HyperFAS: алгоритм для распознавания лиц в реальном времени на основе глубокого обучения

Распознавание лиц в реальном времени является важным этапом процесса распознавания лиц, оно используется для различения реальных и поддельных изображений лиц и способно распознавать обманные действия, такие как печать на бумаге, перехват экрана или использование 3D-моделей. На этапе разработки алгоритма мы экспериментировали с различными методами, включая SVM, LBP и глубокое обучение. Для одной сцены или камеры мы можем получить неплохие результаты, но не существует алгоритма, который бы хорошо работал с разными камерами. Здесь мы представляем одну из лучших моделей, которая доступна для использования, хотя её эффективность всё ещё может быть недостаточной при встречном свете и других условиях. Эту модель можно использовать в качестве отправной точки для дальнейших исследований.

Для обучения модели было использовано примерно 36 миллионов изображений, из которых 18 миллионов были поддельными, а остальные — реальными. В данных использовались изображения, полученные с бумаги, экранов и большинства общедоступных наборов данных о поддельных лицах.

Зависимости

• Основан на mobilenet-0.5.

• OpenCV 3.4.3+.

• MTCNN для обнаружения лиц.

• Keras и TensorFlow.

• Python 3.

Запуск

Запустите программу с помощью команды:

python src/demo.py

Тестовый пример

Связанные наборы данных

• NUAA (http://parnec.nuaa.edu.cn/xtan/data/nuaaimposterdb.html).

• IDIAP: The Replay-Attack Database (https://www.idiap.ch/dataset/replayattack).

• CASIA FASD.

• The Oulu-NPU face anti-spoofing database (https://sites.google.com/site/oulunpudatabase/).

• Spoof in the Wild (SiW) Face Anti-spoofing Database (http://cvlab.cse.msu.edu/spoof-in-the-wild-siw-face-anti-spoofing-database.html).