(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210201981.0 (22)申请日 2022.03.03 (71)申请人 长安大学 地址 710064 陕西省西安市雁塔区二环南 路中段126号 (72)发明人 周洲　程鑫　张煜昕　宁航　 王宏飞　赵犇　翟茗禹　李思含　 连新宇　赵祥模　 (74)专利代理 机构 西安恒泰知识产权代理事务 所 61216 专利代理师 王孝明 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) B60R 25/25(2013.01) (54)发明名称 一种考虑人脸欺诈的车载系统安全认证管 理方法 (57)摘要 本发明提供了一种考虑人脸欺诈的车载系 统安全认证管理方法， 其中， 构建车载系统安全 认证管理卷积神经网络， 所述的构建包括： 所述 的卷积神经网络包括纹理呈现子网络、 光学呈现 子网络和特征融合子网络； 所述的车载系统安全 认证管理卷积神经网络以MobileNet ‑V2为骨干。 将所获得的增强后的RGB图像的人脸区域图像和 光流场图的人脸区域图像分别作为纹理呈现子 网络和光学呈现子网络的输入， 采用车载系统安 全认证管 理卷积神经网络进行训练， 通过纹理呈 现子网络和光学呈现子网络的训练进行纹理特 征和光流特征的提取， 在特征融合子网络中获得 特征融合， 最后， 基于光流特征和纹理特征， 进行 真人脸和假人脸的分类， 输出最终结果。 权利要求书2页 说明书10页 附图8页 CN 114663938 A 2022.06.24 CN 114663938 A 1.一种考虑人脸欺诈的车载系统安全认证管理方法， 其特征在于， 该方法包括以下步 骤： 步骤1， 输入采集的连续两帧人脸视频， 通过基于深度学习的运动放大方法对捕捉到的 视频帧图像进行预处理， 对视频帧图像中的反映人体呼吸信号的目标频段在0.04Hz～ 0.4Hz之间的人的运动进行增强， 获得增强后的RGB图像； 步骤2， 采用逐像素稠密光流方法， 追踪在步骤1中放大后的相邻两帧视频帧图像中的 所有点， 提取相邻两帧视频帧图像的稠密光 流动态特 征， 生成光 流场图； 步骤3， 采用HOG算法对步骤1中所输入的视频帧图像中的人脸区域进行定位， 裁剪出经 过步骤1增强后的RGB图像中的人脸区域； 之后同样对步骤2中所获得的光流场图中的人脸 区域进行定位， 裁 剪出光流场图中的人脸区域； 步骤4， 构建车载系统安全认证管理卷积神经网络， 所述的构建包括： 所述的卷积神经 网络包括纹理呈现子网络、 光学呈现子网络和特征融合子网络； 所述的车载系统安全认证 管理卷积神经网络以Mobi leNet‑V2为骨干； 将步骤3所获得的增强后的RGB图像的人脸区域图像和光流场图的人脸区域图像分别 作为纹理呈现子网络和光学呈现子网络的输入， 采用车载系统安全认证管理卷积神经网络 进行训练， 通过纹理呈现子网络和光学呈现子网络的训练进行纹理特征和光流特征的提 取， 在特征融合子网络中获得特征融合， 最后， 基于光流特征和纹理特征， 进行真人脸和假 人脸的分类， 输出最终结果。 2.如权利要求1所述的考虑人脸欺诈的车载系统安全认证管理方法， 其特征在于， 步骤 4中， 所述的构建还 包括： 步骤401， 对纹理呈现子网络和光学呈现子网络构建了由N个子块组成的动态卷积块， 子块包含K个大小相同的动态卷积滤波器； 步骤402， 在纹理特征子网络中设置了中间层特征提取块和多级特征融合块作为网络 主干进行纹 理特征提取。 3.如权利要求1所述的考虑人脸欺诈的车载系统安全认证管理方法， 其特征在于， 步骤 1中， 包括如下子步骤： 步骤101， 利用一个基于残差网络的运动视觉编码器编码器作为一个空间分解过滤器 提取输入的单个视频帧图像的形状表示信号和纹 理表示信号； 步骤102， 将视频视作连续视频帧图像， 视频中某 处的像素值变化能够视为一种时域信号， 用一个时域滤波器从得到的动作表 示中提取目标 频段进行动作放大， 得到放大后的运动信号； 步骤103， 利用解码器将形状表示信号和纹理表示信号与放大后的运动信号相结合， 重 构出增强后的RGB图像。 4.如权利要求1所述的考虑人脸欺诈的车载系统安全认证管理方法， 其特征在于， 步骤 1中， 步骤2中， 具体包括如下子步骤： 步骤201， 将步骤1中获得的增强后的RGB图像视为一个二维变量函数， 并通过二项式展 开进行近似 估计； 步骤202， 对于每帧视频帧图像中的每个像素点， 将像素点在(2n+1) ×(2n+1)的邻域内 的全部像素点作为样本点， 通过最小二乘法拟合得到中心像素点的六维系 数， 对于视频帧权　利　要　求　书 1/2 页 2 CN 114663938 A 2图像中的每 个像素点都能得到一个六维向量； 其中， n为正整数； 步骤203， 将每个六维向量作为系数， 代入不同像素点的位置， 求出视频前后帧的视频 帧图像中每 个像素点的参数向量； 步骤204， 利用参数向量计算人脸视频的帧间位移， 将帧间位移转换为极坐标系形式的 位移并映射到 HSV色彩空间， 生成光 流场图。 5.如权利要求1所述的考虑人脸欺诈的车载系统安全认证管理方法， 其特征在于， 步骤 1中， 步骤3中， 采用HO G算法定位的过程具体包括如下子步骤： 步骤301， 将步骤1中获得的增强后的RGB图像和步骤2中生成的光流场图分别划分为多 个块， 每个块中分为多个单元， 计算每个单元中每个像素的梯度， 并根据梯度的分布生 成单 元的HOG； 步骤302， 对每个块中的所有单 元的HOG进行向量 运算， 得到每 个块对应的块空间HO G； 步骤303， 对块空间的HOG进行归一化处理， 最终将所有块的块空间HOG组合在一起， 形 成该检测窗口的HOG特征向量； 利用滑动窗口， 采用机器学习算法来判断当前窗口中的HOG 特征向量是否与人脸区域相匹配， 从而根据窗口坐标定位人脸。权　利　要　求　书 2/2 页 3 CN 114663938 A 3