCAE获取真实人脸的潜层特征，并针对潜层特征进行图像重构，并将重构后的图像进行输出；根据输入图像与输出图像，计算图像重构的攻击分数；

根据攻击分数识别输入图像数据是否为正常人脸数据。

2.根据权利要求1所述的基于MCCAE网络的异常人脸识别活体检测方法，其特征在于，包括：所述深度自编码器网络MCCAE包括编码阶段和解码阶段；所述编码阶段用于从输入图像提取潜层特征信息；所述解码阶段用于从潜层特征信息到输出的重构图像。

3.根据权利要求1所述的基于MCCAE网络的异常人脸识别活体检测方法，其特征在于，所述深度自编码器网络MCCAE，采用随机选取的WMCA数据集中90％的正常人脸作为训练集，对于训练集，第一损失函数采用如下式表示：

其中，X_train为正常人脸的训练集；Φ代表编码阶段神经网络映射，

代表解码阶段神经网络。

4.根据权利要求3所述的基于MCCAE网络的异常人脸识别活体检测方法，其特征在于，所述深度自编码器网络MCCAE，进行测试时采用随机选取的WMCA数据集中剩余10％的正常人脸和人工注入的欺骗攻击图像作为测试集，对于测试集，攻击分数采用如下式进行计算：

其中，s(x)表示攻击分数，X_test为正常人脸和欺骗攻击图像形成的测试集。

5.根据权利要求3所述的基于MCCAE网络的异常人脸识别活体检测方法，其特征在于，所述深度自编码器网络MCCAE，在训练时包括如下方法：

利用Adam优化算法，按照第一预设批训练数量，进行二阶段训练；

一阶段，根据设置初始阶段学习率进行网络搜索,使得网络针对第一损失函数初步收敛；得到网络参数；

二阶段，调低学习率，训练网络针对第一损失函数进一步收敛；得到精调后的网络参数；

使用标准化的Glorot对精调后的所述网络参数初始化；训练完成得到标准MCCAE神经网络模型参数。

6.一种基于Deep SVDD网络的异常人脸识别活体检测方法，其特征在于，所述DeepSVDD网络进行训练时，网络参数利用上述权利要求1-5中任意一项所述的训练好的MCCAE网络的编码部分的网络参数来进行初始化；还包括：

从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

将预处理后的数据，提取真实人脸的数据特征，获取数据特征至训练好的深度支持向量描述网络Deep SVDD中，利用Deep SVDD网络，将获取的数据特征在特征域聚集在一个超球体内部；根据异常特征值与超球体中心的距离计算攻击分数值；

根据攻击分数值识别输入图像数据是否为正常人脸数据。

7.根据权利要求6所述的基于Deep SVDD网络的异常人脸识别活体检测方法，其特征在于，在深度支持向量描述网络Deep SVDD中，采用随机选取的WMCA数据集中90％的正常人脸作为训练集，根据训练时是否保留特征空间超球面半径的迭代更新，分为两种soft-boundary SVDD模式和one-class SVDD模式。

8.根据权利要求7所述的基于Deep SVDD网络的异常人脸识别活体检测方法，其特征在于，所述soft-boundary SVDD模式中，训练时第二损失函数采用如下式表示：

所述one-class SVDD模式中，训练时第三损失函数采用如下式表示：

其中，c为提取到的特征所在特征空间的中心，R为特征空间超球面的半径；v为超参数表示控制异常点的比例，λ为惩罚因子，W为模型参数，Ψ(X_n；W)表示训练数据通过神经网络之后在特征域的向量。

9.一种基于MCCAE网络的异常人脸识别活体检测***，其特征在于，包括数据获取模块和基于MCCAE网络的异常人脸识别模块；

所述数据获取模块用于从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

所述基于MCCAE网络的异常人脸识别模块，用于将处理后的数据输入训练好的深度自编码器网络MCCAE中，利用深度自编码器网络MCCAE获取真实人脸的潜层特征，并针对潜层特征进行图像重构，并将重构后的图像进行输出；根据输入图像与输出图像，计算图像重构的攻击分数；根据攻击分数识别输入图像数据是否为正常人脸数据。

10.一种基于Deep SVDD网络的异常人脸识别活体检测***，其特征在于，所述DeepSVDD网络的网络参数利用上述权利要求1-5中任意一项所述的训练好的MCCAE网络的编码部分的网络参数来进行初始化；包括数据获取模块和基于Deep SVDD网络的异常人脸识别模块；

所述数据获取模块用于从数据集中获取同一组进行过图像较准的多通道人脸数据；对多通道数据统一进行预处理；

所述基于Deep SVDD网络的异常人脸识别模块，用于将预处理后的数据，提取真实人脸的数据特征，获取数据特征至训练好的深度支持向量描述网络Deep SVDD中；利用DeepSVDD网络，将获取的数据特征在特征域聚集在一个超球体内部；根据异常特征值与超球体中心的距离计算攻击分数值；根据攻击分数值识别输入图像数据是否为正常人脸数据。

Images