买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种针对图像演示攻击的人脸活体检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116824664B 。

龙图腾网通过国家知识产权局官网在2025-07-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310700231.2，技术领域涉及：G06V40/16；该发明授权一种针对图像演示攻击的人脸活体检测方法是由郑昱;王家辉;荆久耀;党张轩;练兴林;孙雅霖;杨超设计研发完成，并于2023-06-13向国家知识产权局提交的专利申请。

本一种针对图像演示攻击的人脸活体检测方法在说明书摘要公布了：本发明公开了一种针对图像演示攻击的人脸活体检测方法，包括：搭建深度异常检测学习框架，所深度异常检测学习框架包括三个独立的生成器网络以及分别连接生成器网络的鉴别器网络；对待检测原始图像进行预处理，得到待检测原始图像的第一预处理图像和第二预处理图像；将待检测原始图像、第一预处理图像和第二预处理图像分别输入经训练的深度异常检测学习框架中三个独立的生成器网络中进行特征学习、图像重构和异常鉴别，获得由生成器网络生成的隐向量和重构图像以及由鉴别器网络生成的预测分数；将鉴别器网络生成的预测分数与异常分数阈值进行比较。本发明解决传统异常检测中特征提取困难的问题，大大提高了人脸活体检测检测的精度。

本发明授权一种针对图像演示攻击的人脸活体检测方法在权利要求书中公布了：1.一种针对图像演示攻击的人脸活体检测方法，其特征在于，包括： S1：基于生成对抗网络GAN模型以及多频域特征搭建深度异常检测学习框架，所述深度异常检测学习框架包括三个独立的生成器网络以及分别连接所述生成器网络的鉴别器网络； S2：对待检测原始图像进行预处理，得到所述待检测原始图像的第一预处理图像和第二预处理图像； S3：将所述待检测原始图像、所述第一预处理图像和所述第二预处理图像分别输入经训练的深度异常检测学习框架中三个独立的生成器网络中进行特征学习、图像重构和异常鉴别，获得由所述生成器网络生成的隐向量和重构图像以及由所述鉴别器网络生成的预测分数； S4：将所述鉴别器网络生成的预测分数与异常分数阈值进行比较，以确定所述待检测原始图像是否为真实的人脸活体图像； 在步骤S3之前还包括： 利用由大量正常人脸活体图像组成的训练数据集对所述深度异常检测学习框架进行训练，获得经训练的深度异常检测学习框架； 其中，利用由大量正常人脸活体图像组成的训练数据集对所述深度异常检测学习框架进行训练，包括： 选取由大量正常人脸活体图像组成的训练数据集，并对所述训练数据集中的每张训练图像进行LBP滤波和bilateral滤波处理，得到每张训练图像的第一滤波图像和第二滤波图像组成包括三张训练图像的图像组； 按照批次将每组图像组输入至所述深度异常检测学习框架的三个独立的生成器网络中，分别由所述生成器网络得到隐向量和重构图像由所述鉴别器网络得到预测分数以及由第二编码器得到针对生成图像提取的高维特征向量 定义训练过程中的目标函数为： L＝Lenc+Lcon+Ladv， 其中，Lenc表示模型重构损失，为生成器网络与编码器网络得到的隐空间向量之间的二范数，Lcon表示上下文损失，为原始图像与生成器网络得到的生成图像之间的element-wise一范数，Ladv表示对抗训练损失，为鉴别器为原图和生成图给出的预测分数； 设定训练过程中的异常评分函数在训练阶段使用所述异常评分函数作为模型输入异常分数的标准，并自适应学习异常分数阈值； 将所述深度异常检测学习框架输出的分数与自适应学习得到的异常分数阈值进行比较，若大于阈值，则判定为异常图像，否则判定为正常图像；随后与当前训练图像的标签信息进行比较，若二者相同，则说明训练网络学习效果最佳；反之，则根据所述目标函数不断优化所述深度异常检测学习框架的网络参数，以增强训练网络的学习效果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。