摘要：人脸反欺诈(Face anti-spoofing,FAS)在防止人脸识别系统遭受欺诈攻击方面起着至关重要的作用,得益于深度学习网络强大的特征提取能力,基于深度学习的FAS算法取得比基于传统手工特征算法更好的性能,成为近期的研究热点。尽管大多数基于深度学习的FAS算法能在库内达到很好的检测效果,但是跨库检测性能欠佳,主要原因是库内和库外数据往往在不同条件下采集,例如拍摄设备、环境光照和攻击呈现设备不同,导致库内和库外数据的分布不同,两者之间存在域位移。当训练数据的多样性不足时,容易在库内学习过程中过拟合,跨库泛化性能不好。尽管我们可以判断起因,然而在真实世界的应用过程中解决上述问题并不容易。一方面,人脸反欺诈模型难以收集所有场景下的有标签训练样本;另一方面,不同应用场景使得同一因素产生不同的影响,例如,不同场景的光照导致域位移,影响了分类模型对本质性欺诈纹理的提取。为此,本文将元伪标签引入人脸反欺诈任务,提出一种基于元伪标签的人脸反欺诈方法。主要贡献包括:第一,提出一种基于图像块的“教师生成伪标签,学生反馈”半监督学习框架,挖掘局部图像的高区分度特征,解决有标签样本不足的问题;第二,基于局部重力模式(Pattern of local gravitational force,PLGF),设计一种带有注意力模块的光照不变特征分支,抑制应用场景中最容易影响特征提取的光照因素;第三,将元学习与半监督学习框架相结合,优化教师生成伪标签的过程,提高算法的跨库检测能力。与现有流行算法相比,在三个公开的测试数据集(包括CASIA、Replay-Attack和MSU)上,所提出方法在库内测试和跨库测试下均有突出的表现,尤其是泛化性能得到显著提高。在样本数量中等时,在不同库中的半总错误率保持最低。

摘要：针对传统的特征点在目标追踪算法中鲁棒性不强和基于先验知识的目标追踪算法模型漂移的问题,提出一种基于光照不变特征的无模式跟踪算法。采用无模式追踪的思想,利用敏感直方图提取二值化的光照不变特征,用双向光流跟踪和全局匹配算法进行筛选得到稳定特征点,根据特征点的投票结果进行聚类确定目标中心,实现目标追踪。通过实验验证了该方法在光照变换、部分遮挡、运动模糊等情况下都表现出较好的追踪效果和鲁棒性。

摘要：针对目标跟踪中存在的光照变化、背景嘈杂和尺度变化问题,提出一种基于局部敏感直方图的鲁棒目标跟踪算法。通过局部敏感直方图计算光照不变特征,以此构建目标颜色概率直方图模型,解决光照变化情况下的跟踪漂移现象;通过引入干扰感知模型,抑制背景干扰影响,提高嘈杂情况下的跟踪鲁棒性;通过自适应阈值分割策略,解决目标尺度变化问题。利用公开数据集测试算法,该算法的平均速度为21.2FPS。实验结果表明,该算法能很好解决光照变化、形变和背景嘈杂情况下的精确目标跟踪问题,具有较强的鲁棒性。