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！

龙图腾网恭喜华东交通大学申请的专利一种更具欺诈辨别性的人脸活体检测方法及其网络模型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：CN114093003B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202111397402.6，技术领域涉及：G06V40/16；该发明授权一种更具欺诈辨别性的人脸活体检测方法及其网络模型是由蔡体健;刘文鑫;尘福春;罗词勇;陈均设计研发完成，并于2021-11-23向国家知识产权局提交的专利申请。

本一种更具欺诈辨别性的人脸活体检测方法及其网络模型在说明书摘要公布了：本发明公开一种更具欺诈辨别性的人脸活体检测方法及其网络模型。所述方法包括构造削弱人脸面部结构信息的非结构化图像输入欺诈线索生成器，并使用嵌入XBM跨批存储机制的多尺度度量学习训练欺诈线索生成器；将非结构化图像和欺诈线索特征图输入辅助分类器，开展有监督分类学习；基于欺诈线索回归损失、三元组损失和辅助分类损失构造总体损失函数，优化网络模型；在测试阶段，将待测人脸图像构造成非结构化图像，输入欺诈线索生成器，根据输出的欺诈线索特征图计算欺诈得分，按照欺诈得分确定待测人脸图像是否为欺诈图像。采用本申请技术方案能够提取出更多的困难样本对，同时削弱无效的面部结构信息，从而提高人脸活体检测的精度和泛化能力。

本发明授权一种更具欺诈辨别性的人脸活体检测方法及其网络模型在权利要求书中公布了：1.一种更具欺诈辨别性的人脸活体检测方法，其特征在于，包括：将人脸图像进行切片重组，并且随机选取图像片，将其填充成通道均值，而其他图像块不变，由此来构造非结构化图像，作为网络模型输入；将非结构化图像输入欺诈线索生成器，输出欺诈线索特征图，得到欺诈线索回归的像素级损失，并使用嵌入XBM跨批存储机制的多尺度度量学习训练欺诈线索生成器，得到三元组损失；将非结构化图像和欺诈线索特征图输入辅助分类器，得到辅助分类损失；基于欺诈线索回归损失、三元组损失和辅助分类损失构造总体损失函数，使用总体损失函数优化网络模型；总体损失函数为： 式中，i∈{E5,D1,D2,D3,D4}表示应用三元组损失惩罚的层，α1、α2、α3是超参数，用于平衡不同损失分量的重要程度；Lr为欺诈线索回归的像素级损失；为三元组损失；为基于XBM跨批存储机制的三元组损失；La为辅助分类损失；在测试阶段，将待测人脸图像构造成非结构化图像，输入优化后的欺诈线索生成器，输出欺诈线索特征图，根据欺诈线索特征图计算欺诈得分，按照欺诈得分确定待测人脸图像是否为欺诈图像；使用嵌入XBM跨批存储机制的多尺度度量学习训练欺诈线索生成器，首先需要在内存中创建队列Mi，队列中所存储的过去特征向量将用于难样本的挖掘，i∈{E5,D1,D2,D3,D4}分别代表编码器E5和四个解码器{D1,D2,D3,D4}，用于存储过去迭代训练的特征向量，其中表示第j个样本的第i个编码或解码器输出的特征向量，表示第j个样本的标签，q为队列长度；嵌入XBM跨批存储机制的多尺度度量学习的子步骤包括：采用度量学习方法对网络模型进行预训练，获得并记录下特征向量出现“慢漂移”现象时的迭代次数k；前期迭代训练从一个批样本块中挖掘三元组样本，并计算样本之间的相似度，然后利用三元组损失对网络进行优化；当迭代次数＞k，即特征向量出现“慢漂移”现象时，则模型进入后期迭代训练；采用基于XBM跨批存储机制的难样本挖掘策略，首先在队列中挖掘三元组样本对，获得一批样本的特征，然后进行队列更新，将当前批特征进入队列，最早批特征移出队列，接着计算样本之间的相似度，最后利用三元组损失对网络进行优化。

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华东交通大学，其通讯地址为：330013 江西省南昌市青山湖区双港东大街808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”。