(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210753884.2 (22)申请日 2022.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 114821825 A (43)申请公布日 2022.07.29 (73)专利权人 广州中平智能科技有限公司 地址 510000 广东省广州市南沙区丰泽 东 路106号X1301-I013661 (72)发明人 郑飞州　 (74)专利代理 机构 广州容大知识产权代理事务 所(普通合伙) 44326 专利代理师 刘新年 (51)Int.Cl. G06V 40/40(2022.01) G06V 40/16(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113762138 A,2021.12.07 CN 112116560 A,2020.12.2 2 CN 111914616 A,2020.1 1.10 CN 111783505 A,2020.10.16 CN 112906508 A,2021.0 6.04 黄飞虎.高精度三维人脸识别技 术及其门禁 应用研究. 《中国优秀博硕士学位 论文全文数据 库(博士)信息科技 辑 （月刊） 》 .202 2,第67-101 页. 马亚平.精耕AI:创新 解决当下 赋能安防 未来――访北京中科奥森数据科技有限公司安 防事业部总经理刘冬. 《中国安防》 .2018,(第0 5 期), 审查员 贾云杰 (54)发明名称 一种多粒度人脸伪造检测方法、 系统、 设备 和介质 (57)摘要 本公开涉及人脸识别领域， 具体涉及一种多 粒度人脸伪造检测方法、 系统、 设备和介质， 所述 方法包括如下步骤： 将原始人脸数据集和人脸伪 造数据集集合为合成数据集； 利用所述合成数据 集进行伪造人脸检测任务和人脸识别任务的训 练， 以完成粗粒度检测器的参数训练； 利用所述 合成数据集训练细粒度检测器； 将所述粗粒度检 测器和细粒度检测器结合起来检测人脸伪造情 况并输出人脸识别结果。 本公开实现了将人脸识 别与人脸伪造检测功能于一体的粗粒度检测器， 有效提升了模型的高维特征提取能力和分类鲁 棒性， 本公开将细粒度和粗粒度的人脸伪造检测 器的结果进行融合， 同时实现了对 人脸的全局和 局部信息的伪造检测， 得到了一个更精确的伪造检测结果。 权利要求书2页 说明书14页 附图3页 CN 114821825 B 2022.12.06 CN 114821825 B 1.一种多粒度人脸伪造检测方法， 其特 征在于， 包括如下步骤： 将原始人脸数据集和人脸伪造数据集 集合为合成数据集； 利用所述合成数据集进行伪 造人脸检测任务和人脸识别任务的训练， 以完成粗粒度检 测器的参数训练； 所述粗粒度检测器的损失函数 为： ， 其中， 为交叉熵损失函数， 为人脸数据特征 对应的正负类标签， 数值0表示伪造人 脸， 数值1表示真实人脸， 为人脸识别任务的损失函数， 为伪造人脸检测任务的损失函 数， 为重要性因子， 为人脸数据的特 征； 在人脸识别模型中的某一网络层后添加检测结构， 所述检测结构由卷积核为1X1的卷 积层和一个全连接层组成； 删除所述某一网络层后的网络结构， 使得某一网络层前的结构和所述检测结构形成细 粒度检测器； 将已训练的粗粒度检测器对应结构的参数加载到细粒度检测器； 配置超参数； 训练细粒度检测器并更新所述检测结构的参数； 将所述粗粒度检测器和细粒度检测器结合起来检测人脸伪造情况并输出人脸识别结 果； 所述某一网络层通过如下步骤确定： 计算所述人脸识别模型的每一层输出的感受野大小； 通过选择模型的部分层作为备选的添加点， 对备选的网络层的中间层构建的检测器和 其前后两层构建的检测器进行训练； 选择其中最佳性能决定新的备选添加点， 直到获得最佳性能的细粒度检测器， 对应的 添加点前的网络层即为某一网络层。 2.如权利要求1所述的多粒度 人脸伪造检测方法， 其特征在于， 将原始人脸数据集和人 脸伪造数据集融合 为合成数据集具体包括如下步骤： 加载原始人脸数据集； 启动伪造人脸资源库中的伪造人脸生成器和/或人脸伪造算法,将所述原始人脸数据 集转换成伪造人脸数据集； 为所述原 始人脸数据集和人脸伪造数据集分别添加不同标签； 将原始人脸数据集和人脸伪造数据集 集合为合成数据集。 3.如权利要求1或2所述的多粒度人脸伪造检测方法， 其特征在于， 利用所述合成数据 集进行伪造人脸检测任务和人脸识别任务的训练， 以完成粗粒度检测器的参数训练的具体 包括如下步骤： 配置人脸识别模型； 配置超参数；权　利　要　求　书 1/2 页 2 CN 114821825 B 2融合配置过的所述人脸识别模型和粗粒度检测器， 进行伪 造人脸检测任务和人脸识别 任务的训练。 4.如权利要求3所述的多粒度 人脸伪造检测方法， 其特征在于， 配置人脸识别模型的具 体步骤如下： 增加一个所述人脸识别模型最后一层分类层的输出神经 元； 将所述增加的输出神经元作为真伪人脸的检测输出， 对应于不同标签的预测结果， 其 他神经元的输出对应于人脸分类标签的预测结果。 5.一种多粒度人脸伪造检测系统， 其特 征在于， 包括如下步骤： 伪造人脸 生成模块， 将原 始人脸数据集和人脸伪造数据集 集合为合成数据集； 粗粒度检测器构建模块， 利用所述合成数据集进行伪 造人脸检测任务和人脸识别任务 的训练， 以完成粗粒度检测器的参数训练； 所述 粗粒度检测器的损失函数 为： ， 其中， 为交叉熵损失函数， 为人脸数据特征 对应的正负类标签， 数值0表示伪造人 脸， 数值1表示真实人脸， 为人脸识别任务的损失函数， 为伪造人脸检测任务的损失函 数， 为重要性因子， 为人脸数据的特 征； 细粒度检测器构建模块， 在人脸识别模型中的某一网络层后添加检测结构， 所述检测 结构由卷积核为 1X1的卷积层和一个全连接层组成； 删除所述某 一网络层后的网络结构， 使 得某一网络层前的结构和所述检测结构形成细粒度检测器； 将已训练的粗粒度检测器对应 结构的参数加载到细粒度检测器； 配置超参数； 训练细粒度检测器并更新所述检测结构的 参数； 所述某一网络层通过如下步骤确定： 计算所述人脸识别模型的每一层输出的感受野大小； 通过选择模型的部分层作为备选的添加点， 对备选的网络层的中间层构建的检测器和 其前后两层构建的检测器进行训练； 选择其中最佳性能决定新的备选添加点， 直到获得最佳性能的细粒度检测器， 对应的 添加点前的网络层即为某一网络层； 人脸伪造检测和 识别模块， 将所述粗粒度检测器和细粒度检测器结合起来检测人脸伪 造情况并输出 人脸识别结果。 6.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的 多粒度人脸伪造检测方法。 7.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器 执行时实现权利要求1至4任一项所述的多粒度人脸伪造检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114821825 B 3