基于生成对抗网络的虚假人脸图像判别方法研究

Spoof attacks of information identification by generated faces infringe on individual rights and endanger social interests. The accurate identification of generated face images has become a recognized academic difficulty in information security. This project innovatively uses the generative adversarial networks in complex data correlation and processing to solve the difficulties in the discrimination of generated face images. First, it takes the multi-factor correlation of human face features, the related authenticity identifications, the global convergence of generative adversarial networks, and the computational complexity as entry points. There are some key scientific problems, such as the connectionism and the optimization of multi-layer network structure under deep convolution structure, the selection of image features, and the discrimination mechanism. Second, it analyzes the structure of stridden convolution and the shuffle of network channels to improve the global convergence of network, simplify the network connection, and construct the efficient discrimination method. Then, the perceptual adversarial loss is applied to the analysis of high semantic features and degraded distribution features to construct the discrimination function of human face authenticity. Finally, a platform is built to test the proposed authenticity discrimination method of generated faces by multiple attack ways in a complex environment. It also achieves the correction and optimization of related parameters, proposed network structure, and discrimination function. It explores the theories and related techniques of authenticity discrimination of generated faces in complex environment, which are expected to provide technical supports in face recognition field.

利用多种手段生成虚假人脸对信息识别进行欺骗攻击，会侵犯个人权益并危及社会利益，对复杂的虚假人脸图像进行准确判别已成为信息安全领域公认的学术难点。本项目创新性地利用成对抗网络在复杂数据关联及处理中的优势来研究虚假人脸图像判别难题，以人脸特征多因素关联及真伪辨别、生成对抗网络全局收敛性与计算复杂度等为切入点，针对其面临的深度卷积结构下的连接机制与多层结构优化、图像真伪关联特征选取与判别机理等关键科学问题，研究跨步卷积结构与网络通道重组手段提升网络全局收敛性、精简网络连接并构建出高效判别法，采用感知对抗损耗法从高层语义与退化分布特征角度构造人脸真实性判别函数，最后搭建复杂环境与多攻击手段虚假人脸判别验证平台来测试模型判别能力，实现对网络结构与判别函数进行参数与模型修正和优化评价，探索出人脸图像真伪判别理论方法及其在复杂环境下的识别技术，可望为我国人脸图像安全识别领域提供新的判别方法及技术支撑。

基于生成对抗网络的虚假人脸图像判别是指建立在网络隐藏层高层特征上，利用生成人脸与真实人脸对抗感知损失的生成对抗网络判别器优化分析，帮助人脸识别系统识别虚假人脸，进一步提高系统数据安全性能，维护社会国家安全。在人脸识别应用中，人脸数据真实性分析存在以下关键问题即深度卷积结构下的生成对抗网络连接机制与多层结构优化难题、人脸图像真伪特征选取与判别机理和人脸数据真实性鉴别应用场景复杂及攻击手段多样。为解决上述方法的实际存在难题，建立能判别虚假人脸数据的人脸识别防欺骗分析理论和方法，本项目通过基于人脸识别领域数据真实性分析、生成对抗网络结构设计与优化和感知对抗损耗设计，开展了如下几个方面的研究并取得了预期的研究成果。1）研究了面向全局收敛性及计算复杂度的生成对抗网络结构优化方法，解决了面向人脸特征提取生成对抗网络的训练收敛稳定性和计算复杂度问题，实现了模型训练收敛稳定性提高以及网络计算复杂度优化。2）研究了基于多层特征分离与感知对抗损耗的图像增强模型，解决了对抗生成网络中判别器对图像增强与判别算法的问题，实现了真高层语义特征和图像退化分布差异性模型优化。3）研究了复杂环境与多攻击手段下的数据验证方法，解决了数据真实性鉴别应用场景复杂及攻击手段多样问题，实现了数据真实性鉴别器分析方法的正确性与可用性综合评价。总体来说，在项目的支持下，项目组对于相关领域进行了深层研究，形成面向生成对抗网络的人脸数据真实性分析方法的理论框架，并且将研究成果相关研究推广到了更多的领域，取得了一定的研究成果。

内容获取失败，请点击重试